CN111091249A - 一种基于全局寻域算法实现车辆全局能量最优分配方法 - Google Patents
一种基于全局寻域算法实现车辆全局能量最优分配方法 Download PDFInfo
- Publication number
- CN111091249A CN111091249A CN201911393380.9A CN201911393380A CN111091249A CN 111091249 A CN111091249 A CN 111091249A CN 201911393380 A CN201911393380 A CN 201911393380A CN 111091249 A CN111091249 A CN 111091249A
- Authority
- CN
- China
- Prior art keywords
- optimal
- vehicle
- point
- soc
- state
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/004—Indicating the operating range of the engine
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于全局寻域算法实现车辆全局能量最优分配方法,包括:确定燃油矩阵和各控制矩阵,并基于此,对所有状态点重新编号以顺序求解并存储各状态点到起点的最优值、顺序求解并存储各状态点所经前一时刻或地理位置的最优状态点、逆序查找并存储各时刻或地理位置的最优状态点、还原最优状态点编号以形成SOC最优轨迹域。应用层面中基于最优控制结果,以车速、SOC、需求转矩或需求功率、转矩分配比或功率分配比为坐标系形成用于实车实时应用的map图。本发明所提方法可得到所有满足最低油耗的SOC最优轨迹,保证了全局能量最优分配;同时,以SOC最优轨迹域的形式输出最优结果,有效提高计算效率,可快速生成可用于实车实时应用的map图。
Description
技术领域
本发明涉及车辆能量管理技术领域,尤其涉及一种基于全局寻域算法实现车辆全局能量最优分配方法。
背景技术
针对基于全局优化算法的能量管理控制策略,阶段油耗计算过程中,由于阶段油耗的计算与当前阶段的需求功率、控制量及SOC变化有关,且SOC可行域离散均匀,因而同一阶段存在许多相同变化量的SOC转移。同时,基于多阶段寻优的求解过程可视为不同阶段代价的累积计算,因而基于全局优化算法进行最低油耗查找时,最终得到的SOC最优轨迹不止一条。因此,如何得到满足全局最低燃油消耗的所有SOC最优轨迹上的状态点是需要解决的关键问题之一。
此外,若得到所有SOC最优轨迹需要较长时间,且随输出轨迹的增加,算法计算时间成倍增加,因此难以实现短时间内输出全部满足要求的SOC轨迹。因而,如何得到一种新的输出方式以代表所有SOC最优轨迹是需要解决的关键问题之二。
为实现全局优化能量管理控制系统的实车应用,需要将近似工况所得的最优结果生成可查找的map图以实现实车的实时应用。因此,如何将SOC最优轨迹域的结果反映在发动机、电机map图中以实现该控制策略应用层面的控制是需要解决的关键问题之三。
发明内容
基于上述技术问题,本发明设计开发了一种基于全局寻域算法实现车辆全局能量最优分配方法,用以解决得到所有满足最低燃油消耗的SOC最优轨迹,保证整车燃油经济的全局最优性;同时,以SOC最优轨迹域的形式输出最优控制,有效提高算法的计算效率,快速得到用于实车应用的map图。
本发明与现有技术相比较所具有的有益效果:以三维矩阵的形式存储对应的燃油消耗量,将全局最优能量分配问题转化为最短路问题,有效降低计算负荷;基于全局寻域算法得到所有满足最低油耗的SOC最优轨迹,保证了全局能量的最优分配;同时,以SOC最优轨迹域的形式输出最优结果,可有效提高计算效率,且快速得到可用于实车实时应用的map图。
附图说明
图1为本发明所述的基于全局寻域算法实现车辆全局能量最优分配方法的结构关联图。
图2为混合车流和单一车流的车速分布的正态分布示意图。
图3为车速预测中城市工况的状态转移概率矩阵图。
图4为车速预测中高速工况的状态转移概率矩阵图。
图5为车速预测中混合工况的状态转移概率矩阵图。
图6为CSUDC工况预测时长为5s时车速预测仿真结果图。
图7为HWFET工况预测时长为5s时车速预测仿真结果图。
图8为NEDC工况预测时长为5s时车速预测仿真结果图。
图9为车速一定时不同路面附着系数和滑动率的关系图。
图10为湿沥青路面下不同车速对滑动率的影响图。
图11为湿沥青路面下UDDS工况训练获得的数据矩阵图。
图12为路面最大附着系数识别模型的流程图。
图13为单一路面(湿沥青,最大附着系数0.8)附着系数识别结果图。
图14为双路面组合(干土路和雪路,最大附着系数分别为0.6和0.2)附着系数识别结果图。
图15为多路面混合1(阶梯式路面,最大附着系数分别为0.2/0.4/0.6/0.8/1.0)附着系数识别结果图。
图16为多路面混合2(全混式路面,最大附着系数分别为0.2/0.4/0.6/0.8/1.0)附着系数识别结果图。
图17为CRJ网络结构图。
图18为UDDS工况预测结果。
图19为HWFET工况预测结果。
图20为道路坡度预测中所选区域的示意图。
图21为所选区域中各道路坡度值数据图。
图22为构建坡度预测的状态转移概率矩阵图。
图23为坡度预测的流程图。
图24为所选区域中路线3(绿色)道路坡度预测的仿真结果图。
图25为仅能预先了解道路中指示灯位置、限速信息时车速示意图。
图26为SOC可行域的离散流程图。
图27为SOC可行域形状的示意图。
图28为确定各时刻或地理位置的SOC离散点数量的过程图。
图29为燃油矩阵存储方式示意图。
图30为全局寻域算法流程图。
图31为所有SOC离散点重新编号的示意图。
图32为距离矩阵D的示意图。
图33为全局寻域算法中顺序求解的示意图。
图34为全局寻域算法中逆序查找的示意图。
图35为SOC最优轨迹域的示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1所示,本发明提供了一种基于全局寻域算法实现车辆全局能量最优分配方法,具体实现过程如下:
一、在物质层与能量层的交接层面,确定燃油矩阵与各控制矩阵;
步骤一、确定燃油矩阵和各控制矩阵;
物质层与能量层之间存在一交接层,用于确定燃油矩阵和各控制矩阵。基于物质层面提出的“动/势能-车载能量”守恒框架,确定各触发条件下所确定工作模式对应的油耗,将挡位考虑在内,以各档位中最低燃油消耗量作为当前条件所确定工作模式下的燃油消耗。由于该燃油消耗量对应SOC可行域中相邻时刻或地理位置的两离散点,因而,将该数值以三维的形式存入燃油矩阵中;
其中,物质层是指确定动力系统参数,并基于所提的“动/势能-车载能量”守恒框架确定各触发条件下对应的车辆动力系统可控部件的唯一工作模式;能量层是指确定相关能耗约束,并基于全局寻域算法输出SOC最优轨迹域。
在本实施例中,“动/势能-车载能量”守恒框架为:为实现各触发条件与工作模式的解耦,提出“动/势能-车载能量”守恒框架,以确定各触发条件下对应的车辆动力系统可控部件的唯一工作模式。所谓的“动/势能-车载能量”守恒框架具体是指:外部因素和内部因素进行合理可行地组合,而最终形成的车辆动力系统可控部件的触发条件。
其中,所谓的外部因素包括但不局限于下列因素:(1)车速对应的下一时刻(或下一地理位置)与此时刻(或此地理位置)车辆动能之差,即车辆动能变化量ΔEk;(2)海拔对应的下一时刻(或下一地理位置)与此时刻(或此地理位置)车辆势能之差,即势能的变化量ΔEp;(3)ΔEk与ΔEp和对应的下一时刻(或下一地理位置)与此时刻(或此地理位置)总机械能的变化量ΔE;(4)车速。所谓的内部因素包括但不局限于车辆动力电池下一时刻(或下一地理位置)与此时刻(或此地理位置)的荷电状态SOC(State of charge)之差,即电池SOC的变化量ΔSOC。
其中,车速和道路海坡、道路坡度、滑移率信息的获取由信息层得到。信息层是指实现车速、道路坡度、滑移率等工况信息的获取及预测,为车辆全局优化能量管理控制策略提供更为全面、更为准确的工况信息;工况信息即是:从出发地到目的地所涉及的车速、坡度、滑移率以及风速风向等的时间分布信息或地理位置分布信息。具体获取过程如下:
根据可预先了解信息的不确定性,可从三个层次实现工况信息的获取:
(一)、可全部预先了解整个工况下的具体工况信息:
此时,整个工况下的行驶车速、道路坡度、滑移率等工况信息均完全已知,可直接用于全局能量管理控制策略以求解全局最优能量分配。
针对道路坡度,可借助GPS系统采集各时刻或地理位置对应的海拔高度,进而计算道路坡度θ(k),即:
其中,h(k+Δt),h(k)分别为下一时刻或地理位置、当前时刻或地理位置的海拔高度,v(k+Δt),v(k)分别为下一时刻或地理位置、当前时刻或地理位置的车速,Δt为时间间隔。
针对滑动率,基于采集的汽车轮速vw与汽车行驶车速vc,计算各时刻或地理位置对应的滑动率λ,即:
由上可知,预先获取的各工况信息可直接用于全局能量管理控制策略以求解全局最优能量分配。
(二)、仅能预先了解整个工况下工况信息所遵循的规律:
根据能否用某一确切的概率分布函数或概率密度函数以表述车辆在某一路段上各工况信息的分布规律,第二层次工况信息的获取可从以下两个层面分析:
1、存在某一确切的概率分布函数或概率密度函数表述工况信息的分布规律
此时,能用某一概率分布函数F(x)或概率密度函数f(x)以表述车辆在某一路段上各工况信息的分布情况,进而获取当前状态X在某一区间(a,b)内的概率,即:其中,a为当前时刻或当前地理位置,b为下一时刻或下一地理位置。该概率值对应当前时刻或当前地理位置处车速、滑移率或道路坡度的状态转移概率,进而基于最大状态转移概率以预测下一时刻或下一地理位置的车速/滑移率/道路坡度。
如图2所示,以车速信息的获取为例,已知混合车流和单一车流的车速分布均符合正态分布,则车速v在某一范围内取值的可能性满足概率密度函数f(v):
或概率分布函数F(v):
其中,μ为均值,σ为方差,二者均为常数。
因此,选取当前时刻或当前地理位置的车速转移到另一车速时的最大概率,可实现下一时刻或下一地理位置的车速预测。
2、不存在某一确切的概率分布或概率密度函数表述工况信息的分布规律
此时,不存在某一确切的概率分布函数或概率密度函数以表述车辆在某一路段上各工况信息的分布规律,但可获取一定量的历史行驶数据。由于当预测时长在一定范围内时,汽车行驶速度、多路口处的路径选择符合马尔科夫性,因而在一定的历史行驶数据支持下,可基于训练历史数据得到各工况信息的状态转移概率矩阵,以此反映各工况信息的分布情况,进而实现各工况信息的预测。具体实现过程如下:
1)车速信息的获取
考虑到行驶工况的多样性,若用唯一的状态转移概率矩阵进行车速预测无疑会产生较大偏差,因而需要将不同的行驶工况进行分类。对不同类别的工况分别训练成各自的状态转移概率矩阵,以期望用同种类别的状态转移矩阵预测同种类别的行驶工况,以提高预测精度。具体过程为:
①基于选定的特征变量进行工况分类
对比不同工况某些特征参数,如表1:
表1.不同类型工况对应的某些特征参数
由上表可知:对于某些特征参数而言,工况之间差异性较大,行驶工况大体可以分为城市、高速、混合三种类别。
为区分行驶工况的类别,需要选取部分特征参数作为工况识别的依据。在物理意义上,比较公认的汽车行驶工况的特征参数共有23种。包括运行时间及各个车速状态对应的时间(0~10km/h、10~20km/h、20~30km/h、30~40km/h、40~50km/h)及其比例(加速、减速、匀速、怠速),最大速度、加/减速度、速度平均值及标准差等。由于行驶工况的特征参数数量较多,在判定类别时大部分的特征参数对判定的影响较小,甚至存在冗余的特征参数,不利于快速分类。因此,将23个特征参数作为基础特征参数,利用特征工程中的特征选择方法,对这23种特征参数进行筛选,最后获取少量的但对分类结果影响最大的7种特征参数,具体为:平均减速度、平均加速度、匀速时间比例、减速时间、加减速度标准差、匀速时间、行驶距离。将筛选出7种行驶工况特征参数作为分类器的输入,输出结果为0/1/2,分别对应城市、高速、混合工况。
②生成对应的状态转移概率矩阵
用状态转移概率矩阵描述车速分布。当车速预测时长在一定范围内时,对于汽车行驶车速Vn,有:
P{V(tn)≤vn|V(t1)=vl,V(t2)=v2,…,V(tn-1)=vn-1}
=P{V(tn)≤vn|V(tn-1)=vn-1},vn∈R
记在第n时刻或第n个地理位置系统处于状态i,经过h步以后系统在第n+h时刻或第n+h个地理位置状态转移变为j的条件概率为P{X(n+h)=j|X(n)=i},记为若状态空间为S={1,2,…,m},马尔科夫链h步转移矩阵p(h)有:
若h=1时,马尔科夫链一步转移矩阵P为:
将速度和加速度作为系统状态变量,并将其按区间划分,区间个数分别为pp和qq,速度状态i∈{1,2,…,pp},加速度状态j∈{1,2,…,qq}。以速度和加速度为坐标系,汽车行驶车速的状态转移概率矩阵T∈Rpp×qq定义为:
其中,Vk+m-l表示第k时刻或第k个地理位置的速度状态,ak+m表示第k+l时刻或第k+l个地理位置的加速度状态,l为状态转移概率矩阵的跨度,m∈{1,2,…,Lp},Lp表示预测时长。
针对多种标准工况,按工况类型训练成各自的状态转移概率矩阵。采集对应路段的历史行驶数据,判断该工况所属类别,并将历史数据作为训练数据以更新对应工况类型的状态转移概率矩阵。最终获取城市、高速、混合三种工况类型的状态转移概率矩阵,如图3~5所示。
③基于状态转移概率矩阵实现车速预测
已知当前时刻或当前地理位置的车速,基于所选的状态转移概率矩阵,选择概率最大时对应的加速度作为当前时刻或当前地理位置的加速度,实现车速预测。以CSUDC、HWFET、NEDC工况为例,每秒预测一次,预测时长为5s,仿真结果如图6~8所示。
2)滑移率信息的获取
基于滑动率区间的分段,对较小的滑动率采用模糊的识别,对较大的滑动率精准的识别。构建路面最大附着系数识别模型,进而根据公式构建预测模型对滑动率进行分析预测。具体过程为:
①构建路面最大附着系数识别模型
由于无法根据μ-λ曲线的斜率对路面最大附着系数进行识别,通过建立离线数据库,实现对不同路面最大附着系数的识别预测。已知:当车速一定时,不同路面附着系数和滑动率的关系如图9所示;当路面类型一定时(湿沥青),不同车速对滑动率的影响如图10所示(即路面类型确定时,当车辆加速或减速时,滑动率也会发生变化),故在构建离线数据库时,将汽车行驶速度和加速度(减速度)考虑其中。对常见的5种路面干沥青、湿沥青、干土路、湿土路以及雪路进行离线训练,构建不同路面不同速度区间和加速度区间对应的滑动率数据库。其中,干沥青路面最大附着系数设为1,湿沥青路面、干土路、湿土路、雪路依次设为0.8、0.6、0.4、0.2。为降低数据库空间,同时尽可能提高数据精度,将速度区间的间隔设为5km/h,加速度区间的间隔设为0.2m/s2,不同路面类型训练对应的矩阵。以湿沥青路面为例,UDDS工况训练获得的数据矩阵如图11所示。
对于大滑动率区间,各个路面附着系数区分明显,因此只需要将输入的滑动率与各个路面进行比较,采用最小差值法确定此时的路面类型,进而得到此时的最大附着系数。对于小滑动率区间,由于滑动率较小时,各种路面类型的附着系数较为接近,较难区分,因此基于不同路面滑动率的离线数据库,计算输入的滑动率与各个路面类型对应的滑动率的差值,如果与上一时刻或上一地理位置处路面类型计算的差值小于所有差值的均值,那么认为路面类型未发生变化,反之,如果大于所有差值的均值,则将最小的差值对应的路面类型作为识别出的路面类型,再给出对应的最大附着系数。具体流程如图12所示。
根据此流程图搭建路面最大附着系数识别模型,设置好相应参数后对不同组合的路面进行识别,识别情况如图13~16所示。不同路面模型识别准确度如表2所示:
表2不同路面模型识别准确度表
路面组合 | 路面种类数 | 路面类型的变化频率 | 模型识别的准确度 |
单一路面 | 1 | 0 | 96.28% |
双路面 | 2 | 1 | 94.82% |
多路面组合1 | 5 | 4 | 90.51% |
多路面组合2 | 4 | 5 | 81.75% |
从表2可以看出,路面类型越少,识别精准度越高。对于单一类型和双路面组合的类型,尽管个别区间产生误差,但整体识别率较高,而对于多路面类型组合的路面,路面类型变化的越多,产生的误差越大。但一般情况下,在一个工况的时间内汽车实际行驶的路面变化频率不会很高,因此该模型可以很好地识别路面最大附着系数,为构建滑动率预测模型提供主要参数值。
②基于路面附着系数和车速实现滑动率预测
基于确定性跳跃循环状态网络进行滑动率预测
作为一种新型的循环神经网络(Recurrent Neural Network,RNN),确定性跳跃循环状态网络(Certain Recurrent Jump State Network,CRJ)在非线性系统识别方面较传统的神经网络有较大的改进,尤其是在一维时序问题上具有很高的处理能力。其基本构成如图17所示,由输入层、输出层以及一个较大的储备池构成。其中,在储备池中,相连接的神经元节点通过单向的循环边和双向的跳跃边连接。CRJ初始化时所有的权重不是随机的,输入权重、循环权重以及跳跃权重由ri、rc、rj确定。
对于M个输入节点、N个储备池神经元个数、D个输出节点的CRJ状态网络,使用双曲正切函数作为其激活函数,其状态方程为:
x(k+1)=tanh(Wmid·x(k)+Win·u(k))
式中,Win为输入权重,由ri确定,Wmid为储备池对输出的权重,其包含循环权重和跳跃权重,Wout为输出权重,其由训练的数据决定。当ri确定时,输入权重Win有:
式中,|Wij|=ri,Wij的正负符号可随机生成,亦可根据经验产生。而状态方程中的Wmid相对复杂,循环权重矩阵Wre初始化时有:
式中,Wij=1表示第i个神经元与第j个神经元相连,由于是单向连接,Wji=0。当rc确定时,则:
若rj确定,且跳跃步长L设定好后,由于跳跃连接是双向的,故有:
初始化CRJ网络,输入为当前时刻(或当前地理位置)的滑动率、车速以及路面最大附着系数,输出为下一时刻(或下一地理位置)所预测的滑动率,储备池神经元设为1000,稀疏程度设为4%,输入单元尺度设为1,谱半径ri=0.5,此外设rc=0.8,rj=0.7。利用多种标准行驶工况对CRJ网络进行训练,应用训练后的CRJ网络对实际行驶工况进行预测。以UDDS和HWFET工况为例,汽车行驶的滑动率预测结果如图18~19所示。
3)道路坡度信息的获取
由于车辆实际行驶过程中会因道路拥挤、红绿灯等原因而在交叉口处改变原始路线,因而从起点到达目的地的路线并不唯一,即需要在交叉口处进行道路坡度的预测。为实现道路坡度预测,主要包括以下三个步骤:
①获取所取区域各道路坡度数据
通过Google地图获取某片区域地图中所有可能行驶的道路及其绝对海拔。区域示意图如图20所示,A点为起始点,B点为目的地。以第一个点为参考点,计算后获取该片区域各条道路的相对海拔和坡度值。采集的各道路坡度值如图21所示。
②确定状态转移概率矩阵
选取相对海拔和坡度值作为马尔科夫的状态变量,类似于速度和加速度,将相对海拔和坡度值按区间划分,区间个数分别为tt和ss,相对海拔状态p∈{1,2,…,tt},坡度值状态q∈{1,2,…,ss},道路坡度的状态转移矩阵T∈Rtt×ss定义为:
其中,Hk表示第k时刻或第k个地理位置的相对海拔状态,θk+l表示第k+l时刻或第k+l个地理位置的坡度值状态,如图22所示。利用行进过程中所有满足约束条件的交叉路口处一定范围内的相对海拔和坡度值构建状态转移矩阵,其中,所取范围的长度由速度和预测时长决定。在选定区域内,从A点到B点存在6条距离最短且大小几乎一致的路径,各个路径之间相互交叉产生4个有效的交叉路口(图20中虚线圆)。因而,对各个交叉路口处的车速进行预测,结合预测时长,确定坡度预测长度,获取该预测长度下交叉口处所有出路的相对海拔数据,转化为马尔科夫对应的状态变量,构建坡度预测的状态转移概率矩阵,具体预测流程如图23所示。
③实现交叉口处道路坡度的预测
以路线3为例,基于状态转移概率矩阵和坡度预测长度(根据预测时长和车速确定下一个时刻或者下一地理位置),实现2个交叉口处道路坡度预测。整个工况中其它位置处的道路坡度无需预测,即为采集的原始数据。仿真结果如图24所示。需注意的是,若车辆在行驶至目的地C点后,车辆的行驶距离无法满足工况所需的行驶距离时,车辆将从B点出发行驶到A点,再从A点继续行驶到B点,如此反复直至满足工况需要的行驶距离。
即根据预测长度和当前时刻或当前地理位置的车速确定下一时刻或下一地理位置对应的交叉口位置区间,并基于所述道路坡度的状态转移概率矩阵获取所述交叉口位置区间的道路坡度,选择概率最大时对应的坡度值作为下一时刻或下一地理位置的坡度值。
(三)、仅能预先了解整个工况下针对工况信息所施加的约束条件
此时,只能获取车辆在某一路段上各个时刻或各个地理位置处各工况信息的最大值,即可得到从出发点到目的地以时间或地理位置为坐标的工况信息外廓线。以车速信息的获取为例,若仅能预先了解道路中指示灯位置、限速信息等。结合车辆的极限加速与制动能力,即可画出在出发点到目的地地理位置或时间为坐标的车辆车速外廓线,这条外廓线代表了该车辆在此线路上各个地理位置或各个时刻的车速最大值,如图25所示。
各个时刻或各个地理位置处各工况信息可在0~Xmax取值,此时各工况信息的概率分布很难测定。根据对各工况信息的约束条件,分以下2种情况讨论:
1、仅对各路段上各个时刻或者地理位置的行驶车速的最值进行约束
各个时刻或者地理位置的行驶车速作为随机变量X,其可能的m种取值为X=[x1,x2,…,xi,…xm]且X≤Xmax,对于每一种取值的概率为p1,p2,...,pi,...,pm,此时用信息熵H(X)表示随机变量X的不确定度,即:
其中,约束条件为各取值的概率之和为1,即:
为了准确地估计随机变量的状态,一般习惯性最大化熵,其原则是承认已知事物(知识),且对未知事物不做任何假设,没有任何偏见。因而,为了最大化H(X),构造拉格朗日函数L(p,λ):
上式对pi求偏导,得:
解得:pi=eλ-1,i=1,2,...,m。
由上可知,对于一个含有m个事件的系统,熵最大时,事件的概率必然满足等概率。因此,对于未知的各个时刻或者地理位置的行驶车速,按照等概率处理,即各个时刻或者地理位置的行驶车速在0~Xmax之间根据均匀分布取值,进而得到下一时刻或地理位置对应的行驶车速。
再根据行驶车速按照不存在某一确切的概率分布或概率密度函数表述工况信息的分布规律的道路坡度的获取方法获取对应路段的道路坡度。
2、对各路段上各个时刻或者地理位置的行驶车速的均值和方差进行约束
上式对pi求偏导,得:
λ1=1-log(2πσ2),λ3=-1/2σ2
基于工况信息外轮廓线,根据3σ准则,以临近均值的车速作为预测依据,实现车速信息的预测;再根据行驶车速按照不存在某一确切的概率分布或概率密度函数表述工况信息的分布规律的道路坡度的获取方法获取对应路段的道路坡度和滑移率。
由上可知,根据最大熵原理,总存在某一分布的熵最大(如高斯分布、平均分布等),进而基于该概率分布实现各工况信息的预测。
针对第三层次工况信息的获取,若提高所获取信息的精度,需预先获取一定量的历史行驶数据,将第三层次的信息获取转化为第二层次的信息获取,再在第二层次的基础上实现各工况信息的预测。
其中,ΔSOC的确定过程如下:
对车载动力电池进行SOC可行域的离散,确定ΔSOC和离散点数量,获得SOC矩阵,具体包括:
SOC可行域的离散过程包括:
当车辆型号及工况信息确定时,电池最大充/放电电流限制、SOC最值、行驶时长等参数均可确定。由于全局优化控制策略的求解属于数值求解问题,需要对状态变量进行离散。状态变量一般包括速度和电池SOC,因此,信息层与物质层之间存在一交接层,用于实现SOC可行域的离散。SOC可行域离散流程如图26所示,主要包括以下四个步骤:
步骤1、确定SOC可行域形状;
将最大SOC和最小SOC值作为SOC可行域的上下边界线,以初始SOC、终止SOC为基点,以电池最大充放电电流为斜率确定SOC可行域的形状。
具体包括:
以车载电池的最大SOC做水平线,以初始SOC点为起始点,以车载电池最大充电电流为斜率,获得初始充电曲线,并确定与最大SOC水平线的交点为初始最大SOC点;
以车载电池的最小SOC做水平线,以初始SOC点为起始点,以车载电池最大放电电流为斜率,获得初始放电曲线,并确定与最小SOC水平线的交点为初始最小SOC点;
以终止SOC点为终止点,分别获得初始充电曲线和初始放电曲线的平行线,并分别确定与最大SOC水平线的交点和最小SOC水平线的交点为终止最大SOC点和终止最小SOC点;
通过初始SOC点、初始最大SOC点、终止最大SOC点、终止SOC、终止最小SOC点和初始最小SOC点之间依次直线连接确定SOC可行域的形状;
根据最大SOC、最小SOC值、初始SOC、终止SOC及工况总时长,SOC可行域的形状会呈现四边形、五边形或六边形,如图27所示。
步骤2、SOC可行域的划分;
为使相邻时刻或相邻地理位置状态点之间存在等量的SOC转移且任意时刻或任意地理位置状态点的数量无剧烈变化,本发明提出一种新的SOC离散方法,具体为:
对初始SOC做水平线,并确定其与初始放电曲线的平行线的交点为二次初始SOC点,对终止SOC做水平线,并确定其与初始充电曲线的平行线的交点为二次终止SOC点;
分别对初始SOC点、初始最大SOC点、二次终止SOC点、初始最小SOC点、终止最大SOC点、二次初始SOC点和终止SOC做垂线,获得对应的时刻或者地理位置:0,t1,tA,t2,t3,tB,t4,t5,以对SOC可行域进行区域划分。
可将SOC可行域划分为3~7个区,具体为:
①当SOC可行域形状为四边形时,转折点对应的时刻或地理位置有2个,将SOC可行域划分为3个区。
②当SOC可行域形状为五边形时,当初始SOC或终止SOC位于中间值时,此时转折点对应的时刻或地理位置有3个,将SOC可行域划分为4个区;反之,转折点对应的时刻或地理位置有4个,将SOC可行域划分为5个区。
③当SOC可行域形状为六边形时,当初始SOC和终止SOC均位于中间值时,此时转折点对应的时刻或地理位置有2个,将SOC可行域划分为3个区;当初始SOC或终止SOC位于中间值时,且各点之间有重合时,此时转折点对应的时刻或地理位置有4个,将SOC可行域划分为5个区,反之,将SOC可行域划分为6个区;当初始SOC和终止SOC均不位于中间值时:且各点之间有重合时,此时转折点对应的时刻或地理位置有4个,将SOC可行域划分为5个区;若各点之间有重合时,此时转折点对应的时刻或地理位置有4个,将SOC可行域划分为6个区;若各转折点对应的时刻或地理位置均不重合时,此时转折点对应的时刻或地理位置有6个,将SOC可行域划分为7个区。
步骤3、确定各时刻或地理位置的SOC离散点数量;
将起始SOC和终止SOC之间的时刻或者地理位置均分为n份,并分别做对应时刻或者地理位置的垂线;
根据电池最大充放电电流限制、各时刻(或地理位置)的最大电机功率和需求功率的限制确定SOC最大离散间隔δSOCmax,进而确定实际SOC离散间隔ΔSOC(要求ΔSOC≤δSOCmax);
将起始SOC和终止SOC作为基准线,以ΔSOC为间隔分别向上、向下做平行于基准线的水平线,与各时刻或地理位置对应的垂线相交,得到各时刻或地理位置的SOC离散点,如图28所示;
根据初始放电曲线及其平行线、初始充电曲线及其平行线、最大SOC的平行线、最小SOC的平行线获取各时刻或地理位置的SOC的最大值和最小值;
根据各时刻或地理位置的SOC的最大值和最小值、初始SOC和终止SOC,获得每个区域内各时刻或地理位置对应的SOC离散点个数;
其中,对于SOC可行域的上、下边界,当离散点的间隔不足ΔSOC时,仍在边界处进行离散。
步骤4、确定SOC矩阵;
对各时刻/地理位置的SOC离散点进行编号,第1个离散点对应编号1,从上至下依次编号。若各时刻或地理位置处SOC离散点个数的最大值为n,则SOC矩阵的维度为n×n。根据初始SOC、终止SOC、最大SOC、最小SOC、ΔSOC、各时刻或地理位置的SOC的最大值和最小值以及SOC离散点数量,计算每个区域内各时刻或地理位置对应的SOC值,并根据其编号,将SOC值存储在SOC矩阵对应的位置处。
需指出的是:对于多动力源车辆而言,车载能量涉及油电混合、电气混合、电氢混合等,守恒框架为动/势能与车载能量(包括电能)之间的转化;对于单一能源(如纯电动汽车)而言,车载能量为电能,守恒框架则为动/势能与电能之间的转化。
本专利为制动能量回收、滑行、间断性加减速等方式可有效降低燃油消耗量。为充分利用车辆滑行模式以降低油耗,确定出各种道路上车辆滑行的条件,主要包括但不限于如下三种:
③下坡:若当前时刻或当前地理位置的车速与下一时刻或下一地理位置的车速非0,当前时刻或前地理位置的加速度大于0,且满足时,车辆此时可利用重力的分力进行滑行,此时为下坡自由滑行模式;若当前时刻或当前地理位置的车速与下一时刻或下一地理位置的车速非0,当前时刻或前地理位置的加速度小于0,且满足时,车辆可利用惯性进行滑行,此时为惯性减速滑行模式。
其中,m为汽车整车质量,g为重力加速度,f为整车滚动阻力系数,α为道路坡度角,A为整车迎风面积,CD为空气阻力系数,vc为车辆行驶速度,δ为旋转质量换算系数,du/dt为纵向加速度。
本发明所涉及的车辆工作模式并不局限于传统的串联、并联和混联等传统工作模式,或者针对单独标定出的经济和运动等工作模式,而是针对所有机械连接或者电连接可行的动力执行部件的工作状态组合。比如:对于单电机车辆而言,控制部件包括发动机、电机、离合器,其中发动机状态包括工作(√)、不工作(×)两种,电机状态包括不工作(×)、发电、电动三种,离合器状态包括接合(0)、分离(1)两种,则工作模式共有2×2×3=12种。
针对并联结构的混合动力车辆(电机位于离合器之后,变速器之前),基于“动/势能-车载能量”守恒框架,分析该系统在各触发条件下确定的工作模式。
需注意以下几点:
①车辆能工作在纯电模式下的附加条件为电机功率大于车辆需求功率。
②车辆可以滑行的条件需满足第一方面提到的3条,即根据势能变化、车速和受力分析即可判断车辆能否发生滑行。
③针对ΔSOC,若ΔSOC<0(即SOC↓),电机的工作状态只能对应电动;若ΔSOC>0(即SOC↑),电机的工作状态只能对应发电;若ΔSOC=0(即SOC-),电机的工作状态只能对应不工作。
根据各触发条件确定对应的车辆动力系统可控部件的工作模式,具体有如下情况的各触发条件,如表3所示。
表3各触发条件
在各触发条件下,外加车辆滑行的条件、电机需求功率大于车辆需求功率等附加条件,可确定各触发条件下对应的车辆动力系统可控部件的唯一工作模式,为后续确定燃油矩阵以实现全局能量最优分配奠定基础。
针对串联结构或混联结构的混合动力车辆,若要确定各触发条件下的车辆工作模式,可基于“动/势能-车载能量”守恒框架,在并联构型车辆工作模式分析(以上表格分析)的基础上增加或减少由构型限制的工作模式,则可实现各条件下工作模式的确定。比如:
①若电机位于离合器之前,此时车辆构型为串联,受车辆构型的限制,不存在纯电行驶模式。
②若电机位于变速箱的输出端,与发动机同轴,此时电机必须与车轴相连,电机无法用于启动发动机,因而不存在电机反拖发动机模式。
③若电动机置于驱动桥,直接驱动车轮时,此时系统不能随意在纯电驱动和纯发动机驱动之间切换。
需指出的是,所提出的基于“动/势能-车载能量”守恒框架以确定各触发条件下工作模式的方法仍适用于双电机车辆和带有行星排的混合动力车辆。
对于双电机车辆而言,控制部件包括发动机、电机M1、电机M2、离合器,若其中发动机状态包括工作(√)、不工作(×)两种,电机M1状态包括不工作(×)、电动、发电三种,电机M2状态包括不工作(×)、电动、发电三种,离合器状态包括接合(0)、分离(1)两种,则工作模式共有2×3×3×2=36种。
若设:
P0=min{PM1_max,PM2_max}=PM1_max
P1=max{PM1_max,PM2_max}=PM2_maxP2=PM1_max=PM2_max
P3=Pe_max+P0=PM1_max+Pe_max
P4=Pe_max+P1=PM2_max+Pe_max
P5=Pe_max+PM1_max+PM2_max
其中,PM1_max,PM2_max,Pe_max分别为电机M1、电机M、发动机的最大功率;可知:P0<P1<P2<Pe_max<P3<P4<P5。
此时,附加条件则包括:①是否可发生下坡自由滑行或惯性减速滑行;②Preq<P0或P0<Preq<P1或P1<Preq<P2或P2<Preq<Pe_max或Pe_max<Preq<P3或P3<Preq<P4或P4<Preq<P5。
对于带有行星排的混合动力车辆而言,控制部件包括发动机、电机M1、电机M2,若其中发动机状态包括工作(√)、不工作(×)两种,电机M1和电机M2状态包括不工作(×)、电动、发电三种,则工作模式共有2×3×3=18种。附加条件与双电机车辆一致,包括:①是否可以发生惯性减速滑行/下坡自由滑行;②需求功率与发动机、电机M1、电机M2最大功率之间的对比。
针对某一确定的工作模式,根据信息层所获车速、滑移率信息及物质层所确定的车辆构型,利用动力学方程求解发动机转速ne及电机转速nm。即:对于P0~P2构型,发动机转速和电机转速满足:ne=nm=igi0·nw;对于P3构型,发动机转速和电机转速满足:ne=igi0·nw,nm=i0·nw;对于P4构型,发动机转速和电机转速满足:ne=igi0·nw,nm=nw。其中,i0为主减速比,ig为变速器传动比,nw为车轮转速,满足r为车轮半径,vω为轮速。
根据车速、加速度、道路坡度、各档位传动比等信息,基于汽车行驶方程,确定各时刻或各地理位置车辆各档位的需求转矩Freg和需求功率Preg,即:
Preq=Freq·vc;
其中,m为汽车整车质量,g为重力加速度,f为整车滚动阻力系数,α为道路坡度角,A为整车迎风面积,CD为空气阻力系数,vc为车辆行驶速度,δ为旋转质量换算系数,为纵向加速度,ηT为总机械传动效率,Iw为车轮的转动惯量,If为飞轮的转动惯量。
基于所求的需求功率Preq和两离散点间的SOC间隔ΔSOC,求解该工作模式下发动机转矩Te和电机转矩Tm,即:
Preq=Pe+Pbat;
Pe=Tene/9550;
其中,Uoc为电池开路电压,Rint为电池内阻,C为电池容量,Pbat为电池功率,ηm为电机效率,由电机转速nm和电机转矩Tm查找电机map图得到,即:ηm=f(Tm,nm)。
基于所求得发动机转速ne和发动机转矩Te,查找发动机map图,得到对应的燃油消耗量Qe,即:Qe=F(Te,ne)。
基于以上求解,确定所确定工作模式下取得最低燃油消耗时对应的档位,得到该工作模式下所需的各控制量,包括:发动机功率、电机功率、发动机转矩、电机转矩、发动机转速、电机转速、离合器状态、档位状态。
步骤二、确定相邻时刻或相邻地理位置两状态间的燃油消耗量;
当整个工况信息预先了解后,各时刻或地理位置的车速、坡度为已知值,即各时刻/地理位置的ΔEk,ΔEp,ΔE可确定,在SOC可行域内,相邻时刻或地理位置两离散点之间ΔSOC(>0/<0/=0)可确定,基于“动/势能-车载能量”守恒框架,步骤一所得到的燃油消耗量对应SOC可行域中当前时刻或当前地理位置处某一SOC离散点到下一时刻或下一地理位置某一SOC离散点之间的燃油消耗。
步骤三、燃油矩阵和控制矩阵的存储;
如图18所示,各触发条件下对应的燃油消耗量确定后,燃油消耗量以(k,i,j)的形式存入三维矩阵中;其中,i代表第j时刻或第j个地理位置的第i个状态点,k代表第(j+l)时刻或第(j+l)个地理位置的第k个状态点,j代表工况时刻或地理位置点个数,l代表所构建燃油矩阵的精度。
具体存储过程为:第一时刻或第一地理位置的状态点到第二时刻或第二地理位置第一个状态点的燃油消耗量存在三维矩阵(1,1,1)位置处,第一时刻或第一地理位置的状态点到第二时刻或第二地理位置的第二个状态点的燃油消耗量存在三维矩阵(2,1,1)位置处,以此类推,第j时刻或第j个地理位置的第i个状态点到第(j+l)时刻或第(j+l)个地理位置的第k个状态点的燃油消耗量存在三维矩阵(k,i,j)位置处。最终,生成燃油矩阵fuel(k,i,j),表示第j时刻或第j个地理位置的第i个状态点到第(j+l)时刻或第(j+l)个地理位置的第k个状态点的燃油消耗量。
同理,在计算各触发条件所确定工作模式下燃油消耗的同时,将对应的发动机功率、电机功率、发动机转矩、电机转矩、发动机转速、电机转速、离合器状态、档位状态分别存入三维控制矩阵Pe(k,i,j)、Pm(k,i,j)、Te(k,i,j)、Tm(k,i,j)、ne(k,i,j)、nm(k,i,j)、clutch(k,i,j)、gear(k,i,j)中,为后续根据最优状态点查找最优控制序列奠定基础。
二、全局寻域算法
在能量层面,将燃油矩阵转化为图论中各状态点之间的权值,最优解即为起点到终点的最短路。由于基于全局寻优算法进行最低油耗查找时,最终得到的SOC最优轨迹不止一条。因而,提出全局寻域算法,输出SOC最优轨迹域,以有效提高算法计算效率;
如图29所示,全局寻域算法流程包括如下步骤:
步骤一、顺序求解并存储各状态点到起点的最优值
在能量层面,将SOC可行域中各离散点看成一状态点,将燃油矩阵转化为图论中各状态点之间的权值,将全局能量最优分配问题转化为起点到终点的最短路问题。
如图30~32所示,根据SOC离散点的原始编号,从起点开始,顺序求解各状态点到起点的最优值(最短距离),并以二维的形式存储在距离矩阵D(i,j)中,求解最优值的过程包括如下步骤:
步骤1、从起点s0出发到图上其余各顶点sk可能达到的最短路径长度的初值为:D(k)=min{W(i,k)|sk∈V-{i}};其中,fuel(k,i,j)表示第j时刻或第j个地理位置的第i个状态点到第(j+l)时刻或第(j+l)个地理位置的第k个状态点的燃油消耗,对应到二维图中第j列第i个点到第(j+l)列第k个点的边的权值为W(i,k),V为各离散点组成的集合;
步骤2、选择sj,使得:D(j)=min{D(k)|sk∈V-M},sj为当前求得的一条从起点出发的最短路径的终点,令M=M∪{j},M为已求出的从已知起点s0(第一时刻或第一位置的SOC离散点)出发的最短路径的终点的集合,其初始状态为空集;
步骤3、修改从起点s0出发到集合V-M上任一顶点sk可达的最短路径长度;若D(j)+W(j,k)<D(k),将D(k)更新为:D(k)=D(j)+W(j,k);
步骤4、重复步骤2、步骤3,得到并记录起点到各离散点的最短距离。
步骤二、顺序求解并存储各离散点所经前一时刻最优状态点
将所有时刻或所有位置的状态点数量Nj(j=1,2,...,n)相加,得到总状态点数量(n代表工况总时长或总位置点个数)。如图31所示,将所有状态点重新编号,各时刻或各地理位置处各状态点按顺序依次编号,即第一时刻或第一地理位置的状态点编号为1,最后一时刻或最后一地理位置的状态点编号为Num(Num为所有离散点的个数,也就是最后一个离散点的编号,即最后一时刻或最后一地理位置的状态点编号),第m时刻或第m个地理位置的各状态点编号则依次为:将各编号存储在二维矩阵SOCnumber(i,j)中,其位置与原始SOC离散点编号一致;在本实施例中,SOCnumber中(1,1)位置处存储的是第一时刻或第一地理位置的状态点的编号1,(1,2)位置处存储的是第二时刻或第二地理位置的第一个状态点的编号2,依次类推。
基于新的状态点编号,在求解某一时刻或某一地理位置的某一状态点到起点的最短路的同时,查找所有的最短路,并记录所有最短路上所经前一时刻或前一地理位置状态点的编号,存储在二维矩阵prev的对应列中;其中,prev的列数由总状态点数量决定,即列数为Num(prev矩阵的列数即为所有离散点的个数,也就是Num列)。
步骤三、逆序查找并存储各时刻下的最优状态点
最后一个状态点即为第n时刻或第n个地理位置的最优状态点,从终点出发,查找prev矩阵中最后一列存储的编号Nun,该编号即为第(n-l)时刻或第(n-l)个地理位置的最优状态点,将其存储在point矩阵的第(n-1)列。根据查找到的编号Num,继续查找prev矩阵中第Num列存储的编号,所得编号即为第(n-2l)时刻或第(n-2l)个地理位置的最优状态点,将其存储在point矩阵的第(n-2l)列。若此时查找到多个编号Nun1,Nun2,...,则依次查找prev矩阵中第Nun1,Nun2,...列存储的编号,将其存储在point矩阵的第(n-2l)列,即第(n-2l)时刻或第(n-2l)个地理位置存在多个最优状态点,以此类推,直至逆序查找至起点(出现编号1),所得point矩阵如图33所示,所存储的为各时刻下或各地理位置所有最优状态点的新编号1~Num(第一时刻和最后一时刻均只有一个离散点,也就是唯一的最优状态点,对应的编号也就是1和Num)。
步骤四、形成SOC最优轨迹域
如图34所示,为得到SOC最优轨迹域,需要将point矩阵中存储的状态点编号重新还原为原来的编号,即找到各最优状态点在SOC可行域中的位置;将当前时刻或当前地理位置最优状态点对应的编号减去截止至前一时刻或前一地理位置所有状态点的数量,即可得到所有SOC最优轨迹上所有状态点的位置,形成SOC最优轨迹域,以该种形式输出最优解,可有效提高计算效率。
三、应用层面
根据各最优状态点所对应的位置(k,i,j),查找物质层-信息层间的交接层生成的Pe(k,i,j)、Pm(k,i,j)、Te(k,i,j)、Tm(k,i,j)、ne(k,i,j)、nm(k,i,j)、clutch(k,i,j)、gear(k,i,j)三维控制矩阵中对应位置处的数值,即可得到各时刻或各地理位置的最优控制序列,依次为:发动机功率、电机功率、发动机转矩、电机转矩、发动机转速、电机转速、离合器工作状态、档位状态。
以城市、高速、混合三种类型,分别基于全局优化能量管理控制策略得到多种标准工况下的最优结果,包括发动机功率、电机功率、发动机转矩、电机转矩、发动机转速、电机转速、离合器工作状态、档位状态等控制序列;其中,将发动机转矩Te与车辆需求转矩Treq之比定义为转矩分配比TSR=Te/Treq,或将发动机功率Pe与车辆需求功率Preq之比定义为功率分配比PSR=Pe/Preq,统称为分配比Re-m,用来表征最优控制决策中对应的车辆工作模式。
以车速v、电池SOC、车辆需求转矩Treq或车辆需求功率Preq、分配比Re-m为坐标系,建立用于全局优化控制策略实时应用的map图,在车辆实际行驶过程中,根据查找map图,得到对应的发动机及电机的转速和转矩,实现车辆能量管理的实时应用。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种基于全局寻域算法实现车辆全局能量最优分配方法,其特征在于,包括如下步骤:
步骤一、在物质层与能量层的交接层面,确定燃油矩阵与各控制矩阵;
步骤二、在能量层面,根据所述燃油矩阵,基于全局寻域算法,输出SOC最优轨迹域及对应的最优控制点;
步骤三、在应用层面,针对不同类型的行驶工况,基于所述最优控制点得到以车速、电池SOC、需求转矩或者需求功率、转矩或者功率分配比的map图,进而进行全局能量最优分配。
2.根据权利要求1所述的基于全局寻域算法实现车辆全局能量最优分配方法,其特征在于,在所述步骤一中,确定燃油矩阵过程包括:
基于“动/势能-车载能量”守恒框架,根据动力学方程,确定相邻两个时刻或地理位置某两个状态点之间所确定工作模式,并基于发动机map图得到各工作模式下的燃油消耗量fuel,所得值存储在对应的燃油矩阵fuel(k,i,j)中;
其中,i代表第j时刻或第j个地理位置的第i个状态点,k代表第(j+l)时刻或第(j+l)个地理位置的第k个状态点,j代表工况时刻或地理位置点个数,l代表所构建燃油矩阵及控制矩阵的精度。
3.根据权利要求1或2所述的基于全局寻域算法实现车辆全局能量最优分配方法,其特征在于,在所述步骤一中,确定控制矩阵过程包括:
基于“动/势能-车载能量”守恒框架,根据动力学方程,确定相邻两个时刻或地理位置某两个状态点之间所确定工作模式下的发动机功率Pe、电机功率Pm、发动机转矩Te、电机转矩Tm、发动机转速ne、电机转速nm、离合器状态clutch、档位状态gear,所得值存储在对应的三维矩阵中,包括:
Pe(k,i,j)、Pm(k,i,j)、Te(k,i,j)、Tm(k,i,j)、ne(k,i,j)、nm(k,i,j)、clutch(k,i,j)、gear(k,i,j);
其中,i代表第j时刻或第j个地理位置的第i个状态点,k代表第(j+l)时刻或第(j+l)个地理位置的第k个状态点,j代表工况时刻或地理位置点个数,l代表所构建燃油矩阵及控制矩阵的精度。
4.根据权利要求3所述的基于全局寻域算法实现车辆全局能量最优分配方法,其特征在于,在所述步骤二中,基于全局寻域算法,输出SOC最优轨迹域过程包括如下步骤:
步骤1、对SOC可行域中所有状态点重新编号,将所述燃油矩阵转化为各个状态点之间的权值;
步骤2、顺序求解各个状态点到起点的最短距离,并确定各个状态点所经前一时刻或前一地理位置的最优状态点;
步骤3、逆序确定各时刻或各地理位置的最优状态点,并还原成原始编号;
步骤4、确定还原编号后各最优状态点在SOC可行域中的位置,确定SOC最优轨迹域。
5.根据权利要求4所述的基于全局寻域算法实现车辆全局能量最优分配方法,其特征在于,在所述步骤2中,顺序求解各个状态点到起点的最短距离过程包括如下步骤:
步骤a、将所述SOC可行域中所有状态点进行编号排序,从起点s0出发到其余各顶点sk可能达到的最短路径长度的初值为:D(k)=min{W(i,k)|sk∈V-{i}};
其中,W(i,k)为第j列第i个点到第(j+l)列第k个点的边的权值,其通过第j时刻或第j个地理位置的第i个状态点到第(j+l)时刻或第(j+l)个地理位置的第k个状态点的燃油消耗fuel(k,i,j)转化得到;
步骤b、选择sj,使得D(j)=min{D(k)|sk∈V-M};
其中,sj为当前求得的一条从起点出发的最短路径的终点,令M=M∪{j},M为已求出的从已知起点s0出发的最短路径的终点的集合,其初始状态为空集;
步骤c、修改从起点出发到集合V-M上任一顶点sk可达的最短路径长度,若D(j)+W(j,k)<D(k),将D(k)更新为:D(k)=D(j)+W(j,k);
步骤d、重复步骤b和步骤c,直到得到各个状态点到起点的最短距离。
6.根据权利要求4所述的基于全局寻域算法实现车辆全局能量最优分配方法,其特征在于,在所述步骤2中,确定各个状态点所经前一时刻或前一地理位置的最优状态点的过程包括:
将所有时刻或所有地理位置的状态点数量Nj(j=1,2,...,n)相加,得到总状态点数量将所有状态点重新编号,各时刻或各地理位置的各状态点按顺序依次编号,第m时刻或第m个地理位置的各状态点编号则依次为:将各编号存储在二维矩阵SOCnumber(i,j)中,其位置与原始SOC状态点编号一致,基于新的状态点编号,在求解某一时刻或某一地理位置的某一状态点到起点的最短路的同时,查找所有的最短路,并记录所有最短路上所经前一时刻或前一地理位置状态点的编号得到最优状态点,存储在二维矩阵prev的对应列中;
其中,n代表工况总时长或者总地理位置点个数。
7.根据权利要求4所述的基于全局寻域算法实现车辆全局能量最优分配方法,其特征在于,在所述步骤3中,逆序确定各时刻或各地理位置的最优状态点的过程包括:
最后一个状态点即为第n时刻或第n个地理位置的最优状态点,从终点出发,查找所述二维矩阵prev中最后一列存储的编号Nun,其为第(n-l)时刻或第(n-l)个地理位置的最优状态点,将其存储在point矩阵的第(n-l)列;
根据查找到的编号Nun,继续查找prev矩阵中第Nun列存储的编号,其为第(n-2l)时刻或第(n-2l)个地理位置的最优状态点,将其存储在point矩阵的第(n-2l)列;其中,若找得到多个编号Nun1,Nun2,...,则依次查找prev矩阵中第Nun1,Nun2,...列存储的编号,将其存储在point矩阵的第(n-2l)列,直至逆序查找至起点;
所得point矩阵存储的则为各时刻下或各地理位置处所有最优状态点的新编号1~Num。
8.根据权利要求3所述的基于全局寻域算法实现车辆全局能量最优分配方法,其特征在于,在所述步骤三中,进行全局能量最优分配过程包括:
基于所述SOC最优轨迹域中最优状态点对应的位置(k,i,j),确定对应位置处的Pe(k,i,j)、Pm(k,i,j)、Te(k,i,j)、Tm(k,i,j)、ne(k,i,j)、nm(k,i,j)、clutch(k,i,j)、gear(k,i,j);
其中,Pe为发动机功率、Pm为电机功率、Te为发动机转矩、Tm为电机转矩、ne为发动机转速、nm为电机转速、clutch为离合器工作状态、gear为档位状态;
建立以车速v、电池SOC、车辆需求转矩Treq或者车辆需求功率Preq、分配比Re-m为坐标系的map图;
根据车辆实际运行情况,基于所述map图,得到对应的发动机转矩、发动机转速、电机的转矩和电机的转矩,进行全局能量最优分配。
9.根据权利要求8所述的基于全局寻域算法实现车辆全局能量最优分配方法,其特征在于,所述分配比Re-m为转矩分配比TSR或者功率分配比PSR;
其中,TSR=Te/Treq,Te为发动机转矩,Treq为为车辆需求转矩;
PSR=Pe/Preq,Pe为发动机功率,Preq为为车辆需求功率。
10.根据权利要求1、2、4-9中任一项所述的基于全局寻域算法实现车辆全局能量最优分配方法,其特征在于,所述“动/势能-车载能量”守恒框架为外部因素和内部因素进行合理可行地组合,在附件条件的基础上,确定车辆动力系统可控部件的唯一工作模式;
其中,所述外部因素包括:车速;车速对应的下一时刻或下一地理位置与当前时刻或地理位置的车辆动能变化量ΔEk;海拔对应的下一时刻或下一地理位置与当前时刻或地理位置的车辆势能变化量ΔEp;ΔEk与ΔEp对应的下一时刻或下一地理位置与当前时刻或此地理位置的总机械能的变化量ΔE;
所述内部因素为车载电池下一时刻或下一地理位置与当前时刻或地理位置的荷电状态SOC变化量ΔSOC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911393380.9A CN111091249B (zh) | 2019-12-30 | 2019-12-30 | 一种基于全局寻域算法实现车辆全局能量最优分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911393380.9A CN111091249B (zh) | 2019-12-30 | 2019-12-30 | 一种基于全局寻域算法实现车辆全局能量最优分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091249A true CN111091249A (zh) | 2020-05-01 |
CN111091249B CN111091249B (zh) | 2023-07-14 |
Family
ID=70396913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911393380.9A Active CN111091249B (zh) | 2019-12-30 | 2019-12-30 | 一种基于全局寻域算法实现车辆全局能量最优分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091249B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080262712A1 (en) * | 2007-04-18 | 2008-10-23 | Duty Mark J | Methods and systems for powertrain optimization and improved fuel economy |
US20090259363A1 (en) * | 2008-04-15 | 2009-10-15 | The Uwm Research Foundation, Inc. | Power management systems and methods in a hybrid vehicle |
US20110066308A1 (en) * | 2009-09-16 | 2011-03-17 | Gm Global Technology Operations, Inc. | Predictive energy management control scheme for a vehicle including a hybrid powertrain system |
US20120173075A1 (en) * | 2010-12-29 | 2012-07-05 | Paccar Inc | Systems and methods for improving the efficiency of a vehicle |
US20150202990A1 (en) * | 2012-07-12 | 2015-07-23 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method of managing the energy consumed by an automotive vehicle and system implementing such a method |
US20170276077A1 (en) * | 2016-03-22 | 2017-09-28 | Bayerische Motoren Werke Aktiengesellschaft | Method, Device and Mobile User Terminal for Adapting an Energy Utilization Process of a Motor Vehicle |
CN107516107A (zh) * | 2017-08-01 | 2017-12-26 | 北京理工大学 | 一种混合动力车辆的行驶工况分类预测方法 |
CN108470220A (zh) * | 2018-01-31 | 2018-08-31 | 天津大学 | 考虑功率变化率限制的混合储能系统能量管理优化方法 |
KR20190040622A (ko) * | 2017-10-11 | 2019-04-19 | 현대자동차주식회사 | 하이브리드 차량의 제어 방법 |
CN110135632A (zh) * | 2019-04-29 | 2019-08-16 | 吉林大学 | 基于路径信息的phev自适应最优能量管理方法 |
CN110190615A (zh) * | 2019-05-22 | 2019-08-30 | 国网浙江省电力有限公司经济技术研究院 | 一种微网储能系统控制策略优化方法 |
CN110435634A (zh) * | 2019-08-29 | 2019-11-12 | 吉林大学 | 一种基于缩小soc可行域的随机动态规划能量管理策略优化方法 |
CN110549914A (zh) * | 2019-09-05 | 2019-12-10 | 西南交通大学 | 一种燃料电池有轨电车日运行近似最优能量管理方法 |
-
2019
- 2019-12-30 CN CN201911393380.9A patent/CN111091249B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080262712A1 (en) * | 2007-04-18 | 2008-10-23 | Duty Mark J | Methods and systems for powertrain optimization and improved fuel economy |
US20090259363A1 (en) * | 2008-04-15 | 2009-10-15 | The Uwm Research Foundation, Inc. | Power management systems and methods in a hybrid vehicle |
US20110066308A1 (en) * | 2009-09-16 | 2011-03-17 | Gm Global Technology Operations, Inc. | Predictive energy management control scheme for a vehicle including a hybrid powertrain system |
US20120173075A1 (en) * | 2010-12-29 | 2012-07-05 | Paccar Inc | Systems and methods for improving the efficiency of a vehicle |
US20150202990A1 (en) * | 2012-07-12 | 2015-07-23 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method of managing the energy consumed by an automotive vehicle and system implementing such a method |
US20170276077A1 (en) * | 2016-03-22 | 2017-09-28 | Bayerische Motoren Werke Aktiengesellschaft | Method, Device and Mobile User Terminal for Adapting an Energy Utilization Process of a Motor Vehicle |
CN107516107A (zh) * | 2017-08-01 | 2017-12-26 | 北京理工大学 | 一种混合动力车辆的行驶工况分类预测方法 |
KR20190040622A (ko) * | 2017-10-11 | 2019-04-19 | 현대자동차주식회사 | 하이브리드 차량의 제어 방법 |
CN108470220A (zh) * | 2018-01-31 | 2018-08-31 | 天津大学 | 考虑功率变化率限制的混合储能系统能量管理优化方法 |
CN110135632A (zh) * | 2019-04-29 | 2019-08-16 | 吉林大学 | 基于路径信息的phev自适应最优能量管理方法 |
CN110190615A (zh) * | 2019-05-22 | 2019-08-30 | 国网浙江省电力有限公司经济技术研究院 | 一种微网储能系统控制策略优化方法 |
CN110435634A (zh) * | 2019-08-29 | 2019-11-12 | 吉林大学 | 一种基于缩小soc可行域的随机动态规划能量管理策略优化方法 |
CN110549914A (zh) * | 2019-09-05 | 2019-12-10 | 西南交通大学 | 一种燃料电池有轨电车日运行近似最优能量管理方法 |
Non-Patent Citations (1)
Title |
---|
张风奇等: "混合动力汽车模型预测能量管理研究现状与展望", pages 86 - 108 * |
Also Published As
Publication number | Publication date |
---|---|
CN111091249B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Hybrid electric vehicle energy management with computer vision and deep reinforcement learning | |
CN102189994B (zh) | 用于电动和混合动力车辆操作的系统和方法 | |
CN110979342B (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
CN109733378B (zh) | 一种线下优化线上预测的转矩分配方法 | |
CN103745110B (zh) | 纯电动公交车营运续驶里程估算方法 | |
CN108819934B (zh) | 一种混合动力车辆的动力分配控制方法 | |
Hu et al. | An online rolling optimal control strategy for commuter hybrid electric vehicles based on driving condition learning and prediction | |
CN108791270A (zh) | 一种混合动力车辆基于工况预测的动力部件工作点调控方法 | |
CN103745111A (zh) | 纯电动乘用车续驶里程预测方法 | |
CN111152780B (zh) | 一种基于“信息层-物质层-能量层”框架的车辆全局能量管理方法 | |
CN113554337B (zh) | 融合交通信息的插电式混动汽车能量管理策略构建方法 | |
CN106193734A (zh) | 一种立体车库调度控制装置 | |
CN112572404B (zh) | 基于前方道路信息的重型商用车混合动力能量管理方法 | |
EP4121329A1 (en) | Systems and methods for managing velocity profiles | |
CN115063184A (zh) | 电动汽车充电需求建模方法、系统、介质、设备及终端 | |
Skarka | Reducing the energy consumption of electric vehicles | |
Foiadelli et al. | Energy consumption prediction of electric vehicles based on big data approach | |
CN115805840A (zh) | 一种增程式电动装载机能耗控制方法及系统 | |
CN113140108B (zh) | 一种网联智能交通系统中的云端交通态势预测方法 | |
Xia et al. | A predictive energy management strategy for multi-mode plug-in hybrid electric vehicle based on long short-term memory neural network | |
CN107067130A (zh) | 一种基于电动汽车马尔可夫充电需求分析模型的快速充电站容量规划方法 | |
CN111091249B (zh) | 一种基于全局寻域算法实现车辆全局能量最优分配方法 | |
Zhang et al. | Neural Network based Vehicle Speed Prediction for Specific Urban Driving | |
CN116702996A (zh) | 一种基于典型工况识别的电动公交车辆能量预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |