CN111547041A - 一种并行混合动力汽车的协同优化能量管理方法 - Google Patents
一种并行混合动力汽车的协同优化能量管理方法 Download PDFInfo
- Publication number
- CN111547041A CN111547041A CN202010458771.0A CN202010458771A CN111547041A CN 111547041 A CN111547041 A CN 111547041A CN 202010458771 A CN202010458771 A CN 202010458771A CN 111547041 A CN111547041 A CN 111547041A
- Authority
- CN
- China
- Prior art keywords
- soc
- battery
- req
- motor
- torque
- 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
- B60W20/15—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
- 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
- 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
-
- 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
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Abstract
本发明公开了一种并行混合动力汽车的协同优化能量管理方法,可以更好地平衡现有的能量管理控制不能同时满足实时应用和全局优化两方面的需求,结合动态规划和模糊控制的优点,提出了一种离线优化决策支持系统,该系统以全局最优的转矩分配策略和电池SOC轨迹为指导,提高了实时控制器的最优性能,对模糊控制器的隶属函数和模糊规则进行了改进,得到了高性能的实时控制策略。
Description
技术领域
本发明涉及混合动力汽车控制技术领域,特别涉及一种并行混合动力汽车的协同优化能量管理方法。
背景技术
环境污染和能源危机是人类社会可持续发展面临的两大挑战。多动力源混合动力汽车(HEVs)可以降低油耗和排放,有效解决以上问题。能源管理策略(EMS)是混合动力汽车研究中的一项关键技术。研究如何在电源之间分配所需的功率,以达到最优的能量分配,从而降低燃料消耗,减少排放。根据车辆的基本实时性要求,设计最优的EMS需要满足控制算法的实时性要求和车辆性能优化的要求。
当前对环境管理系统的研究主要分为基于规则的环境管理系统和基于优化的环境管理系统两大类。基于智能控制的EMS本质上是一种基于规则的控制策略。基于规则的控制策略设计简单,计算时间短,特别是基于模糊规则的控制策略,因为该算法简单快速,在实时应用中具有良好的鲁棒性和控制效果。然而,规则往往依赖于大量的实验数据或人类的经验,所以最优的燃油经济性不能得到保证。
基于EMS的优化可分为瞬时优化策略和全局优化策略。一种以瞬时油耗为代函数的瞬时最优控制策略,使其接近最优控制性能。但是需要大量的浮点运算,并且实时性相对较差,一种将动态规划理论应用于内燃机车辆,并对其优化,使车辆的燃油经济性提高了2%-3%。基于动态规划的控制策略使混合动力汽车的最佳算法,然而,该应用的前提使提前知道驾驶状态信息。因此它主要用于离线制导能量管理系统的设计,目前交通信息和需求功率预测的能源管理策略是EMS设计的热点,如何平衡算法的实时应用与全局优化性能是EMS研究中的一个关键问题。
为了满足汽车行驶过程的操作要求,需要采用实时动态的EMS。为了尽量减少燃料消耗和减少排放,需要一个全局优化的控制策略。因此,EMS既需要实时动态优化,又需要稳态优化。基于规则的EMS和基于优化的EMS分别是模糊算法和动态规划算法,在混合动力车辆EMS的应用中各有优缺点。如果将两者结合起来互相学习,所设计的EMS能够有效地解决上述矛盾,能够很好地满足实时应用和全局最优需求。
本文将两者的优点结合起来,设计了一种协同优化的能量管理实时控制器,得到了具有统计意义的最优决策支持系统,并将其嵌入到实时控制器中,能够满足车辆的动态要求,进一步降低油耗,提高车辆性能。
发明内容
为了克服现有技术中的不足,本发明提供一种并行混合动力汽车的协同优化能量管理方法,能够实时有效的分配动力力矩,使车辆在最佳综合性能运行模式下工作。
为了达到上述发明目的,解决其技术问题所采用的技术方案如下:
一种并行混合动力汽车的协同优化能量管理方法,包括以下步骤:
步骤1:建立混合动力汽车整车动力系统模型,包括发动机模型、电机模型和电池模型;
步骤2:根据步骤1的发动机模型,建立混合动力汽车稳态油耗模型,根据准静态假设,得到混合动力汽车发动机的瞬时油耗:
其中,Te是发动机扭矩,ωe是发动机转速,be是油耗率,N是常数系数,ρ是汽油密度,g是重力加速度;
步骤3:根据步骤1的电机模型,传统混合动力汽车配备一个电机,可以作为电机或者发电机,对应电池的放电和充电方式,电机功耗模型取决于以下两种情况;
当电机在电机模式下工作时,功耗模型为:
当电机在发电机模式下工作时,功耗模型为:
Pm=Tm·ωm·ηmc (3)
其中,Pm为电机功率,Tm为电机转矩,ωm为电机转速,ηmd为放电效率,ηmc为充电效率;
步骤4:根据步骤1的电池模型,针对镍氢电池,将电池模型简化为由电压源和电阻器组成的等效电路,建模过程不考虑温度变化,建立数学模型如下:
Pb=-ΔSOC·Uoc·Qb (4)
其中,ΔSOC是充电状态的变化,SOC是电池的功率,Uoc是电池的开路电压,Qb是电池的容量,Rb是电池的内阻;
为了保持电池的寿命,要求电池的荷电状态初始值等于整个行驶循环的终端值,将电池SOC值的参考值设为0.6,即波动范围的最大值和最小值是[0.5,0.7],在最优控制问题的描述中,SOC值的约束为:
SOC(t0)SOC(tf)=SOC(tref) (6)。
进一步的,建立混合动力汽车模型之后,根据具体模型建立协同优化能量管理系统,包括以下步骤:
离散优化决策支持系统,将电池SOC值定义为离线决策支持系统的状态变量x(t),电机转矩Tm是系统的控制变量u(t),行驶工况下的累计油耗J(t)是系统性能指标函数,最优控制问题的描述是寻找允许控制u(t),从系统的初始状态x(0)=SOC0,从终端时刻tf移动到状态x(tf)=SOCf,最小化系统的指标函数J(t),离散化的数学形式如下:
x(k+1)=g(x(k),u(k)) (7)
受以下约束的状态变量和控制变量:
根据Bellman最优性原理,求解最小性能指标的动态规划递推方程为:
J*(x(N),N)=0 (11)
其中,J*(x(k),k)为从阶段k到最终阶段的油耗;
选择各速度段CYC_Test1、CYC_Test2、CYC_Test3、CYC_Test4的测试条件作为获得最优决策支持系统的基本条件,采用动态规划策略进行离线优化,得到一般意义上的统计结果,用于决策支持系统的设计;
决策支持系统,分别对CYC_Test1、CYC_Test2、CYC_Test3和CYC_Test4,4个不同阶段的试验用例进行离线动态规划和优化,得到电机转矩Tm、发动机转矩Te和所需转矩TreqTreq=(Tm+Te)与各阶段车速尸之间的对应关系。
进一步的,还包括实时模糊控制器优化,模糊控制器的优化设计包括隶属函数的选择和模糊规则的设计,以提高基于实时性要求的优化性能,该模糊控制器有三个控制变量:车速v、总传动扭矩需求Treq和电池荷电状态SOC,出变量是比率K,其值是发动机扭矩与发动机的最佳扭矩的比值,假设各变量的实际取值范围为[xmin,xmax],模糊值域为[θmin,θmax],则模糊参数值与实际参数值的关系为:
进一步的,所述隶属度函数选择,具体包括以下内容:
根据优化决策支持系统,建立模糊控制的隶属函数,输入变速v和需求转矩Treq,车速的模糊子集为{L,M,H,VH};需求转矩的模糊子集为{N,PS,M,PB},电池荷电状态SOC在整个行驶周期保持在0.6左右的波动幅度,波动幅度为[0.5,0.7],因此将模糊子集电池荷电状态设计为{S,M,B};
输入变量的取值范围为[0,220],传动扭矩范围的总需求为[-200,200],SOC值范围[0.5,0.7],在模糊控制策略下,总K值范围为[0,1.5],当所需转矩较大时,发动机将输出大于最优转矩的驱动转矩来满足要求;当车速高但需求转矩不大时,发动机转矩会低于最优;当发动机的大部分工作点都在最优曲线附近时,K值范围为[0.82,1.15];因此,对于这个范围内的K值,需要更详细的确定,分为三个区域(PM1、PM2、PM3),输出变量K的模糊子集为{0,PTS,PS,PM1,PM2,PM3,PB},输入和输出变量的总体都是[0,1]。
进一步的,所述模糊规则选择,具体包括以下内容:
基于决策支持系统中优化的工作模式区间和电池荷电状态,部分优化的模糊规则如下:
1)HEV工作在A区,纯电动马达驱动模式:
如果v=L,Treq=PS,SOC≠S,那么K=O;
如果v=L,Treq=M,SOC≠S,那么K=0;
如果v=M,Treq=PS,SOC≠S,那么K=O;
如果v=H,Treq=PS,SOC≠S,那么K=0;
2)HEV工作在B区,纯发动机驱动模式:
如果v=M,Treq=M,SOC=M,那么K=PM1;
如果v=H,Treq=M,SOC=M,那么K=PM2;
3)HEV工作在C区,充电驱动模式:
如果v=L,Treq=M,SOC=S,那么K=PM2;
如果v=M,Treq=M,SOC=S,那么K=PM2;
如果v=H,Treq=M,SOC=S,那么K=PM3;
4)HEV工作在D区,混合驱动模式:
如果v=H,Treq=PB,SOC≠M,那么K=PS;
如果v=VH,Treq=PB,SOC≠M,那么K=PTS;
5)HEV工作在E区,再生制动模式:
如果Treq=N,那么K=0。
本发明由于采用以上技术方案,使之与现有技术相比,具有以下的优点和积极效果:
1、本发明公开了一种并行混合动力汽车的协同优化能量管理方法,基于几个典型的行驶工况,分析了基于动态的EMS优化结果的特点,得到了基于统计意义的最优转矩分配和电池荷电状态衰减,将最优规则动态规划法嵌入到模糊控制器中,模糊控制器确定每个点的工作模式根据最优转矩分配二维查表,把每个点的工作模式间隔,优化模糊控制器的隶属函数和模糊规则的选择来提高实时模糊控制器的优化性能为了解决上述存在的技术问题,设计了一种协同优化的能量管理实时控制器,得到了具有统计意义的最优决策支持系统,并将其嵌入到实时控制器中,能够满足车辆的动态要求,进一步降低油耗,提高车辆性能。
2、本发明公开了一种并行混合动力汽车的协同优化能量管理方法,可以更好地平衡现有的能量管理控制不能同时满足实时应用和全局优化两方面的需求,结合动态规划和模糊控制的优点,提出了一种离线优化决策支持系统,该系统以全局最优的转矩分配策略和电池SOC轨迹为指导,提高了实时控制器的最优性能,对模糊控制器的隶属函数和模糊规则进行了改进,得到了高性能的实时控制策略。
3、本发明提供一种并行混合动力汽车的协同优化能量管理方法,能够实时有效的分配动力力矩,使车辆在最佳综合性能运行模式下工作。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。附图中:
图1是本发明中混合动力汽车系统结构图;
图2是本发明中协同优化能量管理系统原理图;
图3是本发明中Te-v-Treq的分布图;
图4是本发明中Tm-v-Treq的分布图;
图5是本发明中优化工作模式间隔示意图;
图6是本发明中模糊控制隶属度函数图;
图7是本发明中CYC_UDDS仿真结果图;
图8是本发明中CYC_US06仿真结果图。
具体实施方式
以下将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整的描述和讨论,显然,这里所描述的仅仅是本发明的一部分实例,并不是全部的实例,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的前提下所获得的所有其他实施例,都属于本发明的保护范围。
混合动力汽车并联驱动系统主要由发动机、电动机、电池、功率变换器等组成。本发明并联混合动力汽车驱动系统结构如图1所示。并联装置有两种动力驱动系统,传统的发动机驱动系统和电机驱动系统。该电动机既可作牵引电动机又可作发电机。平行混合动力汽车的运行模式主要有纯电机驱动模式、纯发动机驱动模式、混合驱动模式、驱动充电模式和再生制动模式五种。EMS在整个行驶工况中采用有效的控制策略,在两个动力源之间分配扭矩,使车辆在最佳的综合性能运行模式下工作。图2是本发明中协同优化能量管理系统原理图。以并行混合动力汽车为研究对象,设计了协同优化EMS系统。基于几个典型的行驶工况,分析基于动态规划的EMS优化结果的特点,得到基于统计显著性的最优扭矩分配和电池SOC衰减。将最优规则嵌入到模糊控制器中。模糊控制器确定每个点的工作模式根据最优转矩分配二维查表,间隔每个点的工作模式,优化模糊控制器的隶属函数和模糊规则的选择来提高实时模糊控制器的优化性能。本实施例公开了一种并行混合动力汽车的协同优化能量管理方法,包括以下步骤:
步骤1:建立混合动力汽车整车动力系统模型,包括发动机模型、电机模型和电池模型;
步骤2:根据步骤1的发动机模型,建立混合动力汽车稳态油耗模型,根据准静态假设,得到混合动力汽车发动机的瞬时油耗:
其中,Te是发动机扭矩,ωe是发动机转速,be是油耗率,N是常数系数,ρ是汽油密度,g是重力加速度;
步骤3:根据步骤1的电机模型,传统混合动力汽车配备一个电机,可以作为电机或者发电机,对应电池的放电和充电方式,电机功耗模型取决于以下两种情况;
当电机在电机模式下工作时,功耗模型为:
当电机在发电机模式下工作时,功耗模型为:
Pm=Tm·ωm·ηmc (3)
其中,Pm为电机功率,Tm为电机转矩,ωm为电机转速,ηmd为放电效率,ηmc为充电效率;
步骤4:根据步骤1的电池模型,针对镍氢电池,将电池模型简化为由电压源和电阻器组成的等效电路,建模过程不考虑温度变化,建立数学模型如下:
Pb=-ΔSOC·Uoc·Qb (4)
其中,ΔSOC是充电状态的变化,SOC是电池的功率,Uoc是电池的开路电压,Qb是电池的容量,Rb是电池的内阻;
为了保持电池的寿命,要求电池的荷电状态初始值等于整个行驶循环的终端值,将电池SOC值的参考值设为0.6,即波动范围的最大值和最小值是[0.5,0.7],在最优控制问题的描述中,SOC值的约束为:
SOC(t0)=SOC(tf)=SOC(tref) (6)。
实施例:
1)并联混合动力汽车模型参数车辆质量是1350公斤,空气阻力系数CD=0.335,迎风面积FA=2.0平方米,车轮滚动半径Rr=0.282m,滚动阻尼系数f=0.009,平均传输效率ηt=0.85。
2)并联混合动力汽车发动机模型:参数:型号为FC_SI41_emis,最大功率/转速=41kw/5700r.min-1。最大扭矩/速度=81N.m/3500r.min-1。
3)并联混合动力汽车电机模型参数:型号为MC_AC75,额定功率PN=75kw,额定转速nN=2000r/min,最大转速nmax=10000r/min,平均效率0.92。
4)并联混合动力汽车电池模型镍氢电池参数:型号为ESS_NIMH28_OVONIC,标准放电容量为28Ah,电池块数为50块。
进一步的,建立混合动力汽车模型之后,根据具体模型建立协同优化能量管理系统,包括以下步骤:
离散优化决策支持系统,将电池SOC值定义为离线决策支持系统的状态变量x(t),电机转矩Tm是系统的控制变量u(t),行驶工况下的累计油耗J(t)是系统性能指标函数,最优控制问题的描述是寻找允许控制u(t),从系统的初始状态x(0)=SOC0,从终端时刻tf移动到状态x(tf)=SOCf,最小化系统的指标函数J(t),离散化的数学形式如下:
x(k+1)=g(x(k),u(k)) (7)
受以下约束的状态变量和控制变量:
根据Bellman最优性原理,求解最小性能指标的动态规划递推方程为:
J*(x(N),N)=0 (11)
其中,J*(x(k),k)为从阶段k到最终阶段的油耗;
选择各速度段CYC_Test1、CYC_Test2、CYC_Test3、CYC_Test4的测试条件作为获得最优决策支持系统的基本条件,采用动态规划策略进行离线优化,得到一般意义上的统计结果,用于决策支持系统的设计;
决策支持系统,分别对CYC_Test1、CYC_Test2、CYC_Test3和CYC_Test4,4个不同阶段的试验用例进行离线动态规划和优化,得到电机转矩Tm、发动机转矩Te和所需转矩TreqTreq=(Tm+Te)与各阶段车速尸之间的对应关系。
为了得到统计结果,在三维图形中统计Te-v-Treq、Tm-v-Treq的分布,如图3和4所示。
T<sub>e</sub>=0;T<sub>m</sub>>0 | 电机驱动模式 |
T<sub>e</sub>>0;T<sub>m</sub>=0 | 发动机驱动模式 |
T<sub>e</sub>>0;T<sub>m</sub>>0 | 混合驱动模式 |
T<sub>e</sub>>0;T<sub>m</sub><0 | 驱动充电模式 |
T<sub>e</sub>=0;T<sub>m</sub><0 | 再生制动模式 |
表1工作模式规则
根据表1确定各点的工作方式。根据EMS的密度分布,我们可以确定工作模式间隔。如图5所示,得到优化的工作模式区间。
从图5可以看出,根据最优离线工作点的分布密度,将不同的驾驶模式划分为A、B、C、D、E五个区域,这些区域与需求转矩和车速有关。区域A表示汽车启动时电机独立驱动,转矩要求低;区域B为发动机驱动方式,区域C为发动机驱动,电池充电;区域D为以电机为辅助动力的混合驱动部分;E区为汽车减速、再生制动对蓄电池充电。
将统计特性下的优化结果作为在线模糊控制器设计的决策支持系统,指导模糊规则和隶属函数的选择。
模糊控制器的优化设计包括隶属函数的选择和模糊规则的设计,以提高基于实时性要求的优化性能,该模糊控制器有三个控制变量:车速v、总传动扭矩需求Treq和电池荷电状态SOC,出变量是比率K,其值是发动机扭矩与发动机的最佳扭矩的比值,假设各变量的实际取值范围为[xmin,xmax],模糊值域为[θmin,θmax],则模糊参数值与实际参数值的关系为:
进一步的,所述隶属度函数选择,具体包括以下内容:
根据优化决策支持系统,建立模糊控制的隶属函数,输入变速v和需求转矩Treq,车速的模糊子集为{L,M,H,VH};需求转矩的模糊子集为{N,PS,M,PB},电池荷电状态SOC在整个行驶周期保持在0.6左右的波动幅度,波动幅度为[0.5,0.7],因此将模糊子集电池荷电状态设计为{S,M,B};
输入变量的取值范围为[0,220],传动扭矩范围的总需求为[-200,200],SOC值范围[0.5,0.7],在模糊控制策略下,总K值范围为[0,1.5],当所需转矩较大时,发动机将输出大于最优转矩的驱动转矩来满足要求;当车速高但需求转矩不大时,发动机转矩会低于最优;当发动机的大部分工作点都在最优曲线附近时,K值范围为[0.82,1.15];因此,对于这个范围内的K值,需要更详细的确定,分为三个区域(PM1、PM2、PM3),输出变量K的模糊子集为{O,PTS,PS,PM1,PM2,PM3,PB},输入和输出变量的总体都是[0,1],如图6所示。
进一步的,所述模糊规则选择,具体包括以下内容:
基于决策支持系统中优化的工作模式区间和电池荷电状态,部分优化的模糊规则如下:
1)HEV工作在A区,纯电动马达驱动模式:
如果v=L,Treq=PS,SOC≠S,那么K=O;
如果v=L,Treq=M,SOC≠S,那么K=O;
如果v=M,Treq=PS,SOC≠S,那么K=O;
如果v=H,Treq=PS,SOC≠S,那么K=O;
2)HEV工作在B区,纯发动机驱动模式:
如果v=M,Treq=M,SOC=M,那么K=PM1;
如果v=H,Treq=M,SOC=M,那么K=PM2;
3)HEV工作在C区,充电驱动模式:
如果v=L,Treq=M,SOC=S,那么K=PM2;
如果v=M,Treq=M,SOC=S,那么K=PM2;
如果v=H,Treq=M,SOC=S,那么K=PM3;
4)HEV工作在D区,混合驱动模式:
如果v=H,Treq=PB,SOC≠M,那么K=PS;
如果v=VH,Treq=PB,SOC≠M,那么K=PTS;
5)HEV工作在E区,再生制动模式:
如果Treq=N,那么K=O。
仿真实验:
本实施例仿真实验由两部分组成:
第一部分是将提出的控制策略结果与当前实时应用规则控制方法、模糊控制方法和基于动态的EMS结果在CYC_UDDS输入下进行比较。
UDDS公路自行车的全称是城市测力计驾驶系统,它代表了城市的动态驾驶条件,是联合测试条件(FTP-75)的一部分。它通常用于轻型车辆测试。UDDS循环总行程为11.99Km,最大速度为91.25Km/h,行驶时间为1369s。道路循环包括汽车从开始到停止的各个阶段,可以充分反映测试车在各个阶段的工作状态。
1)电池SOC变化
从图7中可以看出,电池SOC初始值设置为0.6,但经过CYC_UDDS道路循环仿真后,电池SOC最终值不同。采用DP算法的控制策略的SOC终值为0.6003,采用规则控制策略的SOC终值为0.5082,采用模糊控制策略的SOC终值为0.5882。提出的协同优化实时控制策略,SOC终值为0.5933,电池SOC终值更接近初始值。并在整个动态运行过程的前后达到一个循环的充放电平衡,使电池的荷电状态值在健康的工作范围内波动。所以它可以确保电池寿命。
2)燃料消耗
以电力辅助策略下的燃油消耗为参考,常规模糊控制可使燃油经济性提高9.89%,DP控制策略下的燃油经济性提高21.73%,本文提出的协同优化控制策略可使燃油经济性提高16.78%。与电气辅助控制和一般模糊控制相比,本文提出的系统优化能量管理系统更接近于采用DP算法的EMS。
表2CYC_UDDS燃料消耗
第二部分,选择CYC_US06驱动循环进行比较。
为了进一步验证控制效果,选取CYC_US06工况进行仿真,并以工况的全局DP优化性能作为评价标准。
在线仿真条件下,本实施例提出的控制策略用于CYC_US06工况。与传统的模糊控制相比,本实施例得到的电池荷电状态更接近最优荷电状态曲线。从图8(c)可以看出,在DP最优发动机分配区域,与传统的模糊控制策略相比,采用协调控制策略时,发动机在最优工作点附近运行的工作点所占比例较大。
在CYC_US06下,与传统的模糊控制策略相比,DP控制策略的燃油经济性提高了17.86%。本文提出的控制策略使燃油经济性提高了12.39%,接近全局最优。说明所提出的协同控制策略能够满足复杂条件下的实时性能和整体性能的最佳要求,具有良好的鲁棒性。
表3CYC_US06燃料消耗
仿真结果表明,本实施例提出的控制策略能够在实时条件下优化整体性能,保证电池寿命,大大降低燃料消耗。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种并行混合动力汽车的协同优化能量管理方法,其特征在于,包括以下步骤:
步骤1:建立混合动力汽车整车动力系统模型,包括发动机模型、电机模型和电池模型;
步骤2:根据步骤1的发动机模型,建立混合动力汽车稳态油耗模型,根据准静态假设,得到混合动力汽车发动机的瞬时油耗:
其中,Te是发动机扭矩,ωe是发动机转速,be是油耗率,N是常数系数,ρ是汽油密度,g是重力加速度;
步骤3:根据步骤1的电机模型,传统混合动力汽车配备一个电机,可以作为电机或者发电机,对应电池的放电和充电方式,电机功耗模型取决于以下两种情况;
当电机在电机模式下工作时,功耗模型为:
当电机在发电机模式下工作时,功耗模型为:
Pm=Tm·ωm·ηmc (3)
其中,Pm为电机功率,Tm为电机转矩,ωm为电机转速,ηmd为放电效率,ηmc为充电效率;
步骤4:根据步骤1的电池模型,针对镍氢电池,将电池模型简化为由电压源和电阻器组成的等效电路,建模过程不考虑温度变化,建立数学模型如下:
Pb=-ΔSOC·Uoc·Qb (4)
其中,ΔSOC是充电状态的变化,SOC是电池的功率,Uoc是电池的开路电压,Qb是电池的容量,Rb是电池的内阻;
为了保持电池的寿命,要求电池的荷电状态初始值等于整个行驶循环的终端值,将电池SOC值的参考值设为0.6,即波动范围的最大值和最小值是[0.5,0.7],在最优控制问题的描述中,SOC值的约束为:
SOC(t0)SOC(tf)SOC(tref) (6)。
2.根据权利要求1所述的一种并行混合动力汽车的协同优化能量管理方法,其特征在于,建立混合动力汽车模型之后,根据具体模型建立协同优化能量管理系统,包括以下步骤:
离散优化决策支持系统,将电池SOC值定义为离线决策支持系统的状态变量x(t),电机转矩Tm是系统的控制变量u(t),行驶工况下的累计油耗J(t)是系统性能指标函数,最优控制问题的描述是寻找允许控制u(t),从系统的初始状态x(0)=SOC0,从终端时刻tf移动到状态x(tf)=SOCf,最小化系统的指标函数J(t),离散化的数学形式如下:
x(k+1)=g(x(k),u(k)) (7)
受以下约束的状态变量和控制变量:
根据Bellman最优性原理,求解最小性能指标的动态规划递推方程为:
J*(x(N),N)=0 (11)
其中,J*(x(k),k)为从阶段k到最终阶段的油耗;
选择各速度段CYC_Test1、CYC_Test2、CYC_Test3、CYC_Test4的测试条件作为获得最优决策支持系统的基本条件,采用动态规划策略进行离线优化,得到一般意义上的统计结果,用于决策支持系统的设计;
决策支持系统,分别对CYC_Test1、CYC_Test2、CYC_Test3和CYC_Test4,4个不同阶段的试验用例进行离线动态规划和优化,得到电机转矩Tm、发动机转矩Te和所需转矩Treq Treq=(Tm+Te)与各阶段车速尸之间的对应关系。
4.根据权利要求3所述的一种并行混合动力汽车的协同优化能量管理方法,其特征在于,所述隶属度函数选择,具体包括以下内容:
根据优化决策支持系统,建立模糊控制的隶属函数,输入变速v和需求转矩Treq,车速的模糊子集为{L,M,H,VH};需求转矩的模糊子集为{N,PS,M,PB},电池荷电状态SOC在整个行驶周期保持在0.6左右的波动幅度,波动幅度为[0.5,0.7],因此将模糊子集电池荷电状态设计为{S,M,B};
输入变量的取值范围为[0,220],传动扭矩范围的总需求为[-200,200],SOC值范围[0.5,0.7],在模糊控制策略下,总K值范围为[0,1.5],当所需转矩较大时,发动机将输出大于最优转矩的驱动转矩来满足要求;当车速高但需求转矩不大时,发动机转矩会低于最优;当发动机的大部分工作点都在最优曲线附近时,K值范围为[0.82,1.15];因此,对于这个范围内的K值,需要更详细的确定,分为三个区域(PM1、PM2、PM3),输出变量K的模糊子集为{0,PTS,PS,PM1,PM2,PM3,PB},输入和输出变量的总体都是[0,1]。
5.根据权利要求3所述的一种并行混合动力汽车的协同优化能量管理方法,其特征在于,所述模糊规则选择,具体包括以下内容:
基于决策支持系统中优化的工作模式区间和电池荷电状态,部分优化的模糊规则如下:
1)HEV工作在A区,纯电动马达驱动模式:
如果v=L,Treq=PS,SOC≠S,那么K=O;
如果v=L,Treq=M,SOC≠S,那么K=O;
如果v=M,Treq=PS,SOC≠S,那么K=O;
如果v=H,Treq=PS,SOC≠S,那么K=O;
2)HEV工作在B区,纯发动机驱动模式:
如果v=M,Treq=M,SOC=M,那么K=PM1;
如果v=H,Treq=M,SOC=M,那么K=PM2;
3)HEV工作在C区,充电驱动模式:
如果v=L,Treq=M,SOC=S,那么K=PM2;
如果v=M,Treq=M,SOC=S,那么K=PM2;
如果v=H,Treq=M,SOC=S,那么K=PM3;
4)HEV工作在D区,混合驱动模式:
如果v=H,Treq=PB,SOC≠M,那么K=PS;
如果v=VH,Treq=PB,SOC≠M,那么K=PTS;
5)HEV工作在E区,再生制动模式:
如果Treq=N,那么K=O。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458771.0A CN111547041B (zh) | 2020-05-26 | 2020-05-26 | 一种并行混合动力汽车的协同优化能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458771.0A CN111547041B (zh) | 2020-05-26 | 2020-05-26 | 一种并行混合动力汽车的协同优化能量管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111547041A true CN111547041A (zh) | 2020-08-18 |
CN111547041B CN111547041B (zh) | 2023-07-18 |
Family
ID=72000755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010458771.0A Active CN111547041B (zh) | 2020-05-26 | 2020-05-26 | 一种并行混合动力汽车的协同优化能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111547041B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112046463A (zh) * | 2020-09-21 | 2020-12-08 | 云动(上海)汽车技术有限公司 | 一种混合动力汽车动力总成控制方法 |
CN112498332A (zh) * | 2020-11-27 | 2021-03-16 | 重庆邮电大学 | 一种并联式混合动力汽车模糊自适应能量管理控制方法 |
CN113103921A (zh) * | 2021-04-12 | 2021-07-13 | 西南交通大学 | 一种基于开关网络的切换式能量管理方法 |
CN113183946A (zh) * | 2021-05-19 | 2021-07-30 | 北汽福田汽车股份有限公司 | 混合动力汽车及其控制方法、控制装置 |
CN113221246A (zh) * | 2021-05-17 | 2021-08-06 | 中国科学技术大学先进技术研究院 | 基于瞬态油耗修正的移动源排放估计方法、系统及介质 |
CN113682292A (zh) * | 2021-03-11 | 2021-11-23 | 中国科学院广州能源研究所 | Cvt并联型混合动力汽车的实时预测能量管理方法及装置 |
CN116118709A (zh) * | 2023-03-14 | 2023-05-16 | 合众新能源汽车股份有限公司 | 混合动力汽车的能量管理方法和系统 |
CN116572928A (zh) * | 2023-07-07 | 2023-08-11 | 徐州徐工汽车制造有限公司 | 混合动力车辆的控制方法、装置、系统和混合动力车辆 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107539306A (zh) * | 2017-09-02 | 2018-01-05 | 上海埃维汽车技术股份有限公司 | 基于模糊小脑模型神经网络的汽车转矩分配控制方法 |
-
2020
- 2020-05-26 CN CN202010458771.0A patent/CN111547041B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107539306A (zh) * | 2017-09-02 | 2018-01-05 | 上海埃维汽车技术股份有限公司 | 基于模糊小脑模型神经网络的汽车转矩分配控制方法 |
Non-Patent Citations (4)
Title |
---|
张晓玲等: "基于动态规划的增程式电动汽车优化控制", 《现代制造工程》 * |
张炳力等: "基于离散动态规划的PHEV燃油经济性全局最优控制", 《汽车工程》 * |
杨亚联等: "基于DP优化的ISG型速度耦合混合动力汽车模糊控制策略的研究", 《汽车工程》 * |
段骏华等: "基于动态规划算法的并联式混合动力汽车能源优化管理", 《兰州理工大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112046463A (zh) * | 2020-09-21 | 2020-12-08 | 云动(上海)汽车技术有限公司 | 一种混合动力汽车动力总成控制方法 |
CN112498332A (zh) * | 2020-11-27 | 2021-03-16 | 重庆邮电大学 | 一种并联式混合动力汽车模糊自适应能量管理控制方法 |
CN112498332B (zh) * | 2020-11-27 | 2023-02-28 | 重庆邮电大学 | 一种并联式混合动力汽车模糊自适应能量管理控制方法 |
CN113682292A (zh) * | 2021-03-11 | 2021-11-23 | 中国科学院广州能源研究所 | Cvt并联型混合动力汽车的实时预测能量管理方法及装置 |
CN113103921A (zh) * | 2021-04-12 | 2021-07-13 | 西南交通大学 | 一种基于开关网络的切换式能量管理方法 |
CN113221246A (zh) * | 2021-05-17 | 2021-08-06 | 中国科学技术大学先进技术研究院 | 基于瞬态油耗修正的移动源排放估计方法、系统及介质 |
CN113221246B (zh) * | 2021-05-17 | 2023-07-14 | 中国科学技术大学先进技术研究院 | 基于瞬态油耗修正的移动源排放估计方法、系统及介质 |
CN113183946A (zh) * | 2021-05-19 | 2021-07-30 | 北汽福田汽车股份有限公司 | 混合动力汽车及其控制方法、控制装置 |
CN116118709A (zh) * | 2023-03-14 | 2023-05-16 | 合众新能源汽车股份有限公司 | 混合动力汽车的能量管理方法和系统 |
CN116118709B (zh) * | 2023-03-14 | 2024-01-16 | 合众新能源汽车股份有限公司 | 混合动力汽车的能量管理方法和系统 |
CN116572928A (zh) * | 2023-07-07 | 2023-08-11 | 徐州徐工汽车制造有限公司 | 混合动力车辆的控制方法、装置、系统和混合动力车辆 |
CN116572928B (zh) * | 2023-07-07 | 2023-10-13 | 徐州徐工汽车制造有限公司 | 混合动力车辆的控制方法、装置、系统和混合动力车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN111547041B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111547041B (zh) | 一种并行混合动力汽车的协同优化能量管理方法 | |
Dawei et al. | Intelligent fuzzy energy management research for a uniaxial parallel hybrid electric vehicle | |
CN110254418A (zh) | 一种混合动力汽车增强学习能量管理控制方法 | |
Ma et al. | Numerical investigation on fuzzy logic control energy management strategy of parallel hybrid electric vehicle | |
CN107878445A (zh) | 一种考虑电池性能衰减的混合动力汽车能量优化管理方法 | |
Sun et al. | Power-balancing instantaneous optimization energy management for a novel series-parallel hybrid electric bus | |
CN107458369A (zh) | 一种同轴并联式混合动力电动汽车能量管理方法 | |
Hu et al. | Energy Management Optimization Method of Plug-In Hybrid-Electric Bus Based on Incremental Learning | |
Chen et al. | Driving cycle recognition based adaptive equivalent consumption minimization strategy for hybrid electric vehicles | |
TW201427851A (zh) | 增程式電動載具之能量管理系統及其能量控制方法 | |
Zhang et al. | Co-simulation of energy management strategy for hybrid electric vehicle in AVL InMotion | |
Yadav et al. | Fuzzy control implementation for energy management in hybrid electric vehicle | |
Ren et al. | Research on the Energy Management Strategy of Hybrid Vehicle Based on Pontryagin's Minimum Principle | |
Jin et al. | Research on the control strategy optimization for energy management system of hybrid electric vehicle | |
Ma et al. | Real-Time Application Optimization Control Algorithm for Energy Management Strategy of the Hybrid Power System Based on Artificial Intelligence | |
Giardiello et al. | Comparative Analysis on Fuel Consumption Between Two Online Strategies for P2 Hybrid Electric Vehicles: Adaptive-RuleBased (A-RB) vs Adaptive-Equivalent Consumption Minimization Strategy (A-ECMS) | |
Corrêa et al. | Rule-based control and fuzzy control for power management strategies for hybrid vehicles | |
Kemper et al. | Competitive evaluation of energy management strategies for hybrid electric vehicle based on real world driving | |
CN112046463A (zh) | 一种混合动力汽车动力总成控制方法 | |
Yu et al. | Modeling and control strategy simulation of extended-range electric vehicle | |
Chen et al. | Energy management of plug-in hybrid electric vehicle based on simulated annealing algorithm | |
Zhou et al. | Cost-Based Research on Energy Management Strategy of Electric Vehicles Using Hybird Energy Storage System | |
Ma et al. | Review on energy management strategies of PHEV | |
Chen et al. | Research on Energy Management Optimization of Range-Extended Electric Logistics Vehicle | |
Guo et al. | Performance analysis of a PHEV under optimal control strategy |
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 |