CN115107734A - 用于混合动力电驱动车辆前后功率链协调控制方法及系统 - Google Patents
用于混合动力电驱动车辆前后功率链协调控制方法及系统 Download PDFInfo
- Publication number
- CN115107734A CN115107734A CN202210813649.XA CN202210813649A CN115107734A CN 115107734 A CN115107734 A CN 115107734A CN 202210813649 A CN202210813649 A CN 202210813649A CN 115107734 A CN115107734 A CN 115107734A
- Authority
- CN
- China
- Prior art keywords
- vehicle speed
- power
- control
- target
- 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.)
- Pending
Links
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
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
- B60W20/11—Controlling the power contribution of each of the prime movers to meet required power demand using model predictive control [MPC] strategies, i.e. control methods based on models predicting performance
-
- 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
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
- B60W20/13—Controlling the power contribution of each of the prime movers to meet required power demand in order to stay within battery power input or output limits; in order to prevent overcharging or battery depletion
-
- 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
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
- B60W20/15—Control strategies specially adapted for achieving a particular effect
-
- 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
- B60W20/20—Control strategies involving selection of hybrid configuration, e.g. selection between series or parallel configuration
-
- 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
- B60W20/50—Control strategies for responding to system failures, e.g. for fault diagnosis, failsafe operation or limp mode
-
- 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
- B60W2510/06—Combustion engines, Gas turbines
- B60W2510/0666—Engine power
-
- 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
- B60W2510/08—Electric propulsion units
- B60W2510/085—Power
- B60W2510/086—Power change rate
-
- 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
-
- 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
- Y02T10/62—Hybrid vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及一种用于混合动力电驱动车辆前后功率链协调控制方法及系统,其包括:将历史车速、加速踏板和制动踏板信号输入预先构建的模糊推理系统中,得到预测车速;通过功率流耦合关系预先建立面向控制的前后功率链的动态预测模型,用于预测车辆未来的运行状态,并设置考虑车速跟踪、SOC保持、油耗降低、功率波动减小的多目标优化函数,并在系统约束条件下利用数值解法求解多目标优化函数,实现前功率不同动力源之间功率分配和后功率链的纵向控制的协调优化控制。本发明能减弱强瞬态工况下混合动力汽车动力源需求功率的剧烈波动,保障强瞬态工况下发动机工作的稳定性,同时提高燃油经济性;可以在车辆控制领域中应用。
Description
技术领域
本发明涉及一种车辆控制技术领域,特别是关于一种用于混合动力电驱动车辆前后功率链协调控制方法及系统。
背景技术
在混合动力电传动履带车辆中,串联型混合动力系统因其结构简单、布置灵活、控制容易而备受关注。但是发动机与电机响应速度的差异也带来了新的协调控制问题,表现为在强瞬态工况下,易出现发动机调速困难甚至熄火的情况,进而造成前功率链无法满足后功率链的功率需求。
发明内容
针对上述问题,本发明的目的是提供一种用于混合动力电驱动车辆前后功率链协调控制方法及系统,其能减弱强瞬态工况下混合动力汽车动力源需求功率的剧烈波动,保障强瞬态工况下发动机工作的稳定性,同时提高燃油经济性。
为实现上述目的,本发明采取以下技术方案:一种用于混合动力电驱动车辆前后功率链协调控制方法,其包括:将历史车速、加速踏板和制动踏板信号输入预先构建的模糊推理系统中,得到预测车速;将预测车速作为优化目标中的目标车速,通过功率流耦合关系预先建立面向控制的前后功率链的动态预测模型,用于预测车辆未来的运行状态,并设置考虑车速跟踪、SOC保持、油耗降低、功率波动减小及目标车速的多目标优化函数,并在系统约束条件下利用数值解法求解多目标优化函数,实现前功率不同动力源之间功率分配和后功率链的纵向控制的协调优化控制。
进一步,所述模糊推理系统的构建方法包括:
将典型循环工况和实车运行数据划分为训练集和测试集;实车运行数据包括历史车速、加速踏板和制动踏板信号;
设置模糊推理系统的五层结构;
采用训练集对模糊推理系统进行训练,调整模糊推理系统的前件和后件参数。
进一步,所述模糊推理系统的五层结构,包括:
隶属函数层,用于将输入信号精确值转换为模糊语言,分别将当前车速与加速度的论域划分为低、中、高三类,并采用高斯型隶属度函数来刻画处于中间过渡的状态差异双方所具有的倾向性;
归一化层,对9个隶属度进行归一化;
总输出层,将第四层每个节点的输出累加得到总输出。
进一步,所述采用训练集对模糊推理系统进行训练,采用BP算法和最小二乘法的混合算法调整模糊推理系统的前件和后件参数,包括:
在混合算法中,前向阶段计算到第四层,然后采用最小二乘法辨识后件参数;
反向阶段误差信号反向传播,采用BP算法更新前件参数,当前件参数固定时,用最小二乘法辨识的后件参数是最优的。
进一步,所述动态预测模型为:
式中,表示电池SOC的微分,Uoc表示电池开路电压,Pd表示需求功率,Pe表示发动机功率,Rb表示电池内阻,表示燃油消耗率,Lookup-Table(Pe)表示根据发动机功率查表,表示车速微分,δ表示旋转质量换算系数,m表示整车质量,r表示轮胎半径,Tm表示驱动电机力矩,i′表示传动比,Tb表示机械制动力矩,g表示重力加速度,f表示滚动阻力系数,α表示坡度,ρ表示空气密度,CD表示空气阻力系数,A表示迎风面积,v表示车速。
进一步,所述多目标优化函数为:
式中,Np表示预测时域,ω1~ω6分别表示车速跟踪项、SOC保持项、油耗项、驱动电机驱动力项、机械制动力项和发动机功率变化项权重系数,vref表示目标车速,SOC表示电池的SOC,SOCref表示目标SOC,mf表示油耗,ΔFm表示驱动电机力变化量,ΔFbrk表示机械制动力变化量,ΔPe表示发动机功率变化量。
进一步,所述多目标优化函数的求解包括:
在时间窗口开始时通过反馈给出状态量初值x0,利用动态预测模型预测预先设定的预测时域Np的系统动态;
车速预测模型的预测车速作为车速目标值,SOC目标值设为定值,将车速目标值与SOC目标值组成参考信号序列,求解控制时域Nm内的控制变量序列,Nm≤Np,控制时域之外控制变量保持不变,使得多目标优化函数达到最小;
仅将控制序列的第一个控制量作用于被控对象,其余控制量全部舍弃,并在下一采样时刻重复优化过程。
一种用于混合动力电驱动车辆前后功率链协调控制系统,其包括:车速预测模块,将历史车速、加速踏板和制动踏板信号输入预先构建的模糊推理系统中,得到预测车速;协调控制模块,将预测车速作为优化目标中的目标车速,通过功率流耦合关系预先建立面向控制的前后功率链的动态预测模型,用于预测车辆未来的运行状态,并设置考虑车速跟踪、SOC保持、油耗降低、功率波动减小及目标车速的多目标优化函数,并在系统约束条件下利用数值解法求解多目标优化函数,实现前功率不同动力源之间功率分配和后功率链的纵向控制的协调优化控制。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行上述方法中的任一方法。
一种计算设备,其包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明可以解决强瞬态工况下混合动力电驱动车辆发动机因瞬时加载速率过大而熄火的问题,抑制在强瞬态工况下混合动力系统的瞬态变动,使得混合动力电驱动车辆的燃油经济性提高。
2、本发明通过优化算法减弱强瞬态工况下混合动力汽车动力源需求功率的剧烈波动,保障强瞬态工况下发动机工作的稳定性,同时提高燃油经济性。
附图说明
图1是本发明一实施例中用于混合动力电驱动车辆前后功率链协调控制方法整体流程图;
图2是本发明一实施例中前后功率链协调控制方法详细流程图;
图3是本发明一实施例中模糊推理系统结构图;
图4是本发明一实施例中多目标优化函数求解方法示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明提供的用于混合动力电驱动车辆前后功率链协调控制方法及系统,根据历史车速信息和驾驶员踏板信号信息预测未来车速;考虑功率平滑和经济性,通过模型预测控制实现前功率不同动力源之间功率分配和后功率链的纵向控制的协调优化控制。本发明充分考虑重型车辆发动机与电机的响应性差异,通过车速预测和模型预测控制的优化控制方法,实现后功率链加载与前功率链动力输出之间的协调控制,可有效抑制发动机的剧烈瞬态,同时可提高燃油经济性。
在本发明的一个实施例中,提供一种用于混合动力电驱动车辆前后功率链协调控制方法。本实施例中,如图1、图2所示,该方法包括以下步骤:
1)将历史车速、加速踏板和制动踏板信号输入预先构建的模糊推理系统中,得到精准的未来预测车速;
2)将预测车速作为优化目标中的目标车速vref,通过功率流耦合关系预先建立面向控制的前后功率链的动态预测模型,用于预测车辆未来的运行状态,并设置考虑车速跟踪、SOC保持、油耗降低、功率波动减小及目标车速的多目标优化函数,并在系统约束条件下利用数值解法求解多目标优化函数,实现前功率不同动力源之间功率分配和后功率链的纵向控制的协调优化控制。
上述步骤1)中,模糊推理系统的构建方法包括以下步骤:
1.1)将典型循环工况和实车运行数据划分为训练集和测试集;实车运行数据包括历史车速、加速踏板和制动踏板信号;
1.2)设置模糊推理系统的五层结构;
1.3)采用训练集对模糊推理系统进行训练,调整模糊推理系统的前件和后件参数。
上述步骤1.2)中,模糊推理系统的五层结构,如图3所示,包括:
第一层:隶属函数层,用于将输入信号精确值转换为模糊语言,分别将当前车速与加速度的论域划分为低、中、高三类,并采用高斯型隶属度函数来刻画处于中间过渡的状态差异双方所具有的倾向性;
其中,高斯型隶属度函数g(x;c,σ)为:
式中,c和σ为待调整的参数,c代表隶属度函数的中心,σ代表隶属度函数的宽度,这些用于确定隶属度函数形状的参数称为前件参数。x'表示隶属度函数输入,x表示状态变量。
第二层:模糊推理层,该层每个节点对应一条模糊规则,共9条规则,输出为每条规则的隶属函数值ωi,代表每条规则的可信度:
第三层:归一化层,对9个隶属度进行归一化:
第五层:总输出层,将第四层每个节点的输出累加得到总输出O:
上述步骤1.3)中,在给定前件参数后,模糊神经网络的输出可以表示为后件参数的线性组合,因此可以通过结合BP算法和最小二乘法的混合算法来调整系统的前件和后件参数。
在本实施例中,采用训练集对模糊推理系统进行训练,采用BP算法和最小二乘法的混合算法调整模糊推理系统的前件和后件参数,包括以下步骤:
1.3.1)在混合算法中,前向阶段计算到第四层,然后采用最小二乘法辨识后件参数;
1.3.2)反向阶段误差信号反向传播,采用BP算法更新前件参数,当前件参数固定时,用最小二乘法辨识的后件参数是最优的。采用混合算法可以减少BP算法的搜索空间尺度,从而提高模糊神经网络的训练速度。
在实际应用过程中,前向学习过程采用n组训练数据的输入值,求得参数值及输出值,n个值按最小二乘法原则计算计算值与训练数据原期望误差值,并将此误差值反向传回,按梯度下降法修正前件参数,在改变这些参数的过程中不断实现对隶属度函数图形的修改,以期在设定的循环过程中达到输出误差最小的目的。
上述步骤2)中,动态预测模型为:
式中,表示电池SOC的微分,Uoc表示电池开路电压,Pd表示需求功率,Pe表示发动机功率,Rb表示电池内阻,表示燃油消耗率,Lookup-Table(Pe)表示根据发动机功率查表,表示车速微分,δ表示旋转质量换算系数,m表示整车质量,r表示轮胎半径,Tm表示驱动电机力矩,i′表示传动比,Tb表示机械制动力矩,g表示重力加速度,f表示滚动阻力系数,α表示坡度,ρ表示空气密度,CD表示空气阻力系数,A表示迎风面积,v表示车速。
状态变量x,控制输入u,可测扰动md分别为:
上述步骤2)中,综合考虑车速跟踪、SOC保持、油耗降低和部件功率变化平稳的要求,在预测时域Np内建立的多目标优化函数J为:
式中,Np表示预测时域,ω1~ω6分别表示车速跟踪项、SOC保持项、油耗项、驱动电机驱动力项、机械制动力项和发动机功率变化项权重系数,vref表示目标车速,SOC表示电池的SOC,SOCref表示目标SOC,mf表示油耗,ΔFm表示驱动电机力变化量,ΔFbrk表示机械制动力变化量,ΔPe表示发动机功率变化量。
上述步骤2)中,如图4所示,多目标优化函数的求解包括以下步骤:
2.1)在时间窗口开始时通过被控对象(整车模型)反馈给出状态量初值x0,利用动态预测模型预测预先设定的预测时域Np内的系统动态;
2.2)车速预测模型的预测车速作为车速目标值,由于要实现SOC保持,SOC目标值设为定值,将车速目标值与SOC目标值组成参考信号序列,利用数值求解算法求解控制时域Nm内的控制变量序列,Nm≤Np,控制时域之外控制变量保持不变,使得多目标优化函数J达到最小;
在本实施例中,优化求解过程除需满足预测模型所示的非线性动态约束以外还需满足各物理量的限值约束:
2.3)仅将控制序列的第一个控制量作用于被控对象(整车模型),其余控制量全部舍弃,并在下一采样时刻重复优化过程。
综上,本发明解决了现有技术中存在的如何利用功率流耦合的关系实现混合动力电驱动车辆前后功率链之间功率供给与功率需求之间的协调,使得混合动力电驱动车辆在强瞬态工况下(如急加速工况)仍然可以稳定工作,避免发动机熄火、电池电流超限的情况,并且可以提升燃油经济性。
本发明利用模糊推理系统进行准确的车速预测,在验证时需保障车速预测精度达到85%以上;而且采用的动态预测模型根据实际系统的数据进行校核,保障精度达到85%以上。
本发明的一个实施例中,提供一种用于混合动力电驱动车辆前后功率链协调控制系统,其包括:
车速预测模块,将历史车速、加速踏板和制动踏板信号输入预先构建的模糊推理系统中,得到预测车速;
协调控制模块,将预测车速作为优化目标中的目标车速,通过功率流耦合关系预先建立面向控制的前后功率链的动态预测模型,用于预测车辆未来的运行状态,并设置考虑车速跟踪、SOC保持、油耗降低、功率波动减小及目标车速的多目标优化函数,并在系统约束条件下利用数值解法求解多目标优化函数,实现前功率不同动力源之间功率分配和后功率链的纵向控制的协调优化控制。
本实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
本发明一实施例中提供的计算设备结构,该计算设备可以是终端,其可以包括:处理器(processor)、通信接口(Communications Interface)、存储器(memory)、显示屏和输入装置。其中,处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序,该计算机程序被处理器执行时以实现一种用于混合动力电驱动车辆前后功率链协调控制方法;该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、管理商网络、NFC(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏,该输入装置可以是显示屏上覆盖的触摸层,也可以是计算设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令,以执行如下方法:将历史车速、加速踏板和制动踏板信号输入预先构建的模糊推理系统中,得到预测车速;将预测车速作为优化目标中的目标车速,通过功率流耦合关系预先建立面向控制的前后功率链的动态预测模型,用于预测车辆未来的运行状态,并设置考虑车速跟踪、SOC保持、油耗降低、功率波动减小及目标车速的多目标优化函数,并在系统约束条件下利用数值解法求解多目标优化函数,实现前功率不同动力源之间功率分配和后功率链的纵向控制的协调优化控制。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以理解,上述计算设备示出的结构,仅仅是与本申请方案相关的部分结构,并不构成对本申请方案所应用于其上的计算设备的限定,具体的计算设备可以包括更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本发明的一个实施例中,提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:将历史车速、加速踏板和制动踏板信号输入预先构建的模糊推理系统中,得到预测车速;将预测车速作为优化目标中的目标车速,通过功率流耦合关系预先建立面向控制的前后功率链的动态预测模型,用于预测车辆未来的运行状态,并设置考虑车速跟踪、SOC保持、油耗降低、功率波动减小及目标车速的多目标优化函数,并在系统约束条件下利用数值解法求解多目标优化函数,实现前功率不同动力源之间功率分配和后功率链的纵向控制的协调优化控制。
在本发明的一个实施例中,提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述各实施例提供的方法,例如包括:将历史车速、加速踏板和制动踏板信号输入预先构建的模糊推理系统中,得到预测车速;将预测车速作为优化目标中的目标车速,通过功率流耦合关系预先建立面向控制的前后功率链的动态预测模型,用于预测车辆未来的运行状态,并设置考虑车速跟踪、SOC保持、油耗降低、功率波动减小及目标车速的多目标优化函数,并在系统约束条件下利用数值解法求解多目标优化函数,实现前功率不同动力源之间功率分配和后功率链的纵向控制的协调优化控制。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用于混合动力电驱动车辆前后功率链协调控制方法,其特征在于,包括:
将历史车速、加速踏板和制动踏板信号输入预先构建的模糊推理系统中,得到预测车速;
将预测车速作为优化目标中的目标车速,通过功率流耦合关系预先建立面向控制的前后功率链的动态预测模型,用于预测车辆未来的运行状态,并设置考虑车速跟踪、SOC保持、油耗降低、功率波动减小及目标车速的多目标优化函数,并在系统约束条件下利用数值解法求解多目标优化函数,实现前功率不同动力源之间功率分配和后功率链的纵向控制的协调优化控制。
2.如权利要求1所述用于混合动力电驱动车辆前后功率链协调控制方法,其特征在于,所述模糊推理系统的构建方法包括:
将典型循环工况和实车运行数据划分为训练集和测试集;实车运行数据包括历史车速、加速踏板和制动踏板信号;
设置模糊推理系统的五层结构;
采用训练集对模糊推理系统进行训练,调整模糊推理系统的前件和后件参数。
4.如权利要求2所述用于混合动力电驱动车辆前后功率链协调控制方法,其特征在于,所述采用训练集对模糊推理系统进行训练,采用BP算法和最小二乘法的混合算法调整模糊推理系统的前件和后件参数,包括:
在混合算法中,前向阶段计算到第四层,然后采用最小二乘法辨识后件参数;
反向阶段误差信号反向传播,采用BP算法更新前件参数,当前件参数固定时,用最小二乘法辨识的后件参数是最优的。
7.如权利要求1或6所述用于混合动力电驱动车辆前后功率链协调控制方法,其特征在于,所述多目标优化函数的求解包括:
在时间窗口开始时通过反馈给出状态量初值x0,利用动态预测模型预测预先设定的预测时域Np的系统动态;
车速预测模型的预测车速作为车速目标值,SOC目标值设为定值,将车速目标值与SOC目标值组成参考信号序列,求解控制时域Nm内的控制变量序列,Nm≤Np,控制时域之外控制变量保持不变,使得多目标优化函数达到最小;
仅将控制序列的第一个控制量作用于被控对象,其余控制量全部舍弃,并在下一采样时刻重复优化过程。
8.一种用于混合动力电驱动车辆前后功率链协调控制系统,其特征在于,包括:
车速预测模块,将历史车速、加速踏板和制动踏板信号输入预先构建的模糊推理系统中,得到预测车速;
协调控制模块,将预测车速作为优化目标中的目标车速,通过功率流耦合关系预先建立面向控制的前后功率链的动态预测模型,用于预测车辆未来的运行状态,并设置考虑车速跟踪、SOC保持、油耗降低、功率波动减小及目标车速的多目标优化函数,并在系统约束条件下利用数值解法求解多目标优化函数,实现前功率不同动力源之间功率分配和后功率链的纵向控制的协调优化控制。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备,其特征在于,包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210813649.XA CN115107734A (zh) | 2022-07-11 | 2022-07-11 | 用于混合动力电驱动车辆前后功率链协调控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210813649.XA CN115107734A (zh) | 2022-07-11 | 2022-07-11 | 用于混合动力电驱动车辆前后功率链协调控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115107734A true CN115107734A (zh) | 2022-09-27 |
Family
ID=83331229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210813649.XA Pending CN115107734A (zh) | 2022-07-11 | 2022-07-11 | 用于混合动力电驱动车辆前后功率链协调控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115107734A (zh) |
-
2022
- 2022-07-11 CN CN202210813649.XA patent/CN115107734A/zh active Pending
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 | |
Wu et al. | Continuous reinforcement learning of energy management with deep Q network for a power split hybrid electric bus | |
Li et al. | Ecological adaptive cruise control and energy management strategy for hybrid electric vehicles based on heuristic dynamic programming | |
Alcala et al. | Gain‐scheduling LPV control for autonomous vehicles including friction force estimation and compensation mechanism | |
Wang et al. | Self-learning cruise control using kernel-based least squares policy iteration | |
CN110750877A (zh) | 一种Apollo平台下的车辆跟驰行为预测方法 | |
Wei et al. | Deep reinforcement learning based direct torque control strategy for distributed drive electric vehicles considering active safety and energy saving performance | |
Huang et al. | Adaptive neural control of vehicle yaw stability with active front steering using an improved random projection neural network | |
Novi et al. | Real-time control for at-limit handling driving on a predefined path | |
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 | |
CN107139923A (zh) | 一种acc决策方法及系统 | |
Chen et al. | A genetic algorithm‐optimized fuzzy logic controller to avoid rear‐end collisions | |
Marzbanrad et al. | Self-tuning control algorithm design for vehicle adaptive cruise control system through real-time estimation of vehicle parameters and road grade | |
Pan et al. | Energy-optimal adaptive cruise control strategy for electric vehicles based on model predictive control | |
Li et al. | Energy management strategy for parallel hybrid electric vehicles based on approximate dynamic programming and velocity forecast | |
Maia et al. | Regenerative braking system modeling by fuzzy Q-Learning | |
He et al. | A second-order slip model for constraint backstepping control of antilock braking system based on Burckhardt’s model | |
Hua et al. | Energy management of multi-mode plug-in hybrid electric vehicle using multi-agent deep reinforcement learning | |
Liessner et al. | Safe deep reinforcement learning hybrid electric vehicle energy management | |
Fu et al. | Nmpc-based path tracking control strategy for autonomous vehicles with stable limit handling | |
Hayat et al. | A holistic approach to the energy-efficient smoothing of traffic via autonomous vehicles | |
Li et al. | Autonomous vehicle modeling and velocity control based on decomposed fuzzy PID | |
Chen et al. | RHONN-modeling-based predictive safety assessment and torque vectoring for holistic stabilization of electrified vehicles | |
Chengqun et al. | A novel regenerative braking energy recuperation system for electric vehicles based on driving style | |
Kerbel et al. | Driver assistance eco-driving and transmission control with deep reinforcement learning |
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 |