为提高汽车起动发电一体机(integrated starter and generator,ISG)高度混合动力汽车(full hybrid electricvehicle,FHEV)能量管理系统效率,首先采用插值法和最小二乘法拟合,得到发动机和电机稳态运行效率图.然后,通过建立电池开路电压模型对充电状态(state of charge,SOC)值进行估计,设计了简化的能量平衡控制策略.在此基础上,以优化发动机效率、提高电池充放电效率为依据设计了改进能量管理策略.最后,在高级车辆仿真器(ADVISOR)中建立了驱动系统和控制策略的仿真模型.仿真结果表明,改进能量管理策略能使发动机工作在优化(optimum,Opt)曲线上,电池充放电效率得到进一步提高,与传统双轴连接型并联式混合动力汽车(parallelhybrid electric vehicle,PHEV)相比,在ECE EUDC(economic commission of Europe-extra urban driving cycle)路况下,百公里耗油量减少了10.1%,发动机效率提高了9.5%,电机总效率提高了11.5%.
电池荷电状态(state of charge,SOC)是电池管理系统的重要参数,也是混合动力汽车动力系统分配的重要依据,准确地估算电池荷电状态具有重要意义。按照传统电量状态定义电池SOC的估算方法不能满足蓄电池变电流放电工况的需求,为了解决这一问题,采用能量守恒原理对电池SOC重新定义,基于修正的Thevenin等效电路,在Matlab/simulink环境下,建立了电池的动态充、放电模型,通过仿真分析,证明新的SOC估算策略能够满足蓄电池在大电流和变电流放电工况下SOC的估算,提高了电池SOC估算的精度。
电池管理系统(battery management system,BMS)是混合动力汽车(parallel hybrid electric vehicle,PHEV)能量管理系统中的核心组成部分,而其中电池电荷状态(state of charge,SOC)则是PHEV控制策略中的重要参数。针对PHEV动力电池组SOC系统高度非线性和复杂性的特点,提出了一种基于改进的BP神经网络的HEV动力电池组的实时SOC估计,并对网络的收敛性进行了证明。利用大量PHEV动力电池组在行驶过程中充放电的数据样本,对神经网络进行网络训练并且进行仿真。结果表明,与传统离线SOC估计方法相比,能够有效地减小误差,提高电池SOC的精度。
