CN110781979A - 一种插电式混合动力汽车总成的参数匹配方法 - Google Patents
一种插电式混合动力汽车总成的参数匹配方法 Download PDFInfo
- Publication number
- CN110781979A CN110781979A CN201911087266.3A CN201911087266A CN110781979A CN 110781979 A CN110781979 A CN 110781979A CN 201911087266 A CN201911087266 A CN 201911087266A CN 110781979 A CN110781979 A CN 110781979A
- Authority
- CN
- China
- Prior art keywords
- doh
- matching method
- iteration
- target
- particle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000002245 particle Substances 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 239000000446 fuel Substances 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 230000009194 climbing Effects 0.000 claims description 4
- 241000156302 Porcine hemagglutinating encephalomyelitis virus Species 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 238000005303 weighing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种插电式混合动力汽车的总成参数匹配方法。该发明针对现有匹配方法的不足,提供了一种基于动力性、经济性、排放性的多目标优化的混合度(Degree Of Hybridization,DOH)参数匹配方法。该方法通过建立综合整车各性能指标为目标价值函数,选定DOH为匹配设计变量,采用粒子群算法(Particle Swarm Optimization,PSO)进行优化,获得两两组合的目标参数在不同权重系数下的优化DOH,同时权衡部件成本进而选定最佳DOH并确定动力传动各关键部件参数。PSO算法结构非常简单,没有变异、交叉等步骤,且涉及参数也较少,收敛速度较快,能够优化整车的动力性能提高燃油经济性,并减少尾气的排放。
Description
技术领域
本发明应用于一种插电式混合动力汽车(Plug-in Hybrid Electric Vehicle,PHEV),主要针对车辆的总成参数匹配方法,对其进行实时优化。
背景技术
目前,纯电动汽车的发展受到了续驶里程短,电池成本高等问题的制约,如果电池技术得不到突破,那么这些制约也很难得到解决。而常规混合动力汽车也存在一些问题,比如价格较高、仍然较多的使用汽油或柴油、纯电动续驶能力较差,因此前景并不太乐观。在这种情况下,为了进一步减少排放,提高燃油经济性,插电式混合动力汽车是当前解决这些问题的一种过渡方案,区别于传统汽油动力与电驱动结合的混合动力,插电式混合动力驱动原理、驱动单元与电动车相同,唯一不同的是车上装备有一台发动机。
混合动力系统参数匹配是插电式混动汽车研究的关键技术之一,能够提高系统效率、优化系统配置、充分利用各部件。PHEV混合动力系统匹配的主要内容为:在保证车辆动力性、可操作性、续驶里程不低于传统车的前提下,以减少油耗、降低污染物排放作为目标,来设定动力装置(发动机、ISG电机和主驱动电机)、能量储蓄装置(动力电池组)和动力传动装置(主减速器)这三部分的总成参数。
整车动力性、经济性和排放性的好坏和PHEV的参数匹配有直接关系,其中发动机和电机功率匹配的混合度同样与动力传动系统的各项性能息息相关。参数匹配的方法根据整车结构型式、控制策略、行驶工况的不同而存在差异。现阶段,参数匹配的方法主要可有以下几种:基于经典推导法、基于循环工况特征统计法以及基于优化算法。
发明内容
针对现有匹配方法的不足,本发明提供了一种基于动力性、经济性、排放性的多目标优化的混合度(Degree Of Hybridization,DOH)参数匹配方法。该方法通过建立综合整车各性能指标为目标价值函数,选定DOH为匹配设计变量,采用粒子群算法(ParticleSwarm Optimization,PSO)进行优化,获得两两组合的目标参数在不同权重系数下的优化DOH,同时权衡部件成本进而选定最佳DOH并确定动力传动各关键部件参数。具体技术方案如下:
1)设定进化次数和种群规模;
2)初始化一系列在0.1到0.9之间的随机DOH,从而产生随机初始解;
3)依靠迭代来持续更新DOH和速度。DOH根据每一迭代的当前速度来更新,而DOH的速度则通过追踪两个“极值”来持续更新。一个就是粒子自身找到的最佳DOH,称为个体极值pbest。另一个极值点是整个种群当前搜索到的最佳DOH,称为全局极值gbest;
4)在每次迭代中,分别计算每个粒子的目标价值函数,算法依据粒子的目标函数值持续更新pbest和gbest的值。当达到最大迭代次数或gbest的改进步长小于指定闭值时,运算结束,输出最终的最优DOH。
进一步的,通过建立综合整车各性能指标为目标价值函数,选定DOH为匹配设计变量,采用粒子群算法进行优化,获得两两组合的目标参数在不同权重系数下的优化DOH进而选定最佳DOH并确定动力传动各关键部件参数。
附图说明
图1为PHEV参数匹配流程图;
图2为PSO优化DOH流程图;
图3为PSO进化轨迹图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明使用PSO优化算法来对动力传动系统DOH进行优化,具体如下:
如图1所示,在进行整车参数匹配的过程中,要考虑到DOH不但影响PHEV的性能,而且不同的DOH会改变整车的重量,以此影响设计成本。所以在优化DOH的同时要综合部件成本的因素确定PHEV的参数匹配方法。首先依据整车动力性指标,初步确定PHEV总的需求功率。其中最高车速、爬坡性能和加速性能的各指标都为发动机和电机功率的选取提供依据。确定了总匹配功率之后,因DOH对整车动力性、经济性、排放性都有一定影响,所以要确定DOH并对DOH进行优化。但每个性能指标都有其对应最优的DOH,因此要权衡各性能指标间的权重关系,找到各性能指标间占主导的因素,再通过部件成本和DOH的数值关系选择出适合PHEV的最佳混合度进行参数匹配。
如图2所示,PSO算法首先初始化一系列在0.1到0.9之间的随机DOH,从而产生随机初始解。然后依靠迭代来持续更新DOH和速度。DOH根据每一迭代的当前速度来更新,而DOH的速度则通过追踪两个“极值”来持续更新。一个就是粒子自身找到的最佳DOH,称为个体极值pbest。另一个极值点是整个种群当前搜索到的最佳DOH,称为全局极值gbest。在每次迭代中,分别计算每个粒子的目标价值函数,算法依据粒子的目标函数值持续更新pbest和gbest的值。当达到最大迭代次数或gbest的改进步长小于指定闭值时,运算结束,输出最终的最优DOH。
整车设计阶段根据优化的DOH就能得到电机和发动机的最优匹配方案,达到节能减排、降低成本的作用,所以研究DOH对整车的动力性、经济性、排放性乃至成本都至关重要。
为了得到DOH对整车性能的影响,设定DOH区间为[a,b]。本申请研究的目标参数综合了动力性指标、经济性指标和排放性指标,分别为0-25mph加速时间(at1),0-50mph加速时间(at2),最大爬坡度(mp),最高车速(mv)、燃油经济性(fe),CO(co),HC(hc)和NOx(nox)排放量。为了把上述多目标参数转变为单目标参数,定义目标价值函数为:
Fobjective_f=ΣiH(i) (1)
其中:Ki分别表示各目标参数的权重系数;F分别代表各目标参数在DOH为[a,b]下的插值;而max_F,min_Fi则分别是各目标参数的最大最小值。利用PSO优化算法以减小价值函数为目的可实现优化DOH。
PSO的优化过程是:PSO优化算法首先初始化一系列的随机值,从而产生随机初始解。然后通过迭代来持续不断的更新粒子位置和速度。粒子位置根据每一迭代的当前速度来更新,而粒子当前位置的速度则根据追踪两个“极值”来不断更新。一个是粒子自身找到的最佳位置,称为个体极值pbest。另一极值点是整个种群当前搜索到的最佳位置,称为全局极值gbest。粒子的速度和位置更新公式为:
νt+1=ω·νt+c1·r1·(pbest-pt)+c2·r2·(gbest-pt) (3)
pt+1=pt+νt+1 (4)
其中:t为粒子更新迭代次数;νt和pt分别为粒子在第t次迭代的当前速度和位置;c1和c2是学习因子,通常在[0,2]间取值;r1和r2表示[0,1]之间的随机数;ω是惯性权重,它的作用是可以保持局部和全局搜索的平衡。同时能将ω随迭代次数线性减小,即
其中:ωmax和ωmin为最大、最小权重,分别取0.9、0.4;kmax为总迭代次数;k为当前迭代次数。在每次迭代中,分别计算每个粒子的目标价值函数,算法根据粒子的目标函数值持续更新pbest和gbest的值。当达到最大迭代次数或gbest的改进步长小于指定阈值时,运算结束,输出最终的最优位置点。进化轨迹如图3所示。
本发明使用PSO算法来对动力传动系统DOH进行优化,具体实现步骤如下:
1.设定进化次数和种群规模;
2.初始化一系列在0.1到0.9之间的随机DOH,从而产生随机初始解;
3.依靠迭代来持续更新DOH和速度。DOH根据每一迭代的当前速度来更新;
4.DOH的速度通过追踪两个“极值”来持续更新。一个是粒子自身找到的最佳DOH,即个体极值pbest。另一个极值点是整个种群当前搜索到的最佳DOH,即全局极值gbest;
5.在每次迭代中,分别计算每个粒子的目标价值函数,算法依据粒子的目标函数值持续更新pbest和gbest的值。
6.当达到最大迭代次数或gbest的改进步长小于指定闭值时,运算结束,输出最终的最优DOH。
Claims (4)
1.一种插电式混合动力汽车的总成参数匹配方法,具体包括如下:
1)设定进化次数和种群规模;
2)初始化一系列在0.1到0.9之间的随机DOH,从而产生随机初始解;
3)依靠迭代来持续更新DOH和速度,DOH根据每一迭代的当前速度来更新;
4)DOH的速度通过追踪两个“极值”来持续更新:一个是粒子自身找到的最佳DOH,即个体极值pbest;另一个极值点是整个种群当前搜索到的最佳DOH,即全局极值gbest;
5)在每次迭代中,分别计算每个粒子的目标价值函数,算法依据粒子的目标函数值持续更新pbest和gbest的值;
6)当达到最大迭代次数或gbest的改进步长小于指定闭值时,运算结束,输出最终的最优DOH。
2.根据权利要求1所述的一种插电式混合动力汽车的总成参数匹配方法,其特征在于:首先依据整车动力性指标,初步确定PHEV总的需求功率,其中最高车速、爬坡性能和加速性能的各指标都为发动机和电机功率的选取提供依据;确定总匹配功率之后,通过建立综合整车各性能指标为目标价值函数,选定DOH为匹配设计变量,采用粒子群算法进行优化,获得两两组合的目标参数在不同权重系数下的优化DOH进而选定最佳DOH并确定动力传动各关键部件参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911087266.3A CN110781979A (zh) | 2019-11-08 | 2019-11-08 | 一种插电式混合动力汽车总成的参数匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911087266.3A CN110781979A (zh) | 2019-11-08 | 2019-11-08 | 一种插电式混合动力汽车总成的参数匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110781979A true CN110781979A (zh) | 2020-02-11 |
Family
ID=69389717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911087266.3A Pending CN110781979A (zh) | 2019-11-08 | 2019-11-08 | 一种插电式混合动力汽车总成的参数匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781979A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828437A (zh) * | 2023-02-17 | 2023-03-21 | 中汽研汽车检验中心(天津)有限公司 | 汽车性能指标综合优化方法、计算设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104071033A (zh) * | 2013-12-07 | 2014-10-01 | 西南交通大学 | 燃料电池超级电容混合动力机车参数匹配优化方法 |
CN108615069A (zh) * | 2018-03-25 | 2018-10-02 | 哈尔滨工程大学 | 一种基于改进的具有适应性的量子粒子群算法的优化计算方法 |
DE102017212835A1 (de) * | 2017-07-26 | 2019-01-31 | Robert Bosch Gmbh | Steuerungssystem für ein autonomes Fahrzeug |
-
2019
- 2019-11-08 CN CN201911087266.3A patent/CN110781979A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104071033A (zh) * | 2013-12-07 | 2014-10-01 | 西南交通大学 | 燃料电池超级电容混合动力机车参数匹配优化方法 |
DE102017212835A1 (de) * | 2017-07-26 | 2019-01-31 | Robert Bosch Gmbh | Steuerungssystem für ein autonomes Fahrzeug |
CN108615069A (zh) * | 2018-03-25 | 2018-10-02 | 哈尔滨工程大学 | 一种基于改进的具有适应性的量子粒子群算法的优化计算方法 |
Non-Patent Citations (2)
Title |
---|
曾小华 等: "混合动力汽车混合度设计方法研究", 《农业机械学报》 * |
林歆悠 等: "混合动力系统多目标优化的混合度参数匹配方法", 《福州大学学报( 自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828437A (zh) * | 2023-02-17 | 2023-03-21 | 中汽研汽车检验中心(天津)有限公司 | 汽车性能指标综合优化方法、计算设备 |
CN115828437B (zh) * | 2023-02-17 | 2023-05-12 | 中汽研汽车检验中心(天津)有限公司 | 汽车性能指标综合优化方法、计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107878445B (zh) | 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 | |
Yang et al. | A stochastic predictive energy management strategy for plug-in hybrid electric vehicles based on fast rolling optimization | |
CN110775065B (zh) | 一种基于工况识别的混合动力汽车电池寿命预测方法 | |
CN102729987B (zh) | 一种混合动力公交车能量管理方法 | |
CN103350696B (zh) | 一种控制混合动力汽车扭矩输出的装置及方法 | |
CN109532513A (zh) | 一种双轴驱动电动汽车最优驱动转矩分配策略生成方法 | |
CN109555847B (zh) | 一种基于动态规划的混合动力公交车amt换挡方法 | |
Ao et al. | Fuel economy and NO x emission potential investigation and trade-off of a hybrid electric vehicle based on dynamic programming | |
CN115284973A (zh) | 基于改进多目标Double DQN的燃料电池汽车能量管理方法 | |
Hu et al. | Energy management optimization method of plug-in hybrid-electric bus based on incremental learning | |
CN113276829B (zh) | 一种基于工况预测的车辆行驶节能优化变权重方法 | |
CN110781979A (zh) | 一种插电式混合动力汽车总成的参数匹配方法 | |
CN117002472B (zh) | 一种混合动力电动汽车能量管理优化方法及系统 | |
CN113997925B (zh) | 一种插电式混合动力系统能量管理方法 | |
CN106347373A (zh) | 一种基于电池荷电状态预测的动态规划方法 | |
CN110641470A (zh) | 一种融合驾驶员偏好的纯电动汽车驾驶辅助系统优化方法 | |
Abdelmoula et al. | Multiobjective optimisation of a series hybrid electric vehicle using DIRECT algorithm | |
Zhang et al. | Energy management of hybrid electric vehicles based on model predictive control and deep reinforcement learning | |
Sunitha et al. | Driver classification for hybrid electric vehicles based on fuel consumption index | |
Chen et al. | Real-time energy management strategy of multi-wheel electric drive vehicles with load power prediction function | |
Sun et al. | A Dynamic Programming based Fuzzy Logic Energy Management Strategy for Series-parallel Hybrid Electric Vehicles. | |
Zhuang et al. | Optimal energy management strategy design for a diesel parallel hybrid electric vehicle | |
Hou et al. | Control Strategy of Power Intelligent System of Electric Vehicle Based on Improved Particle Swarm Optimization | |
Wang et al. | A finite horizon optimisation-based energy management method for a dual-mode power-split hybrid electric vehicle | |
Saiteja et al. | Assessment of Adaptive Self-Learning-Based BLDC Motor Energy Management Controller in Electric Vehicles Under Real-World Driving Conditions for Performance Characteristics |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200211 |