CN114435369A - 一种混合动力汽车能耗优化方法 - Google Patents

Abstract

本发明提供了一种混合动力汽车能耗优化方法，属于汽车技术领域。它解决了现有的策略很难保证全局的能耗最低的问题。本混合动力汽车能耗优化方法包括：利用遗传算法将车辆运行参数进行初始化、编码，进而随机产生N个个体，组成初始种群；利用适应度函数计算初始种群中每个个体的适应度值；判断优化代数是否达到预设的最大优化代数，若为是，停止计算，取初始种群中适应度值最小的个体为最优个体，并解码输出；否则，根据选择概率从初始种群中随机选择一个个体进行交叉、变异操作，获得新一代种群并进行适应度值计算，将优化代数加1并返回优化代数判断。本发明能够实现对车辆参数的全局优化，使车辆运行于最低能耗点。

Description

一种混合动力汽车能耗优化方法

技术领域

本发明属于汽车技术领域，涉及一种混合动力汽车能耗优化方法。

背景技术

面对能源危机和环境污染，开发新能源和相关节能技术以减少对不可再生能源的依赖和环境污染已成为全球发展共识。而混合动力汽车与传统汽车相比，其节油潜力巨大。首先混合动力汽车可依据驾驶员行车需求保证发动机工作在最佳工况范围，发动机有效功率高，油耗控制在最低的范围内；其次驱动电机可利用车辆制动、下坡、发动机剩余功率实现能量回收，减少了能源损耗；在起步时可利用电机单独驱动，避免了发动机怠速或低负荷工况下油耗过高的问题。

而目前的三电机混合动力系统是由发动机以及电机P1、P2、P4这四个动力源组成，由发动机+3DHT混动变速箱(内置P1+P2电机)组成前驱系统，由P4电机+固定速比减速驱动桥组成后驱系统，该混合动力系统具有更好的四驱驾驶体验，车辆的动力性与通过性也更好，但由于存在四个动力源，结构复杂，驾驶模式较多，自由度大，而现有混合动力汽车的控制都是基于既定规则的能量管理策略，其主要是依据工程经验制定的控制规则，但是城市道路往往由于城市路况不同所处的工况也千差万别，实际运营过程中，每趟线路的载客量、城市道路维修情况、早晚上下班高峰期等影响因素都会对车辆的行驶产生一定的影响。因此，基于既定规则的能量管理策略会存在不合理情况，且难以达到理想的效果，很难保证全局的能耗最低。

发明内容

本发明的目的是针对现有技术存在的上述问题，提出了一种混合动力汽车能耗优化方法，其所要解决的技术问题是：如何实现对车辆参数的全局优化，使车辆运行于最低能耗点。

本发明的目的可通过下列技术方案来实现：一种混合动力汽车能耗优化方法，包括如下步骤：

A、根据车辆运行工况获得轮端需求扭矩；

B、基于轮端需求扭矩，利用遗传算法实时生成车辆运行参数，所述车辆运行参数包括工作模式、挡位、P1电机扭矩、P2电机扭矩以及发动机转速和扭矩，将车辆运行参数进行初始化、编码，进而随机产生N个个体，组成初始种群；

C、利用适应度函数计算初始种群中每个个体的适应度值，并记录为1次优化代数；

D、判断优化代数是否达到预设的最大优化代数，若为是，停止计算，取初始种群中适应度值最小的个体，即总燃油消耗量最小的个体为最优个体，并解码输出该最优个体所对应的车辆运行参数；否则，进入步骤E；

E、根据选择概率，从初始种群中随机选择一个个体进行交叉、变异操作，获得新的个体，新的个体组成新一代种群，利用适应度函数计算新一代种群中每个个体的适应度值，并将优化代数加1，之后返回步骤D。

本混合动力汽车能耗优化方法的工作原理为：首先实时监测车辆运行工况与电池剩余电量，车辆运行工况包括起步、加速、等速、减速、转弯、上下坡、停车等，根据车辆运行工况与电池剩余电量，获得轮端需求扭矩，之后基于轮端需求扭矩，利用遗传算法实时生成车辆运行参数，车辆运行参数如工作模式、挡位、P1电机扭矩、P2电机扭矩、P4电机扭矩、发动机转速以及扭矩确定后，将车辆运行参数进行初始化、编码，进而随机产生N个个体，该N个个体组成初始种群，之后利用适应度函数对初始种群中的每个个体进行求解获得适应度值，此时记录为1次优化代数，将该优化代数与最大优化代数进行比较，在优化代数小于最大优化代数时，根据选择概率，从初始种群中随机选择一个个体进行交叉、变异操作，获得新的个体，新的个体组成新一代种群，将新一代种群返回适应度值计算，并将优化代数加1，重新判断优化代数是否达到最大优化代数；在优化代数达到最大优化代数时，停止计算，取初始种群中适应度值最小的个体，即总燃油消耗量最小的个体为最优个体，并解码输出该最优个体所对应的车辆运行参数，包括工作模式、挡位、P1电机扭矩、P2电机扭矩、P4电机扭矩以及发动机转速和扭矩。本方法基于自适应遗传算法对车辆的运行模式、档位、扭矩分配等参数进行优化，实现了车辆参数的全局优化，使车辆运行于最低能耗点。

在上述的混合动力汽车能耗优化方法中，在所述步骤B中，还包括基于过往时刻的挡位与工作模式进行预规划的操作，包括：

标定时间限值T_eng和时间限值T_gear；

在换挡时间T_gearact小于时间限值T_gear时，不允许更换，保持挡位为换挡开始时刻挡位值，不进入遗传算法的寻优操作；

在发动机运行时间T_engrun小于时间限值T_eng时，发动机继续处于RUN阶段，不更换工作模式，不进入遗传算法的寻优操作。其中，时间限值T_eng和时间限值T_gear均可设置为5s。这一步的操作，避免频繁切换挡位或者发动机频繁起机等带来的车辆NVH问题，NVH指Noise(噪声)、Vibration(振动)和Harshness(声振粗糙度)，也可以通俗地理解为不平顺性。

在上述的混合动力汽车能耗优化方法中，在所述步骤B中，利用遗传算法将车辆运行参数进行初始化、编码的操作包括：

初始化车辆运行参数，设置种群大小为N，变异率为P_m，交叉率为P_c，最大优化代数为T_max，寻优区间[Lb，Ub]；

采用自适应二进制编码方法对车辆运行参数进行编码，在利用遗传算法优化过程中动态缩小寻优区间，操作为：

将第k次优化代数所获得的最优个体适应度值与当前种群的适应度平均值进行差值计算，获得差值ΔF，在差值ΔF小于预设值C_k时，以当前种群的适应度最小的值X_best作为中点，然后将寻优区间缩小i倍，即[X_best-(Ub-Lb)/i，X_best+(Ub-Lb)/i]。寻优区间[Lb，Ub]是一个矩阵，每一个参数的寻优区间都在里面，是个多阶的矩阵。将寻优区间缩小，结果将逐渐收敛于全局最优点。其中，在本方法中，将N设置为100；P_m设置为80％；P_c设置为80％；T_max设置为1O0；k设置为50，C_k设置为0.5；i设置为10。

在上述的混合动力汽车能耗优化方法中，在所述步骤C中，利用适应度函数计算初始种群中每个个体的适应度值的操作包括：

利用等效油耗算法计算获得电机等效燃油消耗

将电机等效燃油消耗

与发动机燃油消耗

进行相加计算获得总燃油消耗量

即

其中，发动机燃油消耗

由发动机扭矩及转速查表获得；电机等效燃油消耗

由以下公式计算获得：

其中，Q_Elc为电池电能消耗；η_bat，charge为电池发电效率；η_{gen_p1}为P1电机发电效率；η_{gen_P1_inverter}为P1电机发电时inverter效率；η_eng为发动机热效率；V_HL为燃油热值。

在上述的混合动力汽车能耗优化方法中，在所述步骤C中，所述电池电能消耗Q_Elc由电源电流I_bat来确定；所述电源电流I_bat由以下公式获得：

I_bat＝I_P1+I_P2+I_P4+I_LS

其中：I_bat为电源电流；I_P1为P1电机电流；I_P2为P2电机电流；I_P4为P4电机电流；I_LS是控制器低压负载电流，为常数；

在电源电流I_bat大于0时，电池处于放电状态，则电池电能消耗Q_Elc为：

在电源电流I_bat小于0时，电池处于充电状态，则电池电能消耗Q_Elc为：

Q_Elc＝I_bat×U×η_bat，charge

其中，U为回路电压；η_bat，charge为电池发电效率。

在上述的混合动力汽车能耗优化方法中，在所述步骤C中，还包括利用惩罚函数对种群中的个体进行优化删选的操作，包括：

在车辆处于纯电工作模式下时，判断种群个体中的发动机扭矩Tq_eng是否大于零，在发动机扭矩Tq_eng大于零时，惩罚去除该个体；

在车辆处于串联工作模式下时，判断种群个体中的发动机扭矩Tq_eng是否等于P1电机扭矩Tq_P1，在发动机扭矩Tq_eng不等于P1电机扭矩Tq_P1时，惩罚去除该个体；

在车辆处于并联工作模式下时，判断种群个体中的发动机转速N_eng是否等于P2电机转速N_P2，在发动机转速N_eng不等于P2电机转速N_P2时，惩罚去除该个体；

反之，在发动机扭矩Tq_eng等于零、发动机扭矩Tq_eng等于P1电机扭矩Tq_P1以及发动机转速N_eng等于P2电机转速N_P2时，输出该个体的适应度值。惩罚函数主要是为了去除一些不合理的情况，比如车辆如果处于纯电动模式下，发动机存在正扭矩，那么这一组数据就是不合理的，就要把它给舍弃，不让结果算到里面，这样在优化的过程中就会排除这些情况，提高优化结果的准确性。

在上述的混合动力汽车能耗优化方法中，在所述步骤C中，利用惩罚函数对种群中的个体进行优化删选的操作，还包括：

利用传动模型计算P4电机扭矩Tq_P4与转速N_P4以及P2电机转速N_P2；

预设扭矩最大限值Tp_P4_max和扭矩最小限值Tp_P4_min；

判断P4电机扭矩Tq_P4是否小于扭矩最小限值Tp_P4_min，或者P4电机扭矩Tq_P4是否大于扭矩最大限值Tp_P4_max，或者P4电机扭矩Tq_P4与P2电机扭矩Tq_P2的乘积是否小于零；

在上述任一条件为是时，启动惩罚函数进行惩罚去除；反之，输出适应度值；

所述P4电机扭矩Tq_P4由以下公式计算获得：

其中：i_Gear为DHT减速比；i_Final为后轴主减速器减速比；Tq_whl为轮端驱动扭矩；Tq_eng为发动机扭矩；Tq_P1为P1电机扭矩；Tq_P2为P2电机扭矩；Tq_transloss为扭矩损失，公式为：

Tq_transloss＝(Tq_eng+Tq_P1+Tq_P2)×η_tranns×i_Gear+Tq_P4×η_final×i_Final

其中：η_trans为DHT效率；η_final为后轴主减速器效率。

在上述的混合动力汽车能耗优化方法中，在所述步骤C中，利用惩罚函数对种群中的个体进行优化删选的操作，还包括：

预设最小电池电量限值SOC_min和最大电池电量限值SOC_max；

判断电池剩余电量SOC是否在最小电池电量限值SOC_min和最大电池电量限值SOC_max的区间内，若是，输出该个体的适应度值；反之，利用惩罚函数去除该个体；

所述电池剩余电量SOC的计算包括：

在电源电流I_bat小于0时，电池处于充电状态，电池在第i时刻的剩余电量SOC_i为：

在电源电流I_bat大于0时，电池处于放电状态，电池在i时刻的剩余电量SOC_i为：

其中：SOC_i-1为电池在i的上一个时刻的剩余电量；η_{bat，discharqe}为电池放电效率；E_bat为电池最大容量；U为回路电压；η_bat，charge为电池发电效率。其中，最小电池电量限值SOC_min可设置为总电量的15％，最大电池电量限值SOC_max可设置为总电量的95％。判断电池剩余电量SOC是否在最小电池电量限值SOC_min和最大电池电量限值SOC_max的区间内的操作，能够防止电池SOC过低以及电池过充的问题。

在上述的混合动力汽车能耗优化方法中，在所述步骤D中，判断是否停止计算的操作还包括：

预设适应度函数偏差阈值为TolFun；

将每个个体的适应度值进行平均值计算获得适应度平均值；

将适应度平均值与最优个体的适应度值进行差值计算获得适应度函数偏差；

在判断适应度函数偏差小于TolFun，则停止计算，取初始种群中适应度值最小的个体作为最优个体，解码输出该最优个体所对应的车辆运行参数；否则，进入步骤E。

在上述的混合动力汽车能耗优化方法中，在所述步骤E中，从初始种群中随机选择一个个体进行交叉、变异的操作包括：

E01、计算每一个个体的选择概率为：

E02、基于选择概率p_k计算每个个体的累计概率：

其中，q_k为第k个个体的累计概率；

E03、在[0，1]内产生一个均匀分布的随机数r；

E04、若q_k-1＜r＜q_k，则选择个体k，重复M次步骤E03和E04；

E05、根据交叉率P_c进行两两交叉处理，获得交叉种群，两两交叉处理的操作为：

a_kj′＝a_kj(1-b)+a_ljb

a_lj′＝a_lj(1-b)+a_kjb其中：a_lj为第l个个体的第j位；a_kj为第k个个体的第j位；a_kj′为交叉处理后第k个个体的第j位；a_lj′为交叉处理后第1个个体的第j位；b∈[0，1]；

E06、从交叉种群中随机选择一个个体，按变异率P_m变异得到新的个体，新的个体组成新一代种群，再将其返回步骤C进行适应度计算。

与现有技术相比，本混合动力汽车能耗优化方法具有以下优点：

1、本发明将运行模式也作为优化目标，而非按照既定规则选择运行模式，而且本发明在通过遗传算法生成车辆的运行模式、变速箱档位、扭矩分配、转速分配等之后，还通过添加惩罚函数，对遗传算法生成的状态进行筛选与淘汰，可以避免一些不合理的工况的出现，如：发动机的突然起机，变速箱档位的突变等，实现了对车辆参数的全局优化，优化效果更好，优化结果更合理。

2、本发明在遗传算法寻优时加入自适应编码代替传统的二进制编码方式，计算过程中动态缩小优化区间，减少迭代次数，提高了寻优时的收敛次数，提高了遗传算法的搜索效率。

附图说明

图1是本发明实施例一的控制流程图。

图2是本发明实施例二的控制流程图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

实施例一：

如图1所示，车辆在行驶过程中，本混合动力汽车能耗优化方法启动，实时监测车辆运行工况，如起步、加速、等速、减速、转弯、上下坡、停车等参数，同时实时监测电池剩余电量，根据车辆运行工况和电池剩余电量获得轮端需求扭矩；具体为：在车辆行驶时，当存在加速需求时，根据加速踏板的开度与车辆时速，结合标定的加速踏板MAP获得轮端需求扭矩。当存在减速需求时，根据制动踏板的开度与车辆时速，结合标定的制动踏板MAP获得轮端需求扭矩。

之后根据电池剩余电量，预规划车辆的运行模式，若电池剩余电量低于最小电池电量限值SOC_min，则退出纯电模式，通过P1电机给电池充电。

之后进入基于过往时刻的挡位与工作模式进行预规划的操作，包括：

标定时间限值T_eng和时间限值T_gear；

在换挡时间T_gearact小于时间限值T_gear时，不允许更换，保持挡位为换挡开始时刻挡位值，该参数不进入遗传算法的寻优操作；

在发动机运行时间T_engrun小于时间限值T_eng时，发动机继续处于RUN阶段，不更换工作模式，该参数不进入遗传算法的寻优操作。

通过上面两步的预规划，避免频繁切换挡位或者发动机频繁起机等带来的车辆NVH问题，也能防止电量过放的问题，还能提高寻优效率。

之后基于轮端需求扭矩，利用遗传算法实时生成车辆运行参数，车辆运行参数包括工作模式、挡位、P1电机扭矩、P2电机扭矩以及发动机转速和扭矩，将车辆运行参数进行初始化、编码，若上一步骤中挡位不允许更换，则该参数不进行初始化和编码操作；

利用传动模型计算P4电机扭矩Tq_P4与转速N_P4，P2电机转速N_P2；

本车型动力总成系统由发动机与P1电机、P2电机、P4电机，加上DHT与主减速器组成，可得出轮端驱动扭矩Tq_wnl方程：

Tq_wnl＝(Tq_eng+Tq_P1+Tq_P2)×i_Gear+Tq_P4×i_Final+Tq_transloss

其中：i_Gear为DHT减速比；i_Final为后轴主减速器减速比；Tq_transloss为扭矩损失；Tq_eng为发动机扭矩；Tq_P1为P1电机扭矩；Tq_P2为P2电机扭矩；

则P4电机扭矩Tq_P4为：

轮端转速N_whl可由车速与轮胎半径计算获得：

N_whl＝v_i/3.6*60/2/π/R

可知，P4电机转速N_P4，P2电机转速N_P2为：

N_P4＝N_whl×i_Final

N_P2＝N_whl×i_Gear

初始化和编码的操作为：

初始化车辆运行参数，包括工作模式、挡位、P1电机扭矩、P2电机扭矩、P4电机扭矩以及发动机转速和扭矩，设置种群大小为N，变异率为P_m，交叉率为P_c，最大优化代数为T_max，寻优区间[Lb，Ub]；

采用自适应二进制编码方法对车辆运行参数进行编码，在利用遗传算法优化过程中动态缩小寻优区间，操作为：

将优化代数为k时获得的最优个体的适应度值与当前种群的适应度平均值进行差值计算，获得差值ΔF，在差值ΔF小于预设值C_k时，以当前种群的适应度最小的值X_best作为中点，然后将寻优区间缩小i倍，即[X_best-(Ub-Lb)/i，X_best+(Ub-Lb)/i]。

经过初始化和编码操作后，在寻优区间[Lb，Ub]内随机产生N个个体，组成初始种群；比如令初始种群为V，则A＝{a₁，a₂，…a_k，a₁…a_N}，其中第k个个体为a_k＝(a_k1，a_k2，…a_kj)，a_k1，a_k2，…a_ki分别表示第k个个体的工作模式、挡位、P1电机扭矩、P2电机扭矩、P4电机扭矩以及发动机转速和扭矩，将当前优化代数设置为T＝1：

之后利用适应度函数计算初始种群中每个个体的适应度值，并记录优化代数为1次；具体为：

首先利用等效油耗算法计算获得电机等效燃油消耗

具体为：电机与低压负载能耗先通过计算各个支路电流，相加获得电源电流I_bat后可获取电池剩余电量SOC与能耗。

在电机处于Q1驱动阶段时，Q1驱动阶段是指电机加速前进状态，此时电机的电流I为：

I＝Tq*N/9550/η_mot/η_{mot_inverter}/U

在电机处于Q4发电阶段时，Q4发电阶段为前进制动状态，电机的电流为：

I＝Tq*N/9550/η_gen/η_{gen_inverter}/U

其中：Tq为电机扭矩；N为电机转速；η_mot为电机驱动效率；η_{mot_inverter}为电机驱动时inverter效率；η_gen为电机发电效率；η_{gen_inverter}为电机发电时inverter效率；U为回路电压。

将P2电机扭矩和P2电机转速代入上式即可获得P2电机电流I_P2；将P4电机扭矩和P4电机转速代入上式即可获得P4电机电流I_P4；

P1电机主要应用在发电状态，因此P1电机扭矩和转速与发动机扭矩和转速一致，由此也可获得P1电机电流I_P1。

由此可得出，电源电流I_bat为：

I_bat＝I_P1+I_P2+I_P4+I_LS

其中：I_bat为电源电流；I_P1为P1电机电流；I_P2为P2电机电流；I_P4为P4电机电流；I_LS是控制器低压负载电流，为常数；

电池电能消耗Q_Elc的计算操作为：

在电源电流I_bat大于0时，电池处于放电状态，则电池电能消耗Q_Elc为：

在电源电流I_bat小于0时，电池处于充电状态，则电池电能消耗Q_Elc为：

Q_Elc＝I_bat×U×η_bat，charge

其中，U为回路电压；η_bat，charge为电池发电效率。

则电机等效燃油消耗

为：

其中，Q_Elc为电池电能消耗；η_bat，charge为电池发电效率；η_{gen_p1}为P1电机发电效率；η_{gen_P1_inverter}为P1电机发电时inverter效率；η_eng为发动机热效率；V_HL为燃油热值。

之后将电机等效燃油消耗

与发动机燃油消耗

进行相加计算获得总燃油消耗量

即

其中，发动机燃油消耗

由发动机扭矩及转速查表获得。

将每个个体计算的总燃油消耗量

根据由大到小进行排序；

在计算每个个体的适应度值时，还包括利用惩罚函数对种群中的个体进行优化删选的操作，包括：

在车辆处于纯电工作模式下时，判断种群个体中的发动机扭矩Tq_eng是否大于零，在发动机扭矩Tq_eng大于零时，惩罚去除该个体；

在车辆处于串联工作模式下时，判断种群个体中的发动机扭矩Tq_eng是否等于P1电机扭矩Tq_P1，在发动机扭矩Tq_eng不等于P1电机扭矩Tq_P1时，惩罚去除该个体；

在车辆处于并联工作模式下时，判断种群个体中的发动机转速N_eng是否等于P2电机转速N_P2，在发动机转速N_eng不等于P2电机转速N_P2时，惩罚去除该个体；

反之，在发动机扭矩Tq_eng等于零、发动机扭矩Tq_eng等于P1电机扭矩Tq_P1以及发动机转速N_eng等于P2电机转速N_P2时，输出该个体的适应度值。

还包括：预设扭矩最大限值Tp_P4_max和扭矩最小限值Tp_P4_min；

判断P4电机扭矩Tq_P4是否小于扭矩最小限值Tp_P4_min，或者P4电机扭矩Tq_P4是否大于扭矩最大限值Tp_P4_max，或者P4电机扭矩Tq_P4与P2电机扭矩Tq_P2的乘积是否小于零；

在上述任一条件为是时，启动惩罚函数进行惩罚去除；反之，输出适应度值；

还包括：预设最小电池电量限值SOC_min和最大电池电量限值SOC_max；

判断电池剩余电量SOC是否在最小电池电量限值SOCmin和最大电池电量限值SOCmax的区间内，若是，输出该个体的适应度值；反之，利用惩罚函数去除该个体；

电池剩余电量SOC的计算包括：

在电源电流I_bat小于0时，电池处于充电状态，电池在第i时刻的剩余电量SOC_i为：

在电源电流I_bat大于0时，电池处于放电状态，电池在i时刻的剩余电量SOC_i为：

其中：SOC_i-1为电池在i的上一个时刻的剩余电量；η_{bat，discharge}为电池放电效率；E_bat为电池最大容量；U为回路电压；η_bat，charge为电池发电效率。

之后判断是否停止计算；首先判断优化代数是否达到预设的最大优化代数T_max，若为是，停止计算，取初始种群中适应度值最小的个体，即总燃油消耗量最小的个体为最优个体，并解码输出该最优个体所对应的车辆运行参数；

否则，根据选择概率，从初始种群中随机选择一个个体进行交叉、变异操作，获得新的个体，新的个体组成新一代种群，对新一代种群进行适应度值计算，并将优化代数加1，之后重新判断优化代数是否达到最大优化代数T_max。新一代种群组成的具体操作为：

首先计算每一个个体的选择概率为：

再基于选择概率p_k计算每个个体的累计概率：

其中，q_k为第k个个体的累计概率；

之后在[0，1]内产生一个均匀分布的随机数r；

若q_k-1＜r＜q_k，则选择个体k，重复M次该步骤和上一步；

之后根据交叉率P_c进行两两交叉处理，获得交叉种群，两两交叉处理的操作为：

a_kj′＝a_kj(1-b)+a_ljb

a_lj′＝a_lj(1-b)+a_kjb

其中：a_lj为第1个个体的第j位；a_kj为第k个个体的第j位；a_kj′为交叉处理后第k个个体的第j位；a_lj′为交叉处理后第1个个体的第j位；b∈[0，1]；b表示0-1之间随机的交叉位置。

这里涉及到两个二进制数的部分位的交换，比如：

个体A：1001↑111→1001000新个体

个体B：0011↑000→0011111新个体

从交叉种群中随机选择一个个体，按变异率P_m变异得到新的个体，新的个体组成新一代种群，再返回对每个个体进行适应度计算的步骤，由此获取车辆运行参数的最优结果。

本方法优化了四个动力源的扭矩分配，在优化P1、P2、P4电机扭矩分配的同时，可以兼顾发动机的运行工况，将发动机尽可能地工作在最佳运行线附近，降低发动机的燃油消耗。

实施例二：

如图2所示，本实施例中的技术方案与实施例一中的技术方案基本相同，不同之处在于，判断停止计算的操作为：

预设适应度函数偏差阈值为TolFun；

将每个个体的适应度值进行平均值计算获得适应度平均值；

将适应度平均值与最优个体的适应度值进行差值计算获得适应度函数偏差；

在判断适应度函数偏差小于TolFun，则停止计算，取初始种群中适应度值最小的个体作为最优个体，解码输出该最优个体所对应的车辆运行参数；否则根据选择概率，从初始种群中随机选择一个个体进行交叉、变异操作，获得新的个体，新的个体组成新一代种群，对新一代种群进行适应度值计算，并将优化代数加1，之后重新判断优化代数是否达到最大优化代数Tmax。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种混合动力汽车能耗优化方法，其特征在于，包括如下步骤：

A、根据车辆运行工况获得轮端需求扭矩；

B、基于轮端需求扭矩，利用遗传算法实时生成车辆运行参数，所述车辆运行参数包括工作模式、挡位、P1电机扭矩、P2电机扭矩以及发动机转速和扭矩，将车辆运行参数进行初始化、编码，进而随机产生N个个体，组成初始种群；

C、利用适应度函数计算初始种群中每个个体的适应度值，并记录为1次优化代数；

D、判断优化代数是否达到预设的最大优化代数，若为是，停止计算，取初始种群中适应度值最小的个体，即总燃油消耗量最小的个体为最优个体，并解码输出该最优个体所对应的车辆运行参数；否则，进入步骤E；

E、根据选择概率，从初始种群中随机选择一个个体进行交叉、变异操作，获得新的个体，新的个体组成新一代种群，利用适应度函数计算新一代种群中每个个体的适应度值，并将优化代数加1，之后返回步骤D。

2.根据权利要求1所述的混合动力汽车能耗优化方法，其特征在于，在所述步骤B中，还包括基于过往时刻的挡位与工作模式进行预规划的操作，包括：

标定时间限值T_eng和时间限值T_gear；

在换挡时间T_gearact小于时间限值T_gear时，不允许更换,保持挡位为换挡开始时刻挡位值，该参数不进入遗传算法的寻优操作；

在发动机运行时间T_engrun小于时间限值T_eng时，发动机继续处于RUN阶段，不更换工作模式，该参数不进入遗传算法的寻优操作。

3.根据权利要求1或2所述的混合动力汽车能耗优化方法，其特征在于，在所述步骤B中，利用遗传算法将车辆运行参数进行初始化、编码的操作包括：

初始化车辆运行参数，设置种群大小为N，变异率为P_m，交叉率为P_c，最大优化代数为T_max，寻优区间[Lb，Ub]；

采用自适应二进制编码方法对车辆运行参数进行编码，在利用遗传算法优化过程中动态缩小寻优区间，操作为：

将第k次优化代数所获得的最优个体适应度值与当前种群的适应度平均值进行差值计算，获得差值ΔF，在差值ΔF小于预设值Ck时，以当前种群的适应度最小的值X_best作为中点，然后将寻优区间缩小i倍，即[X_best一(Ub-Lb)/i，X_best+(Ub-Lb)/i]。

4.根据权利要求3所述的混合动力汽车能耗优化方法，其特征在于，在所述步骤C中，利用适应度函数计算初始种群中每个个体的适应度值的操作包括：

利用等效油耗算法计算获得电机等效燃油消耗

将电机等效燃油消耗

与发动机燃油消耗

进行相加计算获得总燃油消耗量

即

其中，发动机燃油消耗

由发动机扭矩及转速查表获得；电机等效燃油消耗

由以下公式计算获得：

其中，Q_Elc为电池电能消耗；η_bat，charge为电池发电效率；η_{gen_p1}为P1电机发电效率；η_{gen_P1_inverter}为P1电机发电时inverter效率；η_eng为发动机热效率；V_HL为燃油热值。

5.根据权利要求4所述的混合动力汽车能耗优化方法，其特征在于，在所述步骤C中，所述电池电能消耗Q_Elc由电源电流I_bat来确定；所述电源电流I_bat由以下公式获得：

I_bat＝I_P1+I_P2+I_P4+I_LS

其中：I_bat为电源电流；I_P1为P1电机电流；I_P2为P2电机电流；I_P4为P4电机电流；I_LS是控制器低压负载电流，为常数；

在电源电流I_bat大于0时，电池处于放电状态，则电池电能消耗Q_Elc为：

在电源电流I_bat小于0时，电池处于充电状态，则电池电能消耗Q_Elc为：

Q_Elc＝I_bat×U×η_bat，charge

其中，U为回路电压；η_bat，charge为电池发电效率。

6.根据权利要求1所述的混合动力汽车能耗优化方法，其特征在于，在所述步骤C中，还包括利用惩罚函数对种群中的个体进行优化删选的操作，包括：

在车辆处于纯电工作模式下时，判断种群个体中的发动机扭矩Tq_eng是否大于零，在发动机扭矩Tq_eng大于零时，惩罚去除该个体；

在车辆处于串联工作模式下时，判断种群个体中的发动机扭矩Tq_eng是否等于P1电机扭矩Tq_P1，在发动机扭矩Tq_eng不等于P1电机扭矩Tq_P1时，惩罚去除该个体；

在车辆处于并联工作模式下时，判断种群个体中的发动机转速N_eng是否等于P2电机转速N_P2，在发动机转速N_eng不等于P2电机转速N_P2时，惩罚去除该个体；

反之，在发动机扭矩Tq_eng等于零、发动机扭矩Tq_eng等于P1电机扭矩Tq_P1以及发动机转速N_eng等于P2电机转速N_P2时，输出该个体的适应度值。

7.根据权利要求6所述的混合动力汽车能耗优化方法，其特征在于，在所述步骤C中，利用惩罚函数对种群中的个体进行优化删选的操作，还包括：

利用传动模型计算P4电机扭矩Tq_P4与转速N_P4以及P2电机转速N_P2；

预设扭矩最大限值Tp_P4_max和扭矩最小限值Tp_P4_min；

判断P4电机扭矩Tq_P4是否小于扭矩最小限值Tp_P4_min，或者P4电机扭矩Tq_P4是否大于扭矩最大限值Tp_P4_max，或者P4电机扭矩Tq_P4与P2电机扭矩Tq_P2的乘积是否小于零；

在上述任一条件为是时，启动惩罚函数进行惩罚去除；反之，输出适应度值；

所述P4电机扭矩Tq_P4由以下公式计算获得：

其中：i_Gear为DHT减速比；i_Final为后轴主减速器减速比；Tq_whl为轮端驱动扭矩；Tq_eng为发动机扭矩；Tq_P1为P1电机扭矩；Tq_P2为P2电机扭矩；Tq_transloss为扭矩损失，公式为：

Tq_transloss＝(Tq_eng+Tq_P1+Tq_P2)×η_trans×i_Gear+Tq_P4×η_final×i_Final

其中：η_trans为DHT效率；η_final为后轴主减速器效率。

8.根据权利要求6或7所述的混合动力汽车能耗优化方法，其特征在于，在所述步骤C中，利用惩罚函数对种群中的个体进行优化删选的操作，还包括：

预设最小电池电量限值SOC_min和最大电池电量限值SOC_max；

判断电池剩余电量SOC是否在最小电池电量限值SOCmin和最大电池电量限值SOCmax的区间内，若是，输出该个体的适应度值；反之，利用惩罚函数去除该个体；

所述电池剩余电量SOC的计算包括：

在电源电流I_bat小于0时，电池处于充电状态，电池在第i时刻的剩余电量SOC_i为：

在电源电流I_bat大于0时，电池处于放电状态，电池在i时刻的剩余电量SOC_i为：

其中：SOC_i-1为电池在i的上一个时刻的剩余电量；η_{bat，discharge}为电池放电效率；E_bat为电池最大容量；U为回路电压；η_bat，charge为电池发电效率。

9.根据权利要求1或2所述的混合动力汽车能耗优化方法，其特征在于，在所述步骤D中，判断是否停止计算的操作还包括：

预设适应度函数偏差阈值为TolFun；

将每个个体的适应度值进行平均值计算获得适应度平均值；

将适应度平均值与最优个体的适应度值进行差值计算获得适应度函数偏差；

在判断适应度函数偏差小于TolFun，则停止计算，取初始种群中适应度值最小的个体作为最优个体，解码输出该最优个体所对应的车辆运行参数；否则，进入步骤E。

10.根据权利要求1或2所述的混合动力汽车能耗优化方法，其特征在于，在所述步骤E中，从初始种群中随机选择一个个体进行交叉、变异的操作包括：

E01、计算每一个个体的选择概率为：

E02、基于选择概率p_k计算每个个体的累计概率：

其中，q_k为第k个个体的累计概率；

E03、在[0，1]内产生一个均匀分布的随机数r；

E04、若q_k-1＜r＜q_k，则选择个体k，重复M次步骤E03和E04；

E05、根据交叉率P_c进行两两交叉处理，获得交叉种群，两两交叉处理的操作为：

a_kj′＝a_kj(1-b)+a_ljb

a_lj′＝a_lj(1-b)+a_kjb

其中：a_lj为第1个个体的第j位；a_kj为第k个个体的第j位；a_kj′为交叉处理后第k个个体的第j位；a_lj′为交叉处理后第1个个体的第j位；b∈[0，1]；

E06、从交叉种群中随机选择一个个体，按变异率P_m变异得到新的个体，新的个体组成新一代种群，再将其返回步骤C进行适应度计算。

Images