基于BP神经网络的PHEV油耗与排放研究.pdfVIP

基于BP神经网络的PHEV油耗与排放研究

摘要：文章以P1+P3结构PHEV为研究对象，设计了基于BP神经网络算法的

动力匹配控制来提高PHEV的输出功率、降低排放及优化燃油经济性。结果表明：

在山路、城市、高速和郊区四种路况下进行实车测试，嵌入算法后P1+P3结构

PHEV的公里油耗平均降低了0.61L,CO、C02、HC、NOX排放分别降低了

0.28g/km0.198g/km0.813g/km0.021g/km,排放和燃油经济性均得到改善。

关键词：PHEVP1+P3结构BP神经网络排放油耗

PHEV在续航里程、维护成本上优于纯电动汽车，在燃油经济性上优于燃油汽

车，有利于实现双碳目标［1］。本文以发动机转速、节气门开度、车速、当前输出

功率和转矩、挡位以及坡度为BP神经网络的输入层，用于工况识别，以输出功率、

输出车速、节气门开度和转矩为输出层，来实现PHEV动力参数的合理匹配，提高

综合性能。BP神经网络算法应用在PHEV的变速箱优劣性判别［2-3］、发动机转矩

估算［4］、道路坡度预测、尾气排放、充电故障、电池荷电状态(Statefcharge,

SOC)估算［5-8］等方面。动力匹配是提高汽车传动效率和响应速度的关键，好的动

力匹配能改善综合性能和燃油经济性。

2P1+P3结构PHEV的动力系统设计

P1+P3结构PHEV中电机、离合器2与E-CVT结合构建后驱系统，W-DCT与离合

器1、发动机构建前驱系统。当车辆在上坡或者高速行驶时采用前驱系统；当车辆

的速度小于60km/h时，采用后驱模式；当车辆在下坡时启动能量回收模式；当车

辆在上陡坡时，前驱和后驱系统同时工作。

3基于BP神经网络的PHEV控制模型构建及性能分析

3.1研究对象描述

本文以中德汽车基地改款后的大众迈腾GTE2022款为研究对象，P1+P3结构

PHEV的前驱动力系统采用燃油发动机、后驱采用电动机，电机的动力源自电池系

统，电机的输出功率控制取决于电池管理系统和工作模块的控制。根据道路环境分

为城市道路、郊区道路、山路、高速公路四种类型。

3.2基于BP神经网络的PHEV动力匹配方案

本文选择发动机转速、节气门开度、车速、当前输出功率、当前转矩、档位信

息、道路信息这些特征参数用于BP神经网络的输入层，实时功率、车速、转矩、

节气门开度为隐含层，输出功率、输出车速、节气门开度以及转矩为输出层。

3.3模型构建及参数确定

P1+P3结构PHEV的模型设计包括前驱、后驱、电池系统和传动系统四个方面

的模型设计。

3.3.1前驱动力模型和发动机参数

PHEV的前驱动力主要由发动机提供，发动机的输出功率取决于位于车辆前面

的发动机的目标转矩、目标输出功率、燃油效率，直接体现为发动机输出的扭矩和

扭矩加速度、转速加速度。对发动机的输出扭矩和燃油消耗进行数学模拟与实验验

证，预测发动机的瞬时形态，发动机的转矩和油耗预测如公式1和公式2所示。

其中，为时刻发动机的输出扭矩，单位为N.m,和分别是最小和最大输出扭矩,

是节气门的开度阈值，取值区间，和是转速函数，可以通过查表获得，其中是发动

机的转速，可以通过转速表的值获取，其燃油消耗满足式3-2。

其中，耗油质量，单位g,为查表函数，依据发动机的转矩和转速来确定发动

机的实时燃油消耗。

3.3.2后驱动力和电控系统

PHEV的后驱动力主要由电池驱动电机完成机械能和电能的转化。电机建模以

电压、转矩和功率的平衡方程及运行特性方程为数据基础，电机模型的计算主要包

括温度、转矩及输出特性。

式中为电机的转矩控制指令，为最大转矩，是温度变量，其中为电机温度修正

系数，为温度常数，当电机转速中的最大扭矩。电机最大、最小电流分别为、，单

位为A,电机温度函数、功率和电流。

式中，和分别是扭矩和转速，为实时电压。

3.3.3电池参数

电池模型包括电压计算模块、SOC计算模块和温度计算模块，模型的输入和输

出分别为负载电流和电池SOC值、电压U、功率、电池温度，预测如公式8所示的

电池输出功率。

其中，为充电热速率系数，取值范围为1.02~1.39,为电池内阻，单位为

Q,：充电，：放电，电池充电过程中既然产生热量那就会存在散热情况，电池的

空气散热量如3-10所示，为电池的