【混动车】基于模型预测控制MPC与动态规划DP在全混合动力自动驾驶汽车中燃油消耗最小化的比较附Matlab代码和报告

✅作者简介热爱科研的Matlab仿真开发者擅长毕业设计辅导、数学建模、数据处理、算法改进、程序设计科研仿真。完整代码获取 定制创新 论文复现私信个人信条做科研博学之、审问之、慎思之、明辨之、笃行之是为博学慎思明辨笃行。 内容介绍如今向电动汽车转型已成为全球范围内的普遍趋势。其主要目标是减少二氧化碳排放就汽车行业而言这一目标可通过减少传统汽油车的使用数量、同时增加电动车型的比例来实现。然而可供选择的技术方案众多从广义上讲不考虑具体架构可区分出轻度混合动力车、全混合动力车、插电式混合动力车和纯电动车。在广泛的混合动力车型中关键点在于驱动车辆所需的扭矩由传统内燃机和电动机分别称为ICE和EM共同提供。这种扭矩分配策略通过充分发挥两种动力源的优势实现了能耗最小化• 在高速行驶时车辆需要大量动力而内燃机凭借其高效运行特性能更好地满足需求且其使用还能延长电池寿命• 在低速行驶及频繁启停的交通场景下电动机效率极高。此外该方案避免了使用可能因不完全燃烧而导致能量损耗更大的内燃机。本报告重点研究一款全混合动力电动汽车这类车辆无法像插电式混合动力车那样直接从外部能源充电因此电池必须尽可能通过内燃机或再生制动进行充电。这意味着扭矩分配在决定车辆油耗方面起着主导作用必须将其降至最低。本研究采用2013款福特嘉年华混合动力车型的真实数据包括内燃机与电动机的效率曲线图。鉴于已有文献表明在几乎所有驾驶条件下混合动力系统相较于纯内燃机车辆能实现更低的油耗和更少的排放本研究旨在开发一种可在实时即行驶过程中应用的方法以高效确定最优扭矩分配系数。本文提出两种解决方案动态规划DP方法和基于模型预测控制MPC的方法。DP可提供离线优化方案作为基准而MPC则能实现在线因果决策。为公平比较这两种方法假设车辆具备自动驾驶能力并支持轨迹规划规划层尤其是全局规划层的存在使得预测能力得以充分发挥从而支持MPC策略的实施。两种方案均基于标准驾驶循环生成例如……。包括 WLTC以及我们自行设计的随机模型。完整的混合动力车辆模型及其所有组成部分将在第3节中详细介绍第4节将概述待解决的总体优化问题第5节阐述如何运用动态规划与模型预测控制MPC方法解决该问题特别是如何实现在线实时计算最后第6节将介绍求解器配置方案及 MATLAB 仿真结果。问题建模 并联混合动力电动汽车的数学模型其工作逻辑如图1所示借鉴自[3]和[4]的研究成果。该模型以驾驶循环提供的参考速度作为输入参数输出所需的燃油质量流量及电池荷电状态。因此整车及其各部件的建模旨在根据本研究的最终目标清晰呈现各组件间的能量流动关系。基于这一原理构建模型时图1中所示的各项量均代表所需参数——例如Pb表示供给电池的功率而非电池实际输出功率。这种建模方法被称为“反向建模”。与传统的“正向建模”相比其主要区别在于车辆速度是预先设定的与驾驶员操作无关即v等于vref即特定驾驶循环规定的参考速度。简而言之通过固定输出量和状态变量效应从而反向推导出作用力原因。两种方法得出的方程完全一致但总功率值存在差异反向建模中速度与参考速度完全匹配而正向建模中速度则受驾驶员行为模型影响。下文将简要概述各组成部分的模型及其相应假设最后将完整列出计算中使用的所有方程。有关符号说明请参见第2节。⛳️ 运行结果 参考文献[1] Shun Chen, Guodong Fan, Yansong Wang, Boru Zhou, Siyi Ye, Yisheng Liu, Bangjun Guo, Chong Zhu,and Xi Zhang. The impact of intermittent overcharging on battery capacity and reliability: Electrochemicalperformance analysis and failure prediction.[2] Lorenzo M. Fagiano. Numerical optimization for control. Lecture Notes, 9 2024.[3] L. Guzzella. Vehicle Propulsion Systems: Introduction to Modeling and Optimization. Springer, 2 edition,6 2007.[4] Sergio Savaresi. Automation and control of electrical and hybrid vehicles. Lecture Notes, 2 2024更多免费数学建模和仿真教程关注领取