| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 课题的研究背景及意义 | 第16-17页 |
| 1.2 PHEV能量管理策略研究现状 | 第17-19页 |
| 1.2.1 基于规则的能量管理策略 | 第17页 |
| 1.2.2 智能型能量管理策略 | 第17-18页 |
| 1.2.3 瞬时优化能量管理策略 | 第18页 |
| 1.2.4 全局最优能量管理策略 | 第18-19页 |
| 1.3 基于工况预测的能量管理策略研究现状 | 第19-20页 |
| 1.4 课题来源及主要研究内容 | 第20-22页 |
| 第二章 插电式并联混合动力汽车仿真建模 | 第22-37页 |
| 2.1 引言 | 第22-23页 |
| 2.2 PHEV动力系统结构及参数 | 第23-24页 |
| 2.3 PHEV整车及动力系统建模 | 第24-35页 |
| 2.3.1 发动机模型 | 第24-27页 |
| 2.3.2 电机模型 | 第27-29页 |
| 2.3.3 电池模型 | 第29-31页 |
| 2.3.4 传动系模型 | 第31-32页 |
| 2.3.5 整车纵向动力学模型 | 第32-34页 |
| 2.3.6 能量管理策略建模 | 第34-35页 |
| 2.4 PHEV整车仿真 | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 基于DP算法的离线全局最优能量管理策略研究 | 第37-49页 |
| 3.1 引言 | 第37页 |
| 3.2 PHEV离线最优能量管理策略参数确定 | 第37-39页 |
| 3.2.1 状态变量与控制变量确定 | 第37-38页 |
| 3.2.3 目标函数及状态转移方程确定 | 第38-39页 |
| 3.3 PHEV离线最优能量管理策略求解 | 第39-40页 |
| 3.3.1 边界约束条件 | 第39-40页 |
| 3.3.2 状态变量与控制变量离散化 | 第40页 |
| 3.3.3 DP算法求解 | 第40页 |
| 3.4 DP算法改进 | 第40-43页 |
| 3.5 仿真结果及分析 | 第43-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 工况及驾驶模式预测策略设计 | 第49-69页 |
| 4.1 引言 | 第49页 |
| 4.2 标准工况选取 | 第49-50页 |
| 4.3 工况预测策略设计 | 第50-56页 |
| 4.3.1 工况预测特征参数初步选取 | 第50-51页 |
| 4.3.2 工况预测特征参数降维 | 第51-54页 |
| 4.3.3 基于欧几里德贴近度的工况预测方法 | 第54-55页 |
| 4.3.4 工况块识别结果 | 第55-56页 |
| 4.4 驾驶模式预测策略设计 | 第56-68页 |
| 4.4.1 驾驶模式定义 | 第56-57页 |
| 4.4.2 神经网络基本原理 | 第57-61页 |
| 4.4.3 驾驶模式预测神经网络模型建立 | 第61-65页 |
| 4.4.4 最佳驾驶模式预测特征参数采样时间确定 | 第65-66页 |
| 4.4.5 模型训练与结果分析 | 第66-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 PHEV在线能量管理策略仿真及结果分析 | 第69-86页 |
| 5.1 引言 | 第69-70页 |
| 5.2 基于神经网络和离线最优轨迹的在线能量管理策略 | 第70-78页 |
| 5.2.1 标准工况离线最优轨迹数据库获取 | 第70-72页 |
| 5.2.2 离线最优轨迹在线应用控制模型建立 | 第72-74页 |
| 5.2.3 策略仿真结果及分析 | 第74-78页 |
| 5.3 基于工况预测及离线最优轨迹的在线能量管理策略 | 第78-85页 |
| 5.3.1 在线能量管理策略模型建立 | 第78-79页 |
| 5.3.2 策略仿真结果及分析 | 第79-85页 |
| 5.4 本章小结 | 第85-86页 |
| 第六章 全文总结与展望 | 第86-88页 |
| 6.1 全文总结 | 第86-87页 |
| 6.2 本文创新点 | 第87页 |
| 6.3 研究展望 | 第87-88页 |
| 参考文献 | 第88-93页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第93-94页 |
