CN109703548A - 一种基于混合动力的汽车动力分配方法 - Google Patents

Abstract

本发明公开一种基于混合动力的汽车动力分配方法，当车辆行驶时，基于BP神经网络确定发动机和电动机的工作状态，具体包括步骤一、按照采样周期，通过传感器测量发动机的转速波动量、电动机的转速波动量、电池的剩余电量系数、汽车振动烈度、汽车行驶速度和路面坡度；步骤二、确定三层BP神经网络的输入层神经元向量x＝{x₁,x₂,x₃,x₄,x₅,x₆}；其中，x₁为发动机的转速波动量，x₂为电动机的转速波动量，x₃为电池的剩余电量系数，x₄为汽车振动烈度，x₅为汽车行驶速度，x₆为路面坡度；步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；步骤四、得到输出层神经元向量o＝{o₁,o₂}；其中，o₁为发动机的工作状态，o₂为电动机的工作状态。使得动力系统可以按照汽车的实际运行工况灵活调控，降低油耗与排放。

Description

一种基于混合动力的汽车动力分配方法

技术领域

本发明涉及混合动力汽车的动力分配技术领域，更具体的是，本发明涉及一种基于混合动力的汽车动力分配方法。

背景技术

传统的燃油汽车不仅对环境造成污染，汽车排放的尾气也会影响人类的身体健康，因此积极减少汽车尾气污染具有非常深远的现实意义。

现在市场上出现的清洁能源汽车主要指混合动力车以及纯电动车。现有的混合动力汽车同时装备两种动力来源：热动力源(由传统的汽油机或者柴油机产生)与电动力源(电池与电动机)。相比于传统的燃油汽车，混合动力汽车对环境造成的污染已经大大降低，但是热动力源和电动力源的动力分配仍然是目前研究的重点，通过在混合动力汽车上使用电机，使得动力系统可以按照车辆的实际运行工况要求灵活调控，而发动机保持在综合性能最佳的区域内工作，从而降低油耗与排放，以便于车辆能够根据当前的路况，车况以及环境信息更好的分配热动力源和电动力源，提高能源利用率，更进一步的降低环境污染。

发明内容

本发明设计开发了一种基于混合动力的汽车动力分配方法，当车辆行驶时，能够基于BP神经网络确定发动机和电动机的工作状态，使得动力系统可以按照汽车的实际运行工况灵活调控，降低油耗与排放。

本发明还能根据发动机和电动机的工作状态，精确控制发动机和电动机的工作功率，使得发动机和电动机保持在综合性能最佳的区域内工作，降低油耗与排放。

本发明提供的技术方案为：

一种基于混合动力的汽车动力分配方法，当车辆行驶时，基于BP神经网络确定发动机和电动机的工作状态，具体包括如下步骤：

步骤一、按照采样周期，通过传感器测量发动机的转速波动量、电动机的转速波动量、电池的剩余电量系数、汽车振动烈度、汽车行驶速度和路面坡度；

步骤二、确定三层BP神经网络的输入层神经元向量x＝{x₁,x₂,x₃,x₄,x₅,x₆}；其中，x₁为发动机的转速波动量，x₂为电动机的转速波动量，x₃为电池的剩余电量系数，x₄为汽车振动烈度，x₅为汽车行驶速度，x₆为路面坡度；

步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；

步骤四、得到输出层神经元向量o＝{o₁,o₂}；其中，o₁为发动机的工作状态，o₂为电动机的工作状态，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}，当o_k为1时，表示处于工作状态，当o_k为0时，表示处于不工作状态。

优选的是，

当o₁＝1,o₂＝0时，发动机工作，电动机不工作，且发动机的工作功率满足：

P₁＝0.90P_1,max；

其中，P₁为发动机的工作功率，P_1,max为发动机的最大工作功率。

优选的是，

当o₁＝0,o₂＝1时，发动机不工作，电动机工作，且电动机的工作功率P₂满足：

其中，P₂为电动机的工作功率，m为汽车的重量，f_r为汽车车轮滚动阻力系数，V_s,0为汽车的理想振动烈度，V_s为汽车的实时振动烈度，ρ_a为空气密度，C_d为空气阻力系数，A_f为汽车的迎风面积，v为汽车的行驶速度，τ为汽车行驶路面的坡度，η_t为传动效率，η_em为电动机的平均效率。

优选的是，

当o₁＝1,o₂＝1时，发动机和电动机均工作，且发动机的工作功率P₁和电动机的工作功率P₂分别满足：

P₁＝0.81P_1,max；

其中，P₁为发动机的工作功率，P_1,max为发动机的最大工作功率，P₂为电动机的工作功率，m为汽车的重量，f_r为汽车车轮滚动阻力系数，V_s,0为汽车的理想振动烈度，V_s为汽车的实时振动烈度，ρ_a为空气密度，C_d为空气阻力系数，A_f为汽车的迎风面积，v为汽车的行驶速度，α为汽车行驶路面与水平面的夹角，η_t为传动效率。

优选的是，所述汽车的振动烈度为：

其中，V_s为汽车的振动烈度，V_i为测量的汽车振动速度值，M为测量的振动信号样本长度。

优选的是，所述发动机的转速波动量为：

其中，n₁表示为发动机在一个工作循环内瞬时转速波形表现次数，n_1i,max为发动机每次波动的最大值，n_1i,min为发动机每次波动的最小值；

所述电动机的转速波动量为：

其中，n₂表示为电动机在一个工作循环内瞬时转速波形表现次数，n_2i,max为电动机每次波动的最大值，n_2i,min为电动机每次波动的最小值

优选的是，所述电池的剩余电量系数为：

其中，S为电池的剩余电量系数，E_C为电池的实时剩余电量，E_T为电池完全充满时电量，ξ为电池的衰减比例。

优选的是，当电池的剩余电量系数S≤10％时，电池进入低电量状态，电动机不工作。

优选的是，所述汽车行驶路面的坡度为：

其中，τ为汽车行驶路面的坡度，α为汽车行驶路面与水平面的夹角。

优选的是，所述隐层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。

优选的是，所述隐层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。

本发明所述的有益效果：

(1)本发明设计开发的基于混合动力的汽车动力分配方法，当车辆行驶时，能够基于BP神经网络确定发动机和电动机的工作状态，使得动力系统可以按照汽车的实际运行工况灵活调控，降低油耗与排放。

(2)本发明还能根据发动机和电动机的工作状态，精确控制发动机和电动机的工作功率，使得发动机和电动机保持在综合性能最佳的区域内工作，降低油耗与排放。

附图说明

图1为本发明所述并联式混合动力电动汽车动力系统的连接示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供的基于混合动力的汽车动力分配方法适用在并联式混合动力电动汽车中，在并联式混合动力电动汽车中，内燃机和电动机均可以将动力传递至车轮。内燃机(发动机)和电动机(通过电池供电)通过一些机械元件耦合后与主减速器相连。这些耦合机构有离合器、输送带、带轮和齿轮等。内燃机和电动机既可以将动力同时传递给主减速器，也可以单独传递，其连接方式如图1所示。

本发明提供了一种基于混合动力的汽车动力分配方法，当车辆行驶时，基于BP神经网络确定发动机和电动机的工作状态，具体包括如下步骤：

步骤一、建立BP神经网络模型。

BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即o_i＝x_i。中间隐含层和输出层的神经元的操作特性为

o_pj＝f_j(net_pj)

其中p表示当前的输入样本，ω_ji为从神经元i到神经元j的连接权值，o_pi为神经元j的当前输入，o_pj为其输出；f_j为非线性可微非递减函数，一般取为S型函数，即f_j(x)＝1/(1+e^-x)。

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示汽车行驶状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x₁,x₂,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：o＝(o₁,o₂,...,o_p)^T

本发明中，输入层节点数为n＝6，输出层节点数为p＝2，隐藏层节点数m＝5。

输入层6个参数分别表示为：x₁为发动机的转速波动量，x₂为电动机的转速波动量，x₃为电池的剩余电量系数，x₄为汽车振动烈度，x₅为汽车行驶速度，x₆为路面坡度；

其中，路面坡度为：

式中，τ为路面坡度，α为汽车行驶路面与水平面的夹角，当α为正时，则行驶路面为上坡，当α为负时，则行驶路面为下坡。

汽车的振动烈度为：

式中，V_s为汽车的振动烈度，V_i为测量的汽车振动速度值，M为测量的振动信号样本长度。

发动机的转速波动量为：

式中，n₁表示为发动机在一个工作循环内瞬时转速波形表现次数，n_1i,max为发动机每次波动的最大值，n_1i,min为发动机每次波动的最小值；

电动机的转速波动量为：

式中，n₂表示为电动机在一个工作循环内瞬时转速波形表现次数，n_2i,max为电动机每次波动的最大值，n_2i,min为电动机每次波动的最小值

电池的剩余电量系数为：

式中，S为电池的剩余电量系数，E_C为电池的实时剩余电量，E_T为电池完全充满时电量，ξ为电池的衰减比例。

这里需要说明的是，当电池的剩余电量系数S≤10％时，电池进入低电量状态，电动机不再工作，直到电池充电使其剩余电量系数S＞10％时，电动机方可正常工作。

输出层2个参数分别表示为：o₁为发动机的工作状态，o₂为电动机的工作状态，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}，当o_k为1时，表示处于工作状态，当o_k为0时，表示处于不工作状态。

步骤二、进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。

(1)训练方法

各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；各子网训练时的输出样本如表1所示。

表1网络训练用的输出样本

(2)训练算法

BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：

第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。

第二步：对每个输入样本作如下计算：

(a)前向计算：对l层的j单元

式中，为第n次计算时l层的j单元信息加权和，为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，为前一层(即l-1层，节点数为n_l-1)的单元i送来的工作信号；i＝0时，令 为l层的j单元的阈值。

若单元j的激活函数为sigmoid函数，则

且

若神经元j属于第一隐层(l＝1)，则有

若神经元j属于输出层(l＝L)，则有

且e_j(n)＝x_j(n)-o_j(n)；

(b)反向计算误差：

对于输出单元

对隐单元

(c)修正权值：

η为学习速率。

第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。

BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为

Δω＝(J^TJ+μI)^-1J^Te

其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。

在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。

(1)当o₁＝1,o₂＝0时，发动机工作，电动机不工作，且发动机的工作功率满足：

P₁＝0.90P_1,max；

其中，P₁为发动机的工作功率，P_1,max为发动机的最大工作功率。

(2)当o₁＝0,o₂＝1时，发动机不工作，电动机工作，且电动机的工作功率P₂满足：

其中，P₂为电动机的工作功率，m为汽车的重量，f_r为汽车车轮滚动阻力系数，V_s,0为汽车的理想振动烈度，V_s为汽车的实时振动烈度，ρ_a为空气密度，C_d为空气阻力系数，A_f为汽车的迎风面积，v为汽车的行驶速度，τ为汽车行驶路面的坡度，η_t为传动效率，η_em为电动机的平均效率。

(3)当o₁＝1,o₂＝1时，发动机和电动机均工作，且发动机的工作功率P₁和电动机的工作功率P₂分别满足：

P₁＝0.81P_1,max；

其中，P₁为发动机的工作功率，P_1,max为发动机的最大工作功率，P₂为电动机的工作功率，m为汽车的重量，f_r为汽车车轮滚动阻力系数，V_s,0为汽车的理想振动烈度，V_s为汽车的实时振动烈度，ρ_a为空气密度，C_d为空气阻力系数，A_f为汽车的迎风面积，v为汽车的行驶速度，α为汽车行驶路面的坡角，η_t为传动效率。

下面结合具体的实施例进一步的对本发明提供的对发动机技术状态的方法进行说明。

选取55kW的内燃机和120kW的电动机，模拟汽车在不同坡度下行驶，并模拟不同的行驶工况和车况，具体数据如表2所示。

表2模拟试验数据

采用本发明的方法确定发电机和电动机的工作状态以及工作功率，并采集排放尾气确定燃料的燃烧程度，同时确定内燃机的能耗和电池的耗电量。具体结果如表3所示。

表3试验结果

由表3可知，本发明的动力分配方法，从尾气的检测中，燃烧程度高于90％，即一氧化碳和其他有毒气体的含量降低，降低了尾气的排放，也使得发动机和电动机保持在综合性能最佳的区域内工作，提高了内燃机和电池的工作效率，提高了能源利用率。

本发明设计开发的基于混合动力的汽车动力分配方法，当车辆行驶时，能够基于BP神经网络确定发动机和电动机的工作状态，使得动力系统可以按照汽车的实际运行工况灵活调控，降低油耗与排放。本发明还能根据发动机和电动机的工作状态，精确控制发动机和电动机的工作功率，使得发动机和电动机保持在综合性能最佳的区域内工作，降低油耗与排放。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种基于混合动力的汽车动力分配方法，其特征在于，当车辆行驶时，基于BP神经网络确定发动机和电动机的工作状态，具体包括如下步骤：

步骤一、按照采样周期，通过传感器测量发动机的转速波动量、电动机的转速波动量、电池的剩余电量系数、汽车振动烈度、汽车行驶速度和路面坡度；

步骤二、确定三层BP神经网络的输入层神经元向量x＝{x₁,x₂,x₃,x₄,x₅,x₆}；其中，x₁为发动机的转速波动量，x₂为电动机的转速波动量，x₃为电池的剩余电量系数，x₄为汽车振动烈度，x₅为汽车行驶速度，x₆为路面坡度；

步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；

步骤四、得到输出层神经元向量o＝{o₁,o₂}；其中，o₁为发动机的工作状态，o₂为电动机的工作状态，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}，当o_k为1时，表示处于工作状态，当o_k为0时，表示处于不工作状态。

2.如权利要求1所述的基于混合动力的汽车动力分配方法，其特征在于，

当o₁＝1,o₂＝0时，发动机工作，电动机不工作，且发动机的工作功率满足：

P₁＝0.90P_1,max；

其中，P₁为发动机的工作功率，P_1,max为发动机的最大工作功率。

3.如权利要求1所述的基于混合动力的汽车动力分配方法，其特征在于，

当o₁＝0,o₂＝1时，发动机不工作，电动机工作，且电动机的工作功率P₂满足：

其中，P₂为电动机的工作功率，m为汽车的重量，f_r为汽车车轮滚动阻力系数，V_s,0为汽车的理想振动烈度，V_s为汽车的实时振动烈度，ρ_a为空气密度，C_d为空气阻力系数，A_f为汽车的迎风面积，v为汽车的行驶速度，τ为汽车行驶路面的坡度，η_t为传动效率，η_em为电动机的平均效率。

4.如权利要求1所述的基于混合动力的汽车动力分配方法，其特征在于，

当o₁＝1,o₂＝1时，发动机和电动机均工作，且发动机的工作功率P₁和电动机的工作功率P₂分别满足：

P₁＝0.81P_1,max；

其中，P₁为发动机的工作功率，P_1,max为发动机的最大工作功率，P₂为电动机的工作功率，m为汽车的重量，f_r为汽车车轮滚动阻力系数，V_s,0为汽车的理想振动烈度，V_s为汽车的实时振动烈度，ρ_a为空气密度，C_d为空气阻力系数，A_f为汽车的迎风面积，v为汽车的行驶速度，α为汽车行驶路面与水平面的夹角，η_t为传动效率。

5.如权利要求3或4所述的基于混合动力的汽车动力分配方法，其特征在于，所述汽车的振动烈度为：

其中，V_s为汽车的振动烈度，V_i为测量的汽车振动速度值，M为测量的振动信号样本长度。

6.如权利要求5所述的基于混合动力的汽车动力分配方法，其特征在于，所述发动机的转速波动量为：

其中，n₁表示为发动机在一个工作循环内瞬时转速波形表现次数，n_1i,max为发动机每次波动的最大值，n_1i,min为发动机每次波动的最小值；

所述电动机的转速波动量为：

其中，n₂表示为电动机在一个工作循环内瞬时转速波形表现次数，n_2i,max为电动机每次波动的最大值，n_2i,min为电动机每次波动的最小值。

7.如权利要求6所述的基于混合动力的汽车动力分配方法，其特征在于，所述电池的剩余电量系数为：

其中，S为电池的剩余电量系数，E_C为电池的实时剩余电量，E_T为电池完全充满时电量，ξ为电池的衰减比例。

8.如权利要求7所述的基于混合动力的汽车动力分配方法，其特征在于，当电池的剩余电量系数S≤10％时，电池进入低电量状态，电动机不工作。

9.如权利要求8所述的基于混合动力的汽车动力分配方法，其特征在于，所述汽车行驶路面的坡度为：

其中，τ为汽车行驶路面的坡度，α为汽车行驶路面与水平面的夹角。

10.如权利要求6、7、8或9所述的基于混合动力的汽车动力分配方法，其特征在于，所述隐层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。