面向能量优化控制的新能源公交车工况预测

《面向能量优化控制的新能源公交车工况预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、面向能量优化控制的新能源公交车工况预测(申请清华大学工学硕士学位论文)培养单位：汽车工程系学科：动力工程及工程热物理研究生：迟茗指导教师：王贺武副研究员二○一七年六月DrivingCyclePredictionforEnergyOptimizationControlofNewEnergyCityBusesThesisSubmittedtoTsinghuaUniversityinpartialfulfillmentoftherequirementforthedegreeofMasterofScienceinPowerEngineerin

2、gandEngineeringThermophysicsbyChiMingThesisSupervisor:AssociateProfessorWangHewuJune,2017摘要摘要基于精准的行驶工况预测，可以实现车辆能量的优化控制和高效利用。本文围绕公交车的行驶特点，开展了车辆运行轨迹估计、速度地域分布分析和工况预测方法的研究，获得了兼顾预测精度和运算时长的车辆全程离线工况和短程在线工况的预测方法，研究结果可用于新能源汽车全局能量分配和实时能量管理，对于新能源车剩余里程估计具有重要参考价值。首先，基于Matlab平台，针对城市公

3、交车的实际运行数据，开发了具有数据预处理和计算特征参数功能的工况分析软件。其中，预处理模块完成了对信号缺失与干扰引起的速度和经纬度等原始数据漂移与丢失问题的处理；输出模块计算了18个工况特征参数，包括表征速度及其分布的13个特征参数和表征加速度的5个特征参数。其次，利用海量出行数据，构建了对固定线路出行的公交车辆进行全程工况预测方法，完成了模型预测精度的校验。采用基于密度的聚类算法(DBSCAN)和K-means聚类算法，完成了对停车站点的自动识别和工况片段的聚类分析；基于Markov方法，结合聚类分析结果，构建了以速度地域(地理位置

4、)为特征的工况类别转移概率矩阵，实现了公交车全程离线工况预测。验证结果表明，构建的预测工况模型均方根误差可达3.6km/h。然后，结合数据量需求、预测精度和计算时长等综合因素，研究了车辆短程在线工况预测方法，对不同短程工况预测方法进行比较。结果表明，不同的预测模型对建模数据量的需求差异显著；在5-100米的预测区间内，RBF神经网络预测精度最高，BP神经网络次之，Markov随机过程方法最差；在5-100米的预测区间内，Markov方法计算速度最快，ARIMA和BP神经网络较快，RBF神经网络方法最慢。最后，对本研究开发的软件和工况预

5、测算法进行了验证。采用工况分析软件，分析和比较了混合动力公交车、燃料电池公交车、传统公交车的工况特征值；基于混合动力公交车和燃料电池公交车的实测运行数据，验证了全程工况预测方法和短程工况预测方法对其的适用性。关键词：新能源公交车；工况分析；工况预测；全程离线；短程在线IAbstractAbstractDrivingcycleforecastcanhelpoptimizethecontrolandtheuseofvehiclesenergy.Basedonthecharacteristicsofurbanbuses,thispapers

6、tudiedtheroutesofbuses,spacialdistributionofvelocityandpredictionmethodsofdrivingcycle,andthenobtainedtheoff-lineforecastingmethodofthewholetripandon-lineforecastingmethodsoftheshortrangeconsideringbothpredictionaccuracyandcomputingtime.Thepredictionresultscanbeusedforw

7、hole-tripenergydistributionandreal-timeenergymanagementofnewenergybuses,andalsowereimportantreferencesfortheremainingmileageestimation.Firstly,basedonMatlabplatform,adrivingcycleanalysissoftwarewithfunctionsofdatapreprocessingandcharacteristicparameterscalculatingwasdev

8、eloped.Thepreprocessingmodulecompletedthefunctionofdealingwithdatadriftingandlosingproblemscausedbysignallossa