CN111959490A - 插电式混合动力汽车模型参考自适应最优能量管理方法 - Google Patents

Abstract

本发明公开了一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，通过智能交通系统、车载导航系统获取未来路径信息，生成未来路径的能耗等效预测工况；建立参考ECMS控制模型，以能耗等效预测工况作为输入，以油耗最低为优化目标，寻求最优的ECMS等效因子λ_opt和参考SOC_ref；基于最优等效因子λ_opt以及参考SOC_ref，在实际行驶工况下，根据实际SOC和所述参考SOC_ref对所述最优等效因子λ_opt进行修正，形成自适应ECMS控制模型，计算油耗最优的发动机转矩和电机转矩；将发动机和电机的目标转矩及开关指令传递给底层控制器，对整车的动力进行分配，实现PHEV能量管理与控制。

Description

插电式混合动力汽车模型参考自适应最优能量管理方法

技术领域

本发明涉及一种插电式并联混合动力汽车的整车控制与能量管理方法，尤其涉及一种基于行驶工况预测的插电式并联混合动力汽车模型参考自适应最优能量管理方法，属于新能源汽车控制技术领域。

背景技术

随着化石能源短缺、环境污染等问题的加剧以及节能减排的迫切需求，新能源汽车的发展受到了越来越多的关注。插电式混合动力汽车(Plug-in Hybrid ElectricVehicles，PHEV)作为新能源汽车领域的一员，由于其兼具混合动力汽车(Hybrid ElectricVehicles，HEV)和纯电动汽车(Blade Electric Vehicles，BEV)的优点备受关注。当电池组电量充足时，PHEVs采用电量消耗模式(Charge Depleting，CD)，此时电机作为主要动力源驱动车辆，具有低油耗、低排放的特点；当电池电量较低时，PHEV采用电量维持模式(ChargeSustaining，CS)，此时发动机作为主要动力源驱动车辆，与传统燃油汽车和HEV具有相同的续驶里程。

目前，PHEV多采用基于规则的门限值控制策略(Rule-based control strategy，RB)，该策略根据专家经验进行设计，当控制参数达到预定的门限值后，车辆切换相应的行驶模式，分配发动机和电机的功率和转矩。这种策略原理简单，计算量小，实时性好，易于在车辆控制器上编程实现。但是，RB策略的门限值往往是针对某种特定工况匹配和优化的，当工况变化时，经济性较差，无法做到在全工况下的能耗优化。为此，许多学者提出了基于最优控制理论的PHEV控制策略，如全局优化的动态规划算法(Dynamic Programming，DP)，瞬时优化的等效油耗最小算法(Equivalent Consumption Minimum Strategy，ECMS)和庞特里亚金最小值算法(Pontryagin’s Minimum Principal，PMP)等。在行驶工况已知的情况下，全局优化的DP算法能够通过逆向求解，使得车辆在该行驶工况下的能耗最优。但是，由于DP算法是逆向求解，其实现的前提是行驶工况已知，并且计算量巨大，因此无法实际应用到PHEV的控制器中。瞬时优化算法包含ECMS和PMP两种，研究表明，二者在数学本质上是等价的。其中ECMS算法采用等效因子，将瞬时电耗转化成油耗，并以瞬时等效油耗最小为优化目标。当工况已知时，通过选取最优的等效因子，能够实现全局和瞬时油耗最优。对比PMP算法，ECMS算法的等效因子意义比较明确，计算量小，实时性较好。但是，传统的ECMS算法应用在实际PHEV控制仍然需要解决两方面的问题：

(1)首先，等效因子与工况密切相关，因此，确定等效因子需要对工况进行预测。目前，随着智能交通系统和车联网的发展，当行驶路径已知时，PHEV控制系统可以从智能交通系统(ITS)、电子地图和车联网系统中获取未来路径的信息，这给工况预测提供了良好的信息源，使得精确的工况预测成为可能。

(2)ECMS算法需要求取汉密尔顿函数，计算量大，并且与传统的门限值控制算法在架构上不兼容。目前，实车上的PHEV能量管理系统多是基于控制门限对行驶模式进行划分，具有很好的实时性和兼容性。因此，需要在门限值控制的系统框架下，对传统ECMS算法进行改进，使得二者能够有效融合，发挥两种控制方法的优点。

发明内容

本发明提出一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，通过智能交通系统，车载导航系统获取未来路径信息并对该路径的未来行驶工况进行预测，获得一种“能耗等效预测工况”；建立逆向PHEV能量消耗模型；结合传统门限值算法和ECMS算法，建立一种“参考简易ECMS控制模型”，以“能耗等效预测工况”为模型输入，通过优化算法求取最优等效因子以及参考SOC_ref；针对目标车辆，建立自适应ECMS算法，以实际运行工况下的SOC和参考SOC_ref对最优等效因子进行修正，以增加ECMS算法的工况适应性，使得并联PHEV能够在任何行驶工况下均能获得较优的油耗。

本发明的目的是通过以下技术方案实现的：

一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，包括以下步骤：

步骤一、通过智能交通系统、车载导航系统获取未来路径信息，生成未来路径的能耗等效预测工况；

步骤二、建立参考ECMS控制模型，以能耗等效预测工况作为输入，以油耗最低为优化目标，寻求最优的ECMS等效因子λ_opt和参考SOC_ref：

2.1)对车辆的行驶参数进行估计，并建立逆向PHEV车辆模型；

2.2)结合传统门限值算法和ECMS算法，建立简易ECMS模型；

2.3)以能耗等效预测工况作为输入，对车辆需求转矩及功率进行计算，以油耗最低为优化目标，依据能耗等效预测工况在线求解最优等效因子λ_opt以及参考SOC_ref；

步骤三、基于步骤二求解的最优等效因子λ_opt以及参考SOC_ref，在实际行驶工况下，根据实际SOC和所述参考SOC_ref对所述最优等效因子λ_opt进行修正，形成自适应ECMS控制模型，计算油耗最优的发动机转矩和电机转矩；

步骤四、将根据步骤三计算得到的发动机和电机的目标转矩及开关指令传递给底层控制器，对整车的动力进行分配，实现PHEV能量管理与控制。

本发明具有以下有益效果：

本发明将智能交通和车载导航系统引入到PHEV能量管理中，通过上述系统获取未来路径信息和历史驾驶数据，采用马尔科夫理论生成一种能耗等效预测工况。该工况与实际工况均为马尔科夫随机过程，且统计特征和能耗与实际工况高度接近，可以替代实际工况作为参考ECMS模型的输入。

2)在传统门限值控制基本框架下，在驱动模式中，引入ECMS的等效油耗函数，对驱动模型进行判定，构建一种新型的简易ECMS算法。该方法兼容性好，计算量小，且保持了ECMS算法最优能耗和工况自适应的能力。

3)将构建的简易ECMS算法作为参考模型，建立逆向高精度能耗模型。以能耗等效工况为输入，求取最小能耗下的最优等效因子和参考SOC_ref。为了适应实际工况的变化，构建了最优等效因子的惩罚函数，增加了算法的鲁棒性。使得ECMS算法能够自动适应行驶工况，从而让PHEV油耗在任何工况下接近理论最优水平。

附图说明

图1是基于智能交通的并联PHEV控制系统及硬件结构图；

图2是PHEV参考模型自适应最优能量管理策略架构；

图3是能耗等效工况生成方法示意图；

图4是驱动行驶模式示意图；

图5是SOC惩罚因子曲线。

具体实施方式

下面结合附图对发明做进一步说明。以下实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。

一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，包括以下步骤：

步骤一、通过智能交通系统、车载导航系统获取未来路径信息，生成未来路径的能耗等效预测工况；

步骤二、建立参考ECMS控制模型，以能耗等效预测工况作为输入，以油耗最低为优化目标，寻求最优的ECMS等效因子λ_opt和参考SOC_ref：

2.1)对车辆的行驶参数进行估计，并建立逆向PHEV车辆模型；

2.2)结合传统门限值算法和ECMS算法，建立简易ECMS模型；

2.3)以能耗等效预测工况作为输入，对车辆需求转矩及功率进行计算，以油耗最低为优化目标，依据能耗等效预测工况在线求解最优等效因子λ_opt以及参考SOC_ref；

步骤三、基于步骤二求解的最优等效因子λ_opt以及参考SOC_ref，在实际行驶工况下，根据实际SOC和所述参考SOC_ref对所述最优等效因子λ_opt进行修正，形成自适应ECMS控制模型，计算油耗最优的发动机转矩和电机转矩；

步骤四、将根据步骤三计算得到的发动机和电机的目标转矩及开关指令传递给底层控制器，对整车的动力进行分配，实现PHEV能量管理与控制。

实施例

图1是并联PHEV能量管理系统及硬件结构。本实施例中的PHEV动力系统由发动机、发动机控制系统(Engine Control System，ECS)、电机、电机控制系统(Motor ControlSystem，MCS)、电池、电池管理系统(Battery Management System，BMS)、变速箱和传动轴等组成。其中，电机同轴安装在变速箱的输入轴上，成为同轴并联构型。动力电池可由外接充电器充电，即插电式混合动力系统。在该PHEV上装有车载GPS导航系统、智能交通系统(ITS)、地理信息系统(GIS)，以及天气预报系统(Weather Report System，WRS)等。通过信息融合处理器将从上述系统中获取所需的道路信息，并对这些信息进行数据采集、存储、清洗和格式对齐等，将不同格式、不同类型的路径信息融合成能够被车辆控制器(VehicleControl System，VCS)识别的数据。VCS通过CAN总线与ECS、BMS和MCS通信，协调和优化PHEV的能量使用。

图2为本发明提出的PHEV能量管理策略架构，该架构包括车载信息系统，能耗等效工况预测、行驶参数估计、参考ECMS控制模型及自适应ECMS等控制模块，下面对各个部分功能进行具体介绍：

(1)车载信息系统

该系统利用智能交通系统(ITS)、电子地图(导航系统)、车载传感器、地理信息系统(GIS)以及天气预报系统(WRS)等信息源获取车辆状态、未来道路、行驶环境等信息，并通过数据处理成系统所需的信息数据。通过车载传感器获取驾驶员历史驾驶数据，包括道路信息和工况(车速)数据等。

(2)能耗等效工况预测模型①

图2中的①即为能耗等效工况预测模型。该模型根据道路信息数据，生成未来路径的能耗等效工况。所谓能耗等效工况即生成一种预测随机工况，该预测工况下的同一车辆的能耗值与实测工况的能耗值相同或非常接近(要求误差小于5％)。能耗等效工况将作为参考ECMS控制模型的输入。

(3)行驶参数估计模型②

见图2中的②，该模型根据获取的道路信息和环境信息对车辆的滚阻阻力系数、空气密度以及道路坡度等参数进行估计，主要采用多项式非线性回归方法建立拟合公式。估计得到行驶参数用于参考ECMS控制模型中的逆向车辆模型。

(4)参考ECMS控制模型③

见图2中的③，该模型包括逆向车辆模型和简易ECMS模型两部分。首先，基于汽车受力平衡图，建立逆向车辆模型，以预测的能耗等效工况作为其输入，对车辆需求转矩及功率进行计算，并通过电池模型计算等效工况下的电池SOC；结合门限值控制和ECMS算法，构建一种简易的ECMS近似算法，求取等效因子λ_i与油耗的关系曲线，并进一步求取油耗最小处的最优等效因子λ_opt以及参考SOC_ref。

(5)自适应ECMS控制模型④

基于构建的简易ECMS模型，最优等效因子λ_opt作为实际控制的等效因子，并以实际SOC和参考的差值SOC_ref对等效因子进行修正，形成自适应ECMS控制模型(图2中的④)，计算得到最优的发动机和电机的目标转矩和开关指令，并传递给底层控制器，实现PHEV能量管理与控制。

下面以实例的方式介绍上述四个模型的建模方法及过程。

一、能耗等效工况预测模型

车速-里程(或时间)(v-S/t)曲线又称为行驶循环工况，简称工况。如果存在两个不同工况，在行驶环境相同的前提下，同一车辆所消耗的能量相同或非常接近(一般认为能耗差值小于5％)，则这两个工况互为能耗等效工况。对于同一辆PHEV，如果能够预测出未来路径的能耗等效工况，则可以在该预测工况下得到该路径上的最佳能量管理策略。对于ECMS算法，就是在该能耗等效预测工况下，求取油耗最小所对应的最优等效因子λ_op。需要指出的是，对于PHEV，由于存在两个动力源，能耗等效工况应该也同实际工况一样是一条马尔科夫(Markov)随机过程，二者的工况统计特征应该相近，并能够反映道路信息和交通环境的变化。

如图3所示，能耗等效工况生成方法具体的生成步骤如下：

步骤1基于路径信息生成参考工况

当驾驶员在车载导航系统中输入目的地后，系统从电子地图或智能交通系统(ITS)中获取路径信息。其中路径信息包括但不限于以下数据：路径GPS坐标，路径长度，道路类型，信号灯位置及红绿灯变换时间，转角位置及转角半径，减速带位置，交通流量数据等。系统在路径信息处理器中对上述数据进行处理，剔除异点，并依据行驶路径长度进行重采样，如采样间隔设为1m。

根据上述路径信息生成直线型参考工况，如图3所示。参考工况的横坐标为未来路径的行驶距离，纵坐标为对应不同路段类型的平均车速，该车速由实际工况试验统计得到。该参考工况上还标示出该路径上的道路节点位置，即道路转角或信号灯的位置。行驶距离，例如道路节点A、B之间的距离可由GPS坐标计算得到，即

式中，R(m)为地球半径，lat_A和lat_B分别为A点和B点的纬度值，lon_A和lon_B分别为A点和B点的经度值。

当在临近位置存在多个节点，比如有交通信号灯的十字路口，则将多个节点合并为一个复合节点。对于仅为交通灯的节点，如车辆直行通过十字路口，则存在一定的概率为绿灯，驾驶员将直接通过该节点。如果可以通过ITS系统获取该信号灯的状态，若该节点为绿灯时，则取消该节点。如果无法获取信号灯的状态信息，则以50％的概率判定该信号灯的状态。如果还可以从ITS系统上获取该类型路段的最高限速和最低限速，也可以添加到参考工况中，作为参考工况的一部分。图3为由某城市路径信息生成的参考工况。

步骤2生成转移概率矩阵

通过实际道路下的工况试验或者驾驶员的历史数据，可以获取不同道路类型下的工况数据，即车速-距离(时间)历程曲线，该历程为一个典型的离散马尔科夫随机过程，即马尔科夫链。所谓离散马尔科夫链是指具有马尔科夫过程特征的随机变量序列X₁,X₂,X₃,...X_n…，即在给定当前状态时，它与过去状态是条件独立的，表示为

对上述马尔科夫链进行概率统计，并将两个相邻状态的概率存入一个矩阵，即为状态转移概率矩阵(Transition Probability Matrix，TPM)。

实测的车速-里程曲线由工况段组成，一个工况段包含一个加速过程和一个减速过程。在不同道路类型下经过实车道路试验，结合电子地图和智能交通获取的道路信息，就能够得到不同道路类型下加速段和减速段车速数据。对其进行马尔科夫概率统计即可形成不同道路类型的加速段和减速段TPMs。如图3所示的某城市次干道加速段和减速段TPMs，其中横坐标为车速，纵坐标为加速度(速度增量)，灰度表示转移概率的大小。

步骤3生成能耗等效预测工况

在步骤1生成的参考工况基础上，结合步骤2生成的TPMs，基于马尔科夫随机原理，生成预测工况。首先生成工况片段，对实测工况数据统计表明，一般在两个道路节点之间包含至少一个工况片段。因此，在参考工况的2个节点之间，采用相应道路类型的TPM生成该工况段的加速段和减速段。首先确定加速段和减速段的长度。可以对实际道路工况数据进行统计得到该类型道路工况的加速段长度比r_da，定义为

其中，n为工况段个数；S_da(i)为第i个工况段加速片段的长度；S_d(i)为第i个工况段的长度。若没有统计数据，可以取r_da＝0.5。若某工况段的长度为S_i，则加速段的长度为S_ai＝r_da·S_i，减速段长度为S_di＝S_i-S_ai。

设工况段的起始点为(s_i，v_0i)，其中s_i为工况片段起始点的距离，v_0i为初始车速，为上一工况片段的末尾点车速，若该工况片段为该路径第一个片段，则v₀₁＝0km/h。然后在该道路类型的加速阶段TPM中查询v_0i状态可能的转移状态及概率，依据转移概率，采用随机生成函数，确定下一点的车速v_0i+1。重复上述步骤生成该工况片段加速段各采样点的车速，直到其长度满足加速段长度S_ai为止。然后以加速段最后一点的车速为减速段的初始车速，采用减速段TPMs生成减速段各采样点车速，直到满足减速段长度S_di为止。

依据上述步骤，依次生成该路径下的工况片段，直到满足该路径的路径长度为止，采用滤波函数，比如巴滤波器(Butterworth filter)对生成车速进行平滑，最终得到该城市道路下的预测工况，即距离(s)-车速(km/h)(s-v)曲线或者时间(s)-车速(km/h)(t-v)曲线。采用该预测车速和同一路径的实测车速，用同一汽油车在测功机上进行油耗试验，如果其油耗差值在5％以内，则认为该能耗等效工况预测模型已经校准，如果出现偏差，则需要增加实测道路车速数据样本量，重新生成TPMs，直到满足油耗差值在5％以内的条件。

二、参数估计模型

为了计算车辆行驶阻力，需要对一些无法直接测量的行驶参数进行估计，如空气密度、滚动阻力系数和道路坡度等；估计得到的行驶参数用于参考ECMS控制模型中的逆向车辆模型。

1)空气密度估计模型

在本例中通过式(4)对空气密度ρ(Kg/m³)进行估算，

式中，p为空气静压，Pa；T为空气热力学温度，K；R为摩尔气体常数，J/mol·K；M_v为水蒸气摩尔质量，kg/mol；M_a为干空气摩尔质量，kg/mol；x_v为水蒸气摩尔分数，％；Z为空气压缩因子，％。其中，空气热力学温度T和空气静压p可以来自天气预报系统(WRS)或者车载温度传感器和大气压力传感器测得的车辆外部环境温度和大气压。当缺乏上述信号时，空气密度也可以取为常数，1.29Kg/m³。

2)滚动阻力系数估计模型

在不同路面和温度条件下，采用目标车辆做滑行实验(Coast down tests)，获得滚动阻力系数、环境温度和路面类型关系试验曲线。本例中，滚动阻力系数初值f_r拟合公式为

其中，e_i(i＝1～3)为拟合系数，k_i为路面类型修正系数。可以采用非线性回归方法，基于试验数据求取式(5)中的拟合系数和修正系数。

3)道路坡度估计模型通过地理信息系统(GIS)和GPS路径经纬度可以得到道路坡度a_slop(rad)，即：

其中，Δh为两个连续测量点之间的高度差，m，未来路径采样点的高度数据由GIS系统获得。

三、参考ECMS控制模型

参考ECMS控制模型的作用是，在行程之初，以能耗等效预测工况作为输入，以油耗最低为优化目标，寻求最优的ECMS等效因子λ_opt和参考SOC_ref，并提供给下层的自适应ECMS模型。参考ECMS控制模型从算法上与下层的自适应ECMS模型类似，但是输入和输出与其相反，因此，可以称为自适应ECMS的参考模型(逆模型)。

1)建立逆向车辆模型

1.1)逆向车辆纵向动力学模型

本例中的目标车辆为一辆并联P2构型PHEV，如图1所示。根据车辆行驶过程中的动力学平衡关系，作用在车轮上的转矩T_w可以表示为：

T_w＝F_w·r＝(F_r+F_aero+F_g+F_m)·r (7)

其中，r为轮胎半径，m；F_w为汽车驱动力，N，由以下各分力组成：F_r为滚动阻力，N；F_aero为空气阻力，N；F_g为坡度阻力，N；F_m为加速阻力，N；各分力计算公式分别为：

F_r＝f_rmg cos(α_slop) (8)

F_g＝mg sin(α_slop) (10)

其中，m为整车质量，kg；g为重力加速度；ρ为空气密度，Kg/m³，由式(4)进行估算，获取常数；f_r为滚动阻力系数，由式(5)计算得到；a_slop为路面坡度，rad，由式(6)计算得到；A_f为汽车的迎风面积，m²；C_d是空气阻力系数；V_win是行驶方向上的风速，m/s，由天气预报系统(WRS)获得；δ为旋转质量换算系数：

当发动机单独驱动汽车时：

电机单独驱动汽车时：

发动机电机联合驱动汽车时：

其中，J_w为车轮转动惯量，kg·m²；J_m为电机转动惯量，kg·m²；J_e为发动机转动惯量，kg·m²；r为轮胎半径，m；i_gi是变速箱第i档位传动比；i₀是主减速器传动比；dv/dt是纵向汽车加速度，m/s²，由车速微分得到，车速v由工况预测模型得到。

在驱动时，总需求驱动转矩T_req与车轮转矩T_w的关系为：

其中，T_e为发动机输出转矩，N·m；T_m为电机输出转矩，N·m，T_e和T_m的具体数值需要由ECMS管理策略确定；η_t为传动系统效率。

1.2)发动机油耗模型

发动机采用准静态模型，单位时间油耗

为：

其中，P_e为发动机功率，kW，由式(14)计算

其中，n_e发动机转速，rpm，由式(15)计算

b_e(g/(kW·h))为燃油消耗率，可由发动机万有特性图(数据)，根据发动机转速和功率查表求得。对式(13)进行积分，即可得到某行程(t₀～t_f秒)总的燃油消耗量Q_e(ml)，即

1.3)电机模型

本例中，电机选用永磁同步电机，在工作过程中既可以作为牵引电机，也可以作为发电机，电机输出功率P_m(kW)可表示为：

其中，n_m为电机转速，rpm，本例中PHEV构型为同轴并联，因此n_m＝n_e；η_em为电机驱动时的效率，η_ge为电机发电时的效率，可根据电机工作点(n_e，T_m)查询电机效率特性图得到。

1.4)电池模型

本例中，电池采用Rint模型对电池SOC进行计算，电池开路电压V_oc(V)为：

V_oc＝V_out+IR (18)

其中，V_out为电池输出电压，V；I为电池输出电流，A；R为电池内阻，Ω。电池开路电压V_oc与SOC的关系曲线由电池试验确定。电池内阻R和放电电流I之间的关系可由电池充放电试验确定，拟合式为：

R＝d₁|I|³+d₂|I|²+d₃|I|+d₄ (19)

其中，d_i(i＝1～4)为拟合系数，依据试验曲线，采用非线性回归方法得到

电池输出功率P_bat(W)为电机输出功率P_m和电附件功率P_aux(W)之和，即：

P_bat＝P_m+P_aux (20)

电附件能耗P_aux(W)具有很大的随机性，本例中采用在多种循环工况下电附件平均能耗作为电附件能耗。

则电池输出电流可由下式求得：

P_bat＝V_outI＝V_ocI-I²R (21)

采用安时法对t时刻的SOC(t)进行估计，即

其中，Q₀为电池额定容量，Ah。

2)建立简易ECMS模型

为了减少控制器的计算负荷，本实施例所使用的ECMS算法是一种简易ECMS算法，其油耗控制水平接近ECMS算法，但是计算量大幅减少。其基本思想是：在传统的门限值控制基本框架不变的基础上，在驱动工况时，引入瞬时等效油耗作为行驶模式判别条件(门限)，通过等效因子自动调整控制门限，以调节油耗/电耗比例，实现油耗在该工况下的最优。

传统门限值控制依据控制门限将PHEV行驶模式划分为3个主模式：驱动模式，制动模式和停车模式。各模式主要由车速，加速踏板开度和制动踏板开度作为门限值进行判断。在制动模式中，又分为机械制动和再生制动两个子模式。再生制动算法由于受到制动系统形式的限制，故本发明并不改变原有的再生制动算法。停车模式中包含驻车充电子模式，其原理是保持发动机在最高效率区带动电机给电池充电，其充电效率已经是最优的，可以保持不变。在驱动模式中，又分为：纯电动模式，纯发动机驱动模式，行车充电模式和联合驱动模式，如图4所示，在某一瞬时t，与四种驱动模式相对应的等效瞬时油耗为：

纯电动模式：

此时，发动机转矩T_e＝0，电机驱动转矩为T_m＝T_req，T_req由式(12)计算；当发动机转矩和电机转矩确定后，即可用式(20)计算电池输出功率P_bat；Q_lhv为汽油低热值，取44000J/g，当采用不同燃料时，Q_lhv取该种燃料的低热值。λ_i为等效因子，在某特定工况下，SOC变化相同的前提下，存在一个最佳的λ_opt使得发动机总油耗Q_e最小。

纯发动机驱动模式：

此时，发动机转矩T_e＝T_req，电机驱动转矩为T_m＝0，发动机瞬时油耗

由式(12)计算。

行车充电模式：

此时，要求发动机只工作在最佳工作曲线T_opt上，如图4所示，则T_e＝T_opt，电机驱动转矩为T_m＝-(T_e-T_req)，并且该模式要求0＜T_req≤T_opt。

联合驱动模式：

此时，要求发动机只工作在最佳工作曲线T_opt上，如图4所示，则T_e＝T_opt，电机驱动转矩为T_m＝T_req-T_e，并且该模式要求T_req＞T_opt。

当λ_i选定后，即可计算四种驱动模式下的等效油耗J₁～J₄，分别设置4个模式标志F₁～F₄，初始值均为零。比较J₁～J₄找到其中的最小值，并设置相应的模式标志位为1。比如，若J₁最小，即表明该瞬时，纯电动模式的等效油耗最小，则F₁＝1，其他标志位仍保持为零。当控制策略运行到t+1s，则需要在比较J₁～J₄之前，将所有标志位清零。

依据模式标志，对当前的驱动子模式进行判别，为了保持程序稳定，还需要增加其他一些控制门限。驱动子模式的切换条件(门限)和发动机、电机转矩如表1所示。

表1驱动子模式切换条件及发动机电机转矩计算

表1中，T_{m_max}为电机最大转矩；SOC_min为电池最低SOC限值，本例取0.3；t_e为发动机实际持续运行时间，s；T_lim为发动机最低持续运行时间，本例取为5s，设置该门限的意义是防止发动机短时间内频繁起停；T_{e_max}为发动机最大转矩，N·m；T_opt为发动机最佳(油耗最低)工作转矩，N·m。

3)最优等效因子λ_opt与参考SOC_ref确定

所谓最优等效因子λ_opt是指在某工况下，SOC在同一界限[SOC_ini SOC_min]变化时，PHEV燃油消耗最小时的等效因子λ_i，此时的SOC变化曲线称为参考SOC_ref。求取λ_opt和SOC_ref的步骤如下：

为了减少计算量，首先求取最优等效因子的界限。研究表明，其界限为

其中，

分别为发动机、电机、电机控制器和电池的平均效率。

在[1 λ_max]范围内等间距选取n个等效因子λ_i，一般n≥10。n越大，最优等效因子λ_opt的精度越高。

选取第一个等效因子λ₁＝1，在固定的SOC区间内[SOC_ini SOC_min]，以预测模型得到的能耗等效工况为输入工况，采用前述的“参考ECMS控制模型”进行仿真，得到该等效因子下的总燃油消耗量Q_e1，重复上述步骤获得其他各等效因子λ_i下的总燃油消耗量Q_ei。

对离散的λ_i-Q_ei曲线进行拟合，并求得该曲线的最小值点(λ_opt，Q_{e_min})，即求得了最优等效因子λ_opt，该等效因子下仿真得到SOC曲线即为参考SOC_ref。

三、自适应ECMS模型

自适应ECMS控制模型的功能是依据驾驶员的需求和PHEV行驶状态对驾驶员需求转矩进行分配，得到油耗最优的发动机转矩和电机转矩，其基本算法与参考ECMS模型基本相同，区别是其能量流方向是正向，属于正向控制模型。其等效因子即为由参考ECMS控制模型得到最优等效因子λ_opt。但是，由于实际的出行工况是复杂多变的，因此要在实车上实现工况自适应控制策略，需要实时修正最优等效因子λ_opt。本发明构造了惩罚因子s(ΔSOC,t)对λ_opt进行修正，即

λ(t)＝λ_opt+s(ΔSOC,t) (28)

其中，惩罚因子s(ΔSOC,t)为

其中，ΔSOC＝SOC-SOC_ref，设ΔSOC取值范围是(-0.1，0.1)，s(ΔSOC,t)惩罚因子曲线如图5所示。惩罚因子s(ΔSOC,t)在偏离参考SOC_ref较小时取极小值，在偏离参考SOC_ref过多时，取值快速增大。在ΔSOC>0时，为了加快使用电量，惩罚因子s值取正。在ΔSOC<0时，为了减缓使用电量，惩罚因子s(ΔSOC,t)值取负。

Claims (10)

1.一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，其特征在于，包括以下步骤：

步骤一、通过智能交通系统、车载导航系统获取未来路径信息，生成未来路径的能耗等效预测工况；

步骤二、建立参考ECMS控制模型，以能耗等效预测工况作为输入，以油耗最低为优化目标，寻求最优的ECMS等效因子λ_opt和参考SOC_ref：

2.1)对车辆的行驶参数进行估计，并建立逆向PHEV车辆模型；

2.2)结合传统门限值算法和ECMS算法，建立简易ECMS模型；

2.3)以能耗等效预测工况作为输入，对车辆需求转矩及功率进行计算，以油耗最低为优化目标，依据能耗等效预测工况在线求解最优等效因子λ_opt以及参考SOC_ref；

步骤三、基于步骤二求解的最优等效因子λ_opt以及参考SOC_ref，在实际行驶工况下，根据实际SOC和所述参考SOC_ref对所述最优等效因子λ_opt进行修正，形成自适应ECMS控制模型，计算油耗最优的发动机转矩和电机转矩；

步骤四、将根据步骤三计算得到的发动机和电机的目标转矩及开关指令传递给底层控制器，对整车的动力进行分配，实现PHEV能量管理与控制。

2.如权利要求1所述的一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，其特征在于，所述步骤一中生成未来路径的能耗等效预测工况包括以下步骤：

1.1)基于路径信息生成参考工况：参考工况的横坐标为未来路径的行驶距离，纵坐标为对应不同路段类型的平均车速，该车速由实际工况试验统计得到，该参考工况上还标示出该路径上的道路节点位置；

1.2)生成转移概率矩阵：车速-距离曲线由工况段组成，一个工况段包含一个加速过程和一个减速过程；对不同道路类型下加速段和减速段车速数据进行马尔科夫概率统计，形成不同道路类型的加速段和减速段转移概率矩阵；

1.3)生成能耗等效预测工况：首先生成工况片段，在步骤1.1)生成的参考工况的2个节点之间，采用相应道路类型的转移概率矩阵生成该工况段的加速段和减速段；依次生成该路径下的工况片段，直到满足该路径的路径长度为止，得到预测工况。

3.如权利要求1所述的一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，其特征在于，所述步骤2.1)对车辆的行驶参数进行估计，并建立逆向PHEV车辆模型，具体包括以下步骤：

2.1.1)建立逆向车辆纵向动力学模型；

2.1.2)建立发动机油耗模型；

2.1.3)建立电机模型；

2.1.4)建立电池模型。

4.如权利要求3所述的一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，其特征在于，所述步骤2.1.1)建立逆向车辆纵向动力学模型为：

作用在车轮上的转矩T_w可以表示为：

T_w＝F_w·r＝(F_r+F_aero+F_g+F_m)·r

其中，r为轮胎半径，m；F_w为汽车驱动力，N；

F_r为滚动阻力，N；F_r＝f_rmg cos(α_slop)；

F_aero为空气阻力，N；

F_g为坡度阻力，N；F_g＝mg sin(α_slop)；

F_m为加速阻力，N；

其中，m为整车质量，kg；g为重力加速度；ρ为空气密度，Kg/m³；f_r为滚动阻力系数；a_slop为路面坡度，rad；A_f为汽车的迎风面积，m²；C_d是空气阻力系数；V_win是行驶方向上的风速，m/s；δ为旋转质量换算系数；

在驱动时，总需求驱动转矩T_req与车轮转矩T_w的关系为：

其中，T_e为发动机输出转矩，N·m；T_m为电机输出转矩，N·m；η_t为传动系统效率。

5.如权利要求3所述的一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，其特征在于，所述步骤2.1.2)建立发动机油耗模型为：

发动机采用准静态模型，单位时间油耗

为：

其中，P_e为发动机功率，kW，由下式计算：

其中，n_e发动机转速，rpm，由下式计算：

b_e(g/(kW·h))为燃油消耗率；

某行程(t₀～t_f秒)总的燃油消耗量Q_e(ml)为：

6.如权利要求3所述的一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，其特征在于，所述步骤2.1.3)建立电机模型为：

电机输出功率P_m(kW)表示为：

其中，n_m为电机转速，rpm；η_em为电机驱动时的效率，η_ge为电机发电时的效率。

7.如权利要求3所述的一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，其特征在于，所述步骤2.1.4)建立电池模型为：

电池开路电压V_oc(V)为：

V_oc＝V_out+IR

其中，V_out为电池输出电压，V；I为电池输出电流，A；R为电池内阻，Ω；

电池内阻R和放电电流I之间的关系为：

R＝d₁|I|³+d₂|I|²+d₃|I|+d₄

其中，d_i(i＝1～4)为拟合系数；

电池输出功率P_bat(W)为电机输出功率P_m和电附件功率P_aux(W)之和：

P_bat＝P_m+P_aux

采用安时法对t时刻的SOC(t)进行估计：

其中，Q₀为电池额定容量，Ah。

8.如权利要求1所述的一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，其特征在于，所述步骤2.2)结合传统门限值算法和ECMS算法，建立简易ECMS模型，包括以下步骤：

2.2.1)将PHEV行驶模式划分为驱动模式，制动模式和停车模式；所述驱动模式包括纯电动模式，纯发动机驱动模式，行车充电模式和联合驱动模式；

2.2.2)在某一瞬时t，与四种驱动模式相对应的等效瞬时油耗为：

纯电动模式：

其中，P_bat为电池输出功率；Q_lhv为汽油低热值；λ_i为等效因子；

纯发动机驱动模式：

其中，

为发动机瞬时油耗；

行车充电模式：

联合驱动模式：

2.2.3)增加所述四种驱动模式间的切换条件。

9.如权利要求1所述的一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，其特征在于，所述步骤2.3)中，求解最优等效因子λ_opt以及参考SOC_ref包括以下步骤：

首先求取最优等效因子的界限：

其中，

分别为发动机、电机、电机控制器和电池的平均效率；

在[1λ_max]范围内等间距选取n个等效因子λ_i；

选取第一个等效因子λ₁＝1，在固定的SOC区间内[SOC_ini SOC_min]，以预测的能耗等效工况为输入工况，得到该等效因子下的总燃油消耗量Q_e1；重复上述步骤获得其他各等效因子λ_i下的总燃油消耗量Q_ei；

对离散的λ_i-Q_ei曲线进行拟合，并求得该曲线的最小值点(λ_opt，Q_{e_min})，即求得了最优等效因子λ_opt，该等效因子下仿真得到SOC曲线即为参考SOC_ref。

10.如权利要求1所述的一种基于行驶工况预测的PHEV自适应优化能量管理控制方法，其特征在于，所述步骤三中对所述最优等效因子λ_opt进行修正的步骤为：

构造惩罚因子s(ΔSOC,t)对λ_opt进行修正：

λ(t)＝λ_opt+s(ΔSOC,t)

其中，惩罚因子s(ΔSOC,t)为：

其中，ΔSOC＝SOC-SOC_ref；

惩罚因子s(ΔSOC,t)在偏离参考SOC_ref较小时取极小值，在偏离参考SOC_ref过多时，取值快速增大；

在ΔSOC>0时，为了加快使用电量，惩罚因子s值取正；在ΔSOC<0时，为了减缓使用电量，惩罚因子s(ΔSOC,t)值取负。

Images