CN112101684A - 一种插电式混合动力车辆实时能量管理方法和系统 - Google Patents

一种插电式混合动力车辆实时能量管理方法和系统 Download PDF

Info

Publication number
CN112101684A
CN112101684A CN202011243673.1A CN202011243673A CN112101684A CN 112101684 A CN112101684 A CN 112101684A CN 202011243673 A CN202011243673 A CN 202011243673A CN 112101684 A CN112101684 A CN 112101684A
Authority
CN
China
Prior art keywords
vehicle
driving
determining
speed
sample
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
Application number
CN202011243673.1A
Other languages
English (en)
Other versions
CN112101684B (zh
Inventor
张旭东
邹渊
郭凌雄
孙逢春
郭宁远
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202011243673.1A priority Critical patent/CN112101684B/zh
Publication of CN112101684A publication Critical patent/CN112101684A/zh
Application granted granted Critical
Publication of CN112101684B publication Critical patent/CN112101684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Hybrid Electric Vehicles (AREA)

Abstract

本发明涉及一种插电式混合动力车辆实时能量管理方法和系统。该插电式混合动力车辆实时能量管理方法和系统，在将获取的驾驶样本采用k均值算法划分为多个子数据集后，以所划分的子数据集为输入，采用速度预测网络得到预测速度数据集，再以预测速度数据集和预测速度数据集的SOC为索引，对获取的控制律map进行插值后，得到控制变量序列，然后，根据控制变量序列采用Q学习算法确定得到SOC参考轨迹，最后采用MPC控制器根据SOC参考轨迹实时完成对车辆的能量管理，进而在提高管理速率和管理精确度的同时，对参考轨迹实现有效跟踪。

Description

一种插电式混合动力车辆实时能量管理方法和系统
技术领域
本发明涉及车辆能量管理领域，特别是涉及一种插电式混合动力车辆实时能量管理方法和系统。
背景技术
在基于模型预测控制（MPC，Model Predictive Control）的插电式混合动力车辆能量管理技术中，速度预测精度和状态参考轨迹的质量对于MPC的应用效果具有很大的影响。当前的研究主要分为两类，一种是假设车辆行驶的准确工况信息能够提前通过全球定位系统（Global Positioning System，GPS）、智能交通系统（Intelligent TransportSystem，ITS）、车对外界的信息交换系统（vehicle to everything，V2X）等获取，结合完整的工况信息，MPC上层状态规划器使用优化算法对车辆模型的电荷状态（State of Charge，SOC）进行提前规划，而后将这一参考轨迹给到MPC下层进行跟踪控制。这一问题最主要的弊端便是在实际应用中车辆的工况信息并不能准确获取，而且上层规划需要结合整个工况的信息进行整车状态规划，计算效率缓慢，这阻碍了能量管理策略的在线实时运用。第二种是，使用基于专家经验的SOC线性模型，即认为SOC状态更新轨迹与车辆行驶距离呈线性关系，这有效的提高了上层规划效率且大大减少了对于准确工况信息获取的依赖，然而这一模型忽略了车辆内部结构信息，将导致在下层控制器在某些情况尤其在模型非线性强约束多的情况下难以对参考轨迹实现有效跟踪，从而严重影响了能量管理策略的优化效果。
因此，提供一种能够在提高管理速率和管理精确度的同时，对参考轨迹实现有效跟踪的车辆能量管理方法或系统是本领域亟待解决的技术难题。
发明内容
本发明的目的是提供一种插电式混合动力车辆实时能量管理方法和系统，以解决现有技术中存在的管理速率低、管理精确度低以及不能对参考轨迹实现有效跟踪的问题。
为实现上述目的，本发明提供了如下方案：
一种插电式混合动力车辆实时能量管理方法，包括：
获取驾驶样本；所述驾驶样本包括：车辆行驶工况、车辆速度和车辆加速度；
根据所述驾驶样本确定驾驶表征样本；
根据所述驾驶表征样本，采用k均值算法对所述驾驶样本进行聚类得到标号不同的子数据集；
获取速度预测网络；所述速度预测网络是以子数据集为输入，以预测速度数据集为输出的神经网络模型；
根据所述子数据集和所述速度预测网络确定预测速度数据集；
获取车辆的当前状态信息SOC和控制律map；
以所述预测速度数据集和所述预测速度数据集的SOC为索引，对所述控制律map进行插值，得到控制变量序列；所述控制变量序列包括车辆动力电池的输出电流；
根据所述控制变量序列采用Q学习算法确定SOC参考轨迹；
采用MPC控制器根据所述SOC参考轨迹实时完成对车辆的能量管理。
优选的，所述根据所述驾驶样本确定驾驶表征样本，具体包括：
根据所述驾驶样本确定参数向量；所述参数向量包括：车辆平均速度、速度标准差、车辆平均加速度、加速度标准差、速度变换范围和加速度变化范围；
根据所述参数向量采用主元素分析算法确定与所述参数向量中每一参数相对应的特征向量和贡献值；
根据所述特征向量和所述贡献值确定特征主元，并采用所述特征主元表征所述驾驶样本，得到驾驶表征样本；所述特征主元为所述参数向量中的参数按所述贡献值降序排列后的前四个参数。
优选的，所述获取速度预测网络之前，还包括：
获取多个径向基神经网络；所述径向基神经网络的个数与所述子数据集的个数相同；
获取第一训练样本对和误差阈值；所述第一训练样本对包括训练子数据集以及与所述训练子数据集相对应的预测速度结果集；
采用所述训练样本对分别对所述径向基神经网络进行训练，并采用所述误差阈值调节所述径向基神经网络的预测步长，得到训练好的径向基神经网络；所述训练好的径向基神经网络即为所述速度预测网络。
优选的，所述控制律map的构建过程具体包括：
获取Q学习算法模型；
根据所述Q学习算法模型和所述子数据集确定与所述子数据集相对应的概率转移矩阵；
获取状态变量和动作变量；所述状态变量为车辆的电荷状态；所述动作变量为车辆的动力电池电流；
以所述概率转移矩阵、所述状态变量和所述动作变量为输入，采用所述Q学习算法模型确定车辆的策略控制律；
根据所述概率转移矩阵、所述状态变量、所述动作变量和所述策略控制律构建所述控制律map。
优选的，所述根据所述控制变量序列采用Q学习算法确定SOC参考轨迹，具体包括：
将所述控制变量序列输入所述Q学习算法中的控制导向模型中进行状态迭代更新后，得到SOC参考轨迹。
对应于上述提供的插电式混合动力车辆实时能量管理方法，本发明还提供了一种能量管理系统，如下：
一种插电式混合动力车辆实时能量管理系统，包括：
驾驶样本获取模块，用于获取驾驶样本；所述驾驶样本包括：车辆行驶工况、车辆速度和车辆加速度；
驾驶表征样本确定模块，用于根据所述驾驶样本确定驾驶表征样本；
子数据集确定模块，用于根据所述驾驶表征样本，采用k均值算法对所述驾驶样本进行聚类得到标号不同的子数据集；
速度预测网络获取模块，用于获取速度预测网络；所述速度预测网络是以子数据集为输入，以预测速度数据集为输出的神经网络模型；
预测速度数据集确定模块，用于根据所述子数据集和所述速度预测网络确定预测速度数据集；
SOC-map获取模块，用于获取车辆的当前状态信息SOC和控制律map；
控制变量序列确定模块，用于以所述预测速度数据集和所述预测速度数据集的SOC为索引，对所述控制律map进行插值，得到控制变量序列；所述控制变量序列包括车辆动力电池的输出电流；
SOC参考轨迹确定模块，用于根据所述控制变量序列采用Q学习算法确定SOC参考轨迹；
能量管理模块，用于采用MPC控制器根据所述SOC参考轨迹实时完成对车辆的能量管理。
优选的，所述驾驶表征样本确定模块具体包括：
参数向量确定单元，用于根据所述驾驶样本确定参数向量；所述参数向量包括：车辆平均速度、速度标准差、车辆平均加速度、加速度标准差、速度变换范围和加速度变化范围；
特征向量/贡献值确定单元，用于根据所述参数向量采用主元素分析算法确定与所述参数向量中每一参数相对应的特征向量和贡献值；
驾驶表征样本确定单元，用于根据所述特征向量和所述贡献值确定特征主元，并采用所述特征主元表征所述驾驶样本，得到驾驶表征样本；所述特征主元为所述参数向量中的参数按所述贡献值降序排列后的前四个参数。
优选的，还包括：
径向基神经网络获取模块，用于获取多个径向基神经网络；所述径向基神经网络的个数与所述子数据集的个数相同；
训练样本/误差阈值获取模块，用于获取第一训练样本对和误差阈值；所述第一训练样本对包括训练子数据集以及与所述训练子数据集相对应的预测速度结果集；
速度预测网络训练模块，用于采用所述训练样本对分别对所述径向基神经网络进行训练，并采用所述误差阈值调节所述径向基神经网络的预测步长，得到训练好的径向基神经网络；所述训练好的径向基神经网络即为所述速度预测网络。
优选的，还包括控制律map构建模块；所述控制律map构建模块具体包括：
Q学习算法模型获取单元，用于获取Q学习算法模型；
概率转移矩阵确定单元，用于根据所述Q学习算法模型和所述子数据集确定与所述子数据集相对应的概率转移矩阵；
状态/动作变量获取单元，用于获取状态变量和动作变量；所述状态变量为车辆的电荷状态；所述动作变量为车辆的动力电池电流；
策略控制律确定单元，用于以所述概率转移矩阵、所述状态变量和所述动作变量为输入，采用所述Q学习算法模型确定车辆的策略控制律；
控制律map构建单元，用于根据所述概率转移矩阵、所述状态变量、所述动作变量和所述策略控制律构建所述控制律map。
优选的，所述SOC参考轨迹确定模块具体包括：
SOC参考轨迹确定单元，用于将所述控制变量序列输入所述Q学习算法中的控制导向模型中进行状态迭代更新后，得到SOC参考轨迹。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的插电式混合动力车辆实时能量管理方法和系统，在将获取的驾驶样本采用k均值算法划分为多个子数据集后，以所划分的子数据集为输入，采用速度预测网络得到预测速度数据集，再以预测速度数据集和预测速度数据集的SOC为索引，对获取的控制律map进行插值后，得到控制变量序列，然后，根据控制变量序列采用Q学习算法确定得到SOC参考轨迹，最后采用MPC控制器根据SOC参考轨迹实时完成对车辆的能量管理，进而在提高管理速率和管理精确度的同时，对参考轨迹实现有效跟踪。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的插电式混合动力车辆实时能量管理方法的流程图；
图2为本发明实施例中采用的工况图；
图3为本发明实施例中k为5时的分类结果图；
图4为本发明实施例中k为10时的分类结果图；
图5为本发明实施例中控制律map的示意图；
图6为本发明提供的插电式混合动力车辆实时能量管理系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种插电式混合动力车辆实时能量管理方法和系统，以能够在提高管理速率和管理精确度的同时，对参考轨迹实现有效跟踪。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的插电式混合动力车辆实时能量管理方法的流程图，如图1所示，一种插电式混合动力车辆实时能量管理方法，包括：
步骤100：获取驾驶样本。驾驶样本包括：车辆行驶工况、车辆速度和车辆加速度。如图2所示，在本发明中优选将总长度为N total 的行驶工况提取为一定长度的片段，片段长度为N p，得到驾驶样本
Figure 830746DEST_PATH_IMAGE001
和
Figure 13466DEST_PATH_IMAGE002
，其中n=1，2，…，N total ，N p代表预测域，
Figure 121099DEST_PATH_IMAGE003
、
Figure 578625DEST_PATH_IMAGE004
分别代表第n个时刻的车辆速度与加速度。
步骤101：根据驾驶样本确定驾驶表征样本。
步骤102：根据驾驶表征样本，采用k均值算法对驾驶样本进行聚类得到标号不同的子数据集。
步骤103：获取速度预测网络。速度预测网络是以子数据集为输入，以预测速度数据集为输出的神经网络模型。
步骤104：根据子数据集和速度预测网络确定预测速度数据集。
步骤105：获取车辆的当前状态信息SOC和控制律map。
步骤106：以预测速度数据集和预测速度数据集的SOC为索引，对控制律map进行插值，得到控制变量序列。控制变量序列包括车辆动力电池的输出电流。
步骤107：根据控制变量序列采用Q学习算法确定SOC参考轨迹。该步骤具体包括：
将控制变量序列输入Q学习算法中的控制导向模型中进行状态迭代更新后，得到SOC参考轨迹。
步骤108：采用MPC控制器根据SOC参考轨迹实时完成对车辆的能量管理。
其中，上述步骤101：具体包括：
根据驾驶样本确定参数向量。参数向量包括：车辆平均速度、速度标准差、车辆平均加速度、加速度标准差、速度变换范围和加速度变化范围。即计算每个驾驶样本的平均速度
Figure 658576DEST_PATH_IMAGE005
、速度标准差
Figure 808935DEST_PATH_IMAGE006
、平均加速度
Figure 341548DEST_PATH_IMAGE007
、加速度标准差
Figure 868344DEST_PATH_IMAGE008
、速度变化范围
Figure 802802DEST_PATH_IMAGE009
、加速度变化范围
Figure 327324DEST_PATH_IMAGE010
等，因此一个驾驶样本的上述值就可以构成一个行向量
Figure 409550DEST_PATH_IMAGE011
，所以一共N total 驾驶样本就可以构成N total 行10列的矩阵。此外，为了防止数据规模对之后聚类产生影响，因此需进行归一化。
Figure 412141DEST_PATH_IMAGE012
，
Figure 263422DEST_PATH_IMAGE013
，
Figure 224425DEST_PATH_IMAGE014
，
Figure 997209DEST_PATH_IMAGE015
，其中，
Figure 803491DEST_PATH_IMAGE016
、
Figure 978120DEST_PATH_IMAGE017
、
Figure 844445DEST_PATH_IMAGE018
和
Figure 838946DEST_PATH_IMAGE019
就是第n个驾驶样本对应的特征向量归一化后的速度标准差、平均加速度、平均速度和速度变化范围，
Figure 448919DEST_PATH_IMAGE020
、
Figure 274792DEST_PATH_IMAGE021
、
Figure 312018DEST_PATH_IMAGE022
和
Figure 590553DEST_PATH_IMAGE023
就是第n个驾驶样本对应的特征向量的速度标准差、平均加速度、平均速度和速度变化范围，
Figure 738637DEST_PATH_IMAGE024
和
Figure 622280DEST_PATH_IMAGE025
分别为平均速度
Figure 95986DEST_PATH_IMAGE005
的最小值和最大值，
Figure 861817DEST_PATH_IMAGE026
和
Figure 548013DEST_PATH_IMAGE027
分别为加速度变化范围
Figure 551742DEST_PATH_IMAGE010
的最小值和最大值。
根据参数向量采用主元素分析算法确定与参数向量中每一参数相对应的特征向量和贡献值。
根据特征向量和贡献值确定特征主元，并采用特征主元表征驾驶样本，得到驾驶表征样本。特征主元为参数向量中的参数按贡献值降序排列后的前四个参数。
其中，采用主元素分析算法（PCA）输出的结构如表1所示。
表1
Figure 196350DEST_PATH_IMAGE028
表1中，P值即为贡献值。
基于步骤101的上述具体过程，在本发明中步骤102优选为：用K均值算法对驾驶样本集进行聚类。即将上述获得的N total *4的特征化矩阵，以及最初的驾驶样本片段集作为输入，输入到K均值算法，并给定聚类数k和初始聚类中心
Figure 652739DEST_PATH_IMAGE029
，完成聚类，最终输出分好类的子数据集（即被分为k类后的驾驶样本，如图3中（a）-（e）部分和图4中（a）-（j）部分所示，以及各个驾驶样本的标号。其中，标号用来确定每个样本都属于k类里哪一类，优选用#1，#2，…，#k表示。
优选的，在步骤103之前，为了进一步提高对车辆能量管理的精确性，本发明提供的插电式混合动力车辆实时能量管理方法还可以对速度预测网络进行训练，训练过程具体包括以下步骤：
获取多个径向基神经网络。径向基神经网络的个数与子数据集的个数相同。
获取第一训练样本对和误差阈值。第一训练样本对包括训练子数据集以及与训练子数据集相对应的预测速度结果集。
采用训练样本对分别对径向基神经网络进行训练，并采用误差阈值调节径向基神经网络的预测步长，得到训练好的径向基神经网络。训练好的径向基神经网络即为速度预测网络。
那么，基于以上具体计算过程，本发明提供的针对速度预测网络的训练过程可以进一步细化为用k类子数据集训练k个预测网络，具体包括：
将第i子数据集中
Figure 408205DEST_PATH_IMAGE030
片段作为网络输入，将
Figure 328757DEST_PATH_IMAGE031
作为网络输出，进行第i个神经网络训练，其中i=1,2,…,N p 。即局部时域内的历史速度作为网络输入，未来预测输入作为输出，因此，输入与输出的映射关系可以表示如下：
Figure 144266DEST_PATH_IMAGE032
。
其中，
Figure 87951DEST_PATH_IMAGE033
是径向基神经网络（RBF-NN）的输入与输出的非线性映射关系，
Figure 381529DEST_PATH_IMAGE034
是t时刻的预测速度，N p 是预测域长度。此外，根据根均方误差（RMSE）进行各网络预测精度的评价：
Figure 94270DEST_PATH_IMAGE035
。
Figure 611839DEST_PATH_IMAGE036
。
其中，
Figure 42821DEST_PATH_IMAGE037
是第n个预测瞬时车辆实际速度与预测速度间的平均误差。
在本发明中，将k个RBF-NN依次编号为#1，#2，…，#k，各网络编号与其训练集编号相同，意味着每种预测网络专门用于一种类型工况的预测，因此，针对基于k均值算法无监督聚类所得出的k种类型工况，皆有专门的一个RBF-NN进行预测。
引入误差阈值方法，实现变预测步长速度预测。由于RBF-NN对于不同类型工况的预测能力各不相同，当所训练的RBF-NN都选取相同固定预测步长t时（以预测步长15s为例），针对不同类型工况的网络预测误差结果各不相同。例如，在进行某些类型工况预测时，随着预测步长的增加，预测误差的变化率相较于其他工况显著增大，而某些工况随着预测步长增加，预测误差的变化率增大效果不明显。
因此本发明在网络训练时引入2m/s作为误差阈值来调节各预测网络的预测步长。以RMSE=2/s作为误差上限，各RBF-NN预测长度分别为t1，t2，…，tk，从而实现自适应变步长的速度预测。
值得注意的是，速度预测域的长度与混动车能量管理策略中MPC的控制效果紧密相关，预测域长度较短，虽然会很大程度上提高速度预测精度，但是会降低MPC的控制效果，因此误差阈值不能设置过小。相反，若预测域长度过大，则速度预测精度将显著下降，进而导致MPC解算效率大幅降低，影响能量管理的在线实时应用，因此误差阈值也不能设置过大。具体预测结果如表2所示。
表2 不同速度预测域长度时各个神经网络的预测情况
Figure 874510DEST_PATH_IMAGE038
其中，*为误差阈值方法选取的预测域长度。
优选的，本发明上述采用的控制律map的构建过程具体包括：
获取Q学习算法模型。
根据Q学习算法模型和子数据集确定与子数据集相对应的概率转移矩阵。
获取状态变量和动作变量。状态变量为车辆的电荷状态。动作变量为车辆的动力电池电流。
以概率转移矩阵、状态变量和动作变量为输入，采用Q学习算法模型确定车辆的策略控制律。
根据概率转移矩阵、状态变量、动作变量和策略控制律构建控制律map。
构建控制律map的过程以上述各具体的计算步骤为基础，可以概括为：建立插电式混合动力控制导向模型，即将TPM、状态变量以及动作变量（动力电池电流）作为Q学习算法输入量，确定状态变量、动作变量、反馈奖励而后通过Q学习算法对该模型进行训练，得到系统的策略控制律，并与上述过程类似对各控制律map进行编号，分别为#1，#2，…，#k，简单来说就是将TPM、状态变量SOC、动作变量Ibat(相当于控制系统的控制变量，这里选取动力电池电流作为控制量)作为Q学习算法输入量，通过Q学习算法的训练、学习，最终获得了（输出）控制律map。值得注意的是，编号相同的速度预测网络与控制律map相互耦合，共同对应于一种类型的驾驶模式，多个map共同组成了多模状态参考生成器。构建得到控制律map如图5所示，在图5中，Pdem为需求功率，其与速度相关。Current为动力电池电流。
对应于上述步骤106，本发明构建得到的控制律map的具体应用过程为：
速度预测器将车辆当前驾驶状态提取为一定时域长度的驾驶样本而后转化为特征化向量，并对此特征化向量所属工况类别进行识别，编号为#i，其中i∈[1，k]。其次，将此驾驶样本作为编号为#i的预测网络的输入，输出预测速度。
以所获取的预测速度序列与车辆当前状态信息soc为索引，在编号为#i的控制律map中进行插值，获得最优控制变量序列（动力电池电流）。
最后将最优控制变量序列输入Q学习算法中的控制导向模型进行状态迭代更新，从而获取未来局部时域内的最优状态soc参考轨迹。
上述应用流程可总结为：当前车辆驾驶状态片段->速度预测器进行识别并归类(比如当前状态属于第#1类工况)->通过第#1类预测网络进行速度预测获取未来速度序列->将预测速度、当前车辆SOC状态、以及工况信息作为输入索引在控制律map上插值->输出最优控制量Ibat->将这个Ibat作为输入，输入控制导向模型，经过模型的状态更新->输出对应的SOC参考，这个SOC参考就是下层MPC控制器需要的控制参考。
为解决能量管理策略在线应用的难题，本发明将经过速度预测器所获取的工况信息用于上层轨迹规划，使得上述规划步骤在一个预测内实现滚动优化。而后，将每个滚动时域内所获取的最后一个状态值给到下层作为控制参考，最终，相同时域的速度预测信息，上层给到下层的控制参考输入MPC控制器，通过序列二次规划算法进行求解，完成下层状态更新，将更新的状态反馈至上层，作为初始状态值进行下一滚动时域的规划，如此反复实现在线MPC能量管理策略。即，SOC参考、预测速度序列、当前车辆速度作为MPC输入，最优控制量I bat 作为输出，然后把最优控制量输入车辆进行实时的SOC更新。
此外，对应于上述提供的插电式混合动力车辆实时能量管理方法，本发明还提供了一种插电式混合动力车辆实时能量管理系统，如图6所示，该插电式混合动力车辆实时能量管理系统包括：驾驶样本获取模块1、驾驶表征样本确定模块2、子数据集确定模块3、速度预测网络获取模块4、预测速度数据集确定模块5、SOC-map获取模块6、控制变量序列确定模块7、SOC参考轨迹确定模块8和能量管理模块9。
其中，驾驶样本获取模块1用于获取驾驶样本。驾驶样本包括：车辆行驶工况、车辆速度和车辆加速度。
驾驶表征样本确定模块2用于根据驾驶样本确定驾驶表征样本。
子数据集确定模块3用于根据驾驶表征样本，采用k均值算法对驾驶样本进行聚类得到标号不同的子数据集。
速度预测网络获取模块4用于获取速度预测网络。速度预测网络是以子数据集为输入，以预测速度数据集为输出的神经网络模型。
预测速度数据集确定模块5用于根据子数据集和速度预测网络确定预测速度数据集。
SOC-map获取模块6用于获取车辆的当前状态信息SOC和控制律map。
控制变量序列确定模块7用于以预测速度数据集和预测速度数据集的SOC为索引，对控制律map进行插值，得到控制变量序列。控制变量序列包括车辆动力电池的输出电流。
SOC参考轨迹确定模块8用于根据控制变量序列采用Q学习算法确定SOC参考轨迹。
能量管理模块9用于采用MPC控制器根据SOC参考轨迹实时完成对车辆的能量管理。
作为本发明的一优选实施例，上述驾驶表征样本确定模块2具体包括：参数向量确定单元、特征向量/贡献值确定单元和驾驶表征样本确定单元。
其中，参数向量确定单元用于根据驾驶样本确定参数向量。参数向量包括：车辆平均速度、速度标准差、车辆平均加速度、加速度标准差、速度变换范围和加速度变化范围。
特征向量/贡献值确定单元用于根据参数向量采用主元素分析算法确定与参数向量中每一参数相对应的特征向量和贡献值。
驾驶表征样本确定单元用于根据特征向量和贡献值确定特征主元，并采用特征主元表征驾驶样本，得到驾驶表征样本。特征主元为参数向量中的参数按贡献值降序排列后的前四个参数。
作为本发明的另一优选实施例，上述提供的插电式混合动力车辆实时能量管理系统还可以包括：径向基神经网络获取模块、训练样本/误差阈值获取模块和速度预测网络训练模块。
其中，径向基神经网络获取模块用于获取多个径向基神经网络。径向基神经网络的个数与子数据集的个数相同。
训练样本/误差阈值获取模块用于获取第一训练样本对和误差阈值。第一训练样本对包括训练子数据集以及与训练子数据集相对应的预测速度结果集。
速度预测网络训练模块用于采用训练样本对分别对径向基神经网络进行训练，并采用误差阈值调节径向基神经网络的预测步长，得到训练好的径向基神经网络。训练好的径向基神经网络即为速度预测网络。
作为本发明的再一优选实施例，上述提供的插电式混合动力车辆实时能量管理系统还可以包括：控制律map构建模块。控制律map构建模块具体包括：Q学习算法模型获取单元、概率转移矩阵确定单元、状态/动作变量获取单元、策略控制律确定单元和控制律map构建单元。
其中，Q学习算法模型获取单元用于获取Q学习算法模型。
概率转移矩阵确定单元用于根据Q学习算法模型和子数据集确定与子数据集相对应的概率转移矩阵。
状态/动作变量获取单元用于获取状态变量和动作变量。状态变量为车辆的电荷状态。动作变量为车辆的动力电池电流。
策略控制律确定单元用于以概率转移矩阵、状态变量和动作变量为输入，采用Q学习算法模型确定车辆的策略控制律。
控制律map构建单元用于根据概率转移矩阵、状态变量、动作变量和策略控制律构建控制律map。
作为本发明的又一优选实施例，上述SOC参考轨迹确定模块8具体包括：SOC参考轨迹确定单元。该SOC参考轨迹确定单元用于将控制变量序列输入Q学习算法中的控制导向模型中进行状态迭代更新后，得到SOC参考轨迹。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种插电式混合动力车辆实时能量管理方法，其特征在于，包括：
获取驾驶样本；所述驾驶样本包括：车辆行驶工况、车辆速度和车辆加速度；
根据所述驾驶样本确定驾驶表征样本；
根据所述驾驶表征样本，采用k均值算法对所述驾驶样本进行聚类得到标号不同的子数据集；
获取速度预测网络；所述速度预测网络是以子数据集为输入，以预测速度数据集为输出的神经网络模型；
根据所述子数据集和所述速度预测网络确定预测速度数据集；
获取车辆的当前状态信息SOC和控制律map；
以所述预测速度数据集和所述预测速度数据集的SOC为索引，对所述控制律map进行插值，得到控制变量序列；所述控制变量序列包括车辆动力电池的输出电流；
根据所述控制变量序列采用Q学习算法确定SOC参考轨迹；
采用MPC控制器根据所述SOC参考轨迹实时完成对车辆的能量管理。
2.根据权利要求1所述的插电式混合动力车辆实时能量管理方法，其特征在于，所述根据所述驾驶样本确定驾驶表征样本，具体包括：
根据所述驾驶样本确定参数向量；所述参数向量包括：车辆平均速度、速度标准差、车辆平均加速度、加速度标准差、速度变换范围和加速度变化范围；
根据所述参数向量采用主元素分析算法确定与所述参数向量中每一参数相对应的特征向量和贡献值；
根据所述特征向量和所述贡献值确定特征主元，并采用所述特征主元表征所述驾驶样本，得到驾驶表征样本；所述特征主元为所述参数向量中的参数按所述贡献值降序排列后的前四个参数。
3.根据权利要求1所述的插电式混合动力车辆实时能量管理方法，其特征在于，所述获取速度预测网络之前，还包括：
获取多个径向基神经网络；所述径向基神经网络的个数与所述子数据集的个数相同；
获取第一训练样本对和误差阈值；所述第一训练样本对包括训练子数据集以及与所述训练子数据集相对应的预测速度结果集；
采用所述训练样本对分别对所述径向基神经网络进行训练，并采用所述误差阈值调节所述径向基神经网络的预测步长，得到训练好的径向基神经网络；所述训练好的径向基神经网络即为所述速度预测网络。
4.根据权利要求1所述的插电式混合动力车辆实时能量管理方法，其特征在于，所述控制律map的构建过程具体包括：
获取Q学习算法模型；
根据所述Q学习算法模型和所述子数据集确定与所述子数据集相对应的概率转移矩阵；
获取状态变量和动作变量；所述状态变量为车辆的电荷状态；所述动作变量为车辆的动力电池电流；
以所述概率转移矩阵、所述状态变量和所述动作变量为输入，采用所述Q学习算法模型确定车辆的策略控制律；
根据所述概率转移矩阵、所述状态变量、所述动作变量和所述策略控制律构建所述控制律map。
5.根据权利要求1所述的插电式混合动力车辆实时能量管理方法，其特征在于，所述根据所述控制变量序列采用Q学习算法确定SOC参考轨迹，具体包括：
将所述控制变量序列输入所述Q学习算法中的控制导向模型中进行状态迭代更新后，得到SOC参考轨迹。
6.一种插电式混合动力车辆实时能量管理系统，其特征在于，包括：
驾驶样本获取模块，用于获取驾驶样本；所述驾驶样本包括：车辆行驶工况、车辆速度和车辆加速度；
驾驶表征样本确定模块，用于根据所述驾驶样本确定驾驶表征样本；
子数据集确定模块，用于根据所述驾驶表征样本，采用k均值算法对所述驾驶样本进行聚类得到标号不同的子数据集；
速度预测网络获取模块，用于获取速度预测网络；所述速度预测网络是以子数据集为输入，以预测速度数据集为输出的神经网络模型；
预测速度数据集确定模块，用于根据所述子数据集和所述速度预测网络确定预测速度数据集；
SOC-map获取模块，用于获取车辆的当前状态信息SOC和控制律map；
控制变量序列确定模块，用于以所述预测速度数据集和所述预测速度数据集的SOC为索引，对所述控制律map进行插值，得到控制变量序列；所述控制变量序列包括车辆动力电池的输出电流；
SOC参考轨迹确定模块，用于根据所述控制变量序列采用Q学习算法确定SOC参考轨迹；
能量管理模块，用于采用MPC控制器根据所述SOC参考轨迹实时完成对车辆的能量管理。
7.根据权利要求6所述的插电式混合动力车辆实时能量管理系统，其特征在于，所述驾驶表征样本确定模块具体包括：
参数向量确定单元，用于根据所述驾驶样本确定参数向量；所述参数向量包括：车辆平均速度、速度标准差、车辆平均加速度、加速度标准差、速度变换范围和加速度变化范围；
特征向量/贡献值确定单元，用于根据所述参数向量采用主元素分析算法确定与所述参数向量中每一参数相对应的特征向量和贡献值；
驾驶表征样本确定单元，用于根据所述特征向量和所述贡献值确定特征主元，并采用所述特征主元表征所述驾驶样本，得到驾驶表征样本；所述特征主元为所述参数向量中的参数按所述贡献值降序排列后的前四个参数。
8.根据权利要求6所述的插电式混合动力车辆实时能量管理系统，其特征在于，还包括：
径向基神经网络获取模块，用于获取多个径向基神经网络；所述径向基神经网络的个数与所述子数据集的个数相同；
训练样本/误差阈值获取模块，用于获取第一训练样本对和误差阈值；所述第一训练样本对包括训练子数据集以及与所述训练子数据集相对应的预测速度结果集；
速度预测网络训练模块，用于采用所述训练样本对分别对所述径向基神经网络进行训练，并采用所述误差阈值调节所述径向基神经网络的预测步长，得到训练好的径向基神经网络；所述训练好的径向基神经网络即为所述速度预测网络。
9.根据权利要求6所述的插电式混合动力车辆实时能量管理系统，其特征在于，还包括控制律map构建模块；所述控制律map构建模块具体包括：
Q学习算法模型获取单元，用于获取Q学习算法模型；
概率转移矩阵确定单元，用于根据所述Q学习算法模型和所述子数据集确定与所述子数据集相对应的概率转移矩阵；
状态/动作变量获取单元，用于获取状态变量和动作变量；所述状态变量为车辆的电荷状态；所述动作变量为车辆的动力电池电流；
策略控制律确定单元，用于以所述概率转移矩阵、所述状态变量和所述动作变量为输入，采用所述Q学习算法模型确定车辆的策略控制律；
控制律map构建单元，用于根据所述概率转移矩阵、所述状态变量、所述动作变量和所述策略控制律构建所述控制律map。
10.根据权利要求6所述的插电式混合动力车辆实时能量管理系统，其特征在于，所述SOC参考轨迹确定模块具体包括：
SOC参考轨迹确定单元，用于将所述控制变量序列输入所述Q学习算法中的控制导向模型中进行状态迭代更新后，得到SOC参考轨迹。
CN202011243673.1A 2020-11-10 2020-11-10 一种插电式混合动力车辆实时能量管理方法和系统 Active CN112101684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011243673.1A CN112101684B (zh) 2020-11-10 2020-11-10 一种插电式混合动力车辆实时能量管理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011243673.1A CN112101684B (zh) 2020-11-10 2020-11-10 一种插电式混合动力车辆实时能量管理方法和系统

Publications (2)

Publication Number Publication Date
CN112101684A true CN112101684A (zh) 2020-12-18
CN112101684B CN112101684B (zh) 2021-03-19

Family

ID=73785008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011243673.1A Active CN112101684B (zh) 2020-11-10 2020-11-10 一种插电式混合动力车辆实时能量管理方法和系统

Country Status (1)

Country Link
CN (1) CN112101684B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112660127A (zh) * 2020-12-30 2021-04-16 山东交通学院 一种基于深度迁移学习的列队混动卡车cacc能量管理方法
CN112785845A (zh) * 2020-12-30 2021-05-11 桂林电子科技大学 一种基于K-means聚类与RBF神经网络的车速预测方法
CN112937547A (zh) * 2021-01-28 2021-06-11 北京理工大学 一种基于全局工况的插电式混合动力公交车能量管理方法
CN113788007A (zh) * 2021-11-16 2021-12-14 北京理工大学 一种分层式实时能量管理方法和系统
CN114506311A (zh) * 2022-02-22 2022-05-17 燕山大学 一种变时域预测能量管理方法、装置、汽车及存储介质
CN115257697A (zh) * 2022-09-20 2022-11-01 北京理工大学 一种混动车辆能量管理及协同控制方法、系统及应用
CN116946107A (zh) * 2023-09-21 2023-10-27 北京航空航天大学 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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105216782A (zh) * 2015-09-30 2016-01-06 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
US20190118795A1 (en) * 2017-10-24 2019-04-25 Hyundai Motor Company Method for operating an energy management system and energy management system
CN109895760A (zh) * 2019-04-03 2019-06-18 大连理工大学 基于soc参考轨迹的插电式混合动力汽车能量管理方法
CN110605980A (zh) * 2019-09-20 2019-12-24 吉利汽车研究院（宁波）有限公司 基于插电式混合动力汽车充电习惯的能量管理方法及系统
CN111516702A (zh) * 2020-04-30 2020-08-11 北京理工大学 一种混合动力车辆在线实时分层能量管理方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105216782A (zh) * 2015-09-30 2016-01-06 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
US20190118795A1 (en) * 2017-10-24 2019-04-25 Hyundai Motor Company Method for operating an energy management system and energy management system
CN109895760A (zh) * 2019-04-03 2019-06-18 大连理工大学 基于soc参考轨迹的插电式混合动力汽车能量管理方法
CN110605980A (zh) * 2019-09-20 2019-12-24 吉利汽车研究院（宁波）有限公司 基于插电式混合动力汽车充电习惯的能量管理方法及系统
CN111516702A (zh) * 2020-04-30 2020-08-11 北京理工大学 一种混合动力车辆在线实时分层能量管理方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王钦普 等: "插电式混合动力汽车能量管理策略研究综述", 《机械工程学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112660127A (zh) * 2020-12-30 2021-04-16 山东交通学院 一种基于深度迁移学习的列队混动卡车cacc能量管理方法
CN112785845A (zh) * 2020-12-30 2021-05-11 桂林电子科技大学 一种基于K-means聚类与RBF神经网络的车速预测方法
CN112660127B (zh) * 2020-12-30 2022-04-22 山东交通学院 一种基于深度迁移学习的列队混动卡车cacc能量管理方法
CN112785845B (zh) * 2020-12-30 2022-11-01 桂林电子科技大学 一种基于K-means聚类与RBF神经网络的车速预测方法
CN112937547A (zh) * 2021-01-28 2021-06-11 北京理工大学 一种基于全局工况的插电式混合动力公交车能量管理方法
CN113788007A (zh) * 2021-11-16 2021-12-14 北京理工大学 一种分层式实时能量管理方法和系统
CN114506311A (zh) * 2022-02-22 2022-05-17 燕山大学 一种变时域预测能量管理方法、装置、汽车及存储介质
CN114506311B (zh) * 2022-02-22 2023-06-20 燕山大学 一种变时域预测能量管理方法、装置、汽车及存储介质
CN115257697A (zh) * 2022-09-20 2022-11-01 北京理工大学 一种混动车辆能量管理及协同控制方法、系统及应用
CN115257697B (zh) * 2022-09-20 2023-01-06 北京理工大学 一种混动车辆能量管理及协同控制方法、系统及应用
CN116946107A (zh) * 2023-09-21 2023-10-27 北京航空航天大学 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
CN116946107B (zh) * 2023-09-21 2023-12-01 北京航空航天大学 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

Also Published As

Publication number Publication date
CN112101684B (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN112101684B (zh) 一种插电式混合动力车辆实时能量管理方法和系统
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
Shen et al. Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network
CN106600059B (zh) 基于改进rbf神经网络的智能电网短期负荷预测方法
CN111260118B (zh) 一种基于量子粒子群优化策略的车联网交通流量预测方法
CN111047085B (zh) 一种基于元学习的混合动力车辆工况预测方法
CN110472778A (zh) 一种基于Blending集成学习的短期负荷预测方法
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN113435707B (zh) 基于深度学习和计权型多因子评价的测土配方施肥方法
CN112419711B (zh) 基于改进gmdh算法的封闭式停车场停车需求预测方法
CN115374995A (zh) 一种分布式光伏、小风电场站功率预测方法
CN114937366B (zh) 一种基于多尺度交通需求与供给转化的交通流推算方法
CN105913078A (zh) 改进自适应仿射传播聚类的多模型软测量方法
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN112098869B (zh) 一种基于大数据的自适应电动汽车soc估计方法
CN111311001A (zh) 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法
Tian et al. Method for predicting the remaining mileage of electric vehicles based on dimension expansion and model fusion
Abdelaziz et al. Convolutional Neural Network With Genetic Algorithm for Predicting Energy Consumption in Public Buildings
CN116911459A (zh) 适应于虚拟电厂的多输入多输出超短期电力负荷预测方法
CN111516702A (zh) 一种混合动力车辆在线实时分层能量管理方法和系统
CN116596105A (zh) 一种考虑配电网发展的充电站负荷预测方法
CN113788007B (zh) 一种分层式实时能量管理方法和系统
CN115544860A (zh) 间歇性分布式电源在复杂运行场景下的出力建模方法
Huang et al. Short-term load forecasting based on similar day approach and intelligent algorithm using analytic hierarchy process
CN111554089A (zh) 一种基于深度学习的交通状态预测方法及装置

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