CN107818186A - 用于混合动力汽车的能量控制轨迹优化方法、混合动力汽车 - Google Patents
用于混合动力汽车的能量控制轨迹优化方法、混合动力汽车 Download PDFInfo
- Publication number
- CN107818186A CN107818186A CN201610818431.8A CN201610818431A CN107818186A CN 107818186 A CN107818186 A CN 107818186A CN 201610818431 A CN201610818431 A CN 201610818431A CN 107818186 A CN107818186 A CN 107818186A
- Authority
- CN
- China
- Prior art keywords
- soc
- vehicle
- battery
- hybrid vehicle
- energy hole
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 230000001133 acceleration Effects 0.000 claims abstract description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 35
- 239000000446 fuel Substances 0.000 claims description 25
- 230000033228 biological regulation Effects 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 18
- 238000007726 management method Methods 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 12
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 230000008569 process Effects 0.000 description 28
- 238000011217 control strategy Methods 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 19
- 230000008859 change Effects 0.000 description 15
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 9
- 238000009825 accumulation Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 230000010365 information processing Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 239000013618 particulate matter Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种用于混合动力汽车的能量控制轨迹优化方法以及应用该方法的混合动力汽车。该能量控制轨迹优化方法包括：基于已知或预设或预测的行驶工况或其组合来确定混合动力汽车的速度参数和加速度参数；基于速度和加速度参数，通过车辆数学模型计算动力输出信息和能耗信息；基于动力输出信息和能耗信息，计算得出能量控制轨迹。
Description
技术领域
本发明涉及混合动力汽车的能量管理技术，具体而言，涉及一种用于混合动力汽车的能量控制轨迹优化方法及应用其的混合动力汽车。
背景技术
混合动力电动汽车(HEV)按照汽车动力系统的特点一般分为串联式、并联式和混联式。
串联式混合动力电动汽车中，发动机仅仅用于发电，发电机发出的电能供给电动机，从而驱动汽车行驶。发动机启动后持续工作在高效区，当发动机发出的功率超过汽车行驶所需要的功率时，多出的功率可以输出到发电机，由发电机进行发电，而发电机发出的部分电能向电池充电，来延长混合动力电动汽车的行驶里程。另外电池还可以单独向电动机提供电能来驱动车辆。
并联式混合动力电动汽车中，车辆的驱动力可由电动机及发动机同时或单独供给，其中发动机和电动/发电机以机械叠加的方式驱动汽车，从而组成不同的动力学模式组合。并联式混合动力电动汽车能够在较低负荷时单独使用发动机或电动机作为动力源，而提供需要大功率时可以同时使用电动机和发动机作为动力源驱动汽车行驶。
混联式混合动力电动汽车是串联式和并联式的综合，它在结构形式和控制方式上充分发挥了两种驱动各自的优点，能够使发动机、发电机、电动机等多个部件进行更多种组合的优化匹配，从而在结构上保证了即使在复杂工况下系统也能工作在更优的状态下，从而更容易实现燃油消耗和其他方面的控制目标。
然而，不管在哪种类型的混合动力车辆中，都采用两种能量形式为整车提供驱动，因此其关键问题则为如何根据具体工况的需求，来管理能量的提供和转化过程。混合动力的控制系统应当在满足整车动力性能指标的前提下，通过对各个总成进行协调和管理，来实现提高燃油经济性和降低排放的目标。
更具体地，由于荷电状态(SOC)可以代表车辆当前的状态，因此优化控制策略的过程即优化SOC在行车过程中变化轨迹的过程。
需要提供一种对车辆行驶过程中SOC轨迹优化的方法，来获得这样一种优化的SOC轨迹，其能够实现提高燃油经济性和降低排放的要求。
发明内容
为了解决上述技术问题至少之一，根据本发明的一方面，提供了一种用于混合动力汽车的能量控制轨迹优化方法，该方法包括：
基于已知或预设或预测的行驶工况或其组合来确定混合动力汽车的速度参数和加速度参数；基于速度和加速度参数，通过车辆数学模型计算动力输出信息和能耗信息；基于动力输出信息和能耗信息，计算得出能量控制轨迹。
可选地，在根据本发明的能量控制轨迹优化方法中，已知或预设的行驶工况是基于法规规定的法规行驶工况和/或基于驾驶习惯得到的自定义行驶工况。
可选地，在根据本发明的能量控制轨迹优化方法中，车辆数学模型是整车纵向动力学模型。
可选地，在根据本发明的能量控制轨迹优化方法中，动力输出信息包括混合动力车的电机和发动机分别对应的需求功率或转速和扭矩。
可选地，在根据本发明的能量控制轨迹优化方法中，计算得出能量控制轨迹所采用的成本函数由下式表示：
其中，fuel(k)表示第k时间段的燃油消耗。
可选地，在根据本发明的能量控制轨迹优化方法中，计算得出的能量控制轨迹的有关数据被存储到车载存储器或远程服务器端的数据存储模块。
可选地，在根据本发明的能量控制轨迹优化方法中，计算得出的能量控制轨迹的有关数据用于分析和评估或用于在实际行驶工况中对车辆的能量管理。
可选地，在根据本发明的能量控制轨迹优化方法中，计算得出能量控制轨迹包括：先计算出混合动力汽车的电池SOC的可行域，然后在满足SOC约束的条件下，计算能量控制轨迹。
可选地，在根据本发明的能量控制轨迹优化方法中，基于通过车辆数学模型计算的动力输出信息和能耗信息，从初始离散时间点出发，根据电机、电池、发动机的约束，得到电池SOC的在离散空间的可行域。
可选地，在根据本发明的能量控制轨迹优化方法中，从初始离散时间点出发，沿时间方向计算从SOC轨迹起点到达SOC上下限之前的可行域部分；从终止离散时间点出发，逆时间方向计算从SOC上下限到达SOC终点之前的可行域部分。
可选地，在根据本发明的能量控制轨迹优化方法中，电机的约束包括电机能够发出的最大、最小功率和/或提供的最大、最小扭矩；电池的约束包括电池单位时间段内的最大放电量和最大充电量，以及电池的最大允许的荷电状态和最小允许的荷电状态；发动机的约束包括发动机所能够发出的最大、最小功率和/或能够提供的最大、最小扭矩和/或发动机高效工作区间。
可选地，在根据本发明的能量控制轨迹优化方法中，电池最大允许的荷电状态即电池SOC上限，电池最小允许的荷电状态即电池SOC下限。
可选地，在根据本发明的能量控制轨迹优化方法中，电池最大允许的荷电状态为电池满电下的荷电量的90％且电池最小允许的荷电状态为电池满电下的荷电量的10％，或者电池最大允许的荷电状态为电池满电下的荷电量的80％且电池最小允许的荷电状态为电池满电下的荷电量的20％。
根据本发明的另一方面，还提供了一种用于混合动力汽车的能量控制轨迹优化方法，该方法包括：
在时间维度上对一个行驶工况或者多于一个相同或者不同行驶工况的组合内的系统状态进行离散化处理，给出对应时间区间内该电池SOC的二维离散状态点分布网格；
应用车辆数学模型计算时间区间内每个单独的离散状态点的所需转速和扭矩，或功率；
根据电机、电池和发动机的约束，分别从二维离散状态点分布网格的初始状态点和终止状态点出发，获得时间区间内的SOC可达边界；
在SOC可达边界所限定的范围内，以满足系统约束为条件，对成本函数正向计算，获得整个时间区间的SOC可达状态矩阵和与之对应的油耗矩阵；
通过递归调用的方式，从终止状态点逆推至初始状态点，进行遍历寻优，获得使油耗最小的能量分配轨迹作为能量控制轨迹。
可选地，在根据本发明的能量控制轨迹优化方法中，获得使油耗最小的能量分配轨迹包括：从终止状态点的时间点起依次向前计算，直至起始状态点的时间点，计算每一离散状态点对应的油耗值，并进行累积，从而获得每个状态点到达终止状态点的累积油耗，通过找到累积油耗的最小值，得到使得整个时间区间油耗最小的轨迹，并且确定该轨迹中每个状态点对应的坐标。
可选地，在根据本发明的能量控制轨迹优化方法中，坐标指向与状态点对应的信息，包括：SOC状态、燃油消耗、基于车辆数学模型计算的转速和扭矩，或功率。
根据本发明的另一方面，还提供了一种混合动力汽车，其能量分配是基于根据本发明公开了任一种能量控制轨迹优化方法来控制的。
可选地，在根据本发明的混合动力汽车中，该混合动力汽车通过互联网自动地预测和/或估计驾驶路径的工况，并基于该工况动态地确定行驶工况或行驶工况组合。
可选地，在根据本发明的混合动力汽车中，混合动力汽车既包括非插电式的混合动力车，也包括插电式混合动力车；从联动方式的角度，包括并联、串联和混联方式的混合动力车。
根据本发明的另一方面，还提供了一种用于混合动力汽车的能量控制轨迹优化设备，其中该轨迹优化设备包括：
工况信息处理装置，车辆模拟装置和能量分配装置，
工况信息处理装置基于已知或预设或预测的行驶工况或其组合来确定混合动力汽车的速度参数和加速度参数，并将该速度参数和加速度参数发送给车辆模拟装置；
车辆模拟装置根据车速参数和加速度参数，得出SOC可行区间路径和油耗矩阵路径，并将该SOC可行区间路径和油耗矩阵路径发送给能量分配装置；
能量分配装置基于SOC可行区间路径和油耗矩阵路径，得到在已知或预设或预测的行驶工况的时间期间的最优SOC控制轨迹。
可选地，在根据本发明的能量控制轨迹优化设备中，车辆模拟装置基于车辆的行驶阻力、发动机特性、电机特性、电池特性中的一种或多种，根据车速参数和加速度参数，得出SOC可行区间路径和油耗矩阵路径。
可选地，在根据本发明的能量控制轨迹优化设备中，车辆模拟装置根据发动机特性，得到该发动机的最大、最小扭矩和/或功率，并且计算行驶工况的时间期间内沿时间方向的动力源需求功率和/或扭矩和转速。
可选地，在根据本发明的能量控制轨迹优化设备中，车辆模拟装置根据电机、电池和发动机的约束，分别从系统的初始状态和终止状态出发，获得整个行驶工况的系统可达边界。
可选地，在根据本发明的能量控制轨迹优化设备中，车辆模拟装置在获得整个行驶工况的系统可达边界时还考虑行驶阻力的影响。
可选地，在根据本发明的能量控制轨迹优化设备中，能量分配装置主要将油耗和SOC的变化作为优化的成本函数，通过使成本函数最小化来获得最优SOC控制轨迹。
可选地，在根据本发明的能量控制轨迹优化设备中，能量分配装置通过递归调用的方式，从终止状态逆推至初始状态，完成遍历寻优过程，获得使油耗最小的最优SOC控制轨迹。
可选地，在根据本发明的能量控制轨迹优化设备中，最优SOC控制轨迹包括：在每个离散时间点处的电机和发动机的能量分配情况。
可选地，在根据本发明的能量控制轨迹优化设备中，在设备的内部或外部设置有数据存储装置，该数据存储装置用于存储行驶工况的数据和/或最优SOC控制轨迹。
可选地，在根据本发明的能量控制轨迹优化设备中，工况信息处理装置能够从设备的外部接收行驶工况的相关数据，并将所接收到的行驶工况数据输出给车辆模拟装置。
可选地，在根据本发明的能量控制轨迹优化设备中，工况信息处理装置还包括用户输入单元，能够通过该用户输入单元人工输入车速参数和加速度参数。
根据本发明的另一方面，还提供了一种混合动力汽车，其中该混合动力车包括根据本发明所公开了任一种能量控制轨迹优化设备。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
图1示意性地示出了根据本发明实施例的用于混合动力汽车的能量控制轨迹优化方法的基本原理；
图2是图1所示原理的具体方法步骤的流程示意图；
图3是根据图2所示方法步骤得出的电池SOC可行域的示意图；
图4是应用图1的用于混合动力汽车的能量控制轨迹优化方法的优化结果示意图。
图5示意性地示出了根据本发明的用于混合动力汽车的能量控制轨迹优化的设备500的结构。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不必然表示数量限制。“包括”或者“包含”等类似的词语意指出现该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
混合动力汽车能量管理策略可以分为基于规则的能量管理策略和基于优化的能量管理策略两类。
基于规则的能量管理策略是根据经验提炼规则，而不依赖于被控系统的精确的数学模型。而规则的有效性很大程度上取决于设计者的经验。特别地，由于功率的分配很大程度上依赖于设计者的经验，而没有经过精确数学模型的计算和优化，从而不能充分发挥能量系统的优势。
基于优化的能量管理策略主要包括瞬时优化控制策略和全局优化控制策略。瞬时优化控制策略通过实时计算发动机和电动机在不同功率分配组合下和不同工作点处的瞬时油耗和排放，来确定最佳的工作点，其可以实现实时最优控制；但是由于其计算量大，因此实现困难，运行成本较高。
根据本发明一个实施例的用于混合动力汽车的能量控制轨迹优化方法，主要基于全局优化控制策略，在给定的行驶工况的基础上，寻求最优的能量控制轨迹。
全局优化控制策略是基于多目标数学规划以及最小值原理的全局最优化方案，通过建立以整车燃油经济性(以及一些其他因素，例如排放等)为目标、系统状态变量为约束的全局优化数学模型，并且运行相关的优化方法进行计算来求得最优的混合动力分配控制策略。
可选地，将已知行驶工况作为全局优化控制策略的制定基础，从而可以为实时能量控制策略提供参考和评估，以及指导实时能量控制策略的实际设计。例如，基于法规规定的法规行驶工况和/或基于驾驶习惯得到的自定义行驶工况来制定能量控制轨迹的优化策略。
图1示意性地示出了根据本发明一个实施例的用于混合动力汽车的能量控制轨迹优化方法的基本原理。
从原理上来讲，根据图1所示实施例的用于混合动力汽车的能量控制轨迹优化方法，主要包括：基于法规要求的和/或驾驶习惯的已知或预设行驶工况来确定混合动力汽车的速度和加速度参数；结合整车纵向动力学模型计算需求功率、转速、能耗等参数信息；使用优化算法得出控制轨迹。
如前所述，行驶工况可以包括基于法规要求的法规行驶工况以及基于驾驶习惯的自定义行驶工况。基于法规的行驶工况，例如包括：欧盟的NEDC行驶工况(New EuropeanDriving Cycle)，被中国、欧洲、澳大利亚所采用；美国的FTP75行驶工况(Federal TestProcedure 75)，被美国、加拿大、南美等国家和地区所采用；日本的JC08，主要用于日本。
根据本发明实施例的方法可以基于选定的行驶工况而得到针对该选定行驶工况的最优能量控制轨迹，而避免SOC偏离程度对优化结果的影响。
类似地，对于基于驾驶习惯得到的自定义行驶工况，也可以以类似的方式得到能量的最优控制轨迹。
基于已知的行驶工况，能够通过计算而准确地得到每个工况点的车速和加速度等基本驾驶信息。
基本驾驶信息(包括车速、加速度)随后被输入到车辆数学模型中，从而基于车辆数学模型计算出车辆当前的需求功率、转速、能耗等信息。其中，可选地，车辆数学模型是根据具体车型建立的模型，但其具体数学建模和参数可以根据车辆的实际情况而调整。
将基于整车模型得到的需求功率、转速、能耗等信息作为能量管理优化算法的输入参数，通过能量管理优化算法的计算而得到基于选定行驶工况的控制轨迹。
根据本发明的实施例，提出了一种SOC轨迹优化方法，其主要将油耗和SOC的变化作为优化的成本函数(如下列公式(1)所示)，通过使成本函数最小化来获得最优的控制轨迹。
其中，fuel(k)为第k时间段的燃油消耗，NOx(k)、PM(k)为氮氧化物和颗粒物的排放量，SOCf为期望的荷电状态SOC，SOC(N)为计算终点(即k＝N时)的荷电状态SOC，μ、ν、α为各项影响因素相应的加权因子，L(x(k),u(k))表示燃油消耗和排放，G(x(N))表示SOC的变化影响。
在上述成本公式中考虑了燃油消耗、排放和SOC的变化。特别的，油耗和SOC变化是优化的成本函数中起主导作用的参数。其中，α(SOC(N)-SOCf)2为基于SOC的变化设计的惩罚函数，用于保证SOC平衡，而最优的SOC控制轨迹则是通过使成本函数最小化而获得。
由于SOC惩罚函数项次的存在，当SOC(N)偏离SOCf越大时，得到的成本函数值越高；因此，根据上述优化算法得到的轨迹(即，使得成本函数的值最小化)更偏向于选择SOC变化较小的控制轨迹(即SOC惩罚函数的值较低)。
根据上述优化方法可以获得在车辆行驶过程中优化的SOC轨迹，以实现良好的油耗和排放性能。
在其它的实施例中，可以仅将油耗和SOC变化作为成本函数的影响因素，而不考虑氮氧化物和颗粒物的排放量的影响(即删去上述公式中NOx(k)、PM(k)的项次)。因此，对成本函数影响较小的影响因素在计算SOC优化轨迹的过程中不被考虑在内，这能够简化成本函数，并且降低计算SOC优化轨迹的复杂程度，而同时也能够实现较为准确的SOC最优轨迹。
进一步，由于α(SOC(N)-SOCf)2项次的存在，上述优化算法在SOC(N)与SOCf偏离较小的情况下能够实现更优的效果。但是若最优结果存在于SOC(N)与SOCf偏离较大时的情况下，根据上述算法得到的最优结果可能与实际上的最优结果相悖。特别地上述SOC优化方法很大程度地受到SOC(N)与SOCf偏离程度的影响，得到的最终优化轨迹在一些情况下可能与实际最优的优化轨迹存在较大偏差。
根据本发明的其它实施例，提出了一种对车辆行驶过程中SOC的轨迹进行优化的方法。在该方法中，能量管理优化算法不考虑除了油耗之外的其它因素对成本函数的影响，特别是不考虑SOC变化对成本函数的影响，其成本函数和油耗的关系参见公式(2)，其中，fuel(k)为第k时间段的燃油消耗，J表示累积(成本)函数。
可选地，将得到的控制轨迹相关数据储到数据存储模块(如图1所示)。该数据存储模块可以是车载存储器，也可以是远程服务器端的数据存储模块；存储的计算结果可以用于进一步分析和评估，也可以被应用到车辆的实际控制算法中，用于车辆在实际行驶工况中的能量管理。
根据本发明实施例的用于混合动力车辆的控制轨迹优化算法对前述的成本函数法进行了改进。例如，在根据本发明实施例的优化算法中，去除了SOC惩罚函数这一约束条件，而仅将油耗作为成本函数的主要影响因素，从而有效地避免了SOC的偏离程度对混合动力电动车辆的能量控制轨迹优化结果的影响。
在根据本发明实施例的用于混合动力电动汽车的控制轨迹优化方法中，为了保证SOC的平衡(即，SOCstart(工况起始时刻的SOC)大致等于SOCterminal(工况终止时刻的SOC))，需要采用特定的方法计算出SOC的可行区间，在满足SOC平衡约束的条件下，可以通过根据本发明的能量轨迹优化算法获得最优的控制轨迹。
图2是图1所示原理的具体方法步骤的流程示意图。图3是根据图2所示方法步骤得出的电池SOC可行域的示意图。图4是应用图1的用于混合动力汽车的能量控制轨迹优化方法的优化结果示意图。
如图2所示，在步骤S100，在时间维度上对一定时间(可以是一个行驶工况或者多于一个相同或者不同行驶工况的组合)内的系统状态进行离散化处理，沿时间方向给出电池SOC的计算网格。具体地，可将整个时间区间沿时间方向划分为N个离散时间轴，并基于诸如SOC轨迹精度要求等参数来确定在纵轴(SOC轴，见图3)的离散度，从而得到整个过程的二维离散状态点分布网格。该离散化处理和网格划分可以用于简化在后续步骤中进行的数值计算。该离散步骤可以如上所述首先完成，也可以在下述计算过程中进行。
在步骤S200，根据已知的行驶工况，应用车辆数学模型来计算上述预定期间内沿时间方向的动力源需求功率和转速。具体地，在每个单独的离散状态点，根据当前选定的行驶工况所提供的驾驶信息，诸如车速和加速度，基于车辆数学模型，计算出该车辆要达到预期车速和加速度所需要提供的功率和/或扭矩和转速信息(通常可以理解为功率是扭矩和转速的乘积)。
在步骤S300，根据电机、电池和发动机的约束，分别从系统的初始状态和终止状态出发，获得整个行驶工况的系统可达边界。
具体地，首先，如步骤301所示，基于从整车模型输出的、车辆要达到预期车速和加速度而所需要提供的功率和/或扭矩和转速等信息，从系统的初始状态(k＝1)出发，根据电机、电池、发动机的约束，得到在图3中示出的电池SOC的可行域到达SOC上下限之前的部分(即，图3中示出的SOC可行域的上行曲线在0-T1时间段和下行曲线在0-T2时间段之间的部分)。
其中电机的约束可以包括电机能够发出的最大、最小功率和/或提供的最大、最小扭矩等；电池的约束可以包括电池单位时间段内的最大放电量和最大充电量(两者之差表示为图3中的ΔSOCmax(k))，以及电池的最大和最小允许的荷电状态(在图3中分别表示为SOCmax和SOCmin，该上限和下限可以是预先设定的，例如，基于电池的有效工作区间或高效工作区间设定，比如电池满电下的荷电量的10％～90％，或者20％～80％，等，但是该示例仅作为参考，而非用于限制)；发动机的约束可以包括发动机所能够发出的最大、最小功率和/或能够提供的最大、最小扭矩等，也可以是高效工作区间。当然，也可根据具体的需求或经验而在电池SOC的可行域的具体计算过程中添加其他的约束条件。由于行驶工况和整车模型都是已知的，可以获得比较确定的电池SOC可行域。
在SOC分别到达其上限或下限(即图3中SOCmax和SOCmin)时，电池达到其预设的或有效工作的荷电量边界值，此时不对电池继续充电或放电，从而限制了电池SOC的可行域的上下限。电池有效工作的荷电量的边界值可根据电池的类型，需求的电池效率和/或使用寿命，以及电池的布置方式等条件来确定。
出于保证SOC平衡的要求，在行驶工况的末尾(即第N个时间点)处的SOC值需要达到一定的数值SOCterminal(SOCterminal可以设为在SOC上下限内的任意数值，从SOC的上限下降到该数值，或从SOC的下限上升到该数值，该数值也可以等于或者大致等于SOC初始数值SOCstart)。从SOC上限下降或从SOC下限上升到SOCterminal的过程也受到电机、电池和/或发动机的约束，从而根据所述约束可以得到图3中示出的电池SOC的可行域在从SOC上下限到达SOCterminal的部分(即，图3中示出的SOC可行域的上行曲线在T3-TN时间段和下行曲线在T4-TN时间段之间的部分)。为了便于理解和计算，该部分的SOC可行域可通过沿时间逆方向从终止状态(k＝N)开始，根据电机、电池和/或发动机的约束，以与沿时间轴正方向计算相类似的方式而进行计算，如步骤302所示。也就是说，从初始离散时间点出发，沿时间方向计算从SOC轨迹起点到达SOC上下限之前的可行域部分；从终止离散时间点出发，逆时间方向计算从SOC上下限到达SOC终点之前的可行域部分，得出可行域如图3所示。从图3中也可以看出，这两部分可行域并非对称。但是在其它可选实施例中，这两部分也可以是对称的。
在步骤S400，在SOC可达边界范围内，以满足系统约束(即以上所提到的针对电机、电池和发动机的功率/转速/扭矩/SOC等约束)为条件，根据设计的成本函数正向计算，获得整个时间区间的SOC可达状态集R(图3)和油耗矩阵。控制算法根据获得的需求功率，根据划分的SOC网格计算对应的电机、发动机的功率或扭矩以反馈给整车模型从而便于油耗矩阵的计算。具体地，根据在步骤100划分的时间网格，沿时间方向正向遍历每个时间点，以满足系统约束和可行域外边界为限制条件，根据设计的单步成本函数(fuel(k))，获得在每个时间点的SOC的可能状态以及相应的油耗值，从而得到整个时间区间(包括所有时间点)的所有的SOC状态值和相应的油耗值(即，得到SOC可达状态矩阵R和油耗矩阵F)。SOC状态值沿时间方向遍历的所有可能点在图3中以SOC可行域中的多个点示意性地示出。
在步骤S500，通过递归调用的方式，从终止状态逆推至初始状态，完成遍历寻优过程，获得使油耗最小的能量分配轨迹(控制轨迹，图4)。具体地，在计算过程中，从终止状态k＝N时刻起依次向前计算，即计算k＝N-1，k＝N-2，直至k＝1的每一时刻的油耗值，并进行累积，从而获得每个状态到达终止状态的累积油耗，通过找到累积油耗的最小值，规划出使得整个行驶工况油耗最小的轨迹，并且确定轨迹中每个点对应的坐标。该坐标可以指向与该状态点对应的信息，包括：SOC状态值、燃油消耗、基于车辆模型计算的电机和发动机分别对应的扭矩和功率等信息。
在步骤S600，将计算结果输出并存储到车载的或远程的数据存储模块中，以用于后续的使用。
以上所述的能量控制轨迹优化方法是针对基于已知行驶工况或其组合而进行描述的。但是可以理解的是，该控制策略也可用于基于优化算法的自适应控制策略。
特别地，基于已知行驶工况的控制策略属于全局优化控制策略，该控制策略是以整个行驶工况已知为前提条件进行的。而全局优化控制策略可以进一步进化为基于优化算法的自适应控制策略。
基于优化算法的自适应控制策略并不限于基于预定的法规行驶工况和/或基于习惯得到的自定义的行驶工况，而是还可以基于根据当前的行驶条件和路况自动预测得到的未来一段时间内的行驶工况，从而自动地调整控制参数以适应行驶工况的变化。特别地，自动预测得到的未来一段时间内的行驶工况可以被认为是已知的行驶工况，并且可以采用如本发明实施例所述的优化算法来得到在该预测的行驶工况期间内的最优的能量分配轨迹。基于此，本发明的能量控制轨迹优化方法可以用于车辆实时行驶中的能量分配算法中。
更进一步地，随着车联网的进一步发展和普及，网络中的车辆可以自动地预测和估计驾驶者整个驾驶路径的工况，以将未知的行驶工况变为已知和/或可预测的行驶工况，从而能够通过根据本发明的能量控制轨迹优化方法而得到在该特定行驶工况下的最优能量管理策略。从而，本发明的能量控制轨迹优化方法不仅仅用于法规行驶工况或自定义行驶工况，而是能够进一步地灵活应用到车辆实时优化控制策略中。
本发明还公开了一种用于混合动力汽车的能量控制轨迹优化设备，该设备基于全局优化控制策略，能够基于从输入装置输入的给定的行驶工况，来获得最优的能量控制轨迹。
根据本发明实施例的能量控制轨迹优化设备能够基于多目标数学规划以及最小值原理的全局最优化方案，通过以整车燃油经济性(以及一些其他因素，例如排放等)为目标、系统状态变量为约束的能量分配装置的计算，从而获得最优的混合动力分配控制策略的输出，以输出到输出装置中。
可选地，将已知行驶工况作为全局优化控制策略的制定基础，从而可以为实时能量控制策略提供参考和评估，以及指导实时能量控制策略的实际设计。例如，基于法规规定的法规行驶工况和/或基于驾驶习惯得到的自定义行驶工况来制定能量控制轨迹的优化策略。
图5示意性地示出了上述根据本发明的用于混合动力汽车的能量控制轨迹优化的设备500(下文中简称为优化设备500)的结构。
在示出的示意结构中，该优化设备500包括行驶工况信息处理装置501、车辆模拟装置502、能量分配装置503，数据存储装置504。下文中结合优化设备500的具体结构对根据本发明的优化装置的操作过程进行详细地阐述。
行驶工况信息处理装置501可以用于基于行驶工况信息来确定所述混合动力汽车的速度参数和加速度参数，也可以作为行驶工况有关数据的接收装置和输入装置。例如，行驶工况信息处理装置501可以包括用户输入单元，其提供用户输入界面，例如计算机输入模块(比如鼠标、键盘等)、或平板电脑、手机等输入设备，通过人工输入而将汽车的速度参数和加速度参数等行驶工况有关数据提供至车辆模拟装置502。可选地，行驶工况信息处理装置501可以从数据存储装置504接收有关给定行驶工况的数据。具体地，常用给定行驶工况的数据被预先地存储在存储装置504中，并且在优化设备500的操作过程中直接被传递至车辆模拟装置502。
经由行驶工况信息处理装置501处理的给定行驶工况主要包括基于法规要求的法规行驶工况和/或基于驾驶习惯的自定义行驶工况。基于法规的行驶工况，例如包括：欧盟的NEDC行驶工况(New European Driving Cycle)，被中国、欧洲、澳大利亚所采用；美国的FTP75行驶工况(Federal Test Procedure 75)，被美国、加拿大、南美等国家和地区所采用；日本的JC08，主要用于日本。基于驾驶习惯的自定义行驶工况可以是根据用户在一段时间内的驾驶规律而归纳总结的一般性的行驶工况(例如根据用户每天上下班的驾驶行程，或者根据固定物流线路的驾驶行程，而归纳的行驶工况模型)。该行驶工况可以是由用户自己进行总结、建模、并且通过输入装置而手动输入到优化设备500中，以获得针对归纳得到的行驶工况模型的最优的能量控制策略；也可以由车辆的中央控制单元(CPU)或优化设备500的行驶工况预测装置根据用户在一端时间内的驾驶习惯/规律而自动地总结并存储于数据存储单元中，并且在优化设备500的操作期间生成基于该驾驶习惯/规律的最优的能量控制策略。
在图5中示出的实施例中，基于车速-时间的行驶工况相关参数被作为输入参数输入到优化设备500，并经由行驶工况信息处理装置501进行处理。可选地，行驶工况的特征可以经由车速-时间的图表进行描述，也可以经由其他参数进行描述，诸如但不限于，扭矩、功率、加速度等。
以图5中示出的实施例为例，表征给定的行驶工况的参数(即车速和加速度，其中加速度可以根据车速-时间的图表计算得到)被传递至车辆模拟装置502中。具体地，车辆模拟装置502可将车辆的多个因素考虑在内，包括车辆的行驶阻力、发动机特性、电机特性、电池特性，根据输入的基于给定行驶工况的车速和加速度的参数，而给出SOC可行区间路径和油耗矩阵路径(例如在图3中示出的电池SOC可行域和根据SOC可行域中的SOC可达状态矩阵R计算得出的油耗矩阵F)。
在图5的车辆模拟装置502中的流程图中，虚线的箭头示出了计算SOC可行区间的路径；而实线箭头示出了计算油耗矩阵的路径。具体地，车辆模拟装置502根据电机、电池和发动机的约束，以及可选地考虑行驶阻力的影响，分别从系统的初始状态和终止状态出发，获得整个行驶工况的系统可达边界。
计算SOC可行区间的具体过程在下面详细地描述。
首先，在时间维度上对一定时间(可以是一个行驶工况或者多于一个相同或者不同行驶工况的组合)内的系统状态进行离散化处理，沿时间方向给出电池SOC的计算网格。具体地，可将整个时间区间沿时间方向划分为N个离散时间轴，并基于诸如SOC轨迹精度要求等参数来确定在纵轴(SOC轴，见图3)的离散度，从而得到整个过程的二维离散状态点分布网格。该离散化处理和网格划分可以用于简化在后续步骤中进行的数值计算。该离散步骤可以如上所述首先完成，也可以在下述计算过程中进行。
接着，车辆模拟装置502根据发动机特性，得到该发动机的最大、最小扭矩和/或功率。在这之前、之后、或同时，车辆模拟装置502计算上述预定期间内沿时间方向的动力源需求功率和/或扭矩和转速。具体地，在沿时间轴的每个单独的离散状态点，根据行驶工况信息处理装置501提供的、当前选定的行驶工况相关的驾驶信息(诸如车速和加速度)，并结合车辆模拟装置502提供的行驶阻力(这里的行驶阻力可以不仅包括车辆行驶的风阻系数，还包括机械摩擦损耗、车辆重量等其他影响行驶阻力的参数)等参数，计算出该车辆在该离散的时间点处要达到预期车速和加速度所需要提供的功率和/或扭矩和转速信息(通常可以理解为功率是扭矩和转速的乘积)。
在上述计算过程中得到的在多个离散的时间点处的需求功率和/或扭矩和转速、以及该发动机的最大、最小扭矩和/或功率的数据被传递到车辆模拟装置502的计算单元5021，得到电机需求的最大、最小功率。可选地，计算单元5021可以是加法器，也可以是用于进行数据计算的其他电子电气装置。在本发明的实施例中，需求功率和/或扭矩是车辆要达到预期车速/加速度所需要的总的功率和/或扭矩，其减去发动机所能够提供的最大、最小功率和/或扭矩，则得到在多个离散的时间点处电机所需要提供的最大、最小功率和/或扭矩。
随后，根据车辆模拟装置502提供的电机特性参数，得到需求的电池的最大、最小功率；以及根据车辆模拟装置提供的电池特性参数，得到在多个离散时间点处的电池SOC的最大和最小值。
具体地，根据电机、电池和发动机的约束，分别从系统的初始状态和终止状态出发，获得整个行驶工况的系统可达边界。
具体地，首先，基于在多个离散的时间点处的总的需求功率和/或扭矩，从系统的初始状态(k＝1)出发，根据电机、电池、发动机的约束，得到在图3中示出的电池SOC的可行域到达SOC上下限之前的部分(即，图3中示出的SOC可行域的上行曲线在0-T1时间段和下行曲线在0-T2时间段之间的部分)。
其中电机的约束可以包括电机能够发出的最大、最小功率和/或提供的最大、最小扭矩等；电池的约束可以包括电池单位时间段内的最大放电量和最大充电量(两者之差表示为图3中的ΔSOCmax(k))，以及电池的最大和最小允许的荷电状态(在图3中分别表示为SOCmax和SOCmin，该上限和下限可以是预先设定的，例如，基于电池的有效工作区间或高效工作区间设定，比如电池满电下的荷电量的10％～90％，或者20％～80％，等，但是该示例仅作为参考，而非用于限制)；发动机的约束可以包括发动机所能够发出的最大、最小功率和/或能够提供的最大、最小扭矩等，也可以是高效工作区间。当然，也可根据具体的需求或经验而在电池SOC的可行域的具体计算过程中添加其他的约束条件。由于行驶工况和整车模型都是已知的，可以获得比较确定的电池SOC可行域。
在SOC分别到达其上限或下限(即图3中SOCmax和SOCmin)时，电池达到其预设的或有效工作的荷电量边界值，此时不对电池继续充电或放电，从而限制了电池SOC的可行域的上下限。电池有效工作的荷电量的边界值可根据电池的类型，需求的电池效率和/或使用寿命，以及电池的布置方式等条件来确定。
出于保证SOC平衡的要求，在行驶工况的末尾(即第N个时间点)处的SOC值需要达到一定的数值SOCterminal(SOCterminal可以设为在SOC上下限内的任意数值，从SOC的上限下降到该数值，或从SOC的下限上升到该数值，该数值例如可以等于或者大致等于SOC初始数值SOCstart)。从SOC上限下降或从SOC下限上升到SOCterminal的过程也受到电机、电池和/或发动机的约束，从而根据所述约束可以得到图3中示出的电池SOC的可行域在从SOC上下限到达SOCterminal的部分(即，图3中示出的SOC可行域的上行曲线在T3-TN时间段和下行曲线在T4-TN时间段之间的部分)。为了便于理解和计算，该部分的SOC可行域可通过沿时间逆方向从终止状态(k＝N)开始，根据电机、电池和/或发动机的约束，以与沿时间轴正方向计算相类似的方式而进行计算。也就是说，从初始离散时间点出发，沿时间方向计算从SOC轨迹起点到达SOC上下限之前的可行域部分；从终止离散时间点出发，逆时间方向计算从SOC上下限到达SOC终点之前的可行域部分，得出可行域如图3所示。从图3中也可以看出，这两部分可行域不是对称的。但是在替代的实施例中，这两部分也可以是对称的。
计算油耗矩阵的具体过程也在下面详细地描述。
首先，根据上述的离散化的SOC二维离散状态点分布网格，结合车辆模拟装置502提供的电池特性，得到针对离散化的SOC状态的离散化的电池功率的二维离散状态点分布网格。接着，根据得到的电池功率的二维离散状态点分布网格，结合车辆模拟装置502提供的电机特性，得到针对该离散化的SOC状态的离散化的电机功率。
在计算电机功率之前、之后、或同时，车辆模拟装置502计算上述给定行驶工况期间内沿时间方向的动力源需求功率和/或扭矩和转速。具体地，在每个单独的离散状态点，根据行驶工况信息处理装置501提供的、当前选定的行驶工况相关的驾驶信息(诸如车速和加速度)，并结合车辆模拟装置502提供的行驶阻力(本领域计算人员可以容易地理解，这里的行驶阻力不仅包括车辆行驶的风阻系数，还包括机械摩擦损耗、车辆重量等其他影响行驶阻力的参数)等参数，计算出该车辆要达到预期车速和加速度所需要提供的功率和/或扭矩和转速信息(通常可以理解为功率是扭矩和转速的乘积)。可选地，这里的计算动力源需求功率和/或扭矩和转速的过程与上文所描述的计算SOC可行区间过程对需求功率和/或扭矩和转速的计算过程类似；因此，可选地，这里的需求功率和/或扭矩和转速的计算过程可以省略，而直接使用在前述计算过程中得到的数据。
接着，在上述计算过程中得到的数据(包括在多个离散的时间点处的需求功率和/或扭矩和转速、以及根据SOC可行域得出的电机功率的二维离散状态点分布)被传递到车辆模拟装置502的计算单元5022。这里的计算单元5022与上述用于计算SOC可行区间路径的计算单元5021可以是类似的或相同的。可选地，计算装置5022和计算单元5021可以是同一个计算装置。可选地，计算单元5022可以是加法器，也可以是用于进行数据计算的其他电子电气装置。
在本发明的实施例中，需求功率和/或扭矩是车辆要达到预期车速/加速度所需要的总的功率和/或扭矩，其减去根据SOC可行域得出的电机功率(的二维离散状态点分布)，则得到(二维离散状态分布下)的发动机所需提供的扭矩和/或功率，并且将该扭矩和/或功率指令发送至发动机。接合车辆模拟装置502提供的发动机的特性参数，可以得到与(二维离散状态分布下)的SOC矩阵对应的(二维离散状态分布下)的油耗矩阵。
由车辆模拟装置502计算得到的中间结果(包括在多个离散时间点处的车速、加速度、转速、功率、扭矩等)和最终结果(包括SOC可行域矩阵(即二维离散状态分布下的SOC矩阵)和油耗矩阵(与SOC矩阵对应的二维离散状态下的油耗矩阵))被存储到数据存储装置504中，以便于车辆模拟装置502在计算过程中进行调用，以及后续传递到能量分配装置503中用于进一步的计算。
随后，存储在数据存储装置504中的、由车辆模拟装置502计算得到的最终结果(SOC可行域矩阵和油耗矩阵)被传递到能量分配装置503中。能量分配装置503根据从车辆模拟装置502输入的SOC可行域矩阵和油耗矩阵，结合一定的SOC优化方法，得到SOC在给定的行驶工况的时间期间的最优的控制轨迹，即在多个离散的时间点处的最优的发动机和电机的能量分配情况。
本发明提出了一种SOC轨迹优化方法，主要将油耗和SOC的变化作为优化的成本函数(如上文中公式(1)所示)，通过使成本函数最小化来获得最优的控制轨迹。
在该成本公式中考虑了燃油消耗、排放和SOC的变化。特别的，油耗和SOC变化是优化的成本函数中起主导作用的参数。其中，α(SOC(N)-SOCf)2为基于SOC的变化设计的惩罚函数，用于保证SOC平衡，而最优的SOC控制轨迹则是通过使成本函数最小化而获得。
由于SOC惩罚函数项次的存在，当SOC偏离初始值越大时，得到的成本函数值越高；因此，根据上述优化算法得到的轨迹(即，使得成本函数的值最小化)更偏向于选择SOC变化较小的控制轨迹(即SOC惩罚函数的值较低)。
根据上述优化方法可以获得在车辆行驶过程中优化的SOC轨迹，以实现良好的油耗和排放性能。
本发明还提出了一种可选的优化方法，其中仅将油耗和SOC变化作为成本函数的影响因素，而不考虑氮氧化物和颗粒物的排放量的影响(即删去上述公式中NOx(k)、PM(k)的项次)。因此，对成本函数影响较小的影响因素在计算SOC优化轨迹的过程中不被考虑在内，这能够简化成本函数，并且降低计算SOC优化轨迹的复杂程度，而同时也能够实现较为准确的SOC最优轨迹。
特别地，由于α(SOC(N)-SOCf)2项次的存在，上述优化算法在SOC(N)与SOCf偏离较小的情况下能够实现更优的效果。但是若最优结果存在于SOC(N)与SOCf偏离较大时的情况下，根据上述算法得到的最优结果可能与实际上的最优结果相悖。特别地上述SOC轨迹优化方法很大程度地受到SOC(N)与SOCf偏离程度的影响，得到的最终优化轨迹在一些情况下可能与实际最优的优化轨迹存在较大偏差。
本发明还提出了一种改进的优化方法。在该改进的优化方法中，能量管理优化算法不考虑除了油耗之外的其它因素对成本函数的影响，特别是不考虑SOC变化对成本函数的影响，其成本函数和油耗的关系参见上述公式(2)。
具体地，在该改进的优化方法中，通过使SOC(N)＝SOCf(SOC(N)和SOCf可以设为在SOC上下限内的任意数值)去除了SOC惩罚函数这一约束条件，而仅将油耗作为成本函数的主要影响因素，从而有效地避免了SOC的偏离程度对混合动力电动车辆的能量控制轨迹优化结果的影响。
在能量分配装置503的具体运行过程中，通过递归调用的方式，从终止状态逆推至初始状态，完成遍历寻优过程，获得使油耗最小的能量分配轨迹(控制轨迹，图4)。具体地，在计算过程中，从终止状态k＝N时刻起依次向前计算，即计算k＝N-1，k＝N-2，直至k＝1的每一时刻的油耗值，并进行累积，从而获得每个状态到达终止状态的累积油耗，通过找到累积油耗的最小值，规划出使得整个行驶工况油耗最小的轨迹，并且确定轨迹中每个点对应的坐标。该坐标可以指向与该状态点对应的信息，包括：SOC状态值、燃油消耗、基于车辆模型计算的电机和发动机分别对应的扭矩和/或功率和转速等信息，从而给出了在每个离散时间点处发动机和电机的能量分配情况。
由能量分配装置503输出的SOC的最优控制轨迹，包括在每个离散时间点处的电机和发动机的能量分配情况，还可以包括与该时间点对应的其他车辆参数值，被输出并存储到数据存储装置504中，以用于后续的使用。
可选地，数据存储装置504可以是车载存储装置，也可以是远程服务器端的数据存储装置；存储的电机和发动机的最优能量分配结果可以用于进一步分析和评估，也可以被应用到车辆的实际控制算法中，用于车辆在实际行驶工况中的能量管理。
在上文所描述的优化设备500中，输入到行驶工况信息处理装置501中的给定行驶工况是基于法规规定的法规行驶工况和/或基于驾驶习惯得到的自定义行驶工况。但是可以理解的是，输入到行驶工况信息处理装置501中的行驶工况也可以是根据当前的行驶条件和路况自动预测得到的未来一段时间内的行驶工况，从而该优化设备500能够自动地调整以得到适应行驶工况变化的最优控制轨迹。特别地，自动预测得到的未来一段时间内的行驶工况可以被认为是已知的行驶工况，并且可以采用如本发明实施例所述的优化装置来得到在该预测的行驶工况期间内的最优的能量分配轨迹。基于此，本发明的能量控制轨迹优化装置可以在车辆实时行驶中对发动机和电机的能量进行优化地分配。
更进一步地，随着车联网的进一步发展和普及，网络中的车辆可以自动地预测和估计驾驶者整个驾驶路径的工况，以将未知的行驶工况变为已知和/或可预测的行驶工况，从而能够通过根据本发明的优化装置而得到在该特定行驶工况下的最优能量管理/分配策略。从而，本发明的能量控制轨迹优化装置不仅仅用于法规行驶工况或自定义行驶工况，而是能够进一步地灵活应用到车辆实时优化控制中。
根据本发明的实施例，提供了一种用于混合动力车辆的改进的能量控制轨迹优化算法和能量控制轨迹优化设备，其能够有效地避免SOC的偏离程度对优化结果的影响；还提供了一种应用该改进的能量控制轨迹优化算法和/或能量控制轨迹优化设备的混合动力汽车，其SOC控制轨迹能够免受SOC偏离程度对车辆控制的影响，而能够实现更优的能量分配。根据本发明的实施例，还提供了一种基于已知行驶工况\路况的混合动力能量控制轨迹全局优化方法。
根据本发明实施例的能量控制轨迹优化算法和/或能量控制轨迹优化设备用于各种混合动力车辆。因而，根据本发明实施例的混合动力车辆既包括非插电式的混合动力车，也包括插电式混合动力车(PHEV)；从联动方式的角度，包括并联、串联和混联等各种方式的混合动力车。
可选地，本发明的实施例中的混合动力汽车能够通过互联网自动地预测和/或估计驾驶路径的工况，并基于该工况动态地确定行驶工况或行驶工况组合。
以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。
Claims (16)
1.一种用于混合动力汽车的能量控制轨迹优化方法，
其特征在于，包括：
基于已知或预设或预测的行驶工况或其组合来确定所述混合动力汽车的速度参数和加速度参数；
基于所述速度和加速度参数，通过车辆数学模型计算动力输出信息和能耗信息；
基于所述动力输出信息和能耗信息，计算得出能量控制轨迹。
2.根据权利要求1所述的用于混合动力汽车的能量控制轨迹优化方法，其特征在于，所述已知或预设的行驶工况是基于法规规定的法规行驶工况和/或基于驾驶习惯得到的自定义行驶工况。
3.根据权利要求1所述的用于混合动力汽车的能量控制轨迹优化方法，其特征在于，所述车辆数学模型是整车纵向动力学模型。
4.根据权利要求1所述的用于混合动力汽车的能量控制轨迹优化方法，其特征在于，所述动力输出信息包括所述混合动力车的电机和发动机分别对应的需求功率或转速和扭矩。
5.根据权利要求1所述的用于混合动力汽车的能量控制轨迹优化方法，其特征在于，所述计算得出能量控制轨迹所采用的成本函数由下式表示：
<mrow>
<mi>J</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>f</mi>
<mi>u</mi>
<mi>e</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，fuel(k)表示第k时间段的燃油消耗。
6.根据权利要求1所述的用于混合动力汽车的能量控制轨迹优化方法，其特征在于，所述计算得出的能量控制轨迹的有关数据被存储到车载存储器或远程服务器端的数据存储模块。
7.根据权利要求1所述的用于混合动力汽车的能量控制轨迹优化方法，其特征在于，所述计算得出的能量控制轨迹的有关数据用于分析和评估或用于在实际行驶工况中对车辆的能量管理。
8.根据权利要求1所述的用于混合动力汽车的能量控制轨迹优化方法，其特征在于，所述计算得出能量控制轨迹包括：先计算出所述混合动力汽车的电池SOC的可行域，然后在满足SOC约束的条件下，计算能量控制轨迹。
9.根据权利要求8所述的用于混合动力汽车的能量控制轨迹优化方法，其特征在于，基于所述通过车辆数学模型计算的动力输出信息和能耗信息，从初始离散时间点出发，根据电机、电池、发动机的约束，得到所述电池SOC的在离散空间的可行域。
10.根据权利要求9所述的用于混合动力汽车的能量控制轨迹优化方法，其特征在于，从初始离散时间点出发，沿时间方向计算从SOC轨迹起点到达SOC上下限之前的可行域部分；从终止离散时间点出发，逆时间方向计算从SOC上下限到达SOC终点之前的可行域部分。
11.根据权利要求9所述的用于混合动力汽车的能量控制轨迹优化方法，其特征在于，所述电机的约束包括电机能够发出的最大、最小功率和/或提供的最大、最小扭矩；所述电池的约束包括电池单位时间段内的最大放电量和最大充电量，以及电池的最大允许的荷电状态和最小允许的荷电状态；发动机的约束包括发动机所能够发出的最大、最小功率和/或能够提供的最大、最小扭矩和/或发动机高效工作区间。
12.根据权利要求11所述的用于混合动力汽车的能量控制轨迹优化方法，其特征在于，所述电池最大允许的荷电状态即电池SOC上限，所述电池最小允许的荷电状态即电池SOC下限。
13.根据权利要求12所述的用于混合动力汽车的能量控制轨迹优化方法，其特征在于，所述电池最大允许的荷电状态为电池满电下的荷电量的90％且所述电池最小允许的荷电状态为电池满电下的荷电量的10％，或者所述电池最大允许的荷电状态为电池满电下的荷电量的80％且所述电池最小允许的荷电状态为电池满电下的荷电量的20％。
14.一种混合动力汽车，其特征在于，基于根据权利要求1-13中任一项所述能量控制轨迹优化方法来控制其能量分配。
15.根据权利要求14所述的混合动力汽车，其特征在于，该混合动力汽车通过互联网自动地预测和/或估计驾驶路径的工况，并基于该工况动态地确定所述行驶工况或所述行驶工况组合。
16.根据权利要求14所述的混合动力汽车，其特征在于，所述混合动力汽车既包括非插电式的混合动力车，也包括插电式混合动力车；从联动方式的角度，包括并联、串联和混联方式的混合动力车。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610818431.8A CN107818186A (zh) | 2016-09-12 | 2016-09-12 | 用于混合动力汽车的能量控制轨迹优化方法、混合动力汽车 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610818431.8A CN107818186A (zh) | 2016-09-12 | 2016-09-12 | 用于混合动力汽车的能量控制轨迹优化方法、混合动力汽车 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107818186A true CN107818186A (zh) | 2018-03-20 |
Family
ID=61600986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610818431.8A Withdrawn CN107818186A (zh) | 2016-09-12 | 2016-09-12 | 用于混合动力汽车的能量控制轨迹优化方法、混合动力汽车 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107818186A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108897928A (zh) * | 2018-06-13 | 2018-11-27 | 吉林大学 | 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 |
| CN109017809A (zh) * | 2018-08-27 | 2018-12-18 | 北京理工大学 | 一种基于越野工况预测的能量分配方法 |
| CN109409026A (zh) * | 2018-12-25 | 2019-03-01 | 广州小鹏汽车科技有限公司 | 电机效率优化方法、装置及电机设计参数确定方法 |
| CN109910866A (zh) * | 2019-03-05 | 2019-06-21 | 中国第一汽车股份有限公司 | 基于路况预测的混合动力汽车能量管理方法和系统 |
| CN110481534A (zh) * | 2018-05-10 | 2019-11-22 | 本田技研工业株式会社 | 车辆控制系统、车辆控制方法及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101602364A (zh) * | 2008-12-31 | 2009-12-16 | 宾洋 | 应用于phev的快速dp控制方法 |
| CN102019926A (zh) * | 2009-09-16 | 2011-04-20 | 通用汽车环球科技运作公司 | 用于包括混合动力系统的车辆的预测能量管理控制方案 |
| US20110208378A1 (en) * | 2010-02-24 | 2011-08-25 | Gm Global Technology Operations, Inc. | Method for operating a hybrid vehicle |
| US20130179014A1 (en) * | 2012-01-10 | 2013-07-11 | Ford Global Technologies, Llc | Energy management control system |
| CN103434509A (zh) * | 2013-07-10 | 2013-12-11 | 大连理工大学 | 一种混合动力公交车的控制系统及其动力控制方法 |
| 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 |
-
2016
- 2016-09-12 CN CN201610818431.8A patent/CN107818186A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101602364A (zh) * | 2008-12-31 | 2009-12-16 | 宾洋 | 应用于phev的快速dp控制方法 |
| CN102019926A (zh) * | 2009-09-16 | 2011-04-20 | 通用汽车环球科技运作公司 | 用于包括混合动力系统的车辆的预测能量管理控制方案 |
| US20110208378A1 (en) * | 2010-02-24 | 2011-08-25 | Gm Global Technology Operations, Inc. | Method for operating a hybrid vehicle |
| US20130179014A1 (en) * | 2012-01-10 | 2013-07-11 | Ford Global Technologies, Llc | Energy management control system |
| CN103434509A (zh) * | 2013-07-10 | 2013-12-11 | 大连理工大学 | 一种混合动力公交车的控制系统及其动力控制方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| LIN LAI 等: "Dynamic Programming Optimized Constrained Engine on and off Control Strategy for Parallel HEV", 《 2013 IEEE VEHICLE POWER AND PROPULSION CONFERENCE (VPPC)》 * |
| 钟宛余: "混合动力电动汽车能量管理控制策略及仿真", 《计算机仿真》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110481534A (zh) * | 2018-05-10 | 2019-11-22 | 本田技研工业株式会社 | 车辆控制系统、车辆控制方法及存储介质 |
| CN108897928A (zh) * | 2018-06-13 | 2018-11-27 | 吉林大学 | 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 |
| CN108897928B (zh) * | 2018-06-13 | 2020-04-21 | 吉林大学 | 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 |
| CN109017809A (zh) * | 2018-08-27 | 2018-12-18 | 北京理工大学 | 一种基于越野工况预测的能量分配方法 |
| CN109409026A (zh) * | 2018-12-25 | 2019-03-01 | 广州小鹏汽车科技有限公司 | 电机效率优化方法、装置及电机设计参数确定方法 |
| CN109409026B (zh) * | 2018-12-25 | 2023-02-10 | 广州小鹏汽车科技有限公司 | 电机效率优化方法、装置及电机设计参数确定方法 |
| CN109910866A (zh) * | 2019-03-05 | 2019-06-21 | 中国第一汽车股份有限公司 | 基于路况预测的混合动力汽车能量管理方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107813814A (zh) | 用于混合动力汽车的能量控制轨迹优化方法、混合动力汽车 | |
| CN107813816A (zh) | 用于混合动力汽车的能量控制轨迹优化设备、混合动力汽车 | |
| Liu et al. | A heuristic planning reinforcement learning-based energy management for power-split plug-in hybrid electric vehicles | |
| CN107818186A (zh) | 用于混合动力汽车的能量控制轨迹优化方法、混合动力汽车 | |
| Hu et al. | Reinforcement learning for hybrid and plug-in hybrid electric vehicle energy management: Recent advances and prospects | |
| Wu et al. | An optimized real-time energy management strategy for the power-split hybrid electric vehicles | |
| Salmasi | Control strategies for hybrid electric vehicles: Evolution, classification, comparison, and future trends | |
| Tulpule et al. | Energy management for plug-in hybrid electric vehicles using equivalent consumption minimisation strategy | |
| Taherzadeh et al. | A comprehensive study of the parameters impacting the fuel economy of plug-in hybrid electric vehicles | |
| Mohd Sabri et al. | Improved fuel economy of through-the-road hybrid electric vehicle with fuzzy logic-based energy management strategy | |
| Lee et al. | Energy management strategy of hybrid electric vehicle using battery state of charge trajectory information | |
| Sarvaiya et al. | Comparative analysis of hybrid vehicle energy management strategies with optimization of fuel economy and battery life | |
| Ouddah et al. | From offline to adaptive online energy management strategy of hybrid vehicle using Pontryagin’s minimum principle | |
| Chacko et al. | An optimized energy management system for vehicle to vehicle power transfer using micro grid charging station integrated Gridable Electric Vehicles | |
| Wang et al. | Control rules extraction and parameters optimization of energy management for bus series-parallel AMT hybrid powertrain | |
| Khodabakhshian et al. | Improving fuel economy and robustness of an improved ECMS method | |
| CN104008239A (zh) | 一种插电式混合动力客车仿真系统及方法 | |
| Gruosso | Optimization and management of energy power flow in hybrid electrical vehicles | |
| CN107323308A (zh) | 一种具有预测能力的燃料电池汽车牵引扭矩计算方法 | |
| Chen et al. | Optimal energy management of series hybrid electric vehicles with engine start–stop system | |
| Zhou et al. | Multi-objective real-time energy management for series–parallel hybrid electric vehicles considering battery life | |
| Munsi et al. | Energy Management Systems for Electric Vehicles: A Comprehensive Review of Technologies and Trends | |
| Soldo et al. | Analysis of optimal battery state-of-charge trajectory patterns for blended mode of a parallel plug-in hybrid electric vehicle and a wide range of driving conditions | |
| Yang et al. | Variable optimization domain-based cooperative energy management strategy for connected plug-in hybrid electric vehicles | |
| Shen et al. | Real-time energy management for plug-in hybrid electric vehicles via incorporating double-delay Q-learning and model prediction control |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100026 8 floor 909, 105 building 3, Yao Yuan Road, Chaoyang District, Beijing. Applicant after: Lexus Automobile (Beijing) Co.,Ltd. Address before: 100026 8 floor 909, 105 building 3, Yao Yuan Road, Chaoyang District, Beijing. Applicant before: FARADAY (BEIJING) NETWORK TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180802 Address after: 511400 9, Nansha District Beach Road, Guangzhou, Guangdong, 9 Applicant after: Rui Chi Intelligent Automobile (Guangzhou) Co.,Ltd. Address before: 100026 8 floor 909, 105 building 3, Yao Yuan Road, Chaoyang District, Beijing. Applicant before: Lexus Automobile (Beijing) Co.,Ltd. |
|
| CB02 | Change of applicant information |
Address after: 511458 9, Nansha District Beach Road, Guangzhou, Guangdong, 9 Applicant after: Evergrande Faraday Future Smart Car (Guangdong) Co.,Ltd. Address before: 511400 9, Nansha District Beach Road, Guangzhou, Guangdong, 9 Applicant before: Rui Chi Intelligent Automobile (Guangzhou) Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190320 Address after: 100015 Building No. 7, 74, Jiuxianqiao North Road, Chaoyang District, Beijing, 001 Applicant after: FAFA Automobile (China) Co.,Ltd. Address before: 511458 9, Nansha District Beach Road, Guangzhou, Guangdong, 9 Applicant before: Evergrande Faraday Future Smart Car (Guangdong) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180320 |