CN113554337B - 融合交通信息的插电式混动汽车能量管理策略构建方法 - Google Patents
融合交通信息的插电式混动汽车能量管理策略构建方法 Download PDFInfo
- Publication number
- CN113554337B CN113554337B CN202110884612.1A CN202110884612A CN113554337B CN 113554337 B CN113554337 B CN 113554337B CN 202110884612 A CN202110884612 A CN 202110884612A CN 113554337 B CN113554337 B CN 113554337B
- Authority
- CN
- China
- Prior art keywords
- soc
- traffic information
- plug
- model
- vehicle
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 10
- 238000007726 management method Methods 0.000 claims abstract description 17
- 239000000446 fuel Substances 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 230000007787 long-term memory Effects 0.000 claims abstract description 6
- 238000005265 energy consumption Methods 0.000 claims abstract description 3
- 230000015654 memory Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 238000011217 control strategy Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000007423 decrease Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 239000000295 fuel oil Substances 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 1
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 abstract description 5
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Abstract
本发明涉及融合交通信息的插电式混动汽车能量管理策略构建方法，包括以下步骤：S1、基于智能交通系统获取交通信息；S2、构建长短期记忆网络LSTM车速预测模型，并在线进行预测并验证；S3、分别搭建发动机、电动机、动力电池、传动系、纵向动力学模型；S4、根据模型预测出的结果在总车速占比进行全局片上系统SOC规划；S5、构建自适应等效因子s(t)，建立所述自适应等效因子s(t)与所述片上系统SOC偏移量ΔSOC的关系，构建能量消耗模型；S6、通过求解ECMS搭建的哈密尔顿函数得到最优控制量Pbat。本发明充分利用了日益丰富的交通数据，计算量小，具有较好的实时性，提高了车辆燃油经济性。
Description
技术领域
本发明涉及混合动力汽车能量控制领域，特别是涉及一种融合交通信息的插电式混动汽车能量管理策略构建方法。
背景技术
我国汽车保有量的不断增加，碳排放问题正变的越来越严重。混动汽车在我国碳排放规划中极其重要，在汽车从化石燃料能源向新能源转型中扮演了举足轻重的作用。其中插电式混合动力汽车相比于其他混动汽车可以外接电源，更好的发挥电能的优势。同时又不存在纯电车的“续航焦虑”问题。
汽车的网联化是未来的重要发展方向之一，随着5G与智能交通系统(ITS)的逐渐发展与普及，融合交通信息的能量管理策略是当前的重要研究方向。车速预测是指基于车联网和智能交通技术，获取前方路段交通流、信号灯控制、拥堵长度等信息，对未来车速的预测与估计。车速预测在提高车辆的燃油经济性方面正发挥越来越重要的作用。
能量管理策略是混动汽车的核心，可以直接影响混动汽车的动力性与经济性。目前，混动汽车能量管理策略主要分为基于规则和基于优化两类。基于规则的控制策略依赖于专家的先验经验和大量的实验数据，具有计算量小，鲁棒性强，便于应用的优点，但同时对工况的依赖性高不适合未知的旅途。第二类是基于优化的控制策略，可以分为瞬时优化和全局优化两种控制策略。基于实时优化相对来说计算量小，但并不能实现全局最优，目前主要有模型预测控制(MPC)和等效燃油消耗策略(ECMS)两种控制策略。ECMS基于庞特里亚金最优控制原理，根据混合动力汽车的系统状态方程的目标函数，对全局工况进行优化。
发明内容
本发明的目的在于提供一种融合交通信息的插电式混动汽车自适应等效燃油能量管理策略。
为实现上述目的，本发明提供了如下方案：
融合交通信息的插电式混动汽车能量管理策略构建方法，包括以下步骤：
S1、基于智能交通系统获取某段时间内的交通信息；
S2、构建长短期记忆网络LSTM车速预测模型，并将所述S1获取的交通信息导入，在线进行预测并验证；
S3、以插电式混动车提供的数据为基础，分别搭建发动机、电动机、动力电池、传动系、纵向动力学模型；
S4、根据所述S2中模型预测出的结果在总车速占比进行全局片上系统SOC规划；
S5、构建自适应等效因子s(t)，建立所述自适应等效因子s(t)与所述片上系统SOC偏移量ΔSOC的关系，得到能量消耗模型；
S6、通过求解ECMS搭建的哈密尔顿函数得到最优控制量Pbat。
优选地，S1中，所述交通信息包括：信号灯时长、各类型车辆比例、车道宽度、历史车流量和转向决策。
优选地，所述S1中，获取所述交通信息具体包括：
S1.1、根据所述智能交通系统的电子地图设置路段长度及各路段之间的转向连接器；
S1.2、根据历史交通信息设置各路段的车辆类型与车辆输入；
S1.3、根据历史交通信息设置各路段间的转向决策比例；
S1.4、根据历史交通信息配置各路段红绿灯组及在路段上放置的信号灯头；
S1.5、根据仿真要求设置数据采集点及数据采集时间间隔；
S1.6、收集仿真数据并进行整理。
优选地，S2中，所述在线进行预测并验证的步骤为：
S2.1、将所述获取的交通信息在云端进行归一化预处理；
S2.2、设置超参数并搭建长短期记忆网络LSTM车速预测模型；
S2.3、将进行归一化预处理后的数据分为训练集与测试集，输入到模型中进行训练；
S2.4、对训练好的长短期记忆网络LSTM车速预测模型进行验证，当均方根误差达到理想阈值后证明模型用于行程的车速预测，否则进行超参数的调试直至符合要求；
S2.5、进行LSTM模型车速预测，并对预测结果进行解归一化处理。
优选地，对所述训练集进行验证之前，对其进行102数量级的迭代。
优选地，S3中，所述传动系模型通过simulink/stateflow仿真系统搭建；根据汽车s(t)＝λ(t)+ω(soc)理论，搭建所述纵向动力学模型。
优选地，S4中，所述片上系统SOC规划公式为：
其中，SOCini、SOCend分别为行程初始值与行程终止值；SOC(t)、SOC(t-1)分别为t时刻、t-1时刻的真实荷电状态；为两个数据采集点间的平均统计车速。
优选地，S5中，所述自适应等效因子s(t)表达式为：
s(t)＝λ+ω(SOC,t)
其中，S(t)为自适应等效因子；λchg、λdischg分别为充、放电时的初始等效因子；Pbat为电池功率；ω为基于SOC的惩罚函数。
优选地，S6中，根据ECMS，建立哈密尔顿函数：
其中，ΔSOC为状态变量，Pbat为控制变量，为发动机燃油消耗率，QIHV为燃油低热值。
本发明的有益效果为：
与现有技术相比，本发明提出了一种结合智能交通系统，运用LSTM预测行程工况，以适时调整自适应因子的插电混动汽车能量控制方法，这种方法充分利用了日益丰富的交通数据，将计算量较大的模型训练放在云端，行程当中仅需根据车辆状态进行离线运算，计算量小，具有较好的实时性，提高了车辆燃油经济性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实例提供的融合交通信息的插电式混合动力汽车能量控制算法流程图；
图2为本发明实例提供的VISSIM交通仿真模型图；
图3为本发明实例提供的LSTM神经单元示意图；
图4为本发明实例提供的真实工况循环及档位选择示意图；
图5为本发明实例提供的LSTM验证集中行程工况与预测工况对比图；
图6为本发明实例提供的行程SOC规划图；
图7为本发明实例提供的ECMS算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，该方法包含以下步骤：
步骤1：驾驶员在电子地图中输入行驶终点，进行路径规划。从智能交通系统获取历史车流量、天气、大小型汽车比重、信号灯时长等历史交通信息，以导入交通仿真模型得到行程预测车速。
步骤2：在云端，将历史交通信息进行数据预处理、归一化等操作；设置超参数及长短期记忆网络的模型搭建；将归一化的数据集分配为训练集与测试集，将训练集进行102数量级的迭代；在验证集中对训练好的长短期记忆网络模型进行验证，均方根误差达到理想阈值后证明模型可用于行程的车速预测，否则进行超参数的调试直至符合要求。
步骤3：搭建发动机、电动机、动力电池、变速箱和整车纵向动力学模型。
步骤4：将长短期记忆网络中得到的空间域预测车速转换为时间域，并依据车速规划出电池荷电状态(SOC)消耗曲线，即行程参考SOC(soc_ref)。
步骤5：根据等效燃油消耗方法ECMS(如附图7所示)建立哈密尔顿函数，并根据步骤4得到的soc_ref与插电式混动汽车模型得到的当前时刻soc建立ΔSOC与等效系数λ(t)之间的关系。
步骤6：通过寻优算法得到最低燃油消耗对应的电机功率，再依据整车模型的需求功率，可得出发动机的输出功率。
进一步优化方案，在本实例步骤1中，选择基于微观交通仿真软件VISSIM搭建的青岛理工大学(嘉陵江路校区)至青岛黄海学院交通模型，见图2。该模型主要包含以下：
步骤1.1：根据电子地图设置路段长度及各路段之间的转向连接器；
步骤1.2：根据历史交通信息设置各路段的车辆类型与车辆输入；
步骤1.3：根据历史交通信息设置各路段间的转向决策比例；
步骤1.4：根据历史交通信息配置各路红绿灯组及在路段上放置信号灯头；
步骤1.5：根据仿真要求设置数据采集点及数据采集时间间隔；
步骤1.6：开始仿真收集数据并进行整理。
该模型每200米设置一列数据采集点，采集时长间隔为200s。该行程全程12公里，共计10个十字路口，4个T字路口。该路段途径高校、医院、商场、隧道、小区、酒店、施工路段等典型城市交通场景，可以很好地模拟真实的行驶环境。
进一步优化方案，在所述步骤2中，长短期记忆网络选用pycharm开发环境及pytoch、pandas、numpy等工具包开发而成。循环神经网络(RNN)是机器学习中一个重要的分支，它以处理时间序列模型见长。长短期记忆循环神经网络(LSTM)不仅像普通神经网络一样拥有输入与输出，在其神经元内部更是有多个激活函数、权重参数与门控单元，可以很好的控制梯度流动，因此可以很好地解决梯度弥散与梯度爆炸的问题。如图3所示，LSTM一般由输入门、遗忘门与输出门组成：
其中，为候选记忆单元；C＜t-1＞为t-1时刻的记忆单元；C＜t＞为t时刻记忆单元的更新值；x＜t＞为t时刻的输入矢量；a＜t-1＞为t-1时刻的隐藏层矢量；a＜t＞为t时刻的隐藏层矢量；Γu为t时刻的更新门，也称输入门；Γf为t时刻的遗忘门；Γo为t时刻的输出门；σ、tanh均为激活函数；Wc、Wu、Wu、Wo为用来更新的对应的门控权重；bc、bu、bf、bo分别为记忆单元、更新门、遗忘门、输出门的偏差项。
LSTM模型搭建主要步骤包括：
步骤2.1：将历史交通信息在云端进行数据预处理、归一化；
步骤2.2：设置超参数及长短期记忆网络的模型搭建(继承于pytorch中的nn函数)；
步骤2.3：将归一化的数据集分配为训练集与测试集，将训练集进行102数量级的迭代；
步骤2.4：在验证集中对训练好的长短期记忆网络模型进行验证，均方根误差达到理想阈值后证明模型可用于行程的车速预测，否则进行超参数的调试直至符合要求；
步骤2.5：进行LSTM模型车速预测，并对预测结果进行解归一化。
图4为本实施例中真实工况循环及档位选择示意图；
图5为本发明实例提供的LSTM验证集中行程工况与预测工况对比图。
进一步优化方法，在所述步骤3中，选取单轴并联式混动汽车为研究对象，在该结构中，离合器在转矩耦合器与变速器之间，电机的作用不仅可以像传统汽车的起动电机和交流发电机一样，在整车小负荷工况下关闭或重启发动机，还可以与发动机一起，联合或单独驱动汽车的车轮，同时电机可反过来作为发电机给蓄电池充电。建模步骤如下：
步骤3.1：发动机模型搭建。发动机是一个非线性的时变复杂系统，影响发动机性能的因素有很多，因此很难建立一个精确描述发动机的理论模型。依据NREL与ANL提供的数据建立二维数表模型，以查表的方式获得发动机的燃油消耗量。
m＝Ф1(ne,Te)
式中，m为燃油消耗量(g/s)；ne发动机转速(rad/s)；Te为发动机转矩(N*m)；Ф1为燃油消耗量查询函数。
步骤3.2：电动机模型搭建。ISG电机瞬态功率较大，可以起到启动发动机的作用，并同时在起步阶段短时替代发动机驱动汽车，减少发动机的怠速损耗和污染。正常行使时，发动机驱动车辆，该电机断开或者起到发电机的作用，刹车时，该电机还可以起到再生发电，回收制动能量的节能效果。同样，ISG电机模型由实验数据法建立。
ηm＝Ф2(nm,Tm)
式中，ηm为电机效率；nm电机转速(rad/s)；Tm为电机转矩(N*m)；Ф2为电机效率查询函数。
步骤3.3：动力电池模型搭建。常见的电池模型主要有内阻型能量模型(Rint)和容阻型能量模型(RC)。内阻模型是将动力电池简化为由一个理想电压源与一个电阻组成，容阻模型是将动力电池简化为由一个理想电压源、一个电阻和一个电容组成。本文选用内阻模型，并结合电池的充放电实验和经验公式来搭建动力电池模型。
其中，电池的电动势与内阻通常与SOC与温度有关，本文假设温度不变，仅考虑电池电动势和电池充放电内阻与SOC的关系。
[Uoc，Rchg,Rdischg]＝[Ф3(SOC)，Ф4(SOC)，Ф5(SOC)]
式中，Uoc，Rchg，Rdischg分别为动力电池端电压，充点电阻，放电电阻；Ф3(SOC)，Ф4(SOC)，Ф5(SOC)分别为动力电池端电压，充点电阻，放电电阻的查询函数。
根据内阻电池模型，可以得到端电压与电池功率：
并由此可得到电池电流：
上述两式中，Voc为开路电压(V)；Pbat为电池功率(KW)；R为电池内阻(Ω)；Ibat为电池电流(A)。
根据安时积分法，可以得到动力电池SOC：
式中，SOCini为SOC初始值，可以为0.6；Qbat为电池电量，可以为6.5A.h。
步骤3.3：车辆纵向动力学模型搭建。根据汽车理论，车辆的需求转矩如式：
其中，Treq为车辆需求转矩(N)；δ为转动惯量；m为汽车质量(Kg)；θ为坡道角(o)；g为重力加速度(m/s-2)；u为车辆速度(m/s)；ρ为空气密度(g/cm3)；Cd为空气阻力系数；r为车轮半径(m)；Ig为变速箱传动比；Io为主减速器传动比；η为传动效率。
对于并联混合动力汽车来说，发动机与电动机与变速器连接在同一个轴上，因此发动机与电动机的转矩满足式：
ωreq＝ωe＝ωm
Treq＝(Te+Tm)*Ig*Io*η
其中，ωreq,Treq分别为车辆需求转速与转矩；ωe,Te分别为发动机转速与转矩；ωm,Tm分别为电动机转速与转矩。
进一步的，在所述步骤4中，混合动力汽车的SOC下降曲线与平均车速存在正比关系，当车速增大时SOC下降变快，车速逐渐变低时SOC的下降变得平缓。因此，本实施例根据由LSTM预测出的每时刻车速在总车速和的占比进行全局SOC规划：
行程规划SOC如图6所示，初始值SOCini可以取0.6，终止值SOCend可以取0.4。
进一步优化方案，在所述步骤5中，为构建ECMS等效燃油消耗需建立等效因子λ(t)与ΔSOC的关系，由上述步骤可得：
Δsoc＝soc-soc_ref
当SOC大于SOC_ref时，动力电池电量富裕，ΔSOC大于0，此时等效因子变大，控制策略更富倾向于电动机驱动。当SOC小于SOC_ref时，动力电池比预期中的电量少，ΔSOC小于0，此时等效因子变小，控制策略更倾向于发动机驱动。等效因子表达式如下：
s(t)＝λ+ω(SOC,t)
其中λ根据电动机、发动机的工况范围调整得到。
根据ECMS，建立哈密尔顿函数：
其中，SOC为状态变量，Pbat为控制变量，为发动机燃油消耗率，QIHV为燃油低热值。
在本发明实施实例中，在所述步骤6中，通过寻优算法得到每一时刻的最优控制量Pbat *：
Pbat *＝arg(H(Δsoc(t),Pbat(t),t))
当预测车速确定之后，根据逆向仿真模型，可确定行程不同位置对应时刻的需求功率Preq，因此可以求出发动机的输出功率：
Peng＝Preq-Pbat
当功率分配之后，结合等效因子λ(t)即可求出当下时刻的最小燃油消耗量。
与现有技术相比，本发明提出了一种结合智能交通系统，运用LSTM预测行程工况，以适时调整自适应因子的插电混动汽车能量控制方法，这种方法充分利用了日益丰富的交通数据，将计算量较大的模型训练放在云端，行程当中仅需根据车辆状态进行离线运算，计算量小，具有较好的实时性，提高了车辆燃油经济性。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，包括以下步骤：
S1、基于智能交通系统获取某段时间内的交通信息；
S2、构建长短期记忆网络LSTM车速预测模型，并将所述S1获取的交通信息导入，在线进行预测并验证；
S3、以插电式混动车提供的数据为基础，分别搭建发动机、电动机、动力电池、传动系、纵向动力学模型；
S4、根据所述S2中长短期记忆网络LSTM车速预测模型预测出的结果在总车速占比进行全局片上系统SOC规划；
混合动力汽车的SOC下降曲线与平均车速存在正比关系，当车速增大时SOC下降变快，车速逐渐变低时SOC的下降变得平缓；根据由LSTM预测出的每时刻车速在总车速和的占比进行全局SOC规划：
SOC ini 为初始值，SOC end 为终止值；
S5、构建自适应等效因子s(t)，建立所述自适应等效因子s(t)与所述全局片上系统SOC偏移量ΔSOC的关系，得到能量消耗模型；
为构建ECMS等效燃油消耗需建立等效因子λ（t）与ΔSOC的关系，可得：
当SOC大于SOC_ref时，动力电池电量富裕，ΔSOC大于0，此时等效因子变大，控制策略更富倾向于电动机驱动；当SOC小于SOC_ref时，动力电池比预期中的电量少，ΔSOC小于0，此时等效因子变小，控制策略更倾向于发动机驱动；等效因子表达式如下：
其中λ根据电动机、发动机的工况范围调整得到；
S6、通过求解ECMS搭建的哈密尔顿函数得到电池功率Pbat；
根据ECMS，建立哈密尔顿函数：
其中，SOC为状态变量，Pbat为电池功率，/>为发动机燃油消耗率，QIHV为燃油低热值。
2.根据权利要求1所述的融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，S1中，所述交通信息包括：信号灯时长、各类型车辆比例、车道宽度、历史车流量和转向决策。
3.根据权利要求1所述的融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，所述S1中，获取所述交通信息具体包括：
S1.1、根据所述智能交通系统的电子地图设置路段长度及各路段之间的转向连接器；
S1.2、根据历史交通信息设置各路段的车辆类型与车辆输入；
S1.3、根据历史交通信息设置各路段间的转向决策比例；
S1.4、根据历史交通信息配置各路段红绿灯组及在路段上放置的信号灯头；
S1.5、根据仿真要求设置数据采集点及数据采集时间间隔；
S1.6、收集仿真数据并进行整理。
4.根据权利要求1所述的融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，S2中，所述在线进行预测并验证的步骤为：
S2.1、将所述获取的交通信息在云端进行归一化预处理；
S2.2、设置超参数并搭建长短期记忆网络LSTM车速预测模型；
S2.3、将进行归一化预处理后的数据分为训练集与测试集，输入到模型中进行训练；
S2.4、对训练好的长短期记忆网络LSTM车速预测模型进行验证，当均方根误差达到理想阈值后证明模型用于行程的车速预测，否则进行超参数的调试直至符合要求；
S2.5、通过长短期记忆网络LSTM车速预测模型进行车速预测，并对预测结果进行解归一化处理。
5.根据权利要求4所述的融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，对所述训练集进行验证之前，对其进行102数量级的迭代。
6.根据权利要求1所述的融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，S3中，所述传动系模型通过simulink/stateflow仿真系统搭建；根据汽车理论，搭建所述纵向动力学模型，其中/>为等效系数，/>为自适应等效因子。
7.根据权利要求1所述的融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，S4中，所述片上系统SOC规划公式为：
其中，/>、/>分别为行程初始值与行程终止值；SOC(t)、SOC(t-1)分别为t时刻、t-1时刻的真实荷电状态；/>为两个数据采集点间的平均统计车速。
8.根据权利要求1所述的融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，S5中，所述自适应等效因子s(t)表达式为：
其中，/>为自适应等效因子；/>、/>分别为充、放电时的初始等效因子；/>为电池功率；/>为基于SOC的惩罚函数。
9.根据权利要求1所述的融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，S6中，根据ECMS，建立哈密尔顿函数：
其中，ΔSOC为偏移量，Pbat为电池功率，/>为发动机燃油消耗率，QIHV为燃油低热值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110884612.1A CN113554337B (zh) | 2021-08-03 | 2021-08-03 | 融合交通信息的插电式混动汽车能量管理策略构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110884612.1A CN113554337B (zh) | 2021-08-03 | 2021-08-03 | 融合交通信息的插电式混动汽车能量管理策略构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554337A CN113554337A (zh) | 2021-10-26 |
| CN113554337B true CN113554337B (zh) | 2023-08-08 |
Family
ID=78105171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110884612.1A Active CN113554337B (zh) | 2021-08-03 | 2021-08-03 | 融合交通信息的插电式混动汽车能量管理策略构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554337B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114580876B (zh) * | 2022-02-24 | 2023-02-10 | 山西省交通新技术发展有限公司 | 一种基于节能环保的能源数据采集分析管控系统及方法 |
| CN116661296B (zh) * | 2022-10-24 | 2024-04-12 | 江苏汇智高端工程机械创新中心有限公司 | 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 |
| CN117246302B (zh) * | 2023-03-09 | 2024-03-12 | 长安大学 | 一种基于坡度信息的混合动力汽车瞬时反馈控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110775065A (zh) * | 2019-11-11 | 2020-02-11 | 吉林大学 | 一种基于工况识别的混合动力汽车电池寿命预测方法 |
| CN111267831A (zh) * | 2020-02-28 | 2020-06-12 | 南京航空航天大学 | 一种混合动力车辆智能变时域模型预测能量管理方法 |
| CN111923897A (zh) * | 2020-09-29 | 2020-11-13 | 北京航空航天大学 | 一种插电式混合动力汽车能量智能管理方法 |
| CN112319461A (zh) * | 2020-11-17 | 2021-02-05 | 河南科技大学 | 一种基于多源信息融合的混合动力汽车能量管理方法 |
| CN112937547A (zh) * | 2021-01-28 | 2021-06-11 | 北京理工大学 | 一种基于全局工况的插电式混合动力公交车能量管理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140350877A1 (en) * | 2013-05-25 | 2014-11-27 | North Carolina State University | Battery parameters, state of charge (soc), and state of health (soh) co-estimation |
-
2021
- 2021-08-03 CN CN202110884612.1A patent/CN113554337B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110775065A (zh) * | 2019-11-11 | 2020-02-11 | 吉林大学 | 一种基于工况识别的混合动力汽车电池寿命预测方法 |
| CN111267831A (zh) * | 2020-02-28 | 2020-06-12 | 南京航空航天大学 | 一种混合动力车辆智能变时域模型预测能量管理方法 |
| CN111923897A (zh) * | 2020-09-29 | 2020-11-13 | 北京航空航天大学 | 一种插电式混合动力汽车能量智能管理方法 |
| CN112319461A (zh) * | 2020-11-17 | 2021-02-05 | 河南科技大学 | 一种基于多源信息融合的混合动力汽车能量管理方法 |
| CN112937547A (zh) * | 2021-01-28 | 2021-06-11 | 北京理工大学 | 一种基于全局工况的插电式混合动力公交车能量管理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于ECMS的插电式混合动力汽车能量管理策略研究;宋金香等;《农业装备与车辆工程》;第第57卷卷(第第6期期);第5-7页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554337A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Naturalistic data-driven predictive energy management for plug-in hybrid electric vehicles | |
| He et al. | An improved MPC-based energy management strategy for hybrid vehicles using V2V and V2I communications | |
| Yang et al. | A stochastic predictive energy management strategy for plug-in hybrid electric vehicles based on fast rolling optimization | |
| Lei et al. | An adaptive equivalent consumption minimization strategy for plug-in hybrid electric vehicles based on traffic information | |
| CN113554337B (zh) | 融合交通信息的插电式混动汽车能量管理策略构建方法 | |
| Tian et al. | An ANFIS-based ECMS for energy optimization of parallel hybrid electric bus | |
| Khayyam et al. | Adaptive intelligent energy management system of plug-in hybrid electric vehicle | |
| Singh et al. | Fuzzy logic and Elman neural network tuned energy management strategies for a power-split HEVs | |
| CN108528436A (zh) | 一种内外层嵌套的ecms多目标双层优化方法 | |
| Zhang et al. | Route planning and power management for PHEVs with reinforcement learning | |
| Han et al. | A real-time energy management strategy based on energy prediction for parallel hybrid electric vehicles | |
| Fang et al. | An energy management strategy for hybrid electric bus based on reinforcement learning | |
| Hou et al. | An all-in-one design method for plug-in hybrid electric buses considering uncertain factor of driving cycles | |
| Yang et al. | Energy management of the power-split hybrid electric city bus based on the stochastic model predictive control | |
| CN115805840A (zh) | 一种增程式电动装载机能耗控制方法及系统 | |
| Hu et al. | Energy Management Optimization Method of Plug-In Hybrid-Electric Bus Based on Incremental Learning | |
| Peng et al. | Ecological driving framework of hybrid electric vehicle based on heterogeneous multi agent deep reinforcement learning | |
| Pérez-Pimentel et al. | Power supply management for an electric vehicle using fuzzy logic | |
| CN110077389A (zh) | 一种插电式混合动力电动汽车能量管理方法 | |
| Zhang et al. | A fuzzy neural network energy management strategy for parallel hybrid electric vehicle | |
| Zhou et al. | Multi-objective real-time energy management for series–parallel hybrid electric vehicles considering battery life | |
| Xia et al. | A predictive energy management strategy for multi-mode plug-in hybrid electric vehicle based on long short-term memory neural network | |
| CN117131606A (zh) | 一种可跨运动维度迁移的混合动力履带车辆能量管理方法 | |
| Zhang et al. | An optimal vehicle speed planning algorithm for regenerative braking at traffic lights intersections based on reinforcement learning | |
| Lin et al. | AER adaptive control strategy via energy prediction for PHEV |
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 |