CN102963353A - 基于神经网络的混合动力系统能量管理方法 - Google Patents

Abstract

本发明涉及一种基于神经网络的混合动力系统能量管理方法，包括以下步骤：1)整车控制器通过CAN总线向汽车动力附件发送访问信号，获取能量管理策略计算所需数据；2)整车控制器判断是否已接收到完整的数据，若是，执行步骤3)，若否，返回步骤1)；3)整车控制器根据接收到的能量管理策略计算所需数据，通过神经网络计算出当前最优功率分配；4)使用功率增益系数对神经网络计算出的最优功率分配进行修正；5)整车控制器通过CAN总线向控制器a和控制器b发送功率分配结果，完成整车控制器对混合动力系统中增程器和蓄电池输出功率的分配控制。与现有技术相比，本发明具有燃油经济性好、易于实车实现、扩展性好等优点。

Description

基于神经网络的混合动力系统能量管理方法

技术领域

本发明涉及电动车控制技术领域，尤其是涉及一种基于神经网络的混合动力系统能量管理方法。

背景技术

增程式电动车作为混合动力汽车的一个分支，具有混合动力汽车的基本特点。有别于传统汽车和纯电动车，增程式电动车可由两种能量源提供动力。这种双能量源的特征增加了系统设计的灵活性，在整车能量管理系统的协调控制下，双能量源与其他部件相互配合，可以进行多种优化组合，形成不同的动力系统工作模式，以适应不同的行驶工况。

同时，双能量源也增加了增程式电动车混合动力系统的复杂性，如何进行多种工作模式的切换，如何实现双能量源间能量流的优化控制，成为混合动力系统研究领域的一个难点。为了解决由混合动力系统双能量源所引起的工作模式切换问题，以及能量流的优化控制问题，不得不增加一个能量管理系统来解决传统内燃机汽车和纯电动汽车所不具有的新问题，即必须通过一定的能量控制策略(Energy ControlStrategy)来控制双能量源之间能量流的协调和分配。控制策略是能量管理系统的核心，是实现增程式电动车节能、环保等目标的关键所在。

目前研究最为广泛的四类混合动力汽车能量管理策略：基于规则的控制策略、瞬时优化控制策略、全局优化控制策略和基于优化算法的自适应控制策略。

根据部件性能特性和工程经验选择控制参数，在控制参数的变化范围内使用一组阈值(逻辑门限值)将其划分成不同的区域，在不同的控制参数区域，混合动力汽车按照不同的状态和能量供给模式工作，从而形成一组控制规则。控制参数通常有车速、汽车行驶的需求功率、发动机的功率、电池的荷电状态(SOC)等。根据控制参数的阈值确定与否，又可以分成静态逻辑门限能量管理策略和模糊规则能量管理策略，前者以精确的阈值来划分系统的能量供应状态，后者对阈值进行模糊化处理后来决定系统的能量供应状态。这类策略的最大的优点是易于工程实现。但是，基于规则的能量管理策略，无论是否进行过控制参数优化，其在燃油经济性的提高方面还是存在一定的局限性。

瞬时优化策略一般是采用“等效燃油消耗最少”法或“功率损失最小”法，二者原理类似，都是将两个能量源的能量消耗用特定方法进行量化统一，以便于计算出最小整体消耗。瞬时优化策略在每一步长内是最优的，但无法保证在整个运行区间内最优，而且需要大量的浮点运算和比较精确的车辆模型，计算量大，实现困难。这类能量管理策略目前主要应用在内燃机一蓄电池混合动力系统上，在计算机仿真上取得了很好的燃料经济性，在实车应用上也取得了一些成果。但是这类策略在实车上应用得并不广泛，因为其对于车辆实时行驶状态参数的采集、处理要求较高。

全局优化控制策略，在事先知道汽车行驶的所有过程中所有工况参数的条件下，可以实现能量管理的全局优化，有多种控制算法应用到这种能量管理策略中，如动态规划算法、离散动态规划算法、遗传算法等。全局优化模式实现了真正意义上的最优化，但实现这种策略的算法往往都比较复杂，计算量也很大，并且需要预先获得所有的道路信息，在实际车辆的实时控制中很难得到应用。

基于优化算法的自适应控制策略，可以根据当前的行驶条件和路况自动的预测未来一段时间内的自动调整控制参数以适应行驶工况的变化。所谓自适应，就是在每一时间步，根据当前的行驶条件和路况要求来调整部件工作方式，通过优化算法，在保证目标函数最优化的前提下，将扭矩需求合理地分配给发动机和电机。虽然自适应控制策略的目标函数模型、优化算法等各不相同，但由于自适应控制要实时采集大量的发动机运行数据，计算燃油油耗和排放点，优化过程复杂，计算量大，导致其目前无法在实际中得到应用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种燃油经济性好、易于实车实现的基于神经网络的混合动力系统能量管理方法。

本发明的目的可以通过以下技术方案来实现：

一种基于神经网络的混合动力系统能量管理方法，所述的混合动力系统包括整车控制器、CAN总线、能量源、能量控制器和汽车动力附件，所述的整车控制器分别通过CAN总线连接能量控制器和汽车动力附件，所述的能量源与能量控制器连接，所述的方法包括以下步骤：

1)整车控制器通过CAN总线向汽车动力附件发送访问信号，从汽车动力附件获取能量管理策略计算所需数据，所述的数据包括混合动力系统的需求功率和蓄电池SOC；

2)整车控制器判断是否已接收到完整的数据，若是，则执行步骤3)，若否，则返回步骤1)；

3)整车控制器根据接收到的能量管理策略计算所需数据，通过神经网络计算出当前最优功率分配；

4)使用功率增益系数对神经网络计算出的最优功率分配进行修正；

5)整车控制器通过CAN总线向能量控制器发送功率分配结果，完成整车控制器对混合动力系统中各能量源输出功率的分配控制。

所述的汽车动力附件包括散热子系统和空调子系统。

所述的能量源包括增程器和蓄电池。

所述的步骤3)中通过神经网络计算出当前最优功率分配具体包括以下步骤：

a)离线计算，根据如下动力系统瞬时功率损失公式计算出不同功率分配下的功率损失，

$\left\{\begin{array}{c}{P}_{\mathrm{RE}}({\mathrm{\η}}_{\mathrm{RE}\_\max }-{\mathrm{\η}}_{\mathrm{RE}})+P_b(1-{\mathrm{\η}}_{\mathrm{dis}})+P_b({\mathrm{\η}}_{\mathrm{RE}\_\max }-{\stackrel{\‾}{\mathrm{\η}}}_{\mathrm{RE}})/{\mathrm{\η}}_{\mathrm{DC}-\mathrm{DC}}{\stackrel{\‾}{\mathrm{\η}}}_{\mathrm{chr}}\\ P_{\mathrm{RE}}({\mathrm{\η}}_{\mathrm{RE}\_\max }-{\mathrm{\η}}_{\mathrm{RE}})+P_b(1-{\mathrm{\η}}_{\mathrm{chr}})+P_b{\mathrm{\η}}_{\mathrm{chr}}(1-{\stackrel{\‾}{\mathrm{\η}}}_{\mathrm{dis}})\end{array}\right.$

式中，P_RE为增程器输出功率，η_{RE_max}为增程器效率最高值，η_RE为增程器当前功率下效率值，

为增程器平均效率值，P_b为蓄电池输出功率，η_dis为蓄电池放电效率，η_chr为蓄电池充电效率，

为蓄电池平均放电效率，为蓄电池平均充电效率，η_DC-DC为DC-DC转换器效率；

b)根据离线计算的结果，对神经网络进行训练；

c)通过训练后的神经网络计算出当前最优功率分配，包括增程器输出功率。

所述的步骤4)中的修正具体是：将神经网络计算出的增程器输出功率与增程器功率增益系数K相乘得到调节后的增程器输出功率；所述的K通过以下公式计算：

$K={\left(\frac{P_{\mathrm{adj}}}{P_{\mathrm{dis}}}\right)}^{\frac{{\mathrm{RE}}_{\max }-{\mathrm{RE}}_{\mathrm{cons}}}{{\mathrm{RE}}_{\max }}}$

P_dis为增程器与蓄电池一起放电时的最小功率，P_adi为系数调节功率，RE_max为增程器能量最大储量，RE_cons为增程器能量消耗量。

与现有技术相比，本发明具有以下优点：

1)本发明基于瞬时功率最小算法并结合神经网络控制混合动力系统中各能量源的输出功率，具有燃油经济性好、易于实车实现等特点；

2)本发明所采用的能量管理方法可以方便的应用于内燃机——蓄电池，燃料电池发动机——蓄电池等混合动力系统，具有良好的扩展性。

附图说明

图1为本发明方法的流程示意图；

图2为实施例中混合动力系统的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种基于神经网络的混合动力系统能量管理方法，该方法基于瞬时优化能量管理策略中的瞬时功率最小算法，确定了影响能量分配的两个主要影响因素：混合动力系统的需求功率和蓄电池SOC，采用离线计算的方法，将能量管理策略提炼为一组双输入、单输出的能量管理规则。采用BP神经网络对所提炼出的能量管理规则进行拟合。使用训练好的神经网络根据混合动力系统的需求功率和蓄电池SOC等参数实时控制混合动力系统的功率输出分配，以提高混合动力系统的燃料经济性。

如图2所示，本实施例中的混合动力系统包括整车控制器(VMS)5、CAN总线、增程器1、蓄电池2、增程器控制器3、蓄电池控制器4和汽车动力附件6，所述的整车控制器分别通过CAN总线连接增程器控制器3、蓄电池控制器4和汽车动力附件6，所述的增程器1与增程器控制器3连接，所述的蓄电池2与蓄电池控制器4连接，所述的增程器1通过DC-DC转换器与蓄电池2连接。能量管理策略的控制参数通过CAN总线在VMS与能量源的控制器之间完成数据交互。VMS从CAN总线获得能量管理策略计算所需数据后，通过内部的神经网络计算出最优功率分配，并使用功率增益系数k对神经网络计算出的最优功率分配进行修正以获得最终的功率分配，再通过CAN总线将这一分配发送给能量源的控制器，以完成对能量源的输出功率控制。

上述基于神经网络的混合动力系统能量管理方法具体包括以下步骤：

在步骤401中，整车控制器(VMS)向CAN总线询问能量管理策略计算所需数据，包括需求功率、蓄电池SOC等，所述的能量管理策略计算所需数据根据基于最小功率损失算法获得。然后执行步骤402。

在步骤402中，从各汽车附件向CAN总线传输的数据中选取能量管理策略计算所需数据发送给VMS。然后执行步骤403。

在步骤403中，VMS判断是否已接接收到完整的数据，如果完整，执行步骤404；如果不完整，返回步骤402。

在步骤404中，VMS根据所收到的能量管理策略计算所需数据，通过神经网络计算出最优功率分配。然后进入步骤405。

通过神经网络计算出当前最优功率分配具体包括以下步骤：

a)离线计算，根据如下动力系统瞬时功率损失公式计算出不同功率分配下的功率损失，

$\left\{\begin{array}{c}{P}_{\mathrm{RE}}({\mathrm{\η}}_{\mathrm{RE}\_\max }-{\mathrm{\η}}_{\mathrm{RE}})+P_b(1-{\mathrm{\η}}_{\mathrm{dis}})+P_b({\mathrm{\η}}_{\mathrm{RE}\_\max }-{\stackrel{\‾}{\mathrm{\η}}}_{\mathrm{RE}})/{\mathrm{\η}}_{\mathrm{DC}-\mathrm{DC}}{\stackrel{\‾}{\mathrm{\η}}}_{\mathrm{chr}}\\ P_{\mathrm{RE}}({\mathrm{\η}}_{\mathrm{RE}\_\max }-{\mathrm{\η}}_{\mathrm{RE}})+P_b(1-{\mathrm{\η}}_{\mathrm{chr}})+P_b{\mathrm{\η}}_{\mathrm{chr}}(1-{\stackrel{\‾}{\mathrm{\η}}}_{\mathrm{dis}})\end{array}\right.$

式中，P_RE为增程器输出功率，η_{RE_max}为增程器效率最高值，η_RE为增程器当前功率下效率值，

为增程器平均效率值，P_b为蓄电池输出功率，η_dis为蓄电池放电效率，η_chr为蓄电池充电效率，

为蓄电池平均放电效率，

为蓄电池平均充电效率，η_DC-DC为DC-DC转换器效率；

b)根据离线计算的结果，对神经网络进行训练；

c)通过训练后的神经网络计算出当前最优功率分配，包括增程器输出功率。

在步骤405中，使用功率增益系数k对神经网络计算出的最优功率分配进行修正；然后进入步骤406。

为调节增程器能量剩余量与电能剩余量之间的平衡，引入增程器功率增益系数K，将神经网络计算出的增程器输出功率与K相乘得到调节后的增程器输出功率。系数K要能使增程器能量剩余量时，放出较大功率；增程器能量剩余量较少时，放出原始功率。为实现动态调整，将增程器功率增益系数设计为与增程器能量剩余量有关的幂函数，K通过以下公式计算：

$K={\left(\frac{P_{\mathrm{adj}}}{P_{\mathrm{dis}}}\right)}^{\frac{{\mathrm{RE}}_{\max }-{\mathrm{RE}}_{\mathrm{cons}}}{{\mathrm{RE}}_{\max }}}$

P_dis为增程器与蓄电池一起放电时的最小功率，P_adi为系数调节功率，RE_max为增程器能量最大储量，RE_cons为增程器能量消耗量。

在步骤406中，VMS通过CAN总线向各能量源的控制器发送功率分配结果，完成控制端VMS对混合动力系统各能量源输出功率的分配。

Claims (5)

1.一种基于神经网络的混合动力系统能量管理方法，所述的混合动力系统包括整车控制器、CAN总线、能量源、能量控制器和汽车动力附件，所述的整车控制器分别通过CAN总线连接能量控制器和汽车动力附件，所述的能量源与能量控制器连接，其特征在于，所述的方法包括以下步骤：

1)整车控制器通过CAN总线向汽车动力附件发送访问信号，从汽车动力附件获取能量管理策略计算所需数据，所述的数据包括混合动力系统的需求功率和蓄电池SOC；

2)整车控制器判断是否已接收到完整的数据，若是，则执行步骤3)，若否，则返回步骤1)；

3)整车控制器根据接收到的能量管理策略计算所需数据，通过神经网络计算出当前最优功率分配；

4)使用功率增益系数对神经网络计算出的最优功率分配进行修正；

5)整车控制器通过CAN总线向能量控制器发送功率分配结果，完成整车控制器对混合动力系统中各能量源输出功率的分配控制。

2.根据权利要求1所述的一种基于神经网络的混合动力系统能量管理方法，其特征在于，所述的汽车动力附件包括散热子系统和空调子系统。

3.根据权利要求1所述的一种基于神经网络的混合动力系统能量管理方法，其特征在于，所述的能量源包括增程器和蓄电池。

4.根据权利要求3所述的一种基于神经网络的混合动力系统能量管理方法，其特征在于，所述的步骤3)中通过神经网络计算出当前最优功率分配具体包括以下步骤：

a)离线计算，根据如下动力系统瞬时功率损失公式计算出不同功率分配下的功率损失，

$\left\{\begin{array}{c}{P}_{\mathrm{RE}}({\mathrm{\η}}_{\mathrm{RE}\_\max }-{\mathrm{\η}}_{\mathrm{RE}})+P_b(1-{\mathrm{\η}}_{\mathrm{dis}})+P_b({\mathrm{\η}}_{\mathrm{RE}\_\max }-{\stackrel{\‾}{\mathrm{\η}}}_{\mathrm{RE}})/{\mathrm{\η}}_{\mathrm{DC}-\mathrm{DC}}{\stackrel{\‾}{\mathrm{\η}}}_{\mathrm{chr}}\\ P_{\mathrm{RE}}({\mathrm{\η}}_{\mathrm{RE}\_\max }-{\mathrm{\η}}_{\mathrm{RE}})+P_b(1-{\mathrm{\η}}_{\mathrm{chr}})+P_b{\mathrm{\η}}_{\mathrm{chr}}(1-{\stackrel{\‾}{\mathrm{\η}}}_{\mathrm{dis}})\end{array}\right.$

式中，P_RE为增程器输出功率，η_{RE_max}为增程器效率最高值，η_RE为增程器当前功率下效率值，

为增程器平均效率值，P_b为蓄电池输出功率，η_dis为蓄电池放电效率，η_chr为蓄电池充电效率，

为蓄电池平均放电效率，

为蓄电池平均充电效率，η_DC-DC为DC-DC转换器效率；

b)根据离线计算的结果，对神经网络进行训练；

c)通过训练后的神经网络计算出当前最优功率分配，包括增程器输出功率。

5.根据权利要求4所述的一种基于神经网络的混合动力系统能量管理方法，其特征在于，所述的步骤4)中的修正具体是；将神经网络计算出的增程器输出功率与增程器功率增益系数K相乘得到调节后的增程器输出功率；所述的K通过以下公式计算：

$K={\left(\frac{P_{\mathrm{adj}}}{P_{\mathrm{dis}}}\right)}^{\frac{{\mathrm{RE}}_{\max }-{\mathrm{RE}}_{\mathrm{cont}}}{{\mathrm{RE}}_{\max }}}$

P_dis为增程器与蓄电池一起放电时的最小功率，P_adj为系数调节功率，RE_max为增程器能量最大储量，RE_cont为增程器能量消耗量。

Images