基于实时路况信息的插电式混合动力汽车预测性能量管理算法研究

为提高插电式混合动力汽车的燃油经济性,对基于实时路况信息的预测性能量管理算法展开研究。根据实时路况信息采用能耗分配法规划全局SOC参考轨迹,利用自适应等效燃油消耗最小策略(A-ECMS)跟随目标SOC轨迹实现能量管理。以上海市某行驶工况数据进行仿真,结果表明:全局SOC参考轨迹可在低、高速区间合理分配电量,真实SOC轨迹与参考轨迹变化趋势一致,燃油经济性较电量消耗-电量维持(CD-CS)策略提高7.65%,接近动态规划(DP)算法的全局最优解。

基于LSTM车速预测的在线优化能量管理策略研究

为充分挖掘48 V混合动力汽车的节油潜力,提出了基于长短期记忆神经网络(LSTM)车速预测的混合动力汽车在线优化能量管理策略。首先,引入LSTM建立了车速预测模型,并综合考虑模型输入、输出序列长度对预测精度的影响,实现对车速的准确预测;然后,为了实现能量管理的在线最优化并提高控制策略的实时性,提出了采用快速动态规划算法的预测控制策略(FDPS);最后,分别以标准循环工况WTVC和实车工况进行测试,验证了所提策略的有效性。研究结果表明,相比于径向基神经网络(RBF)预测模型,所建立的LSTM的车速预测模型可提高29.06%-35.31%预测精度;在WTVC工况和实车工况下,所提出的FDPS策略可使燃油经济性相比于常用的规则策略(RB)分别提高5.62%和12.86%,计算时间相比于传统的预测控制策略(MPC-DP)缩短65.84%以上。