CN111038488A - 一种混合动力汽车的能量优化控制方法及装置 - Google Patents

Abstract

本发明涉及一种混合动力汽车的能量优化控制方法及装置，属于新能源客车控制策略技术领域，根据行车信息确定车辆当前道路工况类型，道路工况类型确定后，利用能量优化模型得到发动机参与工作的能量最优控制参数，根据各项能量最优控制参数指导车辆行驶，实现车辆的自适应优化，使标定的各项能量最优控制参数对当前道路工况类型的适应性更强，达到车辆能耗的最佳经济性能。

Description

一种混合动力汽车的能量优化控制方法及装置

技术领域

本发明属于新能源客车控制策略技术领域，具体涉及一种混合动力汽车的能量优化控制方法及装置。

背景技术

面对能源短缺和环境污染日益严重的现状，混合动力汽车是目前最有效的节能汽车方案，混合动力汽车的整车控制器需要根据动力系统状态的不同，结合车速路况及驾驶员需求通过控制策略，实现动力部件输出功率的合理分配及优化，从而在确保维持动力性能的同时充分发挥混合动力系统的节能减排优势。

目前，对混合动力汽车的能量管理主要使用基于规则的参数控制方法，其核心思想是确保发动机工作在高效区，当发动机负荷较小时，发动机停机，电动机单独驱动；当发动机的负荷适中，发动机工作在高效区，发动机启动充电或驱动；当发动机负荷较大时，电动机可以提供助力，使发动机只工作在高效区。基于规则的参数控制方法中的参数通常是通过标准循环工况(中国典型城市公交循环CCBC)优化得到的，在类似典型公交工况下的效果较好，在一定程度上具有代表性但不具有广泛性。而城市公交道路往往由于城市路况不同所处的工况也千差万别，实际运营过程中，每趟线路的载客量、城市道路维修情况、早晚上下班高峰期等影响因素都会对车辆的行驶产生一定的影响。因此，基于规则的参数控制方法并不能保证在当前车辆所运营的工况下实现经济性最优。

发明内容

本发明的目的是提供一种混合动力汽车的能量优化控制方法及装置，用于解决现有技术对混合动力汽车的能量管理无法实现汽车能耗的经济性最优的问题。

为解决上述技术问题，本发明提出一种混合动力汽车的能量优化控制方法，包括以下步骤：

1)根据车辆的前方行驶区域中的行车信息对道路工况进行分类，针对每一类道路工况建立对应的能量优化模型，各能量优化模型是以对应道路工况下的整车能耗最低建立的；行车信息至少包括平均车速、最高车速、停车时间比例和平均加速度中的两个；

2)求解各能量优化模型，对应得到各能量优化模型的能量最优控制参数，能量最优控制参数包括发动机参与工作的整车需求功率、发动机参与工作的车辆速度、发动机参与工作的车辆最优功率；

3)获取车辆的前方行驶区域中的当前行车信息，根据当前行车信息确定当前道路工况的类型，按照当前道路工况的类型对应能量优化模型的能量优化控制参数控制车辆，实现车辆的能量优化控制。

为解决上述技术问题，本发明还提出一种混合动力汽车的能量优化控制装置，包括处理器，处理器用于执行指令以实现以上步骤1)至步骤3)。

本发明的能量优化控制方法和装置通过确定行使车辆当前的道路工况类型，根据车辆当前的道路工况类型确定对应的能量优化模型，进而得到对应能量优化模型的能量最优控制参数，根据得到的能量最优控制参数控制车辆，实现车辆的能量优化控制，达到车辆能耗的最佳经济性能。

为确定车辆的道路工况类型，在获取车辆的前方行驶区域中的行车信息前，步骤1)中对道路工况进行分类时，通过机器学习方法对每一类道路工况下的行车信息进行训练，建立道路工况类型的识别模型。具体的，机器学习方法包括模糊识别算法、神经网络算法或支持向量机算法。步骤3)中，当获取车辆的前方行驶区域中的当前行车信息后，将当前行车信息代入道路工况类型的识别模型，得到当前道路工况的类型。

为保证车辆能耗的最佳经济性能，需要合理选取发动机参与工作的各项能量最优控制参数，为提高车辆的能量优化控制效果，能量最优控制参数还包括电池剩余电量。同样，为保证车辆能耗的最佳经济性能，上述能量优化模型优选如下：

其中，Q_fuel(x)表示整车能耗，

表示控制参数在可行域范围

内求取，

与

分别表示x_i的下限和上限，i＝1,2,3,4；x＝(x₁,x₂,x₃,x₄)^T，x₁、x₂、x₃、x₄分别表示发动机参与工作的整车需求功率、发动机参与工作的车辆速度、发动机参与工作的车辆最优功率和电池剩余电量，s.t.表示约束条件，g(x)表示目标车速和实际车速之间的误差，ΔSOC＝0表示当前道路工况类型开始前和结束后的电池电量相等。

附图说明

图1是本发明的混合动力汽车的能量优化控制方法示意图；

图2是本发明的道路工况类型下行车信息的提取方法示意图；

图3是本发明的能量优化控制方法的应用在自适应优化控制系统的示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的说明。

本发明的一种混合动力汽车的能量优化控制方法，如图1所示，包括以下步骤：

根据已知的所有道路工况类型下的行车信息，通过机器学习方法建立道路工况类型的识别模型。道路工况类型包括市区拥堵工况、城市城郊工况、高速公路工况；该行车信息包括平均车速、最高车速、停车时间比例和平均加速度。机器学习方法包括模糊识别算法、神经网络算法或支持向量机算法。

获取车辆的前方行驶区域中的行车信息，具体的：获取车辆前方即将驶入区域的道路信息，可以通过Mobileye等成熟的驾驶辅助系统提供该道路信息；也可以从摄相机获取原始数据，并通过图像特征提取法或深度学习方法等进行检测获取上述道路信息。

将获取的道路信息映射到鸟瞰图上进行可视化显示，通过卡尔曼滤波对雷达传感器和视觉传感器探测到的障碍物进行跟踪和融合，得到融合图像，减少单一传感器的漏检和误检，以提高车辆前方行驶区域中的识别效果。当准确得到前方车辆后，创建一个航迹存储器，在此障碍物消失前，存储该障碍物的速度(为本车车速与相对车速之和)，此速度与时间的关系即短工况片段。如图2所示。

由于在实际道路上，车辆的行驶状况复杂多变，会有变道、超车等情况发生，因此设置在车辆中的传感器(包括雷达传感器和视觉传感器，此视觉传感器可以为智能传感器，直接输出检测目标，也可以为摄像头，输出原始视频图像，雷达传感器可以为激光雷达或毫米波雷达。会检测到很多突然切入或切出的车辆，在融合图像上标记出不同障碍物，当出现一个新的车辆时，创建一个航迹存储器，存储该障碍物的速度，此速度与时间的关系即短工况片段，若障碍物消失，则记录终止，若有车辆长时间存在本车辆前方的行驶区域，则一直记录，短工况片段的记录总数为N，如图2所示。当车辆正前方没有检测到车辆时，N＝0，认为此时工况较为顺畅，默认为城市城郊工况。

提取短工况片段中的行车信息，包括平均车速、最高车速、停车时间比例、平均加速度，计算公式如下：

v_{c_max}＝max(v_c)

式中，v_c为各工况每个时刻的车速；t_c为各工况下的运行时间，a_c为各工况每个时刻的加速度；t_stop为各工况中车辆保持静止的时间。

利用上式提取到车辆的前方行驶区域中的行车信息后，将车辆的前方行驶区域中的行车信息代入上述识别模型中，得到车辆的当前道路工况类型。如果两辆车的类型不同，选取更靠近本车障碍物的类型，如果有三辆以上的车辆，每辆车确定的道路工况类型不同，哪个道路工况类型占比大，则确定当前道路类型为哪类。

例如在某一道路工况类型为市区拥堵工况下：

根据车辆的道路工况类型建立能量优化模型，该能量优化模型包括：能量最优控制参数与整车能耗的函数，以及能量最优控制参数的约束条件。其中，各项能量最优控制参数包括：发动机参与工作的整车需求功率、发动机参与工作的车辆速度、发动机参与工作的车辆最优功率及电池剩余电量。

在市区拥堵工况下，对应各项能量最优控制参数，采用如下的能量优化模型：

其中，Q_fuel(x)表示在市区拥堵工况下的整车能耗，即百公里燃油消耗量，其计算过程为：通过AVL_CRUISE软件建立的混合动力客车模型，在控制参数x＝(x₁,x₂,x₃,x₄)^T下进行市区拥堵循环工况仿真计算所得。x＝(x₁,x₂,x₃,x₄)^T，x₁、x₂、x₃、x₄分别表示发动机参与工作的整车需求功率、发动机参与工作的车辆速度、发动机参与工作的车辆最优功率和电池剩余电量，s.t.表示约束条件，g(x)表示目标车速和实际车速之间的误差，误差范围为[0km/h，3km/h]；

表示控制参数在可行域范围

内求取，

与

分别表示x_i的下限和上限，i＝1,2,3,4；该下限和上限根据发动机参与工作的不同能量最优控制参数的范围而定，例如，在本实施例中，发动机介入参与工作的整车需求功率范围为[10，50]，单位为kw；发动机参与工作的车辆速度范围为[10，40]，单位km/h；发动机参与工作的最优功率范围为[50，100]，单位为kw；电池剩余电量与电池满电量的比值范围为[0.5，0.7]，ΔSOC＝0表示当前道路工况类型开始前和结束后的电池电量相等。混合动力车辆在车辆需求驱动力较小时，发动机是可以发电给电池补电的，因此电池电量能够回到工况开始时的电量值。

以整车能耗最低为目标，求解能量优化模型，得到发动机参与工作的能量最优控制参数，按照发动机参与工作的能量最优控制参数控制车辆工作，实现车辆的能量优化控制。

本发明利用道路工况类型的识别模型对车辆的当前行驶区域进行识别，获得大量短工况片段，提取短工况片段中的行车信息，根据行车信息确定车辆当前道路工况类型，道路工况类型确定后，利用上述能量优化模型得到发动机参与工作的能量最优控制参数，根据各项能量最优控制参数指导车辆行驶，实现车辆的自适应优化，使标定的各项能量最优控制参数对当前道路工况类型的适应性更强，达到车辆能耗的最佳经济性能，如图3所示。

上述行车信息包括平均车速、最高车速、停车时间比例和平均加速度，是本实施例的最佳实施方式，但作为其他实施方式，行车信息可以只选择平均车速、最高车速、停车时间比例和平均加速度中的两个或三个。

为保证车辆能耗的最佳经济性能，上述能量优化模型中的能量最优控制参数采用了发动机参与工作的整车需求功率、发动机参与工作的车辆速度、发动机参与工作的车辆最优功率及电池剩余电量，作为其他实施方式，本实施例中的能量最优控制参数还可以不选择电池剩余电量，仅选择整车需求功率、车辆速度和车辆最优功率。

本发明还提出一种混合动力汽车的能量优化控制装置，包括处理器，处理器用于执行指令以实现上述能量优化控制方法中的步骤。

上述所指的能量优化控制装置，实际上是基于本发明方法流程的一种计算机解决方案，即一种软件构架，可以应用到计算机中，上述装置即为与方法流程相对应的处理进程。由于对上述方法的介绍已经足够清楚完整，故不再详细进行描述。

上述能量优化控制方法一般应用在混合动力客车的自适应优化控制系统中，该系统包括整车控制器，连接整车控制器的视觉传感器和雷达传感器，视觉传感器和雷达传感器用于获取车辆行驶环境，获得交通标志、交通信号灯、前方行人等大量交通信息，同时探测前方车辆数量及本车道内前车的距离、行驶车速等行车信息，整车控制器用于根据上述交通信息和行车信息，利用机器学习离线训练的道路工况识别器，识别道路工况类型，利用能量优化模型得到发动机参与工作的能量最优控制参数，达到不同道路工况类型下的整车经济性最优，如图3所示。

Claims (10)

1.一种混合动力汽车的能量优化控制方法，其特征在于，包括以下步骤：

1)根据车辆的前方行驶区域中的行车信息对道路工况进行分类，针对每一类道路工况建立对应的能量优化模型，各能量优化模型是以对应道路工况下的整车能耗最低建立的；所述行车信息至少包括平均车速、最高车速、停车时间比例和平均加速度中的两个；

2)求解各能量优化模型，对应得到各能量优化模型的能量最优控制参数，能量最优控制参数包括发动机参与工作的整车需求功率、发动机参与工作的车辆速度、发动机参与工作的车辆最优功率；

3)获取车辆的前方行驶区域中的当前行车信息，根据当前行车信息确定当前道路工况的类型，按照当前道路工况的类型对应能量优化模型的能量优化控制参数控制车辆，实现车辆的能量优化控制。

2.根据权利要求1所述的混合动力汽车的能量优化控制方法，其特征在于，所述能量最优控制参数还包括电池剩余电量。

3.根据权利要求1所述的混合动力汽车的能量优化控制方法，其特征在于，步骤1)中，还包括：通过机器学习方法对每一类道路工况下的行车信息进行训练，建立道路工况类型的识别模型；

步骤3)中，当获取车辆的前方行驶区域中的当前行车信息后，将当前行车信息代入所述道路工况类型的识别模型，得到所述当前道路工况的类型。

4.根据权利要求3所述的混合动力汽车的能量优化控制方法，其特征在于，所述机器学习方法包括模糊识别算法、神经网络算法或支持向量机算法。

5.根据权利要求2所述的混合动力汽车的能量优化控制方法，其特征在于，步骤2)中的能量优化模型如下：

其中，Q_fuel(x)表示整车能耗，

表示控制参数在可行域范围

内求取，

与

分别表示x_i的下限和上限，i＝1,2,3,4；x＝(x₁,x₂,x₃,x₄)^T，x₁、x₂、x₃、x₄分别表示发动机参与工作的整车需求功率、发动机参与工作的车辆速度、发动机参与工作的车辆最优功率和电池剩余电量，s.t.表示约束条件，g(x)表示目标车速和实际车速之间的误差，ΔSOC＝0表示当前道路工况类型开始前和结束后的电池电量相等。

6.一种混合动力汽车的能量优化控制装置，其特征在于，包括处理器，处理器用于执行指令以实现以下步骤：

1)根据车辆的前方行驶区域中的行车信息对道路工况进行分类，针对每一类道路工况建立对应的能量优化模型，各能量优化模型是以对应道路工况下的整车能耗最低建立的；所述行车信息至少包括平均车速、最高车速、停车时间比例和平均加速度中的两个；

2)求解各能量优化模型，对应得到各能量优化模型的能量最优控制参数，能量最优控制参数包括发动机参与工作的整车需求功率、发动机参与工作的车辆速度、发动机参与工作的车辆最优功率；

3)获取车辆的前方行驶区域中的当前行车信息，根据当前行车信息确定当前道路工况的类型，按照当前道路工况的类型对应能量优化模型的能量优化控制参数控制车辆，实现车辆的能量优化控制。

7.根据权利要求6所述的混合动力汽车的能量优化控制装置，其特征在于，所述能量最优控制参数还包括电池剩余电量。

8.根据权利要求6所述的混合动力汽车的能量优化控制装置，其特征在于，步骤1)中，还包括：通过机器学习方法对每一类道路工况下的行车信息进行训练，建立道路工况类型的识别模型；

步骤3)中，当获取车辆的前方行驶区域中的当前行车信息后，将当前行车信息代入所述道路工况类型的识别模型，得到所述当前道路工况的类型。

9.根据权利要求8所述的混合动力汽车的能量优化控制装置，其特征在于，所述机器学习方法包括模糊识别算法、神经网络算法或支持向量机算法。

10.根据权利要求7所述的混合动力汽车的能量优化控制装置，其特征在于，步骤2)中的能量优化模型如下：

其中，Q_fuel(x)表示整车能耗，

表示控制参数在可行域范围

内求取，

与

分别表示x_i的下限和上限，i＝1,2,3,4；x＝(x₁,x₂,x₃,x₄)^T，x₁、x₂、x₃、x₄分别表示发动机参与工作的整车需求功率、发动机参与工作的车辆速度、发动机参与工作的车辆最优功率和电池剩余电量，s.t.表示约束条件，g(x)表示目标车速和实际车速之间的误差，ΔSOC＝0表示当前道路工况类型开始前和结束后的电池电量相等。

Images