CN116946107B - 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 - Google Patents
一种能量轨迹跟随下的混动系统模式决策与功率分配方法 Download PDFInfo
- Publication number
- CN116946107B CN116946107B CN202311218257.XA CN202311218257A CN116946107B CN 116946107 B CN116946107 B CN 116946107B CN 202311218257 A CN202311218257 A CN 202311218257A CN 116946107 B CN116946107 B CN 116946107B
- Authority
- CN
- China
- Prior art keywords
- state
- vehicle
- hybrid
- working mode
- battery
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004088 simulation Methods 0.000 claims description 37
- 230000014509 gene expression Effects 0.000 claims description 20
- 238000011084 recovery Methods 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 230000001133 acceleration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine 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
- B60W20/15—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
- B60W20/13—Controlling the power contribution of each of the prime movers to meet required power demand in order to stay within battery power input or output limits; in order to prevent overcharging or battery depletion
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Hybrid Electric Vehicles (AREA)
Abstract
本发明涉及一种能量轨迹跟随下的混动系统模式决策与功率分配方法,属于混合动力汽车的控制技术领域,解决了现有技术中的混动汽车能量利用率低、工作模式频繁切换的问题。本发明的方法通过车载导航地图获取实时交通拥堵信息,同时,考虑了驾驶人在历史行程下不同交通拥堵状态的速度表现,预测规划电池电量状态利用轨迹,还考虑电池电量实时状态和电池电量目标轨迹、近场最优工作模式分布作为新的信息决策因素,对混合动力汽车进行工作模式和挡位的配合决策,实现了对电池电量状态目标轨迹的高效跟随,实现了混合动力汽车能量的高效利用,避免了工作模式的频繁切换。
Description
技术领域
本发明涉及混合动力汽车的控制技术领域,具体涉及一种能量轨迹跟随下的混动系统模式决策与功率分配方法。
背景技术
相比于传统燃油车,混合动力汽车的节能减排优势显著,具有丰富的控制方法可灵活选择。现有技术中已有大量的相关研究,如:CN111775925B和CN105438170B。
混动汽车的工作模式包括纯电工作模式、制动能量回收工作模式、串联增程工作模式、并联充电工作模式、并联驱动工作模式等,而且在不同工作模式下还可通过定轴齿轮或者行星排方式增设不同挡位数目。然而,对于具有多模多挡的混动汽车,现有基于规则策略的控制方法难以实现工作模式、挡位决策和功率分配的合理高效综合决策应用。
随着环境感知和网联通信技术的发展,混动汽车能够获取未来驾驶场景信息,并结合未来驾驶行程中的功率需求分布,提前对电池电量状态进行预估,从而获取合理的电池电量(SoC)轨迹变化量。然而,由于驾驶人在不同驾驶场景下表现的随机性,以及驾驶场景的不确定性,很难对未来驾驶工况表现进行精准预测,所规划的电池电量状态目标轨迹与实际电池电量表现也难以完全保持一致。
发明内容
鉴于上述问题,本发明提供了一种能量轨迹跟随下的混动系统模式决策与功率分配方法,解决了现有技术中的混动汽车能量利用率低、工作模式频繁切换的问题。
本发明提供了一种能量轨迹跟随下的混动系统模式决策方法,包括如下步骤:
步骤1,构建用于预测车辆状态表现的混动汽车数字孪生仿真模型;
步骤2,基于车载导航地图与历史行程信息,以及混动汽车数字孪生仿真模型获得未来驾驶行程下的电池电量状态目标轨迹;
步骤3:基于未来驾驶行程下的电池电量状态目标轨迹,对目标车辆前方预设的识别空间位置长度内的场景进行近场场景综合识别获得近场速度预测序列;对近场速度预测序列进行评估,获得近场场景下的最优工作模式分布和最优能量利用状态序列;
步骤4,基于对近场场景的最优工作模式分布和最优能量利用状态的能量轨迹跟随对混动系统的工作模式与启机状态进行决策。
可选地,基于目标车辆参数及整车动力学构建用于预测车辆状态表现的混动汽车数字孪生仿真模型;目标车辆参数包括整车质量、滚动阻力系数和迎风面积。
可选地,将数字孪生仿真模型与实际混动汽车表现进行一致性匹配,包括如下步骤:
根据目标车辆的混动系统工作模式和混动系统参数确定混动汽车数字孪生仿真模型的工作方式;
给定相同驾驶工况,检验混动汽车数字孪生仿真模型的预测值与目标车辆及混动系统在相同驾驶工况下的车速表现、电池电量状态轨迹变化和百公里燃油消耗变化是否保持一致;如果三者均保持一致则认定混动汽车数字孪生仿真模型一致匹配;如果有一项不一致,则对混动汽车数字孪生仿真模型进行修正。
可选地,步骤2中基于车载导航地图与历史行程信息获取电池电量状态目标轨迹的具体步骤为:
步骤21,结合车载导航地图获取未来驾驶行程实时交通拥堵信息;
步骤22,结合历史行程信息确定驾驶人在不同拥堵场景下的未来驾驶行程中不同空间位置的速度倾向表现;
步骤23,使用混动汽车数字孪生仿真模型,结合速度倾向表现和空间域动态规划模型确定未来驾驶行程下的电池电量状态目标轨迹。
可选地,使用混动汽车数字孪生仿真模型,将未来驾驶行程中不同空间位置的速度倾向表现转换为功率需求预测序列;
将功率需求预测序列、电池SoC初始状态和电池SoC目标状态输入至空间域动态规划模型中,通过动态规划方法的逆向遍历和正向搜索,获得未来驾驶行程下的电池电量状态目标轨迹。
可选地,步骤3中对目标车辆前方预设的识别空间位置长度内的场景进行近场场景综合识别获得近场速度预测序列的具体步骤为:
根据场景特征识别确定目标车辆前方预设的识别空间位置长度内的场景类型;
根据场景类型确定所采用的近场速度预测模型;
将所述目标车辆前方预设的识别空间位置长度内的场景下的驾驶操作特征数据、坡度状态变化、前车速度、前车间距和/或红绿灯配时状态输入近场速度预测模型;
获得目标车辆前方预设的识别空间位置长度内的场景的近场速度预测序列,并将该近场速度预测序列转化为时间域状态下的近场速度预测序列。
可选地,步骤3中对近场速度预测序列进行评估,获得近场场景下的最优工作模式分布和最优能量利用状态序列的具体步骤为:
将时间域状态下的近场速度预测序列、电池SoC实时状态和未来驾驶行程下的电池电量状态目标轨迹输入时间域动态规划能量管理模型,获得目标车辆前方预设的识别空间位置长度下的最优工作模式分布和最优能量利用状态序列。
可选地,步骤4中基于对近场场景的最优工作模式分布和最优能量利用状态的能量轨迹跟随对混动系统的工作模式与启机状态进行决策的具体步骤为:
步骤41,依据电池SoC实时状态和步骤S3获得的最优能量利用状态,确定近场场景下驱动电机的电池充电状态,其中,电池充电状态包括充电工作模式和/或放电工作模式;
步骤42,结合步骤S3获得的选择近场场景下发动机介入工作的状态;根据发动机介入工作的状态确定发动机的介入工作模式;
步骤43,基于驾驶人瞬时功率需求判断发动机介入工作时的启机状态。
可选地,步骤42中,还结合步骤S3获得的选择近场场景下发动机介入工作的状态和电池充电状态选择滑行和制动能量回收模式强度。
本发明还提供了一种能量轨迹跟随下的混动系统的功率分配方法,采用前述的方法获得混动系统的工作模式,基于综合效率利用最高的控制目标调节所述混动系统的工作模式下的多动力源功率分配。
与现有技术相比,本发明至少具有现如下有益效果:
(1)本发明充分利用了混动系统丰富的工作模式和挡位方式,通过电池能量轨迹跟随灵活选择合适的工作模式和挡位,在满足驾驶人功率需求的前提下,能够保证混动汽车在全驾驶行程下能量高效利用。
(2)本发明的方法通过车载导航地图获取实时交通拥堵信息,同时,考虑了驾驶人在历史行程下不同交通拥堵状态的速度表现,所预测规划的电池电量状态利用轨迹更具有合理性。
(3)本发明的方法相比于基于规则方式决策混动系统工作模式和挡位选择,引入新的信息决策量,充分考虑了驾驶人在近场场景下的能量利用需求,能够使混动系统结合近场场景状态确定合适的发动机启机时机、滑行/制动能量自适应回收,避免了工作模式的频繁切换。
(4)本发明的方法提出了基于综合效率利用最高的控制目标,以调节混动工作模式下多动力源功率分配。当混动系统处于多动力源工作模式时,多动力源能够在各自高效区保持工作,有效提升了发动机和电机的能量利用效率。
(5)本发明的方法在车速表现和踏板开度的影响因素上,考虑电池电量实时状态和电池电量目标轨迹、近场最优工作模式分布作为新的信息决策因素,对混合动力汽车进行工作模式和挡位的配合决策,实现了对电池电量状态目标轨迹的高效跟随,进一步地,还实现了混合动力汽车能量的高效利用。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制。
图1为本发明的一种能量轨迹跟随下的混动系统模式与挡位决策方法流程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,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。另外,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的一个具体实施例,如图1,公开了一种能量轨迹跟随下的混动系统模式决策方法,包括如下步骤:
步骤1,构建用于预测车辆状态表现的混动汽车数字孪生仿真模型;
具体地,基于目标车辆参数及整车动力学构建用于预测车辆状态表现的混动汽车数字孪生仿真模型;
可选地,目标车辆参数包括整车质量、滚动阻力系数/>和迎风面积/>等。
可选地,车辆的状态表现为车辆动力学表现,表达式为:
(1)
(2)
(3)
(4)
(5)
其中,为行驶阻力;/>为加速阻力;/>为滚动阻力;/>为空气阻力;/>为坡度阻力;/>为整车旋转质量换算系数;m为整车质量;/>为整车速度;t为单位采样周期;/>为重力加速度;/>为滚动阻力系数;/>为道路坡度;/>为空气阻力系数;/>为迎风面积;/>为道路坡度;/>为空气密度。
进一步地,将数字孪生仿真模型与实际混动汽车表现进行一致性匹配;
根据目标车辆的混动系统工作模式和混动系统参数确定混动汽车数字孪生仿真模型的工作方式;
可选地,目标车辆的混动系统为多模多挡的混动系统,多模多挡的混动系统包括纯电工作模式、制动能量回收工作模式、串联增程工作模式、并联充电工作模式和并联驱动工作模式;根据混动系统工作模式和不同工作模式时对应的挡位数目,使混动汽车数字孪生仿真模型的工作方式与目标车辆的混动系统的实际工作方式保持一致,尤其是保证不同工作模式的使能条件保持一致,确保混动汽车数字孪生仿真模型在未来驾驶场景下获取的车辆电池电量状态目标轨迹的准确性。
其中,目标车辆的混动系统的参数为发动机、驱动电机和发电机的转速、转矩和效率,以及电池容量、内阻和电压。不同工作模式的使能条件为不同工作模式切换的车速阈值,与目标车辆的实际工作方式保持一致。
可选地,在相同驾驶工况下对经过工作方式确认的混动汽车数字孪生仿真模型的仿真预测值与目标车辆及混动系统实际工作模式和能力的一致性匹配。
具体地,给定相同驾驶工况,检验混动汽车数字孪生仿真模型的预测值与目标车辆及混动系统在相同驾驶工况下的车速表现、电池电量状态轨迹变化和百公里燃油消耗变化是否保持一致。如果三者均保持一致则认定混动汽车数字孪生仿真模型有效,否则,将驾驶工况在空间域下等间隔分段,通常为100m一个片段,基于等空间域间隔分段的驾驶工况对混动汽车数字孪生仿真模型与目标车辆及混动系统的车速表现、电池电量状态轨迹变化和百公里燃油消耗变化的差异性进行检验,根据检验结果对混动汽车数字孪生仿真模型进行修正,直至混动汽车数字孪生仿真模型与目标车辆及混动系统模型的工作状态表现保持一致。
步骤2,基于车载导航地图与历史行程信息,以及混动汽车数字孪生仿真模型获得未来驾驶行程下的电池电量状态目标轨迹;
步骤21,结合车载导航地图获取未来驾驶行程实时交通拥堵信息;
可选地,驾驶人通过车载导航地图获取未来驾驶行程的起点和终点,车端控制器以等距空间间隔对未来驾驶行程进行划分获得不同空间位置;车载导航地图将不同空间位置的交通拥堵信息传给车端控制器,优选地,以100m为一个空间间隔的空间位置长度。
步骤22,结合历史行程信息确定驾驶人在不同拥堵场景下的未来驾驶行程对应不同空间位置的速度倾向表现;
可选地,历史行程信息为驾驶人的历史行程信息。
可选地,车端控制器存储并统计驾驶人在历史行程信息下的速度表现均值;结合未来驾驶行程对应不同空间位置的交通拥堵信息和驾驶人在历史行程信息下的速度表现均值,获取未来驾驶行程对应不同空间位置的速度预测序列(即:速度倾向表现),表达式为:
(6)
其中,代表第n个空间位置的速度状态,n=1,2,…,N,N表示等距空间间隔划分未来驾驶行程后的空间位置的总数。
可以理解的是,未来驾驶行程对应不同空间位置为等距空间间隔划分未来驾驶行程后获得的多个空间位置点。
步骤23,使用混动汽车数字孪生仿真模型,结合对未来驾驶行程的速度预测序列和空间域动态规划模型确定未来驾驶行程下的电池电量状态目标轨迹。
具体地,使用混动汽车数字孪生仿真模型,将未来驾驶行程中不同空间位置的速度预测序列转换为功率需求预测序列,表达式为:
(7)
(8)
其中,表示第n个空间位置的混动汽车功率需求;F表示行驶阻力。
将功率需求预测序列、电池SoC初始状态和电池SoC目标状态输入至空间域动态规划模型中,通过动态规划方法的逆向遍历和正向搜索,获得未来驾驶行程下的电池电量状态目标轨迹,表达式为:
(9)
其中,表示第n个空间位置的电池电量状态目标值。
可选地,电池SoC初始状态为驾驶行程开始时的状态;电池SoC目标状态为驾驶行程结束时的状态。
本发明相较于时间域动态规划模型,空间域动态规划模型的每一个网格节点代表每一空间间隔位置下的功率需求,/>,/>,能够直接获取每一空间间隔位置下的电池电量状态目标值,避免了时间域和空间域之间电池电量状态表现的相互转换。
步骤3:基于未来驾驶行程下的电池电量状态目标轨迹,对目标车辆前方预设的识别空间位置长度内的场景进行近场场景综合识别获得近场速度预测序列;对近场速度预测序列进行评估,获得近场场景下的最优工作模式分布和最优能量利用状态序列。
可选地,识别结果为时间域状态下的近场速度预测序列。
可选地,基于驾驶操作特征数据、坡度状态变化、前车速度、前车间距和/或红绿灯配时状态进行近场场景综合识别。
优选地,预设的识别空间位置长度为一个空间间隔的空间位置长度。
可以理解的是,预设的识别空间位置长度也与电池电量状态目标轨迹对应的位置间隔长度相同。
进一步,基于近场场景综合识别结果对目标车辆前方预设的识别空间位置长度(近场场景)下的能量利用状态进行评估获得近场场景下的最优能量利用状态序列。
进一步地,近场场景综合识别根据场景类型进行识别;场景类型包括有前车有信号灯场景、有前车无信号灯场景、无前车有信号灯场景和无前车无信号灯场景,每类场景下包含该场景对应的坡度信息。不同场景所考虑的速度约束条件不一致,每类场景下训练有基于数据驱动的近场速度预测模型,通常采用LSTM+Attention、LSTM、RBFNN或BPNN等数据驱动模型对近场速度预测模型进行训练,其输出结果均为目标车辆前方预设的识别空间位置长度内的近场速度预测序列,区别在于不同场景下的输入特征类型不同,具体输入特征如表1所示。其中,驾驶操作特征数据包括实时车速、加速踏板开度、制动踏板开度和方向盘转角,以及预设时间内的上述驾驶操作特征数据的平均值、最大值、最小值以及方差。优选地,预设时间为5秒。
表1 基于数据驱动的近场场景速度预测模型输入特征类型
进一步,首先,根据场景特征识别确定场景类型;其次,确定对应场景类型下采用的对应数据驱动的近场速度预测模型;最后,输出目标车辆前方预设的识别空间位置长度内的近场速度预测序列,并将该近场速度预测序列转化为时间域状态下的近场速度预测序列,表达式为:
(10)
其中,为目标车辆前方预设的识别空间位置长度内第x秒的近场预测速度表现,x=1,2,…T,T为目标车辆前方预设的识别空间位置长度对应的时间域总时长。
可选地,将时间域状态下的近场速度预测序列、电池SoC实时状态/>和未来驾驶行程下的电池电量状态目标轨迹输入时间域动态规划能量管理模型,输出目标车辆前方预设的识别空间位置长度下的最优工作模式分布和最优能量利用状态。
其中,电池SoC实时状态为目标车辆当前位置的电池实时状态。
步骤4,基于对近场场景的最优工作模式分布和最优能量利用状态的能量轨迹跟随对混动系统的工作模式与启机状态进行决策。
本发明在传统混动系统工作模式和挡位决策受车速、踏板开度、电池SoC实时状态三类瞬时影响因素的基础上,融入全局电池电量状态目标轨迹(即未来驾驶行程下的电池电量状态目标轨迹)和近场场景能量需求两类影响因素。基于分层状态机的方法实现工作模式与挡位决策,具体步骤为:
步骤41,依据电池SoC实时状态和步骤S3获得的最优能量利用状态,确定近场场景下驱动电机的电池充电状态,其中,电池充电状态包括充电工作模式和放电工作模式;
进一步地,当电池SoC实时状态小于最优能量利用状态时,且差值超过所设定电池模式选择阈值A时,进入充电工作模式;当电池SoC实时状态大于电池目标SoC状态时且差值超过所设定电池模式选择阈值时,进入放电工作模式;当电池实时SoC状态与目标车辆前方预设的识别空间位置长度下的最优能量利用状态/>的差值处在所设定电池模式选择阈值A范围内,由目标车辆前方预设的识别空间位置长度下的最优能量利用状态序列判断选择充电工作模式或放电工作模式,表达式为:
(12)
其中,为电池实时SoC状态;/>为目标车辆前方预设的识别空间位置长度下的最优能量利用状态;/>为电池SoC实时状态与目标车辆前方预设的识别空间位置长度下的最优能量利用状态的差值;A为电池模式选择阈值。
对于多模多挡混动系统,充电工作模式根据车速选择不同挡位下的并联充电工作模式;放电工作模式选择纯电工作模式进行放电;根据近场场景能量需求智能判断工作模式选择充电工作模式还是放电工作模式。
可选地,电池模式选择阈值A为电池容量的1%。
步骤42,结合目标车辆前方预设的识别空间位置长度下的最优能量利用状态选择近场场景下发动机介入工作的状态;根据发动机介入工作的状态确定发动机的介入工作模式;
可选地,当电池SoC实时状态与目标车辆前方预设的识别空间位置长度下的最优能量利用状态的差值处于电池模式选择阈值A范围内,结合步骤3所输出目标车辆前方预设的识别空间位置长度下的最优工作模式分布,确定发动机的介入工作模式,其中,发动机的介入工作模式包括串联增程模式和并联混动工作模式;联混动工作模式包括并联驱动模式和并联充电模式。
可选地,对目标车辆前方预设的识别空间位置长度下最优工作模式分布进行分析,当发动机介入的工作模式时长大于纯电工作模式时,选择发动机介入工作,否则,选择发动机不介入工作,选择纯电工作模式。
步骤43,基于驾驶人瞬时功率需求判断发动机介入工作时的启机状态以及选择滑行和制动能量回收模式强度。
可选地,在满足驾驶人瞬时功率需求的基础上,智能判断发动机介入工作的启机状态以及选择滑行和制动能量回收模式强度。其中,启机状态包括启动发动机的挡位、车速启动阈值和启动时机。
进一步地,驾驶人瞬时功率受瞬时车速、踏板开度和电池SoC实时状态的影响。
可选地,当步骤42确定发动机介入工作时,通过车速、踏板开度判断速度和扭矩需求达到对应启动阈值时启机。
进一步地,对于1挡混动系统,车速启动阈值为70km/h,对于2挡混动系统,车速启动阈值为35km/h,对于3挡混动系统,车速启动阈值为20km/h,同时,满足轮端扭矩需求为正时。
可选地,当步骤42确定发动机不介入工作时,且电池需要处于充电状态时,选择进入滑行和制动能量回收模式的强度。由瞬时车速、踏板开度、电池SoC实时状态等历史驾驶数据进行k-means无监督聚类生成滑行和制动能量回收强度识别模型,再由支持向量机SVM在线识别滑行和制动能量回收强度。
进一步地,能量回收强度包括低等级、中等级和高等级三类。
步骤5,基于综合效率利用最高的控制目标调节混动系统在并联混动工作模式下多动力源功率分配。
当目标车辆的混动系统处于并联混动工作模式下,包括并联充电模型和并联驱动模式,其涉及发动机和驱动电机共同参与工作,通过发动机和电机扭矩遍历组合,并设定综合效率利用最高的控制目标,从而调节发动机和电机处于高效区工作。
步骤51,确定并联混动工作模式需满足的总功率需求,表达式为:
(13)
其中,为驱动目标车辆运行的功率需求;/>为电池SoC调整功率需求。
步骤52,确定发动机和驱动电机在给定转速条件下的动力源高效区和对应的扭矩待选工作空间;
可选地,根据不同动力源(发动机和驱动电机)的工作特性,将对应转速条件下的不同效率点进行高效向低效排序,选择排序前20%的高效点对应的扭矩状态作为扭矩待选工作空间,表达式为:
(14)
(15)
其中,为搜索函数,能够快速定位高效区对应的扭矩状态值,/>分别为在给定发动机转速条件下前20%的高效点对应的发动机扭矩最小值和最大值,分别为在给定电机转速条件下前20%的高效点对应的电机扭矩最小值和最大值;/>表示发动机效率从高效至低效排序前20%的效率值;/>表示电机效率从高效至低效排序前20%的效率值;
步骤53,在发动机和驱动电机扭矩空间内选择扭矩组合方式,在满足总扭矩需求的前提下遍历不同发动机和电机扭矩组合的方式确定综合效率利用最高的扭矩组合,从而满足轮端扭矩需求,表达式为:
(16)
其中,为所确定的最优发动机扭矩,/>为所确定的最优电机扭矩。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种能量轨迹跟随下的混动系统模式决策方法,其特征在于,包括如下步骤:
步骤1,构建用于预测车辆状态表现的混动汽车数字孪生仿真模型;
步骤2,基于车载导航地图与历史行程信息,以及混动汽车数字孪生仿真模型获得未来驾驶行程下的电池电量状态目标轨迹,具体步骤为:
步骤21,结合车载导航地图获取未来驾驶行程实时交通拥堵信息;
步骤22,结合历史行程信息确定驾驶人在不同拥堵场景下的未来驾驶行程中不同空间位置的速度倾向表现;
步骤23,使用混动汽车数字孪生仿真模型,结合速度倾向表现和空间域动态规划模型确定未来驾驶行程下的电池电量状态目标轨迹;
步骤3:基于未来驾驶行程下的电池电量状态目标轨迹,对目标车辆前方预设的识别空间位置长度内的场景进行近场场景综合识别获得近场速度预测序列;对近场速度预测序列进行评估,获得近场场景下的最优工作模式分布和最优能量利用状态序列;
步骤4,基于对近场场景的最优工作模式分布和最优能量利用状态的能量轨迹跟随对混动系统的工作模式与启机状态进行决策。
2.根据权利要求1所述的方法,其特征在于,基于目标车辆参数及整车动力学构建用于预测车辆状态表现的混动汽车数字孪生仿真模型;目标车辆参数包括整车质量、滚动阻力系数和迎风面积。
3.根据权利要求1-2任一项所述的方法,其特征在于,将数字孪生仿真模型与实际混动汽车表现进行一致性匹配,包括如下步骤:
根据目标车辆的混动系统工作模式和混动系统参数确定混动汽车数字孪生仿真模型的工作方式;
给定相同驾驶工况,检验混动汽车数字孪生仿真模型的预测值与目标车辆及混动系统在相同驾驶工况下的车速表现、电池电量状态轨迹变化和百公里燃油消耗变化是否保持一致;如果三者均保持一致则认定混动汽车数字孪生仿真模型一致匹配;如果有一项不一致,则对混动汽车数字孪生仿真模型进行修正。
4.根据权利要求3所述的方法,其特征在于,使用混动汽车数字孪生仿真模型,将未来驾驶行程中不同空间位置的速度倾向表现转换为功率需求预测序列;
将功率需求预测序列、电池SoC初始状态和电池SoC目标状态输入至空间域动态规划模型中,通过动态规划方法的逆向遍历和正向搜索,获得未来驾驶行程下的电池电量状态目标轨迹。
5.根据权利要求4所述的方法,其特征在于,步骤3中对目标车辆前方预设的识别空间位置长度内的场景进行近场场景综合识别获得近场速度预测序列的具体步骤为:
根据场景特征识别确定目标车辆前方预设的识别空间位置长度内的场景类型;
根据场景类型确定所采用的近场速度预测模型;
将所述目标车辆前方预设的识别空间位置长度内的场景下的驾驶操作特征数据、坡度状态变化、前车速度、前车间距和/或红绿灯配时状态输入近场速度预测模型;
获得目标车辆前方预设的识别空间位置长度内的场景的近场速度预测序列,并将该近场速度预测序列转化为时间域状态下的近场速度预测序列。
6.根据权利要求5所述的方法,其特征在于,步骤3中对近场速度预测序列进行评估,获得近场场景下的最优工作模式分布和最优能量利用状态序列的具体步骤为:
将时间域状态下的近场速度预测序列、电池SoC实时状态和未来驾驶行程下的电池电量状态目标轨迹输入时间域动态规划能量管理模型,获得目标车辆前方预设的识别空间位置长度下的最优工作模式分布和最优能量利用状态序列。
7.根据权利要求6所述的方法,其特征在于,步骤4中基于对近场场景的最优工作模式分布和最优能量利用状态的能量轨迹跟随对混动系统的工作模式与启机状态进行决策的具体步骤为:
步骤41,依据电池SoC实时状态和步骤S3获得的最优能量利用状态,确定近场场景下驱动电机的电池充电状态,其中,电池充电状态包括充电工作模式和/或放电工作模式;
步骤42,结合步骤S3获得的选择近场场景下发动机介入工作的状态;根据发动机介入工作的状态确定发动机的介入工作模式;
步骤43,基于驾驶人瞬时功率需求判断发动机介入工作时的启机状态。
8.根据权利要求7所述的方法,其特征在于,步骤42中,还结合步骤S3获得的选择近场场景下发动机介入工作的状态和电池充电状态选择滑行和制动能量回收模式强度。
9.一种能量轨迹跟随下的混动系统的功率分配方法,采用权利要求1-8任一项所述的方法获得混动系统的工作模式,其特征在于,基于综合效率利用最高的控制目标调节所述混动系统的工作模式下的多动力源功率分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218257.XA CN116946107B (zh) | 2023-09-21 | 2023-09-21 | 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218257.XA CN116946107B (zh) | 2023-09-21 | 2023-09-21 | 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116946107A CN116946107A (zh) | 2023-10-27 |
CN116946107B true CN116946107B (zh) | 2023-12-01 |
Family
ID=88442920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311218257.XA Active CN116946107B (zh) | 2023-09-21 | 2023-09-21 | 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116946107B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708999B (zh) * | 2024-02-06 | 2024-04-09 | 北京航空航天大学 | 一种面向场景的混动汽车能量管理策略评价方法 |
CN117698688B (zh) * | 2024-02-06 | 2024-04-09 | 北京航空航天大学 | 一种基于短时车速预测的混动传动系统模式智能切换方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111923897A (zh) * | 2020-09-29 | 2020-11-13 | 北京航空航天大学 | 一种插电式混合动力汽车能量智能管理方法 |
CN112101684A (zh) * | 2020-11-10 | 2020-12-18 | 北京理工大学 | 一种插电式混合动力车辆实时能量管理方法和系统 |
CN112721907A (zh) * | 2021-01-28 | 2021-04-30 | 西安理工大学 | 一种考虑道路坡度的网联混合动力汽车高效能量管理方法 |
CN113135113A (zh) * | 2020-01-19 | 2021-07-20 | 郑州宇通客车股份有限公司 | 一种全局soc规划方法及装置 |
EP3878706A1 (en) * | 2020-03-09 | 2021-09-15 | Avl Powertrain Uk Ltd | Method for controlling a hybrid electric vehicle |
CN115107733A (zh) * | 2022-07-08 | 2022-09-27 | 东风柳州汽车有限公司 | 一种混合动力汽车的能量管理方法及系统 |
CN115158094A (zh) * | 2022-08-02 | 2022-10-11 | 重庆大学 | 基于长短期soc规划的插电式混合动力汽车能量管理方法 |
CN116215495A (zh) * | 2023-03-02 | 2023-06-06 | 联合汽车电子有限公司 | 混合动力车辆能量管理优化方法、装置及系统 |
CN116564116A (zh) * | 2023-05-24 | 2023-08-08 | 武汉理工大学 | 数字孪生驱动的智能辅助驾驶引导系统与方法 |
-
2023
- 2023-09-21 CN CN202311218257.XA patent/CN116946107B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113135113A (zh) * | 2020-01-19 | 2021-07-20 | 郑州宇通客车股份有限公司 | 一种全局soc规划方法及装置 |
EP3878706A1 (en) * | 2020-03-09 | 2021-09-15 | Avl Powertrain Uk Ltd | Method for controlling a hybrid electric vehicle |
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 |
CN111923897A (zh) * | 2020-09-29 | 2020-11-13 | 北京航空航天大学 | 一种插电式混合动力汽车能量智能管理方法 |
CN112101684A (zh) * | 2020-11-10 | 2020-12-18 | 北京理工大学 | 一种插电式混合动力车辆实时能量管理方法和系统 |
CN112721907A (zh) * | 2021-01-28 | 2021-04-30 | 西安理工大学 | 一种考虑道路坡度的网联混合动力汽车高效能量管理方法 |
CN115107733A (zh) * | 2022-07-08 | 2022-09-27 | 东风柳州汽车有限公司 | 一种混合动力汽车的能量管理方法及系统 |
CN115158094A (zh) * | 2022-08-02 | 2022-10-11 | 重庆大学 | 基于长短期soc规划的插电式混合动力汽车能量管理方法 |
CN116215495A (zh) * | 2023-03-02 | 2023-06-06 | 联合汽车电子有限公司 | 混合动力车辆能量管理优化方法、装置及系统 |
CN116564116A (zh) * | 2023-05-24 | 2023-08-08 | 武汉理工大学 | 数字孪生驱动的智能辅助驾驶引导系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116946107A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116946107B (zh) | 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 | |
Sciarretta et al. | Optimal ecodriving control: Energy-efficient driving of road vehicles as an optimal control problem | |
JP6758025B2 (ja) | 高いハイブリッド化度を有するハイブリッド車両のための制御システム | |
JP4637443B2 (ja) | 車両の制御システム及び制御方法 | |
US8374740B2 (en) | Self-learning satellite navigation assisted hybrid vehicle controls system | |
CN109733378B (zh) | 一种线下优化线上预测的转矩分配方法 | |
US8428804B2 (en) | In-vehicle charge and discharge control apparatus and partial control apparatus | |
CN110758377B (zh) | 对于前面的行驶路程的路段测定混动车辆的行驶状态的方法和混动车辆 | |
CN111959490B (zh) | 插电式混合动力汽车模型参考自适应最优能量管理方法 | |
EP2998178B1 (en) | Vehicle control through machine learning | |
CN110962837B (zh) | 一种考虑驾驶风格的插电式混合动力汽车能量管理方法 | |
US20100131139A1 (en) | Charge planning apparatus | |
CN104340218A (zh) | 实时燃料消耗估算 | |
CN108489500A (zh) | 一种基于能耗经济性的全局路径规划方法及系统 | |
Vajedi et al. | Intelligent power management of plug–in hybrid electric vehicles, part I: Real–time optimum SOC trajectory builder | |
WO2017047171A1 (ja) | 走行計画生成装置、車両、走行計画生成システム及びコンピュータプログラム | |
CN112572404B (zh) | 基于前方道路信息的重型商用车混合动力能量管理方法 | |
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 | |
CN114148325B (zh) | 重型混合动力商用车预见性能量管理方法 | |
JP3994966B2 (ja) | 走行パターン推定装置 | |
Kim et al. | Parameterized energy-optimal regenerative braking strategy for connected and autonomous electrified vehicles: A real-time dynamic programming approach | |
Abdrakhmanov et al. | Dynamic Programming Resolution and Database Knowledge for Online Predictive Energy Management of Hybrid Vehicles. | |
CN113276829B (zh) | 一种基于工况预测的车辆行驶节能优化变权重方法 | |
Vajedi et al. | Traction-motor power ratio and speed trajectory optimization for power split PHEVs using route information | |
Ruan et al. | A modularized electric vehicle model-in-the-loop simulation for transportation electrification modeling and analysis |
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 |