电动汽车复合电源功率分配关键技术研究

发布时间：2020-07-02 00:41

【摘要】：近年来由于全球能源危机和污染问题的日益突出,各国对燃料车禁令的启动意味着未来电动汽车将替代传统燃料汽车。对于电动汽车来说需要一个高能量密度的电能存储系统来为汽车提供高能量和大功率。但是仅仅靠单独的蓄电池或超级电容的各自特点都无法单独满足这种需求。因此,需要将高比功率超级电容器与高比能电池组合使用。通过合理的构型和功率分配策略,来充分发挥两者的特性。从而能够弥补单一储能系统的工作缺陷,同时可以优化电动车日常表现,这是本文研究的出发点。本文的主要研究内容和创新点如下:(1)目前针对典型复合电源的拓扑结构特点,对于被动式的能量浪费,半主动和主动式控制困难等问题,提出一种新型主动复合电源拓扑结构。相比现有的拓扑结构,本文考虑了器件成本以及能量回收利用率等影响因素。采用单向DC/DC转换器,代替原有传统的双向DC/DC转换器。本文采用的构型能够实现复合电源的功率分配的多样性和高效性,同时提高了超级电容器对电机的驱动效率,提高了功率分配的灵活性。为后续的研究工作提供拓扑基础。(2)在研究工作(1)的基础上,对复合电源的SOC(荷电状态)进行估测,着重研究了蓄电池的SOC。通过实验采集电池工作时的内阻、温度、电压、电流和SOC数据,对比后发现在蓄电池SOC估测中内阻决定电池的健康状态,影响电池的额定容量。而现有文献中很少考虑内阻对SOC的影响。提出一种以动力电池的电压、电流、温度和内阻作为输入,SOC作为输出,四输入一输出的模糊控制仿真模型。相比现有的研究方法,添加了内阻和温度作为电池SOC估测的影响因素。通过仿真实验对比,验证了考虑内阻在内的四输入模糊控制具有更好的准确性。(3)针对复合电源功率分配控制策略的选择,配合拓扑结构的难题,提出了超级电容器SOC、蓄电池SOC和需求功率作为输入,功率分配因子作为输出的模糊神经网络模型。通过二次开发后的ADVISOR进行新构型的复合电源仿真实验,进一步验证了本文的方法相比以模糊控制作为功率分配控制策略的传统半主动在蓄电池表现和超级电容的能量利用率上具有的优势。
【学位授予单位】：温州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM912;TM53
【图文】：

模糊神经网络,数据,混合学习,复合电源

模糊化处理自组织分类法得出输入，输出竞争学习得出模糊推理规则规则节点的删除和合并计算最佳隶属度函数模糊系统的输出图 4-3 模糊神经网络混合学习过程Figure 4-3 Hybrid learning process of fuzzy neural networks经网络控制器的设计sedit 实现复合电源分配策略的具体步骤如下：训练样本：

工具箱,因数,组数据,模糊控制器

SOCb和超级电容 SOCsc以及模糊控制器的功率分配因数bK 的入和输出。样本数据 data=[Preq, SOCb，SOCsc，Kb]，为了保证整完整性，随机抽取 450 组数据作为工具箱 Training Data，450 组据 Testing Data，以及 450 组数据作为 Checking Data。将三组数得到加载数据界面如图 4-4。神经网络最终参数确定工具箱进行对应 sugeno 系统的设计。设计一个由需求功率 Preq级电容 SOCsc以及模糊控制器的输出功率分配因数bK 隶属度个4，5；隶属度函数选择 pimf 类型；输出类型选择线性(linear)，用混合学习方法(hybrid)进行 ANFIS 的训练。后的系统结构如下：

【参考文献】