CN117698689A - 一种基于时变场景的混动汽车能量利用轨迹规划方法 - Google Patents

Abstract

本发明涉及混动汽车能量利用轨迹规划领域，公开了一种基于时变场景的混动汽车能量利用轨迹规划方法。包括：设定驾驶行程路线并识别驾驶场景，按充电优先级对最小道路单元进行充放电属性标记；获得驾驶行程路线的全局电池SoC状态序列；通过ADAS V2地图信息实时预测电池SoC状态变化轨迹；基于摄像头与雷达感知信息，确定混动汽车工作模式；确定全局电池SoC状态序列的有效性，若有效，则继续沿用；若无效，则基于时变场景重新生成全局电池SoC状态序列。本发明通过不同信息感知方式综合利用未来驾驶场景信息，分层分道路节点对混动汽车能量利用轨迹进行合理规划，能够为混动系统工作模式和功率分配选择提供新的信息决策量。

Description

一种基于时变场景的混动汽车能量利用轨迹规划方法

技术领域

本发明涉及混动汽车能量利用轨迹规划领域，特别是涉及一种基于时变场景的混动汽车能量利用轨迹规划方法。

背景技术

随着智能感知和网联通信技术的快速发展，混合动力汽车获取未来驾驶场景信息成为可能。如果能够对未来全局驾驶工况进行精准预测，即可获取全局最优的能量利用轨迹，进而，混动系统如果与全局能量规划的功率分配方式保持一致，则能实现全局能量利用最优，上述情况为混动汽车实现全局能量利用最优的理想流程。然而，由于驾驶场景的时变性和驾驶意图的不确定性，目前，并未有足够全面的信息获取手段和预测方法对未来驾驶场景进行精准预测。同时，随着剩余驾驶行驶里程的缩短，历史行程中所预测的驾驶工况与实际驾驶工况一定会存在不一致的情况，已消耗的能量也无法重新再回到初始状态，所预测能量利用轨迹的有效性也需要重新确定。因此，考虑时变驾驶场景对混动汽车能量利用轨迹进行合理规划是十分必要的。

目前，混合动力汽车采用的能量利用方式均为电量耗尽和电量维持模式，当电池电量大于一定阈值时，现有规则策略不考虑驾驶工况与混动系统工作模式的适配性，混动系统均采用纯电驱动工作模式；当电池电量达到所设定阈值时，再启用发动机工作，并维持电池电量在一定范围内。因此，现有基于规则的能量管理策略工况适应性差，也未充分考虑未来驾驶场景对工作模式和功率分配方式的影响，如何确定符合混动系统工作的全局能量利用轨迹是本发明的重点。

进一步，目前能够获取未来驾驶场景信息的方式主要包括车机导航地图、ADAS v2地图、摄像头与雷达环境感知传感器，其对应获取的信息视域由驾驶全程至驾驶前方100m的环境信息，且信息视域越长，获取信息越受时变场景的影响。其中，车机导航地图仅能获取未来驾驶行程的拥堵程度和拥堵长度，且拥堵程度和长度随着时间变化而变化，是需要重点考虑的驾驶场景时变信息；ADAS v2的信息视域为2-3km范围，其可以获取实时拥堵信息、道路类型与限速、道路坡度和弯道曲率等道路细节信息，直接影响混动汽车的扭矩需求；摄像头与雷达环境感知传感器仅能获取驾驶前方100m内的环境信息，能够有效预测驾驶人的速度改变意图。因此，利用上述信息感知方式对全局能量利用轨迹进行规划，本发明将综合不同信息方式并考虑时变场景的影响，合理确定电池电量在不同驾驶场景下的目标节点和能量利用轨迹。

发明内容

针对现有技术中的不足，本发明提出一种基于时变场景的混动汽车能量利用轨迹规划方法，首先，设定驾驶行程路线并识别驾驶场景，按充电优先级对最小道路单元进行充放电属性标记；确定各关键道路节点的电池SoC可达空间范围，并获得驾驶行程路线的全局电池SoC状态序列；通过ADAS V2地图信息实时预测电池SoC状态变化轨迹；基于摄像头与雷达感知信息，以及所述电池SoC状态变化轨迹，确定混动汽车工作模式；确定能量利用目标轨迹的有效性，若有效，则继续沿用能量利用目标轨迹；若无效，则基于时变场景重新生成能量利用目标轨迹。本发明通过不同信息感知方式综合利用未来驾驶场景信息，分层分道路节点对混动汽车能量利用轨迹进行合理规划，能够为混动系统工作模式和功率分配选择提供新的信息决策量。

本发明的技术方案具体如下：

一种基于时变场景的混动汽车能量利用轨迹规划方法，包括以下步骤：

步骤1、设定驾驶行程路线并识别驾驶场景，按充电优先级对最小道路单元进行充放电属性标记；

步骤2、确定各关键道路节点的电池SoC可达空间范围，并获得驾驶行程路线的全局电池SoC状态序列；

步骤3、通过ADAS V2地图信息实时预测电池SoC状态变化轨迹；

步骤4、基于摄像头与雷达感知信息，以及所述电池SoC状态变化轨迹，确定混动汽车工作模式；

步骤5、以混动汽车实时位置之前的连续10个最小道路单元组成电池SoC评估单元，计算所述连续10个最小道路单元末端位置的电池SOC实际状态值与步骤2所得全局电池SoC状态序列的差值，进而确定全局电池SoC状态序列的有效性，若有效，则继续沿用所述全局电池SoC状态序列；若无效，则基于时变场景重新生成全局电池SoC状态序列。

优选的，所述步骤1具体包括：

步骤1-1、设定驾驶行程路线，从中获取出发地、目的地以及所涉及的静动态场景信息；

步骤1-2、基于所述静动态场景信息，设置并确定最小道路单元的最大允许速度影响要素；

步骤1-3、确定各最小道路单元的充放电属性，结合电池初始电量确定电池电量变化的关键道路节点。

优选的，所述步骤1-1中的所述静动态场景信息包括驾驶行程路线长度、驾驶行程路线中不同空间位置对应的道路类型和道路限速、拥堵程度和拥堵路段长度。

优选的，所述道路类型包括高速公路、城市快速路、城市道路三类；道路限速按照10km/h的整数倍进行获取；拥堵程度按照10km/h进行等间隔划分并取10km/h的整数倍，拥堵路段长度处理为100m的整数倍。

优选的，所述步骤1-2具体包括：

将驾驶行程路线划分为多个长度相等的最小道路单元，根据各最小道路单元的道路类型确定对应的最大允许速度。

优选的，所述步骤1-3具体包括：

（1）根据道路类型和拥堵程度将最小道路单元划分为6类，按1-6类分别标记，包括高速公路畅通、城市快速路畅通、城市道路畅通、高速公路拥堵、城市快速路拥堵、城市道路拥堵，上述顺序即为最小道路单元的充电优先级；

（2）结合电池初始电量判断最小道路单元的充放电属性，其中拟合电池剩余电量与行驶里程/>之间的关系，如式（1）所示：

（1）

其中，为电量利用与行驶里程对应拟合系数；

如果电池初始电量能够覆盖驾驶行程路线的行驶里程，则驾驶行程路线全程采用纯电工作模式；

如果电池初始电量不足以覆盖驾驶行程路线的行驶里程，则依据最小道路单元的充电优先级，对最小道路单元的充电进行标记：按照最小道路单元的最大允许速度计算出最大充电能力，然后按照驾驶行程路线顺序和充电优先级，对最小道路单元逐个进行判断，如果最小道路单元按最大充电能力充电后的电池电量仍不能覆盖剩余行驶里程，则将该最小道路单元的充放电属性标记为充电，直至累计至某个最小道路单元按最大充电能力充电后的电池电量能够覆盖剩余行驶里程，将其充放电属性标记为充电，剩余未标记的最小道路单元充放电属性均标记为放电；

（3）将标记完的所有最小道路单元串联，充电和放电最小道路单元的衔接点设定为电池电量变化的关键道路节点。

优选的，所述步骤2具体包括：

步骤2-1、基于各最小道路单元的最大允许速度影响要素确定车速范围和扭矩需求状态；

步骤S2-2、基于各最小道路单元的车速范围和扭矩需求状态确定充电能力范围；

步骤S2-3、确定各关键道路节点的电池SoC可达空间范围，并获取各关键道路节点的目标电池SoC状态值。

优选的，所述步骤3具体包括：

步骤3-1、通过ADAS V2实时获取前方30个最小道路单元的驾驶场景信息，所述驾驶场景信息包括：各最小道路单元末端位置的实时拥堵程度、历史平均速度、道路类型、道路限速、道路坡度和弯道曲率；

步骤3-2、基于步骤3-1中的所述驾驶场景信息，采用数据驱动的神经网络模型预测30个最小道路单元末端位置的车速，构成预测车速序列；

步骤3-3、将所述预测车速序列和步骤2获得的全局电池SoC状态序列输入全局最优能量管理策略，输出电池SoC状态变化轨迹。

优选的，所述步骤4中的所述混动汽车工作模式包括：发动机启机、纯电模式、混动模式、滑行回收模式和制动回收模式。

优选的，所述步骤5中的所述全局电池SoC状态序列的有效性判断依据为：

若连续10个最小道路单元末端位置的电池SOC实际状态值与全局电池SoC状态序列的平均值不大于2%，且至少5个最小道路单元末端位置的电池SOC实际状态值与全局电池SoC状态序列不大于2%，则认为能够有效跟随所述电池SoC状态变化轨迹，否则认为无法有效跟随。

相比于现有技术，本发明的有益效果在于：

（1）本发明充分利用了车机导航地图、ADAS v2地图、摄像头与雷达环境感知传感器等不同信息感知方式获取未来驾驶场景信息，综合未来驾驶场景信息对能量利用目标轨迹进行合理规划和预测。

（2）本发明结合目标混动汽车的工作模式和能力，提出了最小道路单元以判断未来驾驶场景下的速度表现特征和充放电可能性，为电池目标SoC节点设置提供了新的思路。同时，所提出的最小道路单元稀疏了全局能量管理策略的网格节点设置，加快了全局能量管理策略的计算效率。

（3）本发明结合未来驾驶场景信息对能量利用轨迹规划的有效性进行判断，充分考虑了时变场景对能量利用轨迹规划的影响。

（4）本发明确定了符合混动系统工作的能量利用目标轨迹生成方式，充分考虑了近场驾驶场景信息对混动系统工作模式和功率分配方式的影响，为混动系统工作模式和功率分配方式决策引入了新的信息量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图可以更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。

图1是本发明提出的一种基于时变场景的混动汽车能量利用轨迹规划方法的流程图。

图2是车机导航地图获取信息与ADAS V2地图获取信息的空间关系。

图3是最小道路单元充电优先级标识和判断条件。

图4是全局电池SoC状态序列示意图。

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。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，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。

一种基于时变场景的混动汽车能量利用轨迹规划方法，如图1所示，首先，结合车机导航地图信息获取未来驾驶行程路线和不同路段长度对应的拥堵程度，确定驾驶场景关键道路节点的电池电量的可达空间；其次，将前方2-3km的道路信息进行等距划分，结合ADAS V2地图信息预测混动汽车较为准确的功率需求分布，确定每100m长度间隔下的电池目标SoC状态；随后，结合摄像头与雷达环境感知传感器获取前方环境信息，确定每100m长度下的电池SoC利用轨迹；最后，以每100m为一个评估单元网格，对电池实际SoC变化和所规划的电池目标SoC状态进行对比，评估时变场景对能量利用轨迹的影响，当不满足评估条件时即时变场景对能量利用轨迹规划产生影响，重新对能量利用轨迹进行规划。具体而言：

步骤1、设定驾驶行程路线并识别驾驶场景，按充电优先级对最小道路单元进行充放电属性标记。

（1）通过车机导航地图，设定驾驶行程路线，从中获取出发地、目的地以及所涉及的静动态场景信息，如图2所示。

所述静动态场景信息包括驾驶行程路线长度、驾驶行程路线中不同空间位置对应的道路类型和道路限速等静态场景信息，拥堵程度和拥堵路段长度等动态场景信息。

其中，所述道路类型包括高速公路、城市快速路、城市道路三类；道路限速按照10km/h进行获取；拥堵程度按照10km/h进行等间隔划分并取10km/h的整数倍，拥堵路段长度处理为100m的整数倍。

（2）基于所述静动态场景信息，设置并确定最小道路单元的最大允许速度影响要素。

设定某一固定长度道路为一个最小道路单元，以此将驾驶行程路线划分为多个最小道路单元。例如，设置100m的道路为一个最小道路单元。最小道路单元的最大允许速度影响要素与其道路类型相关：高速公路的最大允许速度影响要素为道路限速，城市快速路的最大允许速度影响要素为道路限速和拥堵程度，城市道路的最大允许速度影响要素为拥堵程度。进而确定不同最小道路单元的最大允许速度。例如：判断最小道路单元的属性，道路限速和拥堵程度对应的速度值进行比较，其中允许速度小的即为对应车辆的最大允许速度。

（3）确定各最小道路单元的充放电属性，结合电池初始电量确定电池电量变化的关键道路节点，如图3所示。

a）根据道路类型和拥堵程度将最小道路单元划分为6类，按1-6类分别标记，包括高速公路畅通、城市快速路畅通、城市道路畅通、高速公路拥堵、城市快速路拥堵、城市道路拥堵，上述顺序即为最小道路单元的充电优先级。

b）结合电池初始电量判断最小道路单元的充放电属性，其中拟合电池剩余电量与行驶里程/>之间的关系，如式（1）所示：

（1）

其中，为电量利用与行驶里程对应拟合系数。

如果电池初始电量能够覆盖驾驶行程路线的行驶里程，则驾驶行程路线全程可采用纯电工作模式，电池电量利用参考轨迹线性下降。

如果电池初始电量不足以覆盖驾驶行程路线的行驶里程，则依据最小道路单元的充电优先级，对最小道路单元的充电进行标记。具体为：

按照最小道路单元的最大允许速度计算出最大充电能力，计算过程如式（3）所示。然后按照驾驶行程路线顺序和充电优先级，对最小道路单元逐个进行判断，如果最小道路单元按最大充电能力充电后仍不能覆盖剩余行驶里程，则将该最小道路单元的充放电属性标记为充电，直至累计至某个最小道路单元按最大充电能力充电后的电池电量能够覆盖剩余行驶里程，将其充放电属性标记为充电，剩余未标记的最小道路单元充放电属性均标记为放电。

c）将标记完的所有最小道路单元串联，充电和放电最小道路单元的衔接点设定为电池电量变化的关键道路节点。

步骤2、确定各关键道路节点的电池SoC可达空间范围，并获得驾驶行程路线的全局电池SoC状态序列，如图4所示。

（1）基于各最小道路单元的最大允许速度影响要素确定车速范围和扭矩需求状态。

根据不同道路类型的速度影响因素，选择对应道路限速、拥堵程度作为最小道路单元的允许最大速度，以允许最大速度的75%的速度值作为对应行驶的最小速度。进一步，根据目标混动车型的Pedal map查表确定最大允许车速、最小允许车速对应的扭矩状态。其中，Pedal map受车速和踏板开度两因素影响，预先获取不同车速状态下踏板开度变化的概率分布，通过搜索获取对应最大和最小车速状态下发生概率最大的踏板表现，查表获取对应车速的轮端扭矩需求。

（2）基于各最小道路单元的车速范围和扭矩需求状态确定充电能力范围。

中高速状态（>40km/h）采用并联混动模式，低速状态（<40km/h）采用串联增程模式。依据车速确定混动系统工作模式，依据扭矩需求状态确定对应充电能力范围。

依据扭矩需求状态确定对应充电能力范围方法为：先以满足轮端扭矩需求为边界条件确定对应发动机需提供的扭矩能力，根据轮端扭矩至发动机的速比即可求得，同理，已知车速和发动机至轮端的速比即可获取对应发动机的转速状态。

并联混动模式充电能力判断：如果发动机需提供的扭矩能力小于发动机为满足车速提供的转速条件下发动机BSFC曲线对应的扭矩值，则以发动机BSFC曲线对应的扭矩值为输入条件，其所产生的多余扭矩提供至电机端，对应为最小充电能力；最大充电能力以对应转速条件下发动机所能提供的最大扭矩值为输入条件，其所产生的多余扭矩提供至电机端，对应位最大充电能力。对于并联混动模式的电机扭矩求解如（2）所示。

（2）

其中，为发动机至轮端速比，/>为电机至轮端速比，/>为发动机实际提供的扭矩值，包括可提供最小扭矩值为BSFC曲线对应的扭矩值，对应/>为最小充电能力对应的扭矩值；包括可提供最大扭矩值为对应转速条件下发动机所能提供的最大扭矩值，对应/>为最大充电能力对应的扭矩值。

串联增程模式充电过程与驱动过程解耦，串联增程采用定点充电方式，发动机扭矩状态调节至发动机BSFC曲线进行高效充电，通过发电机与发动机之间速比调整发电机的扭矩状态，其对应的工作状态值即为最大充电能力，对应充电过程如式（3）所示。

（3）

其中，为单位时间内电池电量变化状态，/>为驱动电机转速，/>为电池容量。/>为单位时间，根据最小道路单元对应平均速度/>确定最小道路单元的充电持续时长，即/>100m/v，最大速度和最小速度的均值为平均速度。

进一步，不同道路单元的最小充电能力为最大、最小车速下对应最小充电能力的最小值；不同道路单元的最大充电能力为最大、最小车速下对应最大充电能力的最大值。

（3）确定各关键道路节点的电池SoC可达空间范围，并获取各关键道路节点的目标电池SoC状态值。

如果最小道路单元为放电场景，则采用纯电工作模式进行放电。如果最小道路单元为充电场景，则根据上述步骤确定的不同道路单元最小充电能力和最大充电能力对应值，逐个对不同道路单元求解电池SoC的累计可达状态。即当前道路单元的最小充电能力值连接下一道路单元的最小充电能力值，当前道路单元的最大充电能力值连接下一道路单元的最大充电能力值。同时，取最小充电能力和最大充电能力的均值作为该道路节点的目标SoC状态值。进一步，将不同道路节点的电池SoC状态值进行线性插值拟合，获得驾驶行程全局电池SoC状态序列。

步骤3、通过ADAS V2地图信息实时预测电池SoC状态变化轨迹。

相比于车机导航地图，ADAS V2能够获取前方3km范围内更为准确的驾驶场景信息；由于其所对应的最小道路单元数目最大为30个，如图2所示，进而将空间域下的速度状态转换为时间域下的速度状态，通过全局最优能量管理方法确定电池SoC状态变化轨迹。

（1）通过ADAS V2实时获取前方30个最小道路单元的驾驶场景信息，所述驾驶场景信息包括：各最小道路单元末端位置的实时拥堵程度、历史平均速度（即ADAS地图内部存储不同位置的速度数据，并自动计算对应空间位置过去24小时的平均速度）、道路类型、道路限速、道路坡度和弯道曲率。

（2）基于所述驾驶场景信息，采用数据驱动的神经网络模型预测30个最小道路单元末端位置的车速，构成预测车速序列。

根据ADAS V2所能提供的信息类型训练高精度的速度预测模型，速度预测模型可采用RNN、LSTM、LSTM+Attention、Transform等基于数据驱动的神经网络模型，并输出前方道路各最小道路单元末端位置的预测速度序列。进而将空间域下对应的速度状态转换为时间域下的速度状态，对应时间域的速度状态与空间域速度保持一致，转换过程如式（4）所示，进而按时间顺序串联输出ADAS V2视距范围内的速度预测序列。

（4）

其中，为在100m空间长度下以/>行驶的持续时间。

（3）将所述预测车速序列和步骤2获得的全局电池SoC状态序列输入全局最优能量管理策略，输出电池SoC状态变化轨迹。

基于ADAS V2所预测的3km的空间域长度（即30个最小道路单元），以最后一个最小道路单元末端位置在步骤2所获取的全局电池SoC状态序列下搜索对应的目标SoC状态值，确定为ADAS V2所预测空间域结束位置的电池目标SoC。

其中，全局最优能量管理策略采用动态规划算法，输入所预测的ADAS V2视距下3km下的时间域预测车速序列，电池起始SoC，电池目标SoC，输出为ADAS V2所预测3km内的电池SoC状态变化轨迹。

步骤4、基于摄像头与雷达感知信息，以及所述电池SoC状态变化轨迹，确定混动汽车工作模式。

摄像头与雷达能够获取驾驶前方100m内的环境信息，即所设定一个最小道路单元的静动态信息，包括与前车距离、前车速度信息。同时，能够结合驾驶操作特征数据有效预判驾驶人的加速、减速等速度改变意图 变化曲线。

其中，通过采用LSTM模型预测在100m内的自车车速变化曲线，LSTM模型需通过提前获取大量的输入和输出数据进行模型训练，输入数据包括自车与前车距离、前车速度、自车车速、自车实时加速/制动踏板开度，输出数据为未来100m内的车速变化曲线。

结合步骤3所输出ADAS V2所预测3km内的电池SoC状态变化轨迹，匹配能够实现SoC目标轨迹高效跟随的混动系统工作模式，包括发动机启机、纯电模式、混动模式、滑行回收模式和制动回收模式的合理选择。

其中，匹配能够实现SoC轨迹高效跟随的混动系统工作模式采用滞回变化的规则跟随方法，其输入量为自车车速、踏板开度、电池实际SoC、电池SoC目标值，输出量为混动系统工作模式。当电池SoC实际状态值大于电池SoC目标值，则采用纯电模式进行放电，当电池SoC实际状态值小于电池SoC目标值时，则采用串联增程模式或并联混动模式进行充电。电池SoC实际状态值和电池SoC目标值之间的差值阈值需通过实车试验进行标定获取。

步骤5、以混动汽车实时位置之前的连续10个最小道路单元组成电池SoC评估单元，计算所述连续10个最小道路单元末端位置的电池SOC实际状态值与步骤2所得全局电池SoC状态序列的差值，进而确定全局电池SoC状态序列的有效性，若有效，则继续沿用所述全局电池SoC状态序列；若无效，则基于时变场景重新生成所述全局电池SoC状态序列。

所述能量利用目标轨迹的有效性判断依据为：

若连续10个最小道路单元末端位置的电池SOC实际状态值与全局电池SoC状态序列的差值的平均值不大于2%，且至少5个最小道路单元末端位置的电池SOC实际状态值与全局电池SoC状态序列的差值不大于2%，则认为能够有效跟随所述电池SoC状态变化轨迹，否则认为无法有效跟随。

所述基于时变场景重新生成全局电池SoC状态序列具体为：

通过判断剩余驾驶行程下的最小道路单元是否因时变场景而产生新的充电场景，如果产生新的充电场景且产生的最小道路单元数目超过10个时，则执行方案一，否则执行方案二；

方案一，不考虑历史驾驶场景以及历史全局电池SoC状态序列对剩余驾驶行程的影响，对剩余驾驶行程执行步骤1至步骤5。

方案二，考虑历史驾驶场景信息以及历史全局电池SoC状态序列对剩余驾驶行程的影响，通过暂停能量利用轨迹跟随模式，采用发动机介入的工作模式，在满足轮端扭矩的前提下，提高发动机扭矩能力，将多余扭矩提供至电机进行充电，直至电池实际SoC状态值与历史全局电池SoC状态序列的差值缩小在到0.5%以内，则再次启用能量利用轨迹跟随模式。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、 “上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本发明中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于时变场景的混动汽车能量利用轨迹规划方法，其特征在于，包括以下步骤：

步骤1、设定驾驶行程路线并识别驾驶场景，按充电优先级对最小道路单元进行充放电属性标记；

步骤2、确定各关键道路节点的电池SoC可达空间范围，并获得驾驶行程路线的全局电池SoC状态序列；

步骤3、通过ADAS V2地图信息实时预测电池SoC状态变化轨迹；

步骤4、基于摄像头与雷达感知信息，以及所述电池SoC状态变化轨迹，确定混动汽车工作模式；

步骤5、以混动汽车实时位置之前的连续10个最小道路单元组成电池SoC评估单元，计算所述连续10个最小道路单元末端位置的电池SOC实际状态值与步骤2所得全局电池SoC状态序列的差值，进而确定全局电池SoC状态序列的有效性，若有效，则继续沿用所述全局电池SoC状态序列；若无效，则基于时变场景重新生成全局电池SoC状态序列。

2.根据权利要求1所述的混动汽车能量利用轨迹规划方法，其特征在于，所述步骤1具体包括：

步骤1-1、设定驾驶行程路线，从中获取出发地、目的地以及所涉及的静动态场景信息；

步骤1-2、基于所述静动态场景信息，设置并确定最小道路单元的最大允许速度影响要素；

步骤1-3、确定各最小道路单元的充放电属性，结合电池初始电量确定电池电量变化的关键道路节点。

3.根据权利要求2所述的混动汽车能量利用轨迹规划方法，其特征在于，所述步骤1-1中的所述静动态场景信息包括驾驶行程路线长度、驾驶行程路线中不同空间位置对应的道路类型和道路限速、拥堵程度和拥堵路段长度。

4.根据权利要求3所述的混动汽车能量利用轨迹规划方法，其特征在于，所述道路类型包括高速公路、城市快速路、城市道路三类；道路限速按照10km/h进行获取；拥堵程度按照10km/h进行等间隔划分并取10km/h的整数倍，拥堵路段长度处理为100m的整数倍。

5.根据权利要求4所述的混动汽车能量利用轨迹规划方法，其特征在于，所述步骤1-2具体包括：

将驾驶行程路线划分为多个长度相等的最小道路单元，根据各最小道路单元的道路类型确定对应的最大允许速度。

6.根据权利要求5所述的混动汽车能量利用轨迹规划方法，其特征在于，所述步骤1-3具体包括：

（1）根据道路类型和拥堵程度将最小道路单元划分为6类，按1-6类分别标记，包括高速公路畅通、城市快速路畅通、城市道路畅通、高速公路拥堵、城市快速路拥堵、城市道路拥堵，上述顺序即为最小道路单元的充电优先级；

（2）结合电池初始电量判断最小道路单元的充放电属性，其中拟合电池剩余电量与行驶里程/>之间的关系，如式（1）所示：

（1）

其中，为电量利用与行驶里程对应拟合系数；

如果电池初始电量能够覆盖驾驶行程路线的行驶里程，则驾驶行程路线全程采用纯电工作模式；

如果电池初始电量不足以覆盖驾驶行程路线的行驶里程，则依据最小道路单元的充电优先级，对最小道路单元的充电进行标记：按照最小道路单元的最大允许速度计算出最大充电能力，然后按照驾驶行程路线顺序和充电优先级，对最小道路单元逐个进行判断，如果最小道路单元按最大充电能力充电后仍不能覆盖剩余行驶里程，则将该最小道路单元的充放电属性标记为充电，直至累计至某个最小道路单元按最大充电能力充电后的电池电量能够覆盖剩余行驶里程，将其充放电属性标记为充电，剩余未标记的最小道路单元充放电属性均标记为放电；

（3）将标记完的所有最小道路单元串联，充电和放电最小道路单元的衔接点设定为电池电量变化的关键道路节点。

7.根据权利要求6所述的混动汽车能量利用轨迹规划方法，其特征在于，所述步骤2具体包括：

步骤2-1、基于各最小道路单元的最大允许速度影响要素确定车速范围和扭矩需求状态；

步骤S2-2、基于各最小道路单元的车速范围和扭矩需求状态确定充电能力范围；

步骤S2-3、确定各关键道路节点的电池SoC可达空间范围，并获取各关键道路节点的目标电池SoC状态值。

8.根据权利要求7所述的混动汽车能量利用轨迹规划方法，其特征在于，所述步骤3具体包括：

步骤3-1、通过ADAS V2实时获取前方30个最小道路单元的驾驶场景信息，所述驾驶场景信息包括：各最小道路单元末端位置的实时拥堵程度、历史平均速度、道路类型、道路限速、道路坡度和弯道曲率；

步骤3-2、基于步骤3-1中的所述驾驶场景信息，采用数据驱动的神经网络模型预测30个最小道路单元末端位置的车速，构成预测车速序列；

步骤3-3、将所述预测车速序列和步骤2获得的全局电池SoC状态序列输入全局最优能量管理策略，输出电池SoC状态变化轨迹。

9.根据权利要求1所述的混动汽车能量利用轨迹规划方法，其特征在于，所述步骤4中的所述混动汽车工作模式包括：发动机启机、纯电模式、混动模式、滑行回收模式和制动回收模式。

10.根据权利要求8所述的混动汽车能量利用轨迹规划方法，其特征在于，所述步骤5中的所述全局电池SoC状态序列的有效性判断依据为：

若连续10个最小道路单元末端位置的电池SOC实际状态值与全局电池SoC状态序列的差值的平均值不大于2%，且至少5个最小道路单元末端位置的电池SOC实际状态值与全局电池SoC状态序列的差值不大于2%，则认为能够有效跟随所述电池SoC状态变化轨迹，否则认为无法有效跟随。