CN116238475A - 一种车辆自适应预测能量管理方法、计算机设备和存储介质 - Google Patents

Abstract

本发明涉及新能源汽车技术领域，具体来说，本发明公开了一种车辆自适应预测能量管理方法，包括：建立混合动力汽车驱动系统解析模型；建立代价函数；基于控制命令边界，根据KKT条件，获得推导协状态边界；并基于所述推导协状态边界，获得修正协状态边界，并将所述修正协状态边界保存为三维插值表；根据所述修正协状态边界，设计启发式自适应规则，以获得最佳协状态；由代价函数建立哈密尔顿函数；求得使代价函数最小的最优控制命令。另一方面，本发明实施例公开了一种计算机设备。再一方面，本发明实施例公开了一种计算机可读存储介质。采用本发明，具有保证控制性能达到预期，并简化求解方法，提升计算效率的优点。

Description

一种车辆自适应预测能量管理方法、计算机设备和存储介质

技术领域

本发明涉及新能源汽车技术领域，尤其涉及一种车辆自适应预测能量管理方法、计算机设备和存储介质。

背景技术

基于庞德里亚金极小值原理(Pontryagin’s Minimal Principle，PMP)的预测能量管理是全面提升混合动力车辆燃油经济性的有效手段之一。通过引入未来短期工况信息，控制策略能结合未来行驶功率需求，提前对可能发生的情形进行调节，提升工况适应性；同时，通过PMP构建等效问题，实时调节协状态因子，求解满足最优条件且哈密尔顿方程最小的控制命令，可保证获得最优解，进而获得最优的功率分配，以提升节能减排效力。

然而，目前预测能量管理方法用于实车控制时仍面临协状态自适应能力不足的问题。具体来说，基于PMP的能量管理策略控制效果极度依赖协状态因子的自适应调节优劣。不合适的协状态因子可能引起车辆动力电池荷电状态更新(State of charge，SOC)无法朝着期望值变化、驱动系统控制命令频繁抖动等问题，无法充分发挥车辆经济性提升潜力。目前协状态自适应调节的方法主要有前馈和反馈两种。前馈方法需要预先收集大量不同工况下最优协状态因子的数据集，通过人为标定的方式设计自适应规则，这类方法工作量大且移植困难，无法大范围应用。反馈方法主要是在原始协状态的基础上增加一个关于SOC与预设参考值间偏差的增益量，从而实现实时修正。然而，其增益量直接与SOC跟随偏差相关，存在“调节滞后”及“超调”等问题，无法保证预期的控制性能。

并且，目前的预测能量管理方法还存在实时求解效率弱的问题。具体来说，由于目前混合动力车辆所包含的发动机、电池、发电机等关键部件具有强非线性、强耦合等特征，导致模型及控制边界条件的精确数学表征相对复杂，实时优化难度大。进一步，常规的迭代求解方法需要进行高维海森矩阵计算以及求逆等运算，对硬件算力及缓存要求较高，难以实现实时优化求解。

发明内容

本发明所要解决的技术问题在于，提供一种车辆自适应预测能量管理方法、计算机设备和存储介质，能够保证控制性能达到预期，并简化求解方法，提升计算效率。

为解决上述技术问题，本发明提供了一种车辆自适应预测能量管理方法，包括：

基于混合动力汽车的驱动系统结构，建立混合动力汽车驱动系统解析模型；

以燃油消耗最小为目标，并以燃料电池功率和预测时域终端时刻动力电池荷电状态参考值为约束条件，建立代价函数；

基于控制命令边界，根据KKT条件，获得推导协状态边界；并基于所述推导协状态边界，获得修正协状态边界，并将所述修正协状态边界保存为三维插值表；所述三维插值表包括动力电池荷电状态、电机功率以及燃料电池功率；

根据所述修正协状态边界，设计启发式自适应规则，以获得最佳协状态；

基于庞特里亚金极小值原理，由代价函数建立哈密尔顿函数；

根据所述混合动力汽车驱动系统解析模型及所述最佳协状态，通过最小化哈密尔顿函数且满足所述约束条件，求得使代价函数最小的最优控制命令，并将所述最优控制命令输出至车辆驱动系统中。

优选地，所述基于混合动力汽车的驱动系统结构，建立混合动力汽车驱动系统解析模型的步骤包括：

建立动力电池电流量模型；

基于所述动力电池电流量模型，建立动力电池荷电状态更新模型；

根据所述动力电池电流量模型及所述动力电池荷电状态更新模型，建立控制导向模型。

优选地，所述基于混合动力汽车的驱动系统结构，建立混合动力汽车驱动系统解析模型的步骤包括：

建立动力电池电流量模型；

基于所述动力电池电流量模型，建立动力电池荷电状态更新模型；

根据所述动力电池电流量模型及所述动力电池荷电状态更新模型，建立控制导向模型。

优选地，所述基于混合动力汽车的驱动系统结构，建立混合动力汽车驱动系统解析模型的步骤包括：

建立动力电池电流量模型：

I_bat＝a_bat，IP_fc ²+b_bat，IP_fc+c_bat，I；

式中，

及/>

分别为拟合系数，且U₀为开路电压，R₀为内阻，P_fc为燃料电池功率，P_mot为电机功率；

基于所述动力电池电流量模型，建立动力电池荷电状态更新模型：

式中，SOC₀表示初始SOC，Q_bat为电池容量；

根据所述动力电池电流量模型及所述动力电池荷电状态更新模型，建立控制导向模型：

式中，x为状态量，u为控制量，ω为外界输入扰动，且x＝SOC，u＝P_fc，ω＝P_mot。

优选地，所述燃料电池功率基于燃料电池功率、燃料电池功率变化速度、动力电池的电流约束推导得出，且所述燃料电池功率为：

且

/>

式中，

为整合后的燃料电池最大功率，P_fcnew 为整合后的燃料电池最小功率，P_fcidle为燃料电池怠速功率，P_fc,pre为上一时刻燃料电池功率，P_fcmax为燃料电池最大功率，△P_fcmax为燃料电池最大功率变化量，△P_fcmin为燃料电池最小功率变化量。

优选地，，所述根据KKT条件，获得的推导协状态边界为：λ_1,ON≤λ≤λ_h,ON＜0，且

式中，λ_1,ON为推导协状态下界，λ_h,ON为推导协状态上界。

优选地，所述修正协状态边界中的修正协状态上界

的获得步骤包括：

使用λ_h,ON作为第一临时协状态上界λ_h，ON ^-，并判断处于λ_h，ON ^-的最优燃料电池功率R^* ₁是否满足所述R_fcnew ；

如果是，则获得第二临时协状态上界λ_h，ON ⁺＝λ_h，ON ^--Δλ；

如果否，则获得第二临时协状态上界λ_h，ON ⁺＝λ_h，ON ^-+Δλ；其中，所述△λ为定义修正因子；

判断λ_h，ON ⁺的最优燃料电池功率P^* ₂是否满足所述P_fcnew ；

如果是，且P^* ₁≠P_fcnew ，则获得修正协状态上界

如果否，且P^* ₁＝P_fcnew ，则获得修正协状态上界

优选地，所述修正协状态边界中的修正协状态下界

的获得步骤包括：

使用λ_1,ON作为第一临时协状态下界λ_1，ON ^-，并判断处于λ_1，ON ^-的最优燃料电池功率P^* ₃是否满足所述

如果是，则获得第二临时协状态下界λ_1，ON ⁺＝λ_1，ON ^-+Δλ；

如果否，则获得第二临时协状态下界λ_1，ON ⁺＝λ_1，ON ^--Δλ；

判断λ_1，ON ⁺的最优燃料电池功率P^* ₄是否满足所述

如果是，且

则获得修正协状态下界/>

如果否，且

则获得修正协状态下界/>

优选地，当所述P^* ₂＝P_fcnew 且P^* ₁＝P_fcnew 时，或所述P^* ₂≠P_fcnew 且P^* ₁≠P_fcnew 时，所述λ_h，ON ^-＝λ_h，ON ⁺，以重新判断处于λ_h，ON ^-的最优燃料电池功率P^* ₁是否满足所述P_fcnew ，直至所述P^* ₂＝P_fcnew 且P^* ₁≠P_fcnew ，或所述P^* ₂≠P_fcnew 且P^* ₁＝P_fcnew ；

当所述

且/>

时，或所述/>

且/>

时，所述λ_1，ON ^-＝λ_1，ON ⁺，以重新判断处于λ_1，ON ^-的最优燃料电池功率P^* ₃是否满足所述/>

直至所述/>

且/>

或所述/>

且/>

相应地，本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。

相应地，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的方法的步骤。

实施本发明实施例，具有如下有益效果：

本发明基于混合动力汽车的驱动系统结构，建立混合动力汽车驱动系统解析模型，为控制策略的设计提供模型支撑；

接着，以燃油消耗最小为目标，并以燃料电池功率和预测时域终端时刻动力电池荷电状态参考值为约束条件，建立代价函数；其中，对燃料电池功率的约束条件进行了整合，将燃料电池怠速功率约束、燃料电池最大功率约束、燃料电池最大功率变化量约束、燃料电池最小功率变化量约束、以及动力电池的电流约束整合为统一约束，以有效降低计算复杂度，提升计算效率。

并且，为实现协状态的高效自适应调节，基于控制命令边界，根据KKT条件，获得推导协状态边界；其中，由于推导协状态边界的推导运算需要应用除式，且在推导运算总不可避免地存在计算误差，导致即使较小的推导运算误差也可能引起较大的协状态边界误差。因此，本方法基于所述推导协状态边界，获得修正协状态边界，并根据所述修正协状态边界，设计启发式自适应规则，以获得最佳协状态，从而实现实时修正，以保证预期的控制性能。

随后，基于庞特里亚金极小值原理，由代价函数建立哈密尔顿函数，并根据所述混合动力汽车驱动系统解析模型及所述最佳协状态，通过最小化哈密尔顿函数且满足所述约束条件，求得使代价函数最小的最优控制命令，并将所述最优控制命令输出至车辆驱动系统中，实现实时调节，提升车辆的工况适应性，并提升节能减排效力。

附图说明

图1是本发明实施例一种车辆自适应预测能量管理方法的一个优选实施例的流程示意图；

图2是本发明实施例建立混合动力汽车驱动系统解析模型的流程示意图；

图3是本发明实施例获得修正协状态边界中的修正协状态上界的流程示意图；

图4是本发明实施例获得修正协状态边界中的修正协状态下界的流程示意图；

图5是协状态自适应调节规则的流程示意图；

图6是本发明实施例一种车辆自适应预测能量管理系统的一个优选实施例的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。仅此声明，本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词，仅以本发明的附图为基准，其并不是对本发明的具体限定。

结合图1至图6，本发明的一实施例，提供了一种车辆自适应预测能量管理方法，包括：

S1、基于混合动力汽车的驱动系统结构，建立混合动力汽车驱动系统解析模型；

S2、以燃油消耗最小为目标，并以燃料电池功率和预测时域终端时刻动力电池荷电状态参考值为约束条件，建立代价函数；

S3、基于控制命令边界，根据KKT条件，获得推导协状态边界；并基于所述推导协状态边界，获得修正协状态边界，并将所述修正协状态边界保存为三维插值表；所述三维插值表包括动力电池荷电状态、电机功率以及燃料电池功率；

S4、根据所述修正协状态边界，设计启发式自适应规则，以获得最佳协状态；

S5、基于庞特里亚金极小值原理，由代价函数建立哈密尔顿函数；

S6、根据所述混合动力汽车驱动系统解析模型及所述最佳协状态，通过最小化哈密尔顿函数且满足所述约束条件，求得使代价函数最小的最优控制命令，并将所述最优控制命令输出至车辆驱动系统中。

本发明实施例基于混合动力汽车的驱动系统结构，建立混合动力汽车驱动系统解析模型，为控制策略的设计提供模型支撑；

接着，以燃油消耗最小为目标，并以燃料电池功率和预测时域终端时刻动力电池荷电状态参考值为约束条件，建立代价函数；其中，对燃料电池功率的约束条件进行了整合，将燃料电池怠速功率约束、燃料电池最大功率约束、燃料电池最大功率变化量约束、燃料电池最小功率变化量约束、以及动力电池的电流约束整合为统一约束，以有效降低计算复杂度，提升计算效率。

并且，为实现协状态的高效自适应调节，基于控制命令边界，根据KKT条件，获得推导协状态边界；其中，由于推导协状态边界的推导运算需要应用除式，且在推导运算总不可避免地存在计算误差，导致即使较小的推导运算误差也可能引起较大的协状态边界误差。因此，本方法基于所述推导协状态边界，获得修正协状态边界，并根据所述修正协状态边界，设计启发式自适应规则，以获得最佳协状态，从而实现实时修正，以保证预期的控制性能。

随后，基于庞特里亚金极小值原理，由代价函数建立哈密尔顿函数，并根据所述混合动力汽车驱动系统解析模型及所述最佳协状态，通过最小化哈密尔顿函数且满足所述约束条件，求得使代价函数最小的最优控制命令，并将所述最优控制命令输出至车辆驱动系统中，实现实时调节，提升车辆的工况适应性，并提升节能减排效力。

需要说明的是，本发明得出的最优控制命令不仅可应用于一般混合电动汽车中，还可在燃料电池搭配动力电池的串联式混合电动汽车中发挥最佳效果。其中，动力电池可为锂电池等。

具体的，结合图2，所述基于混合动力汽车的驱动系统结构，建立混合动力汽车驱动系统解析模型的步骤包括：

S11、建立动力电池电流量模型：

I_bat＝a_bat，IP_fc ²+b_bat，IP_fc+c_bat，I；

式中，

及/>

分别为拟合系数，且U₀为开路电压，R₀为内阻，P_fc为燃料电池功率，P_mot为电机功率；

S12、基于所述动力电池电流量模型，建立动力电池荷电状态更新模型：

式中，SOC₀表示初始SOC，Q_bat为电池容量；

S13、根据所述动力电池电流量及所述动力电池荷电状态更新模型，建立控制导向模型：

式中，x＝SOC作为状态量，u＝P_fc作为控制量，ω＝P_mott作为外界输入扰动；通过建立控制导向模型，为控制策略的设计提供模型支撑。

进一步，所述代价函数为：

式中，T为预测时域，t₀为当前行驶时刻，N_P为预测时域长度，/>

为燃料电池氢耗率；代价函数以燃料电池功率为不等式约束，以预测时域终端时刻动力电池荷电状态参考值为等式约束，简化控制复杂度。

更进一步，所述燃料电池功率基于燃料电池功率、燃料电池功率变化速度、动力电池的电流约束推导得出，从而简化控制复杂度；

所述燃料电池功率为：

且

式中，

为整合后的燃料电池最大功率，P_fcnew 为整合后的燃料电池最小功率，P_fcidle为燃料电池怠速功率，P_fc,pre为上一时刻燃料电池功率，P_fcmax为燃料电池最大功率，△P_fcmax为燃料电池最大功率变化量，△P_fcmin为燃料电池最小功率变化量，I_batmax为电池最大电流，I_batmin为电池最小电流。

通过将为燃料电池系统提供物理约束的不等式约束P_fcidle≤P_fc≤P_fcmax，保证燃料电池功率变化速率的不等式约束△P_fcmin≤P_fc-P_fc,pre≤△P_fcmax，以及确保动力电池安全充放电的不等式约束I_batmin≤I_bat≤I_batmax，整合至燃料电池功率的不等式约束中，不等式约束数量由原来的3个减少为1个，且整合后的燃料电池功率不等式约束与控制命令直接关联，以有效降低代价函数的计算复杂度、提升计算效率。

其中，所述预测时域终端时刻动力电池荷电状态参考值为：SOC_tar＝x(t₀+N_p-1)；通过采用预测时域终端时刻动力电池荷电状态参考值为等式约束，使动力电池的电池荷电状态保持在理想范围内。

另一方面，为实现协状态的高效自适应调节，所述根据KKT条件，获得的推导协状态边界为：λ_1,ON≤λ≤λ_h,ON＜0，且

式中，λ_1,ON为推导协状态下界，λ_h,ON为推导协状态上界，

为关于SOC、P_mot及P_fc的电池效率，/>

为当前SOC，x＝SOC，ω＝P_mot；

其中，所述SOC的序列为[0.25:0.05:1]，所述P_mot的序列为[P_motmin:10³:P_motmax]，

及P_fcnew 中P_fc,pre的序列为[P_fcidle:10³:P_fcmax]；P_motmin为电机功率的最小值，P_motmax为电机功率的最大值；上述参数可根据实际需求更改。/>

需要说明的是，上述公式考虑的是燃料电池处于恒启动状态时的推导协状态边界。由于燃料电池处于不启动状态时，协状态与协状态边界均为0，因此不需要再作考虑。

其中，由上述推导协状态的公式可看出，λ_1,ON与λ_h,ON总是能够通过SOC、P_mot及P_fc,pre计算得到，因此，可遍历所有可能的SOC、P_mott及P_fc,pre值，计算所对应协状态边界的修正量。为便于实际应用，可将所修正协状态边界保存为关于SOC、P_mot及P_fc，pre的三维插值表。

具体的，结合图3和图4，所述修正协状态边界中的修正协状态上界

的获得步骤包括：

S31、使用λ_h,ON作为第一临时协状态上界λ_h，ON ^-，并判断处于λ_h，ON ^-的最优燃料电池功率P^* ₁是否满足所述P_fcnew ；

如果是，则获得第二临时协状态上界λ_h，ON ⁺＝λ_h，ON ^--Δλ；

如果否，则获得第二临时协状态上界λ_h，ON ⁺＝λ_h，ON ^-+Δλ；其中，所述△λ为定义修正因子，且△λ＝0.0001；

S32、判断λ_h，ON ⁺的最优燃料电池功率P^* ₂是否满足所述P_fcnew ；

如果是，且P^* ₁≠P_fcnew ，则获得修正协状态上界

如果否，且P^* ₁＝P_fcnew ，则获得修正协状态上界

同样的，所述修正协状态边界中的修正协状态下界

的获得步骤包括：

S33、使用λ_1,ON作为第一临时协状态下界λ_1，ON ^-，并判断处于λ_1，ON ^-的最优燃料电池功率P^* ₃是否满足所述

如果是，则获得第二临时协状态下界λ_1，ON ⁺＝λ_1，ON ^-+Δλ；

如果否，则获得第二临时协状态下界λ_1，ON ⁺＝λ_1，ON ^--Δλ；

S34、判断λ_1，ON ⁺的最优燃料电池功率P^* ₄是否满足所述

如果是，且

则获得修正协状态下界/>

如果否，且

则获得修正协状态下界/>

进一步，当所述P^* ₂＝P_fcnew 且P^* ₁＝P_fcnew 时，或所述P^* ₂≠P_fcnew 且P^* ₁≠P_fcnew 时，所述λ_h，ON ^-＝λ_h，ON ⁺，以重新判断处于λ_h，ON ^-的最优燃料电池功率P^* ₁是否满足所述P_fcnew ，直至所述P^* ₂＝P_fcnew 且P^* ₁≠P_fcnew ，或所述P^* ₂≠P_fcnew 且P^* ₁≠P _{f cnew} ；

当所述

且/>

时，或所述/>

且/>

时，所述λ_1，ON ^-＝λ_1，ON ⁺，以重新判断处于λ_1,ON ^-的最优燃料电池功率P^* ₃是否满足所述/>

直至所述

且/>

或所述/>

且/>

采用上述修正方式，仅需要有限且较少的次数便可获得修正协状态边界。

需要说明的是，与常规方法不同，本方法获得的修正协状态边界将控制命令与功率单元效率间的关系考虑在内，并进行了严格的证明与推导，确保了理论的严谨性；面向应用需求，对其进行改进，保证了所述修正协状态边界应用于能量管理的有效性。

优选地，结合图5，所述根据改进的修正协状态边界，设计协状态自适应调节规则可包括：

S41、判断所述当前控制器采样时刻t是否为初始时刻；；

如果是(即t＝0)，输出所述

为最佳协状态λ^*；

如果否(即t≠0)，输出临时协状态λ_temp＝λ^*(t-1)，以获得所述临时协状态的预测时域终端时刻的SOC值SOC_t(λ_temp)；

S42、判断SOC_t(λ_temp)是否满足|SOC_t(λ_temp)-SOC_tar|＜tol_err，或

其中，tol_err为误差；

如果是，输出λ^*＝λ^*(t-1)；

如果否，输出第三临时协状态上界

以获得第三临时协状态上界的预测时域终端时刻的SOC值SOC_t(λ_h，temp)；

S43、判断所述SOC_t(λ_h，temp)是否满足SOC_t(λ_h，temp)＜SOC_tar；

如果是，输出第三临时协状态下界

以获得第三临时协状态下界的预测时域终端时刻的SOC值SOC_t(λ_1，temp)；

如果否，输出λ^*＝λ_h，temp；

S44、判断所述SOC_t(λ_1，temp)是否满足SOC_t(λ_1，t2mp)＜SOC_tar；

如果是，输出λ^*＝λ_1，temp；

如果否，更新临时协状态λ_temp为：

以更新所述临时协状态的预测时域终端时刻的SOC值SOC_t(λ_temp)；

S45、判断更新后的SOC_t(λ_temp)是否满足|SOC_t(λ_temp)-SOC_tar|＜tol_err，或判断迭代次数k是否达到迭代次数预设的上限k_iter；

如果是，输出λ^*＝λ_temp；

如果否，S46、判断SOC_t(λ_temp)是否满足SOC_t(λ_temp)＜SOC_tar；

对于S46，如果是，输出λ_h，temp＝λ_temp，并重新代入

中更新λ_temp，以再次经由S45进行判断；其中k＝k+1；

如果否，输出λ_1，temp＝λ_temp，并重新代入

中更新λ_temp，以再次经由S45进行判断；其中k＝k+1。

其中，S41和S42的判断主要是减少协状态的更新频率，，确保控制命令平滑；S43和S44的判断主要是确定调节协状态是否存在实现SOC返回参考值附近的可能，若无可能，则不进行协状态的更新，从而节省计算资源并提升计算效率。

需要说明的是，根据本协状态自适应调节规则，可实时高效获得有效的协状态，提升车辆燃油经济性。并且，与传统方法相比，本协状态自适应调节规则中协状态更新条件为“是否满足某较长的固定时间、或是否超出预测时域终端SOC参考值偏差的阈值”，有利于减少更新频率，可有效保证控制命令平滑。此外，该方法不属于传统前馈与反馈方法的范畴，便于调试与移植，能有效避免协状态因子“调节滞后”及“超调”等问题。

更佳地，基于庞特里亚金极小值原理，由代价函数建立哈密尔顿函数；并根据所述混合动力汽车驱动系统解析模型及所述最佳协状态，通过最小化哈密尔顿函数且满足所述约束条件，求得使代价函数最小的最优控制命令为：

其中，通过确定最佳协状态λ^*，并依据

便可求得最小化哈密尔顿方程的解u^*＝arg min H。并通过u^*进行/>

的计算并判定是否满足/>

及x(t+N_p-1)＝SOC_tar条件。若满足，则输出控制策略，否则调节协状态再进行相关计算。

需要说明的是，为实现密尔顿方程的求解，

的极值存在条件为

由于3a_fc＞0，当△＞0时，极值点可表示为

其中，P_fc1和P_fc2分别为极大值和极小值。

若△＜0，则哈密尔顿方程是单调递增的，哈密尔顿方程的最小值所对应的解为P_fc ^*＝P_fcnew 。其中，P_fc ^*为最佳燃料电池功率。若△＝0，存在一个点其斜率关于P_fc为0，最优解仍为P_fc ^*＝P_dcnew 。因此，当△≤0时，哈密尔顿方程的最小值所对应的解为P_fc ^*＝P_fcnew 。

对于△＞0的情形，解是不确定的。考虑总是存在H(P_fc1)≥H(P_fc2)，因此可通过比较H(P_fcnew )、

及H(P_fc2)的大小确定最优解P_fc ^*的位置，即三者最小的哈密尔顿方程所对应的P_fc为最优解P_fc ^*。为进一步降低计算负担，下面讨论两种情形：P_fc2在区间

内及区间外。当P_fc2在区间/>

内时，存在2种可能，其中最优解分别为P_fc2和P_fcnew 。当P_fc2在区间/>

外时，存在5种可能，最优解在可行域边界上，即P_fc ^*＝P_fcnew 或/>

因此，可先判断P_fc2是否在区间

内，若在，则计算H(P_fcnew )和H(P_fc2)的值，选取最小值所对应的控制命令为最优解；否则，计算H(P_fcnew )和/>

的值，选取最小值所对应的控制命令为最优解。本求解方法仅依赖解析表达式计算及条件判断，无需使用优化算法，可实现控制命令快速求解。

此外，结合图6，所述最优控制命令输入至所述燃料电池模块和动力电池模块内，所述燃料电池模块和动力电池模块输出能量至所述转换模块转换为输出功率，所述驱动模块接收所述输出功率。

需要说明的是，本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。并且，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种车辆自适应预测能量管理方法，其特征在于，包括：

基于混合动力汽车的驱动系统结构，建立混合动力汽车驱动系统解析模型；

以燃油消耗最小为目标，并以燃料电池功率和预测时域终端时刻动力电池荷电状态参考值为约束条件，建立代价函数；

基于控制命令边界，根据KKT条件，获得推导协状态边界；并基于所述推导协状态边界，获得修正协状态边界，并将所述修正协状态边界保存为三维插值表；所述三维插值表包括动力电池荷电状态、电机功率以及燃料电池功率；

根据所述修正协状态边界，设计启发式自适应规则，以获得最佳协状态；

基于庞特里亚金极小值原理，由代价函数建立哈密尔顿函数；

根据所述混合动力汽车驱动系统解析模型及所述最佳协状态，通过最小化哈密尔顿函数且满足所述约束条件，求得使代价函数最小的最优控制命令，并将所述最优控制命令输出至车辆驱动系统中。

2.如权利要求1所述的车辆自适应预测能量管理方法，其特征在于，所述基于混合动力汽车的驱动系统结构，建立混合动力汽车驱动系统解析模型的步骤包括：

建立动力电池电流量模型；

基于所述动力电池电流量模型，建立动力电池荷电状态更新模型；

根据所述动力电池电流量模型及所述动力电池荷电状态更新模型，建立控制导向模型。

3.如权利要求2所述的车辆自适应预测能量管理方法，其特征在于，所述基于混合动力汽车的驱动系统结构，建立混合动力汽车驱动系统解析模型的步骤包括：

建立动力电池电流量模型：

I_bat＝a_bat，IP_fc ²+b_bat，IP_fc+c_bat，I；

式中，

及/>

分别为拟合系数，且U₀为开路电压，R₀为内阻，P_fc为燃料电池功率，P_mot为电机功率；

基于所述动力电池电流量模型，建立动力电池荷电状态更新模型：

式中，SOC₀表示初始SOC，Q_bat为电池容量；

根据所述动力电池电流量模型及所述动力电池荷电状态更新模型，建立控制导向模型：

式中，x为状态量，u为控制量，ω为外界输入扰动，且x＝SOC，u＝P_fc，ω＝P_mot。

4.如权利要求3所述的车辆自适应预测能量管理方法，其特征在于，所述燃料电池功率基于燃料电池功率、燃料电池功率变化速度、动力电池的电流约束推导得出，且所述燃料电池功率为：

且

式中，

为整合后的燃料电池最大功率，P_fcnew 为整合后的燃料电池最小功率，P_fcidle为燃料电池怠速功率，P_fc，pre为上一时刻燃料电池功率，P_fcmax为燃料电池最大功率，△P_fcmax为燃料电池最大功率变化量，△P_fcmin为燃料电池最小功率变化量。

5.如权利要求4所述的车辆自适应预测能量管理方法，其特征在于，所述根据KKT条件，获得的推导协状态边界为：λ_1，ON≤λ≤λ_h，ON＜0，且

式中，λ_1，ON为推导协状态下界，λ_h，ON为推导协状态上界。

6.如权利要求5所述的车辆自适应预测能量管理方法，其特征在于，所述修正协状态边界中的修正协状态上界

的获得步骤包括：

使用λ_h，ON作为第一临时协状态上界λ_h，ON ^-，并判断处于λ_h，ON^-的最优燃料电池功率P^* ₁是否满足所述P_fcnew ；

如果是，则获得第二临时协状态上界λ_h，ON ⁺＝λ_h，ON ^--Δλ；

如果否，则获得第二临时协状态上界λ_h，ON ⁺＝λ_h，ON ^-+Δλ；其中，所述△λ为定义修正因子；

判断λ_h，ON ⁺的最优燃料电池功率P^* ₂是否满足所述P_fcnew ；

如果是，且P^* ₁≠P_fcnew ，则获得修正协状态上界

如果否，且P^* ₁＝P_fcnew ，则获得修正协状态上界

7.如权利要求6所述的车辆自适应预测能量管理方法，其特征在于，所述修正协状态边界中的修正协状态下界

的获得步骤包括：

使用λ_1，ON作为第一临时协状态下界λ_1，ON ^一，并判断处于λ_1，ON ^-的最优燃料电池功率P^* ₃是否满足所述

如果是，则获得第二临时协状态下界λ_1，ON ⁺＝λ_1，ON ^-+Δλ；

如果否，则获得第二临时协状态下界λ_1，ON ⁺＝λ_1，ON ^--Δλ；

判断λ_1，ON ⁺的最优燃料电池功率P^* ₄是否满足所述

如果是，且

则获得修正协状态下界/>

如果否，且

则获得修正协状态下界/>

8.如权利要求7所述的车辆自适应预测能量管理方法，其特征在于，当所述P^* ₂＝P_fcnew 且P^* ₁＝P_fcnew 时，或所述P^* ₂≠P_{fcne w}且P^* ₁≠P_fcnew 时，所述λ^h _，ON ^-＝λ_h，ON ⁺，以重新判断处于λ_h，ON ^-的最优燃料电池功率P^* ₁是否满足所述P_fcnew ，直至所述P^* ₂＝P_fcnew 且P^* ₁≠P_fcnew ，或所述P^* ₂≠P_fcnew 且P^* ₁＝P_fcnew ；

当所述

且/>

时，或所述/>

且/>

时，所述λ_1，ON ^-＝λ_1，ON ⁺，以重新判断处于λ_1，ON ^-的最优燃料电池功率P^* ₃是否满足所述/>

直至所述/>

且/>

或所述/>

且/>

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

Images