CN110834548A - 一种顺序选择遗传算法的分布式驱动汽车能效优化方法 - Google Patents
一种顺序选择遗传算法的分布式驱动汽车能效优化方法 Download PDFInfo
- Publication number
- CN110834548A CN110834548A CN201911093322.4A CN201911093322A CN110834548A CN 110834548 A CN110834548 A CN 110834548A CN 201911093322 A CN201911093322 A CN 201911093322A CN 110834548 A CN110834548 A CN 110834548A
- Authority
- CN
- China
- Prior art keywords
- hub motor
- ith individual
- motor
- individual
- kth moment
- 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.)
- Granted
Links
Images
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
-
- 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
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Transportation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Sustainable Development (AREA)
- Genetics & Genomics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Sustainable Energy (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
Abstract
本发明公开了一种顺序选择遗传算法的分布式驱动汽车能效优化方法,其工作于分布式驱动汽车,由车辆需求转矩和动力电池剩余电量SOC确定电机转矩分配系数,并以各电机转矩分配系数限定各电机转矩,采用顺序选择遗传算法优化各个车轮的驱动电机转矩。本发明根据每个车轮的负载力矩的调节驱动力矩大小而不限定于需要每个车轮具有相同的电机构型,节约电能。
Description
技术领域
本发明涉及一种分布式驱动汽车能效优化方法,特别是一种顺序选择遗传算法的分布式驱动汽车能效优化方法。
背景技术
发展电动汽车已经成为应对交通领域的能源安全问题与空气污染问题的共同选择。在各类电动汽车中,四轮分布式驱动电动汽车被认为是纯电驱动汽车的前沿技术,分布式驱动包括轮毂电机驱动和轮边电机驱动两种形式,四轮分布式驱动可以单独控制每个电机的输出转矩,动力可控自由度高,可以实现更加优化的整车动态协调控制;由于采用了线控技术,省却了变速箱、传动轴、主减速器、差速器等机械传动结构,大大简化了动力系统结构,一方面可以提高传动效率,另一方面有利于整车轻量化;动力系统高度模块化,有利于空间布置,可以降低汽车底盘和重心,这对提高汽车的操纵稳定性具有重大意义。
四轮分布式驱动电动汽车系统在动力性和能效方面具有很大的潜力。该系统具有控制灵活、响应快的优势,但是现有的系统控制方法主要是通过基于实时搜索算法,其在能效控制上还不是很理想,如何控制四个车轮电机工作,使其在发挥性能优势的同时能效达到最优,是该技术产业化的关键问题,因此研究四轮分布式驱动系统的能效优化问题有十分重要的意义。
现有技术涉及的分布式驱动电动汽车能效优化控制方法认为最优的转矩分配策略应该在四轮平均分配模式和两轮模式之间进行切换:当总转矩需求较低的时候,两前轮或者两后轮输出转矩,另外两个电机不工作;当总转矩需求较高的时候,四轮转矩平均分配。以上研究都是基于电机数学模型或者电机效率特性图已知的前提,并且以上控制策略都只适用于前后轴采用相同的电机的构型,而对于前后轴电机不一致的构型则不适用。但是从现有车型设计角度来说,前轮毂后轮边电机构型具有很大发展潜力:高速电机和低速电机或者高效率电机和高性能电机的组合可以在保证驱动能力的同时拓宽电机驱动的综合高效区;因此研究针对不同电机构型的四轮分布式驱动系统能效最优有十分重要的意义。
发明内容
针对上述现有技术的缺陷,本发明的目的是提供一种顺序选择遗传算法的分布式驱动汽车能效优化方法,以适应四车轮具有不同电机构型的电机转矩优化,以提升能效。
本发明的技术方案是这样的:一种顺序选择遗传算法的分布式驱动汽车能效优化方法,所述分布式驱动汽车包括:左前轮驱动电机、右前轮驱动电机、左后轮驱动电机和右后轮驱动电机,所述左前轮驱动电机与左前车轮机械连接,所述右前轮驱动电机与右前车轮机械连接,所述左后轮驱动电机与左后车轮机械连接,所述右后轮驱动电机与右后车轮机械连接,所述左前轮驱动电机与左前轮驱动电机控制器电气连接,所述右前轮驱动电机与右前轮驱动电机控制器电气连接,所述左后轮驱动电机与左后轮驱动电机控制器电气连接,所述右后轮驱动电机与右后轮驱动电机控制器电气连接;所述动力电池组分别与左前轮驱动电机控制器、右前轮驱动电机控制器、左后轮驱动电机控制器和右后轮驱动电机控制器电气连接,整车控制器分别与左前轮驱动电机控制器、右前轮驱动电机控制器、左后轮驱动电机控制器、右后轮驱动电机控制器和动力电池组电气连接;
所述能效优化方法包括以下步骤:
步骤1、在汽车行驶过程中,实时监测动力电池剩余电量SOC、车辆行驶速度及油门踏板开度,由所述车辆行驶速度和油门踏板开度计算车辆需求转矩,进入步骤2;
步骤2、由所述动力电池剩余电量SOC确定电机转矩分配系数,所述动力电池剩余电量SOC大于第一限值时,所述电机转矩分配系数为第一值,所述动力电池剩余电量SOC小于等于所述第一限值且大于第二限值时,所述电机转矩分配系数为第二值,所述动力电池剩余电量SOC小于等于所述第二限值时,所述电机转矩分配系数为第三值;所述第一限值>所述第二限值,所述第三值<所述第二值<所述第一值≤1;
步骤3、以顺序选择遗传算法优化所述左前驱动电机转矩Tm1,所述右前轮毂电机转矩Tm2、所述左后轮毂电机转矩Tm3、所述右后轮毂电机转矩Tm4,所述Tm1、Tm2、Tm3和Tm4的范围由对应的电机技术参数确定,具体依次包括以下步骤;
步骤301、种群初始化,采用十进制编码方法对汽车四个电机转矩Tm1,Tm2,Tm3和Tm4进行编码,种群规模定义为N,交叉率为Pc,变异率为Pm,最好的个体的选择概率为q,迭代最大代数为Tmax;
步骤302、随机产生N个个体,组成初始种群V={v1,v2,...,vi,...,vN},其中第i个个体为vi=(vi,1,vi,2,vi,3,vi,4),vi,1表示第i个个体第k时刻左前轮毂电机转矩Tm1(k)i大小,vi,2表示第i个个体第k时刻右前轮毂电机转矩Tm2(k)i大小,vi,3表示第i个个体第k时刻左后轮毂电机转矩Tm3(k)i大小,vi,4表示第i个个体第k时刻右后轮毂电机转矩Tm4(k)i大小,将当前优化代数设置为t=1;
步骤303、计算V中的每个个体vi的适应度值大小,即第i个个体第k时刻汽车实施总效率η(k)i大小;
步骤4、判断当前优化代数t是否等于Tmax,若为是则停止计算,取V中适应度值最大的个体,即第i个个体第k时刻实时总效率η(k)i最高的个体vi作为所求结果并根据对应的Tm1(k)i、Tm2(k)i、Tm3(k)i和Tm4(k)i控制所述左前轮毂电机、右前轮毂电机、左后轮毂电机和右后轮毂电机,然后根据以下公式计算四个电机的转矩之和Tm(k)i,然后结束流程,如果t<Tmax,进入步骤5;
Tm(k)i=ψ1=Tm1(k)i+ψ2×Tm2(k)i+ψ3×Tm3(k)i+ψ4×Tm4(k)i;
步骤5、按照适应度值大小对个体进行排序;
步骤6、定义最好的个体的选择概率为q,则排序后的第i个个体第k时刻的选择概率为:
其中,i=1,2,...,N。
然后按照上述概率所决定的选中机会选择再生个体;
步骤7、根据交叉率Pc到新的群体V2;
步骤8、由V2按照变异率Pm根据基本的单点变异方法得到群体V3;
步骤9、将群体V3作为新一代种群,用V3代替V,并另t=t+1,并返回步骤303。
进一步地,所述步骤303中第i个个体第k时刻汽车实施总效率η(k)i大小由以下公式计算得到:
其中,Pout,1(k)i为第i个个体第k时刻的左前轮毂电机实时输出功率;Pout,2(k)i为第i个个体第k时刻的右前轮毂电机实时输出功率;Pout,3(k)i为第i个个体第k时刻的左后轮毂电机实时输出功率;Pout,4(k)i为第i个个体第k时刻的右后轮毂电机实时输出功率;Pin,1(k)i为第i个个体第k时刻的左前轮毂电机实时输入功率;Pin,2(k)i为第i个个体第k时刻的右前轮毂电机实时输入功率;Pin,3(k)i为第i个个体第k时刻的左后轮毂电机实时输入功率;Pin,4(k)i为第i个个体第k时刻的右后轮毂电机实时输入功率。
进一步地,第i个个体第k时刻的左前轮毂电机的实时输入输出功率为:
其中,U1(k)i为第i个个体第k时刻的左前轮毂电机输入端母线电压;I1(k)i为第i个个体第k时刻的左前轮毂电机输入端母线电流;n1(k)i为第i个个体第k时刻的左前轮毂电机的转速;ψ1为第i个个体第k时刻左前轮毂电机的转矩分配系数,
进一步地,所述第i个个体第k时刻的右前轮毂电机的实时输入输出功率为:
其中,U2(k)i为第i个个体第k时刻的右前轮毂电机输入端母线电压;I2(k)i为第i个个体第k时刻的右前轮毂电机输入端母线电流;n2(k)i为第i个个体第k时刻的右前轮毂电机的转速;ψ2为第i个个体第k时刻右前轮毂电机的转矩分配系数,
进一步地,第i个个体第k时刻的左后轮毂电机的实时输入输出功率为:
其中,U3(k)i为第i个个体第k时刻的左后轮毂电机输入端母线电压;I3(k)i为第i个个体第k时刻的左后轮毂电机输入端母线电流;n3(k)i为第i个个体第k时刻的左后轮毂电机的转速;ψ3为第i个个体第k时刻左后轮毂电机的转矩分配系数,
进一步地,所述第i个个体第k时刻的右后轮毂电机的实时输入输出功率为:
其中,U4(k)i为第i个个体第k时刻的右后轮毂电机输入端母线电压;I4(k)i为第i个个体第k时刻的右后轮毂电机输入端母线电流;n4(k)i为第i个个体第k时刻的右后轮毂电机的转速;ψ4为第i个个体第k时刻右后轮毂电机的转矩分配系数,
进一步地,所述根据交叉率Pc到新的群体V2是以以下公式进行:
vi'(k)=θvi(k)+(1-θ)vj(k)
vj'(k)=θvj(k)+(1-θ)vi(k)
其中,θ表示0-1之间的随机交叉位置;i∈{1,2,…,N},j∈{1,2,…,N},vi'(k)和vj'(k)表示第k时刻交叉后的新个体,vi(k)和vj(k)表示第k时刻需要交叉的个体。
进一步地,根据变异率Pm由V2根据基本的单点变异方法得到群体V3。
本发明所提供的技术方案的优点在于,顺序遗传算法能够在整个优化空间进行搜索,并将选择概率固定化,每个个体都有可能被选中而产生后代,因此提高了算法在全局的搜索能力,改善了现有专利基于实时搜索算法的局部寻优的弊端。因此选择顺序遗传算法作为分布式驱动汽车中能效优化控制方法。四轮分布式驱动动力系统使得动力系统模式更为灵活,更好根据每个车轮的负载力矩的调节驱动力矩大小而不限定于需要每个车轮具有相同的电机构型,节约电能。
附图说明
图1是分布式驱动汽车系统结构示意图。
图2是本发明涉及的顺序选择遗传算法流程示意图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不作为对本发明的限定。
本发明涉及的顺序选择遗传算法的分布式驱动汽车能效优化方法,是基于一种分布式驱动汽车系统实现的;请结合图1所示,以轮毂电机驱动的分布式驱动汽车系统为例,该系统包括:包括动力电池组9、左前轮轮毂电机1、右前轮轮毂电机2、左后轮轮毂电机3、右后轮轮毂电机4、左前轮轮毂电机控制器5、右前轮轮毂电机控制器6、左后轮轮毂电机控制器7、右后轮轮毂电机控制器8、整车控制器10和车载充电系统11,左前轮轮毂电机1与左前车轮a机械连接,右前轮轮毂电机2与右前车轮b机械连接,左后轮轮毂电机3与左后车轮c机械连接,右后轮轮毂电机4与右后车轮d机械连接,左前轮轮毂电机1与左前轮轮毂电机控制器5电气连接,右前轮轮毂电机2与右前轮轮毂电机控制器6电气连接,左后轮轮毂电机3与左后轮轮毂电机控制器7电气连接,右后轮轮毂电机4与右后轮轮毂电机控制器8电气连接;动力电池组9分别与左前轮轮毂电机控制器5、右前轮轮毂电机控制器6、左后轮轮毂电机控制器7和右后轮轮毂电机控制器8电气连接,整车控制器10分别与左前轮轮毂电机控制器5、右前轮轮毂电机控制器6、左后轮轮毂电机控制器7、右后轮轮毂电机控制器8和动力电池组9电气连接。轮毂电机与轮边电机的主要区别在于轮毂电机安装在车轮内,电机定子及本体与车轮连接并随车轮转动,电机转子与车辆底盘机械连接;轮边电机是电机本体及定子与车身连接,转子通过变速器与车轮连接。本专利所述控制方法,适合于轮毂驱动与轮边驱动,或者两者混合驱动车辆。
四轮分布式驱动电动汽车在行驶过程中,实时监测动力电池剩余电量SOC及动力电池状态信息(包括单体电压、电流、温度、绝缘电阻阻值等),车辆行驶速度,驾驶员意图(实为检测油门踏板开度)。根据车辆行驶速度及油门踏板开度计算车辆需求转矩,根据车辆需求转矩、电池SOC及电池状态信息分配每个车轮电机的转矩。
本专利所述分布式动力系统模型由四台轮毂电动机构成,四台电动机的能量来自车载动力电池组。因此,动力电池组剩余电量直接影响四台驱动电机输出转矩大小,定义电机转矩分配系数ψ的计算公式为ψ=ψ1+ψ2+ψ3+ψ4,其中
Tm1为左前轮毂电机转矩,Tm2为右前轮毂电机转矩,Tm3为左后轮毂电机转矩,Tm4为右后轮毂电机转矩。
本专利主要研究前后四个轮毂电机扭矩优化问题。一种顺序选择遗传算法的分布式驱动电动汽车能效优化控制方法的设计步骤如下:
(1)确定优化设计变量:设计变量一共包括四个参数,分别为:左前轮毂电机转矩Tm1,油钱轮毂电机转矩Tm2、左后轮毂电机转矩Tm3、右后轮毂电机转矩Tm4。
(2)确定优化设计目标:系统为单目标优化,优化目标为分布式驱动电动汽车实时总效率最高。
(3)确定优化限制条件:Tm1,Tm2,Tm3和Tm4的工作范围由电机技术参数确定,在动力系统选型时已确定。
(4)具体优化流程如下:
所述能效优化方法包括以下步骤:
步骤一、种群初始化,采用十进制编码方法对汽车四个电机转矩Tm1,Tm2,Tm3和Tm4进行编码,种群规模定义为N,交叉率为Pc,变异率为Pm,最好的个体的选择概率为q,迭代最大代数为Tmax;
步骤二、随机产生N个个体,组成初始种群V={v1,v2,...,vi,...,vN},其中第i个个体为vi=(vi,1,vi,2,vi,3,vi,4),vi,1表示第i个个体第k时刻左前轮毂电机转矩Tm1(k)i大小,vi,2表示第i个个体第k时刻右前轮毂电机转矩Tm2(k)i大小,vi,3表示第i个个体第k时刻左后轮毂电机转矩Tm3(k)i大小,vi,4表示第i个个体第k时刻右后轮毂电机转矩Tm4(k)i大小,将当前优化代数设置为t=1(t≤Tmax);
步骤三、将公式(1)作为适应度函数,采用该公式计算V中的每个个体vi的适应度值大小,即第i个个体第k时刻汽车实施总效率η(k)i大小;
其中,Pout,1(k)i为第i个个体第k时刻的左前轮毂电机实时输出功率;Pout,2(k)i为第i个个体第k时刻的右前轮毂电机实时输出功率;Pout,3(k)i为第i个个体第k时刻的左后轮毂电机实时输出功率;Pout,4(k)i为第i个个体第k时刻的右后轮毂电机实时输出功率;Pin,1(k)i为第i个个体第k时刻的左前轮毂电机实时输入功率;Pin,2(k)i为第i个个体第k时刻的右前轮毂电机实时输入功率;Pin,3(k)i为第i个个体第k时刻的左后轮毂电机实时输入功率;Pin,4(k)i为第i个个体第k时刻的右后轮毂电机实时输入功率;
第i个个体第k时刻的左前轮毂电机的实时输入输出功率为:
其中,U1(k)i为第i个个体第k时刻的左前轮毂电机输入端母线电压;I1(k)i为第i个个体第k时刻的左前轮毂电机输入端母线电流;n1(k)i为第i个个体第k时刻的左前轮毂电机的转速;ψ1为第i个个体第k时刻左前轮毂电机的转矩分配系数,
第i个个体第k时刻的右前轮毂电机的实时输入输出功率为:
其中,U2(k)i为第i个个体第k时刻的右前轮毂电机输入端母线电压;I2(k)i为第i个个体第k时刻的右前轮毂电机输入端母线电流;n2(k)i为第i个个体第k时刻的右前轮毂电机的转速;ψ2为第i个个体第k时刻右前轮毂电机的转矩分配系数,
第i个个体第k时刻的左后轮毂电机的实时输入输出功率为:
其中,U3(k)i为第i个个体第k时刻的左后轮毂电机输入端母线电压;I3(k)i为第i个个体第k时刻的左后轮毂电机输入端母线电流;n3(k)i为第i个个体第k时刻的左后轮毂电机的转速;ψ3为第i个个体第k时刻左后轮毂电机的转矩分配系数,
第i个个体第k时刻的右后轮毂电机的实时输入输出功率为:
其中,U4(k)i为第i个个体第k时刻的右后轮毂电机输入端母线电压;I4(k)i为第i个个体第k时刻的右后轮毂电机输入端母线电流;n4(k)i为第i个个体第k时刻的右后轮毂电机的转速;ψ4为第i个个体第k时刻右后轮毂电机的转矩分配系数,
步骤四、判断当前优化代数t是否等于Tmax,若为是则停止计算,取V中适应度值最大的个体,即第i个个体第k时刻实时总效率η(k)i最高的个体vi作为所求结果并根据对应的Tm1(k)i、Tm2(k)i、Tm3(k)i和Tm4(k)i控制所述左前轮毂电机、右前轮毂电机、左后轮毂电机和右后轮毂电机,然后根据公式(6)计算四个电机的转矩之和Tm(k)i,然后结束流程,如果t<Tmax,进入步骤五;
Tm(k)i=ψ1×Tm1(k)i+ψ2×Tm2(k)i+ψ3×Tm3(k)i+ψ4×Tm4(k)i (6)
步骤五、按照适应度值大小对个体vi进行排序;
步骤六、定义最好的个体的选择概率为q,则排序后的第i个个体第k时刻的选择概率为:
其中,i=1,2,...,N。
然后按照上述概率所决定的选中机会选择再生个体。
步骤七、根据交叉率Pc按照公式(8)得到新的群体V2。
其中,θ表示0-1之间的随机交叉位置;i∈{1,2,…,N},j∈{1,2,…,N},vi'(k)和vj'(k)表示第k时刻交叉后的新个体,vi(k)和vj(k)表示第k时刻需要交叉的个体。
步骤八、根据变异率Pm按照基本的单点变异方法得到新的群体V3。
步骤九、将群体V3作为新一代种群,用V3代替V,并另t=t+1,并返回步骤三。
Claims (8)
1.一种顺序选择遗传算法的分布式驱动汽车能效优化方法,其特征在于,所述能效优化方法基于分布式驱动汽车进行,所述分布式驱动汽车包括:左前轮驱动电机、右前轮驱动电机、左后轮驱动电机和右后轮驱动电机,所述左前轮驱动电机与左前车轮机械连接,所述右前轮驱动电机与右前车轮机械连接,所述左后轮驱动电机与左后车轮机械连接,所述右后轮驱动电机与右后车轮机械连接,所述左前轮驱动电机与左前轮驱动电机控制器电气连接,所述右前轮驱动电机与右前轮驱动电机控制器电气连接,所述左后轮驱动电机与左后轮驱动电机控制器电气连接,所述右后轮驱动电机与右后轮驱动电机控制器电气连接;所述动力电池组分别与左前轮驱动电机控制器、右前轮驱动电机控制器、左后轮驱动电机控制器和右后轮驱动电机控制器电气连接,整车控制器分别与左前轮驱动电机控制器、右前轮驱动电机控制器、左后轮驱动电机控制器、右后轮驱动电机控制器和动力电池组电气连接;
所述能效优化方法包括以下步骤:
步骤1、在汽车行驶过程中,实时监测动力电池剩余电量SOC、车辆行驶速度及油门踏板开度,由所述车辆行驶速度和油门踏板开度计算车辆需求转矩,进入步骤2;
步骤2、由所述动力电池剩余电量SOC确定电机转矩分配系数,所述动力电池剩余电量SOC大于第一限值时,所述电机转矩分配系数为第一值,所述动力电池剩余电量SOC小于等于所述第一限值且大于第二限值时,所述电机转矩分配系数为第二值,所述动力电池剩余电量SOC小于等于所述第二限值时,所述电机转矩分配系数为第三值;所述第一限值>所述第二限值,所述第三值<所述第二值<所述第一值≤1;
步骤3、以顺序选择遗传算法优化所述左前驱动电机转矩Tm1,所述右前轮毂电机转矩Tm2、所述左后轮毂电机转矩Tm3、所述右后轮毂电机转矩Tm4,所述Tm1、Tm2、Tm3和Tm4的范围由对应的电机技术参数确定,具体依次包括以下步骤;
步骤301、种群初始化,采用十进制编码方法对汽车四个电机转矩Tm1,Tm2,Tm3和Tm4进行编码,种群规模定义为N,交叉率为Pc,变异率为Pm,最好的个体的选择概率为q,迭代最大代数为Tmax;
步骤302、随机产生N个个体,组成初始种群V={v1,v2,...,vi,...,vN},其中第i个个体为vi=(vi,1,vi,2,vi,3,vi,4),vi,1表示第i个个体第k时刻左前轮毂电机转矩Tm1(k)i大小,vi,2表示第i个个体第k时刻右前轮毂电机转矩Tm2(k)i大小,vi,3表示第i个个体第k时刻左后轮毂电机转矩Tm3(k)i大小,vi,4表示第i个个体第k时刻右后轮毂电机转矩Tm4(k)i大小,将当前优化代数设置为t=1;
步骤303、计算V中的每个个体vi的适应度值大小,即第i个个体第k时刻汽车实施总效率η(k)i大小;
步骤4、判断当前优化代数t是否等于Tmax,若为是则停止计算,取V中适应度值最大的个体,即第i个个体第k时刻实时总效率η(k)i最高的个体vi作为所求结果并根据对应的Tm1(k)i、Tm2(k)i、Tm3(k)i和Tm4(k)i控制所述左前轮毂电机、右前轮毂电机、左后轮毂电机和右后轮毂电机,然后根据以下公式计算四个电机的转矩之和Tm(k)i,然后结束流程,如果t<Tmax,进入步骤5;
Tm(k)i=ψ1×Tm1(k)i+ψ2×Tm2(k)i+ψ3×Tm3(k)i+ψ4×Tm4(k)i;
步骤5、按照适应度值大小对个体进行排序;
步骤6、定义最好的个体的选择概率为q,则排序后的第i个个体第k时刻的选择概率为:
其中,i=1,2,...,N。
然后按照上述概率所决定的选中机会选择再生个体;
步骤7、根据交叉率Pc到新的群体V2;
步骤8、由V2按照变异率Pm根据基本的单点变异方法得到群体V3;
步骤9、将群体V3作为新一代种群,用V3代替V,并另t=t+1,并返回步骤303。
2.根据权利要求1所述的顺序选择遗传算法的分布式驱动汽车能效优化方法,其特征在于,所述步骤303中第i个个体第k时刻汽车实施总效率η(k)i大小由以下公式计算得到
其中,Pout,1(k)i为第i个个体第k时刻的左前轮毂电机实时输出功率;Pout,2(k)i为第i个个体第k时刻的右前轮毂电机实时输出功率;Pout,3(k)i为第i个个体第k时刻的左后轮毂电机实时输出功率;Pout,4(k)i为第i个个体第k时刻的右后轮毂电机实时输出功率;Pin,1(k)i为第i个个体第k时刻的左前轮毂电机实时输入功率;Pin,2(k)i为第i个个体第k时刻的右前轮毂电机实时输入功率;Pin,3(k)i为第i个个体第k时刻的左后轮毂电机实时输入功率;Pin,4(k)i为第i个个体第k时刻的右后轮毂电机实时输入功率。
7.根据权利要求1所述的顺序选择遗传算法的分布式驱动汽车能效优化方法,其特征在于,所述根据交叉率Pc到新的群体V2是以以下公式进行:
vi'(k)=θvi(k)+(1-θ)vj(k)
vj'(k)=θvj(k)+(1-θ)vi(k)
其中,θ表示0-1之间的随机交叉位置;i∈{1,2,…,N},j∈{1,2,…,N},vi'(k)和vj'(k)表示第k时刻交叉后的新个体,vi(k)和vj(k)表示第k时刻需要交叉的个体。
8.根据权利要求1所述的顺序选择遗传算法的分布式驱动汽车能效优化方法,其特征在于,根据变异率Pm由V2按照变异率根据基本的单点变异方法得到群体V3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911093322.4A CN110834548B (zh) | 2019-11-11 | 2019-11-11 | 一种顺序选择遗传算法的分布式驱动汽车能效优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911093322.4A CN110834548B (zh) | 2019-11-11 | 2019-11-11 | 一种顺序选择遗传算法的分布式驱动汽车能效优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110834548A true CN110834548A (zh) | 2020-02-25 |
CN110834548B CN110834548B (zh) | 2021-04-06 |
Family
ID=69576359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911093322.4A Active CN110834548B (zh) | 2019-11-11 | 2019-11-11 | 一种顺序选择遗传算法的分布式驱动汽车能效优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110834548B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN103402809A (zh) * | 2011-01-13 | 2013-11-20 | 卡明斯公司 | 用于控制混合动力传动系中的功率输出分布的系统、方法和装置 |
CN104376364A (zh) * | 2014-11-21 | 2015-02-25 | 国家电网公司 | 基于遗传算法的智能家居负荷管理优化方法 |
CN108595853A (zh) * | 2018-04-28 | 2018-09-28 | 吉林大学 | 一种基于遗传算法的并联混合动力汽车参数优化设计方法 |
CN109774493A (zh) * | 2019-01-18 | 2019-05-21 | 南昌大学 | 一种基于分布式电驱动车辆的最优转矩分配方法 |
FR3076775A1 (fr) * | 2018-01-15 | 2019-07-19 | Institut De Recherche Technologique Systemx | Procede d'optimisation du profil de vitesse d'un vehicule ferroviaire et dispositifs associes |
-
2019
- 2019-11-11 CN CN201911093322.4A patent/CN110834548B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN103402809A (zh) * | 2011-01-13 | 2013-11-20 | 卡明斯公司 | 用于控制混合动力传动系中的功率输出分布的系统、方法和装置 |
CN104376364A (zh) * | 2014-11-21 | 2015-02-25 | 国家电网公司 | 基于遗传算法的智能家居负荷管理优化方法 |
FR3076775A1 (fr) * | 2018-01-15 | 2019-07-19 | Institut De Recherche Technologique Systemx | Procede d'optimisation du profil de vitesse d'un vehicule ferroviaire et dispositifs associes |
CN108595853A (zh) * | 2018-04-28 | 2018-09-28 | 吉林大学 | 一种基于遗传算法的并联混合动力汽车参数优化设计方法 |
CN109774493A (zh) * | 2019-01-18 | 2019-05-21 | 南昌大学 | 一种基于分布式电驱动车辆的最优转矩分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110834548B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021223594A1 (zh) | 一种分布式驱动电动汽车驱动系统多目标优化方法和系统 | |
CN110304044B (zh) | 基于ecms的phev四驱转矩分配方法 | |
CN110203075B (zh) | 一种四轮轮毂电机车辆系统动力匹配方法 | |
CN109466540B (zh) | 一种四驱混合动力车辆的整车控制方法 | |
CN110395243B (zh) | 一种cvt插电式四驱混合动力汽车的cvt速比优化及能量管理方法 | |
da Silva et al. | Dual HESS electric vehicle powertrain design and fuzzy control based on multi-objective optimization to increase driving range and battery life cycle | |
CN104760591B (zh) | 混合动力综合控制系统 | |
CN108466544A (zh) | 一种双模功率分流式混合动力系统的参数匹配方法 | |
CN110210098B (zh) | 增程式四驱混合动力汽车传动参数匹配方法 | |
CN112026532B (zh) | 一种纯电动四驱扭矩分配控制方法 | |
CN111409471A (zh) | 一种四驱电动汽车的扭矩控制方法 | |
CN110834624B (zh) | 一种自适应遗传算法的全混动汽车能效优化控制方法 | |
CN110837679A (zh) | 一种基于自适应遗传算法的分布式驱动汽车能效优化方法 | |
Ruan et al. | Delayed deep deterministic policy gradient-based energy management strategy for overall energy consumption optimization of dual motor electrified powertrain | |
CN109624977B (zh) | 一种混合动力汽车的巡航模式控制方法 | |
CN110929335A (zh) | 一种自适应异步粒子群的分布式驱动汽车能效控制方法 | |
CN108583293B (zh) | 新能源汽车的制动回馈扭矩分配方法及其四驱控制系统 | |
CN110834548B (zh) | 一种顺序选择遗传算法的分布式驱动汽车能效优化方法 | |
CN116278803B (zh) | 四轮毂电机驱动电动汽车节能转矩分配系统及其控制方法 | |
CN117227698A (zh) | 一种甲醇增程矿卡的功率分配控制方法及系统 | |
CN105667346A (zh) | 一种三电机混合驱动载货汽车及动力系统参数匹配方法 | |
CN110194179B (zh) | 一种串联式混合动力电动汽车动力模式的确定系统 | |
CN111055694B (zh) | 一种基于规则的四轮分布式驱动转矩分配方法 | |
CN108984860B (zh) | 一种复合电源eps的电源参数优化方法 | |
CN110834623A (zh) | 一种基于顺序选择遗传算法的全混动汽车能效优化方法 |
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 |