CN113479187B - 一种插电式混合动力汽车分层异步长能量管理方法 - Google Patents

Abstract

本发明公开了一种插电式混合动力汽车分层异步长能量管理方法，包括以下步骤：首先，建立依据车辆当前SOC与导航信息的快速全局SOC规划模型；然后，建立基于Markov模型优化和工况识别的车速预测模型；其次，采用动态规划算法建立局部优化模型；接着，建立整车控制器模型；最后，车辆运行过程中，快速全局SOC规划模型、车速预测模型、局部优化模型和整车控制器模型以分层异步长的方式对整车进行控制。采用本发明，既考虑了全局行程信息，又能适应局部的车速动态变化，能在满足求解精度与实时性要求的前提下降低控制器性能要求，降低用户使用油耗。

Description

一种插电式混合动力汽车分层异步长能量管理方法

技术领域

本发明属于插电式混合动力汽车能量管理领域，尤其涉及一种插电式混合动力汽车分层异步长能量管理方法。

背景技术

能量管理策略通过协调动力需求在多种能源之间的分配方式在不牺牲动力需求的前提下提升整车的燃油经济性和排放性能，在混合动力汽车的控制中具有举足轻重的地位。现有能量管理策略一般分为基于规则和基于优化的策略。基于规则的策略控制时效性强，但对整车参数和工况的适用性差，且规则的制定需要丰富的工程经验。基于优化的策略分为全局优化策略和瞬时优化策略。全局优化策略能提供全局最优解，但需要预知完整的工况信息且计算量大，难以实现在线应用。瞬时优化策略针对当前时刻的工况信息寻求最优的动力需求分配方式，能实现在线的应用，但无法保证全局最优的控制效果。模型预测控制策略综合了全局优化策略和瞬时优化策略的优势，通过进行局部的车速预测及优化控制，既考虑了未来的行程信息，又极大地缩短了优化的时间，有助于策略的在线应用。插电式混合动力汽车的模型预测控制策略通过预测的车速和SOC的动态参考进行局部优化控制，车速预测模块和SOC规划模块是两大研究热点。

神经网络模型和Markov模型广泛应用于车速预测，目前研究的重点在于结合工况、驾驶员特征建立精度更高的车速预测模型；简单的SOC参考采用基于行驶里程线性下降的模型，结合SOC的跟随控制，能有效改善燃油经济性，但仍有可提升的空间，目前的研究重点在于解决SOC规划的实时性问题及是否为(近似)最优解的问题；SOC规划、车速预测、优化和零部件控制器的求解频率要求与求解时间不同，其中零部件控制器的求解频率最高，采用统一的求解频率对整车控制器的性能要求较高，较难实现实车应用，目前少有研究提出分层异步长的控制方式。

为了提升燃油经济性的同时降低整车控制器的性能要求，综合考虑完整行程交通信息和局部的车速动态变化，本发明提出了一种插电式混合动力汽车分层异步长能量管理方法。

发明内容

本发明所要解决的技术问题是在不提高整车控制器的性能要求前提下，综合考虑完整行程交通信息和局部的车速动态变化，提升整车的燃油经济性，提供一种插电式混合动力汽车分层异步长能量管理方法。

本发明为解决上述技术问题采用以下技术方案：

一种插电式混合动力汽车分层异步长能量管理方法，包括以下步骤：

步骤1)，建立基于神经网络的快速全局SOC规划模型并通过车辆当前SOC和模拟导航信息训练该快速全局SOC规划模型；

步骤2)，建立基于标准法规工况的基础Markov车速预测模型，并根据工况对基础Markov车速预测模型进行优化，得到各个工况对应的优化Markov车速预测模型；同时建立用于识别工况类别的工况识别模型，和工况对应的优化Markov车速预测模型相配合形成完整的车速预测模型，工作时，先基于工况识别模型对当前车辆的工况进行识别，然后根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测；

步骤3)，采用动态规划算法建立局部优化模型，该模型以整车的当前状态、车速预测模型的预测结果、快速全局SOC规划模型的规划结果为输入，以预测域末状态SOC约束下的最小燃油消耗为优化目标，对整车的被控对象参数进行优化，得到优化后被控对象的控制目标参考，所述控对象的控制目标参考包含车辆运行时间的序列组；

步骤4)，建立用于对整车的被控对象进行PID控制的整车控制器模型，其输入为局部优化模型的输出输入，用于按照车辆运行时间对局部优化模型的输出进行线性插值得到当前时刻被控对象的控制目标参考，并与整车被控对象的实际参数进行对比，得到其差值，如果该差值小于预设的变化阈值时，采用局部优化模型的输出作为控制目标对被控对象进行PID控制，否则，在被控对象实际参数的基础上采用最大的控制增量作为控制目标对被控对象进行PID控制；

步骤5)，在车辆运行过程中，基于快速全局SOC规划模型、车速预测模型、局部优化模型和整车控制器模型以分层异步长的方式对整车进行控制，具体如下：

步骤5.1)，当车辆初次获取导航信息或者导航信息发生变化后，通过快速全局SOC规划模型获得当前规划的SOC最优解，将其和导航信息中各个行程分段的距离相结合，得到距离-SOC参考曲线；

步骤5.2)，通过完整的车速预测模型对车辆进行车速预测，车速预测模型以定步长L_long进行车速预测；

步骤5.3)，依据实际行驶里程和车速预测得到的车速计算预测域末的累积行驶里程，计算表达式为：

式中，D_p为包含预测域内车速的总里程，k为当前时刻，v(t)、v_p(t)分别代表实际车速、车速预测得到的车速；

步骤5.4)，通过总里程D_p对距离-SOC参考曲线进行线性插值得到预测域末状态的SOC参考SOC_f；

步骤5.5)，将整车的当前状态、车速预测模型的预测结果、快速全局SOC规划模型的规划结果输入局部优化模型进行优化，得到优化后被控对象的控制目标参考，局部优化模型以定步长L_long进行优化；

步骤5.6)，将局部优化模型的输出输入整车控制器模型，对整车的被控对象进行PID控制的，整车控制器模型以定步长L_short进行整车被控对象的PID控制，定步长L_short小于定步长L_long。

作为本发明一种插电式混合动力汽车分层异步长能量管理方法进一步的优化方案，所述步骤1)具体包含以下步骤：

步骤1.1)，通过模拟导航随机生成行程，然后生成该行程的行程交通信息，在此基础上结合预设的历史驾驶数据生成该行程的详细工况；

所述行程被导航划分为N个行程分段；行程的行程交通信息为N*4的矩阵，包含N个行程分段的属性；所述行程分段的属性包含距离、预计通过时间、工况类别、交通状况等级信息，其中，所述距离为行程分段的距离长度数值，为行程分段起始点到终点之间的道路距离；所述预计通过时间为导航预估车辆通过行程分段的时间；所述工况类别包含高速工况、城郊工况、城市工况；所述交通状况等级包含通畅、轻度拥堵、严重拥堵；

步骤1.2)，结合当前SOC值采用动态规划算法求详细工况的SOC最优解，以当前SOC值和行程交通信息为输入、SOC最优解为输出记录为一组训练数据；

步骤1.3)，重复步骤1.2)至步骤1.3)M_max次，得到M_max组训练数据，M_max为预设的阈值；

步骤1.4)，构建基于神经网络的快速全局SOC规划模型；

所述神经网络为输出正向传播、误差反向传播的模型，即BP-NN；所述BP-NN的输入层神经元个数为5，分别对应当前SOC值、距离、预计通过时间、工况类别、交通状况等级；所述BP-NN的输出层神经元个数为1，为规划的SOC向量；所述BP-NN的隐含层层数为1，神经元的个数依据经验公式得到取值范围并根据实际情况调整，所述经验公式为

式中，m为隐含层神经元个数，n为输入层神经元个数，l为输出层神经元个数，α为1～10之间的常数；

步骤1.5)，通过M_max组训练数据对快速全局SOC规划模型进行训练，得到训练后的快速全局SOC规划模型。

作为本发明一种插电式混合动力汽车分层异步长能量管理方法进一步的优化方案，所述步骤1.1)详细描述如下：

步骤1.1.1)，通过模拟导航随机生成行程，然后生成该行程的行程交通信息；

步骤1.1.2)，采用区间约束法对每个行程分段的行程交通信息进行有效性判断，所述区间为预设的距离区间和预设的平均车速区间，若存在无效的行程分段则跳转执行步骤1.1.1)；

步骤1.1.3)，采用状态切换约束法对行程的行程交通信息进行有效性判断，所述约束为预设的允许状态切换的最小距离阈值，若行程无效则跳转执行步骤1.1)；

步骤1.1.4)，将预设的历史驾驶数据按照工况类别和交通状况等级的组合划分为9组分组数据；

步骤1.1.5)，生成每个行程分段的详细工况，对于每个行程分段：

步骤1.1.5.1)，在9组分组数据中找到和行程分段的工况类别、交通状况等级均相同的分组数据，从中随机截取与行程分段的预计通过时间相等的一段数据作为行程分段的预备详细工况；

步骤1.1.5.2)，计算行程分段预备详细工况中距离和行程分段属性中距离的误差，并将该误差和预设的距离误差阈值进行比较，当该误差小于等于预设的距离误差阈值时，将行程分段的预备详细工况作为行程分段的详细工况，否则跳转执行步骤1.1.5.1)；

步骤1.1.6)，对各个行程分段的详细工况按次序进行连接并平滑处理，形成行程的详细工况。

作为本发明一种插电式混合动力汽车分层异步长能量管理方法进一步的优化方案，所述步骤1.2)和步骤3)中动态规划算法逆向求解过程的目标函数相同，均为：

式中，J为优化目标，N为详细工况的离散数，m_f为油耗目标函数，G为档位切换惩罚函数，M为模式切换惩罚函数，x(i)为状态变量，一般为SOC，u(i)为控制变量，可根据实际问题调整，当控制变量不包含档位与模式时，G、M为空，γ为SOC惩罚系数，为较大的正值，SOC_N为末状态的SOC值，SOC_f为末状态SOC参考值。

作为本发明一种插电式混合动力汽车分层异步长能量管理方法进一步的优化方案，所述步骤2)具体包含以下步骤：

步骤2.1)，建立基于标准法规工况的基础Markov车速预测模型；

所述标准法规工况包含高速工况、城郊工况、城市畅通工况和城市拥堵工况四种工况；所述基础Markov车速预测模型采用单阶多步车速预测模型，用于描述车辆在当前的加速度与车速状态下每个预测时刻车辆的加速度状态转移概率分布，包含加速度序列a_s0、速度序列V_s0、以及大小为L_a*L_a*L_v*L_p的概率矩阵，其中，a_s0为长度为L_a的a_min到a_max的等间距序列，V_s0为长度为L_v的0到V_max的等间距序列，L_a为离散加速度状态数，L_v为离散速度状态数，L_p为预测步长，a_min为预设的最小加速度阈值，a_max为预设的最大加速度阈值，V_max为预设的最大速度阈值；

步骤2.2)，分别在四种工况下借助模拟退火算法对基础Markov车速预测模型的加速度序列和速度序列进行优化，得到四种工况对应的优化Markov车速预测模型；

步骤2.3)，建立基于支持向量机的工况识别模型，用于识别高速工况、城郊工况、城市畅通工况和城市拥堵工况，其输入为给定时间长度t_S内的平均车速、最大加速度、最小加速度和停车时间比，输出为工况类别；

步骤2.4)，基于工况识别模型对当前车辆的工况进行识别，并根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测：

步骤2.4.1)，当车辆实际运行时间t＜t_s时，调用城市畅通工况对应的优化Markov车速预测模块进行车速预测；

步骤2.4.2)，当t≥t_s时，按照预设的间隔时间阈值t_up对[t-t_s,t-1]的工况进行特征参数提取并输入工况识别模型，并依据工况识别模型识别的工况调用对应的优化Markov车速预测模块进行车速预测。

作为本发明一种插电式混合动力汽车分层异步长能量管理方法进一步的优化方案，所述步骤2.1)基础Markov车速预测模型的训练及过程如下：

步骤2.1.1)，设置大小为L_a*L_a*L_v*L_p的频数矩阵T并将其零初始化，设置k＝1；

步骤2.1.2)，令过程预测步长q＝1；

步骤2.1.3)，获取标准法规工况的速度V(k)、加速度a(k)和a(k+q)，采用最邻近法则得到V(k)在速度序列中对应的离散值Vⁿ、a(k)在加速度序列中对应的离散值a^j、a(k+q)在加速度序列中对应的离散值aⁱ，n为离散值Vⁿ在速度序列中的位置编号、j为离散值a^j在加速度序列中的位置编号、i为离散值aⁱ在加速度序列中的位置编号，依据位置编号n、j、i、q对频数矩阵T的相应位置累积加1，即T(i,j,n,q)累积加1，i,j∈{1,2,3,…,L_a},n∈{1,2,3,…,L_v}；

步骤2.1.4)，更新q＝q+1，比较q和L_p之间的大小，如果q≤L_p，跳转执行步骤2.1.3)；

步骤2.1.5)，更新k＝k+1，并比较k和L-L_p之间的大小，L为标准法规工况的长度，如果k≤L-L_p，跳转执行步骤2.1.2)；

步骤2.1.6)，依据频数矩阵完成概率矩阵，表示如下：

步骤2.1.7)，获取当前状态的车速V(t)与加速度a(t)，t是车辆的真实运行时间，采用最邻近法则得到V(t)在速度序列中对应的离散值Vⁿ¹、a(t)在加速度序列中对应的离散值a^j1；n1和为离散值Vⁿ¹在速度序列中的位置编号、j1为离散值a^j1在加速度序列中的位置编号，令q＝1；

步骤2.1.8)，将概率矩阵P(:,j1，n1,q)中最大值所在位置记为L₁，则q步车速预测值为：

V(t+q)＝V(t+q-1)+a_s0(L₁)*3.6

步骤2.1.9)，更新q＝q+1，比较q和L_p之间的大小，如果q≤L_p，跳转执行步骤2.1.8)，否则所述基础Markov车速预测模型的预测过程结束。

作为本发明一种插电式混合动力汽车分层异步长能量管理方法进一步的优化方案，所述步骤2.2)包含以下具体步骤：

对于四种工况中的每一种工况：

步骤2.2.1)，以加速度序列a_s和速度序列V_s中的具体数值为优化变量、以预测误差为优化目标，将优化变量记为x＝[a_s，V_s]，优化目标E表示如下：

其中，

是所有预测时刻的均方根误差的均值，

是所有预测时刻的平均绝对误差的均值，

为预测的车速，V_t为真实的车速；

步骤2.2.2)，采用模拟退火算法对优化变量进行优化，模拟退火算法能以一定的概率接受比当前解更差的解，具有跳出局部最优陷阱的能力：

步骤2.2.2.1)，设定初始温度T_SAA，初始优化变量x_old为步骤1)中的加速度与速度序列，令Q＝0；

步骤2.2.2.2)，产生新优化变量x_new，将当前优化变量x_old与新优化变量x_new带入Markov车速预测模型，求解得到对应的优化目标值E_old和E_new，并计算新优化变量的可接受概率P_SAA：

步骤2.2.2.3)，当E_new≥E_old时，产生一个随机数ε∈(0，1)，当ε＞P_SAA时，优化目标值增加的新状态不被接受，执行步骤2.2.2.5)，否则，接受新状态，执行步骤2.2.2.4)；

步骤2.2.2.4)，更新x_old＝x_new、T_SAA＝α*T_SAA、Q＝0，然后跳转执行步骤2.2.2.2)，其中，α为温度参数衰减系数，α∈[0，1]；

步骤2.2.2.5)，更新Q＝Q+1，判断Q是否大于预设的阈值N，如果Q小于N，跳转执行步骤2.2.2.2)，如果Q大于等于N，优化结束，将此时的Markov车速预测模型记录为工况对应的优化Markov车速预测模型。

作为本发明一种插电式混合动力汽车分层异步长能量管理方法进一步的优化方案，所述步骤2.3)的工况识别模型借助MATLAB的Classification Learner工具箱进行训练，其中训练数据的生成步骤如下：

对于四种工况中的每一种工况：

步骤2.3.1)，预先设定样本量为K，i＝1，l为工况的长度；

步骤2.3.2)，随机产生起始点n₀，满足n₀+t_s＜l；

步骤2.3.3)，i≤K，则记录

为该工况的样本S_i，否则，执行步骤2.3.5)；

步骤2.3.4)，更新n₀＝n₀+t_s，i＝i+1，比较n₀+t_s和l之间的大小，如果n₀+t_s＜l，跳转执行2.3.3)，否则跳转执行步骤2.3.2)；

步骤2.3.5)，针对记录的样本进行特征参数提取，所述特征参数包含平均车速、最大加速度、最小加速度和停车时间比，再根据预先设定的工况类别代号对样本进行工况标记；

步骤2.3.6)，将特征参数及工况类别组合作为该工况的训练数据。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明的快速全局SOC规划模型根据导航提供的行程信息快速提供SOC的(近似)最优解，局部优化模型根据预测的车速和SOC的参考结合整车状态进行局部优化，整车控制器模型保证了优化后的控制得到执行。本发明的分层能量管理方法，既考虑了全局行程信息，又能适应局部的车速动态变化，异步长的控制方式能在满足求解精度与实时性要求的前提下降低控制器性能要求，采用本发明能有效降低用户的使用油耗。

附图说明

图1为本发明一种插电式混合动力汽车分层异步长能量管理方法框架示意图；

图2为本发明基于神经网络的快速全局SOC规划模型的结构示意图；

图3为本发明一种快速全局SOC规划模型的开发流程图；

图4为本发明基于Markov模型优化和工况识别的车速预测方法的流程示意图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示，本发明公开了一种插电式混合动力汽车分层异步长能量管理方法，包括以下步骤：

步骤1)，建立基于神经网络的快速全局SOC规划模型并通过车辆当前SOC和模拟导航信息训练该快速全局SOC规划模型；

步骤2)，建立基于标准法规工况的基础Markov车速预测模型，并根据工况对基础Markov车速预测模型进行优化，得到各个工况对应的优化Markov车速预测模型；同时建立用于识别工况类别的工况识别模型，和工况对应的优化Markov车速预测模型相配合形成完整的车速预测模型，工作时，先基于工况识别模型对当前车辆的工况进行识别，然后根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测；

步骤3)，采用动态规划算法建立局部优化模型，该模型以整车的当前状态、车速预测模型的预测结果、快速全局SOC规划模型的规划结果为输入，以预测域末状态SOC约束下的最小燃油消耗为优化目标，对整车的被控对象参数进行优化，得到优化后被控对象的控制目标参考，所述控对象的控制目标参考包含车辆运行时间的序列组；

步骤4)，建立用于对整车的被控对象进行PID控制的整车控制器模型，其输入为局部优化模型的输出输入，用于按照车辆运行时间对局部优化模型的输出进行线性插值得到当前时刻被控对象的控制目标参考，并与整车被控对象的实际参数进行对比，得到其差值，如果该差值小于预设的变化阈值时，采用局部优化模型的输出作为控制目标对被控对象进行PID控制，否则，在被控对象实际参数的基础上采用最大的控制增量作为控制目标对被控对象进行PID控制；

步骤5)，在车辆运行过程中，基于快速全局SOC规划模型、车速预测模型、局部优化模型和整车控制器模型以分层异步长的方式对整车进行控制，具体如下：

步骤5.1)，当车辆初次获取导航信息或者导航信息发生变化后，通过快速全局SOC规划模型获得当前规划的SOC最优解，将其和导航信息中各个行程分段的距离相结合，得到距离-SOC参考曲线；

步骤5.2)，通过完整的车速预测模型对车辆进行车速预测，车速预测模型以定步长L_long进行车速预测；

步骤5.3)，依据实际行驶里程和车速预测得到的车速计算预测域末的累积行驶里程，计算表达式为：

式中，D_p为包含预测域内车速的总里程，k为当前时刻，v(t)、v_p(t)分别代表实际车速、车速预测得到的车速；

步骤5.4)，通过总里程D_p对距离-SOC参考曲线进行线性插值得到预测域末状态的SOC参考SOC_f；

步骤5.5)，将整车的当前状态、车速预测模型的预测结果、快速全局SOC规划模型的规划结果输入局部优化模型进行优化，得到优化后被控对象的控制目标参考，局部优化模型以定步长L_long进行优化；

步骤5.6)，将局部优化模型的输出输入整车控制器模型，对整车的被控对象进行PID控制的，整车控制器模型以定步长L_short进行整车被控对象的PID控制，定步长L_short小于定步长L_long。

如图2、图3所示，所述步骤1)具体包含以下步骤：

步骤1.1)，通过模拟导航随机生成行程，然后生成该行程的行程交通信息，在此基础上结合预设的历史驾驶数据生成该行程的详细工况；

所述行程被导航划分为N个行程分段；行程的行程交通信息为N*4的矩阵，包含N个行程分段的属性；所述行程分段的属性包含距离、预计通过时间、工况类别、交通状况等级信息，其中，所述距离为行程分段的距离长度数值，为行程分段起始点到终点之间的道路距离；所述预计通过时间为导航预估车辆通过行程分段的时间；所述工况类别包含高速工况、城郊工况、城市工况；所述交通状况等级包含通畅、轻度拥堵、严重拥堵；

步骤1.2)，结合当前SOC值采用动态规划算法求详细工况的SOC最优解，以当前SOC值和行程交通信息为输入、SOC最优解为输出记录为一组训练数据；

步骤1.3)，重复步骤1.2)至步骤1.3)M_max次，得到M_max组训练数据，M_max为预设的阈值；

步骤1.4)，构建基于神经网络的快速全局SOC规划模型；

所述神经网络为输出正向传播、误差反向传播的模型，即BP-NN；所述BP-NN的输入层神经元个数为5，分别对应当前SOC值、距离、预计通过时间、工况类别、交通状况等级；所述BP-NN的输出层神经元个数为1，为规划的SOC向量；所述BP-NN的隐含层层数为1，神经元的个数依据经验公式得到取值范围并根据实际情况调整，所述经验公式为

式中，m为隐含层神经元个数，n为输入层神经元个数，l为输出层神经元个数，α为1～10之间的常数；

步骤1.5)，通过M_max组训练数据对快速全局SOC规划模型进行训练，得到训练后的快速全局SOC规划模型。

所述步骤1.1)详细描述如下：

步骤1.1.1)，通过模拟导航随机生成行程，然后生成该行程的行程交通信息；

步骤1.1.2)，采用区间约束法对每个行程分段的行程交通信息进行有效性判断，所述区间为预设的距离区间和预设的平均车速区间，若存在无效的行程分段则跳转执行步骤1.1.1)；

步骤1.1.3)，采用状态切换约束法对行程的行程交通信息进行有效性判断，所述约束为预设的允许状态切换的最小距离阈值，若行程无效则跳转执行步骤1.1)；

步骤1.1.4)，将预设的历史驾驶数据按照工况类别和交通状况等级的组合划分为9组分组数据；

步骤1.1.5)，生成每个行程分段的详细工况，对于每个行程分段：

步骤1.1.5.1)，在9组分组数据中找到和行程分段的工况类别、交通状况等级均相同的分组数据，从中随机截取与行程分段的预计通过时间相等的一段数据作为行程分段的预备详细工况；

步骤1.1.5.2)，计算行程分段预备详细工况中距离和行程分段属性中距离的误差，并将该误差和预设的距离误差阈值进行比较，当该误差小于等于预设的距离误差阈值时，将行程分段的预备详细工况作为行程分段的详细工况，否则跳转执行步骤1.1.5.1)；

步骤1.1.6)，对各个行程分段的详细工况按次序进行连接并平滑处理，形成行程的详细工况。

所述步骤1.2)和步骤3)中动态规划算法逆向求解过程的目标函数相同，均为：

式中，J为优化目标，N为详细工况的离散数，m_f为油耗目标函数，G为档位切换惩罚函数，M为模式切换惩罚函数，x(i)为状态变量，一般为SOC，u(i)为控制变量，可根据实际问题调整，当控制变量不包含档位与模式时，G、M为空，γ为SOC惩罚系数，为较大的正值，SOC_N为末状态的SOC值，SOC_f为末状态SOC参考值。

如图4所示，所述步骤2)具体包含以下步骤：

步骤2.1)，建立基于标准法规工况的基础Markov车速预测模型；

所述标准法规工况包含高速工况、城郊工况、城市畅通工况和城市拥堵工况四种工况；所述基础Markov车速预测模型采用单阶多步车速预测模型，用于描述车辆在当前的加速度与车速状态下每个预测时刻车辆的加速度状态转移概率分布，包含加速度序列a_s0、速度序列V_s0、以及大小为L_a*L_a*L_v*L_p的概率矩阵，其中，a_s0为长度为L_a的a_min到a_max的等间距序列，V_s0为长度为L_v的0到V_max的等间距序列，L_a为离散加速度状态数，L_v为离散速度状态数，L_p为预测步长，a_min为预设的最小加速度阈值，a_max为预设的最大加速度阈值，V_max为预设的最大速度阈值；

步骤2.2)，分别在四种工况下借助模拟退火算法对基础Markov车速预测模型的加速度序列和速度序列进行优化，得到四种工况对应的优化Markov车速预测模型；

步骤2.3)，建立基于支持向量机的工况识别模型，用于识别高速工况、城郊工况、城市畅通工况和城市拥堵工况，其输入为给定时间长度t_S内的平均车速、最大加速度、最小加速度和停车时间比，输出为工况类别；

步骤2.4)，基于工况识别模型对当前车辆的工况进行识别，并根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测：

步骤2.4.1)，当车辆实际运行时间t＜t_s时，调用城市畅通工况对应的优化Markov车速预测模块进行车速预测；

步骤2.4.2)，当t≥t_s时，按照预设的间隔时间阈值t_up对[t-t_s，t-1]的工况进行特征参数提取并输入工况识别模型，并依据工况识别模型识别的工况调用对应的优化Markov车速预测模块进行车速预测。

所述步骤2.1)基础Markov车速预测模型的训练及过程如下：

步骤2.1.1)，设置大小为L_a*L_a*L_v*L_p的频数矩阵T并将其零初始化，设置k＝1；

步骤2.1.2)，令过程预测步长q＝1；

步骤2.1.3)，获取标准法规工况的速度V(k)、加速度a(k)和a(k+q)，采用最邻近法则得到V(k)在速度序列中对应的离散值Vⁿ、a(k)在加速度序列中对应的离散值a^j、a(k+q)在加速度序列中对应的离散值aⁱ，n为离散值Vⁿ在速度序列中的位置编号、j为离散值a^j在加速度序列中的位置编号、i为离散值aⁱ在加速度序列中的位置编号，依据位置编号n、j、i、q对频数矩阵T的相应位置累积加1，即T(i，j,n,q)累积加1，i,j∈{1,2,3,…,L_a},n∈{1,2,3,…,L_v}；

步骤2.1.4)，更新q＝q+1，比较q和L_p之间的大小，如果q≤L_p，跳转执行步骤2.1.3)；

步骤2.1.5)，更新k＝k+1，并比较k和L-L_p之间的大小，L为标准法规工况的长度，如果k≤L-L_p，跳转执行步骤2.1.2)；

步骤2.1.6)，依据频数矩阵完成概率矩阵，表示如下：

步骤2.1.7)，获取当前状态的车速V(t)与加速度a(t)，t是车辆的真实运行时间，采用最邻近法则得到V(t)在速度序列中对应的离散值Vⁿ¹、a(t)在加速度序列中对应的离散值a^j1；n1和为离散值Vⁿ¹在速度序列中的位置编号、j1为离散值a^j1在加速度序列中的位置编号，令q＝1；

步骤2.1.8)，将概率矩阵P(:,j1,n1,q)中最大值所在位置记为L₁，则q步车速预测值为：

V(t+q)＝V(t+q-1)+a_s0(L₁)*3.6

步骤2.1.9)，更新q＝q+1，比较q和L_p之间的大小，如果q≤L_p，跳转执行步骤2.1.8)，否则所述基础Markov车速预测模型的预测过程结束。

所述步骤2.2)包含以下具体步骤：

对于四种工况中的每一种工况：

步骤2.2.1)，以加速度序列a_s和速度序列V_s中的具体数值为优化变量、以预测误差为优化目标，将优化变量记为x＝[a_s，V_s]，优化目标E表示如下：

其中，

是所有预测时刻的均方根误差的均值，

是所有预测时刻的平均绝对误差的均值，

为预测的车速，V_t为真实的车速；

步骤2.2.2)，采用模拟退火算法对优化变量进行优化，模拟退火算法能以一定的概率接受比当前解更差的解，具有跳出局部最优陷阱的能力：

步骤2.2.2.1)，设定初始温度T_SAA，初始优化变量x_old为步骤1)中的加速度与速度序列，令Q＝0；

步骤2.2.2.2)，产生新优化变量x_new，将当前优化变量x_old与新优化变量x_new带入Markov车速预测模型，求解得到对应的优化目标值E_old和E_new，并计算新优化变量的可接受概率P_SAA：

步骤2.2.2.3)，当E_new≥E_old时，产生一个随机数ε∈(0，1)，当ε＞P_SAA时，优化目标值增加的新状态不被接受，执行步骤2.2.2.5)，否则，接受新状态，执行步骤2.2.2.4)；

步骤2.2.2.4)，更新x_old＝x_new、T_SAA＝α*T_SAA、Q＝0，然后跳转执行步骤2.2.2.2)，其中，α为温度参数衰减系数，α∈[0，1]；

步骤2.2.2.5)，更新Q＝Q+1，判断Q是否大于预设的阈值N，如果Q小于N，跳转执行步骤2.2.2.2)，如果Q大于等于N，优化结束，将此时的Markov车速预测模型记录为工况对应的优化Markov车速预测模型。

所述步骤2.3)的工况识别模型借助MATLAB的Classification Learner工具箱进行训练，其中训练数据的生成步骤如下：

对于四种工况中的每一种工况：

步骤2.3.1)，预先设定样本量为K，i＝1，l为工况的长度；

步骤2.3.2)，随机产生起始点n₀，满足n₀+t_s＜l；

步骤2.3.3)，i≤K，则记录

为该工况的样本S_i，否则，执行步骤2.3.5)；

步骤2.3.4)，更新n₀＝n₀+t_s，i＝i+1，比较n₀+t_s和l之间的大小，如果n₀+t_s＜l，跳转执行2.3.3)，否则跳转执行步骤2.3.2)；

步骤2.3.5)，针对记录的样本进行特征参数提取，所述特征参数包含平均车速、最大加速度、最小加速度和停车时间比，再根据预先设定的工况类别代号对样本进行工况标记；

步骤2.3.6)，将特征参数及工况类别组合作为该工况的训练数据。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种插电式混合动力汽车分层异步长能量管理方法，其特征在于，包括以下步骤：

步骤1)，建立基于神经网络的快速全局SOC规划模型并通过车辆当前SOC和模拟导航信息训练该快速全局SOC规划模型；

步骤2)，建立基于标准法规工况的基础Markov车速预测模型，并根据工况对基础Markov车速预测模型进行优化，得到各个工况对应的优化Markov车速预测模型；同时建立用于识别工况类别的工况识别模型，和工况对应的优化Markov车速预测模型相配合形成完整的车速预测模型，工作时，先基于工况识别模型对当前车辆的工况进行识别，然后根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测；

步骤3)，采用动态规划算法建立局部优化模型，该模型以整车的当前状态、车速预测模型的预测结果、快速全局SOC规划模型的规划结果为输入，以预测域末状态SOC约束下的最小燃油消耗为优化目标，对整车的被控对象参数进行优化，得到优化后被控对象的控制目标参考，所述控对象的控制目标参考包含车辆运行时间的序列组；

步骤4)，建立用于对整车的被控对象进行PID控制的整车控制器模型，其输入为局部优化模型的输出，用于按照车辆运行时间对局部优化模型的输出进行线性插值得到当前时刻被控对象的控制目标参考，并与整车被控对象的实际参数进行对比，得到其差值，如果该差值小于预设的变化阈值时，采用局部优化模型的输出作为控制目标对被控对象进行PID控制，否则，在被控对象实际参数的基础上采用最大的控制增量作为控制目标对被控对象进行PID控制；

步骤5)，在车辆运行过程中，基于快速全局SOC规划模型、车速预测模型、局部优化模型和整车控制器模型以分层异步长的方式对整车进行控制，具体如下：

步骤5.1)，当车辆初次获取导航信息或者导航信息发生变化后，通过快速全局SOC规划模型获得当前规划的SOC最优解，将其和导航信息中各个行程分段的距离相结合，得到距离-SOC参考曲线；

步骤5.2)，通过完整的车速预测模型对车辆进行车速预测，车速预测模型以定步长L_long进行车速预测；

步骤5.3)，依据实际行驶里程和车速预测得到的车速计算预测域末的累积行驶里程，计算表达式为：

式中，D_p为包含预测域内车速的总里程，k为当前时刻，v(t)、v_p(t)分别代表实际车速、车速预测得到的车速，L_p为预测步长；

步骤5.4)，通过总里程D_p对距离-SOC参考曲线进行线性插值得到预测域末状态的SOC参考SOC_f；

步骤5.5)，将整车的当前状态、车速预测模型的预测结果、快速全局SOC规划模型的规划结果输入局部优化模型进行优化，得到优化后被控对象的控制目标参考，局部优化模型以定步长L_long进行优化；

步骤5.6)，将局部优化模型的输出输入整车控制器模型，对整车的被控对象进行PID控制的，整车控制器模型以定步长L_short进行整车被控对象的PID控制，定步长L_short小于定步长L_long。

2.根据权利要求1所述的一种插电式混合动力汽车分层异步长能量管理方法，其特征在于，所述步骤1)具体包含以下步骤：

步骤1.1)，通过模拟导航随机生成行程，然后生成该行程的行程交通信息，在此基础上结合预设的历史驾驶数据生成该行程的详细工况；

所述行程被导航划分为N个行程分段；行程的行程交通信息为N*4的矩阵，包含N个行程分段的属性；所述行程分段的属性包含距离、预计通过时间、工况类别、交通状况等级信息，其中，所述距离为行程分段的距离长度数值，为行程分段起始点到终点之间的道路距离；所述预计通过时间为导航预估车辆通过行程分段的时间；所述工况类别包含高速工况、城郊工况、城市工况；所述交通状况等级包含通畅、轻度拥堵、严重拥堵；

步骤1.2)，结合当前SOC值采用动态规划算法求详细工况的SOC最优解，以当前SOC值和行程交通信息为输入、SOC最优解为输出记录为一组训练数据；

步骤1.3)，重复步骤1.2)至步骤1.3)M_max次，得到M_max组训练数据，M_max为预设的阈值；

步骤1.4)，构建基于神经网络的快速全局SOC规划模型；

所述神经网络为输出正向传播、误差反向传播的模型，即BP-NN；所述BP-NN的输入层神经元个数为5，分别对应当前SOC值、距离、预计通过时间、工况类别、交通状况等级；所述BP-NN的输出层神经元个数为1，为规划的SOC向量；所述BP-NN的隐含层层数为1，神经元的个数依据经验公式得到取值范围并根据实际情况调整，所述经验公式为

式中，m为隐含层神经元个数，n为输入层神经元个数，l为输出层神经元个数，α为1～10之间的常数；

步骤1.5)，通过M_max组训练数据对快速全局SOC规划模型进行训练，得到训练后的快速全局SOC规划模型。

3.根据权利要求2所述的一种插电式混合动力汽车分层异步长能量管理方法，其特征在于，所述步骤1.1)详细描述如下：

步骤1.1.1)，通过模拟导航随机生成行程，然后生成该行程的行程交通信息；

步骤1.1.2)，采用区间约束法对每个行程分段的行程交通信息进行有效性判断，所述区间为预设的距离区间和预设的平均车速区间，若存在无效的行程分段则跳转执行步骤1.1.1)；

步骤1.1.3)，采用状态切换约束法对行程的行程交通信息进行有效性判断，所述约束为预设的允许状态切换的最小距离阈值，若行程无效则跳转执行步骤1.1.1)；

步骤1.1.4)，将预设的历史驾驶数据按照工况类别和交通状况等级的组合划分为9组分组数据；

步骤1.1.5)，生成每个行程分段的详细工况，对于每个行程分段：

步骤1.1.5.1)，在9组分组数据中找到和行程分段的工况类别、交通状况等级均相同的分组数据，从中随机截取与行程分段的预计通过时间相等的一段数据作为行程分段的预备详细工况；

步骤1.1.5.2)，计算行程分段预备详细工况中距离和行程分段属性中距离的误差，并将该误差和预设的距离误差阈值进行比较，当该误差小于等于预设的距离误差阈值时，将行程分段的预备详细工况作为行程分段的详细工况，否则跳转执行步骤1.1.5.1)；

步骤1.1.6)，对各个行程分段的详细工况按次序进行连接并平滑处理，形成行程的详细工况。

4.根据权利要求1所述的一种插电式混合动力汽车分层异步长能量管理方法，其特征在于，所述步骤1.2)和步骤3)中动态规划算法逆向求解过程的目标函数相同，均为：

式中，J为优化目标，N为详细工况的离散数，m_f为油耗目标函数，G为档位切换惩罚函数，M为模式切换惩罚函数，x(i)为状态变量，一般为SOC，u(i)为控制变量，可根据实际问题调整，当控制变量不包含档位与模式时，G、M为空，γ为SOC惩罚系数，为较大的正值，SOC_N为末状态的SOC值，SOC_f为末状态SOC参考值。

5.根据权利要求1所述的一种插电式混合动力汽车分层异步长能量管理方法，其特征在于，所述步骤2)具体包含以下步骤：

步骤2.1)，建立基于标准法规工况的基础Markov车速预测模型；

所述标准法规工况包含高速工况、城郊工况、城市畅通工况和城市拥堵工况四种工况；所述基础Markov车速预测模型采用单阶多步车速预测模型，用于描述车辆在当前的加速度与车速状态下每个预测时刻车辆的加速度状态转移概率分布，包含加速度序列a_s0、速度序列V_s0、以及大小为L_a*L_a*L_v*L_p的概率矩阵，其中，a_s0为长度为L_a的a_min到a_max的等间距序列，V_s0为长度为L_v的0到V_max的等间距序列，L_a为离散加速度状态数，L_v为离散速度状态数，L_p为预测步长，a_min为预设的最小加速度阈值，a_max为预设的最大加速度阈值，V_max为预设的最大速度阈值；

步骤2.2)，分别在四种工况下借助模拟退火算法对基础Markov车速预测模型的加速度序列和速度序列进行优化，得到四种工况对应的优化Markov车速预测模型；

步骤2.3)，建立基于支持向量机的工况识别模型，用于识别高速工况、城郊工况、城市畅通工况和城市拥堵工况，其输入为给定时间长度t_S内的平均车速、最大加速度、最小加速度和停车时间比，输出为工况类别；

步骤2.4)，基于工况识别模型对当前车辆的工况进行识别，并根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测：

步骤2.4.1)，当车辆实际运行时间t＜t_s时，调用城市畅通工况对应的优化Markov车速预测模块进行车速预测；

步骤2.4.2)，当t≥t_s时，按照预设的间隔时间阈值t_up对[t-t_s,t-1]的工况进行特征参数提取并输入工况识别模型，并依据工况识别模型识别的工况调用对应的优化Markov车速预测模块进行车速预测。

6.根据权利要求5所述的一种插电式混合动力汽车分层异步长能量管理方法，其特征在于，所述步骤2.1)基础Markov车速预测模型的训练及过程如下：

步骤2.1.1)，设置大小为L_a*L_a*L_v*L_p的频数矩阵T并将其零初始化，设置k＝1；

步骤2.1.2)，令过程预测步长q＝1；

步骤2.1.3)，获取标准法规工况的速度V(k)、加速度a(k)和a(k+q)，采用最邻近法则得到V(k)在速度序列中对应的离散值Vⁿ、a(k)在加速度序列中对应的离散值a^j、a(k+q)在加速度序列中对应的离散值aⁱ，n为离散值Vⁿ在速度序列中的位置编号、j为离散值a^j在加速度序列中的位置编号、i为离散值aⁱ在加速度序列中的位置编号，依据位置编号n、j、i、q对频数矩阵T的相应位置累积加1，即T(i,j,n,q)累积加1，i,j∈{1,2,3,…,L_a},n∈{1,2,3,…,L_v}；

步骤2.1.4)，更新q＝q+1，比较q和L_p之间的大小，如果q≤L_p，跳转执行步骤2.1.3)；

步骤2.1.5)，更新k＝k+1，并比较k和L-L_p之间的大小，L为标准法规工况的长度，如果k≤L-L_p，跳转执行步骤2.1.2)；

步骤2.1.6)，依据频数矩阵完成概率矩阵，表示如下：

步骤2.1.7)，获取当前状态的车速V(t)与加速度a(t)，t是车辆的真实运行时间，采用最邻近法则得到V(t)在速度序列中对应的离散值Vⁿ¹、a(t)在加速度序列中对应的离散值a^j1；n1和为离散值Vⁿ¹在速度序列中的位置编号、j1为离散值a^j1在加速度序列中的位置编号，令q＝1；

步骤2.1.8)，将概率矩阵P(:,j1,n1,q)中最大值所在位置记为L₁，则q步车速预测值为：

V(t+q)＝V(t+q-1)+a_s0(L₁)*3.6

步骤2.1.9)，更新q＝q+1，比较q和L_p之间的大小，如果q≤L_p，跳转执行步骤2.1.8)，否则所述基础Markov车速预测模型的预测过程结束。

7.根据权利要求5所述的一种插电式混合动力汽车分层异步长能量管理方法，其特征在于，所述步骤2.2)包含以下具体步骤：

对于四种工况中的每一种工况：

步骤2.2.1)，以加速度序列a_s和速度序列V_s中的具体数值为优化变量、以预测误差为优化目标，将优化变量记为x＝[a_s,V_s]，优化目标E表示如下：

其中，

是所有预测时刻的均方根误差的均值，

是所有预测时刻的平均绝对误差的均值，

为预测的车速，V_t为真实的车速；

步骤2.2.2)，采用模拟退火算法对优化变量进行优化，模拟退火算法能以一定的概率接受比当前解更差的解，具有跳出局部最优陷阱的能力：

步骤2.2.2.1)，设定初始温度T_SAA，初始优化变量x_old为步骤1)中的加速度与速度序列，令Q＝0；

步骤2.2.2.2)，产生新优化变量x_new，将当前优化变量x_old与新优化变量x_new带入Markov车速预测模型，求解得到对应的优化目标值E_old和E_new，并计算新优化变量的可接受概率P_SAA：

步骤2.2.2.3)，当E_new≥E_old时，产生一个随机数ε∈(0,1)，当ε＞P_SAA时，优化目标值增加的新状态不被接受，执行步骤2.2.2.5)，否则，接受新状态，执行步骤2.2.2.4)；

步骤2.2.2.4)，更新x_old＝x_new、T_SAA＝α*T_SAA、Q＝0，然后跳转执行步骤2.2.2.2)，其中，α为温度参数衰减系数，α∈[0,1]；

步骤2.2.2.5)，更新Q＝Q+1，判断Q是否大于预设的阈值N，如果Q小于N，跳转执行步骤2.2.2.2)，如果Q大于等于N，优化结束，将此时的Markov车速预测模型记录为工况对应的优化Markov车速预测模型。

8.根据权利要求5所述的一种插电式混合动力汽车分层异步长能量管理方法，其特征在于，所述步骤2.3)的工况识别模型借助MATLAB的Classification Learner工具箱进行训练，其中训练数据的生成步骤如下：

对于四种工况中的每一种工况：

步骤2.3.1)，预先设定样本量为K，i＝1，l为工况的长度；

步骤2.3.2)，随机产生起始点n₀，满足n₀+t_s＜l；

步骤2.3.3)，i≤K，则记录

为该工况的样本S_i，否则，执行步骤2.3.5)；

步骤2.3.4)，更新n₀＝n₀+t_s，i＝i+1，比较n₀+t_s和l之间的大小，如果n₀+t_s＜l，跳转执行2.3.3)，否则跳转执行步骤2.3.2)；

步骤2.3.5)，针对记录的样本进行特征参数提取，所述特征参数包含平均车速、最大加速度、最小加速度和停车时间比，再根据预先设定的工况类别代号对样本进行工况标记；

步骤2.3.6)，将特征参数及工况类别组合作为该工况的训练数据。

Images