CN113460026A - 一种功率分配方法、装置、设备及汽车 - Google Patents

一种功率分配方法、装置、设备及汽车 Download PDF

Info

Publication number
CN113460026A
CN113460026A CN202110746946.2A CN202110746946A CN113460026A CN 113460026 A CN113460026 A CN 113460026A CN 202110746946 A CN202110746946 A CN 202110746946A CN 113460026 A CN113460026 A CN 113460026A
Authority
CN
China
Prior art keywords
power
engine
motor
vehicle
output power
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.)
Granted
Application number
CN202110746946.2A
Other languages
English (en)
Other versions
CN113460026B (zh
Inventor
王璋
唐煜州
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.)
BAIC Group ORV Co ltd
Original Assignee
BAIC Group ORV Co ltd
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 BAIC Group ORV Co ltd filed Critical BAIC Group ORV Co ltd
Priority to CN202110746946.2A priority Critical patent/CN113460026B/zh
Publication of CN113460026A publication Critical patent/CN113460026A/zh
Application granted granted Critical
Publication of CN113460026B publication Critical patent/CN113460026B/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
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/06—Combustion engines, Gas turbines
    • B60W2510/0666—Engine power
    • 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/08—Electric propulsion units
    • B60W2510/085—Power
    • 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/24—Energy storage means
    • B60W2510/242—Energy storage means for electrical energy
    • B60W2510/244—Charge state
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics

Abstract

本发明提供了一种功率分配方法、装置、设备及汽车，涉及汽车技术领域。该功率分配方法包括：在车辆处于行驶状态时，获取所述车辆的需求功率、动力电池的当前荷电状态SOC、电机最大输出功率和发动机最大输出功率；获取通过粒子群算法优化的参数信息；根据所述需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定所述车辆的驱动模式；控制所述车辆的发动机和电机按照所述驱动模式输出所述需求功率。通过粒子群算法对参数信息进行优化可以降低对工程人员的经验要求，同时参数信息的确定是以车辆在多种工况下的平均油耗为适应度评价标准，实现了多工况下的联合优化，提高对不同工况的适应性。

Description

一种功率分配方法、装置、设备及汽车
技术领域
本发明涉及汽车技术领域，特别涉及一种功率分配方法、装置、设备及汽车。
背景技术
对于混合动力汽车，需要将多个动力源的输出功率相结合来进行驱动，进行发动机与电机的功率分配即能量管理策略。目前针对混合动力汽车主要的能量管理策略分为三种：基于规则的能量管理策略、基于全局优化的能量管理策略以及基于瞬时优化的能量管理策略。
基于规则的能量管理策略根据设计人员的实践经验，考虑发动机工作效率、电池荷电状态(state of charge，SOC)、整车功率需求等因素，制定一系列的逻辑规则对发动机与电机的工作状态进行分配。其中各项工作参数主要依靠设计人员的实践经验来设定，故最终结果难以达到最优。
基于全局优化的能量管理策略将燃油量、排放量、电池寿命等多个目标作为优化对象，利用最优控制理论求解全局最优解，实现发动机与电机的功率分配。但是计算过程繁杂，耗时长，消耗资源大，难以实现实时控制，并且优化过程需要知晓整个工况，而现实中工况常常未知，难以实现。
基于瞬时优化的能量管理策略则是将一个或者多个优化目标，利用最优控制理论求解瞬时最优解，实现发动机与电机的功率分配。计算过程相对容易实现，依靠合理的等效因子可近似实现全局最优，但是等效因子会随工况而变化，而现实中工况常常未知，故难以实现。
目前实用度最高的能量管理策略为基于规则的能量管理策略，但是其过于依靠工程人员的工作经验来设定各项逻辑参数，最终能量消耗结果与实践经验强相关，很难保证达到良好的效果。
因此，亟需提供一种能够降低对工程人员经验要求，且能量管理结果更优的需求功率的分配方法。
发明内容
本发明实施例提供一种功率分配方法、装置、设备及汽车，用以解决如何分配电机和发动机的输出功率以满足车辆的需求功率的问题。
为了解决上述技术问题，本发明实施例提供一种功率分配方法，应用于混合动力汽车，所述方法包括：
在车辆处于行驶状态时，获取所述车辆的需求功率、动力电池的当前荷电状态SOC、电机最大输出功率和发动机最大输出功率；
获取通过粒子群算法优化的参数信息；
根据所述需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定所述车辆的驱动模式；
控制所述车辆的发动机和电机按照所述驱动模式输出所述需求功率。
进一步地，所述参数信息包括：上限SOC、下限SOC、电机功率阈值和发动机功率阈值中的至少一项；
进一步地，获取通过粒子群算法优化的参数信息，包括：
根据预设参数范围和预设粒子个数，确定粒子位置X，其中，X＝[上限SOC，下限SOC，电机功率阈值，发动机功率阈值]；
计算每个粒子位置的适应度值，其中，所述适应度值为根据所述粒子位置中的上限SOC、下限SOC、电机功率阈值和发动机功率阈值确定的油耗值；
确定个体适应度极值和群体适应度极值；
根据所述个体适应度极值对应的粒子位置和群体适应度极值对应的粒子位置，迭代更新粒子位置和粒子速度；
确定最后一次迭代的群体适应度极值对应的粒子位置中的参数信息为通过粒子群算法优化的参数信息。
进一步地，根据所述个体适应度极值对应的粒子位置和群体适应度极值对应的粒子位置，迭代更新粒子位置和粒子速度中，所述粒子位置
Figure BDA0003144617720000021
所述粒子速度
Figure BDA0003144617720000022
其中，
Figure BDA0003144617720000023
为第i个粒子在第K次迭代的粒子位置，
Figure BDA0003144617720000024
为第i个粒子在第K次迭代的粒子速度，
Figure BDA0003144617720000031
为第i个粒子在第K+1次迭代的粒子位置，
Figure BDA0003144617720000032
为第i个粒子在第K+1次迭代的粒子速度，
Figure BDA0003144617720000033
为所述个体适应度极值对应的粒子位置，
Figure BDA0003144617720000034
为所述群体适应度极值对应的粒子位置，R1和R2为0至1之间的随机数，C1和C2为常数；
ω为惯性权重，ω＝ω1+K(ω2-ω1)/Kmax，ω1和ω2为常数，Kmax为最大迭代次数。
进一步地，根据所述需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定所述车辆的驱动模式，包括：
当所述当前SOC大于或等于所述上限SOC时，根据所述需求功率和所述电机最大输出功率，确定所述车辆的驱动模式；
当所述当前SOC大于或等于所述下限SOC且小于所述上限SOC时，根据所述需求功率、所述发动机最大输出功率、所述电机功率阈值和所述发动机功率阈值，确定所述车辆的驱动模式，其中，所述下限SOC小于所述上限SOC；
当所述当前SOC小于所述下限SOC时，确定所述车辆的驱动模式为第一行车充电驱动模式，其中，所述发动机的输出功率为所述发动机最大输出功率，所述输出功率包括所述需求功率和用于给动力电池充电的功率。
进一步地，所述根据所述需求功率和所述电机最大输出功率，确定所述车辆的驱动模式，包括：
当所述需求功率小于或等于所述电机最大输出功率时，确定所述车辆的驱动模式为纯电驱动模式，其中，所述电机的输出功率为所述需求功率；
当所述需求功率大于所述电机最大输出功率时，确定所述车辆的驱动模式为第一混合驱动模式，其中，所述电机的输出功率为所述电机最大输出功率，所述发动机的输出功率为所述需求功率与所述电机最大输出功率的差值。
进一步地，根据所述需求功率、所述发动机最大输出功率、所述电机功率阈值和所述发动机功率阈值，确定所述车辆的驱动模式，包括：
当所述需求功率小于或等于所述电机功率阈值时，确定所述车辆的驱动模式为纯电驱动模式，其中，所述电机的输出功率为所述需求功率；
当所述需求功率小于或等于所述发动机功率阈值且大于所述电机功率取值时，确定所述车辆的驱动模式为第二行车充电驱动模式，其中，所述发动机的输出功率为所述发动机功率阈值，所述输出功率包括所述需求功率和用于给动力电池充电的功率；
当所述需求功率小于或等于所述发动机最大输出功率且大于所述发动机功率阈值时，确定所述车辆的驱动模式为发动机驱动模式，其中所述发动机的输出功率为所述需求功率；
当所述需求功率大于所述发动机最大输出功率时，确定所述车辆的驱动模式为第二混合驱动模式，其中，所述发动机的输出功率为所述发动机最大输出功率，所述电机的输出功率为所述需求功率与所述发动机最大输出功率的差值。
进一步地，获取所述车辆的需求功率，包括：
获取所述车辆的当前车速和油门踏板开度信息；
根据所述当前车速和所述油门踏板开度信息，确定所述需求功率。
本发明实施例还提供一种功率分配装置，包括：
第一获取模块，用于在车辆处于行驶状态时，获取所述车辆的需求功率、动力电池的当前荷电状态SOC、电机最大输出功率发动机最大输出功率；
第二获取模块，用于获取通过粒子群算法优化的参数信息；
确定模块，用于根据所述需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定所述车辆的驱动模式；
控制模块，用于控制所述车辆的发动机和/或电机按照所述驱动模式输出所述需求功率。
本发明实施例还提供一种设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的功率分配方法。
本发明实施例还提供一种汽车，包括上述的功率分配装置。
本发明的有益效果是：
上述方案，通过粒子群算法优化参数信息，并根据所述参数信息、车辆的需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定车辆的驱动模式，进而按照驱动模式控制车辆的发动机和电机的输出功率以满足所述需求功率。通过粒子群算法对参数信息进行优化可以降低对工程人员的经验要求，同时参数信息的确定是以车辆在多种工况下的平均油耗为适应度评价标准，实现了多工况下的联合优化，提高对不同工况的适应性。
附图说明
图1表示本发明实施例的功率分配方法的流程示意图之一；
图2表示本发明实施例的功率分配方法的流程示意图之二；
图3表示本发明实施例的功率分配方法的流程示意图之三；
图4表示本发明实施例的功率分配装置的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明针对如何分配电机和发动机的输出功率以满足车辆的需求功率的问题，提供一种功率分配方法、装置、设备及汽车。
如图1所示，本发明实施例提供一种功率分配方法，应用于混合动力汽车，所述方法包括：
步骤11，在车辆处于行驶状态时，获取所述车辆的需求功率、动力电池的当前荷电状态SOC、电机最大输出功率和发动机最大输出功率；
步骤12，获取通过粒子群算法优化的参数信息；
步骤13，根据所述需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定所述车辆的驱动模式；
步骤14，控制所述车辆的发动机和电机按照所述驱动模式输出所述需求功率。
本发明实施例，通过粒子群算法优化参数信息，并根据所述参数信息、车辆的需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定车辆的驱动模式，进而按照驱动模式控制车辆的发动机和电机的输出功率以满足所述需求功率。通过粒子群算法对参数信息进行优化可以降低对工程人员的经验要求，同时参数信息的确定是以车辆在多种工况下的平均油耗为适应度评价标准，实现了多工况下的联合优化，提高对不同工况的适应性。
具体地，所述参数信息包括：上限SOC、下限SOC、电机功率阈值和发动机功率阈值中的至少一项；
需要说明的是，所述车辆的驱动模式，包括：第一行车充电驱动模式、第二行车充电驱动模式、纯电驱动模式、第一混合驱动模式、第二混合驱动模式和发动机驱动模式。
具体地，步骤11中获取所述车辆的需求功率，包括：
获取所述车辆的当前车速和油门踏板开度信息；
根据所述当前车速和所述油门踏板开度信息，确定所述需求功率。
具体地，如图2所示，步骤12获取通过粒子群算法优化的参数信息，包括：
步骤21，初始化粒子群，即根据预设参数范围和预设粒子个数，确定粒子位置X，其中，X＝[上限SOC，下限SOC，电机功率阈值，发动机功率阈值]；
需要说明的是，为了保证处理的实时性，优选地，该预设粒子个数为25。所述预设参数范围为技术人员根据经验或实车试验确定的目标优化范围，具体地，上限SOC∈[0.4,0.8]，下限SOC∈[0.4,0.8]，电机功率阈值∈[0.2P,0.5P]，发动机功率阈值∈[0.5P,0.8P]，其中，电机功率阈值为电池维持时允许的电机功率，发动机功率阈值为发动机最优工作区内的上限功率，P为发动机最大输出功率。确定粒子位置X即初始化粒子群，可选地，可以设置各粒子均匀分布在优化范围中。
步骤22，计算适应度，即计算每个粒子位置的适应度值，其中，所述适应度值为根据所述粒子位置中的上限SOC、下限SOC、电机功率阈值和发动机功率阈值确定的油耗值；
需要说明的是，所述适应度值为每个粒子在多种工况下的平均油耗，具体地，所述多种工况包括NEDC标准的测试内容的5个工况，其中有4个市区循环和1个郊区循环；WLTP标准的测试方式内容的低速、中速、高速和超高速。
步骤23，寻找粒子个体最优与群体最优，即确定个体适应度极值和群体适应度极值；
需要说明的是，个体适应度极值为第i个粒子在各次迭代后的适应度值中的最小值，群体适应度极值为在第K次迭代后所有粒子的适应度值中的最小值。其中，在每完成一次迭代后都要计算所述个体适应度极值和群体适应度极值，直到达到最大迭代次数。
步骤24，更新粒子位置与速度，即根据所述个体适应度极值对应的粒子位置和群体适应度极值对应的粒子位置，迭代更新粒子位置和粒子速度；
需要说明的是，粒子位置
Figure BDA0003144617720000071
所述粒子速度
Figure BDA0003144617720000072
Figure BDA0003144617720000073
其中，
Figure BDA0003144617720000074
为第i个粒子在第K次迭代的粒子位置，
Figure BDA0003144617720000075
为第i个粒子在第K次迭代的粒子速度，
Figure BDA0003144617720000076
为第i个粒子在第K+1次迭代的粒子位置，
Figure BDA0003144617720000077
为第i个粒子在第K+1次迭代的粒子速度，
Figure BDA0003144617720000078
为所述个体适应度极值对应的粒子位置，
Figure BDA0003144617720000079
为所述群体适应度极值对应的粒子位置，R1和R2为0至1之间的随机数，C1和C2为常数，可选地，C1＝1.5，C2＝2.5。R1和R2可以增加搜索的随机性。
ω为惯性权重，ω＝ω1+K(ω2-ω1)/Kmax，ω1和ω2为常数，Kmax为最大迭代次数，优选地，最大迭代次数为100。
需要说明的是，第K+1次迭代的粒子位置由第K次迭代的粒子位置和粒子速度确定，第K+1次迭代的粒子速度由第K次迭代的粒子速度
Figure BDA00031446177200000710
第K次迭代的个体适应度极值对应的粒子位置和第K次迭代的粒子位置的差值
Figure BDA00031446177200000711
第K次迭代的群体适应度极值对应的粒子位置和第K次迭代的粒子位置的差值
Figure BDA00031446177200000712
确定，其中，第K次迭代的粒子速度
Figure BDA00031446177200000713
的权重ω＝ω1+K(ω2-ω1)/Kmax，可选地，初始惯性权重ω1＝0.9，最终惯性权重ω2＝0.4，因此，惯性权重初始时较大，随着迭代逐渐减小。
步骤25，判断是否达到迭代次数，若是则得到了优化后的参数信息，否则执行步骤22；即确定最后一次迭代的群体适应度极值对应的粒子位置中的参数信息为通过粒子群算法优化的参数信息。
需要说明的是，通过粒子群算法优化前的上限SOC、下限SOC、电机功率阈值和发动机功率阈值是技术人员根据工作经验或实车试验确定的，不能保证在所有工况下均适用，而通过粒子群算法优化后，由于适应度值为油耗值，因此可以保证通过该参数信息确定的驱动模式能够达到车辆的平均油耗最低的效果。
具体地，如图3所示，所述步骤13，包括：
步骤31，判断当前SOC是否大于或等于上限SOC；若是，则执行步骤32，否则执行步骤33；
需要说明的是，当所述当前SOC大于或等于所述上限SOC时，根据所述需求功率和所述电机最大输出功率，确定所述车辆的驱动模式；
步骤32，判断需求功率是否小于或等于电机最大输出功率；若是，则为纯电驱动，否则为第一混合驱动模式；
需要说明的是，当所述需求功率小于或等于所述电机最大输出功率时，确定所述车辆的驱动模式为纯电驱动模式，此时，由电机提供需求功率，所述电机的输出功率为所述需求功率；当所述需求功率大于所述电机最大输出功率时，确定所述车辆的驱动模式为第一混合驱动模式，此时，由电机提供电机最大输出功率，剩余部分由发动机补足，所述电机的输出功率为所述电机最大输出功率，所述发动机的输出功率为所述需求功率与所述电机最大输出功率的差值。
步骤33，判断当前SOC是否大于或等于下限SOC；若是，则执行步骤34，否则为第一行车充电驱动模式；
需要说明的是，当所述当前SOC大于或等于所述下限SOC且小于所述上限SOC时，根据所述需求功率、所述发动机最大输出功率、所述电机功率阈值和所述发动机功率阈值，确定所述车辆的驱动模式，其中，所述下限SOC小于所述上限SOC；当所述当前SOC小于所述下限SOC时，确定所述车辆的驱动模式为第一行车充电驱动模式，此时，为保护电池进入强制充电，发动机提供发动机最大输出功率，除用于满足需求功率外，多余部分用于给电池充电，所述发动机的输出功率为所述发动机最大输出功率，所述输出功率包括所述需求功率和用于给动力电池充电的功率。
步骤34，判断需求功率是否小于或等于电机功率阈值；若是，则为纯电驱动模式，否则，执行步骤35；
步骤35，判断需求功率是否小于或等于发动机功率阈值；若是，则为第二行车充电驱动模式，否则执行步骤36；
步骤36，判断需求功率是否小于或等于发动机最大输出功率；若是，则为发动机驱动模式，否则为第二混合驱动模式。
需要说明的是，当所述需求功率小于或等于所述电机功率阈值时，确定所述车辆的驱动模式为纯电驱动模式，此时，电机提供需求功率，所述电机的输出功率为所述需求功率；当所述需求功率小于或等于所述发动机功率阈值且大于所述电机功率取值时，确定所述车辆的驱动模式为第二行车充电驱动模式，此时，发动机以发动机功率阈值工作，出提供需求功率外，多余部分用于给电池充电，所述发动机的输出功率为所述发动机功率阈值，所述输出功率包括所述需求功率和用于给动力电池充电的功率；当所述需求功率小于或等于所述发动机最大输出功率且大于所述发动机功率阈值时，确定所述车辆的驱动模式为发动机驱动模式，此时，发动机提供需求功率，所述发动机的输出功率为所述需求功率；当所述需求功率大于所述发动机最大输出功率时，确定所述车辆的驱动模式为第二混合驱动模式，此时，发动机提供发动机最大输出功率，剩余部分由电机补足，所述发动机的输出功率为所述发动机最大输出功率，所述电机的输出功率为所述需求功率与所述发动机最大输出功率的差值。
如图4所示，本发明实施例还提供一种功率分配装置，包括：
第一获取模块41，用于在车辆处于行驶状态时，获取所述车辆的需求功率、动力电池的当前荷电状态SOC、电机最大输出功率发动机最大输出功率；
第二获取模块42，用于获取通过粒子群算法优化的参数信息；
确定模块43，用于根据所述需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定所述车辆的驱动模式；
控制模块44，用于控制所述车辆的发动机和/或电机按照所述驱动模式输出所述需求功率。
本发明实施例，通过粒子群算法优化参数信息，并根据所述参数信息、车辆的需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定车辆的驱动模式，进而按照驱动模式控制车辆的发动机和电机的输出功率以满足所述需求功率。通过粒子群算法对参数信息进行优化可以降低对工程人员的经验要求，同时参数信息的确定是以车辆在多种工况下的平均油耗为适应度评价标准，实现了多工况下的联合优化，提高对不同工况的适应性。
具体地，所述参数信息包括：上限SOC、下限SOC、电机功率阈值和发动机功率阈值中的至少一项；
具体地，第二获取模块42，包括：
第一确定单元，用于根据预设参数范围和预设粒子个数，确定粒子位置X，其中，X＝[上限SOC，下限SOC，电机功率阈值，发动机功率阈值]；
计算单元，用于计算每个粒子位置的适应度值，其中，所述适应度值为根据所述粒子位置中的上限SOC、下限SOC、电机功率阈值和发动机功率阈值确定的油耗值；
第二确定单元，用于确定个体适应度极值和群体适应度极值；
处理单元，用于根据所述个体适应度极值对应的粒子位置和群体适应度极值对应的粒子位置，迭代更新粒子位置和粒子速度；
第三确定单元，用于确定最后一次迭代的群体适应度极值对应的粒子位置中的参数信息为通过粒子群算法优化的参数信息。
具体地，在所述处理单元的根据所述个体适应度极值对应的粒子位置和群体适应度极值对应的粒子位置，迭代更新粒子位置和粒子速度中，所述粒子位置
Figure BDA0003144617720000101
所述粒子速度
Figure BDA0003144617720000102
Figure BDA0003144617720000103
其中，
Figure BDA0003144617720000104
为第i个粒子在第K次迭代的粒子位置，
Figure BDA0003144617720000105
为第i个粒子在第K次迭代的粒子速度，
Figure BDA0003144617720000106
为第i个粒子在第K+1次迭代的粒子位置，
Figure BDA0003144617720000107
为第i个粒子在第K+1次迭代的粒子速度，
Figure BDA0003144617720000109
为所述个体适应度极值对应的粒子位置，
Figure BDA0003144617720000108
为所述群体适应度极值对应的粒子位置，R1和R2为0至1之间的随机数，C1和C2为常数；
ω为惯性权重，ω＝ω1+K(ω2-ω1)/Kmax，ω1和ω2为常数，Kmax为最大迭代次数。
具体地，确定模块43，包括：
第四确定单元，用于当所述当前SOC大于或等于所述上限SOC时，根据所述需求功率和所述电机最大输出功率，确定所述车辆的驱动模式；
第五确定单元，用于当所述当前SOC大于或等于所述下限SOC且小于所述上限SOC时，根据所述需求功率、所述发动机最大输出功率、所述电机功率阈值和所述发动机功率阈值，确定所述车辆的驱动模式，其中，所述下限SOC小于所述上限SOC；
第六确定单元，用于当所述当前SOC小于所述下限SOC时，确定所述车辆的驱动模式为第一行车充电驱动模式，其中，所述发动机的输出功率为所述发动机最大输出功率，所述输出功率包括所述需求功率和用于给动力电池充电的功率。
具体地，第四确定单元，包括：
第一确定子单元，用于当所述需求功率小于或等于所述电机最大输出功率时，确定所述车辆的驱动模式为纯电驱动模式，其中，所述电机的输出功率为所述需求功率；
第二确定子单元，用于当所述需求功率大于所述电机最大输出功率时，确定所述车辆的驱动模式为第一混合驱动模式，其中，所述电机的输出功率为所述电机最大输出功率，所述发动机的输出功率为所述需求功率与所述电机最大输出功率的差值。
具体地，第五确定单元，包括：
第三确定子单元，用于当所述需求功率小于或等于所述电机功率阈值时，确定所述车辆的驱动模式为纯电驱动模式，其中，所述电机的输出功率为所述需求功率；
第四确定子单元，用于当所述需求功率小于或等于所述发动机功率阈值且大于所述电机功率取值时，确定所述车辆的驱动模式为第二行车充电驱动模式，其中，所述发动机的输出功率为所述发动机功率阈值，所述输出功率包括所述需求功率和用于给动力电池充电的功率；
第五确定子单元，用于当所述需求功率小于或等于所述发动机最大输出功率且大于所述发动机功率阈值时，确定所述车辆的驱动模式为发动机驱动模式，其中所述发动机的输出功率为所述需求功率；
第六确定子单元，用于当所述需求功率大于所述发动机最大输出功率时，确定所述车辆的驱动模式为第二混合驱动模式，其中，所述发动机的输出功率为所述发动机最大输出功率，所述电机的输出功率为所述需求功率与所述发动机最大输出功率的差值。
具体地，所述第一获取模块41，包括：
获取单元，用于获取所述车辆的当前车速和油门踏板开度信息；
第七确定单元，用于根据所述当前车速和所述油门踏板开度信息，确定所述需求功率。
本发明实施例还提供一种设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的功率分配方法。其中，上述功率分配方法的实施例均适用于该设备的实施例中，也能达到同样的技术效果。
本发明实施例还提供一种汽车，包括上述的功率分配装置。
需要说明的是，设置有该功率分配装置的汽车，通过粒子群算法优化参数信息，并根据所述参数信息、车辆的需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定车辆的驱动模式，进而按照驱动模式控制车辆的发动机和电机的输出功率以满足所述需求功率。通过粒子群算法对参数信息进行优化可以降低对工程人员的经验要求，同时参数信息的确定是以车辆在多种工况下的平均油耗为适应度评价标准，实现了多工况下的联合优化，提高对不同工况的适应性。
以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。

Claims (11)

1.一种功率分配方法，应用于混合动力汽车，其特征在于，所述方法包括：
在车辆处于行驶状态时，获取所述车辆的需求功率、动力电池的当前荷电状态SOC、电机最大输出功率和发动机最大输出功率；
获取通过粒子群算法优化的参数信息；
根据所述需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定所述车辆的驱动模式；
控制所述车辆的发动机和电机按照所述驱动模式输出所述需求功率。
2.根据权利要求1所述的功率分配方法，其特征在于，所述参数信息包括：上限SOC、下限SOC、电机功率阈值和发动机功率阈值中的至少一项；
3.根据权利要求2所述的功率分配方法，其特征在于，获取通过粒子群算法优化的参数信息，包括：
根据预设参数范围和预设粒子个数，确定粒子位置X，其中，X＝[上限SOC，下限SOC，电机功率阈值，发动机功率阈值]；
计算每个粒子位置的适应度值，其中，所述适应度值为根据所述粒子位置中的上限SOC、下限SOC、电机功率阈值和发动机功率阈值确定的油耗值；
确定个体适应度极值和群体适应度极值；
根据所述个体适应度极值对应的粒子位置和群体适应度极值对应的粒子位置，迭代更新粒子位置和粒子速度；
确定最后一次迭代的群体适应度极值对应的粒子位置中的参数信息为通过粒子群算法优化的参数信息。
4.根据权利要求3所述的功率分配方法，其特征在于，根据所述个体适应度极值对应的粒子位置和群体适应度极值对应的粒子位置，迭代更新粒子位置和粒子速度中，所述粒子位置
Figure FDA0003144617710000011
所述粒子速度
Figure FDA0003144617710000012
Figure FDA0003144617710000013
其中，
Figure FDA0003144617710000014
为第i个粒子在第K次迭代的粒子位置，
Figure FDA0003144617710000015
为第i个粒子在第K次迭代的粒子速度，
Figure FDA0003144617710000016
为第i个粒子在第K+1次迭代的粒子位置，
Figure FDA0003144617710000017
为第i个粒子在第K+1次迭代的粒子速度，
Figure FDA0003144617710000018
为所述个体适应度极值对应的粒子位置，
Figure FDA0003144617710000021
为所述群体适应度极值对应的粒子位置，R1和R2为0至1之间的随机数，C1和C2为常数；
ω为惯性权重，ω＝ω1+K(ω2-ω1)/Kmax，ω1和ω2为常数，Kmax为最大迭代次数。
5.根据权利要求2所述的功率分配方法，其特征在于，根据所述需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定所述车辆的驱动模式，包括：
当所述当前SOC大于或等于所述上限SOC时，根据所述需求功率和所述电机最大输出功率，确定所述车辆的驱动模式；
当所述当前SOC大于或等于所述下限SOC且小于所述上限SOC时，根据所述需求功率、所述发动机最大输出功率、所述电机功率阈值和所述发动机功率阈值，确定所述车辆的驱动模式，其中，所述下限SOC小于所述上限SOC；
当所述当前SOC小于所述下限SOC时，确定所述车辆的驱动模式为第一行车充电驱动模式，其中，所述发动机的输出功率为所述发动机最大输出功率，所述输出功率包括所述需求功率和用于给动力电池充电的功率。
6.根据权利要求5所述的功率分配方法，其特征在于，所述根据所述需求功率和所述电机最大输出功率，确定所述车辆的驱动模式，包括：
当所述需求功率小于或等于所述电机最大输出功率时，确定所述车辆的驱动模式为纯电驱动模式，其中，所述电机的输出功率为所述需求功率；
当所述需求功率大于所述电机最大输出功率时，确定所述车辆的驱动模式为第一混合驱动模式，其中，所述电机的输出功率为所述电机最大输出功率，所述发动机的输出功率为所述需求功率与所述电机最大输出功率的差值。
7.根据权利要求5所述的功率分配方法，其特征在于，根据所述需求功率、所述发动机最大输出功率、所述电机功率阈值和所述发动机功率阈值，确定所述车辆的驱动模式，包括：
当所述需求功率小于或等于所述电机功率阈值时，确定所述车辆的驱动模式为纯电驱动模式，其中，所述电机的输出功率为所述需求功率；
当所述需求功率小于或等于所述发动机功率阈值且大于所述电机功率取值时，确定所述车辆的驱动模式为第二行车充电驱动模式，其中，所述发动机的输出功率为所述发动机功率阈值，所述输出功率包括所述需求功率和用于给动力电池充电的功率；
当所述需求功率小于或等于所述发动机最大输出功率且大于所述发动机功率阈值时，确定所述车辆的驱动模式为发动机驱动模式，其中所述发动机的输出功率为所述需求功率；
当所述需求功率大于所述发动机最大输出功率时，确定所述车辆的驱动模式为第二混合驱动模式，其中，所述发动机的输出功率为所述发动机最大输出功率，所述电机的输出功率为所述需求功率与所述发动机最大输出功率的差值。
8.根据权利要求1所述的功率分配方法，其特征在于，获取所述车辆的需求功率，包括：
获取所述车辆的当前车速和油门踏板开度信息；
根据所述当前车速和所述油门踏板开度信息，确定所述需求功率。
9.一种功率分配装置，其特征在于，包括：
第一获取模块，用于在车辆处于行驶状态时，获取所述车辆的需求功率、动力电池的当前荷电状态SOC、电机最大输出功率发动机最大输出功率；
第二获取模块，用于获取通过粒子群算法优化的参数信息；
确定模块，用于根据所述需求功率、当前SOC、电机最大输出功率、发动机最大输出功率和所述参数信息，确定所述车辆的驱动模式；
控制模块，用于控制所述车辆的发动机和/或电机按照所述驱动模式输出所述需求功率。
10.一种设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的功率分配方法。
11.一种汽车，其特征在于，包括如权利要求9所述的功率分配装置。
CN202110746946.2A 2021-07-02 2021-07-02 一种功率分配方法、装置、设备及汽车 Active CN113460026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110746946.2A CN113460026B (zh) 2021-07-02 2021-07-02 一种功率分配方法、装置、设备及汽车

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110746946.2A CN113460026B (zh) 2021-07-02 2021-07-02 一种功率分配方法、装置、设备及汽车

Publications (2)

Publication Number Publication Date
CN113460026A true CN113460026A (zh) 2021-10-01
CN113460026B CN113460026B (zh) 2024-01-19

Family

ID=77877202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110746946.2A Active CN113460026B (zh) 2021-07-02 2021-07-02 一种功率分配方法、装置、设备及汽车

Country Status (1)

Country Link
CN (1) CN113460026B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115352265A (zh) * 2022-10-19 2022-11-18 苏州亚太精睿传动科技股份有限公司 混合驱动系统和混合驱动方法
CN115891968A (zh) * 2022-11-28 2023-04-04 东风汽车股份有限公司 一种混动汽车的直驱补电控制方法、装置、设备及介质
WO2024045924A1 (zh) * 2022-08-29 2024-03-07 中国第一汽车股份有限公司 应用于混动车辆的功率控制方法、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1528612A (zh) * 2003-10-17 2004-09-15 清华大学 混合动力轿车动力总成的动力输出切换方法及其控制系统
CN202499132U (zh) * 2012-03-05 2012-10-24 浙江大学城市学院 新型Plug_in混合动力汽车能量管理控制器
CN103158695A (zh) * 2011-12-16 2013-06-19 北汽福田汽车股份有限公司 混合动力汽车动力分配的控制方法
CN104417543A (zh) * 2013-09-09 2015-03-18 比亚迪股份有限公司 混合动力汽车的控制系统和控制方法
CN107161140A (zh) * 2017-05-09 2017-09-15 南京航空航天大学 一种插电式混合动力汽车系统及其能量控制方法
CN108528436A (zh) * 2018-01-18 2018-09-14 合肥工业大学 一种内外层嵌套的ecms多目标双层优化方法
CN110281904A (zh) * 2019-06-18 2019-09-27 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
CN112061112A (zh) * 2020-05-12 2020-12-11 浙江万里扬股份有限公司 控制方法、混合动力系统和车辆
US20200391740A1 (en) * 2019-06-11 2020-12-17 Ford Global Technologies, Llc Hybrid/electric vehicle control system
CN112277728A (zh) * 2020-10-30 2021-01-29 东风汽车集团有限公司 一种增程式汽车动力控制系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1528612A (zh) * 2003-10-17 2004-09-15 清华大学 混合动力轿车动力总成的动力输出切换方法及其控制系统
CN103158695A (zh) * 2011-12-16 2013-06-19 北汽福田汽车股份有限公司 混合动力汽车动力分配的控制方法
CN202499132U (zh) * 2012-03-05 2012-10-24 浙江大学城市学院 新型Plug_in混合动力汽车能量管理控制器
CN104417543A (zh) * 2013-09-09 2015-03-18 比亚迪股份有限公司 混合动力汽车的控制系统和控制方法
CN107161140A (zh) * 2017-05-09 2017-09-15 南京航空航天大学 一种插电式混合动力汽车系统及其能量控制方法
CN108528436A (zh) * 2018-01-18 2018-09-14 合肥工业大学 一种内外层嵌套的ecms多目标双层优化方法
US20200391740A1 (en) * 2019-06-11 2020-12-17 Ford Global Technologies, Llc Hybrid/electric vehicle control system
CN110281904A (zh) * 2019-06-18 2019-09-27 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
CN112061112A (zh) * 2020-05-12 2020-12-11 浙江万里扬股份有限公司 控制方法、混合动力系统和车辆
CN112277728A (zh) * 2020-10-30 2021-01-29 东风汽车集团有限公司 一种增程式汽车动力控制系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴剑: "并联式混合动力汽车能量管理策略优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 12, pages 49 - 66 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024045924A1 (zh) * 2022-08-29 2024-03-07 中国第一汽车股份有限公司 应用于混动车辆的功率控制方法、装置、设备及介质
CN115352265A (zh) * 2022-10-19 2022-11-18 苏州亚太精睿传动科技股份有限公司 混合驱动系统和混合驱动方法
CN115891968A (zh) * 2022-11-28 2023-04-04 东风汽车股份有限公司 一种混动汽车的直驱补电控制方法、装置、设备及介质
CN115891968B (zh) * 2022-11-28 2024-04-16 东风汽车股份有限公司 一种混动汽车的直驱补电控制方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113460026B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
CN113460026B (zh) 一种功率分配方法、装置、设备及汽车
CN108528436B (zh) 一种内外层嵌套的ecms多目标双层优化方法
CN110936949B (zh) 基于行驶工况的能量控制方法、设备、存储介质及装置
Dawei et al. Intelligent fuzzy energy management research for a uniaxial parallel hybrid electric vehicle
Gao et al. Equivalent fuel consumption optimal control of a series hybrid electric vehicle
Park et al. Development of equivalent fuel consumption minimization strategy for hybrid electric vehicles
CN105882648B (zh) 一种基于模糊逻辑算法的混合动力系统能量管理方法
CN106055830B (zh) 基于动态规划的phev控制门限参数优化方法
Zou et al. Optimal energy control strategy design for a hybrid electric vehicle
CN111456860A (zh) 混联式混合动力汽车发动机最佳运行线在线学习方法
Li et al. A real-time energy management strategy combining rule-based control and ECMS with optimization equivalent factor for HEVs
KR102359578B1 (ko) 하이브리드 차량의 최적 운전점 결정 방법
Anbaran et al. Rule-based supervisory control of split-parallel hybrid electric vehicle
Sprengel et al. Investigation and energetic analysis of a novel hydraulic hybrid architecture for on-road vehicles
CN113479186A (zh) 一种混合动力汽车能量管理策略优化方法
Chen et al. State of charge node planning with segmented traffic information
Oh et al. Optimization of control strategy for a single-shaft parallel hybrid electric vehicle
Zeng et al. Segemented driving cycle based optimization of control parameters for power-split hybrid electric vehicle with ultracapacitors
Pu et al. Optimal control of fuel economy in parallel hybrid electric vehicles
Pagerit et al. Global optimization to real time control of HEV power flow: Example of a fuel cell hybrid vehicle
Wang et al. Receding horizon control for mode selection and powertrain control of a multi-mode hybrid electric vehicle
Lin et al. Optimizing fuel economy of hybrid electric vehicles using a Markov decision process model
Wang et al. Simulation of Energy Control Strategy for Hybrid Electric Vehicle Based on Modified Dynamic Programming
CN116661296A (zh) 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质
Jin et al. Research on the control strategy optimization for energy management system of hybrid electric vehicle

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