混合动力汽车的神经网络能量管理策略研究

"混合动力汽车控制系统与能量管理策略研究" 这篇博士学位论文主要探讨了混合动力汽车的控制系统和能量管理策略，作者李卫民在控制科学与工程领域，由导师徐扬生指导，于2008年完成。研究背景是面对能源危机和环境污染，混合动力汽车因其节能和环保特性被视为传统汽车的潜在替代品。论文的重点在于并联混合电动汽车的能量管理和控制。 首先，论文建立了一个新型并联混合动力汽车的前向式仿真软件平台，为后续研究提供了基础工具。接着，设计了一款基于DSP芯片TM320F2812的整车控制器，该控制器能够实现HEV（混合动力电动汽车）的多工作模式能量管理。 在能量管理策略方面，作者提出了三种不同的方法：基于动态规划、基于随机动态规划以及基于神经元动态规划的策略。这些策略的目的是优化HEV的能量使用，以达到最佳的燃油效率和减少排放。动态规划策略通常用于解决多阶段决策问题，而神经元动态规划则涉及到了RBF（径向基函数）神经网络的应用。 RBF神经网络是一种特殊的前馈神经网络，其结构包括输入层、隐藏层（使用径向基函数作为激活函数）和输出层。在RBF网络中，学习的关键是确定基函数的中心、方差和权值。论文详细介绍了自组织选取中心法，这种方法包括自组织学习阶段（确定基函数中心和方差）和有监督学习阶段（学习输出层权值）。自组织学习通常采用聚类算法，如K-均值聚类，以找到数据的最佳分组。 在K-均值聚类算法中，初始中心是随机选取的训练样本，然后通过迭代过程不断调整中心位置，使得每个样本尽可能接近其所属簇的中心。这一过程有助于优化RBF网络的隐藏层，从而提高能量管理策略的性能。 论文中还提到了基于Stateflow的多工作模式切换控制策略设计，这是一种图形化编程工具，用于描述和执行复杂的控制逻辑。通过仿真，可以验证不同工作模式之间的切换条件，并将生成的C代码下载到整车控制器中运行。 最后，论文强调了整车控制器在混合动力汽车中的核心地位，它是确保车辆安全、高效运行的关键。实际测试表明，所设计的控制器能有效实现预设的工作模式切换，且驾驶性能优良。 这篇论文深入研究了混合动力汽车的能量管理，提出并比较了多种策略，同时展示了实际硬件设计和控制策略的实施，对于推动混合动力汽车技术的发展具有重要意义。