CN110991757B - 一种混合动力电动汽车综合预测能量管理方法 - Google Patents

Abstract

本发明提供了一种混合动力电动汽车综合预测能量管理方法，其将车速预测和乘员预测相结合，更加全面地考虑车辆真实应用场景中的未来短期功率需求；采用基于模型预测控制的方法，可实现车辆能量管理的实时在线应用，通过本发明所提供的该方法能够实现预测工况更全面、预测精度更准确的车辆实时在线能量管理，提高混合动力电动汽车节能潜力，也易于在线实时实现，具有良好的工程应用前景。

Description

一种混合动力电动汽车综合预测能量管理方法

技术领域

本发明涉及混合动力电动汽车能量管理技术领域，尤其涉及一种基于模型预测控制，并结合了混合动力电动客车车速与乘客数量预测的在线综合预测能量管理方法。

背景技术

传统的混合动力电动汽车能量管理虽然能够进行全局寻优获得最优解，但是不能实时在线应用，也就失去了能量管理的实际应用价值。继而有人提出了基于模型预测控制的在线预测能量管理，通常情况下，这种预测能量管理只预测了车速；然而混合动力电动汽车的能量管理不仅受到车速和路况的影响，还受到车辆负载的影响，这对车辆功率需求和功率分配策略有着重要的影响。以某种实际运营的混合动力电动公交车为例，混合动力电动公交车的满载质量18吨，整备质量13吨，搭载乘客的质量为5吨，满载时乘客的质量约占整车满载质量的30％，有时车辆超载时，乘客的质量占整车满载质量的比重更大，乘客的质量是由乘客的数量来决定。车辆的载荷状态，包括乘员数量，对整车功率分配和能耗有很大的影响。因此在研究混合动力电动汽车能量管理时把乘员的质量考虑进来对混合动力电动汽车的节能意义重大。

发明内容

为解决上述现有技术中存在的技术问题，本发明提供了一种混合动力电动汽车综合预测能量管理方法，具体包括以下步骤：

S01、采集车辆行驶数据和乘员数据，建立车辆历史行驶工况数据库以及车辆模型；

S02、基于深度神经网络预测未来短期车速和未来短期乘员数量；

S03、将混合动力电动汽车看作一个多约束非线性优化问题，对求解该问题的状态量和控制量进行选取，并构建优化目标函数，以整车能耗最优为目标；

S04、基于所述车辆模型，利用步骤S02中预测的未来短期车速和乘员数据，根据所述优化目标函数，在预测时域内全局寻优，获取最优控制序列，并将最优控制序列的第一个控制指令输入车辆模型执行，使车辆状态量更新并反馈至下一时刻进行计算；

S05、重复步骤S01S04的过程，最终完成车辆整个行驶工况的综合预测能量管理。

进一步地，步骤S01中所采集的所述车辆行驶数据包括：车辆的速度、加速度、坡度、转向、地理位置(经纬度和海拔)、行驶日期，包括公交线路或任意行驶路线的行车路线；所述乘员数据包括：乘员数量、停靠站点位置、时间，所述时间被标记为工作日高峰时段、工作日平段时段、工作日低谷时段和周末。

进一步地，步骤S02具体包括建立深度神经网络预测器进行所述预测，所述预测器的输入量分别为采集的车辆行驶数据与乘员数据；所预测的未来短期车速是短时间尺度预测，以秒为单位进行的预测，所预测的未来短期乘员数量是长时间尺度预测，以所述停靠站点位置为单位进行的预测。

进一步地，步骤S03具体包括针对所述多约束非线性优化问题建立优化器，优化目标为整车在短期预测时域内能耗最优。

进一步地，步骤S04具体包括在模型预测控制方法的构架下所述的混合动力电动汽车综合预测能量管理在滚动前进的时域下进行工况预测、目标函数优化和状态量反馈，每一步是以当前时刻开始，预测未来H时域的车速和乘员数量，并将预测的H时域的车速和乘员数量输入到优化器进行H时域的全局寻优。

所述的H时域一般取值在3-30秒范围内，这样既保证预测的准确度又保证优化的实时性。

通过持续进行当前时刻的工况预测-目标函数优化-状态反馈并进入下一步的车速和乘员数量预测，然后目标函数优化、状态反馈，依次循环，完成车辆整个行驶路线的在线综合预测能量管理。

上述本发明所提供的混合动力电动汽车综合预测能量管理方法与现有技术相比，至少具有以下优点：

(1)通过对未来短期车速与乘员数量进行综合预测，考虑了车辆真实应用场景对功率需求的扰动，更真实全面地反映车辆未来短期的功率需求，不仅能实时在线应用，而且能更好地分配动力系统各个动力源的功率输出，提高节能潜力。

(2)采用基于深度神经网络构架的深度学习对车速与乘客数量进行预测，能挖掘复杂多变的车辆行驶工况中历史工况信息与未来工况信息之间的深层潜在关系，提高预测精度，能够更加精准的预测未来短期的整车功率需求，为整车综合预测能量管理提供有力的保障。

附图说明

图1为本发明所提供方法的流程示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，在本发明的一个优选实施例中，具体执行以下步骤：

S01、采集车辆行驶数据和乘员数据，建立车辆历史行驶工况数据库以及车辆模型；

车辆行驶数据采集主要是通过在所需采集车辆行驶数据的混合动力电动汽车上安装惯性导航系统来采集车辆行驶过程中的车速、加速度、坡度、转向、地理位置(经纬度和海拔)、行驶日期等；或者通过Kavaser读取CAN总线上的车速、加速度、坡度、转向、地理位置(经纬度和海拔)、行驶日期等数据，不过通过Kavaser读取的CAN总线上的车速、加速度、坡度、转向是系统估算的车速、加速度、坡度、转向，与真实车速有一些偏差，依然可以使用。

乘员数据采集主要是通过实验人员在混合动力电动汽车行驶过程中实时记录乘员上下车的数量、时间、站点等，通过乘员上下车的数量计算每一个站点的车载乘客数量；或者通过车载录像系统记录的信息提取时间、站点或地理位置、车载乘客数量等，并将记录的时间分类标记为工作日高峰时段、工作日平段时段、工作日低谷时段和周末。

S02，基于深度神经网络预测未来短期车速和乘员数量；通过该乘员数据建立起乘员质量与能耗以及最终的能量管理分配之间的联系；

所建立的深度神经网络预测器结构的确定包括网络层数，节点数，激活函数等；网络层数包括输入层、n个隐藏层和输出层，隐藏层数n越大，深度神经网络的深度越深，n由训练效果决定；节点数也是由训练效果决定；激活函数常用的有SIGMOID、TANH、RELU、LEAKYRELU等，其中RELU是应用最广泛的，由于激活值等于零的节点不参与反向传播，不会造成训练速度慢的问题，具有稀疏网络的效果；同时根据训练效果适当调整迭代次数。如果迭代次数太少，算法很容易不太适合，而且迭代次数太多，算法很容易过拟合。

训练深度神经网络的步骤如下：

(1)过滤多维历史数据，消除采集误差引起的不合理数据噪声；

(2)归一化多维数据(如历史速度、瞬时加速度、坡度、日期和地理位置)；

(3)构建神经网络框架，包括网络层数，节点数，激活函数(隐藏层ReLU，输出层sigmoid)，丢失函数(binary_crossentropy)，优化器(Adam)等；

(4)将样本数据发送到深度学习网络，获取参数更新所需的神经元激活值和实际输出误差；

(5)自上而下的监督学习，即利用监督学习的误差反向传播，每层的参数从上到下进行更新，输出和输入的误差进一步降低；

(6)完成网络训练，并使用测试数据测试网络的预测结果。如果预测结果满足要求，则该训练好的网络可用于预测。如果不满足要求，可以将网络返回到第三步调整网络结构参数；

(7)对预测数据进行反规一化并获得预测结果。

上述的基于训练好的深度神经网络预测未来短期车速的具体实施方式如下：

输入量Input_v＝{V_t-k,V_t-k+1,...,V_t}

或者Input_v＝{V_t-k,V_t-k+1,...,V_t,S_t-k,S_t-k+1,...,S_t}

或者Input_v＝{V_t-k,V_t-k+1,...,V_t,D_t-k,D_t-k+1,...,D_t}

或者Input_v＝{V_t-k,V_t-k+1,...,V_t,G_t-k,G_t-k+1,...,G_t}

或者Input_v＝{V_t-k,V_t-k+1,...,V_t,S_t-k,S_t-k+1,...,S_t,D_t-k,D_t-k+1,...,D_t}

或者Input_v＝{V_t-k,V_t-k+1,...,V_t,S_t-k,S_t-k+1,...,S_t,G_t-k,G_t-k+1,...,G_t}

或者Input_v＝{V_t-k,V_t-k+1,...,V_t,D_t-k,D_t-k+1,...,D_t,G_t-k,G_t-k+1,...,G_t}

或者

Input_v＝{V_t-k,V_t-k+1,...,V_t,S_t-k,S_t-k+1,...,S_t,D_t-k,D_t-k+1,...,D_t,G_t-k,G_t-k+1,...,G_t}

其中G＝{Lg_t-k,Lg_t-k+1,...,Lg_t,La_t-k,La_t-k+1,...,La_t,A_t-k,A_t-k+1,...,A_t}

输出量Output data＝{V_t+1,V_t+2,...,V_t+H}

其中，V是车速；S是转向；D是行驶日期；G是地理位置；Lg是经度；La是纬度，A是海拔；t是当前时刻；k是过去k时间段；H是预测时域。

上述的基于训练好的深度神经网络预测未来短期乘员数量的具体实施方式如下：

输入量Input_N＝{B_t-k,B_t-k+1,...,B_t,N_t-k,N_t-k+1,...,N_t,W_t-k,W_t-k+1,...,W_t}

输出量Output data＝{N_t+1,N_t+2,...,N_t+H}

其中，B是站点；N是乘员数量；W是时段；t是当前时刻；k是过去k时间段；H是预测时域。

S03，将混合动力电动汽车看作一个多约束非线性优化问题，对求解该问题的状态量和控制量进行选取，并构建优化目标函数，以整车能耗最优为目标；

本实施例采用动态规划算法求解获取整车最佳能耗经济性性能。以双电机同轴混联式混合动力构型为例，假设x是状态变量，u是控制变量，d是系统扰动，y是输出，则有

y＝g(x,u,d)

其中，状态量x为动力电池的荷电状态(SOC)，

和y的两个方程构成状态空间表达式，

表达的是状态变量x的一阶求导；控制量u如上式所述；扰动量d为车速和乘员数量；T_eng、T_mot、T_ISG分别是发动机、电动机和起动电机的转矩；ω_eng、ω_mot分别是发动机、电动机的转速；P_bat是动力电池的功率；

是单位时间燃油消耗量，clutch＝0表示模式离合器断开，clutch＝1表示模式离合器接合；当扰动量车速和乘员数量由所述的基于深度神经网络的预测器预测出来时，构建成本函数J_fuel；T是预测时域的终止时间，O(t)是发动机启停次数，λ是惩罚函数。同时，整车动力系统需要满足动力电池、发动机、起动电机、电动机的物理约束。

S04，在模型预测控制方法的架构下，利用步骤S02中预测的未来短期车速和乘员数量，根据所述优化目标函数，在预测时域内全局寻优，获取最优控制序列，并将最优控制序列的第一个控制指令输入车辆模型执行，使车辆状态量更新并反馈至下一时刻进行计算；

上述的基于模型预测控制架构的预测能量管理步骤如下：

(1)未来短期工况预测。根据车辆的行驶特性，运用深度学习算法对未来控制时域内的车辆行驶工况进行预测和估计；

(2)搜索最优。将预测的短期工况导入到车辆模型，根据优化目标函数，运用动态规划算法对未来控制时域内的控制问题进行最优求解；

(3)首步有效。由于对未来时域内工况预测结果存在一定的误差，因而步骤2)中所计算得出的控制策略亦存在一定的误差。因此在模型预测控制中，只取第一步求解的控制序列应用在控制器及车辆模型作动部件中。第二步至最后一步的计算结果主要用于对第一步计算结果的修正，提高其最优性能；

(4)反馈循环。根据第一步计算的控制序列在控制器和车辆模型作动部件中的运行结果，将系统状态反馈到控制器，预测模型根据实际输出和预测结果之间的误差，以及车辆当前的状态重新预测下一时域的工况，即返回步骤(1)，开始新的模型预测控制循环。

S05，重复步骤S01至S04的过程，最终完成车辆整个行驶工况的综合预测能量管理。

通过以上原理和实施步骤可以看到，本发明所提供的方法，采用车速预测和乘员预测相结合，更加全面地考虑车辆真实应用场景中的未来短期功率需求；采用基于模型预测控制的方法，可实现车辆能量管理的实时在线应用，综上所提出的一种混合动力电动汽车综合预测能量管理方法能够实现预测工况更全面、预测精度更准确的车辆实时在线能量管理，提高混合动力电动汽车节能潜力。所提出的方法易于在线实时实现，具有良好的工程应用前景。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种混合动力电动汽车综合预测能量管理方法，其特征在于：具体包括以下步骤：

S01、采集车辆行驶数据和乘员数据，建立车辆历史行驶工况数据库以及车辆模型；

S02、基于深度神经网络预测未来短期车速和未来短期乘员数量；

S03、将混合动力电动汽车看作一个多约束非线性优化问题，对求解该问题的状态量和控制量进行选取，并构建优化目标函数，以整车能耗最优为目标；具体包括：针对双电机同轴混联式混合动力构型，假设x是状态变量，u是控制变量，d是系统扰动，y是输出，则有：

y＝g(x,u,d)

其中，状态量x为动力电池的荷电状态SOC，

和y的两个方程构成状态空间表达式，

表达的是状态变量x的一阶求导；控制量u如上式所述；扰动量d为车速和乘员数量；T_eng、T_mot、T_ISG分别是发动机、电动机和起动电机的转矩；ω_eng、ω_mot分别是发动机、电动机的转速；P_bat是动力电池的功率；

是单位时间燃油消耗量，clutch＝0表示模式离合器断开，clutch＝1表示模式离合器接合；当扰动量车速和乘员数量由所述的基于深度神经网络的预测器预测出来时，构建成本函数J_fuel；T是预测时域的终止时间，O(t)是发动机启停次数，λ是惩罚函数；同时，整车动力系统需要满足动力电池、发动机、起动电机、电动机的物理约束；

S04、基于所述车辆模型，利用步骤S02中预测的未来短期车速和乘员数量，根据所述优化目标函数，在预测时域内全局寻优，获取最优控制序列，并将最优控制序列的第一个控制指令输入车辆模型执行，使车辆状态量更新并反馈至下一时刻进行计算；

S05、重复步骤S01-S04的过程，最终完成车辆整个行驶工况的综合预测能量管理。

2.如权利要求1所述的方法，其特征在于：步骤S01中所采集的所述车辆行驶数据包括：车辆的速度、加速度、坡度、转向、地理位置、行驶日期、行车路线；所述乘员数据包括：乘员数量、停靠站点位置、时间，所述时间被标记为工作日高峰时段、工作日平段时段、工作日低谷时段和周末。

3.如权利要求2所述的方法，其特征在于：步骤S02具体包括建立深度神经网络预测器进行所述预测，所述预测器的输入量分别为采集的车辆行驶数据与乘员数据；所预测的未来短期车速是短时间尺度预测，以秒为单位进行的预测，所预测的未来短期乘员数量是长时间尺度预测，以所述停靠站点位置为单位进行的预测。

4.如权利要求1所述的方法，其特征在于：步骤S03具体包括针对所述多约束非线性优化问题建立优化器，优化目标为整车在短期预测时域内能耗最优。

5.如权利要求1所述的方法，其特征在于：步骤S04具体包括在模型预测控制方法的构架下所述的混合动力电动汽车综合预测能量管理在滚动前进的时域下进行工况预测、目标函数优化和状态反馈，每一步是以当前时刻开始，预测未来H时域的车速和乘员数量，并将预测的H时域的车速和乘员数量输入到优化器进行H时域的全局寻优。

6.如权利要求1所述的方法，其特征在于：基于动态规划算法求解所述步骤S03中的多约束非线性优化问题。

Images