CN202499132U - 新型Plug_in混合动力汽车能量管理控制器 - Google Patents

Abstract

本实用新型公开了一种新型Plug_in混合动力汽车能量管理控制器，其包括：采集信息的信号采集单元、获取信号采集单元所采集的信息并对所采集的信息进行运算的CPU以及依据CPU的运算结果对电机和发动机进行控制的控制单元，CPU上连接有LCD显示器和PC接口。本实用新型可将驾驶行为用神经网络进行建模，驾驶模式、踏板位置以及当前车轮力矩作为神经网络输入，目标力矩作为输出，并将道路类型、目标力矩、电池SOC、当前车轮力矩为模糊输入变量，以满足整车动力性能、燃油经济型和极限边界极值为约束条件，对混合动力汽车的能量进行分配与管理，在行驶里程60km等价燃油经济型最好，随着行驶里程增加燃油经济型下降。

Description

新型Plug_in混合动力汽车能量管理控制器

技术领域

本实用新型属于汽车能量控制器，具体是一种新型Plug_in混合动力汽车能量管理控制器。

背景技术

外接充电式混合动力汽车(Plug-In Hybrid Electric Vehicl e，PHEV)有蓄电池和发动机两个动力源，蓄电池可以由外部电网直接充电，短距离行驶工作于纯电动模式，长距离行驶时油电混合驱动，耗油量比纯燃油车低，尤其短距离行驶。能量管理策略是PHEV的核心技术之一，在电机和发动机两种功率源之间按能量管理策略进行分配功率和转矩输出，以达到在保证动力性能的基础上最佳燃油经济性，减少废气排放，同时保持蓄电池、电机、发动机等核心部件工作于最佳状态。传统能量管理策略可以分为两类：基于规则的能量管理策略和基于优化的能量管理策略。其中，基于优化的能量管理策略又可分为实时优化能量管理策略和全局最优能量管理策略。目前关于PHEV能量管理问题的研究刚刚展开，Banvait对基于确定性规则的PHEV能量管理策略进行了研究。基于确定性规则的能量管理策略静态分配转矩，无法获得最优性能，张博等分别采用矩阵分割算法和粒子群算法优化门限参数，在一定程度上改进了静态逻辑门限能量管理策略的性能。Markel等和O.Keefe等使用Bellman原理设计了相应的全局优化算法，对PHEV控制参数及部件的部分设计参数进行了研究。部分学者应用动态规划(dynamic program2ming)全局优化算法对该PHEV在不同行驶里程下的控制策略进行了全局优化研究。全局优化策略要求采集整个行驶工况，具有很大的局限性。本文将驾驶行为、道路类型以及车辆运行工况用神经网络建模得到目标需求功率，并将目标需求功率、电池SOC、和当前车轮力矩为模糊控制算法的输入变量，整车动力性能、燃油经济型和极限边界极值为约束条件，利用模糊伏安法动态分配电池输出功率和发动机输出功率，实现对PHEV的能量进行分配与管理，对算法进行了软件仿真并利用DSP平台设计实现能量管理控制器，最后在飞神集团提供的轻型客车进行改装并进行样车测试，仿真和样车测试结果表明：(1)在行驶里程50km以内，工作于纯电动模式，等价燃油经济型最好，等价油耗1.5L/100km；(2)随着续驶里程增加，燃油经济性下降，在超过70km行驶里程，主要工作在混合模式，等价油耗比纯燃油车低20％；(3)样车动力性能及各部件状态良好。

如图1所示PHEV混合动力系统主要由发动机、动力电池、电机、离合器、变速箱和驱动轮组成。有发动机和电机两个动力源，他们既可以独立工作，也可共同驱动车辆。工作模式如下(1)纯电动模式：当电池电量充足时，优先考虑使用动力电池的电量来驱动电机，从而降低排放和油耗；(2)发动机模式：当电池电量不足时，发动机工作并带动电机发电给电池充电；(3)混合动力模式：在急速加速、爬坡等需要大功率驱动时发动机和电动机同时工作；(4)制动能量回模式：当滑行和刹车制动情况下电动机工作在发电状态，将制动能量转换为电能回收到蓄电池。

动力系统总成及主要部件参数见表1所示

表1动力系统总成及格主要部件参数

实用新型内容

本实用新型的目的提供一种新型Plug_in混合动力汽车能量管理控制器。

为达到本实用新型的目的，本实用新型的新型Plug_in混合动力汽车能量管理控制器包括：采集信息的信号采集单元、获取所述信号采集单元所采集的信息并对所采集的信息进行运算的CPU以及依据所述CPU的运算结果对电机和发动机进行控制的控制单元，所述的CPU上连接有LCD显示器和PC接口。

具体的，所述的信号采集单元通过将采集仪分布在刹车踏板、油门踏板、离合器、变速箱、车轮力矩、电池SOC、电机及控制器进行信息采集。CPU采用320TM2807DSP微处理器。

本实用新型的有益效果是：可将驾驶行为用神经网络进行建模，驾驶模式、踏板(油门和刹车)位置以及当前车轮力矩作为神经网络输入，目标力矩作为输出；并将道路类型、目标力矩、电池SOC、当前车轮力矩为模糊输入变量，以满足整车动力性能、燃油经济型和极限边界极值为约束条件，对混合动力汽车的能量进行分配与管理，在行驶里程60km等价燃油经济型最好，随着行驶里程增加燃油经济型下降，整个测试过程中样车动力性能以及各部件工况良好。

附图说明

图1是外接充电式混合动力系统框图；

图2是功率误差信号ΔP_R的隶属度函数曲线图；

图3是锂电池荷电状态SOC的隶属度函数曲线图；

图4是发动机输出功率PE的隶属度函数曲线图；

图5是电机提供功率P_b的隶属度函数曲线图；

图6是取时间0-35分钟仿真波形图；

图7是取时间100-120分钟仿真波形图；

图8是本实用新型的能量管理控制器的结构框图。

具体实施方式

以下结合说明书附图对本实用新型做进一步说明。

本实用新型的新型Plug_in混合动力汽车能量管理控制器，如图所示，其包括：采集信息的信号采集单元、获取信号采集单元所采集的信息并对所采集的信息进行运算的CPU以及依据CPU的运算结果对电机和发动机进行控制的控制单元，CPU上连接有LCD显示器和PC接口。

具体的，信号采集单元通过将采集仪分布在刹车踏板、油门踏板、离合器、变速箱、车轮力矩、电池SOC、电机及控制器进行信息采集。CPU采用320TM2807DSP微处理器。

控制器CPU采用320TM2807DSP微处理器，主要完成(1)信息采集功能。油门踏板信息、刹车信号、电机及控制器状态、发动机状态、电池SOC等信息信号采集；(2)算法运算功能：将采集到信息首先利用神经网络将油门刹车踏板、实际力矩和驾驶行为计算出目标功率，然后跟距目标功率、实际功率、电池SOC和道路类型动态分配电机和发动机功率。(3)控制功能：将分配的数据转换为控制信号完成对电机和发动机的控制；(4)数据存储，将电动车个部件采集的数据进行存储，并可通过LCD显示器查看，并可以通过CAN总线传输至PC机进行分析处理。

本实用新型的控制器，可用下述能量管理策略、可算法方针实现整车能量管理。

驾驶员通过观察周围环境和感觉车辆运行状态来控制车辆加速、减速、巡航或制动。驾驶行为神经网络建模启动、加速、巡航、减速和停止/怠速。这种驾驶模式的判别可以根据下面的转矩关系获得：

启动：ΔT_R＞0

加速：ΔT_R＞0

巡航：ΔT_R＝0

减速：ΔT_R＜0

停止/怠速：ΔT_R＝0

ΔT_R＝T_C-T_S是车辆为了加减速而加的转矩。

其中：T_S是当前车轮实际转矩；

是加速踏板信号，

是制动踏板信号，T_E+T_M是当前车速下、当前档位下发动机和电池能提供的最大转矩；T_brk是车辆最大的制动力矩。

将驾驶模式、油门踏板和刹车踏板信号作为神经网络的输入信号得到目标功率(目标力矩)大小，然后将目标功率、电池SOC、实际功率和道路类型用模糊算法分配电池功率和发动机功率。

神经网络由输入层、隐含层和输出层组成，输入层有4个节点：

隐含节点为N个，输出节点为1个，算法的基本思想是最小二乘算法，它采用梯度搜索技术，学习过程是调整权值，以使网络的实际输出值与期望输出值之间的误差均方值最小。w_ij是输入层和隐含层节点间的连接权值，q_j是隐含层和输出层节点间的连接权值.b_j为隐含层第j个节点的阈值，θ为输出层节点阀值，f₁和f₂为隐含层和输出层的作用函数，f₁可以选择非对称型sigmiod函数1/(1+e^-x)，f₂可以选择线性函数。

输出转矩为： $T_R=f_2(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{q}_j{y}_j+\mathrm{\θ})$

隐含层各节点输出为： $y_j=f_1(\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i+b_j)$

神经网络的性能与所选择的训练样本有密切关系，选择样本要具有多样性、均匀性和代表性。首先将不同驾驶模式下刹车踏板、油门踏板以及车辆运行状态下的目标力矩作为待选训练样本，从每一类均匀取样。

瞬时能量管理策略主要模糊管理策略根据目标力矩、电池荷电状态、PHEV实际车轮转矩在不同路况条件下动态分配电机力矩、发动机力矩

P_R(t)＝P₃(t)+P_m(t)

＝T_E(t)ω_E(t)+T_m(t)ω_m(t)

T_R(t)＝T_E(t)+ρT_m(t)

ω_R(t)＝ω_E(t)＝ω_m(t)/ρ

T_E，min(ω_E(t))≤T_E(t)≤T_E，max(ω_E(t))

T_m，min(ω_m(t))≤T_m(t)≤T_m，max(ω_m(t))

ω_E，min≤ω_E(t)≤ω_E，max

ω_m，min≤ω_m(t)≤ω_m，max

SOC_min≤SOC≤SOC_max

T_R(t)为混合动力系统的总需求力矩

T_E(t)，T_m(t)分别为发动机和电机输出力矩，T_E，min(ω_E(t))，T_E，max(ω_E(t))为发动机转速为下的最小和最大转矩，ω_m，min，ω_m，max为电机最小和最大转速

将瞬时工况的能量消耗作为能量管理与优化的目标函数：

J＝min{E_E[T_E(t)，ω_E(t)]+s(t)[T_m(t)，ω_m(t)]}，E_E，E_m分别为燃油热能和电机消耗电能，s(t)为电机消耗电能和燃油消耗热能等价比。

对电动机而言转矩与电流成正比，而蓄电池电压基本稳定，发动机力矩和转速乘积为发动机功率，因此输入、输出变量用功率表示，与力矩等价。模糊控制器以目标功率P_R、锂电池的荷电状态SOC、实际车轮功率P_S以及道路类型为模糊控制的输入变量，按照约束规则，以电机功率P_m和发动机输出功率P_E为模糊控制器的输出变量。

模糊输入变量P_R和SOC基本论域为[-10，25]KW和[30，90]％，将输入变量模糊化，模糊子集为{NB(负大)，NM(负中)，NS(负小)，ZO(零)，PS(正小)，PM(正中)，PB(正大)}；模糊输出变量P_m的论域为[-10，15]KW，模糊子集也为{NB(负大)，NM(负中)，NS(负小)，ZO(零)，PS(正小)，PM(正中)，PB(正大)}，模糊输出变量P_E的论域为[5，25]KW，模糊子集也为{ZO(零)，PS(正小)，PM(正中)，PB(正大)}，模糊输出变量P_r的论域为[0，3]KW，模糊子集也为{ZO(零)，PS(正小)，PM(正中)，PB(正大)}。

选择输入、输出模糊变量的隶属度函数为三角形如图2-5所示。模糊控制规则由一系列关系词连接而成，最常用的关系词有if-then，also，or和and，确定各输出量与输入量的模糊控制规则分别如表2所示。模糊控制算法给出的控制量，还不能直接控制对象，实际输出需进行去模糊化处理，将其转换到控制对象所能接受的基本论域中去去模糊化处理算法采用质心法。

表2模糊控制规则表

在Matlab仿真系统中建立模糊控制器，取模糊控制的输入变量目标功率P_R和锂电池的荷电状态SOC的论域为[-10，25]KW和[30，90]％，取模糊控制器的输出变量发动机分配输出功率P_E、锂电池分配输出功率P_b论域分别为[5，25]KW和[-10，25]KW。锂电池为60AH/72V，电池初始荷电状态SOC＝70％，取时间0-35分钟和100-120分钟仿真波形如图6和图7所示.

通过仿真波形可以看出，利用该模糊算法对发动机输出功率、锂电池输出功率和制动能量回收功率进行动态管理，在45分钟(行驶里程50KM)内主要以纯电动模式工作，锂电池荷电状态持续减少，直到下降到35％左右保持稳定，燃油经济最好，等价油耗在1.5L/100km左右；(2)随着续驶里程增加，燃油经济性下降，在超过80km行驶里程，主要工作在混合模式，蓄电池SOC在30％上下起伏，仍比纯燃油车低1.7L/100km；仿真和测试过程中，将锂电池SOC下限设定为SOCmin＝30％，如下限值降低，令SOCmin＝20％纯电动模式行驶里程还可以增加15KM，长期使锂电池工作在低SOC状态下，其寿命会降低，综合考虑取SOCmin＝30％。如加大电池容量，纯电动续驶里程可增加，但成本增加。

本实用新型针对Plug_in混合动力汽车研究设计基于模糊神经网络算法的整车能量管理控制器。将驾驶行为用神经网络进行建模，驾驶模式、踏板(油门和刹车)位置以及当前车轮力矩作为神经网络输入，目标力矩作为输出；并将道路类型、目标力矩、电池SOC、当前车轮力矩为模糊输入变量，以满足整车动力性能、燃油经济型和极限边界极值为约束条件，对混合动力汽车的能量进行分配与管理，用advsior软件进行了仿真，基于该算法在DSP硬件平台设计实现能量管理控制器，通过算法仿真和样车测试表明：在行驶里程60km等价燃油经济型最好，随着行驶里程增加燃油经济型下降，整个测试过程中样车动力性能以及各部件工况良好。

Claims (3)

1.新型Plug_in混合动力汽车能量管理控制器，其特征是包括：采集信息的信号采集单元、获取所述信号采集单元所采集的信息并对所采集的信息进行运算的CPU以及依据所述CPU的运算结果对电机和发动机进行控制的控制单元，所述的CPU上连接有LCD显示器和PC接口。

2.根据权利要求1所述的新型Plug_in混合动力汽车能量管理控制器，其特征是：所述的信号采集单元通过将采集仪分布在刹车踏板、油门踏板、离合器、变速箱、车轮力矩、电池SOC、电机及控制器进行信息采集。

3.根据权利要求1所述的新型Plug_in混合动力汽车能量管理控制器，其特征是：所述的CPU为320TM2807DSP微处理器。

Images