发明内容
有鉴于此,本发明旨在提出一种混合动力汽车能量管理策略优化方法,以改善确定性规则能量管理策略的节能效果,实现所有控制参数的协同优化,实现近理论最低能耗的规则能量管理策略,并降低策略优化过程中人为主观因素带来的影响并提高效率。
为达到上述目的,本发明的技术方案是这样实现的:
一种混合动力汽车能量管理策略优化方法,包括以下步骤:
S1、根据整车及动力系统关键参数和能量管理策略建立HEV燃油经济性仿真模型;
S2、在步骤S1中的HEV燃油经济性仿真模型中,通过全局优化算法替换原来的能量管理策略,构建HEV最优化能量管理策略模型,并计算得到已知工况下HEV油耗最低时的整车运行参数;
S3、根据HEV最优化能量管理策略模型中的计算结果,优化原HEV规则能量管理策略中的离散值规则参数;
S4、根据最优化能量管理策略模型中的计算结果,通过机器学习算法优化原HEV规则能量管理策略中的连续值规则参数;
S5、组合步骤S3中的优化后的离散值规则参数及步骤S4中的连续值规则参数,获得优化后完整的HEV规则能量管理策略。
进一步的,步骤S1中的整车及动力系统关键参数主要包括:发动机组件关键参数、电机关键参数、电池关键参数、传动系统的关键参数、整车关键参数;
发动机组件关键参数包括:发动机最大功率、发动机最大扭矩、发动机效率;
电机关键参数包括:电机最大功率、电机最大扭矩、电机效率;
电池关键参数包括:电池容量、电池电压、电池内阻;
传动系统的关键参数包括:传动系统减速比、传动系统效率;
整车关键参数包括:整车质量、车轮半径、空气阻力系数、滚动阻力系数、迎风面积。
进一步的,步骤S2中整车运行参数包括车速,电池荷电量,变速箱的输入轴转速、扭矩、功率,电机的转速、扭矩,发动机转速、扭矩。
进一步的,步骤S2中通过全局优化算法替换原来的能量管理策略构建HEV最优化能量管理策略模型过程包括以下步骤:
S201、利用粒子群优化算法中粒子位置和速度对能量管理策略的离散值规则参数进行初始化;
S202、输入工况数据,采用动态规划算法计算在当前工况下最低油耗;
S203、将动态规划算法计算得到的最低油耗作为粒子的适应度值;
S204、获取粒子个体最优值,重复步骤S203,计算当前的迭代所有粒子的适应度值,并更新粒子个体最优值;
S205、获取粒子全局最优值,判断是否满足结束条件;
S206、若满足条件,则退出;若不满足条件,则更新粒子的位置和速度,进行洗下一次迭代。
进一步的,步骤S202中输入工况数据包括:车速和研究车辆在该工况下的档位。
进一步的,步骤S202采用动态规划算法计算当前工况下的最低油耗包括以下步骤:
S20201、策略优化模型的构建:
根据已知工况的时间划分N个阶段,设置动力源之间的扭矩分配系为决策变量,电池荷电量为状态变量,燃油消耗量目标函数,在给定的车辆行驶循环下求取使目标函数取得最小值的决策变量序列及最低目标函数值,同时状态变量满足初始值、结束值并始终在允许最大和最小值范围内;
S20202、在步骤S20301求解过程中,需符合车辆特性对应的约束条件,并根据粒子群优化算法中的粒子位置限制决策变量的取值,实现离散规则参数对整车模式的决策参与;
S20203、策略优化模型的寻优过程:
其中第一个子过程从第N阶段逐步逆向计算到第1阶段,获取每个阶段下每个状态的目标函数值,构建基于阶段和状态的二维目标函数值矩阵;
在第二个子过程中,根据已建立的目标函数值矩阵从第1阶段逐步正向寻优计算到第N阶段,获取在给定车辆行驶循环下的最低能耗及对应的整车运行参数。
进一步的,步骤S20302的车辆特性对应的约束条件包括:电池允许的最大充电功率和最大放电功率;电机最大扭矩和最小扭矩;电机最大转速和最小转速、发动机最大扭矩和最小扭矩;发动机最大转速和最小转速。
进一步的,步骤S205中结束条件包括:达到最大迭代次数或者粒子全局最优值较上一次迭代时变化范围小于设定值。
进一步的,步骤S4中机器学习算法是支持向量机,通过支持向量机优化HEV规则能量管理策略中的连续值规则参数包括以下步骤:
S401、确定支持向量机类型;
根据混合动力汽车的纯电驱动和混合驱动两种驱动模式,构建相应的二分类支持向量机,并获取两种驱动模式之间的切换规则参数;
根据混合驱动下经济发电模式,电机助力模式,发动机单独驱动模式三种工作模式,构建相应的多分类支持向量机,并获取三者之间的切换规则参数;
根据混合驱动模式中经济发电模式、电机助力模式相对应的发动机扭矩转移,构建相应的回归支持向量;
S402、根据向量机类型建立学习样本:
根据二分类支持向量机类型,其中一种支持向量机类型以变速箱输入轴转速和整车需求扭矩为特征建立学习样本,另一种以变速箱输入轴转速和整车需求功率为特征建立学习样本;
根据多分类支持向量机类型及回归支持向量机类型,其中以混合驱动模式下变速箱输入轴转速、变速箱输入轴需求扭矩、发动机实际需求扭矩为特征建立学习样本;
部分作为训练集,部分作为验证集;
S403、对不同的学习样本进行标签;
二分类支持向量机类型学习样本设置两个样本标签0、1,多分类支持向量机类型学习样本设置三个样本标签-1、0、1,回归支持向量机类型学习样本以学习样本的发动机实际输出扭矩为标签;
S404、通过交叉验证方法获得支持向量机训练的最优高斯核函数中的带宽;
S405、在最优的支持向量机中,利用部分训练集及验证集进行训练。
进一步的,步骤S5中HEV规则能量管理策略包括:一种新的HEV混合驱动模式下的扭矩分配策略以管理整车在不同需求转速及不同需求扭矩下的发动机输出扭矩,所提出的HEV混和混合驱动模式扭矩分配策略的规则,具体如下:
在TVeh低于TLow且SOC低于CMax的前提下,整车进入EPG模式;
在TVeh高于TUpp且SOC高于CMin的前提下,整车进入EMA模式;
上述条件都不满足时整车进入ICE_A模式;
EPG表征经济发电模式,EMA表征电机助力模式,ICE_A表征发动机单独驱动模式,TVeh表征整车需求扭矩;TUpp表征EPG模式使能的扭矩上限值;TLow表征EMA模式使能的扭矩下限值;CMax表征EPG模式使能的最大SOC值;CMin表征EMA模式使能的最低SOC值。
相对于现有技术,本发明所述的一种混合动力汽车能量管理策略优化方法具有以下有益效果:
(1)本发明所述的一种混合动力汽车能量管理策略优化方法,通过全局优化算法对混合动力汽车能量管理策略中离散值控制参数与连续值控制参数的协同优化,能够求取最佳的规则能量管理策略控制参数集,实现混合动力汽车控制参数的全域寻优。
(2)本发明所述的一种混合动力汽车能量管理策略优化方法,混合动力汽车在混合驱动模式(即发动机参与驱动)下的扭矩分配策略框架以管理整车在不同需求转速及不同需求扭矩下的发动机输出扭矩,更灵活地控制发动机的实际工作点,提高运行效率。
(3)本发明所述的一种混合动力汽车能量管理策略优化方法,通过全局优化算法与机器学习算法自动标定控制参数的策略优化方法,实现混合动力汽车控制参数的自动提取,不再过分依赖工程经验和标定试验来优化混合动力汽车能量管理策略,大幅降低人为主观因素带来的损失同时提高优化效率。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1至图3所示,一种混合动力汽车能量管理策略优化方法,该方法通过全局优化和机器学习实现HEV近理论最低能耗的确定性规则能量管理策略,包括以下步骤:
步骤S1:根据整车及动力系统关键参数和能量管理策略建立HEV燃油经济性仿真模型;
步骤S2:根据HEV燃油经济性仿真模型,通过全局优化算法替换原来的能量管理策略构建HEV最优化能量管理策略模型,计算得到已知工况下HEV油耗最低时的整车运行参数;
步骤S3:根据最优化能量管理策略模型中的计算结果,优化原HEV规则能量管理策略中的离散值规则参数;
步骤S4:根据最优化能量管理策略模型中的计算结果,通过机器学习算法优化原HEV规则能量管理策略中的连续值规则参数。
步骤S5:组合优化后的离散值规则参数及连续值规则参数,获得优化后完整的HEV规则能量管理策略。
原HEV规则能量管理策略为现有技术,此处不再赘述。
在所述步骤S1中整车及动力系统关键参数主要包括:发动机最大功率、发动机最大扭矩、发动机效率;电机最大功率、电机最大扭矩、电机效率;电池容量、电池电压、电池内阻;传动系统减速比、传动系统效率;整车质量、车轮半径、空气阻力系数、滚动阻力系数、迎风面积。
步骤S1中所述整车燃油经济性仿真模型包含的组成部分如图1所示。车辆整车模型以P2构型为例,但不仅限于该构型。构建整车模型,其混动系统构型为P2构型,主要包括发动机(ICE)、发电机/电动机(EM)、双离合变速箱(DCT)和动力电池。在整车模型的控制系统中,混动控制单元(HCU)根据驾驶员的加速踏板开度和制动踏板开度计算驾驶员需求扭矩,同时管理受控于发动机控制系统(EMS)的发动机扭矩和受控于电机控制单元(MCU)的电机扭矩;变速箱控制单元(TCU)用于控制DCT,以期实现ICE和/或EM与车轮扭矩的高效传递;电池管理系统(BMS)管理和监控动力电池状态。
所述整车运行参数包括车速、电池荷电量(SOC)、变速箱输入轴转速/扭矩/功率、电机转速/扭矩、发动机转速/扭矩。
所述步骤S2中通过全局优化算法构建HEV最优化能量管理策略模型具体包括以下步骤:
S201:利用粒子群优化算法(PSO)中粒子位置和速度对能量管理策略进行初始化;
因为PSO算法的任务是确定模式切换时的必要离散值规则条件;因此粒子的位置代表HEV控制策略中模式切换的离散值,搜索空间与离散值的个数相同;
S202:输入工况数据,包括车速和研究车辆在该工况下的档位;
S203:计算每个粒子的适应度;
基于步骤S1中的HEV燃油经济性仿真模型,采用动态规划(DP)算法计算在当前工况下不同动力源之间的最佳扭矩分配方式,并将DP算法计算得到的最低油耗作为粒子的适应度值;
S204:获取粒子个体最优值;
S205:重复步骤S203,计算当前迭代所有粒子的适应度值,并更新粒子个体最优值;
S206:获取粒子全局最优值;
S207:判断是否满足结束条件;
结束条件包括两个:达到最大迭代次数或者粒子全局最优值较上一次迭代时变化范围小于设定值。
S208:更新粒子的位置和速度;
若步骤S207的条件未满足,则更新粒子的位置和速度;然后进行下一次迭代;
优选的,所述步骤S203中采用DP算法计算已知工况下的最低油耗,具体包括:
S20301:策略优化模型的构建。
根据已知工况的时间划分N个阶段,设置动力源之间的扭矩分配系为决策变量,电池荷电量为状态变量,燃油消耗量目标函数,在给定的车辆行驶循环下求取使目标函数取得最小值的决策变量序列及最低目标函数值,同时状态变量满足初始值、结束值并始终在允许最大和最小值范围内;
S20302:在步骤S20301优化求解的过程中,根据步骤S201中PSO算法的粒子位置(即离散规则参数)限制u的取值,以此实现离散控制参数对整车模式的决策参与。
同时,车辆特性对应约束条件如下:电池允许的最大充电功率和最大放电功率;电机最大扭矩和最小扭矩;电机最大转速和最小转速、发动机最大扭矩和最小扭矩;发动机最大转速和最小转速;
S20303:策略优化模型的寻优过程:
分为两个子过程,其中第一个子过程从第N阶段逐步逆向计算到第1阶段,获取每个阶段下每个状态的目标函数值,构建基于阶段和状态的二维目标函数值矩阵;
S20304:在第二个子过程中,根据已建立的目标函数值矩阵从第1阶段逐步正向寻优计算到第N阶段,获取在给定车辆行驶循环下的最低能耗及对应的整车运行参数。
优选的,所述步骤S4中,采用的机器学习算法是支持向量机,通过支持向量机优化HEV规则能量管理策略中的连续值规则参数的步骤具体包括:
S401、确定支持向量机类型;
根据混合动力汽车的纯电驱动和混合驱动两种驱动模式,构建相应的二分类支持向量机,并获取两种驱动模式之间的切换规则参数;
根据混合驱动下经济发电模式,电机助力模式,发动机单独驱动模式三种工作模式,构建相应的多分类支持向量机,并获取三者之间的切换规则参数;
根据混合驱动模式中经济发电模式、电机助力模式相对应的发动机扭矩转移,构建相应的回归支持向量;
S402、根据向量机类型建立学习样本:
根据二分类支持向量机类型,其中一种支持向量机类型以变速箱输入轴转速和整车需求扭矩为特征建立学习样本,另一种以变速箱输入轴转速和整车需求功率为特征建立学习样本;
根据多分类支持向量机类型及回归支持向量机类型,其中以混合驱动模式下变速箱输入轴转速、变速箱输入轴需求扭矩、发动机实际需求扭矩为特征建立学习样本;
部分作为训练集,部分作为验证集;
S403、对不同的学习样本进行标签;
二分类支持向量机类型学习样本设置两个样本标签0、1,多分类支持向量机类型学习样本设置三个样本标签-1、0、1,回归支持向量机类型学习样本以学习样本的发动机实际输出扭矩为标签;
S404、通过交叉验证方法获得支持向量机训练的最优高斯核函数中的带宽;
S405、在最优的支持向量机中,利用部分分训练集及验证集进行训练。
交叉验证(CrossValidation)方法思想简介:将原始数据分成K组(一般是均分),将每个子集数据分别做一次验证集,其余的K-1组子集数据作为训练集,这样会得到K个模型,用这K个模型最终的验证集的分类准确率的平均数作为此K-CV下分类器的性能指标.K一般大于等于2,实际操作时一般从3开始取,只有在原始数据集合数据量小的时候才会尝试取2.K-CV可以有效的避免过学习以及欠学习状态的发生,最后得到的结果也比较具有说服性;
本发明实例提供一种新的HEV混和驱动模式(即发动机参与驱动)下的扭矩分配策略以管理整车在不同需求转速及不同需求扭矩下的发动机输出扭矩,所提出的HEV混和驱动模式扭矩分配策略的规则如图2所示,具体包括:
1)EPG表征经济发电模式,EMA表征电机助力模式,ICE_A表征发动机单独驱动模式,TVeh表征整车需求扭矩;TUpp表征EPG模式使能的扭矩上限值;TLow表征EMA模式使能的扭矩下限值;CMax表征EPG模式使能的最大SOC值;CMin表征EMA模式使能的最低SOC值。
2)在TVeh低于TLow且SOC低于CMax的前提下,整车进入EPG模式。
3)在TVeh高于TUpp且SOC高于CMin的前提下,整车进入EMA模式。
4)上述条件都不满足时整车进入ICE_A模式。
优选的,所述离散值规则参数包括纯电模式与混合驱动模式(即发动机参与驱动)切换的车速、电池荷电量(SOC)限值条件。
优选的,所述连续值规则参数包括纯电模式与混合驱动模式切换的变速箱输入轴转速-整车需求扭矩、变速箱输入轴转速-整车需求功率限值条件,混合驱动模式下EPG与ICE_A切换的变速箱输入轴转速-整车需求扭矩限值条件、EMA与ICE_A切换的变速箱输入轴转速-整车需求扭矩限值条件、以及EPG和EMA模式下对应的发动机扭矩转移MAP(变速箱输入轴转速-整车需求扭矩-发动机最优需求扭矩的计算矩阵)。
具体实施例如下:
下面结合附图对本发明的具体实施方式做进一步的详细的说明:
步骤S1:构建整车模型,如图1所示,其混动系统构型为并联式,主要包括发动机(ICE)、发电机/电动机(EM)、双离合变速箱(DCT)和动力电池。
在目标车型的控制系统中,混动控制单元根据驾驶员的加速踏板开度和制动踏板开度计算驾驶员需求扭矩,同时管理受控于发动机控制系统的发动机扭矩和受控于电机控制单元的电机扭矩。变速箱控制单元(TCU)用于控制DCT,以期实现ICE和/或EM与车轮扭矩的高效传递。与此同时,电池管理系统(BMS)管理和监控动力电池状态。
步骤S2:以粒子群优化算法(PSO)和动态规划(DP)算法构建HEV最优化能量管理策略模型,计算得到已知工况下所研究混合动力汽车的最低油耗及对应的整车运行参数(包括:车速、SOC、变速箱输入轴转速/扭矩/功率、电机转速/扭矩、发动机转速/扭矩)。
确定寻优目标,包括VEV、SOCEV、CMax、CMin四个模式切换时的离散条件;
在多维空间寻优过程中,在t时刻,第i个粒子在其个体最优位置pi(t)和全局最优位置gi(t)的引导下从当前位置xi(t)以速度vi(t)飞行,t+1时刻的速度和位置更新公式如式2和3所示:
vi(t+1)=wvi(t)+clrl(pi(t)-xi(t))+c2r2(gi(t)-xi(t)) (2)
xi(t+1)=xi(t)+vi(t+1) (3)
式中;w为惯性权重;c1和c2为学习因子;r1和r2为区间[0,1]上的随机数。
速度更新过程中引入压缩因子χ,以控制粒子的扩散速度,压缩因子的公式和优化后的速度更新公式如式4和5所示:
p=c1+c2,p>4
vi(t+1)=χ(vi(t)+c1r1(pi(t)-xi(t))+c2r2(gi(t)-xi(t))) (5)
设置速度更新参数,其中算法的种群大小N设为1800,学习因子c1是根据个体自身的经验进行判断的常数,取2.5;学习因子c2是根据群体的经验进行判断的常数,取2;最大迭代次数取为100;粒子全局最优值变化范围设定值为10-5。
统计第i个参考点被所有粒子选择的次数为
满足式6时采取扩散机制优化位置更新公式,优化后的位置更新公式如式7所示:
xi(t+1)=xi(t)+Levy(λ)||pi(t)-xi(t)||·(pi(t)-xi(t)) (7)
式中,Levy(λ)是服从参数λ(1<λ≤3)的Levy分布的随机数;||pi(t)-xi(t)||表示pi(t)和xi(t)之间的距离。
针对每一个参考点,采用DP算法计算种群粒子与该参考点间的适应度,并选出最优解,保留一个非支配解输出到外部档案;
迭代次数达到最大或粒子全局最优值较上一次迭代时变化范围小于设定值时输出计算结果。
在步骤S2中,采用DP算法计算种群粒子与该参考点间的适应度具体包括如下步骤:
步骤S201:策略优化模型的构建,本发明的最优控制问题是在给定的车辆行驶循环下求取使目标函数取得最小值的决策变量序列及最低目标函数值,同时状态变量满足初始值、结束值并始终在允许最大和最小值范围内,建立的目标函数如下:
式中:N为给定循环的阶段数,本文中每隔1s划分为一个阶段,以全球轻型车统一测试循环为例,共分为1800个阶段;k表征处于第k阶段;Jc为累计成本函数;Jinst为瞬时成本函数,表征每个阶段下的每个状态的成本;xk为状态变量(SOC),取值范围为[0.2,0.9];uk为决策变量(发动机与电机之间的扭矩分配系数),取值范围[-1,1]。
步骤S202:在优化求解的过程中,根据步骤S3中粒子群优化算法的粒子位置(即车速、SOC)限制u的取值范围,以此实现离散控制参数对整车模式的决策参与。考虑车辆特性的以下约束条件:电池允许的最大充电功率和最大放电功率;电机最大扭矩和最小扭矩;电机最大转速和最小转速、发动机最大扭矩和最小扭矩;发动机最大转速和最小转速。
步骤S203:策略优化模型的寻优过程分为两个子过程,其中第一个子过程从第N阶段逐步逆向计算到第1阶段,获取每个阶段下每个状态的成本值,构建基于阶段和状态的二维成本值矩阵。
步骤S204:在第二个子过程中,根据已建立的成本值矩阵从第1阶段逐步正向寻优计算到第N阶段在第二个子过程中,根据已建立的目标函数值矩阵从第1阶段逐步正向寻优计算到第N阶段,获取在给定车辆在已知循环工况下的最低能耗及对应的整车运行参数。
步骤S3:为进一步实现减少整车在给定循环下综合能耗的目标,根据最优化能量管理策略模型的计算结果制定了整车驱动能量管理策略,策略的规则主要包括以下内容:
若式1中所有不等式均满足时,整车驱动模式为纯电驱动,即电机提供整车全部驱动需求功率。
式中:VEV为纯电使能车速限值;SOCEV为纯电使能SOC限值;TEV为纯电使能扭矩限值,与变速箱输入轴转速相关;PEV为纯电使能功率限值,与变速箱输入轴转速相关。
若式1中存在一个不等式不成立时,电机拖动发动机起动,整车运行模式由纯电驱动切换到混合驱动(即发动机参与驱动),发动机将提供需求扭矩的主要部分。
混合驱动模式下,发动机扭矩控制如图2所示。
在TVeh低于TUpp且SOC低于CMax下,整车进入EPG模式;
在TVeh高于TLow且SOC高于CMin下,整车进入EMA模式;
上述条件都不满足,整车进入ICE_A模式;
EPG表征经济发电模式,EMA表征电机助力模式,ICE_A表征发动机单独驱动模式,TVeh表征整车需求扭矩;TUpp表征EPG模式使能的扭矩上限值;TLow表征EMA模式使能的扭矩下限值;CMax表征EPG模式使能的最大SOC值;CMin表征EMA模式模式使能的最低SOC值。
步骤S4:将PSO算法的计算结果确定VEV、SOCEV、CMax、CMin四个离散参数。
步骤S5:以步骤S2获取的给定车辆在已知循环工况下最低能耗对应的整车运行参数为学习样本,通过机器学习算法优化能量管理策略中的连续值规则参数,具体包括:纯电模式与混合驱动模式切换的变速箱输入轴转速-整车需求扭矩(TEV)、变速箱输入轴转速-整车需求功率限值条件(PEV),混合驱动模式下EPG与ICE_A切换的变速箱输入轴转速-整车需求扭矩限值条件(TLow)、EMA与ICE_A切换的变速箱输入轴转速-整车需求扭矩限值条件(TUpp)、以及EPG和EMA模式下对应的发动机扭矩转移MAP(变速箱输入轴转速-整车需求扭矩-发动机最优需求扭矩的计算矩阵)。
在步骤S5中,采用的机器学习算法是支持向量机,通过支持向量机优化连续值规则参数的步骤具体包括:
S501:确定支持向量机类型。首先,构建相应的二分类支持向量机获取纯电驱动模式与混合驱动模式之间的切换规则参数,即TEV和PEV。进一步地,混和驱动模式下共有3种工作模式,采取一对一法,构建相应的多分类支持向量机获取三者之间切换的连续规则参数,即TLow、TUpp。混合驱动模式中,EPG与EMA模式有对应的发动机扭矩转移MAP,因此构建相应的回归支持向量机。
S502:学习样本。二分类支持向量机有两个,其中一个的学习样本以驱动时变速箱输入轴转速和整车需求扭矩为特征,另一个的学习样本以变速箱输入轴转速和整车需求功率为特征。多分类支持向量机以混合驱动模式下变速箱输入轴转速、变速箱输入轴需求扭矩为特征回归支持向量机以混合驱动模式下变速箱输入轴转速、变速箱输入轴需求扭矩、发动机实际需求扭矩为特征。所有支持向量机的学习样本均按照7:3的比例划分为训练集和验证集。
S503:设置样本标签。二分类支持向量机设置两个样本标签(0,1),多分类支持向量机设置3个样本标签(-1,0,1),回归支持向量机以学习样本的发动机实际输出扭矩为标签。
S504:针对训练集定义优化方程,对优化问题的定义如式10所示:
式中:ω为超平面的权值矢量;b为偏置常数;
为输入量至高维特征空间的映射;λ为正则化参数;ξ
i为训练结果与标签的误差。
S505:采取核函数方法对最优解问题进行处理,选择径向基核函数(高斯函数)作为核函数,将优化问题转为线性方程的求解问题,所选核函数如式11所示:
k(x,xc)=exp(-||x-xc||/2σ2) (11)
式中,xc为核函数中心,σ为函数的宽度参数。
S506:通过交叉验证方法获得支持向量机训练的最优参数,即λ与σ。
S507:训练支持向量机函数。然后根据得到的二分类支持向量机函数将变速箱输入轴转速-整车需求扭矩、变速箱输入轴转速-整车需求功率形成的离散空间进行分类,获取TEV与PEV;根据得到的多分类支持向量机函数将变速箱输入轴转速-变速箱输入轴需求扭矩。形成的离散空间进行分类,获取TLow和TUpp;将变速箱输入轴转速-变速箱输入轴需求扭矩输入回归支持向量机,求取对应的发动机实际需求扭矩,获取EPG与EMA模式下的发动机扭矩转移MAP。
最终根据全局优化和机器学习算法获取的规则控制策略参数集,优化标定HEV规则能量管理策略控制参数,完成HEV能量管理策略的优化。
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、改进等,均应包含在本发明的保护范围之内。