CN111301397A - 一种插电混合动力汽车变时域模型预测能量管理方法 - Google Patents
一种插电混合动力汽车变时域模型预测能量管理方法 Download PDFInfo
- Publication number
- CN111301397A CN111301397A CN202010129689.3A CN202010129689A CN111301397A CN 111301397 A CN111301397 A CN 111301397A CN 202010129689 A CN202010129689 A CN 202010129689A CN 111301397 A CN111301397 A CN 111301397A
- Authority
- CN
- China
- Prior art keywords
- time
- soc
- time domain
- model
- energy management
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W20/00—Control systems specially adapted for hybrid vehicles
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
- B60W20/11—Controlling the power contribution of each of the prime movers to meet required power demand using model predictive control [MPC] strategies, i.e. control methods based on models predicting performance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W20/00—Control systems specially adapted for hybrid vehicles
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
- B60W20/15—Control strategies specially adapted for achieving a particular effect
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
- B60W2510/244—Charge state
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种插电混合动力汽车变时域模型预测能量管理方法,属于插电式混合动力汽车能量管理领域,所述方法主要包括:定义模糊控制器中的变量,对模型参数进行模糊化处理,定义模糊控制规则,完成模糊控制器的构建;获取当前时刻模糊控制器相关输入参数,通过模糊控制器输出预测时域增量ΔNp;将初始预测时域Npinitial与预测时域增量ΔNp叠加,对预测时域Np完成更新并作用于MPC控制器,实现并联式混合动力车辆变时域模型预测控制能量管理。采用本发明,可以有效解决采用固定预测时域的传统MPC难以适应工况变化的问题,有效提高能量管理策略的控制效果,进一步提高车辆的燃油经济性。
Description
技术领域
本发明属于插电式混合动力汽车能量管理领域,尤其涉及一种插电混合动力汽车变时域模型预测能量管理方法。
背景技术
汽车工业飞快发展,给人们带来便利的同时,同样也对环境造成了污染,引发了资源短缺的问题。发展新能源汽车技术是解决这些问题的有效途径之一,因此混合动力汽车逐渐发展起来。与传统的混合动力汽车(HEV)相比,插电式混合动力汽车(Plug-in HybridElectric Vehicle,PHEV)具有可外接220V插座电源、配备大容量动力电池以确保可以长时间以电续航的优点被重点发展。PHEV具有双能量源,为了更好的分配能量来源以减少燃油消耗,能量管理策略的制定始终在PHEV发展中处于关键性地位,策略的好坏也直接影响着整车性能。
就能量管理策略而言,在PHEV上一般存在两类策略:一为基于规则的能量管理策略,二为基于优化的能量管理策略。基于规则的能量管理策略由于简单、易于实现的优点,被广泛应用于工业生产中;但是其规则的制定需要依赖于专家经验,而且对工况的适应性不好,难以实现最优解。基于优化的能量管理策略,有基于全局优化的能量管理策略、基于瞬时优化的能量管理策略。基于全局优化的能量管理策略可以实现全局最优解,但是需要全局工况已知,且计算时间长;基于瞬时优化的能量管理策略具有较好的在线应用潜能而广泛应用与混合动力汽车的能量管理策略设计中,尤其是模型预测控制方法。
传统的模型预测控制方法均采用固定的预测时域长度,固定的预测时域长度是研究人员依靠经验或者试验确定的,鲁棒性较差,难以适应工况的变化,难以保证最优的燃油经济性。在汽车实际行驶过程中由于驾驶员行为的不确定性、多样性,道路、天气条件的复杂性,极大地增加了模型预测控制器控制参数的调节难度。因此,由于工况的不确定性,其最优的预测时域长度也会不同,在汽车行驶过程中,通过合理调整预测时域的长度,可以有效提高基于传统模型预测控制的能量管理策略的控制效果。
发明内容
为了解决上述本领域中存在的技术问题,本发明提供了一种插电混合动力汽车变时域模型预测能量管理方法,在确保汽车动力性的前提下,通过模糊控制器在线实时的对预测时域长度Np进行调整,提高对工况的适应性,进而充分合理地调整电机与发动机的扭矩分配比例,使电机与发动机始终处于高效率区间,提高燃油经济性。
为了实现以上目的,本发明采用以下技术方案:
一种插电混合动力汽车变时域模型预测能量管理方法,其模糊控制器的设计包括以下步骤:
Step1:定义模糊逻辑控制器中的变量,其中包括两个输入变量和一个输出变量;
Step2:对模型参数进行模糊化处理;
Step3:定义模糊控制规则Rule:if Input1 is to A and Input2 is to B,ThenOutput is C,规则前件为两个输入变量,规则后件为输出变量。
进一步地,所述Step1中的定义模糊逻辑控制器中的变量,具体包括两个输入变量和一个输出变量:第一个输入变量是模型预测控制单步计算时间Tc;第二个输入变量是ΔSOC,即动力电池荷电状态SOC与参考SOCr的偏差;输出变量为模型预测控制器的预测时域长度增量ΔNp。
进一步地,所述Step2中的对模型参数进行模糊化处理,具体包括以下步骤:
(1)对输入变量和输出变量进行论域变换;
(2)将论域变换后的输入变量和输出变量分别定义相应的模糊集合;
(3)确定输入变量和输出变量的隶属函数,分别求出各模糊集合的隶属度,完成模型参数的模糊化处理。
上述步骤(1)中的对输入变量和输出变量进行论域变换,具体包括:考虑模型预测控制算法实时性要求,输入变量模型预测控制单步计算时间Tc的论域为[0,0.5];输入变量ΔSOC是动力电池荷电状态SOC与参考SOCr的偏差,ΔSOC的论域为[-1,1];输出变量为模型预测控制器的预测时域长度增量ΔNp,ΔNp的论域为[-10,10]。
上述步骤(2)中的将论域变换后的输入变量和输出变量分别定义相应的模糊集合,具体包括:输入变量模型预测控制单步计算时间Tc的模糊集合由5个成员函数组成,分别为High(H),Relatively High(RH),Medium(M),Relatively Low(RL)and Low(L);输入变量ΔSOC的模糊集合和输出变量ΔNp的模糊集合都由7个成员函数组成,分别为PositiveLarge(PL),Positive Medium(PM),Positive Small(PS),Zero(Z),Negative Small(NS),Negative Medium(NM),Negative Large(NL)。
上述步骤(3)中的确定输入变量和输出变量的隶属函数,分别求出各模糊集合的隶属度,完成模型参数的模糊化处理,具体包括:输入和输出变量的隶属度函数均采用高斯函数:
上式中,c决定函数中心位置,σ决定函数曲线的宽度,高斯函数作为模糊控制隶属度函数,具有灵敏度高、控制性平稳、稳定性高、运算简单、占用内存空间小等优点。
进一步,所述Step3中的定义模糊控制规则Rule,具体包括:根据模型预测控制预测时域长度Np的特性,当预测时域长度Np大时,模型预测控制单步计算时间Tc较长,动力电池荷电状态偏差ΔSOC较小;相反,当预测时域长度Np小时,模型预测控制单步计算时间Tc较短,动力电池荷电状态偏差ΔSOC较大。模糊控制策略设计如下:
第一种情况,动力电池荷电状态偏差ΔSOC较小,模型预测控制单步计算时间Tc中、长时,预测时域长度Np适当的减小;模型预测控制单步计算时间Tc小时,预测时域长度Np适当的增大,以保证实时性与经济性。
第二种情况,动力电池荷电状态偏差ΔSOC中,模型预测控制单步计算时间Tc小、中时,预测时域长度Np适当的增大,以保证实时性与经济性;模型预测控制单步计算时间Tc长时,预测时域长度Np适当的减小,以保证实时性。
第三种情况,动力电池荷电状态偏差ΔSOC大,模型预测控制单步计算时间Tc小、中时,预测时域长度Np适当的增大,以保证实时性和经济性;模型预测控制单步计算时间Tc长时,预测时域长度Np应保持不变。
本发明还提供了一种基于上述模糊控制器在线实时调整预测时域长度Np的能量管理方法,在所述模糊控制器构建完成以后依次执行以下步骤以构建一种并联式混合动力车辆变时域的模型预测控制能量管理方法:
I:确定动力电池参考SOCr的轨迹;
II:运用模型预测控制方法,以燃油消耗为优化目标,在所确定的预测时域长度Np内求取局部最优解,并对车辆状态进行更新;
III:根据实际SOC与SOCr的偏差ΔSOC以及模型预测控制单步计算时间Tc通过模糊逻辑控制器得到预测时域增量ΔNp,与初始预测时域Np initial叠加,此处Np initial选为12,对预测时域长度Np进行更新;
VI:重复步骤II-III,直至车辆完成行驶任务。
上述步骤I中的确定动力电池参考SOCr的轨迹,具体包括:利用V2V、V2I、ITS、GPS、传感器等获取交通数据信息,并且与行驶任务路线信息相结合,获取当前车辆行驶任务工况,根据行驶任务工况信息利用动态规划算法进行全局寻优,获得未来一段时间内的全局SOC轨迹,作为动力电池在一段时间内的动力电池的参考轨迹SOCr,并且定期对交通数据与行驶路线进行更新,以确保动力电池的参考轨迹SOCr定时更新,提高准确性。
上述步骤II中的运用模型预测控制方法,在预测时域长度Np内求最优解具体包括:求解方法采用动态规划算法执行,假设当前时刻为t0,则局部优化范围为[t0,t0+Np],在当前预测时域Np内的优化目标和约束条件为:
上式中,为在预测时域[t0,t0+Np]内的累计燃油消耗量;F(x(t),u(t))为在t时刻的瞬时油耗;x(t)为状态变量,此处为动力电池SOC;u(t)为控制变量,此处为扭矩分配系数,即电机提供转矩与车辆总需求转矩比值;xmin(t)与xmax(t)分别为状态变量的上下限;umin(t)和umax(t)分别为控制变量的上下限,SOC(t0+Np)为在终端时刻,即t0+Np时的SOC的值;SOCr为动力电池的参考轨迹SOCr,为上述步骤I中的确定动力电池参考的轨迹SOCr。
上述步骤III中的对预测时域长度Np进行更新,具体包括:将t0时刻求解出的最优控制量uopt应用与被控对象PHEV系统,完成电机与发动机的扭矩分配,对动力电池SOC进行更新,得到实际SOC与SOCr的偏差ΔSOC以及模型预测控制单步计算时间Tc,将ΔSOC与Tc输入到上述建立的模糊控制器,根据制定的模糊规则,输出相应的预测时域长度增量ΔNp,并且与初始预测时域Np initial叠加,将预测时域长度Np作用于模型预测控制器进行更新。
重复重复步骤II-III,完成对模型预测控制预测时域长度Np的实时更新,只有在交通数据信息与行驶路线信息发生更新时,才会执行步骤I,直至车辆完成行驶任务。
本发明实施的技术方案带来的有益效果至少包括:
本发明提供了一种插电混合动力汽车变时域模型预测能量管理方法,构建模糊控制器时,确定了模糊控制器的输入输出变量,分析了输入输出变量的关系,对变量进行模糊化处理,制定了相应的模糊逻辑规则,从而完成对模糊控制器的构建;本发明提供的方法,可以根据被控对象获取当前时刻模糊控制器输入变量的值,基于当前时刻参数,通过构建模糊控制器实现了对模型预测控制的预测时域长度Np实时在线调整,提高了对工况的适应性,提高了能量管理算法的鲁棒性,在保证汽车动力性的前提下,进一步的减小整车的燃油消耗量,以达到最佳燃油经济性效果。
附图说明
为了更清楚地说明本发明中的技术方案,下面将对本发明中所需要使用的附图进行简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,可以根据这些附图获得其它附图。
图1是本发明实施例中提供的模糊逻辑控制系统的结构示意图。
图2是本发明实施例中提供的一种设计模糊逻辑控制器方法的流程示意图。
图3是本发明实施例中提供的模糊逻辑控制器的模糊逻辑规则表。
图4是本发明实施例中提供的一种基于模糊控制的并联式混合动力车辆变时域MPC能量管理框架示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合说明书附图对本发明的实施方式做进一步地详细叙述。
图1是本发明实施例中提供的模糊逻辑控制系统的结构示意图,请参见图1,根据模糊逻辑控制系统的结构示意图,其基本原理是:首先获取汽车在当前时刻动力电池荷电状态SOC与参考SOCr的数值,进而求出两者之间的偏差ΔSOC,以此同时,获取当前模型预测控制单步计算时间Tc;将动力电池荷电状态偏差ΔSOC与模型预测控制单步计算时间Tc输入到模糊逻辑控制器中,根据相关模糊逻辑规则,输出模型预测控制预测时域长度增量ΔNp,并且与模型预测控制预测时域长度初始值Np initial进行叠加,对预测时域Np完成在线更新,进而将更新后的预测时域Np输入到模型预测控制器中,此处Np initial为12。
图2是本发明实施例中提供的一种设计模糊逻辑控制器方法的流程示意图,请参见图2,在模糊逻辑控制系统中核心部分为模糊逻辑控制器,模糊逻辑控制器直接影响整个控制系统的好坏,进而影响汽车的整车性能。
步骤201,定义模糊逻辑控制器中的变量。
其中,在设计模糊逻辑控制器时,要确定模糊逻辑控制器的输入变量和输出变量,模糊逻辑控制器有两个输入变量:一是动力电池荷电状态SOC与参考SOCr的偏差ΔSOC,二是模型预测控制单步计算时间Tc;输出变量有一个:模型预测控制预测时域长度增量ΔNp。
步骤202,对模型参数进行模糊化处理。
由于输入变量与输出变量都是非模糊的普通变量,在设计模糊逻辑控制器时,必须要对其进行模糊化处理,对变量进行模糊化一般分以下3个步骤:
(1)对输入变量和输出变量进行论域变换;
(2)将论域变换后的输入变量和输出变量分别定义相应的模糊集合;
(3)确定输入变量和输出变量的隶属函数,分别求出各模糊集合的隶属度,完成模型参数的模糊化处理。
对上述步骤202中的步骤(1)对输入变量和输出变量进行论域变换,其中考虑模型预测控制算法实时性要求,输入变量模型预测控制单步计算时间Tc的论域为[0,0.5];输入变量ΔSOC是动力电池荷电状态SOC与参考SOCr的偏差,ΔSOC的论域为[-1,1];输出变量为模型预测控制器的预测时域长度增量ΔNp,ΔNp的论域为[-10,10]。
对上述步骤202中的步骤(2)将论域变换后的输入变量和输出变量分别定义相应的模糊集合,其中输入变量模型预测控制单步计算时间Tc的模糊集合由5个成员函数组成,分别为High(H),Relatively High(RH),Medium(M),Relatively Low(RL)and Low(L);输入变量ΔSOC的模糊集合和输出变量ΔNp的模糊集合都由7个成员函数组成,分别为PositiveLarge(PL),Positive Medium(PM),Positive Small(PS),Zero(Z),Negative Small(NS),Negative Medium(NM),Negative Large(NL)。
对上述步骤202中的步骤(3)确定输入变量和输出变量的隶属函数,分别求出各模糊集合的隶属度,完成模型参数的模糊化处理,具体包括:输入和输出变量的隶属度函数均采用高斯函数:
上式中,c决定函数中心位置,σ决定函数曲线的宽度,高斯函数作为模糊控制隶属度函数,具有灵敏度高、控制性平稳、稳定性高、运算简单、占用内存空间小等优点。
步骤203,定义模糊控制规则。
模糊控制规则是有一组以“if Input1 is to A and Input2 is to B,ThenOutput is C”形式表示的模糊条件语句,规则前件为两个输入变量,规则后件为输出变量。根据以往的驾驶经验建立动力电池荷电状态偏差ΔSOC、模型预测控制单步计算时间Tc、模型预测控制预测时域长度增量ΔNp三者之间的模糊控制规则。
根据模型预测控制预测时域长度Np的特性,当预测时域长度Np大时,模型预测控制单步计算时间Tc较长,动力电池荷电状态偏差ΔSOC较小;相反,当预测时域长度Np小时,模型预测控制单步计算时间Tc较短,动力电池荷电状态偏差ΔSOC较大。模糊控制策略设计如下:
第一种情况,动力电池荷电状态偏差ΔSOC较小,模型预测控制单步计算时间Tc中、长时,预测时域长度Np适当的减小;模型预测控制单步计算时间Tc小时,预测时域长度Np适当的增大,以保证实时性与经济性。
第二种情况,动力电池荷电状态偏差ΔSOC中,模型预测控制单步计算时间Tc小、中时,预测时域长度Np适当的增大,以保证实时性与经济性;模型预测控制单步计算时间Tc长时,预测时域长度Np适当的减小,以保证实时性。
第三种情况,动力电池荷电状态偏差ΔSOC大,模型预测控制单步计算时间Tc小、中时,预测时域长度Np适当的增大,以保证实时性和经济性;模型预测控制单步计算时间Tc长时,预测时域长度Np应保持不变。
图3是本发明实施例中提供的模糊逻辑控制器的模糊逻辑规则表,根据上述步骤203描述的模糊控制规则策略设计的3种情况,制定了本发明实施例中的模糊逻辑控制器的模糊逻辑规则表,请参见图3。
在本发明的实施例中,本发明还提供了一种基于上述方法所构建的模糊控制系统的并联式混合动力车辆变时域的模型预测控制能量管理方法。
图4是本发明实施例中提供的一种基于模糊控制的并联式混合动力车辆变时域MPC能量管理框架示意图,其中主要包括三个基本模块:MPC控制器、模糊逻辑控制系统和动力电池荷电状态参考SOCr获取模块。
其基本工作原理主要包含以下步骤:
I:通过动力电池荷电状态参考SOCr获取模块确定动力电池参考SOCr的轨迹;
II:在MPC控制器中,运用模型预测控制方法,以燃油消耗为优化目标,在所确定的预测时域长度Np内求取局部最优解,并对车辆状态进行更新;
III:在模糊逻辑控制系统中,根据实际SOC与SOCr的偏差ΔSOC以及模型预测控制单步计算时间Tc通过模糊逻辑控制器得到预测时域增量ΔNp,与初始预测时域Np initial叠加,此处Np initial选为12,对预测时域长度Np进行更新;
VI:重复步骤II-III,直至车辆完成行驶任务。
上述步骤I中的通过动力电池荷电状态参考SOCr获取模块确定动力电池参考SOCr的轨迹,具体包括:基于交通信息融合技术,运用V2V、V2I、ITS、GPS、传感器等获取交通数据信息,并且与行驶任务路线信息相结合,获取当前车辆行驶任务工况,根据行驶任务工况信息利用动态规划算法进行全局寻优,获得未来一段时间内的全局SOC轨迹,作为动力电池在一段时间内的动力电池的参考轨迹SOCr,并且定期对交通数据与行驶路线进行更新,以确保动力电池的参考轨迹SOCr定时更新,提高准确性。
上述步骤II中的在MPC控制器中,运用模型预测控制方法,以燃油消耗为优化目标,在所确定的预测时域长度Np内求取局部最优解,并对车辆状态进行更新;在预测时域长度Np内求最优解具体包括:求解方法采用动态规划算法执行,假设当前时刻为t0,则局部优化范围为[t0,t0+Np],在当前预测时域Np内的优化目标和约束条件为:
上式中,为在预测时域[t0,t0+Np]内的累计燃油消耗量;F(x(t),u(t))为在t时刻的瞬时油耗;x(t)为状态变量,此处为动力电池SOC;u(t)为控制变量,此处为扭矩分配系数,即电机提供转矩与车辆总需求转矩比值;xmin(t)与xmax(t)分别为状态变量的上下限;umin(t)和umax(t)分别为控制变量的上下限,SOC(t0+Np)为在终端时刻,即t0+Np时的SOC的值;SOCr为动力电池的参考轨迹SOCr,为上述步骤I中的确定动力电池参考的轨迹SOCr。
上述步骤III中的根据模糊逻辑控制系统对预测时域长度Np进行更新,具体包括:将t0时刻求解出的最优控制量uopt应用与被控对象PHEV系统,完成电机与发动机的扭矩分配,对动力电池SOC进行更新,得到实际SOC与SOCr的偏差ΔSOC以及模型预测控制单步计算时间Tc,将ΔSOC与Tc输入到上述建立的模糊控制器,根据制定的模糊规则,输出相应的预测时域长度增量ΔNp,并且与初始预测时域Np initial叠加,将预测时域长度Np作用于模型预测控制器进行更新。
重复重复步骤II-III,完成对模型预测控制预测时域长度Np的实时更新,只有在交通数据信息与行驶路线信息发生更新时,才会执行步骤I,直至车辆完成行驶任务。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
上述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种插电混合动力汽车变时域模型预测能量管理方法,其特征在于:所述预测能量管理方法中涉及模糊逻辑控制器,所述模糊逻辑控制的设计过程包括以下步骤:
步骤1:定义模糊逻辑控制器中的输入变量和输出变量;
步骤2:对所述模糊逻辑控制器模型参数进行模糊化处理;
步骤3:定义模糊控制规则:规则前件为两个输入变量,规则后件为输出变量。
2.根据权利要求1所述的一种插电混合动力汽车变时域模型预测能量管理方法,其特征在于:所述模糊逻辑控制器通过模糊逻辑控制器在线实时调整模型预测控制器MPC的预测时域长度Np。
3.根据权利要求1所述的一种插电混合动力汽车变时域模型预测能量管理方法,其特征在于:所述步骤1中的定义模糊逻辑控制器中的输入变量和输出变量具体包括:第一个输入变量是模型预测控制单步计算时间Tc;第二个输入变量是ΔSOC,即动力电池荷电状态SOC与参考SOCr的偏差;输出变量为模型预测控制器的预测时域长度增量ΔNp。
4.根据权利要求1所述的一种插电混合动力汽车变时域模型预测能量管理方法,其特征在于:所述步骤2中的对模型参数进行模糊化处理,具体包括:
步骤2.1,对输入变量和输出变量进行论域变换;
步骤2.2,将论域变换后的输入变量和输出变量分别定义相应的模糊集合;
步骤2.3,确定输入变量和输出变量的隶属函数,分别求出各模糊集合的隶属度,完成模型参数的模糊化处理。
5.根据权利要求4所述的一种插电混合动力汽车变时域模型预测能量管理方法,其特征在于:所述步骤2.1中的对输入变量和输出变量进行论域变换,具体包括:考虑模型预测控制算法实时性要求,输入变量模型预测控制单步计算时间Tc的论域为[0,0.5];输入变量ΔSOC是动力电池荷电状态SOC与参考SOCr的偏差,ΔSOC的论域为[-1,1];输出变量为模型预测控制器的预测时域长度增量ΔNp,ΔNp的论域为[-10,10]。
6.根据权利要求4所述的一种插电混合动力汽车变时域模型预测能量管理方法,其特征在于:所述步骤2.2中的将论域变换后的输入变量和输出变量分别定义相应的模糊集合,具体包括:输入变量模型预测控制单步计算时间Tc的模糊集合由5个成员函数组成,分别为High(H),Relatively High(RH),Medium(M),Relatively Low(RL)and Low(L);输入变量ΔSOC的模糊集合和输出变量ΔNp的模糊集合都由7个成员函数组成,分别为Positive Large(PL),Positive Medium(PM),Positive Small(PS),Zero(Z),Negative Small(NS),Negative Medium(NM),Negative Large(NL)。
8.根据权利要求1所述的一种插电混合动力汽车变时域模型预测能量管理方法,其特征在于:所述步骤3中的定义模糊控制规则,具体包括:根据模型预测控制预测时域长度Np的特性,当预测时域长度Np大时,模型预测控制单步计算时间Tc较长,动力电池荷电状态偏差ΔSOC较小;相反,当预测时域长度Np小时,模型预测控制单步计算时间Tc较短,动力电池荷电状态偏差ΔSOC较大;
模糊控制策略设计如下:
第一种情况,动力电池荷电状态偏差ΔSOC较小,模型预测控制单步计算时间Tc中、长时,预测时域长度Np减小;模型预测控制单步计算时间Tc小时,预测时域长度Np增大;
第二种情况,动力电池荷电状态偏差ΔSOC中,模型预测控制单步计算时间Tc小、中时,预测时域长度Np增大;模型预测控制单步计算时间Tc长时,预测时域长度Np减小;
第三种情况,动力电池荷电状态偏差ΔSOC大,模型预测控制单步计算时间Tc小、中时,预测时域长度Np增大;模型预测控制单步计算时间Tc长时,预测时域长度Np应保持不变。
9.根据权利要求1至8任一项所述的一种插电混合动力汽车变时域模型预测能量管理方法,其特征在于:所述预测能量管理方法依次执行以下步骤:
Ⅰ:确定动力电池参考SOCr的轨迹;
Ⅱ:运用模型预测控制方法,以燃油消耗为优化目标,在所确定的预测时域长度Np内求取局部最优解,并对车辆状态进行更新;
Ⅲ:根据实际SOC与SOCr的偏差ΔSOC以及模型预测控制单步计算时间Tc通过模糊逻辑控制器得到预测时域增量ΔNp,与初始预测时域Np initial叠加,对预测时域长度Np进行更新;
Ⅵ:重复步骤Ⅱ-Ⅲ,直至车辆完成行驶任务。
10.根据权利要求9所述的一种插电混合动力汽车变时域模型预测能量管理方法,其特征在于:所述步骤Ⅱ中的运用模型预测控制方法,在预测时域长度Np内求最优解包括:求解方法采用动态规划算法执行,假设当前时刻为t0,则局部优化范围为[t0,t0+Np],在当前预测时域Np内的优化目标和约束条件为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129689.3A CN111301397B (zh) | 2020-02-28 | 2020-02-28 | 一种插电混合动力汽车变时域模型预测能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129689.3A CN111301397B (zh) | 2020-02-28 | 2020-02-28 | 一种插电混合动力汽车变时域模型预测能量管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111301397A true CN111301397A (zh) | 2020-06-19 |
CN111301397B CN111301397B (zh) | 2023-09-26 |
Family
ID=71152043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010129689.3A Active CN111301397B (zh) | 2020-02-28 | 2020-02-28 | 一种插电混合动力汽车变时域模型预测能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111301397B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111731262A (zh) * | 2020-06-10 | 2020-10-02 | 南京航空航天大学 | 插电混合动力汽车变时域模型预测能量管理方法 |
CN112298155A (zh) * | 2020-10-30 | 2021-02-02 | 江苏紫琅汽车集团股份有限公司 | 一种基于变时域模型预测混合动力卡车耗能的方法 |
CN112793466A (zh) * | 2021-03-24 | 2021-05-14 | 辽宁工业大学 | 一种新能源汽车电池管理系统的控制方法 |
CN114506311A (zh) * | 2022-02-22 | 2022-05-17 | 燕山大学 | 一种变时域预测能量管理方法、装置、汽车及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008128416A1 (en) * | 2007-04-19 | 2008-10-30 | The Chinese University Of Hong Kong | Energy management for hybrid electric vehicles |
CN202499132U (zh) * | 2012-03-05 | 2012-10-24 | 浙江大学城市学院 | 新型Plug_in混合动力汽车能量管理控制器 |
US20160372937A1 (en) * | 2015-06-16 | 2016-12-22 | Huazhen Fang | System and method for battery charging |
CN106647280A (zh) * | 2017-01-16 | 2017-05-10 | 山东工商学院 | Hev模式切换的数据驱动预测控制器设计方法及系统 |
CN107161140A (zh) * | 2017-05-09 | 2017-09-15 | 南京航空航天大学 | 一种插电式混合动力汽车系统及其能量控制方法 |
CN107748498A (zh) * | 2017-10-09 | 2018-03-02 | 上海海事大学 | 一种基于模型预测控制的混合动力船舶的能量管理方法 |
-
2020
- 2020-02-28 CN CN202010129689.3A patent/CN111301397B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008128416A1 (en) * | 2007-04-19 | 2008-10-30 | The Chinese University Of Hong Kong | Energy management for hybrid electric vehicles |
CN202499132U (zh) * | 2012-03-05 | 2012-10-24 | 浙江大学城市学院 | 新型Plug_in混合动力汽车能量管理控制器 |
US20160372937A1 (en) * | 2015-06-16 | 2016-12-22 | Huazhen Fang | System and method for battery charging |
CN106647280A (zh) * | 2017-01-16 | 2017-05-10 | 山东工商学院 | Hev模式切换的数据驱动预测控制器设计方法及系统 |
CN107161140A (zh) * | 2017-05-09 | 2017-09-15 | 南京航空航天大学 | 一种插电式混合动力汽车系统及其能量控制方法 |
CN107748498A (zh) * | 2017-10-09 | 2018-03-02 | 上海海事大学 | 一种基于模型预测控制的混合动力船舶的能量管理方法 |
Non-Patent Citations (1)
Title |
---|
彭剑坤: "插电式混合动力公交车工况构建和变时域预测能量管理", 《中国博士学位论文全文数据库(电子期刊)工程科技第II辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111731262A (zh) * | 2020-06-10 | 2020-10-02 | 南京航空航天大学 | 插电混合动力汽车变时域模型预测能量管理方法 |
CN112298155A (zh) * | 2020-10-30 | 2021-02-02 | 江苏紫琅汽车集团股份有限公司 | 一种基于变时域模型预测混合动力卡车耗能的方法 |
CN112298155B (zh) * | 2020-10-30 | 2022-04-08 | 江苏紫琅汽车集团股份有限公司 | 一种基于变时域模型预测混合动力卡车耗能的方法 |
CN112793466A (zh) * | 2021-03-24 | 2021-05-14 | 辽宁工业大学 | 一种新能源汽车电池管理系统的控制方法 |
CN114506311A (zh) * | 2022-02-22 | 2022-05-17 | 燕山大学 | 一种变时域预测能量管理方法、装置、汽车及存储介质 |
CN114506311B (zh) * | 2022-02-22 | 2023-06-20 | 燕山大学 | 一种变时域预测能量管理方法、装置、汽车及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111301397B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lei et al. | An adaptive equivalent consumption minimization strategy for plug-in hybrid electric vehicles based on traffic information | |
CN111301397B (zh) | 一种插电混合动力汽车变时域模型预测能量管理方法 | |
Zhou et al. | Multi-objective energy management for fuel cell electric vehicles using online-learning enhanced Markov speed predictor | |
CN111731262A (zh) | 插电混合动力汽车变时域模型预测能量管理方法 | |
CN111267831A (zh) | 一种混合动力车辆智能变时域模型预测能量管理方法 | |
CN109895760B (zh) | 基于soc参考轨迹的插电式混合动力汽车能量管理方法 | |
Liu et al. | Rule-corrected energy management strategy for hybrid electric vehicles based on operation-mode prediction | |
Xu et al. | Q-learning-based supervisory control adaptability investigation for hybrid electric vehicles | |
Li et al. | A speedy reinforcement learning-based energy management strategy for fuel cell hybrid vehicles considering fuel cell system lifetime | |
Zhu et al. | Energy management of hybrid electric vehicles via deep Q-networks | |
Nie et al. | Co-optimization of speed planning and energy management for intelligent fuel cell hybrid vehicle considering complex traffic conditions | |
CN112498334B (zh) | 智能网联混合动力汽车的鲁棒能量管理方法及系统 | |
Shen et al. | Two-level energy control strategy based on ADP and A-ECMS for series hybrid electric vehicles | |
Lin et al. | A trip distance adaptive real-time optimal energy management strategy for a plug-in hybrid vehicle integrated driving condition prediction | |
Nie et al. | Eco-Co-Optimization strategy for connected and automated fuel cell hybrid vehicles in dynamic urban traffic settings | |
Hou et al. | Real-time energy management strategy of a fuel cell electric vehicle with global optimal learning | |
Chen et al. | Driving cycle recognition based adaptive equivalent consumption minimization strategy for hybrid electric vehicles | |
Huo et al. | An improved soft actor-critic based energy management strategy of fuel cell hybrid electric vehicle | |
Wang et al. | Energy-efficient speed planner for connected and automated electric vehicles on sloped roads | |
CN113779703A (zh) | 一种燃料电池汽车车速规划与能量管理的联合优化方法 | |
Song et al. | Model predictive control energy management strategy integrating long short-term memory and dynamic programming for fuel cell vehicles | |
Li et al. | A comparative study of energy-oriented driving strategy for connected electric vehicles on freeways with varying slopes | |
Zhang et al. | An optimal vehicle speed planning algorithm for regenerative braking at traffic lights intersections based on reinforcement learning | |
Yang et al. | Bi-level energy management strategy for power-split plug-in hybrid electric vehicles: A reinforcement learning approach for prediction and control | |
Ju et al. | Iterative dynamic programming based model predictive control of energy efficient cruising for electric vehicle with terrain preview |
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 |