CN110001415B - 一种插电式混合动力车辆最优能耗的确定方法 - Google Patents
一种插电式混合动力车辆最优能耗的确定方法 Download PDFInfo
- Publication number
- CN110001415B CN110001415B CN201910289101.8A CN201910289101A CN110001415B CN 110001415 B CN110001415 B CN 110001415B CN 201910289101 A CN201910289101 A CN 201910289101A CN 110001415 B CN110001415 B CN 110001415B
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- action
- energy consumption
- state
- state set
- 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.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
- B60L15/2045—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed for optimising the use of energy
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/54—Energy consumption estimation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及一种插电式混合动力车辆最优能耗的确定方法,其特征在于,包括以下步骤:1)基于马尔科夫决策过程的五个要素,建立电动车能耗的状态‑行动值函数;2)基于马尔科夫决策过程的五个要素,在实际场景对电动车进行采样,生成电动车的若干周期;3)根据生成的周期,求解电动车能耗的状态‑行动值函数,得到电动车能耗的最优策略,本发明可以减少计算的时间复杂度和空间复杂度,可以广泛应用于智能电网管理领域中。
Description
技术领域
本发明是关于一种插电式混合动力车辆最优能耗的确定方法。
背景技术
由于石油资源的日益枯竭和全球环境的恶化,越来越多的电动汽车进入家庭。未来,这些电动车的电能将主要源于智能电网,因此电动汽车成为智能电网中需要考虑的一个重要因素。一方面,由于电动汽车在充电时需要很大的电量,会极大地增加智能电网的负担,需要对智能电网进行合适的管理。另一方面,电动车还会将多余的电量在必要时充回至智能电网,也就是V2G。有效的智能电网管理,能减少电能的消耗。
然而,在传统的方法中,某一时间段内电动车的充电量和放电量一般是固定值,且传统的方法一般采取动态规划来求得能耗的最优策略,因此,计算复杂度随着问题规模的增长而呈现指数增长。
发明内容
针对上述问题,本发明的目的是提供一种电动车充放电量随机且计算复杂度低的插电式混合动力车辆最优能耗的确定方法。
为实现上述目的,本发明采取以下技术方案:一种插电式混合动力车辆最优能耗的确定方法,其特征在于,包括以下步骤:1)基于马尔科夫决策过程的五个要素,建立电动车能耗的状态-行动值函数;2)基于马尔科夫决策过程的五个要素,在实际场景对电动车进行采样,生成电动车的若干周期;3)根据生成的周期,求解电动车能耗的状态-行动值函数,得到电动车能耗的最优策略。
优选地,所述马尔科夫决策过程的五个要素包括:状态集S,即t阶段起始时电动车的电量水平st;动作集A,即t阶段充电或放电at,其中,充电时为at=-1,放电时at=+1at=+1;回报函数R,即t阶段电动车的电耗价格其中,Ct表示t阶段电动车的电耗花费,C表示新电池组价格,N表示电池充放电的循环总次数,表示每次充电或放电时电池的损耗价值,pt表示电价格,ηt表示t阶段的充电量或放电量;转移概率P,即转移概率Pr={St=s′,Rt=r|St-1=s,At-1=a},其中,s′表示下一步的电量水平值,s表示当前的电量水平值,r表示电动车的电耗花费;折扣因子γ,a表示当前的行动值。
优选地,所述折扣因子γ=0.9。
优选地,所述电动车能耗的状态-行动值函数为:
优选地,所述步骤2)的具体过程为:在实际场景中采集运动的电动车的马尔科夫决策过程的五个要素值,得到一条周期,采集n次要素值即得到n条周期。
优选地,所述步骤3)的具体过程为:3.1)设置步长α以及在选取行动时采用随机方法的百分比ε;3.2)初始化电动车能耗的状态-行动值函数;3.3)对于某条周期,初始化状态集S;3.4)对于状态-行动值函数,采用ε-贪婪策略,在状态集S下选出某一动作集A,该动作集A对应一回报函数R和状态集S′;3.5)将状态集S′作为更新后的状态集S,进入步骤3.4),直至完成该周期所有步长下状态集S的更新,得到该周期对应的最优状态集S和动作集A,即得到:
Q(S,A)=Q(S,A)+α[R+γQ(S′,A′)-Q(S,A)]
其中,A′为在状态集S′下选出的某一动作集;状态集S′作为更新后的状态集S后,A′为更新后的动作集A;3.6)重复步骤3.3)~3.5),直至完成每一周期所有步长下状态集S更新,得到每一周期对应的最优状态集S和动作集A,进而得到电动车能耗的最优策略。
优选地,所述电动车能耗的最优策略包括每一周期对应的最优状态集S和动作集A,以及每一最优状态集S和动作集A对应的转移概率P、折扣因子γ和回报函数R。
优选地,所述步长α=0.5,所述在选取行动时采用随机方法的百分比ε=0.01。
本发明由于采取以上技术方案,其具有以下优点:1、本发明从电动车使用者的角度出发,基于马尔科夫决策过程的五个要素,在实际场景对电动车进行采样,并采用ε-贪婪策略,求解电动车能耗的状态-行动值函数,得到电动车能耗的最优策略和能耗的最优值,以实现电动车能耗的最优。2、本发明由于采用基于马尔科夫决策过程,能够描述电动车充放电量是随机的情形,可以减少计算的时间复杂度和空间复杂度,可以广泛应用于智能电网管理领域中。
具体实施方式
本发明提供的插电式混合动力车辆最优能耗的确定方法,包括以下步骤:
1)确定马尔科夫(Markov)决策过程的五个要素,具体为:
马尔科夫决策过程包括五个要素,即状态集S、动作集A、转移概率P、折扣因子γ和回报函数R,其中:
状态集S即为t阶段起始时电动车的电量水平st;
动作集A即为t阶段充电或放电at,其中,充电时为at=-1,放电时at=+1;
转移概率P即为转移概率Pr={St=s′,Rt=r|St-1=s,At-1=a},其中,s′表示下一步的电量水平值,s表示当前的电量水平值,r表示电动车的电耗花费,a表示当前的行动值;
折扣因子γ即为γ=0.9;
回报函数R即为t阶段电动车的电耗价格其中,Ct表示t阶段电动车的电耗花费,C表示新电池组价格,N表示电池充放电的循环总次数,表示每次充电或放电时电池的损耗价值,pt表示电价格,ηt表示t阶段的充电量或放电量。
2)基于马尔科夫决策过程的五个要素,建立电动车能耗的状态-行动值函数,以描述电动车的总能耗花费,具体为:
电动车能耗的状态-行动值函数Q(s,a)为:
3)基于马尔科夫决策过程的五个要素,在实际场景对电动车进行采样,生成电动车的n条周期。即在实际场景例如道路上采集运动的电动车的马尔科夫决策过程的五个要素值,从而得到一条周期,采集n次要素值即得到n条周期。
4)根据生成的周期,求解电动车能耗的状态-行动值函数,得到电动车能耗的最优策略,具体为:
4.1)设置步长α=0.5,以及在选取行动时采用随机方法的百分比ε=0.01。
4.2)初始化电动车能耗的状态-行动值函数Q(s,a)。
4.3)对于某条周期,初始化状态集S,即初始化t阶段起始时电动车的电量水平st。
4.4)对于状态-行动值函数Q(s,a),采用ε-贪婪策略,在状态集S下选出某一动作集A,该动作集A对应一回报函数R和状态集S′。
4.5)将状态集S′作为更新后的状态集S,进入步骤4.4),直至完成该周期所有步长下状态集S的更新,得到该周期对应的最优状态集S和动作集A,即得到:
Q(S,A)=Q(S,A)+α[R+γQ(S′,A′)-Q(S,A)]
其中,A′为在状态集S′下选出的某一动作集,状态集S′作为更新后的状态集S后,A′为更新后的动作集A。
完成最后步长下状态集S的更新后得到的更新后的状态集S以及该更新后的状态集S选出的动作集A即为该周期对应的最优状态集S和动作集A。
4.6)重复步骤4.3)~4.5),直至完成每一周期所有步长下状态集S更新,得到每一周期对应的最优状态集S和动作集A,进而得到电动车能耗的最优策略,其中,最优策略包括每一周期对应的最优状态集S和动作集A,而每一周期的最优状态集S和动作集A均对应有相应的转移概率P、折扣因子γ和回报函数R,最优的状态集S、动作集A、转移概率P、折扣因子γ和回报函数R一起构成了一次电动车能耗的最优行动,若干电动车能耗的最优行动就构成了电动车能耗的最优策略。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (5)
1.一种插电式混合动力车辆最优能耗的确定方法,其特征在于,包括以下步骤:
1)基于马尔科夫决策过程的五个要素,建立电动车能耗的状态-行动值函数,所述马尔科夫决策过程的五个要素包括:
状态集S,即t阶段起始时电动车的电量水平st;
回报函数R,即t阶段电动车的电耗价格其中,Ct表示t阶段电动车的电耗花费,C表示新电池组价格,N表示电池充放电的循环总次数,表示每次充电或放电时电池的损耗价值,pt表示电价格,ηt表示t阶段的充电量或放电量;
折扣因子γ;
所述电动车能耗的状态-行动值函数为:
2)基于马尔科夫决策过程的五个要素,在实际场景对电动车进行采样,生成电动车的若干周期;
3)根据生成的周期,求解电动车能耗的状态-行动值函数,得到电动车能耗的最优策略,具体过程为:
3.1)设置步长α以及在选取行动时采用随机方法的百分比ε;
3.2)初始化电动车能耗的状态-行动值函数;
3.3)对于某条周期,初始化状态集S;
3.4)对于状态-行动值函数,采用ε-贪婪策略,在状态集S下选出某一动作集A,该动作集A对应一回报函数R和状态集S′;
3.5)将状态集S′作为更新后的状态集S,进入步骤3.4),直至完成该周期所有步长下状态集S的更新,得到该周期对应的最优状态集S和动作集A,即得到:
Q(S,A)=Q(S,A)+α[R+γQ(S′,A′)-Q(S,A)]
其中,A′为在状态集S′下选出的某一动作集,状态集S′作为更新后的状态集S后,A′为更新后的动作集A;
3.6)重复步骤3.3)~3.5),直至完成每一周期所有步长下状态集S更新,得到每一周期对应的最优状态集S和动作集A,进而得到电动车能耗的最优策略。
2.如权利要求1所述的一种插电式混合动力车辆最优能耗的确定方法,其特征在于,所述折扣因子γ=0.9。
3.如权利要求1所述的一种插电式混合动力车辆最优能耗的确定方法,其特征在于,所述步骤2)的具体过程为:
在实际场景中采集运动的电动车的马尔科夫决策过程的五个要素值,得到一条周期,采集n次要素值即得到n条周期。
4.如权利要求1所述的一种插电式混合动力车辆最优能耗的确定方法,其特征在于,所述电动车能耗的最优策略包括每一周期对应的最优状态集S和动作集A,以及每一最优状态集S和动作集A对应的转移概率P、折扣因子γ和回报函数R。
5.如权利要求4所述的一种插电式混合动力车辆最优能耗的确定方法,其特征在于,所述步长α=0.5,所述在选取行动时采用随机方法的百分比ε=0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289101.8A CN110001415B (zh) | 2019-04-11 | 2019-04-11 | 一种插电式混合动力车辆最优能耗的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289101.8A CN110001415B (zh) | 2019-04-11 | 2019-04-11 | 一种插电式混合动力车辆最优能耗的确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110001415A CN110001415A (zh) | 2019-07-12 |
CN110001415B true CN110001415B (zh) | 2021-01-05 |
Family
ID=67171089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910289101.8A Active CN110001415B (zh) | 2019-04-11 | 2019-04-11 | 一种插电式混合动力车辆最优能耗的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110001415B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111267829B (zh) * | 2020-03-11 | 2021-08-03 | 宁波工程学院 | 一种混合动力车辆能量管理方法和系统 |
CN112428834B (zh) * | 2020-11-17 | 2022-06-21 | 宁波工程学院 | 一种基于蒙特卡洛方法的电动车智能充电优化方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103381826B (zh) * | 2013-07-31 | 2016-03-09 | 中国人民解放军国防科学技术大学 | 基于近似策略迭代的自适应巡航控制方法 |
CN103997091B (zh) * | 2014-05-23 | 2016-02-24 | 国家电网公司 | 一种规模化电动汽车智能充电控制方法 |
US9878632B2 (en) * | 2014-08-19 | 2018-01-30 | General Electric Company | Vehicle propulsion system having an energy storage system and optimized method of controlling operation thereof |
CN106427589A (zh) * | 2016-10-17 | 2017-02-22 | 江苏大学 | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 |
CN108422901B (zh) * | 2018-05-10 | 2019-11-12 | 吉林大学 | 一种基于整车综合性能最优的电动轮驱动车辆车轮转矩多目标优化方法 |
-
2019
- 2019-04-11 CN CN201910289101.8A patent/CN110001415B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110001415A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109599856B (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
CN107576918B (zh) | 锂电池的剩余电量的估算方法及系统 | |
Dulout et al. | Optimal sizing of a lithium battery energy storage system for grid-connected photovoltaic systems | |
CN110877546B (zh) | 基于天气预测的光伏充电站充电控制方法及装置 | |
CN110764009B (zh) | 一种电动汽车的电池组循环容量及健康状态的估算方法 | |
CN112104061B (zh) | 混合储能系统、混合储能系统能量分配方法及分配装置 | |
CN110001415B (zh) | 一种插电式混合动力车辆最优能耗的确定方法 | |
CN103020445A (zh) | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 | |
CN110929464B (zh) | 一种基于改进蜻蜓算法的蓄电池参数辨识方法 | |
CN109088454A (zh) | 一种基于自动需求响应与实时电价的电动汽车充电方法 | |
CN112379272B (zh) | 一种基于人工智能的锂离子电池系统soc估计方法 | |
CN113011101B (zh) | 一种储能参与调频辅助服务优化的控制方法及其系统 | |
CN106451504A (zh) | 一种混合储能系统配置成本的控制方法及装置 | |
Martinsen | A business model for an EV charging station with battery energy storage | |
CN117104062A (zh) | 充电桩充电控制方法、装置、存储介质及设备 | |
CN117394405A (zh) | 基于负荷平滑的混合储能配置方法 | |
CN111273186A (zh) | 一种电动汽车动力电池系统健康状态估算方法及装置 | |
CN109871881B (zh) | 一种基于凝聚分层聚类算法的电池工况分析方法 | |
CN112436536B (zh) | 一种高速路新能源汽车充电引导方法及系统 | |
CN111859605B (zh) | 一种计及全寿命周期经济性的梯次电池储能容量配置方法 | |
CN113935182A (zh) | 基于混合整数规划模型的量化电池寿命衰减预测方法 | |
CN114563713A (zh) | 基于不完整充电过程局部能量特征的电池健康预测方法 | |
CN117791662B (zh) | 一种混合储能容量分配方法、系统、电子设备及介质 | |
CN112232620B (zh) | 应用于光储充电站的储能系统典型工作周期曲线提取方法 | |
CN112798974B (zh) | 孤立基站混合供电系统蓄电池soh在线监测方法及系统 |
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 |