CN117734664B - 一种动力汽车的预测等效消耗最小化能量管理方法及系统 - Google Patents
一种动力汽车的预测等效消耗最小化能量管理方法及系统 Download PDFInfo
- Publication number
- CN117734664B CN117734664B CN202311778083.2A CN202311778083A CN117734664B CN 117734664 B CN117734664 B CN 117734664B CN 202311778083 A CN202311778083 A CN 202311778083A CN 117734664 B CN117734664 B CN 117734664B
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- hybrid electric
- equivalent
- predicted
- problem model
- 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 52
- 230000014509 gene expression Effects 0.000 claims description 47
- 238000007726 management method Methods 0.000 claims description 44
- 239000000446 fuel Substances 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 33
- 230000005540 biological transmission Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000020411 cell activation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种动力汽车的预测等效消耗最小化能量管理方法及系统,该方法包括:根据混合动力汽车驱动系统结构,构建传动系控制导向模型和电池组内部功率状态更新方程;基于传动系控制导向模型和电池组内部功率状态更新方程,构建预测等效消耗最小策略问题模型;确定预测等效消耗最小策略问题模型的等效因子的最小有效边界;进行迭代求解,得到最优等效因子;代入至预测等效消耗最小策略问题模型,得到预测等效消耗最小化能量管理控制命令。本发明能够提高混合动力汽车的等效因子的计算效率和稳定性。本发明作为一种动力汽车的预测等效消耗最小化能量管理方法及系统,可广泛应用于动力汽车能量管理技术领域。
Description
技术领域
本发明涉及动力汽车能量管理技术领域,尤其涉及一种动力汽车的预测等效消耗最小化能量管理方法及系统。
背景技术
预测等效消耗最小策略(Predictive Equivalent Consumption MinimizationStrategy,PECMS)可以通过结合未来短期工况速度信息,超前调节控制命令,从而实现理想的能量管理效果。其主要根据未来短期工况信息,以油耗最小或运营成本等性能的最小化为目标,在满足传动系功率部件使用约束及电池电荷状态(State of Charge,SOC)参考轨迹的前提下,选定合适的等效因子(Equivalent Factor,EF),通过优化未来一段预测时域的各哈密尔顿方程,获得最优的控制序列,并以第一个控制命令为输出。当EF给定时,所获得的控制序列是固定的,因此,PECMS最优EF的实时精确估计是有效提升整车经济性的关键因素之一。
然而,目前仍面临以下两方面的不足:
1)目前PECMS普遍以预测时域终端时刻的SOC参考值及预测的SOC值偏差最小化为基准,采用优化算法进行迭代并获得最优EF。由于哈密尔顿方程最小化问题需要考虑传动系电池、发动机等部件的转速、功率等约束,所以EF仅能在一定区间内对控制命令进行调节,即存在EF有效调节边界。通过实时计算EF有效边界并在其区间内进行EF在线整定,有利于提升整定效率与精度。但存在的EF有效边界计算方法仅适用于燃油消耗最小化的能量管理问题,仍缺乏通用化EF有效边界计算方法。
2)由于EF的在线整定需要反复进行“控制序列优化-状态预测-SOC偏差比对”的迭代,其计算效率与整定精度受整定方法的影响。目前,普遍采用的方法主要有二分法及启发式优化算法。二分法的迭代效率有待提升;启发式优化算法的初始化过程中,其候选解采用随机的方式生成,计算效率不稳定,且将引入算法本身的计算负担,EF在线整定的实时性难以保证。
发明内容
为了解决上述技术问题,本发明的目的是提供一种动力汽车的预测等效消耗最小化能量管理方法及系统,能够提高混合动力汽车的等效因子的计算效率和稳定性。
本发明所采用的第一技术方案是:一种动力汽车的预测等效消耗最小化能量管理方法,包括以下步骤:
根据混合动力汽车驱动系统结构,构建混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程;
基于混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程,结合哈密尔顿方程,构建混合动力汽车的预测等效消耗最小策略问题模型;
基于混合动力汽车的预测等效消耗最小策略问题模型,确定混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
定义等效因子整定问题,基于混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行迭代求解,得到混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子;
将混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子代入至混合动力汽车的预测等效消耗最小策略问题模型,得到预测等效消耗最小化能量管理控制命令。
进一步,所述根据混合动力汽车驱动系统结构,构建混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程这一步骤,其具体包括:
根据混合动力汽车驱动系统结构,确定混合动力汽车的发动机需求功率和混合动力汽车的发电机输出功率;
根据混合动力汽车的发动机需求功率和混合动力汽车的发电机输出功率,确定混合动力汽车的能量流关系;
根据混合动力汽车驱动系统结构,选取一阶内阻等效模型,确定混合动力汽车的电池组一阶内阻模型关系式和混合动力汽车的电池组内部功率状态更新方程;
定义混合动力汽车的单体电池的电荷容量损失的最小阈值,构建混合动力汽车的电池组寿命模型表达式;
整合混合动力汽车的发动机需求功率、混合动力汽车的能量流关系、混合动力汽车的电池组一阶内阻模型关系式和混合动力汽车的电池组寿命模型表达式,得到混合动力汽车传动系控制导向模型。
进一步,所述基于混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程,结合哈密尔顿方程,构建混合动力汽车的预测等效消耗最小策略问题模型这一步骤,其具体包括:
基于混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程,确定混合动力汽车的燃油成本、混合动力汽车的电量成本以及混合动力汽车的电池组寿命;
根据混合动力汽车的燃油成本、混合动力汽车的电量成本以及混合动力汽车的电池组寿命,构建初步的混合动力汽车的预测控制能量管理问题模型;
基于混合动力汽车的预测控制能量管理问题模型,引入预测时域终端时刻的电池电荷状态约束和混合动力汽车的电池功率统一控制约束,得到混合动力汽车的预测控制能量管理问题模型;
结合哈密尔顿方程,对混合动力汽车的预测控制能量管理问题模型进行转换处理,得到混合动力汽车的预测等效消耗最小策略问题模型。
进一步,所述混合动力汽车的预测等效消耗最小策略问题模型的表达式具体如下所示:
上式中,u*(·)表示混合动力汽车的预测等效消耗最小策略问题模型,to表示当前控制时刻,k表示预测时域内的时间索引,H(·)表示哈密尔顿方程,Pbatinmin_unified表示关于电池内部功率的统一约束下界,Pbatin表示电池内部功率,Pbatinmax_unified表示关于电池内部功率的统一约束上界,x(·)表示状态量,sEF(·)表示等效因子,u(·)表示控制量。
进一步,所述基于混合动力汽车的预测等效消耗最小策略问题模型,确定混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界这一步骤,其具体包括:
对混合动力汽车的预测等效消耗最小策略问题模型中的哈密尔顿方程进行转换处理,得到一般形式的哈密尔顿方程;
考虑电池功率的等效消耗增益系数,计算一般形式的哈密尔顿方程的最小化问题,得到预测等效消耗最小策略问题模型的等效因子的最大下界与预测等效消耗最小策略问题模型的等效因子的最小上界;
整合预测等效消耗最小策略问题模型的等效因子的最大下界与预测等效消耗最小策略问题模型的等效因子的最小上界,得到初步的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
引入修正系数对初步的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行修正处理,得到修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
考虑预测时域内所有哈密尔顿方程的等效因子边界,对修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行做并集操作处理,得到混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界。
进一步,所述混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界的表达式具体如下所示:
sEFmin_pre=min[sEFmin(to),sEFmin(to+1),...,sEFmin(to+Np-1)]
sEFmax_pre=max[sEFmax(to),sEFmax(to+1),...,sEFmax(to+Np-1)]
上式中,sEFmin_pre表示混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小上界,sEFmax_pre表示混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最大下界,sEFmin(·)表示修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小上界,sEFmax(·)表示修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最大下界,to、to+1、to+Np-1表示对应的预测时域。
进一步,所述定义等效因子整定问题,基于混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行迭代求解,得到混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子这一步骤,其具体包括:
定义等效因子整定问题,预先设定混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界的范围值对等效因子整定问题进行筛选,选取满足优化迭代的等效因子整定问题情形,得到筛选后的等效因子整定问题,所述等效因子整定问题情形包括单调递增情形、单调递减情形和凸二次情形;
通过黄金分割算法,结合混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界对筛选后的等效因子整定问题进行迭代求解,得到混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子。
本发明所采用的第二技术方案是:一种动力汽车的预测等效消耗最小化能量管理系统,包括:
第一模块,用于根据混合动力汽车驱动系统结构,构建混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程;
第二模块,用于基于混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程,结合哈密尔顿方程,构建混合动力汽车的预测等效消耗最小策略问题模型;
第三模块,用于基于混合动力汽车的预测等效消耗最小策略问题模型,确定混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
第四模块,用于定义等效因子整定问题,基于混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行迭代求解,得到混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子;
第五模块,用于将混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子代入至混合动力汽车的预测等效消耗最小策略问题模型,得到预测等效消耗最小化能量管理控制命令。
本发明方法及系统的有益效果是:本发明根据混合动力汽车驱动系统结构,构建混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程,考虑了混合动力汽车的能量供需关系,为混合动力汽车的预测等效消耗最小策略的设计提供模型支撑;基于混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程,结合哈密尔顿方程,构建混合动力汽车的预测等效消耗最小策略问题模型,考虑了混合动力汽车的能力成本约束问题,并减少控制中的约束个数,简化控制复杂度,进一步提高等效因子计算的效率;基于混合动力汽车的预测等效消耗最小策略问题模型,确定混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;定义等效因子整定问题,基于混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行迭代求解,得到混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子,提出通用化EF有效边界计算方法与高效EF在线整定方法不仅适用于传统燃油消耗最小问题,且适用于其他如运营成本最小化等能量管理问题及不同的混合的动力车辆构型,且对于为满足误差要求的不进行迭代计算,进一步有效节省计算资源;将混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子代入至混合动力汽车的预测等效消耗最小策略问题模型,得到预测等效消耗最小化能量管理控制命令。
附图说明
图1是本发明一种动力汽车的预测等效消耗最小化能量管理方法的步骤流程图;
图2是本发明一种动力汽车的预测等效消耗最小化能量管理系统的结构框图;
图3是本发明具体实施例混合动力车辆驱动系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1,本发明提供了一种动力汽车的预测等效消耗最小化能量管理方法,该方法包括以下步骤:
S1、根据混合动力汽车驱动系统结构,构建混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程;
需要说明的是,一些实施例中,步骤S1可以包括步骤S11-S15:
S11、根据混合动力汽车驱动系统结构,确定混合动力汽车的发动机需求功率和混合动力汽车的发电机输出功率;
一些具体实施例中,如图3所示,为本发明实施例采用的发动机-锂电池串联式混合动力车辆驱动系统示意图,主要包括发动机、发电机、电池、逆变器、驱动电机、主减速器差速器及车轮。发动机输出机械功率,经发电机转化为电功率,经逆变器与电池输出功率耦合,至驱动电机。驱动电机输出功率经主减速器差速器、传动轴至车轮,进而驱动车辆。
进一步,根据发动机-锂电池串联式混合动力车辆驱动系统,确定混合动力汽车的发动机需求功率Po,其表达式表示为:
上式中,Po表示混合动力汽车的发动机需求功率,m表示混合动力汽车的质量,vo表示混合动力汽车的速度,g表示重力加速度,f、θ、δ和Cd分别为滚动阻力系数、路面坡度、车轮旋转质量转换系数及控制阻力系数,A和ρair分别表示迎风面积和空气密度。
进一步,确定混合动力汽车的发电机输出功率,其表达式为:
上式中,Pmot表示混合动力汽车的发电机输出功率,ηmot(·)表示发电机效率,Tmot和ωmot分别表示发电机力矩与转速,ωo为车轮转速;
需要说明的是,发电机力矩的表达式为:
上式中,igr表示电机到驱动轴的传动比,ωo为车轮转速;
发电机的转速的表达式为:
ωmot=ωoigr
混合动力汽车的车轮转速的表达式:
上式中,rw为轮胎有效半径。
S12、根据混合动力汽车的发动机需求功率和混合动力汽车的发电机输出功率,确定混合动力汽车的能量流关系;
一些具体实施例中,根据混合动力汽车的发动机需求功率和混合动力汽车的发电机输出功率,可以确定混合动力汽车的驱动系统功率平衡关系的表达式为:
Pgen+Pbatout-Pacc=Pmot
上式中,Pbatout表示混合动力汽车的电池组的输出功率,Pgen表示混合动力汽车的发电机的输出功率,Pacc表示车载娱乐设备、空调等负载功率。
进一步,根据混合动力汽车的驱动系统功率平衡关系确定混合动力汽车的能量流关系,其表达式为:
上式中,表示发动机的燃油消耗率,Peng表示发动机的功率,Teng表示发动机的力矩,ωgen表示发动机的转速,ηgen(·)表示发电机效率,/>表示关于发动机力矩与转速的燃油消耗率的计算关系,一般为标定的插值表,Pgen表示发电机的输出功率,Pgen表示发电机的力矩,ωgen表示发电机的转速。
进一步,为简化控制复杂度,使用发动机最优工作曲线(Optimal Operationalline,OOL)将关于Teng和ωeng的二自由度转化为仅关于Peng的一自由度关系。选用关于Peng和ωeng的OOL曲线,其关系为混合动力汽车的能量流关系表达式中的和Peng可表示为:
上式中,表示OOL曲线。
S13、根据混合动力汽车驱动系统结构,选取一阶内阻等效模型,确定混合动力汽车的电池组一阶内阻模型关系式和混合动力汽车的电池组内部功率状态更新方程;
一些具体实施例中,电池模型选用一阶内阻等效模型,则混合动力汽车的电池组一阶内阻模型关系式为:
上式中,SOC表示当前电池SOC值,Qbat表示电池电荷容量(单位安时),Pbatin表示电池内部功率,Ut和Ibat分别表示电池终端电压和电池电流。Uo和Ro分别表示电池开路电压与内阻。其电池充放电效率可表示为1-(IbatRo)/Uo。
由混合动力汽车的电池组一阶内阻模型关系式可知,电池电流Ibat=Pbatin/Uo。
本发明实施例选用Pbatin为控制量,因此混合动力汽车的电池组内部功率状态更新方程表示为:
上式中,x=SOC表示状态量,u=Pbatin表示控制量,w=Pmot表示外部输入,可根据当前/未来工况的速度与加速度信息由混合动力汽车的发动机需求功率的表达式和混合动力汽车的发电机输出功率的表达式计算得到。
S14、定义混合动力汽车的单体电池的电荷容量损失的最小阈值,构建混合动力汽车的电池组寿命模型表达式;
一些具体实施例中,在电池寿命模型构建方面,存在标定法、关系式拟合与参数匹配等多种方法,由于本发明不依赖具体的电池寿命模型表达式,此处以一种常规的电池寿命模型进行讲解。定义单体电池的电荷容量损失为:
上式中,M(·)表示预指数因子,ccell表示电池单体放电倍率,Ea(ccell)=31700-370.3ccell表示电池单体激活能量,z表示功率系数,Rc表示理想气体常数,δcell表示电池温度,Ah(·)表示电池电荷通量。
定义20%电池电荷容量损失时电池报废,有如下表达式:
上式中,Ahtot(·)表示达到“电池报废”所对应的电池总电荷通量,δbat表示电池组温度;
则电池寿命状态(State of Charge,SOH),即电池老化的百分比速率为:
上式中,表示电池老化的百分比速率,nparaller表示电池组的并联个数。
S15、整合混合动力汽车的发动机需求功率、混合动力汽车的能量流关系、混合动力汽车的电池组一阶内阻模型关系式和混合动力汽车的电池组寿命模型表达式,得到混合动力汽车传动系控制导向模型。
S2、基于混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程,结合哈密尔顿方程,构建混合动力汽车的预测等效消耗最小策略问题模型;
需要说明的是,一些实施例中,步骤S2可以包括步骤S21-S24:
S21、基于混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程,确定混合动力汽车的燃油成本、混合动力汽车的电量成本以及混合动力汽车的电池组寿命;
S22、根据混合动力汽车的燃油成本、混合动力汽车的电量成本以及混合动力汽车的电池组寿命,构建初步的混合动力汽车的预测控制能量管理问题模型;
一些具体实施例中,预测控制能量管理问题建立如下:
上式中,to表示当前控制时刻,Np表示预测时域长度。Cfuel、Cele和Cbat分别为燃油成本、电量成本及电池寿命老化等效成本;
其中,对于燃油成本、电量成本及电池寿命老化等效成本的各自变化速率分别计算如下所示:
上式中,pfuel、pele及pbat分别表示油价、电池组价格及电价。
为实现电池SOC参考的有效跟随,以预测时域的终端SOC及参考值间的误差为约束,构建预测时域终端时刻SOC误差范围阈值,表示为:
|SOC(to+Np-1)-SOCref(to+Np-1)|≤etol
上式中,etol表示一个小的系数,SOC(to+Np-1)表示预测时域终端时刻(to+Np-1时刻)反馈的SOC值,SOCref(to+Np-1)表示预测时域终端时刻(to+Np-1时刻)的SOC参考值。
需要说明的是,为简化表达,将SOC(to+Np-1)写作SOCend_pre,将SOCref(to+Np-1写作SOCref_end_pre。
S23、基于混合动力汽车的预测控制能量管理问题模型,引入预测时域终端时刻的电池电荷状态约束和混合动力汽车的电池功率统一控制约束,得到混合动力汽车的预测控制能量管理问题模型;
一些具体实施例中,除上述终端约束外,该预测控制问题还需满足控制量约束。此处,使用以下关于电池功率的统一约束,其表达式为:
Pbatinmin_unified≤Pbatin≤Pbatinmax_unified
上式中,Pengmax和Ibatmin分别为电池电流上限与下限,Pengmax和Pbatinmin分别为发动机最大功率与发动机最小功率,Pbatinmin_unified表示关于电池内部功率的统一约束下界,Pbatinmax_unified表示关于电池内部功率的统一约束上界,Uo表示电池开路电压,Ro表示电池开路内阻。
需要说明的是,电池功率的统一约束表达式中的发电机效率ηgen分别为,给定Pengmax和Pengmin时,通过混合动力汽车的能量流关系表达式及OOL关系式计算的值。
S24、结合哈密尔顿方程,对混合动力汽车的预测控制能量管理问题模型进行转换处理,得到混合动力汽车的预测等效消耗最小策略问题模型。
一些具体实施例中,通过将控制命令约束在上述统一约束,能有效满足传动系中的发动机功率、发动机力矩、发动机转速、发电机功率、发电机力矩、发电机转速、电池电流约束等要求,即上述电池功率的统一约束的表达式涵盖了该预测控制问题中所需的所有约束,也即电池功率的统一约束的表达式为所有约束可行域的交集(最小可行域)。
根据预测控制能量管理问题表达式、预测时域终端时刻SOC误差范围阈值表达式和电池功率的统一约束表达式,可建立如下运营成本最优PECMS问题模型,如下所示:
上式中,u*(·)表示混合动力汽车的预测等效消耗最小策略问题模型,to表示当前控制时刻,k表示预测时域内的时间索引,H(·)表示哈密尔顿方程,Pbatinmin_unified表示关于电池内部功率的统一约束下界,Pbatin表示电池内部功率,Pbatinmax_unified表示关于电池内部功率的统一约束上界,x(·)表示状态量,sEF(·)表示等效因子,u(·)表示控制量。
同时满足预测时域终端时刻SOC误差范围阈值的表达式,即哈密尔顿方程H(·)可以写作如下所示形式:
上式中,sEF表示EF即等效因子,k=0,...,Np-1表示预测时域内的时间索引。
在上述运营成本最优PECMS问题模型中,给定某EF,对当前时刻至预测时域终端时刻(即k=0,...,Np-1)依次求解各时刻的哈密尔顿最小化问题,可获得预测时域内的最优控制序列,输出序列中的第一个控制量作为当前控制命令。
如上所述,当EF给定时,优化预测时域内各时刻的哈密尔顿方程,得到的电池功率命令序列是固定的,也即,根据混合动力汽车的电池组内部功率状态更新方程所计算的预测时域终端时刻SOCend_pre是固定的。因此,PECMS的主要任务是,获得最优的EF,令|SOCend_pre-SOCref_end_pre|≤etol,同时获得最优的电池功率命令。
S3、基于混合动力汽车的预测等效消耗最小策略问题模型,确定混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
需要说明的是,一些实施例中,步骤S3可以包括步骤S31-S35:
其中,基于电池功率的统一约束表达式中的电池功率命令统一约束(传动系所有约束的交集,即最小可行域),计算EF的最小有效边界。在第四步EF在线整定中,在该有效边界内进行EF的整定,提升整定效率与准度。本发明提出一种通用化的EF有效边界计算方法。
S31、对混合动力汽车的预测等效消耗最小策略问题模型中的哈密尔顿方程进行转换处理,得到一般形式的哈密尔顿方程;
一些具体实施例中,本发明的EF有效边界是通用化的,不仅适用于所选示例(运营成本最小化问题),而且使用于其他控制目标,此处将哈密尔顿方程写成一般形式,得到一般形式的哈密尔顿方程,其表达式为:
H=L(Pbatin)+sEF×εPbatin
上式中,L(Pbatin)表示控制目标,ε表示关于电池功率的等效消耗增益系数。
在本实施例中,
S32、考虑电池功率的等效消耗增益系数,计算一般形式的哈密尔顿方程的最小化问题,得到预测等效消耗最小策略问题模型的等效因子的最大下界与预测等效消耗最小策略问题模型的等效因子的最小上界;
S33、整合预测等效消耗最小策略问题模型的等效因子的最大下界与预测等效消耗最小策略问题模型的等效因子的最小上界,得到初步的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
一些具体实施例中,当EF等于边界时,通过计算哈密尔顿方程最小化问题minH=H(Pbatinmin_unified,sEFmax)优化得出的命令必然在边界上,即为其命令的上界Pbatinmax_unified或下界Pbatinmin_unified,即有以下情况:
(1)当给定的等效因子EF为其上界,在控制量可行域[Pbatinmin_unified,Pbatinmax_unified]内,哈密尔顿方程最小化问题的解应为控制量可行域的下界值,且该哈密尔顿方程值小于控制量可行域内其它点所对应的哈密尔顿方程值;
(2)当给定的等效因子EF为其下界,在控制量可行域[Pbainmin_unified,Pbatinmax_unified]内,哈密尔顿方程最小化问题的解应为控制量可行域的上界值,且该哈密尔顿方程值小于控制量可行域内其它点所对应的哈密尔顿方程值。
根据这两种情形且定义ε=1/ε,代入一般形式的哈密尔顿方程,分别有:
(1)当给定的等效因子EF为其上界,哈密尔顿方程最小化问题的解应为控制量可行域的上界值,且该哈密尔顿方程值小于控制量可行域内其它点所对应的哈密尔顿方程值,代入一般形式的哈密尔顿方程,有,在控制量可行域[Pbatinmin_unified,Pbatinmax_unified]内,等效因子EF的上界其中/>
(2)当给定的等效因子EF为其下界,哈密尔顿方程最小化问题的解应为控制量可行域的上界值,且该哈密尔顿方程值小于控制量可行域内其它点所对应的哈密尔顿方程值,代入一般形式的哈密尔顿方程,有,在控制量可行域[Pbatinmin_unified,Pbatinmax_unified]内,等效因子EF的下界其中/>
定义两个集合和 可知,当/>取到inf(S1)时,/>恒成立;当取到sup(S2)时,恒成立。
即等效因子EF有效边界的通用化表达式为:
sEFmax=ε×inf(S1)
sEFmin=ε×sup(S2)
上式中,inf(·)和sup(·)分别为下确界(最大下界)和上确界(最小上界)。
S34、引入修正系数对初步的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行修正处理,得到修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
一些具体实施例中,考虑在数值运算中,计算误差不可避免,为令实时计算的EF有效边界满足使用要求,引入一个较小的修正系数ρ,适当放大所使用的EF边界,即得到修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界,其表达式具体如下所示:
SEFmax=ε×inf(S1)+ρ
SEFmin=ε×sup(S2)-ρ
该ρ值对于一般控制目标,可取0至10-1数量级的系数,具体根据控制问题、基于经验确定。
在行驶过程中,哈密尔顿方程与实时反馈的SOC、需求功率或车速、坡度与加速度(混合动力汽车的发动机需求功率的表达式)有关。因此,在上述边界的在线计算过程中,可预先设定SOC网格以及需求功率或车速、坡度与加速度网格,使用遍历法,对不同网格值下的哈密尔顿方程进行inf(S1)和sup(S2)的计算,并将其保存为插值表,以在线应用。
S35、考虑预测时域内所有哈密尔顿方程的等效因子边界,对修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行做并集操作处理,得到混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界。
一些具体实施例中,此外,需要指出,上述修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界为单个哈密尔顿方程的EF边界。在PECMS的预测时域中,不同时刻均有一个哈密尔顿方程。为此,在PECMS中,为简化控制复杂度,整个预测时域可选用一个EF系数。因此,该EF的有效边界应取预测时域内所有哈密尔顿方程EF边界的并集。PECMS的EF边界可表示如下:
sEFmin_pre=min[sEFmin(to),sEFmin(to+1),...,sEFmin(to+Np-1)]
sEFmax_pre=max[sEFmax(to),sEFmax(to+1),...,sEFmax(to+Np-1)]
上式中,sEFmin_pre和sEFmax_pre分别表示PECMS中使用的EF下界与上界。
S4、定义等效因子整定问题,基于混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行迭代求解,得到混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子;
需要说明的是,一些实施例中,步骤S4可以包括步骤S41-S42:
S41、定义等效因子整定问题,预先设定混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界的范围值对等效因子整定问题进行筛选,选取满足优化迭代的等效因子整定问题情形,得到筛选后的等效因子整定问题,所述等效因子整定问题情形包括单调递增情形、单调递减情形和凸二次情形;
一些具体实施例中,结合步骤S2中的EF整定要求|SOCend_pre-SOCref_end_pre|≤etol。定义等效因子整定问题,其表达式为:
上式中,sEF_pre*表示等效因子整定问题,JEF表示预测时域终端时刻的SOC值与参考值偏差的平方和,也即是等效因子整定问题的目标方程,sEFmin_pre表示PECMS中使用的EF下界,sEF_pre表示PECMS策略中所使用的等效因子,即该整定问题中的待优化变量,sEFmax_pre表示PECMS中使用的EF上界。
其中JEF=(SOCend_pre-SOCref_end_pre)2,且计算误差终止条件为JEF≤etol 2。对于上述问题,JEF的数值在EF有效区域[sEFmin_pre,sEFmax_pre]内,存在三种情形:
情形1:JEF近似单调递增:在待优化变量EF处于[sEFmin_pre,sEFmax_pre]范围内,JEF近似单调递减,此时JEF将不可能小于等于etol 2,即不可能满足计算终止条件为JEF≤etol 2。
情形2:JEF近似单调递减:在待优化变量EF处于[sEFmin_pre,sEFmax_pre]范围内,JEF近似单调递减,此时JEF将不可能小于等于etol 2,即不可能满足计算终止条件为JEF≤etol 2。
情形3:JEF为凸二次的:在待优化变量EF处于[SEFmin_pre,SEFmin_pre]范围内,JEF为凸二次的,此时JEF可以十分接近0、能小于等于etol 2,即,若合适调节EF,可满足计算终止条件为JEF≤etol 2。
因此,在等效因子整定问题中,可预先代入EF边界值,看JEF是否仍然大于etol 2,若是,则说明,不管怎么整定EF都无法满足计算误差终止条件JEF≤etol 2,此时可令EF等于边界值;若否,则说明JEF在待优化变量EF的[SEFmin_pre,sEFmax_pre]范围内是凸二次的,可进行EF的迭代优化。
另外,考虑对于连续一段时间的控制而言,EF的频繁变化不利于控制命令的平滑性,因此,可将上一时刻计算的EF值代入当前时刻EF整定问题中,若其仍能满足要求,则直接选取该值。
上述将预先代入EF边界,判断目标函数值是否仍不满足计算终止条件以及考虑控制命令的平滑性,将上一时刻计算的EF值代入当前时刻EF整定问题中,若其仍能满足计算终止条件,则直接选取该值,整定结束的设计有利于节省计算资源、提升整定效率,避免无效EF整定。
对于JEF凸二次情形的EF整定,采用黄金分割法进行迭代计算。该方法十分适用于凸二次单峰函数最小化问题,计算效率高;且其每次迭代仅取可行域内的0.618与0.382比例的两个候选解,不会引入过多的迭代算法固有计算量。
S42、通过黄金分割算法,结合混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界对筛选后的等效因子整定问题进行迭代求解,得到混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子。
一些具体实施例中,步骤1):先使用上一时刻的EF进行当前时刻的计算,若满足计算误差终止条件,则直接使用上一时刻的EF并转至步骤5)进行输出,节省计算资源、提升计算效率;若不满足,则至步骤2)。
步骤2):使用EF有效边界的下界进行计算,若使用EF下界,预测时域终端时刻的SOC大于参考值加etol,令最优等效因子为EF有效边界的下界并转至步骤5)进行输出;否则,使用EF的上界进行预测时域终端时刻的SOC的计算,若该值小于参考值减etol,令最优等效因子为EF有效边界的上界转至步骤5)进行输出。
若上述情形不成立,则转至步骤3)。
步骤3):设置黄金分割法中EF的优化范围,若上一时刻使用的EF在当前时刻EF边界范围内,直接使用步骤1)中计算的预测时域终端时刻的SOC进行判断,若该SOC值大于参考值加etol,以上一时刻使用的EF作为黄金分割法中的待优化变量上限,待优化变量的下限使用EF边界的下限,这样,(较直接使用EF有效边界)进一步缩小优化范围;否则,若该SOC值小于参考值减etol,以上一时刻使用的EF作为黄金分割法中的待优化变量下限,待优化变量的上限使用EF边界的上限,这样,(较直接使用EF有效边界)进一步缩小优化范围。若上一时刻使用的EF不在当前时刻EF边界范围内,直接使用EF有效边界作为黄金分割法的优化范围,转至步骤4)。
步骤4):根据步骤3)定义的优化范围、给定最大迭代次数,用黄金分割法对EF进行优化并获得最优的等效因子,转至步骤5)。其中,黄金分割法的跳出条件为迭代次数大于最大迭代次数或达到了计算误差终止条件。
步骤5):输出最优EF。
需要指出,如表1所示,在步骤1)和2)中,JEF分别计算1次与2次,且在黄金分割法的计算中,每次迭代仅选取2个两个候选解进行JEF的计算。因此,通过所设计的EF在线整定方法,最多仅需计算1+2+2kmax次JEF。这意味着,本方法将不会如随机优化算法等引入太多算法本身的固有计算负担,有利于提升计算效率。
此外,在本步骤中,所涉及的SOCend_pre与JEF的计算简要介绍如下:
(1)给定某EF,即sEF_pre,计算PECMS预测时域中各哈密尔顿方程最小化问题,获得预测时域内的电池命令控制序列;
(2)基于当前反馈的SOC及上述优化的电池命令需求,使用混合动力汽车的电池组内部功率状态更新方程获得预测时域终端时刻的SOC值,即SOCend_pre。代入定义的JEF=(SOCend_pre-SOCref_end_pre)2可得JEF值。
S5、将混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子代入至混合动力汽车的预测等效消耗最小策略问题模型,得到预测等效消耗最小化能量管理控制命令。
在本实施例中,根据步骤S4计算得出的最优EFsEF_pre *即混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子,将其代入当前时刻的哈密尔顿方程即步骤S2中的混合动力汽车的预测等效消耗最小策略问题模型中的哈密尔顿方程中,计算哈密尔顿方程最小时的电池功率命令,将该命令输入至传动系统中,实现当前控制时刻的能量管理。
综上所述,本发明实施例首先建立传动系控制导向模型,主要是为控制策略的设计提供模型支撑。包括发动机燃油消耗率、需求功率-功率单元能量流关系、电池一阶内阻模型、电池寿命模型等关系式,同时写出电池SOC更新的状态方程。进一步建立PECMS问题,以运营成本最小化为目标,以统一边界为不等式约束,以预测时域内终端时刻SOC与参考值之间的偏差小于某阈值为约束,考虑电池SOC更新的状态方程,写出预测控制问题,并将其转化为PECMS问题,进而进行EF有效边界的推导与实时计算,根据哈密尔顿方程最小化问题,推导EF有效边界的关系式;实际使用时,基于预先标定的插值表,可实时计算EF有效边界,其次进行EF的在线整定方法,以EF为待优化变量,以获得的EF边界为优化范围,以预测时域终端SOC与参考值最小化为目标,设计高效EF在线整定方法,获得最优EF,最后为最优电池功率命令的计算,基于获得的最优EF,求解当前时刻的哈密尔顿方程,获得满足约束的最优电池功率控制命令,并将其输出至车辆传动系中实现能量管理。
需要说明的是,本发明具体实施例与以往描述不同,首先是提出了一种关于电池功率的车辆传动系统一约束表达式,能有效满足传动系中的发动机功率、发动机力矩、发动机转速、发电机功率、发电机力矩、发电机转速、电池电流约束等要求,即该表达式涵盖了能量管理问题中所需的所有约束,也即电池功率的统一约束为所有约束可行域的交集(最小可行域)。可减少控制中的约束个数,简化控制复杂度。其次是提出的通用化EF有效边界计算方法与高效EF在线整定方法不仅适用于传统燃油消耗最小问题,且适用于其他如运营成本最小化等能量管理问题及不同的混合的动力车辆构型(如串联、混联、并联等)。最后是设计的高效EF在线整定方法使用EF有效边界值及上一时刻EF进行预测时域终端SOC的计算,若终端SOC值在许可范围内或判定调节EF无法满足许可误差要求,则不进行EF迭代计算,有效节省计算资源;在迭代计算方面,以终端SOC与参考值的二次平方为目标方程,在EF有效边界内采用黄金分割法进行优化,具有简洁、计算效率高的特点,易于算法调试及工程应用,在PECMS能量管理过程中,根据未来工况信息、反馈的SOC及SOC参考值,通过通用化EF有效边界计算方法与高效EF在线整定方法实时获得最优EF。基于该EF,求解当前时刻哈密尔顿方程,获得控制命令。
进一步,需要说明的是,本发明实施例方法不仅适用于传统燃油消耗最小问题,且适用于其他如运营成本最小化等能量管理问题;同时,适用于所有插电式/非插电式混合动力车辆。本发明具体实施例仅是选取发动机-锂电池串联式混合动力车辆运营成本最小化能量管理问题为例进行描述。
参照图2,一种动力汽车的预测等效消耗最小化能量管理系统,包括:
第一模块,用于根据混合动力汽车驱动系统结构,构建混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程;
第二模块,用于基于混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程,结合哈密尔顿方程,构建混合动力汽车的预测等效消耗最小策略问题模型;
第三模块,用于基于混合动力汽车的预测等效消耗最小策略问题模型,确定混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
第四模块,用于定义等效因子整定问题,基于混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行迭代求解,得到混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子;
第五模块,用于将混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子代入至混合动力汽车的预测等效消耗最小策略问题模型,得到预测等效消耗最小化能量管理控制命令。
上述方法实施例中的内容均适用于本系统实施例中,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实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种动力汽车的预测等效消耗最小化能量管理方法,其特征在于,包括以下步骤:
根据混合动力汽车驱动系统结构,构建混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程;
基于混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程,确定混合动力汽车的燃油成本、混合动力汽车的电量成本以及混合动力汽车的电池组寿命;
根据混合动力汽车的燃油成本、混合动力汽车的电量成本以及混合动力汽车的电池组寿命,构建初步的混合动力汽车的预测控制能量管理问题模型;
基于混合动力汽车的预测控制能量管理问题模型,引入预测时域终端时刻的电池电荷状态约束和混合动力汽车的电池功率统一控制约束,得到混合动力汽车的预测控制能量管理问题模型;
结合哈密尔顿方程,对混合动力汽车的预测控制能量管理问题模型进行转换处理,得到混合动力汽车的预测等效消耗最小策略问题模型;
对混合动力汽车的预测等效消耗最小策略问题模型中的哈密尔顿方程进行转换处理,得到一般形式的哈密尔顿方程;
考虑电池功率的等效消耗增益系数,计算一般形式的哈密尔顿方程的最小化问题,得到预测等效消耗最小策略问题模型的等效因子的最大下界与预测等效消耗最小策略问题模型的等效因子的最小上界;
整合预测等效消耗最小策略问题模型的等效因子的最大下界与预测等效消耗最小策略问题模型的等效因子的最小上界,得到初步的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
引入修正系数对初步的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行修正处理,得到修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
考虑预测时域内所有哈密尔顿方程的等效因子边界,对修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行做并集操作处理,得到混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
定义等效因子整定问题,基于混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行迭代求解,得到混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子;
将混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子代入至混合动力汽车的预测等效消耗最小策略问题模型,得到预测等效消耗最小化能量管理控制命令。
2.根据权利要求1所述一种动力汽车的预测等效消耗最小化能量管理方法,其特征在于,所述根据混合动力汽车驱动系统结构,构建混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程这一步骤,其具体包括:
根据混合动力汽车驱动系统结构,确定混合动力汽车的发动机需求功率和混合动力汽车的发电机输出功率;
根据混合动力汽车的发动机需求功率和混合动力汽车的发电机输出功率,确定混合动力汽车的能量流关系;
根据混合动力汽车驱动系统结构,选取一阶内阻等效模型,确定混合动力汽车的电池组一阶内阻模型关系式和混合动力汽车的电池组内部功率状态更新方程;
定义混合动力汽车的单体电池的电荷容量损失的最小阈值,构建混合动力汽车的电池组寿命模型表达式;
整合混合动力汽车的发动机需求功率、混合动力汽车的能量流关系、混合动力汽车的电池组一阶内阻模型关系式和混合动力汽车的电池组寿命模型表达式,得到混合动力汽车传动系控制导向模型。
3.根据权利要求2所述一种动力汽车的预测等效消耗最小化能量管理方法,其特征在于,所述混合动力汽车的预测等效消耗最小策略问题模型的表达式具体如下所示:
;
上式中,表示混合动力汽车的预测等效消耗最小策略问题模型,/>表示当前控制时刻,/>表示预测时域内的时间索引,/>表示哈密尔顿方程,/>表示关于电池内部功率的统一约束下界,/>表示电池内部功率,/>表示关于电池内部功率的统一约束上界,/>表示状态量,/>表示等效因子,/>表示控制量。
4.根据权利要求3所述一种动力汽车的预测等效消耗最小化能量管理方法,其特征在于,所述混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界的表达式具体如下所示:
;
上式中,表示混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小上界,/>表示混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最大下界,/>表示修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小上界,/>表示修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最大下界,/>表示对应的预测时域。
5.根据权利要求4所述一种动力汽车的预测等效消耗最小化能量管理方法,其特征在于,所述定义等效因子整定问题,基于混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行迭代求解,得到混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子这一步骤,其具体包括:
定义等效因子整定问题,预先设定混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界的范围值对等效因子整定问题进行筛选,选取满足优化迭代的等效因子整定问题情形,得到筛选后的等效因子整定问题;
通过黄金分割算法,结合混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界对筛选后的等效因子整定问题进行迭代求解,得到混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子。
6.一种动力汽车的预测等效消耗最小化能量管理系统,其特征在于,包括以下模块:
第一模块,用于根据混合动力汽车驱动系统结构,构建混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程;
第二模块,用于基于混合动力汽车传动系控制导向模型和混合动力汽车的电池组内部功率状态更新方程,确定混合动力汽车的燃油成本、混合动力汽车的电量成本以及混合动力汽车的电池组寿命;
根据混合动力汽车的燃油成本、混合动力汽车的电量成本以及混合动力汽车的电池组寿命,构建初步的混合动力汽车的预测控制能量管理问题模型;
基于混合动力汽车的预测控制能量管理问题模型,引入预测时域终端时刻的电池电荷状态约束和混合动力汽车的电池功率统一控制约束,得到混合动力汽车的预测控制能量管理问题模型;
结合哈密尔顿方程,对混合动力汽车的预测控制能量管理问题模型进行转换处理,得到混合动力汽车的预测等效消耗最小策略问题模型;
第三模块,用于对混合动力汽车的预测等效消耗最小策略问题模型中的哈密尔顿方程进行转换处理,得到一般形式的哈密尔顿方程;
考虑电池功率的等效消耗增益系数,计算一般形式的哈密尔顿方程的最小化问题,得到预测等效消耗最小策略问题模型的等效因子的最大下界与预测等效消耗最小策略问题模型的等效因子的最小上界;
整合预测等效消耗最小策略问题模型的等效因子的最大下界与预测等效消耗最小策略问题模型的等效因子的最小上界,得到初步的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
引入修正系数对初步的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行修正处理,得到修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
考虑预测时域内所有哈密尔顿方程的等效因子边界,对修正后的混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行做并集操作处理,得到混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界;
第四模块,用于定义等效因子整定问题,基于混合动力汽车的预测等效消耗最小策略问题模型的等效因子的最小有效边界进行迭代求解,得到混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子;
第五模块,用于将混合动力汽车的预测等效消耗最小策略问题模型的最优等效因子代入至混合动力汽车的预测等效消耗最小策略问题模型,得到预测等效消耗最小化能量管理控制命令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311778083.2A CN117734664B (zh) | 2023-12-22 | 2023-12-22 | 一种动力汽车的预测等效消耗最小化能量管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311778083.2A CN117734664B (zh) | 2023-12-22 | 2023-12-22 | 一种动力汽车的预测等效消耗最小化能量管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117734664A CN117734664A (zh) | 2024-03-22 |
CN117734664B true CN117734664B (zh) | 2024-05-28 |
Family
ID=90260562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311778083.2A Active CN117734664B (zh) | 2023-12-22 | 2023-12-22 | 一种动力汽车的预测等效消耗最小化能量管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117734664B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3153369A1 (fr) * | 2015-10-05 | 2017-04-12 | Renault S.A.S. | Procede de determination des plages d'utilisation d'une batterie de traction |
CN108909702A (zh) * | 2018-08-23 | 2018-11-30 | 北京理工大学 | 一种插电式混合动力汽车能量管理方法及系统 |
WO2019011533A1 (de) * | 2017-07-13 | 2019-01-17 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum betreiben eines hybridfahrzeugs |
WO2019122565A1 (fr) * | 2017-12-18 | 2019-06-27 | Renault S.A.S. | Procédé de pilotage d'un dispositif de modulation de tension utilisé dans un groupe motopropulseur hybride de véhicule automobile |
DE102019105665A1 (de) * | 2019-03-06 | 2020-09-10 | Technische Universität Dresden | Regelvorrichtung und Verfahren zum Regeln eines Antriebssystems eines Hybridfahrzeugs |
CN112677956A (zh) * | 2020-12-31 | 2021-04-20 | 吉林大学 | 一种考虑电池寿命的行星混联式混动车实时优化控制方法 |
CN113753019A (zh) * | 2020-06-04 | 2021-12-07 | 广州汽车集团股份有限公司 | 一种混动车辆动力部件控制方法及系统 |
CN116238475A (zh) * | 2023-02-17 | 2023-06-09 | 佛山科学技术学院 | 一种车辆自适应预测能量管理方法、计算机设备和存储介质 |
-
2023
- 2023-12-22 CN CN202311778083.2A patent/CN117734664B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3153369A1 (fr) * | 2015-10-05 | 2017-04-12 | Renault S.A.S. | Procede de determination des plages d'utilisation d'une batterie de traction |
WO2019011533A1 (de) * | 2017-07-13 | 2019-01-17 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum betreiben eines hybridfahrzeugs |
WO2019122565A1 (fr) * | 2017-12-18 | 2019-06-27 | Renault S.A.S. | Procédé de pilotage d'un dispositif de modulation de tension utilisé dans un groupe motopropulseur hybride de véhicule automobile |
CN108909702A (zh) * | 2018-08-23 | 2018-11-30 | 北京理工大学 | 一种插电式混合动力汽车能量管理方法及系统 |
DE102019105665A1 (de) * | 2019-03-06 | 2020-09-10 | Technische Universität Dresden | Regelvorrichtung und Verfahren zum Regeln eines Antriebssystems eines Hybridfahrzeugs |
CN113753019A (zh) * | 2020-06-04 | 2021-12-07 | 广州汽车集团股份有限公司 | 一种混动车辆动力部件控制方法及系统 |
CN112677956A (zh) * | 2020-12-31 | 2021-04-20 | 吉林大学 | 一种考虑电池寿命的行星混联式混动车实时优化控制方法 |
CN116238475A (zh) * | 2023-02-17 | 2023-06-09 | 佛山科学技术学院 | 一种车辆自适应预测能量管理方法、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
基于工况预测的插电式混合动力汽车能量管理策略研究;郭宁远;中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑(月刊);20190115;第13-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117734664A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11332120B2 (en) | Method of energy management and computer system for energy management | |
Ebbesen et al. | Battery state-of-health perceptive energy management for hybrid electric vehicles | |
WO2013031491A1 (ja) | ハイブリッド車両の制御装置 | |
JP5284560B2 (ja) | レドックスフロー電池システムの運転方法 | |
CN105459844A (zh) | 一种增程式电动汽车多模式能量管理方法 | |
CN110549914B (zh) | 一种燃料电池有轨电车日运行近似最优能量管理方法 | |
CN112677956B (zh) | 一种考虑电池寿命的行星混联式混动车实时优化控制方法 | |
CN113085860B (zh) | 一种跟车环境下的燃料电池混合动力汽车的能量管理方法 | |
WO2023020083A1 (en) | A method for adaptative real-time optimization of a power or torque split in a vehicle | |
Ferrara et al. | Energy management of heavy-duty fuel cell electric vehicles: Model predictive control for fuel consumption and lifetime optimization | |
US20050119813A1 (en) | Method and device for the coordinated control of mechanical, electrical and thermal power flows in a motor vehicle | |
CN115476841A (zh) | 一种基于改进多目标ddpg的插电式混动汽车能量管理方法 | |
Ouddah et al. | Hybrid energy management strategy based on fuzzy logic and optimal control for tri-actuated powertrain system | |
Shi et al. | Model Predictive Control for Nonlinear Energy Management of a Power Split Hybrid Electric Vehicle. | |
CN117734664B (zh) | 一种动力汽车的预测等效消耗最小化能量管理方法及系统 | |
Deng et al. | Optimal online energy management strategy of a fuel cell hybrid bus via reinforcement learning | |
JP6969580B2 (ja) | ハイブリッド車両の動力分配制御プログラム及びハイブリッド車両 | |
Gong et al. | Energy Management for a DM-i Plug-in Hybrid Electric Vehicle via Continuous-Discrete Reinforcement Learning | |
CN110194179B (zh) | 一种串联式混合动力电动汽车动力模式的确定系统 | |
CN116394803A (zh) | 一种考虑速度优化的混合燃料电池车辆功率优化控制方法 | |
CN114291067B (zh) | 基于预测的混合动力汽车凸优化能量控制方法及系统 | |
CN116409216A (zh) | 基于预测的非线性模型控制的燃料电池汽车能量管理方法 | |
CN109849897B (zh) | 一种考虑耦合传动系统动态效率的混合动力能量管理方法 | |
CN116278992A (zh) | 一种融合信息物理系统的燃料电池汽车能量管理方法 | |
Planté et al. | Interest and method to evaluate the evolution of the DC bus voltage in a hybrid system during the preliminary design by 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 |