CN117002472B - 一种混合动力电动汽车能量管理优化方法及系统 - Google Patents
一种混合动力电动汽车能量管理优化方法及系统 Download PDFInfo
- Publication number
- CN117002472B CN117002472B CN202310970425.4A CN202310970425A CN117002472B CN 117002472 B CN117002472 B CN 117002472B CN 202310970425 A CN202310970425 A CN 202310970425A CN 117002472 B CN117002472 B CN 117002472B
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- hybrid electric
- optimization
- energy management
- objective
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 239000000446 fuel Substances 0.000 claims description 36
- 230000001133 acceleration Effects 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 241000863434 Myxococcales Species 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 241000894006 Bacteria Species 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 238000007726 management method Methods 0.000 description 56
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 35
- 239000004215 Carbon black (E152) Substances 0.000 description 18
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 18
- 229910002091 carbon monoxide Inorganic materials 0.000 description 18
- 229930195733 hydrocarbon Natural products 0.000 description 18
- 150000002430 hydrocarbons Chemical class 0.000 description 18
- 241000156302 Porcine hemagglutinating encephalomyelitis virus Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 108010078777 Colistin Proteins 0.000 description 1
- 241000235395 Mucor Species 0.000 description 1
- 206010048669 Terminal state Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229960003346 colistin Drugs 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- JORAUNFTUVJTNG-BSTBCYLQSA-N n-[(2s)-4-amino-1-[[(2s,3r)-1-[[(2s)-4-amino-1-oxo-1-[[(3s,6s,9s,12s,15r,18s,21s)-6,9,18-tris(2-aminoethyl)-3-[(1r)-1-hydroxyethyl]-12,15-bis(2-methylpropyl)-2,5,8,11,14,17,20-heptaoxo-1,4,7,10,13,16,19-heptazacyclotricos-21-yl]amino]butan-2-yl]amino]-3-h Chemical compound CC(C)CCCCC(=O)N[C@@H](CCN)C(=O)N[C@H]([C@@H](C)O)CN[C@@H](CCN)C(=O)N[C@H]1CCNC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CCN)NC(=O)[C@H](CCN)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](CC(C)C)NC(=O)[C@H](CCN)NC1=O.CCC(C)CCCCC(=O)N[C@@H](CCN)C(=O)N[C@H]([C@@H](C)O)CN[C@@H](CCN)C(=O)N[C@H]1CCNC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CCN)NC(=O)[C@H](CCN)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](CC(C)C)NC(=O)[C@H](CCN)NC1=O JORAUNFTUVJTNG-BSTBCYLQSA-N 0.000 description 1
- XDJYMJULXQKGMM-UHFFFAOYSA-N polymyxin E1 Natural products CCC(C)CCCCC(=O)NC(CCN)C(=O)NC(C(C)O)C(=O)NC(CCN)C(=O)NC1CCNC(=O)C(C(C)O)NC(=O)C(CCN)NC(=O)C(CCN)NC(=O)C(CC(C)C)NC(=O)C(CC(C)C)NC(=O)C(CCN)NC1=O XDJYMJULXQKGMM-UHFFFAOYSA-N 0.000 description 1
- KNIWPHSUTGNZST-UHFFFAOYSA-N polymyxin E2 Natural products CC(C)CCCCC(=O)NC(CCN)C(=O)NC(C(C)O)C(=O)NC(CCN)C(=O)NC1CCNC(=O)C(C(C)O)NC(=O)C(CCN)NC(=O)C(CCN)NC(=O)C(CC(C)C)NC(=O)C(CC(C)C)NC(=O)C(CCN)NC1=O KNIWPHSUTGNZST-UHFFFAOYSA-N 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method 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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
- B60W2510/244—Charge state
-
- 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
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种混合动力电动汽车能量管理优化方法及系统，所述方法包括：根据预设的约束条件确定待优化的参数数据，并根据所述参数数据初始化混合动力电动汽车对应的能量管理模型，根据所述能量管理模型获取所述混合动力电动汽车在实际行驶过程中的状态信息，并根据所述状态信息建立所述混合动力电动汽车对应的多目标优化模型，以所述多目标优化模型中的状态信息为优化目标，基于MOSMA算法对所述混合动力电动汽车的能量管理模型进行多目标优化，提高了能量管理优化的效果。
Description
技术领域
本发明涉及能量管理技术领域，尤其涉及一种混合动力电动汽车能量管理优化方法及系统。
背景技术
学术界和工业界已经开展了许多关于如何使用各种控制算法与策略的混合动力电动汽车来减少排放和节省燃料的研究。一些学者开始引入优化思想以获得更好的车辆性能，对推动混合动力汽车的发展起到了重要作用。通过建立功率分配因子的全局优化模型，采用自适应模拟退火算法离线优化功率分配因子、以并联混合动力汽车为目标，选择8个能量管理参数作为燃油经济性和排放性能的综合优化参数、提出了一种基于Pareto原理的改进的NSGA-I I多目标优化算法、一种基于模型预测控制(MPC)框架的计算高效能源管理方法，以获得并联PHEV的最佳扭矩分配和换档、利用自适应模拟退火遗传算法对静压混合动力汽车的驱动部件进行了优化匹配，各部件性能较前款有显着提升。由此可见，采用合适的优化方法对相关参数进行优化，可以有效提升整车性能。
但现有技术在处理能量管理优化问题上，通常是将多目标问题设定权重简化为单目标问题，但未考虑各目标间的相互影响，难以反映优化目标的真实情况。
发明内容
为了解决上述存在的技术问题，本发明公开了一种混合动力电动汽车能量管理优化方法及系统，提高优化的效果。
为了实现上述目的，本发明公开了一种混合动力电动汽车能量管理优化方法，包括：
根据预设的约束条件确定待优化的参数数据，并根据所述参数数据初始化混合动力电动汽车对应的能量管理模型；
根据所述能量管理模型获取所述混合动力电动汽车在实际行驶过程中的状态信息，并根据所述状态信息建立所述混合动力电动汽车对应的多目标优化模型；所述状态信息包括车辆燃油消耗、CO排放量、HC排放量及NOx排放量；
以所述多目标优化模型中的状态信息为优化目标，基于MOSMA算法对所述混合动力电动汽车的能量管理策略进行多目标优化。
本发明公开了一种混合动力电动汽车能量管理优化方法，包括首先利用预设的约束条件确定在进行能量管理方法优化过程中需要优化的参数，进而根据所述参数初始化所述混合动力电动汽车对应的能量管理模型，通过限定所述优化参数以使解决优化过程中多目标之间参数的相互影响，提高优化的效率，接着利用获得的所述能量管理系统，确定所述混合动力电动汽车在实际行驶过程中的状态信息，以使根据所述状态信息确定所述混合动力电动汽车的多目标优化模型，是的所述优化贴合车辆实际的行驶状态，提高优化的实际效果，在确定所述多目标优化模型后，基于预设的MOSMA算法对所述多目标优化模型中包含的状态信息进行不断的优化，可提高优化的效果。
作为优选例子，在所述根据预设的约束条件确定待优化的参数数据，并根据所述参数数据初始化混合动力电动汽车对应的能量管理模型，包括：
以所述混合动力电动汽车的动力性能及电池荷电状态作为所述约束条件；所述动力性能包括加速性能、最高车速及最大爬坡度；所述电池荷电状态为所述混合动力电动汽车的电池的荷电状态的初始状态与终止状态的差值；
根据所述约束条件及所述混合动力电力汽车中所述动力性能与所述电池荷电状态对应的制约规则，确定待优化的参数数据；所述参数数据包括参数及所述参数对应的取值范围；所述参数包括发动机功率、电动机功率系数、蓄电池的荷电状态的上限值及下限值、主传动比和蓄电池的模块数；
根据所述参数数据，通过预设的电动汽车仿真软件初始化并获得所述混合动力电动汽车对应的能量管理模型。
本发明以所述动力性能及所述荷电状态作为约束条件，使得在优化所述车辆的能量管理方法过程中一直贴合所述车辆的实际过程，避免优化过程过于拟合，限制优化的范围，提高优化的效果。
作为优选例子，在所述根据所述状态信息建立所述混合动力电动汽车对应的多目标优化模型中，所述多目标优化模型为：
其中，n为设计变量的个数；ο代表目标函数的数据量；m代表不等式约束的个数；p代表等式约束的个数；代表第i个不等式约束；/>代表第i个等式约束；[Lbi,Ubi]表示第i个变量的上限及下限；F(x)表示目标函数集；f(x)表示不同的目标函数；所述xi表示优化参数。
本发明通过构建所述多目标优化模型，不仅确定在对所述车辆进行能量管理策略优化过程中的多个优化目标，同时还考虑了在参数优化过程中，优化的参数对不同的目标函数的影响及限制，解决了现有技术中无法考虑各目标函数之间的相互影响的技术问题，提高了优化的效果。
作为优选例子，在所述多目标优化模型还包括：
其中，QFuel(x)、QCO(x)、QHC(x)和QNO(x)分别代表了燃油消耗、CO及HC和NOx的排放量。
本发明将所述燃油消耗、CO及HC和NOx的排放量作为所述多目标优化模型中优化的目标函数，使得在所述车辆的能量管理策略优化过程中以减少燃油消耗及各种气体的排放量为优化目标，使得车辆根据优化后的能量管理策略行驶时消耗更少的燃油的同时，排放的气体量也减少，进而提高车辆行驶的经济性。
作为优选例子，在所述基于MOSMA算法对所述混合动力电动汽车的能量管理策略进行多目标优化中，所述MOSMA算法包括：
其中，所述Xt+1为黏菌的逼近行为；所述是取值范围为[-a,a]的参数、/>为取值范围为[-b,b]的参数、t表示当前迭代次数，/>表示目前发现的气味浓度最高的个体位置，表示黏菌当前的位置，XA和XB表示黏菌中随机抽取的两个个体，/>表示黏菌的权重系数；
所述p的公式为：
p＝tanh(S(i)-DF)
其中i∈1,2,...,n、S(i)代表适应度、DF表示所有迭代中获得的最佳适应度；
的公式为：
的公式为：
b＝1-i/Max_iter
的公式为：
SmellIndex＝sort(S)
其中，condition表示S(i)排在总体的前一半、r表示区间[0,1]内的随机值、Max_t为最大迭代次数、Max_iter为第i次迭代次数、bF表示当前迭代过程中获得的最优适应度、wF表示当前迭代过程中获得的最差适应度，SmellIndex表示适应度值排序的顺序；
所述MOSMA算法还包括精英非支配排序和保持多样性的拥挤度距离机制，所述拥挤度距离的计算公式为：
其中，和/>分为第j个目标函数上边界和下边界。
本发明利用所述MOSMA算法对所述目标函数进行优化过程中，在函数可行域范围内找到最佳的输出解的同时，考虑到目标函数中多重微分、非连续性以及高维的非线性约束条件一系列的优化特征，使得在优化的过程中考虑到了多目标函数之间每一个目标函数的相互影响，提高了优化的效率。
作为优选例子，在所述MOSMA算法的步骤，包括：
步骤1，初始化所述MOSMA算法对应的种群的大小、最大迭代次数及迭代值，并在可行搜索空间区域中初始化黏菌的位置生成父代种群；
步骤2、根据所述父代种群中的各个黏菌对所述多目标优化模型中的目标函数进行计算，并利用基于精英的NDR和CD找出每一个黏菌对应的非支配排序和Pareto前沿，并计算出每个前沿的拥挤距离；
步骤3，计算当前迭代过程中的最优适应度值及最差适应度值，并根据所述最优适应度值及最差适应度值计算所述每一个黏菌分别对应的权重系数；
步骤4，更新迭代过程中获得的最佳适应度及相对应的振动参数，产生新的黏菌位置，进而根据所述新的黏菌位置获得新的子代种群；
步骤5，根据所述子代种群中的各个黏菌对所述多目标优化模型中的目标函数进行计算，并将所述子代种群与所述父代种群合并，获得第一种群；
步骤6，对所述第一种群的目标空间向量的每个目标函数进行评价，通过所述基于精英的NDR和CD对所述第一种群进行个体筛选，获得第二种群，并更新当前迭代值为所述迭代值加1；
步骤7，比较所述当前迭代值与预设的最大迭代值，当所述当前迭代值大于或等于所述最大迭代值时，输出所述第二种群；若所述当前迭代值小于所述最大迭代值时，则转到步骤3。
本发明利用所述MOSMA中的黏菌不断地迭代更新位置，用于代替本发明中所述优化参数的取值的不断地更新，在所述黏菌的位置更新过程中，利用所述基于精英的NDR与CD计算每一个黏菌的位置的前沿距离，及计算参数更新后每一个参数的前沿距离，用于避免参数优化过程中对其他参数的干扰，通过所述前沿距离的计算避免了参数优化过程中参数之间的影响，提高了优化的效果。
另一方面，本发明公开了一种混合动力电动汽车能量管理优化系统，包括模型初始化模块、优化目标确定模块及能量管理优化模块：
所述模型初始化模块用于根据预设的约束条件确定待优化的参数数据，并根据所述参数数据初始化混合动力电动汽车对应的能量管理模型；
所述优化目标确定模块用于根据所述能量管理模型获取所述混合动力电动汽车在实际行驶过程中的状态信息，并根据所述状态信息建立所述混合动力电动汽车对应的多目标优化模型；所述状态信息包括车辆燃油消耗、CO排放量、HC排放量及NOx排放量；
所述能量管理优化模块用于以所述多目标优化模型中的状态信息为优化目标，基于MOSMA算法对所述混合动力电动汽车的能量管理模型进行多目标优化。
本发明公开了一种混合动力电动汽车能量管理优化系统，包括首先利用预设的约束条件确定在进行能量管理方法优化过程中需要优化的参数，进而根据所述参数初始化所述混合动力电动汽车对应的能量管理模型，通过限定所述优化参数以使解决优化过程中多目标之间参数的相互影响，提高优化的效率，接着利用获得的所述能量管理系统，确定所述混合动力电动汽车在实际行驶过程中的状态信息，以使根据所述状态信息确定所述混合动力电动汽车的多目标优化模型，是的所述优化贴合车辆实际的行驶状态，提高优化的实际效果，在确定所述多目标优化模型后，基于预设的MOSMA算法对所述多目标优化模型中包含的状态信息进行不断的优化，可提高优化的效果。
作为优选例子，所述模型初始化模块包括约束条件单元、数据获取单元及模型初始单元；
所述约束条件单元用于以所述混合动力电动汽车的动力性能及电池荷电状态作为所述约束条件；所述动力性能包括加速性能、最高车速及最大爬坡度；所述电池荷电状态为所述混合动力电动汽车的电池的荷电状态的初始状态与终止状态的差值；
所述数据获取单元用于根据所述约束条件及所述混合动力电力汽车中所述动力性能与所述电池荷电状态对应的制约规则，确定待优化的参数数据；所述参数数据包括参数及所述参数对应的取值范围；所述参数包括发动机功率、电动机功率系数、蓄电池的荷电状态的上限值及下限值、主传动比和蓄电池的模块数；
所述模型初始单元用于根据所述参数数据，通过预设的电动汽车仿真软件初始化并获得所述混合动力电动汽车对应的能量管理模型。
本发明以所述动力性能及所述荷电状态作为约束条件，使得在优化所述车辆的能量管理方法过程中一直贴合所述车辆的实际过程，避免优化过程过于拟合，限制优化的范围，提高优化的效果。
作为优选例子，所述多目标优化模型为：
其中，n为设计变量的个数；ο代表目标函数的数据量；m代表不等式约束的个数；p代表等式约束的个数；代表第i个不等式约束；/>代表第i个等式约束；[Lbi,Ubi]表示第i个变量的上限及下限；F(x)表示目标函数集；f(x)表示不同的目标函数；所述xi表示优化参数。
本发明通过构建所述多目标优化模型，不仅确定在对所述车辆进行能量管理策略优化过程中的多个优化目标，同时还考虑了在参数优化过程中，优化的参数对不同的目标函数的影响及限制，解决了现有技术中无法考虑各目标函数之间的相互影响的技术问题，提高了优化的效果。
作为优选例子，所述多目标优化模型还包括：
其中，QFuel(x)、QCO(x)、QHC(x)和QNO(x)分别代表了燃油消耗、CO及HC和NOx的排放量。
本发明将所述燃油消耗、CO及HC和NOx的排放量作为所述多目标优化模型中优化的目标函数，使得在所述车辆的能量管理策略优化过程中以减少燃油消耗及各种气体的排放量为优化目标，使得车辆根据优化后的能量管理策略行驶时消耗更少的燃油的同时，排放的气体量也减少，进而提高车辆行驶的经济性。
附图说明
图1：为本发明实施例提供的一种混合动力电动汽车能量管理优化方法的流程示意图；
图2：为本发明实施例提供的一种混合动力电动汽车能量管理优化系统的结构示意图；
图3：为本发明实施例提供的一种非支配排序的示意图；
图4：为本发明实施例提供的一种拥挤度计算的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本发明实施例提供了一种混合动力电动汽车能量管理优化方法，所述优化方法的具体实施过程请参照图1，主要包括步骤101至步骤103，所述步骤主要包括：
步骤101：根据预设的约束条件确定待优化的参数数据，并根据所述参数数据初始化混合动力电动汽车对应的能量管理模型。
在本实施例中，该步骤主要包括：以所述混合动力电动汽车的动力性能及电池荷电状态作为所述约束条件；所述动力性能包括加速性能、最高车速及最大爬坡度；所述电池荷电状态为所述混合动力电动汽车的电池的荷电状态的初始状态与终止状态的差值；根据所述约束条件及所述混合动力电力汽车中所述动力性能与所述电池荷电状态对应的制约规则，确定待优化的参数数据；所述参数数据包括参数及所述参数对应的取值范围；所述参数包括发动机功率、电动机功率系数、蓄电池的荷电状态的上限值及下限值、主传动比和蓄电池的模块数；根据所述参数数据，通过预设的电动汽车仿真软件初始化并获得所述混合动力电动汽车对应的能量管理模型。
示例性的，在本实施例中，以并联混合动力汽车的动力性能与电池荷电状态作为主要的约束条件，一般，加速性能、最高车速、最大爬坡度等是反映汽车动力性能的重要指标，约束条件的具体内容如表1：
表1PHEV动力系统约束条件
通常，并联混合动力汽车的行驶速度和所达到的最高车速受发动机的最大功率(Pe)影响、蓄电池的模块数(Nb)决定着混合动力汽车的纯电动行驶里程、电动机的功率系数(Me)和主传动比(Rb)制约着并联混合动力汽车的爬坡度和加速能力、蓄电池的荷电状态的上限值(Hsoc)和下限值(Lsoc)对蓄电池的工作区间起决定性作用，它影响特定路况下蓄电池稳定工作的电量均值及蓄电池系统的充放电效率，对混合动力系统的动力性、燃油经济性及排放都重要影响，因此决定选取以上参数作为此次仿真试验的优化对象，优化参数及对应的取值范围如表2。
表2 PHEV优化参数及对应取值范围
| 参数名称 | 取值范围 |
| 发动机最大功率(Pe) | [35,70] |
| 电动机的功率系数(Me) | [0.6,1.5] |
| 蓄电池的荷电状态的上限值(HSOC) | [0.5,0.9] |
| 蓄电池的荷电状态下限值(LSOC) | [0.3,0.55] |
| 蓄电池的模块数(Nb) | {20,21,…,49,50} |
| 主传动比(Rb) | [0.5,2.5] |
本发明实施例以所述动力性能及所述荷电状态作为约束条件，使得在优化所述车辆的能量管理方法过程中一直贴合所述车辆的实际过程，同时考虑所述动力性能及所述荷电状态对应的制约规则确定相应的取值范围，避免优化过程过于拟合，限制优化的范围，提高优化的效果。
步骤102：根据所述能量管理模型获取所述混合动力电动汽车在实际行驶过程中的状态信息，并根据所述状态信息建立所述混合动力电动汽车对应的多目标优化模型；所述状态信息包括车辆燃油消耗、CO排放量、HC排放量及NOx排放量。
在本实施例中，该步骤主要包括：所述多目标优化模型为：
其中，n为设计变量的个数；ο代表目标函数的数据量；m代表不等式约束的个数；p代表等式约束的个数；代表第i个不等式约束；/>代表第i个等式约束；[Lbi,Ubi]表示第i个变量的上限及下限；F(x)表示目标函数集；f(x)表示不同的目标函数；所述xi表示优化参数。
进一步的，所述多目标优化模型还包括：
其中，QFuel(x)、QCO(x)、QHC(x)和QNO(x)分别代表了燃油消耗、CO及HC和NOx的排放量。
在本实施例中，将多目标优化问题的结构表示为最大化/最小化问题，并为其构建数学模型，进而获得所述多目标优化模型，所述多目标优化模型中包括约束条件及目标函数，而基于车辆的污染物排放量中，一氧化碳的排放量约为碳氢化合物、氮氧化合物的10倍，所以本发明实施例选取燃油消耗、HC与NOx总排放量、CO排放量为目标函数。
本发明实施例选取燃油消耗、碳氢化合物(HC)与氮氧化合物(NOx)总排放量、一氧化碳(CO)排放量为优化目标，以动力性、电池荷电状态平衡为约束设计，以使优化后的能量管理系统在保证动力性能的前提下，降低了燃油消耗和污染物排放量，在燃油方面，优化后的系统燃油经济性有很大程度的提升。
步骤103：以所述多目标优化模型中的状态信息为优化目标，基于MOSMA算法对所述混合动力电动汽车的能量管理模型进行多目标优化。
在本实施例中，该步骤主要包括：所述MOSMA算法包括：
其中，所述Xt+1为黏菌的逼近行为；所述是取值范围为[-a,a]的参数、/>为取值范围为[-b,b]的参数、t表示当前迭代次数，/>表示目前发现的气味浓度最高的个体位置，表示黏菌当前的位置，XA和XB表示黏菌中随机抽取的两个个体，/>表示黏菌的权重系数；
所述p的公式为：
p＝tanh(S(i)-DF)
其中i∈1,2,...,n、S(i)代表适应度、DF表示所有迭代中获得的最佳适应度；
的公式为：
的公式为：
b＝1-i/Max_iter
的公式为：
SmellIndex＝sort(S)
其中，condition表示S(i)排在总体的前一半、r表示区间[0,1]内的随机值、Max_t为最大迭代次数、Max_iter为第i次迭代次数、bF表示当前迭代过程中获得的最优适应度、wF表示当前迭代过程中获得的最差适应度，SmellIndex表示适应度值排序的顺序；
所述MOSMA算法还包括精英非支配排序和保持多样性的拥挤度距离机制，所述拥挤度距离的计算公式为：
其中，和/>分为第j个目标函数上边界和下边界。
进一步的，所述MOSMA算法的步骤，包括：
步骤1，初始化所述MOSMA算法对应的种群的大小、最大迭代次数及迭代值，并在可行搜索空间区域中初始化黏菌的位置生成父代种群；
步骤2、根据所述父代种群中的各个黏菌对所述多目标优化模型中的目标函数进行计算，并利用基于精英的NDR和CD找出每一个黏菌对应的非支配排序和Pareto前沿，并计算出每个前沿的拥挤距离；
步骤3，计算当前迭代过程中的最优适应度值及最差适应度值，并根据所述最优适应度值及最差适应度值计算所述每一个黏菌分别对应的权重系数；
步骤4，更新迭代过程中获得的最佳适应度及相对应的振动参数，产生新的黏菌位置，进而根据所述新的黏菌位置获得新的子代种群；
步骤5，根据所述子代种群中的各个黏菌对所述多目标优化模型中的目标函数进行计算，并将所述子代种群与所述父代种群合并，获得第一种群；
步骤6，对所述第一种群的目标空间向量的每个目标函数进行评价，通过所述基于精英的NDR和CD对所述第一种群进行个体筛选，获得第二种群，并更新当前迭代值为所述迭代值加1；
步骤7，比较所述当前迭代值与预设的最大迭代值，当所述当前迭代值大于或等于所述最大迭代值时，输出所述第二种群；若所述当前迭代值小于所述最大迭代值时，则转到步骤3。
进一步的，在本实施例中，因处理多目标优化问题时，需要优化的目标函数之间涉及交叉参数，常常存在参数优化冲突问题，要想得到在函数可行域范围内找到最佳的输出解，就需要考虑目标函数中多重微分、非连续性以及高维的非线性约束条件一系列优化特征，因此本发明实施例采用改进的MOSMA算法进行最优参数的求解，首先，在本实施例中，所述MOSMA算法为从其上下边界内随机生成的种群开始，其中“N”为种群规模(即黏菌)、“dim”为问题的维度，接下来，使用目标函数对总体进行评估，在接下来的阶段中，通过在每次迭代中搜索、接近和包裹现象来更新种群，MOSMA算法的级数由黏菌适应度权值(W)等参数控制，收敛速度快，避免了局部解，振动参数(Vb)保证了单个黏菌早期搜索和后期开发的准确性。
黏菌可以根据空气中的气味接近食物，其逼近行为用数学公式来表示：
同时在本发明实施例中，所述MOSMA算法在上述黏菌搜索的基础上采用精英非支配排序和保持多样性的拥挤度距离机制，所述非支配排序的示意图可参照图3，图3给出了非支配排序(Non-Dominated Ranki ng，)过程，其中给出了两个前沿，第一个前沿的解给出的等级指标为0，因为它们不受任何解支配，而第二个前沿的解被至少一个在第一个前沿的解支配，这些解等于支配它们的解的数量。用于保持获得的解之间的多样性。拥挤距离CD(Crowded Di stance)的数学表达式如下：
式中，和/>分为第j个目标函数上边界和下边界，具体的所述拥挤度计算的示意图可由图4可知。
由此基于本发明实施例提供的MOSMA算法对能量管理系统进行优化，由此基于所述MOSMA算法进行能量管理系统的优化步骤可包括：
第一步：初始化MOSMA算法中的种群大小Npop、最大迭代次数Max_t、并设t＝0；
第二步：在可行搜索空间区域S中初始化黏菌的位置x i(i＝1,2,…,n)生成父代种群P0；
第三步：对的目标函数f1(xi)、f2(xi)与f3(xi)进行计算；
第四步：将基于精英的NDR和CD应用于P0，找出所有个体xi的非支配排序和Pareto前沿，并计算每个前沿的拥挤距离；
第五步：根据当前迭代最优适应度值bF、最差适应度值wF计算每个个体权重系数W；
第六步：更新所有迭代中获得的最佳适应度DF、及相对应的产生新的黏菌位置x i(i＝1,2,…,n)，创建一个新的种群Pj；
第七步：对的目标函数f1(xi)、f2(xi)与f3(xi)进行计算，并将Pj与P0合并以获得种群Pi(Pi＝P0∪Pj)；
第八步：对Pi的目标空间向量F的每个目标函数进行评价，应用基于精英的NDR和CD选择Npop个个体替换P0，t＝t+1；
第九步：满足循环终止准则，则输出P0，否则转到步骤5)。
在本实施例中的该步骤中，设计了考虑PHEV动力系统多参数优化的多目标MOSMA算法，考虑到了目标函数中多重微分、非连续性以及高维的非线性约束条件一系列优化特征，提高了参数优化的效果。
进一步的，经过仿真实验可知，本发明所设计的多目标MOSMA优化算法可有效改善混合动力系统的燃油经济性与排放污染物量，且优化后整车对应的燃油消耗、HC与NOx排放总量及CO排放量分别平均降低了9.5％、7.4％与24.3％。
另一方面，本发明公开了一种混合动力电动汽车能量管理优化系统，所述优化系统的具体结构请参照图2，主要包括模型初始化模块201、优化目标确定模块202及能量管理优化模块203。
所述模型初始化模块201用于根据预设的约束条件确定待优化的参数数据，并根据所述参数数据初始化混合动力电动汽车对应的能量管理模型。
所述优化目标确定模块202用于根据所述能量管理模型获取所述混合动力电动汽车在实际行驶过程中的状态信息，并根据所述状态信息建立所述混合动力电动汽车对应的多目标优化模型；所述状态信息包括车辆燃油消耗、CO排放量、HC排放量及NOx排放量。
所述能量管理优化模块203用于以所述多目标优化模型中的状态信息为优化目标，基于MOSMA算法对所述混合动力电动汽车的能量管理模型进行多目标优化。
在本实施例中，所述模型初始化模块201包括约束条件单元、数据获取单元及模型初始单元。
所述约束条件单元用于以所述混合动力电动汽车的动力性能及电池荷电状态作为所述约束条件；所述动力性能包括加速性能、最高车速及最大爬坡度；所述电池荷电状态为所述混合动力电动汽车的电池的荷电状态的初始状态与终止状态的差值。
所述数据获取单元用于根据所述约束条件及所述混合动力电力汽车中所述动力性能与所述电池荷电状态对应的制约规则，确定待优化的参数数据；所述参数数据包括参数及所述参数对应的取值范围；所述参数包括发动机功率、电动机功率系数、蓄电池的荷电状态的上限值及下限值、主传动比和蓄电池的模块数。
所述模型初始单元用于根据所述参数数据，通过预设的电动汽车仿真软件初始化并获得所述混合动力电动汽车对应的能量管理模型。
在本实施例中，所述多目标优化模型为：
其中，n为设计变量的个数；ο代表目标函数的数据量；m代表不等式约束的个数；p代表等式约束的个数；代表第i个不等式约束；/>代表第i个等式约束；[Lbi,Ubi]表示第i个变量的上限及下限；F(x)表示目标函数集；f(x)表示不同的目标函数；所述xi表示优化参数。
在本实施例中，所述多目标优化模型还包括：
其中，QFuel(x)、QCO(x)、QHC(x)和QNO(x)分别代表了燃油消耗、CO及HC和NOx的排放量。
本发明实施例公开的一种混合动力电动汽车能量管理优化方法及系统，建立了复杂行驶工况下以燃油消耗、HC与NOx总排放量、CO排放量为优化目标的PHEV三目标数学模型，并结合实际工况设定了约束目标函数，同时设计了考虑PHEV动力系统多参数优化的多目标MOSMA算法，且对整车燃油消耗、HC与NOx总排放量、CO排放量参数进行了有效模拟，然后利用商业化电动汽车仿真软件，通过在标准UDDS驾驶循环工况下MOSMA优化算法对PHEV三目标计算结果对比，有效验证了MOSMA有效性，且优化后整车对应的燃油消耗、HC与NOx排放总量及CO排放量分别平均降低了9.5％、7.4％与24.3％。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种混合动力电动汽车能量管理优化方法，其特征在于，包括：
根据预设的约束条件确定待优化的参数数据，并根据所述参数数据初始化混合动力电动汽车对应的能量管理模型；其中，以所述混合动力电动汽车的动力性能及电池荷电状态作为所述约束条件；根据所述约束条件及所述混合动力电力汽车中所述动力性能与所述电池荷电状态对应的制约规则，确定待优化的参数数据；根据所述参数数据，通过预设的电动汽车仿真软件初始化并获得所述混合动力电动汽车对应的能量管理模型；所述动力性能包括加速性能、最高车速及最大爬坡度；所述电池荷电状态为所述混合动力电动汽车的电池的荷电状态的初始状态与终止状态的差值；所述参数数据包括参数及所述参数对应的取值范围；所述参数包括发动机功率、电动机功率系数、蓄电池的荷电状态的上限值及下限值、主传动比和蓄电池的模块数；
根据所述能量管理模型获取所述混合动力电动汽车在实际行驶过程中的状态信息，并根据所述状态信息建立所述混合动力电动汽车对应的多目标优化模型；所述状态信息包括车辆燃油消耗、CO排放量、HC排放量及NOx排放量；其中，所述多目标优化模型为：
其中，n为设计变量的个数；ο代表目标函数的数据量；m代表不等式约束的个数；p代表等式约束的个数；代表第i个不等式约束；/>代表第i个等式约束；[Lbi,Ubi]表示第i个变量的上限及下限；F(x)表示目标函数集；f(x)表示不同的目标函数；所述xi表示优化参数；
所述多目标优化模型还包括：
其中，QFuel(x)、QCO(x)、QHC(x)和QNO(x)分别代表了燃油消耗、CO及HC和NOx的排放量；
以所述多目标优化模型中的状态信息为优化目标，基于MOSMA算法对所述混合动力电动汽车的能量管理模型进行多目标优化。
2.如权利要求1所述的一种混合动力电动汽车能量管理优化方法，其特征在于，所述MOSMA算法包括：
其中，所述为黏菌的逼近行为；所述/>是取值范围为[-a,a]的参数、/>为取值范围为[-b,b]的参数、t表示当前迭代次数，/>表示目前发现的气味浓度最高的个体位置，表示黏菌当前的位置，/>和/>表示黏菌中随机抽取的两个个体，/>表示黏菌的权重系数；
所述p的公式为：
p＝tanh(S(i)-DF)
其中i∈1,2,...,n、S(i)代表适应度、DF表示所有迭代中获得的最佳适应度；
的公式为：
的公式为：
b＝1-i/Max_iter
的公式为：
SmellIndex＝sort(S)
其中，condition表示S(i)排在总体的前一半、r表示区间[0,1]内的随机值、Max_t为最大迭代次数、Max_iter为第i次迭代次数、bF表示当前迭代过程中获得的最优适应度、wF表示当前迭代过程中获得的最差适应度，SmellIndex表示适应度值排序的顺序；
所述MOSMA算法还包括精英非支配排序和保持多样性的拥挤度距离机制，所述拥挤度距离的计算公式为：
其中，和/>分为第j个目标函数上边界和下边界。
3.如权利要求1所述的一种混合动力电动汽车能量管理优化方法，其特征在于，所述MOSMA算法的步骤，包括：
步骤1，初始化所述MOSMA算法对应的种群的大小、最大迭代次数及迭代值，并在可行搜索空间区域中初始化黏菌的位置生成父代种群；
步骤2，根据所述父代种群中的各个黏菌对所述多目标优化模型中的目标函数进行计算，并利用基于精英的NDR和CD找出每一个黏菌对应的非支配排序和Pareto前沿，并计算出每个前沿的拥挤距离；
步骤3，计算当前迭代过程中的最优适应度值及最差适应度值，并根据所述最优适应度值及最差适应度值计算所述每一个黏菌分别对应的权重系数；
步骤4，更新迭代过程中获得的最佳适应度及相对应的振动参数，产生新的黏菌位置，进而根据所述新的黏菌位置获得新的子代种群；
步骤5，根据所述子代种群中的各个黏菌对所述多目标优化模型中的目标函数进行计算，并将所述子代种群与所述父代种群合并，获得第一种群；
步骤6，对所述第一种群的目标空间向量的每个目标函数进行评价，通过所述基于精英的NDR和CD对所述第一种群进行个体筛选，获得第二种群，并更新当前迭代值为所述迭代值加1；
步骤7，比较所述当前迭代值与预设的最大迭代值，当所述当前迭代值大于或等于所述最大迭代值时，输出所述第二种群；若所述当前迭代值小于所述最大迭代值时，则转到步骤3。
4.一种混合动力电动汽车能量管理优化系统，其特征在于，包括模型初始化模块、优化目标确定模块及能量管理优化模块；
所述模型初始化模块用于根据预设的约束条件确定待优化的参数数据，并根据所述参数数据初始化混合动力电动汽车对应的能量管理模型；其中，所述模型初始化模块包括约束条件单元、数据获取单元及模型初始单元；所述约束条件单元用于以所述混合动力电动汽车的动力性能及电池荷电状态作为所述约束条件；所述动力性能包括加速性能、最高车速及最大爬坡度；所述电池荷电状态为所述混合动力电动汽车的电池的荷电状态的初始状态与终止状态的差值；所述数据获取单元用于根据所述约束条件及所述混合动力电力汽车中所述动力性能与所述电池荷电状态对应的制约规则，确定待优化的参数数据；所述参数数据包括参数及所述参数对应的取值范围；所述参数包括发动机功率、电动机功率系数、蓄电池的荷电状态的上限值及下限值、主传动比和蓄电池的模块数；所述模型初始单元用于根据所述参数数据，通过预设的电动汽车仿真软件初始化并获得所述混合动力电动汽车对应的能量管理模型；
所述优化目标确定模块用于根据所述能量管理模型获取所述混合动力电动汽车在实际行驶过程中的状态信息，并根据所述状态信息建立所述混合动力电动汽车对应的多目标优化模型；所述状态信息包括车辆燃油消耗、CO排放量、HC排放量及NOx排放量；其中，所述多目标优化模型为：
其中，n为设计变量的个数；ο代表目标函数的数据量；m代表不等式约束的个数；p代表等式约束的个数；代表第i个不等式约束；/>代表第i个等式约束；[Lbi,Ubi]表示第i个变量的上限及下限；F(x)表示目标函数集；f(x)表示不同的目标函数；所述xi表示优化参数；
所述多目标优化模型还包括：
其中，QFuel(x)、QCO(x)、QHC(x)和QNO(x)分别代表了燃油消耗、CO及HC和NOx的排放量；
所述能量管理优化模块用于以所述多目标优化模型中的状态信息为优化目标，基于MOSMA算法对所述混合动力电动汽车的能量管理模型进行多目标优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310970425.4A CN117002472B (zh) | 2023-08-02 | 2023-08-02 | 一种混合动力电动汽车能量管理优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310970425.4A CN117002472B (zh) | 2023-08-02 | 2023-08-02 | 一种混合动力电动汽车能量管理优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117002472A CN117002472A (zh) | 2023-11-07 |
| CN117002472B true CN117002472B (zh) | 2024-04-19 |
Family
ID=88570563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310970425.4A Active CN117002472B (zh) | 2023-08-02 | 2023-08-02 | 一种混合动力电动汽车能量管理优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117002472B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105035076A (zh) * | 2014-04-17 | 2015-11-11 | 帕洛阿尔托研究中心公司 | 用于具有高混合度的混合动力车辆的控制系统 |
| CN105365599A (zh) * | 2014-08-19 | 2016-03-02 | 通用电气公司 | 具有能量存储系统的车辆推进系统和控制其操作的优化方法 |
| CN111079230A (zh) * | 2019-08-21 | 2020-04-28 | 南昌工程学院 | 一种基于nsga-ii的插电式混合动力汽车动力传动系统参数多目标优化方法 |
| CN115284973A (zh) * | 2022-09-05 | 2022-11-04 | 湖南大学 | 基于改进多目标Double DQN的燃料电池汽车能量管理方法 |
| CN115564139A (zh) * | 2022-10-31 | 2023-01-03 | 淮阴工学院 | 基于能值评估的能源系统运行状态优化方法及装置 |
-
2023
- 2023-08-02 CN CN202310970425.4A patent/CN117002472B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105035076A (zh) * | 2014-04-17 | 2015-11-11 | 帕洛阿尔托研究中心公司 | 用于具有高混合度的混合动力车辆的控制系统 |
| CN105365599A (zh) * | 2014-08-19 | 2016-03-02 | 通用电气公司 | 具有能量存储系统的车辆推进系统和控制其操作的优化方法 |
| CN111079230A (zh) * | 2019-08-21 | 2020-04-28 | 南昌工程学院 | 一种基于nsga-ii的插电式混合动力汽车动力传动系统参数多目标优化方法 |
| CN115284973A (zh) * | 2022-09-05 | 2022-11-04 | 湖南大学 | 基于改进多目标Double DQN的燃料电池汽车能量管理方法 |
| CN115564139A (zh) * | 2022-10-31 | 2023-01-03 | 淮阴工学院 | 基于能值评估的能源系统运行状态优化方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117002472A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | A review of power management strategies and component sizing methods for hybrid vehicles | |
| Enang et al. | Modelling and control of hybrid electric vehicles (A comprehensive review) | |
| Yang et al. | A stochastic predictive energy management strategy for plug-in hybrid electric vehicles based on fast rolling optimization | |
| Chen et al. | Optimal energy management of a hybrid electric powertrain system using improved particle swarm optimization | |
| CN107688343B (zh) | 一种混合动力车辆的能量控制方法 | |
| CN108528436B (zh) | 一种内外层嵌套的ecms多目标双层优化方法 | |
| Lin et al. | Blending gear shift strategy design and comparison study for a battery electric city bus with AMT | |
| CN107516107A (zh) | 一种混合动力车辆的行驶工况分类预测方法 | |
| Reddy et al. | Meta-heuristics optimization in electric vehicles-an extensive review | |
| 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 | |
| WO2022257377A1 (zh) | 一种基于模糊神经网络的自动换挡控制方法 | |
| Mozaffari et al. | Multi-objective component sizing of a power-split plug-in hybrid electric vehicle powertrain using Pareto-based natural optimization machines | |
| Shen et al. | Two-level energy control strategy based on ADP and A-ECMS for series hybrid electric vehicles | |
| Montazeri-Gh et al. | Intelligent approach for parallel HEV control strategy based on driving cycles | |
| Zhu et al. | A comprehensive review of energy management strategies for hybrid electric vehicles | |
| Vignesh et al. | Intelligent energy management through neuro-fuzzy based adaptive ECMS approach for an optimal battery utilization in plugin parallel hybrid electric vehicle | |
| Chen et al. | A deep reinforcement learning-based approach to intelligent powertrain control for automated vehicles | |
| CN117002472B (zh) | 一种混合动力电动汽车能量管理优化方法及系统 | |
| Dorri et al. | Design and optimization of a new control strategy in a parallel hybrid electric vehicle in order to improve fuel economy | |
| Wu et al. | Multi-objective reinforcement learning-based energy management for fuel cell vehicles considering lifecycle costs | |
| Donateo et al. | A two-step optimisation method for the preliminary design of a hybrid electric vehicle | |
| Sarioglu et al. | Optimum design of a fuel-cell powertrain based on multiple design criteria | |
| Taghavipour et al. | Control‐relevant parameter estimation application to a model‐based PHEV power management system | |
| CN110641470A (zh) | 一种融合驾驶员偏好的纯电动汽车驾驶辅助系统优化方法 | |
| CN113997925B (zh) | 一种插电式混合动力系统能量管理方法 |
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 |