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 ·