增程式电动汽车发动机的多工作点控制策略

为了研究不同的发动机多工作点控制策略对整车燃油经济性的影响,以某增程式电动汽车为研究对象,在满足整车动力性前提下,设计了发动机三工作点和五工作点控制策略。在不同循环工况下,对比分析了2种控制策略。仿真结果表明,三工作点和五工作点控制策略能够满足整车动力性要求,且三工作点控制策略的燃油经济性更优。

基于LSTM车速预测和深度确定性策略梯度的增程式电动汽车能量管理

为提高增程式电动汽车的能量管理性能,首先利用长短时记忆(LSTM)神经网络进行车速预测,然后计算出预测时域内的需求功率,并将其与当前时刻的需求功率共同输入深度确定性策略梯度(DDPG)智能体,由智能体输出控制量,最后通过硬件在环仿真验证了控制策略的实时性。结果表明,采用所提出的LSTM-DDPG能量管理策略相对于DDPG能量管理策略、深度Q网络(DQN)能量管理策略、功率跟随控制策略在世界重型商用车辆瞬态循环(WTVC)工况下的等效燃油消耗量分别减少0.613 kg、0.350 kg、0.607 kg,与采用动态规划控制策略时的等效燃油消耗量仅相差0.128 kg。

增程式电动物流车队列的能量管理策略研究

以增程式电动物流车队列为研究对象,为提高整个队列的燃油经济性,从队列的协同自适应巡航控制和能量管理策略两方面进行研究。利用车对车通信和前车领航车跟随式通信拓扑结构,基于分布式模型预测控制,设计了以稳定性、舒适性和经济性为优化目标的协同自适应巡航控制器。将增程式电动物流车队列的能量管理策略描述为一个完全合作类型的多智能体强化学习问题,所有智能体共同探索在不同车辆状态下的最优控制动作,提出了基于多智能体强化学习的能量管理策略。仿真结果表明,所设计的生态协同自适应巡航控制策略能够有效地平衡车辆队列的稳定性和经济性。以动态规划为基准,与单智能体算法相比,基于多智能体深度确定性策略梯度算法的能量管理策略可以在显著提高学习速率的同时获得近似最优解。

增程式电动汽车动力系统一体化冷却传热分析

以一款增程式轻型卡车为研究对象,对增程式动力系统的发动机和电机采用一体化冷却系统设计。在预设的运行工况,通过试验测试,计算出工况点增程器和电驱系统的散热需求,对冷却液和冷却水泵进行选型匹配。结合试验测试建立了增程器和电驱系统冷却回路一维仿真模型,对比分析了电驱系统冷却管道串联与并联的冷却效果与能耗情况,验证了驱动电机冷却液帮助发动机冷起动的可行性。研究结果表明:通过试验测量散热量选择到的电子水泵,能更加高效准确地控制冷却液流量,冷却效果更好。冷却系统一维仿真分析中能从温升曲线直观看到并联冷却管路冷却效果更好,并联管路中的电磁阀根据工况不同控制开口大小,比串联管路统一控制冷却液流量冷却更高效。并联冷却管路中驱动电机冷却时快速产生热量,在与发动机冷起动时进行热交互可以帮助发动机快速暖机,改善发动机冷起动排放差、动力弱的情况。

增程式电动挖掘机动力系统参数优化及能量管理策略研究

传统挖掘机为液压式挖掘机,这一挖掘机设备类型不但油耗水平高,而且排放能力较差,整体生产效益水平并不高。现如今,伴随电动动力系统、节能技术的发展进步,基于混合动力的增程式电动挖掘机应运而生。全新电动挖掘机在动力系统参数表现上非常强劲,所以本文中基于设备动力系统设计来形成模糊逻辑控制算法,对系统参数进行全面优化,然后基于确定规则来研究系统的能量管理策略,体现增程式电动挖掘机系统的优势之处。

增程式电动拖拉机动力电池供电系统研究

增程式电动拖拉机具有节能减排、续航时间长等优点,但现有动力电池组电压等级较低,无法满足增程式电动拖拉机整机直流母线电压需求。为此,针对增程式电动拖拉机整机500 V电压平台需求,研究了其动力电池供电系统,完成了动力电池供电系统硬件设计和控制设计,最终利用MatLab/Simulink进行了仿真验证。仿真试验方面,所设计的动力电池供电系统实现了从320 V到500 V良好的升压稳压控制与闭环直流电源供电效果,能够适应与增程器等其他电源并联均流供电需求,动力电池供电系统具有良好的动态性能和稳态性能,满足稳定供电需求。

基于模糊控制的增程式电动汽车能量管理控制研究

为了提升增程式电动汽车的燃油经济性并使其能够适应更加复杂的行驶工况,在保证汽车动力性的前提下,以控制电池SOC在工作范围内和等效百公里燃油消耗量较小为目标,以某增程式电动汽车为参考对象进行动力参数匹配,分别建立功率跟随控制策略模型、模糊功率跟随控制策略模型和加速度模糊功率跟随控制策略模型。在AVL_Cruise软件上完成整车模型的搭建并验证其动力性,运用Matlab/Simulink软件搭建控制策略模型,在WLTC和CLTC工况下进行联合仿真分析。试验表明:在满足动力性要求的基础上,功率跟随控制策略在WLTC和CLTC工况下的等效百公里燃油消耗量较其他两种控制策略较低,但是对CLTC较复杂的工况适应性差,具体表现在电池SOC的范围低于给定的电池工作范围,影响电池寿命;模糊功率跟随控制策略引入电池SOC状态,有效地改进了功率跟随对复杂工况适应性差的缺陷,但存在等效百公里燃油消耗量较大问题,且自身对复杂工况的适应性依旧存在缺陷;加速度模糊功率跟随控制策略综合考虑前二者控制策略的优劣性,引入加速度这一影响因素,解决了前二者对复杂工况适应性差的缺陷,与模糊功率跟随控制策略相比燃油经济性得到了提升。

增程式电动汽车能量管理策略优化研究

文章以增程式电动汽车能量管理策略优化进行研究与讨论。对当前关于增程式电动汽车能量管理策略的研究进展进行分析后,提出了增程式电动汽车能量管理策略优化分析。以总质量 600kg 的增程式电动汽车为研究案例,提出了单点恒温器式能量管理方案及基于功率需求的多点控制策略方案,通过对两种能源管理策略进行分析后,通过对单点恒温器策略、多点控制策略的能量流动数据对比分析后,分析了两种能源管理的优势。

增程式电动汽车能量管理控制策略研究综述

本文对增程式电动车能量管理策略进行了详细的总结。通过整合大量近期文献,首先介绍了EREV能量管理策略的相关概念以及重要分类。其次阐述了能量管理策略的研究现状,并将其分为基于规则和基于优化两种控制策略进行分类说明。再者,对当前策略研究存在的些许不足进行了探讨,为此领域的深入研究提供进一步参考。最后,展望了EREV能量管理技术的未来发展趋势,希望对新能源汽车行业的创新发展提供借鉴。

基于用户场景研究的增程式电动汽车市场分析

增程式电动汽车具有更强的用户场景适应性。为了研究增程式电动汽车的市场现状,从用户视角探讨了增程式电动汽车相比于与其他类型新能源汽车的优劣势,重点分析增程式电动汽车在续驶能力(尤其是低温续驶能力)、使用体验方面的优势,据此分析整理出其用户画像。结果表明,增程式电动汽车对于低温地区、存在里程焦虑且偏好纯电动驾驶体验的用户具备较大吸引力,在未来5~10年具备发展空间。

增程式电动汽车动力系统参数匹配建模仿真分析

增程式电动汽车是以纯电能驱动的车辆,通过动力蓄电池和一个小型的增程器(Auxiliary Power Unit)为车辆提供电能,在增加了车辆续航里程的同时,工况适应性也随之提高,被评为目前具有较高研发前景的新能源汽车[1]。本文以城市SUV车型的增程式电动汽车为需求目标进行研究。根据整车参数及制定的控制策略,基于AVL Cruise软件为平台建立性能仿真模型;建立Simulink控制策略模型;分别在短途行驶模式和长途行驶模式下选定符合相应模式的行驶工况进行联合仿真分析。结果表明,整车动力性及续航里程均能达到初始的设计目标,为增程式电动汽车的技术拓展和多样的控制策略提供可行性方案。

增程式电动挖掘机的能量管理系统研究

增程式电动挖掘机拥有油耗低、排放能力强、综合生产效益水平高等特点,因为它所采用的是增程式电动动力系统,拥有混合动力,作为一种综合系统,它的生产能力表现还是相当突出的。因此,本文希望深入思考设备能量管理系统的诸多先进技术方法,结合混合动力分析机制来思考诸多问题,其中不但要建设超级电容数学模型,还要做好系统仿真分析工作,最后基于动力蓄电池SOC、确定规则来分析增程式电动挖掘机的多元化能量管理系统,希望深入研究并进一步提升增程式电动挖掘机的能量管理系统建设与运行水平,切实体现增程式电动挖掘机的系统应用优势。

基于A-ECMS的增程式电动汽车能量管理策略设计及应用

增程式电动汽车因其电驱效率高、无里程焦虑等优点,在新能源汽车市场备受青睐。为了进一步提升其综合性能,本研究在MATLAB/Simulink环境下构建了增程式电动汽车仿真模型,并利用等效自适应因子以改进燃油消耗最小化算法,形成了基于A-ECMS的能量管理策略。结果表明,在WLTC循环工况测试中,A-ECMS能量管理策略的百公里综合油耗为6.42 L,综合燃油消耗量为0.71 L,均低于其他方法。最终的电池充电状态(SOC)为31.1%,与目标SOC的偏差仅为1.1%。该策略显著提升了燃油经济性和电池使用寿命,为增程式电动汽车性能优化提供了新的参考方法。

增程式电动汽车振动噪声匹配策略研究

相对传统燃油车和纯电动车型,受增程器控制策略的影响,增程式电动汽车噪声、振动及声振粗糙度(NVH)问题更为复杂。不合理的匹配控制逻辑,极易造成加速噪声大、轰鸣等问题,且后期更改成本大、周期长。文章对增程器系统理论模型进行简化,将增程器系统视为一个整体激励源。通过监测整车状态,增程器系统对外输出不同有效转矩和曲轴转速下车内关键点振动噪声的表现,规避NVH表现较差策略点,进而在项目前期实现整车状态下车内关键点振动噪声的匹配优化,大量减少后期悬置、传动、进排气等系统的变更匹配,节约成本、缩短项目开发周期。

一种增程式电动车控制策略分析方法

增程式电动车是一种搭载增程器的纯电驱动汽车,发动机通过增程电机及其控制器输出电能,以电力传动的形式为整车提供动能。在分析某型增程式电动车的动力架构、动力参数以及整车基本控制策略基础上,于整车转毂试验室进行行驶试验,对车辆实际行驶过程中的车速、电功率等数据进行采集,实现增程式电动车整车运行策略的综合分析,为增程式电动车控制策略分析提供一种可行方法。

增程式电动汽车亏电状态实际道路排放特性研究

为了探究增程式电动汽车在亏电状态下实际道路排放特性,文章采用AVL M.O.V.E便携式车载排放测试系统,对一辆增程式电动汽车在亏电状态下开展实际道路排放测试,对比不同车辆模式下排放表现。测试结果表明:在所有模式下,该车辆的污染物排放结果均低于国Ⅵ排放限值。其中,CO、PN排放因子与CO_(2)排放量有较强的正相关性;NO_(x)排放因子与市郊及高速段增程器启停频率及启动功率有较强的正相关性。由于试验过程增程器启停频繁,在冷机的起动、冷机(水温低于70℃)及热机起动等工况下易出现PN、CO、NO_(x)排放峰值,且在急加速的瞬间也会出现NO_(x)和PN排放峰值,这些情况在排放控制中应予以重点关注。

增程式电动履带拖拉机设计与试验

针对缺乏适宜温室大棚作业的小功率电动拖拉机的问题,本文设计了一台10 kW增程式电动履带拖拉机,完成了工况分析、电驱系统设计和试验。针对行走、旋耕、开沟工况进行了性能测试,试验结果表明所设计的增程式电动拖拉机能够实现传统燃油履带式拖拉机所具备的功能。测试结果表明,速度4.8 km/h行走工况电动机消耗功率约为3.2 kW,速度2 km/h旋耕作业工况电机消耗功率约为3.75 kW,速度2 km/h开沟工况电机消耗功率约为3.3 kW。当前电池配置下,可以支持行走工作2.2 h,旋耕工作1.9 h和开沟工作2.1 h,纯电模式基本满足小规模温室大棚零排放作业需求。需要持续大负载工作时,增程式电动拖拉机可以启动增程器与电池协同供电以实现持续工作。

增程式电动汽车能量管理策略多目标优化

针对增程式电动汽车馈电状态下增程器燃油消耗较高,动力电池寿命衰减较大等问题,提出一种基于遗传算法的能量管理策略多目标优化方法。在选择增程器四点控制策略的基础上,以减少等效燃油消耗及提高电池循环使用寿命作为优化目标,采用遗传算法进行多目标优化。分别采用Simulink、Cruise搭建控制策略模型和整车模型,进行NEDC工况和复合工况下的联合仿真。仿真结果表明,该文提出的控制策略鲁棒性较强,在电量保持模式下,优化后百公里等效油耗分别减少13.2%和8.8%、流经电池能量减少8.9%和5%,有助于提高电池循环使用寿命。

增程式电动拖拉机旋耕机组能量管理模型研究

以双电机独立电驱动增程式电动拖拉机旋耕机组为对象,提出一种适用于旋耕作业的双输入变量后向建模方法,即在模型中将行驶速度和动力输出轴旋耕转矩作为输入量,设计了双电机独立驱动增程式电动拖拉机动力系统能量管理模型。针对旋耕作业特性,提出一种基于实测数据与经验公式相结合的设计方法,建立了旋耕工况周期模型。基于动态规划算法,分别对其进行旋耕作业仿真试验和台架试验,结果表明:仿真试验结果与台架试验结果吻合度较高,能量管理模型能够很好地描述增程式电动拖拉机在给定旋耕工况下各电机功率、发电机组功率和动力电池组荷电状态的变化情况,且仿真试验和台架试验中燃油消耗量分别为4065.5 g和3994.7 g,其相对误差为1.77%,验证了建立的增程式电动拖拉机旋耕机组能量管理模型的合理性和准确性。

基于深度强化学习的增程式电动轻卡能量管理策略

为了解决增程式电动轻卡辅助动力单元(auxiliary power units,APU)和动力电池之间能量的合理分配问题,在Simulink中建立面向控制的仿真模型,并提出一种基于双延迟深度确定性策略梯度(twin delayed deep deterministic policy gradient,TD3)算法的实时能量管理策略,以发动机燃油消耗量、电池荷电状态(state of charge,SOC)变化等为优化目标,在世界轻型车辆测试程序(world light vehicle test procedure,WLTP)中对深度强化学习智能体进行训练。仿真结果表明,利用不同工况验证了基于TD3算法的能量管理策略(energy management strategy,EMS)具有较好的稳定性和适应性;TD3算法实现对发动机转速和转矩连续控制,使得输出功率更加平滑。将基于TD3算法的EMS与基于传统深度Q网络(deep Q-network,DQN)算法和深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法进行对比分析,结果表明:基于TD3算法的EMS燃油经济性分别相比基于DQN算法和DDPG算法提高了12.35%和0.67%,达到基于动态规划(dynamic programming,DP)算法的94.85%,收敛速度相比基于DQN算法和DDPG算法分别提高了40.00%和47.60%。