| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1.绪论 | 第6-11页 |
| 1.1 论文选题背景和意义 | 第6页 |
| 1.2 国内外研究现状及发展动态 | 第6-7页 |
| 1.3 车速预测的意义及分类 | 第7-9页 |
| 1.3.1 基于实时道路信息的车速预测 | 第8-9页 |
| 1.3.2 基于历史信息的车速预测 | 第9页 |
| 1.4 本文研究的主要思路 | 第9-11页 |
| 2.燃料电池汽车动力系统参数匹配 | 第11-27页 |
| 2.1 燃料电池种类选择 | 第11-13页 |
| 2.1.1 燃料电池工作原理 | 第11-12页 |
| 2.1.2 燃料电池的分类 | 第12-13页 |
| 2.2 燃料电池动力系统构型 | 第13-16页 |
| 2.2.1 纯燃料电池动力驱动 | 第13-14页 |
| 2.2.2 燃料电池+蓄电池系统结构 | 第14-15页 |
| 2.2.3 燃料电池+超级电容系统结构 | 第15-16页 |
| 2.2.4 燃料电池+蓄电池+超级电容系统结构 | 第16页 |
| 2.3 燃料电池电动汽车混合动力系统参数设计 | 第16-21页 |
| 2.3.1 燃料电池电动汽车混合动力系统设计要求 | 第17-18页 |
| 2.3.2 燃料电池电动汽车混合动力系统设计方法 | 第18-21页 |
| 2.4 基于遗传算法的参数匹配方法 | 第21-26页 |
| 2.4.1 遗传算法的基本原理和特点 | 第21-23页 |
| 2.4.2 燃料电池电动汽车动力系统参数优化 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3.燃料电池电动汽车主要部件的仿真模型 | 第27-36页 |
| 3.1 车辆部件及动力学模型 | 第27-28页 |
| 3.2 电机及其控制器模型 | 第28-30页 |
| 3.3 燃料电池模型 | 第30-34页 |
| 3.4 动力电池模型 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4.基于LSTM神经网络的车速预测模型 | 第36-45页 |
| 4.1 LSTM神经网络介绍 | 第36-39页 |
| 4.1.1 神经网络发展及特点 | 第36-37页 |
| 4.1.2 RNN-LSTM神经网络结构 | 第37-39页 |
| 4.2 LSTM神经网络结构设计 | 第39-42页 |
| 4.2.1 训练数据的分类及其归一化 | 第39页 |
| 4.2.2 神经网络各层结构设计 | 第39-40页 |
| 4.2.3 激活函数与训练算法选择 | 第40-42页 |
| 4.3 网络训练结果分析 | 第42-43页 |
| 4.4 本章小结 | 第43-45页 |
| 5.燃料电池汽车能量管理策略 | 第45-58页 |
| 5.1 混合动力系统常用控制策略 | 第45-47页 |
| 5.1.1 开关模式控制策略 | 第45-46页 |
| 5.1.2 功率跟随控制策略 | 第46-47页 |
| 5.1.3 自适应能量管理策略 | 第47页 |
| 5.2 全局优化能量管理策略 | 第47-49页 |
| 5.2.1 动态规划算法基本理论 | 第47-48页 |
| 5.2.2 基于全局优化能量管理策略建立 | 第48页 |
| 5.2.3 仿真分析 | 第48-49页 |
| 5.3 基于模型预测的能量管理策略 | 第49-52页 |
| 5.3.1 模型预测控制的基本原理 | 第49-51页 |
| 5.3.2 基于车速预测模型的FCV能量管理策略优化模型建立 | 第51-52页 |
| 5.4 模型预测控制的优化求解 | 第52-54页 |
| 5.4.1 预测时域内SOC约束值确定 | 第52-53页 |
| 5.4.2 利用动态规划算法与预测时域内的控制序列求解 | 第53-54页 |
| 5.5 仿真分析 | 第54-57页 |
| 5.6 本章小结 | 第57-58页 |
| 6.全文总结与展望 | 第58-60页 |
| 6.1 全文总结 | 第58页 |
| 6.2 前景展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-65页 |