汽车工程进展
开放获取

抽象的

HEV 最佳电池充电状态预测：时间序列启发方法

智慧恩囊

混合动力电动汽车的燃油效率需要使用精心设计的控制算法在内燃机使用和电池能量之间取得良好平衡。由于混合动力汽车动力学的瞬态性质，驾驶条件预测不可避免地成为混合动力汽车能源管理的重要组成部分。使用车载远程信息处理技术进行驾驶条件预测已被广泛研究并记录在文献中，其中大多数研究都将高设备成本和缺乏路线信息（对于 GPS 不熟悉的路线）视为目前阻碍预测性 HEV 商业化的因素使用远程信息处理进行控制。鉴于这一挑战，这项研究激发了一种前瞻性的 HEV 能源管理方法，该方法使用时间序列预测器（神经网络或马尔可夫链），预测给定范围内沿最佳前沿（最佳电池充电状态轨迹）的未来电池充电状态。本文的主要贡献是对不同驾驶场景（FTP72、SC03、ARTEMIS U130 和 WLTC 3 驾驶循环）的神经网络和马尔可夫链时间序列预测器进行了详细的理论评估和比较。根据本研究中进行的分析，得出以下有用的推论：1.随着多输入神经网络预测范围的增加，平均预测精度会大幅且不成比例地下降，2.在单输入/单范围预测网络中，神经网络和马尔可夫链预测器的性能相似且接近最优，平均绝对百分比误差小于 0。