基于工況識別的里程自適應混合動力汽車能量管理方法
【專利摘要】本發(fā)明涉及一種基于工況識別的里程自適應混合動力汽車能量管理方法,包括工況識別和里程自適應能量管理控制方法兩部分,在工況識別部分,采用學習向量量化(LVQ)模型對各工況特征參數(shù)進行訓練學習以實現(xiàn)實時工況的識別;在里程自適應能量管理控制部分,涉及使用最小等效消耗(ECMS)。本發(fā)明所提出的方法通過識別工況的里程自適應的插電式混合動力汽車能量管理控制策略,通過適應不同的行駛里程和工況,結(jié)合PID控制,可顯著改善汽車的燃油經(jīng)濟性,實現(xiàn)節(jié)能減排和美化環(huán)境。
【專利說明】
基于工況識別的里程自適應混合動力汽車能量管理方法
技術領域
[0001 ]本發(fā)明涉及一種基于工況識別的里程自適應混合動力汽車能量管理方法。
【背景技術】
[0002] PHEV插電式混合動力汽車作為傳統(tǒng)汽車向電動汽車的過渡產(chǎn)品,很好的兼顧續(xù)航 里程和燃油經(jīng)濟性。隨著技術的提升,PffiV的控制策略已經(jīng)從傳統(tǒng)的基于規(guī)則轉(zhuǎn)向最優(yōu)控 制。ECMS(等效燃油消耗)是通過優(yōu)化等效因子A,來充分發(fā)揮插電式的節(jié)油潛能的一種實時 優(yōu)化方法。傳統(tǒng)的ECMS結(jié)合DP (動態(tài)規(guī)劃)來獲取某一預先給定的行駛工況的下的最佳等效 因子。但在最近的研究中,發(fā)現(xiàn)等效因子在整個行駛過程中并非為一常數(shù)。2010年Pinak Tulpule等人通過研究表明隨著里程的增加,等效因子有變大的趨勢。2013年Hai Yu等人提 出PHEV里程自適應能量控制策略,通過在不同的行駛工況下確立不同的等效因子,顯著提 升了車輛的燃油經(jīng)濟性。
【發(fā)明內(nèi)容】
[0003] 本發(fā)明的目的在于提供一種基于工況識別的里程自適應混合動力汽車能量管理 方法,以克服現(xiàn)有技術中存在的缺陷。
[0004] 為實現(xiàn)上述目的,本發(fā)明的技術方案是:一種基于工況識別的里程自適應混合動 力汽車能量管理方法,按照如下步驟實現(xiàn):
[0005] 步驟S1:采用基于LVQ神經(jīng)網(wǎng)絡模型對預設工況進行訓練學習,建立工況識別模 型;
[0006] 步驟S2:獲取PHEV整車當前的行駛特征參數(shù),通過所述工況識別模型判斷當前所 處工況;對荷電狀態(tài)最低限值SOC(tf)進行預設,并從GPS/GIS模塊獲取里程總里程值D tcltal, 通過S0Cref生成子模塊進一步獲取參參考荷電狀態(tài)S0Cref(t);
[0007] 步驟S3:電池充放電模塊獲取所述參考荷電狀態(tài)S0Cref(t)以及當前所處工況,計 算當前等效系數(shù)p(t);
[0008] 步驟S4:通過ECMS等效燃油最小模塊獲取所述當前等效系數(shù)p(t),并結(jié)當前PHEV 整車需求功率Pwhl ( t ),計算當前電池輸出功率Pbatt ( t )以及當前發(fā)動機輸出功率Peng ( t );
[0009] 步驟S5 :輸出所述當前發(fā)動機輸出功率?^% (t)以及所述當前電池輸出功率Pbatt (t)至PHEV整車,對PHEV整車施加控制;
[0010] 步驟S6:所述PHEV整車通過PID控制對運行過程中的SOCref (t)偏差進行修正。
[0011] 在本發(fā)明一實施例中,在所述步驟S1中,在訓練學習階段,從測試循環(huán)工況模塊中 分別提取如下預設工況的行駛特征參數(shù)用于訓練:鬧市區(qū)、生活區(qū)、中速區(qū)以及快速區(qū),且 每種工況的特征參數(shù)包括:平均速度¥ 3%、平均加速度aave5、平均減速度隊、速度標準差Vstd、 加速度標準差ltd、減速度標準差&td、怠速時間/總時間的百分比Pt_idle以及平均行駛速度 y aVe'ncsidp . 〇
[0012] 在本發(fā)明一實施例中,所述LVQ神經(jīng)網(wǎng)絡模型有兩層結(jié)構(gòu):隱含層以及輸出層,LVQ 神經(jīng)網(wǎng)絡模型將各個工況的特征參數(shù)作為輸入向量,結(jié)合競爭學習以及監(jiān)督學習對輸入向 量進行分類,在隱含層中進行學習訓練,并將學習訓練分類的結(jié)果傳遞至輸出層的目標分 類上,建立所述工況識別模型。
[0013]在本發(fā)明一實施例中,在所述步驟S2中,所述行駛特征參數(shù)包括:平均速度Vare、平 均加速度~%、平均減速度0ave、速度標準差Vstd、加速度標準差astd、減速度標準差隊 td、怠速 時間/總時間的百分比Pt ldle以及平均行駛速度1^^# - 〇
[0014]在本發(fā)明一實施例中,所述參考荷電狀態(tài)SOCref(t)通過如下方式獲?。?br>[0016] 其中,D(t)為所述PHEV整車所提供的當前已經(jīng)行駛的里程,SOC(to)為行駛初始的 荷電狀態(tài),soc(t)為當前電池荷電狀態(tài)。
[0017] 在本發(fā)明一實施例中,在所述步驟S3中,通過如下方式獲取所述當前等效系數(shù)V (t):
[0018] 入 *(t) = s*S0C(t)
[0019]其中,s為通過遺傳算法離線優(yōu)化獲得的等效因子,且令SOC(t)對應取值為參考荷 電狀態(tài) S0Cref(t)。
[0020] 在本發(fā)明一實施例中,在所述步驟S4中,通過ECMS最小等效燃油消耗方法,通過建 立哈密頓函數(shù)H(u,x,A,t)獲取所述當前電池輸出功率P batt(t): u\t) - argmin//(i/,A-,/l,〇 |.. /t. (+f)
[0021] =arg m nJu(t).〇 + (i) ^.= SdC(u(t),x(t),t)
[0022] 其中,〇似0為單位時間燃油消耗量,知隊單切為單位時間soc的消耗量, X(t)為當前電池荷電狀態(tài)S0C(t),當A取值為v(t)時,u\t)為pbatt(t)。
[0023] 在本發(fā)明一實施例中,在所述步驟S4中,結(jié)合所述當前整車需求功率Pwhi(t),計算 所述前發(fā)動機輸出功率p eng( t),且通過如下方式獲?。?br>[0024] Peng(t) =Pwhl(t)-Pbatt(t)
[0025]在本發(fā)明一實施例中,在所述步驟S6中,所述PHEV整車反饋當前電池荷電狀態(tài)S0C (t)至所述SOCref生成子模塊,計算當前電池荷電狀態(tài)S0C(t)與所述參考荷電狀態(tài)S0Cref(t) 存在的偏差,并通過PID對所述參考荷電狀態(tài)S0C ref(t)的偏差進行修正。
[0026] 相較于現(xiàn)有技術,本發(fā)明具有以下有益效果:本發(fā)明所提出的一種基于工況識別 的里程自適應混合動力汽車能量管理方法,通過識別工況的里程自適應的插電式混合動力 汽車能量管理控制策略,通過適應不同的行駛里程和工況,結(jié)合PID控制,可顯著改善汽車 的燃油經(jīng)濟性,實現(xiàn)節(jié)能減排和美化環(huán)境。
【附圖說明】
[0027] 圖1為本發(fā)明一實施例中基于LVQ工況識別過程示意圖。
[0028] 圖2為本發(fā)明一實施例中LVQ神經(jīng)網(wǎng)絡結(jié)構(gòu)。
[0029]圖3為本發(fā)明一實施例中學習訓練過程的誤差變化過程示意圖。
[0030]圖4為本發(fā)明一實施例中預設等效因子與電池 S0C關系圖。
[0031]圖5為本發(fā)明一實施例中訓練階段基于工況識別里程自適應的能量管理策略架構(gòu) 圖。
[0032]圖6為本發(fā)明一實施例中基于工況識別里程自適應的能量管理策略架構(gòu)圖。
【具體實施方式】
[0033]下面結(jié)合附圖,對本發(fā)明的技術方案進行具體說明。
[0034]本發(fā)明提供了一種插電式混合動力汽車的工況識別的里程自適應能量管理控制 方法。主要由工況識別和里程自適應能量管理控制方法組成。在工況識別的部分,采用基于 LVQ(學習向量量化)神經(jīng)網(wǎng)絡模型對各個工況進行訓練學習以實現(xiàn)實時工況的識別與選 擇。在里程自適應能量管理部分,采用基于ECMS的策略,并通過建立等效系數(shù)和S0C(電池荷 電狀態(tài))的關系,進而引入于行駛里程相關的S0C ref(t),從而獲得在不同行駛里程下的等效 系數(shù)對應于實際工況即實時的等效系數(shù)Mt),最后通過PID控制來矯正運行過程中偏差,建 立里程自適應的能量管理策略。
[0035] 進一步的,在本實施例中,工況識別的關鍵在于根據(jù)當前行駛特征進行辨識進而 判斷所處行駛工況屬于設定工況中的哪一種,其具體進程為:通過實時測量行駛特征參數(shù) 并記錄存儲,實時的歸納過去~秒的行駛特征的變化規(guī)律來判斷未來M秒的行駛趨勢,該思 想可見圖1所示。
[0036] 進一步的,在本實施例中,首先對行駛特征參數(shù)進行獲取。為能夠?qū)Ω鱾€工況進行 準確而可行的識別,鬧市區(qū)、生活區(qū)、中速區(qū)、快速區(qū)四種工況,采用的特征參數(shù)針對所研究 的對象進行精簡,分別選取平均速度V are,平均加速度aave5。平均減速度,速度標準差Vstd。 加速度標準差Qstd。,減速度標準差Pstd,還有怠速時間/總時間的百分比Pt_idle,平均行駛速 度^*具體如表1所不,為一組特征參數(shù)表。 D
[0037] 表 1
[0038]
[0039]進一步的,在本實施例中,如圖2所示,LVQ算法主要有兩層結(jié)構(gòu),即隱含層和輸出 層;網(wǎng)絡將采用結(jié)合了競爭學習和有監(jiān)督的學習對輸入向量進行分類,過程包括兩個部分: 一是通過計算Euclidean距離,匹配最近的神經(jīng)元,二是權向量自適應變化的更新過程,最 后在輸出層上,將隱含層的分類結(jié)果傳遞到用戶定義的目標分類上。
[0040]將上述提到的各個工況的8個特征參數(shù)作為輸入向量,在競爭層(C)中進行學習訓 練,訓練過程的誤差變化過程如圖3所示。最后通過由3個神經(jīng)元組成輸出層輸出,通過識別 輸出層神經(jīng)元的二進制信號,獲得當前所處工況。
[0041 ]進一步的,在本實施例中,里程自適應能量控制總體由兩部分組成:里程適應管理 模塊和ECMS等效燃油最小模塊。里程適應模塊由于S0Crrf生成子模塊和電池充放電子模塊 組成,S0C ref (t)生成子模塊接收從GPS/GIS處獲得行駛總里程Dt〇tai,由PHEV整車提供的當前 行駛已經(jīng)行駛的里程D(t),當前電池荷電狀態(tài)值SOC(t),以及電池荷電狀態(tài)初始值S0C (to),生成SOCref (t);電池充放電子模塊獲取S0Cref(t),生成當前等效系數(shù)V(t) JCMS等效 燃油最小模塊獲取當前等效系數(shù)v(t)結(jié)合當前PHEV整車需求功率pwhl(t)向整車提供當前 電池輸出功率p batt (t)和當前發(fā)動機輸出功率peng (t)。
[0042]進一步的,在本實施例中,如圖5所示,在訓練以及測試階段,通過測試循環(huán)工況模 塊提供每種工況對應的當前整車需求功率Pwhl(t),通過確定當前工況,從而確定當前整車 需求功率Pwhl(t)。測試循環(huán)工況模塊還提供LVQ算法學習訓練階段以及測試階段的預設工 況及其對應的行駛特征參數(shù)。
[0043]進一步的,在本實施例中,PHEV整車包括:電池模塊,電機模塊,發(fā)動機模塊以及傳 動模塊等,且該PffiV整車提供了當前的行駛特征參數(shù),包括:平均速度Vave、平均加速度aave、 平均減速度、速度標準差V std、加速度標準差astd、減速度標準差&td、怠速時間/總時間的 百分比Pt_idle 以及平均行駛速度。
[0044]進一步的,在本實施例中,能量管理系統(tǒng)的問題常使用S0C這個參數(shù)進行描述。S0C 的定義如式(1)
(1)
[0046]式中Q(t)為當前的電池電量,仏ax為該電池最大的電池電量。
[0047]通過定義控制系統(tǒng)的狀態(tài)變x = S0C,控制變量u = Pbatt,其中Pbatt為電池的輸出功 率。
[0048] 建立燃油優(yōu)化數(shù)學模型(2),其中%_&々為單位時間燃油消耗量,乃 為單位時間S0C的消耗量: 嫩鉍I = 二利路淑
[0049]
[0050] 則優(yōu)化問題可化為如下的哈密頓函數(shù)(3),其中A為等效系數(shù):
[0051 ] liCssAX-tl --s-(3)
[0052]由上式子可得,當A(t)增大時,相對應使用電池的代價提高;反之亦然。
[0053]進一步的,在本實施例中,為了獲取實時優(yōu)化,構(gòu)造如下優(yōu)化函數(shù):
[0054]人 *(t) = s*S0C(t) (4)
[0055]該函數(shù)的含義為當S0C值較高時,s取值較小,趨向于消耗電能;反之,當S0C值較低 時,s取值較大,趨向于消耗燃油。在訓練階段,根據(jù)此趨勢,構(gòu)造不同里程下的等效因子s取 值,如圖4所示。
[0056] 通過(3)建立參考荷電狀態(tài)S0Crrf與里程D(t)的關系
[0058] 其中Dtcltal為本次行駛總里程,SOC(to)為行駛初始的荷電狀態(tài),S0C(tf)為終點的 荷電狀態(tài),也即荷電狀態(tài)最低限值。將S0C ref帶入式(4)中,構(gòu)建里程與等效系數(shù)之間的關 系。
[0059] 在獲得各個行駛里程的等效系數(shù)f(t)后,優(yōu)化問題轉(zhuǎn)化為獲取電池輸出功率f (t),如下(5)問題: u {t) ^ argmin I!(u,x\AJ)\. jr (5)
[0060] ^ argih(l)>:5 SdC(u([),x(t),tj
[0061 ] 其中,〇你4為單位時間燃油消耗量,必c(i你為單位時間soc的消耗量, x(t)為當前電池荷電狀態(tài)S0C(t),當A取值為V(t)時,u\t)為Pbatt(t)。
[0062]最后在確定當前電池輸出功率Pbatt(t)之后,結(jié)合由循環(huán)工況測試數(shù)據(jù)提供的工 況信息獲取當前的整車需求功率Pwhi(t),進而由式(6)獲取當前發(fā)動機輸出功率peng( t):
[0063] Peng(t) =Pwhl(t)-Pbatt(t) (6)
[0064] 進一步的,在本實施例中,如圖6所示,首先根據(jù)PHEV整車提供的特征參數(shù),由工況 識別模塊識別當前所處工況,并將當前所處工況傳至電池充放電模塊;同時S0C ref(t)生成 子模塊接受從GPS/GIS處獲得行駛總里程Dtcltal,當前的行駛已經(jīng)行駛的里程D(t),當前的電 池荷電狀態(tài)值SOC(t),以及電池荷電狀態(tài)初始值S0C(t Q),給出SOCref(t),并傳至電池充放 電模塊;電池充放電模塊接收當前工況類型和S0Cref(t)生成當前的等效系數(shù)V(t)并傳至 ECMS等效燃油最小模塊;ECMS等效燃油消耗模塊接收t),得出當前電池輸出功率Pbatt(t) 和當前發(fā)動機輸出功率P eng(t)。同時PHEV整車模塊還將實時的當前S0Cref生成子模塊荷電 狀態(tài)反饋至S0C ref生成子模塊,通過PID對工作過程的S0Cref(t)偏差進行修正。
[0065] 以上是本發(fā)明的較佳實施例,凡依本發(fā)明技術方案所作的改變,所產(chǎn)生的功能作 用未超出本發(fā)明技術方案的范圍時,均屬于本發(fā)明的保護范圍。
【主權項】
1. 一種基于工況識別的里程自適應混合動力汽車能量管理方法,其特征在于,按照如 下步驟實現(xiàn): 步驟SI:采用基于LVQ神經(jīng)網(wǎng)絡模型對預設工況進行訓練學習,建立工況識別模型; 步驟S2:獲取PHEV整車當前的行駛特征參數(shù),通過所述工況識別模型判斷當前所處工 況;對荷電狀態(tài)最低限值SO(Xtf)進行預設,并從GPS/GIS模塊獲取里程總里程值Dtcital,通過 SOCref生成子模塊進一步獲取參考荷電狀態(tài)SOCreKt); 步驟S3:電池充放電模塊獲取所述參考荷電狀態(tài)SOCref (t)以及當前所處工況,計算當 前等效系數(shù)V(t); 步驟S4:ECMS等效燃油最小模塊獲取所述當前等效系數(shù)V(t),并結(jié)合當前PHEV整車需 求功率Pwhl(t),計算當前電池輸出功率Pbatt(t)以及當前發(fā)動機輸出功率P eng(t); 步驟S5:輸出所述當前發(fā)動機輸出功率Peng(t)以及所述當前電池輸出功率Pbatt (t)至 PHEV整車,對PHEV整車施加控制; 步驟S6:所述PHEV整車通過PID控制對運行過程中的S0Cref(t)偏差進行修正。2. 根據(jù)權利要求1所述的基于工況識別的里程自適應混合動力汽車能量管理方法,其 特征在于,在所述步驟Sl中,在訓練學習階段,從測試循環(huán)工況模塊中分別提取如下預設工 況的行駛特征參數(shù)用于訓練:鬧市區(qū)、生活區(qū)、中速區(qū)以及快速區(qū),且每種工況的特征參數(shù) 包括:平均速度V ave、平均加速度aave、平均減速度β3νθ、速度標準差Vstd、加速度標準差a std、減 速度標準差&td、怠速時間/總時間的百分比Pt ldle以及平均行駛速度 _ O3. 根據(jù)權利要求2所述的基于工況識別的里程自適應混合動力汽車能量管理方法,其 特征在于,所述LVQ神經(jīng)網(wǎng)絡模型有兩層結(jié)構(gòu):隱含層以及輸出層,LVQ神經(jīng)網(wǎng)絡模型將各個 工況的特征參數(shù)作為輸入向量,結(jié)合競爭學習以及監(jiān)督學習對輸入向量進行分類,在隱含 層中進行學習訓練,并將學習訓練分類的結(jié)果傳遞至輸出層的目標分類上,建立所述工況 識別模型。4. 根據(jù)權利要求1所述的基于工況識別的里程自適應混合動力汽車能量管理方法,其 特征在于,在所述步驟S2中,所述行駛特征參數(shù)包括:平均速度V ave3、平均加速度α_、平均減 速度、速度標準差Vstd、加速度標準差astd、減速度標準差& td、怠速時間/總時間的百分比 Pt-idle 以及平均行駛速度 _ 〇5. 根據(jù)權利要求1所述的基于工況識別的里程自適應混合動力汽車能量管理方法,其其中,D(t)為所述PHEV整車所提供的當前已經(jīng)行駛的里程,SOC(to)為行駛初始的荷電 狀態(tài),SOC(t)為當前電池荷電狀態(tài)。6. 根據(jù)權利要求1所述的基于工況識別的里程自適應混合動力汽車能量管理方法,其 特征在于,在所述步驟S3中,通過如下方式獲取所述當前等效系數(shù)t): λ*(?) = s*S0C(t) 其中,s為通過遺傳算法離線優(yōu)化獲得的等效因子,且令SOC(t)對應取值為參考荷電狀 態(tài) SOCref (t)。7. 根據(jù)權利要求1所述的基于工況識別的里程自適應混合能量管理方法,其特征在于, 在所述步驟S4中,通過ECMS最小等效燃油消耗方法,建立哈密頓函數(shù)H(u,X,λ,t)獲取所述 當前電池輸出功率P batt(t):其中,O沏0為單位時間燃油消耗量,必亡知你雄從為單位時間SOC的消耗量,X(t) 為當前電池荷電狀態(tài)SOC(t),當λ取值為V(t)時,u\t)為Pbatt(t)。8. 根據(jù)權利要求6所述的基于工況識別的里程自適應混合動力汽車能量管理方法,其 特征在于,在所述步驟S4中,結(jié)合所述當前整車需求功率P whi(t),計算所述前發(fā)動機輸出功 率Peng(t),且通過如下方式獲?。?Peng(t) =Pwhl(t)_Pbatt(t) 〇9. 根據(jù)權利要求1所述的基于工況識別的里程自適應混合動力汽車能量管理方法,其 特征在于,在所述步驟S6中,所述PHEV整車反饋當前電池荷電狀態(tài)SOC(t)至所述SOC ref生成 子模塊,計算當前電池荷電狀態(tài)SOC(t)與所述參考荷電狀態(tài)SOCreKt)存在的偏差,并通過 PID對所述參考荷電狀態(tài)SOCref (t)的偏差進行修正。
【文檔編號】B60W10/08GK106004865SQ201610372917
【公開日】2016年10月12日
【申請日】2016年5月30日
【發(fā)明人】林歆悠, 莫李平, 馮其高, 吳超宇, 鄭清香
【申請人】福州大學