CN112526883B - 一种基于智能网联信息的整车能量管理方法 - Google Patents

Abstract

本发明提出了一种基于智能网联信息的整车能量管理方法，属于电动汽车能量管理技术领域；具体为：首先，针对某个目标车辆，利用智能网联获取该车辆的动态交通信息，构建目标函数和约束条件；然后、在约束条件下利用动态规划的方法求解目标函数，得到目标车辆的最优加速度a；同时，搭建动力电池等效电路模型，设定状态空间方程并进行离散化；使用扩展卡尔曼滤波法进行求解，得到电池实时荷电状态值SOC，作为电池电量条件；最后，将目标车辆的最优加速度a与电池电量条件作为能量管理的优化因子，采用基于模糊控制的方法对电动汽车动力系统与非动力系统的用电进行分配管理；本发明的能量管理新颖且有效。

Description

一种基于智能网联信息的整车能量管理方法

技术领域

本发明涉及一种基于智能网联信息的整车能量管理方法，属于电动汽车能量管理技术领域。

背景技术

电动汽车续驶里程与电池寿命是制约电动汽车发展的关键因素；电动汽车的能量管理技术可以有效提升使用经济性，提高电动汽车续驶里程。另外，由于动力电池的容量比较稳定，短期内难以有较大的技术突破，所以能量管理技术是现在最有效、最实用的提升电动汽车续驶里程的关键技术。

目前，纯电动汽车的能量管理多集中于多能量源的能量管理与优化，如动力电池与超级电容两能量源的能量管理。但是，现有的电动汽车多为单能量源，即只有动力电池作为动力源并为其他用电设备供电。所以基于多能量源的能量管理技术对于现有产业化电动汽车并不适用。基于单能量源的能量管理技术尚比较初级，多为门限法，不能有效地对能量流进行优化。

另外，在智能网联技术快速发展的今天，充分结合现有的智能网联技术可以获得的道路交通信息，将会对电动汽车能量管理模型的发展带来更大的潜力。然而目前考虑这一点进行纯电动汽车能量管理的研究尚为空缺。

发明内容

为了满足电动汽车整车经济性、提升续驶里程以及保证电池安全性的要求，本发明提出了一种基于智能网联信息的整车能量管理方法，利用智能网联模型获取动态交通信息，并综合考虑电池与车辆的状态，进行电动汽车能量的优化管理。

具体步骤如下：

步骤一、针对某个目标车辆，利用智能网联获取该车辆的动态交通信息，构建目标函数和约束条件；

交通信息包括目标车辆与前车的距离、前车的速度、目标车辆与信号灯路口的距离，以及绿灯时间等。

目标函数及约束条件如下：

minimize|a|

(3)t₁≤t；t_g≤t≤t_x

(4)P_traction/η_tf+P_accesseries≤P_battery

(5)v₀+at₁≤v_limit

其中，a为目标车辆的加速度；v₀为目标车辆的初速度；t₁是目标车辆的加速时间；t为通过路段的总时间；D为目标车辆到信号灯路口的距离；v_-1是前车的初速度；a_-1是前车的加速度；D₀为目标车辆与前车之间的最小车距；t_g为通过路口的时间下限；t_x为通过路口的时间上限；P_traction为目标车辆的牵引功率；η_tf为目标车辆传动模型效率；P_accesseries为目标车辆附件功率；P_battery为目标车辆电池功率；v_limit为目标车辆最高速度。

约束条件(1)是为了计算目标车辆与信号灯路口之间的距离，使求得的加速度a满足目标车辆通过信号灯路口的要求。

约束条件(2)是为了计算目标车辆与前车之间的距离，使求得的加速度a满足目标车辆与前车不相撞的要求。

约束条件(3)是为了计算目标车辆通过路口的时间，使求得的加速度a满足在时间t内通过路口，且时间t不大于目标车辆的加速时间。

约束条件(4)是为了计算目标车辆的功率，使求得的加速度a满足目标车辆现有电池功率。

约束条件(5)是为了计算目标车辆的车速，使求得的加速度a满足目标车辆通过路口的过程中，速度不大于目标车辆最高速度。

步骤二、在约束条件下利用动态规划的方法求解目标函数，得到目标车辆的最优加速度a。

步骤三、搭建动力电池等效电路模型，设定状态空间方程并进行离散化；

电池等效电路模型简称为电池模型，为电池正极依次串联：极化内阻R_s与极化电容C_s的并联电路，欧姆内阻R_i，开路电压V_oc连接电池负极。

设定电池端电压为V，电池充放电电流i在充电时为正，放电时为负；电池模型的输入电流u＝i，电池模型的输出端电压y＝V，则电池模型的状态空间方程表示为：

y＝V_oc(SOC)+V_s+i·R_i

其中，x为电池模型的状态向量，x＝[SOC V_s]^T，SOC为电池荷电状态值，V_s为电池极化回路电压。A为状态空间方程的传递矩阵，B为状态空间方程的输入矩阵，

η为充放电倍率，Q_b为电池容量；

对电池模型的状态空间方程离散化，选择采样时间间隔T_s＝1s，并且考虑电池模型的过程噪声和测量噪声，得到离散化的状态空间方程为：

x_k+1＝A_d·x_k+B_d·i_k+w_k

y_k＝V_oc,k(SOC_k)+V_s,k+i_kR_i+v_k

其中，x_k是k时刻电池模型的状态向量；y_k是k时刻电池模型的测量输出；w_k为k时刻的过程噪声；SOC_k是k时刻的电池荷电状态值；V_oc,k是k时刻的电池开路电压值，i_k是k时刻电池模型的输入变量，即电池的充放电电流；V_s,k是k时刻等效电路模型中的极化电压；v_k为k时刻的测量噪声；A_d和B_d为离散化后的传递矩阵和输入矩阵，表示为：

步骤四、使用扩展卡尔曼滤波法求解离散化的状态空间方程，得到电池实时荷电状态值SOC，作为电池电量条件；

扩展卡尔曼滤波求解的过程为：

步骤401、针对初始t₀时刻，设置迭代次数k＝0时的扩展卡尔曼滤波器的初始值，分别为：

初始状态估计值为：

x₀为初始状态向量x₀＝[SOC₀ V_s,0]^T；SOC₀为电池荷电状态的初始值；V_s,0为电池极化回路电压的初始值；

初始估计值误差协方差矩阵为：

初始模型输入为电池电流初值i₀；

初始的过程噪声和测量噪声的方差为

和

步骤402、利用前一时刻的状态估计值和估计值误差协方差矩阵对后一时刻进行先验计算。

具体为：采用t_k-1时刻的初始状态估计值

初始估计值误差协方差矩阵

电池模型输入的电流初值i_k-1，初始的过程噪声协方差矩阵

和测量噪声的协方差矩阵

计算t_k时刻的估计值和状态估计误差方差矩阵：

为k时刻的状态先验估计值；i_k-1是k-1时刻电池模型的输入变量，即电池的充放电电流；

为k时刻的估计值误差协方差矩阵先验估计值；

步骤403、根据传感器测量的电池端电压值y_k更新状态估计反馈增益矩阵，状态估计值和状态估计误差方差矩阵：

为k时刻的状态估计反馈增益矩阵；

为状态向量x_k的估计值；

为状态估计误差方差矩阵；I是单位矩阵。

步骤404、判断是否达到迭代次数，如果是，输出电池实时荷电状态SOC；否则，返回步骤402。

步骤五、将目标车辆的最优加速度a与电池电量条件作为能量管理的优化因子，采用基于模糊控制的方法对电动汽车动力系统与非动力系统的用电进行分配管理。

利用目标车辆的加速度a、实时估计的电池荷电状态值SOC以及用温度传感器测量的电池包温度T决定功率比例ξ，确定分配给非动力系统的功率，即：

P_fei为分配给非动力系统的功率，P_command为电动汽车动力系统需要的功率，用功率平衡方程计算：

其中，η_T为传动效率；m为汽车质量；g为重力加速度；f为滚动阻力系数；C_D为空气阻力系数；A_D为汽车迎风面积；δ为旋转质量转换系数；以上参数可以通过查阅车辆出厂信息获得。i_s为坡度；v_x为汽车速度；a_x为汽车加速度，以上参数可以通过传感器测量获得。

功率比例ξ采用模糊逻辑的方式进行计算，具体为：

模糊控制的输入变量有：目标车辆的加速度a、实时估计的电池荷电状态值SOC以及用温度传感器测量的电池包温度T。

输出变量为分配给非驱动系统的功率比例ξ。

输出变量和输入变量的模糊子集分别定义如下：

ξ:{LE ML ME MB GE}

SOC:{LE ME GE}

a:{LE ME GE}

T:{LE ME GE}

其中，各参数的取值范围为ξ∈[0,1]；SOC∈[0,1]；a∈[0,3m/s²]；T∈[15℃,50℃]。各模糊控制量的含义为：LE为较小；ML为中小；ME为中等；MB为中大；GE为较大，对应各参数值取值区间进行均分即可。

本发明的优点在于：

一种基于智能网联信息的整车能量管理方法，基于智能网联模型的动态交通信息，并计算车辆加速度条件与综合电池荷电条件，利用模糊控制对电动汽车能量进行管理。这是一种新颖且有效的能量管理方法。

附图说明

图1为本发明所述基于智能网联信息的整车能量管理方法的流程图；

图2为本发明所述的Thevenin电池等效电路模型图；

图3为本发明所述的使用EKF进行SOC估计的流程图。

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。

本发明提供了一种基于智能网联信息的整车能量管理方法，以解决通过智能网联提供的动态交通信息，实现电动汽车能量管理有效管理的问题，如图1所示，具体步骤如下：

步骤一、针对某个目标车辆，利用智能网联获取该车辆的动态交通信息，构建目标函数和约束条件；

交通信息包括目标车辆与前车的距离、前车的速度、目标车辆与信号灯路口的距离，以及绿灯时间等。

目标函数及约束条件如下：

minimize|a|

(3)t₁≤t；t_g≤t≤t_x

(4)P_traction/η_tf+P_accesseries≤P_battery

(5)v₀+at₁≤v_limit

其中，a为目标车辆的加速度；v₀为目标车辆的初速度；t₁是目标车辆的加速时间；t为通过路段的总时间；D为目标车辆到信号灯路口的距离；v_-1是前车的初速度；a_-1是前车的加速度；D₀为目标车辆与前车之间的最小车距；t_g为通过路口的时间下限；t_x为通过路口的时间上限；P_traction为目标车辆的牵引功率；η_tf为目标车辆传动模型效率；P_accesseries为目标车辆附件功率；P_battery为目标车辆电池功率；v_limit为目标车辆最高速度。

约束条件(1)是为了计算目标车辆与信号灯路口之间的距离，使求得的加速度a满足目标车辆通过信号灯路口的要求。

约束条件(2)是为了计算目标车辆与前车之间的距离，使求得的加速度a满足目标车辆与前车不相撞的要求。

约束条件(3)是为了计算目标车辆通过路口的时间，使求得的加速度a满足在时间t内通过路口，且时间t不大于目标车辆的加速时间。

约束条件(4)是为了计算目标车辆的功率，使求得的加速度a满足目标车辆现有电池功率。

约束条件(5)是为了计算目标车辆的车速，使求得的加速度a满足目标车辆通过路口的过程中，速度不大于目标车辆最高速度。

步骤二、在约束条件下利用动态规划的方法求解目标函数，得到目标车辆的最优加速度a。

最优加速度a即目标车辆的建议加速度；

步骤三、搭建动力电池等效电路模型，设定模型的状态空间方程，并对状态空间方程进行离散化。

如图2所示，等效电路模型简称电池模型，包括电池的极化内阻R_s，电池的极化电容C_s，欧姆内阻R_i，电池的开路电压V_oc；设定电池端电压V，电池充放电电流i在充电时为正，放电时为负；

电池正极依次串联：极化内阻R_s与极化电容C_s的并联电路，欧姆内阻R_i，开路电压V_oc连接电池负极。

电池模型输入电流u＝i，电池模型输出端电压y＝V，则电池模型的状态空间方程表示为：

y＝V_oc(SOC)+V_s+i·R_i

其中，x为电池模型的状态向量，x＝[SOC V_s]^T，SOC为电池荷电状态值，V_s为电池并联回路的端，称为扩散电压。A为状态空间方程的传递矩阵，B为状态空间方程的输入矩阵，

η为电池充放电效率，Q_b为电池容量。

对电池模型的状态空间方程离散化，选择采样时间间隔T_s＝1s，并且考虑模型的过程噪声和测量噪声，得到离散化的状态空间方程为：

x_k+1＝A_d·x_k+B_d·u_k+w_k

y_k＝V_oc,k(SOC_k)+V_s,k+i_kR_i+v_k

其中，x_k是k时刻的电池模型状态向量；y_k是k时刻电池模型的测量输出；u_k是k时刻电池模型输入的电池电流；w_k为k时刻的过程噪声；SOC_k是k时刻的电池荷电状态值；V_oc,k是k时刻的电池开路电压值，i_k是k时刻的模型输入变量，取值为u_k；V_s,k是k时刻等效电路模型中的极化电压；v_k为k时刻的测量噪声；w_k和v_k都是均值为零的高斯白噪声，两个噪声互不相关；A_d和B_d为离散化后的传递矩阵和输入矩阵，表示为：

步骤四、使用扩展卡尔曼滤波法求解离散化的状态空间方程，得到电池实时荷电状态值SOC，作为电池电量条件；

如图3所示，扩展卡尔曼滤波求解的过程为：

步骤401、针对初始t₀时刻，设置迭代次数k＝0时的扩展卡尔曼滤波器的初始值，分别为：

初始状态估计值为：

x₀为初始状态向量x₀＝[SOC₀ V_s,0]^T；SOC₀为电池荷电状态的初始值；V_s,0为电池极化回路电压的初始值；E[·]为对中括号内的数据求期望值。

初始估计值误差协方差矩阵为：

初始模型输入为电池电流初值i₀；

初始的过程噪声和测量噪声的方差为

和

步骤402、利用前一时刻的状态估计值和状态估计误差协方差矩阵对后一时刻进行先验计算。

具体为：采用t₀时刻的初始状态估计值

初始估计值误差协方差矩阵

模型输入电流初值i₀，初始的过程噪声和测量噪声的方差计算t₁时刻的状态估计值和状态估计误差协方差矩阵；

同理，利用t_k-1时刻的初始状态估计值

初始估计值误差协方差矩阵

模型输入的电流初值i_k-1，初始的过程噪声和测量噪声的方差计算t_k时刻的估计值和状态估计误差方差矩阵：

为k时刻的状态先验估计值；i_k-1是k-1时刻的模型输入变量，即电池的充放电电流；

是状态估计误差方差矩阵k-1时刻的估计值，初始值选为0；

是k-1时刻过程噪声的协方差矩阵。

为k时刻的估计值误差协方差矩阵先验估计值；

步骤403、根据从传感器测量得到的电池端电压值y_k更新状态估计反馈增益矩阵，估计值和状态估计误差方差矩阵：

为k时刻的状态估计反馈增益矩阵；

是测量噪声的协方差矩阵；

为状态向量x_k的估计值；

为状态估计误差方差矩阵；I是单位矩阵。

计算中用到的参数还包括t_k时刻的模型输入电流初值i_k，初始的过程噪声和测量噪声的方差；

步骤404、判断是否达到迭代次数，如果是，输出电池实时荷电状态SOC；否则，返回步骤402。

步骤五、将目标车辆的最优加速度a与电池电量条件作为能量管理的优化因子，采用基于模糊控制的方法对电动汽车动力系统与非动力系统的用电进行分配管理。

整个电动汽车系统的功率分配分为动力系统和非动力系统。

利用目标车辆的加速度a、实时估计的电池荷电状态值SOC以及用温度传感器测量的电池包温度T决定功率比例ξ，利用该值确定分配给非动力系统的功率，即

P_fei为分配给非动力系统的功率，P_command为电动汽车动力系统需要的功率，可以用功率平衡方程计算：

其中，η_T为传动效率；m为汽车质量；g为重力加速度；f为滚动阻力系数；C_D为空气阻力系数；A_D为汽车迎风面积；δ为旋转质量转换系数；以上参数可以通过查阅车辆出厂信息获得。i_s为坡度；v_x为汽车速度；a_x为汽车加速度；以上参数可以通过传感器测量获得。

通过上式，可实现电动汽车的功率分配。

功率比例ξ采用模糊逻辑的方式进行计算，具体为：

模糊控制的输入变量有：目标车辆的加速度a、实时估计的电池荷电状态值SOC以及用温度传感器测量的电池包温度T。

输出变量为分配给非驱动系统的功率比例ξ。

输出变量和输入变量的模糊子集分别定义如下：

ξ:{LE ML ME MB GE}

SOC:{LE ME GE}

a:{LE ME GE}

T:{LE ME GE}

其中，各参数的取值范围为ξ∈[0,1]；SOC∈[0,1]；a∈[0,3m/s²]；T∈[15℃,50℃]。各模糊控制量的含义为：LE为较小；ML为中小；ME为中等；MB为中大；GE为较大，对应各参数值取值区间进行均分即可。

实施例：

首先，利用智能网联获取目标车辆的动态交通信息，对车辆行驶路线进行规划，并将所规划的车辆行驶路线转化为车辆速度需求的方法流程图；

包括获取OSM地图数据；提取道路节点信息并处理；设置基于实时交通信息的路段权值；输入起始点后，运用路径搜索算法进行寻路；实时交通信息的动态更新；行车过程中重新设置路段权值并寻路；将路径信息转换为加速度信息等步骤。

获取实时道路交通信息之后，需要对局部的加速度需求进行优化求解，实时道路交通信息可以提供的信息有前车的速度、信号灯的距离与绿灯时间等。另外前车的距离可以通过车载毫米波雷达获得。

考虑到实际情况中，车辆在低速时比高速时有更大的加速能力，假设车辆需求牵引力不能超过车辆最大驱动功率。车辆动力学公式如下：

其中，M为车辆质量；v是汽车的速度；a为汽车加速度；θ为道路坡度；ρ为空气密度；A为迎风面积；C_a为风阻系数；P_traction为牵引功率。在这些基础上，通过目标函数加以四个约束条件，采用动态规划的方法求解优化条件，就可以获得优化的加速度。

然后、搭建动力电池等效电路模型，求解电池实时荷电状态，得到电池电量条件；

所选择的等效电路模型为Thevenin模型，R_i为电池的欧姆内阻，模拟充放电过程中电损失消耗的能量；R_s为电池的极化内阻，C_s为电池的极化电容，两者并联回路模拟电化学反应中的扩散现象，V_s为两者并联组成回路的端电压，称为扩散电压；电压源V_oc为电池的开路电压(Open Circuit Voltage,OCV)；i为电池充放电电流，在本文中定义充电时为正，放电时为负；V为电池端电压，可以直接测量得到：

V＝V_oc(S_oc)+V_s+i·R_i (3)

由于开路电压和SOC之间有固定的关系，可以把SOC作为变量引入电池模型的数学表达式。SOC随时间的变化关系为：

其中，S(0)为初始时刻的SOC，η为电池充放电效率；C_t为电池额定容量。

取状态向量x＝[S V_s]^T，电池模型的输出y＝V，电池模型的输入u＝i，则电池模型的状态空间方程可以表示为：

y＝V_oc(S)+V_s+i·R_i (6)

其中，

对以上电池模型进行离散化，选择采样时间间隔T_s＝1s，并且考虑模型的过程噪声和测量噪声，得到离散化的状态空间方程为：

x_k+1＝A_d·x_k+B_d·u_k+w_k (7)

y_k＝V_oc,k(S_k)+V_s,k+i_kR_i+v_k (8)

其中，x_k是k时刻的电池模型状态向量；y_k是k时刻电池模型的测量输出；i_k是k时刻的模型输入变量，即电池的充放电电流；V_s,k是k时刻等效电路模型中的极化电压；w_k和v_k分别为k时刻的过程噪声和测量噪声，均值为零，方差分别为Σw、Σv的高斯白噪声，两个噪声互不相关；A_d和B_d为离散化后的传递矩阵和输入矩阵，表示为：

进而采用EKF对电池实时核电状态进行估计，具体过程为：

t₀(k＝0)时刻，

1.EKF初始化，主要包括：

对于t_k时刻

2.时间更新：

3.测量更新：

4.循环运行第2-3步。

其中，

为x_k的估计值；

为容量估计误差方差矩阵；

为状态估计误差方差矩阵；

为状态先验估计值；

为状态估计误差方差矩阵先验估计值；

为状态估计反馈增益矩阵。

最后、将车辆加速度条件与电池电量条件作为能量管理的优化因子，采用基于模糊控制的方法对电动汽车动力模型与非动力模型的用电进行分配管理。

模糊控制需要考虑的输入变量有：通过智能网联信息获得的加速度a、实时估计的电池S荷电状态值SOC，以及用温度传感器测量的电池包温度T。

输出变量为可以分配给非驱动模型的功率比例ξ。

输出变量和输入变量的模糊子集分别定义如下：

ξ:{LE ML ME MB GE} (16)

SOC:{LE ME GE} (17)

a:{LE ME GE} (18)

T:{LE ME GE} (19)

其中，LE为较小；ML为中小；ME为中等；MB为中大；GE为较大。控制规则如表1所示。

表1模糊控制规则表

Claims (5)

1.一种基于智能网联信息的整车能量管理方法，其特征在于，具体步骤如下：

步骤一、针对某个目标车辆，利用智能网联获取该车辆的动态交通信息，构建目标函数和约束条件；

目标函数及约束条件如下：

minimize |a|

s.t.(1)

(2)

(3)t₁≤t；t_g≤t≤t_x

(4)P_traction/η_tf+P_accesseries≤P_battery

(5)v₀+at₁≤v_limit

其中，a为目标车辆的加速度；v₀为目标车辆的初速度；t₁是目标车辆的加速时间；t为通过路段的总时间；D为目标车辆到信号灯路口的距离；v_-1是前车的初速度；a_-1是前车的加速度；D₀为目标车辆与前车之间的最小车距；t_g为通过路口的时间下限；t_x为通过路口的时间上限；P_traction为目标车辆的牵引功率；η_tf为目标车辆传动模型效率；P_accesseries为目标车辆附件功率；P_battery为目标车辆电池功率；v_limit为目标车辆最高速度；

约束条件(1)是为了计算目标车辆与信号灯路口之间的距离，使求得的加速度a满足目标车辆通过信号灯路口的要求；

约束条件(2)是为了计算目标车辆与前车之间的距离，使求得的加速度a满足目标车辆与前车不相撞的要求；

约束条件(3)是为了计算目标车辆通过路口的时间，使求得的加速度a满足在时间t内通过路口，且时间t不大于目标车辆的加速时间；

约束条件(4)是为了计算目标车辆的功率，使求得的加速度a满足目标车辆现有电池功率；

约束条件(5)是为了计算目标车辆的车速，使求得的加速度a满足目标车辆通过路口的过程中，速度不大于目标车辆最高速度；

步骤二、在约束条件下利用动态规划的方法求解目标函数，得到目标车辆的最优加速度a；

步骤三、搭建动力电池等效电路模型，设定状态空间方程并进行离散化；

设定电池端电压为V，电池充放电电流i在充电时为正，放电时为负；电池模型的输入电流u＝i，电池模型的输出端电压y＝V，则电池模型的状态空间方程表示为：

y＝V_oc(SOC)+V_s+i·R_i

其中，V_oc(SOC)为开路电压荷电状态值，x为电池模型的状态向量，x＝[SOC V_s]^T，SOC为电池荷电状态值，V_s为电池极化回路电压；A为状态空间方程的传递矩阵，B为状态空间方程的输入矩阵，

η为充放电倍率，Q_b为电池容量；

对电池模型的状态空间方程离散化，选择采样时间间隔T_s＝1s，并且考虑电池模型的过程噪声和测量噪声，得到离散化的状态空间方程为：

x_k+1＝A_d·x_k+B_d·i_k+w_k

y_k＝V_oc,k(SOC_k)+V_s,k+i_kR_i+v_k

其中，R_s是极化内阻，C_s是极化电容，R_i是欧姆内阻，x_k是k时刻电池模型的状态向量；y_k是k时刻电池模型的测量输出；w_k为k时刻的过程噪声；SOC_k是k时刻的电池荷电状态值；V_oc,k是k时刻的电池开路电压值，i_k是k时刻电池模型的输入变量，即电池的充放电电流；V_s,k是k时刻等效电路模型中的极化电压；v_k为k时刻的测量噪声；A_d和B_d为离散化后的传递矩阵和输入矩阵，表示为：

步骤四、使用扩展卡尔曼滤波法求解离散化的状态空间方程，得到电池实时荷电状态值SOC，作为电池电量条件；

步骤五、将目标车辆的最优加速度a与电池电量条件作为能量管理的优化因子，采用基于模糊控制的方法对电动汽车动力系统与非动力系统的用电进行分配管理；

利用目标车辆的加速度a、实时估计的电池荷电状态值SOC以及用温度传感器测量的电池包温度T决定功率比例ξ，确定分配给非动力系统的功率，即：

P_fei为分配给非动力系统的功率，P_command为电动汽车动力系统需要的功率，用功率平衡方程计算：

其中，η_T为传动效率；m为汽车质量；g为重力加速度；f为滚动阻力系数；C_D为空气阻力系数；A_D为汽车迎风面积；δ为旋转质量转换系数；以上参数可以通过查阅车辆出厂信息获得；i_s为坡度；v_x为汽车速度；a_x为汽车加速度，以上参数可以通过传感器测量获得。

2.如权利要求1所述的一种基于智能网联信息的整车能量管理方法，其特征在于，所述的步骤一中，动态交通信息包括目标车辆与前车的距离、前车的速度、目标车辆与信号灯路口的距离，以及绿灯时间。

3.如权利要求1所述的一种基于智能网联信息的整车能量管理方法，其特征在于，所述的步骤三中，电池等效电路模型简称为电池模型，为电池正极依次串联：极化内阻R_s与极化电容C_s的并联电路，欧姆内阻R_i，开路电压V_oc的负极连接电池负极。

4.如权利要求1所述的一种基于智能网联信息的整车能量管理方法，其特征在于，所述的步骤四中，扩展卡尔曼滤波求解的过程为：

步骤401、针对初始t₀时刻，设置迭代次数k＝0时的扩展卡尔曼滤波器的初始值，分别为：

初始状态估计值为：

x₀为初始状态向量x₀＝[SOC₀ V_s,0]^T；SOC₀为电池荷电状态的初始值；V_s,0为电池极化回路电压的初始值；

初始估计值误差协方差矩阵为：

初始模型输入为电池电流初值i₀；

初始的过程噪声和测量噪声的方差为

和

步骤402、利用前一时刻的状态估计值和估计值误差协方差矩阵对后一时刻进行先验计算；

具体为：采用t_k-1时刻的初始状态估计值

初始估计值误差协方差矩阵

电池模型输入的电流初值i_k-1，初始的过程噪声协方差矩阵

和测量噪声的协方差矩阵

计算t_k时刻的估计值和状态估计误差方差矩阵：

为k时刻的状态先验估计值；i_k-1是k-1时刻电池模型的输入变量，即电池的充放电电流；

为k时刻的估计值误差协方差矩阵先验估计值；

步骤403、根据传感器测量的电池端电压值y_k更新状态估计反馈增益矩阵，状态估计值和状态估计误差方差矩阵：

为k时刻的状态估计反馈增益矩阵；

为状态向量x_k的估计值；

为状态估计误差方差矩阵；I是单位矩阵；

步骤404、判断是否达到迭代次数，如果是，输出电池实时荷电状态SOC；否则，返回步骤402。

5.如权利要求1所述的一种基于智能网联信息的整车能量管理方法，其特征在于，所述的步骤五中，功率比例ξ采用模糊逻辑的方式进行计算，具体为：

模糊控制的输入变量有：目标车辆的加速度a、实时估计的电池荷电状态值SOC以及用温度传感器测量的电池包温度T；

输出变量为分配给非驱动系统的功率比例ξ；

输出变量和输入变量的模糊子集分别定义如下：

ξ:{LE ML ME MB GE}

SOC:{LE ME GE}

a:{LE ME GE}

T:{LE ME GE}

其中，各参数的取值范围为ξ∈[0,1]；SOC∈[0,1]；a∈[0,3m/s²]；T∈[15℃,50℃]；各模糊控制量的含义为：LE为较小；ML为中小；ME为中等；MB为中大；GE为较大，对应各参数值取值区间进行均分即可。

Images