CN116522498B - 增程式电动车能耗和排放协同优化方法和增程式电动车控制方法 - Google Patents
增程式电动车能耗和排放协同优化方法和增程式电动车控制方法 Download PDFInfo
- Publication number
- CN116522498B CN116522498B CN202310487553.3A CN202310487553A CN116522498B CN 116522498 B CN116522498 B CN 116522498B CN 202310487553 A CN202310487553 A CN 202310487553A CN 116522498 B CN116522498 B CN 116522498B
- Authority
- CN
- China
- Prior art keywords
- emission
- energy consumption
- vehicle
- position vector
- representing
- 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.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000004134 energy conservation Methods 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 87
- 241000283153 Cetacea Species 0.000 claims description 56
- 238000012360 testing method Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000010355 oscillation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000009514 concussion Effects 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 abstract description 7
- 239000000446 fuel Substances 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种增程式电动车能耗和排放协同优化方法,包括如下步骤:S1:基于深度学习网络构建车辆系统能耗和排放模型,利用车辆系统能耗和排放模型构建车辆运行状态数据与能耗和排放之间的映射关系:S2:构建目标函数和约束条件:S3:实时采集车辆运行状态数据,在保持除发动机转速和发动机转矩外的其他车辆运行状态数据不变的条件下,求解使车辆能耗值和排放值最小的发动机转速和发动机转矩。本发明还公开了一种增程式电动车控制方法,利用数据驱动的方式,研究增程式电动车辅助动力单元协调控制策略与系统能耗和排放之间的关系,建立面向节能减排的双目标全局智能优化方法,为APU和动力电池的协调控制提供指导。
Description
技术领域
本发明属于车辆控制技术领域,具体的为一种增程式电动车能耗和排放协同优化方法和增程式电动车控制方法。
背景技术
随着新能源汽车的发展,新能源汽车保有量的占比越来越高,其中纯电动汽车是现阶段新能汽车发展的主要方向,但纯电动汽车的续航里程无法满足人们长时间行驶的需求,车主存在“续驶里程焦虑”的问题。因此,为了解决“续驶里程焦虑”,提升出行舒适性,汽车企业和研究人员提出了增程式电动车(Extended Range Electric Vehicle,简称EREV)的概念,其配备了一台小型的发动机,通常是内燃机或燃料电池,用于在电池电量低于一定程度时为电动机提供电力,延长电动汽车的续航里程。与其他类型的电动汽车不同,增程式电动车不依赖于充电设施进行充电,因为它可以在电池电量耗尽时自动启动发动机来提供额外的电力,这种技术使得增程式电动车能够实现与传统燃油车相当的续航里程,并且在电池电量低于一定程度时仍然能够保持高效的能源利用率。可以看出增程式电动车的设计目的是在保留汽车电动行驶能力的同时,增加汽车的行驶里程,既满足节能降噪的要求又减少人们出行的焦虑。因此,有必要考虑发动机、发电机、动力电池等动力部件的响应特性,制定高效的协调控制策略。
辅助动力单元(APU)是增程式电动车动力系统的重要组成部分,承担着可用状态(State of Charge,SOC)不足时工作充电的任务,APU的动力性能和经济性能决定了增程式电动车的动力性和经济性。对于APU开启和关闭,主要存在两种控制方式,分别是Blended模式和CD-CS(charge depleting-charge sustaining)模式。由于CD-CS控制模式具有纯电动驱动的工作条件,可以减少排放,提高燃油效率,因此应用更为广泛。CD-CS控制模式将增程式电动车分为电量消耗(CD)和电量维持(CS)两个状态,APU在CS模式下开启,发动机的运行状态决定了整车行驶过程中的经济性。而对于辅助动力单元控制策略,业内常见的设计理念是将APU设置为在单点或多点工作,并优化发动机,使发动机在这些工作点实现最佳的油耗和排放,另一个常见的设计概念是功率跟随策略,其中APU的输出功率尽可能匹配车辆的功率需求。然而,这些方法对燃油节约、电池充电和放电以及发动机排放的影响需要进一步研究,由于缺乏优化,无法充分利用增程式电动汽车在续航方面的潜力,并且在适应不同驾驶条件方面的灵活性较差。
发明内容
有鉴于此,本发明的目的在于提供一种增程式电动车能耗和排放协同优化方法和增程式电动车控制方法,利用数据驱动的方式,研究增程式电动车辅助动力单元协调控制策略与系统能耗和排放之间的关系,建立面向节能减排的双目标全局智能优化方法,为APU和动力电池的协调控制提供指导。
为达到上述目的,本发明提供如下技术方案:
本发明首先提出了一种增程式电动车能耗和排放协同优化方法,包括如下步骤:
S1:基于深度学习网络构建车辆系统能耗和排放模型,利用车辆系统能耗和排放模型构建车辆运行状态数据与能耗和排放之间的映射关系:
y1=f1(x1,x2...xn)
y2=f2(x1,x2...xn)
S2:构建目标函数和约束条件:
Minimize(y1(x1,x2...xn))
Minimize(y2(x1,x2...xn))
x1 l<x1<x1 h
x2 l<x2<x2 h
其中,y1和y2分别表示车辆能耗值和排放值;xi表示车辆的第i种车辆运行状态数据,1≤i≤n,n表示车辆运行状态数据的种类;令i=1时,x1表示发动机转速;令i=2时,x2表示发动机转矩;x1 l和x1 h分别表示发动机转速x1取值的上限和下限;x2 l和x2 h分别表示发动机转矩x2取值的上限和下限;f1和f2分别表示车辆能耗值和排放值与车辆运行状态数据之间的映射关系;
S3:实时采集车辆运行状态数据,在保持除发动机转速和发动机转矩外的其他车辆运行状态数据不变的条件下,求解使车辆能耗值和排放值最小的发动机转速和发动机转矩。
进一步,所述步骤S1中,车辆系统能耗和排放模型的构建方法包括如下步骤:
11)数据采集:在不同工况下采集车辆运行状态数据以及车辆对应的能耗数据和排放数据,对采集的数据进行预处理后构建得到数据集;
12)将数据集划分为训练集和测试集;
13)初始化车辆系统能耗和排放模型;
14)将训练集输入车辆系统能耗和排放模型,得到车辆能耗和排放的预测值;
15)求解车辆能耗和排放的真实值与预测值之间的损失函数,以优化算法更新车辆系统能耗和排放模型的参数;
16)判断模型训练是否达到设定的终止条件:若是,则执行步骤17);若否,则执行步骤14);
17)将测试集输入车辆系统能耗和排放模型,判断模型预测精度是否满足设定要求:若是,则输出车辆系统能耗和排放模型;若否,则执行步骤12)。
进一步,所述步骤S3中,采用多目标鲸鱼算法求解使车辆能耗值和排放值最小的发动机转速和发动机转矩,包括如下步骤:
31)初始化鲸鱼种群;
32)计算每条鲸鱼的适应度,得到具有最优适应度的鲸鱼位置向量,以该具有最优适应度的鲸鱼位置向量得到当前迭代的最优位置向量并保留;
33)随机生成[0,1]范围内的随机数,若随机数小于0.5,则执行步骤34);否则执行步骤35);
34)判断系数向量的绝对值是否小于1:
若是,则按照缩小环绕策略更新鲸鱼位置向量;
其中,表示位置向量;t表示迭代次数;/>为系数向量;/>表示当前搜索个体与最佳个体之间的距离;/>是当前迭代的最优位置向量;
若否,则按照寻找猎物策略更新鲸鱼位置向量:
其中,表示随机个体的位置向量;/>表示当前搜索个体与随机个体之间的距离;
35)按照泡泡网攻击策略更新鲸鱼位置向量:
其中,表示当前搜索个体与当前迭代最优位置个体之间的距离;b表示一个定义对数螺旋形状的固定数;l是[-1,1]之间的随机数;
36)计算每条鲸鱼的适应度,得到具有最优适应度的鲸鱼位置向量,以该具有最优适应度的鲸鱼位置向量得到当前迭代的最优位置向量;
37)比较当前迭代的最优位置向量是否优于先前保留的最优位置向量,若是,则以当前的最优位置向量替换先前保留的最优位置向量,否则保持先前保留的最优位置向量不变;
38)判断当前的迭代次数是否达到最大迭代次数Maxit:若是,则将保留的最优位置向量映射为发动机转速和发动机转矩,求解得到使车辆能耗值和排放值最小的发动机转速和发动机转矩;若否,则执行步骤33)。
进一步,所述步骤32)和36)中,采用差分演化变异策略得到当前迭代的最优位置向量,其原理为:
其中,表示扰动后的试验领导者位置向量;S为缩放因子;/>和/>分别代表两个随机鲸鱼个体;k为(0,1)范围内的系数;
采用交叉操作,利用试验领导者位置向量得到当前迭代的最优位置向量:
其中,P为交叉概率;nrand是区间[0,nVar]上随机产生的整数,nVar为鲸鱼个体维度。
进一步,基于概率的随机个体选择机制确定当前迭代具有最优适应度的鲸鱼位置向量:
其中,表示基于概率的随机个体选择机制得到的当前迭代最优位置向量;和/>分别表示种群内两个随机个体的位置;/>表示所有个体位置的平均位置;P1和P2分别表示随机选择个体的概率;c1表示(0,1)范围内的随机数;
利用替代/>得到当前迭代具有最优适应度的鲸鱼位置向量。
进一步,在寻找猎物策略中,随机个体采用非线性衰减的惯性权重系数w和随机震荡衰减的惯性权重系数v进行修正:
其中,表示第i个个体的位置向量;/>表示一组遵守Lévy分布的随机向量;/>表示由/>和/>共同决定的鲸鱼个体运动方向;/>表示/>的目标函数值;C(t)表示一个随时间变化的从0到1的随机值;w表示非线性衰减的惯性权重系数;v表示随机震荡衰减的惯性权重系数;且:
v=[-a,a]
其中,wmax和wmin分别是非线性衰减权重系数w的最大值和最小值;a表示随机震荡衰减的惯性权重数值。
本发明还提出了一种增程式电动车控制方法,启动增程式电动车后,按照以下步骤对增程式电动车进行控制:
步骤一:判断是否进入电量维持状态:若是,执行步骤三;若否,则执行步骤二;
步骤二:利用高功率判断模块是否需要开启辅助动力单元:若是,则执行步骤三;若否,则以纯电动方式行驶,执行步骤一;
步骤三:则开启辅助动力单元;
步骤四:判断动力电池SOC是否大于设定的阈值下限:若是,则执行步骤五;若否,执行步骤七:
步骤五:利用制动过程判断模块判断驱动电机制动回收电功率和辅助动力单元输出电功率之和是否大于动力电池的最大充电功率:若是,执行步骤九;若否,执行步骤六;
步骤六:利用APU控制优化模块采用如上所述增程式电动车能耗和排放协同优化方法对发动机进行转速控制和转矩控制,以节能减排为双目标来控制APU运行状态,执行步骤八;
步骤七:辅助动力单元以最大功率点工作,执行步骤八;
步骤八:判断动力电池SOC是否大于设定的阈值上限:若是,执行步骤九;若否,则执行步骤四;
步骤九:关闭辅助动力单元;
步骤十:循环执行步骤一,直至增程式电动车停车熄火。
本发明的有益效果在于:
增程式电动车大部分时间都是在城市中行驶,由于十字路口众多并且城市交通情况不佳,经常在加速、减速和怠速条件下运行,平均行驶速度较低。在现有的APU控制策略下,电机功率的主要来源是动力电池,APU只是能量补偿,导致电池组频繁充电和放电,动力电池主要用于吸收APU产生的电力,而不是回收再生制动的能量,原来的策略无法满足增程式电动车的实际运行条件,并且当发生快速加速或爬坡时,纯电动模式下往往会出现动力不足的情况。为此,本发明的增程式电动车控制方法,基于CD-CS控制模式,当动力电池电量充足时,汽车以纯电动模式行驶,不断消耗电池电量;当电池电量下降到设定值时,辅助动力单元开启,发动机开始工作,输出一定功率;动力电池是否充放电取决于整车需求功率,若输出功率大于整车需求功率,则动力电池充电,否则动力电池放电。APU开启后,进入APU控制优化模块,以节能减排为双目标,对发动机进行转速控制和转矩控制的方法来控制APU运行状态,以适应不同驾驶条件方面的灵活性并增加车辆的续航能力。而当其输出功率小于汽车需求功率的平均值时,动力电池电量仍会下降,故为了避免动力电池电量过低,在电池电量下降到一定值时,APU将会以最大功率点工作,以保持动力电池保持在健康水平。并且在此基础上增加高功率判断模块和制动过程判断模块,其中,高功率判断模块在发生如快速加速或爬坡等电能需求较高的工况时,判断是否需要开启APU,因为在这些情况下,驱动电机的电能需求会较高,需要APU提供额外的动力;制动过程判断模块在汽车制动过程中,当驱动电机制动回收电功率和APU输出电功率之和大于动力电池的最大充电功率时,该模块会将APU关闭,以防止损伤电池。综上,本发明的增程式电动车能耗和排放协同优化方法和增程式电动车控制方法,利用数据驱动的方式,研究增程式电动车辅助动力单元协调控制策略与系统能耗和排放之间的关系,建立面向节能减排的双目标全局智能优化方法,为APU和动力电池的协调控制提供指导。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明增程式电动车控制方法实施例的流程图;
图2为增程式电动车智能增程控制策略的原理图;
图3为车辆系统能耗和排放模型的构建流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1所示,本实施例的增程式电动车控制方法,在启动增程式电动车后,按照以下步骤对增程式电动车进行控制。
步骤一:判断是否进入电量维持(CS)状态:若是,执行步骤三;若否,则执行步骤二;
步骤二:利用高功率判断模块是否需要开启辅助动力单元:若是,则执行步骤三;若否,则以纯电动方式行驶,执行步骤一;
步骤三:则开启辅助动力单元;
步骤四:判断动力电池SOC是否大于设定的阈值下限:若是,则执行步骤五;若否,执行步骤七:
步骤五:利用制动过程判断模块判断驱动电机制动回收电功率和辅助动力单元输出电功率之和是否大于动力电池的最大充电功率:若是,执行步骤九;若否,执行步骤六;
步骤六:利用APU控制优化模块采用增程式电动车能耗和排放协同优化方法对发动机进行转速控制和转矩控制,如图2所示,以节能减排为双目标来控制APU运行状态,执行步骤八;
步骤七:辅助动力单元以最大功率点工作,执行步骤八;
步骤八:判断动力电池SOC是否大于设定的阈值上限:若是,执行步骤九;若否,则执行步骤四;
步骤九:关闭辅助动力单元;
步骤十:循环执行步骤一,直至增程式电动车停车熄火。
APU在电池电量不足时开启,发动机的运行状态决定了正常行驶中的经济性,直接影响到增程式电动车的续航能力,因此需要对其进行优化控制,本发明采用发动机转速控制和发动机转矩控制的方法来控制APU。具体的,本实施例中,增程式电动车能耗和排放协同优化方法,包括如下步骤:
S1:基于深度学习网络构建车辆系统能耗和排放模型,利用车辆系统能耗和排放模型构建车辆运行状态数据与能耗和排放之间的映射关系:
y1=f1(x1,x2...xn)
y2=f2(x1,x2...xn)
其中,y1和y2分别表示车辆能耗值和排放值;xi表示车辆的第i种车辆运行状态数据,1≤i≤n,n表示车辆运行状态数据的种类;令i=1时,x1表示发动机转速;令i=2时,x2表示发动机转矩;其他的车辆运行状态数据包括电动机功率、当前SOC值、车辆速度及载重、动力电池容量、减速器的传动比和效率、空气阻力系数、道路坡度数据等。f1和f2分别表示车辆能耗值和排放值与车辆运行状态数据之间的映射关系;
具体的,如图3所示,车辆系统能耗和排放模型的构建方法包括如下步骤:
11)数据采集:在不同工况下采集车辆运行状态数据以及车辆对应的能耗数据和排放数据,对采集的数据进行预处理后构建得到数据集。车辆运行状态数据包括车辆在不同行驶状态下的发动机转速、发动机转矩、电动机功率、当前SOC值、车辆速度及载重、动力电池容量、减速器的传动比和效率、空气阻力系数、道路坡度等。所采集的数据往往存在数据缺失、数据不一致、数据冗余、异常值等问题,预处理时,对其进行缺失值的填充、异常值的剔除、数值标准化处理,并将其整理为适应深度学习模型输入的形式,最终将经过数据预处理的数据构建得到数据集。
12)将数据集划分为训练集和测试集;
13)初始化车辆系统能耗和排放模型;
14)将训练集输入车辆系统能耗和排放模型,得到车辆能耗和排放的预测值;
15)求解车辆能耗和排放的真实值与预测值之间的损失函数,以Adam优化算法更新车辆系统能耗和排放模型的参数;
16)判断模型训练是否达到设定的终止条件:若是,则执行步骤17);若否,则执行步骤14);
17)将测试集输入车辆系统能耗和排放模型,判断模型预测精度是否满足设定要求:若是,则输出车辆系统能耗和排放模型;若否,则执行步骤12)。
S2:获得最佳的基于深度学习网络创建的车辆系统能耗和排放模型后,需要结合模型、目标函数和约束条件进行最优求解,得到当前状态下的最佳发动机转速和发动机转矩值,实现增程式电动车更低的燃料消耗和排放。本实施例构建的目标函数为:
Minimize(y1(x1,x2...xn))
Minimize(y2(x1,x2...xn))
约束条件为:
x1 l<x1<x1 h
x2 l<x2<x2 h
其中:x1 l和x1 h分别表示发动机转速x1取值的上限和下限;x2 l和x2 h分别表示发动机转矩x2取值的上限和下限;
S3:实时采集车辆运行状态数据,在保持除发动机转速和发动机转矩外的其他车辆运行状态数据不变的条件下,求解使车辆能耗值和排放值最小的发动机转速和发动机转矩。
具体的,本实施例中,采用多目标鲸鱼算法求解使车辆能耗值和排放值最小的发动机转速和发动机转矩,鲸鱼优化算法(WOA)是Mirjalili等人于2016年提出的一种群智能优化算法(Mirjalili&Lewis,2016),以座头鲸特殊的捕食方式为灵感。类似于其他的元启发式算法,WOA的搜索过程开始于初始化一组随机的解决方案,并使用了三种策略:缩小环绕策略、泡泡网攻击策略和寻找猎物策略。算法的性能主要取决于全局和局部搜索阶段之间的平衡,在WOA中利用上面三种策略实现了勘探和开发的平衡。
多目标鲸鱼算法(MOWOA)在WOA的基础上增加了用于检索和储存真实帕累托最优解和非支配解的外部存档,结合帕累托最优解的最佳和最差目标分割搜索空间并定义了一个超立方体和覆盖所有解的网格单元。通过轮盘赌轮和拥挤程度在外部档案中选择最优解,并从归档文件中识别并删除劣质解(每个个体被选择的概率与超立方体中个体的拥挤度成反比),直至外部档案被填满即获得所有最优解。
具体的,本实施例采用多目标鲸鱼算法的求解方法包括如下步骤:
31)初始化鲸鱼种群;
32)计算每条鲸鱼的适应度,得到具有最优适应度的鲸鱼位置向量,以该具有最优适应度的鲸鱼位置向量得到当前迭代的最优位置向量并保留;
33)随机生成[0,1]范围内的随机数p,若随机数p小于0.5,则执行步骤34);否则执行步骤35);
34)判断系数向量的绝对值是否小于1:
若是,则按照缩小环绕策略更新鲸鱼位置向量;
其中,表示位置向量;t表示迭代次数;/>和/>均为系数向量;/>表示当前搜索个体与最佳个体之间的距离;/>是当前迭代的最优位置向量;/>从2线性减少到0;/>是[0,1]之间的随机变量;.表示元素对元素的乘法。
若否,则按照寻找猎物策略更新鲸鱼位置向量:
其中,表示随机个体的位置向量;/>表示当前搜索个体与随机个体之间的距离;
35)按照泡泡网攻击策略更新鲸鱼位置向量:
其中,表示当前搜索个体与当前迭代最优位置个体之间的距离;b表示一个定义对数螺旋形状的固定数;l是[-1,1]之间的随机数;
36)计算每条鲸鱼的适应度,得到具有最优适应度的鲸鱼位置向量,以该具有最优适应度的鲸鱼位置向量得到当前迭代的最优位置向量;
37)比较当前迭代的最优位置向量是否优于先前保留的最优位置向量,若是,则以当前的最优位置向量替换先前保留的最优位置向量,否则保持先前保留的最优位置向量不变;
38)判断当前的迭代次数是否达到最大迭代次数Maxit:若是,则将保留的最优位置向量映射为发动机转速和发动机转矩,求解得到使车辆能耗值和排放值最小的发动机转速和发动机转矩;若否,则执行步骤33)。
具体的,步骤32)和36)中,采用差分演化变异策略得到当前迭代的最优位置向量。在MOWOA中,鲸鱼个体在领导者的指引下朝着最优解决方案方向移动,因此领导者的位置至关重要,若领导者陷入局部最优,则会导致群体搜索出现停滞。为增强MOWOA在前期的勘探能力,本实施例采用差分演化变异策略来对领导者的位置进行扰动,更新公式如下式。值得注意的是,本实施例仅对种群前75%的迭代阶段进行差分突变,以提升算法前期种群多样性。其原理为:
其中,表示扰动后的试验领导者位置向量;S为缩放因子;/>和/>分别代表两个随机鲸鱼个体;k为(0,1)范围内的系数,本实施例中,k=0.75。
采用交叉操作,利用试验领导者位置向量得到当前迭代的最优位置向量:
其中,P为交叉概率;nrand是区间[0,nVar]上随机产生的整数,nVar为鲸鱼个体维度。
进一步,本发明设计了基于概率的随机个体选择机制,对MOWOA中的个体更新机制进行优化,提升算法搜索前期的多样性,避免出现局部最优情况。基于概率的随机个体选择机制是指按照一定的概率在种群中随机选择一个鲸鱼个体,并用其代替当前种群领导者,以避免种群整体搜索陷入停滞,修正后的如下式。具体的,本实施例基于概率的随机个体选择机制确定当前迭代具有最优适应度的鲸鱼位置向量的原理为:
其中,表示基于概率的随机个体选择机制得到的当前迭代最优位置向量;和/>分别表示种群内两个随机个体的位置;/>表示所有个体位置的平均位置;P1和P2分别表示随机选择个体的概率;本发实施例中,设置为P1=0.1和P2=0.4。c1表示(0,1)范围内的随机数;
利用替代/>得到当前迭代具有最优适应度的鲸鱼位置向量。
进一步,由于算法搜索的前期需要采用较大的惯性权重,以增强算法的探索能力;而在迭代后期则需要取较小的惯性权重值以提升算法的开发能力,本实施例设计了两种惯性权重系数即非线性衰减的惯性权重系数w和随机震荡衰减的惯性权重系数v,其表达式分别如下:
v=[-a,a]
其中,wmax和wmin分别是非线性衰减权重系数w的最大值和最小值,本实施例中分别设置为0.9和0.4;a表示随机震荡衰减的惯性权重数值。
由上式可知,惯性权重系数w按照由种群迭代次数t和最大迭代次数Maxit决定的指数函数形式衰减;惯性权重系数v在[-a,a]中随机取值,其中a的取值如上式,即按照反双曲正切函数衰减,故惯性权重系数v表现为按照反双曲正切函数规律震荡衰减。同时算法迭代过程中的每代种群所对应的权重系数都是一致的,从而实现在增强算法多样性的前提下保证了算法的稳定性。
具体的,在寻找猎物策略中,随机个体采用非线性衰减的惯性权重系数w和随机震荡衰减的惯性权重系数v进行修正:
其中,表示第i个个体的位置向量;一组遵守Lévy分布的随机向量;/>表示由和/>共同决定的鲸鱼个体运动方向;/>表示/>的目标函数值;C(t)表示一个随时间变化的从0到1的随机值;w表示非线性衰减的惯性权重系数;v表示随机震荡衰减的惯性权重系数;且:
本实施例在在MOWOA算法的鲸鱼位置更新公式中加入惯性权重,提升了算法的开发能力和探索能力,有利于算法搜索到最优的解集。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (6)
1.一种增程式电动车能耗和排放协同优化方法,其特征在于:包括如下步骤:
S1:基于深度学习网络构建车辆系统能耗和排放模型,利用车辆系统能耗和排放模型构建车辆运行状态数据与能耗和排放之间的映射关系:
y1=f1(x1,x2...xn)
y2=f2(x1,x2...xn)
S2:构建目标函数和约束条件:
Minimize(y1(x1,x2...xn))
Minimize(y2(x1,x2...xn))
x1 l<x1<x1 h
x2 l<x2<x2 h
其中,y1和y2分别表示车辆能耗值和排放值;xi表示车辆的第i种车辆运行状态数据,1≤i≤n,n表示车辆运行状态数据的种类;令i=1时,x1表示发动机转速;令i=2时,x2表示发动机转矩;x1 l和x1 h分别表示发动机转速x1取值的上限和下限;x2 l和x2 h分别表示发动机转矩x2取值的上限和下限;f1和f2分别表示车辆能耗值和排放值与车辆运行状态数据之间的映射关系;
S3:实时采集车辆运行状态数据,在保持除发动机转速和发动机转矩外的其他车辆运行状态数据不变的条件下,求解使车辆能耗值和排放值最小的发动机转速和发动机转矩;
所述步骤S3中,采用多目标鲸鱼算法求解使车辆能耗值和排放值最小的发动机转速和发动机转矩,包括如下步骤:
31)初始化鲸鱼种群;
32)计算每条鲸鱼的适应度,得到具有最优适应度的鲸鱼位置向量,以该具有最优适应度的鲸鱼位置向量得到当前迭代的最优位置向量并保留;
33)随机生成[0,1]范围内的随机数,若随机数小于0.5,则执行步骤34);否则执行步骤35);
34)判断系数向量的绝对值是否小于1:
若是,则按照缩小环绕策略更新鲸鱼位置向量;
其中,表示位置向量;t表示迭代次数;/>为系数向量;/>表示当前搜索个体与最佳个体之间的距离;/>是当前迭代的最优位置向量;
若否,则按照寻找猎物策略更新鲸鱼位置向量:
其中,表示随机个体的位置向量;/>表示当前搜索个体与随机个体之间的距离;
35)按照泡泡网攻击策略更新鲸鱼位置向量:
其中,表示当前搜索个体与当前迭代最优位置个体之间的距离;b表示一个定义对数螺旋形状的固定数;l是[-1,1]之间的随机数;
36)计算每条鲸鱼的适应度,得到具有最优适应度的鲸鱼位置向量,以该具有最优适应度的鲸鱼位置向量得到当前迭代的最优位置向量;
37)比较当前迭代的最优位置向量是否优于先前保留的最优位置向量,若是,则以当前的最优位置向量替换先前保留的最优位置向量,否则保持先前保留的最优位置向量不变;
38)判断当前的迭代次数是否达到最大迭代次数Maxit:若是,则将保留的最优位置向量映射为发动机转速和发动机转矩,求解得到使车辆能耗值和排放值最小的发动机转速和发动机转矩;若否,则执行步骤33)。
2.根据权利要求1所述的增程式电动车能耗和排放协同优化方法,其特征在于:所述步骤S1中,车辆系统能耗和排放模型的构建方法包括如下步骤:
11)数据采集:在不同工况下采集车辆运行状态数据以及车辆对应的能耗数据和排放数据,对采集的数据进行预处理后构建得到数据集;
12)将数据集划分为训练集和测试集;
13)初始化车辆系统能耗和排放模型;
14)将训练集输入车辆系统能耗和排放模型,得到车辆能耗和排放的预测值;
15)求解车辆能耗和排放的真实值与预测值之间的损失函数,以优化算法更新车辆系统能耗和排放模型的参数;
16)判断模型训练是否达到设定的终止条件:若是,则执行步骤17);若否,则执行步骤14);
17)将测试集输入车辆系统能耗和排放模型,判断模型预测精度是否满足设定要求:若是,则输出车辆系统能耗和排放模型;若否,则执行步骤12)。
3.根据权利要求1所述的增程式电动车能耗和排放协同优化方法,其特征在于:所述步骤32)和36)中,采用差分演化变异策略得到当前迭代的最优位置向量,其原理为:
其中,表示扰动后的试验领导者位置向量;S为缩放因子;/>和/>分别代表两个随机鲸鱼个体;k为(0,1)范围内的系数;
采用交叉操作,利用试验领导者位置向量得到当前迭代的最优位置向量:
其中,P为交叉概率;nrand是区间[0,nVar]上随机产生的整数,nVar为鲸鱼个体维度。
4.根据权利要求1所述的增程式电动车能耗和排放协同优化方法,其特征在于:基于概率的随机个体选择机制确定当前迭代具有最优适应度的鲸鱼位置向量:
其中,表示基于概率的随机个体选择机制得到的当前迭代最优位置向量;/>和分别表示种群内两个随机个体的位置;/>表示所有个体位置的平均位置;P1和P2分别表示随机选择个体的概率;c1表示(0,1)范围内的随机数;
利用替代/>得到当前迭代具有最优适应度的鲸鱼位置向量。
5.根据权利要求1所述的增程式电动车能耗和排放协同优化方法,其特征在于:在寻找猎物策略中,随机个体采用非线性衰减的惯性权重系数w和随机震荡衰减的惯性权重系数v进行修正:
其中,表示第i个个体的位置向量;/>表示一组遵守Lévy分布的随机向量;/>表示由/>和/>共同决定的鲸鱼个体运动方向;/>表示/>的目标函数值;C(t)表示一个随时间变化的从0到1的随机值;w表示非线性衰减的惯性权重系数;v表示随机震荡衰减的惯性权重系数;且:
v=[-a,a]
其中,wmax和wmin分别是非线性衰减权重系数w的最大值和最小值;a表示随机震荡衰减的惯性权重数值。
6.一种增程式电动车控制方法,其特征在于:启动增程式电动车后,按照以下步骤对增程式电动车进行控制:
步骤一:判断是否进入电量维持状态:若是,执行步骤三;若否,则执行步骤二;
步骤二:利用高功率判断模块是否需要开启辅助动力单元:若是,则执行步骤三;若否,则以纯电动方式行驶,执行步骤一;
步骤三:则开启辅助动力单元;
步骤四:判断动力电池SOC是否大于设定的阈值下限:若是,则执行步骤五;若否,执行步骤七:
步骤五:利用制动过程判断模块判断驱动电机制动回收电功率和辅助动力单元输出电功率之和是否大于动力电池的最大充电功率:若是,执行步骤九;若否,执行步骤六;
步骤六:利用APU控制优化模块采用如权利要求1-5任一项所述增程式电动车能耗和排放协同优化方法对发动机进行转速控制和转矩控制,以节能减排为双目标来控制APU运行状态,执行步骤八;
步骤七:辅助动力单元以最大功率点工作,执行步骤八;
步骤八:判断动力电池SOC是否大于设定的阈值上限:若是,执行步骤九;若否,则执行步骤四;
步骤九:关闭辅助动力单元;
步骤十:循环执行步骤一,直至增程式电动车停车熄火。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310487553.3A CN116522498B (zh) | 2023-04-28 | 2023-04-28 | 增程式电动车能耗和排放协同优化方法和增程式电动车控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310487553.3A CN116522498B (zh) | 2023-04-28 | 2023-04-28 | 增程式电动车能耗和排放协同优化方法和增程式电动车控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116522498A CN116522498A (zh) | 2023-08-01 |
CN116522498B true CN116522498B (zh) | 2024-02-02 |
Family
ID=87406019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310487553.3A Active CN116522498B (zh) | 2023-04-28 | 2023-04-28 | 增程式电动车能耗和排放协同优化方法和增程式电动车控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522498B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115628143B (zh) * | 2022-09-07 | 2024-05-03 | 重庆金康赛力斯新能源汽车设计院有限公司 | 汽车排放控制方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018172102A1 (en) * | 2017-03-22 | 2018-09-27 | Leonardo Spacone | System for and method of managing and controlling the speed of a vehicle, particularly for medium to long journeys |
CN110667566A (zh) * | 2019-10-17 | 2020-01-10 | 清华大学苏州汽车研究院(吴江) | 混合动力汽车匹配参数及控制策略协同组合优化方法 |
CN111891110A (zh) * | 2020-05-15 | 2020-11-06 | 吉林大学 | 智能网联混合动力汽车能量-热量一体化实时管理系统 |
CN112686453A (zh) * | 2020-12-31 | 2021-04-20 | 中南大学 | 机车能耗智能预测方法及系统 |
WO2021073036A1 (zh) * | 2019-10-15 | 2021-04-22 | 江苏大学 | 一种燃料电池公交车实时全局优化智能控制系统及方法 |
CN115214608A (zh) * | 2022-08-30 | 2022-10-21 | 江苏汇智高端工程机械创新中心有限公司 | 一种面向增程式电传动矿用卡车的能量输出控制方法及系统 |
CN115805840A (zh) * | 2022-12-01 | 2023-03-17 | 江苏汇智高端工程机械创新中心有限公司 | 一种增程式电动装载机能耗控制方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3737580A4 (en) * | 2018-01-08 | 2022-06-08 | Cummins, Inc. | SYSTEMS AND METHODS FOR CHARGING PLUG-IN ELECTRIC VEHICLE ACCESSORIES DURING BATTERY CHARGING |
US20220379873A1 (en) * | 2021-05-25 | 2022-12-01 | Fang Shui | Apparatus of controlling mode switching transitions in multi-combustion mode internal combustion engine with a hybrid propulsion system |
-
2023
- 2023-04-28 CN CN202310487553.3A patent/CN116522498B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018172102A1 (en) * | 2017-03-22 | 2018-09-27 | Leonardo Spacone | System for and method of managing and controlling the speed of a vehicle, particularly for medium to long journeys |
WO2021073036A1 (zh) * | 2019-10-15 | 2021-04-22 | 江苏大学 | 一种燃料电池公交车实时全局优化智能控制系统及方法 |
CN110667566A (zh) * | 2019-10-17 | 2020-01-10 | 清华大学苏州汽车研究院(吴江) | 混合动力汽车匹配参数及控制策略协同组合优化方法 |
CN111891110A (zh) * | 2020-05-15 | 2020-11-06 | 吉林大学 | 智能网联混合动力汽车能量-热量一体化实时管理系统 |
CN112686453A (zh) * | 2020-12-31 | 2021-04-20 | 中南大学 | 机车能耗智能预测方法及系统 |
CN115214608A (zh) * | 2022-08-30 | 2022-10-21 | 江苏汇智高端工程机械创新中心有限公司 | 一种面向增程式电传动矿用卡车的能量输出控制方法及系统 |
CN115805840A (zh) * | 2022-12-01 | 2023-03-17 | 江苏汇智高端工程机械创新中心有限公司 | 一种增程式电动装载机能耗控制方法及系统 |
Non-Patent Citations (6)
Title |
---|
Improved Whale Optimization Algorithm Based on Hybrid Strategy and Its Application in Location Selection for Electric Vehicle Charging Stations;Yongjing Li etc.;Energies;第15卷(第19期);全文 * |
基于Cruise的增程式客车能量管理策略仿真研究;杨森等;汽车技术(第07期);全文 * |
基于内燃约束直线发电的增程式电动汽车复 合储能系统研究;赵令聪;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第03期);全文 * |
基于动态规划算法和路况的增程式电动车能耗分析;冯坚等;同济大学学报(自然科学版)(第S1期);全文 * |
增程式电动汽车控制策略的优化研究;贺俊杰等;计算机工程与应用(第24期);全文 * |
数据驱动场景下混合动力汽车多目标能效优化及参数设计研究;张杰明;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116522498A (zh) | 2023-08-01 |
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 | |
CN108528436B (zh) | 一种内外层嵌套的ecms多目标双层优化方法 | |
Chen et al. | A neural network-based ECMS for optimized energy management of plug-in hybrid electric vehicles | |
CN112776673B (zh) | 智能网联燃料电池汽车实时能量优化管理系统 | |
CN112287463B (zh) | 一种基于深度强化学习算法的燃料电池汽车能量管理方法 | |
US7360615B2 (en) | Predictive energy management system for hybrid electric vehicles | |
Johannesson et al. | Predictive energy management of a 4QT series-parallel hybrid electric bus | |
CN109733406B (zh) | 基于模糊控制与动态规划的纯电动汽车行驶策略控制方法 | |
CN116522498B (zh) | 增程式电动车能耗和排放协同优化方法和增程式电动车控制方法 | |
CN113928187B (zh) | 一种燃料电池汽车的能量管理控制方法 | |
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 | |
CN113815437B (zh) | 燃料电池混合动力汽车的预测性能量管理方法 | |
CN113553769B (zh) | 一种考虑充电效能的电动汽车充电设施优化配置方法 | |
Wang et al. | An efficient optimal sizing strategy for a hybrid electric air-ground vehicle using adaptive spiral optimization algorithm | |
CN113460026A (zh) | 一种功率分配方法、装置、设备及汽车 | |
CN117644783A (zh) | 结合工况预测与强化学习的燃料电池汽车能量管理方法 | |
CN115805840A (zh) | 一种增程式电动装载机能耗控制方法及系统 | |
Huang et al. | A novel data-driven energy management strategy for fuel cell hybrid electric bus based on improved twin delayed deep deterministic policy gradient algorithm | |
CN113276829A (zh) | 一种基于工况预测的车辆行驶节能优化变权重方法 | |
Zhang et al. | An optimal vehicle speed planning algorithm for regenerative braking at traffic lights intersections based on reinforcement learning | |
JP2004178965A (ja) | 車両の制御装置 | |
CN114254811B (zh) | 插电式混合动力汽车路由方法、装置、车辆及存储介质 | |
CN116661296A (zh) | 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 | |
CN113997926A (zh) | 基于分层强化学习的并联式混合动力汽车能量管理方法 | |
Niu et al. | Torque distribution control of hybrid electric bus with composite power supply based on particle swarm optimization |
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 |