英语原文共 434 页，剩余内容已隐藏，支付完成后下载完整资料
电动汽车综合能源管理
电动汽车包含许多新的挑战和实施问题，这些问题对设计师和客户来说并不总是明确的。当专注于混合动力电动汽车时，全电动和传统汽车的复杂性成倍增加。一方面，传统的车辆开发商被迫适应发动机校准到新的动力总成特性，车辆变速器变得更加复杂，电气元件和电力电子策略的新专业知识变得必不可少，需要开发更复杂的控制策略。另一方面，终端客户不知道在混合动力电动车辆中实现的复杂程度，并且通常收到关于减少燃料消耗所遵循的策略的有限信息。为了正确理解电动车辆控制，有必要详细分析动力系统的特性，布局可能性以及从低级别组件到高级控制器的角度的后续功能。本章简要回顾了电动汽车的基本知识，特别关注从传统动力系统到全电动力系统的过渡，强调了它们的关键特性，并对用于电气化车辆控制的主要能源管理策略进行了全面的回顾。分析了现有控制器的优缺点，并在当前基础设施能力和汽车行业预测发展方向的背景下提出了未来的车辆控制解决方案。本章结束时提出了一个新框架的建议，该框架能够作为直接解决方案，实现对电动汽车消耗的近乎最佳的实时控制，以及未来与正在开发的更复杂的连接功能的整合。
2.1 汽车电气化水平
几十年来，传统车辆在道路网中占据主导地位，无疑是至高无上的。尽管如此，近年来他们的领导力正受到电动化动力总成解决方案的威胁。
在具有0％电气化水平的传统车辆和具有100％电气化水平的电池电动车辆（BEV）中，存在大的电气化范围和各种混合动力系统。虽然在文献中可以找到几种替代分类，但普遍接受的排列同意较低到较高的电气化水平，包括微混合，轻度混合，全混合，插入混合和范围扩展[1]。
第一种电气化步骤采用微型混合动力车，这是一个有争议的类别，因为它们包含的车辆只能集成一个起动发电机，能够执行起动 - 停止功能，并且不具备在车辆推进中提供扭矩辅助的能力。微混合动力系统可以显着减少怠速时间并因此减少燃料消耗，但由于电动机不能辅助内燃机，因此许多作者认为它们不是“适当的”混合动力。下一个电气化步骤包括轻度混合动力，它集成了一个低功率电动机，能够辅助内燃机，以吸收瞬态并提高整体效率。不幸的是，电动机功率限制和电池容量都不允许纯电动模式;也就是说，电动机不能单独用于推进车辆。相比之下，全混合动力电动车辆（HEV）集成了足够强大的电子部件以允许电驱动并执行与全电动车辆相关联的车辆模式。这就是丰田普锐斯推出的电动发动机的情况。通过结合插件功能，车辆可以包含更大和更强大的电气部件，这意味着更大的燃料位移和排放的减少。此外，电网支持允许完全耗尽电池电量，因此用电力取代等效的燃料消耗。最后，范围扩展的车辆是串联配置的特定类型的插电式混合动力电动车辆（PHEV），其中发动机没有机械地连接到车轮，而是用作发电机以在必要时产生电力以对电池再充电。范围扩展的车辆实质上是插入式电动车辆，其具有额外的机载电源，能从电源中产生电力。
只有考虑到可能的电动机组或电动机和内燃机的配置，才能完全理解范围扩展的车辆。可以通过修改电源的组合来开发具有不同能力的各种混合架构。当机器机械地连接到车轮并且分别通过电缆传输时，该连接可以是机械连接或电连接。这些连接允许区分串联，并联和功率分配。第一种是仅使用电动机完全推进，而内燃机电连接并用于产生电力以扩展车辆行驶范围。在这种配置中，内燃机与驱动力需要分离，而是在稳态、高效的条件下运行。由于串联混合动力车仅由电动机或电动机驱动，因此需要安装足够强大的电机，以满足驱动需求。此外，通过内燃机为电池充电和放电操作增加了额外的损耗。也就是说，燃烧中产生的能量不直接用于推进车辆，而是转换为电能，作为充电和放电操作进行累积和放电。该系列配置在Opel Ampera和i3的范围扩展版本中实现。
相反，在并联车辆中，电动机和内燃机在车辆推进中机械连接并一起配合。最后，功率分配配置（也称为串并联）包含串联和并联架构。通常它们集成了两台电机：一台作为发电机校准，用于通过发动机再充电模式或再生制动发电，而第二台则经过校准以协助推进。并联和动力分配配置都需要能够机械耦合机器扭矩的扭矩分配装置。图2.1-2.3分别示出了串联，并联和动力分配车辆配置。请注意，宽线连接意味着机械连接和细线电气连接[1]。
这些混合架构也意味着在控制和支持方面的重要差异。虽然传统车辆和电池电动车辆具有单一扭矩源，但是混合动力电动车辆具有至少两个必须协调的源;也就是说，控制器需要提供至少一个自由度。串联和并联配置均具有一个自由度，而动力分配动力系统具有两个，假设串联和并联车辆仅实现一个电动机并且动力分配集成两个。能量管理策略是填充自由度或自由度的模块，并为组件的低级控制器提供指导[1]。然而，这些自由度在轻度混合HEV，全HEV和PHEV中并不是同样复杂的。轻度混合HEV中允许的电池使用和车辆模式的低裕度不需要开发复杂的控制器，而PHEV中的电动机和内燃机的共同领导是一项复杂的控制任务。
图2.1混合动力汽车的系列配置。 电动机单独使用推进车辆，同时内燃机连接到发电机，
因此与动力系电气连接，以产生额外的电力。
图2.2混合动力汽车的并联配置。 电动机和内部内燃机在车辆推进中耦合并协作。
图2.3混合动力汽车的动力分配配置
2.2 HEV与PHEV控制的复杂性
电动汽车已经在公共道路上存在了几年，并且在最近已经大幅增加。混合动力电动汽车一直是最受欢迎的版本，但逐渐让位给PHEV和BEV，以应对更具挑战性的排放法规。轻度混合和有限的全混合动力电动汽车在过去几年中有了经验丰富的成熟技术，与电气部件和电力电子设备相比，其电气化程度更高，技术更简单。然而，目前的插电式混合动力电动汽车能源管理远未充分利用该技术的全部能力。一方面，混合动力汽车采用尺寸减小的电池，并在小范围的充电窗口内运行，大约有20％[1]，这可以通过次优控制器进行有效管理，并且在实施时不会要求任何更复杂的优化策略。另一方面，插电式混合动力电动车辆以类似于电池电动车辆的方式使用更大的电池，在50％或甚至70％的充电状态裕度内，这通过基于优化的控制显着改善。
混合动力电动车辆通常实现电荷维持（CS）控制器，其通过再生制动或发动机再充电模式，由于混合动力电动车辆对电池充电的有限容量而促进小振幅的充电和放电循环。对PHEV的CS立即扩展包括电荷消耗 - 电荷维持（CD-CS）策略。在驱动循环开始时存储在电池中的能量用于最大化所用电力并最小化燃料需求，直到电池充电状态在电量消耗模式期间达到安全极限。然后，控制器像普通HEV一样切换到充电维持模式，因此失去所有PHEV裕度以进行改进[2,3]。 CD-CS具有简单性和易于实现的特点，但在现实生活场景[4]或模拟环境中无法实现有效结果，如参考文献中所证明的那样。 [5,6]。理想情况下，插电式混合动力电动汽车的电池应该沿着驾驶循环耗尽，以便内燃机和电动机在整个行程期间协作，并且直到最后才能达到完全电池耗尽。这就是所谓的混合模式控制，如参考文献中所述。 [7-10]。然而，混合模式策略要复杂得多，并且需要提前提供行程信息，这使得它们在车内的实施变得非常复杂[6,11,12]。如果所需信息可用，混合模式可显着提高燃油消耗并充分利用插电式混合动力电动汽车的能力[13]。图2.4包括使用一组规则开发的CD-CS策略与使用动态编程算法获得的基于优化的控制的混合模式策略之间的比较。基于规则的策略在前3到4分钟内导致深度耗尽，而混合模式表明逐渐耗尽直到达到驱动循环的终点。
通常，电荷消耗，电荷维持模式与所谓的基于规则的策略相关联，而混合模式通过基于优化的算法来实现。下面使用该分类来详细阐述应用于电气动力系统的能量管理策略，第2.3节，基于规则的控制，以及第2.4节，基于优化的控制[14-16]。 图2.5总结了应用于常规混合动力电动汽车和插电式混合动力电动汽车的主要能源管理策略的分类，包括将在以下部分中详细阐述的一些方法。
图2.4基于规则的策略开发的CD-CS与模拟环境中给定驱动周期中使用基于优化的控制的混合模式之间的比较。
2.3经验转化为规则
用于混合动力电动车控制的最流行的策略是所谓的基于规则的策略和模糊逻辑。基本上这些是通过在控制变量上应用的一组预定义阈值来描述的，这些阈值是基于经验获得的，或者是基于在所选择的驾驶循环中计算的最优控制策略获得的[2,9]。这些阈值定义了车辆运行模式[3,17]，通常易于解释和实施，并且它们在低电气化水平下的性能令人满意。这些是在第一代混合动力电动汽车工业中实施时受欢迎的主要原因[18]。这些特性促使基于规则和模糊逻辑从HEV扩展到PHEV控制，尽管它们在实际应用中表现不佳[7,19,20]。
与基于规则的策略相比，模糊逻辑包括地图格式的阈值，并提供更高级别的抽象，允许更大的改进余地。在模糊逻辑中，变量使用语言分类（由程序员解释）和成员函数进行分类，这些函数评估变量满足特定类别的程度。因此，模糊逻辑不是实现硬阈值，而是允许使用软分类，因此变量值可以同时属于多个分类。尽管表现出比基于规则的更好的性能，但模糊逻辑策略仍然会产生次优的解决方案[15,21]。图2.6说明了使用模糊逻辑建模的两个变量的示例。成员函数表示每个变量的成员资格程度，并指定一个语言术语：低，高，中等。这些语言类别为设计人员制定策略提供服务，并可在实施过程中转化为数学价值。
最近用于汽车控制的模糊逻辑应用的例子仍然很多，特别是在电池管理方面[22-24]。 此外，许多作者将模糊逻辑与其他更复杂的策略相结合，以提高模糊逻辑性能，但仍然利用其实时实现属性[21,25-27]。虽然这些策略适用于低电气化水平，但它们不足以用于插电式混合动力电动车控制，其中基于优化的控制器成为必需。尽管如此，这种改进却被主要的相关实现问题所掩盖，例如复杂性，鲁棒性，计算负担以及对驱动周期特性的敏感性。这些是阻碍工业中优化策略整合的主要问题。
图2.5能源管理策略根据其特征分为基于规则和优化的特征。分类包括本章详述的一些方法。
图2.6模糊逻辑隶属函数的例子。这些图表允许以语言术语解释变量，同时在具有模糊限制的特定分类中表示变量的成员资格，而不是基于规则的策略中使用的硬阈值。
2.4基于优化的控制
优化是一个重要的范例，涉及广泛的应用领域，包括工业和工程。它包括查找称为目标函数并在特定空间中定义的特定函数的最小值/最大值。一般优化问题可以表示为[28-31]：
其中xfrac14;（x1，...，xn），f，gi，hj，bi和cj分别是优化变量，目标函数，不等式约束函数，等式约束函数和常量，表示限制每个不等式和等式约束的限制，分别。x的最优解是具有最小可能目标值并满足约束的解。当所有函数都是线性的时，则优化问题称为线性编程。否则，问题包括非线性优化[28-31]。
除了各种平等和不平等约束之外，优化问题可能涉及一个或多个目标。汽车应用可以同时涉及燃料消耗，减少排放和电池健康状态的优化。这些目标通常是相互矛盾的，这意味着它们不能同时得到改进，因此优化过程包括实现它们之间的权衡。根据用于包含目标的策略，多目标优化问题可能更难以解决。多目标优化的可能方法可归纳为帕累托最优问题，软约束优化或硬约束。一方面，帕累托最优问题同时考虑多个目标，这需要实现能够开发并行计算的算法，从而调整整个优化过程[32-34]。虽然这些算法可以处理多个目标，但它们的特性对于车辆控制来说可能不是最方便的，并且可能会影响结果的准确性。另一方面，最简化的策略包括优化一个目标，并使用额外的硬约束将剩余的目标限制为“期望的”值范围[35]。另一种可能是最常用的方法是软约束方法，它将在单个目标函数中加权的目标结合起来。也就是说，所有目标都组合在同一目标函数中，并且通过特定选择的权重对其重要性进行评级。尽管这种方法很容易包含许多目标，但解决方案的质量很大程度上取决于权重选择[32]。
即使当目标函数和约束具有“平滑”形状时，一般优化问题也难以解决，并且通常需要大量的计算时间。此外，大尺寸的问题可能难以处理并且需要难以管理的计算量。尽管如此，解决方案计算的折衷可以在局部优化中找到，其包括在由接近特定目标值的点形成的特定区域中寻找最优解。也就是说，尽管最佳解决方案未知，但是假设其包含在有限的区域中。这些方法仅需要在所提及的区域中区分目标和约束函数，而不是所有可能的状态。此外，这些可以比全局优化算法更快，其搜索仅限于相当小的区域，因此可以处理更大规模的问题。然而，该方法的解决方案质量依赖于解决方案的初始猜测和区域划分。如果提出的初始解决方案接近局部最优，则最终解决方案可能无法收敛到全局最优解。同样，如果它位于搜索区域之外，则不会达到最佳点。此外，这里讨论的方法对确定收敛标准的算法参数非常敏感[28]。
除了之前的分析，能够解决特定优化问题的合适算法或算法取决于问题的性质和对所需解决方案的要求：准确性，计算资源，允许的计算时间，实时应用等[29]。
2.4.1动态编程
电动汽车的能量管理可以表示为离散优化问题，并通过任何优化算法求解。有许多方法可以解决离散问题的优化问题。这些通常被称为数学编程，尽管它们实现与优点和缺点相关联的不同策略，这使得它们适合于特定应用。因此，有兴趣在每种情况下确定哪种算法优于用于解决手头的问题[1]。
特别地，动态编程可以找到最小化某个成本函数的全局最优解，同时处理应用于状态和控制输入的多个复杂约束。与其他类似特征的算法相比，这可以通过相对较低的计算负担来实现[1]。动态编程侧重于必须采取一系列决策的问题，并根据决策的功能获得最佳集合。该函数代表所谓的成本函数，并且由于作出决定而在时间上累积[36-38]。此外，它可以应用于有限视野和任何问题，包括在离散时间范围内表示为一般状态函数的非线性和整数变
全文共6623字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[1065]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
