CN110641456A - 一种基于pmp原理的插电式混合动力系统双态自适应控制方法 - Google Patents

一种基于pmp原理的插电式混合动力系统双态自适应控制方法 Download PDF

Info

Publication number
CN110641456A
CN110641456A CN201911040740.7A CN201911040740A CN110641456A CN 110641456 A CN110641456 A CN 110641456A CN 201911040740 A CN201911040740 A CN 201911040740A CN 110641456 A CN110641456 A CN 110641456A
Authority
CN
China
Prior art keywords
battery
vehicle
adaptive control
principle
state
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.)
Pending
Application number
CN201911040740.7A
Other languages
English (en)
Inventor
胡晓松
张硕
唐小林
杨亚联
谢翌
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN201911040740.7A priority Critical patent/CN110641456A/zh
Publication of CN110641456A publication Critical patent/CN110641456A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT 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
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/11—Controlling the power contribution of each of the prime movers to meet required power demand using model predictive control [MPC] strategies, i.e. control methods based on models predicting performance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT 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
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/15—Control strategies specially adapted for achieving a particular effect
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/24—Energy storage means
    • B60W2510/242—Energy storage means for electrical energy
    • B60W2510/244—Charge state
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/24—Energy storage means
    • B60W2510/242—Energy storage means for electrical energy
    • B60W2510/248—Age of storage means

Landscapes

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

Abstract

本发明涉及一种基于PMP原理的插电式混合动力系统双态自适应控制方法，主要包括以下步骤：S1根据车载GPS系统记录的数据与车辆的实际运行场景，构建包含速度与道路坡度的综合工况；S2根据整车参数、动力部件参数与传动部件参数，建立车辆纵向动力学模型与面向控制的发动机、电机与电池电路模型；S3构建考虑日历老化的电池容量衰减模型；S4利用庞德里亚金极小值原理离线确定电池老化与能量消耗的合理折中方案；S5基于庞德里亚金极小值原理制定自适应控制策略；S6规划电池荷电状态与电池老化状态的参考轨迹；S7测试并校正双态自适应控制方法。本发明为插电式混合动力系统的多目标自适应控制提供了新思路，可以使得车辆的综合运行成本达到最小。

Description

一种基于PMP原理的插电式混合动力系统双态自适应控制 方法
技术领域
本发明属于新能源汽车领域，涉及一种基于PMP原理的插电式混合动力系统双态自适应控制方法。
背景技术
汽车已经是人们出行不可或缺的工具，随着汽车保有量的增加，给原本短缺的能源带来了更大的压力。汽车的排放已经成为各国最大的污染源，汽车中排放的CO、NOx和一些颗粒排放物，对人们赖以生存的环境产生了非常恶劣的影响。在能源危机和环境污染的双重压力下，新能源汽车的研究成为当下紧要的任务。
插电式混合动力汽车(PHEV)能够兼具混合动力汽车和纯电动汽车的优点，成为了目前最受青睐的一种新能源汽车产品，但是昂贵的电池价格也成为了PHEV发展的一大阻力。在使用过程中，由于电池的使用寿命远远低于发动机寿命，因此常常导致车辆使用过程中需要更换电池，也让消费者对PHEV望而却步。作为发展插电式混合动力汽车的关键技术之一，动力系统的控制策略直接影响着整车的经济性、排放性、动力性和电池的使用寿命。目前用于PHEV动力系统的在线控制策略主要有规则式策略、模型预测控制和等效燃油消耗最小策略。规则式策略主要基于工程经验确定，实施简单，计算快速，因此被广泛使用，但由于工程经验的局限性，无法充分发挥动力系统节能减排的潜力，更没有办法确保电池工作在最优运行状态；模型预测控制尽管是工业界公认的先进控制方法，但PHEV的动力系统是一个复杂的非线性系统，导致模型预测控制实施起来较为困难，常常无法满足系统的时间响应要求；等效燃油消耗最小策略在一定程度上能够弥补规则式策略的不足，而且具有计算量小、优化效果明显等特点，受到各大车企和研究机构的重视，但此方法往往只能针对单一目标进行优化控制(如经济性)，无法对多目标进行协同优化。
发明内容
有鉴于此，本发明的目的在于提供一种基于PMP原理的插电式混合动力系统双态自适应控制方法，该方法综合考虑油耗费用、电耗费用和电池使用费用，利用庞德里亚金极小值原理离线获得电池老化与能量消耗的合理折中方案，基于PMP方法离线获得的最优结果，制定电池老化状态与电池荷电状态的自适应机制，突破等效燃油消耗最小策略单状态控制的局限，使得车辆运行期间的总成本最小。
为达到上述目的，本发明提供如下技术方案：
一种基于PMP原理(庞德里亚金极小值原理)的插电式混合动力系统双态自适应控制方法，具体包括以下步骤：
S1：根据车载GPS系统记录的数据与车辆的实际运行场景，构建包含速度与道路坡度的综合工况；
S2：根据整车参数、动力部件参数与传动部件参数，建立车辆纵向动力学模型与面向控制的发动机、电机与电池电路模型；
S3：构建考虑日历老化的电池容量衰减模型；
S4：构建目标成本函数，利用庞德里亚金极小值原理离线确定电池老化与能量消耗的合理折中方案；
S5：基于庞德里亚金极小值原理制定自适应控制策略；
S6：规划电池荷电状态(SOC)与电池老化状态的参考轨迹；
S7：测试并校正双态自适应控制方法。
进一步，所述步骤S1具体包括以下步骤：
S11：将车载GPS的采样频率设置为1Hz，并记录车速、经度、纬度、海拔高度等信息；
S12：车速异常数据处理：将最大加速度大于5m/s2视为异常加速数据，将最大减速度大于8m/s2视为异常减速数据，对于异常数据进行剔除；
S13：道路坡度角估计：通过GPS获取A、B两点位置的经纬度和海拔高度信息，通过下式计算得到道路坡度角：
Figure BDA0002252243360000021
Figure BDA0002252243360000022
其中，R为地球半径；βA、βB和αA、αB和分别为A、B两点位置的经纬度；HA和HB分别为A、B两点的海拔高度；LAB为A、B两点的距离；θ为道路坡度角。
进一步，所述步骤S2中，整车的纵向动力学模型、发动机模型、电机模型与电池模型建立如下：
纵向动力学模型：
Figure BDA0002252243360000023
其中，Pd为整车需求功率；mv为整车质量，g为重力加速度，f和Cd分别为滚动阻力系数和空气阻力系数，A为迎风面积，ρair为空气密度，va为第k时刻的车速，δ为旋转质量换算系数。
发动机模型为：
Figure BDA0002252243360000031
Peng＝Teng·ωeng
其中，
Figure BDA0002252243360000036
为发动机瞬时油耗，Peng为发动机功率，ηeng为发动机效率，ωeng和Teng为发动机的转速和转矩，Qlhv为燃料的燃油低热值。
电机模型为：
ηem＝f(ωem,Tem)
Figure BDA0002252243360000032
Pem＝Tem·ωem
其中，ηem为电机效率，ωem和Tem为电机的转速与转矩，Tem,req为电机需求功率，Tmax,dis(ωem)和Tmax,cha(ωem)分别为驱动模式与再生制动模式下的最大转矩，Pem为电机功率；
电池模型为：
Figure BDA0002252243360000033
Figure BDA0002252243360000034
Figure BDA0002252243360000035
其中，Ibat为电池电流，Qbat为电池额定容量，Qtot是由电池老化引起的总容量损失；Pbat为电池功率，
Figure BDA0002252243360000037
为电池荷电状态的动态方程，Uoc为电池的开路电压，Rint为电池内阻。
进一步，所述步骤S3中，考虑日历老化的电池容量衰减模型为：
Qtot＝Qcyc+Qcal
其中，Qcyc为电池循环老化引起的容量损失，Qcal为电池日历老化引起的容量损失。
进一步，所述步骤S4具体包含以下子步骤：
S41：构建包含油耗成本、电耗成本和电池老化成本的目标成本函数；
S42：设定权重初始值；
S43：利用庞德里亚金极小值原理离线求解最优问题；
S44：将S43得到的最优电池电流、最优劣化因子、最优SOC与最优放电倍率输入电池容量衰减模型，计算车辆报废时的电池容量损失；
S45：如果车辆报废时的电池容量衰减大于20％，增加权重因子，如果车辆报废时的电池容量衰减小于20％，减小权重因子，直至电池寿命与车辆规定使用寿命同时终止，最终得到的权重因子为电池老化与能量消耗的合理折中方案。
进一步，所述步骤S41中，包含油耗成本、电耗成本和电池老化成本的目标成本函数为：
其中，cf和ce分别为油价和电价，cbat为更换一次电池包的价格，ω为电池老化权重因子，σ为劣化因子，Ahnom为标准条件下的安时吞吐量，用以描述电池的标准寿命。
进一步，所述步骤S43中，离线求解的哈密段函数为：
Figure BDA0002252243360000042
其中，λ0(t)为电池SOC对应的协态值。
进一步，步骤S5中，所述基于庞德里亚金极小值原理制定自适应控制策略，包含以下子步骤：
S51：构建考虑电池老化状态的哈密顿函数；
S52：构建在线优化控制的瞬时成本函数；
S53：基于PI控制器实施自适应机制。
进一步，所述步骤S51具体为：
Figure BDA0002252243360000043
其中，
Figure BDA0002252243360000044
为有效安时吞吐量动态方程，λ1(t)为有效安时吞吐量Aheff对应的协态值，ωr为步骤S45得到的权重因子。
进一步，步骤S52中，所述在线优化控制的瞬时成本函数为：
Figure BDA0002252243360000045
其中，s1(t)和s2(t)为函数的自适应因子
进一步，步骤S53中，所述自适应机制为：
Figure BDA0002252243360000046
Figure BDA0002252243360000051
其中，kp1和kp2为比例系数，ki1和ki2为积分系数，SOCref为SOC参考轨迹，Ahref为有效安时吞吐量参考轨迹，
Figure BDA0002252243360000052
为λ1(t)的最有初始值，应当注意
Figure BDA0002252243360000053
进一步，所述步骤S6中，电池老化状态与电池荷电状态的参考轨迹规划如下：
Figure BDA0002252243360000054
其中，Rd(·)参量圆整函数，用来返回数值的整数部分，dn为车辆总的行驶距离；Dspl为两次充电期间行驶的距离，SOCinitial为初始SOC，SOCtar get为目标SOC，
Figure BDA0002252243360000056
为离线PMP获得的最优有效安时吞吐量，
Figure BDA0002252243360000057
为单次充电产生的有效安时吞吐量。
进一步，步骤S7中，所述测试并校正双态自适应控制方法，包含的主要措施为：根据实际驾驶工况，对自适应策略中PI控制器的比例系数与积分系数进行调节。
本发明的有益效果在于：
1)突破了原有等效燃油消耗最小策略单状态控制的局限，成功将电池老化状态融入优化控制框架中，为多目标自适应协同控制提供了新的解决方案；
2)充分考虑了插电式混合动力汽车的油耗费用、电耗费用和电池损耗费用，真正实现了车辆的综合运行成本最低，充分发挥插电式混合动力系统的节能潜力；
3)建立了考虑日历老化的电池容量衰减模型，使得电池老化状态表征更加精确；
4)控制方法计算量小，容易实施，切具有较强的鲁棒性；
5)创新性地避免了插电式混合动力汽车使用过程中的电池更换问题，同时打消了消费者对插电式混合动力汽车的购买顾虑。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1是本发明所述控制方法的算法流程图；
图2是插电式并联混合动力汽车的动力总成结构简图；
图3是电池循环老化和日历老化示意图；
图4是合理折中方案筛选时的电池容量衰减示意图；
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
本发明所述的一种基于PMP原理(庞德里亚金极小值原理)的插电式混合动力系统双态自适应控制方法，参照图1，本方法具体包括以下步骤：
S1：根据车载GPS系统记录的数据与车辆的实际运行场景，构建包含速度与道路坡度的综合工况。具体包括：
S11：将车载GPS的采样频率设置为1Hz，并记录车速、经度、纬度、海拔高度等信息；
S12：车速异常数据处理：将最大加速度大于5m/s2视为异常加速数据，将最大减速度大于8m/s2视为异常减速数据，对于异常数据进行剔除；
S13：道路坡度角估计：通过GPS获取A、B两点位置的经纬度和海拔高度信息，通过下式计算得到道路坡度角：
Figure BDA0002252243360000061
Figure BDA0002252243360000062
其中，R为地球半径；βA、βB和αA、αB和分别为A、B两点位置的经纬度；HA和HB分别为A、B两点的海拔高度；LAB为A、B两点的距离；θ为道路坡度角。
S2：根据整车参数、动力部件参数与传动部件参数，建立车辆纵向动力学模型与面向控制的发动机、电机与电池电路模型。整车动力总成布置参见图2，各数学模型构建如下：
纵向动力学模型：
Figure BDA0002252243360000063
其中，Pd为整车需求功率；mv为整车质量，g为重力加速度，f和Cd分别为滚动阻力系数和空气阻力系数，A为迎风面积，ρair为空气密度，va为第k时刻的车速，δ为旋转质量换算系数。
发动机模型为：
Figure BDA0002252243360000064
Peng＝Teng·ωeng
其中，
Figure BDA0002252243360000065
为发动机瞬时油耗，Peng为发动机功率，ηeng为发动机效率，ωeng和Teng为发动机的转速和转矩，Qlhv为燃料的燃油低热值。
电机模型为：
ηem＝f(ωem,Tem)
Figure BDA0002252243360000071
Pem＝Tem·ωem
其中，ηem为电机效率，ωem和Tem为电机的转速与转矩，Tem,req为电机需求功率；Tmax,dis(ωem)和Tmax,cha(ωem)分别为驱动模式与再生制动模式下的最大转矩，Pem为电机功率。
电池模型为：
Figure BDA0002252243360000072
Figure BDA0002252243360000073
Figure BDA0002252243360000074
其中，Ibat为电池电流，Qbat为电池额定容量，Qtot是由电池老化引起的总容量损失；Pbat为电池功率，
Figure BDA0002252243360000077
为电池荷电状态的动态方程，Uoc为电池的开路电压，Rint为电池内阻。
S3：构建考虑日历老化的电池容量衰减模型：
Qtot＝Qcyc+Qcal
其中，Qcyc为电池循环老化引起的容量损失，Qcal为电池日历老化引起的容量损失，参见图3。
S4：构建目标成本函数，利用庞德里亚金极小值原理离线确定电池老化与能量消耗的合理折中方案。具体包括：
S41：构建包含油耗成本、电耗成本和电池老化成本的目标成本函数：
Figure BDA0002252243360000075
其中，cf和ce分别为油价和电价，cbat为更换一次电池包的价格，ω为电池老化权重因子，σ为劣化因子，Ahnom为标准条件下的安时吞吐量，用以描述电池的标准寿命。
S42：设定权重初始值，权重的初始值建议设置为0，若不合适，逐步增加。
S43：利用庞德里亚金极小值原理离线求解最优问题。离线求解的哈密段函数为：
Figure BDA0002252243360000076
其中，λ0(t)为电池SOC对应的协态值。
S44：将S43得到的最优电池电流、最优劣化因子、最优SOC与最优放电倍率输入电池容量衰减模型，计算车辆报废时的电池容量损失；
S45：如果车辆报废时的电池容量衰减大于20％，增加权重因子，如果车辆报废时的电池容量衰减小于20％，减小权重因子，直至电池寿命与车辆规定使用寿命同时终止，最终得到的权重因子为电池老化与能量消耗的合理折中方案，参照图4。
S5：基于庞德里亚金极小值原理制定自适应控制策略。具体包括：
S51：构建考虑电池老化状态的哈密顿函数：
Figure BDA0002252243360000081
其中，为有效安时吞吐量动态方程，λ1(t)为有效安时吞吐量Aheff对应的协态值，ωr为步骤S44得到的权重因子。
S52：构建在线优化控制的瞬时成本函数：
Figure BDA0002252243360000083
其中，s1(t)和s2(t)为函数的自适应因子
S53：基于PI控制器实施自适应机制：
Figure BDA0002252243360000084
Figure BDA0002252243360000085
其中，kp1和kp2为比例系数，ki1和ki2为积分系数，SOCref为SOC参考轨迹，Ahref为有效安时吞吐量参考轨迹，
Figure BDA0002252243360000086
为λ1(t)的最有初始值，应当注意
S6：规划电池荷电状态(SOC)与电池老化状态的参考轨迹：
Figure BDA0002252243360000088
Figure BDA0002252243360000089
其中，Rd(·)参量圆整函数，用来返回数值的整数部分，dn为车辆总的行驶距离；Dspl为两次充电期间行驶的距离，SOCinitial为初始SOC，SOCtar get为目标SOC，
Figure BDA00022522433600000810
为离线PMP获得的最优有效安时吞吐量，
Figure BDA00022522433600000811
为单次充电产生的有效安时吞吐量。
S7：测试并校正双态自适应控制方法。主要措施为：根据实际驾驶工况，对自适应策略中PI控制器的比例系数与积分系数进行调节。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (8)

1.一种基于PMP原理的插电式混合动力系统双态自适应控制方法，其特征在于，该方法包括以下步骤：
S1：根据车载GPS系统记录的数据与车辆的实际运行场景，构建包含速度与道路坡度的综合工况；
S2：根据整车参数、动力部件参数与传动部件参数，建立车辆纵向动力学模型与面向控制的发动机、电机与电池电路模型；
S3：构建考虑日历老化的电池容量衰减模型；
S4：构建目标成本函数，利用庞德里亚金极小值原理离线确定电池老化与能量消耗的合理折中方案；
S5：基于庞德里亚金极小值原理制定自适应控制策略；
S6：规划电池荷电状态SOC与电池老化状态的参考轨迹；
S7：测试并校正双态自适应控制方法。
2.根据权利要求1所述的基于PMP原理的插电式混合动力系统双态自适应控制方法，其特征在于，所述步骤S1具体包括：
S11：将车载GPS的采样频率设置为1Hz，并记录车速、经度、纬度、海拔高度等信息；
S12：车速异常数据处理；
S13：道路坡度角估计：通过GPS获取A、B两点位置的经纬度和海拔高度信息，通过下式计算得到道路坡度角：
Figure FDA0002252243350000011
Figure FDA0002252243350000012
其中，R为地球半径；βA、βB和αA、αB和分别为A、B两点位置的经纬度；HA和HB分别为A、B两点的海拔高度；LAB为A、B两点的距离；θ为道路坡度角。
3.根据权利要求1所述的基于PMP原理的插电式混合动力系统双态自适应控制方法，其特征在于，所述步骤S2中，整车的纵向动力学模型、发动机模型、电机模型与电池模型建立如下：
纵向动力学模型：
Figure FDA0002252243350000013
其中，Pd为整车需求功率；mv为整车质量，g为重力加速度，f和Cd分别为滚动阻力系数和空气阻力系数，A为迎风面积，ρair为空气密度，va为第k时刻的车速，δ为旋转质量换算系数；
发动机模型为：
Figure FDA0002252243350000021
Peng＝Teng·ωeng
其中，
Figure FDA0002252243350000022
为发动机瞬时油耗，Peng为发动机功率，ηeng为发动机效率，ωeng和Teng为发动机的转速和转矩，Qlhv为燃料的燃油低热值；
电机模型为：
ηem＝f(ωem,Tem)
Figure FDA0002252243350000023
Pem＝Tem·ωem
其中，ηem为电机效率，ωem和Tem为电机的转速与转矩，Tem,req为电机需求功率，Tmax,dis(ωem)和Tmax,cha(ωem)分别为驱动模式与再生制动模式下的最大转矩，Pem为电机功率；
电池模型为：
Figure FDA0002252243350000024
Figure FDA0002252243350000025
Figure FDA0002252243350000026
其中，Ibat为电池电流，Qbat为电池额定容量，Qtot是由电池老化引起的总容量损失，Pbat为电池功率，
Figure FDA0002252243350000027
为电池荷电状态的动态方程，Uoc为电池的开路电压，Rint为电池内阻。
4.根据权利要求1所述的基于PMP原理的插电式混合动力系统双态自适应控制方法，其特征在于，所述步骤S3中，考虑日历老化的电池容量衰减模型为：
Qtot＝Qcyc+Qcal
其中，Qcyc为电池循环老化引起的容量损失，Qcal为电池日历老化引起的容量损失。
5.根据权利要求1所述的基于PMP原理的插电式混合动力系统双态自适应控制方法，其特征在于，所述步骤S4具体包含以下子步骤：
S41：构建包含油耗成本、电耗成本和电池老化成本的目标成本函数；所述目标成本函数为：
Figure FDA0002252243350000028
其中，cf和ce分别为油价和电价，cbat为更换一次电池包的价格，ω为电池老化权重因子，σ为劣化因子，Ahnom为标准条件下的安时吞吐量，用以描述电池的标准寿命；
S42：设定权重初始值；
S43：利用庞德里亚金极小值原理离线求解最优问题；所述离线求解的哈密段函数为：
Figure FDA0002252243350000031
其中，λ0(t)为电池SOC对应的协态值；
S44：将S43得到的最优电池电流、最优劣化因子、最优SOC与最优放电倍率输入电池容量衰减模型，计算车辆报废时的电池容量损失；
S45：如果车辆报废时的电池容量衰减大于20％，增加权重因子，如果车辆报废时的电池容量衰减小于20％，减小权重因子，直至电池寿命与车辆规定使用寿命同时终止，最终得到的权重因子为电池老化与能量消耗的合理折中方案。
6.根据权利要求5所述的基于PMP原理的插电式混合动力系统双态自适应控制方法，其特征在于，所述步骤S5中，具体包含以下子步骤：
S51：构建考虑电池老化状态的哈密顿函数；所述哈密顿函数具体为：
Figure FDA0002252243350000032
其中，
Figure FDA0002252243350000033
为有效安时吞吐量动态方程，λ1(t)为有效安时吞吐量Aheff对应的协态值，ωr为步骤S45得到的权重因子；
S52：构建在线优化控制的瞬时成本函数，具体为：
Figure FDA0002252243350000034
其中，s1(t)和s2(t)为函数的自适应因子；
S53：基于PI控制器实施自适应机制，具体为：
其中，kp1和kp2为比例系数，ki1和ki2为积分系数，SOCref为SOC参考轨迹，Ahref为有效安时吞吐量参考轨迹，
Figure FDA0002252243350000037
为λ1(t)的最有初始值。
7.根据权利要求1所述的基于PMP原理的插电式混合动力系统双态自适应控制方法，其特征在于，所述步骤S6具体为：
Figure FDA0002252243350000041
Figure FDA0002252243350000042
其中，Rd(·)参量圆整函数，用来返回数值的整数部分，dn为车辆总的行驶距离；Dspl为两次充电期间行驶的距离，SOCinitial为初始SOC，SOCtarget为目标SOC，
Figure FDA0002252243350000043
为离线PMP获得的最优有效安时吞吐量，
Figure FDA0002252243350000044
为单次充电产生的有效安时吞吐量。
8.根据权利要求1所述的基于PMP原理的插电式混合动力系统双态自适应控制方法，其特征在于，步骤S7中，所述测试并校正双态自适应控制方法，包含的主要措施为：根据实际驾驶工况，对自适应策略中PI控制器的比例系数与积分系数进行调节。
CN201911040740.7A 2019-10-29 2019-10-29 一种基于pmp原理的插电式混合动力系统双态自适应控制方法 Pending CN110641456A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911040740.7A CN110641456A (zh) 2019-10-29 2019-10-29 一种基于pmp原理的插电式混合动力系统双态自适应控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911040740.7A CN110641456A (zh) 2019-10-29 2019-10-29 一种基于pmp原理的插电式混合动力系统双态自适应控制方法

Publications (1)

Publication Number Publication Date
CN110641456A true CN110641456A (zh) 2020-01-03

Family

ID=68995043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911040740.7A Pending CN110641456A (zh) 2019-10-29 2019-10-29 一种基于pmp原理的插电式混合动力系统双态自适应控制方法

Country Status (1)

Country Link
CN (1) CN110641456A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209633A (zh) * 2020-01-09 2020-05-29 重庆大学 一种插电式混合动力汽车传动系统的评价与参数优化方法
CN111552185A (zh) * 2020-05-19 2020-08-18 重庆大学 一种基于pmp的插电式混合动力汽车模型预测控制的能量管理方法
CN112590763A (zh) * 2020-12-23 2021-04-02 吉林大学 一种基于电池热及老化的行星混联混动汽车能量优化方法
CN112977450A (zh) * 2021-03-16 2021-06-18 北京理工大学 一种用于电动车辆自适应巡航的能量管理方法
CN113147321A (zh) * 2021-04-29 2021-07-23 重庆大学 一种车载空调与可再生制动协调控制方法
CN113779493A (zh) * 2021-09-16 2021-12-10 重庆大学 一种多智能家庭的分布式智能能量管理方法
CN113928330A (zh) * 2021-10-21 2022-01-14 重庆大学 一种纯电动汽车速度轨迹优化控制方法
CN116572928A (zh) * 2023-07-07 2023-08-11 徐州徐工汽车制造有限公司 混合动力车辆的控制方法、装置、系统和混合动力车辆

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550478A (zh) * 2016-01-25 2016-05-04 安徽农业大学 一种汽车经济性测试中行驶工况道路坡度的加载方法与装置
CN107878445A (zh) * 2017-11-06 2018-04-06 吉林大学 一种考虑电池性能衰减的混合动力汽车能量优化管理方法
CN108437822A (zh) * 2018-03-15 2018-08-24 西南交通大学 一种燃料电池混合动力车辆多目标优化控制方法
CN109555847A (zh) * 2018-12-06 2019-04-02 重庆大学 一种基于动态规划的混合动力公交车amt换挡方法
CN110139789A (zh) * 2017-01-05 2019-08-16 雷诺股份公司 用于优化混合动力车辆的能量消耗的方法
CN110194172A (zh) * 2019-06-28 2019-09-03 重庆大学 基于增强型神经网络插电式混合动力乘用车能量管理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550478A (zh) * 2016-01-25 2016-05-04 安徽农业大学 一种汽车经济性测试中行驶工况道路坡度的加载方法与装置
CN110139789A (zh) * 2017-01-05 2019-08-16 雷诺股份公司 用于优化混合动力车辆的能量消耗的方法
CN107878445A (zh) * 2017-11-06 2018-04-06 吉林大学 一种考虑电池性能衰减的混合动力汽车能量优化管理方法
CN108437822A (zh) * 2018-03-15 2018-08-24 西南交通大学 一种燃料电池混合动力车辆多目标优化控制方法
CN109555847A (zh) * 2018-12-06 2019-04-02 重庆大学 一种基于动态规划的混合动力公交车amt换挡方法
CN110194172A (zh) * 2019-06-28 2019-09-03 重庆大学 基于增强型神经网络插电式混合动力乘用车能量管理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHAOBO XIE，XIAOSONG HU等: "Pontryagin’s Minimum Principle based model predictive control of energy management for a plug-in hybrid electric bus", 《APPLIED ENERGY》 *
SHUO ZHANG，XIAOSONG HU等: "Adaptively coordinated optimization of battery aging and energy management in plug-in hybrid electric buses", 《APPLIED ENERGY》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209633A (zh) * 2020-01-09 2020-05-29 重庆大学 一种插电式混合动力汽车传动系统的评价与参数优化方法
CN111209633B (zh) * 2020-01-09 2024-04-09 重庆大学 一种插电式混合动力汽车传动系统的评价与参数优化方法
CN111552185A (zh) * 2020-05-19 2020-08-18 重庆大学 一种基于pmp的插电式混合动力汽车模型预测控制的能量管理方法
CN111552185B (zh) * 2020-05-19 2022-06-03 重庆大学 一种基于pmp的插电式混合动力汽车模型预测控制的能量管理方法
CN112590763A (zh) * 2020-12-23 2021-04-02 吉林大学 一种基于电池热及老化的行星混联混动汽车能量优化方法
CN112977450A (zh) * 2021-03-16 2021-06-18 北京理工大学 一种用于电动车辆自适应巡航的能量管理方法
CN113147321A (zh) * 2021-04-29 2021-07-23 重庆大学 一种车载空调与可再生制动协调控制方法
CN113779493A (zh) * 2021-09-16 2021-12-10 重庆大学 一种多智能家庭的分布式智能能量管理方法
CN113779493B (zh) * 2021-09-16 2024-05-07 重庆大学 一种多智能家庭的分布式智能能量管理方法
CN113928330A (zh) * 2021-10-21 2022-01-14 重庆大学 一种纯电动汽车速度轨迹优化控制方法
CN116572928A (zh) * 2023-07-07 2023-08-11 徐州徐工汽车制造有限公司 混合动力车辆的控制方法、装置、系统和混合动力车辆
CN116572928B (zh) * 2023-07-07 2023-10-13 徐州徐工汽车制造有限公司 混合动力车辆的控制方法、装置、系统和混合动力车辆

Similar Documents

Publication Publication Date Title
CN110641456A (zh) 一种基于pmp原理的插电式混合动力系统双态自适应控制方法
Xie et al. Microsimulation of electric vehicle energy consumption and driving range
Zhang et al. Adaptively coordinated optimization of battery aging and energy management in plug-in hybrid electric buses
Song et al. Pontryagin’s minimum principle-based real-time energy management strategy for fuel cell hybrid electric vehicle considering both fuel economy and power source durability
Chen et al. A neural network-based ECMS for optimized energy management of plug-in hybrid electric vehicles
EP3369604B1 (en) Method and system for estimating remaining range of electric car, and electric car
CN103213504B (zh) 一种电动汽车续驶里程估算方法
Zhang et al. Energy management strategy for plug-in hybrid electric vehicle integrated with vehicle-environment cooperation control
Wei et al. Online estimation of driving range for battery electric vehicles based on SOC-segmented actual driving cycle
CN112319462B (zh) 一种插电式混合动力汽车能量管理方法
Sagaria et al. Photovoltaic integrated electric vehicles: Assessment of synergies between solar energy, vehicle types and usage patterns
CN113815437B (zh) 燃料电池混合动力汽车的预测性能量管理方法
CN113428049A (zh) 一种考虑电池老化抑制的燃料电池混动汽车能量管理方法
Zhu et al. Multiobjective optimization of safety, comfort, fuel economy, and power sources durability for FCHEV in car-following scenarios
Nabi et al. Parametric analysis and prediction of energy consumption of electric vehicles using machine learning
Han et al. Energy Management in Plug-In Hybrid Electric Vehicles: Preheating the Battery Packs in Low-Temperature Driving Scenarios
Sun et al. Experimental study on fuel economy of fuel cell truck under different driving cycle
Yu et al. Integrated energy and thermal management strategy for extended range electric vehicle based on battery temperature and state-of-charge global planning
Li et al. Predictive multi-objective operation strategy considering battery cycle aging for hybrid electric vehicles
Frambach et al. A review on aging-aware system simulation for plug-in hybrids
Chen et al. Co-optimization of speed planning and cost-optimal energy management for fuel cell trucks under vehicle-following scenarios
Sabatini et al. Battery aging management for fully electric vehicles
Agrawal et al. Multiparadigm Modeling Framework to Evaluate the Impacts of Travel Patterns on Electric Vehicle Battery Lifespan
CN109668571B (zh) 基于电量预测和智能能量管理的纯电动垃圾车路径规划方法
Zhixin et al. Calculation method of electric vehicle power consumption based on naive bayes classification

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200103

RJ01 Rejection of invention patent application after publication