基于神经网络的混合动力汽车的能源控制策略

基于神经网络的混合动力汽车的能源控制策略

发展混合动力汽车是解决污染问题的有效方法之一。然而，混合动力汽车的动力系统包含不同种类的车载动力能源，这些能源自身有不同的动力学特性，因此需要采取一些策略以根据不同的特性来进行动力分配。

提出了一种新型实时能源控制策略，应用于超级电容蓄电式混合动力汽车。该策略将总动力在车载动力系统（即电池和超级电容）之间进行分配，采用非线性汽车自回归中枢神经网络作为一种时间预测模型，而采用离散小波变换作为一种时间滤波器。该策略的目的是延长电池的使用寿命。传统的连续时间模型，如采用自回归式协调平均数法建立的连续时间模型是线性的。由于所有实际应用的设备在使用过程中都遭受高频变化和瞬态转化的影响，这样连续时间模型不能用线性模型建模，所以提出一种非线性连续时间模型来满足建模要求。

进行仿真时，输入一个实际的动力需求信号，通过非线性自回归中枢神经网络法进行建模和预测之后，采用离散小波变换对频率段进行分离。仿真结果表明，该策略能有效地保护电池，即当电池不再遭受动力需求中的高频损害时，其寿命和性能都会提高。为了证明该策略的鲁棒性，与自回归式协调移动平均数法模型进行了对比。结果表明，非线性自回归中枢神经网络法具有更快、更精确的特点。

未来的研究需要包括燃料电池，并且提升3种动力源（电池、超级电容和燃料电池）之间的能源管理水平。同时，需要寻找比离散小波变换更好的方法，以实时获得燃料电池合理的频率段，因为离散小波变换只能在低频变化下传递动力。

刊名：Electric Power Systems Research（英）

刊期：2016年第136期

作者：Mona Ibrahim et al

编译：马晓宇