CN107203812A - 电动汽车在四驱模式下的能量管理及自主学习方法 - Google Patents

电动汽车在四驱模式下的能量管理及自主学习方法 Download PDF

Info

Publication number
CN107203812A
CN107203812A CN201710425954.0A CN201710425954A CN107203812A CN 107203812 A CN107203812 A CN 107203812A CN 201710425954 A CN201710425954 A CN 201710425954A CN 107203812 A CN107203812 A CN 107203812A
Authority
CN
China
Prior art keywords
energy
difference
time quantum
energy difference
value
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.)
Granted
Application number
CN201710425954.0A
Other languages
English (en)
Other versions
CN107203812B (zh
Inventor
张立平
周军
刘超刚
盛涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HENAN YUJIE TIMES AUTOMOBILE Co.,Ltd.
Original Assignee
Hebei Royal Times Automobile Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Royal Times Automobile Co Ltd filed Critical Hebei Royal Times Automobile Co Ltd
Priority to CN201710425954.0A priority Critical patent/CN107203812B/zh
Publication of CN107203812A publication Critical patent/CN107203812A/zh
Application granted granted Critical
Publication of CN107203812B publication Critical patent/CN107203812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电动汽车在四驱模式下的能量管理及自主学习方法，在现有电动汽车的四驱能量管理系统中设定基于预期能量需求的自优化算法，使得能量管理系统能够基于一般化行驶需求预估下一个时间单元的大概率能量需求，并基于驾驶时长的累计和增加通过智能学习实现同等时间单元下的能量预估功能进化。本发明通过上述方法设定的能量管理预估参值独立且兼容于现有的能量管理系统，且具有自我学习的累积进化效果，所得预估参值对于整车的能量集约和节约化分配具有实际的预测意义和参考价值，为电动四驱汽车的能量管理提供了一个全新的技术方向。

Description

电动汽车在四驱模式下的能量管理及自主学习方法
技术领域
本发明涉及新能源汽车技术领域，尤其是电动四驱汽车的能源管理技术及应用。
背景技术
一般而言，电动四驱动力汽车有多个可以独立工作的动力部件，控制变量多，所以其整车控制策略的制定是一项十分复杂的工程。在整车控制策略中能量管理控制策略起着基础性的作用，在稳态时控制整车的转矩分配或者功率分配，包括基于规则、基于智能以及基于优化的方法等不同实现模式。对于汽车的动力部件、变速箱以及离合器等，参考路况实况、驾驶意图、模型预测以及全局优化等进行整体智能化控制(进一步实现自我优化和深度学习优化)是当前的研究热点。
申请人科研团队依托“国家新能源汽车技术创新工程”项目，承担着新能源汽车能量智能管理系统的架构和优化工作，利用模型预测和智能学习为整车能量管理提供参考估值的相关研究在国内尚未开展，国际上也尚未见与本发明等同的技术报道。
发明内容
本发明要解决的技术问题是提供一种电动汽车在四驱模式下的能量管理及自主学习方法，在模型预测的基础上进一步具有自我学习的算法进化效果。
为解决上述技术问题，本发明所采取的技术方案如下。
电动汽车在四驱模式下的能量管理及自主学习方法，在现有电动汽车的四驱能量管理系统中设定基于预期能量需求的自优化算法，使得能量管理系统能够基于一般化行驶需求预估下一个时间单元的大概率能量需求，并基于驾驶时长的累计和增加通过智能学习实现同等时间单元下的能量预估功能进化。
作为本发明的一种优选技术方案，通过如下方法使得能量管理系统能够基于一般化行驶需求预估下一个时间单元的大概率能量需求：A、首先设定时间单元，时间单元设定要在保障能量需求预估与实际需求拟合精度的基础上尽量减少系统的计算负荷过重；B、其次设定能量预估的底端数据集合，包含已发生的若干个时间单元内的能量数据，时间单元个数的设定使得已发生数据的采集、存储、计算能够适应能量管理系统的空余计算能力又足够为所需精度的能量预估提供数据基础；C、然后设定算法进行能量预估算法迭代拟合，D、最后基于实际能量数值与预估能量数值之间的差值设定自主学习程序进行能量预估算法进化。
作为本发明的一种优选技术方案，步骤A、B中，所述时间单元设定为0.1-10s；所述底端数据集合内包含2-50组时间单元。
作为本发明的一种优选技术方案，步骤A、B中，所述时间单元设定为1-2s；所述底端数据集合内包含8-24组时间单元。
作为本发明的一种优选技术方案，步骤C中，能量预估算法迭代拟合的步骤包括：①、计算底端数据集合内第二组时间单元内的能量均值与起始时间单元内的能量均值之差构成第一一阶能量差分，迭代计算第二一阶能量差分至底端数据集合最末端的时间单元，得到全部一阶能量差分；②、第二一阶能量差分与第一一阶能量差分之差构成第一二阶能量差分，迭代计算第二二阶能量差分、第三二阶能量差分直至底端数据集合最末端的时间单元，得到全部二阶能量差分；③、按照①、②方式迭代获取第n-1阶能量差分，其中n的取值即为底端数据集合内包含的时间单元的数值；④、确定如下的能量差分基本关系：第k个i阶能量差分等于“第k-1个i阶能量差分”与“第k-1个i+1阶能量差分”之和，作为后续算法的基础；⑤、利用能量差分基本关系首先将第k个1阶能量差分转化为由第1个1-k阶能量差分之和构成的多项式，不同阶能量差分的系数遵从组合公式，即多项式中第1个k′阶能量差分之前的系数等于从k项中选取k′项的组合数；类似的，将第任意个1阶能量差分转化为第一个不同阶的能量差分之和；⑥、依据⑤的算法将所有1阶能量差分的转化多项式加和，从而将底端数据集合内所有时间单元的能量需求均值集合转化表示为由第一个不同阶能量差分表示的多项式，多项式各项的系数遵从组合公式，即第k阶能量差分的系数等于从n项中选取k项的组合数；⑦、设定能量差分转化参商：令第k阶能量差分连续除以k个时间单元，所得数值设定为第k阶转化参商；⑧、将⑦代入⑥，得到由第k阶转化参商与底端数据集合内首末端时间单元差值组成的多项式，其系数由组合公式除以k的阶乘构成；⑨、将⑧公式中的数值n增大为n+j，所得数值与底端数据集合内的能量需求的差值即为将来j个时间单元内的能量需求预估值。
作为本发明的一种优选技术方案，步骤D中，能量预估算法进化按照如下程序进行：①将驾驶速度以5km/h为间差分割为多个速度区间套；②按照计算任一个时间单位i内的加权系数ωi，其中et、ee分别为实际发生能量值和预估能量值；③依据计算最小方差累计加权系数ω；④将ω作为加权系数代入后续任一时间单位内的预估能量值进行预估优化；⑤重复上述步骤，实现能量预估算法的累积式自我学习进化。
采用上述技术方案所产生的有益效果在于：申请人科研团队依托“国家新能源汽车技术创新工程”项目，基于模型预测及神经网络深度学习思想设计了一套为电动四驱系统能量管理提供预估参值的技术方法。本发明的算法利用现有系统的空余备用计算能力即可实现，能够完全独立于(同时兼容于)现有的能量管理系统而提供一套具有实际预测意义的参考数值，并经模拟演示在非紧急驾驶路况下(极度加速或刹车)能够明显的拟合系统的理论参量，从而在整车稳定性、能量集约性和节约性、行驶智能化及驾驶者的智能化体验等方面为电动四驱汽车的能量管理提供了一个全新的技术方向。本发明在模型预测的基础上进一步具有自我学习的算法进化效果。
具体实施方式
本发明的电动汽车在四驱模式下的能量管理及自主学习方法，在现有电动汽车的四驱能量管理系统中设定基于预期能量需求的自优化算法，使得能量管理系统能够基于一般化行驶需求预估下一个时间单元的大概率能量需求，从而在整车稳定性、能量集约性和节约性、行驶智能化及驾驶者的智能化体验等方面为电动四驱汽车的能量管理系统的提供了一套有效的估值参量作为系统优化的参考。本发明通过如下方法使得能量管理系统能够基于一般化行驶需求预估下一个时间单元的大概率能量需求：
首先设定时间单元，时间单元设定要在保障能量需求预估与实际需求拟合精度的基础上尽量减少系统的计算负荷过重，作为一般化的控制参考量，可以设定一个时间单元为1s左右。
其次设定能量预估的底端数据集合，包含已发生的若干个时间单元内的能量数据，时间单元个数的设定使得已发生数据的采集、存储、计算能够适应能量管理系统的空余计算能力又足够为所需精度的能量预估提供数据基础，在时间单元选定为1s的情况下，底端数据集合可以包含15个左右的时间单元，在计算速度和预估真确性方面均表现较优。
然后进行能量预估算法迭代拟合，具体按照如下步骤开展：
①、计算底端数据集合内第二组时间单元内的能量均值与起始时间单元内的能量均值之差构成第一一阶能量差分，迭代计算第二一阶能量差分至底端数据集合最末端的时间单元，得到全部一阶能量差分；
②、第二一阶能量差分与第一一阶能量差分之差构成第一二阶能量差分，迭代计算第二二阶能量差分、第三二阶能量差分直至底端数据集合最末端的时间单元，得到全部二阶能量差分；
③、按照①、②方式迭代获取第n-1阶能量差分，其中n的取值即为底端数据集合内包含的时间单元的数值；
④、确定如下的能量差分基本关系：
即第k个i阶能量差分等于“第k-1个i阶能量差分”与“第k-1个i+1阶能量差分”之和，作为后续算法的基础；
⑤、利用能量差分基本关系首先将第k个1阶能量差分转化为由第1个1-k阶能量差分之和构成的多项式，不同阶能量差分的系数遵从组合公式，即多项式中第1个k′阶能量差分之前的系数等于从k项中选取k′项的组合数；类似的，将第任意个1阶能量差分转化为第一个不同阶的能量差分之和，即得下式：
⑥、依据⑤的算法将所有1阶能量差分的转化多项式加和，从而将底端数据集合内所有时间单元的能量需求均值集合转化表示为由第一个不同阶能量差分表示的多项式，多项式各项的系数遵从组合公式，即第k阶能量差分的系数等于从n项中选取k项的组合数，即得下式：
⑦、设定能量差分转化参商：
即令第k阶能量差分连续除以k个时间单元，所得数值即为第k阶转化参商；
⑧、将⑦代入⑥，得到由第k阶转化参商与底端数据集合内首末端时间单元差值组成的多项式，其系数由组合公式除以k的阶乘构成，即得下式：
⑨、将⑧公式中的数值n增大为n+j，所得数值与底端数据集合内的能量需求的差值即为将来j个时间单元内的能量需求预估值。
最后，按照如下程序进行能量预估算法的自我学习进化：
①将驾驶速度以5km/h为间差分割为多个速度区间套；
②按照计算任一个时间单位i内的加权系数ωi，其中et、ee分别为实际发生能量值和预估能量值；
③依据计算最小方差累计加权系数ω；
④将ω作为加权系数代入后续任一时间单位内的预估能量值进行预估优化；
⑤重复上述步骤，实现能量预估算法的累积式自我学习进化。
通过上述方法设定的能量管理预估参值完全独立于(同时兼容于)现有的能量管理系统，且具有自我学习的累积进化效果，所得预估参值对于整车的能量集约和节约化分配具有实际的预测意义和参考价值，在多方面为电动四驱汽车的能量管理提供了一个全新的技术方向。
上述描述仅作为本发明可实施的技术方案提出，不作为对其技术方案本身的单一限制条件。

Claims (6)

1.电动汽车在四驱模式下的能量管理及自主学习方法，其特征在于：在现有电动汽车的四驱能量管理系统中设定基于预期能量需求的自优化算法，使得能量管理系统能够基于一般化行驶需求预估下一个时间单元的大概率能量需求，并基于驾驶时长的累计和增加通过智能学习实现同等时间单元下的能量预估功能进化。
2.根据权利要求1所述的电动汽车在四驱模式下的能量优化控制方法，其特征在于：通过如下方法使得能量管理系统能够基于一般化行驶需求预估下一个时间单元的大概率能量需求：A、首先设定时间单元，时间单元设定要在保障能量需求预估与实际需求拟合精度的基础上尽量减少系统的计算负荷过重；B、其次设定能量预估的底端数据集合，包含已发生的若干个时间单元内的能量数据，时间单元个数的设定使得已发生数据的采集、存储、计算能够适应能量管理系统的空余计算能力又足够为所需精度的能量预估提供数据基础；C、然后设定算法进行能量预估算法迭代拟合，D、最后基于实际能量数值与预估能量数值之间的差值设定自主学习程序进行能量预估算法进化。
3.根据权利要求2所述的电动汽车在四驱模式下的能量优化控制方法，其特征在于：步骤A、B中，所述时间单元设定为0.1-10s；所述底端数据集合内包含2-50组时间单元。
4.根据权利要求4所述的电动汽车在四驱模式下的能量优化控制方法，其特征在于：步骤A、B中，所述时间单元设定为1-2s；所述底端数据集合内包含8-24组时间单元。
5.根据权利要求2所述的电动汽车在四驱模式下的能量优化控制方法，其特征在于：步骤C中，能量预估算法迭代拟合的步骤包括：①、计算底端数据集合内第二组时间单元内的能量均值与起始时间单元内的能量均值之差构成第一一阶能量差分，迭代计算第二一阶能量差分至底端数据集合最末端的时间单元，得到全部一阶能量差分；②、第二一阶能量差分与第一一阶能量差分之差构成第一二阶能量差分，迭代计算第二二阶能量差分、第三二阶能量差分直至底端数据集合最末端的时间单元，得到全部二阶能量差分；③、按照①、②方式迭代获取第n-1阶能量差分，其中n的取值即为底端数据集合内包含的时间单元的数值；④、确定如下的能量差分基本关系：第k个i阶能量差分等于“第k-1个i阶能量差分”与“第k-1个i+1阶能量差分”之和，作为后续算法的基础；⑤、利用能量差分基本关系首先将第k个1阶能量差分转化为由第1个1-k阶能量差分之和构成的多项式，不同阶能量差分的系数遵从组合公式，即多项式中第1个k′阶能量差分之前的系数等于从k项中选取k′项的组合数；类似的，将第任意个1阶能量差分转化为第一个不同阶的能量差分之和；⑥、依据⑤的算法将所有1阶能量差分的转化多项式加和，从而将底端数据集合内所有时间单元的能量需求均值集合转化表示为由第一个不同阶能量差分表示的多项式，多项式各项的系数遵从组合公式，即第k阶能量差分的系数等于从n项中选取k项的组合数；⑦、设定能量差分转化参商：令第k阶能量差分连续除以k个时间单元，所得数值设定为第k阶转化参商；⑧、将⑦代入⑥，得到由第k阶转化参商与底端数据集合内首末端时间单元差值组成的多项式，其系数由组合公式除以k的阶乘构成；⑨、将⑧公式中的数值n增大为n+j，所得数值与底端数据集合内的能量需求的差值即为将来j个时间单元内的能量需求预估值。
6.根据权利要求2所述的电动汽车在四驱模式下的能量优化控制方法，其特征在于：步骤D中，能量预估算法进化按照如下程序进行：①将驾驶速度以5km/h为间差分割为多个速度区间套；②按照计算任一个时间单位i内的加权系数ωi，其中et、ee分别为实际发生能量值和预估能量值；③依据计算最小方差累计加权系数ω；④将ω作为加权系数代入后续任一时间单位内的预估能量值进行预估优化；⑤重复上述步骤，实现能量预估算法的累积式自我学习进化。
CN201710425954.0A 2017-06-08 2017-06-08 电动汽车在四驱模式下的能量管理及自主学习方法 Active CN107203812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710425954.0A CN107203812B (zh) 2017-06-08 2017-06-08 电动汽车在四驱模式下的能量管理及自主学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710425954.0A CN107203812B (zh) 2017-06-08 2017-06-08 电动汽车在四驱模式下的能量管理及自主学习方法

Publications (2)

Publication Number Publication Date
CN107203812A true CN107203812A (zh) 2017-09-26
CN107203812B CN107203812B (zh) 2019-10-18

Family

ID=59908445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710425954.0A Active CN107203812B (zh) 2017-06-08 2017-06-08 电动汽车在四驱模式下的能量管理及自主学习方法

Country Status (1)

Country Link
CN (1) CN107203812B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101590832A (zh) * 2008-05-27 2009-12-02 爱信艾达株式会社 行驶能量学习装置以及方法
CN103745111A (zh) * 2014-01-15 2014-04-23 华南农业大学 纯电动乘用车续驶里程预测方法
JP2015080977A (ja) * 2013-10-22 2015-04-27 ダイムラー・アクチェンゲゼルシャフトＤａｉｍｌｅｒ ＡＧ ハイブリッド車両の走行制御装置
CN104842797A (zh) * 2014-05-22 2015-08-19 北汽福田汽车股份有限公司 电动汽车未来平均电耗预估、剩余续驶里程估计方法及系统
CN105050878A (zh) * 2013-01-25 2015-11-11 大众汽车有限公司 预测车辆的能量消耗
CN105539446A (zh) * 2015-12-21 2016-05-04 东软集团股份有限公司 用于预测续航里程的方法和装置
CN106004865A (zh) * 2016-05-30 2016-10-12 福州大学 基于工况识别的里程自适应混合动力汽车能量管理方法
CN106660559A (zh) * 2014-08-19 2017-05-10 奥迪股份公司 用于预先计算机动车的消耗的方法、机动车和计算机程序

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101590832A (zh) * 2008-05-27 2009-12-02 爱信艾达株式会社 行驶能量学习装置以及方法
CN105050878A (zh) * 2013-01-25 2015-11-11 大众汽车有限公司 预测车辆的能量消耗
JP2015080977A (ja) * 2013-10-22 2015-04-27 ダイムラー・アクチェンゲゼルシャフトＤａｉｍｌｅｒ ＡＧ ハイブリッド車両の走行制御装置
CN103745111A (zh) * 2014-01-15 2014-04-23 华南农业大学 纯电动乘用车续驶里程预测方法
CN104842797A (zh) * 2014-05-22 2015-08-19 北汽福田汽车股份有限公司 电动汽车未来平均电耗预估、剩余续驶里程估计方法及系统
CN106660559A (zh) * 2014-08-19 2017-05-10 奥迪股份公司 用于预先计算机动车的消耗的方法、机动车和计算机程序
CN105539446A (zh) * 2015-12-21 2016-05-04 东软集团股份有限公司 用于预测续航里程的方法和装置
CN106004865A (zh) * 2016-05-30 2016-10-12 福州大学 基于工况识别的里程自适应混合动力汽车能量管理方法

Also Published As

Publication number Publication date
CN107203812B (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN107069706B (zh) 一种基于多参数规划的输配电网协调的动态经济调度方法
CN107392400A (zh) 计及实时交通与温度的ev充电负荷时空分布预测方法
CN106080585B (zh) 一种双行星排式混合动力汽车非线性模型预测控制方法
CN109591659B (zh) 一种智能学习的纯电动汽车能量管理控制方法
CN110852482A (zh) 一种燃料电池公交车实时全局优化智能控制系统及方法
CN106225797A (zh) 一种路径规划方法
CN104037776B (zh) 随机惯性因子粒子群优化算法的电网无功容量配置方法
DE102012212079A1 (de) System und Verfahren zum Erzeugen von empfohlenen Fahrtrouten für ein Elektrofahrzeug
CN107017619A (zh) 非合作博弈视角的光伏充电站网络分布式能量管理方法
CN108897928B (zh) 一种基于嵌套蒙特卡洛树搜索的智能车坡路节能车速优化方法
DE102014214763A1 (de) Echtzeit-kraftstoffverbrauchsschätzung
CN103991384A (zh) 一种电动车辆的复合制动系统及其复合制动方法
CN107067190A (zh) 基于深度强化学习的微电网电能交易方法
Cui et al. Advanced deep deterministic policy gradient based energy management strategy design for dual-motor four-wheel-drive electric vehicle
Hou et al. An all-in-one design method for plug-in hybrid electric buses considering uncertain factor of driving cycles
CN114707292B (zh) 含电动汽车配电网电压稳定性分析方法
CN106529797A (zh) 电动汽车充电网络规划方法
Chen et al. Regenerative braking control strategy for distributed drive electric vehicles based on slope and mass co-estimation
CN107203812A (zh) 电动汽车在四驱模式下的能量管理及自主学习方法
CN108444494B (zh) 基于Stackelberg博弈的路径选择方法
CN107301266A (zh) 一种磷酸铁锂电池loc估算方法和系统
CN107139765B (zh) 电动汽车在四驱模式下的能量优化控制方法
CN112232579A (zh) 一种基于蚁群算法的电力物资调配方法
CN106864451A (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
CN113071508B (zh) 一种dcps架构下的车辆协同能量管理方法和系统

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: 20220106

Address after: 454750 industrial cluster of Mengzhou City, Jiaozuo City, Henan Province

Patentee after: HENAN YUJIE TIMES AUTOMOBILE Co.,Ltd.

Address before: 054800 West Wagong Avenue South of Fengharvest Canal, Qinghe County, Xingtai City, Hebei Province

Patentee before: HEBEI YUJIE TIMES AUTOMOBILE CO.,LTD.