CN105539423A - 结合环境温度保护电池的混合动力车转矩分配控制方法及系统 - Google Patents

Abstract

本发明公开了结合环境温度保护电池的混合动力车转矩分配控制方法及系统，包括1)采集车辆所处地区的环境温度信息；2)根据环境温度信息以及电池等效电路模型，计算得到电池实际温度；由电池剩余电量和电池最大电量计算得到电池的SoC值；3)根据所述SoC值和电池实际的温度，利用神经网络控制方法计算优化控制参数；4)在线最小等效油耗策略建模，建立等效油耗的目标函数式和约束式，并求解出等效油耗最小时对应的发动机转矩和电动机转矩；5)整车传动系及动力学模块按步骤4)得出的发动机转矩值和电动机转矩值进行转矩分配并发送控制命令驱动车辆。通过温度对电池特性的考虑，控制电力驱动系统，起到保护电池作用，具有实际意义。

Description

结合环境温度保护电池的混合动力车转矩分配控制方法及系统

技术领域

本发明涉及一种混合动力车电池保护的预测控制方法，特别涉及一种结合环境温度保护电池的混合动力车转矩分配控制方法及系统。

背景技术

时代发展至今，相比传统的车辆用内燃机(ICE)和纯电动汽车(EV)，混合动力汽车可以在保证一定的续航里程前提下，实现更优的燃油经济性和污染排放性能。随着电力驱动关键技术进一步的发展，混合动力汽车中电力传动系统所占的比例日趋增加，比如：插电式混合动力汽车(PHEV)，而电池作为电力传动系统中的动力来源更是受到广泛的关注。

能源管理控制与优化策略作为混合动力汽车研究的重要研究领域发展已久。早期能量管理控制使用启发式的方法，将所得的策略形式化为布尔或模糊规则，现如今这些方法仍然都在使用，并在最近的研究中得到改进。目前国内对这一领域的研究尚属起步阶段。2013年，清华大学叶晓分析了动态规划法(DP),庞特亚金最小化原理(PMP)和等油耗最小化策略(ECMS)这几种能量管理策略，验证了ECMS能取得非常接近全局优化的燃油经济性。并于混合动力客车上验证了ECMS策略的可行性。同年，吉林大学周文滨，采用模糊神经网络算法对发动机转矩和电机转矩进行优化分配，设计了基于模糊逻辑算法的能量控制策略。2015年，同济大学徐国庆等提出通过对交通信息的预测进行混合动力汽车转矩的最优分配。

电池是混合动力汽车动力来源的重要组成部分之一，过往混合动力汽车的能量管理策略研究中常常考虑电池电量余量而忽视温度的影响，故而以往的研究无法从整车控制策略调整上为处于低温或极高温环境下车辆的电池系统提供保护。

发明内容

为了解决上述问题，本发明提供了一种结合环境温度保护电池的混合动力车转矩分配控制方法及系统，以弥补现有控制方法在不同环境温度下对电池提供保护这一领域内的空白，根据不同的环境温度，在线实时调整混合动力车辆的电动机转矩，以实现控制电池负载，保护车辆电池的目的。为实现上述目的，本发明采取以下技术方案：

结合环境温度保护电池的混合动力车转矩分配控制方法，包括如下步骤：

1)采集车辆所处地区的环境温度信息；

2)根据环境温度信息以及电池等效电路模型，计算得到电池实际温度；由电池剩余电量和电池最大电量计算得到电池的SoC值；

3)根据所述SoC值和电池实际的温度，利用神经网络控制方法计算优化控制参数f；

4)在线最小等效油耗策略建模，建立等效油耗的目标函数式和约束式，并求解出等效油耗最小时对应的发动机转矩和电动机转矩；

5)整车传动系及动力学模块按步骤4)得出的发动机转矩值和电动机转矩值进行转矩分配并发送控制命令驱动车辆。

作为优选，步骤1)中采集环境温度的方法是通过天气预测软件实现的，所述天气软件包括：手机天气预报软件，车载电脑天气模块软件，GPS导航装置中天气预报软件。

作为优选，步骤2)中计算电池实际温度的表达式为：

式中，I代表电池电流，R，R₀分别为电池等效电路中串联和并联的电阻值，T_body是电池实际温度，T_amb是环境温度，m_c是单个电池热容量，hA是散热系数。

作为优选，步骤2)中计算电池SoC值的表达式为：

式中，Q_max是电池的最大电量，Q(t)是电池t时刻剩余的电量，I(τ)是单位时间电池电流。

作为优选，步骤3)中所述的神经网络采用单一神经元控制结构；所述步骤3)的实现具体包括如下步骤：

3-1)，计算神经网络的两个输入量：x₁(SoC)和x₂(temp)；

3-2)，依据3-1)中的两个输入量计算得到优化控制参数f＝x₁(SoC)·w₁+x₂(temp)·w₂。

作为优选，所述步骤3-1)中计算x₁(SoC)的过程包括：

a，将从电池管理系统中读取的电池SoC值按式处理得到x_SoC，并使x_SoC介于区间[-1,1]；其中，SoC代表电池剩余容量值，也称电池荷电状态，SoC_H代表最高的电池剩余容量值，SoC_L代表最低的电池剩余容量值；

b，构造函数并使x₁(SoC)介于区间[0,1]；

所述步骤3-1)中计算x₂(temp)的过程包括：

c，通过实验获得电池容量随电池实际温度变化的特性函数f(temp)；

d，对函数值f(temp)按式进行归一化处理，得到作为人工神经网络的第二个输入值x₂(temp)，并使x₂(temp)的值介于区间[0,1]。

作为优选，所述步骤3-2)中的w₁＝0.5，w₂＝0.5。

作为优选，步骤4)中建立的目标函数式为：

$\min J\left(t\right)=min{\∫}_0^t{\stackrel{\·}{m}}_{eq}\left(\mathrm{\τ}\right)d\mathrm{\τ}=min{\∫}_0^t{\stackrel{\·}{m}}_{ice}\left(\mathrm{\τ}\right)+{\stackrel{\·}{m}}_{em}\left(\mathrm{\τ}\right)+{\stackrel{\·}{m}}_{gene}\left(\mathrm{\τ}\right)d\mathrm{\τ},$

建立的约束式为：

$s.t.=\left\{\begin{array}{c}{T}_i^{\min }\left({\mathrm{\ω}}_i\right)\≤T_i\left({\mathrm{\ω}}_i\right)\≤T_i^{\max }\left({\mathrm{\ω}}_i\right);\\ {\mathrm{\ω}}_i^{\min }\≤{\mathrm{\ω}}_i\left(t\right)\≤{\mathrm{\ω}}_i^{\max };\\ {\mathrm{SoC}}_{\min }\≤SoC\≤{\mathrm{SoC}}_{\max }\\ P_{batt}^{\min }\≤P_{batt}\left(t\right)\≤P_{batt}^{\max }\end{array}\right.;$

其中，J(t)是表示整车等效燃油消耗量的目标函数，表示瞬时等效燃油消耗量，m_ice(τ)是发动机所消耗的燃料，m_em(τ)和m_gene(τ)分别是电动机和发电机的等效燃油消耗，T和ω分别代表转矩和转速，i表示发动机，电动机和发电机中的一种。T_i ^min(ω_i)表示最小转矩，T_i ^max(ω_i)表示最大转矩，表示最小转速，表示最大转速。SoC为电池剩余电量，SoC_min表示最小电池剩余容量，SoC_max表示最大电池剩余容量，P_batt(t)电池t时刻的功率，表示电池最小功率，表示电池最大功率。

作为优选，所述步骤4)还包括建立电动机等效燃油消耗函数式：

${\stackrel{\·}{m}}_{em}\left(\mathrm{\τ}\right)=f\·(\frac{\mathrm{\γ}}{{\mathrm{\η}}_{ch}}+\frac{1-\mathrm{\γ}}{{\mathrm{\η}}_{dch}})\·\frac{T_m\·{\mathrm{\ω}}_m}{Q_{LHV}},$

其中，因数γ取值依赖于电动机工作状态，η_ch和η_dch分别为电动机充、放电过程中电动机的能量转化效率，T_m和ω_m分别是电动机的转矩和转速，f是优化控制参数，获得，Q_LHV代表低热值；

还包括建立发动机转矩函数式：T_req＝T_m+T_ice，其中T_req是通过加速踏板信号得到的当前需求转矩。

本发明还提出了结合环境温度保护电池的混合动力车转矩分配控制系统，包括温度信息采集模块、电池参数计算模块、控制处理模块以及传动系及动力学模块；所述温度信息采集模块连接电池参数计算模块，所述电池参数计算模块连接控制处理模块，所述控制处理模块与所述传动系及动力学模块之间互连；

所述温度信息采集模块用于采集车辆所处环境的温度、并将环境的温度值送给所述电池参数计算模块，所述温度信息采集模块通过天气软件实现；

所述电池参数计算模块包括电池实际温度计算模型和电池余量估算模型，所述电池实际温度计算模型用于得到电池实际温度，电池余量估算模型用于得到电池余量值，所述电池参数计算模块将得到的电池实际温度和电池余量值送给所述控制处理模块；

所述控制处理模块包括优化控制参数处理模块和转矩分配控制优化模型模块；所述优化控制参数处理模块采用人工神经网络控制结构，用于对所述电池实际温度和电池余量值进行处理得到优化控制参数f，所述转矩分配控制优化模型模块的作用是利用f的值结合建立的等效油耗目标函数得到发动机转矩和电动机转矩值，所述控制处理模块将得到发动机转矩和电动机转矩值送给所述传动系及动力学模块；

所述传动系及动力学模块根据发动机转矩和电动机转矩值进行转矩分配以及驱动车辆。

本发明的有益效果：

1)随着智能手机，各种天气预报软件的发展，利用天气软件，采集车辆所处环境的实时温度信息更加方便。

2)改进等效油耗最小化策略模型，设计受环境温度影响的控制参数，使混合动力汽车电动机和电池工作模式受温度变化调整成为可能。

3)提出了利用人工神经网络控制理论，量化计算温度和SoC荷电量，并建立规则求解控制参数f。为优化后的等油耗最小化策略模型提供了一种确定优化控制参数f的方法实例。

4)实际使用过程中通过加入温度对电池特性的考虑，控制电力驱动系统的使用份额，起到保护电池和延长电池寿命的作用。通过实时温度气象信息的导入，使优化更具实际意义。

附图说明

图1是某插电式混合动力SUV传动系结构示意图。

图2是电池等效电路图；

图3是单个人工神经网络算法示意图。

图4是基于环境温度信息的混合动力车电池保护的转矩分配控制原理框图。

图5是是等油耗最小策略实施算法逻辑图。

图6是某磷酸铁锂电池容量随温度变化特性图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步描述。

图1所示为某款插电式混合动力的传动系结构示意图，采用发动机前驱电机后驱的四驱多功能运动车(SUV)结构形式，发动机经过变矩器和变速箱通过半轴驱动前轮；后电机由电池供电，通过齿轮组减速增扭后驱动后轮；前发电机由发动机带动给电池充电；与此同时，后电机可在制动过程中进行制动能量回收，给电池充电。

本发明以这款插电式混合动力车等油耗最小化策略控制系统为例进行说明，本发明提出的转矩分配控制原理框图如图4所示，包括温度信息采集模块、电池参数计算模块、控制处理模块以及传动系及动力学模块；所述温度信息采集模块连接电池参数计算模块，所述电池参数计算模块连接控制处理模块，所述控制处理模块与所述传动系及动力学模块之间互连；所述温度信息采集模块用于采集车辆所处环境的温度、并将环境的温度值送给所述电池参数计算模块，所述温度信息采集模块通过天气预测软件实现；所述电池参数计算模块包括电池实际温度计算模型和电池余量估算模型，所述电池实际温度计算模型用于得到电池实际温度，电池余量估算模型用于得到电池余量值，所述电池参数计算模块将得到的电池实际温度和电池余量值送给所述控制处理模块；所述控制处理模块包括优化控制参数处理模块和转矩分配控制优化模型模块；所述优化控制参数处理模块采用人工神经网络控制结构，用于对所述电池实际温度和电池余量值进行处理得到优化控制参数f，所述转矩分配控制优化模型模块的作用是利用f的值，结合建立的等效油耗目标函数得到发动机转矩值和电动机转矩值，所述控制处理模块将得到发动机转矩值和电动机转矩值送给所述传动系及动力学模块；所述传动系及动力学模块根据发动机转矩值和电动机转矩值进行转矩分配以驱动车辆。

与此同时，本发明还提出了基于图4所示系统的转矩分配控制方法，包括：第一步为环境温度信息采集，第二步为电池特性参数计算，第三步为采用神经网络控制方法计算优化控制参数，第四步为在线等效油耗最小控制策略建模，第五步为输出发动机和电动机的转矩分配。具体实现如下所述：

步骤1)环境温度信息采集：由天气预测软件连线当地气象观测部门采集和存储车辆所处地区的环境温度信息。包括：手机天气预报软件，车载电脑天气模块软件，GPS导航装置中天气预报软件等。

步骤2)电池特性参数计算：由车辆电池管理系统读取实时的环境温度信息，结合电池等效电路模型(如图2所示)，按式(1)计算得到电池实际温度T_body。同时，由电池剩余电量和电池最大电量计算得到电池的SoC值。

$m_c\frac{{\mathrm{dT}}_{body}}{dt}=I^2(R+R_0)-hA(T_{body}-T_{amb})---\left(1\right)$

$SoC=\frac{Q\left(t\right)}{Q_{max}}=\frac{1}{Q_{max}}{\∫}_0^{t}I\left(\mathrm{\τ}\right)d\mathrm{\τ}---\left(2\right)$

式(1)中，I代表电池电流，R，R₀分别为图2所示电池等效电路中串联和并联的电阻值，T_body是电池实际温度，T_amb是环境温度，m_c是单个电池热容量，hA是散热系数。

式(2)中，Q_max是电池的最大电量，Q(t)是电池t时刻剩余的电量，I(τ)是单位时间电池电流。

步骤3)采用神经网络控制方法计算优化控制参数：为结合电池SoC值和电池实际温度两项参数，综合确定电动机所应分配到的转矩，本发明使用神经网络控制方法来确定目标函数中的优化控制参数f。由于输入量较少，故采用单一神经元控制结构(如图3所示)，有利于控制实施的效率。为此首先求解神经网络的两个输入量：x₁(SoC)和x₂(temp)。

从电池管理系统中读取计算得到的电池的SoC值，按式(3)进行处理，使中间处理值x_SoC介于区间[-1,1]；为满足在SoC低值下惩罚(减少)电力驱动系统，在SoC高值下激励电力驱动系统，按式(4)构造函数x₁(SoC)，使人工神经网络的第一个输入值x₁(SoC)介于区间[0,1]。

$x_{SoC}=\frac{SoC-({\mathrm{SoC}}_H+{\mathrm{SoC}}_L)/2}{({\mathrm{SoC}}_H-{\mathrm{SoC}}_L)/2}---\left(3\right)$

$x_1\left(SoC\right)=\frac{1+x_{SoC}}{2}---\left(4\right)$

式(3)-(4)中，SoC代表电池剩余容量值，也称电池荷电状态，SoC_H代表最高的电池剩余容量值，SoC_L代表最低的电池剩余容量值。

人工神经网络的第二个输入值x₂(temp)，是与电池实际温度相关的一个函数输入。主要来源于实际使用车载电池的实验数据。通过实验可以获得电池容量随电池实际温度变化的特性函数f(temp)，如图6所示为实验测得的某磷酸铁锂电池特性，a)为-20℃-25℃时电池容量随电池实际温度变化的曲线；b)为25℃-60℃时电池容量随电池实际温度变化的曲线。f(temp)反应了随着温度变化电池特性实际发生的变化，函数值越高说明电池特性越理想，当电池特性理想时激励电力驱动系统，否则惩罚(减少)其使用。对函数值f(temp)按式(6)进行归一化处理，得到作为人工神经网络的第二个输入值x₂(temp)，介于区间[0,1]。

$x_2\left(temp\right)=\frac{f\left(temp\right)-f{\left(temp\right)}_{\min }}{f{\left(temp\right)}_{max}-f{\left(temp\right)}_{\min }}---\left(6\right)$

最后以式(7)定义人工神经网络的求解法则，由于输入的两个影响因素属于并列特性，定义权重系数w₁＝w₂＝0.5,得到优化控制参数f，并且f的值介于[0，1]区间。

f＝x₁(SoC)·w₁+x₂(temp)·w₂(7)

步骤4)在线最小等效油耗策略(online-ECMS)目标建模：在线等效油耗控制器实施策略及与整车连接示意图如图5所示，在线等效油耗控制器从整车读取当前的需求转矩，以需求转矩与最大电机转矩为上限，对电机转矩按油耗最小目标进行寻优，最后向整车输出优化得到的电机转矩和发动机转矩。

在线等效油耗策略的主要目标是找到以等效油耗最小为目标求解得出优化转矩分配(包括发动机转矩和电动机转矩)，同时满足一些等式和不等式约束。结合等效油耗最小化策略模型，获得此系统在线等效油耗最小策略的目标函数式(8)和约束式(9)。

$\min J\left(t\right)=min{\∫}_0^t{\stackrel{\·}{m}}_{eq}\left(\mathrm{\τ}\right)d\mathrm{\τ}=min{\∫}_0^t{\stackrel{\·}{m}}_{ice}\left(\mathrm{\τ}\right)+{\stackrel{\·}{m}}_{em}\left(\mathrm{\τ}\right)+{\stackrel{\·}{m}}_{gene}\left(\mathrm{\τ}\right)d\mathrm{\τ}---\left(8\right)$

$s.t.=\left\{\begin{array}{c}{T}_i^{\min }\left({\mathrm{\ω}}_i\right)\≤T_i\left({\mathrm{\ω}}_i\right)\≤T_i^{\max }\left({\mathrm{\ω}}_i\right);\\ {\mathrm{\ω}}_i^{\min }\≤{\mathrm{\ω}}_i\left(t\right)\≤{\mathrm{\ω}}_i^{\max };\\ {\mathrm{SoC}}_{\min }\≤SoC\≤{\mathrm{SoC}}_{\max }\\ P_{batt}^{\min }\≤P_{batt}\left(t\right)\≤P_{batt}^{\max }\end{array}\right.---\left(9\right)$

式(8)-(9)中，J(t)是表示整车等效燃油消耗量的目标函数，表示瞬时等效燃油消耗量，m_ice(τ)是发动机所消耗的燃料，m_em(τ)和m_gene(τ)分别是电动机和发电机的等效燃油消耗，T和ω分别代表转矩和转速，i表示发动机，电动机和发电机中的一种。T_i ^min(ω_i)表示最小转矩，T_i ^max(ω_i)表示最大转矩，表示最小转速，表示最大转速。SoC为电池剩余电量，SoC_min表示最小电池剩余容量，SoC_max表示最大电池剩余容量，P_batt(t)电池t时刻的功率，表示电池最小功率，表示电池最大功率。

其中，电动机的等效燃油消耗的函数式(10)如下：

${\stackrel{\·}{m}}_{em}\left(\mathrm{\τ}\right)=f\·(\frac{\mathrm{\γ}}{{\mathrm{\η}}_{ch}}+\frac{1-\mathrm{\γ}}{{\mathrm{\η}}_{dch}})\·\frac{T_m\·{\mathrm{\ω}}_m}{Q_{LHV}}---\left(10\right)$

$\mathrm{\γ}=\frac{1+sign\left(T_m\right)}{2}---\left(11\right)$

式中，η_ch和η_dch分别为充放电过程中电动机的能量转化效率，T_m和ω_m是电动机的转矩和转速，f是步骤3)得到的优化控制参数，Q_LHV代表低热值。因数γ取值依赖于电动机工作状态，如在制动能量回收时的充电状态，即电力将储存于电池中而不被使用，等效燃油消耗为负，正常驱动时油耗为正。

发电机由于只起充电作用，所以等效燃油消耗的函数如式(5)所示，始终为负。

${\stackrel{\·}{m}}_{gene}\left(\mathrm{\τ}\right)=-\frac{1}{{\mathrm{\η}}_{gene}}\·\frac{T_{gene}.{\mathrm{\ω}}_{gene}}{Q_{LHV}}---\left(12\right)$

式(12)中，η_gene为发电机效率，T_gene和ω_gene为发电机的转矩和转速。

以上述的四驱结构为例，通过加速踏板信号等可得到当前的需求转矩T_req，需求转矩分配给电动机的转矩T_m和发动机的转矩T_ice满足式(13)。

T_req＝T_m+T_ice(13)

进一步由式子(13)可以求出发动机转矩T_ice。

步骤5)整车传动系及动力学模块按步骤4)得出的发动机转矩值和电动机转矩值进行转矩分配并发送控制命令驱动车辆。

本发明同样适用于其他串联式、并联式和混联式的混合动力汽车能源管理控制系统，具体建模方法与控制过程与本文所述混合动力汽车等油耗最小化策略控制系统一致，在此不再重复描述。

以上所述仅仅用于描述本发明的技术方案，并不用于限定本发明的保护范围，应当理解，在不违背本发明实质内容和原则的前提下，所作任何修改、等同替换等都将落入本发明的保护范围内。

Claims (10)

1.结合环境温度保护电池的混合动力车转矩分配控制方法，其特征在于，包括如下步骤：

1)采集车辆所处地区的环境温度信息；

2)根据环境温度信息以及电池等效电路模型，计算得到电池实际温度；由电池剩余电量和电池最大电量计算得到电池的SoC值；

3)根据所述SoC值和电池实际的温度，利用神经网络控制方法计算优化控制参数f；

4)在线最小等效油耗策略建模，建立等效油耗的目标函数式和约束式，并求解出等效油耗最小时对应的发动机转矩和电动机转矩；

5)整车传动系及动力学模块按步骤4)得出的发动机转矩值和电动机转矩值进行转矩分配并发送控制命令驱动车辆。

2.根据权利要求1所述的结合环境温度保护电池的混合动力车转矩分配控制方法，其特征在于，步骤1)中采集环境温度的方法是通过天气预测软件实现的，所述天气软件包括：手机天气预报软件，车载电脑天气模块软件，GPS导航装置中天气预报软件。

3.根据权利要求1所述的结合环境温度保护电池的混合动力车转矩分配控制方法，其特征在于，步骤2)中计算电池实际温度的表达式为：

$m_c\frac{{\mathrm{dT}}_{body}}{dt}=I^2(R+R_0)-hA(T_{body}-T_{amb}),$

式中，I代表电池电流，R，R₀分别为电池等效电路中串联和并联的电阻值，T_body是电池实际温度，T_amb是环境温度，m_c是单个电池热容量，hA是散热系数。

4.根据权利要求1所述的结合环境温度保护电池的混合动力车转矩分配控制方法，其特征在于，步骤2)中计算电池SoC值的表达式为：

$SoC=\frac{Q\left(t\right)}{Q_{max}}=\frac{1}{Q_{max}}{\∫}_0^{t}I\left(\mathrm{\τ}\right)d\mathrm{\τ},$

式中，Q_max是电池的最大电量，Q(t)是电池t时刻剩余的电量，I(τ)是单位时间电池电流。

5.根据权利要求1所述的结合环境温度保护电池的混合动力车转矩分配控制方法，其特征在于，步骤3)中所述的神经网络采用单一神经元控制结构；所述步骤3)的实现具体包括如下步骤：

3-1)，计算神经网络的两个输入量：x₁(SoC)和x₂(temp)；

3-2)，依据3-1)中的两个输入量计算得到优化控制参数f＝x₁(SoC)·w₁+x₂(temp)·w₂。

6.根据权利要求5所述的结合环境温度保护电池的混合动力车转矩分配控制方法，其特征在于，所述步骤3-1)中计算x₁(SoC)的过程包括：

a，将从电池管理系统中读取的电池SoC值按式处理得到x_SoC，并使x_SoC介于区间[-1,1]；其中，SoC代表电池剩余容量值，也称电池荷电状态，SoC_H代表最高的电池剩余容量值，SoC_L代表最低的电池剩余容量值；

b，构造函数并使x₁(SoC)介于区间[0,1]；

所述步骤3-1)中计算x₂(temp)的过程包括：

c，通过实验获得电池容量随电池实际温度变化的特性函数f(temp)；

d，对函数值f(temp)按式 $x_2\left(temp\right)=\frac{f\left(temp\right)-f{\left(temp\right)}_{min}}{f{\left(temp\right)}_{max}-f{\left(temp\right)}_{min}}$ 进行归一化处理，得到作为人工神经网络的第二个输入值x₂(temp)，并使x₂(temp)的值介于区间[0,1]。

7.根据权利要求5所述的结合环境温度保护电池的混合动力车转矩分配控制方法，其特征在于，所述步骤3-2)中的w₁＝0.5，w₂＝0.5。

8.根据权利要求1所述的结合环境温度保护电池的混合动力车转矩分配控制方法，其特征在于，步骤4)中建立的目标函数式为：

$\min J\left(t\right)=min{\∫}_0^t{\stackrel{\·}{m}}_{eq}\left(\mathrm{\τ}\right)d\mathrm{\τ}=min{\∫}_0^t{\stackrel{\·}{m}}_{ice}\left(\mathrm{\τ}\right)+{\stackrel{\·}{m}}_{em}\left(\mathrm{\τ}\right)+{\stackrel{\·}{m}}_{gene}\left(\mathrm{\τ}\right)d\mathrm{\τ},$

建立的约束式为：

$s.t.=\left\{\begin{array}{c}{T}_i^{\min }\left({\mathrm{\ω}}_i\right)\≤T_i\left({\mathrm{\ω}}_i\right)\≤T_i^{\max }\left({\mathrm{\ω}}_i\right);\\ {\mathrm{\ω}}_i^{\min }\≤{\mathrm{\ω}}_i\left(t\right)\≤{\mathrm{\ω}}_i^{\max };\\ {\mathrm{SoC}}_{\min }\≤SoC\≤{\mathrm{SoC}}_{\max }\\ P_{batt}^{\min }\≤P_{batt}\left(t\right)\≤P_{batt}^{\max }\end{array}\right.;$

其中，J(t)是表示整车等效燃油消耗量的目标函数，表示瞬时等效燃油消耗量，m_ice(τ)是发动机所消耗的燃料，m_em(τ)和m_gene(τ)分别是电动机和发电机的等效燃油消耗，T和ω分别代表转矩和转速，i表示发动机，电动机和发电机中的一种。表示最小转矩，表示最大转矩，表示最小转速，表示最大转速。SoC为电池剩余电量，SoC_min表示最小电池剩余容量，SoC_max表示最大电池剩余容量，P_batt(t)电池t时刻的功率，表示电池最小功率，表示电池最大功率。

9.根据权利要求8所述的结合环境温度保护电池的混合动力车转矩分配控制方法，其特征在于，所述步骤4)还包括建立电动机等效燃油消耗函数式：

${\stackrel{\·}{m}}_{em}\left(\mathrm{\τ}\right)=f\·(\frac{\mathrm{\γ}}{{\mathrm{\η}}_{ch}}+\frac{1-\mathrm{\γ}}{{\mathrm{\η}}_{dch}})\·\frac{T_m\·{\mathrm{\ω}}_m}{Q_{LHV}},$

其中，因数γ取值依赖于电动机工作状态，η_ch和η_dch分别为电动机充、放电过程中电动机的能量转化效率，T_m和ω_m分别是电动机的转矩和转速，f是优化控制参数，获得，Q_LHV代表低热值；

还包括建立发动机转矩函数式：T_req＝T_m+T_ice，其中T_req是通过加速踏板信号得到的当前需求转矩。

10.结合环境温度保护电池的混合动力车转矩分配控制系统，其特征在于，包括温度信息采集模块、电池参数计算模块、控制处理模块以及传动系及动力学模块；所述温度信息采集模块连接电池参数计算模块，所述电池参数计算模块连接控制处理模块，所述控制处理模块与所述传动系及动力学模块之间互连；

所述温度信息采集模块用于采集车辆所处环境的温度、并将环境的温度值送给所述电池参数计算模块，所述温度信息采集模块通过天气软件实现；

所述电池参数计算模块包括电池实际温度计算模型和电池余量估算模型，所述电池实际温度计算模型用于得到电池实际温度，电池余量估算模型用于得到电池余量值，所述电池参数计算模块将得到的电池实际温度和电池余量值送给所述控制处理模块；

所述控制处理模块包括优化控制参数处理模块和转矩分配控制优化模型模块；所述优化控制参数处理模块采用人工神经网络控制结构，用于对所述电池实际温度和电池余量值进行处理得到优化控制参数f，所述转矩分配控制优化模型模块的作用是利用f的值结合建立的等效油耗目标函数得到发动机转矩和电动机转矩值，所述控制处理模块将得到发动机转矩和电动机转矩值送给所述传动系及动力学模块；

所述传动系及动力学模块根据发动机转矩和电动机转矩值进行转矩分配以及驱动车辆。