CN116767174A - 基于越野工况和驾驶风格的能量管理方法、系统和介质 - Google Patents
基于越野工况和驾驶风格的能量管理方法、系统和介质 Download PDFInfo
- Publication number
- CN116767174A CN116767174A CN202310680472.5A CN202310680472A CN116767174A CN 116767174 A CN116767174 A CN 116767174A CN 202310680472 A CN202310680472 A CN 202310680472A CN 116767174 A CN116767174 A CN 116767174A
- Authority
- CN
- China
- Prior art keywords
- road
- working condition
- energy management
- driving style
- driving
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 25
- 239000000446 fuel Substances 0.000 claims description 20
- 238000010248 power generation Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 16
- 230000001133 acceleration Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- YTCQFLFGFXZUSN-BAQGIRSFSA-N microline Chemical compound OC12OC3(C)COC2(O)C(C(/Cl)=C/C)=CC(=O)C21C3C2 YTCQFLFGFXZUSN-BAQGIRSFSA-N 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- B60W20/12—Controlling the power contribution of each of the prime movers to meet required power demand using control strategies taking into account route information
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于越野工况和驾驶风格的能量管理方法、系统和介质,可广泛应用于车辆技术领域。本发明通过根据越野车原始工况数据构建越野工况类型,并根据越野车原始工况数据建立越野行驶工况辨识模型,从而可以提高越野车工况识别的准确度,同时根据越野工况类型和模糊控制生成驾驶风格辨识因子后,根据越野行驶工况辨识模型和驾驶风格辨识因子构建能量管理整体控制系统,从而可以结合越野工况和驾驶风格进行越野车的能力管理,进而到达有效管理的功能。
Description
技术领域
本发明涉及车辆技术领域,尤其是一种基于越野工况和驾驶风格的能量管理方法、系统和介质。
背景技术
行驶工况是评价能量管理策略的重要参考和基础。当前绝大多数的典型循环工况的适用道路大多数为城郊以及高速路地区,但是,并不适用于越野车复杂多变的行驶环境,从而导致现有的工况辨识模型在越野车工况识别过程中的准确度不高。并且,现在绝大多数能量管理策略都是以城市车辆作为研究对象,并将整车的燃油经济性优化作为主要目标而进行相关设计,而对于在野外复杂环境下的快速机动对动力系统的能量传输效率与品质提出更高要求的特种越野车而言,现有的能量管理策略无法满足其应用需求。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于越野工况和驾驶风格的能量管理方法、系统和介质,能够有效提高越野车工况识别的准确度,并对越野车的能量进行有效管理。
一方面,本发明实施例提供了一种基于越野工况和驾驶风格的能量管理方法,包括以下步骤:
根据越野车原始工况数据构建越野工况类型;
根据所述越野车原始工况数据建立越野行驶工况辨识模型;
根据所述越野工况类型和模糊控制生成驾驶风格辨识因子;
根据所述越野行驶工况辨识模型和所述驾驶风格辨识因子构建能量管理整体控制系统,并通过所述能量管理整体控制系统对越野车进行能量管理。
在一些实施例中,所述根据越野车原始工况数据构建越野工况类型,包括:
采集原始工况数据;
将所述原始工况数据切分成多个小型越野工况片段;
根据所述多个小型越野工况片段生成特征参数矩阵;
对所述特征参数矩阵进行降维;
基于降维后的特征参数确定越野工况类型,所述越野工况类型包括复杂越野行驶工况、常规越野行驶工况和轻度越野行驶工况。
在一些实施例中,所述根据所述越野车原始工况数据建立越野行驶工况辨识模型,包括:
根据所述越野工况片段构建训练数据样本矩阵;
从所述训练数据样本矩阵中有放回的抽取数据样本,构建多个不同的训练子集;
基于所述训练子集,通过CART算法构建多个决策树;
将所述多个决策树集成得到随机分类模型作为越野行驶工况辨识模型。
在一些实施例中,所述根据所述越野工况类型和模糊控制生成驾驶风格辨识因子,包括:
获取车辆实时运行状态参数;
根据所述越野工况类型分别构建驾驶风格辨识模型;
将所述车辆实时运行状态参数输入到所述驾驶风格辨识模型,得到驾驶风格辨识因子。
在一些实施例中,所述根据所述越野行驶工况辨识模型和所述驾驶风格辨识因子构建能量管理控制系统,并通过所述能量管理整体控制系统对越野车进行能量管理,包括:
基于LSTM神经网络构建时序预测模型;
根据所述越野行驶工况辨识模型输出的实时越野工况类型训练所述时序预测模型;
建立基于功率预测的MPC能量管理控制系统;
基于所述驾驶风格辨识因子制定所述MPC能量管理控制系统的综合目标性能函数;
基于DP动态规划在安全约束条件下实时求解所述综合目标性能函数的最优控制量;
优化所述MPC能量管理控制系统的求解时间;
根据所述最优控制量和所述求解时间对越野车进行能量管理。
在一些实施例中,所述建立基于功率预测的MPC能量管理控制系统,包括:
选取动力电池SOC作为反应动力系统实时状态的状态变量;
选取发动机转速和发动机转矩作为控制变量;
根据所述发动机转速和所述发动机转矩计算APU发电系统的输出功率;
计算整车功率与所述APU发电系统的输出功率的差值;
根据所述差值构建状态变量SOC的状态转移方程,所述状态转移方程的表达式如下:
其中,I(k)表示动力电池实时充放电电流,U(k)表示动力电池的开路电压,R(k)表示动力电池的内阻,Pbat(k)表示整车功率与所述APU发电系统的输出功率的差值,Cbat表示动力电池的容量,ηbat(k)表示动力电池实时充放电效率。
在一些实施例中,所述综合目标性能函数的表达式如下:
其中,S表示驾驶风格辨识因子,PAPU(k)表示整车的需求功率,Preq(k)表示APU发电系统的输出功率,Pbat(k)表示整车功率与所述APU发电系统的输出功率的差值,t表当前预测时间,p表示预测时域,be(k)表示发动机实时燃油消耗率,ηGCU表示发电机的工作效率,α(k)表示动力电池SOA的维持因子,fbat(k)表示动力电池的等效油耗。
另一方面,本发明实施例提供了一种基于越野工况和驾驶风格的能量管理系统,包括:
第一模块,用于根据越野车原始工况数据构建越野工况类型;
第二模块,用于根据所述越野车原始工况数据建立越野行驶工况辨识模型;
第三模块,用于根据所述越野工况类型和模糊控制生成驾驶风格辨识因子;
第四模块,用于根据所述越野行驶工况辨识模型和所述驾驶风格辨识因子构建能量管理整体控制系统,并通过所述能量管理整体控制系统对越野车进行能量管理。
另一方面,本发明实施例提供了一种基于越野工况和驾驶风格的能量管理系统,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行所述的基于越野工况和驾驶风格的能量管理方法。
另一方面,本发明实施例提供了一种存储介质,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现所述的基于越野工况和驾驶风格的能量管理方法。
本发明实施例提供的一种基于越野工况和驾驶风格的能量管理方法,具有如下有益效果:
本实施例通过根据越野车原始工况数据构建越野工况类型,并根据越野车原始工况数据建立越野行驶工况辨识模型,从而可以提高越野车工况识别的准确度,同时根据越野工况类型和模糊控制生成驾驶风格辨识因子后,根据越野行驶工况辨识模型和驾驶风格辨识因子构建能量管理整体控制系统,从而可以结合越野工况和驾驶风格进行越野车的能力管理,进而到达有效管理的功能。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明,其中:
图1为本发明实施例一种基于越野工况和驾驶风格的能量管理方法的流程图;
图2为本发明实施例一种基于越野车原始工况数据构建越野车行驶工况流程图;
图3为本发明实施例一种驾驶风格辨识模型的示意图;
图4为本发明实施例一种越野工况辨识的预测模型示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
参照图1,本发明实施例提供了一种基于越野工况和驾驶风格的能量管理方法,本实施例可以应用于越野车控制端。在应用过程中,本实施例的方法包括但不限于以下步骤:
步骤S110、根据越野车原始工况数据构建越野工况类型;
步骤S120、根据越野车原始工况数据建立越野行驶工况辨识模型;
步骤S130、根据越野工况类型和模糊控制生成驾驶风格辨识因子;
步骤S140、根据越野行驶工况辨识模型和驾驶风格辨识因子构建能量管理整体控制系统,并通过能量管理整体控制系统对越野车进行能量管理。
在本申请实施例中,如图2所示,在根据越野车原始工况数据构建越野工况类型时,可以通过以下步骤实现:
步骤S210、采用驾驶员自主驾驶法采集原始工况数据;
步骤S220、基于微行程切分法将原始工况数据切分成多个小型越野工况片段,并将多个小型越野工况片段组建工况样本库;
步骤S230、选取行驶距离、平均车速、最高车速、速度标准差、加、减速度标准差、加速度标准差、减速度标准差、最大加速度、最大减速度、平均加速度、平均减速度、≤15km/h占比、15~30km/h占比、30~50km/h占比、≥50km/h占比、加速段占比、匀速段占比和减速段占比作为特征参数对多个小型越野工况片段进行描述,得到特征参数矩阵X;
步骤S240、基于核主成分分析法对特征参数矩阵进行降维;
步骤S250、基于降维后的特征参数,采用K-means聚类确定越野工况类型,其中,越野工况类型包括复杂越野行驶工况(CODC)、常规越野行驶工况(NODC)和轻度越野行驶工况(MODC)。
在本申请实施例中,在根据越野车原始工况数据建立越野行驶工况辨识模型是,可以采用以下步骤实现:
步骤一、基于K-means聚类结果将越野工况片段构建成训练数据样本矩阵P,将P的前70%作为训练集,后30%作为测试集;
步骤二、基于训练集随机且有放回地从中抽取数据样本(随机抽样时为了保证基于不同的训练集生成的决策树具有差异性,而“有放回的抽样”是为了防止排序靠后的决策树训练及信息损失过多),重复n次从而构建n个不同的训练子集;
步骤三、基于训练子集选择CART算法构建决策树:例如,假设当前节点a个特征参数,分裂时按照Gini系数最小为原则选择其中的b个特征参数构建子节点,如此往复,直至不可再分裂为止;
步骤四、重复步骤三n次,得到决策树P1,P2,…Pn,将它们集成得到随机森林分类模型作为越野行驶工况辨识模型。当工况数据输入时,随机森林算法通过统计每颗决策树的辨识结果,选择得票最高的工况类型作为辨识模型的最终输出;
步骤五、基于滑动窗口获取车辆实时工况数据:在车辆行驶时持续记录车辆的历史车速v-t序列,从当前时刻t开始截取过去ΔT秒内所有的车速序列作为工况样本输入给随机森林模型进行辨识,在Δδ秒后更新车速数据并重复上述过程,实现工况数据的采样和迭代。
在本申请实施例中,如图3所示,在根越野工况类型和模糊控制生成驾驶风格辨识因子,可以通过以下步骤实现:
步骤1、获取车辆实时运行状态参数;选取车辆行驶的平均加速度绝对值|a|ave和平均冲击度绝对值|J|ave两个状态参数表征驾驶员的操作幅度和速度:
其中,T为驾驶风格辨识时间周期;v(i)为驾驶风格辨识周期第i秒时的速度。
步骤2、根据越野工况类型分别构建驾驶风格辨识模型,并将车辆实时运行状态参数输入到所述驾驶风格辨识模型,得到驾驶风格辨识因子。
具体地,步骤2包括以下子步骤:
步骤2.1、输入、输出模糊化:将平均加速度绝对值|a|ave和平均冲击度绝对值|J|ave作为模糊识别的输入,将驾驶风格辨识因子S作为系统的输出,定义相应的输入输出模糊子集如下:
|a|ave=[S,M,B,VB]
|J|ave=[S,M,B,VB]
S=[SM,ST,AG]
其中,S,M,B,VB分别表示小、中等、大、非常大;SM,ST,AG分别表示平稳型、标准型和激进型。|a|ave的基本论域为[0,4|a|ave_cycle];|J|ave的基本论域为[0,4|J|ave_cycle];S的基本论域为[-1,1],其中[-1,-0.4]为平稳型,[-0.4,0.4]为标准型,[0.4,1]为激进型。
步骤2.2、选取高斯型、三角型与梯形结合的隶属度函数作为驾驶风格模糊识别的输入、输出隶属度函数。
步骤2.3、模糊控制规则制定如表1所示;
表1
在本申请实施例中,如图4所示,在根据越野行驶工况辨识模型和所述驾驶风格辨识因子构建能量管理控制系统,并通过能量管理整体控制系统对越野车进行能量管理,包括但不限于以下步骤:
步骤1、基于LSTM神经网络构建时序预测模型;其中,时序预测模型可以实现整车未来短时需求功率的在线预测,具体包括以下子步骤:
步骤1.1、选择车辆行驶车速ua作为需求功率预测模型的预测变量;
步骤1.2、采用LSTM神经网络进行车速预测模型构建:选取单次多步预测的时序预测方式使模型基于当前车速v(t)一次性输出v(t+1)、v(t+2)、...、v(t+p)全部信息;
步骤1.3、将所述越野工况作为LSTM神经网络的训练数据集,其中70%作为训练集,用于训练网络模型,调整模型参数;30%作为验证集,用于评估模型性能,防止模型过拟合;
步骤1.4、在训练前将训练数据集进行归一化,将所有输入数值范围缩小到详尽的尺度,例如[-1,1]km/h内,以避免某些特征的权重过大或过小,提高模型的收敛速度和预测性能。归一化公式如下:
其中,为归一化后的单个车速样本;vmax为数据集车速的最大值;vmin为数据集车速的最小值;v为训练数据集的单个车速样本。
步骤2、根据越野行驶工况辨识模型输出的实时越野工况类型训练时序预测模型;具体地,本步骤可以基于越野工况辨识提高其对预测模型的预测精度。示例性地,根据K-means聚类分成的三种类型的越野工况数据构建三个训练数据集,分别训练出三个LSTM神经网络模型,基于RF随机森林模型输出的实时越野工况类型,调用相应的模型进行预测,提高模型的准确性和泛化能力。
步骤3、建立基于功率预测的MPC能量管理控制系统;其中,本步骤的具体实现过程可以包括但不限于以下步骤:
步骤3.1、选取动力电池SOC作为反应动力系统实时状态的状态变量x(k);
步骤3.2、选取发动机转速ne和发电机转矩Tm作为控制变量u(k);
步骤3.3、由所述发动机转速ne与发电机转矩Tm计算APU发电系统输出功率:
步骤3.4、根据功率分流,整车的需求功率Preq由动力电池和APU发电系统共同提供,则有:Pbat(k)=Preq(k)-PAPU(k);其中,整车需求功率Preq可由已建立的需求功率预测模型实时获取;
步骤3.5、建立状态变量SOC的状态转移方程:
其中,I(k)表示动力电池实时充放电电流;U(k)为动力电池的开路电压,R(k)为动力电池内阻,二者均与动力电池SOC相关,可通过查表法插值得到;Pbat(k)表示整车功率与所述APU发电系统的输出功率的差值;Cbat为动力电池容量;ηbat(k)为动力电池实时充放电效率,与动力电池SOC和实时充放电电流I(k)相关,可通过查表法插值得到。
步骤4、基于驾驶风格辨识因子制定MPC能量管理控制系统的综合目标性能函数;其中,本步骤的具体实现过程包括但不限于以下步骤:
步骤4.1、制定动力性目标函数Jpow:当整车需求功率急剧上升,其动力响应性需求增大时,此时侧重于车辆的动力性提升整车的动力性响应,基于APU功率跟随误差制定动力性目标函数:
其中,PAPU_req(k)=Preq(k)-Pbat(k);
Pbat(k)=ηbat(k)·Pbat_allow(k);
Pbat_allow(k)为动力电池实时允许的最大充放电功率;Iallow(k)为动力电池实时允许的最大充放电电流;λ(k)为动力电池实时充放电倍率;
联立上述公式,得到完整的动力性目标函数计算公式为:
由上式可得:Jpow越大,表示在预测时域p内动力系统功率跟随误差越大,整车动力性越差;反之,Jpow越小,则表示在预测时域p内动力系统功率跟随能力越强,整车动力性越好。因此为实现动力响应性的优化,应通过求解合适的发动机转速ne和发电机转矩Tm值使Jpow快速收敛至较小值;
步骤4.2、制定经济性目标函数Jeco:当所述混合动力越野车行驶在铺装公路或轻度越野场景下,其对整车动力响应性的需求较小,此时侧重于车辆的燃油经济性提升整车的续航里程,依据发动机油耗feng和动力电池等效油耗fbat两部分组成的瞬时等效油耗作为燃油经济性目标制定函数:
其中,发动机油耗feng可表示为:
be(k)为发动机实时燃油消耗率,可根据发动机转速与发动机转矩在柴油机万有特性曲线中插值获取;ηGCU为发电机工作效率,取0.85;
根据动力电池的充/放电状态,动力电池的等效油耗fbat(k)计算公式为:
其中,Hμ为燃油低热值,取42652kJ/kg;s(k)为动力电池等效燃油消耗因子,可由各动力部件的工作效率计算得到:
其中,ηeng(k)为发动机工作效率,与发动机转速和转矩相关,通过查表法插值得到;
为避免动力电池过充或过放,进一步设计动力电池SOC维持因子α(k)调节动力电池的输出功率,包括:
将动力电池归一化:
其中,SOClow为动力电池高效区间SOC值下限;SOChigh为动力电池高效区间SOC值上限;
构建动力电池SOC维持因子α(k)计算公式:
将α(k)与动力电池等效油耗fbat结合,得到经济性目标函数为:
步骤4.3、基于驾驶风格辨识模型输出的驾驶风格辨识因子S构建综合目标性能函数J*:
J*=min{(1+S)Jpow+(1-S)Jeco}
其中,驾驶风格辨识因子S的基本论域为[-1,1]。当模糊系统输出的S越大,表明此时驾驶员的驾驶风格越偏向于激进型,应提升Jpow的占比来满足整车动力需求;反之,当输出的S越小,表示此时驾驶风格越偏向于稳重型,应通过放大Jeco提高车辆经济性优化的优先级。
将所述动力性目标函数Jpow和所述经济性目标函数Jeco代入所述综合目标性能函数J*,可得MPC预测型能量管理控制策略的目标性能函数J*为:
其中,S表示驾驶风格辨识因子,PAPU(k)表示整车的需求功率,Preq(k)表示APU发电系统的输出功率,Pbat(k)表示整车功率与所述APU发电系统的输出功率的差值,t表当前预测时间,p表示预测时域,be(k)表示发动机实时燃油消耗率,ηGCU表示发电机的工作效率,α(k)表示动力电池SOA的维持因子,fbat(k)表示动力电池的等效油耗。
步骤5、基于DP动态规划在安全约束条件下实时求解综合目标性能函数的最优控制量;其中,本步骤包括但不限于以下步骤:
步骤5.1、将所述控制系统的状态量和控制量离散化:在求解前将控制系统的状态量SOC和控制量[ne Tm]进行离散化处理。以SOC离散化为例,在单个预测时域内,根据设定的SOC的上下限[SOCmin SOCmax]内以间隔ΔSOC将SOC分成N个离散点,形成SOC状态网格;
步骤5.2、制定所述动力部件约束条件:
其中,Pbat_max和Pbat_min分别为动力电池放电功率的上下限;Iallow(k)为动力电池实时允许的最大充/放电电流;U(k)max和U(k)min分别为动力电池开路电压的上下限;PAPU_max和PAPU_min分别为APU发电功率的上下限;Tmotor_max和Tmotor_min分别为驱动电机转矩的上下限;
步骤5.3、对所述综合目标性能函数J*进行逆向求解:从预测时域末端k+p开始,从后往前逐步逆向推导,求解每一时间步t下状态量x(t)在控制量u(t)影响下发生状态转移所需的瞬时成本L(x(t),u(t)),并累积至所述综合目标函数J*中,同时记录当前时间步下所述SOC状态网格能得到最小J*时对应的控制量,递推求解,直至推导到首步:
通过插值法求取未落在网格点上的状态所对应的J*:
其中,SOCj(k+1)为在k+1时刻SOC在第j个控制点作用下转移至的状态点;SOCi(k+1)为在第k+1时刻SOC在第i个网格状态点;J1和J2为与当前状态点相邻的两个网格状态点对应的J*;
步骤5.4、正向寻优:基于逆向寻优结果,从第一个时间步长开始,以初始SOC作为输入,逐步插值逆推,得到当前预测时域内的最优控制序列:
步骤6、优化MPC能量管理控制系统的求解时间。具体地,本步骤可以基于优化SOC可达状态空间缩短预测型能量管理控制方法求解时间。其中,优化过程包括但不限于以下步骤:
步骤6.1、将当前实际车速v作为需求功率预测模型的输入,得到当前预测时域内的需求功率预测序列[Preq(k) Preq(k+1) L Preq(k+p)];
步骤6.2、当APU系统以最大功率PAPU_max进行发电,根据所述动力电池功率、实时充放电电流与所述需求功率预测序列求得此时动力电池所需的最小放电电流/最大充电电流序列[Imin(k) Imin(k+1) L Imin(k+p)];或者,当APU系统不工作时,可求得动力电池所需的最大放电电流序列[Imax(k) Imax(k+1) L Imax(k+p)];
步骤6.3、根据所述需求功率预测序列和所述最小放电电流/最大充电电流与最大放电电流序列求得当前预测时域内SOC可达状态空间上边界[SOCmax(k) SOCmax(k+1) LSOCmax(k+p)],以及下边界[SOCmin(k) SOCmin(k+1) L SOCmin(k+p)]。
步骤7、根据最优控制量和求解时间对越野车进行能量管理。
综上可知,本实施例通过构建越野工况和驾驶风格辨识模型完成对混合动力越野车的越野工况和驾驶员驾驶风格进行在线识别,并设计MPC预测型能量管理控制系统框架,联合驾驶风格辨识因子S建立动力性、燃油经济性综合目标性能函数,使能量管理控制方法更符合车辆当前行驶工况,采用DP动态规划进行求解,并通过优化SOC可达状态空间缩短求解时间,从而在满足越野车在复杂环境下的快速机动对更高动力性的要求下,有效地提升车辆的燃油经济性。
本发明实施例提供了一种基于越野工况和驾驶风格的能量管理系统,包括:
第一模块,用于根据越野车原始工况数据构建越野工况类型;
第二模块,用于根据所述越野车原始工况数据建立越野行驶工况辨识模型;
第三模块,用于根据所述越野工况类型和模糊控制生成驾驶风格辨识因子;
第四模块,用于根据所述越野行驶工况辨识模型和所述驾驶风格辨识因子构建能量管理整体控制系统,并通过所述能量管理整体控制系统对越野车进行能量管理。
本发明方法实施例的内容均适用于本系统实施例,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种基于越野工况和驾驶风格的能量管理系统,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行图1所示的基于越野工况和驾驶风格的能量管理方法。
本发明方法实施例的内容均适用于本系统实施例,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种存储介质,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现图1所示的基于越野工况和驾驶风格的能量管理方法。
本发明方法实施例的内容均适用于本存储介质实施例,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
此外,本发明实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的基于越野工况和驾驶风格的能量管理方法。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
Claims (10)
1.一种基于越野工况和驾驶风格的能量管理方法,其特征在于,包括以下步骤:
根据越野车原始工况数据构建越野工况类型;
根据所述越野车原始工况数据建立越野行驶工况辨识模型;
根据所述越野工况类型和模糊控制生成驾驶风格辨识因子;
根据所述越野行驶工况辨识模型和所述驾驶风格辨识因子构建能量管理整体控制系统,并通过所述能量管理整体控制系统对越野车进行能量管理。
2.根据权利要求1所述的一种基于越野工况和驾驶风格的能量管理方法,其特征在于,所述根据越野车原始工况数据构建越野工况类型,包括:
采集原始工况数据;
将所述原始工况数据切分成多个小型越野工况片段;
根据所述多个小型越野工况片段生成特征参数矩阵;
对所述特征参数矩阵进行降维;
基于降维后的特征参数确定越野工况类型,所述越野工况类型包括复杂越野行驶工况、常规越野行驶工况和轻度越野行驶工况。
3.根据权利要求2所述的一种基于越野工况和驾驶风格的能量管理方法,其特征在于,所述根据所述越野车原始工况数据建立越野行驶工况辨识模型,包括:
根据所述越野工况片段构建训练数据样本矩阵;
从所述训练数据样本矩阵中有放回的抽取数据样本,构建多个不同的训练子集;
基于所述训练子集,通过CART算法构建多个决策树;
将所述多个决策树集成得到随机分类模型作为越野行驶工况辨识模型。
4.根据权利要求1所述的一种基于越野工况和驾驶风格的能量管理方法,其特征在于,所述根据所述越野工况类型和模糊控制生成驾驶风格辨识因子,包括:
获取车辆实时运行状态参数;
根据所述越野工况类型分别构建驾驶风格辨识模型;
将所述车辆实时运行状态参数输入到所述驾驶风格辨识模型,得到驾驶风格辨识因子。
5.根据权利要求1所述的一种基于越野工况和驾驶风格的能量管理方法,其特征在于,所述根据所述越野行驶工况辨识模型和所述驾驶风格辨识因子构建能量管理控制系统,并通过所述能量管理整体控制系统对越野车进行能量管理,包括:
基于LSTM神经网络构建时序预测模型;
根据所述越野行驶工况辨识模型输出的实时越野工况类型训练所述时序预测模型;
建立基于功率预测的MPC能量管理控制系统;
基于所述驾驶风格辨识因子制定所述MPC能量管理控制系统的综合目标性能函数;
基于DP动态规划在安全约束条件下实时求解所述综合目标性能函数的最优控制量;
优化所述MPC能量管理控制系统的求解时间;
根据所述最优控制量和所述求解时间对越野车进行能量管理。
6.根据权利要求5所述的一种基于越野工况和驾驶风格的能量管理方法,其特征在于,所述建立基于功率预测的MPC能量管理控制系统,包括:
选取动力电池SOC作为反应动力系统实时状态的状态变量;
选取发动机转速和发动机转矩作为控制变量;
根据所述发动机转速和所述发动机转矩计算APU发电系统的输出功率;
计算整车功率与所述APU发电系统的输出功率的差值;
根据所述差值构建状态变量SOC的状态转移方程,所述状态转移方程的表达式如下:
其中,I(k)表示动力电池实时充放电电流,U(k)表示动力电池的开路电压,R(k)表示动力电池的内阻,Pbat(k)表示整车功率与所述APU发电系统的输出功率的差值,Cbat表示动力电池的容量,ηbat(k)表示动力电池实时充放电效率。
7.根据权利要求5所述的一种基于越野工况和驾驶风格的能量管理方法,其特征在于,所述综合目标性能函数的表达式如下:
其中,S表示驾驶风格辨识因子,PAPU(k)表示整车的需求功率,Preq(k)表示APU发电系统的输出功率,Pbat(k)表示整车功率与所述APU发电系统的输出功率的差值,t表当前预测时间,p表示预测时域,be(k)表示发动机实时燃油消耗率,ηGCU表示发电机的工作效率,α(k)表示动力电池SOA的维持因子,fbat(k)表示动力电池的等效油耗。
8.一种基于越野工况和驾驶风格的能量管理系统,其特征在于,包括:
第一模块,用于根据越野车原始工况数据构建越野工况类型;
第二模块,用于根据所述越野车原始工况数据建立越野行驶工况辨识模型;
第三模块,用于根据所述越野工况类型和模糊控制生成驾驶风格辨识因子;
第四模块,用于根据所述越野行驶工况辨识模型和所述驾驶风格辨识因子构建能量管理整体控制系统,并通过所述能量管理整体控制系统对越野车进行能量管理。
9.一种基于越野工况和驾驶风格的能量管理系统,其特征在于,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行如权利要求1-7任一项所述的基于越野工况和驾驶风格的能量管理方法。
10.一种存储介质,其特征在于,其中存储有计算机可执行的程序,所述计算机可执行的程序被处理器执行时用于实现如权利要求1-7任一项所述的基于越野工况和驾驶风格的能量管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310680472.5A CN116767174A (zh) | 2023-06-08 | 2023-06-08 | 基于越野工况和驾驶风格的能量管理方法、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310680472.5A CN116767174A (zh) | 2023-06-08 | 2023-06-08 | 基于越野工况和驾驶风格的能量管理方法、系统和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116767174A true CN116767174A (zh) | 2023-09-19 |
Family
ID=87992290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310680472.5A Pending CN116767174A (zh) | 2023-06-08 | 2023-06-08 | 基于越野工况和驾驶风格的能量管理方法、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116767174A (zh) |
-
2023
- 2023-06-08 CN CN202310680472.5A patent/CN116767174A/zh active Pending
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 | |
Guo et al. | Adaptive optimal control based on driving style recognition for plug-in hybrid electric vehicle | |
Liu et al. | Optimal power management based on Q-learning and neuro-dynamic programming for plug-in hybrid electric vehicles | |
Yuan et al. | Intelligent energy management strategy based on hierarchical approximate global optimization for plug-in fuel cell hybrid electric vehicles | |
Lin et al. | An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC | |
CN113034210B (zh) | 一种基于数据驱动场景下车辆行驶成本评价方法 | |
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 | |
CN113479186B (zh) | 一种混合动力汽车能量管理策略优化方法 | |
CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
Hou et al. | Machine learning and whale optimization algorithm based design of energy management strategy for plug‐in hybrid electric vehicle | |
CN112180280A (zh) | 一种考虑电池健康状态的混合动力汽车电池寿命优化方法 | |
Montazeri-Gh et al. | Driving condition recognition for genetic-fuzzy HEV control | |
CN112298155B (zh) | 一种基于变时域模型预测混合动力卡车耗能的方法 | |
CN111907342A (zh) | 纯电动汽车的工况识别控制方法 | |
Ranaei et al. | Forecasting emerging technologies of low emission vehicle | |
CN113246958B (zh) | 基于td3多目标hev能量管理方法及系统 | |
He et al. | Deep reinforcement learning based energy management strategies for electrified vehicles: Recent advances and perspectives | |
Guo et al. | Clustered energy management strategy of plug-in hybrid electric logistics vehicle based on Gaussian mixture model and stochastic dynamic programming | |
CN117465301A (zh) | 基于数据驱动的燃料电池汽车实时能量管理方法 | |
CN112993344A (zh) | 基于神经网络的燃料电池系统输出性能预测方法及装置 | |
CN116767174A (zh) | 基于越野工况和驾驶风格的能量管理方法、系统和介质 | |
CN114122466B (zh) | 燃料电池车电池优化管理方法、系统、设备及介质 | |
CN113997925B (zh) | 一种插电式混合动力系统能量管理方法 | |
Chen et al. | Reinforcement learning-based energy management control strategy of hybrid electric vehicles | |
Wang et al. | Control strategy optimization of plug-in hybrid electric vehicle based on driving data mining |
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 |