CN117901724A - 一种纯电动汽车热管理系统控制方法、系统及设备 - Google Patents
一种纯电动汽车热管理系统控制方法、系统及设备 Download PDFInfo
- Publication number
- CN117901724A CN117901724A CN202410309195.1A CN202410309195A CN117901724A CN 117901724 A CN117901724 A CN 117901724A CN 202410309195 A CN202410309195 A CN 202410309195A CN 117901724 A CN117901724 A CN 117901724A
- Authority
- CN
- China
- Prior art keywords
- driving data
- condition
- battery temperature
- reference track
- historical 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000007726 management method Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 39
- 239000002245 particle Substances 0.000 claims description 37
- 230000001133 acceleration Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000001816 cooling Methods 0.000 claims description 16
- 238000005265 energy consumption Methods 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 239000012634 fragment Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000004378 air conditioning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Navigation (AREA)
Abstract
本发明公开一种纯电动汽车热管理系统控制方法、系统及设备，涉及汽车技术领域；获取车辆的导航路线；基于导航路线确定全局行驶工况；对全局行驶工况进行电池温度寻优规划，得到全局参考轨迹的电池温度参考轨迹；对电池温度参考轨迹进行最优参考轨迹拟合，得到最优电池温度参考轨迹；将系统状态量、系统控制量和系统扰动量输入至MPC控制器以代价函数最小为目的进行轨迹跟踪，得到控制结果。本发明可有效改善纯电动汽车行驶经济性，降低行驶总成本。
Description
技术领域
本发明涉及汽车技术领域，特别是涉及一种纯电动汽车热管理系统控制方法、系统及设备。
背景技术
随着石油资源的逐年减少和环境污染的逐年加重，大力发展新能源电动汽车对保障国家能源安全和减少环境污染具有重要意义。目前电动汽车的发展面临着很多挑战，例如现有的热管理策略与车辆实际行驶工况相关性差，使得车辆存在行驶能耗高、行驶经济性差的问题，因此电动汽车的热管理系统存在巨大的性能优化空间。
发明内容
本发明的目的是提供一种纯电动汽车热管理系统控制方法、系统及设备，可有效改善纯电动汽车行驶经济性，降低行驶总成本。
为实现上述目的，本发明提供了如下方案：
一种纯电动汽车热管理系统控制方法包括：
获取车辆的导航路线；
基于导航路线确定全局行驶工况；
对全局行驶工况进行电池温度寻优规划，得到全局参考轨迹的电池温度参考轨迹；
对电池温度参考轨迹进行最优参考轨迹拟合，得到最优电池温度参考轨迹；
将系统状态量、系统控制量和系统扰动量输入至MPC控制器以代价函数最小为目的进行轨迹跟踪，得到控制结果；所述系统状态量为最优电池温度参考轨迹，所述系统控制量为车辆电池冷却功率；所述系统扰动量为预测车速序列、车辆状态和外界环境；所述预测车速序列根据车辆导航系统得到；所述代价函数是基于MPC控制器的输出和系统状态量的误差确定的；所述控制结果为车辆电池冷却功率的控制序列。
一种纯电动汽车热管理系统控制系统应用于上述所述的纯电动汽车热管理系统控制方法，所述纯电动汽车热管理系统控制系统包括：
获取模块，用于获取车辆的导航路线；
全局行驶工况确定模块，用于基于导航路线确定全局行驶工况；
电池温度参考轨迹确定模块，用于对全局行驶工况进行电池温度寻优规划，得到全局参考轨迹的电池温度参考轨迹；
最优电池温度参考轨迹确定模块，用于对电池温度参考轨迹进行最优参考轨迹拟合，得到最优电池温度参考轨迹；
控制结果确定模块，用于将系统状态量、系统控制量和系统扰动量输入至MPC控制器以代价函数最小为目的进行轨迹跟踪，得到控制结果；所述系统状态量为最优电池温度参考轨迹，所述系统控制量为车辆电池冷却功率；所述系统扰动量为预测车速序列、车辆状态和外界环境；所述预测车速序列根据车辆导航系统得到；所述代价函数是基于MPC控制器的输出和系统状态量的误差确定的；所述控制结果为车辆电池冷却功率的控制序列。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述的纯电动汽车热管理系统控制方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种纯电动汽车热管理系统控制方法、系统及设备，首先确定全局行驶工况；再对全局行驶工况进行电池温度寻优规划，得到全局参考轨迹的电池温度参考轨迹并对电池温度参考轨迹进行拟合，得到最优电池温度参考轨迹；最后基于MPC控制器对最优电池温度参考轨迹进行轨迹跟踪，得到控制结果。本发明可有效改善纯电动汽车行驶经济性，降低行驶总成本。
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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明提供的纯电动汽车热管理系统控制方法的流程图；
图2为本发明提供的工况预测及全局工况构建方法的流程图；
图3为本发明提供的粒子群算法规划电池温度全局参考轨迹的流程图；
图4为本发明提供的贝塞尔曲线拟合电池温度全局参考轨迹的流程图；
图5为本发明提供的MPC优化控制器的原理示意图；
图6为本发明提供的纯电动汽车热管理系统控制方法的框架图。
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做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。
本发明的目的是提供一种纯电动汽车热管理系统控制方法、系统及设备，可有效改善纯电动汽车行驶经济性，降低行驶总成本。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明一种纯电动汽车热管理系统控制方法包括：
步骤101：获取车辆的导航路线。
步骤102：基于导航路线确定全局行驶工况。
根据驾驶员输入导航的出行信息以及通过智能网联得到的各种约束信息，计算导航路线平均速度和N个行驶片段的平均速度，找出其中差距最小的片段作为初始片段，并记录其所属工况类型，再根据当前车辆行驶工况和状态转移矩阵获取下一工况片段的类型，依次串联完成全局行驶工况的构建。
基于导航路线确定全局行驶工况，具体包括：
计算导航路线的平均速度。
从工况片段库中寻找与导航路线的平均速度一致的工况片段，将所述工况片段对应的行驶工况作为导航路线的初始路段的行驶工况；所述工况片段库包括不同平均速度对应的行驶工况；所述初始路段包括导航路线起始位置的路段。
采用状态转移矩阵根据初始路段的行驶工况和所述工况片段库，确定下一路段的行驶工况。
采用最大似然法计算工况片段库中每个工况片段之间的转移概率。
最大似然估计法计算公式为：，/>为从上一状态i转移到下一状态j的统计量，/>为状态i的总统计量，/>为当前时刻系统状态和下一时刻系统状态之间的转移概率，/>为下一时刻系统状态，/>为当前时刻系统状态。
基于初始路段的行驶工况和工况片段库中每个工况片段之间的转移概率，确定下一路段的行驶工况。
判断是否满足迭代结束条件，得到第一判断结果；所述迭代结束条件为下一路段包括导航路线终点位置。
若所述第一判断结果为是，则迭代结束，得到全局行驶工况。
若所述第一判断结果为否，则利用下一路段的行驶工况对初始路段的行驶工况进行更新，并返回“根据初始路段的行驶工况和状态转移矩阵，确定下一路段的行驶工况”的步骤。
所述工况片段库构建方法：
采集历史驾驶数据；所述历史驾驶数据包括行驶车速、加速度、经纬度和海拔。
需要进行预处理的历史驾驶数据主要存在数据缺失、数据异常等问题，首先若车辆连续低速行驶超过360s，则视为长时间堵车/停车工况，将历史驾驶数据中的此类片段予以剔除，同时以180s作为车辆的最长低速行驶时间，对于低速行驶时长超过180s的阶段也按180s处理；其次针对出行数据丢失的情况，如车辆行驶经过高层建筑或隧道时会干扰全球定位系统（Global Positioning System，GPS）采集设备的信号，此时对于出行片段中小于5s的缺失数据，采用线性插值进行补全，对于出行片段大于5s的缺失数据，则在缺失数据处将该出行片段划分为两个片段；最后针对出行数据异常的情况，如GPS采集设备出现零点漂移问题时会导致车辆行驶速度发生突变或加速度异常，此时对于持续时间小于5s的异常数据，采用滑动平均平滑车速曲线，对于持续时间大于5s，则在异常数据处将该出行片段划分为两个片段。
对历史驾驶数据进行预处理，得到预处理后的历史驾驶数据。
判断历史驾驶数据中是否存在满足第一预设条件的驾驶数据，得到第二判断结果。
若所述第二判断结果为是，则将历史驾驶数据中满足第一预设条件的驾驶数据剔除，得到剔除后的历史驾驶数据；所述第一预设条件为行驶车速连续低速行驶超过180s。
若所述第二判断结果为否，则将历史驾驶数据作为剔除后的历史驾驶数据。
判断剔除后的历史驾驶数据中是否存在满足第二预设条件的驾驶数据，得到第三判断结果。
若所述第三判断结果为是，则采用线性插值将剔除后的历史驾驶数据中满足第二预设条件的驾驶数据进行补全，得到补全后的历史驾驶数据；所述第二预设条件为驾驶数据中存在小于5s的缺失数据。
若所述第三判断结果为否，则将剔除后的历史驾驶数据作为补全后的历史驾驶数据。
判断补全后的历史驾驶数据中是否存在满足第三预设条件的驾驶数据，得到第四判断结果。
若所述第四判断结果为是，则将补全后的历史驾驶数据中满足第三预设条件的驾驶数据划分为两个片段，得到划分后的历史驾驶数据；所述第三预设条件为驾驶数据中存在大于5s的缺失数据。
若所述第四判断结果为否，则将补全后的历史驾驶数据作为划分后的历史驾驶数据。
判断划分后的历史驾驶数据中是否存在满足第四预设条件的驾驶数据，得到第五判断结果。
若所述第五判断结果为是，则采用滑动平均平滑车速曲线对划分后的历史驾驶数据中满足第四预设条件的驾驶数据进行处理，得到处理后的历史驾驶数据；所述第四预设条件为行驶车速发生突变且持续时间小于5s或加速度异常且持续时间小于5s。
若所述第五判断结果为否，则将划分后的历史驾驶数据作为处理后的历史驾驶数据。
判断处理后的历史驾驶数据中是否存在满足第五预设条件的驾驶数据，得到第六判断结果。
若所述第六判断结果为是，则将处理后的历史驾驶数据中满足第五预设条件的驾驶数据划分为两个片段，得到预处理后的历史驾驶数据；所述第五预设条件为行驶车速发生突变且持续时间大于5s或加速度异常且持续时间大于5s。
若所述第六判断结果为否，则将处理后的历史驾驶数据作为预处理后的历史驾驶数据。
根据行驶车速对预处理后的历史驾驶数据进行划分，得到运动学片段集。所述运动学片段集包括加速度大于0.15m/s2的加速阶段的运动学片段、加速度小于-0.15m/s2的减速阶段的运动学片段、行驶车速非零且加速度处于-0.15~0.15 m/s2之间的匀速阶段的运动学片段和行驶车速为零且加速度处于-0.15~0.15 m/s2之间的怠速阶段的运动学片段。
对运动学片段集中每个运动学片段进行特征提取，得到特征提取后的运动学片段集。
在对运动学片段集进行特征提取前，还需要根据对运动学片段的影响程度确定特征提取的类型。
对车速、加速度以及时间三种类型的出行特征参数引入主成分分析法进行线性组合，构成一组新的变量，以达到对出行特征参数降维的目的，计算每个参数的影响度/>和前m个参数的总影响度/>，当总影响度/>大于90%时，仅靠前m个参数即可替代原来所有参数。
其中，第i’个参数的影响度为（i’=1,2,...,n），前m个参数的总影响度为/>（m=1,2,...,n），/>为第i’个参数的影响度，/>为前m个参数的总影响度，/>为第i’个参数的非负特征根，n为参数总个数，/>为第k个参数的非负特征根，k=1,2,...,n。
采用模糊C均值聚类算法对特征提取后的运动学片段集进行分类处理，得到分类后的运动学片段集。
模糊C均值聚类算法对运动学片段进行分类，迭代更新目标函数和聚类中心，使得运动学片段中心点到p1个聚类中心/>距离的加权误差平方和最小，以此对各个运动学片段进行分类。
其中，目标函数迭代更新根据下式计算：，聚类中心迭代更新根据下式计算：/>，其中b为加权系数，且b>1，/>为运动学片段中心点/>对第k1个样本的隶属度，且/>，/>为运动学片段中心点/>与第k1个样本的聚类中心的距离，且/>。
其中，表示聚类中心迭代更新的结果；i1表示第i1个聚类中心；n1表示总的行驶片段个数；p1表示总的聚类类别个数；/>表示第i1个聚类中心迭代更新结果；/>表示第k1个样本的第j2个指标的值；/>表示第i1个聚类中心和第j1个聚类中心的欧氏距离；m1表示样本总数；/>表示第i1个聚类中心的第j2个指标的值；/>表示第k1个样本的第j2个指标的值。
将分类后的运动学片段集作为工况片段库输出。
以此将运动学片段分成3类，分别是频繁启停、怠速较多的低速行驶工况，日常市区驾驶中的中速行驶工况，怠速较少、车速较高且均匀的高速行驶工况，即得到工况片段库。
如图2所示，在具体实施中，全局行驶工况确定方法为：
S11，纯电动汽车历史驾驶数据采集及预处理。
挑选数据较为充分的一段路网作为研究对象，根据规则对原始数据存在的问题进行预处理。
S12，运动学片段划分；采用短行程分析法将车辆的出行片段细分为若干个运动学片段。
S13，特征参数提取；引入主成分分析法对车速、加速度以及时间三种类型的出行特征参数进行线性组合，构成一组新的变量作为特征参数，以达到对出行特征参数降维的目的。
S14，工况片段库获取；采用模糊C均值聚类算法对运动学片段进行分类，完成典型行驶工况的构建，从而建立工况片段库。
S15，状态转移概率矩阵构建；分析行驶片段的特征，结合历史驾驶数据的车速片段构建基于马尔科夫链原理的车速转移概率矩阵和工况转移概率矩阵，即可根据当前出行条件调用相应的状态概率转移矩阵。
步骤S11-S15为工况预测模型的构建过程。
S16，用户出行信息。
S17，导航和智能网联返回的约束信息；根据驾驶员输入到导航内的出行信息获取未来行驶的路线，同时利用智能网联技术获取车辆出行道路上个各路段的交通流速度、道路状况以及天气情况等各种约束信息。
S18，初始运动学片段选取。
S19，运动学片段递推。
S20，全局工况构建。
结合上述信息对出行能耗、电池生热量以及乘员舱热负荷进行预估。
如图1所示，步骤103：对全局行驶工况进行电池温度寻优规划，得到全局参考轨迹的电池温度参考轨迹。
所述电池温度参考轨迹规划阶段运用粒子群优化算法，具体包括以下步骤：
如图3和图6所示，S21，开始；将上述构建的全局行驶工况分成n个子区间，选取电池温度作为控制变量，即粒子群算法中的粒子，并选取电池回路制冷量作为决策变量，控制电池回路最大制冷量，以防乘员舱温度波动过大，另外由于温度的变化速度要在热管理功率响应的能力范围内，因此求解过程中需要设置一定约束条件。
约束条件：，其中/>为空调系统分配给电池回路的最大制冷量，/>和/>分别为电池最小和最大的工作功率，和/>分别为电池的最小和最大的工作温度，电池最优工作温度一般为28℃左右，最小和最大工作温度可根据需要设置，/>为第k’个子区间空调系统分配给电池回路的制冷量，/>为第k’个子区间的电池工作功率，/>为第k’个子区间的电池温度。
S22，随机初始化粒子群中粒子的位置和速度；初始化种群，随机生成s个粒子，在决策变量的变化范围内随机选取每个粒子的速度和位置作为初始种群。
S23，将系统能耗作为适应度函数；计算适应度值，将系统能耗最小作为目标函数，先将每个粒子的初始位置作为个体最优解，计算每个粒子的系统能耗，并选择其中系统能耗最低的粒子作为全局最优粒子。
其中，系统能耗计算公式为：，功率/>分别对应各种典型行驶工况的平均功率，时间/>为子区间的时间长度。
S24，计算每个粒子的系统能耗即适应度更新当代粒子的位置和速度；更新当代最优解和最优值，即更新当代粒子群的速度和位置。
S25，将当代粒子的适应度和上一代作比较。
S26，若更好则更新，反之则保持不变。
S27，比较完所有粒子，将粒子最优位置作为全局极值点；根据进化策略更新下一代种群，即更新个体极值点以及全局极值点，计算当代粒子群的系统能耗，若当代粒子系统能耗低于上一代粒子的系统能耗，则新的个体极值点即为当代粒子的位置，反之保持个体极值点不变，比较所有的粒子，将s个粒子中系统能耗最低的粒子位置作为全局极值点。
S28，判断是否达到停止条件，若满足则算法停止，否则返回步骤S24。
完成第一个子区间电池温度寻优过程，重复粒子群优化算法分别对n个子区间进行电池温度寻优，将各个子区间得到的电池温度串联得到全局行驶工况阶梯形式的电池温度参考轨迹。
根据行驶工况对全局行驶工况进行划分，得到多个子区间。
将能耗最低作为适应度函数、电池温度作为粒子和电池回路制冷量作为决策变量采用粒子群优化算法以满足迭代结束条件为目的对每个子区间进行电池温度迭代寻优，得到每个子区间的最优电池温度；所述能耗基于每个子区间的平均功率和时间得到；所述平均功率基于电池温度和电池回路制冷量得到；所述迭代结束条件为达到迭代次数且满足预设阀值。
将每个子区间的最优电池温度串联得到全局行驶工况阶梯形式的电池温度参考轨迹。
如图1所示，步骤104：对电池温度参考轨迹进行最优参考轨迹拟合，得到最优电池温度参考轨迹。
利用二阶贝塞尔曲线函数对电池温度参考轨迹进行最优参考轨迹拟合，得到最优电池温度参考轨迹。
如图4和图6所示，为了使上述阶梯形式的电池温度参考轨迹从全局角度来看，定位更贴合、平滑度更好，将各个子区间的阶梯抽象为一个聚集在中间的质点，运用贝塞尔曲线对上述电池温度全局最优参考轨迹进行拟合，具体包括以下步骤：
S31，确定贝塞尔曲线控制点，将利用粒子群算法得到的各个子区间的最优电池温度作为贝塞尔曲线的控制点。
S32，选择二阶贝塞尔曲线函数进行拟合；确定曲线类型，二阶贝塞尔曲线函数具有计算量小的优点，且拟合形成的曲线也相对平滑和真实，所以本发明选择二阶贝塞尔曲线函数进行拟合。
其中，二阶贝塞尔曲线函数为：，/>和/>表示转折点/>前后顺序相邻的两个二阶贝塞尔曲线控制点，t为比例系数，且/>，/>为二阶贝塞尔曲线函数。
S33，计算控制点，取三个顺序相邻的贝塞尔曲线控制点、/>、/>，且/>作为转折点。
S34，定义初始参数。控制点、/>的间距作为第一间距，且/>的模长为d11，控制点/>、/>的间距作为第二间距，且/>的模长为d21，第一间距和第二间距形成的夹角α1，组成第一控制向量/>，并通过几何计算得到转折点/>的最大偏移量S1。
S35，采用拉丁超立方方法随机生成足够数量的第一控制向量，组成第一集合。
式中，表示/>处的控制点，/>表示/>处的控制点，/>表示处的控制点，以/>、/>和/>为集合的集合中/>为转折点，/>为大于等于1的整数。
S36，利用BP神经网络将第一集合作为输入层计算所有转折点的最大偏移量，组成第二集合，并定义评价函数，输出贝塞尔曲线的最优控制点；利用BP神经网络计算得到第一集合中所有转折点的最大偏移量/>，/>，组成第二集合，此时第一集合为输入，第二集合为输出，隐含层神经数目根据求解精度和计算速度要求设定，由于最大偏移量越大时函数曲线越平滑，所以所有转折点对应的最大偏移量之和最大时路径最优，以此用所有转折点对应的最大偏移量之和的倒数构造评价函数，评价函数值最小时对应的二阶贝塞尔曲线控制点/>、/>、/>即为最优控制点。
其中，评价函数为：，/>为第一间距，/>为第二间距，/>为第一夹角，/>为评价函数。
S37，将最优控制点代入二阶贝塞尔曲线函数中得到第一对相邻控制点实际轨迹的拟合曲线；构建贝塞尔曲线，使用确定的控制点和曲线类型来构建贝塞尔曲线的方程，并将上述控制点代入到二阶贝塞尔曲线方程中，即可得到第一对相邻数据点实际轨迹的拟合曲线函数。
S38，判断是否为最后一对相邻数据点，若否则重复步骤S31-S37，计算下一对相邻数据点的拟合曲线函数，直至最后一对数据点，若是则结束，串联所有计算出来的相邻数据点之间的拟合曲线函数，得到拟合曲线函数方程表达式，即可得到基于二阶贝塞尔曲线拟合方法的曲线形式电池温度全局参考轨迹。
如图1所示，步骤105：将系统状态量、系统控制量和系统扰动量输入至MPC控制器以代价函数最小为目的进行轨迹跟踪，得到控制结果。所述系统状态量为最优电池温度参考轨迹，所述系统控制量为车辆电池冷却功率；所述系统扰动量为预测车速序列、车辆状态和外界环境；所述预测车速序列根据车辆导航系统得到；所述代价函数是基于模型预测控制(Model Predictive Control，MPC)的输出和系统状态量的误差确定的；所述控制结果为车辆电池冷却功率的控制序列。
如图5和图6所示，S41，选择控制目标，将基于粒子群优化算法和贝塞尔曲线拟合得到的电池温度全局最优参考轨迹作为MPC控制器的控制目标。
S42，确定控制参数，以电池温度为系统状态量，以电池冷却功率为系统控制量，防止乘员舱温度波动过大，再以预测车速序列、车辆状态、外界环境变化为系统扰动量，如果不输入预测车速序列，则会把车速视为常数，不能很好的对电池温度进行估计，所以以上变量均作为MPC优化控制器的输入值，被控目标对象为电池温度，所以电池温度为MPC优化控制器的输出值，并且为了减少预测时域内累计误差的影响，设定控制时域的时长小于预测时域的时长。
其中，系统状态量表达式为：，系统控制量表达式为：/>，系统扰动量表达式为：/>，系统输出值表达式为：/>，以上式中表示基于前文得到的输入MPC控制器内的最优电池温度参考轨迹，/>为电池冷却功率，/>表示车速序列，/>表示环境温度，/>表示车辆电池冷却功率的控制序列。
设置求解过程中需要的约束条件：。
S43，构建优化问题，MPC的优化目标是需要平衡预测时域内的电池温度轨迹跟踪误差和空调系统能耗，构造代价函数。
其中，优化目标表达式为：，代价函数表达式为：，式中/>为预测时域内的电池温度轨迹跟踪误差，为MPC优化控制器计算过程带来的跟踪误差，/>为系统控制量带来的误差，为系统扰动量带来的误差。
S44，滚动优化，是指得到未来状态预测值后，对控制时域内控制量的序列进行优化，并且滚动优化的目标是使代价函数值最小，可以看做是一个二次规划求解过程，本发明利用综合管理全局动态优化算法（Algorithm Global Optimization- DynamicProgramming，AGO-DP）实施控制策略，在MPC滚动优化过程中求解出全局工况内的最优控制序列。
S45，反馈矫正，使用系统反馈的信息来跟踪所需的电池温度参考轨迹，并根据需要进行控制策略的调整，对最优控制量不断进行改正的过程，最大限度的提高控制的精确性、稳定性和鲁棒性，实现在预测时域内对电池温度全局最优参考轨迹的实时跟踪并最小化行驶总成本。
基于上述，本发明的优点在于，首先能够准确对电动汽车未来行驶工况进行预测并完成对全局行驶工况的构建，为热管理策略的实施奠定夯实基础，通过粒子群算法对电池温度参考轨迹进行规划，采用贝塞尔曲线拟合方法对基于粒子群算法得到的电池温度参考轨迹进行平滑处理；使用MPC优化控制器对电池温度全局最优参考轨迹进行跟踪，在此基础上建立的热管理策略不仅在保证乘员舱热舒适性的前提下，稳定电池温度、缓解电池老化、提高空调能效，而且使整车热管理系统获得了近似最优的控制性能，行驶成本最接近于全局最优解。
实施例2
一种纯电动汽车热管理系统控制系统应用于实施例1所述的纯电动汽车热管理系统控制方法，所述纯电动汽车热管理系统控制系统包括：
获取模块，用于获取车辆的导航路线。
全局行驶工况确定模块，用于基于导航路线确定全局行驶工况。
电池温度参考轨迹确定模块，用于对全局行驶工况进行电池温度寻优规划，得到全局参考轨迹的电池温度参考轨迹。
最优电池温度参考轨迹确定模块，用于对电池温度参考轨迹进行最优参考轨迹拟合，得到最优电池温度参考轨迹。
控制结果确定模块，用于将系统状态量、系统控制量和系统扰动量输入至MPC控制器以代价函数最小为目的进行轨迹跟踪，得到控制结果；所述系统状态量为最优电池温度参考轨迹，所述系统控制量为车辆电池冷却功率；所述系统扰动量为预测车速序列、车辆状态和外界环境；所述预测车速序列根据车辆导航系统得到；所述代价函数是基于MPC控制器的输出和系统状态量的误差确定的；所述控制结果为车辆电池冷却功率的控制序列。
实施例3
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如实施例1所述的纯电动汽车热管理系统控制方法。
所述存储器为非暂态计算机可读存储介质。
与现有技术相比，本发明的有益效果是：
本发明通过对未来行驶工况进行预测，完成对未来车速序列的预测和对全局行驶工况的构建，为实现预测型热管理系统优化控制奠定基础；采用粒子群算法进行电池温度参考轨迹规划，得到全局行驶工况中每个子区间的最优温度解，使得串联得到的电池温度全局参考轨迹在很大程度上降低了陷入局部最优解的风险；在此基础上采用贝塞尔曲线拟合方法对基于粒子群算法得到的电池温度参考轨迹进行平滑处理，拟合后的参考轨迹更多的考虑了相邻子区间之间的影响，具有更强的全局性和适应性；最后利用MPC优化控制器建立的基于电池温度全局最优参考轨迹跟踪的热管理控制策略，获得了近似最优的控制性能，有效改善纯电动汽车行驶经济性，降低行驶总成本。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种纯电动汽车热管理系统控制方法，其特征在于，所述纯电动汽车热管理系统控制方法包括：
获取车辆的导航路线；
基于导航路线确定全局行驶工况；
对全局行驶工况进行电池温度寻优规划，得到全局参考轨迹的电池温度参考轨迹；
对电池温度参考轨迹进行最优参考轨迹拟合，得到最优电池温度参考轨迹；
将系统状态量、系统控制量和系统扰动量输入至MPC控制器以代价函数最小为目的进行轨迹跟踪，得到控制结果；所述系统状态量为最优电池温度参考轨迹，所述系统控制量为车辆电池冷却功率；所述系统扰动量为预测车速序列、车辆状态和外界环境；所述预测车速序列根据车辆导航系统得到；所述代价函数是基于MPC控制器的输出和系统状态量的误差确定的；所述控制结果为车辆电池冷却功率的控制序列。
2.根据权利要求1所述的纯电动汽车热管理系统控制方法，其特征在于，基于导航路线确定全局行驶工况，具体包括：
计算导航路线的平均速度；
从工况片段库中寻找与导航路线的平均速度一致的工况片段，将所述工况片段对应的行驶工况作为导航路线的初始路段的行驶工况；所述工况片段库包括不同平均速度对应的行驶工况；所述初始路段包括导航路线起始位置的路段；
采用状态转移矩阵根据初始路段的行驶工况和所述工况片段库，确定下一路段的行驶工况；
判断是否满足迭代结束条件，得到第一判断结果；所述迭代结束条件为下一路段包括导航路线终点位置；
若所述第一判断结果为是，则迭代结束，得到全局行驶工况；
若所述第一判断结果为否，则利用下一路段的行驶工况对初始路段的行驶工况进行更新，并返回“根据初始路段的行驶工况和状态转移矩阵，确定下一路段的行驶工况”的步骤。
3.根据权利要求2所述的纯电动汽车热管理系统控制方法，其特征在于，所述工况片段库构建方法，具体包括：
采集历史驾驶数据；所述历史驾驶数据包括行驶车速和加速度；
对历史驾驶数据进行预处理，得到预处理后的历史驾驶数据；
根据行驶车速对预处理后的历史驾驶数据进行划分，得到运动学片段集；所述运动学片段集包括加速度大于0.15m/s2的加速阶段的运动学片段、加速度小于-0.15m/s2的减速阶段的运动学片段、行驶车速非零且加速度处于-0.15~0.15 m/s2之间的匀速阶段的运动学片段和行驶车速为零且加速度处于-0.15~0.15 m/s2之间的怠速阶段的运动学片段；
对运动学片段集中每个运动学片段进行特征提取，得到特征提取后的运动学片段集；
采用模糊C均值聚类算法对特征提取后的运动学片段集进行分类处理，得到分类后的运动学片段集；
将分类后的运动学片段集作为工况片段库输出。
4.根据权利要求3所述的纯电动汽车热管理系统控制方法，其特征在于，对历史驾驶数据进行预处理，得到预处理后的历史驾驶数据，具体包括：
判断历史驾驶数据中是否存在满足第一预设条件的驾驶数据，得到第二判断结果；
若所述第二判断结果为是，则将历史驾驶数据中满足第一预设条件的驾驶数据剔除，得到剔除后的历史驾驶数据；所述第一预设条件为行驶车速连续低速行驶超过180s；
若所述第二判断结果为否，则将历史驾驶数据作为剔除后的历史驾驶数据；
判断剔除后的历史驾驶数据中是否存在满足第二预设条件的驾驶数据，得到第三判断结果；
若所述第三判断结果为是，则采用线性插值将剔除后的历史驾驶数据中满足第二预设条件的驾驶数据进行补全，得到补全后的历史驾驶数据；所述第二预设条件为驾驶数据中存在小于5s的缺失数据；
若所述第三判断结果为否，则将剔除后的历史驾驶数据作为补全后的历史驾驶数据；
判断补全后的历史驾驶数据中是否存在满足第三预设条件的驾驶数据，得到第四判断结果；
若所述第四判断结果为是，则将补全后的历史驾驶数据中满足第三预设条件的驾驶数据划分为两个片段，得到划分后的历史驾驶数据；所述第三预设条件为驾驶数据中存在大于5s的缺失数据；
若所述第四判断结果为否，则将补全后的历史驾驶数据作为划分后的历史驾驶数据；
判断划分后的历史驾驶数据中是否存在满足第四预设条件的驾驶数据，得到第五判断结果；
若所述第五判断结果为是，则采用滑动平均平滑车速曲线对划分后的历史驾驶数据中满足第四预设条件的驾驶数据进行处理，得到处理后的历史驾驶数据；所述第四预设条件为行驶车速发生突变且持续时间小于5s或加速度异常且持续时间小于5s；
若所述第五判断结果为否，则将划分后的历史驾驶数据作为处理后的历史驾驶数据；
判断处理后的历史驾驶数据中是否存在满足第五预设条件的驾驶数据，得到第六判断结果；
若所述第六判断结果为是，则将处理后的历史驾驶数据中满足第五预设条件的驾驶数据划分为两个片段，得到预处理后的历史驾驶数据；所述第五预设条件为行驶车速发生突变且持续时间大于5s或加速度异常且持续时间大于5s；
若所述第六判断结果为否，则将处理后的历史驾驶数据作为预处理后的历史驾驶数据。
5.根据权利要求2所述的纯电动汽车热管理系统控制方法，其特征在于，采用状态转移矩阵根据初始路段的行驶工况和所述工况片段库，确定下一路段的行驶工况，具体包括：
采用最大似然法计算工况片段库中每个工况片段之间的转移概率；
基于初始路段的行驶工况和工况片段库中每个工况片段之间的转移概率，确定下一路段的行驶工况。
6.根据权利要求1所述的纯电动汽车热管理系统控制方法，其特征在于，对全局行驶工况进行电池温度寻优规划，得到全局参考轨迹的电池温度参考轨迹，具体包括：
根据行驶工况对全局行驶工况进行划分，得到多个子区间；
将能耗最低作为适应度函数、电池温度作为粒子和电池回路制冷量作为决策变量采用粒子群优化算法以满足迭代结束条件为目的对每个子区间进行电池温度迭代寻优，得到每个子区间的最优电池温度；所述能耗基于每个子区间的平均功率和时间得到；所述平均功率基于电池温度和电池回路制冷量得到；所述迭代结束条件为达到迭代次数且满足预设阀值；
将每个子区间的最优电池温度串联得到全局参考轨迹的电池温度参考轨迹。
7.根据权利要求1所述的纯电动汽车热管理系统控制方法，其特征在于，对电池温度参考轨迹进行最优参考轨迹拟合，得到最优电池温度参考轨迹，具体包括：
利用二阶贝塞尔曲线函数对电池温度参考轨迹进行最优参考轨迹拟合，得到最优电池温度参考轨迹。
8.一种纯电动汽车热管理系统控制系统，其特征在于，所述纯电动汽车热管理系统控制系统应用于所述权利要求1-7中任意一项所述的纯电动汽车热管理系统控制方法，所述纯电动汽车热管理系统控制系统包括：
获取模块，用于获取车辆的导航路线；
全局行驶工况确定模块，用于基于导航路线确定全局行驶工况；
电池温度参考轨迹确定模块，用于对全局行驶工况进行电池温度寻优规划，得到全局参考轨迹的电池温度参考轨迹；
最优电池温度参考轨迹确定模块，用于对电池温度参考轨迹进行最优参考轨迹拟合，得到最优电池温度参考轨迹；
控制结果确定模块，用于将系统状态量、系统控制量和系统扰动量输入至MPC控制器以代价函数最小为目的进行轨迹跟踪，得到控制结果；所述系统状态量为最优电池温度参考轨迹，所述系统控制量为车辆电池冷却功率；所述系统扰动量为预测车速序列、车辆状态和外界环境；所述预测车速序列根据车辆导航系统得到；所述代价函数是基于MPC控制器的输出和系统状态量的误差确定的；所述控制结果为车辆电池冷却功率的控制序列。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的纯电动汽车热管理系统控制方法。
10.根据权利要求9所述的电子设备，其特征在于，所述存储器为非暂态计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410309195.1A CN117901724B (zh) | 2024-03-19 | 2024-03-19 | 一种纯电动汽车热管理系统控制方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410309195.1A CN117901724B (zh) | 2024-03-19 | 2024-03-19 | 一种纯电动汽车热管理系统控制方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117901724A true CN117901724A (zh) | 2024-04-19 |
| CN117901724B CN117901724B (zh) | 2024-05-10 |
Family
ID=90684184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410309195.1A Active CN117901724B (zh) | 2024-03-19 | 2024-03-19 | 一种纯电动汽车热管理系统控制方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117901724B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210138827A (ko) * | 2020-05-12 | 2021-11-22 | (주)디테크게엠베하 | 전기차 기반 주행 정보 제공 서버 및 시스템 |
| CN114274780A (zh) * | 2022-01-10 | 2022-04-05 | 中国第一汽车股份有限公司 | 车辆续航里程预测方法、装置、设备和存储介质 |
| CN116050245A (zh) * | 2022-12-05 | 2023-05-02 | 江苏大学 | 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统 |
-
2024
- 2024-03-19 CN CN202410309195.1A patent/CN117901724B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210138827A (ko) * | 2020-05-12 | 2021-11-22 | (주)디테크게엠베하 | 전기차 기반 주행 정보 제공 서버 및 시스템 |
| CN114274780A (zh) * | 2022-01-10 | 2022-04-05 | 中国第一汽车股份有限公司 | 车辆续航里程预测方法、装置、设备和存储介质 |
| CN116050245A (zh) * | 2022-12-05 | 2023-05-02 | 江苏大学 | 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117901724B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021103625A1 (zh) | 一种基于前车与自车互动的短期车速工况实时预测方法 | |
| 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 | |
| CN107688343B (zh) | 一种混合动力车辆的能量控制方法 | |
| CN110991757B (zh) | 一种混合动力电动汽车综合预测能量管理方法 | |
| CN107909179B (zh) | 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法 | |
| CN111267830B (zh) | 一种混合动力公交车能量管理方法、设备和存储介质 | |
| CN112629533B (zh) | 基于路网栅格化道路车流预测的精细化路径规划方法 | |
| 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 | |
| CN112182962A (zh) | 一种混合动力汽车行驶车速预测方法 | |
| CN113538910A (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
| CN113401123B (zh) | 融合驾驶模式信息的汽车预测巡航参数自整定控制系统 | |
| CN116187161A (zh) | 一种智能网联环境下混合动力客车智能能量管理方法及系统 | |
| CN115935672A (zh) | 一种融合工况预测信息的燃料电池汽车能耗计算方法 | |
| Montazeri-Gh et al. | Driving condition recognition for genetic-fuzzy HEV control | |
| CN113479187B (zh) | 一种插电式混合动力汽车分层异步长能量管理方法 | |
| CN113276829B (zh) | 一种基于工况预测的车辆行驶节能优化变权重方法 | |
| CN113135113A (zh) | 一种全局soc规划方法及装置 | |
| CN111516702B (zh) | 一种混合动力车辆在线实时分层能量管理方法和系统 | |
| CN117901724B (zh) | 一种纯电动汽车热管理系统控制方法、系统及设备 | |
| CN116901981A (zh) | 一种在线自学习型的马尔可夫车辆速度预测方法 | |
| CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
| CN113788007B (zh) | 一种分层式实时能量管理方法和系统 | |
| Chen et al. | Traffic signal optimization control method based on adaptive weighted averaged double deep Q network | |
| CN113997925B (zh) | 一种插电式混合动力系统能量管理方法 | |
| CN116176557A (zh) | 一种混合动力越野车的能量管理方法、装置及电子设备 |
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 |