CN110717218B - 一种电驱动车辆分布式动力驱动系统重构控制方法及车辆 - Google Patents

Abstract

本发明提供了一种电驱动车辆分布式动力驱动系统重构控制方法及车辆，其引入了聚类学习对离线分析所得工况特征与最优驱动模式构型之间的机理进行学习，通过构建快速匹配模型，并利用样本数据对其进行训练不断调整权重系数直至模型收敛达到预期精度，可以实现最优驱动构型的快速匹配，在完成驱动模式的选择后，复杂的多动力源‑驱动系统得以简化得到可用于实时控制的底盘驱动构型。基于所确定构型利用MPC算法对APU及动力电池的能量进行实时最优分配，能够得到控制时域范围内的最优解，在可控情况下能够显著降低重型汽车能耗，较传统基于规则方法而言可以显著提高车辆的节能效果。

Description

一种电驱动车辆分布式动力驱动系统重构控制方法及车辆

技术领域

本发明涉及电驱动汽车的动力系统设计技术领域，特别是涉及一种电驱动车辆分布式动力驱动系统重构控制方法及车辆。

背景技术

重型车辆油耗高、排放大，底盘电动化对落实国家节能减排目标和军民技术融合发展具有重要意义。分布式驱动混合动力重型汽车能实现驱动、制动、转向等多项功能集成，在结构布置、节能减排、安全行驶的动力学控制等方面有着独特的优势，并能解决“续航里程”焦虑，成为重型汽车底盘电动化的重要技术方向。

为适应载荷变化大、复杂行驶工况，重型汽车通过设计多个发动机-发电机组(APU)、多个动力电池模组、多个电驱动桥，实时选择合理构型和驱动模式，对提升整车节能效果和行驶安全性具有显著效果。当构型和驱动模式变化时，势必带来底盘动力学模型、边界条件等发生相应改变，很难用统一控制模型表征，迫切需要研究构型、驱动模式与能耗经济性、操纵稳定性之间相互关系，揭示工况信息表征与构型/驱动模式选择之间的映射规则，已成为多轴重型汽车分布式驱动混合动力能耗优化设计的首要任务。因此，本领域中亟需一种能够在不同功率需求下实时高效的对最优驱动模式与构型进行选取，并且适用于电驱动重型车辆的动力驱动系统的改进设计。

发明内容

针对上述现有技术中存在的技术问题，本发明提供了一种电驱动车辆分布式动力驱动系统重构控制方法，具体包括以下步骤：

S1.建立电驱动重型汽车分布式动力驱动系统模型，并针对动力源与驱动系统之间的搭配组合进行驱动模式构型的定义；

S2.对目标车辆的自身驾驶工况数据进行采集、传输、存储与显示；

S3.基于所述步骤S2采集的工况数据构建预测神经网络模型，对未来工况进行多尺度预测；

S4.基于对未来工况的多尺度预测结果，使目标车辆利用聚类方法对最佳驱动模式进行快速匹配；

S5.根据所述匹配结果确定简化的动力驱动系统的被控对象，通过模型预测控制方法(MPC)对发动机与动力电池能量分配进行能效优化控制。

进一步地，所述步骤S1具体包括以下子步骤：

S101.分布式动力驱动系统模型的建立：根据目标车辆实际构型，首先建立包括整车动力学模型，发动机、驱动电机能耗效率模型以及动力电池模型在内的动力驱动系统模型，在此基础上再对其进行进一步分析：

其中，T_v为所需驱动力矩；m为整车整备质量；v为整车车速；g、f、C_d分别为重力系数、摩擦阻力系数以及空气阻力系数；R为轮胎滚动半径，A为迎风面积。

S102.驱动模式构型的定义：动力源及驱动系统选择不同成组数目进行任意搭配，并在满足实际功率需求的同时将复杂系统简化为可控对象，几种构型及其对应的工况需求分别为：

(1).单APU-动力电池组驱动模式及10×6驱动构型：面向低功率及制动等工况需求；

(2).双APU-动力电池组驱动模式及10×10驱动构型：面向中高功率工况需求；

(3).双APU驱动模式及10×6驱动构型：面向电池电量过低时的工况需求；

(4).双动力电池组驱动模式及10×6驱动构型：面向静音/纯电行驶工况需求。

进一步地，所述步骤S2中的工况数据具体包括：

实时车速计算：在车辆行驶过程中，通过测量驱动桥两侧驱动电机转速并对其取均值处理得到；

其中，v为整车车速；v₁、v₂与w₁、w₂分别代表两侧驱动电机的速度与转速；R为轮胎滚动半径，k₀为侧传动比；

数据传输：整车控制器(VCU)与各关键部件之间通过CAN总线进行实时通讯，其中VCU向各部件发送控制指令，如发动机目标转速，DC/DC目标电压等；各部件向VCU反馈自身状态信息，如驱动电机当前转速。

数据显示与存储：关键信息数据通过Labview软件在监控平台上进行显示，包括实时车速、电池SoC等，以便于对整车状态有直观把握并对故障及时排查诊断；利用Busmaster软件可将CAN总线上的通信报文进行解析与存储，以便对其进行进一步分析处理；在此基础上，可利用ZCANPRO通过WIFI/移动信号将数据信息发送到云端平台，实现远程监控工作。

进一步地，所述步骤S3包括以下子步骤：

S301.神经网络车速预测模型构建：在目标车辆所收集行驶工况数据的基础上对其进行拟合处理，根据目标需求构建不同时间尺度的神经网络车速预测模型。

S302.长期未来工况预测：对于长时间尺度的神经网络车速模型预测，以任意时刻往前一段时间车速信息作为样本输入，往后一段时间车速信息作为样本输出，对神经网络进行训练；结合驱动模式选择需要对样本时长和所构建网络模型节点进行调整；样本输入还同时考虑坡度信息以提高模型预测精度。

S303.短期未来工况预测：对于短时间尺度的神经网络车速模型预测，以任意时刻往前一段时间车速信息作为样本输入，往后一段时间车速信息作为样本输出作为样本数据训练神经网络；基于精度和计算成本调整样本时长；样本输入还同时考虑前车间距以提高模型预测精度。

进一步地，所述步骤S4包括以下子步骤：

S401.离线样本生成：在所预测长期工况数据的基础上，分别针对各驱动模式构型下的底盘模型，运用动态规划(DP)算法在离线条件下进行能耗结果比对，从而得到各段工况样本输入下的最佳构型输出；

DP离线求解过程如下所示：

(1).功率需求计算：在行驶过程中，发动机以及驱动电机所输出的转速与转矩须满足驾驶功率需求，在不考虑坡道的情况下，输出转矩与转速由车辆纵向运动学与动力学方程计算：

其中，w_out与T_out分别代表输出轴转速与转矩，v为车速，k₀与R_w分别为主减速比以及车轮滚动半径，m与A分别为汽车整备质量以及迎风面积，g,C_r,ρ,C_d分别为重力系数、滚动阻力系数、空气密度以及空气阻力系数；

(2).变量选取：为实现最佳燃油经济性，利用DP算法计算给定整车车速v下满足功率需求的最佳发动机与驱动电机控制结果，考虑到混合动力重型汽车的特殊性，与传统的以发动机转速w_eng与转矩T_eng作为控制变量U_DP的做法相比，引入驱动构型选择变量i以对应具体功率分流公式(为避免模式变化过于频繁，i为分段连续变量，即每十分钟变换一次)，t表示时间，在此基础上其余变量皆可基于车辆模型计算得到，包括状态变量X_DP(电池SoC)：

U_DP＝{w_eng(t)，T_eng(t)，i(t)}

X_DP＝SoC(t)

(3).目标函数最小化：

在由控制变量划分的网格空间中，由物理约束条件对可行区间进行约束，通过使目标函数J_DP最小化来求解最佳燃油经济性的控制结果：

其中，T为行驶里程总时间，

为瞬时燃油消耗率，q为汽油热值，P_bat为电池放电功率；

S402.聚类匹配模型训练：在形成长期工况以及对应最佳驱动构型的样本数据库后，即可利用数据驱动的方式对其映射关系进行发掘。考虑到输出构型结果有限且相对固定，这里选用聚类方法实现目标功能。具体过程如下所述：

(1)样本输入输出定义:

选择历史车速作为输入参数I以表达行驶工况的功率需求特性考虑到长期工况样本量过大，选择有代表性的关键参量作为输入变量，包括平均车速v_ave，最高车速v_hig，以及高速区域占比k；以对应最佳驱动模式M作为输出参数O以实现预期效果，其中M为离散值1、2、3、4，分别代表几种驱动模式构型：

I＝{v_avg，v_hig，k}

O＝M

(2).神经网络模型构建：样本输入特征通过线性加权与隐藏层节点进行匹配，并利用sigmoid函数激活以将线性关系转化为非线性便于更好拟合输入输出关系：

H＝WI+B；

其中，H为输入特征线性拟合结果，W，B分别为线性函数的权重与偏置系数，H′为激活函数的输出结果；

(3).LM训练：基于所构建样本数据库，利用LM方法对模型的系数W，B不断进行迭代调整，直至拟合结果与样本真值的误差控制在合理范围内：

其中，z_n+1与z_n分别为第n+1与n步下的模型参数值，f为拟合结果与真值误差函数，J_f为函数f的雅各比矩阵，μ为迭代步长。

在S4中，通过引入聚类学习的方法对由DP在离线条件下得到的工况-最佳驱动构型结果的样本进行学习，能够发掘二者之间的映射机理，构建得到最佳驱动模式快速匹配模型。通过结合DP的最优性以及聚类学习的快速性两方面的优点，能够便于在实际行驶过程中快速确定当前工况下的最佳驱动模式。

进一步地，所述步骤S5包括以下子步骤：

S501.被控对象简化：完成驱动模式选择后，以预测的长期工况结果为输入，即可快速映射到对应最佳底盘驱动构型输出。此时，混合动力重型汽车的动力驱动系统得到简化，被控量数目降低到可控范围之内，在此基础上进一步利用MPC对预测时域内的功率分配进行优化控制，实现能效优化目的。

S502.MPC功率分配：MPC通过根据短期工况预测结果在控制时域内进行实时功率分配，在其求解过程中，同样利用DP求解控制时域内的最优控制结果，其控制变量以及状态变量的选择与离线分析过程基本一致，由于已选定驱动构型，因此不再设置驱动模式选择变量：

X_MPC＝SoC(t) U_MPC＝{w_eng(t)，T_eng(t)}

其中，X_MPC与U_MPC分别表示MPC下的状态变量与控制变量。

S503.实时优化求解：MPC的目标函数同样为等效能耗，但与DP不同的是，该方法的求解区间在一个较短的时域内，以保证求解的实时性：

其中，J_MPC为MPC的目标函数，n为当前时刻，Hp为预测时域时长。

S504.信息闭环反馈：在被控部件对控制策略结果做出响应后，需要对关键信息进行反馈形成闭环，以便于VCU在把握车辆实时状态的基础上进行进一步控制，反馈的信息主要包括：整车车速、电池SoC、故障信息等整车信息以及发动机转速与转矩，各桥驱动电机转速与转矩，母线电压以及各IGBT温度等关键零部件信息。

进一步地，最优驱动构型快速匹配方法包括但不限于聚类学习方法、深度学习或神经网络等其他智能算法；所述实时功率最优分配策略包括但不限MPC或ECMS。

通过上述本发明所提供的方法，能够实现以下的多种有益效果：

(1)本方法引入了聚类学习对离线分析所得工况特征与最优驱动模式构型之间的机理进行学习，通过构建快速匹配模型，并利用样本数据对其进行训练不断调整权重系数直至模型收敛达到预期精度，可以实现最优驱动构型的快速匹配，在完成驱动模式的选择后，复杂的多动力源-驱动系统得以简化得到可用于实时控制的底盘驱动构型。。

(2)本发明基于所确定构型利用MPC进行最优功率分配，MPC是一种实时优化方法，对APU及动力电池的能量进行实时最优分配，能够得到控制时域范围内的最优解，在可控情况下能够显著降低重型汽车能耗，较传统基于规则方法而言可以显著提高车辆的节能效果。

附图说明

图1为本发明的方法流程图；

图2为本发明对应的电驱动重型汽车分布式动力驱动系统重构设计原理图

图3为电驱动重型汽车分布式动力驱动系统构型示意图；

图4为电驱动模式与构型定义示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明所提供的电驱动重型汽车分布式动力驱动系统重构设计方法，如图1-2所示，具体包括以下步骤：

S1.建立电驱动重型汽车分布式动力驱动系统模型，并针对动力源与驱动系统之间的搭配组合进行驱动模式构型的定义；

S2.对目标车辆的自身驾驶工况数据进行采集、传输、存储与显示；

S3.基于所述步骤S2采集的工况数据构建预测神经网络模型，对未来工况进行多尺度预测；

S4.基于对未来工况的多尺度预测结果，使目标车辆利用聚类方法对最佳驱动模式进行快速匹配；

S5.根据所述匹配结果确定简化的动力驱动系统的被控对象，通过模型预测控制方法(MPC)对发动机与动力电池能量分配进行能效优化控制。

所述步骤S1具体包括以下子步骤：

S101.分布式动力驱动系统模型的建立：根据目标车辆实际构型，如图3所示，首先建立包括整车动力学模型，发动机、驱动电机能耗效率模型以及动力电池模型在内的动力驱动系统模型，在此基础上再对其进行进一步分析：

其中，T_v为所需驱动力矩；m为整车整备质量；v为整车车速；g、f、C_d分别为重力系数、摩擦阻力系数以及空气阻力系数；R为轮胎滚动半径，A为迎风面积。

S102.驱动模式构型的定义：如图2所示，目标车辆有着由两组APU、动力电池组所构成的动力源系统以及10台轮边电机所构成的分布式驱动系统。动力源及驱动系统选择不同成组数目进行如图3所示的任意搭配，并在满足实际功率需求的同时将复杂系统简化为可控对象，几种构型及其对应的工况需求分别为：

(1).单APU-动力电池组驱动模式及10×6驱动构型：面向低功率及制动等工况需求；

(2).双APU-动力电池组驱动模式及10×10驱动构型：面向中高功率工况需求；

(3).双APU驱动模式及10×6驱动构型：面向电池电量过低时的工况需求；

(4).双动力电池组驱动模式及10×6驱动构型：面向静音/纯电行驶工况需求。

进一步地，所述步骤S2中的工况数据具体包括：

实时车速计算：在车辆行驶过程中，通过测量驱动桥两侧驱动电机转速并对其取均值处理得到；

其中，v为整车车速；v₁、v₂与w₁、w₂分别代表两侧驱动电机的速度与转速；R为轮胎滚动半径，k₀为侧传动比；

数据传输：整车控制器(VCU)与各关键部件之间通过CAN总线进行实时通讯，其中VCU向各部件发送控制指令，如发动机目标转速，DC/DC目标电压等；各部件向VCU反馈自身状态信息，如驱动电机当前转速。

数据显示与存储：关键信息数据通过Labview软件在监控平台上进行显示，包括实时车速、电池SoC等，以便于对整车状态有直观把握并对故障及时排查诊断；利用Busmaster软件可将CAN总线上的通信报文进行解析与存储，以便对其进行进一步分析处理；在此基础上，可利用ZCANPRO通过WIFI/移动信号将数据信息发送到云端平台，实现远程监控工作。

进一步地，所述步骤S3包括以下子步骤：

S301.神经网络车速预测模型构建：在目标车辆所收集行驶工况数据的基础上对其进行拟合处理，根据目标需求构建不同时间尺度的神经网络车速预测模型。

S302.长期未来工况预测：对于长时间尺度的神经网络车速模型预测，以任意时刻往前一段时间车速信息作为样本输入，往后一段时间车速信息作为样本输出，对神经网络进行训练；结合驱动模式选择需要对样本时长和所构建网络模型节点进行调整；样本输入还同时考虑坡度信息以提高模型预测精度。

S303.短期未来工况预测：对于短时间尺度的神经网络车速模型预测，以任意时刻往前一段时间车速信息作为样本输入，往后一段时间车速信息作为样本输出作为样本数据训练神经网络；基于精度和计算成本调整样本时长；样本输入还同时考虑前车间距以提高模型预测精度。

进一步地，所述步骤S4包括以下子步骤：

S401.离线样本生成：在所预测长期工况数据的基础上，为分析其所对应最优驱动构型，分别针对各驱动模式构型下的底盘模型，运用动态规划(DP)算法在离线条件下进行能耗结果比对，从而得到各段工况样本输入下的最佳构型输出；

DP离线求解过程如下所示：

(1).功率需求计算：在行驶过程中，发动机以及驱动电机所输出的转速与转矩须满足驾驶功率需求，在不考虑坡道的情况下，输出转矩与转速由车辆纵向运动学与动力学方程计算：

其中，w_out与T_out分别代表输出轴转速与转矩，v为车速，k₀与R_w分别为主减速比以及车轮滚动半径，m与A分别为汽车整备质量以及迎风面积，g,C_r,ρ,C_d分别为重力系数、滚动阻力系数、空气密度以及空气阻力系数；

(2).变量选取：为实现最佳燃油经济性，利用DP算法计算给定整车车速v下满足功率需求的最佳发动机与驱动电机控制结果，考虑到混合动力重型汽车的特殊性，与传统的以发动机转速w_eng与转矩T_eng作为控制变量U_DP的做法相比，引入驱动构型选择变量i以对应具体功率分流公式(为避免模式变化过于频繁，i为分段连续变量，即每十分钟变换一次)，t表示时间，在此基础上其余变量皆可基于车辆模型计算得到，包括状态变量X_DP(电池SoC)：

U_DP＝{w_eng(t)，T_eng(t)，i(t)}；

X_DP＝SoC(t)

(3).目标函数最小化：

在由控制变量划分的网格空间中，由物理约束条件对可行区间进行约束，通过使目标函数J_DP最小化来求解最佳燃油经济性的控制结果：

其中，T为行驶里程总时间，

为瞬时燃油消耗率，q为汽油热值，P_bat为电池放电功率；

S402.聚类匹配模型训练：在形成长期工况以及对应最佳驱动构型的样本数据库后，即可利用数据驱动的方式对其映射关系进行发掘。考虑到输出构型结果有限且相对固定，这里选用聚类方法实现目标功能。具体过程如下所述：

样本输入输出定义:

选择历史车速作为输入参数以表达行驶工况的功率需求特性考虑到长期工况样本量过大，选择有代表性的关键参量作为输入变量I，包括平均车速v_ave，最高车速v_hig，以及高速区域占比k；以对应最佳驱动模式M作为输出参数O以实现预期效果，其中M为离散值1、2、3、4，分别代表几种驱动模式构型：

I＝{v_ave，v_hig，k}

O＝M

(1).神经网络模型构建：样本输入特征通过线性加权与隐藏层节点进行匹配，并利用sigmoid函数激活以将线性关系转化为非线性便于更好拟合输入输出关系：

H＝WI+B；

其中，H为输入特征线性拟合结果，W，B分别为线性函数的权重与偏置系数，H′为激活函数的输出结果；

(2).LM训练：基于所构建样本数据库，利用LM方法对模型的系数W，B不断进行迭代调整，直至拟合结果与样本真值的误差控制在合理范围内：

其中，z_n+1与z_n分别为第n+1与n步下的模型参数值，f为拟合结果与真值误差函数，J_f为函数f的雅各比矩阵，μ为迭代步长。

在S4中，通过引入聚类学习的方法对由DP在离线条件下得到的工况-最佳驱动构型结果的样本进行学习，能够发掘二者之间的映射机理，构建得到最佳驱动模式快速匹配模型。通过结合DP的最优性以及聚类学习的快速性两方面的优点，能够便于在实际行驶过程中快速确定当前工况下的最佳驱动模式。

进一步地，所述步骤S5包括以下子步骤：

S501.被控对象简化：完成驱动模式选择后，以预测的长期工况结果为输入，即可快速映射到对应最佳底盘驱动构型输出。此时，混合动力重型汽车的动力驱动系统得到简化，被控量数目降低到可控范围之内，在此基础上进一步利用MPC对预测时域内的功率分配进行优化控制，实现能效优化目的。

S502.MPC功率分配：MPC通过根据短期工况预测结果在控制时域内进行实时功率分配，在其求解过程中，同样利用DP求解控制时域内的最优控制结果，其控制变量以及状态变量的选择与离线分析过程基本一致，由于已选定驱动构型，因此不再设置驱动模式选择变量：

X_MPC＝SoC(t)U_MPC＝{w_eng(t)，T_eng(t)}

其中，X_MPC与U_MPC分别表示MPC下的状态变量与控制变量。

S503.实时优化求解：MPC的目标函数同样为等效能耗，但与DP不同的是，该方法的求解区间在一个较短的时域内，以保证求解的实时性：

其中，J_MPC为MPC的目标函数，n为当前时刻，Hp为预测时域时长。

S504.信息闭环反馈：在被控部件对控制策略结果做出响应后，需要对关键信息进行反馈形成闭环，以便于VCU在把握车辆实时状态的基础上进行进一步控制，反馈的信息主要包括：整车车速、电池SoC、故障信息等整车信息以及发动机转速与转矩，各桥驱动电机转速与转矩，母线电压以及各IGBT温度等关键零部件信息。

进一步地，最优驱动构型快速匹配方法包括但不限于聚类学习方法、深度学习或神经网络等其他智能算法；所述实时功率最优分配策略包括但不限MPC或ECMS。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种电驱动车辆分布式动力驱动系统重构控制方法，其特征在于：具体包括以下步骤：

S1.建立电驱动重型汽车分布式动力驱动系统模型，并针对动力源与驱动系统之间的搭配组合进行驱动模式构型的定义；

S2.对目标车辆的自身驾驶工况数据进行采集、传输、存储与显示；

S3.基于步骤S2采集的工况数据构建预测神经网络模型，对未来工况进行多尺度预测；

S4.基于对未来工况的多尺度预测结果，使目标车辆利用聚类方法对最佳驱动模式进行快速匹配，包括：

S401.离线样本生成：在所预测长期工况数据的基础上，分别针对各驱动模式构型下的底盘模型，运用动态规划DP算法在离线条件下进行能耗结果比对，从而得到各段工况样本输入下的最佳构型输出；

DP算法离线求解过程如下所示：

(1).功率需求计算：在行驶过程中，发动机以及驱动电机所输出的转速与转矩须满足驾驶功率需求，在不考虑坡道的情况下，输出转矩与转速由车辆纵向运动学与动力学方程计算：

其中，w_out与T_out分别代表输出轴转速与转矩，v为车速，k₀与R_w分别为主减速比以及车轮滚动半径，m与A分别为汽车整备质量以及迎风面积，g，C_r，ρ，C_d分别为重力系数、滚动阻力系数、空气密度以及空气阻力系数；

(2).变量选取：为实现最佳燃油经济性，利用DP算法计算给定整车车速v下满足功率需求的最佳发动机与驱动电机控制结果，考虑到混合动力重型汽车的特殊性，与传统的以发动机转速w_eng与转矩T_eng作为控制变量U_DP的做法相比，引入驱动构型选择变量i以对应具体功率分流公式，t表示时间，在此基础上其余变量皆可基于车辆模型计算得到，包括状态变量X_DP即电池SoC：

U_DP＝{w_eng(t)，T_eng(t)，i(t)}；

X_DP＝SoC(t)；

(3).目标函数最小化：

在由控制变量划分的网格空间中，由物理约束条件对可行区间进行约束，通过使目标函数J_DP最小化来求解最佳燃油经济性的控制结果：

其中，T为行驶里程总时间，

为瞬时燃油消耗率，q为汽油热值，P_bat为电池放电功率；

S402.聚类匹配模型训练，具体过程如下所述：

(1)样本输入输出定义：

选择历史车速作为输入参数I以表达行驶工况的功率需求特性考虑到长期工况样本量过大，选择包括平均车速v_ave，最高车速v_hig，以及高速区域占比k的输入变量，以对应最佳驱动模式M作为输出参数O以实现预期效果，其中M为离散值1、2、3、4，分别代表几种驱动模式构型：

I＝{v_ave，v_hig，k}

O＝M

(2).神经网络模型构建：样本输入特征通过线性加权与隐藏层节点进行匹配，并利用sigmoid函数激活以将线性关系转化为非线性便于更好拟合输入输出关系：

H＝WI+B；

其中，H为输入特征线性拟合结果，W，B分别为线性函数的权重与偏置系数，H′为激活函数的输出结果；

(3).LM训练：基于所构建样本数据库，利用LM方法对模型的系数W，B不断进行迭代调整，直至拟合结果与样本真值的误差控制在合理范围内：

其中，z_n+1与z_n分别为第n+1与n步下的模型参数值，f为拟合结果与真值误差函数，J_f为函数f的雅各比矩阵，μ为迭代步长；

S5.根据所述匹配结果确定简化的动力驱动系统的被控对象，通过模型预测控制算法对发动机与动力电池能量分配进行能效优化控制。

2.如权利要求1所述的方法，其特征在于：所述步骤S1具体包括以下子步骤：

S101.分布式动力驱动系统模型的建立：根据目标车辆实际构型，首先建立包括整车动力学模型，发动机、驱动电机能耗效率模型以及动力电池模型在内的动力驱动系统模型，在此基础上再对其进行进一步分析：

其中，T_v为所需驱动力矩；m为整车整备质量；v为整车车速；g、f、C_d分别为重力系数、摩擦阻力系数以及空气阻力系数；R为轮胎滚动半径，A为迎风面积；

S102.驱动模式构型的定义：动力源及驱动系统选择不同成组数目进行任意搭配，并在满足实际功率需求的同时将复杂系统简化为可控对象，几种构型及其对应的工况需求分别为：

(1).单APU-动力电池组驱动模式及10×6驱动构型：面向低功率及制动工况需求；

(2).双APU-动力电池组驱动模式及10×10驱动构型：面向中高功率工况需求；

(3).双APU驱动模式及10×6驱动构型：面向电池电量过低时的工况需求；

(4).双动力电池组驱动模式及10×6驱动构型：面向静音/纯电行驶工况需求。

3.如权利要求2所述的方法，其特征在于：所述步骤S3包括以下子步骤：

S301.神经网络车速预测模型构建：在目标车辆所收集行驶工况数据的基础上对其进行拟合处理，根据目标需求构建不同时间尺度的神经网络车速预测模型；

S302.长期未来工况预测：对于长时间尺度的神经网络车速模型预测，以任意时刻往前一段时间车速信息作为样本输入，往后一段时间车速信息作为样本输出，对神经网络进行训练；结合驱动模式选择需要对样本时长和所构建网络模型节点进行调整；样本输入还同时考虑坡度信息以提高模型预测精度；

S303.短期未来工况预测：对于短时间尺度的神经网络车速模型预测，以任意时刻往前一段时间车速信息作为样本输入，往后一段时间车速信息作为样本输出作为样本数据训练神经网络；基于精度和计算成本调整样本时长；样本输入还同时考虑前车间距以提高模型预测精度。

4.如权利要求3所述的方法，其特征在于：所述步骤S5包括以下子步骤：

S501.被控对象简化：完成驱动模式选择后，以预测的长期工况结果为输入，映射到对应最佳底盘驱动构型输出；

S502.基于模型预测算法的功率分配：

X_MPC＝SoC(t) U_MPC＝{w_eng(t)，T_eng(t)}

其中，X_MPC与U_MPC分别表示MPC下的状态变量与控制变量；

S503.实时优化求解：

其中，J_MPC为MPC的目标函数，n为当前时刻，Hp为预测时域时长；

S504.信息闭环反馈：在被控部件对控制策略结果做出响应后，对关键信息进行反馈形成闭环；反馈的信息主要包括：整车车速、电池SoC、故障信息整车信息以及发动机转速与转矩，各桥驱动电机转速与转矩，母线电压以及各IGBT温度。

5.如权利要求1所述的方法，其特征在于：步骤S4中还可采用深度学习或神经网络算法替代聚类方法；步骤S5中还可采用ECMS算法替代模型预测控制算法。

6.一种车辆，使用如权利要求1-5任一项所述的方法。

Images