CN115534929A - 基于多元信息融合的插电式混合动力汽车能量管理方法 - Google Patents

基于多元信息融合的插电式混合动力汽车能量管理方法 Download PDF

Info

Publication number
CN115534929A
CN115534929A CN202210949151.6A CN202210949151A CN115534929A CN 115534929 A CN115534929 A CN 115534929A CN 202210949151 A CN202210949151 A CN 202210949151A CN 115534929 A CN115534929 A CN 115534929A
Authority
CN
China
Prior art keywords
soc
time domain
vehicle speed
transmission ratio
gearbox
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
Application number
CN202210949151.6A
Other languages
English (en)
Inventor
胡志远
王卓
谭丕强
楼狄明
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202210949151.6A priority Critical patent/CN115534929A/zh
Publication of CN115534929A publication Critical patent/CN115534929A/zh
Pending legal-status Critical Current

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
    • B60W20/30—Control strategies involving selection of transmission gear ratio
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Transportation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Control Of Transmission Device (AREA)

Abstract

本发明涉及一种基于多元信息融合的插电式混合动力汽车能量管理方法，包括：获取自适应模糊推理系统模型、车速序列预测模型和SOC参考轨迹估计器；实时计算当前时刻变速箱传动比、未来有限时域内的车速预测序列和未来有限时域内的SOC终值，基于庞特里亚金极小值原理进行有限时域内的滚动优化，得到该时域内的参考协态变量；若滚动优化有解，则利用参考协态变量在后续控制域内进行开环庞特里亚金极小值优化，得到相应的控制集，若滚动优化无解，则执行SOC跟随策略。与现有技术相比，本发明将变速箱传动比选取和转矩分配共同纳入能量管理的范畴，并融合多元行驶信息，提出了滚动优化与SOC跟随双层策略，有效提高了插电式混合动力汽车能量管理策略效果。

Description

基于多元信息融合的插电式混合动力汽车能量管理方法
技术领域
本发明涉及混合动力能量管理领域，尤其是涉及一种基于多元信息融合的插 电式混合动力汽车能量管理方法。
背景技术
能源短缺和环境污染一直是汽车工业面临的两大难题。新能源汽车是我国实现能源转型及环境改善的重要发力点，混合动力汽车作为汽车能源转型的过渡产品， 兼具了传统内燃机汽车和纯电动汽车的优点，既在一定程度上改善了汽车的经济性 和排放性，还解决了纯电动汽车续驶里程短的问题，具有十分广阔的应用市场。
随着5G技术的快速发展，智慧交通系统的建设已成为我国“新基建”的重要 任务。车路协同是智慧交通的必然技术途径，它可通过环境感知、数据融合计算、 决策控制等手段搭建“端-管-云”三层架构，加强车辆、道路、驾驶员三者的联系， 从而提供安全、高效、便捷的智慧交通服务。在智慧交通环境下，车辆可以按照一 定的通信协议和标准，在车、路、人、网、环境、基础设施间进行无线通信或信息 交换，进而改善驾驶员的驾乘体验，提高交通效率。同时，车联网也使车辆可获取 的有效信息增多，为车端的决策控制带来新的可能。
混合动力汽车能量管理策略是混合动力汽车的重点研究方向，是决定整车燃油经济性、排放性、驾驶舒适性等指标的关键因素。能量管理策略是用于在多个动力 源共同作用下对需求转矩进行合理分配，以充分利用不同动力源的工作特性，达到 优势互补。对于传统的油电混合动力汽车而言，能量管理策略即需要在发动机和电 动机间进行能量分配，以充分利用电池动态响应快的优点，同时改善整车经济性和 排放性，延长电池使用寿命。此外，变速箱传动比决定发动机及电机的工作区间， 进而影响车辆的经济性、动力性和驾驶平顺性，因此对于传统油电混合动力汽车， 尤其是带无级变速器的混合动力汽车，将变速箱传动比选取纳入能量管理范畴十分 必要。
现有混合动力汽车能量管理策略主要可以分为以下三类：规则型、优化型和学 习型。不同的能量管理策略方法各有优劣，如规则型策略鲁棒性较强，设计简单， 但控制效果相对较差，优化型策略常常受到工况已知、计算复杂等条件的约束。合 理的能量管理策略应结合不同方法的优点，在尽可能降低资源开销的基础上改善策 略的控制效果，以满足低能耗、低时延的要求。
模型预测控制是目前最为主流的优化型能量管理策略之一，它具有可在线应用、优化效果好等优点。模型预测控制的优化效果主要受制于模型预测精度的影响，过 去的研究主要基于历史信息进行随机预测，预测模型鲁棒性差，无法适应瞬息万变 的交通场景。随着车联网技术的发展，智慧交通系统正逐渐从概念转变为现实， V2X通信可使车辆实时掌握周围的路况信息，为建立高精度的基于多元信息融合 的车速预测模型提供了可能，考虑车联网环境下的能量管理策略设计俨然成为当下 研究的热点内容。此外，当需要同时考虑换挡和转矩分配两个问题时，能量管理问 题的复杂度较高，有限时域内的滚动优化算法的实时性难以保证，模型预测控制的 性能受到制约。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多元信 息融合的插电式混合动力汽车能量管理方法，将车联网环境下车端可获得的丰富多 元信息充分利用到混合动力汽车能量管理策略的设计中。
本发明的目的可以通过以下技术方案来实现：
一种基于多元信息融合的插电式混合动力汽车能量管理方法，包括以下步骤：
S1、获取自适应模糊推理系统模型、车速序列预测模型和SOC参考轨迹估计 器；
所述自适应模糊推理系统模型的输入为上一时刻变速箱传动比、当前时刻车速及归一化整车需求功率，输出为当前时刻变速箱传动比；
所述车速序列预测模型的输入为多元行驶信息，输出为未来有限时域内的车速预测序列，所述多元行驶信息包括车速序列、前车车速、车距、信号灯状态、距离 及剩余时间；
所述SOC参考轨迹估计器的输入为未来有限时域内的需求功率序列、当前时 刻SOC值、循环结束时的期望SOC值，输出为未来有限时域内的SOC终值；
S2、根据自适应模糊推理系统模型、车速序列预测模型和SOC参考轨迹估计 器实时计算当前时刻变速箱传动比、未来有限时域内的车速预测序列和未来有限时 域内的SOC终值，基于庞特里亚金极小值原理进行有限时域内的滚动优化，得到 该时域内的参考协态变量；
S3、若滚动优化有解，则利用参考协态变量在后续控制域内进行开环庞特里 亚金极小值优化，得到相应的控制集，并在下一控制时域重复执行S2，若滚动优 化无解，则根据未来有限时域内的SOC终值执行SOC跟随策略，并在下一控制时 域重复执行S2。
优选地，步骤S1中，获取自适应模糊推理系统模型具体为：
根据不同工况下的历史行车数据，设置不同的始末SOC条件，使用二维动态 规划对不同工况、不同始末SOC条件下的变速箱传动比选取和转矩分配进行优化 求解，得到变速箱传动比和SOC变化轨迹作为专家经验；
构建自适应模糊推理系统模型，以上一时刻变速箱传动比、当前时刻车速及归 一化整车需求功率为输入，以当前时刻变速箱传动比为输出，使用变速箱传动比专 家经验训练自适应模糊推理系统模型，得到训练好的自适应模糊推理系统模型。
优选地，步骤S1中，获取车速序列预测模型具体为：
获取历史多元行驶信息，并将其按照不同的地理区域划分为多个训练集；
构建第一神经网络模型，分别使用对应不同地理区域的训练集对第一神经网络模型进行训练，得到对应不同地理区域的车速序列预测模型。
优选地，步骤S2中，在车辆起动时，根据出行的起止点获取对应的车速序列 预测模型，行车过程中获取多元行驶信息，根据车速序列预测模型实时计算未来有 限时域内的车速预测序列，在行程结束后，将本次行程中获取的多元行驶信息以及 实际车速信息保存，用于更新训练车速序列预测模型。
优选地，步骤S1中，获取SOC参考轨迹估计器具体为：
根据不同工况下的历史行车数据，设置不同的始末SOC条件，使用二维动态 规划对不同工况、不同始末SOC条件下的变速箱传动比选取和转矩分配进行优化 求解，得到变速箱传动比和SOC变化轨迹作为专家经验；
获取历史行车数据；
构建第二神经网络模型，以未来有限时域内的需求功率序列、当前时刻SOC 值、循环结束时的期望SOC值为输入，以未来有限时域内的SOC终值为输出，使 用SOC变化轨迹专家经验训练第二神经网络模型，得到SOC参考轨迹估计器。
优选地，二维动态规划的成本函数计算公式具体为：
Figure BDA0003788449170000041
其中，Cost(t)表示t时刻采用相应控制律的等效成本，be为发动机比油耗， tdelta为时间离散步长，Pe(t)为t时刻发动机输出功率，Ratio(t)与Ratio(t-1)为t时 刻和t-1时刻的变速箱传动比，α为传动比变化惩罚因子。
优选地，步骤S2中，行车过程中获取多元行驶信息，根据车速序列预测模型 实时计算未来有限时域内的车速预测序列；根据未来有限时域内的车速预测序列计 算得到未来有限时域内的需求功率序列，根据自适应模糊推理系统模型得到当前时 刻变速箱传动比；根据SOC参考轨迹估计器得到未来有限时域内的SOC终值。
优选地，步骤S2中，滚动优化过程中只需考虑SOC值一个状态变量，滚动 优化方法中用到的哈密尔顿函数形式具体为：
Figure BDA0003788449170000042
其中，SOC(t)为t时刻SOC值，Peng(t)为t时刻发动机输出功率，λ(t)为t时刻 协态变量，Preq(t)为t时刻需求功率，
Figure BDA0003788449170000043
为发动机燃油消耗率，ω(SOC)为SOC惩 罚因子，
Figure BDA0003788449170000044
为SOC变化率；
将满足边界条件的协态变量保存，作为后续控制域开环优化的参考协态变量， 并作为下一次滚动优化时的初始协态变量。
优选地，协态变量的计算方法如下：
λ1＝λ0,i＝1
λ2＝λ0+δ,i＝2
Figure BDA0003788449170000045
其中，λ0为初始参考协态变量，δ为协态变量变化步长，
Figure BDA0003788449170000046
为上一时刻 i-1的求解域末态SOC值，
Figure BDA0003788449170000047
为上上时刻i-2的求解域末态SOC值， SOCtarget为步骤(2)得到的未来有限时域内的SOC终值。
优选地，步骤S3中，执行SOC跟随策略，即将未来有限时域内的SOC终值 作为参考终态SOC值，根据参考终态SOC值得到下一时刻的期望SOC值，由此 可计算得到动力电池的输出功率，结合当前时刻变速箱传动比得到发动机输出功率， 其中，下一时刻的期望SOC值可由下式获得：
Figure BDA0003788449170000051
其中，SOCref为得到的参考终态SOC值，H为预测时间窗长度。
与现有技术相比，本发明具有以下有益效果：
(1)使用二维动态规划算法对云端数据库中的工况进行离线优化，解决了同 时考虑换挡和转矩分配时存在的可行解集缩小的问题，提高了能量管理策略的优化 潜力。
(2)通过云端训练，车端应用的方式充分发挥了分布式计算的优点，降低了 车端计算负荷，同时将不同车辆的行车数据回传至云端可实现训练数据集的快速累 积，加速模型的训练。
(3)利用深度学习算法将本车历史车速序列、前车车速、车距、信号灯状态、 距离和剩余时间等多元信息用于未来车速序列的预测中，显著提高了预测模型的精 度及其鲁棒性，为滚动优化算法的控制效果提供了保障。
(4)利用自适应模糊推理系统获得对应时刻下的变速箱传动比，使用滚动优 化与SOC跟随双重策略进行在线转矩分配，将传动比选择和转矩分配问题解耦， 保证了算法的可靠性与实时性。
附图说明
图1为本发明的流程图；
图2为离线式优化算法二维动态规划示意图；
图3为自适应模糊推理系统模型结构图；
图4为自适应模糊推理系统模型输入隶属度函数图；
图5为车端能量管理策略流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程。应当理解，这些描 述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。该部 分的描述只针对几个典型的实施例，但本发明的保护范围不限于下述的实施例。相 同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描 述和保护的范围内。
此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方 式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，术语“包括” 和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步 骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是 可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品 或设备固有的其它步骤或单元。
实施例1：
本发明旨在解决混合动力汽车运行过程中的变速箱传动比选取和转矩分配两 大问题，通过云端数据收集、模型训练结合车端在线优化、数据回传的闭环方式实 现“车云互联”的能量管理方法，即在云端使用二维动态规划算法对不同道路工况 进行全局优化，以得到最优传动比选择律和SOC变化轨迹，利用优化数据分别训 练用于传动比选择的自适应模糊推理系统和用于生成参考SOC轨迹浅层神经网络。 同时，结合实车采集的本车历史车速、前车车速、车距、信号灯状态、距离和剩余 时间等多元信息训练深度学习模型，以用于对未来车速序列进行预测。在车端，通 过下载云端预训练的传动比选择、车速预测和参考SOC估计模型，应用有限时域 内的滚动优化和SOC跟随双重策略，以保证能量管理的实时性与可靠性。
相较于现有的能量管理策略，本申请同时考虑了换挡和转矩分配两大问题， 充分利用了车联网环境带来的大数据优势，使车速预测模型更加准确，同时利用二 维动态规划进行离线优化有效提高了能量管理策略的优化潜力，利用在线滚动优化 和SOC跟随双重策略提高了该方法的鲁棒性。
具体的，一种基于多元信息融合的插电式混合动力汽车能量管理方法，如图1 所示，包括以下步骤：
(1)、获取自适应模糊推理系统模型、车速序列预测模型和SOC参考轨迹估 计器；
自适应模糊推理系统模型，也可以称为变速箱传动比选择模型，或换挡策略集，其输入为上一时刻变速箱传动比、当前时刻车速及归一化整车需求功率，输出为当 前时刻变速箱传动比；
车速序列预测模型，也可以简称为车速预测模型，其输入为多元行驶信息，输 出为未来有限时域内的车速预测序列，多元行驶信息包括车速序列、前车车速、车 距、信号灯状态、距离及剩余时间；
SOC参考轨迹估计器，也可以简称为SOC估计器，其输入为未来有限时域内 的需求功率序列、当前时刻SOC值、循环结束时的期望SOC值，输出为未来有限 时域内的SOC终值；
具体的，包括以下步骤：
(1.1)根据不同工况下的历史行车数据，设置不同的始末SOC条件，使用二 维动态规划对不同工况、不同始末SOC条件下的变速箱传动比选取和转矩分配进 行优化求解，得到变速箱传动比和SOC变化轨迹作为专家经验；
在本实例中，二维动态规划的计算原理如图2所示，即对于每一时刻，状态空 间均被离散为一个矩阵，矩阵上的每一个可达点(tn,SOCn,Ration)均可根据约束 条件向下一时刻的状态空间上进行转移，并将价值函数最小的解存储至当前可达点 上。二维动态规划的成本函数计算公式具体为：
Figure BDA0003788449170000071
其中，Cost(t)表示t时刻采用相应控制律的等效成本，be为发动机比油耗， tdelta为时间离散步长，Pe(t)为t时刻发动机输出功率，Ratio(t)与Ratio(t-1)为t时 刻和t-1时刻的变速箱传动比，α为传动比变化惩罚因子。
本申请使用二维动态规划对不同工况下的传动比选取和转矩分配进行优化求解，相较于传统的一维动态规划，该方法在原有单一状态变量SOC值的基础上增 加了变速箱传动比作为第二个状态变量，这样可避免在计算过程中由于传动比变化 惩罚因子影响导致的动态规划无后效性条件失效，可行解集缩小的问题，提高了离 线优化上限，使得到的专家经验更加准确可靠。
(1.2)构建自适应模糊推理系统模型，以上一时刻变速箱传动比、当前时刻 车速及归一化整车需求功率为输入，以当前时刻变速箱传动比为输出，使用变速箱 传动比专家经验训练自适应模糊推理系统模型，得到训练好的自适应模糊推理系统 模型。
具体的，在本实例中，自适应模糊推理系统的结构如图3所示，共包括3个 输入变量及27条模糊规则，其中模型的输入为当前时刻归一化需求功率，车速及 上一时刻变速箱传动比，模型的输出为当前时刻最优变速箱传动比。经训练后得到 的输入隶属度函数如图4所示，均采取高斯隶属度函数形式。
本申请利用专家经验数据训练自适应模糊推理系统，以得到在线的传动比选 取策略，将传动比选择和转矩分配问题解耦，可以有效降低能量管理问题的复杂度， 提高策略的时效性。
(1.3)获取历史多元行驶信息，并将其按照不同的地理区域划分为多个训练 集；构建第一神经网络模型，分别使用对应不同地理区域的训练集对第一神经网络 模型进行训练，得到对应不同地理区域的车速序列预测模型。
可以通过实车数据采集和仿真的手段获取行车过程中的本车历史车速、前车 车速、车距、信号灯状态、距离和剩余时间等多元行驶信息，作为多元行驶信息。 考虑到不同区域的道路情况、限速信息等是不同的，因此，根据不同区域、道路的 历史行车多元行驶信息对应训练车速序列预测模型。
为了保证车速序列预测模型的精度和有效性，需要定期进行更新，可以在后 续的行车过程中根据车载传感器、V2X通讯等手段获取多元信息，在车辆行程结 束后，将本次行程中对应的多元信息数据及实际车速信息上传至对应的云端数据库 中，用于对模型的训练。
完成训练后，在云端存储有多个对应不同区域、道路的车速序列预测模型， 在车辆起动时，根据出行的起止点从云端下载对应地区、道路的车速预测模型，根 据车载传感器、V2X通讯等手段获取多元信息，应用车速预测模型对未来车速序 列进行预测；若出行区间在云端数据库无对应道路，则可以根据导航系统提高的实 时路况信息在云端数据库匹配最为相近的模型进行下载。
具体的，在本实例中，第一神经网络模型采用N-BEATS深度学习网络作为车 速预测模型，模型的输入包括本车历史车速序列、前车车速、车距、信号灯状态、 距离及剩余时间，输出为未来有限时域内的预测车速。本实例中预测模型的主要参 数如表1所示，其中H表示预测时域长度，RMSE为均方根误差：
表1车速预测模型主要训练参数
Figure BDA0003788449170000081
Figure BDA0003788449170000091
对于模型预测型能量管理策略而言，模型预测精度越高，所得到的优化效果越好，但同时预测时间越长，最终得到的结果越接近全局最优结果，因此，在综合考 虑预测精度和预测时域的因素下，本实例选取预测时域为10s的N-BEATS模型作 为车速序列预测模型。
(1.4)获取历史行车数据；构建第二神经网络模型，以未来有限时域内的需 求功率序列、当前时刻SOC值、循环结束时的期望SOC值为输入，以未来有限时 域内的SOC终值为输出，使用SOC变化轨迹专家经验训练第二神经网络模型，得 到SOC参考轨迹估计器。
具体的，在本实例中，使用浅层神经网络获取有限时域的末态参考SOC值， 其中网络的输入包括由S3中车速预测模型计算得到的未来10s内归一化需求功率 预测值、当前时刻的SOC值以及循环结束时的期望SOC值，隐藏层层数为1，神 经元个数为25，训练方法为Levenberg-Marquardt，损失函数为均方误差MSE。
为了使得到的SOC参考轨迹估计器能结合未来有限时域内的工况信息，本申 请引入未来需求功率序列作为输入参数，同时为了使行程结束SOC值接近期望值， 将行程结束的期望SOC值也作为模型的输入参数，对于插电式混合动力汽车而言， 行程结束的期望SOC值一般为电池工作区间下限。
可以理解的是，上述的自适应模糊推理系统模型、车速序列预测模型和SOC 参考轨迹估计器的训练，可以是获取相关数据离线进行的，或者将相关数据上传到 云端，在云端进行训练和更新，得到可以在线应用的自适应模糊推理系统模型、车 速序列预测模型和SOC参考轨迹估计器，再将训练好的模型定期刷写至车辆控制 器，车辆行驶时就可以由车辆控制器应用训练好的自适应模糊推理系统模型、车速 序列预测模型和SOC参考轨迹估计器。
(2)根据自适应模糊推理系统模型、车速序列预测模型和SOC参考轨迹估计 器实时计算当前时刻变速箱传动比、未来有限时域内的车速预测序列和未来有限时 域内的SOC终值，基于庞特里亚金极小值原理进行有限时域内的滚动优化，得到 该时域内的参考协态变量；
具体的，参见图1，如下：
(2.1)断当前时刻是否处于上一次预测的有效控制时域内，若是则执行步骤 (3)，若不是则执行下述步骤：
(2.2)行车过程中获取车速、前车车速、车距、信号灯状态、距离及剩余时 间等多元行驶信息，根据车速序列预测模型实时计算未来有限时域内的车速预测序 列；
(2.3)根据未来有限时域内的车速预测序列计算得到未来有限时域内的需求 功率序列，根据自适应模糊推理系统模型得到当前时刻变速箱传动比；
(2.4)根据SOC参考轨迹估计器得到未来有限时域内的SOC终值，即参考 终态SOC值。
(2.5)使用步骤(2.2)-(2.4)得到的信息使用基于庞特里亚金极小值原理 的方法进行有限时域内的滚动优化，其中，滚动优化过程中只需考虑SOC值一个 状态变量，变速箱传动比选择已由步骤(2.3)给出。为提高滚动优化的计算速度， 将步骤S1中二维动态规划中的发动机工作区间作为发动机输出功率的离散区间， 当需求功率为负时，默认发动机不工作，动力电池在预设范围内进行制动能量回收。 该滚动优化方法中用到的哈密尔顿函数形式具体为：
Figure BDA0003788449170000101
其中，SOC(t)为t时刻SOC值，Peng(t)为t时刻发动机输出功率，λ(t)为t时刻 协态变量，Preq(t)为t时刻需求功率，
Figure BDA0003788449170000102
为发动机燃油消耗率，ω(SOC)为SOC惩 罚因子，
Figure BDA0003788449170000103
为SOC变化率；
协态变量的计算方法如下：
λ1＝λ0,i＝1
λ2＝λ0+δ,i＝2
Figure BDA0003788449170000104
其中，λ0为初始参考协态变量，δ为协态变量变化步长，
Figure BDA0003788449170000105
为上一时刻 i-1的求解域末态SOC值，
Figure BDA0003788449170000106
为上上时刻i-2的求解域末态SOC值， SOCtarget为步骤(2.4)得到的参考终态SOC值；
(2.6)将满足边界条件的协态变量保存，作为后续控制域开环优化的参考协 态变量，并作为下一次滚动优化时的初始协态变量。
(3)若滚动优化有解，则利用参考协态变量在后续控制域内进行开环庞特里 亚金极小值优化，得到相应的控制集，并在下一控制时域重复执行步骤(2)，若滚 动优化无解，则根据未来有限时域内的SOC终值执行SOC跟随策略，并在下一控 制时域重复执行步骤(2)。
具体的，在本实例中，SOC跟随策略主要包括以下步骤：
(3.1)根据步骤(2)中获取的未来有限时域内的SOC终值作为参考终态SOC 值，根据参考终态SOC值得到下一时刻的期望SOC值；
下一时刻的期望SOC值可由下式获得：
Figure BDA0003788449170000111
其中，SOCref为得到的参考终态SOC值，H为预测时间窗长度；
(3.2)根据下一时刻的期望SOC值计算得到动力电池的输出功率；
(3.3)结合步骤(2.3)获得的当前时刻变速箱传动比，通过需求功率计算得 到发动机输出功率。
当混合动力汽车运行过程中，可以使用本申请在不同行驶路线下得到近全局最优的在线式能量管理策略，当混合动力汽车运行结束时，可以使用本申请完成历史 行车数据的汇交及云端模型的训练，可以有效结合云端数据储量大、计算能力强和 车端数据实时采集、效果及时反馈的优点，实现智能网联环境下的车路协同一体化。
本申请所提能量管理策略在车端的主要应用流程如图5所示。即根据历史车 速序列、前车车速、车距、信号灯状态、距离、剩余时间等多元信息得到未来有限 时域内需求功率序列，利用自适应模糊推理系统模型和SOC参考轨迹估计器分别 得到变速箱传动比和有限时域内的期望终态SOC值，使用庞特里亚金极小值算法 进行有限时域内的滚动求解，若给定计算时间内算法有解，则将最优控制序列作用 于各动力源，并将当前时刻协态变量作为下一控制时域的初始协态变量；若无解， 则使用SOC跟随策略进行能量分配，下一时刻重复此过程。
本申请将插电式混合动力汽车能量管理策略细分为云端和车端两部分，其中 云端负责与行驶路线相关的车速预测模型、SOC参考轨迹估计器以及变速箱传动 比选择模型的训练及更新，车端负责三个模型的在线应用、实时的能量管理分配以 及行驶数据的回传。能量管理策略的设计过程中考虑了本车车速、动力电池SOC 值、变速箱传动比等车端信息以及前车车速、车距、信号灯状态、距离、剩余时间 等路端信息，完成了智能网联背景下的基于多元信息融合的混合动力汽车能量管理 策略开发，有效提高了能量管理策略的经济性。
使用规则型能量管理策略、一维动态规划策略、二维动态规划策略和本申请 提出的基于多元信息的策略进行混合动力汽车能量管理，结果如表2所示，其中对 应的百公里油耗为统一终端SOC值后的等效结果。
表2四种能量管理策略的等效百公里油耗和终端SOC值
Figure BDA0003788449170000121
可以看出，本申请提出的离线优化算法二维动态规划能取得最优的经济性效 果，相较于传统的一维动态规划，经济性提高2.68％，而本申请所提出的基于多元 信息融合的在线能量管理策略相较规则型策略，经济性改善17.73％，且终端SOC 值能较好地接近期望SOC值。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可 采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一 个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。 同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介 质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的 一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或 功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当 其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/ 或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记 录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储 在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个 实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程 序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行 基于前述根据本申请的多个实施例的方法和/或技术方案。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员 无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领 域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的 实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于多元信息融合的插电式混合动力汽车能量管理方法，其特征在于，包括以下步骤：
S1、获取自适应模糊推理系统模型、车速序列预测模型和SOC参考轨迹估计器；
所述自适应模糊推理系统模型的输入为上一时刻变速箱传动比、当前时刻车速及归一化整车需求功率，输出为当前时刻变速箱传动比；
所述车速序列预测模型的输入为多元行驶信息，输出为未来有限时域内的车速预测序列，所述多元行驶信息包括车速序列、前车车速、车距、信号灯状态、距离及剩余时间；
所述SOC参考轨迹估计器的输入为未来有限时域内的需求功率序列、当前时刻SOC值、循环结束时的期望SOC值，输出为未来有限时域内的SOC终值；
S2、根据自适应模糊推理系统模型、车速序列预测模型和SOC参考轨迹估计器实时计算当前时刻变速箱传动比、未来有限时域内的车速预测序列和未来有限时域内的SOC终值，基于庞特里亚金极小值原理进行有限时域内的滚动优化，得到该时域内的参考协态变量；
S3、若滚动优化有解，则利用参考协态变量在后续控制域内进行开环庞特里亚金极小值优化，得到相应的控制集，并在下一控制时域重复执行S2，若滚动优化无解，则根据未来有限时域内的SOC终值执行SOC跟随策略，并在下一控制时域重复执行S2。
2.根据权利要求1所述的一种基于多元信息融合的插电式混合动力汽车能量管理方法，其特征在于，步骤S1中，获取自适应模糊推理系统模型具体为：
根据不同工况下的历史行车数据，设置不同的始末SOC条件，使用二维动态规划对不同工况、不同始末SOC条件下的变速箱传动比选取和转矩分配进行优化求解，得到变速箱传动比和SOC变化轨迹作为专家经验；
构建自适应模糊推理系统模型，以上一时刻变速箱传动比、当前时刻车速及归一化整车需求功率为输入，以当前时刻变速箱传动比为输出，使用变速箱传动比专家经验训练自适应模糊推理系统模型，得到训练好的自适应模糊推理系统模型。
3.根据权利要求1所述的一种基于多元信息融合的插电式混合动力汽车能量管理方法，其特征在于，步骤S1中，获取车速序列预测模型具体为：
获取历史多元行驶信息，并将其按照不同的地理区域划分为多个训练集；
构建第一神经网络模型，分别使用对应不同地理区域的训练集对第一神经网络模型进行训练，得到对应不同地理区域的车速序列预测模型。
4.根据权利要求3所述的一种基于多元信息融合的插电式混合动力汽车能量管理方法，其特征在于，步骤S2中，在车辆起动时，根据出行的起止点获取对应的车速序列预测模型，行车过程中获取多元行驶信息，根据车速序列预测模型实时计算未来有限时域内的车速预测序列，在行程结束后，将本次行程中获取的多元行驶信息以及实际车速信息保存，用于更新训练车速序列预测模型。
5.根据权利要求1所述的一种基于多元信息融合的插电式混合动力汽车能量管理方法，其特征在于，步骤S1中，获取SOC参考轨迹估计器具体为：
根据不同工况下的历史行车数据，设置不同的始末SOC条件，使用二维动态规划对不同工况、不同始末SOC条件下的变速箱传动比选取和转矩分配进行优化求解，得到变速箱传动比和SOC变化轨迹作为专家经验；
获取历史行车数据；
构建第二神经网络模型，以未来有限时域内的需求功率序列、当前时刻SOC值、循环结束时的期望SOC值为输入，以未来有限时域内的SOC终值为输出，使用SOC变化轨迹专家经验训练第二神经网络模型，得到SOC参考轨迹估计器。
6.根据权利要求2或5所述的一种基于多元信息融合的插电式混合动力汽车能量管理方法，其特征在于，二维动态规划的成本函数计算公式具体为：
Figure FDA0003788449160000021
其中，Cost(t)表示t时刻采用相应控制律的等效成本，be为发动机比油耗，tdelta为时间离散步长，Pe(t)为t时刻发动机输出功率，Ratio(t)与Ratio(t-1)为t时刻和t-1时刻的变速箱传动比，α为传动比变化惩罚因子。
7.根据权利要求1所述的一种基于多元信息融合的插电式混合动力汽车能量管理方法，其特征在于，步骤S2中，行车过程中获取多元行驶信息，根据车速序列预测模型实时计算未来有限时域内的车速预测序列；根据未来有限时域内的车速预测序列计算得到未来有限时域内的需求功率序列，根据自适应模糊推理系统模型得到当前时刻变速箱传动比；根据SOC参考轨迹估计器得到未来有限时域内的SOC终值。
8.根据权利要求1所述的一种基于多元信息融合的插电式混合动力汽车能量管理方法，其特征在于，步骤S2中，滚动优化过程中只需考虑SOC值一个状态变量，滚动优化方法中用到的哈密尔顿函数形式具体为：
Figure FDA0003788449160000031
其中，SOC(t)为t时刻SOC值，Peng(t)为t时刻发动机输出功率，λ(t)为t时刻协态变量，Preq(t)为t时刻需求功率，
Figure FDA0003788449160000032
为发动机燃油消耗率，ω(SOC)为SOC惩罚因子，
Figure FDA0003788449160000033
为SOC变化率；
将满足边界条件的协态变量保存，作为后续控制域开环优化的参考协态变量，并作为下一次滚动优化时的初始协态变量。
9.根据权利要求8所述的一种基于多元信息融合的插电式混合动力汽车能量管理方法，其特征在于，协态变量的计算方法如下：
λ1＝λ0，i＝1
λ2＝λ0+δ，i＝2
Figure FDA0003788449160000034
其中，λ0为初始参考协态变量，δ为协态变量变化步长，
Figure FDA0003788449160000035
为上一时刻i-1的求解域末态SOC值，
Figure FDA0003788449160000036
为上上时刻i-2的求解域末态SOC值，SOCtarget为步骤(2)得到的未来有限时域内的SOC终值。
10.根据权利要求1所述的一种基于多元信息融合的插电式混合动力汽车能量管理方法，其特征在于，步骤S3中，执行SOC跟随策略，即将未来有限时域内的SOC终值作为参考终态SOC值，根据参考终态SOC值得到下一时刻的期望SOC值，由此可计算得到动力电池的输出功率，结合当前时刻变速箱传动比得到发动机输出功率，其中，下一时刻的期望SOC值可由下式获得：
Figure FDA0003788449160000037
其中，SOCref为得到的参考终态SOC值，H为预测时间窗长度。
CN202210949151.6A 2022-08-09 2022-08-09 基于多元信息融合的插电式混合动力汽车能量管理方法 Pending CN115534929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210949151.6A CN115534929A (zh) 2022-08-09 2022-08-09 基于多元信息融合的插电式混合动力汽车能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210949151.6A CN115534929A (zh) 2022-08-09 2022-08-09 基于多元信息融合的插电式混合动力汽车能量管理方法

Publications (1)

Publication Number Publication Date
CN115534929A true CN115534929A (zh) 2022-12-30

Family

ID=84724550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210949151.6A Pending CN115534929A (zh) 2022-08-09 2022-08-09 基于多元信息融合的插电式混合动力汽车能量管理方法

Country Status (1)

Country Link
CN (1) CN115534929A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116572928A (zh) * 2023-07-07 2023-08-11 徐州徐工汽车制造有限公司 混合动力车辆的控制方法、装置、系统和混合动力车辆
CN116985778A (zh) * 2023-09-27 2023-11-03 北京航空航天大学 一种多任务跨核部署下的混动汽车全局能量管理优化方法
CN117507789B (zh) * 2023-12-06 2024-06-07 江苏开放大学（江苏城市职业学院） 一种用于agv小车的多模混合动力驱动系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116572928A (zh) * 2023-07-07 2023-08-11 徐州徐工汽车制造有限公司 混合动力车辆的控制方法、装置、系统和混合动力车辆
CN116572928B (zh) * 2023-07-07 2023-10-13 徐州徐工汽车制造有限公司 混合动力车辆的控制方法、装置、系统和混合动力车辆
CN116985778A (zh) * 2023-09-27 2023-11-03 北京航空航天大学 一种多任务跨核部署下的混动汽车全局能量管理优化方法
CN116985778B (zh) * 2023-09-27 2023-12-08 北京航空航天大学 一种多任务跨核部署下的混动汽车全局能量管理优化方法
CN117507789B (zh) * 2023-12-06 2024-06-07 江苏开放大学（江苏城市职业学院） 一种用于agv小车的多模混合动力驱动系统

Similar Documents

Publication Publication Date Title
CN110775065B (zh) 一种基于工况识别的混合动力汽车电池寿命预测方法
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
CN106740846B (zh) 一种双模式切换的电动汽车自适应巡航控制方法
WO2021114742A1 (zh) 一种混合动力电动汽车综合预测能量管理方法
CN110264757B (zh) 基于连续信号灯信息的智能网联汽车分层速度规划方法
CN108909702A (zh) 一种插电式混合动力汽车能量管理方法及系统
CN109733378B (zh) 一种线下优化线上预测的转矩分配方法
CN115534929A (zh) 基于多元信息融合的插电式混合动力汽车能量管理方法
CN111923897B (zh) 一种插电式混合动力汽车能量智能管理方法
CN111959492B (zh) 一种网联环境下考虑换道行为的hev能量管理分层控制方法
CN115158094A (zh) 基于长短期soc规划的插电式混合动力汽车能量管理方法
CN116070783B (zh) 一种混动传动系统在通勤路段下的学习型能量管理方法
CN112286212A (zh) 一种车网协同节能控制方法
CN113276829B (zh) 一种基于工况预测的车辆行驶节能优化变权重方法
CN115805840A (zh) 一种增程式电动装载机能耗控制方法及系统
CN113479187A (zh) 一种插电式混合动力汽车分层异步长能量管理方法
Zhang et al. An optimal vehicle speed planning algorithm for regenerative braking at traffic lights intersections based on reinforcement learning
WO2022028257A1 (zh) 新能源车辆的能耗回收比预测方法、节能控制方法和系统
Song et al. State-of-the-art and development trends of energy management strategies for intelligent and connected new energy vehicles: a review
CN114872711A (zh) 基于智能网联车辆的驾驶规划方法、系统、装置及介质
Liu et al. Integrated longitudinal speed decision-making and energy efficiency control for connected electrified vehicles
Pan et al. Research on multi-lane energy-saving driving strategy of connected electric vehicle based on vehicle speed prediction
Han et al. Fuel-saving control strategy for fuel vehicles with deep reinforcement learning and computer vision
Hu et al. Supplementary Learning Control for Energy Management Strategy of Hybrid Electric Vehicles at Scale
Shuang Research progress and prospect of energy-saving optimal control for intelligent and connected 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