CN109532817A - 混合动力电动汽车基于soc的再生制动力矩分配方法 - Google Patents

混合动力电动汽车基于soc的再生制动力矩分配方法 Download PDF

Info

Publication number
CN109532817A
CN109532817A CN201910008437.2A CN201910008437A CN109532817A CN 109532817 A CN109532817 A CN 109532817A CN 201910008437 A CN201910008437 A CN 201910008437A CN 109532817 A CN109532817 A CN 109532817A
Authority
CN
China
Prior art keywords
braking
soc
regenerative braking
moment
braking moment
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
CN201910008437.2A
Other languages
English (en)
Other versions
CN109532817B (zh
Inventor
赵秀春
张涛
葛平淑
宋鹏
孙胜利
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.)
Dalian Minzu University
Original Assignee
Dalian Nationalities University
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 Dalian Nationalities University filed Critical Dalian Nationalities University
Priority to CN201910008437.2A priority Critical patent/CN109532817B/zh
Publication of CN109532817A publication Critical patent/CN109532817A/zh
Application granted granted Critical
Publication of CN109532817B publication Critical patent/CN109532817B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W20/00Control systems specially adapted for hybrid vehicles
    • B60W20/10Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/13Controlling the power contribution of each of the prime movers to meet required power demand in order to stay within battery power input or output limits; in order to prevent overcharging or battery depletion
    • B60W20/14Controlling the power contribution of each of the prime movers to meet required power demand in order to stay within battery power input or output limits; in order to prevent overcharging or battery depletion in conjunction with braking regeneration

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Regulating Braking Force (AREA)

Abstract

混合动力电动汽车基于SOC的再生制动力矩分配方法,属于电动汽车制动力控制与分配领域,为了解决SOC对再生制动力分配的影响,SOCr为电池电量的上限值,当SOC(k)>=SOCr,只有液压制动工作;仅当SOC(k)<SOCr时,再生制动投入工作,效果是为了提高再生效率和电池寿命。

Description

混合动力电动汽车基于SOC的再生制动力矩分配方法
技术领域
本发明属于电动汽车制动力控制与分配领域,涉及一种混合动力电动汽车基于SOC的再生制动力矩分配方法。
背景技术
混合动力电动汽车(HEVs)兼顾了传统内燃机汽车与纯电动汽车的优点,在降低燃料消耗和排放方面具有巨大潜力。电机的转矩快速响应特性与再生制动是混合动力汽车的两大重要特点。再生制动系统可以通过发电机将动能转化为电能,并在制动过程中将电能储存在电池中。电机与再生制动的应用是混合动力电动汽车获得了更好的制动性能和更多的再生能量,尤其是在拥堵的城市交通中。然而,再生制动力矩通常不足以提供足够的制动力,往往需要与液压摩擦制动共同提供制动力,这样既能保持驾驶员的制动感觉,又能保证制动的安全可靠。因此,良好的制动控制策略和制动转矩分配策略具有重要意义。本研究的目的在于从改善制动性能和提高再生制动效率两个方面提出协同制动控制策略。
由于电机转矩的快速响应和精确控制,滑移率控制作为防抱死制动系统(ABS)控制的一种有效且必不可少的方法,近年来备受关注。由于滑移率控制系统的非线性和不确定性和时变性,特别是轮胎-路面条件的不确定性给研究带来了挑战。近年来,主要的控制方法有滑模控制、模糊逻辑控制、迭代学习控制、模型预测控制、基于神经网络的控制等。迭代学习控制能有效的处理系统不确定性,但收敛性受迭代次数和初始值的限制。SMC和FLC也是常见的鲁棒的滑移率控制方法。然而,为了克服SMC的抖振问题,以及在FLC中获得合适的模糊规则导致系统复杂度增加的问题。本发明受文献启发,设计了一种基于干扰观测器的简单控制器。通过对比,本发明取消了被控对象动态变化为零的假设,利用非线性干扰观测器,可以在线估计和补偿道路的不确定性和车辆载荷的变化,这是我们的第一个创新点。
此外,为了提高再生效率,有必要合理的进行制动力分配。目前制动力分配包含两方面:一是前后轴之间的制动力矩分配,目的在于确保车辆在制动期间的稳定性。另一个则是再生制动和摩擦制动的分配,其目的是更好地回收制动能量。在混合动力汽车中,车速和电池SOC是影响再生能源效率和电池寿命的重要因素。提出了基于速度的制动转矩分配策略,该策略仅考虑了速度对再生制动效率的影响。而基于电池SOC的制动转矩分配策略一般多采用基于规则的FLC策略。FLC鲁棒性较强,但不能保证最优制动力矩分布和最大再生能量效率。为了提高再生效率和电池使用寿命,本发明设计了一种基于SOC的新型制动力矩分配策略,这也是本发明的另一个创新点。
发明内容
为了解决SOC对再生制动力分配的影响,兼顾混合动力汽车制动系统的制动性能和再生制动效率,本发明提出如下技术方案:一种混合动力电动汽车基于SOC的再生制动力矩分配方法:
将电池SOC离散表达:
式中,SOC表示电池荷电状态Voc为开路电压,Pm为电动机的功率,Ibatt为电池电流,Qbatt为电池容量,Rbatt为电池内阻,k-1,k,k+1分别表示上一时刻,当前离散时刻和下一时刻,ΔT表示采样时间;
SOCr为电池电量的上限值,当SOC(k)>=SOCr,只有液压制动工作;仅当SOC(k)<SOCr时,再生制动投入工作;
当前车速v(k)由车速观测器获得,加速度由下式计算:
a为车辆加速度;
若车辆以车速v(k)、加速度a(k)进行制动,制动时间为:
tf(k)表示以当前时刻的速度和加速度进行制动的制动时间;
由上述,电机功率由公式(48)计算得到:
电机功率受到电机最大功率的限制
Pm min≤Pm≤Pm max
其中Pm min、Pm max为电机功率的最小值、最大值,再生制动功率为
Pm_g=min{Pm,Pm max} (49)
Pm_g为再生制动功率,min{.}表示求最小值计算;
再生制动力矩为
式中,nm为电机转速,ηg为电机效率。
进一步的,混合动力电动汽车总制动力矩:
Ttol=Tf+Tr (43)
式中,Ttol为总的制动力矩,Tf为前轮摩擦制动力矩,Tr为后轮制动力矩,
后轮制动力矩由后轮摩擦制动和再生制动共同提供,
Tr=Tr_fric+Tr_gen (44)
式中,Tr_fric,Tr_gen分别表示后轮摩擦制动力矩和再生制动力矩;
再生制动力矩Tr_gen的力矩分配方法为权利要求1所述的制动力矩分配方法,总制动力矩由基于实时路面观测的制动控制器通过滑移率控制获得。
进一步的,所述基于实时路面观测的制动控制器表示为:
Tb=Tc-Td
Tb是制动力矩,Td是基于不确定性的制动力矩的补偿控制量,Tc为控制器输出;
其中:其中,b2、b3为系统参数,是观测器对不确定性因素进行实时在线估计得到的路面附着系数观测器。
进一步的,
b1,b2为系统参数,k为控制器参数,且k>0,vw为轮速,e为系统跟踪误差,滑移率理想值λ*表示速度对时间的导数。
进一步的,基于如下方式获取附着系数观测器:
由车辆轮速动态得到如下系统不确定性因素表达;
设计观测器;
设计辅助量;
定义观测误差;
得到路面附着系数观测器。
进一步的,系统动态:
式中,系统参数ωw由轮速传感器测得,v通过车速观测器观测得到,d为系统的不确定性因素,包含道路的不确定性、车辆载荷、建模误差。
所述由车辆轮速动态得到如下系统不确定性因素表达式,基于如下方式实现:
所述设计观测器:
其中,表示观测量,L为观测器增益,h为轮速的函数且h(vw)=lvw,l为观测器参数,表示对轮速求导;
所述设计辅助量:
将(14)代入(15)
所述得到路面附着系数观测器:
进一步的,
Tb=Tc-Td代入系统动态(12)
代入可得,
定义系统跟踪误差e
e=vw-(1+λ*)v (24)
e为轮速跟踪误差,结合(23)并两边求导得,
使系统误差趋近于零:
其中,k为控制器参数,且k>0;
由(25)、(26)得到
有益效果:提出了一种两层制动控制系统框架和协同制动控制策略。在第一层中,基于路面观测器,设计出更简单的控制器。利用非线性路面观测器,可以在线估计和补偿道路不确定性和车辆载荷变化。此外,为了提高再生效率和电池寿命。为了提高再生效率和电池寿命,在第二层中设计了基于SOC的制动力矩分配策略。通过仿真分析并验证了所提出的制动控制系统对不同道路状况和不同电池SOC均具有良好的制动性能和能量回收效率。
附图说明
图1.HEV制动系统结构图;
图2.车辆动态图;
图3地面附着系数-滑移率特性关系图;
图4.电机效率map图;
图5.电池模型图;
图6HEV制动控制系统结构图;
图7基于速度的制动力分配图;
图8制动力分配系数图;
图9不同路面情况下的滑移率控制图:a路面观测器输出图,b不同路面下的速度控制曲线图,c不同路面下的滑移率曲线图;
图10滑移率控制对比图,a速度控制对比曲线图,b滑移率对比曲线图;
图11变化路面情况下的滑移率控制图:a路面观测器输出图,b不同路面下的速度控制曲线图,c不同路面下的滑移率曲线图;
图12不同SOC初始值制动力分配图:a SOC初始值为0.6图,b SOC初始值为0.699图,c SOC初始值为0.7图。
具体实施方式
1系统结构与模型
1.1系统结构
本发明采用并联混合动力汽车的制动系统,结构如图1所示。前轮为摩擦制动,而后轮由液压摩擦制动和再生制动共同作用。制动过程中,制动控制单元通过滑移率的控制以保证制动性能,从而确定总制动力矩并分配至前后轴。再生制动控制器用于液压摩擦制动和再生制动之间的制动力矩分配。
1.2车辆模型
从滑移率控制或ABS控制的角度考虑车辆的纵向动力学,图2中1/4车辆模型用于描述制动过程中车轮的受力。图2中,Tb表示制动力矩,ωw为车轮角速度,v表示车辆线速度,m为1/4车辆质量,g表示重力加速度,Fd为地面制动力,当车辆产生制动滑移时,Fz为地面反作用力,地面制动力为:
Fd=μ(λ)mg (1)
其中,μ(λ)为地面附着系数,主要取决于轮胎与地面状况,λ为滑移率。
车轮在制动滑移过程中的动态可描述为:
式中,cv为空气阻力系数,Jw为车轮的转动惯量,rw为车轮有效半径,fw=cmωw表示车轮转动过程中所受各种摩擦力,cm为摩擦系数,t为时间变量,表示对时间求导。
注:该模型虽然结构简单,但完全包含了其纵向运动特性,并且可进一步应用到更为复杂的机械结构,例如全轮驱动车辆。
1.3滑移率模型
纵向滑移率λ是决定车辆制动时动态性能的关键因素,其定义如下:
其中,v表示车辆线速度,vw为轮速,vw=ωwrw(可由轮速传感器测得)。制动过程中,v>vw,λ∈[-1,0]。为了便于分析和设计本发明采用λ∈[0,1];λ=0表示车轮呈自由状态,vw=v;λ=1则表示车轮被制动抱死。
不同道路条件下的路面附着率不同,制动过程中的滑移率也不相同。路面附着率越小,车辆越容易打滑,尤其是雨雪天的湿滑路面附着率较低,汽车制动时常会出现车轮打滑(或车轮抱死)的现象。图3为不同道路状况下的地面附着系数与滑移率的关系曲线。可以看出,在滑路面上,路面附着系数很低。并且最佳滑移率不是常数,而是随着道路的不同而变化,无论路面何种路面(干沥青、湿沥青、冰雪路面),最大粘附系数出现的最佳纵向滑移率20%左右。
1.4再生制动系统
1.4.1电机
从功率传输的角度来看,电动机的功率为:
Pm=Tmnmηg (5)
其中,Pm,Tm,nm分别为电动机的功率、转矩和转速,ηg是电机效率,根据电动机转矩-速度map图确定(如图4所示)。
电机的转速为:
其中,nm为电动机的转速,ng,nt为主减速器和变速器的传动比。
1.4.2电池模型
电池内阻模型如图5所示。电池功率由下式计算:
Pm=Pbattηt (7)
其中,Pm为电动机的功率,Pbatt为电池功率,ηt为转换效率,Ibatt为电池电流,V表示电池电压,Rbatt为电池内阻。方程(8)有两个解。因为在相同的功率下,电压越大,电流越小。因此,电池电流可以通过以下方式给出:
式中,Voc为开路电压,Pbatt为电池功率,Ibatt为电池电流,Rbatt为电池内阻。
SOC是电池荷电状态和温度的函数对于镍氢电池,当SOC在正常范围内即(20%-80%),其Voc变化可以忽略。在HEV能源管理系统中,SOC起着非常重要的作用。因此,SOC的动态可表示为:
式中,SOC表示电池荷电状态,Qbatt为电池容量,表示对时间的导数。
电池SOC的动态可表示为:
式中,Voc为开路电压,Pbatt为电池功率,Rbatt为电池内阻,Qbatt为电池容量。
2制动控制与制动力分配策略
本发明设计了两层制动控制框架以获得更好的制动性能和更高的再生制动效率。系统结构如图6所示。在第一层中,提出了一种基于非线性扰动观测器的简单鲁棒制动力控制器,通过将滑移率保持在理想值以产生尽可能大的轮胎-路面摩擦力来获得最佳制动力矩。利用路面观测器,可以在线估计和补偿道路不确定性和车辆载荷变化。然后在第二层提出了基于SOC制动力分配策略对液压摩擦制动和再生制动力矩进行分配,从而回收更多的再生能量。2.1基于路面观测器的制动控制
控制目标:通过将控制滑移率λ控制在理想值λ*附近达到制动力的控制。由滑移率的定义可知,即控制Tb使vw=(1+λ*)v。
其中,Tb表示制动力矩,λ表示滑移率,λ*表示滑移率的理想值,v表示车辆线速度,vw为轮速。
考虑负荷变化对制动的影响,系统动态(3)表示为:
Jw为车轮的转动惯量,rw为车轮有效半径,ωw为车轮角速度,Tb表示制动力矩,v表示车辆线速度,g表示重力加速度,Δm为载荷的变动量。
为了便于分析,系统改写为:
式中,系统参数ωw由轮速传感器测得,v通过车速观测器观测得到,d=μ(λ)(m+Δm),需要强调的是,d为系统的不确定性因素,不仅包含道路的不确定性、车辆载荷,而且也包括建模误差等。
针对地面附着系数未知且不可测,设计路面观测器如下。
首先由车辆轮速动态得到如下系统不确定性因素表达式:
b1,b2,b3为系统参数,d为系统的不确定性因素;
设计观测器:
其中,表示观测量,L为观测器增益,h为轮速的函数且h(vw)=lvw,l为观测器参数,表示对轮速求导。
设计辅助量
将(14)代入(15)
定义观测误差
其中,表示观测误差.,因此,
将式(14)代入(18)并结合式(13),
由上式可得
综上得到路面附着系数观测器:
设计制动控制器
Tb=Tc-Td
其中,Tb表示制动力矩,即基于道路不确定性的制动力矩的补偿控制量,Tc为控制器输出。
代入系统动态(12),
代入可得,
定义系统跟踪误差e,
e=vw-(1+λ*)v(24)
e为轮速跟踪误差.
结合(23)并两边求导得
设计控制律Tc使系统误差趋近于零,即
其中,b1,b2为系统参数,(.)-1表示导数运算,k为控制器参数,且k>0。
由(25)、(26)得到
由Lyapunov函数稳定性得到:只要满足控制器参数和观测器参数满足:
则系统稳定.
定理1对于非线性系统(12),如果存在正定函数V满足下列不等式:
其中,C满足C≥0。那么对于任意给定t0,V都满足下列不等式:
那么,V一致有界,且指数收敛C/系统(12)是一致有界的。
定理2:对于非线性系统(12)及控制器(26),只要观测器增益l与控制器增益k满足下列条件:
则控制系统是一致的有界的,误差渐进趋于零。
证明:定义Lyapunov函数:
式中,p>0,且V<p,则
由(20)得
将(27)(31)代入(30),整理得
其中,k>0,l为常数,
假设D>0,则
且b3<0,
因此,
由杨氏不等式得到
所以,
只要满足下式:
式中,由引理1,选择k、l使(V=p),那么控制系统一致有界,且渐进稳定,证毕。
说明:对于动态系统(12),d可以是系统建模误差、道路条件、负载变化以及其他不确定性的总和;并且假定即扰动的变化率是有界的,系统存在的动态变化,相较于中其变化率为零,路面情况不会发生变化的假设,更符合实际情况。此外,该控制器更为简单,不需要构造虚拟控制律和滤波器。参数少,易于调节。
另外,车速信号是本滑移率控制中重要参数,但从系统成本的角度考虑,车速往往不采用传感器直接测量的方式获得,而是通过车速观测器进行观测。本发明采用滑模控制技术设计车速观测器如下:
式中,kv为观测器增益,为车速观测值,定义观测误差
对(36)式两边取导,
引理1:如果滑模观测器增益kv>0,则车速观测器(35)渐进稳定。
证明:选择Lyapunov函数
对(38)式两边求导,并将(36)、(37)式代入
由上式可见,若kv>0,则根据Lyapunov稳定性理论,系统渐进稳定,车速观测器能够实现车速的估计。
说明:由于车速信号不可测,但滑模车速观测器(35)需要掌握观测误差的符号,考虑到制动初始时,滑移率近似为零,v与vw相差较小,所以采用vw代替(36)式中的v,由代替判断其符号方向.
2.2混合动力电动汽车制动力矩分配
制动力矩分配策略包括两个部分:前后轮的制动力分配以及液压摩擦制动与再生制动的分配。前后制动力矩根据预定曲线进行分配。为了最大限度地提高再生效率,保证电池的健康和寿命,我们重点研究液压摩擦制动和再生制动的分配。本发明提出了一种基于SOC的制动力矩分配算法,以最大限度的提高再生效率。
为了进行验证性能,首先介绍了基于速度的制动力矩分配。ADVISOR中基于速度的制动转矩分配方案如图7所示。
如图7所示,总制动力矩为
Ttol=Tf+Tr (41)
式中,Ttol为总的制动力矩,Tf为前轮摩擦制动力矩,Tr为后轮制动力矩。
Tf=Ttol·coefric
其中,coefric为前轮摩擦力矩分配系数。
后制动力矩按照再生制动分配系数进行分配,
Tr=Tr_fric+Tr_gen (42)
Tr_gen=Tr·coegen
中,Tr_fric,Tr_gen分别表示后轮摩擦制动力矩和再生制动力矩,coegen为再生制动分配系数,如图8所示。
根据车速确定制动力矩分配系数。当车辆低速制动时,电机的反馈电流小,充电效率与回收能量有限。因此,v<10km/h,主要取决于摩擦制动。随着车速的增加,再生制动力矩的比例逐渐增大。然而,该分配策略是基于固定的制动比例曲线,没有考虑电池SOC的影响。
基于SOC的制动力分配策略:
制动力矩分配策略包括两个部分:前后轮的制动力分配以及液压摩擦制动与再生制动的分配。前后制动力矩根据预定曲线进行分配。为了最大限度地提高再生效率,保证电池的健康和寿命,我们重点研究液压摩擦制动和再生制动的分配。
总制动力矩为
Ttol=Tf+Tr (43)
式中,Ttol为总的制动力矩,Tf为前轮摩擦制动力矩,Tr为后轮制动力矩。
后制动力矩由摩擦制动和再生制动共同提供;
Tr=Tr_fric+Tr_gen (44)
式中,Tr_fric,Tr_gen分别表示后轮摩擦制动力矩和再生制动力矩。
为了最大限度的提高再生效率,本发明提出了一种基于SOC的制动力矩分配算法。
由电池模型(11)得到电池SOC的离散表达式为
式中,Voc为开路电压,(Pbatt为电池功率,Ibatt为电池电流,Rbatt为电池内阻),k-1,k,k+1分别表示上一时刻,当前离散时刻和下一时刻,ΔT表示采样时间。
当SOC(k)>=SOCr,只有液压制动工作,只有当SOC(k)<SOCr再生制动投入工作。SOCr为电池电量的上限值。当前车速v(k)由车速观测器获得,加速度由下式计算:
a为车辆加速度
若车辆以车速v(k)加速度a(k)进行制动,那么制动时间为:
tf(k)表示以当前时刻的速度和加速度进行制动的制动时间。
(45)转换为
电机功率可由上式计算。考虑其受到电机最大功率的限制,则
Pm min≤Pm≤Pm max
其中Pm min,Pm max为电机功率的最小、最大值。因此,再生制动功率为
Pm_g=min{Pm,Pm max} (49)
Pm_g为再生制动功率,min{.}表示求最小值计算。
电机制动力矩为
式中,nm为电机转速,ηg为电机效率。
结合电机效率map图(图4),确定了当前车速速下电机最高再生效率所对应的再生制动转矩。总制动力矩由第一层控制器通过滑移率控制获得。剩余制动力矩由摩擦制动力矩提供。
Tr_fric=Tr-Tr_gen (51)
说明:在下一时刻k+1,我们将滚动更新SOC(k+1),v(k+1),a(k+1),tf(k+1),Pm_g与Tr_gen递归实时实现。因此,该策略不仅考虑了制动过程开始时SOC初始状态的影响,而且也考虑了SOC的实时变化。此外,利用电机效率与电机转矩和速度之间的关系(图4),还考虑了当前车速对再生效率的影响。因此,可以尽可能多地回收再生制动能量。
3仿真研究
本发明采用文献1([1]B Subudhi,SSGe.Sliding-mode-observer-basedadaptiveslipratio control for electric and hybrid vehicles[J].IEEETransactions on Intelligent Transportation Systems,2012,13(4):1617-1626.)中混合动力电动汽车进行仿真研究,车辆主要参数如表1所示,最佳滑移率λ*取为0.18,初始车速设定为v0(t)=80km/h。路面观测器与滑移率控制器参数分别取为k=510,l=-1.0。本发明分别对两种不同的情况下的滑移率控制进行仿真研究,即不同路面状况下的仿真研究和变化路面情况下的仿真研究,并与滑模控制器进行对比分析。
表1车辆参数
Tab.1Vehicle parameters
3.1不同路面下的仿真研究
首先考虑不同的路面状况下进行滑移率控制,即分别在良好的干燥路面(μ(λ)=0.8),潮湿的路面(μ(λ)=0.6),以及冰雪路面(μ(λ)=0.3)上制动的滑移率控制,仿真结果如图9所示。
由图9的a可以看出,不同路面情况下的路面观测器输出值与实际值几乎重合,均能够很好的观测到不同路面的地面附着系数,为滑移率的控制提供了保障。图9中b、c分别为不同路面下的车辆速度-车轮速度输出、滑移率的输出。结果表明,随着路面状况的变差,即地面附着系数的降低,地面所能提供的最大制动力受到了限制,车辆所能发挥的减速度也相应变小,使制动时间与制动距离随之变长。但不论在何种路面上制动,滑移率均控制在理想值,控制系统均表现出良好的控制效果和路面适应性。
表2为忽略驾驶员的反应时间下,以相同的初速度(80km/h)开始制动,在不同路面情况下分别采用本发明的控制方法与滑模控制方法进行滑移率控制的制动时间与制动距离。与滑模控制的结果相比较,其制动距离与制动停止时间都相应的缩短,平均提高5%以上,制动力发挥更加充分。图10为本发明控制算法与滑模控制算法在良好的干燥路面上进行滑移率控制情况。结果表明两种控制方法都表现出了良好的滑移率的跟踪控制效果,但滑模控制方法滑移率控制在理想值附近颤振更为明显,而本发明所采用方法控制精度更高。
表2车辆控制性能
Tab.2Vehicle control performance
3.2路面状况变化时的仿真研究
在实际情况中路面状况往往不是一定的,常常会由于天气的原因,空气湿度或者部分路面积水等而出现变化甚至是突变的情况。下面分别对车辆在变化路面与附着情况突变路面上制动时的滑移率控制进行仿真研究,控制器参数及初始车速不变。
图11为假设路面情况比较恶劣的情况下,路面附着系数在0.2-0.8之间正弦变化时的滑移率控制结果。图中a表示路面观测器输出与实际值误差几乎为零,非常准确的观测到了路面附着状况的变化。图中b和c分别为滑移率与制动力矩变化。由图中可以看出,无论路面情况如何变化路面系数都能够被很好的观测,能够适应任何变化的路面环境,滑移率也能够很好的控制在理想值附近,控制器具有理想的控制效果。
3.3制动力分配的仿真研究
为了研究SOC对制动力矩分配和再生能量的影响,对不同SOC下的仿真进行了研究。对于SOC维持型的HEV,SOC参考值设置为0.7。考虑到电机和蓄电池对SOC变化的约束,制动过程的蓄电池初始SOC分别选择为0.6、0.699和0.7。图12为不同SOC初始值的制动力分配与SOC变化曲线。由图可以看出,当初始SOC为0.6时,尽可能的回收能量;当初始SOC为0.699时,兼顾电池安全性,并未发挥最大回收能力;当初始SOC为0.7时,从电池安全性考虑,不再回收再生能量。表3给出了制动能量回收的对比,该发明提出的制动力分配策略,SOC增加了0.25%,再生能量回收效率提高了6%。
表3能量回收效率
Tab.3Regeneration efficiency
4效果
本发明提出了一种混合动力汽车双层制动控制系统。从滑移率控制的角度出发,针对路面条件、载荷变化等不确定性,首先基于非线性扰动观测器的设计了简单制动力矩控制器,并获得了最优制动力矩。为了提高再生效率、电池寿命,在第二层控制中提出了一种新的制动转矩分配策略。在不同的仿真条件下,包括道路状况和车辆载荷变化情况,验证了该控制系统的有效性。与滑模控制策略相比,随着制动距离和时间的减小,制动性能的提高约5%。此外,研究了不同SOC的再生能量。液压制动力矩和再生制动力矩能够很好地协同工作,基于SOC的制动力分配策略在再生效率上取得了显著的提高。
概括的说:
车辆在制动过程中存在着路面状况实时变化,且不可测量,以及车辆载荷的变化和在设计控制器过程中存在建模误差等不确定性因素,导致控制精度不高,控制性能受到影响。本发明将统的不确定性因素(包含道路的不确定性、车辆载荷,而且也包括建模误差等)用d表示,通过设计观测器对其进行实时在线估计得到
设计制动控制器:
Tb=Tc-Td
控制器由两部分构成,一部分为主控制器输出Tc
通过反馈控制,从速度跟踪的角度,使vw=(1+λ*)v从而达到最佳滑移率控制,即将控制滑移率λ控制在理想值λ*附近;
另一部分Td,为补偿控制器,通过对道路不确定性的观测消除了制动力矩中由不确定因素引起的不准确的控制;通过李亚普诺夫稳定性保证了系统的稳定性。
针对混合动力电动汽车摩擦制动与再生制动综合控制系统,提出了一种双层制动结构。为了获得更好的制动性能和更高的再生制动效率,提出了一种协同制动控制策略。在第一层中,提出一种基于实时路面观测的制动控制器以克服道路状况变化的不确定性,并通过Lyapunov理论证明了算法的收敛性和稳定性。其次,在第二层中,考虑到制动能量回收能力和电池的健康状况,提出了一种基于电池充电状态(SOC)的制动力矩分配策略以回收更多的制动能量,并改善电池的健康状况。通过仿真,验证了该制动策略具有良好的制动性能和路面适应性,既能保证电池的使用寿命也能更好地回收再生能量。
以上所述,仅为本发明创造较佳的具体实施方式,但本发明创造的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内,根据本发明创造的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明创造的保护范围之内。

Claims (3)

1.一种混合动力电动汽车基于SOC的再生制动力矩分配方法,其特征在于:
将电池SOC离散表达:
式中,SOC表示电池荷电状态Voc为开路电压,Pm为电动机的功率,Ibatt为电池电流,Qbatt为电池容量,Rbatt为电池内阻,k-1,k,k+1分别表示上一时刻,当前离散时刻和下一时刻,ΔT表示采样时间;
SOCr为电池电量的上限值,当SOC(k)>=SOCr,只有液压制动工作;仅当SOC(k)<SOCr时,再生制动投入工作;
当前车速v(k)由车速观测器获得,加速度由下式计算:
a为车辆加速度;
若车辆以车速v(k)、加速度a(k)进行制动,制动时间为:
tf(k)表示以当前时刻的速度和加速度进行制动的制动时间;
由上述,电机功率由公式(48)计算得到:
电机功率受到电机最大功率的限制
Pm min≤Pm≤Pm max
其中Pm min、Pm max为电机功率的最小值、最大值,再生制动功率为
Pm_g=min{Pm,Pm max} (49)
Pm_g为再生制动功率,min{.}表示求最小值计算;
再生制动力矩为
式中,nm为电机转速,ηg为电机效率。
2.如权利要求1所述的混合动力电动汽车基于SOC的再生制动力矩分配方法,其特征在于,混合动力电动汽车总制动力矩:
Ttol=Tf+Tr (43)
式中,Ttol为总的制动力矩,Tf为前轮摩擦制动力矩,Tr为后轮制动力矩,后轮制动力矩由后轮摩擦制动和再生制动共同提供,
Tr=Tr_fric+Tr_gen (44)
式中,Tr_fric,Tr_gen分别表示后轮摩擦制动力矩和再生制动力矩;
再生制动力矩Tr_gen的力矩分配方法为权利要求1所述的制动力矩分配方法,总制动力矩由基于实时路面观测的制动控制器通过滑移率控制获得。
3.如权利要求2所述的混合动力电动汽车基于SOC的再生制动力矩分配方法,其特征在于,所述基于实时路面观测的制动控制器表示为:
Tb=Tc-Td
Tb是制动力矩,Td是基于不确定性的制动力矩的补偿控制量,Tc为控制器输出;
其中:其中,b2、b3为系统参数,是观测器对不确定性因素进行实时在线估计得到的路面附着系数观测器。
CN201910008437.2A 2019-01-04 2019-01-04 混合动力电动汽车基于soc的再生制动力矩分配方法 Expired - Fee Related CN109532817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910008437.2A CN109532817B (zh) 2019-01-04 2019-01-04 混合动力电动汽车基于soc的再生制动力矩分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910008437.2A CN109532817B (zh) 2019-01-04 2019-01-04 混合动力电动汽车基于soc的再生制动力矩分配方法

Publications (2)

Publication Number Publication Date
CN109532817A true CN109532817A (zh) 2019-03-29
CN109532817B CN109532817B (zh) 2020-07-10

Family

ID=65834280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910008437.2A Expired - Fee Related CN109532817B (zh) 2019-01-04 2019-01-04 混合动力电动汽车基于soc的再生制动力矩分配方法

Country Status (1)

Country Link
CN (1) CN109532817B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111196164A (zh) * 2020-01-22 2020-05-26 辽宁工业大学 一种分布式电动汽车制动系统控制方法
CN113302078A (zh) * 2021-04-20 2021-08-24 华为技术有限公司 车辆制动方法、装置和电子设备
US11524669B2 (en) * 2019-01-25 2022-12-13 Advics Co., Ltd. Brake controller

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2330007A1 (en) * 2006-03-29 2011-06-08 Nissan Motor Co., Ltd. Vehicle braking
CN107264293A (zh) * 2017-06-30 2017-10-20 重庆大学 一种基于模糊控制的并联式混合动力车的能量回收方法
CN107826099A (zh) * 2016-09-15 2018-03-23 三菱自动车工业株式会社 用于混合动力车辆的操作控制系统
CN108437807A (zh) * 2018-03-30 2018-08-24 北京新能源汽车股份有限公司 一种电动汽车制动控制方法、装置、整车控制器及汽车
CN109017323A (zh) * 2018-08-06 2018-12-18 武汉理工大学 轮毂电机驱动的串联式电动车下长坡再生制动控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2330007A1 (en) * 2006-03-29 2011-06-08 Nissan Motor Co., Ltd. Vehicle braking
CN107826099A (zh) * 2016-09-15 2018-03-23 三菱自动车工业株式会社 用于混合动力车辆的操作控制系统
CN107264293A (zh) * 2017-06-30 2017-10-20 重庆大学 一种基于模糊控制的并联式混合动力车的能量回收方法
CN108437807A (zh) * 2018-03-30 2018-08-24 北京新能源汽车股份有限公司 一种电动汽车制动控制方法、装置、整车控制器及汽车
CN109017323A (zh) * 2018-08-06 2018-12-18 武汉理工大学 轮毂电机驱动的串联式电动车下长坡再生制动控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐国凯,张涛,赵秀春: ""电动汽车制动力分配策略的研究与仿真"", 《中国自动化学会控制理论专业委员会A卷》 *
赵秀春,郭戈: ""混合动力电动汽车能量管理策略研究综述"", 《自动化学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11524669B2 (en) * 2019-01-25 2022-12-13 Advics Co., Ltd. Brake controller
CN111196164A (zh) * 2020-01-22 2020-05-26 辽宁工业大学 一种分布式电动汽车制动系统控制方法
CN111196164B (zh) * 2020-01-22 2021-06-04 辽宁工业大学 一种分布式电动汽车制动系统控制方法
CN113302078A (zh) * 2021-04-20 2021-08-24 华为技术有限公司 车辆制动方法、装置和电子设备
WO2022222035A1 (zh) * 2021-04-20 2022-10-27 华为技术有限公司 车辆制动方法、装置和电子设备

Also Published As

Publication number Publication date
CN109532817B (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN109532799A (zh) 基于实时路面观测的制动控制器
Miri et al. Electric vehicle energy consumption modelling and estimation—A case study
Xu et al. Torque optimization control for electric vehicles with four in-wheel motors equipped with regenerative braking system
Heydari et al. Maximizing regenerative braking energy recovery of electric vehicles through dynamic low-speed cutoff point detection
Maia et al. Electrical vehicle modeling: A fuzzy logic model for regenerative braking
CN103991384B (zh) 一种电动车辆的复合制动系统及其复合制动方法
Park et al. Development of equivalent fuel consumption minimization strategy for hybrid electric vehicles
Paul et al. Optimal $\mu $-Estimation-Based regenerative braking strategy for an AWD HEV
CN109532817A (zh) 混合动力电动汽车基于soc的再生制动力矩分配方法
Pugi et al. Design and preliminary performance evaluation of a four wheeled vehicle with degraded adhesion conditions
CN113635879B (zh) 一种车辆制动力分配方法
Chen et al. Multi-objective coordination control strategy of distributed drive electric vehicle by orientated tire force distribution method
Shyrokau et al. Vehicle dynamics control with energy recuperation based on control allocation for independent wheel motors and brake system
CN109063406A (zh) 一种基于advisor的水平运输机车仿真建模方法
Yu et al. An integrated cooperative antilock braking control of regenerative and mechanical system for a hybrid electric vehicle based on intelligent tire
Zhao et al. Distributed electric powertrain test bench with dynamic load controlled by neuron PI speed-tracking method
Grandone et al. Development of a regenerative braking control strategy for hybridized solar vehicle
Wei et al. Braking force control strategy for electric vehicles with load variation and wheel slip considerations
Shibata et al. Mathematical model of electric vehicle power consumption for traveling and air-conditioning
Kremzow-Tennie et al. A study on the influencing factors regarding energy consumption of electric vehicles
von Jouanne et al. Electric vehicle (EV) chassis dynamometer testing
Ge et al. Energy-efficient braking torque distribution strategy of rear-axle drive commercial ev based on fuzzy neural network
Vodovozov et al. Fuzzy logic control of electric vehicles in changing braking conditions
Chen et al. Regenerative braking control strategy based on pavement recognition controller for electric vehicle
Lee et al. Development of an energy prediction model based on driving data for predicting the driving distance of an electric vehicle

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200710

CF01 Termination of patent right due to non-payment of annual fee