CN111824117B - 基于工况预测的混合动力汽车能效优化控制方法及系统 - Google Patents
基于工况预测的混合动力汽车能效优化控制方法及系统 Download PDFInfo
- Publication number
- CN111824117B CN111824117B CN202010711246.5A CN202010711246A CN111824117B CN 111824117 B CN111824117 B CN 111824117B CN 202010711246 A CN202010711246 A CN 202010711246A CN 111824117 B CN111824117 B CN 111824117B
- Authority
- CN
- China
- Prior art keywords
- working condition
- vehicle
- soc
- optimal control
- vehicle speed
- 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 35
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000005265 energy consumption Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 abstract description 9
- 238000007726 management method Methods 0.000 description 8
- 239000000446 fuel Substances 0.000 description 6
- 239000003990 capacitor Substances 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012360 testing method Methods 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
-
- 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
- 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
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- 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
-
- 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
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
- Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
- Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
- Y04S30/12—Remote or cooperative charging
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种基于工况预测的混合动力汽车能效优化控制方法，其特征在于，包括：步骤1：根据车载GPS获取路面信息并进行存储；根据车身控制器获取环境信息；步骤2：根据路面信息和环境信息，得到最优控制SOC；步骤3：根据环境信息计算车辆需求扭矩；根据实际SOC和最优控制SOC计算SOC偏差值；根据SOC偏差值和最优控制SOC变化速率的等价因子计算最优控制的等价因子；根据需求扭矩、最优控制的等价因子和最优控制SOC计算混合动力汽车行程的最优控制输出指令；步骤4：在车辆行程结束后，计算并存储当前工况数据，对工况数据库进行更新。本发明实现了对混合动力汽车的全程电能分配优化和短程部件工作点优化，具有节油率高、实时性好的特点。
Description
技术领域
本发明涉及汽车能量控制技术领域，具体地，涉及一种基于工况预测的混合动力汽车能效优化控制方法及系统。尤其地，涉及一种基于车速工况滚动预测的混合动力汽车能效优化控制方法。
背景技术
汽车作为现代生活中不可或缺的一部分，其销量逐年递增，由于汽车带来的有害气体排放与燃油消耗，导致日益严峻的环境问题与能源短缺。在能源、环境问题的制约下，开发新能源汽车取代传统内燃机汽车实现节能减排已成为一条重要技术路线。
整车能量管理策略是实现混合动力汽车能耗优化的重点，国内外学者针对混合动力的优化提出了多种能量管理策略以降低车辆在不同工况下的能耗，一般可以分为基于先验信息的启发式策略和基于优化的策略。
启发式策略制定一组规则来选择每个时刻的控制变量，规则根据经验、统计数据或数学模型来设计，由于是针对每一个瞬时的控制，因此不需要预测道路工况。启发式策略包括规则控制与模糊控制策略。由于规则是固定的，缺乏对于部件模型变化与工况差异的适应性。基于优化的策略使用解析或数值优化算法求解，可分为离线优化和在线优化两类。离线优化的目标是使整条工况的能耗或排放最低，使用动态规划(DP)，遗传算法(GA)和模拟退火算法(SA)等方法对已知的工况进行优化，常用作基准策略。DP通常依赖于系统模型，通过遍历搜索所有的状态和控制变量取值来搜索最优的控制策略，但由于确切的未来工况信息常常是未知的，因此不适用于实时控制，仅用于评估其他控制策略或用于设计参考。在线优化包括等效燃油消耗最小策略(ECMS)，模型预测控制(MPC)，鲁棒控制方法和智能控制等。现有方法需要精确的车辆及多能源混合动力系统的数学模型、优化过程复杂、计算量大，导致其无法在混合动力车辆中实际应用。
专利文献CN109334654A(申请号：201811107090.9)公开了一种带变速箱档位控制的并联式混合动力汽车能量管理方法，涉及混合动力汽车能量管理领域，该方法通过分析各档位下电池荷电状态变化率和发动机燃油消耗率的演变规律，并结合混合逻辑动态建模方法，建立了包括变速箱离散档位信息的并联式混合动力汽车能量管理系统模型，进一步引入模型预测控制思想，将电机转矩定义为连续控制变量，将变速箱档位定义为离散控制变量，把优化问题转化为混合整数二次规划问题进行求解，该策略可以优化各动力源的转矩分配，同时决策出变速箱最佳档位。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于工况预测的混合动力汽车能效优化控制方法及系统。
根据本发明提供的基于工况预测的混合动力汽车能效优化控制方法，包括：
步骤1：根据车载GPS获取路面信息并进行存储；根据车身控制器获取环境信息；
步骤2：根据路面信息和环境信息，对车速工况进行预测，得到最优控制SOC；
步骤3：根据环境信息计算车辆需求扭矩；根据实际SOC和最优控制SOC计算SOC偏差值；根据SOC偏差值和最优控制SOC变化速率的等价因子计算最优控制的等价因子；根据需求扭矩、最优控制的等价因子和最优控制SOC计算混合动力汽车行程的最优控制输出指令；
步骤4：在车辆行程结束后，计算并存储当前工况数据，对工况数据库进行更新。
优选地，所述环境信息包括：天气、日期、工作日或节假日、时间、车速、车辆行驶方向；
所述工况数据库中的工况数据包括：工况编号、日期、工作日或节假日、时间、方向、天气、行驶总里程、行驶总耗时、全程GPS经纬度坐标序列、全程车速序列、工况片段数和工况片段特征参数；
所述片段特征参数包括：平均车速、车速标准差、最高车速、片段能耗、片段里程、片段起始GPS经纬度坐标和片段终点GPS经纬度坐标。
优选地，所述步骤1包括：
步骤1.1：根据车载GPS获取路面信息；
所述路面信息包括当前车速、当前位置、终点位置以及行驶路径中每一行程片段的起点、终点、路程、耗时、平均车速；
步骤1.2：将当前车速与当前位置存储至当前工况的车速轨迹序列与GPS坐标点序列中，形成车辆的当前工况数据；
步骤1.3：根据路面信息，计算当前工况数据与工况数据库中工况数据的相似度，选取相似度符合预设的相似工况；
步骤1.4：对选取出的相似工况，判断是否为同一条路线，即当前工况是否为已经记录的通勤工况；
若为通勤工况，则对相似工况进行实例学习，将相似工况的片段特征参数加权求和，得到相似性预测工况；
若非通勤工况，则根据车载GPS获取的片段的耗时和路程计算当前工况特征参数，得到导航预测工况；
步骤1.5：在当前工况预测后，按照预设时间和距离，重复执行步骤1.1～步骤1.4，当到达终点位置时，停止重复执行步骤1.1～步骤1.4。
优选地，所述步骤2包括：
对相似性预测工况进行最优控制SOC规划步骤，包括：
根据平均车速和车速标准差对相似性预测工况进行分段，将平均车速低于预设阈值1，且最高车速低预设阈值2的工况段判断为低速工况段；所述预设阈值2大于预设阈值1；
在所述低速工况段进入纯电驱动模式，计算纯电驱动模式下的SOC下降量，计算公式如下：
其中：ev表示纯电驱动模式；pwr表示功率；net表示净驱动能量；
为纯电驱动模式下的净驱动能量；QC为动力蓄电池的容量；
为车辆动力传动链的平均传动效率；
为电池和电机的平均效率；Vbat为动力电池组的额定电压。
优选地，所述步骤2包括：
若SOCini-delt_SOCev≤SOCcs，则以最大可放电量(SOCini-SOCcs)采用纯电动模式运行，按里程进行线性的最优控制SOC规划；剩余的低速工况段及其它工况段则按照电能平衡的模式运行；
其中，SOCini是车辆行驶全程的初始SOC，SOCcs是电能平衡时的SOC；
若SOCini-delt_SOCev＞SOCcs，则对低速工况段全部采用纯电动模式；对非低速工况段，进行分段线性的最优控制SOC规划，计算某个工况分段i的SOC下降量，计算公式如下：
其中：delt_soci(s)是工况段i上行驶里程s对应的SOC下降量；
vstd,i为工况段i的车速标准差；
Si为工况段i的里程长度；
M为去除纯电动的工况段后剩余的工况段总数；
当
越大，工况段i消耗的电能就越多；
kv,i为第i段平均车速的修正系数。
优选地，所述步骤2包括：对导航预测工况进行最优控制SOC规划步骤，包括：
根据车载GPS获取的片段的耗时和路程，计算片段SOC变化量，计算公式如下：
其中，
表示工况段i的平均车速；kv,i表示工况段i上车速为v的修正系数；MGPS为导航预测工况的工况段总数；各片段的SOC下降速率反比于平均车速
并限制比例的上下限阈值为pmax与pmin，pmax为限制分配系数的上限；pmin为限制分配系数的下限；
所述对相似性预测工况进行最优控制SOC规划和对导航预测工况进行最优控制SOC规划按照预设条件进行重复规划，当到达终点位置时停止规划。
优选地，所述等价因子计算步骤包括：取预设的行驶里程数最优控制SOC，与当前实际电池SOC比较差值，并根据SOC差值查表得到最优等价因子。
优选地，所述步骤3包括：
步骤3.1：预设不同的车辆驱动扭矩点、车速点和等价因子，并进行排列组合，通过离线计算得到最优控制指令，存储为最优控制指令表；
步骤3.2：对最优控制指令表进行查表计算，计算当前最优控制输出。
优选地，所述步骤4包括：
步骤4.1：当车辆行驶至设定的终点位置时，结束当前行程，根据全程的GPS坐标点序列、车速轨迹序列计算出全程的里程序列，并存入Linux平台下搭建的SQLite数据库的工况数据表1中，将当前工况按照预设里程数分段，计算每一段的行驶信息，包括平均车速、车速标准差、最高车速、片段能耗、片段里程、片段起始GPS经纬度坐标和片段终点GPS经纬度坐标，将每一段的行驶信息连同工况编号、片段编号一起存入工况数据表2中；
步骤4.2：当工况库中工况数量达到上限时，根据预设条件删除部分工况，包括：计算新存入的工况与工况库中其他工况的相似性，衡量相似性的指标包括时间、方向、起点终点GPS坐标、平均车速，依据指标对工况库进行聚类，在新工况所在类中选择最早记录的工况，在工况数据表1和工况数据表2中删除最早记录的工况的所有相关数据。
根据本发明提供的基于工况预测的混合动力汽车能效优化控制系统，包括：
模块M1：根据车载GPS获取路面信息并进行存储；根据车身控制器获取环境信息；
模块M2：根据路面信息和环境信息，对车速工况进行预测，得到最优控制SOC；
模块M3：根据环境信息计算车辆需求扭矩；根据实际SOC和最优控制SOC计算SOC偏差值；根据SOC偏差值和最优控制SOC变化速率的等价因子计算最优控制的等价因子；根据需求扭矩、最优控制的等价因子和最优控制SOC计算混合动力汽车行程的最优控制输出指令；
模块M4：在车辆行程结束后，计算并存储当前工况数据，对工况数据库进行更新。
与现有技术相比，本发明具有如下的有益效果：
1、本发明实现了对混合动力汽车的全程电能分配优化和短程部件工作点优化，具有节油率高、实时性好的特点；
2、本发明通过车载工况数据库记录常用车辆运行路线，结合车载定位导航预测车辆即将运行的线路，基于工况特征进行自适应能量优化管理，实现了插电式混合动力汽车对不同路况的自适应性；
3、本发明所提供的能量管理方法，可方便地用于内燃机-蓄电池或超级电容、燃料电池发动机--蓄电池或超级电容等插电式混合动力系统。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明中的混合动力系统的结构示意图。
图2为本发明中基于工况预测的混合动力汽车能效优化控制方法的流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
附图2为本发明中的混合动力系统的结构示意图。如图2所示，本发明一种基于能量预测的插电式混合动力汽车能量管理方法，其中，混合动力系统包括混合动力车载域控制器平台XCU、电子地图数据API接口、能量源、动力源、汽车动力附件、CAN总线、传感器；所述域控制器平台分别通过CAN总线与能量源、动力源、汽车动力附件相连接，通过电子地图数据API接口与导航地图连接，实时获取规划路线与交通路况信息，通过电气线束与传感器相连接；所述车载工况SQLite数据库内嵌于车载域控制器。
附图1为本发明中基于车速工况滚动预测的混合动力汽车能效优化控制方法的流程示意图。如图1所示，本发明提供的基于车速工况滚动预测的混合动力汽车能效优化控制方法，包括以下步骤：
步骤S1：车载域控制器(XCU)解析GPS天线数据获取当前定位，获取驾驶员设定的终点位置，然后通过电子地图API接口发送导航规划路线查询请求，解析接收的数据得到导航路线中每一行程段的起点、终点、路程、预计耗时、平均车速。
步骤S2：XCU通过CAN总线获取当前车速信息，与从GPS模块解析的定位信息一起存储至当前工况的历史车速轨迹序列与GPS坐标点序列。
步骤S3：基于天气、日期、工作日或周末、时间、GPS位置、行驶方向等指标，计算当前路线与车载工况库中工况的相似度，选取数据库中GPS位置偏差、日期时间偏差小于一定阈值的路线中相似度最高的m条工况。
步骤S4：从工况库中找到相似的m条工况后，根据导航规划的剩余里程等信息和该相似工况的剩余里程进一步判断是否为同一条路线，即当前工况是否为已记录的通勤工况。
步骤S5：根据工况是否为通勤工况，采用不同方法预测工况特征参数。若为通勤工况，则采用步骤S501预测；若非通勤工况，则采用步骤S502预测。
步骤S501：基于车载工况数据库中的相似工况采用实例学习预测工况特征参数，根据相似程度将相似工况片段的特征参数加权求和，作为当前工况的特征参数预测值，这些特征参数包括平均车速、车速标准差、片段能耗等。
步骤S502：基于导航规划结果的片段耗时和里程，计算工况特征参数，即规划结果中每一片段的平均车速。
步骤S6：XCU根据工况特征参数规划蓄电池荷电状态(SOC)变化规律，即根据每一片段的工况特征参数，通过显式公式计算片段间的电能消耗量分配比例，从而完成全程SOC参考轨迹的规划。
步骤S7：XCU根据SOC跟随偏差与SOC参考规律的下降速率，查表得到最优等价因子。
步骤S8：XCU采样驾驶员加速踏板开度、制动踏板开度等传感器信号计算出车辆的需求功率和当前车速。
步骤S9：根据当前车速、需求扭矩、电池SOC、等价因子，按自适应等效燃油消耗最小方法查表计算控制指令，控制混合动力系统中各动力源以及挡位，实现能量优化控制。
步骤S10：当前工况预测后每隔一段时间(或行驶距离)后重复执行上述步骤，实现对车辆未来行驶工况的滚动预测与最优SOC规划轨迹更新。
步骤S11：行程结束后，将当前行程数据分段并计算特征参数后添加至工况库，当工况库中工况数量达到上限时，根据工况日期、相似性等删除部分工况。
在步骤S3中所述工况数据库中的工况数据包括工况编号、日期、工作日或周末、时间、方向、天气、行驶总里程、行驶总耗时、全程GPS经纬度坐标序列、全程车速序列、工况所包含的片段数、工况每一片段的特征参数，其中片段特征参数包括平均车速、车速标准差、最高车速、片段能耗、片段里程、片段起始GPS经纬度坐标、片段终点GPS经纬度坐标。
在步骤S6中，采用以下方式规划蓄电池荷电状态SOC的变化规律：
在行驶工况预测的过程中，依据平均车速和车速标准差对行驶工况进行分段。当工况变化频繁时，采用较短的分段距离，如市区低速行驶下；而当工况变化平缓时，采用较长的分段距离，如高速公路行驶。
对所述相似性预测工况，对于每个行驶工况段，按照SOC随里程线性下降的规律来规划。而对于工况平均车速低于13km/h，且最高车速低于25km/h的低速工况，最适合的为锂电池单独驱动模式，因此针对这样的工况段，判断其适用锂电池单独驱动模式并根据其净驱动能量需求
计算对应的电池SOC的下降量，可利用下式估算：
其中
为动力传动链平均传动效率，
为电力驱动部分平均效率，综合了电池和电机的效率，Vbat为电池额定电压。设SOCini是全程初始SOC，SOCcs是电能平衡阶段对应的SOC，即目标终点SOC。区分如下两种情况进行考虑：
1)如果delt_SOCev较大，即有SOCini-delt_SOCev≤SOCcs，则表示该段低速工况如果全用纯电动模式，需要消耗的电量超过电池最大可放放电量，则此时该低速工况段以最大可放电量即(SOCini-SOCcs)，按里程进行线性的放电。在此情况下其他工况段则按照电能平衡的模式运行。
2)如果SOCini-delt_SOCev＞SOCcs，则对低速工况段全部采用纯电动模式；对于其余的运行工况段，采用分段线性规划的方法对剩余的可放电量进行SOC最优控制参考轨迹的实时规划，对其中的某个工况分段i，计算公式如下：
其中：delt_soci(s)是工况段i上行驶里程s对应的SOC下降量；vstd,i为工况段i的车速标准差，
为平均车速；Si为工况段i的里程长度；M为去除纯电动的工况段后剩余的工况段总数。式中以
作为每个行驶工况段电能消耗量的比例系数来对全程的电能使用进行分段分配：
越大，则工况段i消耗的电能就相对越多；
表征行驶工况的内在特征，反映相对的电能消耗需求的大小；kv,i为根据第i段的平均车速计算的修正系数(其范围可在0.75到1.15之间)。
针对没有相似工况数据的场景，即所述导航预测工况，对于每个行驶工况段，按照SOC随里程线性下降的规律来规划。根据导航数据中的片段平均车速信息分配片段间的SOC变化量，各片段的SOC下降速率反比于平均车速
并限制比例的上下限阈值为pmax与pmin。SOC最优控制参考轨迹规划的计算公式如下：
其中：
表示工况段i的平均车速；kv,i表示工况段i上车速为v的修正系数；
表示限制分配系数的上限为pmax，同理，分配系数的下限为pmin。MGPS为导航预测工况的工况段总数。
在步骤S7中，所述等价因子采用如下方式调节，取SOC规划结果中未来1km处的参考SOC，求其与当前实际电池SOC的差值，并根据SOC差值查表得到最优等价因子。
在步骤S8中，所述驾驶员需求车辆状态数据包括车辆的需求扭矩、需求功率和当前车速，所述动力源包括发动机、驱动电机与变速箱，发动机与驱动电机的连接方式为P2混合动力构型。
在步骤S9中计算控制输出具体包括如下步骤：
步骤S901：离线计算，优化出取不同预设的等价因子时在各预设的驾驶员需求与车辆状态数据下的混合动力系统最优控制向量表；
具体为，在车辆驱动扭矩的最大范围、车速的最大范围内分别设定不同的车辆驱动扭矩点、不同的车速点，再预设不同的等价因子；对驾驶员需求车辆状态数据与等价因子的每一种组合，通过离线优化计算最优控制指令，包括挡位与扭矩分配，并存储为最优控制指令表。
步骤S902：车载域控制器根据等价因子和驾驶员需求车辆状态数据，对计算出的最优控制向量表进行查表计算，计算当前时刻混合动力系统的最优控制输出。
在步骤S11中，行程结束后工况库的更新包含以下步骤：
步骤S1101：根据GPS坐标判断，当车辆行驶至导航中设定的终点位置附近时，认为当前行程已经结束，根据全程的GPS坐标点序列、车速序列计算出全程的里程序列。并将其存入Linux平台下搭建的SQLite数据库的工况数据表1中，将当前工况按照里程每隔1km分一段，计算每一段的平均车速、车速标准差、最高车速、片段能耗、片段里程、片段起始GPS经纬度坐标、片段终点GPS经纬度坐标，将这些参数连同工况编号、片段编号一起存入工况数据表2中。
步骤S1102：当工况库中工况数量达到上限时，根据工况日期、相似性等删除部分工况。具体方法如下，计算新存入的工况与工况库中其他工况的相似性，衡量相似性的指标包括时间、方向、起点终点GPS坐标、平均车速等，依据这些指标对工况库进行聚类，在新工况所在类中选择最早记录的工况，在工况数据表1和工况数据表2中删除这条工况的所有相关数据。
本发明实现了对混合动力汽车的全程电能分配优化控制和短程动力分配优化控制，且经过实车测试显示，该方法具有能耗低、工况自适应、实时性好的特点。实现了插电式混合动力汽车对不同路况的自适应性，可方便地用于内燃机-蓄电池或超级电容、燃料电池发动机--蓄电池或超级电容等插电式混合动力系统。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (5)
1.一种基于工况预测的混合动力汽车能效优化控制方法，其特征在于，包括：
步骤1：根据车载GPS获取路面信息并进行存储；根据车身控制器获取环境信息；
步骤2：根据路面信息和环境信息，对车速工况进行预测，得到最优控制SOC；
步骤3：根据环境信息计算车辆需求扭矩；根据实际SOC和最优控制SOC计算SOC偏差值；根据SOC偏差值和最优控制SOC变化速率的等价因子计算最优控制的等价因子；根据需求扭矩、最优控制的等价因子和最优控制SOC计算混合动力汽车行程的最优控制输出指令；
步骤4：在车辆行程结束后，计算并存储当前工况数据，对工况数据库进行更新；
所述步骤1包括：
步骤1.1：根据车载GPS获取路面信息；
所述路面信息包括当前车速、当前位置、终点位置以及行驶路径中每一行程片段的起点、终点、路程、耗时、平均车速；
步骤1.2：将当前车速与当前位置存储至当前工况的车速轨迹序列与GPS坐标点序列中，形成车辆的当前工况数据；
步骤1.3：根据路面信息，计算当前工况数据与工况数据库中工况数据的相似度，选取相似度符合预设的相似工况；
步骤1.4：对选取出的相似工况，判断是否为同一条路线，即当前工况是否为已经记录的通勤工况；
若为通勤工况，则对相似工况进行实例学习，将相似工况的片段特征参数加权求和，得到相似性预测工况；
若非通勤工况，则根据车载GPS获取的片段的耗时和路程计算当前工况特征参数，得到导航预测工况；
步骤1.5：在当前工况预测后，按照预设时间和距离，重复执行步骤1.1～步骤1.4，当到达终点位置时，停止重复执行步骤1.1～步骤1.4；
所述步骤2包括：
对相似性预测工况进行最优控制SOC规划步骤，包括：
根据平均车速和车速标准差对相似性预测工况进行分段，将平均车速低于预设阈值1，且最高车速低预设阈值2的工况段判断为低速工况段；所述预设阈值2大于预设阈值1；
在所述低速工况段进入纯电驱动模式，计算纯电驱动模式下的SOC下降量，计算公式如下：
其中：ev表示纯电驱动模式；pwr表示功率；net表示净驱动能量；
为纯电驱动模式下的净驱动能量；QC为动力蓄电池的容量；
为车辆动力传动链的平均传动效率；
为电池和电机的平均效率；Vbat为动力电池组的额定电压。
2.根据权利要求1所述的基于工况预测的混合动力汽车能效优化控制方法，其特征在于，所述环境信息包括：天气、日期、工作日或节假日、时间、车速、车辆行驶方向；
所述工况数据库中的工况数据包括：工况编号、日期、工作日或节假日、时间、方向、天气、行驶总里程、行驶总耗时、全程GPS经纬度坐标序列、全程车速序列、工况片段数和工况片段特征参数；
所述片段特征参数包括：平均车速、车速标准差、最高车速、片段能耗、片段里程、片段起始GPS经纬度坐标和片段终点GPS经纬度坐标。
3.根据权利要求1所述的基于工况预测的混合动力汽车能效优化控制方法，其特征在于，所述最优控制的等价因子计算步骤包括：取预设的行驶里程数最优控制SOC，与当前实际电池SOC比较差值，并根据SOC差值查表得到最优等价因子。
4.根据权利要求1所述的基于工况预测的混合动力汽车能效优化控制方法，其特征在于，所述步骤3包括：
步骤3.1：预设不同的车辆驱动扭矩点、车速点和等价因子，并进行排列组合，通过离线计算得到最优控制指令，存储为最优控制指令表；
步骤3.2：对最优控制指令表进行查表计算，计算当前最优控制输出。
5.根据权利要求1所述的基于工况预测的混合动力汽车能效优化控制方法，其特征在于，所述步骤4包括：
步骤4.1：当车辆行驶至设定的终点位置时，结束当前行程，根据全程的GPS坐标点序列、车速轨迹序列计算出全程的里程序列，并存入Linux平台下搭建的SQLite数据库的工况数据表1中，将当前工况按照预设里程数分段，计算每一段的行驶信息，包括平均车速、车速标准差、最高车速、片段能耗、片段里程、片段起始GPS经纬度坐标和片段终点GPS经纬度坐标，将每一段的行驶信息连同工况编号、片段编号一起存入工况数据表2中；
步骤4.2：当工况库中工况数量达到上限时，根据预设条件删除部分工况，包括：计算新存入的工况与工况库中其他工况的相似性，衡量相似性的指标包括时间、方向、起点终点GPS坐标、平均车速，依据指标对工况库进行聚类，在新工况所在类中选择最早记录的工况，在工况数据表1和工况数据表2中删除最早记录的工况的所有相关数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010711246.5A CN111824117B (zh) | 2020-07-22 | 2020-07-22 | 基于工况预测的混合动力汽车能效优化控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010711246.5A CN111824117B (zh) | 2020-07-22 | 2020-07-22 | 基于工况预测的混合动力汽车能效优化控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111824117A CN111824117A (zh) | 2020-10-27 |
| CN111824117B true CN111824117B (zh) | 2021-09-24 |
Family
ID=72924751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010711246.5A Active CN111824117B (zh) | 2020-07-22 | 2020-07-22 | 基于工况预测的混合动力汽车能效优化控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111824117B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700117B (zh) * | 2020-12-29 | 2024-04-02 | 吉林大学 | 一种基于数据的电动汽车充电基础设施使用情况估算方法 |
| CN112660102B (zh) * | 2020-12-31 | 2022-05-17 | 吉林大学 | 一种基于能耗分析理论的行星多挡混合动力系统控制方法 |
| CN113341764A (zh) * | 2021-06-09 | 2021-09-03 | 上海交通大学 | 一种实车工况在线的电动汽车优化控制仿真方法及系统 |
| CN114228696B (zh) * | 2021-12-10 | 2023-08-15 | 燕山大学 | 一种考虑制冷系统耗能的冷链混动车实时优化控制方法 |
| CN117246302B (zh) * | 2023-03-09 | 2024-03-12 | 长安大学 | 一种基于坡度信息的混合动力汽车瞬时反馈控制方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102416950B (zh) * | 2011-10-31 | 2013-06-19 | 大连理工大学 | 一种基于最小等效燃油消耗的混合动力汽车控制方法 |
| JP5991375B2 (ja) * | 2012-07-05 | 2016-09-14 | トヨタ自動車株式会社 | ハイブリッド車両の制御装置 |
| CN103606271B (zh) * | 2013-11-27 | 2015-10-28 | 大连理工大学 | 一种混合动力城市公交车控制方法 |
| CN105216782B (zh) * | 2015-09-30 | 2018-01-02 | 上海凌翼动力科技有限公司 | 基于能量预测的插电式混合动力汽车能量管理方法 |
| CN105151040B (zh) * | 2015-09-30 | 2018-02-09 | 上海交通大学 | 基于功率谱自学习预测的混合动力汽车能量管理方法 |
| KR102056212B1 (ko) * | 2018-12-19 | 2020-01-23 | 한양대학교 산학협력단 | 전장 부하를 고려한 하이브리드 차량의 등가 인자 산출 방법 |
-
2020
- 2020-07-22 CN CN202010711246.5A patent/CN111824117B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111824117A (zh) | 2020-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111824117B (zh) | 基于工况预测的混合动力汽车能效优化控制方法及系统 | |
| WO2021114742A1 (zh) | 一种混合动力电动汽车综合预测能量管理方法 | |
| US9902392B2 (en) | Mobility information processing apparatus, mobility information processing method, and driving support system | |
| Zeng et al. | A parallel hybrid electric vehicle energy management strategy using stochastic model predictive control with road grade preview | |
| US11703340B2 (en) | Trip planning with energy constraint | |
| Lü et al. | Hybrid electric vehicles: A review of energy management strategies based on model predictive control | |
| Kermani et al. | Predictive energy management for hybrid vehicle | |
| US9759573B2 (en) | Route based energy consumption estimation using physical models | |
| Zhang et al. | Role of terrain preview in energy management of hybrid electric vehicles | |
| CN111452794B (zh) | 一种确定能耗的方法及装置和确定驾驶策略的方法及装置 | |
| US8190318B2 (en) | Power management systems and methods in a hybrid vehicle | |
| US9090255B2 (en) | Hybrid vehicle fuel efficiency using inverse reinforcement learning | |
| CN109733378B (zh) | 一种线下优化线上预测的转矩分配方法 | |
| CN106573624B (zh) | 用于运行机动车的方法、机动车和计算机程序 | |
| US20130274952A1 (en) | Predictive powertrain control using driving history | |
| CN111891130B (zh) | 一种车辆运行方法和装置 | |
| CN110682905B (zh) | 基于行驶里程的时域中电池荷电状态参考变化量获取方法 | |
| CN113415288B (zh) | 分段式纵向车速规划方法、装置、设备及存储介质 | |
| CN114802189A (zh) | 车辆的能耗控制方法、装置、车辆及存储介质 | |
| CN117465411A (zh) | 用于混合动力系统的能量高效预测功率分配 | |
| Styler et al. | Learned optimal control of a range extender in a series hybrid vehicle | |
| CN114312777A (zh) | 一种燃料电池重卡预见性巡航控制方法及系统 | |
| Zhao et al. | Path-forecasting for HEV optimal energy management (POEM) | |
| CN116968767A (zh) | 基于多维数据融合的新能源汽车充电路径规划方法及系统 | |
| Cabani et al. | Enhancement of energy consumption estimation for electric vehicles by using machine learning |
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 |