CN110941202A - 一种汽车能量管理策略的验证方法和设备 - Google Patents
一种汽车能量管理策略的验证方法和设备 Download PDFInfo
- Publication number
- CN110941202A CN110941202A CN201911278081.0A CN201911278081A CN110941202A CN 110941202 A CN110941202 A CN 110941202A CN 201911278081 A CN201911278081 A CN 201911278081A CN 110941202 A CN110941202 A CN 110941202A
- Authority
- CN
- China
- Prior art keywords
- bidirectional
- converter
- energy management
- storage system
- energy storage
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明实施例提出了一种汽车能量管理策略的验证方法和设备,应用于电动车复合储能系统;电动车复合储能系统包括:上位机、dSPACE硬件设备、电负载模拟设备、第一双向DC/DC转换器、第二双向DC/DC转换器、电池组、BMS、超级电容组、CMS;该方法包括:将预设的控制数据导入dSPACE硬件设备,以通过dSPACE硬件设备对电负载模拟系统进行控制测试;控制数据根据基于DRL的能量管理策略所生成;在对电动车复合储能系统进行控制测试时,对电动车复合储能系统进行预设数据的采集;基于所预设数据对基于DRL的能量管理策略进行验证。本方案相比于计算机软件仿真能够降低纯软件仿真对模型精度的过度依赖,相比于实车测试验证方法,能减少实验器材的花销,降低实验验证成本。
Description
技术领域
本发明涉及深度学习领域,特别涉及一种汽车能量管理策略的验证方法和设备。
背景技术
目前,混合动力汽车采用的大多是基于规则或基于优化方法的能量管理策略,但这些能量管理策略需依赖专家经验,计算维数大、需要路况信息模型。为解决以上问题,有人将DRL应用到混合动力汽车能量管理中。
现有文献中针对基于DRL的能量管理策略的验证方法基本上都是计算机软件仿真验证,即在仿真软件中建立行驶工况模型、驾驶员模型、整车动力学模型、各类能量单元的理论模型以及能量管理策略模型等,并基于这些模型对能量管理策略进行纯软件仿真,最后通过软件仿真的结果对能量管理策略的效果进行验证。但是计算机软件仿真往往是基于实物环境简化得到的模型环境,具有局限性。一是其仿真结果十分依赖于建模的准确性,因为简易模型得到的仿真结果缺乏说服力,而越准确越全面的模型往往越复杂,求解过程比较困难。二是计算机软件仿真是一种纯软件仿真的验证方法,缺乏具体实际工程应用的真实性,理论与实际应用会有一定的差距。
由此,目前需要一种更好的验证方法。
发明内容
针对现有技术中的缺陷,本发明提出了一种汽车能量管理策略的验证方法和设备,本方案作为一种半实物仿真验证方法,相比于计算机软件仿真能够降低纯软件仿真对模型精度的过度依赖,通过控制实际研究对象,易反馈出实际应用效果的好与坏;能够方便、灵活的将能量管理策略快速部署于实物平台,避免了繁琐的代码编写修改调试工作,提高实验验证效率。相比于实车测试验证方法,其能够减少实验器材的花销,大大降低实验验证成本。
具体的,本发明提出了以下具体的实施例:
本发明实施例提出了一种汽车能量管理策略的验证方法,应用于电动车复合储能系统;所述电动车复合储能系统包括:上位机、dSPACE硬件设备、存储有预设测试工况文件的电负载模拟设备、第一双向DC/DC转换器、第二双向DC/DC转换器、电池组、BMS、超级电容组、CMS;该方法包括:
将预设的控制数据导入所述dSPACE硬件设备,以通过所述dSPACE硬件设备对所述电负载模拟系统进行控制测试;所述控制数据根据基于DRL的能量管理策略所生成;
在对所述电动车复合储能系统进行控制测试时,对所述电动车复合储能系统进行预设数据的采集;
基于所预设数据对所述基于DRL的能量管理策略进行验证。
在一个具体的实施例中,所述电负载模拟设备电连接外接电网;所述第一双向DC/DC转换器的高压侧与所述第二双向DC/DC转换器的高压侧均电连接所述电负载模拟设备;所述电池组与所述第一双向DC/DC转换器的低压侧连接;所述超级电容组与所述第二双向DC/DC转换器的低压侧连接;所述BMS与所述电池组信号连接;所述CMS与所述超级电容组信号连接;所述dSPACE硬件设备分别与所述第一双向DC/DC转换器、所述第二双向DC/DC转换器、所述电池组、所述BMS、所述超级电容组、所述CMS、所述电负载模拟设备以及所述上位机信号连接。
在一个具体的实施例中,还包括:
将预设的控制数据导入所述上位机,以便通过所述上位机将所述控制数据传递给所述dSPACE硬件设备。
在一个具体的实施例中,所述预设数据包括以下一个或多个的任意组合:
所述电池组的电流、电压与电池组的SOC;
所述超级电容的电流、电压和超级电容的SOC;
所述电负载模拟设备通信得到的当前直流母线需求功率。
在一个具体的实施例中,所述预设测试工况文件包括:标准行驶工况文件或用户自定义工况文件;
所述电负载模拟设备基于预设测试工况文件,对所述电负载模拟系统进行充放电,以模拟实车测试工况中所述电动车复合储能系统制动能量回收与驱动行驶的过程。
在一个具体的实施例中,基于DRL的能量管理策略包括系统状态输入量、动作输出量以及奖励函数;其中,
所述系统状态输入量为所述电动车复合储能系统的总需求功率、所述电池组的SOC;所述超级电容的SOC;
所述动作输出量为所述电池组的电流;
所述奖励函数为所述电动车复合储能系统的总的能量损失的倒数。
在一个具体的实施例中,还包括:
确定车辆在当前系统状态下执行动作的总能量损失;所述系统状态对应所述系统状态输入量;所执行的动作对应所述动作输出量;
将每一时刻的总能量损失的倒数作为奖励函数,并根据模型仿真结果得到车辆下一时刻的系统状态输入量;
针对每一时刻,将所述的所述系统状态输入量、所述时刻的动作输出量、所述时刻的奖励函数以及下一时刻的系统状态输入量作为独立样本存储在样本池中;
随机抽取部分独立样本对所述DRL中的参数进行更新。
在一个具体的实施例中,还包括:当所述样本池中的独立样本数量超过预设值时,用当前时间最新的独立样本替换所述样本池中时间最旧的样本。
本发明实施例还提出了一种汽车能量管理策略的验证设备,应用于电动车复合储能系统;所述电动车复合储能系统包括:上位机、dSPACE硬件设备、存储有预设测试工况文件的电负载模拟设备、第一双向DC/DC转换器、第二双向DC/DC转换器、电池组、BMS、超级电容组、CMS;该验证设备包括:
测试模块,用于将预设的控制数据导入所述dSPACE硬件设备,以通过所述dSPACE硬件设备对所述电负载模拟系统进行控制测试;所述控制数据根据基于DRL的能量管理策略所生成;
采集模块,用于在对所述电动车复合储能系统进行控制测试时,对所述电动车复合储能系统进行预设数据的采集;
验证模块,用于基于所预设数据对所述基于DRL的能量管理策略进行验证。
在一个具体的实施例中,所述电负载模拟设备电连接外接电网;所述第一双向DC/DC转换器的高压侧与所述第二双向DC/DC转换器的高压侧均电连接所述电负载模拟设备;所述电池组与所述第一双向DC/DC转换器的低压侧连接;所述超级电容组与所述第二双向DC/DC转换器的低压侧连接;所述BMS与所述电池组信号连接;所述CMS与所述超级电容组信号连接;所述dSPACE硬件设备分别与所述第一双向DC/DC转换器、所述第二双向DC/DC转换器、所述电池组、所述BMS、所述超级电容组、所述CMS、所述电负载模拟设备以及所述上位机信号连接。
以此,本发明实施例提出了一种汽车能量管理策略的验证方法和设备,应用于电动车复合储能系统;所述电动车复合储能系统包括:上位机、dSPACE硬件设备、存储有预设测试工况文件的电负载模拟设备、第一双向DC/DC转换器、第二双向DC/DC转换器、电池组、BMS、超级电容组、CMS;该方法包括:将预设的控制数据导入所述dSPACE硬件设备,以通过所述dSPACE硬件设备对所述电负载模拟系统进行控制测试;所述控制数据根据基于DRL的能量管理策略所生成;在对所述电动车复合储能系统进行控制测试时,对所述电动车复合储能系统进行预设数据的采集;基于所预设数据对所述基于DRL的能量管理策略进行验证。本方案作为一种半实物仿真验证方法,相比于计算机软件仿真能够降低纯软件仿真对模型精度的过度依赖,通过控制实际研究对象,易反馈出实际应用效果的好与坏;能够方便、灵活的将能量管理策略快速部署于实物平台,避免了繁琐的代码编写修改调试工作,提高实验验证效率。相比于实车测试验证方法,其能够减少实验器材的花销,大大降低实验验证成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提出的一种汽车能量管理策略的验证方法的流程示意图;
图2为本发明实施例提出的一种汽车能量管理策略的验证方法中RCP(RapidControl Prototype,快速控制原型)验证框架图;
图3为本发明实施例提出的一种汽车能量管理策略的验证方法中基于DRL的能量管理策略的原理图;
图4为本发明实施例提出的一种汽车能量管理策略的验证设备的结构示意图。
具体实施方式
在下文中,将更全面地描述本公开的各种实施例。本公开可具有各种实施例,并且可在其中做出调整和改变。然而,应理解:不存在将本公开的各种实施例限于在此公开的特定实施例的意图,而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用,单数形式意在也包括复数形式,除非上下文清楚地另有指示。除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本公开的各种实施例中被清楚地限定。
实施例1
本发明实施例1公开了一种汽车能量管理策略的验证方法,应用于电动车复合储能系统;所述电动车复合储能系统包括:上位机、dSPACE硬件设备、存储有预设测试工况文件的电负载模拟设备、第一双向DC/DC转换器、第二双向DC/DC转换器、电池组、BMS(Batterymanagement system,电池管理系统)、超级电容组、CMS(Capacitor management system,电容管理系统);如图1所示,该方法包括以下步骤:
步骤101、将预设的控制数据导入所述dSPACE硬件设备,以通过所述dSPACE硬件设备对所述电负载模拟系统进行控制测试;所述控制数据根据基于DRL(Deep ReinforcementLearning,深度强化学习)的能量管理策略所生成;
步骤102、在对所述电动车复合储能系统进行控制测试时,对所述电动车复合储能系统进行预设数据的采集;
步骤103、基于所预设数据对所述基于DRL的能量管理策略进行验证。
具体的,在一个具体的实施例中,如图2所示,所述电负载模拟设备电连接外接电网;所述第一双向DC/DC转换器的高压侧与所述第二双向DC/DC转换器的高压侧均电连接所述电负载模拟设备;所述电池组与所述第一双向DC/DC转换器的低压侧连接;所述超级电容组与所述第二双向DC/DC转换器的低压侧连接;所述BMS与所述电池组信号连接;所述CMS与所述超级电容组信号连接;所述dSPACE硬件设备分别与所述第一双向DC/DC转换器、所述第二双向DC/DC转换器、所述电池组、所述BMS、所述超级电容组、所述CMS、所述电负载模拟设备以及所述上位机信号连接。
本方案主要是利用电负载模拟设备模拟不同的汽车行驶工况,并结合dSPACE对电动车复合储能系统的DRL能量管理策略进行快速控制原型部署验证,利用实验数据对能量管理策略的合理性进行验证。
在一个具体的实施例中,该方法还包括:
将预设的控制数据导入所述上位机,以便通过所述上位机将所述控制数据传递给所述dSPACE硬件设备。
在基于DRL的能量管理策略的RCP验证过程中,将关键数据由计算机仿真模型获取改为由真实实验设备数据采集获取,即通过数据采集设备或器材自身数据采集功能组件,获取真实的数据,能量管理策略通过真实数据反映出的当前各实验组件状态自动规划工作模式,使基于DRL的能量管理策略在相对真实的环境中运行,进而验证其实际的应用效果。
结合图2的RCP验证框架图,验证设备主要有:上位机、dSPACE硬件设备、电负载模拟设备、编号为1号、2号的两个双向DC/DC转换器、电池组、BMS、超级电容组、CMS以及电网。电池组与1号双向DC/DC转换器低压侧连接,超级电容组与2号双向DC/DC转换器低压侧连接,1号、2号双向DC/DC转换器高压侧与电负载模拟设备连接,电池组和超级电容采用并联连接方式。dSPACE硬件设备与1号、2号双向DC/DC转换器、电池组、BMS、超级电容组、CMS、电负载模拟设备以及上位机信号连接。
根据RCP验证框架图,可以利用MATLAB将第一部分中基于DRL的能量管理策略编写并保存成M文件。然后基于SIMULINK调用电动车复合储能系统基于DRL的能量管理策略的M文件,若实验设备没有BMS以及CMS,可自行搭建其SIMULINK模型,用于估计电池和超级电容的SOC。其中,基于DRL的能量管理策略通过SIMULINK中MATLAB Function模块进行调用,以上操作都在上位机中完成。
将上位机中编译好的能量管理策略(若没有BMS和CMS,还包括两个能量源的SOC估算模型)下载到dSPACE硬件中,同时将配置好的dSPACE实时硬件接口与被控对象电池组、BMS、超级电容组、CMS、1号、2号双向DC/DC转换器、电负载模拟设备相连接,完成能量管理策略的快速控制原型的部署。上位机中主要运行MATLAB/Simulink、ControlDesk以及HelpDesk等软件。各软件的功能:matlab/simulink搭建控制策略,以及相关数据估算模型(无BMS与CMS时);controldesk部署策略,运行策略,实验控制,数据采集记录;HELPdesk操作文档查询。实时硬件接口是指dSPACE设备提供的各类输入输出及通信接口,包括A/D、D/A、编码器接口、CAN通信口与串口通信接口等。dSPACE作为实体控制器,对被控对象进行控制,同时,还要进行数据采集。
将标准行驶工况文件或用户自定义工况文件导入到电负载模拟设备中。标准测试工况是指如UDDS、NEDC、PWLT等车速曲线。电负载模拟设备对电动车复合储能系统充放电时,模拟的是实车测试工况中电动车复合储能系统制动能量回收与驱动行驶的过程。电负载模拟设备在驱动工况时,通过内部电力电子元器件消耗能量源输出的能量,模拟驱动行驶过程;制动工况时,通过电网,向能量回收单元输入电能,模拟制动能量回收过程。
在实际的应用过程中,通过上位机控制dSPACE向各设备发送开始运行指令,并记录验证数据。数据信息主要包括电池组当前的电流iB、电压VB、电池SOCBat、超级电容的电流ic、电压Vc、超级电容SOCUc以及电负载模拟设备通信得到当前直流母线需求功率Preq等。dSPACE硬件根据SOCBat、SOCUc、直流母线需求功率Preq依据基于DRL的能量管理策略对直流母线上的功率需求进行分配。
根据以上RCP验证步骤,对基于DRL的能量管理策略工况适应性进行验证时,在上述步骤中将随机行驶工况或自定义的行驶工况文件导入到电负载模拟设备中即可。通过所得实验验证数据对基于DRL的能量管理策略的有效性可进行对比分析。
在一个具体的实施例中,所述预设数据包括以下一个或多个的任意组合:
所述电池组的电流、电压与电池组的SOC;
所述超级电容的电流、电压和超级电容的SOC;
所述电负载模拟设备通信得到的当前直流母线需求功率。
基于DRL的能量管理策略部分,结合图2以电动车复合储能系统为例进行说明:
确定基于DRL的能量管理策略中系统状态输入量、动作输出量以及奖励函数基本要素。本发明选择整车需求功率Ppre、电池的SOCBat和超级电容的SOCUc作为深度神经网络的输入量s(k):
SOC(state of charge,蓄电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值,常用百分数表示。其取值范围为0~1,当SOC=0时表示电池放电完全,当SOC=1时表示电池完全充满)
s(k)=(Ppre(k),SOCBat(k),SOCUc(k))
s(k)表示k时刻的状态输入量。
在一个具体的实施例中,所述预设测试工况文件包括:标准行驶工况文件或用户自定义工况文件;
所述电负载模拟设备基于预设测试工况文件,对所述电负载模拟系统进行充放电,以模拟实车测试工况中所述电动车复合储能系统制动能量回收与驱动行驶的过程。
具体的,电负载模拟设备在驱动工况时,通过内部电力电子元器件消耗能量源输出的能量,模拟驱动行驶过程;制动工况时,通过电网,向能量回收单元输入电能,模拟制动能量回收过程。
在一个具体的实施例中,基于DRL的能量管理策略包括系统状态输入量、动作输出量以及奖励函数;其中,
所述系统状态输入量为所述电动车复合储能系统的总需求功率、所述电池组的SOC;所述超级电容的SOC;
所述动作输出量为所述电池组的电流;
所述奖励函数为所述电动车复合储能系统的总的能量损失的倒数。
具体的,电动车复合储能系统能量管理的核心问题是如何将整车所需功率合理分配到电池与超级电容两个能量源。本发明选取电池的电流iB作为控制动作a(k)。确定电池组的电流iB之后可以计算出电池组需求功率PBat,则超级电容组的输出功率PCap等于总的需求功率Ppre减去电池组的需求功率PBat。
复合储能系统能量管理的目标是减少总的能量损失J,所以选取复合储能系统总的能量损失的倒数作为奖励函数r。总的能量损失J指电池组、超级电容器组和两个DC/DC转换器的能量损失其表达式如下:
其中N代表行驶周期,L(k)代表k时刻瞬时能量损耗,包括电池能量损耗LB(k),超级电容器能量损耗LC(k)和1号、2号DC/DC转换器损耗Ldcdc1(k)、Ldcdc2(k)。
在一个具体的实施例中,该方法还包括:
确定车辆在当前系统状态下执行动作的总能量损失;所述系统状态对应所述系统状态输入量;所执行的动作对应所述动作输出量;
将每一时刻的总能量损失的倒数作为奖励函数,并根据模型仿真结果得到车辆下一时刻的系统状态输入量;
针对每一时刻,将所述的所述系统状态输入量、所述时刻的动作输出量、所述时刻的奖励函数以及下一时刻的系统状态输入量作为独立样本存储在样本池中;
随机抽取部分独立样本对所述DRL中的参数进行更新。
在一个具体的实施例中,该方法还包括:当所述样本池中的独立样本数量超过预设值时,用当前时间最新的独立样本替换所述样本池中时间最旧的样本。
根据以上状态输入量s(k)、控制动作a(k)的确定以及权重参数为θ的深度神经网络来估计动作值函数Q*(s(k),a(k)),
基于Q的深度强化学习(也即Q网络或网络Q,Q网络属于DRL网中的一部分)即是训练出一个函数Q(s,a),衡量在s(k)下采取a(k),并且在这一步之后全部都采用最佳策略,所能够获得的Q值函数的输出是多少。这样,对于一个给定的s(k),我们对比各个a(k)对应的Q(s,a),就能够得出我们应该采取哪个a(k)是最佳的,即
Q(s(k),a(k),θ)≈Q*(s(k),a(k)) (3)
当k→∞时,Q→Q*,即Q(s(k),a(k),θ)=Q*(s(k),a(k))。
深度神经网络(在此可以为DRL网络)中Q值函数的输出动作a(k)作用于电动车复合储能系统模型中得到车辆在当前状态s(k)下执行动作a(k)的总的能量损失J,将每一时刻J的倒数作为奖励函数r并根据模型仿真结果重新得到车辆下一时刻k+1的状态动作值:
θ—表示k+1时刻DRL网络中参数的更新值。
如图3所示,将每一时刻的[s(k),a(k),r(k),s(k+1)]作为一个独立样本e(k)进行存储,保存到经验池D(k)中,然后随机抽取部分样本用于后续Q网络的训练更新,网络Q训练通过最小化损失函数L(θ)进行迭代更新,其中L(θ):
根据梯度下降法更新策略网络的参数:
DRL采用ε-greedy策略进行行动选择,即以ε的概率随机选择动作,否则以1-ε的概率选择最大Q值动作;经验池D(k)=[e1,e2...e(k)]中存放的最大样本数量为N,当实际样本数量超过N时,不断用最新的样本替换经验池D(k)中最旧的样本。同时,每次更新参数的时候从经验池中随机抽取一部分的数据来用于更新,以此来打破数据间的相关性。
提出的验证方法区别于传统方法,电负载模拟设备能够通过模拟多种汽车标准行驶工况和用户自定义工况来验证基于DRL的能量管理策略的有效性,其依靠电力电子元器件来模拟传统实验装置中电机-测功机组合的实际控制对象,模拟过程中没有运转的机械部件,降低能量传递损失,安全性高,消除了机械震动与噪声。
(1)本发明提出的基于DRL能量管理策略的RCP验证方法相比于计算机软件仿真能够降低纯软件仿真对模型精度的过度依赖,通过控制实际研究对象,易反馈出实际应用效果的好与坏。
(2)能够方便、灵活的将能量管理策略快速部署于实物平台,避免了繁琐的代码编写修改调试工作,提高实验验证效率。
(3)相比于实车测试验证方法,其能够减少实验器材的花销,大大降低实验验证成本。
(4)基于dSPACE和电负载模拟设备的RCP验证方法能够通过电负载模拟设备模拟多种汽车标准行驶工况和用户自定义工况来验证基于DRL能量管理策略的有效性;另外,电负载模拟设备依靠电力电子元器件来模拟传统实验装置中电机-测功机组合的实际控制对象,模拟过程中没有运转的机械部件,降低能量传递损失,安全性高,消除了机械震动与噪声。
实施例2
为了对本申请进行进一步的说明,本发明实施例2还公开了一种汽车能量管理策略的验证设备,应用于电动车复合储能系统;所述电动车复合储能系统包括:上位机、dSPACE硬件设备、存储有预设测试工况文件的电负载模拟设备、第一双向DC/DC转换器、第二双向DC/DC转换器、电池组、BMS、超级电容组、CMS;如图4所示,该验证设备包括:
测试模块201,用于将预设的控制数据导入所述dSPACE硬件设备,以通过所述dSPACE硬件设备对所述电负载模拟系统进行控制测试;所述控制数据根据基于DRL的能量管理策略所生成;
采集模块202,用于在对所述电动车复合储能系统进行控制测试时,对所述电动车复合储能系统进行预设数据的采集;
验证模块203,用于基于所预设数据对所述基于DRL的能量管理策略进行验证。
在一个具体的实施例中,所述电负载模拟设备电连接外接电网;所述第一双向DC/DC转换器的高压侧与所述第二双向DC/DC转换器的高压侧均电连接所述电负载模拟设备;所述电池组与所述第一双向DC/DC转换器的低压侧连接;所述超级电容组与所述第二双向DC/DC转换器的低压侧连接;所述BMS与所述电池组信号连接;所述CMS与所述超级电容组信号连接;所述dSPACE硬件设备分别与所述第一双向DC/DC转换器、所述第二双向DC/DC转换器、所述电池组、所述BMS、所述超级电容组、所述CMS、所述电负载模拟设备以及所述上位机信号连接。
在一个具体的实施例中,还包括:
传递模块,用于将预设的控制数据导入所述上位机,以便通过所述上位机将所述控制数据传递给所述dSPACE硬件设备。
在一个具体的实施例中,所述预设数据包括以下一个或多个的任意组合:
所述电池组的电流、电压与电池组的SOC;
所述超级电容的电流、电压和超级电容的SOC;
所述电负载模拟设备通信得到的当前直流母线需求功率。
在一个具体的实施例中,所述预设测试工况文件包括:标准行驶工况文件或用户自定义工况文件;
所述电负载模拟设备基于预设测试工况文件,对所述电负载模拟系统进行充放电,以模拟实车测试工况中所述电动车复合储能系统制动能量回收与驱动行驶的过程。
在一个具体的实施例中,基于DRL的能量管理策略包括系统状态输入量、动作输出量以及奖励函数;其中,
所述系统状态输入量为所述电动车复合储能系统的总需求功率、所述电池组的SOC;所述超级电容的SOC;
所述动作输出量为所述电池组的电流;
所述奖励函数为所述电动车复合储能系统的总的能量损失的倒数。
在一个具体的实施例中,还包括:更新模块,用于:
确定车辆在当前系统状态下执行动作的总能量损失;所述系统状态对应所述系统状态输入量;所执行的动作对应所述动作输出量;
将每一时刻的总能量损失的倒数作为奖励函数,并根据模型仿真结果得到车辆下一时刻的系统状态输入量;
针对每一时刻,将所述的所述系统状态输入量、所述时刻的动作输出量、所述时刻的奖励函数以及下一时刻的系统状态输入量作为独立样本存储在样本池中;
随机抽取部分独立样本对所述DRL中的参数进行更新。
在一个具体的实施例中,还包括:替换模块,用于当所述样本池中的独立样本数量超过预设值时,用当前时间最新的独立样本替换所述样本池中时间最旧的样本。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述,不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.一种汽车能量管理策略的验证方法,其特征在于,应用于电动车复合储能系统;所述电动车复合储能系统包括:上位机、dSPACE硬件设备、存储有预设测试工况文件的电负载模拟设备、第一双向DC/DC转换器、第二双向DC/DC转换器、电池组、BMS、超级电容组、CMS;该方法包括:
将预设的控制数据导入所述dSPACE硬件设备,以通过所述dSPACE硬件设备对所述电负载模拟系统进行控制测试;所述控制数据根据基于DRL的能量管理策略所生成;
在对所述电动车复合储能系统进行控制测试时,对所述电动车复合储能系统进行预设数据的采集;
基于所预设数据对所述基于DRL的能量管理策略进行验证。
2.如权利要求1所述的一种汽车能量管理策略的验证方法,其特征在于,所述电负载模拟设备电连接外接电网;所述第一双向DC/DC转换器的高压侧与所述第二双向DC/DC转换器的高压侧均电连接所述电负载模拟设备;所述电池组与所述第一双向DC/DC转换器的低压侧连接;所述超级电容组与所述第二双向DC/DC转换器的低压侧连接;所述BMS与所述电池组信号连接;所述CMS与所述超级电容组信号连接;所述dSPACE硬件设备分别与所述第一双向DC/DC转换器、所述第二双向DC/DC转换器、所述电池组、所述BMS、所述超级电容组、所述CMS、所述电负载模拟设备以及所述上位机信号连接。
3.如权利要求1或2所述的一种汽车能量管理策略的验证方法,其特征在于,还包括:
将预设的控制数据导入所述上位机,以便通过所述上位机将所述控制数据传递给所述dSPACE硬件设备。
4.如权利要求1或2所述的一种汽车能量管理策略的验证方法,其特征在于,所述预设数据包括以下一个或多个的任意组合:
所述电池组的电流、电压与电池组的SOC;
所述超级电容的电流、电压和超级电容的SOC;
所述电负载模拟设备通信得到的当前直流母线需求功率。
5.如权利要求1或2所述的一种汽车能量管理策略的验证方法,其特征在于,所述预设测试工况文件包括:标准行驶工况文件或用户自定义工况文件;
所述电负载模拟设备基于预设测试工况文件,对所述电负载模拟系统进行充放电,以模拟实车测试工况中所述电动车复合储能系统制动能量回收与驱动行驶的过程。
6.如权利要求1或2所述的一种汽车能量管理策略的验证方法,其特征在于,基于DRL的能量管理策略包括系统状态输入量、动作输出量以及奖励函数;其中,
所述系统状态输入量为所述电动车复合储能系统的总需求功率、所述电池组的SOC;所述超级电容的SOC;
所述动作输出量为所述电池组的电流;
所述奖励函数为所述电动车复合储能系统的总的能量损失的倒数。
7.如权利要求6所述的一种汽车能量管理策略的验证方法,其特征在于,还包括:
确定车辆在当前系统状态下执行动作的总能量损失;所述系统状态对应所述系统状态输入量;所执行的动作对应所述动作输出量;
将每一时刻的总能量损失的倒数作为奖励函数,并根据模型仿真结果得到车辆下一时刻的系统状态输入量;
针对每一时刻,将所述的所述系统状态输入量、所述时刻的动作输出量、所述时刻的奖励函数以及下一时刻的系统状态输入量作为独立样本存储在样本池中;
随机抽取部分独立样本对所述DRL中的参数进行更新。
8.如权利要求7所述的一种汽车能量管理策略的验证方法,其特征在于,还包括:当所述样本池中的独立样本数量超过预设值时,用当前时间最新的独立样本替换所述样本池中时间最旧的样本。
9.一种汽车能量管理策略的验证设备,其特征在于,应用于电动车复合储能系统;所述电动车复合储能系统包括:上位机、dSPACE硬件设备、存储有预设测试工况文件的电负载模拟设备、第一双向DC/DC转换器、第二双向DC/DC转换器、电池组、BMS、超级电容组、CMS;该验证设备包括:
测试模块,用于将预设的控制数据导入所述dSPACE硬件设备,以通过所述dSPACE硬件设备对所述电负载模拟系统进行控制测试;所述控制数据根据基于DRL的能量管理策略所生成;
采集模块,用于在对所述电动车复合储能系统进行控制测试时,对所述电动车复合储能系统进行预设数据的采集;
验证模块,用于基于所预设数据对所述基于DRL的能量管理策略进行验证。
10.如权利要求9所述的一种汽车能量管理策略的验证设备,其特征在于,所述电负载模拟设备电连接外接电网;所述第一双向DC/DC转换器的高压侧与所述第二双向DC/DC转换器的高压侧均电连接所述电负载模拟设备;所述电池组与所述第一双向DC/DC转换器的低压侧连接;所述超级电容组与所述第二双向DC/DC转换器的低压侧连接;所述BMS与所述电池组信号连接;所述CMS与所述超级电容组信号连接;所述dSPACE硬件设备分别与所述第一双向DC/DC转换器、所述第二双向DC/DC转换器、所述电池组、所述BMS、所述超级电容组、所述CMS、所述电负载模拟设备以及所述上位机信号连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278081.0A CN110941202A (zh) | 2019-12-12 | 2019-12-12 | 一种汽车能量管理策略的验证方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278081.0A CN110941202A (zh) | 2019-12-12 | 2019-12-12 | 一种汽车能量管理策略的验证方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110941202A true CN110941202A (zh) | 2020-03-31 |
Family
ID=69911039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911278081.0A Pending CN110941202A (zh) | 2019-12-12 | 2019-12-12 | 一种汽车能量管理策略的验证方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110941202A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112143182A (zh) * | 2020-09-25 | 2020-12-29 | 成都普来特化工有限公司 | 一种可生物降解的耐高温薄膜及其制备方法和用途 |
CN112526261A (zh) * | 2020-11-25 | 2021-03-19 | 西安西电电力系统有限公司 | 一种故障控制策略试验系统及方法 |
CN113511082A (zh) * | 2021-05-31 | 2021-10-19 | 深圳先进技术研究院 | 基于规则和双深度q网络的混合动力汽车能量管理方法 |
CN113997926A (zh) * | 2021-11-30 | 2022-02-01 | 江苏浩峰汽车附件有限公司 | 基于分层强化学习的并联式混合动力汽车能量管理方法 |
CN115150787A (zh) * | 2022-07-06 | 2022-10-04 | 四川大学 | 基于深度强化学习的能量管理策略包的部署系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107957720A (zh) * | 2016-10-17 | 2018-04-24 | 香港生产力促进局 | 基于dSPACE和电机试验台的车用混合储能控制系统 |
CN109977468A (zh) * | 2019-02-22 | 2019-07-05 | 深圳先进技术研究院 | 能量管理策略的验证系统、方法、设备及控制系统 |
-
2019
- 2019-12-12 CN CN201911278081.0A patent/CN110941202A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107957720A (zh) * | 2016-10-17 | 2018-04-24 | 香港生产力促进局 | 基于dSPACE和电机试验台的车用混合储能控制系统 |
CN109977468A (zh) * | 2019-02-22 | 2019-07-05 | 深圳先进技术研究院 | 能量管理策略的验证系统、方法、设备及控制系统 |
Non-Patent Citations (4)
Title |
---|
CHUNHUA ZHENG 等: "An Energy Management Strategy of Hybrid Energy Storage Systems for Electric Vehicle Applications", 《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》 * |
DINGBO HE 等: "Deep Q-Learning Based Energy Management Strategy for a Series Hybrid Electric Tracked Vehicle and Its Adaptability Validation", 《2019 IEEE TRANSPORTATION ELECTRIFICATION CONFERENCE AND EXPO (ITEC)》 * |
YUE HU DENG: "Energy Management Strategy for a Hybrid Electric Vehicle Based on Deep Reinforcement Learning", 《APPLIED SCIENCES》 * |
YUECHENG LI 等: "Deep Reinforcement Learning-Based Energy Management for a Series Hybrid Electric Vehicle Enabled by History Cumulative Trip Information", 《 IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112143182A (zh) * | 2020-09-25 | 2020-12-29 | 成都普来特化工有限公司 | 一种可生物降解的耐高温薄膜及其制备方法和用途 |
CN112526261A (zh) * | 2020-11-25 | 2021-03-19 | 西安西电电力系统有限公司 | 一种故障控制策略试验系统及方法 |
CN113511082A (zh) * | 2021-05-31 | 2021-10-19 | 深圳先进技术研究院 | 基于规则和双深度q网络的混合动力汽车能量管理方法 |
CN113997926A (zh) * | 2021-11-30 | 2022-02-01 | 江苏浩峰汽车附件有限公司 | 基于分层强化学习的并联式混合动力汽车能量管理方法 |
CN115150787A (zh) * | 2022-07-06 | 2022-10-04 | 四川大学 | 基于深度强化学习的能量管理策略包的部署系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941202A (zh) | 一种汽车能量管理策略的验证方法和设备 | |
CN109375611B (zh) | 一种新能源汽车整车控制器硬件在环测试系统 | |
CN105486949B (zh) | 一种充电桩测试系统 | |
CN104699070B (zh) | 一种纯电动车电气匹配半实物仿真系统 | |
Lei et al. | Dynamic energy management for a novel hybrid electric system based on driving pattern recognition | |
Yaich et al. | Modeling and simulation of electric and hybrid vehicles for recreational vehicle | |
WO2021114167A1 (zh) | 一种汽车能量管理策略的验证方法和设备 | |
CN104298123A (zh) | 一种整车控制器的在环仿真测试系统及测试方法 | |
CN110543098B (zh) | 插电式混合动力系统构型的选择方法 | |
CN109977468B (zh) | 能量管理策略的验证系统、方法、设备及控制系统 | |
CN103930298A (zh) | 用于电池组能量预测的系统和方法 | |
CN103870637B (zh) | 汽车电源系统仿真方法和装置 | |
CN113467417B (zh) | 一种整车试验控制方法、装置、设备及可读存储介质 | |
CN102890245A (zh) | 用于确定充电接受能力及为可充电电池充电的方法 | |
Jeschke et al. | HiL simulation of electric vehicles in different usage scenarios | |
CN105305530A (zh) | 用于电池管理的系统和方法 | |
EP3182087A1 (en) | Fuel cell powered vehicle testing system and method thereof | |
Hui et al. | Design of a versatile test bench for hybrid electric vehicles | |
Varga | Energy management of electric and hybrid vehicles dependent on powertrain configuration | |
CN210293696U (zh) | 一种燃料电池汽车用动力驱动系统测试平台 | |
Ceraolo et al. | Hybridisation of forklift trucks | |
DE102008004368A1 (de) | Verfahren zur Bestimmung einer zur Verfügung stehenden Leistung, elektrischen Arbeit und/oder Ladungsmenge eines elektrischen Speichers und entsprechende Vorrichtung | |
Hung et al. | Development of a hardware in-the-loop platform for plug-in hybrid electric vehicles | |
CN112874508B (zh) | 一种混合动力总成制动控制方法、装置、设备及储存介质 | |
CN105893648B (zh) | 混合动力和电动汽车高压电气导线线径选择方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200331 |