混合動(dòng)力系統(tǒng)優(yōu)化及智能能量管理

第1章　緒論 001
1.1　節(jié)能與新能源汽車(chē)的發(fā)展概況 002
1.2　混合動(dòng)力系統(tǒng)優(yōu)化設(shè)計(jì)方法研究 004
1.2.1　混合動(dòng)力系統(tǒng)構(gòu)型拓?fù)溲芯楷F(xiàn)狀 005
1.2.2　混合動(dòng)力系統(tǒng)設(shè)計(jì)參數(shù)與控制聯(lián)合優(yōu)化研究現(xiàn)狀 009
1.3　融合車(chē)聯(lián)網(wǎng)信息的混合動(dòng)力系統(tǒng)能量管理控制研究 011
1.3.1　車(chē)聯(lián)網(wǎng)與車(chē)輛節(jié)能技術(shù) 011
1.3.2　混合動(dòng)力車(chē)輛行駛工況信息研究現(xiàn)狀 015
1.3.3　混合動(dòng)力車(chē)輛能量管理策略研究現(xiàn)狀 018
1.4　本章結(jié)語(yǔ) 023
第2章　混合動(dòng)力系統(tǒng)優(yōu)化設(shè)計(jì)方法 025
2.1　混合動(dòng)力系統(tǒng)構(gòu)型拓?fù)浞治?026
2.1.1　構(gòu)型拓?fù)渖?026
2.1.2　生成結(jié)果與分析 035
2.2　混合動(dòng)力系統(tǒng)內(nèi)外雙層參數(shù)優(yōu)化方法 040
2.2.1　優(yōu)化三要素的確定 041
2.2.2　混合動(dòng)力系統(tǒng)參數(shù)-控制雙層優(yōu)化算法設(shè)計(jì) 045
2.3　優(yōu)化結(jié)果驗(yàn)證與分析 048
2.4　本章結(jié)語(yǔ) 066
第3章　基于車(chē)聯(lián)網(wǎng)信息行駛工況處理 068
3.1　車(chē)聯(lián)網(wǎng)信息下汽車(chē)行駛工況數(shù)據(jù)獲取 069
3.1.1　新能源汽車(chē)車(chē)聯(lián)網(wǎng)平臺(tái)介紹 069
3.1.2　基于車(chē)聯(lián)網(wǎng)的行駛工況數(shù)據(jù)獲取 072
3.1.3　車(chē)聯(lián)網(wǎng)平臺(tái)下行駛工況數(shù)據(jù)質(zhì)量問(wèn)題 075
3.2　車(chē)聯(lián)網(wǎng)平臺(tái)下行駛工況數(shù)據(jù)缺失與數(shù)據(jù)噪聲處理 077
3.2.1　基于插補(bǔ)與神經(jīng)網(wǎng)絡(luò)的缺失數(shù)據(jù)估計(jì)方法 078
3.2.2　基于小波變換的噪聲數(shù)據(jù)濾波方法 078
3.2.3　行駛工況噪聲數(shù)據(jù)清洗方法 080
3.3　車(chē)聯(lián)網(wǎng)平臺(tái)下行駛工況數(shù)據(jù)處理的評(píng)價(jià)方法 083
3.3.1　行駛工況數(shù)據(jù)誤差評(píng)價(jià)指標(biāo) 083
3.3.2　行駛工況特征參數(shù)評(píng)價(jià)指標(biāo) 083
3.4　本章結(jié)語(yǔ) 084
第4章　基于車(chē)聯(lián)網(wǎng)信息行駛工況數(shù)據(jù)挖掘 085
4.1　數(shù)據(jù)挖掘理論在行駛工況數(shù)據(jù)中的應(yīng)用 086
4.2　基于能耗特性的公交線(xiàn)路行駛工況特征參數(shù)分析 087
4.2.1　公交線(xiàn)路特征統(tǒng)計(jì)分析 088
4.2.2　基于公交客車(chē)線(xiàn)路特點(diǎn)的行駛工況特征參數(shù)集 090
4.2.3　車(chē)輛能耗特性與工況特征關(guān)系分析 092
4.2.4　基于能耗回歸分析模型的工況特征參數(shù)篩選 096
4.3　基于能耗特征與線(xiàn)路特征參數(shù)的固定線(xiàn)路行駛工況合成 097
4.3.1　基于K-Means 算法的工況聚類(lèi)分析 098
4.3.2　馬爾可夫鏈狀態(tài)轉(zhuǎn)移矩陣 100
4.3.3　公交線(xiàn)路行駛工況合成結(jié)果分析 101
4.4　基于能耗特征與線(xiàn)路特征參數(shù)的未來(lái)行駛工況智能預(yù)測(cè) 103
4.4.1　基于LS-SVM 和BP-NN 的智能預(yù)測(cè)模型 103
4.4.2　未來(lái)工況智能預(yù)測(cè)模型對(duì)比 105
4.4.3　未來(lái)工況預(yù)測(cè)精度影響因素分析 108
4.4.4　未來(lái)工況預(yù)測(cè)模型的魯棒性分析 112
4.5　本章結(jié)語(yǔ) 114
第5章　基于行駛工況信息的分層優(yōu)化自適應(yīng)能量管理策略 115
5.1　行星式混合動(dòng)力公交客車(chē)功率分流特性及其能量管理 116
5.1.1　雙行星排功率分流式混合動(dòng)力系統(tǒng)構(gòu)型 116
5.1.2　雙行星排式混合動(dòng)力系統(tǒng)功率分流狀態(tài)分析 119
5.1.3　雙行星排式混合動(dòng)力系統(tǒng)能量管理策略 121  
5.2　分層優(yōu)化自適應(yīng)智能能量管理策略概述 125
5.2.1　分層優(yōu)化自適應(yīng)智能能量管理策略研究?jī)?nèi)容 125
5.2.2　分層優(yōu)化自適應(yīng)智能能量管理策略架構(gòu) 126
5.3　基于固定線(xiàn)路合成工況的近似全局最優(yōu)控制 127
5.3.1　考慮終止約束的全局優(yōu)化SOC 軌跡求解 128
5.3.2　基于近似全局最優(yōu)的模式切換規(guī)則提取 131
5.3.3　基于近似全局最優(yōu)的SOC 軌跡規(guī)劃模型 133
5.4　基于未來(lái)工況預(yù)測(cè)的A-ECMS 自適應(yīng)控制 135
5.4.1　基于PMP 的等效燃油消耗最小策略 136
5.4.2　基于未來(lái)工況預(yù)測(cè)信息的自適應(yīng)規(guī)律 139
5.4.3　基于LQR 控制器的SOC 跟隨策略 140
5.5　分層優(yōu)化自適應(yīng)智能能量管理策略驗(yàn)證與分析 142
5.5.1　分層優(yōu)化自適應(yīng)智能能量管理策略最優(yōu)性 142
5.5.2　分層優(yōu)化自適應(yīng)智能能量管理策略適應(yīng)性 147
5.6　硬件在環(huán)試驗(yàn) 148
5.6.1　硬件在環(huán)試驗(yàn)平臺(tái) 148
5.6.2　硬件在環(huán)試驗(yàn)結(jié)果分析 150
5.7　本章結(jié)語(yǔ) 153
第6章　基于固定線(xiàn)路全局優(yōu)化的深度強(qiáng)化學(xué)習(xí)能量管理策略 154
6.1　學(xué)習(xí)型智能能量管理控制策略概述 155
6.1.1　學(xué)習(xí)型智能能量管理策略研究進(jìn)展 155
6.1.2　學(xué)習(xí)型智能能量管理的控制問(wèn)題 157
6.2　基于固定線(xiàn)路全局優(yōu)化的深度強(qiáng)化學(xué)習(xí)能量管理策略 159
6.2.1　Deep Q-Learning 深度強(qiáng)化學(xué)習(xí)算法 159
6.2.2　基于固定線(xiàn)路行駛信息的深度強(qiáng)化學(xué)習(xí)策略架構(gòu) 161
6.2.3　Deep Q-Learning 能量管理策略算法設(shè)計(jì) 162
6.3　基于固定線(xiàn)路全局優(yōu)化的深度強(qiáng)化學(xué)習(xí)能量管理策略驗(yàn)證 163
6.3.1　F-DQL-EMS 智能能量管理策略的最優(yōu)性 164
6.3.2　F-DQL-EMS 智能能量管理策略的工況適應(yīng)性           167
6.4　硬件在環(huán)試驗(yàn) 168
6.5　兩種智能能量管理策略對(duì)比分析 170
6.5.1　智能能量管理策略的最優(yōu)性 170
6.5.2　智能能量管理策略的工況適應(yīng)性 171
6.5.3　智能能量管理策略的總結(jié)分析 172
6.6　本章結(jié)語(yǔ) 172
第7章　全書(shū)總結(jié) 174
7.1　內(nèi)容總結(jié) 175
7.2　未來(lái)展望 176
名詞簡(jiǎn)寫(xiě) 178
名詞索引 179
參考文獻(xiàn) 182