CN1903629A - 双能源混合动力汽车的随机能量管理方法 - Google Patents

Abstract

一种双能源混合动力汽车的随机能量管理方法，属于混合动力汽车的动态能量分配方法领域。首先，从大量的车辆道路行驶记录中归纳出实际功率的统计规律，得到司机需求功率的状态转移概率矩阵，获得任意状态之间转换的单步成本，建立司机需求功率的马尔可夫随机模型。实际行驶时，司机的加速踏板信号代表了司机希望获得的转矩，因此以现有的车速、加速踏板为输入信号，可计算出车辆即将输出的功率，运用马尔可夫随机模型，对下一步各种可能的功率转移的最小总期望成本进行动态规划，得到最优控制量。最终控制发动机的喷油量和AC/DC内部的开关频率即可实现最佳的电压和电流值。在车辆长期运行时，节能效果显著。

Description

双能源混合动力汽车的随机能量管理方法

技术领域

本发明属于混合动力电动汽车的动态能量优化方法，进一步讲这种方法也能推广到其他的双能量源混合动力汽车上。

背景技术

近年来，随着人们对生存环境和自然能源的日益重视，混合动力汽车的发展席卷了整个世界。高效、节能和低排放的性能，使之成为当今世界汽车领域开发的新热点。国际各大汽车生产商和石油巨头从资金到技术的大力投入，加速了混合动力汽车的商业化进程。一些相关领域的专家甚至乐观地认为，混合动力汽车将引发世界汽车工业的革命，最终取代传统内燃机车成为主流。

混合动力电动汽车(Hybrid Electric Vehicle-HEV)将发动机和蓄电池合用到一辆车上。它集电动汽车和传统发动机汽车的众多优点于一身：由于有了电池的调节作用，使得发动机能够工作在最佳工况点附近，从而大大改善了汽车的排放和经济性；同时由于发动机可以对电池充电，因而大大延长了汽车的续驶里程。从目前的研究来看，混合动力电动汽车是实现“汽车绿色化”的主要途径。在双能量源组成的动力系统中，如何合理的进行功率分配，优化系统效率是发展混合动力车辆所面临的一大难题。以下是一些相关的专利检索情况。

①美国专利局US 2002/0095247 A1专利(2002年7月)中，Yi Ding等人提出了一种完全基于蓄电池荷电状态(State of Charge，简称SOC)值进行功率分配的方法。他们将SOC值划分为几个区间，根据当前SOC值所处的范围，决定燃料电池是工作在负载跟随还是充电模式，并决定蓄电池是否放电。但文中并未提及具体的功率分配方案，也没有提及当需求功率过大时的处理办法。

②中国专利局申请中的专利：申请号200310103253，朱元等人提出了一种实时的燃料电池混合动力系统的功率分配方法。首先从蓄电池和燃料电池系统各自局部最优的角度去考虑功率分配，随后从全局的角度出发，让两者相互折中，最后使得系统全局的性能最佳，从而可以提高混合动力系统的能量效率。但是该方法也是一种基于子部件静态模型的优化方法，这种方法没有考虑汽车的动态特性，不能获得动态控制系统的全部信息，也不能很好地解决动力系统工作模式的切换问题，也不能保证该控制策略在真实的行驶工况下是最优的。

发明内容

本发明要解决的技术问题是提供一种双能源混合动力汽车的动态随机能量管理方法，从而使得车辆长期运行时油耗降低。

本发明所述的混合动力汽车的动力系统是一个多能源动力总成系统，它包括了发动机、发电机、蓄电池、AC/DC转换器等零部件，各部件之间通过电气母线实现物理连接，其结构图如图1所示。双能量源指的是发动机和蓄电池组。在车辆行驶过程中，发动机提供车辆所需的主要能量，而蓄电池作为辅助能量系统提供不足功率或吸收多余功率。由于发电机发出的是三相电压，而蓄电池是直流电压，因此需要通过AC/DC变换器来实现电压转换。控制系统随时监控蓄电池的输出电流和输出电压，并根据已有的蓄电池模型计算电池的剩余电量SOC。电机和控制器是车辆的驱动系统，为了与传统汽车驾驶习惯一直，电机采用转矩闭环的控制方式。

混合动力汽车采用分布式控制系统，每个主要部件均有一个控制系统，在它们之上是整车控制系统。本发明就是用于整车控制系统的一种能量管理策略，它可以动态的优化每个时刻的蓄电池和发动机能量分配，保证车辆长期运行时总油耗最低。

首先，需要从大量的车辆道路行驶记录中归纳出实际功率的统计规律，得到司机需求功率的状态转移概率矩阵(从一个功率状态转移到另一个功率状态的概率矩阵)，并通过试验和理论模型计算获得任意状态之间转换的单步成本，建立司机需求功率的马尔可夫随机模型。实际行驶时，司机的加速踏板信号代表了司机希望获得的转矩，因此以现有的车速、加速踏板为输入信号，可计算出车辆即将输出的功率，以这一功率为起点，运用事先已经建立的马尔可夫随即模型，对下一步各种可能的功率转移的最小总期望成本进行动态规划，采用策略迭代法求解最优策略，得到最优控制量：蓄电池的输出功率P_bat(正为放电，负为充电)，再通过蓄电池等效电路可以计算出最佳的总线电压U_bus＝f(P_bat)。最终控制发动机的喷油量和AC/DC内部的开关频率即可实现最佳的U_bus和P_bat。综合来看，在这一最佳状态下，可最高效率地转入下一步各种新的需求功率状态。本方法着眼于汽车未来的功率需求，利用马尔可夫决策理论(又叫随机动态规划)对混合动力汽车的功率分配问题进行优化计算，是一种具有预测性的能量管理策略，在车辆长期运行时，节能效果显著。具体的动态优化步骤如下：

优化步骤

1)通过传感器获取车辆速度，根据车辆速度和加速踏板的位置计算当前司机需求转矩，并根据司机需求转矩和车辆速度计算司机实际的需求功率P_{dem_act}；

P_{dem_act}＝(P_acdc+P_bat)·η_m&c·η_trans

2)从蓄电池SOC测量装置计算出蓄电池的SOC值；

3)根据大量的行驶记录归纳出司机需求功率的统计规律：

P_dem＝I_bus·U_busη_m&c·η_trans

U_bus为母线电压，I_bus为母线电流，η_trans为传动系统效率，η_m&c为电机和控制器的总效率。

4)把蓄电池功率P_bat离散化成l个状态，即u＝P_bat∈{P_bat1，P_bat2，…，P_batl，}，把u作为系统的决策量。在某个蓄电池SOC状态下，母线电压与蓄电池功率是一一对应关系。因此，可以通过控制AC/DC转换器的输出电压(即母线电压)来间接控制蓄电池功率，因此选择蓄电池功率P_bat为系统的决策量。

5)利用马尔可夫链来建立司机需求功率的随机模型，揭示司机需求功率的统计规律。把司机需求功率P_dem离散化成m个状态，即

P_dem∈{P_dem1，P_dem2，…，P_demm，}

定义状态转移概率P_ij ^u为

$P_r\{P_{\mathrm{dem}}(k+1)=P_{\mathrm{demj}}|P_{\mathrm{dem}}\left(k\right)=P_{\mathrm{demi}}u\}=P_{\mathrm{ij}}^u$

i，j＝1，2，...，m；u∈U

其中U是决策量的合集，包括了所有可能的控制量，u是当前采用的决策。P^u _ij表示在采取某决策u后，从i状态转移到j状态的概率。

6)对于不同的SOC和车速下，对于某个司机需求功率，在蓄

电池功率控制(u＝P_bat)下，其单步转移成本为：

其中

式中η_e&g为发动机和发电机组的总效率；η_{e&g_avg}为发动机和发电机组的平均效率η_acdc为AC/DC转换器效率；η_{acdc_avg}为AC/DC转换器平均效率；η_{bat_dis}为蓄电池的放电效率，η_{bat_avg}为蓄电池的充电效率，Δt是单步步长时间，一般采用1秒。

7)定义总期望成本v_i(n)为从状态i开始进行n次状态切换的最小总期望成本。可以得到递推公式：

$v_i(n+1)=\underset{u}{\min }\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}^u[r_{\mathrm{ij}}^u+v_j\left(n\right)]n=\mathrm{0,1,2},...$

8)确定系统的约束条件：从设计需求角度来说，蓄电池主要起到功率调峰和辅助能量源的作用，而不是主要的能量源。从实车道路数据来看，较少出现蓄电池功率大于30kW的情况，所以在优化时，设定蓄电池功率范围为-30kW≤P_bat≤30kW。

9)最后，从状态i开始的马尔可夫决策优化问题可以描述成如下所示：

$\mathrm{\π}\left(P_{\mathrm{dem}}\right|\mathrm{SOC},v\_\mathrm{spd})=\underset{u\∈U}{\arg \min }\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\left\{P_{\mathrm{ij}}^u\right[r_{\mathrm{ij}}^u+v_j\left(n\right)\left]\right\}$

式中v_spd为汽车车速；P_{e&g_net}为发电机的功率；P_{acdc_in_max}是AC/DC转换器的最大输入功率；U_{addc_in}是AC/DC输入线电压的有效值；r_ratio是AC/DC转换器输出电压和输入线电压有效值之比；U_m&c为电机及控制器电压；I_m&c为电机及其控制器电流；τ_m为电机转矩；ω_m为电机转速。

10)用策略迭代法求解最优策略，得到最优控制量u，也就是蓄电池的最佳输出功率P_{bat_opt}(正为放电，负为充电)。

11)由蓄电池等效电路(附图3)可以计算出U_bus～P_bat之间的数学关系表达式为：

$U_{\mathrm{bus}}=\frac{\mathrm{\ϵ}+\sqrt{{\mathrm{\ϵ}}^2-4(R_t+\frac{R_c\·R_e}{R_c{R}_e})\·P_{\mathrm{bat}}}}{2}$

式中ε为蓄电池开路电压。RC模型中各个电阻、电容以及电动势参数均为蓄电池荷电状态(State of Charge，简称SOC)、温度的函数。于是可计算出最佳的总线电压U_{bus_opt}。

12)最终控制AC/DC内部的开关频率即可实现最佳的P_{bat_opt}和U_{bus_opt}；控制发动机的喷油量可以控制P_acdc，这样既保证了实际的需求功率P_{dem_act}，又能最低限度的降低转移成本，保证能耗最低。

通过车辆实验证明，本方法能够在保证车辆行驶动力的前提下，大大降低燃油消耗量。与确定性动态规划相比，马尔可夫决策理论在考虑实际道路工况统计规律的情况下，对未来的功率需求做出预测，从而指导内部双能源系统的功率分配策略，为下一步系统运行做好准备。通过本方法，可以直接得到混合动力汽车的能量管理方法，并具有一定的自适应更新功能。

附图说明

图1所示为混合动力汽车的动力系统结构图；

图2所示为状态转移概率矩阵；

图3所示为二阶蓄电池模型等效电路图。

具体实施方式

通过传感器获取车辆速度，根据车辆速度和加速踏板的位置计算当前司机需求转矩，并根据司机需求转矩和车辆速度计算司机实际的需求功率P_{dem_act}；

P_{dem_atc}＝(P_acdc+P_bat)·η_m&c·η_trans

从蓄电池SOC测量装置计算出蓄电池的SOC值。

根据大量的行驶记录归纳出司机需求功率的统计规律：

P_dem＝I_bus·U_busη_m&c·η_trans

U_bus为母线电压，I_bus为母线电流，η_trans为传动系统效率，η_m&c为电机和控制器的总效率。假设司机的操作仅仅是根据当前的状态来决定下一时刻的司机需求功率。具体来说，在当前时刻k，司机在k+1时刻的需求功率P_dem(k+1)只与P_dem(k)相关，而与P_dem(k-1)无关。因此，可以利用马尔可夫链来建立司机需求功率的随机模型，揭示司机需求功率的统计规律。

首先，把司机需求功率P_dem离散化成m个状态，即

P_dem∈{P_dem1，P_dem2，...，P_demm，}

定义状态转移概率p_ij ^u为

$P_r\{P_{\mathrm{dem}}(k+1)=P_{\mathrm{demj}}|P_{\mathrm{dem}}\left(k\right)=P_{\mathrm{demi},}u\}=P_{\mathrm{ij}}^u$

i，j＝1，2，...，m；u∈U

其中U是决策量的合集，包括了所有可能的控制量，u是当前采用的决策。所以状态转移概率指的是在采取某决策u后，本时刻到达了i状态，下一时刻状态转移到j状态的概率。将m个司机需求功率P_dem状态之间的切换转移概率组成图2所示的矩阵，该矩阵中，存在 $\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}^u=1.$

为了便于控制，我们将蓄电池蓄功率P_bat作为决策量u。这是因为在某个蓄电池SOC状态下，母线电压与蓄电池功率是一一对应关系。因此，可以通过控制主AC/DC转换器的输出电压(即母线电压)来间接控制蓄电池功率。虽然母线电压与蓄电池功率是基本等效的，但从功率分配的角度来看，选择蓄电池功率作为决策量更为直观。

定义单步转移成本r_ij ^u为：在控制量为u的情况下，司机需求功率从i状态转移到j状态所消耗的成本。

对于不同的SOC和车速下，对于某个司机需求功率，在蓄电池功率控制(决策量u＝P_bat)下，其单步转移成本为：

其中

式中η_e&g为发动机和发电机组的总效率，η_{e&g_avg}为发动机和发电机组的平均效率；η_acdc为AC/DC转换器效率；ηa_{cdc_avg}为AC/DC转换器平均效率；Δt是单步步长时间，一般采用1秒。

单步转移成本分为两个部分：

1)第一项表示发动机和发电机组按照静态效率模型计算所消耗的燃油能量；

2)第二项表示蓄电池电能等效折算成的燃油的能量。由于蓄电池电能与燃油化学能是两类不同的能量，因此，在计算总能量消耗的时候，需要对这两种截然不同的能量形式进行能量转换。一般情况下，蓄电池的电能最终来自于燃油的充电，因此在对蓄电池放电的时候，还需要考虑将来为恢复这部分电能时发动机、发电机和AC/DC转换器的能量效率。

最后，可定义总期望成本v_i(n)为从状态i开始进行n次状态切换的最小总期望成本。可以得到递推公式：

$v_i(n+1)=\underset{u}{\min }\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}^u[r_{\mathrm{ij}}^u+v_j\left(n\right)],n=\mathrm{0,1,2},...$

马尔可夫决策的目标就是在当前蓄电池SOC和汽车车速下寻找到最佳控制策略u＝π(P_dem|SOC，v_spd)，使得从长远时间的角度来看总成本v_i(n)的期望值最小。

在进行马尔可夫决策优化计算前，还需要考虑系统的约束条件。从设计需求角度来说，蓄电池主要起到功率调峰和辅助能量源的作用，而不是主要的能量源。从实车道路数据来看，较少出现蓄电池功率大于30kW的情况，所以在优化时，设定蓄电池功率范围为-30kW≤P_bat≤30kW。蓄电池采用RC模型如图3所示，RC模型中各个电阻、电容以及电动势参数均为蓄电池荷电状态(State of Charge，简称SOC)、温度的函数。

由蓄电池等效电路(附图3)可以计算出U_bus～P_bat之间的数学关系表达式为：

$U_{\mathrm{bus}}=\frac{\mathrm{\ϵ}+\sqrt{{\mathrm{\ϵ}}^2-4(R_t+\frac{R_c\·R_e}{R_c{R}_e})\·P_{\mathrm{bat}}}}{2}$

式中ε为蓄电池开路电压。RC模型中各个电阻、电容以及电动势参数均为蓄电池荷电状态(State of Charge，简称SOC)、温度的函数。

同时可以得到蓄电池效率数学表达式。由于蓄电池组充放电效率计算方法不同，需要分别计算。

当P_bat＞0时，蓄电池放电效率为：

${\mathrm{\η}}_{\mathrm{bat}\_\mathrm{dis}}=\frac{{2P}_{\mathrm{bat}}\·(\frac{R_e\·R_c}{R_e+R_c}+R_t)}{{\mathrm{\ϵ}}^2-\mathrm{\ϵ}\sqrt{{\mathrm{\ϵ}}^2-4(\frac{R_e\·R_c}{R_e+R_c}+R_t)\·P_{\mathrm{bat}}}}$

当P_bat＜0时，蓄电池充电效率为：

${\mathrm{\η}}_{\mathrm{bat}\_\mathrm{cha}}=\frac{{-\mathrm{\ϵ}}^2+\mathrm{\ϵ}\sqrt{{\mathrm{\ϵ}}^2+4(\frac{R_e\·R_c}{R_e+R_c}+R_t)\·\left|P_{\mathrm{bat}}\right|}}{2(\frac{R_e\·R_c}{R_e+R_c}+R_t)\·\left|P_{\mathrm{bat}}\right|}$

综上所述，从状态i开始的马尔可夫决策优化问题可以描述为：

$\mathrm{\π}\left(P_{\mathrm{dem}}\right|\mathrm{SOC},v\_\mathrm{spd})=\underset{u\∈U}{\arg \min }\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\left\{P_{\mathrm{ij}}^u\right[r_{\mathrm{ij}}^u+v_j\left(n\right)\left]\right\}$

式中v_spd为汽车车速；P_{e&g_net}为发电机的功率；P_{acdc_in_max}是AC/DC转换器的最大输入功率；U_{addc_in}是AC/DC输入线电压的有效值；r_ratio是AC/DC转换器输出电压和输入线电压有效值之比；U_m&c为电机及控制器电压；I_m&c为电机及其控制器电流；τ_m为电机转矩；ω_m为电机转速。

马尔可夫决策主要有两种求解方法，一种是值迭代法，另一种是策略迭代法。由于策略迭代法更适合于持续时间较长的系统，因此本系统采用策略迭代法求解最优策略。得到最优控制量u，也就是蓄电池的最佳输出功率P_{bat_opt}(正为放电，负为充电)。再由蓄电池等效电路(附图3)可以计算出U_bus～P_bat之间的数学关系表达式为：

$U_{\mathrm{bus}}=\frac{\mathrm{\ϵ}+\sqrt{{\mathrm{\ϵ}}^2-4(R_t+\frac{R_c\·R_e}{R_c{R}_e})\·P_{\mathrm{bat}}}}{2}$

式中ε为蓄电池开路电压。RC模型中各个电阻、电容以及电动势参数均为蓄电池荷电状态(State of Charge，简称SOC)、温度的函数。于是可计算出最佳的总线电压U_{bus_opt}。

最终控制AC/DC内部的开关频率即可实现最佳的P_{bat_opt}和U_{bus_opt}；控制发动机的喷油量可以控制P_acdc，这样既保证了实际的需求功率P_{dem_act}，又能最低限度的降低转移成本，保证能耗最低。

总之，马尔可夫决策过程是依据司机需求功率的统计规律，得到司机需求功率的状态转移概率矩阵，用来预测将来的司机需求功率的概率分布，是着眼于现在和未来的功率需求分析，因此能得到真实的行驶工况下是最优的的能量管理方法。

由于本发明的动态规划算法具有较好的移植特性，因此它也适用于其他类型的双能量源混合动力系统中。

Claims (2)

1、一种双能源混合动力汽车的随机能量管理方法，其特征在于：从车辆道路行驶记录中归纳出实际功率的统计规律，得到司机需求功率的状态转移概率矩阵，并通过试验和理论模型计算获得任意状态之间转换的单步成本，建立司机需求功率的马尔可夫随机模型；在实际行驶时，司机的加速踏板信号代表了司机希望获得的转矩，以现有的车速、加速踏板为输入信号，可计算出车辆即将输出的功率，以这一功率为起点，运用事先已经建立的马尔可夫随即模型，对下一步各种可能的功率转移的最小总期望成本进行动态规划，采用策略迭代法求解最优策略，得到最优控制量，再通过蓄电池等效电路可以计算出最佳的总线电压；最终控制发动机的喷油量和AC/DC内部的开关频率即可实现最佳的母线电压和电流。

2、根据权利要求1所述的随机能量管理方法，其特征在于：

(1)、通过传感器获取车辆速度，根据车辆速度和加速踏板的位置计算当前司机需求转矩，并根据司机需求转矩和车辆速度计算司机实际的需求功率；

(2)、从蓄电池SOC测量装置计算出蓄电池的SOC值；

(3)、根据行驶记录归纳出司机需求功率的统计规律；

(4)、通过控制AC/DC转换器的输出电压来间接控制蓄电池功率，选择蓄电池功率为系统的决策量；

(5)、利用马尔可夫链来建立司机需求功率的随机模型，揭示司机需求功率的统计规律；

(6)、对于不同的SOC和车速，在蓄电池功率控制下，计算单步转移成本；

(7)、定义总期望成本，通过计算获得状态切换的最小总期望成本；

(8)、确定系统的约束条件，得到最优控制量；

(9)、由蓄电池等效电路计算出最佳的总线电压；

(10)、最终控制AC/DC内部的开关频率即可实现最佳的电流和电压输出，控制发动机的喷油量。

Images