论文部分内容阅读
近些年,由于城市环境持续恶化、雾霾频发、石油资源消耗增长,国家政府多次在重大会议上强调发展新能源车辆的重要性。但目前电池发展陷入瓶颈,纯电动车辆一直以来因为续航问题得不到大范围的普及。而插电式混合动力车辆因为在能源消耗与续驶里程上取得了很好的平衡,成为了目前最具实用性的研究方向之一。本文提出了基于深度学习和多源信息融合的短期工况预测模型,以插电式混合动力巴士(Plug-in Hybrid Electric Bus,PHEB)为研究对象,将该模型应用到基于模型预测控制(Model Predictive Control,MPC)的能量管理策略(Energy+Management Strategy,EMS)框架中,提出了优化后DRN-MPC能量管理策略,经验证该策略较传统MPC策略在燃油经济性上提升了3.32%。本文主要的研究成果如下:(1)获取了宇通公司同轴混联插电式混合动力客车的动力性参数,根据国家城市客车性能指标和日常工况需求对匹配参数进行了验证,验证结果表明设计参数符合车辆实验的性能要求。在Matlab仿真环境下,依据动力参数,构建了该PHEB的后向仿真模型。(2)设计了两种基于深度学习的短期工况预测模型,一种是基于单一历史工况信息进行预测的深度神经网络(Deep Neural Network,DNN),另一种是基于融合视频信息进行预测的深度残差网络(Deep Residual Network,DRN)。利用Python的深度学习库Keras构建了这两种预测模型,并在两测试集上进行了一系列对比验证。在中国城市典型工况上,将DNN的预测结果与传统预测模型马尔科夫蒙特卡洛(Markov Chian Monte Carlo,MCMC)以及普通神经网络(Back propagation Neural Networks,BP)的结果进行对比。在Comma.AI公开数据集上,将融合视频信息的深度残差网络模型DNN-res与其他模型的预测结果进行对比。实验结果表明,DNN预测模型在预测精度上相较传统模型提升了31.5%,而DNN-res相较不含视频信息的DNN在预测精度上进一步提升了24.3%。(3)将DNN预测模型应用于MPC框架提出了基于历史工况信息的深度学习能量管理策略DNN-MPC。在中国城市典型工况上,本文对比了各个能量管理策略的燃油消耗并探讨了不同预测时域对策略燃油结果和运行实时性的影响,筛选出了最优的10s预测时域。实验结果表明,DNN-MPC策略相比传统策略在燃油经济性上提升了2.82%,且10s的预测时域在实时性和最终燃油消耗结果上取得了较优的平衡。(4)提出基于深度学习与信息融合的预测框架,将依据此框架构建的DNNres预测模型应用于深度MPC框架,提出了基于历史工况与视频信息相融合的深度学习能量管理策略DRN-MPC。在Comma.AI数据集上,本文对比了各个能量管理策略的节能效果,DRN-MPC策略在燃油经济性上相比传统策略提升了3.32%。