混合動力系統(tǒng)優(yōu)化及智能能量管理

第1章　緒論 001
1.1　節(jié)能與新能源汽車的發(fā)展概況 002
1.2　混合動力系統(tǒng)優(yōu)化設計方法研究 004
1.2.1　混合動力系統(tǒng)構型拓撲研究現(xiàn)狀 005
1.2.2　混合動力系統(tǒng)設計參數(shù)與控制聯(lián)合優(yōu)化研究現(xiàn)狀 009
1.3　融合車聯(lián)網(wǎng)信息的混合動力系統(tǒng)能量管理控制研究 011
1.3.1　車聯(lián)網(wǎng)與車輛節(jié)能技術 011
1.3.2　混合動力車輛行駛工況信息研究現(xiàn)狀 015
1.3.3　混合動力車輛能量管理策略研究現(xiàn)狀 018
1.4　本章結語 023
第2章　混合動力系統(tǒng)優(yōu)化設計方法 025
2.1　混合動力系統(tǒng)構型拓撲分析 026
2.1.1　構型拓撲生成 026
2.1.2　生成結果與分析 035
2.2　混合動力系統(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　混合動力系統(tǒng)參數(shù)-控制雙層優(yōu)化算法設計 045
2.3　優(yōu)化結果驗證與分析 048
2.4　本章結語 066
第3章　基于車聯(lián)網(wǎng)信息行駛工況處理 068
3.1　車聯(lián)網(wǎng)信息下汽車行駛工況數(shù)據(jù)獲取 069
3.1.1　新能源汽車車聯(lián)網(wǎng)平臺介紹 069
3.1.2　基于車聯(lián)網(wǎng)的行駛工況數(shù)據(jù)獲取 072
3.1.3　車聯(lián)網(wǎng)平臺下行駛工況數(shù)據(jù)質(zhì)量問題 075
3.2　車聯(lián)網(wǎng)平臺下行駛工況數(shù)據(jù)缺失與數(shù)據(jù)噪聲處理 077
3.2.1　基于插補與神經(jīng)網(wǎng)絡的缺失數(shù)據(jù)估計方法 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　車聯(lián)網(wǎng)平臺下行駛工況數(shù)據(jù)處理的評價方法 083
3.3.1　行駛工況數(shù)據(jù)誤差評價指標 083
3.3.2　行駛工況特征參數(shù)評價指標 083
3.4　本章結語 084
第4章　基于車聯(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)中的應用 086
4.2　基于能耗特性的公交線路行駛工況特征參數(shù)分析 087
4.2.1　公交線路特征統(tǒng)計分析 088
4.2.2　基于公交客車線路特點的行駛工況特征參數(shù)集 090
4.2.3　車輛能耗特性與工況特征關系分析 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　基于能耗特征與線路特征參數(shù)的固定線路行駛工況合成 097
4.3.1　基于K-Means 算法的工況聚類分析 098
4.3.2　馬爾可夫鏈狀態(tài)轉移矩陣 100
4.3.3　公交線路行駛工況合成結果分析 101
4.4　基于能耗特征與線路特征參數(shù)的未來行駛工況智能預測 103
4.4.1　基于LS-SVM 和BP-NN 的智能預測模型 103
4.4.2　未來工況智能預測模型對比 105
4.4.3　未來工況預測精度影響因素分析 108
4.4.4　未來工況預測模型的魯棒性分析 112
4.5　本章結語 114
第5章　基于行駛工況信息的分層優(yōu)化自適應能量管理策略 115
5.1　行星式混合動力公交客車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力系統(tǒng)構型 116
5.1.2　雙行星排式混合動力系統(tǒng)功率分流狀態(tài)分析 119
5.1.3　雙行星排式混合動力系統(tǒng)能量管理策略 121  
5.2　分層優(yōu)化自適應智能能量管理策略概述 125
5.2.1　分層優(yōu)化自適應智能能量管理策略研究內(nèi)容 125
5.2.2　分層優(yōu)化自適應智能能量管理策略架構 126
5.3　基于固定線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　基于未來工況預測的A-ECMS 自適應控制 135
5.4.1　基于PMP 的等效燃油消耗最小策略 136
5.4.2　基于未來工況預測信息的自適應規(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)化自適應智能能量管理策略驗證與分析 142
5.5.1　分層優(yōu)化自適應智能能量管理策略最優(yōu)性 142
5.5.2　分層優(yōu)化自適應智能能量管理策略適應性 147
5.6　硬件在環(huán)試驗 148
5.6.1　硬件在環(huán)試驗平臺 148
5.6.2　硬件在環(huán)試驗結果分析 150
5.7　本章結語 153
第6章　基于固定線路全局優(yōu)化的深度強化學習能量管理策略 154
6.1　學習型智能能量管理控制策略概述 155
6.1.1　學習型智能能量管理策略研究進展 155
6.1.2　學習型智能能量管理的控制問題 157
6.2　基于固定線路全局優(yōu)化的深度強化學習能量管理策略 159
6.2.1　Deep Q-Learning 深度強化學習算法 159
6.2.2　基于固定線路行駛信息的深度強化學習策略架構 161
6.2.3　Deep Q-Learning 能量管理策略算法設計 162
6.3　基于固定線路全局優(yōu)化的深度強化學習能量管理策略驗證 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性           167
6.4　硬件在環(huán)試驗 168
6.5　兩種智能能量管理策略對比分析 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性 171
6.5.3　智能能量管理策略的總結分析 172
6.6　本章結語 172
第7章　全書總結 174
7.1　內(nèi)容總結 175
7.2　未來展望 176
名詞簡寫 178
名詞索引 179
參考文獻 182