CN113859219A - 基于驾驶工况识别的混合动力汽车自适应能量管理方法 - Google Patents

Abstract

本发明涉及一种基于驾驶工况识别的混合动力汽车自适应能量管理方法，属于新能源汽车领域，包括S1：划分驾驶工况网格单元，计算各网格单元的典型特征参数；S2：采用PCA方法对工况特征参数进行降维处理，采用聚类分析算法进行工况分类；S3：建立基于神经网络的工况识别算法，采用步骤S2中的特征参数和工况类型离线训练神经网络模型；S4：利用历史速度数据在线识别工况类型，实时更新等效因子，采用等效燃油消耗最小策略在线获取发动机‑电机功率分配，使得发动机工作在高效率区域。本发明考虑了驾驶工况对能量管理性能的影响，通过在线识别驾驶工况，可实时优化等效因子，提高了车辆燃油经济性以及能量管理策略的工况适应性。

Description

基于驾驶工况识别的混合动力汽车自适应能量管理方法

技术领域

本发明属于新能源汽车领域，涉及一种基于驾驶工况识别的混合动力汽车自适应能量管理方法。

背景技术

与传统汽车相比，混合动力汽车(Hybrid Electric Vehicles,HEVs)在减少污染物排放和能量消耗方面具有显著优势，HEVs的性能在很大程度上依赖于能量管理策略。然而，基于动态规划算法的能量管理策略需要事先获取驾驶工况数据，无法实现HEVs的在线控制。等效燃油消耗最小策略(Equivalent Consumption Minimum Strategy,ECMS)通过引入等效因子，将电机的能量消耗折算成发动机的燃油消耗，可实现HEVs的实时控制。然而，等效因子对驾驶工况的敏感度极高，只有在已知行驶工况的情况下，才能通过系统优化得到等效因子的最优值。因此，亟需设计一种驾驶工况识别方法，实时更新等效因子，提高HEVs能量管理策略的自适应性，进一步提高车辆燃油经济性。

发明内容

有鉴于此，本发明的目的在于提供一种基于驾驶工况识别的混合动力汽车自适应能量管理方法，优化驾驶工况特征参数，基于神经网络的工况识别算法，在线识别工况类型，实时更新等效因子，采用ECMS算法在线获取发动机-电机功率分配，从而提高能量管理策略的工况自适应性和车辆燃油经济性。

为达到上述目的，本发明提供如下技术方案：

一种基于驾驶工况识别的混合动力汽车自适应能量管理方法，包括以下步骤：

S1：划分驾驶工况网格单元，计算各网格单元的典型特征参数；

S2：采用PCA方法对工况特征参数进行降维处理，采用聚类分析算法进行工况分类；

S3：建立基于神经网络的工况识别算法，采用步骤S2中的特征参数和工况类型离线训练神经网络模型；

S4：利用历史速度数据在线识别工况类型，实时更新等效因子，采用等效燃油消耗最小策略在线获取发动机-电机功率分配，使得发动机工作在高效率区域。

进一步，所述步骤S1包括以下步骤：

S11：将所选驾驶工况训练集划分为间隔60秒的网格单元；

S12：选取11个参数来表征驾驶工况，计算各工况单元的典型特征参数如下：

平均速度：

最大速度：v_max＝max{v₁,v₂,v₃,v₄,…,v_n}

速度标准差：

最大加速度：a_max＝max{a₁,a₂,a₃,a₄,…,a_n}

最小加速度：a_min＝min{a₁,a₂,a₃,a₄,…,a_n}

加速度标准差：

加速时间比例：

减速时间比例：

匀速时间比例：

怠速时间比例：

累计行驶里程：

其中，v,a,λ,s分别表示车辆速度、加速度、时间比例和行驶里程，n为工况单元长度，t为车辆状态的累计行驶时间，下标i＝1,2,3,...,n；

S13：构建工况初始特征参数矩阵X_i×j。

进一步，所述步骤S2包括以下步骤：

S21：对工况特征参数进行标准化处理：

y_i,j＝(x_i,j-μ_j)/σ_j i∈[1,n],j∈[1,11]

其中，x是初始特征参数，y是标准化特征参数，μ,σ分别对应第j个特征参数的平均值和标准差；

S22：采用PCA方法对工况特征参数进行降维处理：

1)计算标准化特征矩阵Y_i×j的相关系数矩阵R：

其中，ρ_ij为第i个特征参数与第j个特征参数的相关系数，cov表示协方差函数；

2)解相关系数矩阵R的特征方程|R-λI|＝0，确定累计贡献率大于85％的m个主成分：

其中，λ为特征根，I为单位矩阵，u_ij为第i个工况单元的第j个主成分，p_j为第j个主成分系数；

S23：采用K-means聚类算法对工况单元进行分类，通过计算每个工况单元到聚类中心的欧式距离，将工况单元分布到不同的类别：

其中，u_a和u_b是两个工况单元，u_aj和u_bj是工况单元u_a和u_b的主成分参数。

进一步，所述步骤S3包括以下步骤：

S31：构建三层BP神经网络结构来学习工况特征，输入层用于接收和分配输入的工况特征，中间是描述输入/输出关系的非线性隐含层，输出层输出工况类型；BP算法的基本公式为：

其中，a¹和a⁰分别为当前层和前一层的神经输出，n为累计输出，W为权重，b为偏置；

S32：随机选取80％的工况单元作为训练数据集，剩余20％工况单元作为测试数据集，离线训练工况识别模型。

进一步，所述步骤S4包括以下步骤：

S41：采集前60秒的车辆速度信息，基于步骤S1计算其工况特征参数，基于步骤S2对特征参数进行降维处理，作为主成分数据；

S42：将所述主成分数据作为输入，利用工况识别模型在线识别其工况类型，实时更新等效因子S_chg,S_dis；

S43：基于实时更新的等效因子计算代价函数：

其中，J_t为瞬时代价函数，

为瞬时油耗，

表示电能的等效油耗，P_ice和P_em分别为发动机和电机功率，S_dis和S_chg分别表示放电和充电时的电能等效因子，η_batt和η_em分别是电池和电机的效率，H_lhv是燃油低热值；

S44：通过燃油消耗最小策略求解结果，获得发动机-电机最优功率分配：

其中，

和

分别是当前时刻发动机和电机的最优功率，P_req(t)是当前时刻的需求功率，SOC是电池的荷电状态，下标max和min分别表示参数的最大值和最小值。

本发明的有益效果在于：

1、充分利用ECMS算法的在线优化特性，可以实现HEVs的实时控制，计算效率高；

2、利用神经网络处理非线性问题的优势，可准确实现驾驶工况类型的在线识别；

3、通过实时更新等效因子，极大程度上提高了能量管理策略的自适应性。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1是本发明所述基于驾驶工况识别的混合动力汽车自适应能量管理方法流程图；

图2是本发明驾驶工况聚类结果图；

图3是本发明驾驶工况识别结果图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1～图3，本发明涉及了一种基于驾驶工况识别的混合动力汽车自适应能量管理方法，具体包括以下步骤：

S1：划分驾驶工况网格单元，计算各网格单元的典型特征参数；

S11：将所选驾驶工况训练集划分为间隔60秒的网格单元；

S12：选取11个参数来表征驾驶工况，计算各工况单元的典型特征参数如下：

平均速度：

最大速度：v_max＝max{v₁,v₂,v₃,v₄,…,v_n}

速度标准差：

最大加速度：a_max＝max{a₁,a₂,a₃,a₄,…,a_n}

最小加速度：a_min＝min{a₁,a₂,a₃,a₄,…,a_n}

加速度标准差：

加速时间比例：

减速时间比例：

匀速时间比例：

怠速时间比例：

累计行驶里程：

其中，v,a,λ,s分别表示车辆速度、加速度、时间比例和行驶里程，n为工况单元长度，此处取n＝60s，t为车辆状态的累计行驶时间，下标i＝1,2,3,...,n。

S13：构建工况初始特征参数矩阵X_i×j；

S2：采用PCA方法对工况特征参数进行降维处理，采用聚类分析算法进行工况分类；

S21：对工况特征参数进行标准化处理：

y_i,j＝(x_i,j-μ_j)/σ_j i∈[1,n],j∈[1,11]

其中，x是初始特征参数，y是标准化特征参数，μ,σ分别对应第j个特征参数的平均值和标准差。

S22：采用PCA方法对工况特征参数进行降维处理：

1)计算标准化特征矩阵Y_i×j的相关系数矩阵R：

其中，ρ_ij为第i个特征参数与第j个特征参数的相关系数，cov表示协方差函数。

2)解相关系数矩阵R的特征方程|R-λI|＝0，确定累计贡献率大于85％的m个主成分：

其中，λ为特征根，I为单位矩阵，u_ij为第i个工况单元的第j个主成分，p_j为第j个主成分系数。

S23：采用K-means聚类算法对工况单元进行分类，通过计算每个工况单元到聚类中心的欧式距离(Euclid Distance,ED)，将工况单元分布到不同的类别：

其中，u_a和u_b是两个工况单元，u_aj和u_bj是工况单元u_a和u_b的主成分参数；

S3：建立基于神经网络的工况识别算法，采用步骤S2中的特征参数和工况类型离线训练神经网络模型；

S31：构建三层BP神经网络结构来学习工况特征，输入层用于接收和分配输入的工况特征，中间是描述输入/输出关系的非线性隐含层，输出层输出工况类型。BP算法的基本公式为：

其中，a¹和a⁰分别为当前层和前一层的神经输出，n为累计输出，W为权重，b为偏置；

S32：随机选取80％的工况单元作为训练数据集，剩余20％工况单元作为测试数据集，离线训练工况识别模型；

S4：利用历史速度数据在线识别工况类型，实时更新等效因子，采用等效燃油消耗最小策略在线获取发动机-电机功率分配，使得发动机工作在高效率区域。

S41：采集前60秒的车辆速度信息，基于步骤S1计算其工况特征参数，基于步骤S2对特征参数进行降维处理；

S42：将该主成分数据作为输入，利用工况识别模型在线识别其工况类型，实时更新等效因子S_chg,S_dis；

S43：基于实时更新的等效因子计算代价函数：

其中，J_t为瞬时代价函数，

为瞬时油耗，

表示电能的等效油耗，P_ice和P_em分别为发动机和电机功率，S_dis和S_chg分别表示放电和充电时的电能等效因子，η_batt和η_em分别是电池和电机的效率，H_lhv是燃油低热值；

S44：通过燃油消耗最小策略求解结果，获得发动机-电机最优功率分配：

其中，

和

分别是当前时刻发动机和电机的最优功率，P_req(t)是当前时刻的需求功率，SOC是电池的荷电状态，下标max和min分别表示参数的最大值和最小值。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于驾驶工况识别的混合动力汽车自适应能量管理方法，其特征在于：包括以下步骤：

S1：划分驾驶工况网格单元，计算各网格单元的典型特征参数；

S2：采用PCA方法对工况特征参数进行降维处理，采用聚类分析算法进行工况分类；

S3：建立基于神经网络的工况识别算法，采用步骤S2中的特征参数和工况类型离线训练神经网络模型；

S4：利用历史速度数据在线识别工况类型，实时更新等效因子，采用等效燃油消耗最小策略在线获取发动机-电机功率分配，使得发动机工作在高效率区域。

2.根据权利要求1所述的基于驾驶工况识别的混合动力汽车自适应能量管理方法，其特征在于：所述步骤S1包括以下步骤：

S11：将所选驾驶工况训练集划分为间隔60秒的网格单元；

S12：选取11个参数来表征驾驶工况，计算各工况单元的典型特征参数如下：

平均速度：

最大速度：v_max＝max{v₁,v₂,v₃,v₄,…,v_n}

速度标准差：

最大加速度：a_max＝max{a₁,a₂,a₃,a₄,…,a_n}

最小加速度：a_min＝min{a₁,a₂,a₃,a₄,…,a_n}

加速度标准差：

加速时间比例：

减速时间比例：

匀速时间比例：

怠速时间比例：

累计行驶里程：

其中，v,a,λ,s分别表示车辆速度、加速度、时间比例和行驶里程，n为工况单元长度，t为车辆状态的累计行驶时间，下标i＝1,2,3,...,n；

S13：构建工况初始特征参数矩阵X_i×j。

3.根据权利要求1所述的基于驾驶工况识别的混合动力汽车自适应能量管理方法，其特征在于：所述步骤S2包括以下步骤：

S21：对工况特征参数进行标准化处理：

y_i,j＝(x_i,j-μ_j)/σ_j i∈[1,n],j∈[1,11]

其中，x是初始特征参数，y是标准化特征参数，μ,σ分别对应第j个特征参数的平均值和标准差；

S22：采用PCA方法对工况特征参数进行降维处理：

1)计算标准化特征矩阵Y_i×j的相关系数矩阵R：

其中，ρ_ij为第i个特征参数与第j个特征参数的相关系数，cov表示协方差函数；

2)解相关系数矩阵R的特征方程|R-λI|＝0，确定累计贡献率大于85％的m个主成分：

其中，λ为特征根，I为单位矩阵，u_ij为第i个工况单元的第j个主成分，p_j为第j个主成分系数；

S23：采用K-means聚类算法对工况单元进行分类，通过计算每个工况单元到聚类中心的欧式距离，将工况单元分布到不同的类别：

其中，u_a和u_b是两个工况单元，u_aj和u_bj是工况单元u_a和u_b的主成分参数。

4.根据权利要求1所述的基于驾驶工况识别的混合动力汽车自适应能量管理方法，其特征在于：所述步骤S3包括以下步骤：

S31：构建三层BP神经网络结构来学习工况特征，输入层用于接收和分配输入的工况特征，中间是描述输入/输出关系的非线性隐含层，输出层输出工况类型；BP算法的基本公式为：

其中，a¹和a⁰分别为当前层和前一层的神经输出，n为累计输出，W为权重，b为偏置；

S32：随机选取80％的工况单元作为训练数据集，剩余20％工况单元作为测试数据集，离线训练工况识别模型。

5.根据权利要求1所述的基于驾驶工况识别的混合动力汽车自适应能量管理方法，其特征在于：所述步骤S4包括以下步骤：

S41：采集前60秒的车辆速度信息，基于步骤S1计算其工况特征参数，基于步骤S2对特征参数进行降维处理，作为主成分数据；

S42：将所述主成分数据作为输入，利用工况识别模型在线识别其工况类型，实时更新等效因子S_chg,S_dis；

S43：基于实时更新的等效因子计算代价函数：

其中，J_t为瞬时代价函数，

为瞬时油耗，

表示电能的等效油耗，P_ice和P_em分别为发动机和电机功率，S_dis和S_chg分别表示放电和充电时的电能等效因子，η_batt和η_em分别是电池和电机的效率，H_lhv是燃油低热值；

S44：通过燃油消耗最小策略求解结果，获得发动机-电机最优功率分配：

其中，

和

分别是当前时刻发动机和电机的最优功率，P_req(t)是当前时刻的需求功率，SOC是电池的荷电状态，下标max和min分别表示参数的最大值和最小值。

Images