论文部分内容阅读
电动汽车因其具有节能、高效、安全等特征,已经成为建立低碳社会智慧城市的主要交通工具之一,是当前新能源汽车重要发展方向和学术研究热点。由于目前包括锂离子电池在内的动力电池功率密度仍然较低,环境适应性也相对较差等,单纯以电池作为能量存储的电动汽车还面临许多挑战,包括充电时间长和循环寿命短等。近年来发展起来的超级电容不仅功率密度高、充放电快,而且循环寿命也远超动力电池,具有与电池极好的互补特性。因此将超级电容作为辅助能量单元与动力电池构成优势互补的复合电源系统,可以大大地提高电动汽车动力电源系统的性能。本文从复合电源的参数优化、能量状态估计和能量管理三个方面,针对目前国内外研究中存在的不足,展开了深入的研究。在容量优化设计方面,超级电容容量是影响复合电源系统性能和成本的关键因数之一,对其进行合理优化不但可以提高系统性能,还能有效地降低系统成本。然而从目前的研究来看,绝大多数工作都是针对电池容量的优化问题进行展开,很少有文献对超级电容的容量优化问题进行系统讨论。本文提出对超级电容的容量进行优化,并对优化方法进行了详细描述。以动力电池寿命和超级电容容量成本加权最小为优化目标,采用两个标准工况数据用以描述车辆对电源系统的功率需求,建立了系统性能分析和超级电容容量优化方法。优化结果表明在保证性能的同时,可以有效地降低电源系统的成本。在能量状态估计方面,针对由于传感器测量信息的不完备性导致的随机噪声不能满足高斯分布,致使能量状态估计的卡尔曼滤波方法(包括卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波等)不再适用这一问题,本文提出了一种以粒子滤波和无迹卡尔曼滤波为基础的能量状态估计新方法。该方法通过对状态粒子进行重要性采样来逼近系统状态的后验概率密度函数,然后利用无迹卡尔曼滤波对采样后的状态粒子进行观测更新以获得最新状态。在动力电池模型参数准确和扰动两种情况下进行了仿真验证,结果表明即使随机噪声不能满足高斯分布,该方法仍然可以获得高的估计精度和好的鲁棒性。在能量管理方面,车辆的工况信息可以为复合电源的能量管理与优化提供有效的依据。然而目前文献关于工况的研究仅仅集中于车辆的速度和加速度信息,缺乏对工况的驱动模式进行研究。本文提出了一种基于模式识别的能量管理策略,根据车辆的速度特征对工况的驱动模式进行了划分,以此为基础建立了模式识别的神经网络模型。然后对工况特征参数和滚动时间窗长度进行了优化,并利用特征参数的工况统计数据对神经网络模型进行训练和验证。考虑到超级电容与动力电池不同的电学特性,本文利用小波变换算法对车辆每一种驱动模式下的功率需求进行分解,并将得到的高频功率需求分配给超级电容,低频功率需求分配给动力电池。仿真结果表明通过对工况的驱动模式进行识别可以更加有效地提高电源系统的能量效率,延长动力电池的使用寿命。近些年来,随着全球定位系统与车载数字地图在汽车上的应用,使得基于位置信息的功率需求预测成为了可能。然而目前文献所建立的预测能量管理策略却完全忽略了系统和环境的不确定性因素对功率需求预测精度的影响。本文将误差作为随机变量引入到预测能量管理中,提出了一种考虑功率需求预测随机性的能量管理策略。建立了复合电源的寿命和能量成本模型,基于该模型系统地研究了由误差的随机性引起的功率需求波动对复合电源成本的影响。为了优化复合电源的寿命和能量成本,提出了功率需求预测的随机优化方法。仿真结果表明本文提出的策略能够有效地降低电源系统的寿命和能量成本。