CN110509914A - 一种并联式混合动力汽车的能耗优化方法 - Google Patents

Abstract

本发明涉及一种并联式混合动力汽车的能耗优化方法，属于新能源技术领域。方法包括1.经验存储池，其中存储的内容为实施者初始搜集的以及按照本方法实施后加入的a个车速工况下对应的b个电机输出转矩、发动机输出转矩以及相应的能耗值而组成的数据库；2.可更新的随机选择权重参数及按照一定规律对其进行收敛的函数；3.能耗约束函数，在函数的约束条件下可计算得到总能耗；4.返回进行总能耗比较、存储至经验池的函数；5.循环接口及最优存储及更新的内存，使方法能够持续进行优化，并存储策略及进行他用。

Description

一种并联式混合动力汽车的能耗优化方法

技术领域

本发明属于新能源技术领域，涉及一种并联式混合动力汽车的能耗优化方法。

背景技术

混合动力汽车由于发动机和电机的高效工作区域并不相同，为了发挥混合动力系统的优势，汽车应根据不同运行工况，采取与之相适应的工作模式，以提高车辆整体动力性、经济性及排放性。在混合动力汽车动力系统中，根据不同的工况要求和能量分配方案可将混合动力汽车工作模式分为为六种基本模式：怠速/停车模式、纯电动模式、纯发动机模式、混合驱动模式、行车充电模式和再生制动模式。能量管理策略的设计通常是根据工况来确定相应工作模式下的总需求转矩(发动机转矩加电机转矩)，从而通过控制发动机输出转矩来进行能耗(油耗加电耗)的测定。

大量研究者主要是基于规则的算法来进行能耗的优化，恒温器法、功率跟随法、电力辅助型控制策略等。基于规则的设计在实践中需要专家经验，很难达到最优，而且模糊规则一旦建立，则对车辆行驶的所有工况都是这种预先设计好的规则，不能适应行驶工况的变化，从而影响模糊控制器的控制效果。

有研究者提出基于动态规划进行混合动力汽车能耗优化，通过设计的策略计算最优能量分配率，或者通过求得的最优解以查表的方式进行转矩分配。动态规划算法得到的控制策略一般是根据固定的行驶工况来设计的，可以应用于公交车或通勤车等固定线路的车辆。

随着混合动力汽车领域对自适应控制策略越来越重视，有研究者提出了混合动力电动汽车的模型预测控制[8,9]，其算法的核心是预测未来的动态模型，在线滚动优化计算并实施的控制作用和模型误差的反馈校正。模型预测控制具有控制效果好、鲁棒性强等优点，但是预测域和控制域的长度选择将直接影响算法的计算量及优化效果，且无法保证全局最优。

发明内容

有鉴于此，本发明的目的在于提供一种并联式混合动力汽车的能耗优化方法。

为达到上述目的，本发明提供如下技术方案：

一种并联式混合动力汽车的能耗优化方法，该方法包括以下步骤：

步骤S1：汽车启动时，工况初始化，采样时间间隔s初始化，根据ε-greedy进行控制动作选择，即随机选取经验池D，每个状态有ε的概率进行探索，剩下的1-ε的概率进行开发；参数ε按照一维正态分布进行更新，即ε～N(μ,σ²)，服从一个位置参数为μ、尺度参数为σ的概率分布，且其概率密度函数为：

路径1，以ε的概率从经验池D中选择随机控制数据A_D进行探索：

A_D＝(v,W_p,T_m,T_e) (2)

其中v为工况车速，W_p为预测总能耗值，T_m为电机转矩，T_e为发动机转矩，皆为经验池D中的数据；

路径2，有1-ε的概率通过传感器所采集工况车速形成的索引，在内存器R中搜索已存储的策略里所对应的控制数据A_R进行开发：

A_R＝(v,W_p,T_m,T_e) (3)

其中v为工况车速，W_p为预测总能耗值，T_m为电机转矩，T_e为发动机转矩，皆为内存器R中的数据；且这些数据为当前训练所得到的策略下，相应工况总能耗最低对应的一组控制输出；

电机转矩T_m与发动机转矩T_e之和为总需求转矩T_req即：

T_req＝T_m+T_e (4)

忽略横向动力学，给定车速v和坡度α，由车辆的纵向动力学模型计算出驾驶员在车轮上的需求转矩为：

其中，r为车轮半径，C_D为空气阻力系数，A为迎风面积，f为滚动阻力系数，δ为汽车旋转质量换算系数，M为汽车质量；

步骤S2：进入经验池/内存器进行随机选择或是进行已存储策略中相应工况下的控制输出选择之后，将选择出的电机转矩T_m与发动机转矩T_e进行约束后输出到整车控制器VCU中；其中T_m与T_e的变化范围都很大，但因为荷电量SOC∈[0,1]，则T_m的值由SOC约束，当SOC为0时，T_m的值为0；通过标定知道T_e最大允许值max(T_e)与最小允许值min(T_e)，则发动机转矩T_e由以下函数进行约束：

步骤S3：通过整车控制器对汽车进行控制，并通过汽车运行中的传感器采集的数据求得相应工况下的总能耗W_CUR，即电能耗W_m与燃油能耗W_e之和：

W_CUR＝W_m+W_e (7)

电能耗公式通过电池厂商标定的充放电起始状态总电能W_i以及前一状态的荷电量值SOC_t-1得到：

W_m＝(SOC_t-1-SOC_t)*W_i (8)

有效燃油消耗率η是指单位有效功的耗油量，燃油能耗W_e公式通过传感器以s为采样时间间隔测得的前一状态的剩余燃油量m_t-1得到：

步骤S4：将计算出的油耗连同对应的工况车速v、测定计算出的实际总能耗值W_CUR、实际测定的电机转矩T_mm和发动机转矩T_ee即A_D存储到经验池D_n＝{A_D1,A_D2,…,A_Dn}中，扩充数据库的内容；

步骤S5：根据内存器R_n＝{A_R1,A_R2,…,A_Rn}中存储下来的策略进行对应工况车速v下检索，求得的能耗W_CUR与检索结果W_p进行比较，若油耗W_CUR更低，则将内存器中对应的工况车速v下的A_R＝(v,W_p,T_m,T_e)更新为(v,W_CUR,T_mm,T_ee)，否则将不做变更，维持原数据；

步骤S6：进行终止条件的判断，实施者设置的传感器采样时间终止、循环达到实施者所设置的次数或者是汽车能源关闭情况都被视作优化终止。

本发明的有益效果在于：本发明不依赖于经验及规则，通过三个约束步骤将可选择的控制输出进行收敛，并可根据工况的改变循环进行相应的优化，存储下来的策略可直接进行实车测试及应用，节省了反复训练的成本与时间。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明实施例的并联式混合动力汽车的能耗优化方法的流程图；

图2为基于本发明实施例路径1的优化方法示意图；

图3为基于本发明实施例路径2的优化方法示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

图1显示了本发明实施例的能耗优化流程，根据图中方法可得到以下步骤：

步骤S1：汽车启动时，工况初始化，采样时间间隔s初始化，根据ε-greedy进行控制动作选择(通常ε取值较小)，即每个状态有ε的概率进行探索(随机选取经验池D)，而剩下的1-ε的概率则进行开发(选取当前状态下效用值较大的那个动作)。参数ε按照一维正态分布进行更新，即ε～N(μ,σ²)，服从一个位置参数为μ、尺度参数为σ的概率分布，且其概率密度函数为:

如图2所示路径1，以ε的概率从经验池D中选择随机控制数据A_D如下进行探索：

A_D＝(v,W_p,T_m,T_e) (2)

其中v为工况车速，W_p为预测总能耗值，T_m为电机转矩，T_e为发动机转矩，以上皆为经验池D中的数据。

与此相反的是，会有1-ε的概率通过传感器所采集工况车速形成的索引，如图3所示路径2，在内存器R中搜索已存储的策略里所对应的控制数据A_R如下进行开发：

A_R＝(v,W_p,T_m,T_e) (3)

其中v为工况车速，W_p为预测总能耗值，T_m为电机转矩，T_e为发动机转矩，以上皆为内存器R中的数据。且这些数据为当前训练所得到的策略下，相应工况总能耗最低对应的一组控制输出。

电机转矩T_m与发动机转矩T_e之和为总需求转矩T_req即：

T_req＝T_m+T_e (4)

忽略横向动力学，给定车速v和坡度α，由车辆的纵向动力学模型可以计算出驾驶员在车轮上的需求转矩为：

其中，r为车轮半径，C_D为空气阻力系数，A为迎风面积，f为滚动阻力系数，δ为汽车旋转质量换算系数，M为汽车质量。

步骤S2：进入经验池/内存器进行随机选择或是进行已存储策略中相应工况下的控制输出选择之后，将选择出的电机转矩T_m与发动机转矩T_e进行约束后输出到整车控制器VCU中。其中T_m与T_e的变化范围都很大，但因为荷电量SOC∈[0,1]，则T_m的值由SOC约束，当SOC为0时，T_m的值为0；通过标定可以知道T_e最大允许值max(T_e)与最小允许值min(T_e)，则发动机转矩T_e由以下函数进行约束：

步骤S3：通过整车控制器对汽车进行控制，并通过汽车运行中的传感器采集的数据求得相应工况下的总能耗W_CUR，即电能耗W_m与燃油能耗W_e之和：

W_CUR＝W_m+W_e (7)

电能耗公式通过电池厂商标定的充放电起始状态总电能W_i以及前一状态的荷电量值SOC_t-1可以得到：

W_m＝(SOC_t-1-SOC_t)*W_i (8)

有效燃油消耗率η是指单位有效功的耗油量，也称为耗油率，所以燃油能耗W_e公式可以通过传感器以s为采样时间间隔测得的前一状态的剩余燃油量m_t-1得到：

步骤S4：将计算出的油耗连同对应的工况车速v、测定计算出的实际总能耗值W_CUR、实际测定的电机转矩T_mm和发动机转矩T_ee即A_D存储到经验池D_n＝{A_D1,A_D2,…,A_Dn}中，扩充数据库的内容；

步骤S5：根据内存器R_n＝{A_R1,A_R2,…,A_Rn}中存储下来的策略进行对应工况车速v下检索，以上步骤求得的能耗W_CUR与检索结果W_p进行比较，如油耗W_CUR更低，则将内存器中对应的工况车速v下的A_R＝(v,W_p,T_m,T_e)更新为(v,W_CUR,T_mm,T_ee)，否则将不做变更，维持原数据；

步骤S6：进行终止条件的判断，实施者设置的传感器采样时间终止、循环达到实施者所设置的次数或者是汽车能源关闭等情况都被视作优化终止。

在未达到终止条件前，本实施例将会持续进行图2或者图3所示的循环部分进行持续性优化更新(取决于步骤S1的计算结果选择路径1或者路径2)。内存器中的策略可进行调用，具有可移植性，从而节省研究时间。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种并联式混合动力汽车的能耗优化方法，其特征在于：该方法包括以下步骤：

步骤S1：汽车启动时，工况初始化，采样时间间隔s初始化，根据ε-greedy进行控制动作选择，即随机选取经验池D，每个状态有ε的概率进行探索，剩下的1-ε的概率进行开发；参数ε按照一维正态分布进行更新，即ε～N(μ,σ²)，服从一个位置参数为μ、尺度参数为σ的概率分布，且其概率密度函数为：

路径1，以ε的概率从经验池D中选择随机控制数据A_D进行探索：

A_D＝(v,W_p,T_m,T_e) (2)

其中v为工况车速，W_p为预测总能耗值，T_m为电机转矩，T_e为发动机转矩，皆为经验池D中的数据；

路径2，有1-ε的概率通过传感器所采集工况车速形成的索引，在内存器R中搜索已存储的策略里所对应的控制数据A_R进行开发：

A_R＝(v,W_p,T_m,T_e) (3)

其中v为工况车速，W_p为预测总能耗值，T_m为电机转矩，T_e为发动机转矩，皆为内存器R中的数据；且这些数据为当前训练所得到的策略下，相应工况总能耗最低对应的一组控制输出；

电机转矩T_m与发动机转矩T_e之和为总需求转矩T_req即：

T_req＝T_m+T_e (4)

忽略横向动力学，给定车速v和坡度α，由车辆的纵向动力学模型计算出驾驶员在车轮上的需求转矩为：

其中，r为车轮半径，C_D为空气阻力系数，A为迎风面积，f为滚动阻力系数，δ为汽车旋转质量换算系数，M为汽车质量；

步骤S2：进入经验池/内存器进行随机选择或是进行已存储策略中相应工况下的控制输出选择之后，将选择出的电机转矩T_m与发动机转矩T_e进行约束后输出到整车控制器VCU中；其中T_m与T_e的变化范围都很大，但因为荷电量SOC∈[0,1]，则T_m的值由SOC约束，当SOC为0时，T_m的值为0；通过标定知道T_e最大允许值max(T_e)与最小允许值min(T_e)，则发动机转矩T_e由以下函数进行约束：

步骤S3：通过整车控制器对汽车进行控制，并通过汽车运行中的传感器采集的数据求得相应工况下的总能耗W_CUR，即电能耗W_m与燃油能耗W_e之和：

W_CUR＝W_m+W_e (7)

电能耗公式通过电池厂商标定的充放电起始状态总电能W_i以及前一状态的荷电量值SOC_t-1得到：

W_m＝(SOC_t-1-SOC_t)*W_i (8)

有效燃油消耗率η是指单位有效功的耗油量，燃油能耗W_e公式通过传感器以s为采样时间间隔测得的前一状态的剩余燃油量m_t-1得到：

步骤S4：将计算出的油耗连同对应的工况车速v、测定计算出的实际总能耗值W_CUR、实际测定的电机转矩T_mm和发动机转矩T_ee即A_D存储到经验池D_n＝{A_D1,A_D2,…,A_Dn}中，扩充数据库的内容；

步骤S5：根据内存器R_n＝{A_R1,A_R2,…,A_Rn}中存储下来的策略进行对应工况车速v下检索，求得的能耗W_CUR与检索结果W_p进行比较，若油耗W_CUR更低，则将内存器中对应的工况车速v下的A_R＝(v,W_p,T_m,T_e)更新为(v,W_CUR,T_mm,T_ee)，否则将不做变更，维持原数据；

步骤S6：进行终止条件的判断，实施者设置的传感器采样时间终止、循环达到实施者所设置的次数或者是汽车能源关闭情况都被视作优化终止。