CN114802180A - 混合动力汽车动力系统协调控制的模式预测系统及方法 - Google Patents
混合动力汽车动力系统协调控制的模式预测系统及方法 Download PDFInfo
- Publication number
- CN114802180A CN114802180A CN202210555610.2A CN202210555610A CN114802180A CN 114802180 A CN114802180 A CN 114802180A CN 202210555610 A CN202210555610 A CN 202210555610A CN 114802180 A CN114802180 A CN 114802180A
- Authority
- CN
- China
- Prior art keywords
- neural network
- hybrid electric
- electric vehicle
- lstm neural
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 91
- 238000011217 control strategy Methods 0.000 claims abstract description 29
- 239000002245 particle Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000036461 convulsion Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W20/00—Control systems specially adapted for hybrid vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/182—Selecting between different operative modes, e.g. comfort and performance modes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
- B60W2510/244—Charge state
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供一种混合动力汽车动力系统协调控制的模式预测方法，包括以下步骤：针对混合动力汽车的动力系统构型建立以模型预测控制为基础的控制策略模型；基于LSTM神经网络建立整车需求扭矩、车速和电池SOC的LSTM神经网络预测模型；将混合动力汽车当前行驶的历史数据输入LSTM神经网络预测模型，通过LSTM神经网络预测模型输出混合动力汽车预定时间段后的需求扭矩、车速和电池SOC的预测值；控制策略模型根据预测值判断混合动力汽车将要进入的模式并在需求扭矩、车速和电池SOC的预测值达到模式切换条件时控制混合动力汽车进行模式切换。其能够在动力源协调控制的基础上预测切换模式并提前进行模式切换，延长切换时间，从而达到减小冲击度的目的。
Description
技术领域
本发明涉及混合动力汽车模式切换技术领域，具体涉及一种混合动力汽车动力系统协调控制的模式预测系统及方法。
背景技术
随着混合动力汽车(HEV)走进千家万户，混动汽车动力系统的协调控制问题逐渐进入人们视野。HEV的运行涉及多个动力源间的耦合，其结构较传统燃油车更复杂，不同的工作模式动力源的工作方式不同，且动力源动态响应时间上的差异易使模式切换过程中产生较大的纵向瞬态冲击及振动噪声，因此为改善混合动力汽车模式切换时的车辆性能，对模式切换过程进行研究具有重要的研究价值及意义。目前的研究主要集中在各动力源间的协调控制算法，研究路线比较单一。
以一款功率分流式混合动力汽车为例，如图1所示，双电机的功率分流式混合动力汽车抛弃了离合器、变速器，用电机MG1带动发动机1起动并调速，电机MG1与发动机1的转矩被前行星排合成并通过前行星排齿圈3传递到输出轴11上；电机MG2作为驱动电机通过后行星排与输出轴11相连，使得三个动力源完全耦合，任一动力源的波动都会直接影响到整车的纵向稳定性，使用整车纵向加速度对时间的一阶导数冲击度作为评价指标。前行星排行星架4与发动机1相连，前行星排太阳轮5与电机MG1相连，前行星排齿圈3与输出轴11相连；后行星排齿圈8固定，后行星排太阳轮10与电机MG2相连，后行星排行星架9与输出轴11相连。此构型大体可分为纯电动模式和混合驱动模式。混动模式时发动机和电机联合驱动，发动机1仅工作在最佳位置，发动机1多余动力则会通过电机MG1给动力电池充电。
进入混动模式时电机MG1会带动发动机1起动，然后到达经济转速并维持其转速在最佳位置不变，发动机1将在到达怠速转速时起动并开始响应需求转矩，但发动机1转矩响应相比于电机较慢，在发动机1起动时两电机转矩无法与发动机1转矩良好配合，造成动力输出不稳定，整车出现纵向冲击。
发明内容
针对上述背景技术中提出的问题，本发明提供一种混合动力汽车动力系统协调控制的模式预测系统及方法，其能够在动力源协调控制的基础上预测切换模式并提前进行模式切换，延长切换时间，从而达到减小冲击度的目的。
为达到上述目的，本发明所采用的技术方案是：
一种混合动力汽车动力系统协调控制的模式预测方法，包括以下步骤：
针对混合动力汽车的动力系统构型建立以模型预测控制为基础的控制策略模型，所述控制策略模型以需求扭矩、车速和电池SOC的判定为模式切换条件；
基于LSTM神经网络建立整车需求扭矩、车速和电池SOC的LSTM神经网络预测模型；
将混合动力汽车当前行驶的历史数据输入所述LSTM神经网络预测模型，通过所述LSTM神经网络预测模型输出混合动力汽车预定时间段后的需求扭矩、车速和电池SOC的预测值；
所述控制策略模型根据需求扭矩、车速和电池SOC的预测值判断混合动力汽车将要进入的模式，并在需求扭矩、车速和电池SOC的预测值达到模式切换条件时控制混合动力汽车进行模式切换。
进一步地，基于LSTM神经网络预测算法建立整车需求扭矩、车速和电池SOC的预测模型时还结合粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化。
进一步地，结合粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化的步骤包括：首先初始化PSO算法参数，用随机数初始化代表隐含层数量、学习率和迭代次数的粒子位置和速度，完成PSO优化的LSTM神经网络预测模型的搭建。
进一步地，完成PSO优化的LSTM神经网络预测模型的搭建后，还对PSO优化的LSTM神经网络预测模型进行训练。
进一步地，对PSO优化的LSTM神经网络预测模型进行训练的步骤为：采用所述控制策略模型，以需求扭矩、车速和电池SOC的判定为模式切换条件，进行城市循环工况实验，得到城市循环工况下的整车各项数据的数据集，将所述数据集分为训练集及测试集，通过训练集对LSTM神经网络预测模型迭代训练，每一次迭代中的粒子位置和速度都会作为LSTM的隐含层数量、学习率和迭代次数参与神经网络训练，计算神经网络预测输出值与实际值的误差，此误差以平均绝对百分比误差(MAPE)作为适应度函数来评价，根据历史全局最优来更新每个粒子速度和位置，直到适应度函数值小于误差允许量或迭代次数达到上限；将测试集输入训练好的神经网络，得到测试结果，测试结果也用所述平均绝对百分比误差(MAPE)描述，并在LSTM神经网络预测模型的测试结果未达到预设目标时对LSTM神经网络的batch size、记忆步长和预测步长参数进行调整，再利用数据集对LSTM神经网络预测模型训练及测试，重复上述步骤，直至测试结果达到预设目标，完成对LSTM神经网络预测模型的训练。
进一步地，所述适应度函数为：
本发明还提供一种混合动力汽车动力系统协调控制的模式预测系统，包括：
数据获取模块，用于获取混合动力汽车当前行驶的历史数据；
LSTM神经网络预测模块，所述LSTM神经网络预测模块设有基于LSTM神经网络预测算法建立的整车需求扭矩、车速和电池SOC的LSTM神经网络预测模型，所述LSTM神经网络预测模块用于接收混合动力汽车当前行驶的历史数据，并通过所述LSTM神经网络预测模型输出混合动力汽车预定时间段后的需求扭矩、车速和电池SOC的预测值；
协调控制模块，所述协调控制模块设有针对混合动力汽车建立的以模型预测控制为基础的控制策略模型，所述控制策略模型以需求扭矩、车速和电池SOC的判定为模式切换条件，所述协调控制模块根据需求扭矩、车速和电池SOC的预测值判断混合动力汽车将要进入的模式并在需求扭矩、车速和电池SOC的预测值达到模式切换条件时控制混合动力汽车进行模式切换。
本发明还提供一种包括所述混合动力汽车动力系统协调控制的模式预测系统的混合动力汽车。
由于采用上述技术方案，本发明具有以下有益效果：
1、上述混合动力汽车动力系统协调控制的模式预测方法及系统，通过长短时记忆(LSTM)神经网络根据混合动力汽车当前行驶的历史数据对混合动力汽车预设时间段后的需求扭矩、车速和电池SOC值进行预测，使用预测值作为判断混合动力汽车是否在预设时间段后达到模式切换条件，可以做到提前预知混合动力汽车是否需要进行模式切换以提前切换模式，在MPC目标函数权重为切换速度和冲击度的前提下，达到延长切换时间，减小纵向冲击的目的。
2、上述混合动力汽车动力系统协调控制的模式预测方法，通过粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化，能够提高神经网络的预测精度，并缩短训练时间。
附图说明
图1为现有技术中功率分流式混合动力汽车的动力系统构型示意图。
图2为LSTM神经网络的结构图。
图3为本发明一较佳实施方式的混合动力汽车动力系统协调控制的模式预测方法的流程图。
图4为本发明实施方式的混合动力汽车动力系统协调控制的模式预测系统的模块图。
主要元件符号说明
1-发动机；2-制动器CB；3-前行星排齿圈；4-前行星排行星架；5-前行星排太阳轮；6-电机MG1；7-电机MG2；8-后行星排齿圈；9-后行星排行星架；10-后行星排太阳轮；11-输出轴；12-主减速器；13-轮胎。
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它实施例，都属于本发明保护的范围。
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参见图3，本发明一较佳实施方式提供一种混合动力汽车动力系统协调控制的模式预测方法，其能够在动力源协调控制的基础上预测切换模式并提前进行模式切换，延长切换时间，从而达到减小冲击度的目的。所述混合动力汽车动力系统协调控制的模式预测方法包括以下步骤：
步骤S1，针对混合动力汽车的动力系统构型建立以模型预测控制为基础的控制策略模型，所述控制策略模型以需求扭矩、车速和电池SOC的判定为模式切换条件。
步骤S1中，以模型预测控制为基础的控制策略模型的建立属于现有技术，在本实施方式中，采用MATLAB/Simulink软件建立混合动力汽车的动力系统构型。以图1所示的双电机的功率分流式混合动力汽车为例，现有技术中混合动力汽车动力的行驶模式通常包括纯电驱动模式、混合驱动模式、纯燃油引擎直驱模式等，而目前混合动力汽车模式切换协调控制应用比较多的动力系统协调控制方法是模型预测控制(MPC)，其根据混合动力汽车动力系统当前的状态预测被控系统未来的状态，通过在线滚动求解目标函数，得到最优控制量，使发动机转速在切换过程中平稳跟随目标转速，以达到起动发动机并调速的目的。
MPC是一种反馈控制策略，由预测模型、反馈校正和在线滚动优化三个关键部分组成。其中，预测模型的选取与控制器控制功能的实现密切相关，该模型需要满足准确描述被控系统行为和精确预测被控系统未来动态两点要求，此控制策略应用的预测模型为根据动力系统构型建立的如下形式的状态空间方程：
式(1)中，状态量x为发动机转速，控制量u1为电机MG1转矩，干扰d1为发动机转矩和前行星排转速。输出y为发动机转速。Ac、Bcu1、Bcd1、Cc分别为系统状态系数矩阵、系统控制系数矩阵、系统干扰系数矩阵和输出状态系数矩阵。
按采样周期T对上述状态空间方程离散化后，根据模型预测基本原理可得未来预测时域内的预测值Y(k+1|k)，设置目标函数如下：
式中：Yref(k+1)＝[yref(k+1) yref(k+2)…yref(k+Np)]，yref表示参考输出，即发动机目标转速；k表示当前时刻，Y(k)为当前时刻被控系统上的测量值，Δu(k)为控制增量，Np表示系统的预测时域，Nc表示系统的控制时域，Qy为调节跟踪性能的正加权矩阵，Qy越大，模式切换时间越短，Ru是调节模式切换时车辆纵向冲击的正加权矩阵，Ru越大，每次求出的Δu越小，即转矩变化越平稳，引起的纵向冲击越小。
由于电机和发动机的性能限制，需要设置发动机转速和电机输出转矩及增量上下限，即对系统状态量、控制量和目标函数的解设置约束。结合此约束，可将式(2)看作一个带约束的二次规划问题并求解，得到系统控制量增量。
从式(2)可以看出，所得的目标函数中的两项权重分别为模式切换速度和冲击度，以发动机起动过程为例，即发动机起动时间越长，则冲击度越小，反之亦然，所以若能尽可能延长模式切换的时间，就能在一定程度上减小冲击度。
现有技术中，是当混合动力汽车的控制策略模型判断当前行驶的需求扭矩、车速或电池SOC值达到模式切换设定的阈值后，才得出混合动力汽车有模式切换的意图，随后才通过协调控制策略对混合动力汽车动力的模式切换进行协调控制。若单纯延长发动机起动时间，则会导致动力中断或电机MG2超负荷运转；若通过减小进入混动模式的需求扭矩、车速和电池SOC设定的阈值，达到提前切换以延长切换时间的目的，则有些本不需要模式切换的情况会出现模式切换，模式的多次频繁切换会导致动力源频繁起停，经济性和动力源寿命都会受到影响。
因此，若能提前预测混合动力汽车一段时间后将要进入的行驶模式，再提前切换，可达到既减小了冲击度，又不影响汽车正常行驶的目的。
步骤S2，基于LSTM神经网络建立整车需求扭矩、车速和电池SOC的LSTM神经网络预测模型。
LSTM是一种对循环神经网络(RNN)的改进网络，具有更长的记忆时长，用以解决数据的长距离依赖问题，且能有效避免梯度爆炸和梯度消失。LSTM通过遗忘门、输入门和输出门，来辨别哪些信息应该被保留，哪些信息应该被舍弃，并将保留信息进行长时间的储存，传输至后续多个时刻，LSTM神经网络除了可识别各数据间的联系外还能识别出各数据在时序序列下的联系，在时序预测中具有较强的优势。
LSTM神经网络结构如图2所示，t表示时刻，xt为输入层在t时刻的输入，ht为t时刻的隐含层单元输出量，Ct为t时刻的细胞状态量，σ表示sigmoid函数，输出在0到1之间，tanh是双曲正切函数，输出在-1到1之间。
LSTM神经网络的循环单元包含三个门结构，每个门有不同的作用。以下公式下标f、g、o分别表示遗忘门、输入门和输出门。W为权重，权重决定了某特征在预测输出时的重要程度。b为偏置，决定了对神经元激活状态的控制，使曲线可以左右移动，能更好得拟合到需要的曲线。
遗忘门的功能是决定应丢弃或保留哪些细胞信息。将来自前一个隐藏状态的信息和当前输入的信息同时传递到sigmoid函数中去，得到一个介于0和1之间的输出值ft，越接近0意味着越应该丢弃，越接近1意味着越应该保留。ft将与上一个细胞状态Ct-1相乘，决定上一个细胞状态应该保留的部分。遗忘门的状态表达式如式(3)所示。
ft＝σ(Wf·[ht-1,xt]+bf) (3)
输入门用于更新细胞状态。首先将前一层隐藏状态的信息和当前输入的信息传递到sigmoid函数中去得到gt，gt为重要性因子，数值在0～1之间，0表示不重要，1表示重要，gt用来决定哪些重要的信息需要被保留下来。其次还要将前一层隐藏状态的信息和当前输入的信息传递到tanh函数中去，创建一个新的候选值向量
最后将gt与
相乘，并与遗忘门所决定的旧的细胞状态保留部分相加，得到更新后的细胞状态Ct。输入门的状态表达式如式(4)所示：
式中Wc和bc表示新加入细胞状态的内容的权重和偏置。
新的细胞状态表达式如式(5)所示：
输出门用来确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息。首先，将前一个隐藏状态和当前输入传递到sigmoid函数中得到ot，然后将新得到的细胞状态Ct传递给tanh函数，并与ot相乘得到新的隐藏状态ht。最后把新的细胞状态和新的隐藏状态传递到下一个时间步长中去。输出门的状态表达式如式(6)所示。
在本实施方式中，将混合动力汽车当前行驶的需求扭矩、车速、电池SOC、电池电压和电流、加速踏板以及制动踏板行程的历史数据输入至LSTM神经网络的输入层，由于LSTM利用的是时序数据，因此以上各数据的变化率信息也在其中；通过基于LSTM神经网络建立整车需求扭矩、车速和电池SOC的LSTM神经网络预测模型可输出预设时间段后的需求扭矩、车速和电池SOC的预测值。
在本实施方式中，在基于LSTM神经网络预测算法建立整车需求扭矩、车速和电池SOC的预测模型时还结合粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化。
粒子群优化算法(PSO)是一种进化计算技术，源于对鸟群捕食的行为研究。粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。PSO的优势在于简单、容易实现，并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。PSO算法通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化时，包括以下步骤：
S21，首先初始化PSO算法参数，包括设置种群规模、迭代次数、搜索速度范围以及误差允许量等；
S22，用随机数初始化代表隐含层数量、学习率和迭代次数的粒子位置和速度，完成PSO优化的LSTM神经网络预测模型的搭建。
在本实施方式中，完成PSO优化的LSTM神经网络预测模型的搭建后，还对PSO优化的LSTM神经网络预测模型进行训练，具体为：采用步骤S1搭建的以模型预测控制为基础的控制策略模型，以需求扭矩、车速和电池SOC的判定为模式切换条件，进行城市循环工况实验，得到城市循环工况下的整车各项数据构成数据集；将所述数据集分为训练集及测试集，在本实施方式中，以所述数据集中的80％作为训练集，剩余20％作为测试集，通过训练集对LSTM神经网络预测模型迭代训练，每一次迭代中的粒子位置和速度都会作为LSTM的隐含层数量、学习率和迭代次数参与神经网络训练，计算神经网络预测输出值与实际值的误差，此误差以平均绝对百分比误差(MAPE)作为适应度函数来评价，如式(7)所示。根据历史全局最优(即适应度函数最小的粒子)来更新每个粒子速度和位置，直到适应度函数值小于误差允许量或迭代次数达到上限。
式(7)中A为实际值，F为预测值，n为样本个数，t表示时刻。
达到迭代次数限制后将测试集输入训练好的神经网络，得到测试结果，测试结果也用式(7)的MAPE表示误差，并在LSTM神经网络预测模型的测试结果未达到预设目标时对LSTM神经网络的batch size、记忆步长和预测步长参数进行调整，再利用数据集对LSTM神经网络预测模型训练及测试，重复上述步骤，直至测试结果达到预设目标，完成对LSTM神经网络预测模型的训练。其中每个batch内的数据量为神经网络每一次用于更新权重输入的数据量，即对样本进行分批训练，批数为batch size。
步骤S3，将混合动力汽车当前行驶的历史数据输入所述LSTM神经网络预测模型，通过所述LSTM神经网络预测模型输出混合动力汽车预定时间段后的需求扭矩、车速和电池SOC的预测值。在本实施方式中，混合动力汽车当前行驶的历史数据包括需求扭矩、车速、电池SOC、电池电压和电流、加速踏板以及制动踏板行程等。所述预定时间段即为LSTM神经网络的预测步长。
步骤S4，所述控制策略模型根据需求扭矩、车速和电池SOC的预测值判断混合动力汽车将要进入的模式，并在需求扭矩、车速和电池SOC的预测值达到模式切换条件时控制混合动力汽车进行模式切换。
在所述控制策略模型判断达到模式切换条件时，通过所述控制策略模型对混合动力汽车动力的模式切换进行协调控制。例如，当需求扭矩、车速和电池SOC的预测值达到混合驱动模式的设定阈值时，所述控制策略模型控制根据其内设定的控制策略协调混合动力汽车的发动机、电机起动开始进行模式切换，若需求扭矩、车速和电池SOC的预测值未达到混合驱动模式的设定阈值时，则混合动力汽车以当前的行驶模式继续行驶。
请一并参见图4，本发明实施方式还提供一种混合动力汽车动力系统协调控制的模式预测系统，包括：
数据获取模块，用于获取混合动力汽车当前行驶的历史数据；混合动力汽车当前行驶的历史数据的获取属于现有技术，为省略篇幅，这里不再赘述；
LSTM神经网络预测模块，所述LSTM神经网络预测模块设有基于LSTM神经网络预测算法建立的整车需求扭矩、车速和电池SOC的LSTM神经网络预测模型，所述LSTM神经网络预测模块用于接收混合动力汽车当前行驶的历史数据，并通过所述LSTM神经网络预测模型输出混合动力汽车预定时间段后的需求扭矩、车速和电池SOC的预测值；
协调控制模块，所述协调控制模块设有针对混合动力汽车建立的以模型预测控制为基础的控制策略模型，所述控制策略模型以需求扭矩、车速和电池SOC的判定为模式切换条件，所述协调控制模块根据需求扭矩、车速和电池SOC的预测值判断混合动力汽车将要进入的模式并在需求扭矩、车速和电池SOC的预测值达到模式切换条件时控制混合动力汽车进行模式切换。
本发明实施方式还提供一种包括所述混合动力汽车动力系统协调控制的模式预测系统的混合动力汽车。
本发明实施方式的混合动力汽车动力系统协调控制的模式预测方法及系统，通过长短时记忆(LSTM)神经网络根据混合动力汽车当前行驶的历史数据对混合动力汽车预设时间段后的需求扭矩、车速和电池SOC值进行预测，使用预测值作为判断混合动力汽车是否在预设时间段后达到模式切换条件，可以做到提前预知混合动力汽车是否需要进行模式切换以提前切换模式，在MPC目标函数权重为切换速度和冲击度的前提下，达到延长切换时间，减小纵向冲击的目的。
本发明实施方式的混合动力汽车动力系统协调控制的模式预测方法，通过粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化，能够提高神经网络的预测精度，并缩短训练时间。
上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所提示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。
Claims (8)
1.一种混合动力汽车动力系统协调控制的模式预测方法，其特征在于，包括以下步骤：
针对混合动力汽车的动力系统构型建立以模型预测控制为基础的控制策略模型，所述控制策略模型以需求扭矩、车速和电池SOC的判定为模式切换条件；
基于LSTM神经网络建立整车需求扭矩、车速和电池SOC的LSTM神经网络预测模型；
将混合动力汽车当前行驶的历史数据输入所述LSTM神经网络预测模型，通过所述LSTM神经网络预测模型输出混合动力汽车预定时间段后的需求扭矩、车速和电池SOC的预测值；
所述控制策略模型根据需求扭矩、车速和电池SOC的预测值判断混合动力汽车将要进入的模式，并在需求扭矩、车速和电池SOC的预测值达到模式切换条件时控制混合动力汽车进行模式切换。
2.如权利要求1所述的混合动力汽车动力系统协调控制的模式预测方法，其特征在于，基于LSTM神经网络预测算法建立整车需求扭矩、车速和电池SOC的预测模型时还结合粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化。
3.如权利要求2所述的混合动力汽车动力系统协调控制的模式预测方法，其特征在于，结合粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化的步骤包括：首先初始化PSO算法参数，用随机数初始化代表隐含层数量、学习率和迭代次数的粒子位置和速度，完成PSO优化的LSTM神经网络预测模型的搭建。
4.如权利要求3所述的混合动力汽车动力系统协调控制的模式预测方法，其特征在于，完成PSO优化的LSTM神经网络预测模型的搭建后，还对PSO优化的LSTM神经网络预测模型进行训练。
5.如权利要求4所述的混合动力汽车动力系统协调控制的模式预测方法，其特征在于，对PSO优化的LSTM神经网络预测模型进行训练的步骤为：采用所述控制策略模型，以需求扭矩、车速和电池SOC的判定为模式切换条件，进行城市循环工况实验，得到城市循环工况下的整车各项数据的数据集；将所述数据集分为训练集及测试集，通过训练集对LSTM神经网络预测模型迭代训练，每一次迭代中的粒子位置和速度都会作为LSTM的隐含层数量、学习率和迭代次数参与神经网络训练，计算神经网络预测输出值与实际值的误差，此误差以平均绝对百分比误差(MAPE)作为适应度函数来评价，根据历史全局最优来更新每个粒子速度和位置，直到适应度函数值小于误差允许量或迭代次数达到上限；将测试集输入训练好的神经网络，得到测试结果，测试结果也用所述平均绝对百分比误差(MAPE)表示误差，并在LSTM神经网络预测模型的测试结果未达到预设目标时对LSTM神经网络的batch size、记忆步长和预测步长参数进行调整，再利用数据集对LSTM神经网络预测模型训练及测试，重复上述步骤，直至测试结果达到预设目标，完成对LSTM神经网络预测模型的训练。
6.如权利要求5所述的混合动力汽车动力系统协调控制的模式预测方法，其特征在于，所述适应度函数为：
7.一种混合动力汽车动力系统协调控制的模式预测系统，其特征在于，包括：
数据获取模块，用于获取混合动力汽车当前行驶的历史数据；
LSTM神经网络预测模块，所述LSTM神经网络预测模块设有基于LSTM神经网络预测算法建立的整车需求扭矩、车速和电池SOC的LSTM神经网络预测模型，所述LSTM神经网络预测模块用于接收混合动力汽车当前行驶的历史数据，并通过所述LSTM神经网络预测模型输出混合动力汽车预定时间段后的需求扭矩、车速和电池SOC的预测值；
协调控制模块，所述协调控制模块设有针对混合动力汽车建立的以模型预测控制为基础的控制策略模型，所述控制策略模型以需求扭矩、车速和电池SOC的判定为模式切换条件，所述协调控制模块根据需求扭矩、车速和电池SOC的预测值判断混合动力汽车将要进入的模式并在需求扭矩、车速和电池SOC的预测值达到模式切换条件时控制混合动力汽车进行模式切换。
8.一种混合动力汽车，其特征在于，包括如权利要求7所述的混合动力汽车动力系统协调控制的模式预测系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210555610.2A CN114802180B (zh) | 2022-05-19 | 2022-05-19 | 混合动力汽车动力系统协调控制的模式预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210555610.2A CN114802180B (zh) | 2022-05-19 | 2022-05-19 | 混合动力汽车动力系统协调控制的模式预测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114802180A true CN114802180A (zh) | 2022-07-29 |
| CN114802180B CN114802180B (zh) | 2024-10-01 |
Family
ID=82516402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210555610.2A Active CN114802180B (zh) | 2022-05-19 | 2022-05-19 | 混合动力汽车动力系统协调控制的模式预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114802180B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116339153A (zh) * | 2023-05-22 | 2023-06-27 | 科大智能物联技术股份有限公司 | 基于粒子群优化的石灰炉窑控制方法 |
| CN116424332A (zh) * | 2023-04-10 | 2023-07-14 | 重庆大学 | 深度强化学习型混合动力汽车能量管理策略增强更新方法 |
| CN117698688A (zh) * | 2024-02-06 | 2024-03-15 | 北京航空航天大学 | 一种基于短时车速预测的混动传动系统模式智能切换方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180170356A1 (en) * | 2016-12-16 | 2018-06-21 | Hyundai Motor Company | Hybrid Vehicle and Method of Controlling Mode Transition |
| CN109849895A (zh) * | 2019-02-28 | 2019-06-07 | 江苏大学 | 一种基于神经网络观测器的混合动力汽车自适应e-h切换协调控制方法 |
| CN114291067A (zh) * | 2021-12-29 | 2022-04-08 | 山东大学 | 基于预测的混合动力汽车凸优化能量控制方法及系统 |
-
2022
- 2022-05-19 CN CN202210555610.2A patent/CN114802180B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180170356A1 (en) * | 2016-12-16 | 2018-06-21 | Hyundai Motor Company | Hybrid Vehicle and Method of Controlling Mode Transition |
| CN109849895A (zh) * | 2019-02-28 | 2019-06-07 | 江苏大学 | 一种基于神经网络观测器的混合动力汽车自适应e-h切换协调控制方法 |
| CN114291067A (zh) * | 2021-12-29 | 2022-04-08 | 山东大学 | 基于预测的混合动力汽车凸优化能量控制方法及系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116424332A (zh) * | 2023-04-10 | 2023-07-14 | 重庆大学 | 深度强化学习型混合动力汽车能量管理策略增强更新方法 |
| CN116424332B (zh) * | 2023-04-10 | 2023-11-21 | 重庆大学 | 深度强化学习型混合动力汽车能量管理策略增强更新方法 |
| CN116339153A (zh) * | 2023-05-22 | 2023-06-27 | 科大智能物联技术股份有限公司 | 基于粒子群优化的石灰炉窑控制方法 |
| CN116339153B (zh) * | 2023-05-22 | 2023-09-01 | 科大智能物联技术股份有限公司 | 基于粒子群优化的石灰炉窑控制方法 |
| CN117698688A (zh) * | 2024-02-06 | 2024-03-15 | 北京航空航天大学 | 一种基于短时车速预测的混动传动系统模式智能切换方法 |
| CN117698688B (zh) * | 2024-02-06 | 2024-04-09 | 北京航空航天大学 | 一种基于短时车速预测的混动传动系统模式智能切换方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114802180B (zh) | 2024-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111267831B (zh) | 一种混合动力车辆智能变时域模型预测能量管理方法 | |
| CN114802180B (zh) | 混合动力汽车动力系统协调控制的模式预测系统及方法 | |
| CN110341690B (zh) | 一种基于确定性策略梯度学习的phev能量管理方法 | |
| CN111731303B (zh) | 一种基于深度强化学习a3c算法的hev能量管理方法 | |
| CN112265546B (zh) | 基于时空序列信息的网联汽车车速预测方法 | |
| CN110991757B (zh) | 一种混合动力电动汽车综合预测能量管理方法 | |
| Tang et al. | Battery health-aware and deep reinforcement learning-based energy management for naturalistic data-driven driving scenarios | |
| CN112668799A (zh) | 基于行驶大数据的phev的智能能量管理方法和存储介质 | |
| Arsie et al. | Optimization of supervisory control strategy for parallel hybrid vehicle with provisional load estimate | |
| CN110406526A (zh) | 基于自适应动态规划的并联混合动力汽车能量管理方法 | |
| CN113051667A (zh) | 一种混合动力汽车能量管理策略的加速学习方法 | |
| Li et al. | Online learning control for hybrid electric vehicle | |
| CN112249002A (zh) | 一种基于td3的启发式串并联混合动力能量管理方法 | |
| CN113682293B (zh) | 智能网联混合动力汽车多系统动态协调控制系统及方法 | |
| CN115107733A (zh) | 一种混合动力汽车的能量管理方法及系统 | |
| CN111597750A (zh) | 一种基于bp神经网络的混合动力汽车能量管理方法 | |
| Hua et al. | Energy management of multi-mode plug-in hybrid electric vehicle using multi-agent deep reinforcement learning | |
| CN115805840A (zh) | 一种增程式电动装载机能耗控制方法及系统 | |
| Chang et al. | Speed control of electric vehicle by using type-2 fuzzy neural network | |
| Opila | Uncertain route, destination, and traffic predictions in energy management for hybrid, plug-in, and fuel-cell vehicles | |
| CN113246958B (zh) | 基于td3多目标hev能量管理方法及系统 | |
| CN113581163B (zh) | 基于lstm的多模phev模式切换优化与能量管理方法 | |
| CN117922373A (zh) | 一种不同海拔下的增程式电动汽车apu自适应控制方法 | |
| Yazar et al. | Actor-critic TD3-based deep reinforcement learning for energy management strategy of HEV | |
| Yuankai et al. | Benchmarking deep reinforcement learning based energy management systems for hybrid electric vehicles |
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 |