CN109895760A - 基于soc参考轨迹的插电式混合动力汽车能量管理方法 - Google Patents

Abstract

本发明公开了一种基于SOC参考轨迹的插电式混合动力汽车能量管理方法，包括以下步骤：车速预测；规划插电式混合动力汽车的SOC随时间变化的轨迹；引入SOC轨迹约束的模型预测控制。本发明采用长短时记忆神经网络作为递归神经网络的变种继承了递归神经网络处理时间序列上的优势，同时增加了长期预测的能力。本发明建立SOC参考轨迹与车速的对应关系，能够更好的适应不同时间段行驶速度的变化对SOC下降轨迹的影响，使参考轨迹的计算更精确，进而使得优化结果更精确，同时和全局优化算法相比，基于SOC参考轨迹的优化算法具有更好的可实施性。

Description

基于SOC参考轨迹的插电式混合动力汽车能量管理方法

技术领域

本发明针对插电式混合动力汽车(PHEV,Plug-in hybrid electric vehicle)能量管理系统，特别是一种基于电池的荷电状态(SOC，State of Charge)参考轨迹的插电式混合动力汽车能量管理方法。

背景技术

目前的PHEV控制策略主要包括基于规则的控制策略、基于优化模型的控制策略、基于模型预测的控制策略；其中，基于规则的管理策略应用最为广泛，但动态特性较差，难以实现动力系统最佳匹配；基于优化的能量管理策略又分为全局规划控制策略和瞬时控制策略，其中，一般认为全局规划可以达到整个工况的理论最优值，但是由于无法真正的准确获知全局工况，因此缺乏实用性；基于模型预测的控制策略，通过预测未来短时的行驶工况，然后应用模型预测控制方法，求解预测时域内最优的转矩分配策略，将全局最优问题分解为分段的局部优化问题，以更好的接近全局优化效果并且增加可实施性。

插电混合动力汽车能量管理策略的问题求解中，状态变量是电池的荷电状态(SOC，state of charge)，在优化问题中SOC的变化轨迹对优化有很大的影响。如果PHEV的SOC没有得到合理的约束与规划，将会导致优化过程计算量剧增，且优化结果难以达到全局最优。所以目前的多数研究者会根据汽车行驶工况条件，计算出一条SOC参考轨迹，通过该轨迹限制PHEV的SOC下降的速度，使得优化过程中状态变量SOC的变化沿着参考轨迹波动，不仅可以防止单一电动机工作过久，也可以减少优化计算时的搜索空间，提高优化效率。

目前PHEV的SOC参考轨迹计算有两种常见的方式，最为常见的方式是直接将整个行车区间内的SOC设置成随时间直线下降，得到随时间直线下降的SOC轨迹，代入到控制策略中作为状态变量的约束。但是直线轨迹不能体现不同车速对SOC变化的影响，容易导致对状态变量的约束缺乏合理性。另一种方式是直接利用工况的历史统计数据通过全局规划计算SOC参考轨迹，但无法适应当前工况的实时变化。

发明内容

针对当前SOC参考轨迹计算方式不能适应车速变化或工况变化的问题，本发明要提出一种能够适应车辆行驶工况的实时变化，得到接近全局最优的节能效果的基于SOC参考轨迹的插电式混合动力汽车能量管理方法。

本发明的技术方案如下：基于SOC参考轨迹的插电式混合动力汽车能量管理方法，包括以下步骤：

A、车速预测

车速预测即对汽车未来一段时间的车速进行预测，并将车速预测的结果运用到插电式混合动力汽车的SOC参考轨迹的计算以及能量管理策略中。为了防止预测过程中出现梯度消失或梯度爆炸的问题，本发明采用长短时记忆神经网络，进行车速预测，长短时记忆神经网络增加了单元状态Cell，通过“门”控制信息的丢弃或者增加，从而实现遗忘或记忆的功能，并将需要记忆的信息输入到下一时刻的隐含层中以此实现时间上的序列预测，“门”是一种使信息选择性通过的结构，由一个sigmoid函数和一个点乘操作组成。sigmoid函数的输出值在[0,1]区间，0代表完全丢弃，1代表完全通过。一个长短时记忆神经网络的单元包括遗忘门、输入门和输出门。所述的遗忘门决定有多少信息被忘掉，所述的输入门决定有多少信息被加入，所述的输出门决定有多少数据被过滤后输出。在确定长短时记忆神经网络的结构后，选取训练函数以及隐含层和输出层的激励函数。长短时记忆神经网络训练样本数据即为历史车速的时间序列，将训练样本数据按比例分配，分别用于训练、验证和测试。

B、规划插电式混合动力汽车的SOC随时间变化的轨迹

设SOC下降速度的导数与当前速度近似成正比，当速度恒定时，SOC下降速度的导数为零，SOC保持不变。SOC的导数随时间的变化通过式(1)计算。当路径固定且速度恒定时，比例因子k的计算方式为式(2)：

SOC′(t)＝kv_a (1)

式中，v_a是在t时刻预测车程内的平均车速，t表示车辆行驶过程中的某一时刻；SOC(0)是SOC的初始值；SOC(n)是SOC的终值；s是总路程。

通过步骤A预测未来时间段的车速，计算其平均车速，插电式混合动力汽车在未来时间段内SOC的下降曲线通过式(3)计算：

在已知初始时刻SOC的情况下，根据得到的插电式混合动力汽车的SOC随时间变化率与步骤A得到的未来一段时间车辆的速度值，通过上式计算得到预测的插电式混合动力汽车的SOC下降曲线，并将所得到的下降轨迹作为参考轨迹加入到插电式混合动力汽车的模型预测控制中。

C、引入SOC轨迹约束的模型预测控制

模型预测控制是指在任意时刻k，首先预测汽车在下一时域内的工况，通过全局规划算法计算预测时域内电机转矩的最优值，并将优化结果的第一个值加在k+1时刻，在k+1时刻重复k时刻的优化步骤依次实现滚动优化，直到整个工况运行完毕。由于预测时域远小于整个工况的时域，因此模型预测控制同样会出现局部优化的问题，所以在插电式混合动力汽车的发动机与电机转矩优化过程中，本发明在每个控制时域内添加一条参考轨迹，在每个优化过程结束后，将计算下一秒SOC的值，与SOC参考轨迹进行比较，如果低于参考轨迹对应时刻的SOC值，则会让插电式混合动力汽车进入充电状态，直到SOC值高于对应时刻参考轨迹的值。使得模型预测优化算法的到的SOC下降轨迹约束在已经规划好的参考轨迹范围内。

与现有技术相比，本发明具有以下有益效果：

1、本发明采用长短时记忆神经网络作为递归神经网络的变种继承了递归神经网络处理时间序列上的优势，同时增加了长期预测的能力。

2、本发明建立SOC参考轨迹与车速的对应关系，能够更好的适应不同时间段行驶速度的变化对SOC下降轨迹的影响，使参考轨迹的计算更精确，进而使得优化结果更精确，同时和全局优化算法相比，基于SOC参考轨迹的优化算法具有更好的可实施性。

附图说明

图1是本发明的流程示意图。

图2是LSTM网络结构图。

图3是LSTM网络的车速预测结果。

图4是LSTM网络的误差预测结果。

图5是PHEV的SOC参考轨迹图。

图6是WLTP-C3工况下SOC下降曲线图。

图7是WLTP-C3工况下燃油消耗图。

具体实施方式

下面结合附图对本发明作进一步地说明。如图1所示，本发明包括以下步骤：

A、车速预测

LSTM网络通过“门”(gate)来控制丢弃或者增加信息，从而实现遗忘或记忆的功能。“门”是一种使信息选择性通过的结构，由一个sigmoid函数和一个点乘操作组成。sigmoid函数的输出值在[0,1]区间，0代表完全丢弃，1代表完全通过。一个LSTM网络单元有三个这样的门，分别是遗忘门(forget gate)、输入门(input gate)、输出门(outputgate)。其中遗忘门负责决定有多少信息被忘掉，输入门决定有多少信息被加入，输出门决定有多少数据被过滤后输出，其结构如图2所示。

首先对历史车速数据进行归一化处理，在车辆行驶过程中由于车速的变化范围比较大，使得车速历史信息数据波动范围比较大，在数据传递到神经元节点时可会造成激活函数超出限值，从造成神经网络训练时，网络不收敛或收敛慢等问题，从而造成网络输出的准确性下降。下面采用最大最小法对数据进行归一化，其函数形式如式(4)所示：

式中，x为需要归一化的数据；x_min为数据序列中的最小值；x_max为是序列中的最大值；为数据x归一化后得到的数据。

归一化后数据都转化为[-1,1]之间的数，神经网络预测输出后还需对其进行反归一化处理，其过程为归一化的逆处理，如式(5)所示：

合理的选择神经网络各层的神经元类型以及神经元个数、合理设计神经网络的层数是神经网络结构设计的主要工作。本发明初始采用1个LSTM神经网络层作为隐含层，通过调节该层神经元个数来优化网络，当网络仍旧无法满足精度需求时再考虑增加隐含层数量。目前在神经网络结构设计时，神经网络层数和神经元个数的选取没有具体的设计公式，隐含层神经元个数的选取大多是根据学者的设计经验总结出的经验值，或经验公式，如公式(6)：

式中，m为隐含层神经元个数；n为输入层神经元或输入变量个数；l为输出层神经元或输出变量个数；a为1-10的常数。

首先根据经验公式计算得到隐含层神经元个数为10个，以m＝10为初始值逐渐调整隐含层的神经元个数，观察其变化规律，最后选取合适的隐含层神经元个数m。

神经网络的设计，除了确定网络隐含层层数以及神经元个数以外，神经元中激活函数的选取以及神经网络后期的训练方法选择都将影响神经网络的性能。因此在设计神经网络时，要考虑神经元激活函数的选取，常见的激活函数种类如表1所示。由于车速预测中的输入和输出数据具有高度的非线性特征，结合激活函数的特点，输入层和输出层中的神经元采用sigmoid型激活函数隐含层选用tansig函数，输出层选用purelin函数。

表1常见的激活函数种类

用训练神经网络的均方误差(MSE)来评价神经网络预测的精确度，MSE的值越小，预测的精确度越高。下面选择不同的隐含层层数和神经元个数，训练的均方根误差(MSE)如表2所示

表2 LSTM网络预测均方根误差

由上表可知，当层数为1、隐含层神经元个数为80时，均方根误差收敛于0.964。当神经网络的隐含层变为2、隐含层神经元个数为100时，均方根误差收敛值为0.967，变化不大，故最终确定网络的隐含层层数为2，隐含层神经元个数为100。

根据上述步骤确定的网络结构参数以及训练算法对建立的神经网络进行训练，训练结果如图4所示。

B、规划PHEV的SOC随时间变化的轨迹

根据固定路线的PHEV的SOC始末值固定这一特点，结合各个不同工况的平均车速和行驶距离，研究PHEV的SOC下降速度和平均车速的关系，由于随着PHEV速度的增加，SOC下降速度增加，因此设SOC的下降速度与PHEV的车速成正比。因此根据步骤A获得的车速预测数据，可以得到每秒PHEV的SOC的下降值，进而获得整个工况内的PHEV的SOC下降曲线。因此，对于固定路线上的不同时刻，若能准确预测未来一定时间段的车速，并计算其平均车速，则可以得到该时刻理论最优的PHEV的SOC随时间下降率的值。

PHEV的SOC的导数随时间的变化可以通过式(7)来计算。当路径固定且速度恒定时，比例因子k的计算方式为式(8)：

SOC′(t)＝kv_a (7)

式中，v_a是在t时刻预测车程内的平均车速，t表示车辆行驶过程中的某一时刻；SOC(0)是SOC的初始值；SOC(n)是SOC的终值；s是总路程。

通过准确预测未来时间段的车速，计算其平均车速，PHEV在未来时间段内SOC的下降曲线可以通过式(9)计算：

在已知初始时刻PHEV的SOC的情况下，根据得到的PHEV的SOC随时间变化率与步骤A得到的未来一段时间车辆的速度值，通过上式计算得到预测的PHEV的SOC下降曲线如图5所示

C、引入SOC参考轨迹的模型预测控制

以SOC(s_k)作为初始SOC值，以预测视距终点处的参考值SOC(s_k+s_p)作为末端SOC值，在预测视距s_p内根据SOC参考轨迹的限制，运用全局优化得到最优的SOC变化曲线由模型预测控制理论将最优电机控制转矩序列的第一个值作为控制信号发送给电机控制器可得到s_s+1位置的蓄电池荷电状态SOC(s_k+1)。随着PHEV的运行，对于每个优化步长，这样的过程不断重复，直到终点。

仿真过程中使用的PHEV车辆参数如表3所示，其中汽油发动机的额定功率为165kW，最大转速2500r/min。使用的驱动电机为PMSM-PM49，额定功率49kW，最高转速8500r/min。

选取世界轻型车辆测试程序循环工况(Cycle 3 of Worldwide harmonizedLight vehicles Test Procedure，简称WLTP-C3)这种具有代表性的典型工况开展仿真验证，。其中，蓄电池SOC初始值设定为0.7，SOC上限设定为0.8，下限设定为0.15，燃油等效因子设定为1.629，预测时长设定为15s。

表3仿真车型参数

PHEV在基于规则的控制策略与DP动态优化控制的SOC变化对比曲线以及使用本发明提出的使用的基于SOC参考轨迹的控制策略，其计算后累积油耗以及SOC变化曲线如图6所示。其中基于规则的控制策略下，PHEV的SOC的下降最终值为0.2936，基于参考轨迹的控制策略下，PHEV的SOC的最终值为0.3067，基于DP的控制策略下PHEV的SOC的最终值为0.3000。三种控制策略的SOC最终值基本一致而变化趋势不同。从图中可以看出基于SOC参考轨迹的模型预测控制仿真结果的SOC曲线能遵循基于全局优化仿真得到的SOC变化规律，SOC随着行驶里程而缓慢下降，在整个仿真循环工况结束时SOC降低到规定的最低门限值。而不是如基于规则的控制策略一样，先尽可能的消耗电量，令SOC迅速下降再进入电量保持状态维持SOC在0.3附近波动。

图7为WLTC工况下三种控制策略的燃油消耗对比图。图7中在WLTP-C3工况循环7次，其中基于规则的控制策略下，PHEV的最终燃油消耗为20.75L，基于参考轨迹的控制策略下，PHEV的燃油消耗为18.68L，基于DP的控制策略下，PHEV的燃油消耗为18.23L。可以计算出使用SOC参考轨迹的模型预测控制策略PHEV的燃油消耗比基于规则的控制策略低10.0％，而仅比全局控制策略油耗高2.1％。因此PHEV基于参考轨迹的模型预测控制仿真得到的燃油消耗十分接近全局优化得到的结果，并且运算速度远远高于全局优化，同时解决了全局优化的不可实现性。因此本发明提出的基于轨迹优化的模型预测控制方法能够有效地降低PHEV的燃油消耗。

本发明不局限于本实施例，任何在本发明披露的技术范围内的等同构思或者改变，均列为本发明的保护范围。

Claims (1)

1.基于SOC参考轨迹的插电式混合动力汽车能量管理方法，其特征在于：包括以下步骤：

A、车速预测

车速预测即对汽车未来一段时间的车速进行预测，并将车速预测的结果运用到插电式混合动力汽车的SOC参考轨迹的计算以及能量管理策略中；为了防止预测过程中出现梯度消失或梯度爆炸的问题，本发明采用长短时记忆神经网络，进行车速预测，长短时记忆神经网络增加了单元状态Cell，通过“门”控制信息的丢弃或者增加，从而实现遗忘或记忆的功能，并将需要记忆的信息输入到下一时刻的隐含层中以此实现时间上的序列预测，“门”是一种使信息选择性通过的结构，由一个sigmoid函数和一个点乘操作组成；sigmoid函数的输出值在[0,1]区间，0代表完全丢弃，1代表完全通过；一个长短时记忆神经网络的单元包括遗忘门、输入门和输出门；所述的遗忘门决定有多少信息被忘掉，所述的输入门决定有多少信息被加入，所述的输出门决定有多少数据被过滤后输出；在确定长短时记忆神经网络的结构后，选取训练函数以及隐含层和输出层的激励函数；长短时记忆神经网络训练样本数据即为历史车速的时间序列，将训练样本数据按比例分配，分别用于训练、验证和测试；

B、规划插电式混合动力汽车的SOC随时间变化的轨迹

设SOC下降速度的导数与当前速度近似成正比，当速度恒定时，SOC下降速度的导数为零，SOC保持不变；SOC的导数随时间的变化通过式(1)计算；当路径固定且速度恒定时，比例因子k的计算方式为式(2)：

SOC′(t)＝kv_a (1)

式中，v_a是在t时刻预测车程内的平均车速，t表示车辆行驶过程中的某一时刻；SOC(0)是SOC的初始值；SOC(n)是SOC的终值；s是总路程；

通过步骤A预测未来时间段的车速，计算其平均车速，插电式混合动力汽车在未来时间段内SOC的下降曲线通过式(3)计算：

在已知初始时刻SOC的情况下，根据得到的插电式混合动力汽车的SOC随时间变化率与步骤A得到的未来一段时间车辆的速度值，通过上式计算得到预测的插电式混合动力汽车的SOC下降曲线，并将所得到的下降轨迹作为参考轨迹加入到插电式混合动力汽车的模型预测控制中；

C、引入SOC轨迹约束的模型预测控制

模型预测控制是指在任意时刻k，首先预测汽车在下一时域内的工况，通过全局规划算法计算预测时域内电机转矩的最优值，并将优化结果的第一个值加在k+1时刻，在k+1时刻重复k时刻的优化步骤依次实现滚动优化，直到整个工况运行完毕；由于预测时域远小于整个工况的时域，因此模型预测控制同样会出现局部优化的问题，所以在插电式混合动力汽车的发动机与电机转矩优化过程中，本发明在每个控制时域内添加一条参考轨迹，在每个优化过程结束后，将计算下一秒SOC的值，与SOC参考轨迹进行比较，如果低于参考轨迹对应时刻的SOC值，则会让插电式混合动力汽车进入充电状态，直到SOC值高于对应时刻参考轨迹的值；使得模型预测优化算法的到的SOC下降轨迹约束在已经规划好的参考轨迹范围内。