CN111456860B - 混联式混合动力汽车发动机最佳运行线在线学习方法 - Google Patents

混联式混合动力汽车发动机最佳运行线在线学习方法 Download PDF

Info

Publication number
CN111456860B
CN111456860B CN202010284818.6A CN202010284818A CN111456860B CN 111456860 B CN111456860 B CN 111456860B CN 202010284818 A CN202010284818 A CN 202010284818A CN 111456860 B CN111456860 B CN 111456860B
Authority
CN
China
Prior art keywords
engine
power
speed
fuel consumption
gradient
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.)
Active
Application number
CN202010284818.6A
Other languages
English (en)
Other versions
CN111456860A (zh
Inventor
胡云峰
麻宝林
宫洵
吕良
史少云
陈虹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202010284818.6A priority Critical patent/CN111456860B/zh
Publication of CN111456860A publication Critical patent/CN111456860A/zh
Application granted granted Critical
Publication of CN111456860B publication Critical patent/CN111456860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D29/00—Controlling engines, such controlling being peculiar to the devices driven thereby, the devices being other than parts or accessories essential to engine operation, e.g. controlling of engines by signals external thereto
    • F02D29/02—Controlling engines, such controlling being peculiar to the devices driven thereby, the devices being other than parts or accessories essential to engine operation, e.g. controlling of engines by signals external thereto peculiar to engines driving vehicles; peculiar to engines driving variable pitch propellers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1406—Introducing closed-loop corrections characterised by the control or regulation method with use of a optimisation method, e.g. iteration
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1409—Introducing closed-loop corrections characterised by the control or regulation method using at least a proportional, integral or derivative controller
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
    • F02D2200/101—Engine speed
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/50—Input parameters for engine control said parameters being related to the vehicle or its components
    • 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
    • Y02T10/62—Hybrid vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Hybrid Electric Vehicles (AREA)
  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

一种混联式混合动力汽车发动机最佳运行线在线学习方法，属于混合动力汽车能效优化技术领域。本发明的目的是以混合动力系统中可测的发动机转速作为校正量，以燃油消耗最小为目标，利用梯度下降算法对发动机持续平顺输出时的发动机转速进行更新寻优，实时搜索当前功率需求下的发动机最优工作点，从而提高整车的燃油经济性的混联式混合动力汽车发动机最佳运行线在线学习方法。本发明步骤是：信息采集模块、发动机燃油消耗梯度估计模块、发动机燃油消耗梯度的OOL在线学习过程、混联式混合动力汽车电机扭矩控制模块。本发明有效提高了汽车最佳运行工作曲线在线学习效率。使得发动机在环境迁移、老化等因素影响下依然可以实时的为能量管理系统提供较为精确的OOL，从而保证整车最优的燃油经济性。

Description

混联式混合动力汽车发动机最佳运行线在线学习方法
技术领域
本发明属于混合动力汽车能效优化技术领域。
背景技术
发动机最佳运行线(Optimal Operating Line,OOL)是发动机每一相同输出功率下对应最小燃油消耗率的工作点所连结而成的曲线。在混合动力汽车中，车辆根据驾驶员的驱动能量需求，通过能量优化管理来分配发动机和驱动电机的功率，使发动机始终运行在经济工作点的附近，从而达到降低整车燃油消耗的目的。所以，精确获得发动机OOL是实现高效能量管理策略的前提条件。考虑外界环境变化和汽车老化等因素的影响，发动机OOL的精确标定成为实际工程中难题。
专利CN 105201663 A公开了一种实现发动机最佳经济转速的控制方法，经车辆控制器通过CAN总线获取车辆运行工况信息，继而判断车辆是否处于前进挡位，然后车辆控制器根据采集的数据计算当前实际运行挡位，并根据计算得出的挡位数划分高低挡位的发动机经济转速控制策略。但该方法无法在混联式混合动力汽车中得以应用。
专利CN 108674411 A提供了一种混合动力汽车能量管理系统，包括汽车建模模块、策略确定模块和能量管理模块，所述汽车建模模块用于建立混合动力汽车动力系统模型，所述策略确定模块用于根据汽车动力系统模型确定能量管理策略，所述能量管理模块根据能量管理策略对混合动力汽车进行能量管理。但该方法只考虑了名义工况，并未考虑对发动机在环境因素变化和老化后的最佳运行线进行自适应在线修正。
专利CN 105888909 A提供了车载运行发动机动态油耗的测量方法。技术方案如下：发动机喷油器单次喷油量标定系统包括：喷油器固定架，待标定喷油器，燃油收集器，与喷油器相连的喷油控制电路，燃料供给装置，氮气罐，活性炭，惰性气体。该发明主要通过发动机喷油器单次喷油量标定方法，最大程度地模拟了喷油器的实际工作参数，特别是喷油压力参数和喷嘴的背压参数，设备简易，操作性强。但该方法面向传统单动力源汽车，在混合动力汽车应用方面具有很大的局限性。
在实际工程中，每一个型号发动机的OOL都是在名义条件下通过大量原始台架实验标定绘制而成。在外界环境(温度、气压)和发动机老化等因素的影响下，发动机实际的OOL会在原始曲线附近发生一定程度的漂移，很难在相同能量管理策略下保证汽车燃油经济性最优。一方面，通过离线二次标定的手段矫正漂移后的OOL，工作量巨大，难以实现；另一方面，由于混联式混合动力汽车动力系统机-电耦合严重、系统动力学复杂，给OOL在线矫正方法的设计带来了很大难度。
发明内容
本发明的目的是以混合动力系统中可测的发动机转速作为校正量，以燃油消耗最小为目标，利用梯度下降算法对发动机持续平顺输出时的发动机转速进行更新寻优，实时搜索当前功率需求下的发动机最优工作点，从而提高整车的燃油经济性的混联式混合动力汽车发动机最佳运行线在线学习方法。
本发明步骤是：
a、信息采集模块：
发动机瞬时油耗模型是基于查map表方式建立，由下式得出：
Wf(ωe,τe,Tcl)＝ffuel,map(ωe,τe)·fcl,map(Tcl)， (1)
其中ffuel,map表示名义温度下通过查map表所得到的标称油耗，ωe为测量得到的发动机瞬时转速，τe为发动机扭矩，fcl,map表示发动机水温对标称油耗影响的修正因子，Tcl为发动机水温；发动机BSFC由下式得出：
Figure BDA0002448115200000021
b、发动机燃油消耗梯度估计模块：
燃油消耗梯度的近似表示
在某发动机温度下，针对发动机运行在某一功率Pe时，计算发动机瞬时油耗关于转速方向的梯度值用下式近似表示：
Figure BDA0002448115200000022
因而可得：
Δ(be)＝GΔ(ωe)， (4)
其中Δ(x)＝x+-x代表任意变量x的微小增量，上式可表示为
Figure BDA0002448115200000026
其中
Figure BDA0002448115200000023
基于递归最小二乘的发动机燃油消耗梯度数值估计方法：
使用含遗忘因子的递归最小二乘算法来估计梯度G：
Figure BDA0002448115200000027
Figure BDA0002448115200000028
Figure BDA0002448115200000024
其中η代表遗忘因子，Q代表估计误差协方差矩阵，H代表增益矩阵；
c、发动机燃油消耗梯度的OOL在线学习过程：
采用一阶梯度下降法，搜索发动机运行功率Pe下油耗最低对应工作点，其迭代更新过程由下式表示：
Figure BDA0002448115200000025
其中γ为迭代学习率，通常大于0，i为迭代次数，
Figure BDA0002448115200000031
为第i次迭代时发动机期望转速设定值，为迭代优化变量，G为当前发动机设定转速燃油消耗梯度；
选择最大迭代次数为N次，梯度值的二范数||G||小于δ为迭代终止条件，分别设定发动机输出功率序列为
Figure BDA0002448115200000037
在优化发动机输出功率
Figure BDA0002448115200000038
时，初始迭代发动机转速设定值为ω0；发动机输出功率
Figure BDA00024481152000000310
时，迭代初始发动机转速设置为发动机输出功率
Figure BDA0002448115200000039
所优化出的发动机最优转速，这样做不仅可以避免陷入局部次优点，而且缩短优化搜索时间，实现发动机最佳运行线在线学习优化；
d、混联式混合动力汽车电机扭矩控制模块
4.1电机M/G1扭矩控制
行星齿轮组通过齿面啮合机械连接,其传动关系如下所示：
Figure BDA0002448115200000032
Figure BDA0002448115200000033
ωr＝(1+ρ)ωc-ρωs；
Figure BDA0002448115200000034
其中ωs代表太阳轮转速，ωc代表行星架转速，ωr代表齿圈转速，ρ代表太阳轮齿数Zs与齿圈齿数Zr之比；
基于梯度下降算法在发动机输出功率Pe下迭代计算得转速期望设定值为
Figure BDA0002448115200000035
通过行星齿轮传动关系，计算得到M/G1参考转速ωM/G1 r；通过PI控制器调节M/G1转速。PI控制器数学表达形式如下所示：
TM/G1 r＝kp(ωM/G1 r-ωM/G1)+ki∫(ωM/G1 r-ωM/G1)dt， (13)
其中ωM/G1为M/G1实际转速，TM/G1 r为M/G1参考期望扭矩，kp与ki分别是比例控制器和积分控制器的增益；
4.2电机M/G2扭矩控制
当车辆负载需求功率Pd在电动汽车模式功率Pev边界内时，即Pd≤Pev，发动机所需提供功率如下式表示：
Figure BDA0002448115200000036
其中，soc代表蓄电池荷电状态，soct代表soc的设定阈值，Pch代表蓄电池充电功率；
当车辆需求功率在发动机所能提供最大功率Pe,max范围内时，即Pev＜Pd≤Pe，max，发动机所需提供能量如下式表示：
Figure BDA0002448115200000041
当车辆需求功率超过发动机所能提供最大功率时，发动机所需提供能量如下式表示：
Pe＝Pe,max (16)
通过PM/G1＝ωM/G1TM/G1 r可以求得M/G1的功率，通过能量守恒定律，求得M/G2功率如下所示：
PM/G2＝Pd-Pe-PM/G1， (1)
其中Pe代表发动机功率；
通过
Figure BDA0002448115200000042
可求得M/G2参考期望扭矩，所以，通过闭环控制，即可将发动机转速调节至最优转速值
Figure BDA0002448115200000043
本发明发动机燃油消耗梯度的OOL在线学习过程采用二阶梯度下降法对发动机最佳运行线在线学习；
定义发动机最低BSFC与发动机设定转速与输出功率有如下关系：
Figure BDA0002448115200000044
其中，be＝f(v,P)，P＝Pe，ν＝ωsp为优化参数变量，v*为发动机最优转速设定值。在发动机输出功率小范围波动时，假定ν(P+ΔP)＝ν+Δν，可得：
fν(ν+Δν,P+ΔP)＝0 (8)
对上式在(ν,P)点处进行一阶泰勒展开可得：
fν(ν,P)+fνv(ν,P)Δν+fνP(ν,P)ΔP＝0 (9)
解得发动机设定转速迭代步长如下式表示：
Δν＝-[fνv(ν,P)]-1[fν(ν,P)+fνP(ν,P)ΔP] (10)
其中fνv(ν,P)为海森矩阵，fν(ν,P)为一阶梯度矩阵，fνP(ν,P)混合偏导矩阵；
若发动机输出功率为常值，则二阶梯度下降法迭代步长如下式表示：
Δν＝-[fνv(ν,P)]-1fν(ν,P) (11)
迭代学习率为海森矩阵的逆矩阵，即γ＝[fνv(ν,P)]-1。
本发明针对基于梯度下降的算法中涉及的发动机燃油消耗梯度难以解析求解的问题，本发明提出了基于递归最小二乘的燃油消耗梯度数值估计方法，保证了燃油消耗梯度的精确数值逼近，有效提高了汽车最佳运行工作曲线在线学习效率。使得发动机在环境迁移、老化等因素影响下依然可以实时的为能量管理系统提供较为精确的OOL，从而保证整车最优的燃油经济性。本发明的有益效果是：
1.在线矫正由于环境、发动机老化等因素带来的燃油消耗最佳运行曲线OOL漂移问题，可以提升混联式混合动力汽车的燃油经济性；
2.在线学习发动机BSFC曲线和燃油消耗最佳运行曲线，可以减少实际台架标定工作量，节约人力物力；
3.提出基于油耗-发动机转速梯度下降的在线学习算法和发动机油耗梯度估计方法，可以有效提高在线学习效率，算法简单易实现，无需在原有车载控制系统增加任何传感器，实时应用潜力大。
附图说明
图1是混联式混合动力汽车动力系统简图；
图2是发动机平顺功率下的OOL在线学习实施图；
图3是基于发动机燃油消耗梯度的OOL在线学习流程图；
图4是混联式混合动力汽车Simulink模型图；
图5是UDDS工况期望速度，纵坐标为车速，单位为km/h，横坐标为时间，单位s；
图6是暖机状态下通过在线学习得到的发动机最佳运行线(模拟未老化),纵坐标为发动机扭矩，单位Nm，横坐标为发动机转速，单位rpm；
图7是暖机状态下通过标定得到的发动机最佳运行线(模拟未老化)，纵坐标为发动机扭矩，单位Nm，横坐标为发动机转速，单位rpm；
图8是非暖机状态下通过在线学习得到的发动机最佳运行线(模拟未老化)，纵坐标为发动机扭矩，单位Nm，横坐标为发动机转速，单位rpm；
图9是混联式混合动力汽车运行在UDDS工况下发动机未老化时，标定OOL与在线学习OOL所对应的瞬时油耗对比图，纵坐标为发动机瞬时油耗，单位g/s，横坐标为时间，单位s；
图10是混联式混合动力汽车运行在UDDS工况下发动机未老化时，标定OOL与在线学习OOL所对应发动机累积油耗对比图，纵坐标为发动机油耗，单位g，横坐标为时间，单位s；
图11是暖机状态下通过在线学习得到的发动机最佳运行线(模拟老化)，纵坐标为发动机扭矩，单位Nm，横坐标为发动机转速，单位rpm；
图12是混联式混合动力汽车运行在UDDS工况下发动机老化时，标定OOL与在线学习OOL所对应的瞬时油耗对比图，纵坐标为发动机瞬时油耗，单位g/s，横坐标为时间，单位s；
图13是混联式混合动力汽车运行在UDDS工况下发动机老化时，标定OOL与在线学习OOL所对应发动机累积油耗对比图，纵坐标为发动机油耗，单位g，横坐标为时间，单位s；
图14是混联式混合动力汽车运行在UDDS工况下，标定OOL与在线学习OOL所对应发动机累积油耗对比图，纵坐标为油耗，单位g。
具体实施方式
本发明步骤包括：信息采集模块；发动机最佳运行线在线学习模块混联式混合动力汽车电机扭矩控制模块；发动机燃油消耗梯度估计模块。本发明通过以下步骤实现：
步骤一：建立信息采集模块，采集当前发动机转速、扭矩及瞬时油耗，以及电机(M/G1&M/G2)的电流转速扭矩信息，并计算发动机当前燃油消耗率；
步骤二：通过发动机转速、燃油消耗率等信息，应用基于遗忘因子的RLS算法估计燃油消耗梯度；
步骤三：发动机平顺功率下，通过梯度下降法在线更新发动机转速设定值。
步骤四：根据混联式混合动力汽车电机和发动机耦合特性，建立电机(M/G1&M/G2)扭矩控制模块，计算当前发动机转速设定值下电机M/G1&M/G2的参考期望扭矩。
本发明所涉及的混联式混合动力汽车系统简图如图1所示。行星齿轮有三个节点:太阳轮、行星架和齿圈。该三个节点分别与发电机(M/G1)、发动机和车辆后桥相连接。此外，电动机(M/G2)也连接在环形齿轮上，驱动模式下以电动机的形式直接驱动汽车，制动模式下以发电机的形式实现制动能量回收。发动机由燃油燃烧产生的能量可以通过两条路径传递给车辆:机械路径和电气路径。机械路径包括从行星架直接到齿圈的动力传递，齿圈连接到车辆的最终驱动。电气路径则是从行星架到太阳轮的传递，之后能量通过发电机转换成电的形式驱动M/G2或储存在蓄电池中。
本发明涉及到的各变量如表1所示
表1变量命名含义及单位
Figure BDA0002448115200000061
1、信息采集模块
采集当前发动机转速、扭矩，以及电机(M/G1&M/G2)的电流转速扭矩信息。
发动机瞬时油耗模型是基于查map表方式建立，可以由下式计算得出：
Wf(ωe,τe,Tcl)＝ffuel,map(ωe,τe)·fcl,map(Tcl)， (1)
其中ffuel,map表示名义温度下通过查map表所得到的标称油耗，ωe为测量得到的发动机瞬时转速，τe为发动机扭矩，fcl,map表示发动机水温(冷却剂温度)对标称油耗影响的修正因子，Tcl为发动机水温。
因此，发动机BSFC(Brake Specific Fuel Consumption)可以由下式计算得出：
Figure BDA0002448115200000071
其中π为圆周率。
2、发动机燃油消耗梯度估计模块：
在实际实施模块3中公式(6)的过程，针对发动机燃油消耗梯度难以解析计算的问题，本发明设计了发动机燃油梯度估计方法，叙述如下：
2.1燃油消耗梯度的近似表示
在某发动机温度下，针对发动机运行在某一功率Pe时，计算发动机瞬时油耗关于转速方向的梯度值用下式近似表示：
Figure BDA0002448115200000072
因而可得：
Δ(be)＝GΔ(ωe)， (4)
其中Δ(x)＝x+-x代表任意变量x的微小增量。上式可表示为
Figure BDA0002448115200000075
其中
Figure BDA0002448115200000073
2.2基于递归最小二乘的发动机燃油消耗梯度数值估计方法考虑实际发动机油耗动态数学描述的复杂性，我们使用含遗忘因子的递归最小二乘(recursive leastsquares,RLS)算法来估计梯度G：
Figure BDA0002448115200000076
Figure BDA0002448115200000077
Figure BDA0002448115200000074
其中η代表遗忘因子，Q代表估计误差协方差矩阵，H代表增益矩阵。
3、发动机最佳运行线在线学习模块
在线学习发动机OOL的基本方法利用可测的发动机速度为矫正量，以燃油消耗最小为目标，利用梯度下降算法对发动机持续平顺输出时的发动机转速进行更新寻优，实时搜索当前功率需求下的发动机最优工作点，从而提高整车的燃油经济性，其具体实施图如图2所示，其中椭圆表示输入信号，矩形表示输出信号。
基于梯度下降的发动机最佳运行线在线学习方法设计：
基于发动机燃油消耗梯度的OOL在线学习流程图如图3所示。步骤如下：
采用一阶梯度下降法，搜索发动机运行功率Pe下油耗最低对应工作点，其迭代更新过程可以由下式表示：
Figure BDA0002448115200000081
其中γ为迭代学习率，通常大于0，i为迭代次数，
Figure BDA0002448115200000082
为第i次迭代时发动机期望转速设定值，为迭代优化变量，G为当前发动机设定转速燃油消耗梯度。考虑迭代过程中学习率太大可能导致发散，而学习率太小又导致收敛过程太慢，因此需要对学习率进行适当取值。
选择最大迭代次数为N次，梯度值的二范数||G||小于δ为迭代终止条件。分别设定发动机输出功率序列为
Figure BDA0002448115200000083
在优化发动机输出功率
Figure BDA0002448115200000086
时，初始迭代发动机转速设定值为ω0；发动机输出功率
Figure BDA0002448115200000087
时，迭代初始发动机转速设置为发动机输出功率
Figure BDA0002448115200000084
所优化出的发动机最优转速，这样做不仅可以避免陷入局部次优点，而且缩短优化搜索时间，实现发动机最佳运行线在线学习优化。
备注：
由于一阶梯度下降法收敛速度较慢，且迭代学习率不易整定，我们也可以使用二阶梯度下降法对发动机最佳运行线在线学习。
本发明定义发动机最低BSFC与发动机设定转速与输出功率有如下关系：
Figure BDA0002448115200000085
其中，be＝f(v,P)，P＝Pe，ν＝ωsp为优化参数变量，v*为发动机最优转速设定值。在发动机输出功率小范围波动时，假定ν(P+ΔP)＝ν+Δν，可得：
fν(ν+Δν,P+ΔP)＝0 (8)
对上式在(ν,P)点处进行一阶泰勒展开可得：
fν(ν,P)+fνv(ν,P)Δν+fνP(ν,P)ΔP＝0 (9)
可以解得发动机设定转速迭代步长如下式表示：
Δν＝-[fνv(ν,P)]-1[fν(ν,P)+fνP(ν,P)ΔP] (10)
其中fνv(ν,P)为海森矩阵，fν(ν,P)为一阶梯度矩阵，fνP(ν,P)混合偏导矩阵。这些矩阵都可以通过具体实施方式3.2所述方法进行估计。若发动机输出功率为常值，则二阶梯度下降法迭代步长如下式表示：
Δν＝-[fνv(ν,P)]-1fν(ν,P) (11)
可知迭代学习率为海森矩阵的逆矩阵，即γ＝[fνv(ν,P)]-1。
4、混联式混合动力汽车电机扭矩控制模块
4.1电机M/G1扭矩控制
行星齿轮组通过齿面啮合机械连接,其传动关系如下所示：
Figure BDA0002448115200000091
Figure BDA0002448115200000092
ωr＝(1+ρ)ωc-ρωs；
Figure BDA0002448115200000093
其中ωs代表太阳轮转速，ωc代表行星架转速，ωr代表齿圈转速，ρ代表太阳轮齿数Zs与齿圈齿数Zr之比。
基于梯度下降算法在发动机输出功率Pe下迭代计算得转速期望设定值为
Figure BDA0002448115200000094
通过行星齿轮传动关系，计算得到M/G1参考转速ωM/G1 r。为了使发动机转速调节至期望设定转速值，我们通过PI控制器调节M/G1转速。PI控制器数学表达形式如下所示：
TM/G1 r＝kp(ωM/G1 r-ωM/G1)+ki∫(ωM/G1 r-ωM/G1)dt， (13)
其中ωM/G1为M/G1实际转速，TM/G1 r为M/G1参考期望扭矩，kp与ki分别是比例控制器和积分控制器的增益。
4.2电机M/G2扭矩控制
混联式混合动力汽车驱动能量可以由电机和/或发动机提供，电机与发动机的能量分配通过能量管理算法来实现。为了便于叙述，下面以基于规则的混联式混合动力汽车能量管理方法为例，说明M/G2扭矩控制流程如下。
当车辆负载需求功率Pd在电动汽车模式功率Pev边界内(即Pd≤Pev)时，发动机所需提供功率如下式表示：
Figure BDA0002448115200000101
其中，soc代表蓄电池荷电状态，soct代表soc的设定阈值，Pch代表蓄电池充电功率。
随着车速增加，蓄电池所能提供功率无法满足车辆需求功率时，M/G1协同M/G2启动发动机来供给能量。
当车辆需求功率在发动机所能提供最大功率Pe,max范围内(Pev＜Pd≤Pe，max)时，发动机所需提供能量如下式表示：
Figure BDA0002448115200000102
当车辆需求功率超过发动机所能提供最大功率时，发动机所需提供能量如下式表示：
Pe＝Pe,max (16)
通过PM/G1＝ωM/G1TM/G1 r可以求得M/G1的功率。通过能量守恒定律，我们可以求得M/G2功率如下所示：
PM/G2＝Pd-Pe-PM/G1， (17)
其中Pe代表发动机功率。
通过
Figure BDA0002448115200000103
可求得M/G2参考期望扭矩。所以，通过闭环控制，即可将发动机转速调节至最优转速值
Figure BDA0002448115200000104
混联式混合动力汽车仿真模型
如图4所示，混联式混合动力整车车仿真模型主要包括能量管理与OOL在线学习模块，发动机、电动机M/G1&M/G2、空调及其相关执行控制模块，传动系统与车辆纵向动力学模型、功率总线、蓄电池模块等几个部分。整车模型参数参考ToyotaPrius 2010车型的相关参数，如
表2所示。
表2混合动力汽车参数表
参数 数值 单位
整车质量 1254 kg
车轮半径 0.287 m
迎风面积 2.520 m<sup>2</sup>
空气阻力系数 0.3 -
空气比热容 1003 J/(kg·K、)
空气密度 1.2 kg/m<sup>3</sup>
滚动阻力系数 0.015 -
电池容量 6.5 A·h
发动机最大输出功率 73 kw
M/G1峰值扭矩 99.4 N·m
M/G2峰值扭矩 142 N·m
能量管理模块是以基于规则的能量分配控制模块组成的，即混合动力汽车驱动所需功率低于电机所能提供的最大功率且蓄电池SOC值足够高，则只需电机驱动；若高于电机所能提供最大功率且又低于发动机最大输出功率，则由发动机单独驱动；若高于发动机最大功率，则由电机和发动机共同驱动。同时混合控制器模块包含汽车制动能量回收，储存在电池中的能量可以在以后以更有效的方式使用，这有助于提高整车的燃油经济性。OOL在线学习模块参见具体实施方式2。
发动机及其执行控制主要通过调节节气门开度来调节发动机扭矩。燃油释放的化学能主要流向主要包括：产生机械能，废气、空气、散热器所带走的能量、驾驶舱暖风系统供能以及冷却剂吸收能量。
M/G1&M/G2及其执行控制模块是由两个分别可以发电机、电动机两用的交流永磁同步电机组成。他们分别通过控制电机输入电流实现电机输出扭矩实时跟踪参考期望扭矩。
空调及其执行控制模块主要是由压缩机、鼓风机、及水泵组成，用来调节驾驶舱内温度以满足车内舒适性。
传动系统&车辆模型主要包括由行星齿轮，它是由同轴相连的齿圈、太阳轮、行星架构成的，发动机与行星架同轴相连。M/G2输出的力矩经由变速器通过不同的齿轮半径产生不同速比从而进行减速增距，这里的传动比是3.905∶1，即转速变为原来的1/3.905，扭矩增大为原来的3.905倍，弥补电机本身转速较高，扭矩不足的问题。
功率总线模块主要是将M/G1&M/G2以及空调耗能整合，由蓄电池来提供。
蓄电池模块主要是由多个单体电池串并联构成，常用的是锂电池组。电池组对外输出的终端电压为单个电池输出电压和，电池系统输出终端电压即电池组提供给电机的电压。
模型选择的循环工况是UDDS工况(又称FTP 72工况)，该工况由冷态过渡工况(0～505s)和瞬态工况(506～1369s)部分组成。这一工况中含有若干次停车和急停，能够有代表性的反映城市驾驶工况。UDDS工况总计耗时1369秒，该工况下车辆的期望速度如图5所示。
实验验证
为了进一步验证基于燃油消耗梯度下降的发动机OOL在线优化方法的性能和预期收益，我们在Matlab/Simulink软件中搭建混合动力汽车仿真模型被控对象和控制器，软件版本为Matlab R2016b，求解器选择为ode4。仿真步长设定为定步长，步长选择为0.02s。
在仿真验证中，通过模拟发动机未老化与老化条件，针对暖机启动与冷机启动的情况，分别对比通过标定和在线学习所得的OOL，及其对应的UDDS工况下的整车能耗，验证了在线OOL搜索(特别是发动机老化后)的有效性与优越性。
1)模拟发动机未老化
a.发动机在暖机启动情况下
为了验证梯度下降算法的精确性与有效性，在发动机未老化且暖机启动情况下，将它与发动机标定的OOL进行对比，在线学习结果如图6所示，标定结果如图7所示。在线学习与标定结果总体基本一致，区别在于标定数据量毕竟只是有限的(即离散点)，最佳经济工作点只能从标定结果中选择这些数据中的极小值；而在线学习几乎可以遍历所有情况(即连续点)，所求得的优化解更接近于理论极小值。
b.发动机在冷机启动情况下
在a中我们已得知梯度下降法具有较好的搜索性能。在发动机未暖机的情况下，我们采用同样方法在线优化发动机OOL，优化结果如图8所示。从图中可以很明显的看到，冷机启动条件下BSFC曲线数值相对暖机下放大了一定的倍数，这个表征油耗放大倍数的量fcl,map可以通过实验标定得到(如式(1))。
分别把标定的结果和在线学习的结果作为发动机OOL，在UDDS工况下进行仿真。实验结果如图9-图10所示，总油耗如图14所示。可以的得出，梯度下降法可以很好用于优化算法中。在标定所消耗燃油393.87g，在线学习所消耗燃油391.73g，节油率大约0.54％，且优于标定结果。
2)模拟发动机老化
考虑发动机老化，其暖机启动条件下发动机OOL在线优化结果如图11所示。可以很明显的看出发生老化的发动机BSFC Map轮廓线形状与未老化相比差异较大，每一个工作点(转速、扭矩)对应的发动机BSFC值几乎发生了不同程度的漂移，使得OOL发生了整体漂移。分别把原标定的结果和在线学习与矫正的结果作为发动机OOL，在UDDS工况下进行仿真。结果如图12图13所示。总油耗如图14所示。老化后的油耗同比未老化情况下都有不同程度的增加，标定所消耗燃油为650.73g，在线学习与矫正所消耗燃油为638.34g，节油率大约为1.90％。相比于未老化情况下的节油率0.54％，老化情况下的OOL在线学习与矫正产生的节油效率更显著。
此外，传统发动机OOL标定需要在负荷模型匹配好以后，按照理论计算可以得到在各工况点让空燃比λ＝1的喷油量，但是由于供油系统也存在偏差，导致在某些情况下空燃比偏离1，需要在这里得到修正，如果利用实验标定的手段，整个过程时间成本约2天。然而，在Inter(R)Core(TM)i7-6700CPU@3.40GHz计算机上进行在线学习优化，过程仅需4-5分钟，极大的提高了标定效率，节约了大量的人力物力。
综上，基于燃油梯度下降对发动机OOL在线优化方法在发动机未老化与老化的情况下均有效，不仅减少了大量的台架标定实验，而且算法结构简单、开发成本较低，可以有效地提高混联式混合动力汽车的整车燃油经济性。

Claims (2)

1.一种混联式混合动力汽车发动机最佳运行线在线学习方法，其特征在于：其步骤是：
a、信息采集模块：
发动机瞬时油耗模型是基于查map表方式建立，由下式得出：
Wf(ωe,τe,Tcl)＝ffuel,map(ωe,τe)·fcl,map(Tcl)， (1)
其中ffuel,map表示名义温度下通过查map表所得到的标称油耗，ωe为测量得到的发动机瞬时转速，τe为发动机扭矩，fcl,map表示发动机水温对标称油耗影响的修正因子，Tcl为发动机水温；发动机BSFC由下式得出：
Figure FDA0002448115190000011
b、发动机燃油消耗梯度估计模块：
燃油消耗梯度的近似表示
在某发动机温度下，针对发动机运行在某一功率Pe时，计算发动机瞬时油耗关于转速方向的梯度值用下式近似表示：
Figure FDA0002448115190000012
因而可得：
Δ(be)＝GΔ(ωe)， (4)
其中Δ(x)＝x+-x代表任意变量x的微小增量，上式可表示为
Figure FDA0002448115190000013
其中
Figure FDA0002448115190000014
基于递归最小二乘的发动机燃油消耗梯度数值估计方法：
使用含遗忘因子的递归最小二乘算法来估计梯度G：
Figure FDA0002448115190000015
Figure FDA0002448115190000016
Figure FDA0002448115190000017
其中η代表遗忘因子，Q代表估计误差协方差矩阵，H代表增益矩阵；
c、发动机燃油消耗梯度的OOL在线学习过程：
采用一阶梯度下降法，搜索发动机运行功率Pe下油耗最低对应工作点，其迭代更新过程由下式表示：
Figure FDA0002448115190000018
其中γ为迭代学习率，通常大于0，i为迭代次数，
Figure FDA0002448115190000021
为第i次迭代时发动机期望转速设定值，为迭代优化变量，G为当前发动机设定转速燃油消耗梯度；
选择最大迭代次数为N次，梯度值的二范数||G||小于δ为迭代终止条件，分别设定发动机输出功率序列为
Figure FDA0002448115190000022
在优化发动机输出功率
Figure FDA0002448115190000023
时，初始迭代发动机转速设定值为ω0；
发动机输出功率
Figure FDA0002448115190000024
时，迭代初始发动机转速设置为发动机输出功率
Figure FDA0002448115190000025
所优化出的发动机最优转速，这样做不仅可以避免陷入局部次优点，而且缩短优化搜索时间，实现发动机最佳运行线在线学习优化；
d、混联式混合动力汽车电机扭矩控制模块
4.1电机M/G1扭矩控制
行星齿轮组通过齿面啮合机械连接,其传动关系如下所示：
Figure FDA0002448115190000026
Figure FDA0002448115190000027
ωr＝(1+ρ)ωc-ρωs；
Figure FDA0002448115190000028
其中ωs代表太阳轮转速，ωc代表行星架转速，ωr代表齿圈转速，ρ代表太阳轮齿数Zs与齿圈齿数Zr之比；
基于梯度下降算法在发动机输出功率Pe下迭代计算得转速期望设定值为
Figure FDA0002448115190000029
通过行星齿轮传动关系，计算得到M/G1参考转速ωM/G1 r；通过PI控制器调节M/G1转速。PI控制器数学表达形式如下所示：
TM/G1 r＝kp(ωM/G1 r-ωM/G1)+ki∫(ωM/G1 r-ωM/G1)dt， (13)
其中ωM/G1为M/G1实际转速，TM/G1 r为M/G1参考期望扭矩，kp与ki分别是比例控制器和积分控制器的增益；
4.2电机M/G2扭矩控制
当车辆负载需求功率Pd在电动汽车模式功率Pev边界内时，即Pd≤Pev，发动机所需提供功率如下式表示：
Figure FDA00024481151900000210
其中，soc代表蓄电池荷电状态，soct代表soc的设定阈值，Pch代表蓄电池充电功率；
当车辆需求功率在发动机所能提供最大功率Pe,max范围内时，即Pev＜Pd＜Pe，max，发动机所需提供能量如下式表示：
Figure FDA0002448115190000031
当车辆需求功率超过发动机所能提供最大功率时，发动机所需提供能量如下式表示：
Pe＝Pe,max (16)
通过PM/G1＝ωM/G1TM/G1 r可以求得M/G1的功率，通过能量守恒定律，求得M/G2功率如下所示：
PM/G2＝Pd-Pe-PM/G1， (1)
其中Pe代表发动机功率；
通过
Figure FDA0002448115190000032
可求得M/G2参考期望扭矩，所以，通过闭环控制，即可将发动机转速调节至最优转速值ωe sp。
2.根据权利要求1所述的混联式混合动力汽车发动机最佳运行线在线学习方法，其特征在于：发动机燃油消耗梯度的OOL在线学习过程采用二阶梯度下降法对发动机最佳运行线在线学习；
定义发动机最低BSFC与发动机设定转速与输出功率有如下关系：
Figure FDA0002448115190000033
其中，be＝f(v,P)，P＝Pe，ν＝ωsp为优化参数变量，v*为发动机最优转速设定值。在发动机输出功率小范围波动时，假定ν(P+ΔP)＝ν+Δν，可得：
fν(ν+Δν,P+ΔP)＝0 (8)
对上式在(ν,P)点处进行一阶泰勒展开可得：
fν(ν,P)+fνv(ν,P)Δν+fνP(ν,P)ΔP＝0 (9)
解得发动机设定转速迭代步长如下式表示：
Δν＝-[fνv(ν,P)]-1[fν(ν,P)+fνP(ν,P)ΔP] (10)
其中fνv(ν,P)为海森矩阵，fν(ν,P)为一阶梯度矩阵，fνP(ν,P)混合偏导矩阵；
若发动机输出功率为常值，则二阶梯度下降法迭代步长如下式表示：
Δν＝-[fνv(ν,P)]-1fν(ν,P) (11)
迭代学习率为海森矩阵的逆矩阵，即γ＝[fνv(ν,P)]-1。
CN202010284818.6A 2020-04-13 2020-04-13 混联式混合动力汽车发动机最佳运行线在线学习方法 Active CN111456860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010284818.6A CN111456860B (zh) 2020-04-13 2020-04-13 混联式混合动力汽车发动机最佳运行线在线学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010284818.6A CN111456860B (zh) 2020-04-13 2020-04-13 混联式混合动力汽车发动机最佳运行线在线学习方法

Publications (2)

Publication Number Publication Date
CN111456860A CN111456860A (zh) 2020-07-28
CN111456860B true CN111456860B (zh) 2021-10-01

Family

ID=71676762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010284818.6A Active CN111456860B (zh) 2020-04-13 2020-04-13 混联式混合动力汽车发动机最佳运行线在线学习方法

Country Status (1)

Country Link
CN (1) CN111456860B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113682293B (zh) * 2021-09-29 2023-08-22 厦门大学 智能网联混合动力汽车多系统动态协调控制系统及方法
CN114237093A (zh) * 2021-11-22 2022-03-25 厦门中云创电子科技有限公司 一种汽车ecu动力升级预警控制方法
CN114382879B (zh) * 2022-01-24 2023-08-18 潍柴动力股份有限公司 一种换挡控制方法、装置及车辆
CN114909225B (zh) * 2022-04-25 2023-04-18 潍柴动力股份有限公司 Amt车辆的节油控制方法、装置及系统
CN115450770B (zh) * 2022-08-15 2023-07-07 东风柳州汽车有限公司 一种基于油耗最优驾驶策略的商用车控制方法及系统
CN117005958B (zh) * 2023-08-03 2024-01-30 广州天马集团天马摩托车有限公司 一种无级变速发动机控制器及控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007529671A (ja) * 2004-03-16 2007-10-25 バイエリッシェ　モートーレン　ウエルケ　アクチエンゲゼルシャフト 内燃機関の制御に際してのトルク余量を発生するための方法
JP2011126379A (ja) * 2009-12-16 2011-06-30 Toyota Motor Corp ハイブリッド自動車
CN105840328A (zh) * 2016-04-12 2016-08-10 安徽工业大学 一种混合动力汽车发动机智能电子控制单元
CN109313053A (zh) * 2018-06-25 2019-02-05 株式会社小松制作所 作业车辆的油耗测算系统及作业车辆的油耗测算方法
CN110696816A (zh) * 2019-10-22 2020-01-17 河南科技大学 基于工况分类的动态协调混合动力汽车能量管理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007529671A (ja) * 2004-03-16 2007-10-25 バイエリッシェ　モートーレン　ウエルケ　アクチエンゲゼルシャフト 内燃機関の制御に際してのトルク余量を発生するための方法
JP2011126379A (ja) * 2009-12-16 2011-06-30 Toyota Motor Corp ハイブリッド自動車
CN105840328A (zh) * 2016-04-12 2016-08-10 安徽工业大学 一种混合动力汽车发动机智能电子控制单元
CN109313053A (zh) * 2018-06-25 2019-02-05 株式会社小松制作所 作业车辆的油耗测算系统及作业车辆的油耗测算方法
CN110696816A (zh) * 2019-10-22 2020-01-17 河南科技大学 基于工况分类的动态协调混合动力汽车能量管理方法

Also Published As

Publication number Publication date
CN111456860A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111456860B (zh) 混联式混合动力汽车发动机最佳运行线在线学习方法
Borhan et al. Nonlinear model predictive control for power-split hybrid electric vehicles
Sarvaiya et al. Comparative analysis of hybrid vehicle energy management strategies with optimization of fuel economy and battery life
Park et al. Development of equivalent fuel consumption minimization strategy for hybrid electric vehicles
Gökce et al. An instantaneous optimization strategy based on efficiency maps for internal combustion engine/battery hybrid vehicles
Xu et al. Learning time reduction using warm-start methods for a reinforcement learning-based supervisory control in hybrid electric vehicle applications
CN111016922B (zh) 一种单电机混合动力系统优化分扭的能量管理系统和方法
WO2023020083A1 (en) A method for adaptative real-time optimization of a power or torque split in a vehicle
CN113460026B (zh) 一种功率分配方法、装置、设备及汽车
CN112373457A (zh) 面向节能控制的混合动力汽车能量与热量一体化模型
CN110194172A (zh) 基于增强型神经网络插电式混合动力乘用车能量管理方法
Lee et al. Rule-based power distribution in the power train of a parallel hybrid tractor for fuel savings
von Parallelhybridfahrzeugen On the power split control of parallel hybrid vehicles: from global optimization towards real-time control
Takahashi et al. Model predictive control for hybrid electric vehicles with linear parameter-varying model
CN108215747B (zh) 基于纯电动汽车的双电机布置和凸优化算法的转矩优化方法
Li et al. A real-time energy management strategy combining rule-based control and ECMS with optimization equivalent factor for HEVs
Tang et al. Energy management of a parallel hybrid electric vehicle with CVT using model predictive control
Liu et al. Global optimal control strategy of PHEV based on dynamic programming
Wang et al. Energy management strategy based on dynamic programming considering engine dynamic operating conditions optimization
Adel et al. Parallel HEV hybrid controller modeling for power management
Pagerit et al. Global optimization to real time control of HEV power flow: Example of a fuel cell hybrid vehicle
Jeong et al. Model validation of the Honda accord plug-in
Wang et al. Simulation of Energy Control Strategy for Hybrid Electric Vehicle Based on Modified Dynamic Programming
Liu et al. Control strategy for an electromechanical transmission vehicle based on a double Markov process
CN111645530B (zh) 考虑电池寿命的制动能量滚动优化控制方法

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