英语原文共 434 页
6 用于PHEV实时控制的iHorizon驱动器能量管理
6.1在线PHEV能源管理
本章重点介绍iHorizo主框架，该框架基于驾驶员驾驶风格识别和速度预测算法，以提供对未来路线的估计。实际上，iHorizon的简单方法和有限的信息处理量无法通过更复杂的平台（如eHorizon）的准确性返回速度和能量预测结果。然而，由于其他驾驶员，行人，天气状况，事故和许多其他无法控制的因素的不稳定行为，影响整个驾驶循环的强烈干扰永远无法完全预料到。在这些不确定的循环条件下，iHorizon被发现是电动汽车的速度和能耗预期以及能量管理的合适解决方案。传统的动力系统已被很好地理解，并且历史上已成功地用于从工业应用到公共和私人运输的各种规模。尽管内燃机的复杂性很高，但这些车辆在过去几十年中一直主导着运输部门。它们具有单个动力源，因此在车辆能量管理中具有零自由度。相比之下，完全电气化的车辆在控制和能量管理方面采用了简单的解决方案，但剩余范围预测除外。电池电动车（BEV）也具有单一电源，这意味着能量管理的零自由度，与传统动力系统相比，控制器更简单。然而，这些车辆由于其高充电时间和缺乏足够的基础设施充电点而具有额外的缺点，因此它们目前不能在加油时间和加油站的数量上与内燃机竞争。前面的例子，传统和完全电气化的车辆，呈现出0％和100％电气化水平的两个极端。混合动力系统被限制在这些边界内，并且与内燃机相比，根据其电气部件能力进行分类。虽然混合动力系统结合了传统和电动车辆的复杂性，但它们也弥补了它们在排放，燃料消耗和范围焦虑方面的不足。一方面，传统车辆不能满足新的排放限制并被迫缩小发动机尺寸。由尺寸缩小引起的功率损耗必须由替代源提供，例如电子元件，这导致杂交。另一方面，完全电气化的动力系统受到不发达的基础设施的阻碍，该基础设施无法提供足够的充电点。此外，快速加油的社会不容易接受电池充电间隔持续时间，在最佳情况下可持续几分钟。
在混合动力系统中可以找到改善排放和减轻行程焦虑的直接解决方案，该动力系统将传统推进系统通过内燃机与一个或多个电动机相结合。由于可插拔车辆的再生制动和充电电网支持，这些电源的充分协调可以获得更高的效率值并用电替代燃料能量。任何架构的混合动力电动车辆（HEV）和插电式混合动力电动车辆（PHEV）都在车辆推进系统中包含至少一个自由度。这是可以在替代能源之间分配的共享电源，其包括决定何时使用电动机，内燃机或它们的组合。这个程度或自由度需要用控制器来填充，称为能量管理策略。虽然能源管理通常是一项复杂的任务，但这种自由度也为能源优化、燃料消耗和减少排放等提供了空间。复杂程度和改进幅度与混合动力平台和电气部件的特性直接相关，包括电动机，电池和电子设备。考虑到具有一个电动机并且因此具有一个自由度的并联HEV的实例，能量管理策略复杂性和燃料位移电位主要取决于电动机功率，电池存储和功率容量以及外部电网支持在静止条件下再充电的可用性。低功率电动机对内燃机具有可比较的扭矩无法满足动力需求。随着电机功率增加并接近发动机功能，其功能也会增加。特别是，低功率电动机集成在轻度HEV中，其仅具有辅助燃烧发动机的功能，但从未用于推进车辆。更高功率的电动机用于全混合动力车，其中电动机器能够提供全电动驱动。由于电网支持资产，PHEV实现了最终的复杂性水平。HEV只能通过再生制动或使用发动机充电模式为电池充电，因此消耗额外的燃料。因此，HEV在允许的放电深度方面非常有限，其通常位于有用电荷的约20％，通常在40％和60％的充电状态内。尽管如此，插入式混合电网支持允许在全电动动力系统中使用电池，这可以促进存储容量增加和可用电荷达到50％，70％或甚至更高的百分比。PHEV中的电池尺寸还允许使用更强大的电动机，这些电动机在车辆推进中成为内燃机的共线。这些动力系统在减排方面的利润率较高，但在能源管理方面也变得更加复杂。只要在到达下一个充电点之前实现完全耗尽并且优化该耗尽以有利于整体动力系效率，则可以实现对这些混合平台的充分利用。因此，预测关于未来周期长度和功率要求的信息是至关重要的，以便可以执行优化。在此背景下，iHorizon循环长度速度和加速度预测直接应用于HEV和PHEV能源管理，并且通过降低循环不确定性，有利于对工业中使用的当前策略进行相当大的改进。
6.1.1在线能源管理战略
在iHorizon背景下提出拟议的能源管理战略之前，有必要回顾文献中现有的并在工业中实施的方法，以确定现有技术的优缺点。插入式车辆控制的直接解决方案可以通过电荷消耗/电荷维持来扩展HEV的能量管理。混合动力车辆在受约束的充电状态值内运行，允许放电深度约为20％。这些车辆实施充电维持模式以防止深度电池耗尽并因此避免使用内燃机的未来充电成本。关于未来制动事件以及内燃机特别有效的速度和扭矩需求情况的不确定性阻止了对未来充电情况的预期。电荷维持是一种经过充分验证的策略，可以使用电量消耗/电荷维持模式外推到插入式车辆。该策略包括在驱动循环开始时快速耗尽电池直到达到安全边界，以最大化在循环结束时使用的电能。从电荷消耗模式切换到电荷维持模式的条件以电荷状态表示。当电池电量低于特定限值时，激活的电池耗尽停止，控制器变为常规HEV策略，防止电池快速耗尽，并将充电状态保持在20％窗口内的恒定值附近。电荷耗尽模拟了电动机功率限制内的全电动车辆所遵循的策略，电动元件通常在电池电动动力系统中更强大。相比之下，电荷维持与没有电网支持的混合动力汽车相吻合。这种策略并不能保证最佳性，因为电池耗尽的插电式混合动力车会失去改进普通混合动力车的余地。一方面，强烈的初始耗尽可能导致电子元件在低效率值下运行。当在高充电和放电电流下操作时，电子元件电力电子器件，电动机和电池效率较低。另一方面，当电池已经耗尽时，电源只能在类似于常规混合动力车的减小的范围内协作车辆推进，失去了具有电网支撑的车辆可用的改进余地。在该领域的作者专家的仿真环境中，已经多次证明了电荷消耗/电荷维持的最优性缺乏。这些出版物指出了这一战略的不足之处，并声称需要能够超越现有解决方案的更详细方法。这些出版物将先前的策略与其他最优和接近最优的方法进行了比较，并提供了改进的确切余地。然而，由于最佳策略的适应性和电荷消耗/电荷维持的不适应性，燃料和减少排放的益处是驱动周期依赖的。
另一种策略是所谓的混合模式，它包括逐步的电池消耗，在退役的循环中，理想地参与最小化或最大化目标的电力和燃料的组合。每个周期都受到可变功率要求的影响，具体取决于路线特征，交通拥堵和驾驶风格。理想情况下，能源战略需要适应以前的特性和动力总成最有效的工作条件。然而，电池耗尽的适当编程需要关于开始之前的未来周期的长度和能量需求的信息。此外，只有在每个循环段的电力需求水平也可用时才能实现最优策略，因此可以预期燃料和电力源的最佳协调。因此，只有在驱动周期开始之前的详细信息可用时，才能保证混合模式优于电荷消耗/电荷维持模式。然而，在私人交通中实施的当前技术的背景下，这种假设不一定是先验可行的，尽管在公共交通系统中可能有可能通常遵循预先建立的路线，每天在完善的时间表上重复。此外，混合模式需要高级控制器，更多地完成规则以实现充电消耗/充电保持，这需要更高的计算量和存储器资源。因此，燃料消耗的改善与更高的开发，更高的实施成本和更强大的电子控制单元相关[11]。混合模式的高复杂性是阻碍其在工业中实施的主要问题之一。这些算法的难度增加可能妨碍获得稳健的解决方案，这些解决方案可在车辆实时控制中实现，在这种领域中，它们无法与基于规则的模糊逻辑控制器竞争。与基于优化的控制器相比，基于规则的策略易于实现，实时执行，易于理解且计算成本低廉。基于规则和模糊逻辑均基于在校准过程中预先建立的阈值，该阈值通常受在基于选定的一组驱动循环计算的优化解决方案的启发。这些参数是离线修复的，并且实现为刚性框架，通常没有自适应功能。因此，除非驱动周期与参数选择中使用的驱动周期“相似”，否则所得到的控制策略在现实操作中返回次优控制和电荷消耗/电荷保持模式。尽管列出了实际油耗降低的限制，但它们易于理解，解释和实施，使其成为当前电气动力系统的首选控制器。虽然之前的控制器具有足够的减排要求，但在过去十年中，越来越多的环境意识和排放法规激发了对替代控制策略的深入研究，这些策略在接近最佳解决方案时，可以同时实现并具有强大的性能。先验地，可以应用任何优化工具来解决能量管理问题，文学方法变化的原因并且涉及作为非常特定领域和算法的专家的作者。在所提供的文献中，PHEV控制的主导策略设计涉及：动态规划，等效消耗最小化策略，模拟退火，遗传算法，粒子群优化，DIRECT方法，神经网络，博弈论，滑模控制和凸规划。尽管所有这些都在文献中具有适当的表示，但动态编程是唯一能够按照定义返回全局最优解的人。该算法针对给定的驾驶循环计算全局最优解，并且与用于全局优化的替代算法相比，提供了方便的效率质量。然而，由于其高计算成本和向后计算方向，从结束条件到初始条件，它不能满足大多数实时实现要求，这些特征先验与在线控制不相容。动态编程特别适用于分析循环和车辆模式的组合最优策略并生成专家数据以开发替代控制器，但其基线算法不能直接实现用于车辆控制。同时，在具有在线控制应用的文献中可以找到基线算法的若干修改。这些可以简化计算工作，但反过来又不再保证解决方案的最优性。减少计算工作量的最流行的方法之一是将最优化条件放宽到局部优化。在所谓的等效消耗最小化策略中发现了一个例子，已知与动态编程相比减少了计算负担。然而，这种简化的策略仍然需要有关驱动周期的信息，以便为等效因子提供合适的值并生成令人满意的解决方案，并且仍然需要衍生计算，这些计算有时是离线计算并以地图或矢量格式实现，以保证控制器的稳健性。衍生物的不稳定性和鲁棒控制的问题可以通过无衍生算法来补偿，该算法通过替代方法搜索最优解。无导数方法在数值上表现良好，包括DIRECT方法和受自然过程启发的元启发式算法，如模拟退火，遗传算法和粒子滤波。然而，从前面得到的解决方案高度依赖于参数选择阶段，解决方案初始化并且需要迭代计算。虽然它在数值上是稳定的，但通常不可能保证它们的解决方案在有限次数的迭代中收敛到最佳结果。可以保证结果准确度或计算时间，但不能同时保证两者。因此，通过预先固定的迭代次数的实时应用程序不能确保接近最佳结果。在博弈论，滑模控制器和凸规划应用于混合动力汽车能源管理的应用中也可以找到优点和缺点，其中主要原因是在推荐的解决方案上不符合要求。
6.1.2智能控制
尽管所有先前的算法都提供了有效的解决方案，但对于PHEV能量管理的特定情况，最佳方法尚未达成一致。然而，先进的驾驶员辅助系统和自动驾驶的引入增加了数据的重要性，并且随之而来的是用于车辆控制的数据挖掘和机器学习算法应用。人工智能也可用于近似最优策略，减少计算量。机器学习已广泛用于各种应用中的控制算法，但其在PHEV中用于能源管理的汽车行业的扩展尚未得到适当记录。推荐使用这种方法与之前的方法相比的关键特征是没有迭代和快速计算，这允许实时控制应用。从理论上讲，车辆能源管理可以通过强化学习和监督学习来实现。一方面，可以应用强化学习，建立基于燃料消耗和能量效率的成本函数，以促进学习朝向最佳操作条件。当解决方案选择标准明确且不需要标记数据时，这是可能的。强化学习对于从未完全理解但可通过成本函数评估的过程中学习特别有用。此外，它还有助于在存在稀缺标记数据的情况下实施，或者在无法轻易获得数据时实施。另一方面，在存在可以通过离线优化算法生成的标记数据的情况下，监督学习也是适用的。这次所需的输出是明确详细的标记数据，用于培训，验证和测试。在过程完全已知的情况下，通过直接测量或通过离线计算获得数据。混合动力汽车控制涉及众所周知的动力系统，在工业和学术界的研究和开发的许多场合成功模拟。此外，强大的优化引擎可用于生成专家标记数据，并提供有关解决方案特征的见解。在下文中，应用的方法是监督选项，考虑到可用于训练和测试的数据量，可以离线优化，尽管从研究和应用的角度来看，强化学习解决方案也很有趣。
监督学习收集了许多推荐用于多种应用的算法。特别地，已知神经网络能够捕获一系列输入变量和期望输出之间的基础关系，如训练数据中详述的。此外，在具有足够复杂性的网络的假设下，声称这些能够接近给定的过程。这些陈述保证了解决方案的存在，尽管它们无法提供指导建议哪些应该是为特定应用提供满意结果的网络结构。神经网络具有很高的学习能力，可以模拟无法在数学上得出的高度非线性过程。这些问题可以通过神经网络来解决，通过开发更简单的数学上良好的解决方案，可以在车辆中实现。该有益特性已在文献中得到广泛证实和利用，其支持用于车辆控制的神经网络应用。Murphey等人介绍了能量管理的具体用途，以开发没有插入式容量的功率分流HEV的控制策略。作者考虑了有限的路线信息的可用性，涉及驾驶趋势，道路类型和交通。包含有关电力需求的重要信息的变量用于速度和加速度预测，以及iHorizon框架定义中的速度和速度预测算法。同样，普罗霍罗夫提出了一种基于神经网络的能量管理策略，该策略再次应用于功率分流混合动力汽车。丰田普锐斯通过瞬时电力需求作为唯一输入进行控制，而不考虑外部路线相关信息。尽管是简单的，但是针对没有电网支持的混合动力车辆描述的策略针对电荷维持模式，因此对于路线特性不是高度敏感的，如在插电式混合动力车中发生的那样。Suzuki等人，使用神经网络解决混合动力电动卡车的能量管理以改善燃料消耗的作者采用了同等的方法。尽管先前的方法提出了用于混合能量管理的令人满意的解决方案，但是它们对插件策略的应用不是可直接扩展的。混合动力车辆具有有限的可用电荷余量，这迫使电荷维持操作，这意味着未来的长期驾驶循环信息与电动和插入式动力系统不相关。因此，可以合理地预期需要额外的输入以实现最佳的电池耗尽和最小的充电状态。在文献中可以找到插入能量管理的一个例子，其中作者实现了基于两个的双控制器。独立的神经网络。两个控制器之间的区别响应未来的驾驶循环信息可用性。在没有路线信息的情况下，一个网络处于活动状态，而当持续时间和行程长度都已知时，第二个网络被触发。首先使用列出的七个输入：
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。
