CN112793428A - 一种汽车制动能量回收系统的工况识别与匹配控制方法 - Google Patents

Abstract

本发明公开了一种汽车制动能量回收系统的工况识别与匹配控制方法，是汽车在制动时进行工况识别，利用汽车当前行驶特征参数与简单工况和复杂工况的欧氏距离，判别出汽车当前行驶工况类别；接着通过工况识别结果匹配对应的制动能量回收系统控制策略，包括：采用基于安全边界的全局最优控制作为简单工况下的控制策略；采用基于神经网络的最优控制作为复杂工况下的控制策略；最后根据行驶工况类别和匹配的控制策略输出结果得出汽车再生制动力矩和机械制动力矩的大小。本发明综合考虑了汽车行驶工况、车速、道路坡度以及制动强度等特征因素，可有效提高汽车的续航里程并提升汽车制动能量回收系统效率。

Description

一种汽车制动能量回收系统的工况识别与匹配控制方法

技术领域

本发明属于汽车制动能量回收领域，具体的说是一种汽车制动能量回收系统的工况识别方法与匹配控制策略。

背景技术

近年来，续航里程是限制电动汽车规模推广的重要因素之一。解决这一问题的突破口主要集中在：储能系统、动力系统以及能量回收系统。想要完成储能系统的技术变革或大幅降低动力系统的能量消耗均需要很长时间的技术积累，因此提升能量回收系统中的制动能量回收效率是当前切实可行的思路。

对于制动能量回收控制策略，常规多采用模糊控制或分层控制，但前者隶属度函数的建立基本依赖于经验，能量回收效率低；后者通常忽略道路坡度、车速等纵向数据，制动安全性不足；且两者大多情况下不考虑汽车的行驶工况等特征因素，全面性不足。

发明内容

本发明是为了解决上述控制方法存在的问题，提出一种汽车制动能量回收系统的工况识别与匹配控制方法，以期全面考虑汽车行驶时的各项特征因素，保障制动安全性的同时，提升制动能量回收系统效率，从而提高汽车的续航里程。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种汽车制动能量回收系统的工况识别与匹配控制方法的特点是应用于包含可完成再生制动的电机、机械制动器以及储能设备的所有类型的汽车中，并按照如下步骤进行：

步骤1、获取所述汽车t时刻下的速度v_t，制动强度z_t，加速度a_t+，减速度a_t-，总需求制动力矩T_t，所处的道路坡度p_t；

步骤2、完成t时刻下汽车行驶工况的识别；

步骤2.1、定义简单工况采样集为A_s，复杂工况采样集为A_c；

步骤2.2、定义截取时间片段为τ，截取周期为k，总截取次数为k_a，初始化k＝1；

步骤2.3、以[τ(k-1),τk]为运动学片段区间对所述简单工况采样集A_s和复杂工况采样集A_c分别进行截取、数据提取和标准化，得到简单工况采样集A_s中第k次截取周期的单一特征参数集ζ_sk＝[v_sk,a_sk+,a_sk-]和复杂工况采样集A_c中第k次截取周期的单一特征参数集ζ_ck＝[v_ck,a_ck+,a_ck-]；其中，v_sk、a_sk+、a_sk-分别为简单工况采样集中第k次截取周期的平均车速、平均加速度、平均减速度，v_ck、a_ck+、a_ck-分别为复杂工况采样集中第k次截取周期的平均车速、平均加速度、平均减速度；

步骤2.4、利用式(1)得到所述第k次截取周期中简单工况平均特征参数集B_sk和复杂工况平均特征参数集B_ck：

式(1)中，

其中，

分别为简单工况平均特征参数集中第k次截取周期的平均车速、平均加速度、平均减速度，

分别为复杂工况平均特征参数集中第k次截取周期的平均车速、平均加速度、平均减速度；

步骤2.5、判断所述截取周期k是否等于所述总截取次数k_a，若是，则执行步骤2.6，否则，将k+1赋值给k后，返回步骤2.3；

步骤2.6、对t时刻下汽车速度v_t、加速度a_t+以及减速度a_t-标准化后，利用式(2)得到t时刻下汽车行驶工况与简单工况的欧氏距离l_st和与复杂工况的欧氏距离l_ct；

式(2)中，v′_t、a′_t+、a′_t-分别为t时刻下标准化后的汽车速度、加速度、减速度；

步骤2.7、判断t时刻下汽车行驶的工况与简单工况的欧氏距离l_st是否小于t时刻下汽车行驶的工况与复杂工况的欧氏距离l_ct，若是，则判定当前汽车行驶的工况为简单工况，并进入步骤3，否则判定当前汽车行驶的工况为复杂工况，并进入步骤4；

步骤3、完成t时刻下匹配简单工况的基于安全边界的全局最优控制；

步骤3.1、定义制动安全区域为x，当x＝1时，表示低强度制动阶段；当x＝2时，表示中强度制动阶段；当x＝3时，表示高强度制动阶段；当x＝4时，表示紧急制动阶段；

利用式(3)得出t时刻下汽车的制动安全区域x：

式(3)中，α₁至α₇均为[-1,0]之间的端点值；

步骤3.2、利用式(4)得到t时刻下汽车初始再生制动力矩T′_rt的区间范围：

式(4)中，β为[-1,0]之间的系数；

步骤3.3、定义转速间隔区间大小为n_q，转矩间隔区间大小为T_q，根据电机转矩特性公式，通过转速数组N_s＝[0,n_q,…,n_max-n_q,n_max]以及转矩数组T_s＝[-T_max,-T_max+T_q,-T_q,…,T_max-T_q,T_max]计算得到电流数组I_s；其中，n_max为电机峰值转速，T_max为电机峰值转矩；

步骤3.4、将所述转速数组N_s、所述转矩数组T_s以及所述电流数组I_s线性化得出电机的转矩特性三维曲线s_e；

步骤3.5、利用优化函数从转矩特性三维曲线s_e中找到在t时刻下汽车再生制动力矩T′_rt区间范围内电机再生能量最大化的全局最优点，并得到所述全局最优点对应的再生制动力矩T_rt，以完成基于安全边界的全局最优控制，并执行步骤5；

步骤4、完成t时刻下匹配复杂工况的基于神经网络的最优控制；

步骤4.1、搭建神经网络结构，并构建以车速、道路坡度、制动强度作为输入，以再生制动力矩作为输出的神经网络训练集；

步骤4.2、定义误差标准为δ_b，训练周期为i，初始化i＝1；

步骤4.3、采用训练函数、隐层传递函数以及输出层传递函数对所述神经网络进行训练，得到第i次训练周期下样本输出与期望输出的均方差δ_is；

步骤4.4、判断第i次训练周期下的均方差δ_is是否小于等于所述误差标准δ_b，若是，则表示得到再生制动力矩分配神经网络模型，执行步骤4.5，否则，将i+1赋值给i后，返回步骤4.3；

步骤4.5、将所述t时刻下汽车速度v_t，制动强度z_t，道路坡度p_t作为所述再生制动力矩分配神经网络模型的输入，并输出再生制动力矩T_rt，以完成基于神经网络的最优控制，并执行步骤5；

步骤5、利用式(5)得到t时刻下机械制动力矩T_mt以完成汽车制动能量回收系统的工况识别与匹配控制：

T_mt＝T_t-T_rt (5)。

与现有技术相比，本发明的有益效果在于：

1、本发明综合考虑了汽车行驶过程中的多项特征因素，通过输入加速度、车速、道路坡度以及制动强度等内容作为控制的前馈条件，输出当前状态下再生制动力矩和机械制动力矩，兼顾了汽车的能量回收效率和制动安全性。

2、本发明通过划分汽车行驶工况、划分制动安全区域以及搭建神经网络结构等内容完善控制方法的逻辑层次，对于不同的行驶工况采用不同的控制方法，克服了常规制动能量回收控制方法单一的问题，提高了汽车制动能量回收的控制精度。

3、本发明使用大量循环工况数据和制动能量回收控制数据作为控制方法的样本集，解决了常规控制方法中控制过程不稳定、控制对象片面等问题，适合广泛推广。

4、本发明除了用于常规前驱或后驱汽车，也可应用于分布式驱动汽车中，对不同车轮所包含的特征因素进行单独控制即可完成，应用场景多样，控制过程高效。

附图说明

图1为本发明工况识别流程图；

图2为本发明简单工况下的基于安全边界的全局最优控制策略流程图；

图3为本发明复杂工况下的基于神经网络的最优控制策略流程图；

图4为本发明控制方法原理图。

具体实施方式

本实施例中，一种汽车制动能量回收系统的工况识别与匹配控制方法，是应用于包含可完成再生制动的电机、机械制动器以及储能设备的所有类型的汽车中，其包含了汽车工况识别和制动能量回收系统控制策略匹配，具体来说为通过汽车当前行驶特征参数与简单工况和复杂工况的欧式距离判别所处工况类型，并在简单工况下匹配基于安全边界的全局最优控制策略、在复杂工况下匹配基于神经网络的最优控制策略；如图4所示，该工况识别和控制策略匹配是按照如下步骤进行：

步骤1、获取汽车t时刻下的速度v_t，制动强度z_t，加速度a_t+，减速度a_t-，总需求制动力矩T_t，所处的道路坡度p_t；

步骤2、如图1所示，完成t时刻下汽车行驶工况识别；

步骤2.1、定义包含高速、郊区等道路信息变化较小的路况为简单工况，包含城市等道路信息变化较大的路况为复杂工况，简单工况采样集为A_s，复杂工况采样集为A_c；

步骤2.2、定义截取时间片段为τ，截取周期为k，总截取次数为k_a，初始化k＝1；

步骤2.3、以[τ(k-1),τk]为运动学片段区间对简单工况采样集A_s和复杂工况采样集A_c分别进行截取、数据提取和标准化，得到简单工况采样集A_s中第k次截取周期的单一特征参数集ζ_sk＝[v_sk,a_sk+,a_sk-]和复杂工况采样集A_c中第k次截取周期的单一特征参数集ζ_ck＝[v_ck,a_ck+,a_ck-]；其中，v_sk、a_sk+、a_sk-分别为简单工况采样集中第k次截取周期的平均车速、平均加速度、平均减速度，v_ck、a_ck+、a_ck-分别为复杂工况采样集中第k次截取周期的平均车速、平均加速度、平均减速度；

步骤2.4、利用式(1)得到第k次截取周期中简单工况平均特征参数集

和复杂工况平均特征参数集

式(1)是通过对k个单一特征参数集求平均来得出简单工况和复杂工况的平均特征参数，其中，

分别为简单工况平均特征参数集中第k次截取周期的平均车速、平均加速度、平均减速度，

分别为复杂工况平均特征参数集中第k次截取周期的平均车速、平均加速度、平均减速度；

步骤2.5、为了确保工况平均特征参数集的准确度，判断截取周期k是否等于总截取次数k_a，若是，则执行步骤2.6，否则，将k+1赋值给k后，返回步骤2.3；

步骤2.6、对t时刻下汽车速度v_t、加速度a_t+以及减速度a_t-标准化后，利用式(2)得到t时刻下汽车行驶工况与简单工况的欧氏距离l_st和与复杂工况的欧氏距离l_ct；

式(2)中，v′_t、a′_t+、a′_t-分别为t时刻下汽车速度v_t、加速度a_t+、减速度a_t-标准化后的结果；

步骤2.7、判断t时刻下汽车行驶的工况与简单工况的欧氏距离l_st是否小于t时刻下汽车行驶的工况与复杂工况的欧氏距离l_ct，若是，则判定当前汽车行驶的工况为简单工况，并进入步骤3，否则判定当前汽车行驶的工况为复杂工况，并进入步骤4；

步骤3、如图2所示，完成t时刻下匹配简单工况的基于安全边界的全局最优控制；

步骤3.1、定义制动安全区域为x，当x＝1时，表示低强度制动阶段；当x＝2时，表示中强度制动阶段；当x＝3时，表示高强度制动阶段；当x＝4时，表示紧急制动阶段；

利用式(3)得出t时刻下汽车的制动安全区域x：

式(3)中，α₁至α₇均为[-1,0]之间的端点值，与汽车质量、轴距等因素相关；

步骤3.2、利用式(4)得到t时刻下汽车初始再生制动力矩T′_rt的区间范围：

式(4)中，β为[-1,0]之间的系数，与汽车质量、轴距等因素相关；

步骤3.3、定义转速间隔区间大小为n_q，转矩间隔区间大小为T_q，根据式(5)和式(6)，通过转速数组N_s＝[0,n_q,…,n_max-n_q,n_max]以及转矩数组T_s＝[-T_max,-T_max+T_q,-T_q,…,T_max-T_q,T_max]计算得到电流数组I_s；其中，n_max为电机峰值转速，T_max为电机峰值转矩；

式(5)和式(6)中，u_A、u_B、u_C分别为A、B、C相的绕组电压，i_A、i_B、i_C分别为A、B、C相的电流，e_A、e_B、e_C分别为A、B、C相的相反电势，L为相绕组自感，M为相绕组互感，ω为机械角速度，B_v为黏滞摩擦系数，T_L为负载转矩；

步骤3.4、将转速数组N_s、转矩数组T_s以及电流数组I_s线性化得出电机的转矩特性三维曲线s_e；

步骤3.5、利用Globalsearch函数从转矩特性三维曲线s_e中找到在t时刻下汽车再生制动力矩T′_rt区间范围内电机再生能量最大化的全局最优点，并得到全局最优点对应的再生制动力矩T_rt，以完成基于安全边界的全局最优控制，并执行步骤5；

步骤4、如图3所示，完成t时刻下匹配复杂工况的基于神经网络的最优控制；

步骤4.1、搭建神经网络结构，并构建以车速、道路坡度、制动强度作为输入，以再生制动力矩作为输出的神经网络训练集；

步骤4.2、定义误差标准为δ_b，训练周期为i，初始化i＝1；

步骤4.3、采用L-M反向传播算法作为网络的训练函数，采用sigmoid函数作为网络的隐层传递函数对神经网络，采用Rule线性函数作为输出层传递函数，对神经网络进行训练，得到第i次训练周期下样本输出与期望输出的均方差δ_is；

步骤4.4、为了确保神经网络的控制精度，判断第i次训练周期下的均方差δ_is是否小于等于误差标准δ_b，若是，则表示得到再生制动力矩分配神经网络模型，执行步骤4.5，否则，将i+1赋值给i后，返回步骤4.3；

步骤4.6、将t时刻下汽车速度v_t，制动强度z_t，道路坡度p_t作为再生制动力矩分配神经网络模型的输入，并得到再生制动力矩T_rt，以完成基于神经网络的最优控制，并执行步骤5；

步骤5、利用式(7)得到t时刻下机械制动力矩T_mt以完成汽车制动能量回收系统的工况识别与匹配控制：

T_mt＝T_t-T_rt (7)。

Claims (1)

1.一种汽车制动能量回收系统的工况识别与匹配控制方法，其特征是应用于包含可完成再生制动的电机、机械制动器以及储能设备的所有类型的汽车中，并按照如下步骤进行：

步骤1、获取所述汽车t时刻下的速度v_t，制动强度z_t，加速度a_t+，减速度a_t-，总需求制动力矩T_t，所处的道路坡度p_t；

步骤2、完成t时刻下汽车行驶工况的识别；

步骤2.1、定义简单工况采样集为A_s，复杂工况采样集为A_c；

步骤2.2、定义截取时间片段为τ，截取周期为k，总截取次数为k_a，初始化k＝1；

步骤2.3、以[τ(k-1),τk]为运动学片段区间对所述简单工况采样集A_s和复杂工况采样集A_c分别进行截取、数据提取和标准化，得到简单工况采样集A_s中第k次截取周期的单一特征参数集ζ_sk＝[v_sk,a_sk+,a_sk-]和复杂工况采样集A_c中第k次截取周期的单一特征参数集ζ_ck＝[v_ck,a_ck+,a_ck-]；其中，v_sk、a_sk+、a_sk-分别为简单工况采样集中第k次截取周期的平均车速、平均加速度、平均减速度，v_ck、a_ck+、a_ck-分别为复杂工况采样集中第k次截取周期的平均车速、平均加速度、平均减速度；

步骤2.4、利用式(1)得到所述第k次截取周期中简单工况平均特征参数集B_sk和复杂工况平均特征参数集B_ck：

式(1)中，

其中，

分别为简单工况平均特征参数集中第k次截取周期的平均车速、平均加速度、平均减速度，

分别为复杂工况平均特征参数集中第k次截取周期的平均车速、平均加速度、平均减速度；

步骤2.5、判断所述截取周期k是否等于所述总截取次数k_a，若是，则执行步骤2.6，否则，将k+1赋值给k后，返回步骤2.3；

步骤2.6、对t时刻下汽车速度v_t、加速度a_t+以及减速度a_t-标准化后，利用式(2)得到t时刻下汽车行驶工况与简单工况的欧氏距离l_st和与复杂工况的欧氏距离l_ct；

式(2)中，v′_t、a′_t+、a′_t-分别为t时刻下标准化后的汽车速度、加速度、减速度；

步骤2.7、判断t时刻下汽车行驶的工况与简单工况的欧氏距离l_st是否小于t时刻下汽车行驶的工况与复杂工况的欧氏距离l_ct，若是，则判定当前汽车行驶的工况为简单工况，并进入步骤3，否则判定当前汽车行驶的工况为复杂工况，并进入步骤4；

步骤3、完成t时刻下匹配简单工况的基于安全边界的全局最优控制；

步骤3.1、定义制动安全区域为x，当x＝1时，表示低强度制动阶段；当x＝2时，表示中强度制动阶段；当x＝3时，表示高强度制动阶段；当x＝4时，表示紧急制动阶段；

利用式(3)得出t时刻下汽车的制动安全区域x：

式(3)中，α₁至α₇均为[-1,0]之间的端点值；

步骤3.2、利用式(4)得到t时刻下汽车初始再生制动力矩T′_rt的区间范围：

式(4)中，β为[-1,0]之间的系数；

步骤3.3、定义转速间隔区间大小为n_q，转矩间隔区间大小为T_q，根据电机转矩特性公式，通过转速数组N_s＝[0,n_q,…,n_max-n_q,n_max]以及转矩数组T_s＝[-T_max,-T_max+T_q,-T_q,…,T_max-T_q,T_max]计算得到电流数组I_s；其中，n_max为电机峰值转速，T_max为电机峰值转矩；

步骤3.4、将所述转速数组N_s、所述转矩数组T_s以及所述电流数组I_s线性化得出电机的转矩特性三维曲线s_e；

步骤3.5、利用优化函数从转矩特性三维曲线s_e中找到在t时刻下汽车再生制动力矩T′_rt区间范围内电机再生能量最大化的全局最优点，并得到所述全局最优点对应的再生制动力矩T_rt，以完成基于安全边界的全局最优控制，并执行步骤5；

步骤4、完成t时刻下匹配复杂工况的基于神经网络的最优控制；

步骤4.1、搭建神经网络结构，并构建以车速、道路坡度、制动强度作为输入，以再生制动力矩作为输出的神经网络训练集；

步骤4.2、定义误差标准为δ_b，训练周期为i，初始化i＝1；

步骤4.3、采用训练函数、隐层传递函数以及输出层传递函数对所述神经网络进行训练，得到第i次训练周期下样本输出与期望输出的均方差δ_is；

步骤4.4、判断第i次训练周期下的均方差δ_is是否小于等于所述误差标准δ_b，若是，则表示得到再生制动力矩分配神经网络模型，执行步骤4.5，否则，将i+1赋值给i后，返回步骤4.3；

步骤4.5、将所述t时刻下汽车速度v_t，制动强度z_t，道路坡度p_t作为所述再生制动力矩分配神经网络模型的输入，并输出再生制动力矩T_rt，以完成基于神经网络的最优控制，并执行步骤5；

步骤5、利用式(5)得到t时刻下机械制动力矩T_mt以完成汽车制动能量回收系统的工况识别与匹配控制：

T_mt＝T_t-T_rt (5)。

Images