基于神经网络和遗传算法的电动汽车增程器匹配设计方法

在电动汽车增程器的设计过程中，增程器发动机和发电机的工作点效率是否匹配直接决定增程器的系统效率。针对上述问题，本文提出一种利用神经网络和遗传算法对增程器发动机和发电机主要结构参数进行并行设计优化和匹配的方法，在最大化增程器的系统效率的同时，获得增程器发动机和发电机主要结构参数和初步性能，以及最大效率所在的范围。本文的研究可以为增程器系统的设计和性能优化提供重要的方法论指导。

增程式电动汽车(Range-Extended Electric Vehicle, REEV)是一种配有车载发电和地面充电功能的“纯电驱动”模式的电动汽车。其动力系统包括增程器系统，电池组和驱动电动机系统，当电池组的电量低于预设值时，增程发动机在最佳工况下运转并带动发电机发电，给驱动电机供电，同时给动力电池组充电，是传统汽车向纯电动汽车过渡的最佳方案[1] [2] [3] [4]。

增程器是REEV 的最重要的部件之一，对增程器系统的要求是效率高、体积小、结构紧凑。现有增程器存在的问题是增程发动机和发电机是分开设计和制造，然后组装在一起。在增程发动机和发电机的设计阶段，未考虑它们的匹配问题。图1 显示了国内某汽车公司的增程发动机和发电机的MAP 效率图。

如图1 所示，在整个速度范围内，发动机节气门全开扭矩远高于发电机的额定扭矩，甚至高于最大工作扭矩(红色圆圈点)，发动机功率设计过大，发动机和发电机的最有效工作点(红色星号)不匹配。相对于传统发动机，增程发动机可以在单个操作点上工作，在满足功率要求的前提下，可以将所有发动机的几何参数和工作变量优化到最佳[5]。在增程器设计过程中，使发动机和发电机的工作点匹配可以使增程器系统效率最大化[6]。针对上述问题本文基于神经网络和遗传算法进行增程发电机和发动机的并行设计优化和匹配，在满足性能要求的前提下最大化增程器系统效率。

Figure 1. MAP of extended-range engines (left) and generators (right) 图1. 增程发动机(左)和发电机(右)的MAP 效率图