融合充电路径规划的REEV里程自适应控制策略
纯电动汽车电机系统的控制策略
纯电动汽车电机系统的控制策略纯电动汽车的电机系统控制策略是多样的，旨在实现高效的动力输出、维持电池状态和最大程度延长续航里程。
以下是一些常见的电动汽车电机系统控制策略：1.电机功率调节：控制电机的功率输出，以满足车辆的加速、维持恒速行驶和超车等需求。
电机功率通常是通过调整电机控制器中的电流和电压来实现的。
2.能量回收：电动汽车通常具有再生制动系统，能够将制动时产生的能量转化为电能，并存储在电池中。
控制策略会根据车辆速度和制动力度来调整能量回收的程度。
3.驱动模式选择：提供不同的驾驶模式，如经济模式、标准模式和运动模式。
每种模式会根据驾驶者的选择来调整电机的性能和续航里程。
4.动力分配：在多电机系统中，控制策略会决定不同电机之间的动力分配，以实现最佳的牵引力、悬挂控制和稳定性。
5.温度管理：控制电机和电池的温度，以维持在合适的操作范围内，以确保性能和寿命。
6.电池管理系统：监测和管理电池的状态，包括电池充电和放电速度，以避免过充或过放，从而延长电池寿命。
7.最佳速度控制：通过计算车辆和驾驶条件，选择最佳速度来提高能效和续航里程。
8.动力输出平滑性：通过调整电机的输出来确保加速和减速平稳，提高驾驶舒适性。
9.车辆动力分布：在具有多个电机的车辆中，控制策略可以根据驾驶条件和车辆稳定性来分配动力到前轮或后轮，或分配到单个轮胎以提高牵引力。
10.充电管理：控制充电速度、充电房间以及使用电网能源的时间，以满足用户需求和电力系统的可持续性。
这些策略通常是由电动汽车的控制单元（ECU）来执行，通过传感器和反馈系统来实时监测车辆状态和驾驶条件。
这些策略的目标是提高电动汽车的性能、效率和可持续性，同时确保驾驶安全性和舒适性。
纯电动车多目标优化自适应巡航控制策略研究
基于纯电动车驱动、制动的动力学模型,设计了纯电动车自适应 巡航驱动控制算法和制动控制算法;基于迭代学习算法设计驱动、 制动加速度修正控制律,根据历史控制规律对期望加速度进行修 正,以提高对于外界干扰的适应性;根据前轴驱动纯电动车构型 建立制动力分配策略和压力补偿策略,实现制动能量回收。将本 文算法与传统PID控制算法进行仿真对比验证,验证算法控制效 果。
首先根据固定时矩的车间距策略设计安全车间距模型。根据跟 车过程建立纵向跟车模型和状态空间方程,并对状态方程离散化 处理。
分别选取性能指标经济性、跟随性、安全性、舒适性设计综合 性能指标函数和约束。推导跟车模型、性能指标函数和约束的 预测型,整理为非线性规划问题,并利用内点法进行求解。
基于纯电动车驱动系统和制动系统特性,设计了纯电动车自适应 巡航纵向控制算法,使车辆加速度能够稳定跟随期望加速度变化。 考虑到传统模式切换策略由于未考虑外界环境变化对于基准加 速度的影响,通过对纯电动车行驶阻力模型分析,设计了基于加 权最小二乘拟合的模式切换策略,并通过Simulink和CarSim联合 仿真,验证外界风速干扰和坡度干扰环境下对算法预测基准加速 度的准确性。
纯电动车的动力系统和制动系统特性与传统汽油车系统特性区 别较大,传统自适应巡航控制策略难以直接移植于纯电动车上。 此外纯电动车系统控制相对灵活,且可以实现制动能量回收,对 于自适应巡航系统控制策略有了更大的优化空间。
因此基于纯电动车驱动和制动系统特性,设计基于纯电动车的多 目标优化自适应巡航控制策略,使车辆在满足传统自适应巡航跟 随性、安全性、舒适性的前提下,提升整车的经济性。由于纯电 动车动力系统与制动系统和传统车有较大差异,为研究纯电动车 自适应巡航控制策略首先对纯电动车系统特性进行阐释和分析。
电动车辆智能充电调度与能量优化
电动车辆智能充电调度与能量优化随着电动汽车的普及，电动车辆智能充电调度与能量优化的重要性日益凸显。
电动车辆作为环保、低碳的出行工具，带来了一系列的挑战和机遇。
为了优化电动车辆的充电调度和能量利用效率，需要依靠智能化的技术手段和系统支持。
一、电动车辆智能充电调度电动车辆智能充电调度是指通过智能化的系统控制，对电动车辆的充电时间和地点进行合理的安排和调度。
这样可以最大限度地提高充电效率，减少充电时间，提高用户的使用体验。
实现电动车辆智能充电调度的关键是通过感知、通信和决策三个环节实现系统的智能化。
首先，通过感知技术，可以实时监测电动车辆的充电需求以及充电设备的状态。
其次，通过通信技术，将感知到的数据传输到调度中心，实现数据的互联互通。
最后，通过决策算法和人工智能技术，对感知到的数据进行分析和处理，并给出最优的充电调度方案。
电动车辆智能充电调度的好处显而易见。
首先，可以避免充电设备的拥堵现象，提高充电效率。
其次，可以根据用户的充电需求和电网的供电情况，制定科学的充电策略，减少充电设备对电网的负荷压力，提高电网的稳定性和安全性。
此外，通过智能化的调度系统，还可以实现与用户的交互和信息传递，提供更好的使用体验。
二、能量优化与管理能量优化是指通过科学合理的方法，最大限度地提高能量的利用效率，减少能量的浪费。
对于电动车辆来说，能量优化是保证其续航里程的重要手段之一，也是推动电动汽车行业可持续发展的关键。
在能量优化方面，可以通过以下几个方面的措施来实现。
首先，通过优化车辆的动力系统和电池技术，提高能量的存储和转换效率。
其次，通过智能化控制系统，对车辆的能量消耗进行监测和控制，避免能量的浪费。
再次，通过能量管理系统，对电动车辆的能量使用情况进行监测和分析，提供科学的能量管理建议。
能量优化的好处不仅仅体现在电动车辆的续航里程上，还可以提高电动汽车的运行效率，减少能源消耗，推动能源的可持续利用。
此外，能量优化还可以减少电动车辆对电网的负荷压力，提高电网的稳定性和安全性。
基于多策略协同的电动汽车智能充电调度技术研究
基于多策略协同的电动汽车智能充电调度技术研究随着环保意识的不断提高以及汽车产业的迅速发展，电动汽车已经成为了未来交通工具的重要选择之一。
而针对电动汽车充电过程中存在的种种问题，相关专家学者不断研究和探索，基于多策略协同的电动汽车智能充电调度技术应运而生。
一、电动汽车充电调度的问题及背景电动汽车充电调度的问题主要集中在以下几个方面：首先，电动汽车用户普遍存在使用充电桩的高峰期集中的问题，这会导致充电桩的拥堵，影响用户的用车需求。
其次，电动汽车充电过程需要较长的时间，如果在用户车辆停放的位置无法找到空闲的充电桩，用户只能选择其他位置等待，这会造成不便和浪费。
针对这些问题，基于多策略协同的电动汽车智能充电调度技术得以被提出和深入研究。
该技术主要基于智能操控和系统优化，达到优化充电位置，降低用户等待时间，提高充电站效率等目的。
该技术在电动汽车普及和市场需求的背景下，具有显著的应用前景和市场价值。
二、多策略协同技术的特点和功能多策略协同技术主要包括以下几个方面的功能和特点：首先，该技术可以根据用户的用车需求，推荐最优的充电桩，提高用户的充电便利度。
其次，该技术可以实现充电桩之间的资源共享，避免了充电桩拥堵的问题，提高了充电站的有效利用率。
最后，通过对充电站充电桩的管理和控制，该技术可以实现对充电效率的全面优化，使充电站的使用效果更好，具有更好的市场竞争力。
三、电动汽车多策略协同技术的优势和应用前景由于电动汽车普及程度日益提高，多策略协同技术的优势也已经逐渐显现。
首先，该技术可以帮助电动汽车用户快速找到最优的充电桩，提高用车便利性和充电效率。
其次，由于多策略协同技术可以帮助协调充电桩之间的利用，从而实现充电站资源的共享和利用。
最后，在保证充电效率的前提下，多策略协同技术还可以帮助充电站节能降耗，减少环境污染，具有显著的环保和社会效益。
总之，基于多策略协同的电动汽车智能充电调度技术是当前电动汽车应用领域中备受关注和期待的技术。
纯电动汽车控制策略
能量流控制策略
在系统中;燃料电池是主能源，整车用电包括给Ni2Mh电池组充电 几乎全部由其产生; Ni2Mh电池组为辅助能源，在燃料电池正常工作发 出电能之前，由Ni2Mh电池组通过直流母线直接向燃料电池控制系统 和其他用电设备(如车灯等)供电，待燃料电池正常起动完成并发出电 能之后，主要由燃料电池经直流母线向外供电 在负载较轻时，根据镍 氢电池组的SOC值，也可给电池组充电; 在加速或者爬坡等重载情况下， 镍氢电池组也与燃料电池一起向母线上的负载供电; 在电机制动时， 回馈的能量可以设定的回馈深度经母线向蓄电池充电，实现能量的充 分利用。可见通过燃料电池和镍氢电池的组合使用，既可以让燃料电 池长时间 高效、稳定向外供电，又能发挥镍氢电池组响应快、能量回 馈容易等特点，以弥补燃料电池由于成本和体积等方面因素导致最大 功率难以提高的不足和无法实现再生能量回收的缺陷。实现功率分配 的另一个重要部件是DC/DC变换器，该系统中选用美国某的产品，不 仅可以实现母线电压的恒定，而且可以通过CAN总线接收控制命令， 调节燃料电池的功率输出，并发布各种相关状态信息。
能量流控制系统的工作原理
燃料电池汽车的能量流控 制系统的工作原理框图如图2所 示;其中，PL为电动机及其他用 电设备的功率; PBAT为电池组功 率，正值表示放电，负值表示 充电; PFC为燃料电池的供电功 率 能量管理系统主要由能量流 控制器 燃料电池 、Ni2Mh电池 组 、DC/DC变换器和CAN光纤总 线等几个部分组成，粗实线箭 头表示能量流动的方向 。
22
制动能回馈控制策略
在车速很低的爬行区;回馈 能量与回馈路径能量损耗基本 相抵，回馈效率很低且会明显 影响驾驶员制动感觉，故不进 行制动能量回馈 在低速区,电 机具有一定转速，施以较低制 动转矩，尽量回收制动能量。 高速区时车辆惯性动能很高， 可以施加较高制动转矩而不影 响驾驶员制动感觉。但由于缺 少制动踏板开度信号，该策略 的再生制动所占总制动比例较 小，具体数值通过实车标定得 到。为了保护动力蓄电池，回 馈电流不能超过蓄电池最大充 电电流，SOC过高时取消电机 再生制动 ,因为很容易导致电池 电压过高而且电池充电难度也
混合动力汽车的能量控制策略
混合动力汽车的能量控制策略能量管理策略的控制目标是根据驾驶人的操作，如对加速踏板、制动踏板等的操作，判断驾驶人的意图，在满足车辆动力性能的前提下，最优地分配电机、发动机、动力电池等部件的功率输出，实现能量的最优分配，提高车辆的燃油经济性和排放性能。
由于混合动力汽车中的动力电池不需要外部充电，能量管理策略还应考虑动力电池的荷电状态（SOC）平衡，以延长其使用寿命，降低车辆维护成本。
混合动力汽车的能量管理系统十分复杂，并且因系统组成不同而存在很大差别。
下面简单介绍3种混合动力汽车的能量管理策略。
1、串联式混合动力汽车能量管理控制策略由于串联混合动力汽车的发动机与汽车行驶工况没有直接联系，因此能量管理控制策略的主要目标是使发动机在最佳效率区和排放区工作。
为优化能量分配整体效率，还应考虑传动系统的动力电池、发动机、电动机和发电机等部件。
串联式混合动力汽车有3种基本的能量管理策略。
（1）恒温器策略当动力电池SOC低于设定的低门限值时，起动发动机，在最低油耗或排放点按恒功率模式输出，一部分功率用于满足车轮驱动功率要求，另一部分功率给动力电池充电。
而当动力电池SOC上升到所设定的高门限值时，发动机关闭，由电机驱动车辆。
其优点是发动机效率高、排放低，缺点是动力电池充放电频繁。
加上发动机开关时的动态损耗，使系统总体损失功率变大，能量转换效率较低。
（2）功率跟踪式策略由发动机全程跟踪车辆功率需求，只在动力电池SOC大于设定上限，且仅由动力电池提供的功率能满足车辆需求时，发动机才停机或怠速运行。
由于动力电池容量小，其充放电次数减少，使系统内部损失减少。
但是发动机必须在从低到高的较大负荷区内运行，这使发动机的效率和排放不如恒温器策略。
（3）基本规则型策略该策略综合了恒温器策略与功率跟踪式策略的优点，根据发动机负荷特性图设定高效率工作区，根据动力电池的充放电特性设定动力电池高效率的SOC范围。
同时设定一组控制规则，根据需求功率和SOC进行控制，以充分利用发动机和动力电池的高效率区，使两者达到整体效率最高。
增程器控制策略
增程器控制策略增程器控制策略一、引言随着全球能源结构的转变和环保意识的增强，电动汽车已成为未来出行的趋势。
然而，电动汽车的续航里程仍是制约其大规模应用的关键因素之一。
增程器作为一种有效的解决方案，通过为电动汽车提供额外的电能，显著延长了其续航里程。
本文将重点探讨增程器的控制策略，以提高其效率和性能。
二、增程器工作原理增程器，也称为辅助发电机，是为电动汽车提供额外电能的设备。
在电动汽车行驶过程中，当电池电量低时，增程器启动并产生电能，为电池充电以保证电动汽车的续航里程。
控制策略是指导增程器在不同工况下如何高效运行的核心规则。
三、增程器控制策略的设计原则高效性：控制策略应确保增程器在各种工况下都能高效运行，减少能量损失。
舒适性：在保证高效性的同时，控制策略还应考虑到用户的舒适性，避免频繁启动和停止增程器。
环保性：随着对环保的重视，控制策略应考虑减少废气排放和噪声污染。
经济性：在满足以上要求的同时，控制策略还应考虑降低运行成本。
四、常见的增程器控制策略基于规则的控制策略：根据预先设定的规则和参数，调整增程器的运行状态。
优点是简单易行，但缺乏灵活性。
模糊控制策略：利用模糊逻辑原理，根据电动汽车的实时工况和驾驶员的需求，智能调整增程器的运行状态。
优点是能够处理不确定性和非线性问题，但计算复杂度较高。
神经网络控制策略：通过训练神经网络，使增程器能够自适应地根据工况调整运行状态。
优点是具有较强的自适应性，但需要大量的数据和计算资源。
五、新型增程器控制策略展望随着人工智能和物联网技术的发展，未来增程器的控制策略将更加智能化和精细化。
结合大数据和云计算，可以实现更精准的能耗预测和优化控制。
同时，通过V2X通信技术，增程器可以与周围环境进行信息交互，进一步提高运行效率。
此外，基于强化学习的控制策略也为增程器的优化提供了新的思路和方法。
六、结论增程器作为电动汽车的关键组件，其控制策略的优劣直接影响到电动汽车的性能和用户体验。
基于自适应遗传算法的规模化电动汽车智能充电策略研究
第42 卷第14 期电力系统保护与控制Vol.42 No.14 2014 年7 月16 日Power System Protection and Control Jul. 16, 2014基于自适应遗传算法的规模化电动汽车智能充电策略研究张聪1，许晓慧2，孙海顺1，周鑫1（1.华中科技大学强电磁工程与新技术国家重点实验室，湖北武汉430074； 2.中国电力科学研究院，北京 100000）摘要：电动汽车充电负荷在时空上具有不确定性，大规模电动汽车无序充电会导致配电网峰值负荷超过设备允许极限，给电网运行带来严重影响。
以平滑配电网日负荷曲线为优化目标，建立了考虑各电动汽车用户充电需求约束的规模化电动汽车智能充电控制策略求解模型，并采用自适应遗传算法求解。
以 IEEE33 节点配电网系统为例，基于蒙特卡洛随机模拟规模化电动汽车并网场景，对比研究了无序充电和智能充电两种控制模式下电动汽车负荷对配电网的影响，验证了利用所提方法对实现平滑负荷的有效性。
关键词：蒙特卡洛模拟；自适应遗传算法；智能充电；电动汽车；配电系统Smart charging strategy of large-scale electric vehicles based on adaptive genetic algorithmZHANG Cong1, XU Xiao-hui2, SUN Hai-shun1, ZHOU X in1(1. State Key Laboratory of A dvanced Electromagnetic Engineering and Technology, Huazhong University of Science andTechnology, Wuhan 430074, China; 2. China Electric Power Research Institute, Beijing 100000, China)Abstract: Electric vehicles connected to the grid exhibits strong uncertainty in time and space. Dumb chargin g of large-scale electric vehicles might have adverse impacts on distribution system by causing much high peak load exceeding the supply limits of devices. This paper proposes a model for smart charging control of electric vehicles, which takes smoothing the daily load profile as the objective function and fully accounts the EV owner’s requirement. An adaptive genetic algorithm is applied for solving the model. Using the IEEE 33-bus case as the test systems, scenarios of EVs integration are simulated by Monte Carlo stochastic methods. Smart charging strategy is obtained using the proposed model and method. By comparing with the load profile under dumb charging, the validity of the proposed model is proved.Key words：Monte Carlo simulation; adaptive genetic algorithm; smart charging; electric vehicles; distribution networks中图分类号：TM715 文献标识码：A 文章编号：1674-3415(2014)14-0019-060 引言全球气候和环境问题促使世界各国将大规模开发利用可再生能源作为能源安全战略。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
明。
关键词: 增程式电动汽车；充电路径规划；控制策略；里程自适应
中图分类号: U469.72+2 文献标识码: A
文章编号: 1674-4969(2019)03-0226-09
引言
当前新能源汽车控制策略的开发和研究很大 一部分是基于某些特定的典型工况进行的，虽然 典型循环工况具有代表性，但车辆在实际的行驶 过程中，行驶工况存在较大的不确定性和随机性， 导致所制定的控制策略性能无法达到最佳。道路 交通环境信息的获取和利用会对电动汽车的性能 产生较大影响，在已知的环境信息下加强电动汽 车对路况的适应能力已成为当前新能源汽车的研 究热点之一[1]。
yoou@ 苏 炼（1995），女，硕士研究生，研究方向为网联式混合动力汽车能量管理策略。 任 静（1993），女，硕士研究生，研究方向为新能源汽车能量管理策略。
林歆悠，等：融合充电路径规划的 REEV 里程自适应控制策略 227
术以及车载导航获取实时交通信息，依据车辆的 续驶里程信息，分析电动汽车在里程中的充电次 数，对充电路径进行规划，但只考虑燃油经济的 提升效果，对于充电所耗用的时间成本未能进行 辨析。
林歆悠，苏 炼，任 静
(福州大学 机械工程及自动化学院，福州 350002)
摘 要: 为充分利用电网电能，以增程式电动汽车（Range-Extended Electric Vehicles， REEV）为研究对象，基于车载导航系统、智能交通系统（ITS）以及智能电网系统，运用迪 克斯特拉（Dijkstra）算法对 REEV 进行充电路径规划，引入里程信息以及参考电池剩余电量 （SOC），并根据路径规划结果，综合考虑车辆的燃油经济性和排放性，对规划路径制定分段 里程自适应控制策略，使 REEV 能够在不同里程段内合理分配辅助动力装置（APU）和电池 的能量。基于 Matlab/Simulink 搭建整车控制策略仿真模型进行仿真验证，结果表明，当行驶 里程约 175km 时，在牺牲一部分充电时间的代价下，车辆节省了 1.77L 燃油，REEV 的油耗 下降率为 92.64%，所制定的分段里程自适应控制策略能够充分利用电网电能，车辆节能效果
剩余里程时间、实时道路交通信息。通过智能电 网系统可实时查询充电站位置分布信息、充电桩 型号、数量等信息。
图 1 “车-路-网”智能系统（ITS）
1.2 充电路线的权衡规划算法
路径规划是指在某一具有障碍物的地图中， 获得从初始状态到目标状态的最优路径。相比于 传统路径规划，电动汽车充电路径规划需要考虑 较多的因素，如目的地距离及耗时、动力电池剩 余电能、充电耗时、排队等待时间等。在制定行 程规划时，驾驶员通常会偏好耗时最少或者成本 最低的行程方案，同时也希望在充电规划时，所 选择的充电站尽可能与目的地路线保持一致。因 此，充电路径规划需要充分考虑充电路径与实际 行驶路线方向趋势一致性因素，为驾驶员提供更 为合理的充电路径规划。
电动汽车“车-路-网”智能系统结构如图 1 所示。在大数据的辅助下，REEV 可通过智能交 通 系 统 （ ITS） 实 时 查 询 其 行 驶 道 路 前 方 任 意 时 间位置节点的路况信息，以便驾驶员基于路况信 息选择较佳的行车路线，并计算和预测 REEV 在 行驶里程内的平均车速、路面标高、剩余里程、
第 11 卷 第 3 期 2019 年 6 月
工程研究——跨学科视野中的工程 JOURNAL OF ENGINEERING STUDIES
DOI: 10.3724/SP.J.1224.2019.00226
11 (3): 226-234 Jun., 2019
融合充电路径规划的 REEV 里程自适应控制策略
收稿日期: 20190317; 修回日期: 20190616 基金项目: 国家自然科学基金资助项目(51505086)；CAD/CAM 福建省高校工程研究中心资助项目(K201710) 作者简介: 林歆悠（1981），男，博士，副教授，研究方向为车辆动力传动与控制、混合动力电动汽车控制。E-mail: linxin-
1 充电路径的权衡规划
1.1 路网信息获取
当前充电基础设施在不断完善，对于 REEV 而言，不应局限于通过家庭电网获取电能，遍布 城市的充电站为 REEV 进一步提升燃油经济性、 排放性、降低使用成本提供了有效途径。基于大 数据的车联网技术将电动汽车、智能交通系统、 充电管理系统相互联系在了一起，打破了各系统 之间信息共享的壁垒，形成一个完善的电动汽车 “车-路-网”智能系统。基于该系统，可以将智能 电网、电动汽车、智能交通系统、充电设施之间 通过车辆地理位置信息、道路实时路况信息及剩 余电量等参数相互联系，相互影响，形成一个高 效且稳定的系统。
为使 REEV 在到达终点过程中充分利用廉价 环保的电网电能，本文将电网信息和路况交通环 境信息相结合，在“车-路-网”系统下运用 Dijkstra 算法对 REEV 进行充电路径规划，引入里程信息 以及参考电池剩余电量（SOC），综合考虑车辆的 燃油经济性和排放性，根据路径规划结果，以综 合目标最优为核心设计了分段里程自适应控制策 略，使 REEV 能够在不同里程段内合理分配辅助 动力装置（APU）和电池的能量，进一步改善 REEV 的排放性和燃油经济性。
车载导航系统无线定位和通讯技术的发展， 以及云计算和互联网技术在汽车领域的应用，开 启了电动汽车智能化、网联化的新篇章。车辆可 获取的驾驶环境信息越来越多，在多信息系统下
提高控制策略对实时道路交通信息的自适应性 成为电动汽车控制策略研究的难点和热点[2,3]。文 献[4]提出了一种实时管理电动汽车充电的方法， 考虑到车辆在城市的移动和蓄电池的充电特性， 建立了电动汽车消耗模型，通过一种新的协调算 法来管理电动车的充电以避免变压器超载，减轻 了对住宅配电线路车辆充电变压器的电压、功率 损耗和最大容量的影响。文献[5]通过地理信息系 统（GIS）获取实时车辆地理环境信息，运用马尔 可夫链构建未来车速模型，运用 ECMS 控制策略 来提升混合动力汽车的燃油经济性。文献[6]依据 续驶里程，对电动汽车运行过程中的充电次数以 及充电路径进行了初步探究，但未考虑由于充电 而导致里程变长的情况。文献[7]基于无线通讯技