CN106004865B - 基于工况识别的里程自适应混合动力汽车能量管理方法 - Google Patents
基于工况识别的里程自适应混合动力汽车能量管理方法 Download PDFInfo
- Publication number
- CN106004865B CN106004865B CN201610372917.3A CN201610372917A CN106004865B CN 106004865 B CN106004865 B CN 106004865B CN 201610372917 A CN201610372917 A CN 201610372917A CN 106004865 B CN106004865 B CN 106004865B
- Authority
- CN
- China
- Prior art keywords
- soc
- mileage
- current
- charge
- energy management
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000000446 fuel Substances 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 9
- 241000156302 Porcine hemagglutinating encephalomyelitis virus Species 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000002860 competitive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 2
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 claims 1
- 108010050014 systemin Proteins 0.000 claims 1
- 238000011217 control strategy Methods 0.000 abstract description 4
- 238000013139 quantization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
- B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
- B60W10/08—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of electric propulsion units, e.g. motors or generators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/24—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means
- B60W10/26—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means for electrical energy, e.g. batteries or capacitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
- B60W2510/244—Charge state
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/06—Combustion engines, Gas turbines
- B60W2710/0677—Engine power
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/08—Electric propulsion units
- B60W2710/086—Power
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/24—Energy storage means
- B60W2710/242—Energy storage means for electrical energy
- B60W2710/244—Charge state
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/62—Hybrid vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Hybrid Electric Vehicles (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于工况识别的里程自适应混合动力汽车能量管理方法，包括工况识别和里程自适应能量管理控制方法两部分，在工况识别部分，采用学习向量量化（LVQ）模型对各工况特征参数进行训练学习以实现实时工况的识别；在里程自适应能量管理控制部分，涉及使用最小等效消耗（ECMS）。本发明所提出的方法通过识别工况的里程自适应的插电式混合动力汽车能量管理控制策略，通过适应不同的行驶里程和工况，结合PID控制，可显著改善汽车的燃油经济性，实现节能减排和美化环境。
Description
技术领域
本发明涉及一种基于工况识别的里程自适应混合动力汽车能量管理方法。
背景技术
PHEV插电式混合动力汽车作为传统汽车向电动汽车的过渡产品，很好的兼顾续航里程和燃油经济性。随着技术的提升，PHEV的控制策略已经从传统的基于规则转向最优控制。ECMS(等效燃油消耗)是通过优化等效因子λ，来充分发挥插电式的节油潜能的一种实时优化方法。传统的ECMS结合DP(动态规划)来获取某一预先给定的行驶工况的下的最佳等效因子。但在最近的研究中，发现等效因子在整个行驶过程中并非为一常数。2010年PinakTulpule等人通过研究表明随着里程的增加，等效因子有变大的趋势。2013年Hai Yu等人提出PHEV里程自适应能量控制策略，通过在不同的行驶工况下确立不同的等效因子，显著提升了车辆的燃油经济性。
发明内容
本发明的目的在于提供一种基于工况识别的里程自适应混合动力汽车能量管理方法，以克服现有技术中存在的缺陷。
为实现上述目的，本发明的技术方案是：一种基于工况识别的里程自适应混合动力汽车能量管理方法，按照如下步骤实现：
步骤S1：采用基于LVQ神经网络模型对预设工况进行训练学习，建立工况识别模型；
步骤S2：获取PHEV整车当前的行驶特征参数，通过所述工况识别模型判断当前所处工况；对荷电状态最低限值SOC(tf)进行预设，并从GPS/GIS模块获取里程总里程值Dtotal，通过SOCref生成子模块进一步获取参参考荷电状态SOCref(t)；
步骤S3：电池充放电模块获取所述参考荷电状态SOCref(t)以及当前所处工况，计算当前等效系数λ*(t)；
步骤S4：通过ECMS等效燃油最小模块获取所述当前等效系数λ*(t)，并结当前PHEV整车需求功率Pwhl(t)，计算当前电池输出功率Pbatt(t)以及当前发动机输出功率Peng(t)；
步骤S5：输出所述当前发动机输出功率Peng(t)以及所述当前电池输出功率Pbatt(t)至PHEV整车，对PHEV整车施加控制；
步骤S6：所述PHEV整车通过PID控制对运行过程中的SOCref(t)偏差进行修正。
在本发明一实施例中，在所述步骤S1中，在训练学习阶段，从测试循环工况模块中分别提取如下预设工况的行驶特征参数用于训练：闹市区、生活区、中速区以及快速区，且每种工况的特征参数包括：平均速度Vave、平均加速度αave、平均减速度βave、速度标准差Vstd、加速度标准差αstd、减速度标准差βstd、怠速时间/总时间的百分比Pt_idle以及平均行驶速度
在本发明一实施例中，所述LVQ神经网络模型有两层结构：隐含层以及输出层，LVQ神经网络模型将各个工况的特征参数作为输入向量，结合竞争学习以及监督学习对输入向量进行分类，在隐含层中进行学习训练，并将学习训练分类的结果传递至输出层的目标分类上，建立所述工况识别模型。
在本发明一实施例中，在所述步骤S2中，所述行驶特征参数包括：平均速度Vave、平均加速度αave、平均减速度βave、速度标准差Vstd、加速度标准差αstd、减速度标准差βstd、怠速时间/总时间的百分比Pt_idle以及平均行驶速度
在本发明一实施例中，所述参考荷电状态SOCref(t)通过如下方式获取：
其中，D(t)为所述PHEV整车所提供的当前已经行驶的里程，SOC(t0)为行驶初始的荷电状态，SOC(t)为当前电池荷电状态。
在本发明一实施例中，在所述步骤S3中，通过如下方式获取所述当前等效系数λ*(t)：
λ*(t)＝s*SOC(t)
其中，s为通过遗传算法离线优化获得的等效因子，且令SOC(t)对应取值为参考荷电状态SOCref(t)。
在本发明一实施例中，在所述步骤S4中，通过ECMS最小等效燃油消耗方法，通过建立哈密顿函数H(u,x,λ,t)获取所述当前电池输出功率Pbatt(t)：
其中，为单位时间燃油消耗量，为单位时间SOC的消耗量，x(t)为当前电池荷电状态SOC(t)，当λ取值为λ*(t)时，u*(t)为Pbatt(t)。
在本发明一实施例中，在所述步骤S4中，结合所述当前整车需求功率Pwhl(t)，计算所述前发动机输出功率peng(t)，且通过如下方式获取：
peng(t)＝Pwhl(t)-Pbatt(t)
在本发明一实施例中，在所述步骤S6中，所述PHEV整车反馈当前电池荷电状态SOC(t)至所述SOCref生成子模块，计算当前电池荷电状态SOC(t)与所述参考荷电状态SOCref(t)存在的偏差，并通过PID对所述参考荷电状态SOCref(t)的偏差进行修正。
相较于现有技术，本发明具有以下有益效果：本发明所提出的一种基于工况识别的里程自适应混合动力汽车能量管理方法，通过识别工况的里程自适应的插电式混合动力汽车能量管理控制策略，通过适应不同的行驶里程和工况，结合PID控制，可显著改善汽车的燃油经济性，实现节能减排和美化环境。
附图说明
图1为本发明一实施例中基于LVQ工况识别过程示意图。
图2为本发明一实施例中LVQ神经网络结构。
图3为本发明一实施例中学习训练过程的误差变化过程示意图。
图4为本发明一实施例中预设等效因子与电池SOC关系图。
图5为本发明一实施例中训练阶段基于工况识别里程自适应的能量管理策略架构图。
图6为本发明一实施例中基于工况识别里程自适应的能量管理策略架构图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种插电式混合动力汽车的工况识别的里程自适应能量管理控制方法。主要由工况识别和里程自适应能量管理控制方法组成。在工况识别的部分，采用基于LVQ(学习向量量化)神经网络模型对各个工况进行训练学习以实现实时工况的识别与选择。在里程自适应能量管理部分，采用基于ECMS的策略，并通过建立等效系数和SOC(电池荷电状态)的关系，进而引入于行驶里程相关的SOCref(t)，从而获得在不同行驶里程下的等效系数对应于实际工况即实时的等效系数λ(t)，最后通过PID控制来矫正运行过程中偏差，建立里程自适应的能量管理策略。
进一步的，在本实施例中，工况识别的关键在于根据当前行驶特征进行辨识进而判断所处行驶工况属于设定工况中的哪一种，其具体进程为：通过实时测量行驶特征参数并记录存储，实时的归纳过去N秒的行驶特征的变化规律来判断未来M秒的行驶趋势，该思想可见图1所示。
进一步的，在本实施例中，首先对行驶特征参数进行获取。为能够对各个工况进行准确而可行的识别，闹市区、生活区、中速区、快速区四种工况，采用的特征参数针对所研究的对象进行精简，分别选取平均速度Vave，平均加速度αave。平均减速度βave，速度标准差Vstd。加速度标准差αstd。，减速度标准差βstd，还有怠速时间/总时间的百分比Pt_idle，平均行驶速度具体如表1所示，为一组特征参数表。
表1
进一步的，在本实施例中，如图2所示，LVQ算法主要有两层结构，即隐含层和输出层；网络将采用结合了竞争学习和有监督的学习对输入向量进行分类，过程包括两个部分：一是通过计算Euclidean距离，匹配最近的神经元，二是权向量自适应变化的更新过程，最后在输出层上，将隐含层的分类结果传递到用户定义的目标分类上。
将上述提到的各个工况的8个特征参数作为输入向量，在竞争层(C)中进行学习训练，训练过程的误差变化过程如图3所示。最后通过由3个神经元组成输出层输出，通过识别输出层神经元的二进制信号，获得当前所处工况。
进一步的，在本实施例中，里程自适应能量控制总体由两部分组成：里程适应管理模块和ECMS等效燃油最小模块。里程适应模块由于SOCref生成子模块和电池充放电子模块组成，SOCref(t)生成子模块接收从GPS/GIS处获得行驶总里程Dtotal，由PHEV整车提供的当前行驶已经行驶的里程D(t)，当前电池荷电状态值SOC(t)，以及电池荷电状态初始值SOC(t0)，生成SOCref(t)；电池充放电子模块获取SOCref(t)，生成当前等效系数λ*(t)。ECMS等效燃油最小模块获取当前等效系数λ*(t)结合当前PHEV整车需求功率Pwhl(t)向整车提供当前电池输出功率Pbatt(t)和当前发动机输出功率Peng(t)。
进一步的，在本实施例中，如图5所示，在训练以及测试阶段，通过测试循环工况模块提供每种工况对应的当前整车需求功率Pwhl(t)，通过确定当前工况，从而确定当前整车需求功率Pwhl(t)。测试循环工况模块还提供LVQ算法学习训练阶段以及测试阶段的预设工况及其对应的行驶特征参数。
进一步的，在本实施例中，PHEV整车包括：电池模块，电机模块，发动机模块以及传动模块等，且该PHEV整车提供了当前的行驶特征参数，包括：平均速度Vave、平均加速度αave、平均减速度βave、速度标准差Vstd、加速度标准差αstd、减速度标准差βstd、怠速时间/总时间的百分比Pt_idle以及平均行驶速度
进一步的，在本实施例中，能量管理系统的问题常使用SOC这个参数进行描述。SOC的定义如式(1)
式中Q(t)为当前的电池电量，Qmax为该电池最大的电池电量。
通过定义控制系统的状态变x＝SOC，控制变量u＝Pbatt，其中Pbatt为电池的输出功率。
建立燃油优化数学模型(2)，其中为单位时间燃油消耗量,为单位时间SOC的消耗量：
则优化问题可化为如下的哈密顿函数(3),其中λ为等效系数：
由上式子可得，当λ(t)增大时，相对应使用电池的代价提高；反之亦然。
进一步的，在本实施例中，为了获取实时优化，构造如下优化函数：
λ*(t)＝s*SOC(t) (4)
该函数的含义为当SOC值较高时，s取值较小，趋向于消耗电能；反之，当SOC值较低时，s取值较大，趋向于消耗燃油。在训练阶段，根据此趋势，构造不同里程下的等效因子s取值，如图4所示。
通过(3)建立参考荷电状态SOCref与里程D(t)的关系
其中Dtotal为本次行驶总里程，SOC(t0)为行驶初始的荷电状态，SOC(tf)为终点的荷电状态，也即荷电状态最低限值。将SOCref带入式(4)中，构建里程与等效系数之间的关系。
在获得各个行驶里程的等效系数λ*(t)后，优化问题转化为获取电池输出功率u*(t)，如下(5)问题：
其中，为单位时间燃油消耗量，为单位时间SOC的消耗量，x(t)为当前电池荷电状态SOC(t)，当λ取值为λ*(t)时，u*(t)为Pbatt(t)。
最后在确定当前电池输出功率Pbatt(t)之后，结合由循环工况测试数据提供的工况信息获取当前的整车需求功率Pwhl(t)，进而由式(6)获取当前发动机输出功率Peng(t)：
Peng(t)＝Pwhl(t)-Pbatt(t) (6)
进一步的，在本实施例中，如图6所示，首先根据PHEV整车提供的特征参数，由工况识别模块识别当前所处工况，并将当前所处工况传至电池充放电模块；同时SOCref(t)生成子模块接受从GPS/GIS处获得行驶总里程Dtotal，当前的行驶已经行驶的里程D(t)，当前的电池荷电状态值SOC(t)，以及电池荷电状态初始值SOC(t0)，给出SOCref(t)，并传至电池充放电模块；电池充放电模块接收当前工况类型和SOCref(t)生成当前的等效系数λ*(t)并传至ECMS等效燃油最小模块；ECMS等效燃油消耗模块接收λ*(t)，得出当前电池输出功率Pbatt(t)和当前发动机输出功率Peng(t)。同时PHEV整车模块还将实时的当前SOCref生成子模块荷电状态反馈至SOCref生成子模块，通过PID对工作过程的SOCref(t)偏差进行修正。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (7)
1.一种基于工况识别的里程自适应混合动力汽车能量管理方法，其特征在于,按照如下步骤实现：
步骤S1：采用基于LVQ神经网络模型对预设工况进行训练学习，建立工况识别模型；
步骤S2：获取PHEV整车当前的行驶特征参数，通过所述工况识别模型判断当前所处工况；对荷电状态最低限值SOC(tf)进行预设，并从GPS/GIS模块获取里程总里程值Dtotal，通过SOCref生成子模块进一步获取参考荷电状态SOCref(t)；
步骤S3：电池充放电模块获取所述参考荷电状态SOCref(t)以及当前所处工况，计算当前等效系数λ*(t)；
步骤S4：ECMS等效燃油最小模块获取所述当前等效系数λ*(t)，并结合当前PHEV整车需求功率Pwhl(t)，计算当前电池输出功率Pbatt(t)以及当前发动机输出功率Peng(t)；
步骤S5：输出所述当前发动机输出功率Peng(t)以及所述当前电池输出功率Pbatt(t)至PHEV整车，对PHEV整车施加控制；
步骤S6：所述PHEV整车通过PID控制对运行过程中的SOCref(t)偏差进行修正；
所述参考荷电状态SOCref(t)通过如下方式获取：
其中，D(t)为所述PHEV整车所提供的当前已经行驶的里程，SOC(t0)为行驶初始的荷电状态，SOC(t)为当前电池荷电状态；Dtotal为本次行驶总里程；SOC(tf)为终点的荷电状态；
在所述步骤S3中，通过如下方式获取所述当前等效系数λ*(t)：
λ*(t)＝s*SOC(t)
其中，s为通过遗传算法离线优化获得的等效因子，且令SOC(t)对应取值为参考荷电状态SOCref(t)。
2.根据权利要求1所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其特征在于，在所述步骤S1中，在训练学习阶段，从测试循环工况模块中分别提取如下预设工况的行驶特征参数用于训练：闹市区、生活区、中速区以及快速区，且每种工况的特征参数包括：平均速度Vave、平均加速度αave、平均减速度βave、速度标准差Vstd、加速度标准差αstd、减速度标准差βstd、怠速时间/总时间的百分比Pt_idle以及平均行驶速度
3.根据权利要求2所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其特征在于，所述LVQ神经网络模型有两层结构：隐含层以及输出层，LVQ神经网络模型将各个工况的特征参数作为输入向量，结合竞争学习以及监督学习对输入向量进行分类，在隐含层中进行学习训练，并将学习训练分类的结果传递至输出层的目标分类上，建立所述工况识别模型。
4.根据权利要求1所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其特征在于，在所述步骤S2中，所述行驶特征参数包括：平均速度Vave、平均加速度αave、平均减速度βave、速度标准差Vstd、加速度标准差αstd、减速度标准差βstd、怠速时间/总时间的百分比Pt_idle以及平均行驶速度
5.根据权利要求1所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其特征在于，在所述步骤S4中，通过ECMS最小等效燃油消耗方法，建立哈密顿函数H(u,x,λ,t)获取所述当前电池输出功率Pbatt(t)：
其中，为单位时间燃油消耗量，为单位时间SOC的消耗量，x(t)为当前电池荷电状态SOC(t)，当λ取值为λ*(t)时，u*(t)为Pbatt(t)。
6.根据权利要求1所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其特征在于，在所述步骤S4中，结合所述当前整车需求功率Pwhl(t)，计算所述前发动机输出功率Peng(t)，且通过如下方式获取：
Peng(t)＝Pwhl(t)-Pbatt(t)。
7.根据权利要求1所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其特征在于，在所述步骤S6中，所述PHEV整车反馈当前电池荷电状态SOC(t)至所述SOCref生成子模块，计算当前电池荷电状态SOC(t)与所述参考荷电状态SOCref(t)存在的偏差，并通过PID对所述参考荷电状态SOCref(t)的偏差进行修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610372917.3A CN106004865B (zh) | 2016-05-30 | 2016-05-30 | 基于工况识别的里程自适应混合动力汽车能量管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610372917.3A CN106004865B (zh) | 2016-05-30 | 2016-05-30 | 基于工况识别的里程自适应混合动力汽车能量管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106004865A CN106004865A (zh) | 2016-10-12 |
| CN106004865B true CN106004865B (zh) | 2019-05-10 |
Family
ID=57092871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610372917.3A Active CN106004865B (zh) | 2016-05-30 | 2016-05-30 | 基于工况识别的里程自适应混合动力汽车能量管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106004865B (zh) |
Families Citing this family (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106427990B (zh) * | 2016-12-16 | 2018-09-28 | 上汽大众汽车有限公司 | 混合动力系统及其能量管理方法 |
| CN107187442B (zh) * | 2017-05-18 | 2019-06-07 | 中国第一汽车股份有限公司 | 基于工况预测的插电式混合动力电动汽车能量管理系统 |
| CN107203812B (zh) * | 2017-06-08 | 2019-10-18 | 河北御捷时代汽车有限公司 | 电动汽车在四驱模式下的能量管理及自主学习方法 |
| WO2019133957A1 (en) * | 2017-12-31 | 2019-07-04 | Hyliion Inc. | Supplemental electric drive with primary engine recognition for electric drive controller adaptation and crowdsourced hybrid system customization |
| US10889288B2 (en) | 2017-12-31 | 2021-01-12 | Hyliion Inc. | Electric drive controller adaptation to through-the-road (TTR) coupled primary engine and/or operating conditions |
| US11046302B2 (en) | 2017-12-31 | 2021-06-29 | Hyliion Inc. | On-vehicle characterization of primary engine with communication interface for crowdsourced adaptation of electric drive controllers |
| US11351979B2 (en) | 2017-12-31 | 2022-06-07 | Hyliion Inc. | Supplemental electric drive with primary engine recognition for electric drive controller adaptation |
| CN108528436B (zh) * | 2018-01-18 | 2020-05-19 | 合肥工业大学 | 一种内外层嵌套的ecms多目标双层优化方法 |
| CN108515963B (zh) * | 2018-03-16 | 2020-08-11 | 福州大学 | 一种基于its系统的插电式混合动力汽车能量管理方法 |
| CN109116102B (zh) * | 2018-08-08 | 2020-12-01 | 贵州电网有限责任公司 | 一种基于工况识别的电气化铁路功率因数计量方法 |
| CN111038488B (zh) * | 2018-10-12 | 2021-05-14 | 郑州宇通客车股份有限公司 | 一种混合动力汽车的能量优化控制方法及装置 |
| CN111127696A (zh) * | 2018-10-29 | 2020-05-08 | 上海汽车集团股份有限公司 | 一种数据处理方法及装置 |
| CN109747654B (zh) * | 2019-01-11 | 2019-08-09 | 吉林大学 | 一种面向工况的混合动力汽车控制参数标定方法 |
| CN109878499B (zh) * | 2019-03-29 | 2020-09-25 | 辽宁工业大学 | 混合动力车辆功率控制方法 |
| CN110135632B (zh) * | 2019-04-29 | 2022-11-25 | 吉林大学 | 基于路径信息的phev自适应最优能量管理方法 |
| CN110304044B (zh) * | 2019-05-20 | 2021-08-03 | 北京理工大学 | 基于ecms的phev四驱转矩分配方法 |
| CN110281904B (zh) * | 2019-06-18 | 2021-01-19 | 浙江吉利控股集团有限公司 | 一种混合动力车辆的能量管理方法、装置及终端 |
| CN110254417A (zh) * | 2019-06-27 | 2019-09-20 | 清华大学苏州汽车研究院（吴江） | 基于实际工况与驾驶风格双识别的混合动力汽车控制方法 |
| CN110194177A (zh) * | 2019-06-28 | 2019-09-03 | 重庆大学 | 一种基于自适应等效消耗最小策略的插电式混合动力乘用车能量管理方法 |
| JP7143823B2 (ja) * | 2019-07-25 | 2022-09-29 | トヨタ自動車株式会社 | 車両の制御装置 |
| CN110588625B (zh) * | 2019-09-25 | 2021-07-02 | 一汽解放青岛汽车有限公司 | 一种混合动力汽车发动机转速平滑控制的方法 |
| CN110682905B (zh) * | 2019-10-12 | 2020-11-10 | 重庆大学 | 基于行驶里程的时域中电池荷电状态参考变化量获取方法 |
| CN110696816B (zh) * | 2019-10-22 | 2021-01-12 | 河南科技大学 | 基于工况分类的动态协调混合动力汽车能量管理方法 |
| CN110723132B (zh) * | 2019-10-24 | 2020-11-24 | 深圳技术大学 | 一种混合动力车及其控制方法、存储介质 |
| CN110962837B (zh) * | 2019-11-18 | 2021-02-09 | 浙江工业大学 | 一种考虑驾驶风格的插电式混合动力汽车能量管理方法 |
| CN110696815B (zh) * | 2019-11-21 | 2020-10-09 | 北京理工大学 | 一种网联式混合动力汽车的预测能量管理方法 |
| CN110936949B (zh) * | 2019-12-12 | 2021-03-02 | 湖北文理学院 | 基于行驶工况的能量控制方法、设备、存储介质及装置 |
| CN113135113B (zh) * | 2020-01-19 | 2022-12-13 | 宇通客车股份有限公司 | 一种全局soc规划方法及装置 |
| CN113682299B (zh) * | 2020-05-19 | 2024-09-27 | 广州汽车集团股份有限公司 | 一种车辆前向碰撞预警方法及装置 |
| CN111959490B (zh) * | 2020-08-25 | 2022-11-18 | 吉林大学 | 插电式混合动力汽车模型参考自适应最优能量管理方法 |
| CN112078565B (zh) * | 2020-09-17 | 2021-07-30 | 奇瑞汽车股份有限公司 | 氢燃料电池电动汽车的能量管理方法、装置及存储介质 |
| CN112180280A (zh) * | 2020-09-27 | 2021-01-05 | 吉林大学 | 一种考虑电池健康状态的混合动力汽车电池寿命优化方法 |
| CN112265538B (zh) * | 2020-10-10 | 2021-10-01 | 河北工业大学 | 基于实时最优能量管理策略的车辆部件工况构建方法 |
| CN112140942B (zh) * | 2020-10-13 | 2022-10-25 | 重庆大学 | 一种燃料电池汽车自适应等效消耗最小化能量管理方法 |
| CN112668239B (zh) * | 2020-12-30 | 2022-11-15 | 山东交通学院 | 一种基于对抗学习的混合动力卡车队列经验传授方法 |
| CN113060120B (zh) * | 2021-03-02 | 2022-05-03 | 西安理工大学 | 一种智能混合动力汽车自适应能量管理方法 |
| CN113859219B (zh) * | 2021-11-15 | 2024-07-05 | 重庆大学 | 基于驾驶工况识别的混合动力汽车自适应能量管理方法 |
| CN115214606B (zh) * | 2021-12-16 | 2024-06-07 | 广州汽车集团股份有限公司 | 一种插电式混合动力汽车能量管理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009122254A2 (en) * | 2008-04-01 | 2009-10-08 | Toyota Jidosha Kabushiki Kaisha | Hybrid vehicle control device and control method |
| CN104071161A (zh) * | 2014-04-29 | 2014-10-01 | 福州大学 | 一种插电式混合动力汽车工况识别及能量管控的方法 |
| CN104627168A (zh) * | 2013-11-06 | 2015-05-20 | 山东政法学院 | 一种基于路况模型的插电式混合动力公交车动态逻辑门限能量管理方法 |
| CN105216782A (zh) * | 2015-09-30 | 2016-01-06 | 上海凌翼动力科技有限公司 | 基于能量预测的插电式混合动力汽车能量管理方法 |
| KR101592713B1 (ko) * | 2014-06-24 | 2016-02-12 | 현대자동차주식회사 | 하이브리드 차량의 ｈｓｇ 단독 시동시 제어 방법 |
-
2016
- 2016-05-30 CN CN201610372917.3A patent/CN106004865B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009122254A2 (en) * | 2008-04-01 | 2009-10-08 | Toyota Jidosha Kabushiki Kaisha | Hybrid vehicle control device and control method |
| CN104627168A (zh) * | 2013-11-06 | 2015-05-20 | 山东政法学院 | 一种基于路况模型的插电式混合动力公交车动态逻辑门限能量管理方法 |
| CN104071161A (zh) * | 2014-04-29 | 2014-10-01 | 福州大学 | 一种插电式混合动力汽车工况识别及能量管控的方法 |
| KR101592713B1 (ko) * | 2014-06-24 | 2016-02-12 | 현대자동차주식회사 | 하이브리드 차량의 ｈｓｇ 단독 시동시 제어 방법 |
| CN105216782A (zh) * | 2015-09-30 | 2016-01-06 | 上海凌翼动力科技有限公司 | 基于能量预测的插电式混合动力汽车能量管理方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于ECMS混联式混合动力客车工况识别控制策略;林歆悠 等;《湖南大学学报》;20121031;第39卷(第10期);全文 |
| 基于工况识别的混联式混合动力客车控制策略研究;林歆悠 等;《中国机械工程》;20120430;第23卷(第7期);全文 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106004865A (zh) | 2016-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106004865B (zh) | 基于工况识别的里程自适应混合动力汽车能量管理方法 | |
| Lei et al. | An adaptive equivalent consumption minimization strategy for plug-in hybrid electric vehicles based on traffic information | |
| Liessner et al. | Deep reinforcement learning for advanced energy management of hybrid electric vehicles. | |
| CN110936949B (zh) | 基于行驶工况的能量控制方法、设备、存储介质及装置 | |
| Xu et al. | A soft actor-critic-based energy management strategy for electric vehicles with hybrid energy storage systems | |
| Yang et al. | Driving-style-oriented adaptive equivalent consumption minimization strategies for HEVs | |
| Ripaccioli et al. | A stochastic model predictive control approach for series hybrid electric vehicle power management | |
| De Jager et al. | Optimal control of hybrid vehicles | |
| CN105644548B (zh) | 混合动力汽车的能量控制方法及装置 | |
| Wang et al. | Research on energy optimization control strategy of the hybrid electric vehicle based on Pontryagin's minimum principle | |
| CN112668799A (zh) | 基于行驶大数据的phev的智能能量管理方法和存储介质 | |
| CN105882648A (zh) | 一种基于模糊逻辑算法的混合动力系统能量管理方法 | |
| Li et al. | Cyber-physical data fusion in surrogate-assisted strength pareto evolutionary algorithm for PHEV energy management optimization | |
| CN113006951B (zh) | 车辆用控制数据的生成方法、车辆用控制装置、车辆用控制系统以及车辆用学习装置 | |
| CN113135113B (zh) | 一种全局soc规划方法及装置 | |
| US20210253086A1 (en) | Vehicle control data generation method, vehicle controller, vehicle control system, and vehicle learning device | |
| CN113110052A (zh) | 一种基于神经网络和强化学习的混合能量管理方法 | |
| CN114802774A (zh) | 一种无人机的混合动力系统能量自适应控制方法及系统 | |
| Urooj et al. | Review of intelligent energy management techniques for hybrid electric vehicles | |
| CN106696952A (zh) | 一种智能网联混合动力汽车能量控制方法 | |
| CN113859219A (zh) | 基于驾驶工况识别的混合动力汽车自适应能量管理方法 | |
| WO2024066702A1 (zh) | 混合动力车辆及其能量管理方法、装置及介质、电子设备 | |
| CN113525344B (zh) | 一种p2插电式混合动力汽车电能分配方法 | |
| Liu et al. | Analytical greedy control and Q-learning for optimal power management of plug-in hybrid electric vehicles | |
| CN107662601A (zh) | 车辆的控制方法、装置及车辆 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |