基于反馈神经网络的并联式强混合动力汽车能量控制策略研究

能量控制策略是混合动力汽车的一项关键技术,它的控制效果直接影响整车综合性能。目前的控制策略存在适应工况单一、实时性差等缺点。本文对传统瞬时能量控制策略作进一步研究,并结合神经网络技术对其进行优化与改进。 计算了不同工况下动力电池的等效燃油消耗量,建立了瞬时等效油耗最低控制策略目标函数。分析了动力电池荷电状态以及制动能量回收这两个因素对燃油消耗量的影响,对目标函数进行了修正。 采用Matlab/Simulink,基于改进后的瞬时控制方案构建了包括混合动力系统最优工作点计算模块和平均制动回收功率计算模块在内的瞬时控制策略总模块,提取了改进后的瞬时控制策略的控制规则。 建立了用于控制转矩输出的Elman神经网络模型,确定了包括隐藏层神经元数目、激励函数在内的各网络参数,选择了网络训练算法,基于改进后的瞬时控制规则对网络进行了训练,在此基础上,设计了混合动力汽车用Elman神经网络控制器。 利用ADVISOR软件,在两种典型工况下分别对嵌入改进后的瞬时控制策略模块和Elman网络控制器的混合动力系统模型进行了仿真。仿真结果显示,改进后的瞬时控制策略可以为混合动力汽车节省更多的燃油,混合动力汽车用Elman神经网络控制器能够在保证燃油经济性的同时,缩短控制反应时间,从而提高了瞬时控制策略的实时性。