系统仿真技术在车辆仿真中的应用

本文介绍了系统仿真技术在车辆仿真中的应用概况，系统地阐述了车辆仿真器的分类，车辆仿真技术在训练、研究中的应用前景，介绍了车辆仿真技术中的热点。

基于车路协同的纯电动公交车行驶工况的节能优化

针对公交车的行驶路线中站点固定、需要频繁启停和没有考虑实时交通信号灯信息的问题,基于车路协同(CVIS),设计分析公交站点间不同的"加速—匀速—减速"的行驶工况,在ADVISOR(高级车辆仿真器)仿真平台上建立纯电动公交车动力系统模型.结合交通信号灯信息和站点距离信息,利用非GUI编程方法实现ADVISOR和遗传算法的联合仿真,以单位里程油耗量最低为目标,获得纯电动公交车在站点间的一种最优行驶工况,和车路协同工况优化前相比,单位里程油耗降低29.4%.

串联式混合动力拖拉机能量管理策略

以串联式混合动力拖拉机为研究对象,针对电动汽车和电动拖拉机的不同,对高级车辆仿真器(advanced vehicle simulator,ADVISOR)进行了二次开发,建立了串联式混合动力拖拉机仿真系统。制定了恒温器式和功率跟随式策略,并在此基础上提出了模糊控制式能量管理策略。分别应用3种策略对串联式混合动力拖拉机在犁耕工况下进行了仿真分析。分析结果表明:3种策略都能有效地维持电池荷电状态(SOC值)在指定范围内。在犁耕工况下工作1 h,采用模糊控制式能量管理策略时,电池SOC曲线变化最为平缓,拖拉机的燃油经济性比功率跟随式策略提高了4.16%,比恒温器式策略提高了8.10%。

优化神经网络的锂电池SOC估算

神经网络由于强大的非线性逼近能力、不需要建立数学模型等优势可以很好地完成荷电状态(state of charge,SOC)预测。但是常用的BP神经网络也存在学习效率慢、容易陷入局部极小值的缺点。为改进传统神经网络的不足,提高预测精度,提出自适应变异粒子群优化算法(Particle Swarm Optimizition with Adaptive Mutation,AMPSO)与BP神经网络相结合的估算方法。在高级车辆仿真器(ADVISOR)仿真环境下,利用实际工况条件下的数据进行SOC估计,并与PSO、EKF、UKF方法对比,结果显示,优化后的BP神经网络预测误差在2%以内,说明所提的SOC估计方法有更好的预测准确性和稳定性。

基于神经网络与UKF结合的锂离子电池组SOC估算方法

锂离子电池组作为电动汽车的主要动力能源,对荷电状态的准确估计是电动汽车的关键技术之一。准确的SOC估计,对锂离子电池组的寿命维持及电动汽车的行车安全,具有十分重要的意义。基于此设计一种基于神经网络与无迹卡尔曼滤波器(UKF)相结合的SOC估算方法,既克服了UKF需要等效电池组电路模型的缺点,也能显著减小神经网络估算方法的最大误差。该实验数据来源于高级车辆仿真器(ADVISOR2002)基于实际工况的仿真结果,经实验数据证明,该方法具有有效性和实用性。

锂离子电池组SOC估算方法

锂离子电池组作为电动汽车的主要动力能源,对荷电状态(state of charge,SOC)的准确估计是电动汽车的关键技术之一。准确的SOC估计,对锂离子电池组的寿命维持及电动汽车的行车安全,具有十分重要的意义。由此设计了一种神经网络与无迹卡尔曼滤波器(UKF)相结合的SOC估算方法,既克服了UKF需要等效电池组电路模型的缺点,也能显著减小神经网络估算方法的最大误差。实验数据来源于高级车辆仿真器(ADVISOR2002)基于实际工况的仿真结果,经实验数据证明,上述方法具有有效性和实用性。

增程式电动汽车动力系统匹配及其影响因素研究

以现有市场的某一电动车型为目标,进行增程式电动汽车动力系统匹配,并且在ADVISOR软件下完成建模,利用模型进行了多种工况下的仿真,同时在相同工况下研究了不同增程器功率和SOC控制范围对整车性能的影响。结果表明,设计的增程式电动汽车匹配合理,各项指标都到达了预期设计目标;增程器功率与当前工况平均速度越接近越省油,在CYC_NEDC工况下SOC变化范围在0.2~0.4之间比较省油。