CN115061373A - 一种混合动力系统电机温升预测博弈优化控制方法 - Google Patents
一种混合动力系统电机温升预测博弈优化控制方法 Download PDFInfo
- Publication number
- CN115061373A CN115061373A CN202210734995.9A CN202210734995A CN115061373A CN 115061373 A CN115061373 A CN 115061373A CN 202210734995 A CN202210734995 A CN 202210734995A CN 115061373 A CN115061373 A CN 115061373A
- Authority
- CN
- China
- Prior art keywords
- motor
- temperature rise
- vehicle
- temperature
- power system
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/60—Controlling or determining the temperature of the motor or of the drive
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/60—Controlling or determining the temperature of the motor or of the drive
- H02P29/64—Controlling or determining the temperature of the winding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Hybrid Electric Vehicles (AREA)
Abstract
本发明公开了一种混合动力系统电机温升预测博弈优化控制方法,包括以下步骤:S1:根据历史采样时刻以及当前时刻的驾驶员踏板位置、车速、加速度车辆状态信号以及高斯过程回归预测得到未来车辆需求车速函数v(t*)的分布;S2:取95%的置信区间作为未来车速轨迹范围,95%的置信区间内的任意一条速度轨迹同等对待,作为博弈参与者“环境”的策略集;S3:根据插电式混合动力汽车参数,构建车辆与动力系统各部件动力学模型;本发明在能量管理策略中建立电机温升模型和转矩波动模型,以燃油消耗、电机温升以及整车动力性为目标函数,构建基于MPC的预测型能量管理框架,实现燃油经济性、电机温升和寿命以及动力性多目标的协同优化。
Description
技术领域
本发明属于电机技术领域,具体涉及一种混合动力系统电机温升预测博弈优化控制方法。
背景技术
电机作为PHEV的核心部件之一,在汽车动力性、燃油经济性等方面起着至关重要的作用。由于温度的影响,永磁同步电机在不同工况下持续运行时会导致电机的电磁参数如定子电阻、交直轴电感和永磁体磁链发生变化,导致电机输出转矩出现一定范围的波动。温升过高不仅影响定子绕组绝缘寿命,更影响永磁体磁性。随着电机温度的增加,磁通强度将会降低,电机输出转矩将会受到影响,严重时还将会导致永磁体不可逆退磁。目前应用较多的永磁材料主要有铁氧体、稀土钴和钕铁硼三种,研究表明,当电机温升超过100℃时,铁氧体永磁电机每极气隙磁通量将减少18%~20%,电机参数发生明显变化,永磁电机性能显著降低。金属导体在电机运行时会受温变效应影响,且驱动电机在市区典型工况下稳定运行时定子温升超过100℃,定子电阻值随温升增大幅度将超过40%,对电机高转速下转矩精准控制带来极大挑战。此外,在苛刻的工作条件下,如重载、长时间运行,电机甚至可能出现热故障,导致关键部件失效。虽然传统热保护策略会在电机温度过高时降低最大输出转矩以保护电机,但是这种保护机制会影响PHEV的燃油经济性和动力性。
合理的能量管理方法对整车动力性和经济性具有重要的影响,然而,现有的混合动力车辆能量管理方法,较多专注于系统的工作效率,而忽略各部件物理状态对其工作效率的影响。其中各部件的热状态对其工作性能具有决定性作用。因此,如何在保证机电复合传动系统IGBT模块稳定工作的同时,提高车辆燃油经济性,具有重要的研究意义和复杂的技术挑战。现有能量管理策略研究大多集中于电池包热管理,而对IGBT模块热状态研究几乎没有。因此,亟需一种考虑电机控制器IGBT温度的预测能量管理策略。它的任务是在行驶过程中尽可能减少车辆的燃料消耗,并减少IGBT温度指标,提高IGBT的使用寿命。
现有技术一的技术方案
通常,防止电机过热的方法可分为两类,即电机热管理(MTM)技术和电机热保护(MTP)技术。为了防止电机过热,MTM增加散热,而MTP限制生热。MTM作为电机设计的一个关键方面,使用复杂的冷却系统来降低电机的温度。通常,在电机设计阶段,采用有限元分析、计算流体动力学和集总参数热网络相结合的方法,建立设计的冷却系统和电机的高保真模型,通过对电机热动力学的精确模拟,计算电机温度分布,评估MTM是否能将电机部件温度保持在安全范围。MTP是电机控制系统的重要组成部分,它基于估计的定子绕组温度,通过限制过载时间和电流来防止电机过热。目前,定子绕组温度估计方法主要有直接测量法、基于热模型的和基于电机参数的温度估计方法。一旦定子绕组温度达到极限温度,MTP通过熔断器、过载继电器等热保护装置降低电机允许的最大转矩,甚至使电机停止运行。然而,这种传统的MTP会影响PHEV的燃油经济性和动力性,因为电机可能无法提供足够的所需扭矩。电机传统MTP如图1。正常情况下,电机的最大输出转矩曲线是图中Tmmax曲线。如果电机的温度达到极限温度τ2,会触发MTP,最大输出转矩下降到δTmmax(δ是一常数,且0<δ<1),以主动降低电机最大输出功率,从而使电机温度下降。在冷却过程中,当温度下降到阈值τ1,电机的最大输出转矩恢复到Tmmax。
现有技术一的缺点
这种传统的MTP会影响PHEV的燃油经济性和动力性,因为电机可能无法提供足够的所需扭矩。对PHEV动力性和燃油经济性的影响如图2所示。如果不考虑电机热保护,会给能源管理控制带来负面影响。当热保护触发时,电机可能无法提供足够的转矩来满足EMS分配给电机的转矩。在这种情况下,为了满足车辆的动力需求,发动机转矩将试图补偿电机转矩的减少。如图2中Case1所示,发动机工作点由高效区向低效区转移,最优转矩分配策略被破坏,或者Case3中电机无法最大限度地回收制动能量。甚至,如图2Case2所示,当整车需求转矩较大时,发动机即使以最大转矩提供动力也无法满足整车动力需求,导致整车动力性降低。因此,在EMS的设计中有必要考虑MTP,将电机温度限制在一定范围内,避免触发TMTP策略,以保证足够的整车动力性和良好的燃油经济性。
针对现有技术一的缺点以及电机运行过程中定子内阻温变效应导致转矩波动从而使整车动力性下降的问题,在能量管理策略中建立电机温升模型和转矩波动模型,以燃油消耗、电机温升以及整车动力性为目标函数,构建基于MPC的预测型能量管理框架,实现燃油经济性、电机温升和寿命以及动力性多目标的协同优化。
发明内容
本发明为解决上述技术问题,本发明提出了一种混合动力系统电机温升预测博弈优化控制方法。
一种混合动力系统电机温升预测博弈优化控制方法,包括以下步骤:
S1:根据历史采样时刻以及当前时刻的驾驶员踏板位置、车速、加速度车辆状态信号以及高斯过程回归预测得到未来车辆需求车速函数v(t*)的分布;
S2:取95%的置信区间作为未来车速轨迹范围,95%的置信区间内的任意一条速度轨迹同等对待,作为博弈参与者“环境”的策略集;
S3:根据插电式混合动力汽车参数,构建车辆与动力系统各部件动力学模型;
S4:以燃油消耗、电机温升以及动力性为目标函数,构建基于MPC的预测型能量管理框架;
S5:考虑未来行驶工况的最坏情况,构建最大最小博弈模型;
S6:根据最大最小博弈模型,采用博弈优化算法求得斯塔伯格均衡,作为最坏情况下的电机和发动机的转矩分配结果。
优选地,S1包括以下子步骤:
S11:采用高斯过程回归预测得到未来车辆需求车速函数v(t*)的分布;
S12:历史采样时刻以及当前时刻的驾驶员踏板位置、车速、加速度车辆状态信号为X(t)=[α(t),v(t),a(t)]T,定义历史实际过程X(t)的均值函数m(t)和核函数k(t,t′)为
m(t)=E[X(t)]
k(t,t′)=E[(X(t)-m(t))(X(t′)-m(t′))]
历史实际过程X(t)写成高斯过程形式:
X(t)~GP(m(t),k(t,t′))
S13:历史实际过程X与未来X*的联合分布为:
历史实际过程有n个训练点和未来预测有n*个测试点,K(X,X*)表示所有训练点和测试点对的n×n*协方差矩阵,K(X,X),K(X*,X),K(X*,X*)同理可得。选择高斯型径向基函数核,利用极大似然原理估计核参数。
优选地,S2包括以下子步骤:
S21:通过计算后验分布来计算预测分布:
X*|t*,t,X~N(K(t*,t)K(t,t)-1X,K(t*,t*)-K(t*,t)K(t,t)-1K(t,t*))
未来车辆需求车速函数v(t*)的分布;
S22:取95%的置信区间作为未来车速轨迹范围,95%的置信区间内的任意一条速度轨迹同等对待,作为博弈参与者“环境”的策略集。
优选地,S3包括以下子步骤:
S31:车辆纵向动力学模型为
其中,m为整车质量,g为重力加速度,f为滚动阻力系数,θ为道路的坡度,A为迎风面积,Cd为空气阻力系数,ρa为空气密度,v为车辆速度,δm是整车等效质量,r为车轮半径;
S32:建立动力系统各部件动力学模型:
车轮所需的扭矩由发动机、电机和机械制动器共同提供,动力平衡可以写成:
其中Te和Tm分别是发动机和电机转矩.i0为主减速比,ig为AMT传动比,ηT为传动效率,考虑同轴并联混合动力系统的运动学约束,车轮与动力源之间的转速关系为:
其中ωw,ωe和ωm分别为车轮,发动机和电机的转速;
S33:建立电机转矩波动模型
定子绕组温升特性:
当电机温度为τ时,铜绕组的电阻率为:
ρτ=ρ20[1+α(τ-20)]
其中ρ20为温度为20℃时的电阻率,α为导体温度系数。电机每相绕组阻值Rm与温度的函数关系用式为:
其中N1,l1,A1,a1分别为每相绕组串联匝数,线圈半匝长度,导体横截面积,并联支路数;
永磁体的温度特性:
当电机温度为τm时,永磁体剩磁为:
其中B20为永磁体温度为20℃时的剩磁密度,αB为可逆温度系数,钕铁硼温度系数一般取-0.13;
当电机温度为τm时,永磁体磁链为:
其中Φ20为永磁体温度为20℃时的磁链;
考虑电机温度的影响,电机实际转矩的波动为:
S34:建立电机热电耦合模型:
电机热模型可以用单一的时间常数热方程来描述:
其中τm和Im分别为电机定子绕组相对于环境的温升和等效电流;Cm为定子绕组比热容;Hm为散热系数;Rm为电机内阻;
S35:建立电机效率-温度模型
计及温升效应的电机效率为:
ηm=η(nm,Tm,τm)
其中,τm:电机定子绕组相对于环境的温升,Tm为电机定子绕组的温度,nm为。
优选地,S4包括以下子步骤:
S41:系统状态方程为:
其中,V为电池开环电压,Rb为电池内阻,Pb为电池功率,Qb为电池容量,κ可以通过标准热过载曲线求得;
S42:建立基于燃油经济性与电机温升的代价函数:
其中为燃油消耗率,SOC(N)为预测时域终端SOC,SOCref(N)为预测时域终端参考SOC,μr,μτ和μT分别为SOC跟踪成本、温升成本和转矩波动成本的权重系数,γ是与电机温度相关的自适应调整系数。
优选地,S5的最大最小博弈模型
博弈的三个要素包括参与者、策略集和利益;
在这个博弈模型中,EMS和环境,即未来驾驶条件,本专利为车辆的速度,作为博弈的两个参与者;
第一个参与者EMS的目的是在每一步从策略集U中选择决策Tm使成本函数J最小化;
本发明混合动力系统电机温升预测博弈优化控制方法至少具有以下技术效果:
1.本发明在EMS的设计中考虑电机温升,将电机温度限制在一定范围内,避免电机过热触发MTP策略,提高电机运行可靠性,以保证足够的整车动力性和良好的燃油经济性。
2.本发明在EMS的设计中考虑电机温升导致的转矩波动,保证整车动力性。
3.本发明建立最大最小博弈模型,采用滚动博弈优化算法求得斯塔伯格均衡,作为最坏情况下的电机和发动机的转矩分配结果,对不确定未来驾驶条件产生可靠响应。
附图说明
图1为本发明的传统电机热保护策略图。
图2为本发明的传统MTP对燃油经济性和整车动力性的影响图。
图3为本发明流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
一种混合动力系统电机温升预测博弈优化控制方法,如图3,包括以下步骤:
S1:根据历史采样时刻以及当前时刻的驾驶员踏板位置、车速、加速度车辆状态信号以及高斯过程回归预测得到未来车辆需求车速函数v(t*)的分布,取95%的置信区间作为未来车速轨迹范围,置信区间内的任意一条速度轨迹同等对待,作为博弈参与者“环境”的策略集;
S2:根据插电式混合动力汽车参数,构建车辆与动力系统各部件动力学模型;
S3:以燃油消耗、电机温升以及动力性为目标函数,构建基于MPC的预测型能量管理框架;
S4:考虑未来行驶工况的最坏情况,构建最大最小博弈模型;
S5:采用博弈优化算法求得斯塔伯格均衡,作为最坏情况下的电机和发动机的转矩分配结果。
S1中,可以通过一维马尔科夫链,神经网络,长短期预测序列等一系列方法进行代替。
S5中,可以通过离散转矩方法求解斯塔伯格均衡,也可以通过微分博弈理论求解里卡提方程。
进一步,所述步骤S1包括以下步骤:
S11:采用高斯过程回归预测得到未来车辆需求车速函数v(t*)的分布。历史采样时刻以及当前时刻的驾驶员踏板位置、车速、加速度车辆状态信号为X(t)=[α(t),v(t),a(t)]T,定义历史实际过程X(t)的均值函数m(t)和核函数k(t,t′)为
m(t)=E[X(t)]
k(t,t′)=E[(X(t)-m(t))(X(t′)-m(t′))] (1.1)
历史实际过程X(t)写成高斯过程形式:
X(t)~GP(m(t),k(t,t′)) (1.2)
S12:历史实际过程X与未来X*的联合分布为:
历史实际过程有n个训练点和未来预测有n*个测试点,K(X,X*)表示所有训练点和测试点对的n×n*协方差矩阵,K(X,X),K(X*,X),K(X*,X*)同理可得。选择高斯型径向基函数核,利用极大似然原理估计核参数。
S13:通过计算后验分布来计算预测分布:
X*|t*,t,X~N(K(t*,t)K(t,t)-1X,K(t*,t*)-K(t*,t)K(t,t)-1K(t,t*)) (1.4)
未来车辆需求车速函数v(t*)的分布。
S14:取95%的置信区间作为未来车速轨迹范围,置信区间内的任意一条速度轨迹同等对待,作为博弈参与者“环境”的策略集。
步骤S2包括以下步骤:
S21:车辆纵向动力学模型为:
其中m为整车质量,g为重力加速度,f为滚动阻力系数,θ为道路的坡度,A为迎风面积,Cd为空气阻力系数,ρa为空气密度,v为车辆速度,δm是整车等效质量,r为车轮半径。
S22:建立动力系统各部件动力学模型:
车轮所需的扭矩由发动机、电机和机械制动器共同提供,动力平衡可以写成:
其中Te和Tm分别是发动机和电机转矩.i0为主减速比,ig为AMT传动比,ηT为传动效率。考虑同轴并联混合动力系统的运动学约束,车轮与动力源之间的转速关系为:
其中ωw,ωe和ωm分别为车轮,发动机和电机的转速。
S23:建立电机转矩波动模型
定子绕组温升特性:
当电机温度为τ时,铜绕组的电阻率为:
ρτ=ρ20[1+α(τ-20)] (1.8)
其中ρ20为温度为20℃时的电阻率,α为导体温度系数。电机每相绕组阻值Rm与温度的函数关系用式为:
其中N1,l1,A1,a1分别为每相绕组串联匝数,线圈半匝长度,导体横截面积,并联支路数。
永磁体的温度特性:
当电机温度为τm时,永磁体剩磁为:
其中B20为永磁体温度为20℃时的剩磁密度,αB为可逆温度系数,钕铁硼温度系数一般取-0.13。
当电机温度为τm时,永磁体磁链为:
其中Φ20为永磁体温度为20℃时的磁链。
考虑电机温度的影响,电机实际转矩的波动为:
S24:建立电机热电耦合模型:
电机热模型可以用单一的时间常数热方程来描述:
其中τm和Im分别为电机定子绕组相对于环境的温升和等效电流;Cm为定子绕组比热容;Hm为散热系数.Rm为电机内阻。
S25:建立电机效率-温度模型
计及温升效应的电机效率为:
ηm=η(nm,Tm,τm) (1.14)
步骤S3包括以下步骤:
S31:系统状态方程为:
其中V为电池开环电压,Rb为电池内阻,Pb为电池功率,Qb为电池容量,κ可以通过标准热过载曲线求得。
S32:建立基于燃油经济性与电机温升的代价函数:
其中为燃油消耗率,SOC(N)为预测时域终端SOC,SOCref(N)为预测时域终端参考SOC,μr,μτ和μT分别为SOC跟踪成本、温升成本和转矩波动成本的权重系数,γ是与电机温度相关的自适应调整系数。
步骤S4包括以下步骤:
S41:构建最大最小博弈模型:
博弈的三个要素分别是参与者、策略集和利益。
在这个博弈模型中,EMS和环境(未来驾驶条件,本专利为车辆的速度)作为博弈的两个参与者。第一个参与者EMS的目的是在每一步从策略集U中选择决策Tm使成本函数J最小化;
实际上,环境作为一个虚拟参与者,是无意识的和目的不明确的。因此,为了使EMS能够处理最坏的驾驶场景,并对不同的驾驶条件产生可靠响应,假设第二参与者环境的目的是在每一步从策略集(W′由二维马尔科夫链求得)中选择决策w使成本函数J最大化。
步骤S5包括以下步骤:
S51:在给定的预测时域内,基于滚动博弈优化的决策过程可以描述为:
序列对(u*,w*)是滚动博弈中的斯塔伯格均衡对。求解上述问题,获得斯塔伯格均衡。对于MPC问题,将u*的第一个值作为系统发动机-电机最优转矩分配。
在EMS的设计中考虑电机温升,温度对电机效率的影响,由温升效应产生的电机转矩波动。
在MPC框架下建立最大最小博弈模型,采用滚动博弈优化算法求得斯塔伯格均衡,作为最坏情况下的电机和发动机的转矩分配结果,对不确定未来驾驶条件产生可靠响应。
Claims (6)
1.一种混合动力系统电机温升预测博弈优化控制方法,其特征在于,包括以下步骤:
S1:根据历史采样时刻以及当前时刻的驾驶员踏板位置、车速、加速度车辆状态信号以及高斯过程回归预测得到未来车辆需求车速函数v(t*)的分布;
S2:取95%的置信区间作为未来车速轨迹范围,95%的置信区间内的任意一条速度轨迹同等对待,作为博弈参与者“环境”的策略集;
S3:根据插电式混合动力汽车参数,构建车辆与动力系统各部件动力学模型;
S4:以燃油消耗、电机温升以及动力性为目标函数,构建基于MPC的预测型能量管理框架;
S5:考虑未来行驶工况的最坏情况,构建最大最小博弈模型;
S6:根据最大最小博弈模型,采用博弈优化算法求得斯塔伯格均衡,作为最坏情况下的电机和发动机的转矩分配结果。
2.根据权利要求1所述的混合动力系统电机温升预测博弈优化控制方法,其特征在于,所述S1包括以下子步骤:
S11:采用高斯过程回归预测得到未来车辆需求车速函数v(t*)的分布;
S12:历史采样时刻以及当前时刻的驾驶员踏板位置、车速、加速度车辆状态信号为X(t)=[α(t),v(t),a(t)]T,定义历史实际过程X(t)的均值函数m(t)和核函数k(t,t′)为
m(t)=E[X(t)]
k(t,t′)=E[(X(t)-m(t))(X(t′)-m(t′))]
历史实际过程X(t)写成高斯过程形式:
X(t)~GP(m(t),k(t,t′))
S13:历史实际过程X与未来X*的联合分布为:
历史实际过程有n个训练点和未来预测有n*个测试点,K(X,X*)表示所有训练点和测试点对的n×n*协方差矩阵,K(X,X),K(X*,X),K(X*,X*)同理可得。选择高斯型径向基函数核,利用极大似然原理估计核参数。
3.根据权利要求1所述的混合动力系统电机温升预测博弈优化控制方法,其特征在于,所述S2包括以下子步骤:
S21:通过计算后验分布来计算预测分布:
X*|t*,t,X~N(K(t*,t)K(t,t)-1X,K(t*,t*)-K(t*,t)K(t,t)-1K(t,t*))
未来车辆需求车速函数v(t*)的分布;
S22:取95%的置信区间作为未来车速轨迹范围,95%的置信区间内的任意一条速度轨迹同等对待,作为博弈参与者“环境”的策略集。
4.根据权利要求1所述的混合动力系统电机温升预测博弈优化控制方法,其特征在于,所述S3包括以下子步骤:
S31:车辆纵向动力学模型为
其中,m为整车质量,g为重力加速度,f为滚动阻力系数,θ为道路的坡度,A为迎风面积,Cd为空气阻力系数,ρa为空气密度,v为车辆速度,δm是整车等效质量,r为车轮半径;
S32:建立动力系统各部件动力学模型:
车轮所需的扭矩由发动机、电机和机械制动器共同提供,动力平衡可以写成:
其中Te和Tm分别是发动机和电机转矩.i0为主减速比,ig为AMT传动比,ηT为传动效率,考虑同轴并联混合动力系统的运动学约束,车轮与动力源之间的转速关系为:
其中ωw,ωe和ωm分别为车轮,发动机和电机的转速;
S33:建立电机转矩波动模型
定子绕组温升特性:
当电机温度为τ时,铜绕组的电阻率为:
ρτ=ρ20[1+α(τ-20)]
其中ρ20为温度为20℃时的电阻率,α为导体温度系数。电机每相绕组阻值Rm与温度的函数关系用式为:
其中N1,l1,A1,a1分别为每相绕组串联匝数,线圈半匝长度,导体横截面积,并联支路数;
永磁体的温度特性:
当电机温度为τm时,永磁体剩磁为:
其中B20为永磁体温度为20℃时的剩磁密度,αB为可逆温度系数,钕铁硼温度系数一般取-0.13;
当电机温度为τm时,永磁体磁链为:
其中Φ20为永磁体温度为20℃时的磁链;
考虑电机温度的影响,电机实际转矩的波动为:
S34:建立电机热电耦合模型:
电机热模型可以用单一的时间常数热方程来描述:
其中τm和Im分别为电机定子绕组相对于环境的温升和等效电流;Cm为定子绕组比热容;Hm为散热系数;Rm为电机内阻;
S35:建立电机效率-温度模型
计及温升效应的电机效率为:
ηm=η(nm,Tm,τm)
其中,τm:电机定子绕组相对于环境的温升,Tm为电机定子绕组的温度,nm为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210734995.9A CN115061373B (zh) | 2022-06-27 | 2022-06-27 | 一种混合动力系统电机温升预测博弈优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210734995.9A CN115061373B (zh) | 2022-06-27 | 2022-06-27 | 一种混合动力系统电机温升预测博弈优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115061373A true CN115061373A (zh) | 2022-09-16 |
CN115061373B CN115061373B (zh) | 2023-05-05 |
Family
ID=83201798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210734995.9A Active CN115061373B (zh) | 2022-06-27 | 2022-06-27 | 一种混合动力系统电机温升预测博弈优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115061373B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725682A (zh) * | 2023-12-28 | 2024-03-19 | 中国汽车工程研究院股份有限公司 | 一种基于大数据的新能源汽车阈值确定方法及系统 |
CN117806175A (zh) * | 2024-03-01 | 2024-04-02 | 北京理工大学 | 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009000970A1 (de) * | 2009-02-18 | 2010-08-19 | Zf Friedrichshafen Ag | Verfahren zum Betreiben eines Antriebsstrangs |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110294418A (zh) * | 2019-08-06 | 2019-10-01 | 上海海事大学 | 一种混合动力轮胎式集装箱起重机分布式能量管理方法 |
CN110751346A (zh) * | 2019-11-04 | 2020-02-04 | 重庆中涪科瑞工业技术研究院有限公司 | 一种基于驾驶速度预测和博弈论的分布式能源管理方法 |
CN111891110A (zh) * | 2020-05-15 | 2020-11-06 | 吉林大学 | 智能网联混合动力汽车能量-热量一体化实时管理系统 |
CN112180280A (zh) * | 2020-09-27 | 2021-01-05 | 吉林大学 | 一种考虑电池健康状态的混合动力汽车电池寿命优化方法 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN113859224A (zh) * | 2021-11-15 | 2021-12-31 | 重庆大学 | 考虑电机热状态的插电混合动力汽车预测型能量管理方法 |
-
2022
- 2022-06-27 CN CN202210734995.9A patent/CN115061373B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009000970A1 (de) * | 2009-02-18 | 2010-08-19 | Zf Friedrichshafen Ag | Verfahren zum Betreiben eines Antriebsstrangs |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN110294418A (zh) * | 2019-08-06 | 2019-10-01 | 上海海事大学 | 一种混合动力轮胎式集装箱起重机分布式能量管理方法 |
CN110751346A (zh) * | 2019-11-04 | 2020-02-04 | 重庆中涪科瑞工业技术研究院有限公司 | 一种基于驾驶速度预测和博弈论的分布式能源管理方法 |
CN111891110A (zh) * | 2020-05-15 | 2020-11-06 | 吉林大学 | 智能网联混合动力汽车能量-热量一体化实时管理系统 |
CN112180280A (zh) * | 2020-09-27 | 2021-01-05 | 吉林大学 | 一种考虑电池健康状态的混合动力汽车电池寿命优化方法 |
CN113859224A (zh) * | 2021-11-15 | 2021-12-31 | 重庆大学 | 考虑电机热状态的插电混合动力汽车预测型能量管理方法 |
Non-Patent Citations (1)
Title |
---|
鲁楠: "基于零和博弈的PHEV制动能量回收控制策略", 《中国测试》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725682A (zh) * | 2023-12-28 | 2024-03-19 | 中国汽车工程研究院股份有限公司 | 一种基于大数据的新能源汽车阈值确定方法及系统 |
CN117806175A (zh) * | 2024-03-01 | 2024-04-02 | 北京理工大学 | 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 |
CN117806175B (zh) * | 2024-03-01 | 2024-04-30 | 北京理工大学 | 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115061373B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115061373B (zh) | 一种混合动力系统电机温升预测博弈优化控制方法 | |
Singh et al. | A comprehensive review on hybrid electric vehicles: architectures and components | |
US8482237B2 (en) | Motor temperature estimation based on thermal model | |
Han et al. | Predictive energy management for plug-in hybrid electric vehicles considering electric motor thermal dynamics | |
Xu et al. | Adaptive supervisory control strategy of a fuel cell/battery-powered city bus | |
CN107599890A (zh) | 一种电动汽车驱动电机的温度控制方法、装置及电动汽车 | |
Roscher et al. | High efficiency energy management in BEV applications | |
US20110246011A1 (en) | Operating method for a hybrid vehicle which is driven on a circuit | |
Zhang et al. | ECMS-MPC energy management strategy for plug-in hybrid electric buses considering motor temperature rise effect | |
Kim et al. | Projecting recent advancements in battery technology to next‐generation electric vehicles | |
US20220200405A1 (en) | Apparatus and method for cooling components of a heavy-duty electric vehicle | |
CN113859224B (zh) | 考虑电机热状态的插电混合动力汽车预测型能量管理方法 | |
Guo et al. | Predictive energy management for dual-motor BEVs considering temperature-dependent traction inverter loss | |
Demir | IM to IPM design transformation using neural network and DoE approach considering the efficiency and range extension of an electric vehicle | |
Demir | Improvement of the power to weight ratio for an induction traction motor using design of experiment on neural network | |
Saiteja et al. | Development of efficient energy management strategy to mitigate speed and torque ripples in SR motor through adaptive supervisory self-learning technique for electric vehicles | |
Zhang et al. | A Predictive PMP Strategy for Plug-In Hybrid Electric Buses Considering Motor Thermal Characteristics and Loss Distribution | |
Melnyk et al. | Analysis of SI IGBT and SIC MOSFET three phase inverter technologies in HEV, P-HEV and EV applications | |
Pourseif et al. | Design of robust control for a motor in electric vehicles | |
Ghanaatian et al. | Application and simulation of dual‐mechanical‐port machine in hybrid electric vehicles | |
Kim et al. | Design of traction motor for mitigating energy consumption of light electric vehicle considering material properties and drive cycles | |
Dhar et al. | Techno-economic assessment of various motors for three-wheeler E-auto rickshaw: From Indian context | |
Ai et al. | Robust rotor temperature estimation of permanent magnet motors for electric vehicles | |
Ghadbane et al. | Optimal Adaptive Fractional Order Integral Sliding Mode Controller‐Energy Management Strategy for Electric Vehicles Based on Bald Eagle Search Algorithm | |
Abdelli et al. | Efficient design methodology of an all-electric vehicle powertrain using multi-objective genetic optimization algorithm |
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 |