CN106864451B - 一种基于自学习功能的混合电动汽车智能动力控制方法 - Google Patents
一种基于自学习功能的混合电动汽车智能动力控制方法 Download PDFInfo
- Publication number
- CN106864451B CN106864451B CN201710047191.0A CN201710047191A CN106864451B CN 106864451 B CN106864451 B CN 106864451B CN 201710047191 A CN201710047191 A CN 201710047191A CN 106864451 B CN106864451 B CN 106864451B
- Authority
- CN
- China
- Prior art keywords
- strategy
- power
- policy
- vehicle
- history
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 9
- 239000000446 fuel Substances 0.000 abstract description 8
- 238000011217 control strategy Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 7
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract 1
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 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
- B60W20/00—Control systems specially adapted for hybrid vehicles
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Hybrid Electric Vehicles (AREA)
Abstract
一种基于自学习功能的混合电动汽车智能动力控制方法包括环境参数采集、策略选择、随机判断、策略执行、策略评估、更新Q值表。本发明的优点是，融合二种现有方法的优点，既能够根据变动的路况信息做出的实时的控制策略改变与自适应控制，又能够给出最优或者次优的控制决策。本方法具有从历史的驾驶和控制数据中学习最优控制策略的方法，最终能够达到平均油耗降低12%的效果。
Description
技术领域
本发明涉及一种混合电动汽车智能动力控制方法，特别涉及一种基于自学习功能的混合电动汽车智能动力控制方法。
背景技术
可插电（增程）混合电动汽车被认为在交通节能减排方面具有很好的前景，而对于该车型，设计一个有效的动力控制系统是降低车辆单位能耗的关键所在。现有的传统方法多数是基于一下两中方法：第一中方法的控制策略是基于事先设计好的固定的简单的控制规则，比如，在车载动力电池没有达到最低容量是，就只允许使用电池提供动力，当电池容量达到最低阈值时候，才开启引擎，通过消耗油料来提供动力。这种类型的控制策略优点是简单，便于实时的控制应用，缺点是控制策略不是最优，而且不能根据变化的实时路况情况作出相应的策略调整和适应。第二种方法大多基于严格的数学模型，然后利用一个最优方法求解出一个基于全路径的路况信息的最优控制解来执行电池和引擎的能量输出控制。该类方法的优点是控制策略是理论最优值。但是缺点是很难实际应用，因为需要提前知道或者准确预测出全路径的实时路况信息用于计算最优控制策略。这往往在是实际应用中很难实现。
发明内容
基于以上背景技术二种现有的混合电动车动力控制方法的缺点。本发明提出一种基于自学习功能的混合电动汽车智能动力控制方法，融合二种现有方法的优点，既能够根据变动的路况信息作出的实时的控制策略改变与自适应控制，又能够给出最优或者次优的控制决策。本方法具有从历史的驾驶和控制数据中学习最优控制策略的方法，最终能够达到平均油耗降低12% 的效果。
实现本发明技术方案是，一种基于自学习功能的混合电动汽车智能动力控制方法包括环境参数采集、策略选择、随机判断、策略执行、策略评估、更新Q值表；
环境参数采集，车辆启动后实时采集车辆当下的环境数据，环境数据包括当前速度、车载动力电池剩余电量百分比、路面情况、功率瞬时需求；
策略选择，根据环境参数与Q值表选择车辆下一步当下动力策略，Q值表中记录车辆历史上驶中的历史环境参数、历史动力策略、历史动力策略评分，三者呈一一对应关系，在选择下一步动力策略时，环境参数通过与历史环境参数的对较，选择出历史动力策略评分最高的历史动力策略为当下动力策略；
随机判断，通过系统或程序随机给出一个数值temp，如果temp小于等Ƹ，则给出肯定策略，即肯定策略选择步骤中选择出的当下动力策略，如果temp大于Ƹ，则给出否定策略，即否定策略选择步骤中选择出的当下动力策略；
策略执行，随机判断中给出肯定策略时，执行策略选择步骤中选择出的当下动力策略，随机判断中给出否定策略时，随机执行随机策略；
策略评估，对车辆执行策略执行步骤中当下动力策略或随机策略进评估并进行策略打分；
更新Q值表，将策略评估中策略评分与其对应的策行执行、环境参数存入Q值表，成为历史环境参数、历史动力策略、历史动力策略评分。
策略执行评估，对车辆执行车辆动力策略后车辆的参数进行采集评估，采集车辆数据为车辆初始数据，评估数据为车辆自学习数据，车辆自学习数据包括初始数据、环境参数、车辆动力策略、车辆动力策略执行效果，车辆动力策略执行效果以车辆执行动力与车辆所需动力比值为参考。
进一步讲，所述随机判断中，temp为产生于（0，1）之间的随机数，Ƹ数为选择于（0，1）之间变动数，Ƹ数与车辆行使时间负相关，即车辆行使时间越长Ƹ数越小。
进一步讲，所述策略评估步聚中的策略打分的依据为瞬间回馈值；
所述瞬间回馈值，为M倒数，当车载动力电池剩余电量百分比大于等于20%、小于等于80%时，M值为PICE, PICE不等于零;当车载动力电池剩余电量百分比小于20%或大于80%时, M值为PICE+P, PICE不等于零;
PICE为执行策略执行步骤时引擎输出功率;
P为车辆最大引擎输出功率。
进一步讲，所述瞬间回馈值还包括以下二种情况,当电池剩余电量百分比（SOC）大于等于20%、小于等于80%,且PICE等于零时,M值为二分之一的MINPICE; 当电池剩余电量百分比（SOC）小于20%或大于80%, 且PICE等于零时, M值为二倍的P;
MINPICE为车辆最小引擎输出功率。
本发明的优点，1）自学习功能：使用增强学习的模型实现具有自学习功能的混合电动汽车的功率控制方法。
2）实时性： 所有控制决策都基于当前环境信息状态，实时决策控制。不依赖于任何预测信息或者预设信息。
3）自适应性：该系统可以根据新的驾驶数据和不同的驾驶行为，不断自我更新和学习最优的控制策略。
附图说明
图1为方法工作流程图。
图2为方法功能架构图。
图3为方法中瞬时回馈值定义。
图4为方法中探索率变化控制曲线。
图5为本发明中方法与现有技术的对比曲线。
具体实施例
如图1、2中，一种基于自学习功能的混合电动汽车智能动力控制方法包括环境参数采集、策略选择、随机判断、策略执行、策略评估、更新Q值表；
环境参数采集，车辆启动后实时采集车辆当下的环境数据，环境数据包括当前速度（Vehicle speed）、车载动力电池剩余电量百分比(Battery soc)、路面情况(Roadgrade)、功率瞬时需求(Power demand),优选的，环境数据还包括充电站信息（Charginginformation）；
策略选择，根据环境参数与Q值表选择车辆下一步当下动力策略，Q值表中记录车辆历史上驶中的历史环境参数、历史动力策略、历史动力策略评分，三者呈一一对应关系，在选择下一步动力策略时，环境参数通过与历史环境参数的对较(将环境参数与历史环境参数进行对比，选出与环境参数相接近的历史环境参数，及与其对应的历史动策略、历史动策略评分)，选择出历史动力策略评分最高的历史动力策略为当下动力策略；
随机判断，通过系统或程序随机给出一个数值temp，如果temp小于等Ƹ（探索率），则给出肯定策略，即肯定策略选择步骤中选择出的当下动力策略，如果temp大于Ƹ，则给出否定策略，即否定策略选择步骤中选择出的当下动力策略，优选的，所述随机判断中，temp为产生于（0，1）之间的随机数，Ƹ数为选择于（0，1）之间变动数，Ƹ数与车辆行使时间负相关，即车辆行使时间越长Ƹ数越小，如图4中，Ƹ数在（0.6，0.8）之间；
策略执行，随机判断中给出肯定策略时，执行策略选择步骤中选择出的当下动力策略，随机判断中给出否定策略时，随机执行随机策略；
策略评估，对车辆执行策略执行步骤中当下动力策略或随机策略进评估并进行策略打分；
更新Q值表，将策略评估中策略评分与其对应的策行执行、环境参数存入Q值表，成为历史环境参数、历史动力策略、历史动力策略评分。
策略执行评估，对车辆执行车辆动力策略后车辆的参数进行采集评估，采集车辆数据为车辆初始数据，评估数据为车辆自学习数据，车辆自学习数据包括初始数据、环境参数、车辆动力策略、车辆动力策略执行效果，车辆动力策略执行效果以车辆执行动力与车辆所需动力比值为参考，优选的，策略评估步聚中的策略打分的依据为瞬间回馈值（如图3中）；
所述瞬间回馈（Reward）值，为M倒数，当电池剩余电量百分比（SOC）大于等于20%、小于等于80%时，M值为PICE, PICE不等于零;当电池剩余电量百分比（SOC）小于20%或大于80%时, M值为PICE+P, PICE不等于零;
PICE为执行策略执行步骤时引擎输出功率;
P为车辆最大引擎输出功率。
进一步优选的，所述瞬间回馈值还包括以下二种情况,当电池剩余电量百分比（SOC）大于等于20%、小于等于80%,且PICE等于零时,M值为二分之一的MINPICE;电池剩余电量百分比（SOC）小于20%或大于80%, 且PICE等于零时, M值为二倍的P;
MINPICE为车辆最小引擎输出功率。
如图5中，相同电量情况下，epsilon=0.7(0.3559)曲线表示是Ƹ数为0.7的耗油量为0.3559美式加仑，epsilon=0.5(0.3792) 曲线表示是Ƹ数为0.5的耗油量为0.3792美式加仑，binary control(0.4041) 曲线表示预先设定工作策略的耗油量为0.4041美式加仑，epsilon=0.9(0.4321) 曲线表示是Ƹ数为0.9的耗油量为0.4321美式加仑，adaptive(0.3570) 曲线表示本发明中采用变动Ƹ数的耗油量为0.3570美式加仑，global optimal(0.3460)曲线表示经过理论计算出的最佳耗油量为0.3460美式加仑，本发明adaptive(0.3570) 曲线最接近global optimal(0.3460)曲线，相对于binary control(0.4041) 曲线能实现至少平均12% 的节油效果，也就是增程12%。
Claims (4)
1.一种基于自学习功能的混合电动汽车智能动力控制方法，其特征是：所述方法包括环境参数采集、策略选择、随机判断、策略执行、策略评估、更新Q值表；
环境参数采集，车辆启动后实时采集车辆当下的环境数据，环境数据包括当前速度、车载动力电池剩余电量百分比、路面情况、功率瞬时需求；
策略选择，根据环境参数与Q值表选择车辆下一步动力策略，Q值表中记录车辆历史上驶中的历史环境参数、历史动力策略、历史动力策略评分，三者呈一一对应关系，在选择下一步动力策略时，环境参数通过与历史环境参数的对较，选择出历史动力策略评分最高的历史动力策略为当下动力策略；
随机判断，通过系统或程序随机给出一个数值temp，如果temp小于等Ƹ，则给出肯定策略，即肯定策略选择步骤中选择出的当下动力策略，如果temp大于Ƹ，则给出否定策略，即否定策略选择步骤中选择出的当下动力策略；
策略执行，随机判断中给出肯定策略时，执行策略选择步骤中选择出的当下动力策略，随机判断中给出否定策略时，随机执行随机策略；
策略评估，对车辆执行策略执行步骤中当下动力策略或随机策略进评估并进行策略打分；
更新Q值表，将策略评估中策略评分与其对应的策行执行、环境参数存入Q值表，成为历史环境参数、历史动力策略、历史动力策略评分。
2.根据权利要求书1所述的一种基于自学习功能的混合电动汽车智能动力控制方法，其特征是：所述随机判断中，temp为产生于（0，1）之间的随机数，Ƹ数为选择于（0，1）之间变动数，Ƹ数与车辆行使时间负相关，即车辆行使时间越长Ƹ数越小。
3.根据权利要求书1所述的一种基于自学习功能的混合电动汽车智能动力控制方法，其特征是：所述策略评估步聚中的策略打分的依据为瞬间回馈值；
所述瞬间回馈值，为M倒数，当电池剩余电量百分比大于等于20%、小于等于80%时，M值为PICE, PICE不等于零;当电池剩余电量百分比小于20%或大于80%时, M值为PICE+P,PICE不等于零;
PICE为执行策略执行步骤时引擎输出功率;
P为车辆最大引擎输出功率。
4.根据权利要求书3所述的一种基于自学习功能的混合电动汽车智能动力控制方法，其特征是：所述瞬间回馈值还包括以下二种情况,当电池剩余电量百分比大于等于20%、小于等于80%,且PICE等于零时,M值为二分之一的MINPICE; 当电池剩余电量百分比小于20%或大于80%, 且PICE等于零时, M值为二倍的P;
MINPICE为车辆最小引擎输出功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710047191.0A CN106864451B (zh) | 2017-01-22 | 2017-01-22 | 一种基于自学习功能的混合电动汽车智能动力控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710047191.0A CN106864451B (zh) | 2017-01-22 | 2017-01-22 | 一种基于自学习功能的混合电动汽车智能动力控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106864451A CN106864451A (zh) | 2017-06-20 |
| CN106864451B true CN106864451B (zh) | 2018-11-23 |
Family
ID=59158846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710047191.0A Expired - Fee Related CN106864451B (zh) | 2017-01-22 | 2017-01-22 | 一种基于自学习功能的混合电动汽车智能动力控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106864451B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108407797B (zh) * | 2018-01-19 | 2021-02-05 | 洛阳中科龙网创新科技有限公司 | 一种基于深度学习的实现农机自动换挡的方法 |
| CN109445437A (zh) * | 2018-11-30 | 2019-03-08 | 电子科技大学 | 一种无人电动车的路径规划方法 |
| CN110738356A (zh) * | 2019-09-20 | 2020-01-31 | 西北工业大学 | 一种基于sdn增强网络的电动汽车充电智能调度方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102189994A (zh) * | 2010-03-09 | 2011-09-21 | 通用电气公司 | 用于电动和混合动力车辆操作的系统和方法 |
| CN102407850A (zh) * | 2011-09-26 | 2012-04-11 | 浙江大学 | 基于随机运行工况模型的混合动力公交车能源管理方法 |
| CN105292109A (zh) * | 2015-09-30 | 2016-02-03 | 上海凌翼动力科技有限公司 | 混合动力电动汽车动力品质控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6775601B2 (en) * | 2002-08-06 | 2004-08-10 | Delphi Technologies, Inc. | Method and control system for controlling propulsion in a hybrid vehicle |
| DE112007000515T5 (de) * | 2006-03-06 | 2009-01-15 | GM Global Technology Operations, Inc., Detroit | Verfahren und Vorrichtung zum Steuern eines Hybridfahrzeug-Antriebsstrangs |
-
2017
- 2017-01-22 CN CN201710047191.0A patent/CN106864451B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102189994A (zh) * | 2010-03-09 | 2011-09-21 | 通用电气公司 | 用于电动和混合动力车辆操作的系统和方法 |
| CN102407850A (zh) * | 2011-09-26 | 2012-04-11 | 浙江大学 | 基于随机运行工况模型的混合动力公交车能源管理方法 |
| CN105292109A (zh) * | 2015-09-30 | 2016-02-03 | 上海凌翼动力科技有限公司 | 混合动力电动汽车动力品质控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106864451A (zh) | 2017-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Investigating adaptive-ECMS with velocity forecast ability for hybrid electric vehicles | |
| Liu et al. | A heuristic planning reinforcement learning-based energy management for power-split plug-in hybrid electric vehicles | |
| WO2021103625A1 (zh) | 一种基于前车与自车互动的短期车速工况实时预测方法 | |
| Tian et al. | Data-driven hierarchical control for online energy management of plug-in hybrid electric city bus | |
| WO2021114742A1 (zh) | 一种混合动力电动汽车综合预测能量管理方法 | |
| Liu et al. | Power management for plug-in hybrid electric vehicles using reinforcement learning with trip information | |
| Salmasi | Control strategies for hybrid electric vehicles: Evolution, classification, comparison, and future trends | |
| Lei et al. | A real-time blended energy management strategy of plug-in hybrid electric vehicles considering driving conditions | |
| Yang et al. | Driving-style-oriented adaptive equivalent consumption minimization strategies for HEVs | |
| CN112319461B (zh) | 一种基于多源信息融合的混合动力汽车能量管理方法 | |
| CN109733378B (zh) | 一种线下优化线上预测的转矩分配方法 | |
| CN102951144B (zh) | 基于最小功率损失算法的自调整神经网络能量管理方法 | |
| CN106864451B (zh) | 一种基于自学习功能的混合电动汽车智能动力控制方法 | |
| CN102753415B (zh) | 用于运行具有发动机和发电机的车辆的方法 | |
| Sun et al. | The role of velocity forecasting in adaptive-ECMS for hybrid electric vehicles | |
| Vignesh et al. | Intelligent energy management through neuro-fuzzy based adaptive ECMS approach for an optimal battery utilization in plugin parallel hybrid electric vehicle | |
| Li et al. | Energy management strategy for parallel hybrid electric vehicles based on approximate dynamic programming and velocity forecast | |
| CN114103924A (zh) | 一种混合动力车辆能量管理控制方法及装置 | |
| Zhang et al. | Energy management strategy of a novel parallel electric-hydraulic hybrid electric vehicle based on deep reinforcement learning and entropy evaluation | |
| CN102963353A (zh) | 基于神经网络的混合动力系统能量管理方法 | |
| CN105730439A (zh) | 一种机电复合传动履带车辆功率分配方法 | |
| CN104851280A (zh) | 一种车辆行驶控制方法、装置、系统及相关设备 | |
| Wang et al. | Real-time energy management strategy for a plug-in hybrid electric bus considering the battery degradation | |
| CN115805840A (zh) | 一种增程式电动装载机能耗控制方法及系统 | |
| CN117465411A (zh) | 用于混合动力系统的能量高效预测功率分配 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190130 Address after: No. 32 Xihu Road, Xiling District, Yichang City, Hubei Province Patentee after: Lehang (Yichang) Technology Co.,Ltd. Address before: 443002 No. 8, University Road, Yichang, Hubei Patentee before: Zheng Yunfeng |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181123 |