多能量源混合的电动汽车能量管理策略研究及电池SOC估算.pdf

中文摘要

在“双碳”目标发展战略的引导下，电动汽车在未来具有良好的发展前景。传

统的电动汽车一般以能量密度较高的锂电池作为能量源，然而锂电池存在功率密度

低、循环寿命短等问题。燃料电池具有效率高、无污染等优点，超级电容器功率密

度高、充放电速度快且循环寿命长，不同特性能量源之间存在优势互补的可能。因

此，耦合其他能量源，是促进电动汽车发展的一个重要手段。但是，多能量源共同

作用极大地增加了功率分配的难度，设计有效的能量管理策略以实现功率的合理分

配，并且兼顾不同特性能量源的优势是研究重点。本文的主要工作内容有：

1

（）完成了三能量源混合的电动汽车建模。在理论分析的基础上建立了电动汽

车及各能量源的仿真模型，并且对各能量源进行了特性分析，对由锂电池和超级电

容组成的混合储能系统拓扑结构进行了概述，确定了本文各能量源之间的连接方式。

2

（）针对不同能量源特性存在差异的情况，设计了一种分层能量管理策略。在

上层，引入评估因子，设计了一种自适应滑动平均滤波器，通过分频解耦的方式供

给燃料电池低频分量，然后通过功率跟随控制策略，结合燃料电池高效工作区及锂

Stateofcharge,SOC

电池荷电状态（）的变化情况对燃料电池输出功率进行优化；在

-

下层，使用一种新型算法深度强化学习对锂电池和超级电容器进行能量管理，通过

分析设计了各种空间变量，在满足下层优化目标的前提下实现对功率的合理分配。

3

（）对本文设计的分层能量管理策略进行了仿真验证。在标准行驶工况下，设

计了多组对比实验，在上层验证了不同初始滑动窗口长度自适应滑动平均滤波器的

滤波效果，在下层与未优化的功率分配策略进行了仿真比较。结果表明，本文所提

策略应用于三能量源混合的电动汽车时，能够发挥不同特性能量源的优势，在上层

提高了燃料电池的工作效率，在下层充分利用超级电容器实现了“削峰填谷”，不

仅维持了锂电池和超级电容器SOC的稳定，而且大幅降低了锂电池的能量损失。

4SOCCNN-LSTM

（）考虑到应用于能量管理策略的重要性，设计了一种改进

神经网络估算电池SOC。通过改进的注意力机制对输入数据的维度和时序特征进行

权重分配。结果表明，所提方法估算SOC精度较高，误差值整体在传统CNN-LSTM

之下，SOC估算跟随性能较好，验证了本文所提神经网络估算电池SOC的有效性。

关键词：电动汽车；能量管理策略；功率跟随；深度强化学习；SOC估算

I

目录

中文摘要I

ABSTRACTII

1绪论1

1.1研究背景与意义1

1.2国内外研究现状3

1.2.1深度强化学习国内外研究现状3

1.2.2能量管理策略国内外研究现状4

1.3本文主要研究内容6

2电动汽车及多能量源混合系统建模9

2.1电动汽车动力学模型9

2.2燃料电池特性分析及建模10

2.2.1燃料电池极化特性分析10

2.2.2燃料电池等效电路模型11

2.3混合储能系统建模13

2.3.1混合储能系统拓扑结构概述13

2.3.2动力电池建模15

2.3.3超级电容器建模17

2.3.4DC/DC变换器建模20

2.4本章小结22

3分层能量管理策略的设计23

3.1深度强化学习基本原理23

3.1.1马尔可夫决策过程23

3.1.2DQN算法原理24