CN105246753A - 用于优化混合动力车辆的能量消耗的方法 - Google Patents

Abstract

一种用于根据混合动力车辆的能量管理规则、该车辆的牵引用蓄电池的充电状态和预期行程来优化该车辆的行程能量消耗的方法，其特征在于，在该行程进程上的燃烧诱发转矩供应与电动诱发转矩供应之间的分配是基于该行程上的总的能量消耗的预测、根据构成此行程的多个不同区段上的这两种供应之间的分配和能量消耗的估算来建立的。

Description

用于优化混合动力车辆的能量消耗的方法

技术领域

本发明涉及混合动力车辆中的能量管理领域，该混合动力车辆具有至少一个热能能源和至少一个电能能源。

更确切地讲，本发明涉及根据所述车辆的能量管理规则、该车辆的牵引用蓄电池的充电状态和预期路线来对混合动力车辆在路线上的能量消耗进行优化的一种方法。

本发明优选地但非排他性地旨在用于可再充电的混合动力车辆，在这些可再充电的混合动力车辆中牵引用蓄电池可以直接从供电网络上的电源输出口来再充电。

背景技术

在可再充电的混合动力车辆中常用的能量管理方法涉及首先优选对蓄电池放电，随后一旦蓄电池电量低就维持该蓄电池的充电状态。这种方法通常是与减小能耗和保护环境的目的不相容的。取决于预期路线的距离和轮廓，以混合模式驾驶可能更加有利，即使这意味着到达目的地伴随着蓄电池放电。

为了能够做到车辆的能量源(电能和热能)的明智使用，车辆的能量管理系统需要知道车辆的能量需求和在预期行程上的可回收能量的数量。这种需求取决于大量参数，例如驾驶风格、环境(市区、高速公路、高地)以及与车辆(负载)或外界(下雨、刮风、交通密度等)有关的各种扰动量。

公开号US2010/0305839披露了基于车辆的消耗模型根据交通情况的一种能量预测方法。这种方法没有考虑每个驾驶者的独特性。因此，该方法不太可能与车载能量管理系统相兼容。

发明内容

本发明旨在预测车辆在给定路线上行驶区段的能量类别，以便根据车辆和路线的独特性来优化该车辆的能量源的使用。

为此目的，本发明提出，在路线上的热成因转矩供应与电气成因转矩供应之间的分离是基于该路线的总能量消耗的预测、根据在构成此路线的多个不同区段上的这两个能源之间的能量分离和消耗的估算来建立的。

优选地，路线在填充有每个区段能量类别的估算的数据库中被分解为多个区段。

附图说明

在本发明的非限制性实施例的下述描述中通过参照附图对本发明进行进一步的解释，在附图中：

-图1示出了一族曲线，这族曲线示出了根据用于行驶一千米的电能的百分比、区段的平均倾斜度和区段的能量类别的燃料消耗

-图2示出了在所使用的数据库中道路区段的分类，

-图3示出了在区段的四种能量类别上的“逻辑回归”的结果，并且

-图4总结了该优化方法。

具体实施方式

本发明提出了使用混合动力车辆根据所使用的电能百分比的消耗曲线。通过举例和出于对比的目的，图1结合了对于给定的混合动力车辆在高速公路循环、道路循环、市区循环、和交通堵塞时以不同的平均坡度行驶1km的一族消耗曲线。

本发明在车辆中使用了车载导航系统，该车载导航系统能够始终表明车辆的位置和路线。该系统还在路线的这些区段上提供信息(例如平均速度、车道数量、红绿灯、路标等)，使得该系统能够在能量管理方面计算出最短、最快并且(最重要的是)最有利的路线。为此，所提出的方法是基于导航系统所使用的特定地图数据库。

这个数据库是使用现有地图数据来设置的，列出了足够数量的路线用以建立预测模型。目录使之有可能对地图提供者所提供的道路区段进行分类：区段通常对应于具有相同特征的路段。区段可以是几米至几千米长。这些区段是根据给定距离上的优化分离来分类的，该优化分离是通过优化算法、基于车辆给出的路线信息(尤其是速度和所记录的倾斜度)、使用基于动态基本原则的计算模型得出的。此信息还包括一族例如在图1中的那些曲线，示出了根据四个不同的区段类别的用于行驶一千米的电能的百分比的燃料消耗。

这些区段因此取决于根据所使用的电能的百分比的消耗曲线的形状而被分类为多个能量类别。相关函数可以例如被用于表征该形状的特征。

根据所述车辆的能量管理规则、该车辆的牵引用蓄电池的充电状态和预期路线来优化混合动力车辆在整个路线上的能量消耗。为此，导航系统的算法计算出在全部预期行程上的热源与电源之间的最优能量分离以便预测车辆在该行程上的能量需求。该预测涉及通过使用填充的数据库来估算车辆将行驶的区段的能量类别。这种需求例如将预期路线分类成上述四种类别中的一个：交通堵塞、市区、道路和高速公路。

通过记录试验车辆的全球定位系统(GPS)位置和速度，有利地建立了数据库。然后每条试验路线在填充有车辆在每个区段上的能量消耗的估算的数据库中被分解为多个区段。使用GPS坐标和所行驶的区段，还记下了这些区段的某些特征。然后该优化算法能够为每个区段确定最优能量分离，从而使运行成本最小化。如以上所指明的，这些区段是根据其与已建立的类别之一最接近的曲线的形状，例如所引用的四种类别(交通堵塞、市区、道路和高速公路)来进行分类的。

在图2中所示的数据库的结构是呈矩阵点的云形式，无需限于此形式。在这个实例中，这些区段是根据十个特征数据来分类的，这些数据特征为：

·-区段类型(来自六种类别)，

·-该区段上的最大允许速度，

·-随交通信息更新的平均实际速度(默认速度)，

·-道路“属性”：环状交叉路口或桥梁、市区、十字路口等的存在，

·-区段“等级”(提供最大流量信息)，

·-标准速度(“速度类别”)，

·-(在行驶方向上的)车道数量，

·-交通(存在或不存在低速交通，是使用交通信息更新的)

·-存在停车标志，

·-存在红绿灯。

这个实例示出了在选择能量类别时相关的所有变量。例如，高的法定限速示出了与高速公路和道路类别的良好关联性。它可以由客户制定的行程来补充，如果客户特别希望(记录客户行程)的话。

本发明使用此数据来提供用于预测路线的能量等级的静态模型的实施。有利地通过使用在许多领域(例如医学和银行业)中利用的“逻辑回归”技术来建立此模型。然而，其他分类/排序方法(例如决策树、神经网络等)可能是可行的并且被用于实施本发明。

逻辑回归模型可以例如采取以下形式：

$\begin{array}{c}\log \frac{\mathrm{Pr}(G=1|X=x)}{\mathrm{Pr}(G=K|X=x)}={\mathrm{\β}}_{10}+{\mathrm{\β}}_1^{T}x\\ \log \frac{\mathrm{Pr}(G=2|X=x)}{\mathrm{Pr}(G=K|X=x)}={\mathrm{\β}}_{20}+{\mathrm{\β}}_2^{T}x\end{array}$

.

.

.

$log\frac{\mathrm{Pr}(G=K-1|X=x)}{\mathrm{Pr}(G=K|X=x)}={\mathrm{\β}}_{(k-1)0}+{\mathrm{\β}}_{K-1}^{T}x.$

该模型被指定为K-1的对数函数，反映了概率之和必须等于1的条件。简单的计算给出了以下方程：

$\mathrm{Pr}(G=k|X=x)=\frac{e^{({\mathrm{\β}}_{k0}+{\mathrm{\β}}_k^{T}x)}}{1+\underset{l=1}{\overset{K-1}{\Σ}}{e}^{({\mathrm{\β}}_{l0}+{\mathrm{\β}}_l^{T}x))}}$

$\mathrm{Pr}(G=K|X=x)=\frac{1}{1+\underset{l=1}{\overset{K-1}{\Σ}}{e}^{({\mathrm{\β}}_{l0}+{\mathrm{\β}}_l^{T}x))}}.$

值得注意地通过由统计学家和生物学家罗纳德·费雪(R.A.Fisher)普及的最大似然法，提供了逻辑回归模型的估算。由于Pr(G|x)满足分布条件，对数似然函数的N个观测被写为：

$l\left(\mathrm{\β}\right)=\underset{i=1}{\overset{N}{\Σ}}\log p_{gi}(x_i;\mathrm{\β})$

一旦优化算法已经确定识别数据的模型(方程1)的参数，则必须在验证数据方面检查验证数据的有效性。图3示出了对验证数据方面的四种类别的逻辑回归的结果。实线代表属于给定等级的国际标准化概率(iso-probabilités)。使用这种方法获得的区段类别预测是97％可靠的。

总之，在该路线上的热成因转矩供应与电气成因转矩供应之间的分离是基于对于该路线的总能量消耗的预测、根据在构成这条路线的多个不同区段上的这两个能源之间的能量分离和消耗的估算来建立的。实施本发明需要能够对这些区段进行分类并且能够预测路线的类别的数据库。可以使用在移动的车辆上收集的数据来持续填充这个数据库，以便馈送可靠的能量预测模型。这个模型优选是“分类器”模型，例如逻辑回归模型。其优选地是在车辆车载的导航系统中实施的，从而使其能够将未来能量需求的可能性发送至实施能量优化的处理器。就优化所述驾驶者的策略而言,还可以通过对使用车辆的驾驶者进行了解来更新数据库。

如在图4中所示，车载GPS处理器或“智能手机”移动通信工具能够通过将未来线分解为行驶的多个区段来建立未来路线，从而预测该行程的能量消耗。然后“路线类别”数据被用于车辆中的处理器(HEVC)中以确定该行程上的电能供应和热能供应之间的分离。

根据其他信息(倾斜度和区段长度)，区段长度能够应用车辆的能量管理规则(LGE)，这些区段上有待使用的电能的量使车辆的消耗最小化并且优化了存储在车辆的蓄电池中的能量。优选地，蓄电池在路线上的放电曲线使车辆的总的能量消耗最小化。

本发明的优点有很多，包括以下各项：

·-使用学习选项将能量预测与驾驶者以及与驾驶者的驾驶风格相适配的选项，

·-可再充电的混合动力车辆中的降低的消耗，以及

·-在被限制为“零排放”车辆的市区区域中供应电能的选项。

最后，应注意的是，本发明主要应用于汽车，但也可以使用多种支持物(“智能手机”、平板电脑、非车载导航处理器、便携GPS、基础设施处理器等)来实施本发明。

Claims (9)

1.一种用于根据混合动力车辆的能量管理规则、该车辆的牵引用蓄电池的充电状态和预期路线来优化该车辆的路线上的能量消耗的方法，其特征在于，该路线上的热成因转矩供应与电成因转矩供应之间的分离是基于对于该路线的总能量消耗的预测、根据在构成该预期路线的多个不同区段上的这两个能源之间的能量分离和消耗的估算来建立的。

2.如权利要求1所述的优化方法，其特征在于，该路线在填充有所有区段的能量类别的估算的一个数据库中被分解为多个区段。

3.如权利要求2所述的优化方法，其特征在于，这些区段是根据不同条件来分类的，使得能够确定在每个区段上的能量需求的最优分离。

4.如权利要求3所述的优化方法，其特征在于，按照这些区段的消耗曲线的形状、根据所使用的电能来对这些区段分类。

5.如权利要求4所述的优化方法，其特征在于，这些区段根据其消耗曲线的形状被分类成四种类别(高速公路、道路、市区和交通堵塞)。

6.如以上权利要求之一所述的优化方法，其特征在于，这些区段的集合和静态模型被用于确定该路线属于哪种能量类别，由此能够预测该车辆在所述路线上的能量需求。

7.如权利要求6所述的优化方法，其特征在于，该路线的类别被使用在该车辆的一个处理器中以便确定该行程上的电能与热能之间的分离。

8.如权利要求5、6或7所述的优化方法，其特征在于，该蓄电池在该路线上的放电曲线使该车辆的总的能量消耗最小化。

9.如以上权利要求之一所述的优化方法，其特征在于，该数据库是通过对该驾驶者进行了解来更新的。