CN112937547B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112937547B
CN112937547B CN202110121253.4A CN202110121253A CN112937547B CN 112937547 B CN112937547 B CN 112937547B CN 202110121253 A CN202110121253 A CN 202110121253A CN 112937547 B CN112937547 B CN 112937547B
Authority
CN
China
Prior art keywords
working condition
speed
global
neural network
vehicle
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.)
Active
Application number
CN202110121253.4A
Other languages
English (en)
Other versions
CN112937547A (zh
Inventor
孙超
梁标
刘波
闵青云
孙逢春
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 CN202110121253.4A priority Critical patent/CN112937547B/zh
Publication of CN112937547A publication Critical patent/CN112937547A/zh
Application granted granted Critical
Publication of CN112937547B publication Critical patent/CN112937547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/15—Control strategies specially adapted for achieving a particular effect
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2300/00—Indexing codes relating to the type of vehicle
    • B60W2300/10—Buses

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Hybrid Electric Vehicles (AREA)

Abstract

本发明公开了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，包括以下步骤：S101.获取目标车辆的历史车速‑时间信息；S102.将所获取的车速‑时间数据进行分类、分段，并记录特征值，搭建工况数据库；S103.基于径向基神经网络，学习相邻工况段间的非线性关联，构建全局工况；S104.根据所构建全局工况和车辆控制模型计算所述目标车辆的全局SoC状态轨迹；S105.基于神经网络模型，根据所述目标车辆历史车速‑时间信息确定短期预测车速；S106.根据所述全局SoC状态轨迹和所述短期预测车速对车辆动力部件进行动力分配。本发明利用历史数据和神经网络预测公交车全局行驶工况，服务于下层MPC能量管理方法，以达到减少能耗的目的。

Description

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
技术领域
本发明涉及插电式混合动力车能量管理，特别是涉及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。
背景技术
混合动力技术的出现有效的弥补了燃油发动机在低速、拥堵和频繁启停工况下效率低下 的缺点，提高了整车的燃油经济性。由此带来了混合动力汽车能量管理的问题，目前主流的 能量管理策略分为三类，基于规则、基于优化和基于机器学习的能量管理策略。在基于优化 的策略中，当全局工况已知，动态规划(Dynamic Programming,DP)能够给出全局最优的控 制算法，而模型预测控制算法(Model Predictive Contorl,MPC)能在满足实时性要求的同时， 达到近似最优的控制效果。但基于优化的能量管理策略需要提前获取或者预测未来工况信息， 由于公交车行驶在固定的路线上，拥有着更加稳定和可预测的工况，这给基于优化的能量管 理策略提供了便利。
在公布号为“CN108177648A”的专利“一种基于智能预测的插电式混合动力车辆的能量管 理方法”中，提供了一种插电式混合动力车辆的能量管理方案，该在线提取对应目标行驶路线 的多维行驶工况信息，基于深度学习算法对所述目标路线建立全局行驶工况的重构模型；建 立强化学习网络模型，获得所述插电式混合动力车辆的动力电池最优能量轨迹；根据车辆自 身状态和交通信息分别构建驾驶员风格和交通信息的深层卷积神经网络模型，基于深度学习 算法简历车辆的未来短期工况实时预测模型；根据动力电池寿命模型，以动力电池最优能量 轨迹作为滚动时域的终值约束，结合未来短期工况实时预测模型，建立给予模型预测控制的 动力电池控制策略。但是该方案使用深度学习对目标行驶工况进行重构，对未来短期工况进 行预测，计算量较大，计算时间长，对整车控制压力大，难以达到实时性要求，并且没有针 对工况固定的情形做特定优化，增大了计算量，影响工况构建精度和能量管理效果。
发明内容
本发明的目的在于克服现有技术的不足，提供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，利用历史数据和神经网络预测公交车全局行驶工况，服务于下层MPC能量 管理方法，以达到减少能耗的目的。
本发明的目的是通过以下技术方案来实现的：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，包括以下步骤：
S101.获取目标车辆的历史车速-时间信息；
S102.将所获取的车速-时间数据进行分类、分段，并记录特征值，搭建工况数据库；
S103.基于径向基神经网络，学习相邻工况段间的非线性关联，构建全局工况；
S104.根据所构建全局工况和车辆控制模型计算所述目标车辆的全局SoC状态轨迹；
S105.基于神经网络模型，根据所述目标车辆历史车速-时间信息确定短期预测车速；
S106.根据所述全局SoC状态轨迹和所述短期预测车速对车辆动力部件进行动力分配。
优选地，所述目标车辆包括插电式混合动力汽车PHEV，SoC是指蓄电池剩余容量与其 完全充电状态的容量的比值。
优选地，所述特征值包括平均车速、高速时间占比和低速时间占比。
优选地，所述步骤S102包括：
将数据按照采集的时间进行分类，从早上6点到晚上8点每一个小时分成一类，每一类 数据作为一段工况；
计算每一段工况的特征值，包括平均车速、高速时间占比和低速时间占比；车速大于 6m/s为高速状态，车速小于2m/s为低速状态；
工况数据库储存所有工况拆分后的数据以及对应每一段的特征值。
优选地，所述步骤S103包括以下子步骤：
将数据库内的工况段特征数据整理作为神经网络的输入输出，训练神经网络；具体神经 网络的输入为：
Figure RE-GDA0003042093360000021
其中/>
Figure RE-GDA0003042093360000022
到
Figure RE-GDA0003042093360000023
为前 五段平均车速，/>
Figure RE-GDA0003042093360000024
和/>
Figure RE-GDA0003042093360000025
分别为前一段工况的高速时间占比和低速时间占比，神经网络输 出为：/>
Figure RE-GDA0003042093360000026
其中/>
Figure RE-GDA0003042093360000027
为下一段工况的平均车速，/>
Figure RE-GDA0003042093360000028
为下一段工况的高速时间占 比；
根据所述数据集建立单层径向基神经网络，将数据集输入神经网络，反复迭代，调整神 经网络参数；所述数据集75％的数据作为训练集，15％和10％的数据分别作为验证集和测试 集。
在车辆运行的过程中，计算已运行段的关键特征值，包括平均车速、高速时间占比和低 速时间占比；
将所计算特征值输入训练好的神经网络，输出下一段的特征值；
在工况数据库对应类别和对应段里匹配特征值最为接近的工况段；
获取所匹配工况段的特征值，再次输入到神经网络中，输出结果并再次匹配工况段；
将匹配的工况段顺次连接，组成全局工况。
优选地，所述步骤S104包括:
S1041.根据车辆行驶需求和车辆动力学结构构建PHEV半静态控制模型：
根据公式
Figure BDA0002922359510000031
和/>
Figure BDA0002922359510000032
建立汽 车纵向动力学模型；其中Taxle和ωaxle为传动轴的输出转矩转速，Rwheel为车轮滚动半径，m为 汽车质量，v为车速，t为时间，ρ、A、Cd、Cr分别为空气密度、迎风面积、风阻系数和滚动 阻力系数，θ为路面坡度，当处于平地是θ值为0；
根据公式
Figure BDA0002922359510000033
Figure BDA0002922359510000034
和Tengine＝α1Tmot1实现功率分配；其中k是减速器减速比，α1和α2分别是两 个行星排的传动比，ωengine、ωmot1、ωmot2分别是发动机、发电机和主电机的转速，Tengine、 Tmot1和Tmot2分别为发动机、发电机和主电机的转矩；
根据公式
Figure BDA0002922359510000035
以及ηM/G1＝ψ2(ωM/G1，TM/G1)和ηM/G2＝ ψ3(ωM/G2，TM/G2)，计算部件的燃油消耗速率和效率；其中是/>
Figure BDA0002922359510000036
发动机燃油消耗率，ηM/G1和ηM/G2分别是发电机和主电机的效率，ψ1、ψ2和ψ3为查表函数；
根据公式
Figure BDA0002922359510000037
和/>
Figure BDA0002922359510000038
建立和电池模型，其中电池 功率，V、Ibatt和R分别为电池理想电源电压、电流和内阻，SoC和Q分别为电池荷电状态以及 电量。
根据公式
Figure BDA0002922359510000039
建立电池功率与发电机、主电机功率的关系。 PM/G1和PM/G2分别由发电机、主电机的功率，k值取决于部件功率的流向，当部件耗电时，k为 1，当部件处于发电状态时，k为-1；
S1042.根据所述PHEV半静态控制模型利用动态规划算法生成全局SoC状态轨迹：
选择发动机转速和转矩为作为控制变量，即u＝[ωengine，Tengine]T，，选择电池的SoC作为 状态变量，x＝[SoC]T，以构建的全局工况作为扰动，d＝Vconstruction；以发动机燃油消耗率， 电池功率，发电机和主电机的转速转矩作为输出量，即
Figure BDA00029223595100000310
选择代价函数为/>
Figure BDA00029223595100000311
用于评价和 动态规划算法的计算；
根据不等式SoCmin≤SoC≤SoCmax，
Figure BDA00029223595100000312
Figure BDA00029223595100000313
Figure BDA00029223595100000314
建立长期SoC状 态轨迹约束集合；
根据公式
Figure BDA0002922359510000041
以及公式/>
Figure BDA0002922359510000042
建立动态规划模型；
根据动态规划算法，所述约束集合和所述代价函数，逆序计算状态空间内代价函数最小 的状态转移路线，获取最优控制序列，得到全局SoC状态轨迹
Figure BDA0002922359510000043
优选地，所述步骤S105包括以下子步骤：
根据所述工况数据库，建立神经网络输入输出数据集；所述数据集以历史10秒车速作为 输入，I＝[vk-10，vk-9，...，vk-2，vk-1]，未来10秒车速作为输出，O＝[vk，vk+1，...，vk+8，vk+9]；
根据所述数据集建立单层径向基神经网络，将数据集输入神经网络，反复迭代，调整神 经网络参数；所述数据集75％的数据作为训练集，15％和10％的数据分别作为验证集和测试 集。
根据所述已训练完成的神经网络，将过去10s车速输入到神经网络中，输出预测的未来 10秒车速Vprediction。
优选地，所述步骤S106包括以下子步骤：
S1061.根据车辆行驶需求和车辆动力学结构构建PHEV半静态控制模型；
S1062.根据所述全局SoC状态轨迹和短期车速预测方法确定基于MPC的能量管理方法：
选择发动机转速和转矩为作为控制变量，即u＝[ωengine，Tengine]T，，选择电池的SoC作为 状态变量，x＝[SoC]T，以预测的短期车速作为扰动，d＝Vprediction；以发动机燃油消耗率， 电池功率，发电机和主电机的转速转矩作为输出量，即
Figure BDA0002922359510000044
模型预测控制的时域为Hp，取Hp＝10s；
根据式子
Figure BDA0002922359510000045
SoCmin≤SoC≤SoCmax，/>
Figure BDA00029223595100000412
Figure BDA0002922359510000046
Figure BDA0002922359510000047
Figure BDA0002922359510000048
建立长期SoC状态轨迹约束集合；
根据公式
Figure BDA0002922359510000049
以及公式/>
Figure BDA00029223595100000410
建立模型预测控制的控制导向模型，代价函 数为/>
Figure BDA00029223595100000411
在控制时域内利用动态规划算法计算出符合约束的最优控制序列，求解步长为1s。其中， 控制时域时长为10s,仅取第1s的最优控制解进行应用，以避免误差扩大；
根据模型计算出状态转移，得到下一秒的系统状态，并基于此在下一个10s的控制时域 范围内计算最优控制序列，同样取第1s最优控制解进行应用，得到再下一秒的系统状态。
以此类推，不断基于新的系统状态求解最优控制结果，直至迭代完成对车辆动力部件的 动力完整工况下最优分配。
本发明的有益效果是：本发明提出的能量管理方法，通过获取目标车辆的历史车速-时间 信息，将所获取的车速-时间数据进行分类、分段，并计算特征，搭建工况数据库，再基于径 向基神经网络，学习相邻工况段间的非线性关联，并构建全局工况；根据所构建全局工况和 车辆控制模型计算所述目标车辆的全局SoC状态轨迹；基于神经网络模型，根据所述目标 车辆历史车速-时间信息确定短期预测车速；根据所述全局SoC状态轨迹和所述短期预测车 速对车辆部件进行动力分配，充分利用公交车路线固定的特点，从全局优化的角度出发，提 升PHEV的能量管理效果，降低燃油消耗。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所 述。
如图1所示，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，包括以下步骤：
步骤101：获取目标车辆的历史车速-时间信息。
1)所述目标车辆包括插电式混合动力汽车PHEV，加装车速传感器的车辆可以得到行驶 过程中的速度，采集频率不应低于1Hz；同时可获取时间信息；
2)单次采集时间应覆盖公交车路线一次完整的全局工况；
3)采集的信息应尽量覆盖全天所有时段，以公交车出发时间为判定标准，在公交车发车 时段内的每一个小时都应覆盖到
步骤102：将所获取的车速-时间数据进行分类、分段，并记录特征值，搭建工况数据库。
所述特征值包括：
1)平均车速：该工况片段内车速的代数平均值；
2)高速时间占比：车速大于6m/s的状态占该工况片段的比值；
3)低速时间占比。车速小于2m/s的状态占该工况片段的比值，包括怠速工况。
所述步骤102中对获取的车速-时间数据进行分类、分段，并记录特征值，搭建工况数据 库的具体过程为：
1)将采集的工况信息分类，按照发车时刻，每一个小时分为一类；
2)综合分析公交车路线地图信息和采集的车速信息，确定停车概率分布，在大概率会停 车的地方，例如车站和红绿灯，将工况以停车点为界限，分为若干小段
3)计算每一段工况的特征值，包括平均车速、高速时间占比和低速时间占比；
4)将分类并切割后的工况段及对应特征值储存，构成工况数据库。
步骤103：于径向基神经网络，学习相邻工况段间的非线性关联，构建全局工况。
所述步骤103具体包括：
1)根据所述构建的工况数据库准备神经网络的输入输出，输入为：
Figure BDA0002922359510000061
其中
Figure BDA0002922359510000062
到/>
Figure BDA0002922359510000063
为前五段平均车速，/>
Figure BDA0002922359510000064
和/>
Figure BDA0002922359510000065
分别为前一段工况的高速时间占比 和低速时间占比；输出为：
Figure BDA0002922359510000066
其中
Figure BDA0002922359510000067
为下一段工况的平均车速，/>
Figure BDA0002922359510000068
为下一段工况的高速时间占比；
2)所述数据集75％的数据作为训练集，15％和10％的数据分别作为验证集和测试集；
3)根据所述数据集建立单层径向基神经网络，不同分类的全局工况使用不同的神经网络 分别训练，将数据集输入神经网络，反复迭代，调整神经网络参数，；
4)在车辆运行过程中，通过车速传感器获取车辆实时车速，计算在每一段行驶的关键特 征值，包括平均车速、高速时间占比和低速时间占比；
5)将所计算特征值输入训练好的神经网络，输出下一段的特征值；
6)在工况数据库的对应类别和对应工况段内，匹配特征值相差最小的工况段，所选的评 价指数为：
Figure BDA0002922359510000069
其中
Figure BDA00029223595100000610
和/>
Figure BDA00029223595100000611
指的是工况数据库中，同一个分类下同一段第k个工况段的特征值；
7)获取所匹配的工况段的特征值，再次输入到神经网络中，重复6)的过程，循环往复 直到全部段的工况都被匹配出来；
8)将匹配的工况段顺次连接，组成全局工况。
步骤104：根据所构建全局工况计算所述目标车辆的全局SoC状态轨迹，
1)根据车辆行驶需求和车辆动力学结构构建PHEV半静态控制模型，具体包括：
A、建立汽车纵向动力学模型：
Figure BDA0002922359510000071
Figure BDA0002922359510000072
其中Taxle和ωaxle为传动轴的输出转矩转速，Rwheel为车轮滚动半径，m为汽车质量，v为 车速，t为时间，p、A、Cd、Cr分别为空气密度、迎风面积、风阻系数和滚动阻力系数，θ为路面坡度，当处于平地是θ值为0；
B、根据汽车结构和动力传递路径实现功率分配：
Figure BDA0002922359510000073
Figure BDA0002922359510000074
Tengine＝α1Tmot1#(8)
其中k是减速器减速比，α1和α2分别是两个行星排的传动比，ωengine、ωmot1、ωmot2分 别是发动机、发电机和主电机的转速，Tengine、Tmot1和Tmot2分别为发动机、发电机和主电机的转矩。
C、计算燃油消耗率和部件效率：
Figure BDA0002922359510000075
Figure BDA0002922359510000076
Figure BDA0002922359510000077
其中是
Figure BDA0002922359510000078
发动机燃油消耗率，ηM/G1和ηM/G2分别是发电机和主电机的效率，ψ1、ψ2和 ψ3为查表函数。
D、建立电池模型：
Figure BDA0002922359510000079
/>
Figure BDA00029223595100000710
其中电池功率，V、Ibatt和R分别为电池理想电源电压、电流和内阻，SoC和Q分别为电池 荷电状态以及电量。根据公式
Figure BDA00029223595100000711
建立电池功率与发电机、主电机功率的关系。PM/G1和PM/62分别由发电机、主电机的功 率，k值取决于部件功率的流向，当部件耗电时，k为1，当部件处于发电状态时，k为-1。
2)根据所述PHEV半静态控制模型利用动态规划算法生成全局SoC状态轨迹，具体包 括：
A、选择发动机转速和转矩为作为控制变量，即u＝[ωengine，Tengine]T，，选择电池的SoC 作为状态变量，x＝[SoC]T，以构建的全局工况作为扰动，d＝Vconstruction。以发动机燃油消耗 率，电池功率，发电机和主电机的转速转矩作为输出量，即
Figure BDA0002922359510000081
B、状态变量方程如公式13所示；
C、，选择代价函数为
Figure BDA0002922359510000082
用于指标评价和动态规划算法的计算；
D、建立长期SoC状态轨迹约束集合：SoCmin≤SoC≤SoCmax，
Figure BDA0002922359510000083
Figure BDA0002922359510000084
Figure BDA0002922359510000085
E、根据公式
Figure BDA0002922359510000086
以及公式/>
Figure BDA0002922359510000087
建立动态规划模型；
F、根据动态规划算法，所述约束集合和所述代价函数，逆序计算状态空间内代价函数最 小的状态转移路线，获取最优控制序列，得到全局SoC状态轨迹
Figure BDA0002922359510000088
步骤105：基于神经网络模型，根据所述目标车辆历史车速-时间信息确定短期预测车速。
所述步骤105具体包括：
1)根据所述构建的工况数据库准备神经网络的输入输出，输入为历史10秒车速：
I＝[vk-10，vk-9，…，vk-2，vk-1]#(15)
输出为未来10秒车速：
O＝[vk，vk+1，…，vk+8，vk+9]#(16)
2)所述数据集75％的数据作为训练集，15％和10％的数据分别作为验证集和测试集；
3)根据所述数据集建立单层径向基神经网络，将数据集输入神经网络，反复迭代，调整 神经网络参数；
4)根据所述已训练完成的神经网络，将过去10s车速输入到神经网络中，输出预测的未 来10秒车速Vprediction。
步骤106：所述根据所述全局SoC状态轨迹和所述短期预测车速对车辆动力部件进行动 力分配。
所述步骤106具体包括：
1)根据车辆行驶需求和车辆动力学结构构建PHEV半静态控制模型；所述PHEV半静态模型与步骤104所述相同；
2)根据所述全局SoC状态轨迹和短期车速预测方法确定基于MPC的能量管理方法，具 体包括：
A、选择发动机转速和转矩为作为控制变量，即u＝[ωengine，Tengine]T，，选择电池的SoC 作为状态变量，x＝[SoC]T，以预测的短期车速作为扰动，d＝Vprediction。以发动机燃油消耗 率，电池功率，发电机和主电机的转速转矩作为输出量，即
Figure BDA0002922359510000091
B、模型预测控制的时域为Hp，取Hp＝10s；
C、建立长期SoC状态轨迹约束集合：
Figure BDA0002922359510000092
SoCmin≤SoC≤SoCmax，
Figure BDA0002922359510000093
Figure BDA0002922359510000094
Figure BDA0002922359510000095
D、根据公式
Figure BDA0002922359510000096
以及公式/>
Figure BDA0002922359510000097
建立模型预测控制的控制导向模型；
E、代价函数为
Figure BDA0002922359510000098
F、在控制时域内利用动态规划算法计算出符合约束的最优控制序列，求解步长为1s。其 中，控制时域时长为10s，仅取第1s的最优控制解进行应用，以避免误差扩大；
G、根据模型计算出状态转移，得到下一秒的系统状态，并基于此在下一个10s的控制时 域范围内计算最优控制序列，同样取第1s最优控制解进行应用，得到再下一秒的系统状态。
以此类推，不断基于新的系统状态求解最优控制结果，直至迭代完成对车辆动力部件的 动力完整工况下最优分配。
本发明所提出的基于径向基神经网络的全局工况算法在足够大的数据驱动前提下具备有 良好的效果：基于优化的能量管理策略往往需要全局工况的支持，通常的车辆运行工况没有 规律性，难于预测。而公交车运行在固定的路线，给全局工况预测提供了可能性和便利性。 构建出来的工况结果与实际工况在时长的差异大约在2％，长度差异约为0.4％，平均车速差 异约为0.518m/s，并且预测能量管理测录具有有较好的燃油经济型：常用的未知工况的CDCS(先放电后维持策略)，会在前期大量消耗电能，然后转入能量维持型的能量管理策略， 使得混合动力构型的优势无法充分释放。动态规划算法能在全局工况已知的前提下，计算出 最优的控制序列和SoC走势，保证电池能量在全局架构下的优化使用。在SoC状态轨迹的约 束下，结合短期车速预测，使用MPC的能量管理策略能够获得接近动态规划的次优解。仿真 结果表明，基于全局工况构建的插电式混合动力公交车预测能量管理能比基于CDCS的能量 管理策略提高28％的燃油经济性。
以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不 应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想 范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变 化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.一种基于全局工况的插电式混合动力公交车能量管理方法，其特征在于：包括以下步骤：
S101.获取目标车辆的历史车速-时间信息；
S102.将所获取的车速-时间数据进行分类、分段，并记录特征值，搭建工况数据库；
S103.基于径向基神经网络，学习相邻工况段间的非线性关联，构建全局工况；
所述步骤S103包括以下子步骤：
将数据库内的工况段特征数据整理作为神经网络的输入输出，训练神经网络；具体神经网络的输入为：
Figure FDA0003998652280000011
其中
Figure FDA0003998652280000012
到
Figure FDA0003998652280000013
为前五段平均车速，
Figure FDA0003998652280000014
和
Figure FDA0003998652280000015
分别为前一段工况的高速时间占比和低速时间占比，神经网络输出为：
Figure FDA0003998652280000016
其中
Figure FDA0003998652280000017
为下一段工况的平均车速，
Figure FDA0003998652280000018
为下一段工况的高速时间占比；
根据数据集建立单层径向基神经网络，将数据集输入神经网络，反复迭代，调整神经网络参数；所述数据集75％的数据作为训练集，15％和10％的数据分别作为验证集和测试集；
在车辆运行的过程中，计算已运行段的关键特征值，包括平均车速、高速时间占比和低速时间占比；
将所计算特征值输入训练好的神经网络，输出下一段的特征值；
在工况数据库对应类别和对应段里匹配特征值最为接近的工况段；
获取所匹配工况段的特征值，再次输入到神经网络中，输出结果并再次匹配工况段；
将匹配的工况段顺次连接，组成全局工况；
S104.根据所构建全局工况和车辆控制模型计算所述目标车辆的全局SoC状态轨迹；
S105.基于神经网络模型，根据所述目标车辆历史车速-时间信息确定短期预测车速；
S106.根据所述全局SoC状态轨迹和所述短期预测车速对车辆动力部件进行动力分配；
所述步骤S106包括以下子步骤：
S1061.根据车辆行驶需求和车辆动力学结构构建PHEV半静态控制模型；
S1062.根据所述全局SoC状态轨迹和短期车速预测方法确定基于MPC的能量管理方法：
选择发动机转速和转矩为作为控制变量，即u＝[ωengine，Tengine]T,选择电池的SoC作为状态变量，x＝[SoC]T,以预测的短期车速作为扰动，d＝Vprediction；以发动机燃油消耗率，电池功率，发电机和主电机的转速转矩作为输出量，即
Figure FDA0003998652280000021
ωengine、ωmot1、ωmot2分别是发动机、发电机和主电机的转速，Tengine、Tmot1和Tmot2分别为发动机、发电机和主电机的转矩；Pbatt(t)为电池功率，
Figure FDA0003998652280000022
发动机燃油消耗率；Vprediction为预测的短期车速；
Figure FDA0003998652280000023
V、Ibatt和R分别为电池理想电源电压、电流和内阻；
模型预测控制的时域为Hp,取Hp＝10s；
根据式子
Figure FDA0003998652280000024
SoCmin≤SoC≤SoCmax，
Figure FDA0003998652280000025
Figure FDA0003998652280000026
Figure FDA0003998652280000027
Figure FDA0003998652280000028
建立长期SoC状态轨迹约束集合；
Figure FDA0003998652280000029
为全局SoC状态轨迹；
根据公式
Figure FDA00039986522800000210
以及公式
Figure FDA00039986522800000211
建立模型预测控制的控制导向模型,代价函数为
Figure FDA00039986522800000212
在控制时域内利用动态规划算法计算出符合约束的最优控制序列，求解步长为1s；其中，控制时域时长为10s,仅取第1s的最优控制解进行应用，以避免误差扩大；
根据模型计算出状态转移，得到下一秒的系统状态，并基于此在下一个10s的控制时域范围内计算最优控制序列，同样取第1s最优控制解进行应用，得到再下一秒的系统状态；
以此类推，不断基于新的系统状态求解最优控制结果，直至迭代完成对车辆动力部件的动力完整工况下最优分配。
2.根据权利要求1所述的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，其特征在于：所述目标车辆包括插电式混合动力汽车PHEV。
3.根据权利要求1所述的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，其特征在于：所述特征值包括平均车速、高速时间占比和低速时间占比。
4.根据权利要求2所述的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，其特征在于：所述步骤S102包括：
将数据按照采集的时间进行分类，从早上6点到晚上8点每一个小时分成一类，每一类数据作为一段工况；
计算每一段工况的特征值，包括平均车速、高速时间占比和低速时间占比；车速大于6m/s为高速状态，车速小于2m/s为低速状态；
工况数据库储存所有工况拆分后的数据以及对应每一段的特征值。
5.根据权利要求1所述的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，其特征在于：所述步骤S104包括:
S1041.根据车辆行驶需求和车辆动力学结构构建PHEV半静态控制模型：
根据公式
Figure FDA0003998652280000031
和
Figure FDA0003998652280000032
建立汽车纵向动力学模型；其中Taxle和ωaxle为传动轴的输出转矩转速，Rwheel为车轮滚动半径，m为汽车质量，v为车速，t为时间，ρ、A、Cd、Cr分别为空气密度、迎风面积、风阻系数和滚动阻力系数，θ为路面坡度，当处于平地时θ值为0；
根据公式
Figure FDA0003998652280000033
Figure FDA0003998652280000034
和Tengine＝α1Tmot1实现功率分配；其中k是减速器减速比，α1和α2分别是两个行星排的传动比，ωengine、ωmot1、ωmot2分别是发动机、发电机和主电机的转速，Tengine、Tmot1和Tmot2分别为发动机、发电机和主电机的转矩；
根据公式
Figure FDA0003998652280000035
以及ηM/G1＝ψ2(ωmot1，Tmot1)和ηM/G2＝ψ3(ωmot2，Tmot2)，计算部件的燃油消耗速率和效率；其中是
Figure FDA0003998652280000036
发动机燃油消耗率，ηM/G1和ηM/G2分别是发电机和主电机的效率，ψ1、ψ2和ψ3为查表函数；
根据公式
Figure FDA0003998652280000037
和
Figure FDA0003998652280000038
建立电池模型，其中Pbatt(t)为电池功率，V、Ibatt和R分别为电池理想电源电压、电流和内阻，SoC和Q分别为电池荷电状态以及电量；
根据公式
Figure FDA0003998652280000039
建立电池功率与发电机、主电机功率的关系；PM/G1和PM/G2分别为发电机、主电机的功率，k值取决于部件功率的流向，当部件耗电时，k为1，当部件处于发电状态时，k为-1；
S1042.根据所述PHEV半静态控制模型利用动态规划算法生成全局SoC状态轨迹：
选择发动机转速和转矩为作为控制变量，即u＝[ωengine，Tengine]T,选择电池的SoC作为状态变量，x＝[SoC]T,以构建的全局工况作为扰动，d＝Vconstruction；以发动机燃油消耗率，电池功率，发电机和主电机的转速转矩作为输出量，即
Figure FDA00039986522800000310
选择代价函数为
Figure FDA00039986522800000311
用于评价和动态规划算法的计算；
根据不等式SoCmin≤SoC≤SoCmax，
Figure FDA0003998652280000041
Figure FDA0003998652280000042
Figure FDA0003998652280000043
建立长期SoC状态轨迹约束集合；
根据公式
Figure FDA0003998652280000044
以及公式
Figure FDA0003998652280000045
建立动态规划模型；
根据动态规划算法，所述约束集合和所述代价函数，逆序计算状态空间内代价函数最小的状态转移路线，获取最优控制序列，得到全局SoC状态轨迹
Figure FDA0003998652280000046
6.根据权利要求1所述的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，其特征在于：所述步骤S105包括以下子步骤：
根据所述工况数据库，建立神经网络输入输出数据集；所述数据集以历史10秒车速作为输入，I＝[vk-10，vk-9，...，vk-2，vk-1]，未来10秒车速作为输出,O＝[vk，vk+1，...，vk+8，vk+9]；
根据所述数据集建立单层径向基神经网络，将数据集输入神经网络，反复迭代，调整神经网络参数；所述数据集75％的数据作为训练集，15％和10％的数据分别作为验证集和测试集；
根据已训练完成的神经网络，将过去10s车速输入到神经网络中，输出预测的未来10秒车速Vprediction。
CN202110121253.4A 2021-01-28 2021-01-28 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 Active CN112937547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110121253.4A CN112937547B (zh) 2021-01-28 2021-01-28 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110121253.4A CN112937547B (zh) 2021-01-28 2021-01-28 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

Publications (2)

Publication Number Publication Date
CN112937547A CN112937547A (zh) 2021-06-11
CN112937547B true CN112937547B (zh) 2023-03-24

Family

ID=76238973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110121253.4A Active CN112937547B (zh) 2021-01-28 2021-01-28 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

Country Status (1)

Country Link
CN (1) CN112937547B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113492827A (zh) * 2021-06-23 2021-10-12 东风柳州汽车有限公司 一种混合动力汽车能量管理方法及装置
CN113581163B (zh) * 2021-07-26 2024-03-19 江苏大学 基于lstm的多模phev模式切换优化与能量管理方法
CN113554337B (zh) * 2021-08-03 2023-08-08 青岛理工大学 融合交通信息的插电式混动汽车能量管理策略构建方法
CN113602252A (zh) * 2021-09-02 2021-11-05 一汽解放汽车有限公司 一种混合动力汽车控制方法及装置
CN114035098A (zh) * 2021-12-14 2022-02-11 北京航空航天大学 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法
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
CN115158094A (zh) * 2022-08-02 2022-10-11 重庆大学 基于长短期soc规划的插电式混合动力汽车能量管理方法
CN116118705B (zh) * 2022-12-09 2023-08-11 聊城大学 一种跟驰场景下插电式混合动力公交车能量管理控制方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107284441B (zh) * 2017-06-07 2019-07-05 同济大学 实时工况自适应的插电式混合动力汽车能量优化管理方法
CN108177648B (zh) * 2018-01-02 2019-09-17 北京理工大学 一种基于智能预测的插电式混合动力车辆的能量管理方法
CN108909702A (zh) * 2018-08-23 2018-11-30 北京理工大学 一种插电式混合动力汽车能量管理方法及系统
US11167744B2 (en) * 2019-06-14 2021-11-09 GM Global Technology Operations LLC AI-enhanced nonlinear model predictive control of power split and thermal management of vehicle powertrains
CN110281904B (zh) * 2019-06-18 2021-01-19 浙江吉利控股集团有限公司 一种混合动力车辆的能量管理方法、装置及终端
CN110717218B (zh) * 2019-09-18 2021-08-03 北京理工大学 一种电驱动车辆分布式动力驱动系统重构控制方法及车辆
CN111009134A (zh) * 2019-11-25 2020-04-14 北京理工大学 一种基于前车与自车互动的短期车速工况实时预测方法
CN111591279B (zh) * 2020-04-20 2021-05-28 湖南大学 一种插电式混合动力汽车电池电量轨迹规划方法及系统
CN112101684B (zh) * 2020-11-10 2021-03-19 北京理工大学 一种插电式混合动力车辆实时能量管理方法和系统

Also Published As

Publication number Publication date
CN112937547A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112937547B (zh) 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
CN110775065B (zh) 一种基于工况识别的混合动力汽车电池寿命预测方法
Chen et al. A neural network-based ECMS for optimized energy management of plug-in hybrid electric vehicles
CN110696815B (zh) 一种网联式混合动力汽车的预测能量管理方法
CN108909702A (zh) 一种插电式混合动力汽车能量管理方法及系统
CN111923897B (zh) 一种插电式混合动力汽车能量智能管理方法
CN109895760B (zh) 基于soc参考轨迹的插电式混合动力汽车能量管理方法
Lin et al. Velocity prediction using Markov Chain combined with driving pattern recognition and applied to Dual-Motor Electric Vehicle energy consumption evaluation
CN107688343B (zh) 一种混合动力车辆的能量控制方法
CN111552185B (zh) 一种基于pmp的插电式混合动力汽车模型预测控制的能量管理方法
CN113525396B (zh) 一种融合深度强化学习的混动汽车分层预测能量管理方法
Ganji et al. A study on look-ahead control and energy management strategies in hybrid electric vehicles
CN110356397B (zh) 基于道路坡度的能量归一最小化的混合动力汽车优化方法
Vajedi et al. Intelligent power management of plug–in hybrid electric vehicles, part I: Real–time optimum SOC trajectory builder
CN113554337B (zh) 融合交通信息的插电式混动汽车能量管理策略构建方法
CN112319462B (zh) 一种插电式混合动力汽车能量管理方法
CN114103924A (zh) 一种混合动力车辆能量管理控制方法及装置
CN113135113B (zh) 一种全局soc规划方法及装置
CN116070783B (zh) 一种混动传动系统在通勤路段下的学习型能量管理方法
Zhou et al. A two-term energy management strategy of hybrid electric vehicles for power distribution and gear selection with intelligent state-of-charge reference
López et al. Energy management improvement based on fleet digitalization data exploitation for hybrid electric buses
CN115805840A (zh) 一种增程式电动装载机能耗控制方法及系统
CN113276829B (zh) 一种基于工况预测的车辆行驶节能优化变权重方法
CN115257695A (zh) 一种混合动力汽车能量管理控制系统及其方法
CN113715629B (zh) 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法

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