纯电动汽车车载电源性能在环测试平台研究

为研究纯电动汽车车载电源性能，提出并搭建了由异步电动机和直流电动机组成的在环测试平台.异步电动机用来模拟纯电动汽车的牵引电动机，直流电动机用来模拟汽车行驶时的阻力和惯量，对异步电动机和直流电动机分别实施转速控制和转矩控制.分析了电动汽车行驶工况，给出了简单循环工况下参考转速、转距和功率.设计了异步电动机调速系统转速控制器和电流控制器，建立了异步电动机调速系统的数学模型，提出了基于自适应模糊神经网络控制的异步电动机调速系统.仿真和实验结果表明，基于自适应模糊神经网络控制的调速系统明显优于PID控制的交流调速系统，在环测试平台能够较好跟踪参考转速和参考转距的变化.

团购合买资源类别：文库，文档格式：PDF，文档页数：9，文件大小：799.81KB

第36卷第10期北京科技大学学报 Vol.36 No.10 2014年10月 Journal of University of Science and Technology Beijing 0ct.2014 纯电动汽车车载电源性能在环测试平台研究李勇”，Mehrdad Kazerani2,马飞) 1)北京科技大学机械工程学院，北京1000832)滑铁卢大学电气与计算机系，滑铁卢N2L3G1 ☒通信作者，E-mail:yeke@ustb.edu.cm 摘要为研究纯电动汽车车载电源性能，提出并搭建了由异步电动机和直流电动机组成的在环测试平台.异步电动机用来模拟纯电动汽车的牵引电动机，直流电动机用来模拟汽车行驶时的阻力和惯量，对异步电动机和直流电动机分别实施转速控制和转矩控制.分析了电动汽车行驶工况，给出了简单循环工况下参考转速、转距和功率.设计了异步电动机调速系统转速控制器和电流控制器，建立了异步电动机调速系统的数学模型，提出了基于自适应模糊神经网络控制的异步电动机调速系统。仿真和实验结果表明，基于自适应模糊神经网络控制的调速系统明显优于PD控制的交流调速系统，在环测试平台能够较好跟踪参考转速和参考转距的变化. 关键词电动汽车：复合电源：在环测试：自适应：模糊控制：神经网络分类号U469.72 Hardware-in-the-oop test bench research of hybrid energy storage systems in electric vehicles LI Yong,Mehrdad KAZERANP,MA Fei 1)School of Mechanical Engineering,University of Science and Technology Beijing.Beijing 100083,China 2)Department of Electrical and Computer Engineering,University of Waterloo,Waterloo N2L 3G1,Canada Corresponding author,E-mail:yeke@ustb.edu.cn ABSTRACT Hybrid energy storage systems (HESS)play an important role in electric vehicles.This paper mainly focuses on a hardware-in-the-oop (HIL)test bench for testing the performance of HESS.The scenario of an induction motor and a DC motor was proposed.The induction motor was used as a traction motor while the DC motor worked as the load and moment of inertia of the vehi- cle.Speed control was implemented on the induction motor while torque control was applied to the DC motor.The speed,torque and power of the traction motor were obtained from a simple drive cycle based on real parameters.The motor speed was given as a reference of the induction motor while the load torque was used as a reference of the DC motor.The speed control system of the induction motor and the torque control of the DC motor were analyzed and designed.Meanwhile,the speed control system of the induction motor was modeled.Adaptive fuzzy neural-network control was proposed to achieve high accuracy due to the low accuracy of PID control.Simula- tion and experimental results agreed with the proposal.The test bench follows the reference speed and reference torque well. KEY WORDS electric vehicles;hybrid energy storage systems;hardware-in-theoop tests;adaptive:fuzzy control:neural networks 随着电动汽车技术的发展，车载电源的性能逐电源作为电动汽车能量存储装置，一方面为电动汽渐成为决定整车性能的关键因素.电池作为电动汽车提供驱动能量，同时为车辆辅助系统提供电能，其车的动力源泉，始终制约着电动汽车的发展，电动汽应具备优良的充放电特性、稳定的使用性能以及较车的未来关键在于能否研发出高能量密度、高功率长的使用寿命.锂离子电池和超级电容均可作为电密度和使用寿命长的高效电池·-刀.电动汽车车载源使用，但任何一种单一的能量源都不能满足电动收稿日期：2013-12-24 基金项目：国家高技术研究发展计划资助项目(2011AA060403):北京市科技计划资助项目(Z121100003012016) DOI:10.13374/j.issn1001-053x.2014.10.014:http://journals.ustb.edu.cn

第 36 卷第 10 期 2014 年 10 月北京科技大学学报 Journal of University of Science and Technology Beijing Vol． 36 No． 10 Oct． 2014 纯电动汽车车载电源性能在环测试平台研究李勇1) ，Mehrdad Kazerani2) ，马飞1)  1) 北京科技大学机械工程学院，北京 100083 2) 滑铁卢大学电气与计算机系，滑铁卢 N2L 3G1  通信作者，E-mail: yeke@ ustb． edu． cn 摘要为研究纯电动汽车车载电源性能，提出并搭建了由异步电动机和直流电动机组成的在环测试平台．异步电动机用来模拟纯电动汽车的牵引电动机，直流电动机用来模拟汽车行驶时的阻力和惯量，对异步电动机和直流电动机分别实施转速控制和转矩控制．分析了电动汽车行驶工况，给出了简单循环工况下参考转速、转距和功率．设计了异步电动机调速系统转速控制器和电流控制器，建立了异步电动机调速系统的数学模型，提出了基于自适应模糊神经网络控制的异步电动机调速系统．仿真和实验结果表明，基于自适应模糊神经网络控制的调速系统明显优于 PID 控制的交流调速系统，在环测试平台能够较好跟踪参考转速和参考转距的变化．关键词电动汽车; 复合电源; 在环测试; 自适应; 模糊控制; 神经网络分类号 U 469. 72 Hardware-in-the-loop test bench research of hybrid energy storage systems in electric vehicles LI Yong1) ，Mehrdad KAZEＲANI2) ，MA Fei1)  1) School of Mechanical Engineering，University of Science and Technology Beijing，Beijing 100083，China 2) Department of Electrical and Computer Engineering，University of Waterloo，Waterloo N2L 3G1，Canada  Corresponding author，E-mail: yeke@ ustb． edu． cn ABSTＲACT Hybrid energy storage systems ( HESS) play an important role in electric vehicles． This paper mainly focuses on a hardware-in-the-loop ( HIL) test bench for testing the performance of HESS． The scenario of an induction motor and a DC motor was proposed． The induction motor was used as a traction motor while the DC motor worked as the load and moment of inertia of the vehicle． Speed control was implemented on the induction motor while torque control was applied to the DC motor． The speed，torque and power of the traction motor were obtained from a simple drive cycle based on real parameters． The motor speed was given as a reference of the induction motor while the load torque was used as a reference of the DC motor． The speed control system of the induction motor and the torque control of the DC motor were analyzed and designed． Meanwhile，the speed control system of the induction motor was modeled． Adaptive fuzzy neural-network control was proposed to achieve high accuracy due to the low accuracy of PID control． Simulation and experimental results agreed with the proposal． The test bench follows the reference speed and reference torque well． KEY WOＲDS electric vehicles; hybrid energy storage systems; hardware-in-the-loop tests; adaptive; fuzzy control; neural networks 收稿日期: 2013--12--24 基金项目: 国家高技术研究发展计划资助项目( 2011AA060403) ; 北京市科技计划资助项目( Z121100003012016) DOI: 10． 13374 /j． issn1001--053x． 2014． 10． 014; http: / /journals． ustb． edu． cn 随着电动汽车技术的发展，车载电源的性能逐渐成为决定整车性能的关键因素．电池作为电动汽车的动力源泉，始终制约着电动汽车的发展，电动汽车的未来关键在于能否研发出高能量密度、高功率密度和使用寿命长的高效电池［1 － 2］．电动汽车车载电源作为电动汽车能量存储装置，一方面为电动汽车提供驱动能量，同时为车辆辅助系统提供电能，其应具备优良的充放电特性、稳定的使用性能以及较长的使用寿命．锂离子电池和超级电容均可作为电源使用，但任何一种单一的能量源都不能满足电动

·1370 北京科技大学学报第36卷汽车对车载电源的需求.针对单一电源供电存在的动汽车车载电源的性能研究尤为重要不足，将锂电池和超级电容器有机结合，组成复合电 1 源加以解决.因为复合电源能够充分发挥高能量密车载电源性能在环测试平台度和高功率密度的特点，故复合电源的模式越来越为了使搭建的在环测试平台更贴近实际车辆，得到人们的认可B- 选择一辆由异步电动机驱动的ZENN纯电动汽车作国外对电动汽车车载复合电源性能的研究起步为试验用车，以该车的各项参数为基础构建测试比较早，并且积累了丰富的经验.Wong和Idis搭平台. 建了电源试验台，其中直流电动机作为驱动电动机搭建的在环测试平台结构如图1所示.该平台使用，发电机作为负载电动机使用，该测试平台实现由电源模块、驱动电动机模块及负载和整车惯量模了对复合电源性能测试的目的因：国内高校、科研块三部分组成.驱动电动机模块中，异步电动机用院所及汽车企业对电动汽车车载电源性能测试的研来模拟ZENN电动汽车的牵引电动机：负载和惯量究起步较晚，技术尚未成熟.北京理工大学的何洪模块中，直流电动机用来模拟ZENN电动汽车在正文等开发了基于CAN总线的复合电源在环测试试常行驶过程中的阻力和整车惯量.而对于电源模验台，该试验台以电子负载作为负载.但是，该测试块，在本文研究中用铅酸蓄电池替代了复合电源，因平台中的能量流动是单向的，不能实现反馈制为本文研究的重点是在环测试平台的合理配置和电动因.车载电源性能测试平台是研究电动汽车车载动机的控制策略.通过观察蓄电池直流总线上的电电源性能的必要条件.车载电源性能测试平台质量压、电流和功率变化，来优化测试平台的构成以及验和性能的好坏直接影响到车载电源的后续研究.因证控制策略的可行性，进而为下一步复合电源的组此，搭建一个综合性能优良的在环测试平台对纯电成、功率分配以及工作模式的研究奠定基础可转速传感器转矩传感器 AC/DC 异步电机直流电机负载双向变换器控制器控制器电池异步电机联轴器直流电机电源模块 2 驱动电机模块负载和整车惯量模块图1交流电动机一直流电动机测试平台结构图 Fig.1 Scenario of the test bench with an AC motor and a DC motor 2 ZENN电动汽车行驶工况速度，ms1:t为车辆行驶时间，s. ZENN汽车牵引电动机输出轴与变速箱连接，为了模拟ZENN电动汽车在道路上的行驶状变速箱输出轴与驱动桥相连接，故况，必须获得ZENN汽车在道路上运动时所受到的 T.=FD 2, (2) 驱动力、各种阻力、行驶时的功率消耗等圆.由汽车 T=T./B:, (3) 行驶方程可知： w,=2rn/60, (4) F=F+F +F +F=mgfcos 6+ P=@T. (5) 1 dv pA Co()+mgsin+m (1) 式中，T为车轮转矩，N·m;D为车轮直径，m;T为牵引电动机输出轴转矩，N·mB,为变速箱传动比；式中：F,为电动汽车行驶时的驱动力：F,为电动汽 w,为牵引电动机角速度，ad·s;n为牵引电动机车行驶时的滚动阻力；F为电动汽车行驶时的空气转速，rmin-1;P为牵引电动机功率，kW 阻力；F为电动汽车行驶时的坡度阻力；F,为电动由式(1)~(5)可得功率平衡方程：汽车行驶时的加速阻力：m为电动汽车质量，kgg 为重力加速度，kg·m2:f为滚动阻力系数：δ为坡度 P=2an[ 60 gms8+2p4G,(e+,)户+ 角，()；p为空气密度，kgm3;A为迎风面积，m2: dv l D Cn为空气阻力系数；v,为风速，ms-1;v为车辆行驶 mgsinδ+md]2邛 (6)

北京科技大学学报第 36 卷汽车对车载电源的需求．针对单一电源供电存在的不足，将锂电池和超级电容器有机结合，组成复合电源加以解决．因为复合电源能够充分发挥高能量密度和高功率密度的特点，故复合电源的模式越来越得到人们的认可［3 － 4］．国外对电动汽车车载复合电源性能的研究起步比较早，并且积累了丰富的经验． Wong 和 Idris 搭建了电源试验台，其中直流电动机作为驱动电动机使用，发电机作为负载电动机使用，该测试平台实现了对复合电源性能测试的目的［5］; 国内高校、科研院所及汽车企业对电动汽车车载电源性能测试的研究起步较晚，技术尚未成熟．北京理工大学的何洪文等开发了基于 CAN 总线的复合电源在环测试试验台，该试验台以电子负载作为负载．但是，该测试平台中的能量流动是单向的，不能实现反馈制动［6］．车载电源性能测试平台是研究电动汽车车载电源性能的必要条件．车载电源性能测试平台质量和性能的好坏直接影响到车载电源的后续研究．因此，搭建一个综合性能优良的在环测试平台对纯电动汽车车载电源的性能研究尤为重要． 1 车载电源性能在环测试平台为了使搭建的在环测试平台更贴近实际车辆，选择一辆由异步电动机驱动的 ZENN 纯电动汽车作为试验用车，以该车的各项参数为基础构建测试平台．搭建的在环测试平台结构如图 1 所示．该平台由电源模块、驱动电动机模块及负载和整车惯量模块三部分组成．驱动电动机模块中，异步电动机用来模拟 ZENN 电动汽车的牵引电动机; 负载和惯量模块中，直流电动机用来模拟 ZENN 电动汽车在正常行驶过程中的阻力和整车惯量．而对于电源模块，在本文研究中用铅酸蓄电池替代了复合电源，因为本文研究的重点是在环测试平台的合理配置和电动机的控制策略．通过观察蓄电池直流总线上的电压、电流和功率变化，来优化测试平台的构成以及验证控制策略的可行性，进而为下一步复合电源的组成、功率分配以及工作模式的研究奠定基础［7］．图 1 交流电动机--直流电动机测试平台结构图 Fig． 1 Scenario of the test bench with an AC motor and a DC motor 2 ZENN 电动汽车行驶工况为了模拟 ZENN 电动汽车在道路上的行驶状况，必须获得 ZENN 汽车在道路上运动时所受到的驱动力、各种阻力、行驶时的功率消耗等［8］．由汽车行驶方程可知: Ft = Ff + Fw + Fi + Fj = mgfcos δ + 1 2 ρAfCD( v + vw ) 2 + mgsin δ + m dv dt ． ( 1) 式中: Ft 为电动汽车行驶时的驱动力; Ff 为电动汽车行驶时的滚动阻力; Fw 为电动汽车行驶时的空气阻力; Fi 为电动汽车行驶时的坡度阻力; Fj 为电动汽车行驶时的加速阻力; m 为电动汽车质量，kg; g 为重力加速度，kg·m － 2 ; f 为滚动阻力系数; δ 为坡度角，( °) ; ρ 为空气密度，kg·m － 3 ; Af 为迎风面积，m2 ; CD为空气阻力系数; vw 为风速，m·s － 1 ; v 为车辆行驶速度，m·s － 1 ; t 为车辆行驶时间，s． ZENN 汽车牵引电动机输出轴与变速箱连接，变速箱输出轴与驱动桥相连接，故 Tw = FtD /2， ( 2) T = Tw /βi， ( 3) ωt = 2πn /60， ( 4) P = ωT． ( 5) 式中，Tw 为车轮转矩，N·m; D 为车轮直径，m; T 为牵引电动机输出轴转矩，N·m; βi 为变速箱传动比; ωt 为牵引电动机角速度，rad·s － 1 ; n 为牵引电动机转速，r·min － 1 ; P 为牵引电动机功率，kW．由式( 1) ～ ( 5) 可得功率平衡方程: P = 2πn [ 60 mgfcos δ + 1 2 ρAfCD ( v + vw ) 2 + mgsin δ + m dv d ] t D 2βi ． ( 6) · 0731 ·

第10期李勇等：纯电动汽车车载电源性能在环测试平台研究 ·1371· ZENN电动汽车的各项参数如表1所示.将表其实施转矩控制.直流电动机转矩控制器的数学 1数据代入式(2)~(6)，可获得简单循环工况过程模型：中ZENN汽车的转速、转矩及电动机功率曲线，如图 dωdc T。=Tk-Jdt (7) 2所示.在本文的仿真和实验中，将图2中的电动机转速作为异步电动机的参考转速，将电动机转矩作 Tc=λl (8) 为直流电动机的参考转矩式中，T,为直流电动机输出轴转矩，N·m;T为直流表1ZENN汽车各项参数电动机电磁转矩，N·m;J为直流电动机转动惯量， Table 1 Parameters of ZENN car J。=0.2kg“m2;wa为直流电动机角速度，rad·s, 术语含义数值其数值与牵引电动机角速度ω相等；t为时间，s;A中 m 质量 544.8kg 为直流电动机常数，其中入为量纲一的常数，中为每 g 重力加速度 9.8kg*m2 极磁通量，二者乘积入中=0.3；I为直流电动机电枢 f 滚动阻力系数 0.012 电流，A 空气密度 1.202kgm-3 由式(7)和式(8)可计算出与负载转矩对应的 A 迎风面积 1.8204m2 电枢电流，对直流电动机转矩的控制其实就是对其 CD 空气阻力系数 0.26 电枢电流的控制.在仿真过程中，将负载转矩作为路面坡度 0°→10°0°5°0°→-50°+-50 直流电动机的参考转矩，直流电动机转矩控制器采风速 Ims-1 用比例一积分一微分(PD)控制策略.对直流电动机车轮直径 0.522m 进行转矩控制的仿真结果如图3所示.由图3看衫mg 最大车速 40km-h-1 出，直流电动机输出轴上的转矩较好地跟踪了参考 B 变速箱传动比 11 转矩，误差很小，故本文不再对直流电动机转矩控制策略做深入研究 1500 20 1000 10 参考转矩反馈转矩 -10 0 50 100 150 200 250 00 10 200 250 时间/s 时间s 图3直流电动机转矩控制仿真结果 Fig.3 Simulation results of the DC motor with torque control 20 4异步电动机转速矢量控制系统 4.1异步电动机数学模型 50 100 150 200 250 时间/s 本文测试平台中，将异步电动机用作牵引电动机.因三相异步电动机是一个高阶、非线性、强耦合的多变量系统回，所以对异步电动机采用转子磁链定向矢量控制.电压源型转差频率矢量控制系统框图如图4所示. 50 100 150 200 250 在图4中，w为异步电动机参考转速，rads1: 时间s o为异步电动机反馈转速，ads;,为定子电流i, 图2ZENN驱动电动机转速、转矩及功率曲线在旋转坐标系q轴上的分量，A;为定子电流i,在 Fig.2 Demand motor speed,torque and power of the ZENN car 旋转坐标系d轴上的分量，A;u,为定子电压u,在q 3 直流电动机转矩控制系统轴上的分量，V;u为定子电压u,在d轴上的分量， V:0为磁场定向角，()：Q.=L/R;L为转子绕组本文将直流电动机作为负载电动机使用，用来的等效自感，L;R,为转子绕组的电阻，2：ASR为转实现对电动汽车行驶时的阻力和惯量的模拟，故对速控制器：ACR为电流控制器

第 10 期李勇等: 纯电动汽车车载电源性能在环测试平台研究 ZENN 电动汽车的各项参数如表 1 所示．将表 1 数据代入式( 2) ～ ( 6) ，可获得简单循环工况过程中 ZENN 汽车的转速、转矩及电动机功率曲线，如图 2 所示．在本文的仿真和实验中，将图 2 中的电动机转速作为异步电动机的参考转速，将电动机转矩作为直流电动机的参考转矩．表 1 ZENN 汽车各项参数 Table 1 Parameters of ZENN car 术语含义数值 m 质量 544. 8 kg g 重力加速度 9. 8 kg·m － 2 f 滚动阻力系数 0. 012 ρ 空气密度 1. 202 kg·m － 3 Af 迎风面积 1. 8204 m2 CD 空气阻力系数 0. 26 δ 路面坡度 0°→10°→0°→5°→0°→ － 5°→0°→ － 5°→0° vw 风速 1 m·s － 1 D 车轮直径 0. 522 m vmax 最大车速 40 km·h － 1 βi 变速箱传动比 11 图 2 ZENN 驱动电动机转速、转矩及功率曲线 Fig． 2 Demand motor speed，torque and power of the ZENN car 3 直流电动机转矩控制系统本文将直流电动机作为负载电动机使用，用来实现对电动汽车行驶时的阻力和惯量的模拟，故对其实施转矩控制．直流电动机转矩控制器的数学模型: To = Tdc － Jdc dωdc dt ， ( 7) Tdc = λIa ． ( 8) 式中，To为直流电动机输出轴转矩，N·m; Tdc为直流电动机电磁转矩，N·m; Jdc为直流电动机转动惯量， Jdc = 0. 2 kg·m2 ; ωdc为直流电动机角速度，rad·s － 1，其数值与牵引电动机角速度 ω 相等; t 为时间，s; λ 为直流电动机常数，其中 λ 为量纲一的常数， 为每极磁通量，二者乘积 λ = 0. 3; Ia为直流电动机电枢电流，A．由式( 7) 和式( 8) 可计算出与负载转矩对应的电枢电流，对直流电动机转矩的控制其实就是对其电枢电流的控制．在仿真过程中，将负载转矩作为直流电动机的参考转矩，直流电动机转矩控制器采用比例--积分--微分( PID) 控制策略．对直流电动机进行转矩控制的仿真结果如图 3 所示．由图 3 看出，直流电动机输出轴上的转矩较好地跟踪了参考转矩，误差很小，故本文不再对直流电动机转矩控制策略做深入研究．图 3 直流电动机转矩控制仿真结果 Fig． 3 Simulation results of the DC motor with torque control 4 异步电动机转速矢量控制系统 4. 1 异步电动机数学模型本文测试平台中，将异步电动机用作牵引电动机．因三相异步电动机是一个高阶、非线性、强耦合的多变量系统［9］，所以对异步电动机采用转子磁链定向矢量控制．电压源型转差频率矢量控制系统框图如图 4 所示．在图 4 中，ω* 为异步电动机参考转速，rad·s － 1 ; ω 为异步电动机反馈转速，rad·s － 1 ; i * sq 为定子电流 is 在旋转坐标系 q 轴上的分量，A; i * sd 为定子电流 is在旋转坐标系 d 轴上的分量，A; u* sq 为定子电压 us在 q 轴上的分量，V; u* sd 为定子电压 us在 d 轴上的分量， V; θ 为磁场定向角，( °) ; Qr = Lrd /Ｒr; Lrd为转子绕组的等效自感，L; Ｒr为转子绕组的电阻，Ω; ASＲ为转速控制器; ACＲ为电流控制器． · 1731 ·

·1372 北京科技大学学报第36卷直流电源 ACR SPWM 三相正弦电压脉宽源型 ACR 控制器逆变器 a.b.c 异步速度传感器电动机图4电压源型转差频率矢量控制系统 Fig.4 Voltage-controlled field orientation control system 由于转速调节器和电流调节器都对异步电动机 d轴电流控制器调速系统的精度有着较大的影响，故对二者做重点 G 研究. Ls+R 4.1.1转速控制器设计转速环是异步电动机控制系统的外环，其作用 ?轴电流控制器是控制电动机的转速，使其达到调速和稳速的目的o.为使转速无静态误差，转速控制器采用PD 4 控制. 异步电动机转速控制系统如图5所示.图中图6电流控制器 G,(s)为速度控制器的传递函数：G(s)为g轴电流 Fig.6 Current controller 控制系统的闭环传递函数；t,为时间常数：M为转矩图6中，i4,i,电流控制器的输出u:和u。分系数；T为异步电动机电磁转矩，Nm;T为负载转别为：矩，N·m.对于异步电动机而言，图中g轴电流为定子电流的q轴分量i:异步电动机速度控制系统的 =人1+)位-， (10) 开环传递函数G(s)为： 1）1,M 5=k1+)低- G(s)=H,（1+本，+1灰s (9) 式中，K和Kp分别为d轴和q轴电流控制器的比式中：H。为转速控制器的比例系数；H为转速控制例增益，K=Kptu和tn分别为d轴和q轴电流控制器的积分时间，ta=ta=L,R。,L,为定子绕组电感器的积分系数：J为异步电动机转动惯量，kgm2. (L.=2.52×10-5H),R为定子绕组电阻(6.67× 速度控制器电流控制器 10-32). 为使调速系统具有极好的稳定性和快速性，将电流控制器的闭环传递函数简化成较为简单的积分环节，如下式所示： G G(s)= 1 图5速度控制器 L Fig.5 Speed controller s+1 (11) 1 4.1.2电流控制器设计 Gin (s)=- 电流反馈控制对异步电动机的快速反应有着较 L5+1 大的影响0.电流控制器采用PD控制，其方框图 4.2基于PD控制的交流调速系统仿真如图6所示. 以图2简单循环工况作为参考输入，基于PD

北京科技大学学报第 36 卷图 4 电压源型转差频率矢量控制系统 Fig． 4 Voltage-controlled field orientation control system 由于转速调节器和电流调节器都对异步电动机调速系统的精度有着较大的影响，故对二者做重点研究． 4. 1. 1 转速控制器设计转速环是异步电动机控制系统的外环，其作用是控制电动机的转速，使其达到调速和稳速的目的［10］．为使转速无静态误差，转速控制器采用 PID 控制．异步电动机转速控制系统如图 5 所示．图中 Gω( s) 为速度控制器的传递函数; Gc iq ( s) 为 q 轴电流控制系统的闭环传递函数; tq为时间常数; M 为转矩系数; Tac为异步电动机电磁转矩，Nm; TL为负载转矩，N·m．对于异步电动机而言，图中 q 轴电流为定子电流的 q 轴分量 iqs．异步电动机速度控制系统的开环传递函数 Go ω( s) 为: Go ω( s) = Hp ( 1 + 1 Hi ) s 1 tq s + 1·M Jac s ． ( 9) 式中: Hp为转速控制器的比例系数; Hi 为转速控制器的积分系数; Jac为异步电动机转动惯量，kg·m2 ．图 5 速度控制器 Fig． 5 Speed controller 4. 1. 2 电流控制器设计电流反馈控制对异步电动机的快速反应有着较大的影响［10］．电流控制器采用 PID 控制，其方框图如图 6 所示．图 6 电流控制器 Fig． 6 Current controller 图 6 中，id，iq 电流控制器的输出 u'd 和 u'q 分别为: u'd = Kidp ( 1 + 1 tid ) s ( i * d － id ) ， u'q = Kiqp ( 1 + 1 tiq ) s ( i * q － iq { ) ． ( 10) 式中，Kidp和 Kiqp分别为 d 轴和 q 轴电流控制器的比例增益，Kidp = Kiqp ; tid和 tiq分别为 d 轴和 q 轴电流控制器的积分时间，tid = tiq = Ls /Ｒs，Ls为定子绕组电感 ( Ls = 2. 52 × 10 － 5 H) ，Ｒs为定子绕组电阻( 6. 67 × 10 － 3 Ω) ．为使调速系统具有极好的稳定性和快速性，将电流控制器的闭环传递函数简化成较为简单的积分环节，如下式所示: Go id ( s) = 1 Ls Kidp s + 1 ， Go iq ( s) = 1 Ls Kiqp s + 1        ． ( 11) 4. 2 基于 PID 控制的交流调速系统仿真以图 2 简单循环工况作为参考输入，基于 PID · 2731 ·

第10期李勇等：纯电动汽车车载电源性能在环测试平台研究 ·1373· 控制的交流调速系统的仿真结果如图7(a)所示. 大，如图7(b)所示. 为便于观察，将图7(a)中虚线内的区域进行局部放 1400 参考转速 1200 1100F间反馈转速一参考转速 1000 1090 …反馈转速 800 1080 600 1070 400 1060 200 0 1050 0 50 100 150 200 250 32 333435363738 时间s 时间s 图7交流调速系统PD控制仿真结果.(a)完整循环工况：(b)部分循环工况 Fig.7 Simulation results of the speed control system with PID control:(a)whole drive cycle:(b)partial drive cycle 由图7看出，采用PD控制的异步电动机调速 (电动机转速)的实时变化趋势对增益调整因子系统己取得了较好的控制效果，但是反馈转速仍在进行调节，减小电动机参数变化对系统性能的影速度变化较快的时刻与参考转速存在着细微的偏响3-17 差，主要原因是PD控制动态特性差，且对被控对象 (1)模糊控制器的设计.模糊控制器的输入量数学模型要求较高. 分别为转速偏差e以及偏差变化率△e,其计算公 4.3基于自适应模糊神经网络控制的交流调速系统式为为了克服上述PD控制存在的不足，入自适 e=k.(w-w), (12) 应模糊神经网络控制器. 4.3.1自适应模糊控制器 .=k出 (13) 自适应模糊控制器可根据调速系统的运行状式中，e为参考转速与反馈转速的差值，即e=w- 态，给出合适的控制量，同时根据调速系统的运行效果，对控制器的控制决策进一步改进，以获得更好的 e的论域为[-2,2]，定义五个语言变量值{负控制效果1-切.采用自适应模糊控制的异步电动大(NB),负小(NS),零(Z),正小(PS),正大机速度调节器结构如图8所示 (PB).△e的论域为[-3,3]，定义七个语言变量值{负大(NB),负中(NM),负小(NS),零(Z),正小 (PS),正中(PM),正大(PB)}.u的论域为[-2， 2],定义五个语言变量值{负大(NB),负小(NS),零 (Z),正小(PS),正大(PB)}.控制规则用e、△e.和 u描述，模糊推理采用Mamdani推理方法，解模糊采自适应机构用加权平均法.模糊控制器的模糊规则如表2 所示被控对象表2模糊控制器的模糊控制规则表图8自适应模糊速度控制器结构 Table 2 Fuzzy rules of the fuzzy controller Fig.8 Adaptive fuzzy neural network controller ew 在图8中，自适应模糊控制器由模糊控制器和 NB NM NS Z PS PM PB 自适应机构组成，其输入信号为给定参考转速信号 NB NBNB NB NB NS NS Z ω与反馈转速信号w的差值.k是误差调整量化 NS NB NS NS NS NS 因子，k是误差变化率调整量化因子，”是模糊控制 △eu Z NS NS NSNS NS Z PS 输出，k是比例因子，y是控制器输出信号.模糊控 S NS NS NS Z PS 制器为二维模糊控制器，其输入是转速误差以及误 PB NSNS Z PS PS PBPB 差的变化率.自适应机构的作用是根据输入变量 (2)模糊自适应机构的设计.模糊自适应机构

第 10 期李勇等: 纯电动汽车车载电源性能在环测试平台研究控制的交流调速系统的仿真结果如图 7 ( a) 所示．为便于观察，将图 7( a) 中虚线内的区域进行局部放大，如图 7( b) 所示．图 7 交流调速系统 PID 控制仿真结果． ( a) 完整循环工况; ( b) 部分循环工况 Fig． 7 Simulation results of the speed control system with PID control: ( a) whole drive cycle; ( b) partial drive cycle 由图 7 看出，采用 PID 控制的异步电动机调速系统已取得了较好的控制效果，但是反馈转速仍在速度变化较快的时刻与参考转速存在着细微的偏差，主要原因是 PID 控制动态特性差，且对被控对象数学模型要求较高． 4. 3 基于自适应模糊神经网络控制的交流调速系统为了克服上述 PID 控制存在的不足，引入自适应模糊神经网络控制器． 4. 3. 1 自适应模糊控制器自适应模糊控制器可根据调速系统的运行状态，给出合适的控制量，同时根据调速系统的运行效果，对控制器的控制决策进一步改进，以获得更好的控制效果［11 － 12］．采用自适应模糊控制的异步电动机速度调节器结构如图 8 所示．图 8 自适应模糊速度控制器结构 Fig． 8 Adaptive fuzzy neural network controller 在图 8 中，自适应模糊控制器由模糊控制器和自适应机构组成，其输入信号为给定参考转速信号 ω* 与反馈转速信号 ω 的差值． ke是误差调整量化因子，kc是误差变化率调整量化因子，u 是模糊控制输出，ku是比例因子，y 是控制器输出信号．模糊控制器为二维模糊控制器，其输入是转速误差以及误差的变化率．自适应机构的作用是根据输入变量 ( 电动机转速) 的实时变化趋势对增益调整因子 α 进行调节，减小电动机参数变化对系统性能的影响［13 － 17］． ( 1) 模糊控制器的设计．模糊控制器的输入量分别为转速偏差 eω以及偏差变化率 Δeω，其计算公式为 eω = ke ( ω* － ω) ， ( 12) Δeω = kc de dt ． ( 13) 式中，e 为参考转速与反馈转速的差值，即e = ω* － ω． eω的论域为［－ 2，2］，定义五个语言变量值{ 负大( NB) ，负小 ( NS ) ，零 ( Z) ，正小 ( PS ) ，正大 ( PB) } ． Δeω的论域为［－ 3，3］，定义七个语言变量值{ 负大( NB) ，负中( NM) ，负小( NS) ，零( Z) ，正小 ( PS) ，正中( PM) ，正大( PB) } ． u 的论域为［－ 2， 2］，定义五个语言变量值{ 负大( NB) ，负小( NS) ，零 ( Z) ，正小( PS) ，正大( PB) } ．控制规则用 eω、Δeω和 u 描述，模糊推理采用 Mamdani 推理方法，解模糊采用加权平均法．模糊控制器的模糊规则如表 2 所示．表 2 模糊控制器的模糊控制规则表 Table 2 Fuzzy rules of the fuzzy controller u eω NB NM NS Z PS PM PB NB NB NB NB NB NS NS Z NS NB NS NS NS NS Z Z Δeω Z NS NS NS NS NS Z PS PS NS NS NS Z Z PS PS PB NS NS Z PS PS PB PB ( 2) 模糊自适应机构的设计．模糊自适应机构 · 3731 ·

·1374 北京科技大学学报第36卷的输入虽与模糊控制器相同，但输出量为增益调整 A(x3)为隶属度函数，B:为常数.设j=1,2,…, 因子a.em、△e的论域和语言变量同前面所述.a jo,h=1,2,…,ho,l=1,2,…,lojo、h和l为模糊的论域为0,2]，定义五个语言变量值{零(Z),小子集个数，则p=jh,l。p为模糊规则最大条数回 (S),中(M),中大(MB),大(B)}.控制规则用e 模糊神经网络辨识器包含四层神经元，分别为 △e,和a描述，模糊推理采用Mamdani推理方法，解输入层、函数层、规则层和输出层，其结构如图9 模糊采用加权平均法.模糊自适应机构的模糊控制所示规则如表3所示表3自适应模糊机构的模糊控制规则表 Table 3 Fuzzy rules of the adaptive fuzzy controller NB NM NS Z PS PM PB NB BB MB MB M S Z NS B MB MBMB 图9模糊神经网络辨识器结构 Z M MBMB MMM MB Fig.9 Structure of the neural-network identifier PS M MM MB MB B PB 2 MM MB BB 在图9中，第1层为输入层，具有两个神经元，输入变量以x,和x2表示，其作用是将图8中的转速 4.3.2自适应模糊神经网络控制器的构建误差信号e.和转速误差的变化率信号△e引入到模本文将自适应模糊控制与BP神经网络控制相糊神经网络中；第2层为函数层，将第1层的输出信结合，构造出自适应模糊神经推理系统AN- 号模糊化：第3层为模糊规则层，进行模糊推理；第 FIs8-19.ANFIS仅支持一阶或零阶Sugeno型系 4层为输出层，输出量以y表示，其对应于图8和统，一阶Takagi-Sugeno型模糊推理的模糊规则表达式(15)中的输出信号y. 如下： 4.3.3基于自适应模糊神经网络控制的交流调速 IF x is Au,and x2 is A,and x3 is Ay,then y is 系统及其仿真 B,则有基于自适应模糊神经网络控制的异步电动机矢 4:=A(x1）A2h(x2）Au(x3）, 量控制系统如图10所示. 在简单循环工况速度变化较快的区域取四组数 (14) 据，如表4所示.以表4中的四组数据作为图10所与示的自适应模糊神经网络的训练样本，对该神经网 y=∑aB (15) 络进行训练.在整个训练过程中，输入样本周期性其中，AjA2和A为模糊变量，A,(x)、Ah(x2)和进入网络，直至网络收敛，输出误差进入事先允许的直流电源自适应模糊神经 AC风 SPW M 三相网路控制器正弦脉宽压源型 ACR 控制器逆变器 Q D- 异步速度传感器包动机图10异步电动机自适应模糊神经网络矢量控制系统 Fig.10 Vector control system based on an adaptive fuzzy neural network

北京科技大学学报第 36 卷的输入虽与模糊控制器相同，但输出量为增益调整因子 α． eω、Δeω的论域和语言变量同前面所述． α 的论域为［0，2］，定义五个语言变量值{ 零( Z) ，小 ( S) ，中( M) ，中大( MB) ，大( B) } ．控制规则用 eω、 Δeω和 α 描述，模糊推理采用 Mamdani 推理方法，解模糊采用加权平均法．模糊自适应机构的模糊控制规则如表 3 所示．表 3 自适应模糊机构的模糊控制规则表 Table 3 Fuzzy rules of the adaptive fuzzy controller α eω NB NM NS Z PS PM PB NB B B MB MB M S Z NS B MB MB MB M S S Δeω Z M MB MB M M M MB PS S M M M MB MB B PB Z S M M MB B B 4. 3. 2 自适应模糊神经网络控制器的构建本文将自适应模糊控制与 BP 神经网络控制相结合，构造出自适应模糊神经推理系统 ANFIS［18 － 19］． ANFIS 仅支持一阶或零阶 Sugeno 型系统，一阶 Takagi--Sugeno 型模糊推理的模糊规则表达如下: 图 10 异步电动机自适应模糊神经网络矢量控制系统 Fig． 10 Vector control system based on an adaptive fuzzy neural network IF x1 is A1j，and x2 is A2h，and x3 is A3l，then y is Bi，则有 μi = A1j ( x1 ) A2h ( x2 ) A3l ( x3 ) ， μ = μi ∑ p h = 1 μh ， ( 14) y = ∑ μiBi ． ( 15) 其中，A1j、A2h和 A3l为模糊变量，A1j ( x1 ) 、A2h ( x2 ) 和 A3l ( x3 ) 为隶属度函数，Bi 为常数．设 j = 1，2，…， j0，h = 1，2，…，h0，l = 1，2，…，l0，j0、h0和 l0为模糊子集个数，则 p = j0 h0 l0，p 为模糊规则最大条数［12］．模糊神经网络辨识器包含四层神经元，分别为输入层、函数层、规则层和输出层，其结构如图 9 所示．图 9 模糊神经网络辨识器结构 Fig． 9 Structure of the neural-network identifier 在图 9 中，第 1 层为输入层，具有两个神经元，输入变量以 x1和 x2表示，其作用是将图 8 中的转速误差信号 eω和转速误差的变化率信号 Δeω引入到模糊神经网络中; 第 2 层为函数层，将第 1 层的输出信号模糊化; 第 3 层为模糊规则层，进行模糊推理; 第 4 层为输出层，输出量以 yout表示，其对应于图 8 和式( 15) 中的输出信号 y． 4. 3. 3 基于自适应模糊神经网络控制的交流调速系统及其仿真基于自适应模糊神经网络控制的异步电动机矢量控制系统如图 10 所示．在简单循环工况速度变化较快的区域取四组数据，如表 4 所示．以表 4 中的四组数据作为图 10 所示的自适应模糊神经网络的训练样本，对该神经网络进行训练．在整个训练过程中，输入样本周期性进入网络，直至网络收敛，输出误差进入事先允许的 · 4731 ·

第10期李勇等：纯电动汽车车载电源性能在环测试平台研究 ·1375· 范围之内以图2简单循环工况作为参考转速，对基于自表4模糊神经网络训练样本适应模糊神经网络控制的异步电动机一直流电动机 Table 4 Training samples of the adaptive fuzzy neural network 测试平台进行仿真，仿真结果如图11(a)所示，图 r'min -1 11(b)为图11(a)中虚线内区域局部放大图. 序号第1组第2组第3组第4组由图11看出，基于自适应模糊神经网络控制的 33.55 201.33 859.01 805.32 异步电动机调速系统取得了较理想的调速效果，反 2 67.11 234.88 805.32 765.06 馈转速能够较好地跟踪参考转速，调速效果明显优 100.66 268.44 751.64 724.79 于采用PD控制的交流调速系统 134.22 301.99 697.95 684.53 167.77 335.55 644.26 644.26 5实验 6 201.33 369.10 590.57 603.99 > 234.88 402.66 536.88 563.73 在实验室内搭建了由异步电动机和直流电动机 8 268.44 436.22 536.88 523.46 组成的车载电源性能在环测试平台，如图12所示. 9 268.44 469.77 536.88 483.19 驱动电动机为三相异步电动机，其额定功率为 10 268.44 503.33 536.88 442.93 5kW,额定转速为3000rmin-l:直流电动机作为负 11 268.44 536.88 536.88 402.66 载电动机使用，其额定功率为5kW,最大转矩为 12 268.44 570.44 536.88 362.39 50Nm. 13 268.44 603.99 483.19 322.13 14 308.70 637.55 429.50 281.86 通过该在环测试平台，分别对基于PD控制和 15 348.97 671.10 375.82 241.59 自适应模糊神经网络的异步电动机调速系统进行实 16 389.24 704.66 322.13 201.33 验，获得了不同控制策略下异步电动机的反馈转速 17 429.50 738.21 268.44 161.06 以及相应的直流电动机的输出转矩，如图13(a)和 18 469.77 771.77 214.75 120.79 图13(b)所示 19 510.04 805.32 161.06 80.53 由实验结果看出，采用自适应模糊神经网络的 20 550.30 838.88 107.37 40.26 异步电动机调速系统取得了优良的调速效果，反馈 1400 1200 参考转速 1100Fb 参考转速反馈转速 …反馈转速 1000 1090 800 目1080 600 1070 400 200 1060 0 1050 0 50 100 150 200 250 333435363738 时间/s 时间s 图11交流调速系统自适应模糊神经网络仿真结果.()完整循环工况：(b)部分循环工况 Fig.11 Simulation results of the speed control system with adaptive fuzzy neural network control:(a)whole drive cycle:(b)partial drive cyele 转速较好地跟踪参考转速，控制精度明显优于采用 PD控制策略下异步电动机调速系统. 6结论 (1)以实车参数为参照，搭建了由异步电动机和直流电动机组成的在环测试平台.用异步电动机模拟纯电动汽车的牵引电动机，用直流电动机模拟图12异步电动机-直流电动机测试平台汽车行驶时的阻力和惯量，二者通过联轴器耦合 Fig.12 Setup of the test bench (2)对直流电动机实施转矩控制，PD控制的

第 10 期李勇等: 纯电动汽车车载电源性能在环测试平台研究范围之内．表 4 模糊神经网络训练样本 Table 4 Training samples of the adaptive fuzzy neural network r·min － 1 序号第 1 组第 2 组第 3 组第 4 组 1 33. 55 201. 33 859. 01 805. 32 2 67. 11 234. 88 805. 32 765. 06 3 100. 66 268. 44 751. 64 724. 79 4 134. 22 301. 99 697. 95 684. 53 5 167. 77 335. 55 644. 26 644. 26 6 201. 33 369. 10 590. 57 603. 99 7 234. 88 402. 66 536. 88 563. 73 8 268. 44 436. 22 536. 88 523. 46 9 268. 44 469. 77 536. 88 483. 19 10 268. 44 503. 33 536. 88 442. 93 11 268. 44 536. 88 536. 88 402. 66 12 268. 44 570. 44 536. 88 362. 39 13 268. 44 603. 99 483. 19 322. 13 14 308. 70 637. 55 429. 50 281. 86 15 348. 97 671. 10 375. 82 241. 59 16 389. 24 704. 66 322. 13 201. 33 17 429. 50 738. 21 268. 44 161. 06 18 469. 77 771. 77 214. 75 120. 79 19 510. 04 805. 32 161. 06 80. 53 20 550. 30 838. 88 107. 37 40. 26 以图 2 简单循环工况作为参考转速，对基于自适应模糊神经网络控制的异步电动机--直流电动机测试平台进行仿真，仿真结果如图 11( a) 所示，图 11( b) 为图 11( a) 中虚线内区域局部放大图．由图 11 看出，基于自适应模糊神经网络控制的异步电动机调速系统取得了较理想的调速效果，反馈转速能够较好地跟踪参考转速，调速效果明显优于采用 PID 控制的交流调速系统． 5 实验在实验室内搭建了由异步电动机和直流电动机组成的车载电源性能在环测试平台，如图 12 所示．驱动电动机为三相异步电动机，其额定功率为 5 kW，额定转速为 3000 r·min － 1 ; 直流电动机作为负载电动机使用，其额定功率为 5 kW，最大转矩为 50 Nm．通过该在环测试平台，分别对基于 PID 控制和自适应模糊神经网络的异步电动机调速系统进行实验，获得了不同控制策略下异步电动机的反馈转速以及相应的直流电动机的输出转矩，如图 13( a) 和图 13( b) 所示．由实验结果看出，采用自适应模糊神经网络的异步电动机调速系统取得了优良的调速效果，反馈图 11 交流调速系统自适应模糊神经网络仿真结果． ( a) 完整循环工况; ( b) 部分循环工况 Fig． 11 Simulation results of the speed control system with adaptive fuzzy neural network control: ( a) whole drive cycle; ( b) partial drive cycle 图 12 异步电动机--直流电动机测试平台 Fig． 12 Setup of the test bench 转速较好地跟踪参考转速，控制精度明显优于采用 PID 控制策略下异步电动机调速系统． 6 结论 ( 1) 以实车参数为参照，搭建了由异步电动机和直流电动机组成的在环测试平台．用异步电动机模拟纯电动汽车的牵引电动机，用直流电动机模拟汽车行驶时的阻力和惯量，二者通过联轴器耦合． ( 2) 对直流电动机实施转矩控制，PID 控制的 · 5731 ·

·1376· 北京科技大学学报第36卷 1400 a 吃模糊神经网铭 (b) 参考转矩 1200 控制一反绩转矩 1000 参考转速 PID控制 800 600 400 200 -5 0 -10 -15 100 150 200 250 50 100 150 200 250 时间/s 时间s 图13异步电动机一直流电动机测试平台实验结果.()异步电动机反锁转速：(b)直流电动机输出转矩 Fig.13 Experimental results of the test bench:(a)feedback speed of AC motor:(b)feedback torque of DC motor 转矩控制系统较好地跟踪了参考转矩的变化 [6]He H W,Xiong R,Zhao K,et al.Energy management strategy (3)设计了异步电动机调速系统转速控制器和 research on a hybrid power system by hardware-in-oop experi- 电流控制器，建立了异步电动机调速系统的数学模 ments.Appl Energy,2013,112:1311 7]Li Y,Ma F,Kazerani M.Research on the coupling system and re- 型，并对交流调速系统进行了仿真，结果表明采用自 verse decoupling contrl of test bench for energy storage system. 适应模糊神经网络控制的调速效果明显优于PD Trans Chin Soc Agric Mach,2014,45(7):35 控制. (李勇，马飞，Kazerani M.车载电源多电动机测试平台耦合 (4)通过在环实验表明，该测试平台实现了精分析与解耦控制研究.农业机械学报，2014,45(7)：35) 确的转速控制和转矩控制，能够较好地模拟电动汽 [8]Jiang L B,Wu B,Feng X,et al.Simulation design and test veri- fication for the power performance parameters of electric vehicles. 车实际行驶工况. 4 tomot Eng,2011,33(12):1013 (姜立标，吴斌，冯骁，等.电动汽车动力性参数的仿真设计参考文献与试验验证.汽车工程，2011,33(12)：1013) 9]Shen C F.Intelligent control of a rotor flux oriented vector control []Cheng Y H,Mierlo J V,Philippe L,et al.Test bench of hybrid system.J Univ Sci Technol Beijing,2013,35(8):1099 electric vehicle with the super capacitor based energy storage / (沈翠风.按转子磁链定向矢量的智能控制.北京科技大学学 IEEE International Symposium on Industrial Electronics.Vigo, 报，2013,35(8)：1099) 2007:147 [10]Li Z G.Control Fundamental of Induction Motor.Beijing: 2]Li Y,Ma F,Kazerani M.Research on the control strategy for the Chemical Industry Press,2010 traction motor on the test bench of vehicular energy storage system. (李珍国.交流电机控制基础.北京：化学工业出版社， Proc CSEE,2014,34(21):3481 2010) (李勇，马飞，Kazerani M.车载电源性能测试平台驱动电机 [11]Li H D,Li Q,Bai J.Automatic Control Systems of Electric Drive. 调速系统控制策略研究.中国电机工程学报，2014,34(21)： Beijing:China Machine Press,2009 3481) (李华德，李擎，白晶.电力拖动自动控制系统.北京：机械 B]Bouscayrol A.Different types of hardware-inthe-oop simulation 工业出版社，2009) for electric drives /IEEE International Symposium on Industrial [12]Zhou R J,Zhang L N.The Design of Fuzzy and Neural Nencork Electronics.United Kingdom,2008:2146 Based on Matlab and Fuzy TECH.Beijing:Publishing House of 4]Zhang J.Inrestigation and Simulation of the Combined Energy Electronics Industry,2010 Storage System of Ultra-capacitor and Battery [Dissertation].Hu- (周润景，张丽娜.基于MATLAB与Fuzzy TECH的模糊与神 bei:Wuhan University of Technology,2005 经网络设计.北京：电子工业出版社，2010) (张靖.超级电容蓄电池复合电源的研究与仿真[学位论文]， [13]Zhang W C,Li Q,Zhang C,et al.Virtual equivalent system and 湖北：武汉理工大学，2005) stability criteria for T-S model based fuzzy control systems.J [5]Wong J H,Idris N R N,Anwari M,et al.A parallel energy-sha- Univ Sci Technol Beijing,2012.34(2):207 ring control for fuel cell-battery-ultracapacitor hybrid vehicle / (张维存，李擎，张超，等TS模糊控制系统的虚拟等价系 IEEE Energy Conversion Congress and Exposition(ECCE).Phoe- 统及稳定性判据.北京科技大学学报，2012,34(2)：207) nix,2011:2923 [14]Deng JQ,Li HJ,Hu S,et al.Networked control systems based

北京科技大学学报第 36 卷图 13 异步电动机--直流电动机测试平台实验结果． ( a) 异步电动机反馈转速; ( b) 直流电动机输出转矩 Fig． 13 Experimental results of the test bench: ( a) feedback speed of AC motor; ( b) feedback torque of DC motor 转矩控制系统较好地跟踪了参考转矩的变化． ( 3) 设计了异步电动机调速系统转速控制器和电流控制器，建立了异步电动机调速系统的数学模型，并对交流调速系统进行了仿真，结果表明采用自适应模糊神经网络控制的调速效果明显优于 PID 控制． ( 4) 通过在环实验表明，该测试平台实现了精确的转速控制和转矩控制，能够较好地模拟电动汽车实际行驶工况．参考文献［1］ Cheng Y H，Mierlo J V，Philippe L，et al． Test bench of hybrid electric vehicle with the super capacitor based energy storage / / IEEE International Symposium on Industrial Electronics． Vigo， 2007: 147 ［2］ Li Y，Ma F，Kazerani M．Ｒesearch on the control strategy for the traction motor on the test bench of vehicular energy storage system． Proc CSEE，2014，34 ( 21) : 3481 ( 李勇，马飞，Kazerani M．车载电源性能测试平台驱动电机调速系统控制策略研究．中国电机工程学报，2014，34( 21) : 3481) ［3］ Bouscayrol A． Different types of hardware-in-the-loop simulation for electric drives / / IEEE International Symposium on Industrial Electronics． United Kingdom，2008: 2146 ［4］ Zhang J． Investigation and Simulation of the Combined Energy Storage System of Ultra-capacitor and Battery［Dissertation］． Hubei: Wuhan University of Technology，2005 ( 张靖．超级电容蓄电池复合电源的研究与仿真［学位论文］．湖北: 武汉理工大学，2005) ［5］ Wong J H，Idris N Ｒ N，Anwari M，et al． A parallel energy-sharing control for fuel cell-battery-ultracapacitor hybrid vehicle / / IEEE Energy Conversion Congress and Exposition ( ECCE) ． Phoenix，2011: 2923 ［6］ He H W，Xiong Ｒ，Zhao K，et al． Energy management strategy research on a hybrid power system by hardware-in-loop experiments． Appl Energy，2013，112: 1311 ［7］ Li Y，Ma F，Kazerani M．Ｒesearch on the coupling system and reverse decoupling control of test bench for energy storage system． Trans Chin Soc Agric Mach，2014，45( 7) : 35 ( 李勇，马飞，Kazerani M．车载电源多电动机测试平台耦合分析与解耦控制研究．农业机械学报，2014，45( 7) : 35) ［8］ Jiang L B，Wu B，Feng X，et al． Simulation design and test verification for the power performance parameters of electric vehicles． Automot Eng，2011，33( 12) : 1013 ( 姜立标，吴斌，冯骁，等．电动汽车动力性参数的仿真设计与试验验证．汽车工程，2011，33( 12) : 1013) ［9］ Shen C F． Intelligent control of a rotor flux oriented vector control system． J Univ Sci Technol Beijing，2013，35( 8) : 1099 ( 沈翠凤．按转子磁链定向矢量的智能控制．北京科技大学学报，2013，35( 8) : 1099) ［10］ Li Z G． Control Fundamental of Induction Motor． Beijing: Chemical Industry Press，2010 ( 李珍国．交流电机控制基础．北京: 化学工业出版社， 2010) ［11］ Li H D，Li Q，Bai J． Automatic Control Systems of Electric Drive． Beijing: China Machine Press，2009 ( 李华德，李擎，白晶．电力拖动自动控制系统．北京: 机械工业出版社，2009) ［12］ Zhou Ｒ J，Zhang L N． The Design of Fuzzy and Neural Network Based on Matlab and Fuzzy TECH． Beijing: Publishing House of Electronics Industry，2010 ( 周润景，张丽娜．基于 MATLAB 与 Fuzzy TECH 的模糊与神经网络设计．北京: 电子工业出版社，2010) ［13］ Zhang W C，Li Q，Zhang C，et al． Virtual equivalent system and stability criteria for T--S model based fuzzy control systems． J Univ Sci Technol Beijing，2012，34( 2) : 207 ( 张维存，李擎，张超，等． T--S 模糊控制系统的虚拟等价系统及稳定性判据．北京科技大学学报，2012，34( 2) : 207) ［14］ Deng J Q，Li H J，Hu S，et al． Networked control systems based · 6731 ·

点击进入文档下载页（PDF格式）

已到末页，全文结束

点击下载（PDF格式）

浏览记录

纯电动汽车车载电源性能在环测试平台研究