CN115236978A - 基于预测车速的等效因子调整系统及方法 - Google Patents

基于预测车速的等效因子调整系统及方法 Download PDF

Info

Publication number
CN115236978A
CN115236978A CN202210878704.3A CN202210878704A CN115236978A CN 115236978 A CN115236978 A CN 115236978A CN 202210878704 A CN202210878704 A CN 202210878704A CN 115236978 A CN115236978 A CN 115236978A
Authority
CN
China
Prior art keywords
fuzzy
unit
vehicle speed
data recording
equivalent factor
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
Application number
CN202210878704.3A
Other languages
English (en)
Other versions
CN115236978B (zh
Inventor
田韶鹏
姜文琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210878704.3A priority Critical patent/CN115236978B/zh
Publication of CN115236978A publication Critical patent/CN115236978A/zh
Application granted granted Critical
Publication of CN115236978B publication Critical patent/CN115236978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • 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
    • B60W50/0097—Predicting future conditions
    • 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
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0013—Optimal controllers
    • 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
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0017—Modal analysis, e.g. for determining system stability
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/10—Accelerator pedal position
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/12—Brake pedal position

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Fuzzy Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请提供一种基于预测车速的等效因子调整系统包括车速时间序列记录模块、信号预处理重构模块、踏板开度检测模块、模糊控制单元、数据记录单元、预测单元、第一计算单元、第二计算单元；模糊控制单元包括包含第一模糊规则库和第二模糊规则库；分别针对不同的模糊信号，根据不同的模糊规则得到模糊控制输出。数据记录单元中包含第一数据记录单元，第二数据记录单元和第三数据记录单元；分别记录经信号预处理重构模块分解重构后的车速时间序列本征模态函数，驾驶意图百分比本征模态函数以及历史等效因子取值。预测单元中包含第一预测单元和第二预测单元，根据输入量进行基于时间序列的预测。

Description

基于预测车速的等效因子调整系统及方法
技术领域
本申请涉及汽车燃油经济性的技术领域，尤其涉及一种基于预测车速的等效因子调整系统及方法。
背景技术
目前新能源汽车的发展势头迅猛，其中混合动力汽车的能量管理控制策略一直是发展的重要问题。通过预测车辆行驶需求功率以及车辆的运行工况，采用合适的能量分配控制策略确定发动机和电机输出功率，从而实现最高燃油经济性或其他优化目标。能量控制策略的研究基本上可以归结为基于规则和基于优化的控制策略。基于优化的能量控制策略是当前研究的主体。
等效燃油最小控制策略是应用最为广泛的基于优化的能量控制策略，其核心思想是整车消耗的能量可以认为全部来自燃油，当前时刻电池消耗的电能，必须在未来通过发动机消耗燃油进行补充。策略中等效因子的选取十分重要，从根本上会导致扭矩最优扭矩分配组合发生变化。等效因子如果取值过大，控制策略就会偏向使燃油消耗更多；同理当等效因子选取太小时，控制策略会偏向多使用电能，可能会导致电池电量下降过快。
发明内容
有鉴于此，本发明提出了一种基于预测车速的等效因子调整系统及方法。主要的侧重点在于恒定的等效因子对于工况的变化不能很好地维持电池的SOC值，而策略中等效因子的选取十分重要，从根本上会导致扭矩最优扭矩分配组合发生变化，目前最优等效因子的选取方法多为经验方法，无法实时地更改选取的等效因子。为了使等效燃油最小控制策略在不同工况下都能获得较好的控制效果，所以本发明基于模型预测控制的滚动优化思想，提出一种利用全局优化算法，根据预测得到的短期未来信息，求解出预测域内的最优控制序列用于实际中，求解过程循环实现等效因子的滚动优化的方法。
第一方面，本申请提供了一种基于预测车速的等效因子调整系统，所述系统包括：
车速时间序列记录模块、信号预处理重构模块、踏板开度检测模块、模糊控制单元、数据记录单元、预测单元、第一计算单元、第二计算单元；
车速时间序列记录模块用于记录汽车行驶过程中的历史车速时间序列；
踏板开度检测模块用于检测汽车行驶过程中的驾驶员控制的踏板开度值作为模糊信号输入模糊控制单元中；
模糊控制单元包括第一模糊规则库、第二模糊规则库，第一模糊规则库用于对踏板开度值根据模糊规则得出模糊控制驾驶意图百分比；第二模糊规则库将第一计算单元中计算出的电池荷电状态SOC的最大变化范围作为模糊信号输入，由第二模糊规则库中的模糊规则得出模糊控制等效因子预估值范围；
信号预处理重构模块用于对历史车速时间序列以及模糊控制驾驶意图百分比进行分解重构，得到重构后的历史车速时间序列数据以及重构后的模糊控制驾驶意图百分比历史数据；
数据记录单元包括第一数据记录单元、第二数据记录单元、第三数据记录单元，第一数据记录单元用于存储重构后的历史车速时间序列数据；第二数据记录单元用于存储重构后的模糊控制驾驶意图百分比历史数据；第三数据用于存储历史等效因子取值；
预测单元包括第一预测单元、第二预测单元，第一预测单元用于根据重构后的历史车速时间序列数据、重构后的模糊控制驾驶意图百分比历史数据预测未来Δt时间内的行驶车速；第二预测单元用于根据历史等效因子取值作为输入量输入经过离线训练，预测未来ΔT时间内的等效因子变化值；
第一计算单元用于根据预测出的未来t时间内的行驶车速，计算电池荷电状态SOC的最大变化范围；
第二计算单元用于对第二模糊规则库输出的等效因子预估范围和第二预测单元预测出的未来T时间内的等效因子变化值取交集，并以预设的步长进行离散化，得到综合的等效因子预选序列，根据等效最小油耗策略的原理求解出对应的等效油耗值，然后综合筛选出对应的等效油耗最小的等效因子，将其作为下一时刻实际行驶中的等效因子取值，并将历史等效因子取值存储在第三数据记录单元。
第二方面，本申请还提供一种基于预测车速的等效因子调整方法，其通过如上述的基于预测车速的等效因子调整系统实施，所述方法包括如下步骤：
S101：离线训练预测单元中的所有非线性自回归神经网络NAR；
S102：初始车速和初始驾驶意图百分比，将两者均设为0；
S103：通过车速时间序列记录模块记录汽车行驶过程中的历史车速时间序列，经信号预处理重构模块分解重构后，更新储存于数据记录单元中的第一数据记录单元；
S104：通过踏板开度检测模块检测汽车行驶过程中的驾驶员控制的踏板开度值作为模糊信号输入第一模糊规则库中，由第一模糊规则库中的模糊规则得出模糊控制驾驶意图百分比，经信号预处理重构模块分解重构后，更新储存于数据记录单元中的第二数据记录单元；
S105：通过数据记录单元将第一数据记录单元和第二数据记录单元的历史数据作为输入量输入经过离线训练的预测单元中的第一预测单元，预测未来Δt时间内的行驶车速；
S106：第一计算单元根据预测出的未来t时间内的行驶车速，计算电池荷电状态SOC的最大变化范围；
S107：第二模糊规则库将第一计算单元计算出的电池荷电状态SOC的最大变化范围作为模糊信号输入，由第二模糊规则库中的模糊规则得出模糊控制等效因子预估值范围；
S108：第二计算单元对第二模糊规则库输出的等效因子预估范围和第二预测单元预测出的未来T时间内的等效因子变化值取交集，并以预设的步长进行离散化，得到综合的等效因子预选序列，根据等效最小油耗策略的原理求解出对应的等效油耗值，然后综合筛选出对应的等效油耗最小的等效因子，将等效油耗最小的等效因子作为下一时刻实际行驶中的等效因子取值，并将历史等效因子取值存储在第三数据记录单元；
S109：将第三数据记录单元存储的历史等效因子取值作为输入量输入经过离线训练的预测单元中的第二预测单元，预测未来ΔT时间内的等效因子变化值。
进一步地，
模糊控制单元中第一模糊规则库和第二模糊规则库分别用于针对踏板开度值和电池荷电状态SOC的最大变化范围的模糊信号，根据不同的模糊规则得到模糊控制输出。
进一步地，
第一数据记录单元用于存储经信号预处理重构模块分解重构后的车速时间序列本征模态函数IMF1；
第二数据记录单元用于存储重构后的模糊控制驾驶意图百分比的两类本征模态函数IMF2。
进一步地，
预测单元中第一预测单元和第二预测单元分别存有基于不同训练样本学习的非线性自回归神经网络模型NAR。
进一步地，
第一计算单元计算电池荷电状态SOC的最大变化范围通过使用极限估计的思想计算，采用极限的功率分配方法求得在未来t时间内SOC的变化范围。
进一步地，
第二计算单元以第二预测单元预测出的未来ΔT时间内的等效因子变化值作为反馈，调整等效因子预选范围，并以一定的步长进行离散化，得到综合的等效因子预选序列再进行计算从而实现等效因子滚动优化。
有益效果
针对混动汽车行驶过程中恒定的等效因子对道路条件的频繁变化不能很好地维持电池的SOC值的问题，本申请的基于预测车速的等效因子调整系统及方法相对于现有技术具有两方面的优点：
(1)本发明考虑了信号的预处理方法，提高了神经网络预测的精准度。
(2)本发明将驾驶意图也作为预测的输入量，提高未来车速预测的精确度。
(3)本发明采用了滚动更新优化等效因子的方法，实现了等效因子的自适应更新。
(4)本发明使用模糊控制方法选取模糊控制输出，可以实现较快在线响应。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于预测车速的等效因子调整系统结构框图；
图2为本发明实施例提供的一种基于预测车速的等效因子调整方法流程图；
图3为经验模态分解算法(EMD)进行信号分解示意图；
图4为非线性自回归神经网络(NAR)结构示意图；
图5为第一模糊库中输入与输出量的隶属度函数示例图。
具体实施方式
这里将详细的对示例性实施例进行说明，其实例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
实施例1
第一方面，本发明实施例提供了一种基于预测车速的等效因子调整系统，如图1所示，所述系统包括：
车速时间序列记录模块10、信号预处理重构模块20、踏板开度检测模块30、模糊控制单元40、数据记录单元50、预测单元60、第一计算单元70、第二计算单元80；
车速时间序列记录模块10用于记录汽车行驶过程中的历史车速时间序列；
踏板开度检测模块30用于检测汽车行驶过程中的驾驶员控制的踏板开度值作为模糊信号输入模糊控制单元40中；
模糊控制单元40包括第一模糊规则库41、第二模糊规则库42，第一模糊规则库41用于对踏板开度值根据模糊规则得出模糊控制驾驶意图百分比；第二模糊规则库42将第一计算单元70中计算出的电池荷电状态SOC的最大变化范围作为模糊信号输入，由第二模糊规则库42中的模糊规则得出模糊控制等效因子预估值范围；
信号预处理重构模块20用于对历史车速时间序列以及模糊控制驾驶意图百分比进行分解重构，得到重构后的历史车速时间序列数据以及重构后的模糊控制驾驶意图百分比历史数据；
数据记录单元50包括第一数据记录单元51、第二数据记录单元52、第三数据记录单元53，第一数据记录单元51用于存储重构后的历史车速时间序列数据；第二数据记录单元52用于存储重构后的模糊控制驾驶意图百分比历史数据；第三数据用于存储历史等效因子取值；
预测单元60包括第一预测单元61、第二预测单元62，第一预测单元61用于根据重构后的历史车速时间序列数据、重构后的模糊控制驾驶意图百分比历史数据预测未来Δt时间内的行驶车速；第二预测单元62用于根据历史等效因子取值作为输入量输入经过离线训练，预测未来ΔT时间内的等效因子变化值；
第一计算单元70用于根据预测出的未来t时间内的行驶车速，计算电池荷电状态SOC的最大变化范围；
第二计算单元80用于对第二模糊规则库42输出的等效因子预估范围和第二预测单元62预测出的未来T时间内的等效因子变化值取交集，并以预设的步长进行离散化，得到综合的等效因子预选序列，根据等效最小油耗策略的原理求解出对应的等效油耗值，然后综合筛选出对应的等效油耗最小的等效因子，将其作为下一时刻实际行驶中的等效因子取值，并将历史等效因子取值存储在第三数据记录单元53。
进一步地，
模糊控制单元40中第一模糊规则库41和第二模糊规则库42分别用于针对踏板开度值和电池荷电状态SOC的最大变化范围的模糊信号，根据不同的模糊规则得到模糊控制输出。
进一步地，
第二数据记录单元52用于存储重构后的模糊控制驾驶意图百分比的两类本征模态函数IMF1及IMF2。
进一步地，
预测单元60中第一预测单元61和第二预测单元62分别存有基于不同训练样本学习的非线性自回归神经网络模型NAR。
进一步地，
第一计算单元70计算电池荷电状态SOC的最大变化范围通过使用极限估计的思想计算，采用极限的功率分配方法求得在未来t时间内SOC的变化范围。
进一步地，
第二计算单元80以第二预测单元62预测出的未来ΔT时间内的等效因子变化值作为反馈，调整等效因子预选范围，并以一定的步长进行离散化，得到综合的等效因子预选序列再进行计算从而实现等效因子滚动优化。
实施例2
第二方面，本发明实施例还提供一种基于预测车速的等效因子调整方法，其通过如上述的基于预测车速的等效因子调整系统实施，所述方法包括如下步骤：
S101：离线训练预测单元60中的所有非线性自回归神经网络NAR。
在一实施例中，本发明提供的一种基于预测车速的等效因子调整方法，采用网络的预测值与真实值的均方根误差(RMSE)来表征网络预测的准确性,RMSE的值越小,预测准确性越高。
S102：初始车速和初始驾驶意图百分比，将两者均设为0。
S103：通过车速时间序列记录模块10记录汽车行驶过程中的历史车速时间序列，经信号预处理重构模块20分解重构后，更新储存于数据记录单元50中的第一数据记录单元51。
S104：通过踏板开度检测模块30检测汽车行驶过程中的驾驶员控制的踏板开度值作为模糊信号输入第一模糊规则库41中，由第一模糊规则库41中的模糊规则得出模糊控制驾驶意图百分比，经信号预处理重构模块20分解重构后，更新储存于数据记录单元50中的第二数据记录单元52。
在一优选实施例中，第一数据记录单元51和第二数据记录单元52记录的分别为经过经验模态算法分解后的历史车速时间序列本征模态函数以及驾驶意图百分比本征模态函数。
S105：通过数据记录单元50将第一数据记录单元51和第二数据记录单元52的历史数据作为输入量输入经过离线训练的预测单元60中的第一预测单元61，预测未来Δt时间内的行驶车速。
在一实施例中，第一预测单元61和第二预测单元62分别存有基于不同训练样本学习的非线性自回归神经网络(NAR)模型，可以根据输入量车速或驾驶意图百分比进行基于时间序列的预测。
S106：第一计算单元70根据预测出的未来t时间内的行驶车速，计算电池荷电状态SOC的最大变化范围。
S107：第二模糊规则库42将第一计算单元70计算出的电池荷电状态SOC的最大变化范围作为模糊信号输入，由第二模糊规则库42中的模糊规则得出模糊控制等效因子预估值范围。
S108：第二计算单元80对第二模糊规则库42输出的等效因子预估范围和第二预测单元62预测出的未来T时间内的等效因子变化值取交集，并以预设的步长进行离散化，得到综合的等效因子预选序列，根据等效最小油耗策略的原理求解出对应的等效油耗值，然后综合筛选出对应的等效油耗最小的等效因子，将等效油耗最小的等效因子作为下一时刻实际行驶中的等效因子取值，并将历史等效因子取值存储在第三数据记录单元53。
S109：将第三数据记录单元53存储的历史等效因子取值作为输入量输入经过离线训练的预测单元60中的第二预测单元62，预测未来ΔT时间内的等效因子变化值。
其中，步骤S104和S107可以同时进行，也可以按先后顺序进行，步骤S105和S109可以同时进行，也可以按先后顺序进行。
有益效果
针对混动汽车行驶过程中恒定的等效因子对道路条件的频繁变化不能很好地维持电池的SOC值的问题，本申请的基于预测车速的等效因子调整系统及方法相对于现有技术具有两方面的优点：
(1)本发明实施例考虑了信号的预处理方法，提高了神经网络预测的精准度。
(2)本发明实施例将驾驶意图也作为预测的输入量，提高未来车速预测的精确度。
(3)本发明实施例采用了滚动更新优化等效因子的方法，实现了等效因子的自适应更新。
(4)本发明实施例使用模糊控制方法选取模糊控制输出，可以实现较快在线响应。
实施例3
本发明实施例提供了一种基于预测车速的等效因子调整方法，为混合动力汽车控制策略实现自适应等效因子的滚动更新提供基础。过程中考虑到了信号预处理对预测精度的影响，以及约束条件下对SOC变化值的矫正。流程图如图2所示。具体步骤如下：
S201、离线训练预测单元60中的所有非线性自回归(NAR)神经网络。
如图4所示，NAR神经网络的最大特点在于其输入不仅仅来源于输入数据，同时还包含了网络所输出的反馈，从而能够更准确地反应时间序列的动态特性。
神经网络需要标准化处理，一般变量的取值在-1到1之间，从而弱化某些变量的值较大而对某些产生影响。本发明实施例对输入量采用归一化法进行标准化处理，输入网络进行训练,采用此种方法训练网络可以使其具有较强的泛化能力。以UDDS、WLTC、CLTC等经典工况的随机组合行驶工况作为训练样本,使用与该工况相对应的车速，驾驶意图时间序列。每组时间间隔为1s,选取前70％数据作为网络训练样本数据,剩余30％数据用于网络检验分析。采用网络的预测值与真实值的均方根误差(RMSE)来表征网络预测的准确性，RMSE的值越小,预测准确性越高。
S202、初始化，初始车速和初始驾驶意图百分比均设为0，执行步骤S203和步骤S204。
S203、车速时间序列记录模块10可以记录汽车行驶过程中的历史车速时间序列。
S204、踏板开度检测模块30测量汽车行驶过程中的驾驶员控制的踏板开度值并判断驾驶员控制的踏板开度值是否有效，若是，执行步骤S205，若否，执行S204。
踏板开度检测模块30中针对加速踏板和制动踏板分别配有两个踏板开度传感器，对两个踏板开度传感器的采样值进行滤波处理，将抖动和变化过小的值进行过滤。根据踏板传感器电源状态是否正常及两路踏板开度信号是否成比例，判断出踏板开度值是否有效。踏板开度信号1和踏板开度信号2对应的开度信息差异在|u1/U1-u2/U2|≤K的范围内，判断踏板开度同步，踏板开度值有效；若不在此范围内，则判断踏板差异过大故障，踏板开度值无效。
其中u1为踏板开度信号1检测到的踏板开度，u2为踏板开度信号2检测到的踏板开度；U1为踏板开度信号1能反馈的最大踏板开度，U2为踏板开度信号2能反馈的最大踏板开度；K为开度信息差异限值。
S205、第一模糊规则库41以踏板开度值作为模糊信号输入，由库中的模糊规则得出模糊控制驾驶意图百分比。
如图5所示，本发明实施例确定的第一模糊规则库41模糊控制系统为一单输入单输出系统，输入为表征驾驶需求的驾驶员控制踏板开度值(-1～1)，输出为驾驶意图百分比(-100％～100％)。其中规则有以下五条：
IF踏板开度值较小THEN驾驶意图百分比较低
IF踏板开度值小THEN驾驶意图百分比低
IF踏板开度值中等THEN驾驶意图百分比中等
IF踏板开度值大THEN驾驶意图百分比高
IF踏板开度值较大THEN驾驶意图百分比较高
在一实施例中，第一模糊规则库41的模糊推理系统中，踏板开度值的隶属函数选择高斯型，驾驶意图百分比的隶属函数选择梯形和三角形。
S206、信号预处理重构模块20对输入的信号进行信号分解与重构。
如图3所示，本发明实施例采用EMD经验模态分解算法输入神经网络前的信号预处理。经验模态分解算法(EMD)常常被用来进行非线性和非平稳数据的信号分析处理。该算法核心思想是把复杂信号中的不同波形分解，根据数据本身的时间尺度特征构成若干个表现出更加平稳的特征分量，即本征模态函数(IMF)。
在分解过程中，EMD算法的优点在于在分解过程中，不会改变原始数据的属性，信号原有的特性都保留。因此，EMD算法适用于分解各种类型的信号。在非平稳与非线性的数据处理上具有突出的优势。
具体地，步骤S206包括：
S2061、将车速时间序列记录模块10记录的历史车速时间序列进行信号分解与重构，生成IMF1本征模态函数，存储于第一数据记录单元51。
S2062、将第一模糊规则库41由模糊规则得出模糊控制驾驶意图百分比进行信号分解与重构，生成IMF2本征模态函数，存储于第二数据记录单元52。
S207、预测单元60对输入量进行未来时间序列的预测。
将当前时刻t及前Δt-1个时刻车速时间序列记录模块10记录的车速以及模糊控制得出的驾驶意图百分比作为网络输入，得出t+1时刻的车速以及驾驶意图百分比预测值。然后，将预测得到的t+1车速以及驾驶意图百分比与历史车速时间序列和历史驾驶意图百分比时间序列共同作为预测模型输入，再求出下一时刻预测值，从而可实现多步滚动预测。
同理，等效因子取值的预测也由此实现多步滚动预测。
具体地，步骤S207包括：
S2071、第一预测单元61根据历史车速时间序列和驾驶意图百分比生成的IMF本征模态函数，使用训练的神经网络进行未来Δt时间内的行驶车速以及驾驶意图百分比预测。
S2072、第二预测单元62根据第三数据记录单元53中记录的历史等效因子取值，使用训练的神经网络进行ΔT时间内的等效因子变化值预测。
在一实施例中，t和T的选择可以不同，两者之间没有必然联系，只需使其选择值满足所需的RMSE精度即可。
S208、第一计算单元70计算电池荷电状态SOC的最大变化范围并判断是否符合SOC变化限制条件，若是，执行步骤S209，若否，执行S208。
在一实施例中，电池荷电状态SOC的最大变化范围是使用极限估计的思想计算的。在本发明实施例中，极限情况设定为采用极限的功率分配方法，假设发动机不参与工作，求得在预测时长内完全由电机进行功率输出情况下SOC的变化范围并进行是否符合SOC变化限制条件的判定。
本发明实施例中考虑到的SOC变化限制条件包含SOC变化范围限制，电池功率限制，电机转矩转速限制。将电池的荷电状态SOC和放电功率Pbatt维持在最大值和最小值之间可以使电池工作在高效区域并保护电池循环寿命，对电机转速和转矩的限制是为了实现对电机部件的实际工作状态进行控制。综上限制条件如下式所示：
SOCmin≤SOC(t)≤SOCmax
Pbatt,min≤Pbatt(t)≤Pbatt,max
Tm,min≤Tm(t)≤Tm,max
ωm,min≤ωm(t)≤ωm,max
其中(-)min和(-)max分别表示任意时刻的SOC/电池功率/电机转矩/电机转速的最小值和最大值。
S209、第二模糊规则库42预估模糊控制等效因子范围。
在一实施例中，第二模糊规则库42模糊控制系统同样为一单输入单输出系统，输入为表征未来功率需求的SOC变化范围，输出为等效因子初选范围。其中规则有以下三条：
IF SOC变化范围较小THEN等效因子初选范围为x1
IF SOC变化范围中等THEN等效因子初选范围为x2
IF SOC变化范围较大THEN等效因子初选范围为x3
其中，x1，x2，x3为经过大量重复实验后，依照车辆构型，结构参数的不同，凭借工程师经验选取的最优等效因子初选范围。
S210、第二计算单元80综合筛选出对应的等效油耗最小的等效因子，将其作为下一时刻实际行驶中的等效因子取值。
本发明实施例基于模型预测控制的滚动优化思想，利用全局优化算法，根据预测得到的短期未来信息，求解出预测域内的最优控制序列用于实际中，求解过程循环实现滚动优化。通过车速预测方法可以得到未来一段时间内的行驶工况，然后根据等效油耗最小控制策略基本原理，求解出在预测时域内的最优等效因子，并在下一时刻进行沿用，等到下一预测时刻以同样的方法进行求解，实现根据未来行驶工况自适应调节等效因子。
等效油耗最小控制策略的核心思想是整车消耗的能量可以认为全部来自燃油，当前时刻电池消耗的电能，必须在未来通过发动机消耗燃油进行补充。电池电能都可以通过一个等效因子，等效转化为燃油消耗，整车瞬时等效油耗等于发动机实际油耗与电池电能的等效油耗之和：
Figure BDA0003763245660000131
式中，mfeqv(t)为发动机燃油消耗率(g/s)；Qlhv为燃油低热值；mf(t)为发动机瞬时油耗；Pbatt(t)为电池消耗功率；s(t)为等效因子。
S211、将历史等效因子取值存储在第三数据记录单元53。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的铝基板的热仿真装置、电子设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的仅是本申请的实施例，应当指出，对于本领域的技术人员来说，在不脱离本申请结构的前提下，还可以作出若干变形和改进，这些也应该视为本申请的保护范围，这些都不会影响本申请实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (7)

1.一种基于预测车速的等效因子调整系统，其特征在于，所述系统包括：
车速时间序列记录模块、信号预处理重构模块、踏板开度检测模块、模糊控制单元、数据记录单元、预测单元、第一计算单元、第二计算单元；
车速时间序列记录模块用于记录汽车行驶过程中的历史车速时间序列；
踏板开度检测模块用于检测汽车行驶过程中的驾驶员控制的踏板开度值作为模糊信号输入模糊控制单元中；
模糊控制单元包括第一模糊规则库、第二模糊规则库，第一模糊规则库用于对踏板开度值根据模糊规则得出模糊控制驾驶意图百分比；第二模糊规则库将第一计算单元中计算出的电池荷电状态SOC的最大变化范围作为模糊信号输入，由第二模糊规则库中的模糊规则得出模糊控制等效因子预估值范围；
信号预处理重构模块用于对历史车速时间序列以及模糊控制驾驶意图百分比进行分解重构，得到重构后的历史车速时间序列数据以及重构后的模糊控制驾驶意图百分比历史数据；
数据记录单元包括第一数据记录单元、第二数据记录单元、第三数据记录单元，第一数据记录单元用于存储重构后的历史车速时间序列数据；第二数据记录单元用于存储重构后的模糊控制驾驶意图百分比历史数据；第三数据用于存储历史等效因子取值；
预测单元包括第一预测单元、第二预测单元，第一预测单元用于根据重构后的历史车速时间序列数据、重构后的模糊控制驾驶意图百分比历史数据预测未来Δt时间内的行驶车速；第二预测单元用于根据历史等效因子取值作为输入量输入经过离线训练，预测未来ΔT时间内的等效因子变化值；
第一计算单元用于根据预测出的未来t时间内的行驶车速，计算电池荷电状态SOC的最大变化范围；
第二计算单元用于对第二模糊规则库输出的等效因子预估范围和第二预测单元预测出的未来T时间内的等效因子变化值取交集，并以预设的步长进行离散化，得到综合的等效因子预选序列，根据等效最小油耗策略的原理求解出对应的等效油耗值，然后综合筛选出对应的等效油耗最小的等效因子，将其作为下一时刻实际行驶中的等效因子取值，并将历史等效因子取值存储在第三数据记录单元。
2.一种基于预测车速的等效因子调整方法，其特征在于，其通过如权利要求1所述的基于预测车速的等效因子调整系统实施，所述方法包括如下步骤：
S101：离线训练预测单元中的所有非线性自回归神经网络NAR；
S102：初始车速和初始驾驶意图百分比，将两者均设为0；
S103：通过车速时间序列记录模块记录汽车行驶过程中的历史车速时间序列，经信号预处理重构模块分解重构后，更新储存于数据记录单元中的第一数据记录单元；
S104：通过踏板开度检测模块检测汽车行驶过程中的驾驶员控制的踏板开度值作为模糊信号输入第一模糊规则库中，由第一模糊规则库中的模糊规则得出模糊控制驾驶意图百分比，经信号预处理重构模块分解重构后，更新储存于数据记录单元中的第二数据记录单元；
S105：通过数据记录单元将第一数据记录单元和第二数据记录单元的历史数据作为输入量输入经过离线训练的预测单元中的第一预测单元，预测未来Δt时间内的行驶车速；
S106：第一计算单元根据预测出的未来t时间内的行驶车速，计算电池荷电状态SOC的最大变化范围；
S107：第二模糊规则库将第一计算单元计算出的电池荷电状态SOC的最大变化范围作为模糊信号输入，由第二模糊规则库中的模糊规则得出模糊控制等效因子预估值范围；
S108：第二计算单元对第二模糊规则库输出的等效因子预估范围和第二预测单元预测出的未来T时间内的等效因子变化值取交集，并以预设的步长进行离散化，得到综合的等效因子预选序列，根据等效最小油耗策略的原理求解出对应的等效油耗值，然后综合筛选出对应的等效油耗最小的等效因子，将等效油耗最小的等效因子作为下一时刻实际行驶中的等效因子取值，并将历史等效因子取值存储在第三数据记录单元；
S109：将第三数据记录单元存储的历史等效因子取值作为输入量输入经过离线训练的预测单元中的第二预测单元，预测未来ΔT时间内的等效因子变化值。
3.如权利要求2所述的基于预测车速的等效因子调整方法，其特征在于，
模糊控制单元中第一模糊规则库和第二模糊规则库分别用于针对踏板开度值和电池荷电状态SOC的最大变化范围的模糊信号，根据不同的模糊规则得到模糊控制输出。
4.根据权利要求2所述基于预测车速的等效因子调整方法，其特征在于，
第一数据记录单元用于存储经信号预处理重构模块分解重构后的车速时间序列本征模态函数IMF1；
第二数据记录单元用于存储重构后的模糊控制驾驶意图百分比的两类本征模态函数IMF2。
5.如权利要求2所述的基于预测车速的等效因子调整方法，其特征在于，
预测单元中第一预测单元和第二预测单元分别存有基于不同训练样本学习的非线性自回归神经网络模型NAR。
6.如权利要求2所述的基于预测车速的等效因子调整方法，其特征在于，
第一计算单元计算电池荷电状态SOC的最大变化范围通过使用极限估计的思想计算，采用极限的功率分配方法求得在未来t时间内SOC的变化范围。
7.如权利要求2所述的基于预测车速的等效因子调整方法，其特征在于，
第二计算单元以第二预测单元预测出的未来ΔT时间内的等效因子变化值作为反馈，调整等效因子预选范围，并以一定的步长进行离散化，得到综合的等效因子预选序列再进行计算从而实现等效因子滚动优化。
CN202210878704.3A 2022-07-25 2022-07-25 基于预测车速的等效因子调整系统及方法 Active CN115236978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210878704.3A CN115236978B (zh) 2022-07-25 2022-07-25 基于预测车速的等效因子调整系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210878704.3A CN115236978B (zh) 2022-07-25 2022-07-25 基于预测车速的等效因子调整系统及方法

Publications (2)

Publication Number Publication Date
CN115236978A true CN115236978A (zh) 2022-10-25
CN115236978B CN115236978B (zh) 2024-04-23

Family

ID=83675950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210878704.3A Active CN115236978B (zh) 2022-07-25 2022-07-25 基于预测车速的等效因子调整系统及方法

Country Status (1)

Country Link
CN (1) CN115236978B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118135686A (zh) * 2024-05-08 2024-06-04 成都赛力斯科技有限公司 等效因子确定方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102416950A (zh) * 2011-10-31 2012-04-18 大连理工大学 一种基于最小等效燃油消耗的混合动力汽车控制方法
CN104010911A (zh) * 2011-12-22 2014-08-27 斯堪尼亚商用车有限公司 用于确定用于车辆控制系统的至少一个参考值的方法和模块
WO2016207528A1 (fr) * 2015-06-25 2016-12-29 Renault S.A.S Procédé de commande d'un facteur d'équivalence énergétique pour un véhicule automobile hybride
CN113554337A (zh) * 2021-08-03 2021-10-26 青岛理工大学 融合交通信息的插电式混动汽车能量管理策略构建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102416950A (zh) * 2011-10-31 2012-04-18 大连理工大学 一种基于最小等效燃油消耗的混合动力汽车控制方法
CN104010911A (zh) * 2011-12-22 2014-08-27 斯堪尼亚商用车有限公司 用于确定用于车辆控制系统的至少一个参考值的方法和模块
WO2016207528A1 (fr) * 2015-06-25 2016-12-29 Renault S.A.S Procédé de commande d'un facteur d'équivalence énergétique pour un véhicule automobile hybride
CN113554337A (zh) * 2021-08-03 2021-10-26 青岛理工大学 融合交通信息的插电式混动汽车能量管理策略构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚明尧;章晓星;秦大同;: "插电式混合动力汽车等效因子的实时优化", 华南理工大学学报(自然科学版), no. 11, 15 November 2019 (2019-11-15) *
邓涛;程栋;周豪;汪明明;: "基于灰色预测的混合动力系统ECMS能量管理策略研究", 机械传动, no. 02, 15 February 2017 (2017-02-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118135686A (zh) * 2024-05-08 2024-06-04 成都赛力斯科技有限公司 等效因子确定方法和装置

Also Published As

Publication number Publication date
CN115236978B (zh) 2024-04-23

Similar Documents

Publication Publication Date Title
Vatanparvar et al. Extended range electric vehicle with driving behavior estimation in energy management
WO2021103625A1 (zh) 一种基于前车与自车互动的短期车速工况实时预测方法
Yuan et al. Intelligent energy management strategy based on hierarchical approximate global optimization for plug-in fuel cell hybrid electric vehicles
Liu et al. Optimal power management based on Q-learning and neuro-dynamic programming for plug-in hybrid electric vehicles
Kermani et al. Predictive energy management for hybrid vehicle
Lee et al. Reinforcement learning based on equivalent consumption minimization strategy for optimal control of hybrid electric vehicles
CN111284489A (zh) 智能网联汽车随机预测巡航控制系统
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
JP2013525910A (ja) 制御装置及び制御のための出力変数を計算する方法
Liu et al. Hierarchical speed planning and energy management for autonomous plug-in hybrid electric vehicle in vehicle-following environment
Cross et al. Model-based and fuzzy logic approaches to condition monitoring of operational wind turbines
Kong et al. A novel torque distribution strategy based on deep recurrent neural network for parallel hybrid electric vehicle
CN115236978B (zh) 基于预测车速的等效因子调整系统及方法
Montazeri-Gh et al. Driving condition recognition for genetic-fuzzy HEV control
Liessner et al. Safe deep reinforcement learning hybrid electric vehicle energy management
Biswas et al. Energy management of a parallel hybrid electric vehicle using model predictive static programming
Gan et al. Intelligent learning algorithm and intelligent transportation-based energy management strategies for hybrid electric vehicles: A review
Yang et al. Adaptive recursive prediction of the desired torque of a hybrid powertrain
Kong et al. A data-driven energy management method for parallel PHEVs based on action dependent heuristic dynamic programming (ADHDP) model
CN115257695A (zh) 一种混合动力汽车能量管理控制系统及其方法
Han et al. Hierarchical optimization of speed and gearshift control for battery electric vehicles using preview information
CN115817183A (zh) 一种纯电动汽车续驶里程预测方法及预测装置
Maraba et al. Speed control of an asynchronous motor using pid neural network
CN115214691B (zh) 汽车行驶车速预测方法、装置、电子设备以及存储介质
Fechert et al. Using deep reinforcement learning for hybrid electric vehicle energy management under consideration of dynamic emission models

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