基于MAS组网技术的EREV能量管理策略

为改善增程式电动汽车(EREV)燃油经济性,提出一种基于多智能体MAS(multi-agent system)组网技术的增程式电动汽车能量管理策略。在Simulink环境中搭建EREV整车动力学模型,利用JADE(Java development framework)平台构建各动力部件智能体以实现组网,采用MAS组网技术对恒温器式能量管理策略进行改进,通过MACSimJX组件将动力部件多智能体组网系统与Simulink整车动力学模型连接,并在WLTC工况下进行仿真验证。仿真结果表明:与动态规划控制策略相比,MAS组网技术的整车节油率为3.3%,电能消耗高出1.7%,总能量消耗率减少1.4%;与传统电辅助控制策略相比,整车节油率为18.2%,电能损耗减少12.4%,总能量消耗率减少16.6%。MAS组网技术可以有效改善整车能量控制效果,并为混合动力汽车能量管理策略提供理论支撑和新的研究方法。

基于两类学习模型的多主体人工股票市场研究

构造了一个由采取基于惯例的学习模型(Roth-Erev模型)和信念学习模型(分类器系统)的两类主体种群组成的人工股票市场模型,该模型的模拟运行结果表明,学习过程是影响资产市场的价格特征的重要因素,当采取不同学习机制的主体数量比例变化时,价格时间序列会表现出不同的统计特征:随机游走过程或异方差性等"格式化的事实".具有创新性的理性更高的主体比例增加未必导致类似理性预期均衡的出现.

随机数对基于代理的电力市场仿真实验影响分析

基于代理的仿真已成为电力市场研究的重要方法。目前,强化学习算法在代理中应用的研究已较为深入,通过随机数进行策略选择是强化学习算法的一个重要环节,因此对随机数在其中的影响研究十分必要。文中以Roth-Erev学习算法为例,分析了随机数对电力市场仿真结果的影响,比较了几种随机数生成方法在仿真中应用的优劣。同时,通过深入研究电力市场仿真中随机数与代理的关系,探讨了对随机数性质的要求,提出一种改进方法生成了可重复、高效、均匀的随机数,从而提高了基于代理的电力市场仿真实验的效率和质量。

基于用户接受度的增程式混合动力汽车控制策略研究

介绍了一种能够克服电池低能量密度瓶颈的增程式混合动力电动汽车(EREV)控制策略。同时,在基于欧洲法规和真实的长距离路面工况下,进行了3种控制策略的仿真,以此来确定EREV最能被用户接受的控制策略。通过比较各控制策略下整车的CO2排放、价格、NVH性能以及行驶里程,可以看出最优的控制策略不仅应重视改善燃油经济性,更需要重视改善用户的使用性能。

基于全局优化算法的增程式电动汽车模糊控制策略

针对传统模糊控制中规则库制定单一、动力系统与控制策略参数协调性不高等问题,提出一种基于全局优化算法的增程式电动汽车模糊控制策略。根据增程器最优效率曲线,分析并提取动态规划算法在不同需求及动力部件状态下的多能源分配规则,并结合传统工程经验作为模糊控制规则库制定依据;以燃油经济性为优化目标,利用粒子群算法优化整车动力部件与隶属度参数,获取具有全局优化性的EREV能量分配。最后,在MATLAB/Simulink中建立整车模糊控制策略模型,嵌入到ADVISOR中仿真并进行硬件在环测试。结果表明:所提出的控制策略适用于多种工况,与原车功率跟随控制策略相比,能控制动力电池SOC在合理范围内,同时提高整车燃油经济性。

增程式电动汽车动力系统参数匹配与研究

通过对增程式电动汽车(Extended Range Electric Vehicle,EREV)动力系统的参数进行匹配,提出运用动力电池组端电压与荷电状态(State of Charge,SOC)之间的对应关系来控制增程器的开关,提高电动汽车的续航能力,为EREV/EV的动力系统的设计提供参考。