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
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 Download PDFInfo
- Publication number
- CN116238475A CN116238475A CN202310133392.8A CN202310133392A CN116238475A CN 116238475 A CN116238475 A CN 116238475A CN 202310133392 A CN202310133392 A CN 202310133392A CN 116238475 A CN116238475 A CN 116238475A
- Authority
- CN
- China
- Prior art keywords
- state
- power
- lambda
- fuel cell
- fcnew
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 239000000446 fuel Substances 0.000 claims description 88
- 230000006870 function Effects 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 13
- 238000009795 derivation Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
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
- B60W20/15—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
- B60W20/10—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
- B60W20/16—Control strategies specially adapted for achieving a particular effect for reducing engine exhaust emissions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
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
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:
Ibat=abat,IPfc 2+bbat,IPfc+cbat,I;
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,Qbat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=Pfc,ω=Pmot。
且
式中,为整合后的燃料电池最大功率,Pfcnew 为整合后的燃料电池最小功率,Pfcidle为燃料电池怠速功率,Pfc,pre为上一时刻燃料电池功率,Pfcmax为燃料电池最大功率,△Pfcmax为燃料电池最大功率变化量,△Pfcmin为燃料电池最小功率变化量。
式中,λ1,ON为推导协状态下界,λh,ON为推导协状态上界。
使用λh,ON作为第一临时协状态上界λh,ON -,并判断处于λh,ON -的最优燃料电池功率R* 1是否满足所述Rfcnew ;
如果是,则获得第二临时协状态上界λh,ON +=λh,ON --Δλ;
如果否,则获得第二临时协状态上界λh,ON +=λh,ON -+Δλ;其中,所述△λ为定义修正因子;
判断λh,ON +的最优燃料电池功率P* 2是否满足所述Pfcnew ;
如果是,则获得第二临时协状态下界λ1,ON +=λ1,ON -+Δλ;
如果否,则获得第二临时协状态下界λ1,ON +=λ1,ON --Δλ;
优选地,当所述P* 2=Pfcnew 且P* 1=Pfcnew 时,或所述P* 2≠Pfcnew 且P* 1≠Pfcnew 时,所述λh,ON -=λh,ON +,以重新判断处于λh,ON -的最优燃料电池功率P* 1是否满足所述Pfcnew ,直至所述P* 2=Pfcnew 且P* 1≠Pfcnew ,或所述P* 2≠Pfcnew 且P* 1=Pfcnew ;
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:
Ibat=abat,IPfc 2+bbat,IPfc+cbat,I;
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,Qbat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=Pfc作为控制量,ω=Pmott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,NP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;
式中,为整合后的燃料电池最大功率,Pfcnew 为整合后的燃料电池最小功率,Pfcidle为燃料电池怠速功率,Pfc,pre为上一时刻燃料电池功率,Pfcmax为燃料电池最大功率,△Pfcmax为燃料电池最大功率变化量,△Pfcmin为燃料电池最小功率变化量,Ibatmax为电池最大电流,Ibatmin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Pfcidle≤Pfc≤Pfcmax,保证燃料电池功率变化速率的不等式约束△Pfcmin≤Pfc-Pfc,pre≤△Pfcmax,以及确保动力电池安全充放电的不等式约束Ibatmin≤Ibat≤Ibatmax,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:SOCtar=x(t0+Np-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。
其中,所述SOC的序列为[0.25:0.05:1],所述Pmot的序列为[Pmotmin:103:Pmotmax],及Pfcnew 中Pfc,pre的序列为[Pfcidle:103:Pfcmax];Pmotmin为电机功率的最小值,Pmotmax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,λ1,ON与λh,ON总是能够通过SOC、Pmot及Pfc,pre计算得到,因此,可遍历所有可能的SOC、Pmott及Pfc,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、Pmot及Pfc,pre的三维插值表。
S31、使用λh,ON作为第一临时协状态上界λh,ON -,并判断处于λh,ON -的最优燃料电池功率P* 1是否满足所述Pfcnew ;
如果是,则获得第二临时协状态上界λh,ON +=λh,ON --Δλ;
如果否,则获得第二临时协状态上界λh,ON +=λh,ON -+Δλ;其中,所述△λ为定义修正因子,且△λ=0.0001;
S32、判断λh,ON +的最优燃料电池功率P* 2是否满足所述Pfcnew ;
如果是,则获得第二临时协状态下界λ1,ON +=λ1,ON -+Δλ;
如果否,则获得第二临时协状态下界λ1,ON +=λ1,ON --Δλ;
进一步,当所述P* 2=Pfcnew 且P* 1=Pfcnew 时,或所述P* 2≠Pfcnew 且P* 1≠Pfcnew 时,所述λh,ON -=λh,ON +,以重新判断处于λh,ON -的最优燃料电池功率P* 1是否满足所述Pfcnew ,直至所述P* 2=Pfcnew 且P* 1≠Pfcnew ,或所述P* 2≠Pfcnew 且P* 1≠P f cnew ;
当所述且/>时,或所述/>且/>时,所述λ1,ON -=λ1,ON +,以重新判断处于λ1,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;;
如果否(即t≠0),输出临时协状态λtemp=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SOCt(λtemp);
如果是,输出λ*=λ*(t-1);
S43、判断所述SOCt(λh,temp)是否满足SOCt(λh,temp)<SOCtar;
如果否,输出λ*=λh,temp;
S44、判断所述SOCt(λ1,temp)是否满足SOCt(λ1,t2mp)<SOCtar;
如果是,输出λ*=λ1,temp;
如果否,更新临时协状态λtemp为:
以更新所述临时协状态的预测时域终端时刻的SOC值SOCt(λtemp);
S45、判断更新后的SOCt(λtemp)是否满足|SOCt(λtemp)-SOCtar|<tolerr,或判断迭代次数k是否达到迭代次数预设的上限kiter;
如果是,输出λ*=λtemp;
如果否,S46、判断SOCt(λtemp)是否满足SOCt(λtemp)<SOCtar;
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+Np-1)=SOCtar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。
其中,Pfc1和Pfc2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Pfc *=Pfcnew 。其中,Pfc *为最佳燃料电池功率。若△=0,存在一个点其斜率关于Pfc为0,最优解仍为Pfc *=Pdcnew 。因此,当△≤0时,哈密尔顿方程的最小值所对应的解为Pfc *=Pfcnew 。
对于△>0的情形,解是不确定的。考虑总是存在H(Pfc1)≥H(Pfc2),因此可通过比较H(Pfcnew )、及H(Pfc2)的大小确定最优解Pfc *的位置,即三者最小的哈密尔顿方程所对应的Pfc为最优解Pfc *。为进一步降低计算负担,下面讨论两种情形:Pfc2在区间内及区间外。当Pfc2在区间/>内时,存在2种可能,其中最优解分别为Pfc2和Pfcnew 。当Pfc2在区间/>外时,存在5种可能,最优解在可行域边界上,即Pfc *=Pfcnew 或/>
因此,可先判断Pfc2是否在区间内,若在,则计算H(Pfcnew )和H(Pfc2)的值,选取最小值所对应的控制命令为最优解;否则,计算H(Pfcnew )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:
Ibat=abat,IPfc 2+bbat,IPfc+cbat,I;
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,Qbat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=Pfc,ω=Pmot。
使用λh,ON作为第一临时协状态上界λh,ON -,并判断处于λh,ON-的最优燃料电池功率P* 1是否满足所述Pfcnew ;
如果是,则获得第二临时协状态上界λh,ON +=λh,ON --Δλ;
如果否,则获得第二临时协状态上界λh,ON +=λh,ON -+Δλ;其中,所述△λ为定义修正因子;
判断λh,ON +的最优燃料电池功率P* 2是否满足所述Pfcnew ;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133392.8A CN116238475B (zh) | 2023-02-17 | 2023-02-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133392.8A CN116238475B (zh) | 2023-02-17 | 2023-02-17 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116238475A true CN116238475A (zh) | 2023-06-09 |
CN116238475B CN116238475B (zh) | 2024-01-12 |
Family
ID=86630821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310133392.8A Active CN116238475B (zh) | 2023-02-17 | 2023-02-17 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116238475B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117734664A (zh) * | 2023-12-22 | 2024-03-22 | 佛山科学技术学院 | 一种动力汽车的预测等效消耗最小化能量管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112078565A (zh) * | 2020-09-17 | 2020-12-15 | 奇瑞汽车股份有限公司 | 氢燃料电池电动汽车的能量管理方法、装置及存储介质 |
EP3756963A1 (en) * | 2019-06-28 | 2020-12-30 | FPT Motorenforschung AG | A method and a system for controlling a vehicle on a mission |
CN113085860A (zh) * | 2021-05-07 | 2021-07-09 | 河南科技大学 | 一种跟车环境下的燃料电池混合动力汽车的能量管理方法 |
CN114771293A (zh) * | 2022-04-06 | 2022-07-22 | 燕山大学 | 一种基于等效消耗最小策略的燃料电池汽车能量管理方法 |
CN114801788A (zh) * | 2022-04-12 | 2022-07-29 | 湖南精准信息科技有限公司 | 一种新能源汽车能量管理方法、系统、设备和存储介质 |
-
2023
- 2023-02-17 CN CN202310133392.8A patent/CN116238475B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3756963A1 (en) * | 2019-06-28 | 2020-12-30 | FPT Motorenforschung AG | A method and a system for controlling a vehicle on a mission |
CN112078565A (zh) * | 2020-09-17 | 2020-12-15 | 奇瑞汽车股份有限公司 | 氢燃料电池电动汽车的能量管理方法、装置及存储介质 |
CN113085860A (zh) * | 2021-05-07 | 2021-07-09 | 河南科技大学 | 一种跟车环境下的燃料电池混合动力汽车的能量管理方法 |
CN114771293A (zh) * | 2022-04-06 | 2022-07-22 | 燕山大学 | 一种基于等效消耗最小策略的燃料电池汽车能量管理方法 |
CN114801788A (zh) * | 2022-04-12 | 2022-07-29 | 湖南精准信息科技有限公司 | 一种新能源汽车能量管理方法、系统、设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117734664A (zh) * | 2023-12-22 | 2024-03-22 | 佛山科学技术学院 | 一种动力汽车的预测等效消耗最小化能量管理方法及系统 |
CN117734664B (zh) * | 2023-12-22 | 2024-05-28 | 佛山科学技术学院 | 一种动力汽车的预测等效消耗最小化能量管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116238475B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | Towards a smarter hybrid energy storage system based on battery and ultracapacitor-A critical review on topology and energy management | |
CN116238475B (zh) | 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 | |
CN110182069B (zh) | 一种电动汽车增程器发电功率闭环控制方法 | |
US11569517B2 (en) | Fuel cell control method and system based on model predictive control | |
CN112810503B (zh) | 考虑动态响应能力的基于神经网络的汽车动力控制方法 | |
CN112550086B (zh) | 一种车辆能量管理方法、装置、车辆及存储介质 | |
WO2009089718A1 (fr) | Procédé de protection pour un courant limité de charge/décharge d'une batterie de véhicule électrique hybride, dispositif et système pour celui-ci | |
Desantes et al. | Effect of dynamic and operational restrictions in the energy management strategy on fuel cell range extender electric vehicle performance and durability in driving conditions | |
WO2022100112A1 (zh) | 一种并联燃料电池动力系统功率分配方法及系统 | |
JP2011015551A (ja) | 燃料電池車両及び燃料電池システムの制御方法 | |
Ouyang et al. | Nonlinear MPC controller design for AIR supply of PEM fuel cell based power systems | |
Zhou et al. | Total travel costs minimization strategy of a dual-stack fuel cell logistics truck enhanced with artificial potential field and deep reinforcement learning | |
Zhang et al. | Energy management strategy for fuel cell vehicles via soft actor-critic-based deep reinforcement learning considering powertrain thermal and durability characteristics | |
JP4525112B2 (ja) | 燃料電池車両の制御装置 | |
CN112793467B (zh) | 一种电动汽车动力电池控制方法及其系统、存储介质 | |
US20240182018A1 (en) | Method for adaptative real-time optimization of a power or torque split in a vehicle | |
CN114801788A (zh) | 一种新能源汽车能量管理方法、系统、设备和存储介质 | |
JP6162678B2 (ja) | 2電源負荷駆動燃料電池システム及び燃料電池自動車 | |
CN113991151B (zh) | 一种基于功率预测的燃料电池自适应控制方法及系统 | |
Hu et al. | Effective energy management strategy based on deep reinforcement learning for fuel cell hybrid vehicle considering multiple performance of integrated energy system | |
CN111824115B (zh) | 一种车辆多能源控制方法、系统、装置及存储介质 | |
Tian et al. | Optimizing fuel economy of fuel cell hybrid electric vehicle based on energy management strategy with integrated rapid thermal regulation | |
CN117465412A (zh) | 基于能量流效率最优的混合动力车辆在线能量管理方法 | |
CN112109594A (zh) | 用于混合动力车的能量管理控制方法和系统 | |
Gonsrang et al. | Optimisation-based power management system for an electric vehicle with a hybrid energy storage system |
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 |