CN113997925B - 一种插电式混合动力系统能量管理方法 - Google Patents

Abstract

本发明涉及一种插电式混合动力系统能量管理方法，包括以下步骤：S1：获取车辆行驶数据数据库；S2：构建并训练速度判定神经网络获取车辆行驶数据的速度特征；S3：构造对应速度模式的特征工况；S4：对不同速度特征的特征工况进行等效因子求解，并获取特征工况对应的内燃机或燃料电池系统的最短运行时间；S5：利用模糊控制获取车辆数据与车辆内燃机或燃料电池系统所需最低工作时间的模糊关系；S6：实时获取车辆行驶数据并输入到速度判定神经网络中，获取车辆的等效因子，根据模糊关系获取车辆执行等效燃油消耗最小策略的最低工作时间。与现有技术相比，本发明具有节油、延长零部件使用寿命、无需增加车载设备成本等优点。

Description

一种插电式混合动力系统能量管理方法

技术领域

本发明涉及车辆能源管理领域，尤其是涉及一种插电式混合动力系统能量管理方法。

背景技术

插电式混合动力系统(如内燃机-电池插电混合动力系统、超级电容-电池插电混合动力系统、燃料电池-电池插电混合动力系统等)是目前车辆节能减排的一条重要技术路径。如何在插电式混合动力系统上合理的分配两种动力源的能量占比是目前产业界及学术界较为关注的问题。由于插电式混动系统的结构较为复杂，绝大多数已有的混动系统均使用规则式的能量管理方法。此类方法虽然具有稳定性高、便于标定的优点，但无法充分发挥系统本身的节能减排特性。同时，使用规则式能量管理方法的混动系统一般不具有对行车环境及整车状态的自适应调节功能。因此，设计一套合理且具有自适应功能的插电式混合动力系统能量管理方法就显得尤为重要。

对于插电式混合动力系统的能量管理问题，其本质上是一种复杂的数学优化问题。不同的动力源在使用时具有不同的成本函数，该函数可以通过试验获得也可以通过数学建模获得；并且考虑该问题时必须从整个时间维度出发，仅考虑瞬时优化的能量管理方法通常无法获得较好的控制效果。目前，量产车上采用的规则式能量管理方法即属于瞬时优化型，其无法顾及到系统在整个时域上的能耗与排放。因此，已有一部分能量管理方法是从整个时域角度出发去设计优化的。但是，这些方法一般需要通过外部系统获得诸如交通流信息、GPS信号、车辆拥堵状态等信息。应用这些方法均需要在整车上额外加装设备，增加了整车制造及使用成本。同时，使用外部信息的能量管理方法会降低系统稳定性。当外部信息的传输中断或受限时，该类方法就失去了其优化性能。考虑到上述问题，还有一部分能量管理方法尽量避免了对外部信息的使用，但该类方法使用了较多的深度神经网络或大数据计算模型，加重了整车控制器的运算负担，一般无法实时应用。

现有技术方案包括采用云端数据、深度神经网络等算法优化插电式混合动力系统的能量方法。如中国专利CN202011007014.8公开了一种车辆能量管理策略的分布协作优化系统与方法，通过将处理后的车辆实时信息传送至云端信息共享平台，使用云计算得出系统最优的实时控制序列，然后将计算结果回传至车载系统进行执行。该方案存在的问题是过渡依赖外部系统，当外部信息丢失或信息回传不及时，就会造成其效果大打折扣。如中国专利CN201910659905.2公开了一种基于确定性策略梯度学习的PHEV能量管理方法，依靠深度神经网络构建了一种插电式混合动力系统能量管理方法，使用大量的离线优化数据去训练该网络，并依据车辆实时信息及路况信息不断进行更新。该方案使用的深度神经网络需要的计算量过于庞大，且未考虑实际控制时的系统延时。

现有的方案1)基于规则式的能量管理方法，其规则的制订来源于工程师经验及大量实验数据。该方法不具有数学优化性能，无法有效提升整个系统的效率且不具有自适应性能，普适性较差。2)使用云端数据等类型的外部信息做系统优化时，信息连接的稳定性及实时性均难以保证，较难在实际场景中使用。3)利用深度神经网络的能量管理方法均具有以下缺点。首先，该类方法对车载控制器的算力要求较大，与现有的车载控制器能力不匹配，容易出现计算迟滞。同时，深度神经网络目前的稳定性有待验证，不可避免的会出现训练死区，没有有效的规避机制。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种插电式混合动力系统能量管理方法。

本发明的目的可以通过以下技术方案来实现：

一种插电式混合动力系统能量管理方法，包括以下步骤：

S1：获取车辆行驶数据数据库；

S2：构建速度判定神经网络，并基于速度判定神经网络对车辆行驶数据进行聚类分析，获取车辆行驶数据的速度特征，完成速度判定神经网络的训练；

S3：从标准循环工况中提取出代表不同速度特征的行驶工况，构造对应速度模式的特征工况；

S4：对不同速度特征的特征工况进行等效因子求解，并获取特征工况对应的内燃机或燃料电池系统的最短运行时间；

S5：利用模糊控制获取车辆数据与车辆非电池类动力系统所需最低工作时间的模糊关系；

S6：实时获取车辆行驶数据并输入到速度判定神经网络中，获取车辆的速度特征及对应的特征工况及等效因子，根据等效因子获取等效燃油消耗最小策略，根据模糊关系获取车辆执行等效燃油消耗最小策略的最低工作时间。

优选地，所述的速度判定神经网络为自组织映射神经网络。

优选地，所述的自组织映射神经网络训练的具体步骤包括：

初始化权值向量W，权值向量的维数与输入向量的维数相同：

W＝w₁,w₂,…,w_p×q，

其中，w₁、w₂…w_p×q为权值，p为二维拓扑结构的横向节点数，q为二维拓扑结构的纵向节点数，

收集聚类样本X：

X＝x₁,x₂,…,x_n，

其中，x_n为第n个样本，n为样本数，

输入数据与权值向量的相似度计算，对每个输入向量和权值向量计算欧几里德距离，欧几里德距离最小的权值向量获胜，获得更新机会：

D_i＝min||x_i-w_j||₂ for j＝1,2,…,A×B，

其中，D_i为计算得到的最小欧式距离，x_i为输入向量，w_j为权值向量，

更新权值向量，获胜的神经元将会得到更新机会，同时，获胜神经元领域内的其他神经元也将进行更新：

式中，t为迭代次数，∝(t)为学习率，范围为(0,1)，N_c(t)为获胜神经元的领域范围。

优选地，所述的步骤S3的具体步骤包括：

S31：对标准工况进行速度特征识别，获取多个速度特征；

S32：从标准工况中提取速度特征对应的特征工况。

优选地，所述的步骤S4使用打靶法对不同速度特征模式下的特征工况进行等效因子求解，以能耗最优为打靶目标，获取不同速度特征的特征工况对应的等效因子，并获取特征工况对应的非电池类动力系统的最短运行时间。

优选地，当所述车辆动力系统为插电式增程混合动力系统时，所述打靶法的成本函数为：

其中，FC为最小等效燃油消耗量，t₀为计算域的开始时间，t_f为计算域的结束时间，P_R(t)为的电功率，

为增程器瞬时油耗，P_d(t)为车辆需求功率，λ(p)是随速度特征改变的等效因子值。

优选地，所述的步骤S5具体包括：

S51：建立电池SOC、环境温度、最短运行时间比例的隶属度函数；

S52：建立模糊规则库；

S53：对最短运行时间比例进行解模糊。

优选地，所述的步骤S53采用重心法对最短运行时间比例进行解模糊：

其中，y为系统的精确输出值即最短运行时间比例，i为模糊规则的序号，R为总模糊规则数，β为来自规则库的线性函数，μ为对应规则的隶属度值。

优选地，所述的步骤S6中根据模糊关系获取车辆执行等效燃油消耗最小策略的最低工作时间的具体步骤包括：

根据模糊关系获取车辆的最短运行时间比例；

根据最短运行时间比例和车辆等效因子对应的最短运行时间获取车辆的策略工作时间；

对比策略工作时间和非电池类动力系统的起动所需时间，取两者最大值最为最低工作时间。

优选地，所述对比策略工作时间和非电池类动力系统的起动所需时间，取两者最大值最为最低工作时间的公式为：

T＝max(p·T0,T_min)

其中，p为最短运行时间比例，T0为最短运行时间，p·T0策略工作时间，T_min为非电池类动力系统的起动所需时间，T为最低工作时间。

与现有技术相比，本发明具有如下优点：

1、本发明的插电式混合动力系统能量管理方法能够通过现有的车载控制器收集车辆短期的历史行驶数据，利用离线训练完成的速度判定神经网络对车辆的速度特征进行识别，然后，依据不同的速度特征，使用与之对应的最优等效因子分配系统的能量流，并根据模糊关系获取车辆执行策略的最低工作时间，满足车辆对环境及路况的自适应需求。

2、本发明采用了无监督式神经网络系统，可以避免诸如深度学习等方法无法在车载控制器实时运行的问题，因此本发明专利的可以在现有的车载控制器中实时使用。

3、本发明使用的车辆信息为短期历史车速，因此无需增加整车的设备成本，相较于现有的基于实时地图信息的方案，具有易于实现、便宜等优点。

4、本发明考虑了插电混动系统在实际工作时的真实约束，即内燃机或燃料电池的启停延时问题，因此本方案更加符合实际使用场景，对各种混合动力系统均具有较好的普适性。

5、本发明考虑了插电式混动系统的自适应问题，在保证策略可以满足车辆全工况需求的前提下，尽可能的降低了电池的充放电电流，因此可以有效的保护电池使用寿命、延缓其老化发生。

6、采用本发明的能量管理方法，车辆的整体燃油经济性好，具有节能减排的优点。

附图说明

图1为本发明的流程图；

图2为本发明实施例中的车辆行驶数据的车速数据；

图3为本发明的三种标准循环工况的识别结果示意图；

图4为本发明实施例中的低速速度特征的特征工况；

图5为本发明实施例中的中速速度特征的特征工况；

图6为本发明实施例中的高速速度特征的特征工况；

图7为本发明实施例中的超高速速速度特征的特征工况；

图8为本发明的电池SOC的隶属度函数；

图9为本发明的环境温度的隶属度函数；

图10为本发明的最短运行时间比例的隶属度函数；

图11为本发明实施例中WLTC工况/25℃下电池电流表现图；

图12为本发明实施例中CLTC工况/-10℃下电池电流表现图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。

实施例

一种插电式混合动力系统能量管理方法，如图1所示，包括以下步骤：

离线阶段：

S1：获取车辆行驶数据数据库。

本实施例中车辆参数见表1、2。

表1整车参数

表2核心零部件参数

本实施例中，获取车辆的历史行驶数据构建车辆行驶数据数据库，行驶数据包括平均车速、最高车速、总里程、车速标准差、平均需求功率、最大需求功率、总能耗、需求电功率标准差、最大加速度、最大减速度，如图2所示，为已收集的历史数据案例。实际采集的历史车速数据部分数据见表3。

表3历史数据分析

本实施例中，还通过主成分分析提取出影响车速模式的关键数据，降低数据冗余度。主成分分析在本专利中并非必要项，若所用车载控制器的算力及存储容量允许，该步骤可省略。

S2：构建速度判定神经网络，并基于速度判定神经网络对车辆行驶数据进行聚类分析，获取车辆行驶数据的速度特征，完成速度判定神经网络的训练。

本实施例中，速度判定神经网络为自组织映射神经网络，自组织映射神经网络训练的具体步骤包括：

初始化权值向量W，权值向量的维数与输入向量的维数相同：

W＝w₁,w₂,…,w_p×q，

其中，w₁、w₂…w_p×q为权值，p为二维拓扑结构的横向节点数，q为二维拓扑结构的纵向节点数，

收集聚类样本X：

X＝x₁,x₂,…,x_n，

其中，x_n为第n个样本，n为样本数，

输入数据与权值向量的相似度计算，对每个输入向量和权值向量计算欧几里德距离，欧几里德距离最小的权值向量获胜，获得更新机会：

D_i＝min||x_i-w_j||₂ for j＝1,2,…,A×B，

其中，D_i为计算得到的最小欧式距离，x_i为输入向量，w_j为权值向量，

更新权值向量，获胜的神经元将会得到更新机会，同时，获胜神经元领域内的其他神经元也将进行更新：

式中，t为迭代次数，∝(t)为学习率，范围为(0,1)，N_c(t)为获胜神经元的领域范围。

使用训练完成后的自组织映射神经网络对已有的车辆数据进行速度特征判定。

S3：从标准循环工况中提取出代表不同速度特征的行驶工况，构造对应速度模式的特征工况。

S3的具体步骤包括：

S31：对标准工况进行速度特征识别，获取多个速度特征。

S32：从标准工况中提取速度特征对应的特征工况。

所述标准循环工况全球轻型汽车循环工况(Worldwide Harmonized LightVehicles Test Cycle,WLTC)、新欧洲循环工况(New European Driving Cycle,NEDC)、中国轻型汽车循环工况(China Light-duty vehicle Test Cycle,CLTC)，识别结果如图4所示。根据速度特征识别的结果，从三种循环工况中提取出代表各种速度特征的循环工况片段。利用提取的片段构造了4个独立的循环工况，它们分别代表了4种速度特征的特征工况。图4～7展示了构建出的特征工况，其中图4、5、6、7分别对应的是低速、中速、高速、超高速工况。

S4：对不同速度特征的特征工况进行等效因子求解，并获取特征工况对应的非电池类动力系统的最短运行时间。本实施例中，非电池类动力系统即内燃机或燃料电池系统。

步骤S4使用打靶法对不同速度特征模式下的特征工况进行等效因子求解，以能耗最优为打靶目标，获取不同速度特征的特征工况对应的等效因子，并获取特征工况对应的内燃机或燃料电池系统的最短运行时间。

本实施例中，以插电式增程混合动力系统为例，打靶法的成本函数为：

其中，FC为最小等效燃油消耗量，t₀为计算域的开始时间，t_f为计算域的结束时间，P_R(t)为的电功率，

为增程器瞬时油耗，P_d(t)为车辆需求功率，λ(p)是随速度特征改变的等效因子值。

S5：利用模糊控制获取车辆数据与车辆内燃机或燃料电池系统所需最低工作时间的模糊关系。

步骤S5具体包括：

S51：建立电池SOC、环境温度、最短运行时间比例的隶属度函数.

图8、9展示了电池SOC和环境温度的隶属度函数。图11展示了最短运行时间T0的隶属度函数。为了使隶属度函数更加平滑，所有隶属度函数均由双高斯函数构成。将SOC的隶属度函数设为“VL”到“VH”的8种状态，分别表示SOC非常低到非常高的8种状态。根据电池的实际性能表现，SOC值低于20％时，电池的放电能力已经严重衰减，所以定义SOC值在0％～20％左右时为电量非常低的状态。同样地，电池SOC高于90％时，电池的充电能力将显著下降，SOC为90％～100％被定义为一个非常高的SOC状态。电池的环境温度定义为低、中、高三种状态，对应于图9中的“L”、“N”、“H”。输出也设置为很短到很长的8种状态，对应于图10中的“TS”到“TL”。

S52：建立模糊规则库，本实施例中模糊规则库见下表4。

表4模糊规则库

其中，SOC为电池SOC，Temp为环境温度。

S53：对最短运行时间比例进行解模糊。

本实施例中，采用重心法对最短运行时间比例进行解模糊：

其中，y为系统的精确输出值，即最短运行时间比例，i为模糊规则的序号，R为总模糊规则数，β为来自规则库的线性函数，μ为对应规则的隶属度值。

在线阶段：

S6：实时获取车辆行驶数据并输入到速度判定神经网络中，获取车辆的速度特征及对应的特征工况及等效因子，根据等效因子获取等效燃油消耗最小策略，根据模糊关系获取车辆执行等效燃油消耗最小策略的最低工作时间。

具体为：

在线控制器收集存储车辆历史行驶数据；

对车辆历史行驶数据进行处理，输入到速度判定神经网络，获取车辆的当前速度特征；

确认速度特征对应的等效因子，使用查表的方式执行最优等效因子所对应的等效燃油消耗最小策略；

据模糊关系获取车辆执行等效燃油消耗最小策略的最低工作时间，该步骤具体地：

根据模糊关系获取车辆的最短运行时间比例；

根据最短运行时间比例和车辆等效因子对应的最短运行时间获取车辆的策略工作时间；

对比策略工作时间和内燃机或燃料电池的起动所需时间，取两者最大值最为最低工作时间：

T＝max(p·T0,T_min)

其中，p为最短运行时间比例，T0为最短运行时间，p·T0策略工作时间，T_min为内燃机或燃料电池的起动所需时间，T为最低工作时间。

当p的值为1时，表示内燃机或燃料电池的工作延时值等于步骤6中的标定值T0。当p值接近于0时，为了保证内燃机的正常运行，p·T0的值将和T_min取最大值。T_min为内燃机或燃料电池的起动所需时间，实际使用时需要依据所配零部件进行确定。

本实施例中的实施结果进行说明，计算所用对比策略为目前常用的规则式单点策略(Single-point)及等效因子固定的等效油耗最小策略(λ_c-ECMS)，本专利所用策略使用λ_p-DECMS表示。

油耗结果见下表5。

表5油耗结果

电池电流控制表现见图11、12，综上可以看出，无论在油耗及电池电流控制表现方面，本发明所提出的方法均具有较好的效果。

上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (3)

1.一种插电式混合动力系统能量管理方法，其特征在于，包括以下步骤：

S1：获取车辆行驶数据数据库；

S2：构建速度判定神经网络，并基于速度判定神经网络对车辆行驶数据进行聚类分析，获取车辆行驶数据的速度特征，完成速度判定神经网络的训练；

S3：从标准循环工况中提取出代表不同速度特征的行驶工况，构造对应速度模式的特征工况；

S4：对不同速度特征的特征工况进行等效因子求解，并获取特征工况对应的内燃机或燃料电池系统的最短运行时间；

S5：利用模糊控制获取车辆数据与车辆非电池类动力系统所需最低工作时间的模糊关系；

S6：实时获取车辆行驶数据并输入到速度判定神经网络中，获取车辆的速度特征及对应的特征工况及等效因子，根据等效因子获取等效燃油消耗最小策略，根据模糊关系获取车辆执行等效燃油消耗最小策略的最低工作时间，

其中，所述的速度判定神经网络为自组织映射神经网络，所述的自组织映射神经网络训练的具体步骤包括：

初始化权值向量W，权值向量的维数与输入向量的维数相同：

W＝w₁,w₂,…,w_p×q，

其中，w₁、w₂…w_p×q为权值，p为二维拓扑结构的横向节点数，q为二维拓扑结构的纵向节点数，

收集聚类样本X：

X＝x₁,x₂,…,x_n，

其中，x_n为第n个样本，n为样本数，

输入数据与权值向量的相似度计算，对每个输入向量和权值向量计算欧几里德距离，欧几里德距离最小的权值向量获胜，获得更新机会：

D_i＝min||x_i-w_j||₂for j＝1,2,...,A×B，

其中，D_i为计算得到的最小欧式距离，x_i为输入向量，w_j为权值向量，

更新权值向量，获胜的神经元将会得到更新机会，同时，获胜神经元领域内的其他神经元也将进行更新：

式中，t为迭代次数，∝(t)为学习率，范围为(0,1)，N_c(t)为获胜神经元的领域范围，

步骤S3的具体步骤包括：

S31：对标准工况进行速度特征识别，获取多个速度特征；

S32：从标准工况中提取速度特征对应的特征工况，

步骤S4使用打靶法对不同速度特征模式下的特征工况进行等效因子求解，以能耗最优为打靶目标，获取不同速度特征的特征工况对应的等效因子，并获取特征工况对应的非电池类动力系统的最短运行时间，

当所述车辆动力系统为插电式增程混合动力系统时，所述打靶法的成本函数为：

其中，FC为最小等效燃油消耗量，t₀为计算域的开始时间，t_f为计算域的结束时间，P_R(t)为的电功率，

为增程器瞬时油耗，P_d(t)为车辆需求功率，λ(p)是随速度特征改变的等效因子值，

步骤S5具体包括：

S51：建立电池SOC、环境温度、最短运行时间比例的隶属度函数；

S52：建立模糊规则库；

S53：对最短运行时间比例进行解模糊，

步骤S53采用重心法对最短运行时间比例进行解模糊：

其中，y为系统的精确输出值即最短运行时间比例，i为模糊规则的序号，R为总模糊规则数，β为来自规则库的线性函数，μ为对应规则的隶属度值。

2.根据权利要求1所述的一种插电式混合动力系统能量管理方法，其特征在于，步骤S6中根据模糊关系获取车辆执行等效燃油消耗最小策略的最低工作时间的具体步骤包括：

根据模糊关系获取车辆的最短运行时间比例；

根据最短运行时间比例和车辆等效因子对应的最短运行时间获取车辆的策略工作时间；

对比策略工作时间和非电池类动力系统的起动所需时间，取两者最大值最为最低工作时间。

3.根据权利要求2所述的一种插电式混合动力系统能量管理方法，其特征在于，所述对比策略工作时间和非电池类动力系统的起动所需时间，取两者最大值最为最低工作时间公式为：

T＝max(p·T0,T_min)

其中，p为最短运行时间比例，T0为最短运行时间，p·T0策略工作时间，T_min为非电池类动力系统的起动所需时间，T为最低工作时间。

Images