1.1 目的及意义

随着汽车工业的迅速发展，能源危机问题和环境污染问题日益突出。如何开发出既节能又环保的汽车，对于每个国家都是巨大的机遇和挑战。纯电动汽车具有零排放和效率高双重特点，在节能和环保方面有着传统能源汽车不可比拟的优势。但纯电动汽车（BEV）采用蓄电池作为能量源，续航里程相对较短。在电池技术未取得重大突破前，能量管理技术显得尤为重要。电动汽车行驶中功率预测可用于续航里程估计和充电规划和能量管理。利用长期功率需求预测可以得到驾驶过程的能源管理策略，进行合理的能量规划，另外用于局部能量优化的短期功率预测也很重要，混合动力汽车（PHEV）从未来的功率需求中调整两种发动机工作方式，实现能量消耗最优化。纯电动汽车获得短期能量预消耗信息，减少用户焦虑。然而长期准确预测需要利用大量的行驶信息建立数学模型，而这需要大量的高精度传感器采集道路信息、驾驶员信息，并且一些偶然孤立事件也会造成短期波动。因此现在的研究大都集中在短期，短期预测可以基于历史行驶时间序列数据进行估计推理，在汽车智能化、新能源等领域有着非常广阔的应用空间。对于纯电动汽车，短期功率预测可以作为整车控制器的输入信息，整车控制器通过对电动汽车的电机驱动系统、电池管理系统、传动系统以及其他车载能源动力系统的协调管理，以获得最佳的能量利用率，同时可以作为回馈制动控制的状态信息，整车控制器向电机控制器发出制动指令，在不影响制动性能的前提下回收部分能量。预测的方法有很多，常见的有线性回归、指数拟合、神经网络模型等。神经网络具有很高的学习能力可以模拟无法在数学上导出的高度非线性过程。可以通过汽车历史行驶信息数据建立并测试神经网络模型，如果在实时数据上具有较强的泛化能力，那么预测需求功率就可以作为整车控制器重要输入信息，实现动态编程得到最佳的工作条件。动态编程需要预测瞬时功率计算电力需求得到最佳可行策略并返回控制变量。实验表明基于整车工况识别的动态规划能量管理策略能够有效地减缓动力电池容量衰减,提高汽车续驶里程。

1.2国内外研究现状

现代汽车逐步实现的电气化和自动化需要降低行驶路线的不确定性和驾驶风格的差异性，这涉及路线规划，交通协调，能源消耗优化问题，此外驾驶辅助系统（ADAS）有利于减少驾驶安全问题和提高驾驶舒适性。这些问题必须作为一个整体问题找到一个，最佳的协调方案。在之前车辆技术集成基础上难以完全实现全自动驾驶，高度可靠的安全性和能源优化。在这种情况下，正在进行的研究利用智能交通系统（ITS），地理信息系统（GIS）和全球定位系统（GPS）的数据支持新的研究未来的功率和速度预测的方法。未来可能路线的信息依赖于先进和强大连接和传感器数据，而这通常在普通车辆平台中不可用。一方面，现在普通车辆提供有限的ADAS由于成本限制，传感器支持功能数量有限能获得的数据信息有限。另一方面驾驶员驾驶风格存在差异，驾驶积极性可能随着时间变化。因此在有限信息条件下难以准确未来长期的速度和功率，研究工作主要侧重短期预测，通常为10秒以内。预测方法主要可分为基于理论模型驱动的和基于数据驱动的。

2. 研究的基本内容与方案

2.1研究的基本内容与目标

基于神经网络方法，利用历史行驶数据进行训练学习，预测电动汽车未来行程上的功率，可用于能量管理，续驶里程估计、充电规划等。论文主要内容包括：

1、基于纯电动汽车，建立车辆功率模型；

2、利用MATLAB/Simulink，建立神经网络算法模型；

3、利用行驶数据，利用神经网络算法进行功率预测；

4、进行典型工况下的控制算法仿真。