CN113276829A - 一种基于工况预测的车辆行驶节能优化变权重方法 - Google Patents

Abstract

本发明适用于混合动力汽车的智能经济性驾驶领域，提供了一种基于工况预测的车辆行驶节能优化变权重方法，包括以下步骤：提取混合动力汽车过去一段时间的特征参数，通过BP神经网络对混合动力汽车当下的行驶工况进行识别和预测；根据行驶工况及车辆状态利用模糊规则得到目标函数中各项的权重系数，基于模型预测控制框架，利用极小值原理和二分法求解节能优化问题；进行仿真验证，校验所设计控制策略的有效性和合理性；本发明可实现根据车辆所处行驶工况的历史特征进行未来行驶工况的预测，使得混合动力汽车的燃油和电量消耗实现随工况自适应协调的能力，并且是提高混合动力汽车燃油经济性的一种有效解决手段，同时具有工程应用的潜力。

Description

一种基于工况预测的车辆行驶节能优化变权重方法

技术领域

本发明属于混合动力汽车的智能经济性驾驶领域，尤其涉及一种基于工况预测的车辆行驶节能优化变权重方法。

背景技术

随着全球能源短缺和环境污染问题的日益严重，车辆的技术也在不断更新和提升。混合动力汽车(Hybrid Electric Vehicle，HEV)相比于传统燃油车，可以通过协同控制发动机和电机的工作点，使车辆的动力系统更多的工作在高效区内，从而显著改善油耗与排放，并且不存在纯电动汽车(EV)的续驶里程问题，因此，近年来混合动力汽车已逐渐成为各国竞相研发的重点。

混合动力汽车的关键问题之一是多动力源的能量分配控制，而车辆行驶的能量需求与车辆行驶工况密切相关，也直接影响车辆的燃油经济性，根据行驶工况对控制策略做出适应性调整，可有效改善HEV的燃油经济性。由于行驶工况受当前道路、车流等因素的影响，无法预先精确获得，需要实时进行识别与预测。

行驶工况识别算法大致可分为基于聚类理论，模糊控制器以及神经网络等方法，三者都是通过计算出车辆行驶过程中特定的特征参数作为输入，但模糊控制器主要根据工程经验设计隶属度函数，该识别方法受人为因素影响较大，而基于聚类分析的行驶工况识别受初始聚类中心、输入个数等因素的影响，有时识别效果并不理想，因此，本专利使用神经网络进行工况识别。目前基于神经网络的工况识别大都是通过多种典型工况提取各种特征参数，为更加真实的反映不同工况下的行驶特征，本专利选取了红绿灯路口较多的市区道路、较为顺畅的郊区及快速路、以及环城高速等典型路段，通过驾驶员在选定的实验路线上驾驶车辆，分别在工作日和非工作日，以及一天中的不同时间段采集了车辆行驶工况信息。

目前考虑行驶工况的节能策略大多为在基于规则的能量管理策略基础上使用优化算法离线优化各工况下规则控制器的逻辑门限值，虽然此方法相对简单，易于工程实现，但规则控制难以最大程度的发掘混合动力汽车的节能潜力。为此，本专利提出了一种基于工况预测的车辆行驶节能实时优化变权重方法。为了描述本专利所提策略的适用性和有效性，以一种搭载CVT变速箱的混合动力汽车为研究实例，进行整车的动力学分析与建模，利用BP神经网络对行驶工况进行分类预测，然后根据行驶工况类别及车辆自身状态建立模糊规则，调整燃油消耗和电量消耗之间的权重系数，在模型预测控制框架下求得最优发动机和电机转矩以及变速箱的传动比，并通过仿真技术给出控制性能验证结果。

发明内容

本发明实施例的目的在于提供一种基于工况预测的车辆行驶节能优化变权重方法，旨在解决对于研究对象装备有CVT变速箱的混合动力汽车，在不同工况下更加充分提高燃油经济性的目标，设计一种可随行驶工况变优化目标权重的能量管理策略的问题。

本发明实施例是这样实现的：

以搭载CVT的混合动力汽车为例，提取混合动力汽车过去一段时间的特征参数，通过BP神经网络对混合动力汽车当下的行驶工况进行识别和预测；

根据行驶工况及车辆状态利用模糊规则得到目标函数中各项的权重系数，基于模型预测控制框架，利用极小值原理和二分法求解节能优化问题；

为了校验所设计控制策略的有效性和合理性，进行仿真验证，仿真结果证明了通过本发明设计算法的有效性。

本发明实施例提供的一种基于工况预测的车辆行驶节能优化变权重方法，具有以下有益效果：

1.本发明提供了一种神经网络工况预测模型，可实现根据车辆所处行驶工况的历史特征进行未来行驶工况的预测，该方法也可应用于智能网联车辆的行驶决策；

2.本发明通过预测的行驶工况给出了一种基于模糊规则的节能优化目标权重的制定方法，使得混合动力汽车的燃油和电量消耗实现随工况自适应协调的能力；

3.本发明所提出的节能优化框架不仅同样适用于其他结构类型的混合动力汽车行驶优化问题，并且是提高混合动力汽车燃油经济性的一种有效解决手段，同时具有工程应用的潜力。

附图说明

图1为本发明变权重行驶优化控制系统的整体结构图；

图2为本发明行驶工况预测架构；

图3为采集的行驶工况实车数据；

图4为BP神经网络训练误差；

图5为城市工况下权重系数三维MAP图；

图6为郊区工况下权重系数三维MAP图；

图7为高速工况下权重系数三维MAP图；

图8为NEDC工况仿真结果验证；

图9为WLTC工况仿真结果验证。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下结合具体实施例对本发明的具体实现进行详细描述。

本发明所提出的针对混合动力汽车的变权重的能量管理策略方案结构图如图1所示，根据驾驶员的加速踏板和制动踏板的开度信号查找车轮处需求转矩MAP，得到车轮处需求转矩T_d，根据实时采集得到的需求力矩、车速，当前时刻发动机与电机的转速和转矩、电池SOC、挡位等，并通过神经网络对车辆当下的行驶工况类型进行识别与预测，然后根据行驶工况类型对目标函数中燃油消耗和电量消耗的权重系数进行调整，在预测时域内对构造的优化问题进行求解得到发动机与电机的力矩控制序列

和

以及变速箱速比控制序列

其中i∈[1,N]，并将控制序列的第一个元素

以及

作用到系统，并在下一个采样时刻，重新上述计算。

(1)混合动力汽车行驶优化问题描述

对于基于行驶工况预测的混合动力汽车能量管理策略，其控制目标主要是在每个采样周期下，考虑给定总的需求力矩，结合车辆的行驶工况信息，合理选择发动机和电机之间的权重系数，对转矩分配和挡位进行求解，尽可能的减少燃油消耗，有效降低整车行驶成本。由于车轮处总的需求力矩可以得到，因此电机转矩T_m和发动机转矩T_e只需确定其中一个，另一个也可以随之得到，故本文选取电机转矩T_m和变速箱速比i_g为控制变量，即u＝[T_m,i_g]。由于电机的工作点受电池的SOC影响，因此，本文选取电池SOC作为状态量，即x＝SOC。

根据控制目标，建立了如下的目标函数：

式中，t为当前时刻，[t,t+T]为预测时域，ω₁和ω₂均为权重系数，

为燃油消耗率，SOC_r是期望剩余电池SOC。目标函数中分别包括发动机燃油消耗项和电量消耗项，其中燃油消耗项代表在预测时域内混合动力汽车的燃油消耗量，电量消耗项是为了保证预测时域内，电池SOC尽可能接近期望的SOC_r值。目标函数满足的状态约束可以由微分得到，表达式为：

由于混合动力汽车的发动机、电机、电池荷电状态SOC和变速箱的传动比需要满足一系列的物理约束，表达为：

其中n_e和n_m分别为发动机和电机转速，T_e和T_m为发动机和电机的转矩，max和min分别表示各个物理量的最大值和最小值。为了实现考虑工况的变权重控制策略的实时滚动优化控制，要求优化问题的求解具有快速性，本专利选取了结合极小值原理和二分法的求解方法。具体来说，利用极小值原理得到最优解的必要条件，并利用二分法求解最优拉格朗日算子，从而得出最优控制问题的解。(2)基于行驶工况预测的变权重模糊规则的建立

车辆实际运行时的工况特征是不断变化的，对于当前时刻t₀，选取当前时刻之前的[t₀-ΔT,t₀]时间窗口内的工况块进行参数提取，然后根据特征参数经神经网络进行工况识别，并对当前时刻之后的[t₀,t₀+Δt]时间窗口内的工况进行预测。本文使用BP神经网络进行工况识别，行驶工况识别结构示意图如图2所示。依据行驶工况的特征可将车辆行驶工况划分为城市、郊区及高速3种典型工况，其中城市工况因交通拥堵、红绿灯过多等，车辆停车次数多且等待时间较长，车速低；郊区工况的交通较为通畅，车辆车速适中，偶尔停车；高速工况时车辆行驶速度较快，基本无停车等待情况。本文基于某实车平台，分别在重庆、武汉等地选取典型路段，涵盖了红绿灯路口较多的市区道路，较为顺畅的郊区及快速路，以及环城高速等路段。驾驶员通过在选定的实验路线上驾驶车辆，在工作日和非工作日，以及一天中的不同时间段采集了车辆行驶工况信息。在不同路段采集到的部分工况数据如图3所示。本专利选取了最高车速v_max、平均车速

平均加速度

平均减速度

怠速时间比p_i和匀速时间比P_c作为特征参数，即BP神经网络的输入。本专利令ΔT＝100s，Δt＝5s，因此，将实车采集到的行驶工况数据划分为长度100s的短工况片段。计算各短工况的特征参数值，共计提取317组短工况特征数据，从各个工况中随机选取训练数据及验证数据，其中各工况共随机选出270组用来训练BP神经网络，47组数据用来验证所训练的神经网络。在MATLAB中进行训练得到的误差曲线如图4所示，从误差曲线可以看出，随着迭代次数的增加，误差逐渐降低，在训练次数达到217代之后，达到目标精度，可认为神经网络训练完成，使用47组短工况对训练完成后的神经网络进行验证，识别正确率可稳定在95％以上。

基于上述行驶工况识别算法，本专利通过模糊控制器实时调整目标函数中燃油消耗项和电量消耗项之间的权重系数。模糊控制算法能够针对复杂系统根据大量人工经验和规则进行控制，本文采用模糊规则对燃油消耗项和电量消耗项之间的权重系数进行实时调整。目标函数中ω₁和ω₂分别代表燃油消耗项和电量消耗项的权重，而且ω₁和ω₂之间具有相对的意义，因此本专利中保持电量消耗项的权重系数ω₂不变，通过模糊控制器对燃油消耗项的权重系数ω₁实时进行调节。不同工况下，选取车轮处需求功率p_r和电池的SOC作为模糊控制器的输入，燃油消耗项的权重系数ω₁作为模糊控制器的输出量。根据行驶工况信息调节燃油消耗和电量消耗的权重系数的基本原则是，当车辆行驶在城市工况时，交通状况不顺畅，红绿灯较多，汽车的行驶速度较低，启动、停车次数较多，此时发动机的工作效率较低，而采用电机驱动和能量回收模式效率较高，即此时应适当增大燃油消耗项的权重系数，混合动力系统侧重于电机工作。而当车辆行驶在高速工况时，车辆行驶速度较快并且基本无停车等待情况，发动机大多工作点可以落在高效区内，此时以电机为辅侧重于发动机工作整车效率更高，即应适当减小燃油经济性的权重系数，侧重于发动机工作。因此，基于不同行驶工况将输出量模糊化，不同工况下选取不同的基本论域，当车辆行驶在城市工况时燃油消耗项的权重系数ω₁的范围为[1.5，2.5]；行驶在郊区工况时燃油消耗项的权重系数ω₁的范围为[1，1.5]；行驶在高速工况时燃油消耗项的权重系数ω₁的范围为[0.5，1]。根据以上分析，以电池的SOC和车轮处需求功率p_r作为输入，制定了权重系数的模糊控制规则，城市工况、郊区工况、高速工况的三维MAP曲面图分别如图5-7所示。

(3)节能效果验证

本节在NEDC和WLTC工况下对考虑行驶工况的MPC控制策略与未考虑行驶工况信息的控制策略分别做了对比分析。NEDC工况下两种控制器的仿真结果如图8所示。其中NEDC工况如图8.(a)所示,识别结果如图8.(b)所示，“1”代表城市工况，“2”代表郊区工况，“3”代表高速工况。根据上述提出的模糊控制器规则以及行驶工况信息，保持电量消耗项的权重不变，合理选取目标函数中燃油消耗项的权重系数。根据不同工况类型选取权重系数的变权重MPC和未考虑工况信息的定权重MPC的电池SOC曲线和燃油消耗量曲线如图8.(c)和8.(d)所示，仿真结果显示，两种控制器的初始SOC和终端SOC基本保持一致，未考虑行驶工况信息的定权重MPC控制器的燃油消耗总量约为299.3g，而考虑行驶工况信息的变权重MPC控制器的燃油消耗总量约为278.95g，节油率提升6.8％左右。WLTC工况下两种控制器的仿真结果如图9所示。其中NEDC工况如图9.(a)所示,识别结果如图9.(b)所示，根据不同工况类型选取权重系数的变权重MPC和未考虑工况信息的定权重MPC的电池SOC曲线和燃油消耗量曲线如图9.(c)和9.(d)所示，仿真结果显示，两种控制器的初始SOC和终端SOC基本保持一致，未考虑行驶工况信息的定权重MPC控制器的燃油消耗总量约为749.1g，而考虑行驶工况信息的变权重MPC控制器的燃油消耗总量约为729.2g，节油率提升2.7％左右。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于工况预测的车辆行驶节能优化变权重方法，其特征在于，包括如下步骤：

1)根据驾驶员的加速踏板和制动踏板的开度信号查找车轮处需求转矩MAP，得到车轮处需求转矩T_d；

2)根据实时采集得到的需求力矩、车速，当前时刻发动机与电机的转速和转矩、电池SOC、挡位；

3)通过神经网络对车辆当下的行驶工况类型进行识别与预测；

4)根据行驶工况类型对目标函数中燃油消耗和电量消耗的权重系数进行调整，在预测时域内对构造的优化问题进行求解得到发动机与电机的力矩控制序列

和

以及变速箱速比控制序列

其中i∈[1,N]；

5)将控制序列的第一个元素

以及

作用到系统，并在下一个采样时刻，重新进行步骤4)的计算；

6)根据行驶工况及车辆状态利用模糊规则得到目标函数中各项的权重系数，基于模型预测控制框架，利用极小值原理和二分法求解；

7)进行仿真验证，校验所设计控制策略的有效性和合理性。

2.根据权利要求1所述的基于工况预测的车辆行驶节能优化变权重方法，其特征在于，在步骤6)中，对于基于行驶工况预测的混合动力汽车能量管理策略，其控制目标主要是在每个采样周期下，考虑给定总的需求力矩，结合车辆的行驶工况信息，合理选择发动机和电机之间的权重系数，对转矩分配和挡位进行求解；

选取电机转矩T_m和变速箱速比i_g为控制变量u＝[T_m,i_g]，选取电池SOC作为状态量x＝SOC；

根据控制目标，建立了如下的目标函数：

式中，t为当前时刻，[t,t+T]为预测时域，ω₁和ω₂均为权重系数，

为燃油消耗率，SOC_r是期望剩余电池SOC。

3.根据权利要求2所述的基于工况预测的车辆行驶节能优化变权重方法，其特征在于，在目标函数中分别包括发动机燃油消耗项和电量消耗项，其中燃油消耗项代表在预测时域内混合动力汽车的燃油消耗量，电量消耗是使在预测时域内电池SOC向期望的SOC_r值相接近；

目标函数满足的状态约束可以由微分得到，表达式为：

4.根据权利要求3所述的基于工况预测的车辆行驶节能优化变权重方法，其特征在于，由于混合动力汽车的发动机、电机、电池荷电状态SOC和变速箱的传动比需要满足一系列的物理约束，表达为：

其中n_e和n_m分别为发动机和电机转速，T_e和T_m为发动机和电机的转矩，max和min分别表示各个物理量的最大值和最小值。

5.根据权利要求1所述的基于工况预测的车辆行驶节能优化变权重方法，其特征在于，在步骤3)中，对于当前时刻t₀，根据车辆实际运行时的工况特征选取当前时刻之前的[t₀-ΔT,t₀]时间窗口内的工况块进行参数提取，然后根据特征参数经神经网络进行工况识别，并对当前时刻之后的[t₀,t₀+Δt]时间窗口内的工况进行预测。

Images