CN108909702A

CN108909702A - 一种插电式混合动力汽车能量管理方法及系统

Info

Publication number: CN108909702A
Application number: CN201810964444.5A
Authority: CN
Inventors: 孙超; 李军求; 闵青云; 孙海迪; 孙逢春; 郭婷婷; 励夏; 杨巧燕
Original assignee: Beijing Institute of Technology BIT
Current assignee: Beijing Institute of Technology BIT
Priority date: 2018-08-23
Filing date: 2018-08-23
Publication date: 2018-11-30

Abstract

本发明公开了一种插电式混合动力汽车能量管理方法及系统。所述管理方法包括：获取目标车辆的车辆历史车速；获取所述目标车辆的行驶路径并进行分段采样，采集所有路段上的实时交通信息流；根据所述交通信息流计算所述目标车辆的长期电池荷电状态轨迹；基于神经网络模型，根据所述车辆历史车速预测短期未来车速；根据所述长期电池荷电状态轨迹以及所述短期预测车速对车载能量源动力输出进行分配管理。采用本发明所提供的管理方法及系统能够降低对插电式混合动力汽车能量进行管理时的计算时间，提高了能量管理方法的实时性和整车能耗经济性。

Description

一种插电式混合动力汽车能量管理方法及系统

技术领域

本发明涉及电池能量管理领域，特别是涉及一种插电式混合动力汽车能量管理方法及系统。

背景技术

未知工况下常采用的电池能量管理策略为先放电后维持策略(Charge Depletingand Charge Sustaining，CDCS)，与已知全局工况下的动态规划(Dynamic Programming，DP)相比，其电池荷电状态(State Of Charge，SOC)轨迹存在显著差异，燃油消耗可增多达30％以上。因此，随着交通信息获取更为方便，有必要提出一种基于所得车速信息的预测能量管理(Model Predictive Control，MPC)策略使得SOC轨迹更为逼近DP所得轨迹，从而提高插电式混合动力汽车(Plug-in Hybrid Electric Vehicle，PHEV)的燃油经济性。

当前MPC策略通常采用控制导向模型使得SOC轨迹更为逼近DP所得轨迹，以提高PHEV)的燃油经济性，所述控制导向模型对于车辆运动学与动力学进行了详细描述，具备较高的精度，但是控制导向模型过于复杂，计算量大，耗费时间长，在交通信息数据更新周期较短的情况下进行SOC轨迹计算需要的计算时间往往过长，严重影响力控制策略的实时性和控制效果。

发明内容

本发明的目的是提供一种插电式混合动力汽车能量管理方法及系统，以解决采用当前MPC策略对插电式混合动力汽车能量进行管理时的计算量大，实时性低以及无法充分挖掘全局能耗经济性能的问题。

为实现上述目的，本发明提供了如下方案：

一种插电式混合动力汽车能量管理方法，包括：

获取目标车辆的车辆历史车速；所述目标车辆包括插电式混合动力汽车PHEV；

获取所述目标车辆的行驶路径并进行分段采样，采集所有路段上的实时交通信息流；所述交通信息流包括车辆行驶速度、车辆行驶里程以及车辆行驶坡度；

根据所述交通信息流计算所述目标车辆的长期电池荷电状态轨迹；所述长期为高于第一时间段阈值的第一时间段；

基于神经网络模型，根据所述车辆历史车速预测短期未来车速；所述短期为低于第二时间段阈值的第二时间段；所述第一时间段长于所述第二时间段；

根据所述长期电池荷电状态轨迹以及所述短期预测车速对车载能量源动力输出进行分配管理。

可选的，所述获取所述目标车辆的行驶路径并进行分段采样，采集所有路段上的实时交通信息流，具体包括：

按照采样时间周期阈值以及分段里程阈值获取采样分段路段内所有车辆的车速平均值，并将所述车速平均值确定为所述目标车辆的车辆行驶速度；

获取所述目标车辆的车辆位置以及所述采样分段路段的坡度；

根据所述车辆位置以及所述坡度确定里程-坡度曲线以及时间-里程-速度表；

根据所述车辆行驶速度，将所述里程-坡度曲线转换为时间-坡度曲线；

对所述时间-坡度曲线进行滤波处理，确定光滑道路坡度曲线；

根据所述时间-里程-速度表确定目标车辆时间-车速分段曲线；

对所述目标车辆时间-车速分段曲线进行滤波处理，确定光滑目标车速曲线。

可选的，所述根据所述交通信息流计算所述目标车辆的长期电池荷电状态轨迹，具体包括：

获取所述目标车辆的油箱功率、电池功率以及车辆行驶需求功率；

根据所述油箱功率、所述电池功率以及所述车辆行驶需求功率确定构建PHEV能量平衡模型；

根据所述PHEV能量平衡模型确定状态变量动态方程；所述状态变量动态方程为油箱功率-电池荷电状态关系，将电池输出功率作为控制变量，并将电池的电池荷电状态与发动机开关状态作为状态变量；

根据所述状态变量动态方程，利用动态规划算法生成长期电池荷电状态轨迹。

可选的，所述根据所述油箱功率、所述电池功率以及所述车辆行驶需求功率确定构建PHEV能量平衡模型，具体包括：

根据公式η₁P_tank(t)+η₂P_batt(t)＝P_demand(t)构建PHEV能量平衡模型；

其中，P_tank(t)为油箱功率关于时间t的函数；P_batt(t)为电池功率关于时间t的函数；P_demand(t)为车辆行驶需求功率关于时间t的函数，

m为汽车质量，f为路面阻力系数，C_d为风阻系数，A为车辆迎风面积，a(t)为汽车实时加速度，可由所述目标车辆的车辆行驶速度v(t)求导得到，g为重力加速度，i(t)为道路坡度；η₁为油箱的能量传递函数，w_eng、T_eng分别为发动机转速以及发动机转矩；η₂电池的能量传递函数，w_M/G、T_M/G分别代表发动机/发电机转速以及发动机/发电机转矩。

可选的，所述根据所述PHEV能量平衡模型确定状态变量动态方程，具体包括：

根据公式P_batt＝VI(t)-I(t)²R以及确定状态变量动态方程；

其中，V为电池开路电压，R为电池内阻，I(t)为放电电流，Q为电池电量。

可选的，所述根据所述状态变量动态方程，利用动态规划算法生成长期电池荷电状态轨迹，具体包括：

根据不等式SOC^min≤SOC≤SOC^max,P_tank ^min≤P_tank≤P_tank ^max以及I_batt ^min≤I_batt≤I_batt ^max,P_batt ^min≤P_batt≤P_batt ^max建立长期电池荷电状态轨迹的约束集；

根据状态变量动态方程构建代价函数；

逆序计算状态空间内所述代价函数的最优价值函数以及最优解；

利用动态规划算法，根据所述约束集、所述最优价值函数以及所述最优解生成长期电池荷电状态轨迹。

可选的，所述根据所述长期电池荷电状态轨迹以及所述短期预测车速对车载能量源动力输出进行分配管理，具体包括：

根据公式建立车辆运动学模型；其中，T_out为传动轴驱动扭矩，T_brak为制动力矩；

根据公式建立电池功率模型；其中，P_M/G1、P_M/G2分别代表发动机/发电机1和发动机/发电机2的功率，η_inv表示转换器能量传递系数，k_M/G1为发动机/发电机1的工作状态，k_M/G2为发动机/发电机2的工作状态，当功率为正时取1，功率为负时取-1；

选择发动机转速与转矩为控制变量，即u＝[w_eng,T_eng]^T，选择电池的SOC为状态变量，即x＝[SOC]^T，以短期预测车速作为扰动，即d＝V_predict；以燃油消耗率、电池功率、发动机/发电机1和发动机/发电机2的转速与转矩作为输出量，

即

根据公式以及公式y＝g(x，u，d)建立控制导向模型；

根据公式选择一个特定步长，确定在第k步时代价函数；其中，Δt＝1s，H_p代表预测时长，取H_p＝10s，发动机燃油消耗率与电机效率与各自转速与转矩有关，η_M/G1＝ψ₁(w_M/G1,T_M/G1)，η_M/G2＝ψ₂(w_M/G2,T_M/G2)；

根据公式SOC((k+H_p)Δt)＝SOC^*((k+H_p)Δt)以及公式SOC(n_kΔs)＝SOC^*(n_kΔs)对长期电池荷电状态轨迹进行追踪，其中SOC^*代表计算所得SOC最优轨迹，Δs代表空间步长，n_k代表空间步长数；

建立计算约束：

SOC^min≤SOC≤SOC^max

I_batt ^min≤I_batt≤I_batt ^max，P_batt ^min≤P_batt≤P_batt ^max

T_eng ^min≤T_eng≤T_eng ^max，w_eng ^min≤w_eng≤w_eng ^max

T_M/G1 ^min≤T_M/G1≤T_M/G1 ^max，w_M/G1 ^min≤w_M/G1≤w_M/G1 ^max

T_M/G2 ^min≤T_M/G2≤T_M/G2 ^max，w_M/G2 ^min≤w_M/G2≤w_M/G2 ^max

逆序计算状态空间内最优价值函数以及对应的最优解；

根据所述最优价值函数和所述最优解，顺序计算给定初始状态下的最优控制策略；

根据所述最优控制策略对车载能量源动力输出进行分配管理。

一种插电式混合动力汽车能量管理系统，包括：

车辆历史车速获取模块，用于获取目标车辆的车辆历史车速；所述目标车辆包括插电式混合动力汽车PHEV；

交通信息流确定模块，用于获取所述目标车辆的行驶路径并进行分段采样，采集所有路段上的实时交通信息流；所述交通信息流包括车辆行驶速度、车辆行驶里程以及车辆行驶坡度；

长期电池荷电状态轨迹计算模块，用于根据所述交通信息流计算所述目标车辆的长期电池荷电状态轨迹；所述长期为高于第一时间段阈值的第一时间段；

短期未来车速预测模块，用于基于神经网络模型，根据所述车辆历史车速预测短期未来车速；所述短期为低于第二时间段阈值的第二时间段；所述第一时间段长于所述第二时间段；

管理模块，用于根据所述长期电池荷电状态轨迹以及所述短期预测车速对车载能量源动力输出进行分配管理。

可选的，所述交通信息流确定模块具体包括：

车辆行驶速度确定单元，用于按照采样时间周期阈值以及分段里程阈值获取采样分段路段内所有车辆的车速平均值，并将所述车速平均值确定为所述目标车辆的车辆行驶速度；

车辆位置及坡度获取单元，用于获取所述目标车辆的车辆位置以及所述采样分段路段的坡度；

里程-坡度曲线以及时间-里程-速度表确定单元，用于根据所述车辆位置以及所述坡度确定里程-坡度曲线以及时间-里程-速度表；

转换单元，用于根据所述车辆行驶速度，将所述里程-坡度曲线转换为时间-坡度曲线；

光滑道路坡度曲线确定单元，用于对所述时间-坡度曲线进行滤波处理，确定光滑道路坡度曲线；

目标车辆时间-车速分段曲线确定单元，用于根据所述时间-里程-速度表确定目标车辆时间-车速分段曲线；

光滑目标车速曲线确定单元，用于对所述目标车辆时间-车速分段曲线进行滤波处理，确定光滑目标车速曲线。

可选的，所述长期电池荷电状态轨迹计算模块具体包括：

参数获取单元，用于获取所述目标车辆的油箱功率、电池功率以及车辆行驶需求功率；

PHEV能量平衡模型构建单元，用于根据所述油箱功率、所述电池功率以及所述车辆行驶需求功率确定构建PHEV能量平衡模型；

状态变量动态方程确定单元，用于根据所述PHEV能量平衡模型确定状态变量动态方程；所述状态变量动态方程为油箱功率-电池荷电状态关系，将电池输出功率作为控制变量，并将电池的电池荷电状态与发动机开关状态作为状态变量；

长期电池荷电状态轨迹生成单元，用于根据所述状态变量动态方程，利用动态规划算法生成长期电池荷电状态轨迹。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提出了一种插电式混合动力汽车能量管理方法及系统，获取目标车辆交通流信息，根据所述交通信息流计算所述目标车辆的长期电池荷电状态轨迹；并基于神经网络模型，根据所述车辆历史车速预测短期未来车速；根据所述长期电池荷电状态轨迹以及所述短期预测车速对车载能量源动力输出进行分配管理；采用本发明所提供的管理方法及系统对电池能量运用进行合理规划，使发动机尽可能工作在高效区域，从而达到PHEV的燃油经济性优化目标，在保证一定精度的前提下，尽可能缩短计算时间，满足实时性要求，从而推动其实际应用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的插电式混合动力汽车能量管理方法流程图；

图2为本发明所提供的控制策略结构图；

图3为本发明所提供的插电式混合动力汽车能量管理系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

本发明的目的是提供一种插电式混合动力汽车能量管理方法及系统，能够降低对插电式混合动力汽车能量进行管理时的计算量以及时间，提高实时性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的插电式混合动力汽车能量管理方法流程图，如图1所示，一种插电式混合动力汽车能量管理方法，包括：

步骤101：获取目标车辆的车辆历史车速；所述目标车辆包括插电式混合动力汽车PHEV。

步骤102：获取所述目标车辆的行驶路径并进行分段采样，采集所有路段上的实时交通信息流；所述交通信息流包括车辆行驶速度、车辆行驶里程以及车辆行驶坡度。

所述交通信息流包括:

1)车辆行驶速度v:根据不同道路监控装置测速点，以及携带车速传感器车辆可以得到路段间各样本点的车辆行驶速度；

2)车辆行驶里程及轨迹s:根据携带有车载传感器车辆通过两道路监控装置的路段内车速对时间的求和，可得到两道路监控装置间的路径里程s；

3)车辆行驶坡度i:具备GIS(全球定位系统)的样本车辆可依据电子地图信息可以得到各路段的路面坡度i，可绘制坡度-距离曲线。

所述步骤102中对目标车辆行驶路段分段采样与交通信息数据获取的具体过程为：

图2为本发明所提供的控制策略结构图，如图2所示，1)合理选择采样时间周期与分段里程，取值分别为300s与160m，对采样分段范围内车辆车速取均值，并假定目标车辆车速与该范围内样本车辆平均车速一致。

2)根据目标车辆位置获取交通信息系统所提供坡度信息，计算采样范围内车辆的里程-坡度数据信息。

3)根据所得时间-里程-速度表格得到目标车辆时间-车速分段曲线，对该曲线进行滤波处理即可获得更为真实且便于追踪的光滑目标车速曲线。

4)基于所得目标车速可将里程-坡度数据转换为时间-坡度数据，并得到目标车辆时间-坡度分段曲线，最后对其进行进一步滤波处理得到光滑道路坡度曲线。

步骤103：根据所述交通信息流计算所述目标车辆的长期电池荷电状态轨迹；所述长期为高于第一时间段阈值的第一时间段。

所述步骤103具体包括：

1)建立PHEV能量平衡模型：

A.能量平衡公式构建，如公式1所示：

η₁P_tank(t)+η₂P_batt(t)＝P_demand(t) (1)

其中，P_tank(t)、P_batt(t)、P_demand(t)分别表示油箱、电池所提供功率以及车辆行驶需求功率，三者均为时间的函数。η₁、η₂分别表示油箱以及电池的能量传递函数。

B.通过DP(动态规划算法)对大量样本工况下的能量管理问题进行求解，得到一系列最优控制结果，形成最优解样本集。

C.根据样本集中所得发动机、电机的转矩、转速输出，以及油箱、电池功率输出最优解，即可计算效率函数，如公式4-5所示：

(2-3)

其中，w_eng、T_eng分别代表发动机转速与转矩，M为发动机、G为发电机，w_M/G、T_M/G分别代表发动机/发电机转速与转矩。

D.利用最小二乘法等方法将所得P_tank-η₁、与P_batt-η₂数据分别进行拟合，即可得到参考η₁、η₂曲线，如公式2-3所示：

η₁＝η₁(P_tank) (4)

η₂＝η₂(P_batt) (5)

E.计算需求功率：

依据步骤3中车辆所获取的车速、道路坡度信息即可计算车辆实时需求功率，如公式6所示：

其中，m为汽车质量，f为路面阻力系数，C_d为风阻系数，A为车辆迎风面积，a(t)为汽车实时加速度，可由车辆行驶速度v(t)求导得到，g为重力加速度，i(t)为道路坡度。

F.电池SOC计算如公式7-8所示：

P_batt＝VI(t)-I(t)²R (7)

根据公式(1-8)，当以电池功率P_batt(t)为控制变量时，油箱功率P_tank(t)可由其表示，即控制变量缩减为一个，使得模型大幅度简化，进而缩短了计算时间。最后，通过电池模型，可以得到P_batt与SOC的对应关系。

2)利用DP生成长期SOC轨迹：

A.选择电池输出功率为控制变量，即u＝P_batt(t)。选择电池的SOC与发动机开关状态为状态变量，即x＝[SOC]^T

B.状态变量动态方程如上述公式8所示。

C.构建代价函数，如公式9所示：

其中，P_tank(u(t))代表燃油消耗的惩罚因子。

D.建立长期SOC轨迹计算约束集如下：

SOC^min≤SOC≤SOC^max,P_tank ^min≤P_tank≤P_tank ^max

I_batt ^min≤I_batt≤I_batt ^max,P_batt ^min≤P_batt≤P_batt ^max

E.逆序计算状态空间内最优价值函数，和对应的最优解。

F.根据最优价值函数和最优解，顺序计算给定初始状态下的最优SOC轨迹。

步骤104：基于神经网络模型，根据所述车辆历史车速预测短期未来车速；所述短期为低于第二时间段阈值的第二时间段；所述第一时间段长于所述第二时间段。

所述步骤104具体包括：

1)车载车速传感器或道路监控装置等将样本车辆车速信息。

2)构建车辆的神经网络或数据驱动模型作为车辆短期车速预测模型。

3)车辆闲置时，利用采集车速信息对车速预测模型进行训练。

4)车辆行驶过程中，将其短期车辆历史车速信息发送给整车控制器(HybridControl Unit，HCU)，车辆历史车速时长可选择10s或20s等。

5)HCU基于神经网络模型计算得到短期预测车速，预测车速时长可选择10s或20s等。

步骤105：根据所述长期电池荷电状态轨迹以及所述短期预测车速对车载能量源动力输出进行分配管理。

所述步骤105具体包括：

1)建立车辆运动学模型，如公式(10)所示:

其中，T_brak代表制动力矩。

2)建立电池功率模型，如公式(11)所示：

其中，P_M/G1、P_M/G2分别代表发动机/发电机1和发动机/发电机2的功率，η_inv表示转换器能量传递系数，k_M/G1为发动机/发电机1的工作状态，k_M/G2为发动机/发电机2的工作状态，当功率为正时取1，功率为负时取-1。

3)选择发动机转速与转矩为其控制变量，即u＝[w_eng,T_eng]^T，选择电池的SOC为状态变量，即x＝[SOC]^T，以短期预测车速作为扰动，即d＝V_predict。以燃油消耗率、电池功率、发动机/发电机1和发动机/发电机2的转速与转矩作为输出量，即

4)建立控制导向模型，如式(12)所示：

y＝g(x，u，d)

(12)

5)将目标函数离散化，选择一个特定步长，Δt＝1s，在第k步时代价函数J_k可由使(13)表示：

其中，H_p代表预测时长，取H_p＝10s，发动机燃油消耗率与电机效率与其各自转速与转矩有关，可由查表获得，相关关系如(14)所示：

η_M/G1＝ψ₁(w_M/G1,T_M/G1)

η_M/G2＝ψ₂(w_M/G2,T_M/G2) (14)

6)将电池SOC值对步骤4中计算得到的长期SOC轨迹进行追踪，SOC的追踪方法可分为时间追踪与空间追踪，如公式(15-16)所示：

SOC((k+H_p)Δt)＝SOC^*((k+H_p)Δt) (15)

SOC(n_kΔs)＝SOC^*(n_kΔs) (16)

其中SOC^*代表计算所得SOC最优轨迹，Δs代表空间步长，n_k代表空间步长数。

7)建立计算约束如下：

SOC^min≤SOC≤SOC^max

I_batt ^min≤I_batt≤I_batt ^max，P_batt ^min≤P_batt≤P_batt ^max

T_eng ^min≤T_eng≤T_eng ^max，w_eng ^min≤w_eng≤w_eng ^max

T_M/G1 ^min≤T_M/G1≤T_M/G1 ^max，w_M/G1 ^min≤w_M/G1≤w_M/G1 ^max

T_M/G2 ^min≤T_M/G2≤T_M/G2 ^max，w_M/G2 ^min≤w_M/G2≤w_M/G2 ^max

8)逆序计算状态空间内最优价值函数，和对应的最优解。

9)根据最优价值函数和最优解，顺序计算给定初始状态下的最优控制策略，即插电式混合动力汽车最优发动机转矩、电机转矩等控制变量。

10)取动态规划第一步计算结果应用到车辆底层控制器中。

11)将车辆行驶状态进行反馈，回到步骤101开始新的循环。

为缩减长期SOC轨迹计算时间，可以采用不同形式的简化模型以减小计算量，此外，也可通过提升硬件设备的工作性能，以及开发出更为精简的算法等方式来完成本发明的目的。在此，选取其中一种简化的将电池能量按行驶里程均匀分配的方法进行详细介绍：

将电池作为辅助能源，在车辆行驶过程中持续输出能量，此时，电池的SOC值随车辆的行驶里程而线性减小。在已知全局工况的前提下，即可得到SOC的时间函数：

其中，SOC_t代表时间t时刻下的电池SOC值，SOC₀代表初始电池SOC，SOC_T代表终值电池SOC，v代表该工况下的车速。

该方法非常简单，计算量小，具备良好的实时性，便于实际应用。但其仅仅是将电池的能量均匀输出而并未考虑到燃油经济性问题，使发动机与电机尽可能工作在高效区范围内。此外，该方法需要预知全局工况车速，而这在实际行车过程中是很难满足的。

本发明为实现燃油经济性优化，也可采用自适应模糊控制、功率跟随等基于规则的控制策略，以及遗传算法，机器学习等基于优化的控制策略。

图3为本发明所提供的插电式混合动力汽车能量管理系统结构图，如图3所示，一种插电式混合动力汽车能量管理系统，包括：

车辆历史车速获取模块301，用于获取目标车辆的车辆历史车速；所述目标车辆包括插电式混合动力汽车PHEV。

交通信息流确定模块302，用于获取所述目标车辆的行驶路径并进行分段采样，采集所有路段上的实时交通信息流；所述交通信息流包括车辆行驶速度、车辆行驶里程以及车辆行驶坡度。

所述交通信息流确定模块302具体包括：

长期电池荷电状态轨迹计算模块303，用于根据所述交通信息流计算所述目标车辆的长期电池荷电状态轨迹；所述长期为高于第一时间段阈值的第一时间段。

所述长期电池荷电状态轨迹计算模块303具体包括：

短期未来车速预测模块304，用于基于神经网络模型，根据所述车辆历史车速预测短期未来车速；所述短期为低于第二时间段阈值的第二时间段；所述第一时间段长于所述第二时间段。

管理模块305，用于根据所述长期电池荷电状态轨迹以及所述短期预测车速对车载能量源动力输出进行分配管理。

采用本发明所提供的插电式混合动力汽车能量管理方法及系统能够达到以下效果：

1、长期SOC轨迹的生成在满足精度要求的前提下具备良好的实时性：

在计算SOC轨迹时，目前运用较多的的模型为控制导向模型，该模型综合考虑系统的运动学与动力学参数，在精度方面能很好的满足驾驶需求。然而，在合理划分网格的前提下，当数据更新周期为300s时，其计算时间为190-260s,超过60％，显然不符合行车过程中的实时性需求，因此难以投入到实际应用。

为解决实时性需求，提出了一种简化的能量平衡模型，仅考虑输出的能量经其传递系数与能量需求间的平衡关系，其中传递系数与能量源有关且可通过标准工况下进行DP数据采集与拟合，使得控制变量剩下一个大幅度简化了模型。实验结果表明，运用该模型的SOC轨迹计算时间仅为30-40s,相比使用传统控制导向模型而言减小了80％，计算时间不超过采样周期的13.3％，能够很好的满足实时性需求。此外，其与控制导向模型之间的平均误差与最大误差分别为3％和5％，由此可见，采样简化的能量平衡模型能够在保证精度的前提下大幅度缩减计算时间，从而使得长期SOC轨迹的计算具备较好的实用性。

2、能量预测管理策略具备较好的燃油经济性：

当行驶里程超过纯电行驶范围时，常用的未知工况下的CDCS(先放电后维持策略)与已知全局工况下的DP(动态规划)策略相比，其SOC曲线之间存在较大差异。由于未能考虑到实际工况中的功率需求，动力电池的能量无法进行更为合理的利用使得发动机，电机无法长期工作在高效区域从而影响燃油经济性。

在交通数据信息可获取的情况下，可进行长期SOC轨迹的计算以及短期车速的预测。基于以上信息，可进行MPC(能量预测管理控制)，使得SOC估计更具全局性，能量可更为高效利用，最终结果也更为接近DP策略。仿真结果表明，能量预测管理的燃油经济性超过95％，而传统的CDCS仅为89％，其中，以空间为索引的方法具备更好的燃油经济性，达到95.6％。且其终值SOC能更好的跟随目标值。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种插电式混合动力汽车能量管理方法，其特征在于，包括：

2.根据权利要求1所述的插电式混合动力汽车能量管理方法，其特征在于，所述获取所述目标车辆的行驶路径并进行分段采样，采集所有路段上的实时交通信息流，具体包括：

3.根据权利要求1所述的插电式混合动力汽车能量管理方法，其特征在于，所述根据所述交通信息流计算所述目标车辆的长期电池荷电状态轨迹，具体包括：

4.根据权利要求3所述的插电式混合动力汽车能量管理方法，其特征在于，所述根据所述油箱功率、所述电池功率以及所述车辆行驶需求功率确定构建PHEV能量平衡模型，具体包括：

5.根据权利要求4所述的插电式混合动力汽车能量管理方法，其特征在于，所述根据所述PHEV能量平衡模型确定状态变量动态方程，具体包括：

根据公式P_batt＝VI(t)-I(t)²R以及确定状态变量动态方程；

6.根据权利要求5所述的插电式混合动力汽车能量管理方法，其特征在于，所述根据所述状态变量动态方程，利用动态规划算法生成长期电池荷电状态轨迹，具体包括：

根据状态变量动态方程构建代价函数；

7.根据权利要求6所述的插电式混合动力汽车能量管理方法，其特征在于，所述根据所述长期电池荷电状态轨迹以及所述短期预测车速对车载能量源动力输出进行分配管理，具体包括：

即

根据公式以及公式y＝g(x，u，d)建立控制导向模型；

建立计算约束：

SOC^min≤SOC≤SOC^max

I_batt ^min≤I_batt≤I_batt ^max，P_batt ^min≤P_batt≤P_batt ^max

T_eng ^min≤T_eng≤T_eng ^max，w_eng ^min≤w_eng≤w_eng ^max

T_M/G1 ^min≤T_M/G1≤T_M/G1 ^max，w_M/G1 ^min≤w_M/G1≤w_M/G1 ^max

T_M/G2 ^min≤T_M/G2≤T_M/G2 ^max，w_M/G2 ^min≤w_M/G2≤w_M/G2 ^max

逆序计算状态空间内最优价值函数以及对应的最优解；

8.一种插电式混合动力汽车能量管理系统，其特征在于，包括：

9.根据权利要求8所述的插电式混合动力汽车能量管理系统，其特征在于，所述交通信息流确定模块具体包括：

10.根据权利要求8所述的插电式混合动力汽车能量管理系统，其特征在于，所述长期电池荷电状态轨迹计算模块具体包括：