| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-15页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 插电式混合动力汽车发展现状 | 第8-10页 |
| 1.2.1 国外发展现状 | 第8-9页 |
| 1.2.2 国内发展现状 | 第9-10页 |
| 1.3 插电式混合动力汽车分类分析 | 第10-12页 |
| 1.4 插电式混合动力汽车能量管理策略研究现状 | 第12-14页 |
| 1.5 本文研究主要内容 | 第14-15页 |
| 2 插电式混合动力公交车动力系统数学建模 | 第15-21页 |
| 2.1 PHEV动力传动系统结构及性能参数 | 第15-16页 |
| 2.2 车辆纵向动力学模型建模 | 第16-17页 |
| 2.2.1 车辆行驶模型 | 第16页 |
| 2.2.2 车轮数学模型 | 第16-17页 |
| 2.2.3 变速箱数学模型 | 第17页 |
| 2.2.4 转矩耦合器数学模型 | 第17页 |
| 2.3 主要动力部件模型 | 第17-20页 |
| 2.3.1 发动机数学模型 | 第17-18页 |
| 2.3.2 电动机数学模型 | 第18-19页 |
| 2.3.3 蓄电池数学模型 | 第19-20页 |
| 2.4 本章小节 | 第20-21页 |
| 3 基于PHEV全局优化能量管理策略的SOC参考轨迹研究 | 第21-33页 |
| 3.1 动态规划在PHEV控制策略的应用 | 第21-22页 |
| 3.2 基于动态规划的PHEV全局优化控制策略实现 | 第22-27页 |
| 3.2.1 状态SOC离散化 | 第24-25页 |
| 3.2.2 PHEV动态规划方程建立 | 第25-27页 |
| 3.3 全局优化仿真结果与分析 | 第27-29页 |
| 3.4 SOC参考轨迹制定 | 第29-32页 |
| 3.5 本章小节 | 第32-33页 |
| 4 基于驾驶意图识别的非线性自回归神经网络短期工况预测 | 第33-47页 |
| 4.1 模糊推理识别驾驶意图 | 第34-40页 |
| 4.1.1 驾驶意图分类及识别参数确定 | 第34页 |
| 4.1.2 模糊推理系统 | 第34-35页 |
| 4.1.3 加速意图识别 | 第35-36页 |
| 4.1.4 常规制动意图识别 | 第36-38页 |
| 4.1.5 驾驶意图识别仿真分析 | 第38-40页 |
| 4.2 NAR神经网络车速预测 | 第40-43页 |
| 4.2.1 NAR神经网络 | 第40-42页 |
| 4.2.2 NAR神经网络结构参数设计 | 第42-43页 |
| 4.3 网络训练及预测结果仿真分析 | 第43-46页 |
| 4.3.1 网络训练结果分析 | 第43-44页 |
| 4.3.2 网络预测效果分析 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 基于短期工况预测的MLD模型预测控制能量管理策略研究 | 第47-67页 |
| 5.1 MLD模型 | 第47-48页 |
| 5.2 发动机燃油消耗率及SOC变化率多段线性化 | 第48-51页 |
| 5.2.1 发动机燃油消耗率多段线性化 | 第48-49页 |
| 5.2.2 SOC变化率多段线性化 | 第49-51页 |
| 5.3 插电式混合动力公交车的MLD模型 | 第51-56页 |
| 5.3.1 MLD框架下的状态方程及输出方程 | 第51-54页 |
| 5.3.2 MLD框架下的混合整数线性不等式 | 第54-56页 |
| 5.4 基于MLD模型的PHEV模型预测控制策略 | 第56-58页 |
| 5.5 仿真分析 | 第58-66页 |
| 5.5.1 预测时域长度影响分析 | 第58-60页 |
| 5.5.2 不同SOC参考轨迹燃油经济性对比分析 | 第60-63页 |
| 5.5.3 基于回归分析SOC参考轨迹的MLD-MPC仿真分析 | 第63-66页 |
| 5.6 本章小节 | 第66-67页 |
| 结论 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表学术论文情况 | 第72-73页 |
| 致谢 | 第73-75页 |
