CN111775925B - 一种功率分流混合动力汽车的工作模式决策方法和装置 - Google Patents
一种功率分流混合动力汽车的工作模式决策方法和装置 Download PDFInfo
- Publication number
- CN111775925B CN111775925B CN202010518036.4A CN202010518036A CN111775925B CN 111775925 B CN111775925 B CN 111775925B CN 202010518036 A CN202010518036 A CN 202010518036A CN 111775925 B CN111775925 B CN 111775925B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- working
- working mode
- mode decision
- typical
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000010606 normalization Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 239000000446 fuel Substances 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 30
- 230000001133 acceleration Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 description 9
- 150000001875 compounds Chemical class 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- B60W20/20—Control strategies involving selection of hybrid configuration, e.g. selection between series or parallel configuration
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
- B60W2050/0034—Multiple-track, 2D vehicle model, e.g. four-wheel model
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Hybrid Electric Vehicles (AREA)
Abstract
本发明涉及一种功率分流混合动力汽车的工作模式决策方法和装置，方法包括以下步骤：1)获取车辆最新工况片段和车辆当前状态参数；2)通过主成分分析法得出车辆最新工况片段特征参数的主成分得分，进而计算最新工况片段到预设的各类工况聚类中心的欧氏距离，确定当前的行驶工况类别；3)采用对应类别的参数归一化模型，对车辆当前状态参数进行归一化处理；4)将归一化后的参数载入对应类别的工作模式决策子模型中，决策目标工作模式。与现有技术相比，本发明考虑到不同工况的影响，并基于动态规划所求解的各类典型工况下的全局最优工作模式决策序列，应用BP神经网络训练得出各类工况下的工作模式决策子模型，提高了汽车燃油经济性。
Description
技术领域
本发明涉及混合动力汽车工作模式决策领域，尤其是涉及一种功率分流混合动力汽车的工作模式决策方法和装置。
背景技术
随着日益严重的能源短缺与环境污染问题，各国都针对汽车制定了一系列关于燃油经济性与排放方面的限制性法规，且随着时间的推进，法规有着日益严格的趋势。为应对这一趋势，混合动力汽车的研究和发展一直是整个汽车行业发展的重点之一。功率分流混合动力汽车作为一种典型的混合动力汽车，能够实现动力输出端与发动机端转速、转矩的双解耦，具有极大的节能潜力。
功率分流混合动力汽车具有发动机、电机等多个动力元件，车辆实际行驶时所需动力往往可由各动力元件单独或共同提供，因而能够实现多种工作模式。又由于不同工作模式下的能量利用率不尽相同，因而功率分流混合动力汽车工作模式决策方法对汽车燃油经济性有着极大的影响。
授权公告号为CN108394403B的发明公开了一种功率分流式混合动力汽车模式切换控制方法，所述混合动力系统包括发动机、第一电机、第二电机、第一离合器、第二离合器等，所述控制方法首先划分系统工作模式为MG2直驱模式、MG1&MG2联合驱动模式、混合动力模式、发动机直驱模式、再生制动模式与机械制动模式，然后通过检测元件采集模式切换所需信息并输入控制元件，基于当前已知信息在控制元件中进行识别与判断，选择适当模式，同时给出模式判断条件中相关阈值的计算方法。
该方法在阈值确定过程存在一定的人为因素，优化效果有限。
公开号为CN108469274A的发明公开了一种工况识别及模式切换的方法及装置，方法包括：检测实时数据相对于均值数据的变化量是否处于待切换工况的阈值范围内，若是，确定从实时数据相对于均值数据的变化量进入所述待切换工况的阈值范围内的时刻起的预设时间段内，实时数据相对于均值数据的变化量处于所述阈值范围内的第一时间段总和，若所述第一时间段总和大于或等于预设标准时间，则确定当前工况为待切换工况并从当前与默认工况对应的工作模式切换至与所述待切换工况对应的工作模式。
该方法是通过阈值来进行工况识别和模式切换，也存在一定的人为因素，优化效果有限。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种减少人为因素、提高燃油经济性的功率分流混合动力汽车的工作模式决策方法和装置。
本发明的目的可以通过以下技术方案来实现：
一种功率分流混合动力汽车的工作模式决策方法，包括以下步骤：
数据获取步骤：从功率分流混合动力汽车中，获取车辆最新工况片段和车辆当前状态参数；
工况识别步骤：通过主成分分析法得出车辆最新工况片段特征参数的主成分得分，进而计算车辆最新工况片段到预设的各类工况聚类中心的欧氏距离，确定功率分流混合动力汽车当前的行驶工况类别；
参数归一化处理步骤：采用预先建立的，与当前的行驶工况类别相对应的参数归一化模型，对车辆当前状态参数进行参数归一化；
工作模式决策子步骤：将归一化后的车辆当前状态参数载入预先建立并训练好的，与当前的行驶工况类别相对应的工作模式决策子模型中，决策目标工作模式。
进一步地，工况识别步骤中，所述确定功率分流混合动力汽车当前的行驶工况类别，具体包括以下步骤：
S101：计算所述车辆最新工况片段的特征参数；
S102：采用主成分分析法，基于各类工况聚类中心的预设过程中所得出的主成分得分系数矩阵，从步骤S101获取的特征参数中，提取主成分得分结果；
S103：根据步骤S102获取的主成分得分结果，计算车辆最新工况片段到预设的各类工况聚类中心的欧氏距离，以欧式距离最近的工况聚类中心所在的类别，作为功率分流混合动力汽车当前的行驶工况类别。
进一步地，所述工作模式决策子模型基于BP神经网络构建，所述BP神经网络的输入为归一化后的车辆当前状态参数，输出为当前行驶工况类别下车辆在当前状态的目标工作模式。
进一步地，所述工作模式决策子模型的预训练过程具体为，
基于各类行驶工况类别下的参数归一化模型、预设的各类典型工况下的全局最优工作模式决策序列以及预设的各类典型工况下的典型参数样本，
以归一化处理后的典型参数样本中的车辆当前状态参数为输入，以对应典型工况下车辆在当前状态的全局最优目标工作模式为目标输出，分别构建各个行驶工况类别下的工作模式决策子模型的训练样本、验证样本和测试样本，所述典型工况与所述行驶工况类别相对应；
基于各个行驶工况类别下的工作模式决策子模型的训练样本、验证样本和测试样本，分别对各个行驶工况类别下的工作模式决策子模型进行训练。
进一步地，所述各类工况聚类中心的预设过程获取各个行驶工况类别对应的车辆工况片段，所述典型工况的构建具体为，在每个行驶工况类别中，分别抽取其中最具代表性的车辆工况片段进行拼接，从而构成各个行驶工况类别的典型工况。
最具代表性的车辆工况片段的判断方式可以为：根据车辆工况片段主成分提取结果的主成分得分，通过预先设置的得分阈值，筛选得到最具代表性的车辆工况片段。
进一步地，所述各类典型工况下的全局最优工作模式决策序列的预先建立过程具体为：针对不同的典型工况，根据预设的既定模式下的能量分配策略，将各类典型工况起始与终止所对应的时间段划分为多个阶段，相邻两个阶段之间的时间间隔为第一时间，以整车燃油消耗为代价函数，将工作模式作为控制变量，将动力电池SOC值和当前工作模式作为状态变量，通过动态规划算法求解得出各类典型工况下的全局最优工作模式决策序列。
进一步地，所述车辆当前状态参数包括整车需求转矩、当前车速、动力电池SOC值和当前工作模式；
所述各类典型工况下的典型参数样本的预先建立过程具体为：基于预设的各类典型工况下的全局最优工作模式决策序列，得出包含相应典型工况下不同时刻的车辆当前状态参数的集合；
在各类典型工况下的典型参数样本的预建立过程中，基于各类典型工况下的全局最优工作模式决策序列计算整车需求转矩Treq的计算公式为：
式中，Treq为整车需求转矩，m为汽车的重量，g为重力比例系数，f为汽车滚动阻力系数，α为道路坡道角，CD为汽车空气阻力系数，A为汽车迎风面积，u为当前阶段的车速，δ为汽车旋转质量换算系数，a为汽车加速度，r为车轮半径，u′为下一阶段的车速，Δt为相邻两个阶段之间的时间间隔。
进一步地，所述与当前的行驶工况类别相对应的参数归一化模型的计算表达式为：
式中，
为归一化后的第k个参数的数值，xk为第k个参数的数值，xmin为当前行驶工况类别所对应典型工况下的典型参数样本中第k个参数的最小值，xmax为当前行驶工况类别所对应典型工况下的典型参数样本中第k个参数的最大值。
进一步地，所述各类工况聚类中心的预设过程包括以下步骤：
S201：采集大样本的功率分流混合动力汽车的车辆行驶数据；
S202：对所述车辆行驶数据中的时间-车速曲线按定时间长度进行片段划分，获取车辆工况片段数据集；
S203：计算所述车辆工况片段数据集中各工况片段的特征参数；
S204：基于步骤S203获取的各工况片段的特征参数，采用主成分分析法，得出主成分得分系数矩阵和各工况片段的主成分得分结果；
S205：基于步骤S204获取的各工况片段的主成分得分结果，并设定聚类数目，采用K-means聚类算法，对车辆行驶数据片段进行工况分类，获取各类工况的聚类中心。
进一步地，所述的车辆最新工况片段是指，基于每时刻的车速信号，按固定时间间隔更新的定时间长度的最新车速片段。
所述特征参数包括最大速度、平均速度、速度标准差、最大加速度、最小加速度、加速度标准差、加速时间比例、减速时间比例、怠速时间比例、匀速时间比例、加速段平均加速度和减速段平均减速度。
本发明还提供一种功率分流混合动力汽车的工作模式决策装置，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的方法的步骤。
与现有技术相比，本发明具有以下优点：
(1)本发明考虑到不同工况对工作模式决策的影响，首先根据车辆最新工况片段，进行汽车当前行驶工况类别的识别，然后采用与当前行驶工况类别对应的参数归一化模型和工作模式决策子模型，获取在当前行驶工况类别下的工作模式决策结果，提高了工作模式决策方法在复杂多变的道路条件下的适应性；并且本发明基于主成分分析法，计算车辆最新工况片段到预设的各类工况聚类中心的欧氏距离，进行工况识别，相较于通过人为设定的阈值来进行工况识别和工作模式决策的方法，本发明工况识别的准确性高和适应性强。
(2)本发明基于所采集的大样本功率分流混合动力汽车的车辆行驶数据，对车辆工况片段的特征参数进行主成分分析，采用K-means聚类算法，构建各类工况的聚类中心及其典型工况，K-means聚类算法是集简单和经典于一身的基于距离的聚类算法，它采用距离作为相似性的评价指标，能明显区分各个工况，便于后续的工况识别。
(3)本发明通过BP神经网络构建工作模式决策子模型，所搭建的模型具有良好的非线性映射能力、泛化能力和容错能力。同时，采用基于动态规划所求解的各类典型工况下的全局最优工作模式决策序列，获取训练样本，对工作模式决策子模型进行训练，能够更加显著的提升整车燃油经济性。
附图说明
图1为本发明实施例功率分流混合动力汽车的工作模式决策方法的简要流程示意图；
图2为本发明实施例中针对的某一种功率分流混合动力系统结构示意图；
图3为本发明实施例功率分流混合动力汽车的工作模式决策方法具体实施过程的详细结构框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示，本实施例提供一种功率分流混合动力汽车的工作模式决策方法，包括以下步骤：
数据获取步骤S1：从功率分流混合动力汽车中，获取车辆最新工况片段和车辆当前状态参数；
车辆最新工况片段是指，基于每时刻的车速信号，按固定时间间隔更新的定时间长度的最新车速片段；
车辆当前状态参数包括整车需求转矩、当前车速、动力电池SOC值和当前工作模式。
工况识别步骤S2：通过主成分分析法得出车辆最新工况片段特征参数的主成分得分，进而计算车辆最新工况片段到预设的各类工况聚类中心的欧氏距离，确定功率分流混合动力汽车当前的行驶工况类别；特征参数包括最大速度、平均速度、速度标准差、最大加速度、最小加速度、加速度标准差、加速时间比例、减速时间比例、怠速时间比例、匀速时间比例、加速段平均加速度和减速段平均减速度。
相当于，确定功率分流混合动力汽车当前的行驶工况类别，具体包括以下步骤：
S101：计算所述车辆最新工况片段的特征参数；
S102：采用主成分分析法，基于各类工况聚类中心的预设过程中所得出的主成分得分系数矩阵，从步骤S101获取的特征参数中，提取主成分得分结果；
S103：根据步骤S102获取的主成分得分结果，计算车辆最新工况片段到预设的各类工况聚类中心的欧氏距离，以欧式距离最近的工况聚类中心所在的类别，作为功率分流混合动力汽车当前的行驶工况类别。
所述的聚类中心，通过主成分分析方法所选定的少数几个主成分的具体取值来进行表示。
各类工况聚类中心的预设过程包括以下步骤：
S201：采集大样本的功率分流混合动力汽车的车辆行驶数据；
S202：对所述车辆行驶数据中的时间-车速曲线按定时间长度进行片段划分，获取车辆工况片段数据集；
S203：计算所述车辆工况片段数据集中各工况片段的特征参数；
S204：基于步骤S203获取的各工况片段的特征参数，采用主成分分析法，得出主成分得分系数矩阵和各工况片段的主成分得分结果；
S205：基于步骤S204获取的各工况片段的主成分得分结果，并设定聚类数目，采用K-means聚类算法，对车辆行驶数据片段进行工况分类，获取各类工况的聚类中心。
参数归一化处理步骤S3：采用预先建立的，与当前的行驶工况类别相对应的参数归一化模型，对车辆当前状态参数进行参数归一化；
工作模式决策子步骤S4：将归一化后的车辆当前状态参数载入预先建立并训练好的，与当前的行驶工况类别相对应的工作模式决策子模型中，获取工作模式决策结果。
工作模式决策子模型的预训练过程具体为，
基于各类行驶工况类别下的参数归一化模型、预设的各类典型工况下的全局最优工作模式决策序列以及预设的各类典型工况下的典型参数样本，所述典型参数样本包括车辆当前状态参数，
以归一化处理后的典型参数样本中的车辆当前状态参数为输入，以对应典型工况下车辆在当前状态的全局最优目标工作模式为目标输出，分别构建各个行驶工况类别下的工作模式决策子模型的训练样本、验证样本和测试样本，所述典型工况与所述行驶工况类别相对应；
基于各个行驶工况类别下的工作模式决策子模型的训练样本、验证样本和测试样本，分别对各个行驶工况类别下的工作模式决策子模型进行训练。
下面对工作模式决策子模型、各类典型工况下的全局最优工作模式决策序列、各类典型工况下的典型参数样本和参数归一化模型分别进行详细描述。
a)工作模式决策子模型
工作模式决策子模型基于BP神经网络构建，所述BP神经网络的输入为归一化后的车辆当前状态参数，输出为当前行驶工况类别下车辆在当前状态的目标工作模式。
b)各类典型工况下的全局最优工作模式决策序列
典型工况的构建具体为，在每个工况类别中，分别抽取其中最具代表性的车辆工况片段进行拼接，从而构成各类工况的典型工况。
最具代表性的车辆工况片段的判断方式可以为：根据车辆工况片段主成分提取结果的主成分得分，通过预先设置的得分阈值，筛选得到最具代表性的车辆工况片段。
各类典型工况下的全局最优工作模式决策序列的预先建立过程具体为：针对不同的典型工况，根据预设的既定模式下的能量分配策略，将各类典型工况起始与终止所对应的时间段划分为多个阶段，相邻两个阶段之间的时间间隔为第一时间，以整车燃油消耗为代价函数，将工作模式作为控制变量，将动力电池SOC值和当前工作模式作为状态变量，通过动态规划算法求解得出各类典型工况下的全局最优工作模式决策序列。
c)各类典型工况下的典型参数样本
各类典型工况下的典型参数样本的预先建立过程具体为：基于预设的各类典型工况下的全局最优工作模式决策序列，得出包含相应典型工况下不同时刻的车辆当前状态参数的集合；
在各类典型工况下的典型参数样本的预建立过程中，基于各类典型工况下的全局最优工作模式决策序列计算所述整车需求转矩，所述整车需求转矩Treq的计算公式为：
式中，Treq为整车需求转矩，m为汽车的重量，g为重力比例系数，f为汽车滚动阻力系数，α为道路坡道角，CD为汽车空气阻力系数，A为汽车迎风面积，u为当前阶段的车速，δ为汽车旋转质量换算系数，a为汽车加速度，r为车轮半径，u′为下一阶段的车速，Δt为相邻两个阶段之间的时间间隔。
d)参数归一化模型
与当前的行驶工况类别相对应的参数归一化模型的计算表达式为：
式中，
为归一化后的第k个参数的数值，xk为第k个参数的数值，xmin为当前行驶工况类别所对应典型工况下的典型参数样本中第k个参数的最小值，xmax为当前行驶工况类别所对应典型工况下的典型参数样本中第k个参数的最大值。
具体实施：
本实施例功率分流混合动力汽车的工作模式决策方法，用于一种功率分流混合动力汽车，该汽车的动力系统如图2所示，采用了复合行星排结构，前后行星排共用行星架CR和齿圈R，发动机与行星架CR相连，电机1与前行星排太阳轮S1相连，电机2与后行星排太阳轮S2相连，齿圈R为动力系统的输出端。制动器B1和B2分别用于锁止行星架CR与电机1。
如图3所示，功率分流混合动力汽车的工作模式决策方法在离线时预先构建有功率分流混合动力汽车的工作模式决策模型，该模型包括工况在线识别模块和各类工况下的工作模式决策子模块。
下面从离线构建和在线决策两个方面对本实施例提供的功率分流混合动力汽车的工作模式决策模型进行详细描述。
一、离线构建
1.1)离线构建工况在线识别模块
数据获取与处理过程：采集大样本的功率分流混合动力汽车行驶数据，对时间-车速曲线按定时间长度进行片段划分，获取车辆工况片段数据集，并计算车辆工况片段数据集中各工况片段的特征参数。接着利用主成分分析方法对各工况片段的特征参数进行降维处理，简化数据处理难度，选取少数几个主成分来代表特征参数的绝大部分信息，进而得出主成分得分系数矩阵和各工况片段的主成分得分结果。再基于各工况片段的主成分得分结果，采用K-means聚类算法对功率分流混合动力汽车的实际行驶工况片段进行分类，得到各类工况的聚类中心及其典型工况。
工况在线识别模块构建过程：构建出的工况在线识别模块实现以下功能：可根据输入的车辆最新工况片段和数据获取与处理过程中得出的主成分得分系数矩阵，计算最新工况片段特征参数的主成分得分，进而计算最新工况片段到各类工况聚类中心的欧式距离，以最近的工况聚类中心所在的类别作为当前行驶工况类别。
所述的车辆最新工况片段是指，基于每时刻的车速信号，按固定时间间隔更新的定时间长度的最新车速片段。
所述的聚类中心，通过主成分分析方法所选定的少数几个主成分的具体取值来进行表示。
下面对工况在线识别模块的离线构建过程的相关术语进行具体解释。
1.1.1、工况分类
所述的工况分类是指，在车辆的实际行驶过程中，由于道路状况、交通流量等因素的影响，车辆的行驶车速往往具有不同的表现，因而可根据大量车速片段的特征参数对车辆的实际行驶工况进行分类，以便在构建工作模式决策模块时提高决策模块对不同工况的适应性，保障实际应用效果。
1.1.2、工况片段的特征参数
所述的工况片段的特征参数包括但不限于：最大速度、平均速度、速度标准差、最大加速度、最小加速度、加速度标准差、加速时间比例、减速时间比例、怠速时间比例、匀速时间比例、加速段平均加速度和减速段平均减速度。
1.1.3、主成分分析方法
所述的主成分分析方法是统计学中常用的降维方法，它将原有变量重新组合成一组新的互相无关的综合变量，同时根据实际需要从中取出少数几个综合变量且尽可能多地反映原有变量的信息。本发明中通过主成分分析方法将工况片段的众多特征参数化为少数几个主成分，以便于后续工况分类的进行。
1.1.4、K-means聚类算法
所述的K-means聚类算法是数据挖掘领域常见的聚类分析方法，只需给定一个数据点集合和需要的聚类数目k，便能够实现数据点的分类。本实施例中将各车速片段的少数几个主成分的得分结果作为数据点集合，并给出聚类数目k，从而实现工况分类。
聚类数目k取值并不固定，通过以下方式得到：将聚类数目分别取为2、3、4，采用K-means聚类算法对工况进行分类后，选取工况聚类最清晰合理的结果作为聚类数目k的最终取值。
1.1.5、典型工况
所述的典型工况，通过以下方式得到：采用K-means聚类算法对功率分流混合动力汽车的实际行驶工况片段进行分类后，在每类工况片段中分别抽取该类别中最具代表性的工况片段进行拼接，从而构成该类工况的典型工况。
1.2)离线构建工作模式决策子模块
工作模式决策子模块的离线构建过程包括以下步骤：
1.2.1)确定既定模式下的能量分配模块
所述的既定模式下的能量分配模块用以确定各工作模式下不同动力源的能量分配策略，从而满足整车的行驶需求，可采用基于规则的能量分配方法，但不限于该方法。
进一步地，所述的既定模式下的能量分配模块应当与本实施例中的功率分流混合动力汽车在整车控制器中实际所采用的既定模式下的能量分配模块一致，以保证本发明技术方案的实际效果。既定模式下的能量分配模块为本领域技术人员能够实现的，在此不再详细赘述。
1.2.2)计算各类典型工况下的全局最优工作模式决策序列
如图2所示，针对不同的典型工况，在既定模式下的能量分配模块已确定的情况下，将各类典型工况起始与终止所对应的时间段划分为M个阶段，相邻两个阶段之间的时间间隔Δt为1s，以整车燃油消耗为代价函数，将工作模式作为控制变量，将动力电池SOC值和当前工作模式作为状态变量，通过动态规划算法求解得出当前工况下的全局最优工作模式决策序列，使得整车燃油经济性达到最优。
所述的工作模式，通过以下方式进行数学描述：将功率分流混合动力汽车包含的所有工作模式依次排列后，通过不同的数值来代表不同的工作模式。
进一步地，在功率分流混合动力汽车技术领域中，功率分流混合动力汽车通常能够实现包括纯电动模式、串联模式、并联模式、功率分流模式在内的多种工作模式。
纯电动模式下，动力电池为电机提供电能，电机驱动车辆行驶。
串联模式下，发动机通过一个电机将机械能转换为电能，提供给另一电机或动力电池，另一电机驱动车辆行驶。
并联模式下，发动机与一个电机功率相互叠加，共同驱动车辆行驶，且发动机转速与输出端转速满足一定比例关系，发动机转矩与输出端转矩解耦。
功率分流模式下，发动机与电机功率互相耦合，共同驱动车辆行驶，且发动机端与输出端的转速、转矩均解耦。进一步地，按照发动机与电机功率耦合方式的不同，功率分流模式可分为输入功率分流模式、输出功率分流模式和复合功率分流模式。
进一步地，对于不同类型的功率分流混合动力汽车，其具体所包含的工作模式可为功率分流模式与其他模式的不同组合情况。如图1所示，通过发动机以及制动器B1、B2所处工作状态的不同组合，本实施例中的功率分流混合动力汽车可实现包含纯电动、并联和复合功率分流模式在内的三种工作模式。
1.2.3)离线构建各类工况下的参数归一化处理模块
在具体实施中，通过以下方式得到：采用最大最小归一化将所有输入参数变换到0～1之间，具体计算公式如下：
式中，
为归一化后的第k个参数的数值，xk为输入的第k个参数的数值，xmin为当前工况类别所对应典型工况下的典型参数样本中第k个参数的最小值，xmax为当前工况类别所对应典型工况下的典型参数样本中第k个参数的最大值。
所述各类典型工况下的典型参数样本基于各类典型工况下的全局最优工作模式决策序列得出，具体包括相应典型工况下不同时刻的整车需求转矩、当前车速、动力电池SOC值和当前工作模式的集合。
其中，在获取各类典型工况下的典型参数样本的过程中，基于各类典型工况下的全局最优工作模式决策序列计算整车需求转矩Treq的公式为：
式中，Treq为整车需求转矩，m为汽车的重量，g为重力比例系数，f为汽车滚动阻力系数，α为道路坡道角，CD为汽车空气阻力系数，A为汽车迎风面积，u为当前阶段的车速(km/h)，δ为汽车旋转质量换算系数，a为汽车加速度，r为车轮半径，u′为下一阶段的车速(km/h)；Δt为相邻两个阶段之间的时间间隔。
1.2.4)离线构建各类工况下的工作模式决策子模型
如图2所示，应用BP神经网络构建各类工况下的工作模式决策子模型。所述BP神经网络的输入为归一化处理后的车辆当前状态参数，输出为当前工况下车辆在当前状态的目标工作模式。
所述各类工况下的工作模式决策子模型的预训练过程具体为，基于各类典型工况下的全局最优工作模式决策序列以及由此所得出的各类典型工况下的典型参数样本，将车辆当前状态参数与当前典型工况下车辆在当前状态的全局最优目标工作模式一一对应。再通过各类工况下的参数归一化模型，对车辆当前状态参数进行归一化处理。随后，以归一化处理后的典型参数样本中的车辆当前状态参数为输入，以对应典型工况下车辆在当前状态的全局最优目标工作模式为目标输出，从而获得各类工况下的工作模式决策子模型的训练样本、验证样本和测试样本，并分别对各类工况下的工作模式决策子模型进行训练。所述典型工况与所述工况类别相对应。训练样本用于工作模式决策子模型的训练；验证样本用于测试工作模式决策子模型的泛化能力，当泛化性能不再提高后，训练终止；测试样本用于测试训练完成后的模型性能。此外，BP神经网络的隐含层数选定为双层，隐含层节点个数Q取值并不固定，Q的取值范围为3～13，具体取值根据不同节点个数下的训练效果而定。
二、在线决策
2.1)输入决策所需参数
在具体实施中，决策所需参数包括：车辆最新工况片段、整车需求转矩、当前车速、动力电池SOC值和当前工作模式。其中，当前车速采集自车速传感器，动力电池SOC值采集自电池管理系统，车辆最新工况片段、整车需求转矩与当前工作模式均采集自整车控制器。整车需求转矩根据加速踏板开度、制动踏板开度和当前车速计算得出，车辆最新工况片段基于每时刻的车速信号，按固定时间间隔更新定时间长度的车速片段得出。在整车控制器中得出车辆最新工况片段和整车需求转矩为本领域技术人员能够实现的，在此不再详细赘述。
2.2)决策目标工作模式
在具体实施中，根据输入的车辆最新工况片段和工况在线识别模块，确定车辆的当前行驶工况类别，并调用当前行驶工况类别下的参数归一化处理模块对输入的整车需求转矩、当前车速、动力电池SOC值和当前工作模式进行归一化处理，再通过当前行驶工况类别下的工作模式决策子模型，得出车辆当前状态下的目标工作模式，实现汽车燃油经济性的优化提升。
其中，在进行工作模式决策时，整车需求转矩是采集自整车控制器，整车控制器中根据加速踏板开度、制动踏板开度和当前车速计算得出整车需求转矩。只有在基于各类典型工况下的全局最优工作模式决策序列来进行工作模式决策子模型的训练时，训练样本中的整车需求转矩是基于各类典型工况下的全局最优工作模式决策序列计算得出的。
本实施例还提供一种功率分流混合动力汽车的工作模式决策装置，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的功率分流混合动力汽车的工作模式决策方法的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种功率分流混合动力汽车的工作模式决策方法，其特征在于，包括以下步骤：
数据获取步骤：从功率分流混合动力汽车中，获取车辆最新工况片段和车辆当前状态参数；
工况识别步骤：通过主成分分析法得出车辆最新工况片段特征参数的主成分得分，进而计算车辆最新工况片段到预设的各类工况聚类中心的欧氏距离，确定功率分流混合动力汽车当前的行驶工况类别；
参数归一化处理步骤：采用预先建立的，与当前的行驶工况类别相对应的参数归一化模型，对车辆当前状态参数进行参数归一化；
工作模式决策子步骤：将归一化后的车辆当前状态参数载入预先建立并训练好的，与当前的行驶工况类别相对应的工作模式决策子模型中，决策目标工作模式；
所述工作模式决策子模型的预训练过程具体为，
基于各类行驶工况类别下的参数归一化模型、预设的各类典型工况下的全局最优工作模式决策序列以及预设的各类典型工况下的典型参数样本，
以归一化处理后的典型参数样本中的车辆当前状态参数为输入，以对应典型工况下车辆在当前状态的全局最优目标工作模式为目标输出，分别构建各个行驶工况类别下的工作模式决策子模型的训练样本、验证样本和测试样本，所述典型工况与所述行驶工况类别相对应；
基于各个行驶工况类别下的工作模式决策子模型的训练样本、验证样本和测试样本，分别对各个行驶工况类别下的工作模式决策子模型进行训练；
所述各类典型工况下的全局最优工作模式决策序列的预先建立过程具体为：针对不同的典型工况，根据预设的既定模式下的能量分配策略，将各类典型工况起始与终止所对应的时间段划分为多个阶段，相邻两个阶段之间的时间间隔为第一时间，以整车燃油消耗为代价函数，将工作模式作为控制变量，将动力电池SOC值和当前工作模式作为状态变量，通过动态规划算法求解得出各类典型工况下的全局最优工作模式决策序列。
2.根据权利要求1所述的一种功率分流混合动力汽车的工作模式决策方法，其特征在于，所述工作模式决策子模型基于BP神经网络构建，所述BP神经网络的输入为归一化后的车辆当前状态参数，输出为当前行驶工况类别下车辆在当前状态的目标工作模式。
3.根据权利要求1所述的一种功率分流混合动力汽车的工作模式决策方法，其特征在于，所述各类工况聚类中心的预设过程获取有，各个行驶工况类别对应的车辆工况片段，所述典型工况的构建具体为，在每个行驶工况类别中，分别抽取其中最具代表性的车辆工况片段进行拼接，从而构成各个行驶工况类别的典型工况。
4.根据权利要求1所述的一种功率分流混合动力汽车的工作模式决策方法，其特征在于，所述车辆当前状态参数包括整车需求转矩、当前车速、动力电池SOC值和当前工作模式；
所述各类典型工况下的典型参数样本的预先建立过程具体为：基于预设的各类典型工况下的全局最优工作模式决策序列，得出包含相应典型工况下不同时刻的车辆当前状态参数的集合；
在各类典型工况下的典型参数样本的预建立过程中，基于各类典型工况下的全局最优工作模式决策序列计算整车需求转矩Treq的计算公式为：
式中，Treq为整车需求转矩，m为汽车的重量，g为重力比例系数，f为汽车滚动阻力系数，α为道路坡道角，CD为汽车空气阻力系数，A为汽车迎风面积，u为当前阶段的车速，δ为汽车旋转质量换算系数，a为汽车加速度，r为车轮半径，u′为下一阶段的车速，Δt为相邻两个阶段之间的时间间隔。
5.根据权利要求1所述的一种功率分流混合动力汽车的工作模式决策方法，其特征在于，所述与当前的行驶工况类别相对应的参数归一化模型的计算表达式为：
式中，
为归一化后的第k个参数的数值，xk为第k个参数的数值，xmin为当前行驶工况类别所对应典型工况下的典型参数样本中第k个参数的最小值，xmax为当前行驶工况类别所对应典型工况下的典型参数样本中第k个参数的最大值。
6.根据权利要求1所述的一种功率分流混合动力汽车的工作模式决策方法，其特征在于，所述各类工况聚类中心的预设过程包括以下步骤：
S201：采集大样本的功率分流混合动力汽车的车辆行驶数据；
S202：对所述车辆行驶数据中的时间-车速曲线按定时间长度进行片段划分，获取车辆工况片段数据集；
S203：计算所述车辆工况片段数据集中各工况片段的特征参数；
S204：基于步骤S203获取的各工况片段的特征参数，采用主成分分析法，得出主成分得分系数矩阵和各工况片段的主成分得分结果；
S205：基于步骤S204获取的各工况片段的主成分得分结果，并设定聚类数目，采用K-means聚类算法，对车辆行驶数据片段进行工况分类，获取各类工况的聚类中心。
7.根据权利要求1所述的一种功率分流混合动力汽车的工作模式决策方法，其特征在于，所述的车辆最新工况片段是指，基于每时刻的车速信号，按固定时间间隔更新的定时间长度的最新车速片段；
所述特征参数包括最大速度、平均速度、速度标准差、最大加速度、最小加速度、加速度标准差、加速时间比例、减速时间比例、怠速时间比例、匀速时间比例、加速段平均加速度和减速段平均减速度。
8.一种功率分流混合动力汽车的工作模式决策装置，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如权利要求1～7任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010518036.4A CN111775925B (zh) | 2020-06-09 | 2020-06-09 | 一种功率分流混合动力汽车的工作模式决策方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010518036.4A CN111775925B (zh) | 2020-06-09 | 2020-06-09 | 一种功率分流混合动力汽车的工作模式决策方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111775925A CN111775925A (zh) | 2020-10-16 |
| CN111775925B true CN111775925B (zh) | 2021-09-03 |
Family
ID=72753505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010518036.4A Active CN111775925B (zh) | 2020-06-09 | 2020-06-09 | 一种功率分流混合动力汽车的工作模式决策方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111775925B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800549B (zh) * | 2021-03-04 | 2022-05-27 | 山东大学 | 基于水平车速和垂直车速的汽车路谱合成方法及系统 |
| CN113076697B (zh) * | 2021-04-20 | 2022-11-29 | 潍柴动力股份有限公司 | 典型驾驶工况的构建方法、相关装置及计算机存储介质 |
| CN113486698B (zh) * | 2021-04-30 | 2023-09-26 | 华中科技大学 | 一种氢燃料电池工作的识别预测方法、存储介质及系统 |
| CN113552803B (zh) * | 2021-07-26 | 2022-05-10 | 桂林电子科技大学 | 一种基于工况识别的能量管理方法 |
| CN113569948B (zh) * | 2021-07-27 | 2023-08-01 | 福州大学 | 电动汽车工况分类与评价方法及系统 |
| CN113602252A (zh) * | 2021-09-02 | 2021-11-05 | 一汽解放汽车有限公司 | 一种混合动力汽车控制方法及装置 |
| CN114329908A (zh) * | 2021-12-06 | 2022-04-12 | 一汽奔腾轿车有限公司 | 一种基于聚类工况点的电驱效率计算方法 |
| CN116522758A (zh) * | 2023-03-29 | 2023-08-01 | 三一重工股份有限公司 | 工程机械耗电优化方法及装置 |
| CN118457637B (zh) * | 2024-07-11 | 2024-10-11 | 比亚迪股份有限公司 | 驾驶辅助方法、设备、车辆、存储介质及产品 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10293808B2 (en) * | 2017-03-03 | 2019-05-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Constant power control |
| CN107284441B (zh) * | 2017-06-07 | 2019-07-05 | 同济大学 | 实时工况自适应的插电式混合动力汽车能量优化管理方法 |
| CN111038488B (zh) * | 2018-10-12 | 2021-05-14 | 郑州宇通客车股份有限公司 | 一种混合动力汽车的能量优化控制方法及装置 |
| CN110281904B (zh) * | 2019-06-18 | 2021-01-19 | 浙江吉利控股集团有限公司 | 一种混合动力车辆的能量管理方法、装置及终端 |
| CN110341690B (zh) * | 2019-07-22 | 2020-08-04 | 北京理工大学 | 一种基于确定性策略梯度学习的phev能量管理方法 |
| CN111038485B (zh) * | 2019-12-30 | 2021-02-19 | 山东大学 | 基于驾驶风格识别的混合动力汽车控制方法及系统 |
-
2020
- 2020-06-09 CN CN202010518036.4A patent/CN111775925B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
|---|---|
| CN111775925A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111775925B (zh) | 一种功率分流混合动力汽车的工作模式决策方法和装置 | |
| CN110775065B (zh) | 一种基于工况识别的混合动力汽车电池寿命预测方法 | |
| Liu et al. | Hybrid electric vehicle downshifting strategy based on stochastic dynamic programming during regenerative braking process | |
| CN103606271B (zh) | 一种混合动力城市公交车控制方法 | |
| Li et al. | Driver-identified supervisory control system of hybrid electric vehicles based on spectrum-guided fuzzy feature extraction | |
| CN106055830B (zh) | 基于动态规划的phev控制门限参数优化方法 | |
| CN111459995B (zh) | 一种基于驾驶数据的多模态车速预测方法 | |
| CN108819934A (zh) | 一种混合动力车辆的动力分配控制方法 | |
| CN109552338A (zh) | 一种纯电动汽车生态驾驶行为评估方法及系统 | |
| CN113276829B (zh) | 一种基于工况预测的车辆行驶节能优化变权重方法 | |
| CN113479186B (zh) | 一种混合动力汽车能量管理策略优化方法 | |
| CN113212435B (zh) | 一种加速踏板扭矩的计算方法、计算装置及汽车 | |
| Chen et al. | Driving cycle recognition based adaptive equivalent consumption minimization strategy for hybrid electric vehicles | |
| CN116946107A (zh) | 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 | |
| Ganji et al. | A study on look-ahead control and energy management strategies in hybrid electric vehicles | |
| CN111348029B (zh) | 一种考虑工况的混合动力汽车标定参数最优值确定方法 | |
| CN108482131B (zh) | 一种48v电池、bsg弱混合动力能量回收控制系统的控制方法 | |
| CN111198501A (zh) | 一种由rbf神经网络确定燃油等效因子的方法 | |
| CN114179777A (zh) | 一种基于工况识别的变等效因子混合动力汽车能量管理方法 | |
| CN108108841A (zh) | 一种基于大数据库的混合动力能量管理策略全局优化系统 | |
| CN117056765A (zh) | 一种车速多时间尺度预测方法、系统、设备、介质及终端 | |
| CN111891109B (zh) | 基于非合作博弈论的混合动力汽车能量优化分配控制方法 | |
| CN116749944A (zh) | 混动车辆的能量调控方法及车辆 | |
| CN113485102A (zh) | 一种基于长短期记忆神经网络识别车辆行驶工况的方法 | |
| Liang et al. | Intelligent energy management for parallel HEV based on driving cycle identification using SVM |
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 |