CN110834624B - 一种自适应遗传算法的全混动汽车能效优化控制方法 - Google Patents

一种自适应遗传算法的全混动汽车能效优化控制方法 Download PDF

Info

Publication number
CN110834624B
CN110834624B CN201911094546.7A CN201911094546A CN110834624B CN 110834624 B CN110834624 B CN 110834624B CN 201911094546 A CN201911094546 A CN 201911094546A CN 110834624 B CN110834624 B CN 110834624B
Authority
CN
China
Prior art keywords
torque
motor
engine
ith individual
individual
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.)
Active
Application number
CN201911094546.7A
Other languages
English (en)
Other versions
CN110834624A (zh
Inventor
王佳
张盛龙
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.)
Anhui Dehan Automobile Engineering Design Co.,Ltd.
Original Assignee
Changshu Institute of Technology
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 Changshu Institute of Technology filed Critical Changshu Institute of Technology
Priority to CN201911094546.7A priority Critical patent/CN110834624B/zh
Publication of CN110834624A publication Critical patent/CN110834624A/zh
Application granted granted Critical
Publication of CN110834624B publication Critical patent/CN110834624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/08—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of electric propulsion units, e.g. motors or generators
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/24—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means
    • B60W10/26—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means for electrical energy, e.g. batteries or capacitors
    • 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
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • 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
    • 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
    • Y02T10/62—Hybrid vehicles
    • 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
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (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)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Hybrid Electric Vehicles (AREA)

Abstract

本发明公开了一种基于自适应遗传算法的全混动汽车能效优化方法，涉及一种混合动力汽车的控制方法。为了解决现有混合动力系统的控制方法没有将汽车的能效发挥到最优的问题。本发明根据汽车的运行情况实时切换动力系统驱动模式，在纯电动驱动模式和两种HEV三动力混合模式下计算全混合动力汽车的前驱动电机转矩Tm1，前ISG电机转矩Tm2和后驱动电机转矩Tm3，然后以这三个转矩参数作为优化设计变量，采用自适应遗传算法优化三参数转矩大小，最终获得总效率最高的转矩匹配方案，为混合动力汽车的能效优化控制提供必要的技术支持。本发明适用于汽车设计制造领域。

Description

一种自适应遗传算法的全混动汽车能效优化控制方法
技术领域
本发明涉及一种汽车能效优化方法，尤其涉及一种基于自适应遗传算法的全混动汽车能效优化方法。
背景技术
混合动力汽车是指由两种动力源驱动车辆行驶的车辆，根据车辆使用工况的要求，适时调整两种动力源参与驱动的比例，达到节省能源和减少排放的效果。混合动力汽车的使用工况包括起步加速阶段，正常行驶阶段，制动减速阶段。在起步阶段，由于电动机具备低速大扭矩的特性，首先启动电动机工作，当车速达到巡航速度时，再启动发动机驱动车辆行驶；如车辆需要爬坡或者加速行驶时，同时启动发动机和电动机驱动车辆行驶。当发动机尚有后备功率且动力电池组亏电时，电动机改为发电模式，利用发动机的后备功率为电池组充电。当车辆制动时，电动机改为发电模式，最大限度地回收制动动能，达到节约能源的效果。总之，混合动力系统一般以燃油经济性为控制目标，通过控制两个动力源的工作状态，达到节油效果。
混合动力汽车按照电能参与比例可以分为微混合动力汽车、中度混合动力汽车、全混合动力汽车。微混合动力汽车一般只具有起停功能，城市工况可以节约燃油3％-5％；中度混合动力汽车一般是指ISG系统(集成式启动电机)，电动机参与车辆驱动，制动时电动机改为发电模式，回收制动能量；全混合动力汽车是指发动机、电动机都具备独立驱动车辆行驶的能力，根据工况调整油电参与比例。
混合动力汽车还可以分为串联式混合动力、并联式混合动力、混联式混合动力汽车。串联式混合动力是指发动机不直接参与驱动车辆，一般由内燃机直接带动发电机发电，产生的电能通过控制单元传到电池，再由电池传输给电机转化为动能，最后通过变速机构来驱动汽车；并联式混合动力系统有两套驱动系统：传统的内燃机系统和电机驱动系统。这两个系统既可以同时协调工作，又可以各自单独工作驱动汽车；混联式混合动力系统的特点在于内燃机系统和电机驱动系统各有一套机械变速机构，两套机构或通过齿轮系，或采用行星轮式结构结合在一起，从而综合调节内燃机与电动机之间的转速关系。与并联式混合动力系统相比，混联式动力系统可以更加灵活地根据工况来调节内燃机的功率输出和电机的运转，目前为最先进的混合动力车辆使用。
现有专利涉及的混合动力汽车能效优化控制方法主要通过优化两个驱动电机的参数来实现能效优化，通过计算在纯电动驱动模式和两种HEV三动力混合模式下电动汽车两台驱动电机的目标总转矩，通过优化算法获得最优优化系数分配给两个驱动电机，达到优化效果。该专利存在的主要问题在于车辆模型先进性差，目前市场主流混动产品主要为三电机全混合动力系统，同时基于搜索算法的优化模型很难保证得到全局最优解。
发明内容
发明目的：本发明的目的是为了解决现有技术车辆模型先进性差，目前市场主流混动产品主要为三电机全混合动力系统，同时基于搜索算法的优化模型很难保证得到全局最优解的问题。
技术方案：为了实现上述目的，本发明采用了如下技术方案：
一种基于自适应遗传算法的全混动汽车能效优化方法，包括以下步骤：
1)确定优化设计变量：设计变量一共包括三个参数，分别为：前驱动电机转矩Tm1，前ISG电机转矩Tm2和后驱动电机转矩Tm3；
2)确定优化设计目标：优化目标为混合动力汽车实时总效率最高；
3)确定优化限制条件：根据动力系统的电机技术参数确定Tm1，Tm2和Tm3的工作范围；
4)基于自适应遗传算法进行能效优化，所述能效优化方法包括以下步骤：
步骤一、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，当SOC低于30％时，进入步骤二，否则进入步骤五；
步骤二、控制发动机启动，当车辆的总转矩需求大于发动机输出的最大转矩，进入步骤三，否则进入步骤四；
步骤三、系统总的转矩需求为Tq计算三个驱动电机允许输出的最大转矩之和Tm，则发动机输出的最小转矩Te1＝Tq-Tm；根据节气门开度、换挡策略及油门踏板信号，确定发动机工作范围；发动机按高效区最小转矩工作，三个电机的转矩之和为：Tm＝Tq-Te1，三个电机之间的转矩应用顺序遗传算法计算转矩，考虑到转矩分配系数的影响，Tm＝ψ1×Tm1+ψ2×Tm2+ψ3×Tm3；其中：ψ1、ψ2和ψ3为三个电机的转矩分配系数；如果车辆为前驱模式，前两个电机之间的转矩应用顺序遗传算法计算，Tm＝ψ1×Tm1+ψ2×Tm2；
步骤四、种群初始化，采用十进制编码方法对汽车三个转矩Tm1，Tm2和Tm3进行编码，种群规模定义为N，交叉常数k1和k2，变异常数k3和k4，迭代最大代数为Tmax，随机产生N个个体；
步骤五、计算初始种群中的每个个体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；
步骤六、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和Tm3(k)i控制所述前驱动电机、ISG电机和后驱动电机；其中：Tm1(k)i为第i个个体第k时刻前驱动电机转矩大小；Tm2(k)i为第i个个体第k时刻ISG电机转矩大小；Tm3(k)i为第i个个体第k时刻后驱动电机转矩大小，然后根据公式(5)计算三个电机的转矩之和，然后结束流程；
步骤七、计算交叉率Pc并根据交叉率Pc得到新的群体V2；
所述步骤七中，具体地，按照公式(7)计算交叉率Pc，然后根据交叉率Pc按照公式(8)得到新的群体V2：
Figure GDA0002676827230000031
vi'(k)＝θvi(k)+(1-θ)vj(k) (8)
vj'(k)＝θvj(k)+(1-θ)vi(k)
其中，k1和k2为0-1之间的交叉常数；ηmax表示η(k)i中的最大效率大小；ηavg表示η(k)i的平均效率大小；ηc表示要交叉的两个个体中较大的效率；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、计算变异率Pm并根据变异率Pm得到新的群体V3；
所述步骤八中，具体地，按照公式(9)计算变异率Pm，然后根据变异率Pm按照基本的单点变异方法得到新的群体V3：
Figure GDA0002676827230000041
其中，k3和k4为0-1之间的自定义常数；ηmax表示η(k)i中的最大效率大小；ηavg表示η(k)i的平均效率大小；ηb’表示要变异个体的效率大小；
步骤九、将群体V3作为新一代种群，用V3代替V，并令t＝t+1，并返回步骤五；
步骤十、根据系统总的转矩需求与发动机经济区最小转矩间的大小关系，决定实行发动机单独驱动模式，还是并联前驱模式；
步骤十一、当系统总的转矩需求小于三个电机的转矩之和，执行步骤六，否则执行步骤七；
步骤十二、车辆为纯电驱动模式，三个电机之间的转矩应用顺序遗传算法计算转矩，考虑到转矩分配系数的影响，Tm＝ψ1×Tm1+ψ2×Tm2+ψ3×Tm3；如果车辆为前驱模式，前两个电机之间的转矩应用顺序遗传算法计算，Tm＝ψ1×Tm1+ψ2×Tm2；进入步骤三，执行优化操作，否则执行步骤十二；
步骤十三、控制发动机启动，根据节气门开度、换挡策略及油门踏板信号，确定发动机工作范围；发动机按高效区最小转矩工作，三个电机的转矩之和为：Tm＝Tq-Te1，三个电机之间的转矩应用顺序遗传算法计算转矩，考虑到转矩分配系数的影响，Tm＝ψ1×Tm1+ψ2×Tm2+ψ3×Tm3；如果车辆为前驱模式，前两个电机之间的转矩应用顺序遗传算法计算，Tm＝ψ1×Tm1+ψ2×Tm2；进入步骤三。
进一步地，所述步骤四中，种群初始化具体地，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,1表示第i个个体第k时刻前驱动电机转矩Tm1(k)i大小，vi,2表示第i个个体第k时刻ISG电机转矩Tm2(k)i大小，vi,3表示第i个个体第k时刻后驱动电机转矩Tm3(k)i大小，将当前优化代数设置为t＝1，且t≤Tmax。
进一步地，所述步骤五中，如果车辆为前驱模式，式(1)中的Pout,3(k)i和Pin,3(k)i为0，则令Tm3(k)为0，进入两参数优化设计；
Figure GDA0002676827230000051
其中，Pout,1(k)i为第i个个体第k时刻的前驱动电机实时输出功率；Pout,2(k)i为第i个个体第k时刻的前ISG电机实时输出功率；Pout,3(k)i为第i个个体第k时刻的后驱动电机实时输出功率；Pin,1(k)i为第i个个体第k时刻的前驱动电机实时输入功率；Pin,2(k)i为第i个个体第k时刻的前ISG电机实时输入功率；Pin,3(k)i为第i个个体第k时刻的后驱动电机实时输入功率；
第i个个体第k时刻的前驱动电机的实时输入输出功率为：
Figure GDA0002676827230000052
其中，U1(k)i为第i个个体第k时刻的前驱动电机输入端母线电压；I1(k)i为第i个个体第k时刻的前驱动电机输入端母线电流；n1(k)i为第i个个体前驱动电机的转速；ψ1为前驱动电机的转矩分配系数；
第i个个体第k时刻的前ISG电机的实时输入输出功率为：
Figure GDA0002676827230000053
其中，U2(k)i为第i个个体第k时刻的前ISG电机输入端母线电压；I2(k)i为第i个个体第k时刻的前ISG电机输入端母线电流；n2(k)i为第i个个体第k时刻的前ISG电机的转速；ψ2为前ISG电机的转矩分配系数；
第i个个体第k时刻的后驱动电机的实时输入输出功率为：
Figure GDA0002676827230000054
其中，U3(k)i为第i个个体第k时刻的后驱动电机输入端母线电压；I3(k)i为第i个个体第k时刻的后驱动电机输入端母线电流；n3(k)i为第i个个体第k时刻的后驱动电机的转速；ψ3为后驱动电机的转矩分配系数。
进一步地，所述步骤六中，根据公式(5)计算三个电机的转矩之和：
Tm(k)i＝ψ1×Tm1(k)i+ψ2×Tm2(k)i+ψ3×Tm3(k)i (5)
其中ψ1、ψ2和ψ3为三个电机的转矩分配系数，
Figure GDA0002676827230000061
Figure GDA0002676827230000062
如果t<Tmax，采用公式(6)计算概率：
Figure GDA0002676827230000063
然后按照上述概率所决定的选中机会选择再生个体，电机系统实时效率η(k)i高的个体被选中的概率高，电机系统实时效率η(k)i低的个体可能被淘汰。
进一步地，所述步骤十中，系统总的转矩需求大于发动机经济区最小转矩，实行发动机单独驱动模式；系统总的转矩需求小于发动机经济区最小转矩，实行并联前驱模式，控制发动机启动，根据节气门开度、换挡策略及油门踏板信号确定发动机工作范围；ISG电机改为发电模式，发动机输出转矩除了满足车辆行驶需要之外，剩余转矩由ISG电机发电，为动力电池组充电。
与现有技术相比，本发明的有益效果是：
虽然遗传算法能够有效的对优化空间进行搜索，但是该算法中交叉概率和变异概率的选择影响算法的优化精度和收敛速度，针对不同的优化问题，非常难确定最佳的交叉和变异概率。通过采用自适应遗传算法能够获得最合适的交叉和变异概率。因此选择自适应遗传算法作为混合动力汽车中能效优化控制方法。全混合动力系统使得动力系统模式更为灵活，更好的利用发动机后备功率以及在制动式回收电能。
附图说明
图1为本发明的结构示意图；
图2为本发明控制方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
全混动系统的工作流程：混动模式的工作条件为：系统检测动力电池SOC值是否小于设定的发动机启动工作的限值，发动机启动工作。此时，存在三种工作状态，当系统的总扭矩需求Tq在发动机高效区工作时的扭矩区间(Te0，Te1)，发动机单独驱动车辆行驶；当系统的总扭矩需求Tq小于发动机在高效区间的最小扭矩Te0，且动力电池SOC仍小于设定的发动机启动工作的限值，ISG电机变为发电模式，电能给动力电池组充电，前驱动电机、后驱动电机不工作；当系统的总扭矩需求Tq大于发动机在高效区间的最小扭矩Te1，发动机及三个驱动电机同时工作，此时，发动机按照经济区最小转矩工作，三个电机的扭矩之和为Tm＝Tq-Te1，三个电机之间扭矩分配算法与纯电动模式相同，如系统设置为前驱模式，则令Tm3＝0，求解Tm1、Tm2的最优值。
图1为一种插电式双电机四驱混合动力系统示意图；图中，a为左前轮，b为右前轮，c为左后轮，d为右后轮；1为发动机，2为ISG电机，3为前驱动电机，4为前驱动电机变速器，5为TCU，6为车载充电机，7为动力电池，8为前驱动电机逆变器系统，9为后驱动电机，10为后驱动电机变速器，11为后驱动电机逆变器系统，12为ISG电机与变速器之间的离合器，13为发动机与ISG电机之间的离合器。
全混合动力汽车在行驶过程中，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及电池状态信息设定动力系统的工作模式。
所述的动力系统包括五种工作模式，第一：全驱动混合动力模式，即发动机、ISG电机、前驱动电机、后驱动电机同时工作，驱动车辆行驶；第二：前轮驱动混合动力模式，即发动机、ISG电机与前驱动电机同时工作，驱动车辆行驶；第三：四驱纯电动模式，即前驱动电机、ISG电机和后驱动电机共同工作，驱动车辆行驶；第四：后驱纯电动模式，即后驱动电机工作，驱动车辆行驶；第五，增程式混动模式，发动机带动ISG电机发电，前后驱动电机驱动车辆行驶。
本专利所述混合动力系统模型由一台发动机和三台电动机构成，三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三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，其中
Figure GDA0002676827230000071
Tm1为前驱动电机转矩，Tm2为ISG电机转矩，Tm3为后驱动电机转矩。
本专利主要研究前后三电机扭矩优化问题，即第一种、第三种工作模式。一种基于自适应遗传算法的插电式全混合动力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：设计变量一共包括三个参数，分别为：前驱动电机转矩Tm1，前ISG电机转矩Tm2和后驱动电机转矩Tm3。
(2)确定优化设计目标：系统为单目标优化，优化目标为混合动力汽车实时总效率最高。
(3)确定优化限制条件：Tm1，Tm2和Tm3的工作范围由电机技术参数确定，在混动系统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、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，当SOC低于30％时，进入步骤二，否则进入步骤五。
步骤二、控制发动机启动，当车辆的总转矩需求大于发动机输出的最大转矩，进入步骤三，否则进入步骤四。
步骤三：系统总的转矩需求为Tq计算三个驱动电机允许输出的最大转矩之和Tm，则发动机输出的最小转矩Te1＝Tq-Tm。根据节气门开度、换挡策略及油门踏板信号，确定发动机工作范围。发动机按高效区最小转矩工作，三个电机的转矩之和为：Tm＝Tq-Te1，三个电机之间的转矩应用顺序遗传算法计算转矩，考虑到转矩分配系数的影响，Tm＝ψ1×Tm1+ψ2×Tm2+ψ3×Tm3。如果车辆为前驱模式，前两个电机之间的转矩应用顺序遗传算法计算，Tm＝ψ1×Tm1+ψ2×Tm2。
步骤301、种群初始化，采用十进制编码方法对汽车三个转矩Tm1，Tm2和Tm3进行编码，种群规模定义为N，交叉常数k1和k2，变异常数k3和k4，迭代最大代数为Tmax，随机产生N个个体；
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,1表示第i个个体第k时刻前驱动电机转矩Tm1(k)i大小，vi,2表示第i个个体第k时刻ISG电机转矩Tm2(k)i大小，vi,3表示第i个个体第k时刻后驱动电机转矩Tm3(k)i大小，将当前优化代数设置为t＝1(t≤Tmax)；
步骤303、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。如果车辆为前驱模式，式(1)中的Pout,3(k)i和Pin,3(k)i为0，则另Tm3(k)为0，进入两参数优化设计；
Figure GDA0002676827230000091
其中，Pout,1(k)i为第i个个体第k时刻的前驱动电机实时输出功率；Pout,2(k)i为第i个个体第k时刻的前ISG电机实时输出功率；Pout,3(k)i为第i个个体第k时刻的后驱动电机实时输出功率；Pin,1(k)i为第i个个体第k时刻的前驱动电机实时输入功率；Pin,2(k)i为第i个个体第k时刻的前ISG电机实时输入功率；Pin,3(k)i为第i个个体第k时刻的后驱动电机实时输入功率。
第i个个体第k时刻的前驱动电机的实时输入输出功率为：
Figure GDA0002676827230000092
其中，U1(k)i为第i个个体第k时刻的前驱动电机输入端母线电压；I1(k)i为第i个个体第k时刻的前驱动电机输入端母线电流；n1(k)i为第i个个体前驱动电机的转速；ψ1为前驱动电机的转矩分配系数。
第i个个体第k时刻的前ISG电机的实时输入输出功率为：
Figure GDA0002676827230000093
其中，U2(k)i为第i个个体第k时刻的前ISG电机输入端母线电压；I2(k)i为第i个个体第k时刻的前ISG电机输入端母线电流；n2(k)i为第i个个体第k时刻的前ISG电机的转速；ψ2为前ISG电机的转矩分配系数。
第i个个体第k时刻的后驱动电机的实时输入输出功率为：
Figure GDA0002676827230000094
其中，U3(k)i为第i个个体第k时刻的后驱动电机输入端母线电压；I3(k)i为第i个个体第k时刻的后驱动电机输入端母线电流；n3(k)i为第i个个体第k时刻的后驱动电机的转速；ψ3为后驱动电机的转矩分配系数。
步骤304、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和Tm3(k)i控制所述前驱动电机、ISG电机和后驱动电机，然后根据公式(5)计算三个电机的转矩之和，然后结束流程，如果t<Tmax，采用公式(6)计算概率：
Tm(k)i＝ψ1×Tm1(k)i+ψ2×Tm2(k)i+ψ3×Tm3(k)i (5)
其中ψ1、ψ2和ψ3为三个电机的转矩分配系数，
Figure GDA0002676827230000101
Figure GDA0002676827230000102
Figure GDA0002676827230000103
然后按照上述概率所决定的选中机会选择再生个体，电机系统实时效率η(k)i高的个体被选中的概率高，电机系统实时效率η(k)i低的个体可能被淘汰。
步骤305、按照公式(7)计算交叉率Pc，然后根据交叉率Pc按照公式(8)得到新的群体V2。
Figure GDA0002676827230000104
vi'(k)＝θvi(k)+(1-θ)vj(k) (8)
vj'(k)＝θvj(k)+(1-θ)vi(k)
其中，k1和k2为0-1之间的交叉常数；ηmax表示η(k)i中的最大效率大小；ηavg表示η(k)i的平均效率大小；ηc表示要交叉的两个个体中较大的效率；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306、按照公式(9)计算变异率Pm，然后根据变异率Pm按照基本的单点变异方法得到新的群体V3。
Figure GDA0002676827230000111
其中，k3和k4为0-1之间的自定义常数；ηmax表示η(k)i中的最大效率大小；ηavg表示η(k)i的平均效率大小；ηb’表示要变异个体的效率大小。
步骤307、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。
步骤四：系统总的转矩需求大于发动机经济区最小转矩，执行步骤401，负责执行步骤402。
步骤401为发动机单独驱动模式。
步骤402为并联前驱模式，控制发动机启动，根据节气门开度、换挡策略及油门踏板信号确定发动机工作范围。ISG电机改为发电模式，发动机输出转矩除了满足车辆行驶需要之外，剩余转矩由ISG电机发电，为动力电池组充电。
步骤五：当系统总的转矩需求小于三个电机的转矩之和，执行步骤六，否则执行步骤七。
步骤六：车辆为纯电驱动模式，三个电机之间的转矩应用顺序遗传算法计算转矩，考虑到转矩分配系数的影响，Tm＝ψ1×Tm1+ψ2×Tm2+ψ3×Tm3。如果车辆为前驱模式，前两个电机之间的转矩应用顺序遗传算法计算，Tm＝ψ1×Tm1+ψ2×Tm2。进入步骤三，执行优化操作，否则执行步骤六。
步骤七：控制发动机启动，根据节气门开度、换挡策略及油门踏板信号，确定发动机工作范围。发动机按高效区最小转矩工作，三个电机的转矩之和为：Tm＝Tq-Te1，三个电机之间的转矩应用顺序遗传算法计算转矩，考虑到转矩分配系数的影响，Tm＝ψ1×Tm1+ψ2×Tm2+ψ3×Tm3。如果车辆为前驱模式，前两个电机之间的转矩应用顺序遗传算法计算，Tm＝ψ1×Tm1+ψ2×Tm2。进入步骤三。

Claims (5)

1.一种基于自适应遗传算法的全混动汽车能效优化方法，其特征在于：包括以下步骤：
1)确定优化设计变量：设计变量一共包括三个参数，分别为：前驱动电机转矩Tm1，前ISG电机转矩Tm2和后驱动电机转矩Tm3；
2)确定优化设计目标：优化目标为混合动力汽车实时总效率最高；
3)确定优化限制条件：根据动力系统的电机技术参数确定Tm1，Tm2和Tm3的工作范围；
4)基于自适应遗传算法进行能效优化，所述能效优化方法包括以下步骤：
步骤一、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，当SOC低于30％时，进入步骤二，否则进入步骤五；
步骤二、控制发动机启动，当车辆的总转矩需求大于发动机输出的最大转矩，进入步骤三，否则进入步骤四；
步骤三、系统总的转矩需求为Tq计算三个驱动电机允许输出的最大转矩之和Tm，则发动机输出的最小转矩Te1＝Tq-Tm；根据节气门开度、换挡策略及油门踏板信号，确定发动机工作范围；发动机按高效区最小转矩工作，三个电机的转矩之和为：Tm＝Tq-Te1，三个电机之间的转矩应用顺序遗传算法计算转矩，考虑到转矩分配系数的影响，Tm＝ψ1×Tm1+ψ2×Tm2+ψ3×Tm3；其中：ψ1、ψ2和ψ3为三个电机的转矩分配系数；如果车辆为前驱模式，前两个电机之间的转矩应用顺序遗传算法计算，Tm＝ψ1×Tm1+ψ2×Tm2；
步骤四、种群初始化，采用十进制编码方法对汽车三个转矩Tm1，Tm2和Tm3进行编码，种群规模定义为N，交叉常数k1和k2，变异常数k3和k4，迭代最大代数为Tmax，随机产生N个个体；
步骤五、计算初始种群中的每个个体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；
步骤六、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和Tm3(k)i控制所述前驱动电机、ISG电机和后驱动电机；其中：Tm1(k)i为第i个个体第k时刻前驱动电机转矩大小；Tm2(k)i为第i个个体第k时刻ISG电机转矩大小；Tm3(k)i为第i个个体第k时刻后驱动电机转矩大小，然后根据公式(5)计算三个电机的转矩之和，然后结束流程；
步骤七、计算交叉率Pc并根据交叉率Pc得到新的群体V2；
所述步骤七中，具体地，按照公式(7)计算交叉率Pc，然后根据交叉率Pc按照公式(8)得到新的群体V2：
Figure FDA0002676827220000021
Figure FDA0002676827220000022
其中，k1和k2为0-1之间的交叉常数；ηmax表示η(k)i中的最大效率大小；ηavg表示η(k)i的平均效率大小；ηc表示要交叉的两个个体中较大的效率；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、计算变异率Pm并根据变异率Pm对群体V2进行变异计算，得到新的群体V3；
所述步骤八中，具体地，按照公式(9)计算变异率Pm，然后根据变异率Pm按照基本的单点变异方法得到新的群体V3：
Figure FDA0002676827220000023
其中，k3和k4为0-1之间的自定义常数；ηmax表示η(k)i中的最大效率大小；ηavg表示η(k)i的平均效率大小；ηb’表示要变异个体的效率大小；
步骤九、将群体V3作为新一代种群，用V3代替V，并令t＝t+1，并返回步骤五；
步骤十、根据系统总的转矩需求与发动机经济区最小转矩间的大小关系，决定实行发动机单独驱动模式，还是并联前驱模式；
步骤十一、当系统总的转矩需求小于三个电机的转矩之和，执行步骤六，否则执行步骤七；
步骤十二、车辆为纯电驱动模式，三个电机之间的转矩应用顺序遗传算法计算转矩，考虑到转矩分配系数的影响，Tm＝ψ1×Tm1+ψ2×Tm2+ψ3×Tm3；如果车辆为前驱模式，前两个电机之间的转矩应用顺序遗传算法计算，Tm＝ψ1×Tm1+ψ2×Tm2；进入步骤三，执行优化操作，否则执行步骤十二；
步骤十三、控制发动机启动，根据节气门开度、换挡策略及油门踏板信号，确定发动机工作范围；发动机按高效区最小转矩工作，三个电机的转矩之和为：Tm＝Tq-Te1，三个电机之间的转矩应用顺序遗传算法计算转矩，考虑到转矩分配系数的影响，Tm＝ψ1×Tm1+ψ2×Tm2+ψ3×Tm3；如果车辆为前驱模式，前两个电机之间的转矩应用顺序遗传算法计算，Tm＝ψ1×Tm1+ψ2×Tm2；进入步骤三。
2.根据权利要求1所述的基于自适应遗传算法的全混动汽车能效优化方法，其特征在于：所述步骤四中，种群初始化具体地，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,1表示第i个个体第k时刻前驱动电机转矩Tm1(k)i大小，vi,2表示第i个个体第k时刻ISG电机转矩Tm2(k)i大小，vi,3表示第i个个体第k时刻后驱动电机转矩Tm3(k)i大小，将当前优化代数设置为t＝1，且t≤Tmax。
3.根据权利要求1所述的基于自适应遗传算法的全混动汽车能效优化方法，其特征在于：所述步骤五中，如果车辆为前驱模式，式(1)中的Pout,3(k)i和Pin,3(k)i为0，则令Tm3(k)为0，进入两参数优化设计；
Figure FDA0002676827220000031
其中，Pout,1(k)i为第i个个体第k时刻的前驱动电机实时输出功率；Pout,2(k)i为第i个个体第k时刻的前ISG电机实时输出功率；Pout,3(k)i为第i个个体第k时刻的后驱动电机实时输出功率；Pin,1(k)i为第i个个体第k时刻的前驱动电机实时输入功率；Pin,2(k)i为第i个个体第k时刻的前ISG电机实时输入功率；Pin,3(k)i为第i个个体第k时刻的后驱动电机实时输入功率；
第i个个体第k时刻的前驱动电机的实时输入输出功率为：
Figure FDA0002676827220000032
其中，U1(k)i为第i个个体第k时刻的前驱动电机输入端母线电压；I1(k)i为第i个个体第k时刻的前驱动电机输入端母线电流；n1(k)i为第i个个体前驱动电机的转速；ψ1为前驱动电机的转矩分配系数；
第i个个体第k时刻的前ISG电机的实时输入输出功率为：
Figure FDA0002676827220000041
其中，U2(k)i为第i个个体第k时刻的前ISG电机输入端母线电压；I2(k)i为第i个个体第k时刻的前ISG电机输入端母线电流；n2(k)i为第i个个体第k时刻的前ISG电机的转速；ψ2为前ISG电机的转矩分配系数；
第i个个体第k时刻的后驱动电机的实时输入输出功率为：
Figure FDA0002676827220000042
其中，U3(k)i为第i个个体第k时刻的后驱动电机输入端母线电压；I3(k)i为第i个个体第k时刻的后驱动电机输入端母线电流；n3(k)i为第i个个体第k时刻的后驱动电机的转速；ψ3为后驱动电机的转矩分配系数。
4.根据权利要求1所述的基于自适应遗传算法的全混动汽车能效优化方法，其特征在于：所述步骤六中，根据公式(5)计算三个电机的转矩之和：
Tm(k)i＝ψ1×Tm1(k)i+ψ2×Tm2(k)i+ψ3×Tm3(k)i (5)
其中，ψ1、ψ2和ψ3为三个电机的转矩分配系数，
Figure FDA0002676827220000043
Figure FDA0002676827220000044
如果t<Tmax，采用公式(6)计算概率：
Figure FDA0002676827220000045
然后按照上述概率所决定的选中机会选择再生个体，电机系统实时效率η(k)i高的个体被选中的概率高，电机系统实时效率η(k)i低的个体可能被淘汰。
5.根据权利要求1所述的基于自适应遗传算法的全混动汽车能效优化方法，其特征在于：所述步骤十中，系统总的转矩需求大于发动机经济区最小转矩，实行发动机单独驱动模式；系统总的转矩需求小于发动机经济区最小转矩，实行并联前驱模式，控制发动机启动，根据节气门开度、换挡策略及油门踏板信号确定发动机工作范围；ISG电机改为发电模式，发动机输出转矩除了满足车辆行驶需要之外，剩余转矩由ISG电机发电，为动力电池组充电。
CN201911094546.7A 2019-11-11 2019-11-11 一种自适应遗传算法的全混动汽车能效优化控制方法 Active CN110834624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911094546.7A CN110834624B (zh) 2019-11-11 2019-11-11 一种自适应遗传算法的全混动汽车能效优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911094546.7A CN110834624B (zh) 2019-11-11 2019-11-11 一种自适应遗传算法的全混动汽车能效优化控制方法

Publications (2)

Publication Number Publication Date
CN110834624A CN110834624A (zh) 2020-02-25
CN110834624B true CN110834624B (zh) 2021-04-06

Family

ID=69576269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911094546.7A Active CN110834624B (zh) 2019-11-11 2019-11-11 一种自适应遗传算法的全混动汽车能效优化控制方法

Country Status (1)

Country Link
CN (1) CN110834624B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114248752B (zh) * 2020-09-24 2024-04-12 广州汽车集团股份有限公司 动力分配方法、动力控制方法、车载控制器、汽车及介质
CN113495214B (zh) * 2021-05-25 2023-07-07 四川轻化工大学 一种基于温度变化模型的超级电容荷电状态估计方法
CN114435369B (zh) * 2022-02-11 2023-12-22 浙江吉利控股集团有限公司 一种混合动力汽车能耗优化方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5794106B2 (ja) * 2011-10-28 2015-10-14 日産自動車株式会社 制振制御装置
CN106240336B (zh) * 2016-08-04 2018-12-07 清华大学 一种插电式双电机四驱混合动力系统及控制方法
CN106394548B (zh) * 2016-10-14 2019-02-12 清华大学 一种插电式四驱混合动力汽车分层协调能效控制方法
FR3062834B1 (fr) * 2017-02-16 2019-04-12 IFP Energies Nouvelles Procede de determination d'une zone atteignable par un vehicule au moyen d'un modele dynamique et d'un graphe adjoint
CN106911139B (zh) * 2017-04-14 2019-04-30 上海海事大学 基于遗传算法的超级电容rtg能量优化管理方法
CN107856664B (zh) * 2017-09-29 2019-11-19 北京理工大学 一种基于ttr构型的插电式混合动力车辆能量管理方法
CN109532848B (zh) * 2018-11-23 2023-05-23 中汽研（天津）汽车工程研究院有限公司 用于智能电动汽车的多目标优化控制方法及控制系统

Also Published As

Publication number Publication date
CN110834624A (zh) 2020-02-25

Similar Documents

Publication Publication Date Title
CN110304044B (zh) 基于ecms的phev四驱转矩分配方法
CN101898557B (zh) 电动四驱混合动力车辆的控制方法
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
CN109606348B (zh) 一种插电式行星混联汽车能量管理控制方法
CN107839468B (zh) 高充放电效率的混合动力系统及其控制方法
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
CN104760591B (zh) 混合动力综合控制系统
CN104590248B (zh) 一种基于串并联混合动力系统的控制方法
CN1785728A (zh) 动力输出装置及其控制装置以及动力输出装置的控制方法
CN106240336B (zh) 一种插电式双电机四驱混合动力系统及控制方法
CN113320519B (zh) 一种四驱混合动力系统和多驾驶模式控制方法
CN106394548B (zh) 一种插电式四驱混合动力汽车分层协调能效控制方法
CN110834552A (zh) 一种自适应遗传的双电耦合燃料电池汽车能效优化方法
CN108248365B (zh) 混联式气电混合动力车动力系统及控制方法
CN109240125B (zh) 一种混动车变速箱二轴需求扭矩计算方法
Zhang et al. Powertrain design and energy management of a novel coaxial series-parallel plug-in hybrid electric vehicle
CN213948116U (zh) 基于双电机的车辆混合动力系统及具有其的车辆
CN110304042A (zh) 基于规则的四驱phev转矩分配控制方法
CN101585359A (zh) 可外接充电型混合动力汽车电量保持阶段的能量管理方法
CN110816303A (zh) 一种顺序遗传算法的双电耦合燃料电池汽车能效优化方法
CN110834623B (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
Kim et al. Motor control of input-split hybrid electric vehicles
CN117465412A (zh) 基于能量流效率最优的混合动力车辆在线能量管理方法
CN110901628B (zh) 一种二阶振荡粒子群算法的全混动汽车能效优化方法
Wang et al. Energy management research of the fourth generation Toyota Prius Prime

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
TR01 Transfer of patent right

Effective date of registration: 20210714

Address after: 239000 standardized workshop No.16, modern industrial square, Qingliu Road, Suchu modern industrial park, Chuzhou City, Anhui Province

Patentee after: Anhui Dehan Automobile Engineering Design Co.,Ltd.

Address before: 215500 Changshou City South Three Ring Road No. 99, Suzhou, Jiangsu

Patentee before: CHANGSHU INSTITUTE OF TECHNOLOGY

TR01 Transfer of patent right