CN112319462B - 一种插电式混合动力汽车能量管理方法 - Google Patents

Abstract

本发明涉及一种插电式混合动力汽车能量管理方法，属于新能源车辆控制技术领域。本发明首先利用电池历史运行数据建立动力电池寿命预测模型，基于该模型确定车辆当前电池寿命，并建立功率分流式PHEV模型和等效全寿命周期成本模型；然后以全寿命周期成本最小为优化目标，将全寿命周期成本最小作为代价函数，通过MPC系统控制模型求解得到发动机和电机转矩，实现对插电式混合动力汽车的能量管理。本发明以整车全寿命周期成本最小为目标，考虑了电池充放电对电池寿命的影响，平衡燃油经济性和电池更换的矛盾，降低了使用成本，为能量管理提供了新方向。

Description

一种插电式混合动力汽车能量管理方法

技术领域

本发明涉及一种插电式混合动力汽车能量管理方法，属于新能源车辆控制技术领域。

背景技术

面对能源危机和环境污染，开发新能源和相关节能技术以减少对不可再生能源的依赖和环境污染已成为全球发展共识。发展新能源汽车，从交通和汽车工业的角度带动并引领能源产业革命是当前汽车技术研究的热点。插电式混合动力汽车(Plug-in HybridElectric Vehicle,PHEV)具有比普通混合动力汽车更好的经济性和排放性能，比纯电动汽车更长的续驶里程，其控制策略作为保障多动力源协调工作的核心，直接影响整车动力性和经济性。

插电式混合动力汽车的控制方法目前主要有基于规则的控制策略和基于优化的控制策略。此外，基于模型预测控制(Model Predictive Control,MPC)的方法能实时应用，并可预测未来工况，具有更好的节能效果。动力电池作为插电式混合动力汽车的重要组成部分，在汽车使用中过早衰减导致提前更换会大幅增加整车成本，而减少电池衰减又不可避免的增加当前能耗，过度保护电池也会使得能耗增加，使得车辆寿命周期内电池得不到充分利用。目前插电式混合动力汽车设计的控制策略大多没有考虑到其对电池衰减速度的影响，以及更换电池导致对整车经济性的影响，使得能量管理中存在的成本高的问题。

发明内容

本发明的目的是提供一种插电式混合动力汽车能量管理方法，以解决目前能量管理过程中没有考虑电池寿命导致能量管理存在的成本高的问题。

本发明为解决上述技术问题而提供一种插电式混合动力汽车能量管理方法，该管理方法包括以下步骤：

1)获取与当前车辆所使用的相同型号在役或退役电池历史运行数据；

2)建立动力电池寿命预测模型，并利用步骤1)获取的历史运行数据对该预测模型进行训练，获取当前车辆的电池运行数据，计算出对应的车辆使用末期的电池特征参数，将其输入到该预测模型中得到车辆使用末期的电池预测寿命；

3)根据车辆使用末期的电池预测寿命建立全寿命周期成本模型；

4)以全寿命周期成本模型最小作为优化目标，并将该优化目标作为MPC控制器的代价函数，建立MPC预测控制模型，根据车辆工况预测的需求转矩求解该MPC预测控制模型，确定出对应的发动机转矩和电机转矩，并将MPC预测控制模型的结果输出到PHEV模型中，并将实际结果反馈给对MPC控制器进行更新。

本发明首先利用电池历史运行数据建立动力电池寿命预测模型，基于该模型确定车辆当前电池寿命，并建立功率分流式PHEV模型和全寿命周期成本模型；然后以全寿命周期成本最小为优化目标，将全寿命周期成本最小作为代价函数，通过MPC系统控制模型求解得到发动机和电机转矩，实现对插电式混合动力汽车的能量管理。本发明以整车全寿命周期成本最小为目标，考虑了电池充放电对电池寿命的影响，平衡燃油经济性和电池更换的矛盾，降低了使用成本，为能量管理提供了新方向。

进一步地，所述全寿命周期成本模型为：

c＝c_op+c_bat

c_op＝F·P_fuel+E·P_elec

c_bat＝γQP_bat/t_life

其中c为综合成本，c_op表示能耗成本，c_bat表示电池更换成本，F和E分别为油耗和电耗，P_fuel和P_elec分别为燃油价格和电能价格，Q为电池容量，P_bat为电池单位成本系数，t_life为车辆总使用时间，γ为电池更换系数，由电池预测寿命确定。

进一步地，所述步骤4)使用指数函数预测驾驶员未来需求转矩，使用二次规划算法求解最优控制序列，将最优控制第一项施加于功率分流式PHEV模型。

进一步地，为了准确、快速实现对预测模型的训练，在利用历史运行数据对动力电池寿命预测模型进行训练时，还包括从历史运行数据中进行特征参数的提取和对提取的特征参数进行主成分分析的步骤；所述历史运行数据包括数据采集时间、电池荷电状态SOC、电池健康状态SOH、电池总电压、电池总电流、电池温度、累计充放电容量、累计充放电次数、额定电池容量、车辆行驶状态、车辆行驶里程；提取的特征参数包括累计放出电量、放电最低SOC、最大回馈电流、平均回馈电流、最大放电电流、平均放电电流。

进一步，为了准确快速实现对电池寿命的预测，所述步骤2)中的动力电池寿命预测模型采用径向基神经网络模型。

进一步地，为了解决径向基神经网络存在中心值、初始权值和阈值不能准确获得的问题，所述径向基神经网络模型中心值、初始权值和阈值采用遗传优化算法确定。

进一步地，为了准确实现工况的预测，所述的指数函数为：

其中t为采样时间，τ为决策衰变率，T_d(k+i)为k+i时刻的车辆需求转矩，T_d(k)为k时刻的车辆需求转矩。

附图说明

图1是本发明插电式混合动力汽车能量管理方法的流程图；

图2是本发明动力电池寿命预测模型的建立过程示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步地说明。

本发明首先获取相同型号在役或退役电池历史运行数据，建立训练集；然后利用动力电池组历史数据离线训练遗传算法优化的径向基神经网络模型得到动力电池寿命预测模型；再建立功率分流式PHEV模型和全寿命周期成本模型；最后以全寿命周期成本最小为优化目标，求解最优控制问题，得到最转矩分配，从而实现能量管理。本发明以整车全寿命周期成本最小为目标，考虑了电池充放电对电池寿命的影响，平衡燃油经济性和电池更换的矛盾，降低了使用成本，为能量管理提供了新方向。该方法的实现流程如图1所示，具体实现过程如下。

1.获取相同型号在役或退役电池历史运行数据。

本发明获取的电池历史运行数据包括数据采集时间、电池荷电状态SOC、电池健康状态SOH、电池总电压、电池总电流、电池温度、累计充放电容量、累计充放电次数、额定电池容量、车辆行驶状态、车辆行驶里程。从获取的上述运行数据提取出特征参数，本发明的提取的特征参数包括累计放出电量、放电最低SOC、最大回馈电流、平均回馈电流、最大放电电流、平均放电电流，采用主成分分析(Principal Component Analysis，PCA)算法对特征参数进行降维、非线性化处理，得到健康因子。该步骤可由新能源汽车监控平台实现，该监控平台能够获取不同新能源车辆的运行数据，包括新能源车辆上动力电池的运行数据。

2.建立动力电池寿命预测模型，基于步骤1中得到健康因子对该模型进行训练。

本发明的动力电池寿命预测模型采用的是径向基神经网络模型，径向基神经网络存在中心值、初始权值、阈值不能准确获得的缺陷，利用具有全局搜索能力的遗传优化算法对其参数进行寻优，建立基于遗传算法优化的径向基神经网络预测模型，利用建立好的训练集对模型进行离线训练，得到电池寿命预测模型。该模型的训练过程如图2所示。获取车辆当前的电池特征参数，假设车辆每日的电池使用情况相同，则车辆使用末期的特征参数相对于当前特征参数中只有累计放出电量发生变化，车辆使用末期的累计放出电量为当前单日平均累计放出电量与车辆使用时间的乘积)，将得到的车辆使用末期的特征参数代入到训练好的电池寿命预测模型中就可以得到车辆使用末期的电池寿命。

3.根据车辆使用末期的电池预测寿命建立全寿命周期成本模型。

其中全寿命周期成本模型是以全寿命周期内电池更换成本和能耗成本组合而成的综合成本最小化为优化目标，该模型可等效为单次循环工况的能耗成本和等效电池更换成本之和。

全寿命周期成本模型可描述为：

c＝c_op+c_bat

其中，c为综合成本，c_op表示能耗成本，c_bat表示电池更换成本。

能耗成本为：

c_op＝F·P_fuel+E·P_elec

其中，F和E分别为油耗和电耗，P_fuel和P_elec分别为燃油价格和电能价格。

电池更换成本为：

c_bat＝γQP_bat/t_life

其中，Q为电池容量，P_bat为电池单位成本系数，t_life为车辆总使用时间，单位天，γ为电池更换系数，在汽车使用周期内电池性能可以满足使用需求，即

大于等于80％，则γ＝0；在车辆使用周期内电池性能衰减过度，需更换才可以满足使用需求，即

小于80％，则γ＝1，

为车辆使用末期电池SOH，是通过获取当前的特征参数，根据当前的特征参数计算得到(假设汽车每日的电池使用情况相同，则车辆使用末期的特征参数相对于当前特征参数只有累计放出电量发生变化，车辆使用末期的累计放出电量为当前单日平均累计放出电量与车辆使用时间的乘积)，将得到的车辆使用末期的特征参数作为步骤2中预测模型输入，该预测模型的输出结果即为车辆使用末期的电池SOH。

4.以全寿命周期成本最小作为优化目标，并将该优化目标作为MPC控制器的代价函数，建立MPC预测控制模型，根据车辆工况预测的需求转矩求解该MPC预测控制模型，确定出对应的发动机转矩和电机转矩，按照确定的转矩进行分配。

本发明建立的代价函数为：

J(k)为代价函数，

为燃油消耗率，P_batt为电池功率，t_k表示模型预测控制算法中的预测时间的下界，t_p表示模型预测控制算法中的预测域长度，t表示时间。动力电池寿命预测模型中，SOH与最大放电电流，平均放电电流，最大回馈电流，平均回馈电流，SOC相关，通过变量代换，SOH仅与SOC(t)，I(t)，t相关，所以γ仅与SOC(t)，I(t)，t相关。

建立的预测控制模型MPC为：

x＝f(x,u),y＝g(x,u)

其中x为状态变量，即动力电池SOC，u为控制变量，即T_m，y为输出向量，包括电池功率P_batt、发动机转矩T_e和电机转矩T_m。

约束条件为：

SOC_min和SOC_max分别为电池SOC限制的最小和最大值；n_emin和n_emax分别为发动机最小和最大转速，n_mmin和n_mmax分别为电机最小和最大转速；T_emin和T_emax分别为发动机最佳燃油消耗区间内的输出的最小和最大转矩；T_mmin和T_mmax分别为电机最佳效率区间的输出最小和最大转矩。

驾驶员未来需求转矩是不可知的，假设在预测范围内呈指数递增，表示为：

t为采样时间；τ为决策衰变率。

在预测时域内，使用二次规划算法求解最优控制序列，而后将最优控制第一项施加于车辆动力系统，而后时间滚动到k+1时刻，重复以上步骤，直至车辆到达目的地。在上述控制过程中，为了保证MPC控制器的精度，需要将得到转矩分配值和实际功率需求值带入到功率分流式PHEV模型中，利用PHEV模型的输出结果对MPC控制器中的工况预测模型和全寿命周期成本模型进行反馈校正。

通过上述过程，本发明以整车全寿命周期成本最小为目标，考虑了电池充放电对电池寿命的影响，能够平衡燃油经济性和电池更换的矛盾，降低了使用成本，为能量管理提供了新方向。

Claims (7)

1.一种插电式混合动力汽车能量管理方法，其特征在于，该管理方法包括以下步骤：

1)获取与当前车辆所使用的相同型号在役或退役电池历史运行数据；

2)建立动力电池寿命预测模型，并利用步骤1)获取的历史运行数据对该预测模型进行训练，获取当前车辆的电池运行数据，计算出对应的车辆使用末期的电池特征参数，将其输入到该预测模型中得到车辆使用末期的电池预测寿命；

3)根据车辆使用末期的电池预测寿命建立全寿命周期成本模型；

4)以全寿命周期成本最小作为优化目标，并将该优化目标作为MPC控制器的代价函数，建立MPC预测控制模型，根据车辆工况预测的需求转矩求解该MPC预测控制模型，确定出对应的发动机转矩和电机转矩，并将MPC预测控制模型的结果输出到PHEV模型中，并将实际结果反馈给对MPC控制器进行更新。

2.根据权利要求1所述的插电式混合动力汽车能量管理方法，其特征在于，所述全寿命周期成本模型为：

c＝c_op+c_bat

c_op＝F·P_fuel+E·P_elec

c_bat＝γQP_bat/t_life

其中c为综合成本，c_op表示能耗成本，c_bat表示电池更换成本，F和E分别为油耗和电耗，P_fuel和P_elec分别为燃油价格和电能价格，Q为电池容量，P_bat为电池单位成本系数，t_life为车辆总使用时间，γ为电池更换系数，由电池预测寿命确定。

3.根据权利要求1或2所述的插电式混合动力汽车能量管理方法，其特征在于，所述步骤4)使用指数函数进行车辆工况的需求转矩的预测。

4.根据权利要求1所述的插电式混合动力汽车能量管理方法，其特征在于，在利用历史运行数据对动力电池寿命预测模型进行训练时，还包括从历史运行数据中进行特征参数的提取和对提取的特征参数进行主成分分析的步骤；所述历史运行数据包括数据采集时间、电池荷电状态SOC、电池健康状态SOH、电池总电压、电池总电流、电池温度、累计充放电容量、累计充放电次数、额定电池容量、车辆行驶状态、车辆行驶里程；提取的特征参数包括累计放出电量、放电最低SOC、最大回馈电流、平均回馈电流、最大放电电流、平均放电电流。

5.根据权利要求1或2所述的插电式混合动力汽车能量管理方法，其特征在于，所述步骤2)中的动力电池寿命预测模型采用径向基神经网络模型。

6.根据权利要求5所述的插电式混合动力汽车能量管理方法，其特征在于，所述径向基神经网络模型中心值、初始权值和阈值采用遗传优化算法确定。

7.根据权利要求3所述的插电式混合动力汽车能量管理方法，其特征在于，所述的指数函数为：

其中t为采样时间，τ为决策衰变率，T_d(k+i)为k+i时刻的车辆需求转矩，T_d(k)为k时刻的车辆需求转矩。

Images