CN110929920A - 一种基于工况识别的混合动力列车能量管理方法 - Google Patents

Abstract

本发明提供的一种基于工况识别的混合动力列车能量管理方法，属于混合动力列车能量管理控制技术领域。包括：步骤一、对列车的各行驶工况提取特征参数；步骤二、为混合动力列车搭建整车Simulink模型，根据等效燃油消耗最低策略建立并离线求解列车的行驶工况的优化目标，对各行驶工况离线求解优化目标，获得最优充放电等效因子；步骤三、搭建实时在线的列车行驶工况识别器，根据识别结果选取对应工况的最优充放电等效因子，确定电动机和发动机输出扭矩，对列车能量进行管理。本发明方法利用建立的SVM工况识别模型结合ECMS策略，通过实时识别当前行驶工况，调整能量控制参数值，从而实现不同动力源之间的最优功率分配，降低整车能耗。

Description

一种基于工况识别的混合动力列车能量管理方法

技术领域

本发明涉及一种能量管理方法，具体涉及混合动力列车在实际行驶中不同工况下的能量分配策略，属于混合动力列车能量管理控制技术领域。

背景技术

近年来，由能源危机，环境污染等带来的问题日益突出，各国都在大力发展新一代更加安全可靠、节能环保的交通系统。以节能、环保为目标的纯电动汽车，混合动力汽车，燃料电池汽车应运而生。随着混合动力技术在公路车辆中的成熟应用，其在列车中的应用也逐渐发展起来。

混合动力列车，类似于一般的混合动力汽车。列车启动时由蓄电池带动，正常行驶时主要由内燃机发电提供电力，上坡等情况下蓄电池提供电力协助加速，下坡、减速等情况下电力可回馈给蓄电池，没有受电弓，一般也无需充电，采用混合动力形式的主要目的是节省燃料和在起步、加速时提高输出功率。

混合动力列车的能量管理策略决定了不同动力源之间的功率分配，是提高整车动力性能，优化能源配置的关键。为提高列车行驶过程中燃油经济性，保证电池荷电状态(SOC)在一定范围内稳定波动，列车的能量管理系统需要根据列车的实际运行工况实时最优的分配不同动力源之间的功率。行驶工况对能量管理策略的控制效果有显著影响。工况识别算法越来越广泛地应用在混合动力列车能量管理策略当中。

目前混合动力列车的能量管理策略，如参考文件1(胡远江.混合动力列车车载储能与地面充电方案系统优化研究[D].2017)优化了车载储能电量与地面充电布局方案，参考文件2(杜昕.考虑能量管理的混合动力列车运行优化策略研究[D].2017.)研究了一种考虑能量管理的列车运行优化策略，同时考虑运行操纵与列车功率分配，以达到更充分利用再生制动能量实现节能和更合理运用储能装置的目的。但现有技术大多未考虑工况自适应，能量管理参数不能随着工况改变而自适应调节，因此，需要一种能适应实际运行工况，并随工况改变而能进行能量自动调整的技术方案。

发明内容

本发明针对目前混合动力列车行驶工况识别精度较低，列车燃油经济性差的问题，以及目前混合动力列车的能量管理策略未考虑工况自适应的问题，提出了一种基于工况识别的混合动力列车能量管理方法，通过在列车实际行驶过程中，识别当前行驶工况的特点，实时调整能量控制参数值，从而实现不同动力源之间的最优功率分配，降低整车能耗。

本发明提出的基于工况识别的混合动力列车能量管理方法，包括：

步骤1、对列车的各行驶工况提取特征参数；

步骤2、为混合动力列车搭建整车Simulink模型，根据等效燃油消耗最低策略建立列车的行驶工况的优化目标，对各行驶工况离线求解优化目标，来获得各行驶工况对应的最优充放电等效因子；

所述的列车的行驶工况的优化目标的目的是：在列车发动机和电动机功率范围内分配发动机和电动机的实际输出功率，使得发动机瞬时燃油消耗率和电机消耗量的等效燃油消耗率的总和最小；

步骤3、搭建实时在线的列车行驶工况识别器，根据识别结果选取对应工况的最优充放电等效因子，确定电动机和发动机输出扭矩，对列车能量进行管理；

所述的列车行驶工况识别器采用支持向量机SVM来构建，识别器的输入是提取的行驶工况的特征参数，输出为行驶工况的判断结果；为了提高识别精度，对SVM识别器中的两个参数，惩罚系数C与核函数密度g，利用粒子群优化算法PSO进行优化，在优化时以行驶工况识别精度作为适应度函数，找到最优的C与g，从而得到用于实时在线识别的列车行驶工况识别器。

本发明与现有技术相比，具有以下优势和积极效果：

(1)本发明方法引入混合动力汽车能量管理中的ECMS方法来求解瞬时最优功率分配关系，获得混合动力列车在不同行驶工况下的最优充放电等效因子，为后续自适应工况的能源管理策略提供了基础，并且利用ECMS控制方法来离线求解各行驶工况下的最优充放电等效因子，具有结构简单，运算量小的优点。

(2)本发明方法建立基于粒子群优化PSO的SVM工况识别模型，通过PSO离线优化SVM中的惩罚系数C与核函数密度g，一方面减轻了计算负担，另一方面有效提高工况识别精度，使得列车的能量控制参数随工况识别结果实时调整，有效改善了列车的燃油经济性。

(3)本发明方法利用建立的SVM工况识别模型结合ECMS策略，建立了基于工况自识别的混合动力列车能量管理方法，通过实时识别当前行驶工况，来调整能量控制参数值，从而实现不同动力源之间的最优功率分配，降低了整车能耗。

附图说明

图1为本发明实施例的提取混合动力列车的典型行驶工况特征参数的流程图；

图2为本发明实施例中利用PSO-SVM算法来建立列车行驶工况识别的流程图；

图3为本发明的列车能量管理的MATLAB/Simulink仿真模型示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图对本发明作进一步的详细和深入描述。

本发明提出的一种基于工况识别的混合动力列车能量管理方法，首先实现了一种切实有效的工况识别方法，在此基础上进行随工况调节的能量管理策略，本发明实施例中分为如下三个步骤来说明。

步骤一：划分列车典型的行驶工况类别，并提取各行驶工况的特征参数。

混合动力列车的典型的行驶工况包括有起动、上坡、加速、减速、刹车等，在应用的时候可根据列车自身运行状况来进行划分。采集列车各类行驶工况下的行驶参数，采用主成分分析法从行驶工况参数中选出反映行驶工况类别的主要特征参数组成典型行驶工况数据库，作为步骤三识别器的列车行驶工况识别的输入参数来源。

主成分分析法的思想是把多指标转化为少数几个主成分，其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复，从而使问题简单化。列车各行驶参数之间存在相关性，如列车平均行驶速度，匀速行驶时间，最大加速度，最大减速度和行驶里程等之间存在相关性，各参数反映的信息在一定程度上有重叠，同时参数过多也会给识别模型带来干扰，增加计算负荷，降低识别精度。主成分分析法能够很好地克服列车各行驶参数之间的相关性，从多个参数中提取少数几个主要特征参数。

如图1所示，为本实施例提取行驶工况特征参数的流程。对列车工况的行驶参数应用主成分分析法，求得各主成分的贡献率和累计贡献率。选取累计贡献率达到80％以上时所对应的列车行驶参数作为特征参数对工况进行分析。对每种列车行驶工况进行特征参数提取，得到混合动力列车的行驶工况数据库。

步骤二：对列车的动力及传动系统进行建模，搭建混合动力列车的整车Simulink模型，结合整车参数和等效燃油消耗最小策略(ECMS)，对列车各行驶工况对应的最优等效充放电因子。

对于混合动力列车，其动力及传动系统包括蓄电池、电动机、发动机及发电机等。等效燃油消耗最小策略(ECMS)具有结构简单，运算量小，无须先验知识的优点，且通过引入惩罚函数，使得该策略具有良好的电量保持特性。ECMS的控制思想是：根据整车的实际驾驶员需求功率，在发动机和电动机功率范围内合理分配发动机和电动机的实际输出功率，使得发动机瞬时燃油消耗率和电机消耗量的等效燃油消耗率的总和最小。ECMS控制一般用于混合动力汽车能量管理，本发明采用相同的思想，将ECMS控制用于混合动力列车能量管理。

本发明实施例建立的混合动力列车的ECMS目标优化函数如下：

f_s(Δs)＝1+aΔs³+dΔs⁴ (2)

其中，m_eq(t)为列车总燃油消耗量，t表示时间，m_fc(t)为发动机的燃油消耗量，f_s(△s)为惩罚函数，△s表示标准化的SOC偏差，γ表示权重系数，s_dis为放电等效因子，ηmc.dis为电机驱动效率，s_chg为充电等效因子，η_mc.chg为电机发电效率；p_mc表示电机功率，当p_mc(t)≥0，γ＝1代表驱动，当p_mc(t)＜0，γ＝0代表发电；a,d均为经验系数；x_b表示电池SOC值，x_b，h为电池SOC的最高限值，x_b.l为电池SOC的最低限值。

求解优化目标函数，来确定对应的最优等效充放电因子s_chg,s_dis。

步骤三：设计实时在线的列车行驶工况识别器，结合识别结果利用对应工况的最优充放电等效因子s_chg,s_dis来获得相应的能量管理策略。

本发明实现的列车能量管理的MATLAB/Simulink仿真模型如图3所示。下面先说明实时在线的列车行驶工况识别器的实现。

本发明方法采用PSO-SVM算法设计实时在线的列车行驶工况识别器，将步骤一得到的各行驶工况的特征参数作为识别器的输入参数，根据列车实际行驶历史数据，将实际行驶工况对应为行驶工况的某一种，实现工况在线识别。

支持向量机(support vector machine,SVM)是根据统计学习理论和结构风险最小化原则提出的一种针对有限样本情况的机器学习方法，简化了通常的分类和回归问题，且具有很好的鲁棒性。SVM算法基本思想是：通过非线性映射将低维空间的输入数据映射到高维的特征空间，使其成为线性可分，在高维空间求解最优判别函数，确定分类边界。

已知线性可分情况下的训练样本集{(x_i,y_i)}，x_i表示第i个训练样本，y_i表示样本x_i的标签，一般设置y_i为1和-1。利用最优分类超平面ωx_i+b＝0对样本进行分类，ω为最优分类超平面的法向量，b为阈值，离最优分类超平面最近的两类样本称之为支持向量。支持向量与最优超平面之间的距离之和为

根据结构风险最小化原则，应该使距离之和最大，因此求解最优超平面的问题转化为下述优化问题：

其中，||a||表示a的范数。||ω||表示ω的范数。

针对训练样本集大多数情况是线性不可分的情况，SVM引入非负松弛因子ξi，同时加入惩罚系数C。通过核函数进行非线性映射后，将上述目标函数(4)变化为：

其中，l表示训练样本的数量。φ(x_i)表示核函数的构造函数。

利用Lagrange乘子法求解公式(5)的最小值问题，去除约束条件，建立新的目标函数J如下：

其中，α为Lagrange乘子，是辅助非负变量，对应第i个样本的Lagrange乘子表示为α_i。

对公式(6)中的ω和b求偏导，并令导函数为零，将结果带回公式(6)，可得到原问题的对偶问题：

其中，Q是对偶函数，x_j表示第j个训练样本，y_j表示样本x_j的标签。

求解该对偶问题，得到最优的拉格朗日乘子

进一步得到判别函数y：

其中，x为测试样本。sgn表示阶跃函数。

最常用的核函数为高斯径向基函数K，即

K(x_i，x)＝(φ(x_i))^Tφ(x)＝exp(-g||x_i-x||²) (9)

其中，g为核函数密度。

本发明利用SVM建立列车行驶工况识别模型，是属于线性不可分的情况，多种工况根据上面说明，建立如公式(5)～(8)所示的识别模型。

惩罚系数C与核函数密度g的取值是影响SVM识别质量的重要因素。若要提高识别精度，需要确定C与g的最优取值。

粒子群优化算法(PSO)具有搜索机制简单，收敛速度快，运算量小等优点，且能够减少和避免陷入局部最优解的情况。本发明将C与g作为优化对象，以行驶工况识别精度作为适应度函数，利用粒子群优化算法寻找最优的C与g，建立基于PSO-SVM的行驶工况识别器。

如图2所示，利用PSO-SVM算法实现行驶工况识别器的步骤包括如下：

(a)设置种群粒子个数为m和粒子维度d；其中，粒子维度为优化变量数目，此处为2个，即需要优化变量C与g；

(b)初始化种群中各粒子的速度和位置，得到初始种群位置

u_m表示第m个粒子的位置，上角标(1)表示当前为第1次迭代过程；设置初始种群速度v⁽¹⁾；在迭代过程中，将各粒子的迭代过程中最优位置设为该粒子最优位置p_best；比较得到所有粒子中最优位置设为粒子群最优位置g_best；

(c)根据得到的种群，更新SVM算法中的惩罚系数C和核函数密度g；

对于种群中的每个粒子，都对应一个C与g的值，因此对每个粒子都需要带入上述公式(5)～(9)，构建一遍SVM识别器模型。

(d)利用训练样本训练SVM识别器模型；

SVM识别器即列车行驶工况识别器，对每个粒子对应建立的SVM识别器模型，都利用训练样本进行训练。

(e)利用测试样本测试SVM识别器的识别精度，即适应度函数值。适应度函数值Z计算表达式如下：

其中，Z_rec为识别的工况类型；Z_act为实际的工况类型；n为测试样本数量；适应度函数值Z的值越大，表示C与g越优；

根据适应度函数值记录每个粒子的最优位置p_best以及当前种群的最优粒子位置g_best。

(f)更新粒子速度和位置，表达式分别如下：

其中，v_i、u_i分别为第i个粒子的速度和位置；上角标()里的数字k、k+1表示迭代次数，k为当前迭代次数，k初始值为1；w为惯性权重；r₁和r₂为分布于区间[0,1]内的随机数；c₁，c₂为常数；

为第k代时的个体最优粒子位置，

为第k代时的全局最优粒子位置。

进而得到k+1代种群位置：

(g)计算更新后的每个粒子的适应度函数值，并与之前的最优位置p_best所对应得到的适应度比较，若当前位置更好，则将其当前位置作为该粒子的最优位置p_best；将每一个粒子的适应度与粒子群的最优粒子位g_best相比较，若当前位置更好，则更新最优粒子位g_best；

(h)检查终值条件，若精度满足预设条件或迭代次数超出限制，则停止迭代，否则返回步骤c)；

(i)输出最优的惩罚系数C与核函数密度g。

通过上面过程，根据得到的最优的C与g建立实时在线的列车行驶工况识别器，来对实时采集的列车行驶参数进行判断，输出列车当前的行驶工况。

根据当前识别工况结果选择对应工况的最优充放电等效因子用于ECMS控制，来计算最优扭矩分配，从而确定电动机和发动机工作点。本发明实施例中还将电动机转矩T_m和发动机转矩T_e输入给步骤二中搭建的列车整车Simulink模型，对本发明设计的混合动力列车能量管理策略进行实时在线仿真分析，如图3所示。通过在线仿真，发现列车使用本发明方法，能降低整车能耗，改善列车的燃油经济性。

Claims (5)

1.一种基于工况识别的混合动力列车能量管理方法，其特征在于，包括：

步骤1、对列车的各行驶工况提取特征参数；

步骤2、为混合动力列车搭建整车Simulink模型，根据等效燃油消耗最低策略建立列车的行驶工况的优化目标，对各行驶工况离线求解优化目标，来获得各行驶工况对应的最优充放电等效因子；

所述的列车的行驶工况的优化目标的目的是：在列车发动机和电动机功率范围内分配发动机和电动机的实际输出功率，使得发动机瞬时燃油消耗率和电机消耗量的等效燃油消耗率的总和最小；

步骤3、搭建实时在线的列车行驶工况识别器，根据识别结果选取对应工况的最优充放电等效因子，确定电动机和发动机输出扭矩，对列车能量进行管理；

所述的列车行驶工况识别器采用支持向量机SVM来构建，识别器的输入是提取的行驶工况的特征参数，输出为行驶工况的判断结果；为了提高识别精度，对SVM建立的识别器中的两个参数，惩罚系数C与核函数密度g，利用粒子群优化算法PSO进行优化，在优化时以行驶工况识别精度作为适应度函数，找到最优的C与g，从而得到用于实时在线识别的列车行驶工况识别器。

2.根据权利要求1所述的方法，其特征在于，所述的步骤1中，使用主成分分析法对列车工况的行驶参数进行提取，计算各主成分的贡献率和累计贡献率，选取累计贡献率达到80％以上的列车行驶参数作为特征参数。

3.根据权利要求1所述的方法，其特征在于，所述的步骤2中，根据等效燃油消耗最低策略建立的优化目标表示如下：

f_s(Δs)＝1+aΔs³+dΔs⁴ (2)

其中，m_eq(t)为列车总燃油消耗量；t表示时间；m_fc(t)为发动机的燃油消耗量；f_s(△s)为惩罚函数；△s表示标准化的SOC偏差；γ表示权重系数；s_dis为放电等效因子；η_mc.dis为电机驱动效率；s_chg为充电等效因子；η_mc.chg为电机发电效率；p_mc表示电机功率，当p_mc(t)≥0，γ＝1代表驱动，当p_mc(t)＜0，γ＝0代表发电；a,d均为经验系数；x_b表示电池荷电状态值，x_b.h为电池荷电状态的最高限值，x_b.l为电池荷电状态的最低限值；

对每个行驶工况求解优化目标，来获得最优的放电等效因子s_dis和充电等效因子s_chg。

4.根据权利要求1所述的方法，其特征在于，所述的步骤3中，列车行驶工况识别器的模型的建立过程如下：

由于采集的列车的行驶工况的特征参数是线性不可分的，SVM引入非负松弛因子ξ_i和惩罚系数C建立目标函数，然后利用Lagrange乘子法求解目标函数，去除约束条件，建立新的目标函数J如下：

其中，ω、b分别为最优分类超平面的法向量和阈值，α为Lagrange乘子，对应第i个样本的Lagrange乘子表示为α_i，l表示训练样本的数量，φ(x_i)表示核函数的构造函数，x_i表示第i个训练样本，对应为行驶工况的特征参数，y_i表示样本x_i的类别标签，对应为所属的行驶工况；

对公式(1)中的ω和b求偏导，并令导函数为零，将结果带回公式(1)，得到如下对偶问题：

其中，Q是对偶函数，x_j表示第j个训练样本，y_j表示样本x_j的类别标签；

求解该对偶问题，得到最优的拉格朗日乘子

进一步得到判别函数y：

其中，x为测试样本，sgn表示阶跃函数；

核函数采用高斯径向基函数时，(φ(x_i))^Tφ(x)＝exp(-g||x_i-x||²)，g为核函数密度。

5.根据权利要求1或4所述的方法，其特征在于，所述的步骤3中，利用PSO对参数C与g进行优化时，包括：

(1)建立种群，种群中的每个粒子包含参数C与g两个值；

(2)对每个粒子都利用训练样本训练所对应的列车行驶工况识别器；然后测试每个识别器的识别精度，识别精度越高表示C与g的值越优；

(3)根据识别精度更新当前每个粒子的最优位置以及当前种群的最优粒子位置；

(4)每迭代一次，更新种群中每个粒子的位置和速度，然后重复上面(2)和(3)，直到识别器的识别精度达到预设条件或迭代次数超出限制，停止更新，输出当前种群的最优粒子位置，得到最优的惩罚系数C与核函数密度g。

Images