CN113135113B - 一种全局soc规划方法及装置 - Google Patents

Abstract

本发明涉及一种全局SOC规划方法及装置。其中方法包括：获取全局工况；根据全局工况以及能量管理模型得到全局离线SOC轨迹；根据速度和/或加速度对全局工况进行区间分类，包括高功率区间、普通区间、低功率区间以及制动区间；根据各区间下行驶里程的分布得到各区间的放电系数；在全局离线SOC轨迹的基础上，根据各区间的放电系数以及目标需求，通过最优拟合的方式调整全局离线SOC轨迹，得到最优SOC轨迹。本发明根据速度和/或加速度对全局工况进行区间分类，针对不同的需求区间根据最优拟合的方式对电池的放电系数进行调整，得到最优SOC轨迹，以满足目标需求，使得该方法适用于任何形式的工况，提高SOC规划的适用性和精度。

Description

一种全局SOC规划方法及装置

技术领域

本发明涉及一种全局SOC规划方法及装置，属于新能源车辆能量与电池管理技术领域。

背景技术

目前新能源车辆(包括纯电动车和混合动力车辆)的城市公交车已经在我国大量的投入使用。如何根据车速、加速度、电池SOC、路况信息来判断车辆应处的工作状态以尽可能提高续驶里程是新能源车辆能量管理策略的关键。其中，电池SOC(State of charge)即电池荷电状态用来反应电池的剩余容量，是影响车辆运行效率的关键特征参数。为使新能源车辆的动力电池SOC高效实时地达到既定下限值(即电池电量耗尽)，需要提前规划电池SOC曲线并使能量管理策略实时跟踪给定的参考SOC曲线，通过参考SOC曲线进行电池放电情况的规划。

目前电池SOC曲线的规划方法主要采用动态规划算法，进而对整车的能量进行优化管理，然而应用动态规划作为行驶任务之初SOC规划算法的最大问题是适应性问题，动态规划算法是在给定的全局工况的前提下得到最优的控制策略，是一种在离线情况下得到的最优SOC轨迹，然而由于驾驶模式的变化多种多样，并没有固定的驾驶模式。因此该方法适用性差、精度低，无法满足车辆实时运行和抗工况扰动的要求。

发明内容

本申请的目的在于提供一种全局SOC规划方法及装置，用以解决现有转矩控制适用性差、精度低的问题。

为实现上述目的，本发明提出一种全局SOC规划方法，包括以下步骤：

获取全局工况；根据全局工况以及能量管理模型得到全局离线SOC轨迹；

根据速度和/或加速度对全局工况进行区间分类，包括高功率区间、普通区间、低功率区间以及制动区间；

根据各区间下行驶里程的分布得到各区间的放电系数；

在全局离线SOC轨迹的基础上，根据各区间的放电系数以及目标需求，通过最优拟合的方式调整全局离线SOC轨迹，得到最优SOC轨迹，使其满足目标需求。

另外，本发明还提供一种全局SOC规划装置，包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现上述的全局SOC规划方法。

有益效果是：本发明根据速度和/或加速度对全局工况进行区间分类，针对不同的需求区间根据最优拟合的方式对电池的放电系数进行调整，得到最优SOC轨迹，以满足目标需求，使得该方法适用于任何形式的工况，提高SOC规划的适用性和精度。

进一步的，上述全局SOC规划方法及装置中，为了保证最优SOC轨迹的准确性，调整全局离线SOC轨迹的计算过程为：

SOC_T＝SOC₀-k(k_hs_h+k_cs_c+k_ls_l+k_ds_d)；

其中，SOC_T为最优SOC轨迹；SOC₀为全局离线SOC轨迹；k是总放电系数；k_h为高功率区间下动力电池的放电系数的权重；k_c为普通区间下动力电池的放电系数的权重；k_l为低功率区间下动力电池的放电系数的权重；k_d为制动区间下动力电池的放电系数的权重；s_h为高功率区间下行驶里程；s_c为普通区间下行驶里程；s_l为低功率区间下行驶里程；s_d为制动区间下行驶里程；v_h为高功率区间的车速；v_c为普通区间的车速；v_l为低功率区间的车速；v_d为制动区间的车速；t₁为高功率区间的行驶时间；t₂为普通区间的行驶时间；t₃为低功率区间的行驶时间；t₄为制动区间的行驶时间。

进一步的，上述全局SOC规划方法及装置中，为了提高整车能量的利用效率，得到最优SOC轨迹后，根据最优SOC轨迹和能量管理模型，得到转矩控制量；根据转矩控制量控制车辆的转矩。

进一步的，上述全局SOC规划方法及装置中，为了保证转矩控制的准确性，还获取车辆的当前加速度和当前速度；根据神经网络算法建立车速预测模型，根据当前加速度、当前速度及车速预测模型得到车辆的短期预测速度；以短期预测速度为扰动优化能量管理模型，根据最优SOC轨迹和优化后的能量管理模型得到转矩控制量。

进一步的，上述全局SOC规划方法及装置中，所述车速预测模型为：

其中，V_k,V_k+1,...V_k+P为短期预测速度；f_n为径向基神经网络函数；a为当前加速度；

为当前车速；H_h为过去车速向量长度；k、P均为常数。

进一步的，上述全局SOC规划方法及装置中，车速预测模型的隐藏层中径向基神经网络函数为高斯函数，所述高斯函数为：

其中，y_j为神经网络输出，ω_ij为输出权值，b_f为开发者预设的神经元阈值，x为神经网络输入，c_i为神经元节点中心，σ为神经元径向基函数扩散宽度，h为隐藏层节点数，i、j、P均为常数。

进一步的，上述全局SOC规划方法及装置中，为了提高能量管理模型的优化效果，所述优化能量管理模型的方式为滚动优化法。

进一步的，上述全局SOC规划方法及装置中，为了保证全局离线SOC轨迹的准确性，所述全局离线SOC轨迹根据全局工况以及能量管理模型，在离线条件下利用动态规划算法得到。

附图说明

图1是本发明全局SOC规划方法的流程图；

图2是本发明基于最优拟合的全局SOC快速规划方法的原理图；

图3是本发明基于数据驱动的全局SOC高效规划原理图。

具体实施方式

全局SOC规划方法实施例：

本实施例提出的全局SOC规划方法，如图1所示，包括以下步骤：

1)获取全局工况。

根据历史交通数据和实时交通数据可以完成全局工况的构建，全局工况的构建过程为现有技术，本发明不做过多介绍。

2)根据全局工况以及能量管理模型得到全局离线SOC轨迹。

本实施例中，全局离线SOC轨迹根据全局工况以及能量管理模型，在离线条件下利用动态规划算法得到。

以典型双电机混合动力构型为例，构建其对应的能量管理模型：包括车辆动力学模型、功率分配模型、电池功率模型。

车辆动力学模型为：

其中，M为整车质量，v为车速，T_out为输出转矩，r为轮胎半径，i为坡道角度，f为滚动阻力系数，C_d为风阻系数，A为迎风面积，t为时间，g为重力加速度。

车辆功率分配模型为：

其中，ω_out为输出转速，ω_e,ω_m1,ω_m2分别为发动机转速、电机1转速和电机2转速；T_out为输出转矩，T_e,T_m1,T_m2分别为发动机转矩、电机1转矩和电机2转矩，a₁、b₁、c₁、a₂、b₂、c₂为常数值，具体值需要系统具体结构和整车参数确定，而且f₁为输出转速与发动机转速、电机1转速、电机2转速的关系表达式，具体也需由系统具体构型确定，f₂为输出转矩与发动机转矩、电机1转矩、电机2转矩的关系表达式，具体也需由系统具体构型确定，上述给出其中一种表达式。

电池功率模型：

其中，P_batt为电池(即动力电池)功率，P_m1、P_m2分别代表电机1和电机2的功率，η_m1、η_m2分别为电机1和电机2的效率，η_inv表示转换器能量传递系数，k_m1、k_m2分别代表电机1和电机2的工作状态，当对应电机的功率为正时取1，功率为负时取-1，I_batt为电池电流，V_oc为电池开路电压，R_batt为电池内阻，η_batt为电池充放电效率。

选择发动机转速与转矩为其控制变量，即控制变量u＝[ω_e,T_e]^T，选择电池的SOC为状态变量，即状态变量x＝[SOC]^T，以短期预测车速作为扰动(根据神经网络算法建立车速预测模型，根据当前加速度、当前速度及车速预测模型得到车辆的短期预测速度，具体后续有介绍，这里不做赘述)，即扰动d＝V_predic。以燃油消耗率

电池功率、电机1和电机2的转速与转矩作为输出量，即输出量

将上述能量管理模型转化为系统状态空间表达式：假设x是状态变量，u是控制变量，d是系统扰动，y是输出，则有：

发动机燃油消耗率表示为：

电机1和电机2的效率表示为：

η_m1＝ψ₁(ω_m1,T_m1)；

η_m2＝ψ₂(ω_m2,T_m2)；

关于函数f，g，ψ，ψ₁，ψ₂为现有技术，这里不做过多介绍。

根据动力电池、发动机和电机的工作极限状态，约束条件如下：

SOC^min≤SOC≤SOC^max；

其中，SOC^min，SOC^max分别为电池SOC的最小值和最大值；

分别为电池电流的最小值和最大值；

分别为电池功率的最小值和最大值；

分别为发动机转矩的最小值和最大值；

分别为发动机转速的最小值和最大值；

分别为电机1转矩的最小值和最大值；

分别为电机1转速的最小值和最大值；

分别为电机2转矩的最小值和最大值；

分别为电机2转速的最小值和最大值。

利用动态规划算法计算状态空间内最优价值函数和对应的最优解。根据最优价值函数和最优解，计算给定初始状态(即所获取的全局工况)下的最优控制策略，即最优发动机转矩、电机转矩等控制变量，并将全局离线SOC轨迹进行输出，与对应工况输入进行匹配，作为全局离线SOC样本数据进行存储。

2)对全局工况(也即行驶工况)输入以及全局离线SOC轨迹输出之间的特征匹配机理进行分析，基于车速以及加速度的分布区间，构建不同区间下的电池SOC放电系数k，通过对不同区间下的放电系数进行不断的调整，得到最优SOC轨迹。

对车辆功率需求进行分析，采用归类的方法将车辆行驶路线上的全局工况按一定特征分为若干子类，如图2所示具体为：根据加速度a的特征区间，可将全局工况归为四类：高功率工况、普通工况、低功率工况以及制动工况，即：

式中，a为车辆加速度，a＞1时为高功率工况，v_h为高功率工况车速；0.5＜a≤1时为普通工况，v_c为普通工况车速；0≤a≤0.5时为低功率工况，v_l为低功率工况车速，a＜0时为制动工况，v_d为制动工况车速。

作为其他实施方式，也可以根据速度v或者根据速度v和加速度a进行特征区间的分类，本发明对此不做限制。

注意：1.全局工况信息不仅包括速度信息，还包括路程、加速度等信息，通过速度和时间求导可得加速度；2、假如某一段速度信息对时间求导得到的加速度信息大于1，那么这一段速度信息就划分为高功率工况，各种工况对应的车速是一个区间或者是范围，没有指定的一个数值；3、速度和加速度均为0时对应停车工况，不再指明，也可以将停车工况加入全局工况的分类中。

根据各区间下行驶里程的分布得到各区间的放电系数，各子工况区间下车辆行驶里程对应的放电系数如下：

其中，s_h为高功率区间下行驶里程；s_c为普通区间下行驶里程；s_l为低功率区间下行驶里程；s_d为制动区间下行驶里程；v_h为高功率区间的车速；v_c为普通区间的车速；v_l为低功率区间的车速；v_d为制动区间的车速；t₁为高功率区间的行驶时间；t₂为普通区间的行驶时间；t₃为低功率区间的行驶时间；t₄为制动区间的行驶时间。

在全局离线SOC轨迹的基础上，根据各区间的放电系数以及目标需求(目标需求指的是整车燃油消耗最小，即目标函数的意义)，通过最优拟合的方式调整全局离线SOC轨迹，得到最优SOC轨迹，使其满足目标需求。

定义每个区间下动力电池的放电系数的权重，k_h为高功率区间下动力电池的放电系数的权重；k_c为普通区间下动力电池的放电系数的权重；k_l为低功率区间下动力电池的放电系数的权重；k_d为制动区间下动力电池的放电系数的权重；k是总放电系数。

为了使SOC轨迹随工作条件变化而满足全局约束，总放电系数定义为：

其中，SOC₀是全局离线SOC轨迹，SOC_T是最优SOC轨迹。

进而得到调整全局离线SOC轨迹，并且能够较好反应其匹配机理的实时SOC计算模型(SOC高效规划模型)为：

通过对各区间的放电系数的权重进行不断调整，得到最优SOC轨迹。

基于最优拟合的全局SOC规划方法的核心即在于根据典型工况输入以及该工况下的动态规划最优解下SOC的变化率之间的关系进行分析提取，在此基础上通过对各工况分类下放电系数进行不断调整，使得规则算法所得曲线能够尽可能逼近与最优解结果，从而使得全局SOC规划效果能够满足目标需求。

基于最优拟合的方法包括采用类人逻辑、工况适应性相对较高的优点，但SOC规划效果仍旧存在一定提升空间，且面向不同的工况特性或是目标车辆，其放电系数k往往需要进行较大改动，该过程需要一定工程经验，虽然在放电期间会存在一定偏差，但该误差最终能够得到补偿且最优SOC最终能够收敛到目标值。因此，当工况较为复杂多变时，可选取基于最优拟合的方式以充分发挥其鲁棒性。

本实施例中，最优拟合的方式适用于复杂工况的情况，那么如果工况不复杂时可以采用其他算法，例如：数据驱动算法等。

为实现对于SOC规划的精度与效率目标，利用数据驱动算法对历史工况数据进行挖掘，训练得到快速高效全局SOC规划模型。针对所采集历史工况数据，以及在离线条件下利用动态规划算法求解最优控制结果所形成的对应输入输出样本，通过机器学习方法构建能够反映其映射机理的SOC高效规划模型，得到当前全局工况下的全局最优SOC。

基于数据驱动算法的全局最优SOC规划的具体过程如图3所示，如下：

(1)为保证车辆行驶工况的确定性，使得工况与SOC轨迹之间存在一定映射机理可供发掘，所构建任意SOC高效规划模型采用的训练样本数据需源自同一车辆的不同工作循环。

(2)训练样本的获取。利用上述最优SOC规划工况样本处理方法，通过动态规划算法对所有工况求解燃油消耗最小控制结果，最后将工况输入以及全局离线SOC轨迹输出匹配保存，进而得到可供机器学习驱动的原始样本数据。

(3)样本数据获取之后，利用MATLAB工具箱在完成输入输出设定以及相关参数设置后，对样本数据不断训练迭代，直至收敛得到能够满足目标精度需求的全局SOC高效规划模型。

基于数据驱动的方法则能更好的发掘样本数据背后所隐藏的工况输入以及全局离线SOC输出之间的映射关系。在工况特征相对固定的情况下能够取得更为优异的数据拟合效果，但该方法的适应性较差，当实际全局工况与训练样本工况存在较大差异时，该方法甚至无法投入使用。因此，当工况较为固定不变时，则可以选用基于数据驱动的方法来获取最优SOC轨迹。

3)得到最优SOC轨迹后，根据最优SOC轨迹和能量管理模型，得到转矩控制量；根据转矩控制量控制车辆的转矩。

为满足混合动力车辆的动力电池SOC最终达到下限值需求，引入规划好的电池的最优SOC曲线(即轨迹)并使预测能量管理策略实时跟踪给定的参考SOC曲线，同时在预测时域内实时求解车辆的最优转矩分配序列并作用于车辆运动控制，以获得较优的燃油经济性。

本实施例中，还获取车辆的当前加速度和当前速度；根据神经网络算法建立车速预测模型，根据当前加速度、当前速度及车速预测模型得到车辆的短期预测速度；以短期预测速度为扰动优化能量管理模型，根据最优SOC轨迹和优化后的能量管理模型得到转矩控制量。当然，作为其他实施方式，也可以不优化能量管理模型。

转矩控制的具体过程为：

基于已采集目标车辆工况数据以及所构建典型工况，采用非线性神经网络算法建立车速预测模型，在每一时刻获取当前车速及加速度，获得未来有限时域内的车辆运行状态。定义神经网络模型的输入N_in为加速度信息a和过去一段时间的车速信息V：

其中，k为常数；H_h为过去车速向量长度。

神经网络模型的输出N_out为未来一段时间的预测车速：

N_out＝V_k+1,V_k+2,...,V_k+P；

其中，P为常数。

隐藏层中神经元采用高斯函数作为径向基神经网络函数：

其中，y_j为神经网络输出，ω_ij为输出权值，b_f为开发者预设的神经元阈值，x为神经网络输入，c_i为神经元节点中心，σ为神经元径向基函数扩散宽度，h为隐藏层节点数，，i、j、P均为常数。

因此，车速预测的非线性神经网络模型为：

其中，f_n为径向基神经网络函数。

本实施例中，优化能量管理模型的方式为滚动优化法，车辆行驶过程中在滚动预测时域内的预测能量管理优化问题可描述为：

其中，U和X分别为输入量和控制量的约束范围，w_s和w_m分别为对应项的权重，C_batt为电池容量，SOC_r为电池SOC参考值即全局规划的最优SOC轨迹，t₀为预测时域初始时刻，t_h为预测时域终止时刻，J为目标函数，SOC(t)为电池荷电状态，

为电池荷电状态的一阶求导变量，目标函数中w_s(SOC(t)-SOC_r)²这一项用来约束电池SOC的波动。

作为其他实施方式，对能量管理模型优化的方式并不做限制。

基于车辆能量管理模型及预测获得的有限时域内的车辆运行状态，使得系统在满足行驶需求和系统约束的条件下，电池SOC保持在参考值附近，采用滚动优化方法求解该时域内的预测能量管理优化问题，得到有限时域内车辆发动机和电机的最优转矩分配序列。

将获得的最优转矩分配序列的第一个控制量施加给车辆的发动机和电机，刷新车辆状态，下一时刻再次获取车辆速度及加速度，重新预测未来有限时域内的车辆运行状态，以修正上一时刻的预测值，利用更新的预测值优化动力系统转矩分配，重复以上预测、优化、反馈步骤，以期获得较优的燃油经济性。

本发明提供的SOC规划方法具备较强的工况适应性、快速实时计算、规划精度高等能力，满足新能源车辆实际工况下的运行效率要求，算法可移植性强，从全局角度解决了工况不确定性影响新能源车辆能量管理分配的行业难题。此外，该规划方法有益于实现对整车功率需求整体特性的预判规划，指导能量管理策略实时在线优化以最大限度地发挥新能源车辆的节能潜力。

全局SOC规划装置实施例：

本实施例提出的全局SOC规划装置，包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现全局SOC规划方法。

全局SOC规划方法的具体实施过程在上述全局SOC规划方法实施例中已经介绍，这里不做赘述。

Claims (6)

1.一种全局SOC规划方法，其特征在于，包括以下步骤：

获取全局工况；根据全局工况以及能量管理模型，利用动态规划算法得到全局离线SOC轨迹；

根据速度和/或加速度对全局工况进行区间分类，包括高功率区间、普通区间、低功率区间以及制动区间；

根据各区间下行驶里程的分布得到各区间的放电系数；

在全局离线SOC轨迹的基础上，根据各区间的放电系数以及目标需求，通过最优拟合的方式调整全局离线SOC轨迹，得到最优SOC轨迹；根据最优SOC轨迹和能量管理模型，得到转矩控制量；根据转矩控制量控制车辆的转矩，使其满足目标需求；

所述目标需求指的是整车燃油消耗最小；

为了使SOC轨迹随工作条件变化而满足全局约束，总放电系数定义为：

进而得到调整全局离线SOC轨迹的计算过程为：

SOC_T＝SOC₀-k(k_hs_h+k_cs_c+k_ls_l+k_ds_d)；

其中，SOC_T为最优SOC轨迹；SOC₀为全局离线SOC轨迹；k是总放电系数；k_h为高功率区间下动力电池的放电系数的权重；k_c为普通区间下动力电池的放电系数的权重；k_l为低功率区间下动力电池的放电系数的权重；k_d为制动区间下动力电池的放电系数的权重；s_h为高功率区间下行驶里程；s_c为普通区间下行驶里程；s_l为低功率区间下行驶里程；s_d为制动区间下行驶里程；v_h为高功率区间的车速；v_c为普通区间的车速；v_l为低功率区间的车速；v_d为制动区间的车速；t₁为高功率区间的行驶时间；t₂为普通区间的行驶时间；t₃为低功率区间的行驶时间；t₄为制动区间的行驶时间；

通过对各区间的放电系数的权重进行不断调整，得到最优SOC轨迹。

2.根据权利要求1所述的全局SOC规划方法，其特征在于，还获取车辆的当前加速度和当前速度；根据神经网络算法建立车速预测模型，根据当前加速度、当前速度及车速预测模型得到车辆的短期预测速度；以短期预测速度为扰动优化能量管理模型，根据最优SOC轨迹和优化后的能量管理模型得到转矩控制量。

3.根据权利要求2所述的全局SOC规划方法，其特征在于，所述车速预测模型为：

其中，V_k,V_k+1,...V_k+P为短期预测速度；f_n为径向基神经网络函数；a为当前加速度；

为当前车速；H_h为过去车速向量长度；k、P均为常数。

4.根据权利要求3所述的全局SOC规划方法，其特征在于，车速预测模型的隐藏层中的径向基神经网络函数为高斯函数，所述高斯函数为：

其中，y_j为神经网络输出，ω_ij为输出权值，b_f为开发者预设的神经元阈值，x为神经网络输入，c_i为神经元节点中心，σ为神经元径向基函数扩散宽度，h为隐藏层节点数，i、j、P均为常数。

5.根据权利要求2所述的全局SOC规划方法，其特征在于，所述优化能量管理模型的方式为滚动优化法。

6.一种全局SOC规划装置，其特征在于，包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现如权利要求1-5中任一项所述的全局SOC规划方法。

Images