CN105151040B - 基于功率谱自学习预测的混合动力汽车能量管理方法 - Google Patents

Abstract

本发明提供了一种基于功率谱自学习预测的混合动力汽车能量管理方法，包步骤1：计算车辆当前驱动需求并识别当前日历时间、时刻等；步骤2：接收车辆未来运行线路及运行方向信息、气候信息和当天是否工作日的信息；步骤3：对未来运行工况与自学习功率谱数据库中的对应记录作相似性判断；步骤4：执行基于规则的能量管理策略；步骤5：功率谱预测和基于自学习功率谱的混合动力汽车的动力控制与能量管理；步骤6：自学习建立功率谱数据库；步骤7：输出控制指令转速或转矩给动力供应模块，实现动力控制与能量优化管理。解决了现有的混合动力汽车能量管理策略的不足，实现对混合动力汽车的工况自适应能量优化控制，易于在实车上应用。

Description

基于功率谱自学习预测的混合动力汽车能量管理方法

技术领域

本发明涉及混合动力汽车能量控制技术，具体地，涉及基于功率谱自学习预测的混合动力汽车能量管理***及方法。

背景技术

混合动力汽车(含插电式混合动力汽车)已成为全球发展的重点和热点，由两种能量源提供动力。能量管理***如何协调和分配各能量源间的能量流，是实现混合动力汽车能量优化管理、解决其工况适应性问题的关键。

目前，混合动力汽车的能量管理大都采用基于规则的能量管理策略，这是种基于一组规则来实现对车辆进行能量管理的策略，严重依赖策略制定人员的经验和试验标定，虽工程化实现容易，但难于实现控制参数的最优化和对工况的自适应，其在车辆燃料经济性的提高方面存在一定的局限性；瞬时优化能量管理策略，是基于对每一时刻的燃料经济性最优化为目标的控制策略，不能满足混合动力汽车能量管理的全局优化。全局优化能量管理策略，是基于已知路况利用全局优化算法进行的能量优化管理策略，不仅计算量很大难于满足车辆实时控制的要求，而且要求提前获得车辆运行工况的数据，因而难于在车辆实际控制中应用。基于优化算法的自适应能量管理策略，是以工况自适应为目标的能量管理策略，现有方法需要精确的车辆及多能源混合动力***的数学模型、优化过程复杂、计算量大，因而尚无法在混合动力车辆中实际应用。实现混合动力汽车工况自适应控制，关键在于如何识别和预测车辆未来行驶工况的功率谱，以及基于此功率谱的自适应能量管理控制，无疑是实现混合动力汽车工况自适应的有效方法。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于功率谱自学习的混合动力汽车能量管理***及方法。

根据本发明提供的基于功率谱自学习预测的混合动力汽车能量管理方法，包括如下步骤：

步骤1：混合动力***内的混合动力控制器平台根据动力供应模块、蓄电池模块的运行信息以及传感器模块采集到的汽车运行时的参数获得驾驶员操作信息和车辆运行状态信息，并计算出当前车辆驱动扭矩需求值、驱动功率需求值以及当前日历时间和当前时刻；

步骤2：通过导航定位模块获得车辆未来运行线路及运行方向信息，通过远程通信模块获得气候信息和当天是否为工作日的信息；

步骤3：将当前日历时间、当前时刻、未来运行线路、未来运行方向信息、气候信息以及当天是否为工作日的信息与所述混合动力控制器平台内已有的自学习功率谱数据库中的对应信息作相似性判断；若自学习功率谱数据库中存在相似的自学习功率谱记录则执行步骤5，否则执行步骤4；

步骤4：混合动力控制器平台执行混合动力汽车动力控制与能量管理，得到对动力供应模块的控制指令，即对转速或转矩的控制指令；进入步骤6继续执行；

步骤5：混合动力控制器平台中的自学习预测控制器SCU执行功率谱预测和基于自学习能量谱的混合动力汽车的动力控制与能量管理，得到对各动力源的控制指令并发送给混合动力控制器HCU；

步骤6：创建功率谱或在已有功率谱中增加新的功率谱记录或用最新的自学习功率谱更新功率谱数据库中已有的记录，形成自学习功率谱数据库；

步骤7：混合动力控制器平台通过CAN总线输出控制指令转速或转矩给个动力供应模块，实现对混合动力汽车的动力控制与能量管理。

优选地，所述混合动力***包括：混合动力控制器HCU、自学***台；其中，

-所述混合动力控制平台用于接收和处理所述动力供应模块、蓄电池模块、汽车助力附件、导航定位模块、远程通信模块、传感器模块的信息，并发送相应的控制指令；

-所述动力供应模块用于为汽车提供动力；

-所述蓄电池模块包括：蓄电池和蓄电池控制器，用于为汽车提供电能；

-所述汽车助力附件用于实现汽车的散热和温度控制；

-所述导航定位模块用于获得车辆未来运行线路及运行方向信息；

-所述远程通信模块用于获得气候信息和当天是否为工作日的信息；

-所述传感器模块用于采集汽车运行时的各个参数，所述参数包括：车速、加速踏板、制动踏板的操控信号。

优选地，所述动力供应模块包括：发动机、驱动电机、动力传动耦合器，以及相应的发动机控制器、驱动电机控制器、动力传动控制器；

所述发动机控制器将发动机的运行信息发送至混合动力控制平台，并根据混合动力控制平台的控制指令对发动机的运行状态进行控制；

所述驱动电机控制器将驱动电机的运行信息发送至混合动力控制平台，并根据混合动力控制平台的控制指令对驱动电机的运行状态进行控制；

所述动力传动控制器将动力传动耦合器的运行信息发送至混合动力控制平台，并根据混合动力控制平台的控制指令对动力传动耦合器的运行状态进行控制。

优选地，所述汽车助力附件包括：汽车的散热子***和空调子***。

优选地，所述混合动力控制平台接收的信息包括：蓄电池模块的荷电状态和剩余能量状态，动力供应模块的转速和转矩信息，传感器模块采集的加速踏板传感器信号、制动踏板传感器信号、离合器踏板传感器信号、点火钥匙开关信号、变速手柄位置传感器信号、驾驶员驾驶车辆的操作信号以及车速传感器信号。

优选地，所述步骤7包括：所述混合动力控制器平台根据在步骤4或步骤5中计算出的对各动力供应模块的控制指令计算出所述动力传动耦合器所需的运行模式和传动比控制指令，并利用该指令对所述动力传动耦合器实施控制。

优选地，还包括以下步骤：

将未来车辆运行工况切分成Nc个小段，依次对每一小段执行所述步骤1至步骤7直至车辆结束运行，Nc为正整数。

优选地，所述步骤3中的相似性判断的步骤如下：

将车辆未来运行线路记为Line、车辆在Line上的运行方向记为Dir、当天是否为工作日的标志记为Wrk、当前日历时间记为YMD、用晴天、雨天或冰雪天表示气候的记为SRS、当前时刻记为Time，则在所述自学习功率谱数据库中的作为所述对应信息的记录i依次记为Line_c ⁱ、Dir_c ⁱ、Wrk_c ⁱ、YMD_c ⁱ、SRS_c ⁱ、Time_c ⁱ，若存在i使以下条件成立则判断为在记录的自学习功率谱数据库中存在相似的自学习功率谱记录i，判定公式如下：

Line＝Line_c ⁱ且Dir＝Dir_c ⁱ且Wrk＝Wrk_c ⁱ且|YMD-YMD_c ⁱ|＜ζ且SRS＝SRS_c ⁱ且

|Time-Time_c ⁱ|＜δ，其中，ζ、δ为用于限制当前日历时间、当前时刻与自学习功率谱数据库中记录中的日历时间、时刻的最大允许差异值的阈值。

优选地，所述步骤6中创建功率谱或在已有功率谱中增加新的功率谱记录或用最新的自学习功率谱更新功率谱数据库中已有的记录，形成自学习的功率谱数据库，具体包括如下步骤：

步骤A1：按所述动力供应模块的极限能力，计算所述动力供应模块传递到车轮的转速的最大变化范围、转矩的最大变化范围这两个范围，分别在这两个范围内设NR个转速点、NT个转矩点，依次记为w_c ^j、T_c ^k，j＝1,2,…,NR，k＝1,2,…,NT，从而形成NRⅹNT个工况点，w_c ^j表示第j个转速点，T_c ^k表示第k个转矩点；

步骤A2：在所述Wrk、YMD、SRS、Time条件下车辆在所述Line上按Dir运行时，记该运行工况为C^m，计算出每间隔时间△t所述动力供应模块传递到车轮的转速、转矩，分别记为实际转速w、实际转矩T，并分别将w、T与w_c ^j，j＝1,2,…,NR，和T_c ^k，k＝1,2,…,NT进行比较，按以下方法计算出实际运行点(w，T)时的车辆轮边能耗并将该能耗累计到与实际运行点(w,T)最接近的工况点(w_c ^j,T_c ^k)，得到工况点(w_c ^j,T_c ^k)的轮边能耗：

E^j,k＝∑(wⅹTⅹ△t)(|w_c ^j-w|最小且|T_c ^k-T|最小,j＝1,2,…,NR，k＝1,2,…,NT)；

步骤A3：在所述工况C^m结束后，计算出Wrk、YMD、SRS、Time条件下车辆在所述Line上按Dir运行的总能耗E_C ^total，计算公式如下：

E_C ^total＝∑_j＝1～NR∑_k＝1～NTE^j,k；

式中：E^j,k表示在可能工况点转速w_c ^j和转矩T_c ^k时的轮边能耗；

步骤A4：计算自学习得到的工况C^m的功率谱，包括能量分布E_C ^j,k和总能量需求E_C ^total，计算公式如下：

Φ^m＝{E_C ^j,k＝E^j,k/E_C ^total，E_C ^total|Line_c ^m＝Line，Dir_c ^m＝Dir，Wrk_c ^m＝Wrk，YMD_c ^m＝YMD；SRS_c ^m＝SRS，Time_c ^m＝Time}

其中，j＝1,2,…,NR，k＝1,2,…,NT；

式中：Φ^m表示自学习得到的自学习功率谱数据库中的第m条记录中的第m个工况C^m的功率谱，Line_c ^m表示自学习功率谱数据库中的第m条记录中的条车辆运行线路，Dir_c ^m表示自学习功率谱数据库中的第m条记录中的车辆运行方向，Wrk_c ^m表示自学习功率谱数据库中的第m条记录中的当天是否工作日的标志，YMD_c ^m表示自学习功率谱数据库中的第m条记录中的当前日历时间，SRS_c ^m表示自学习功率谱数据库中的第m条记录中的用晴天、雨天或者冰雪天表示的气候信息，Time_c ^m表示自学习功率谱数据库中的第m条记录中的当前时刻；

步骤A5：当自学习出所述工况C^m的功率谱的记录数超过设定值时，删除自学习功率谱数据库中按YMD最早的记录，用自学习出的最新的工况的功率谱替代，形成滚动更新的自学习的功率谱。

优选地，步骤4和步骤5中的控制指令的计算步骤如下：

步骤S1：计算车辆未来工况与所述自学习功率谱数据库中已有记录的n个相似功率谱的相似性系数f_i：

f_i＝1/[(YMD-YMD_c ⁱ)²+ξⅹ(Time-Time_c ⁱ)²]；

其中，i＝1,2,…,n；ξ是权重因子以体现YMD和Time的重要性设置；

步骤S2：按下式预测车辆未来运行工况的功率谱Φ^pre，包括预测的总能量需求E_pre ^total和能量分布E_pre ^j,k：

Φ^pre＝{E_pre ^j,k,E_pre ^total}＝∑_i＝1～n(f_iⅹΦⁱ)/∑_{i＝1,2,…,n}(f_i)，其中j＝1,2,…,NR，k＝1,2,…,NT；

式中：Φ^pre表示预测的车辆未来运行工况的功率谱，Φⁱ表示所述自学习功率谱数据库中已有记录的第i个相似功率谱，NR表示工况点中的转速点的总数，j为工况点中的转速点编号，k为工况点中的转矩点编号，NT表示工况点中的转矩点的总数；

步骤S3：采用庞特里亚金离线计算Nef个不同等效因子ef_i时所述自学习功率谱数据库中的工况点(w_c ^j,T_c ^k)下对动力供应模块的最优功率分配脉谱P_opt，i ^j,k和储能***的功率脉谱BP_opt，i ^j,k；其中，j＝1,2,…,NR；k＝1,2,…,NT；i＝1,2,…,Nef；k＝1,2,…,NT；w_c ^j表示第j个所述工况点中的转速，T_c ^k表示第j个所述工况点中的转矩，ef_i表示等效因子；

步骤S4：计算出各等效因子ef_i下车辆在未来运行工况的动力供应模块的能量状态SOE的变化量△SOE_i，计算公式如下：

△SOE_i＝[∑_j＝1～NR∑_k＝1～NT(BP_opt，i ^j,kⅹE_pre ^j,kⅹE_pre ^total÷w_c ^j÷T_c ^k)]/Es

其中，i＝1,2,…,Nef；j＝1,2,…,NR；k＝1,2,…,NT；

式中，Es表示能量源的储能能力；

步骤S5：计算出车辆在未来运行工况下使动力供应模块的能量状态SOE从当前状态SOEreal达到期望目标SOEtar的最优等效因子ef^opt，计算公式如下：

ef^opt＝arg{ef_i|min(|△SOE_i+SOEreal-SOEtar|,i＝1～Nef)}；

式中：ef^opt表示使能量状态SOE从当前状态SOEreal达到期望目标SOEtar的最优等效因子，arg{}表示取满足符号|后条件的ef_i的运算，△SOE_i表示等效因子下车辆在未来运行工况的动力供应模块的能量状态SOE的变化量；

步骤S6：选取与ef^opt最接近的ef_i并记该i为i*，其中i＝1,2,…,Nef；使用i*对应的所述混合动力***中对各动力源的最优功率分配脉谱P_opt，i* ^j,k＝f(ef_i*,w_c ^j,T_c ^k),对当前车辆实际运行点(w，T)进行查表计算出对混合动力***中对各动力源的最优功率分配，进而根据当前的所述动力源运行信息计算出对各动力源的控制指令转速或转矩。

与现有技术相比，本发明具有如下的有益效果：

1、本发明中的方法不需要在线运行的车辆和混合动力***的数学模型、在线计算量小、不需要提前知道车辆运行工况、满足在车载控制器上实际应用时对控制器软硬件的要求且能自动适应车辆运行工况，从而解决了现有的混合动力汽车基于规则的能量管理策略、瞬时优化能量管理策略、全局优化能量管理策略和基于优化算法的自适应能量管理策略的不足。

2、本发明实现了对混合动力汽车的工况自适应能量优化控制，能够对汽车的能量进行有效管理提升能源利用率，并且容易在实车上实现。

3、本发明所提供的能量管理方法，可方便地用于内燃机-蓄电池或超级电容、燃料电池发动机--蓄电池或超级电容等混合动力***，具有良好的可扩展性和适应性。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明提供的基于功率谱自学习的混合动力汽车能量管理***的结构示意图；

图2为本发明提供的基于功率谱自学习的混合动力汽车能量管理方法的流程示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

如图1所示，本发明一种基于功率谱自学***台、能量源、动力源、汽车动力附件、CAN总线、传感器、导航定位模块、远程通信模块，所述的混合动力控制器平台分别通过CAN总线与能量源、动力源、动力附件相连接及通过其内部总线或CAN总线与导航定位模块、远程通信模块相连接、通过电气线束与传感器相连接。

所述汽车动力附件，包括散热子***和空调子***。

所述动力源，包括发动机及其控制器、驱动电机及其控制器、动力传动耦合器，其中，所述动力传动耦合器用于将发动机、驱动电机进行机电耦合并将动力输出以驱动车辆。

所述混合动力控制器平台包括混合动力控制器HCU(hybrid Control Unit)和自学习预测控制器SCU(Self-learning Control Unit)。

所述基于功率谱自学习预测的混合动力汽车能量管理方法，包括如下步骤：

在步骤201中，混合动力控制器HCU通过CAN总线获得能量源状态信息、动力源运行信息，采样传感器信号并计算处理后获得驾驶员操作信息和车辆运行状态信息，计算出当前车辆驱动扭矩需求值、驱动功率需求值，并计算出或从其时钟模块获得用年月日表示的当前日历时间和当前时刻，并通过CAN总线将这些信息及计算出的计算出车辆驱动扭矩需求值、驱动功率需求值、当前日历时间和当前时刻等发送给自学习预测控制器SCU。然后执行步骤202。

在步骤202中，自学习预测控制器SCU通过导航定位模块获得车辆未来运行线路及运行方向信息、通过远程通信模块获得气候信息和当天是否工作日的信息，其中，当天是否工作日的信息也可利用在步骤201中的日历时间计算得出。然后执行步骤203。

在步骤203中，自学习预测控制器SCU将在步骤201～202中获得的当前日历时间、当前时刻、车辆未来运行线路及运行方向信息、气候信息、当天是否工作日的信息与其记录的自学习的功率谱数据库中的对应信息作相似性判断。如自学习功率谱数据库中存在相似的自学习功率谱记录则转到步骤205，否则转到步骤204；

在步骤204中，混合动力控制器HCU执行基于规则的能量管理策略进行混合动力汽车动力控制与能量管理，计算出对各动力源的控制指令转速或转矩,转到步骤206；

在步骤205中，自学习预测控制器SCU执行基于功率分布矩阵及总能耗的功率谱预测和基于自学习预测出的功率谱的混合动力汽车的动力控制与能量管理，计算出对各动力源的控制指令转速或转矩，并通过CAN总线将该控制指令转速或转矩发送给混合动力控制器HCU。然后执行步骤206。

在步骤206中，自学习预测控制器SCU执行基于功率分布矩阵及总能耗的功率谱自学习，创建功率谱或在已有功率谱中增加新的功率谱记录或用最新的自学习功率谱更新功率谱数据库中已有的记录，形成自学习的功率谱数据库。然后执行步骤207。

在步骤207中，混合动力控制器HCU利用在步骤204或步骤205中计算出的对各动力源的控制指令转速或转矩，计算出所述动力传动耦合器所需的运行模式、传动比等控制指令，并对所述动力传动耦合器实施控制；通过CAN总线输出控制指令转速或转矩给个动力源，实现对混合动力汽车的动力控制与能量管理。

所述步骤201中的所述能量源状态信息包括蓄电池荷电状态、剩余能量状态，所述动力源运行信息包括所述各动力源的转速、转矩，所述传感器信号包括加速踏板传感器信号、制动踏板传感器信号、离合器踏板传感器信号、点火钥匙开关信号、变速手柄位置传感器信号等驾驶员驾驶车辆的操作信号以及车速传感器信号等，所述车辆运行状态信息包括车速。

将未来车辆运行工况切分成Nc个小段，首先对第一小段执行所述步骤201～207，然后重复所述步骤201～207，实现滚动优化以满足车辆在运行过程中车辆运行工况可能发生变化的情况。

所述步骤203中的自学习预测控制器SCU将在步骤201、202中获得的当前日历时间、当前时刻、车辆未来运行线路及运行方向信息、气候信息、当天是否工作日的信息与其记录的自学习功率谱数据库中的对应信息作相似性判断，具体按以下方法判断：

设车辆未来运行线路为Line、车辆在Line上的运行方向为Dir、当天是否工作日的标志为Wrk、当前日历时间为YMD、气候用晴天-雨天-冰雪天表示为SRS、当前时刻为Time,自学习功率谱数据库中记录i的这些信息依次为Line_c ⁱ、Dir_c ⁱ、Wrk_c ⁱ、YMD_c ⁱ、SRS_c ⁱ、Time_c ⁱ，如存在i使以下条件成立则判断为在记录的自学习功率谱数据库中存在相似的自学习功率谱记录i：

Line＝Line_c ⁱ且Dir＝Dir_c ⁱ且Wrk＝Wrk_c ⁱ且|YMD-YMD_c ⁱ|＜ζ且SRS＝SRS_c ⁱ且|Time-Time_c ⁱ|＜δ，其中，ζ、δ用于限制当前日历时间、当前时刻与自学习功率谱数据库中记录中的日历时间、时刻的差异。

所述步骤205中的自学习预测控制器SCU执行基于功率分布矩阵及总能耗的功率谱预测和基于自学习预测出的功率谱的混合动力汽车的动力控制与能量管理，计算出对各动力源的控制指令，具体包括如下步骤：

1)计算车辆未来工况与所述自学习的功率谱数据库中已有记录的n个相似功率谱的相似性系数f_i：

f_i＝1/[(YMD-YMD_c ⁱ)²+ξⅹ(Time-Time_c ⁱ)²](i＝1,2,…,n)

其中，ξ是权重因子以体现YMD和Time的重要性设置。

2)按下式预测车辆未来运行工况的功率谱,包括预测的总能量需求E_pre ^total和能量分布E_pre ^j,k：

Φ^pre＝{E_pre ^j,k,E_pre ^total}＝∑_i＝1～n(f_iⅹΦⁱ)/∑_i＝1～n(f_i)(j＝1,2,…,NR，k＝1,2,…,NT)

3)采用庞特里亚金(Pontryagin)最小值原理离线计算Nef个不同等效因子ef_i时所述自学习的功率谱数据库中可能工况点(w_c ^j,T_c ^k)(j＝1,2,…,NR，k＝1,2,…,NT)下的所述混合动力***中对各动力源的最优功率分配脉谱P_opt，i ^j,k＝f(ef_i,w_c ^j,T_c ^k)

(i＝1,2,…,Nef，j＝1,2,…,NR，k＝1,2,…,NT)以及储能***的功率脉谱

BP_opt，i ^j,k＝f(ef_i,w_c ^j,T_c ^k)(i＝1,2,…,Nef，j＝1,2,…,NR，k＝1,2,…,NT)；

4)按下式计算出各等效因子ef_i(i＝1～Nef)下车辆在未来运行工况的能量源的能量状态SOE的变化量△SOE_i：

△SOE_i＝[∑_j＝1～NR∑_k＝1～NT(BP_opt，i ^j,kⅹE_pre ^j,kⅹE_pre ^total/w_c ^j/T_c ^k)]/Es

(i＝1,2,…,Nef，j＝1,2,…,NR，k＝1,2,…,NT)

其中，Es为能量源的储能能力。

5)按下式计算出车辆在未来运行工况下使能量源的能量状态SOE从当前状态SOEreal达到期望目标SOEtar的最优等效因子ef^opt:

[ef^opt,efopt]＝arg{[ef_i,i]|min(|△SOE_i+SOEreal-SOEtar|,i＝1,2,…,Nef)}

6)选取与ef^opt最接近的ef_i(i＝1,2,…,Nef)并记该i为i*，使用i*对应的所述混合动力***中对各动力源的最优功率分配脉谱P_opt，i* ^j,k＝f(ef_i*,w_c ^j,T_c ^k),对当前车辆实际运行点(w，T)进行查表计算出对混合动力***中对各动力源的最优功率分配，进而根据当前的所述动力源运行信息计算出对各动力源的控制指令转速或转矩。

所述步骤206中的自学习预测控制器SCU执行基于功率分布矩阵及总能耗的功率谱自学习，创建功率谱或在已有功率谱中增加新的功率谱记录或用最新的自学习功率谱更新功率谱数据库中已有的记录，形成自学习的功率谱数据库，具体包括如下步骤：

1)按所述混合动力***的极限能力，计算其能传递到车轮的转速、转矩的最大变化范围，分别在这两个范围内设NR、NT个转速点和转矩点，依次记为w_c ^j(j＝1,2,…,NR)、T_c ^k(k＝1,2,…,NT)，从而形成NRⅹNT个可能工况点；

2)在所述Wrk、YMD、SRS、Time条件下车辆在所述Line上按Dir运行时,记该运行工况为C^m，计算出每间隔时间△t(一般为1秒)所述混合动力***传递到车轮的转速、转矩，分别记为w、T，并分别将w、T与w_c ^j(j＝1,2,…,NR)和T_c ^k(k＝1,2,…,NT)进行比较，按以下方法计算出实际运行点(w，T)时的车辆轮边能耗并该能耗累计到与实际运行点(w,T)最接近的可能工况点(w_c ^j,T_c ^k)，得可能工况点(w_c ^j,T_c ^k)的轮边能耗：

E^j,k＝∑(wⅹTⅹ△t)(|w_c ^j-w|最小且|T_c ^k-T|最小,j＝1,2,…,NR，k＝1,2,…,NT)

3)在所述工况C^m结束后，按下式计算出Wrk、YMD、SRS、Time条件下车辆在所述Line上按Dir运行的总能耗：

E_C ^total＝∑_j＝1,2_,…,NR∑_k＝1,2_,…,NTE^j,k

4)进而按下式自学习出所述工况C^m的功率谱,包括能量分布E_C ^j,k和总能量需求E_C ^total：

Φ^m＝{E_C ^j,k＝E^j,k/E_C ^total,E_C ^total|Line_c ^m＝Line,Dir_c ^m＝Dir,Wrk_c ^m＝Wrk,YMD_c ^m＝YMD,

SRS_c ^m＝SRS,Time_c ^m＝Time}(j＝1,2,…,NR，k＝1,2,…,NT)

5)当自学习出所述工况C^m的功率谱的记录数超过设定值时，删除自学习的功率谱数据库中按YMD最早的记录，用自学习出的最新的工况的功率谱替代，形成滚动更新的自学习的功率谱。

本发明不需要在线运行的车辆和混合动力***的数学模型、在线计算量小、不需要提前知道车辆运行工况、满足在车载控制器上实际应用时对控制器软硬件的要求且能自动适应车辆运行工况，从而解决了现有的混合动力汽车基于规则的能量管理策略、瞬时优化能量管理策略、全局优化能量管理策略和基于优化算法的自适应能量管理策略的不足；实现了对混合动力汽车的工况自适应能量优化控制，具有经济性好、易于实车实现的特点；可方便地用于内燃机-蓄电池或超级电容、燃料电池发动机--蓄电池或超级电容等混合动力***。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (10)

1.一种基于功率谱自学习预测的混合动力汽车能量管理方法，其特征在于，包括如下步骤：

步骤1：混合动力***内的混合动力控制器平台根据动力供应模块、蓄电池模块的运行信息以及传感器模块采集到的汽车运行时的参数获得驾驶员操作信息和车辆运行状态信息，并计算出当前车辆驱动扭矩需求值、驱动功率需求值以及当前日历时间和当前时刻；

步骤2：通过导航定位模块获得车辆未来运行线路及运行方向信息，通过远程通信模块获得气候信息和当天是否为工作日的信息；

步骤3：将当前日历时间、当前时刻、未来运行线路、未来运行方向信息、气候信息以及当天是否为工作日的信息与所述混合动力控制器平台内已有的自学习功率谱数据库中的对应信息作相似性判断；若自学习功率谱数据库中存在相似的自学习功率谱记录则执行步骤5，否则执行步骤4；

步骤4：混合动力控制器平台执行混合动力汽车动力控制与能量管理，得到对动力供应模块的控制指令，即对转速或转矩的控制指令；进入步骤6继续执行；

步骤5：混合动力控制器平台中的自学习预测控制器SCU执行功率谱预测和基于自学习能量谱的混合动力汽车的动力控制与能量管理，得到对各动力源的控制指令并发送给混合动力控制器HCU；

步骤6：创建功率谱或在已有功率谱中增加新的功率谱记录或用最新的自学习功率谱更新功率谱数据库中已有的记录，形成自学习功率谱数据库；

步骤7：混合动力控制器平台通过CAN总线输出控制指令转速或转矩给个动力供应模块，实现对混合动力汽车的动力控制与能量管理。

2.根据权利要求1所述的基于功率谱自学***台；其中，

-所述混合动力控制平台用于接收和处理所述动力供应模块、蓄电池模块、汽车助力附件、导航定位模块、远程通信模块、传感器模块的信息，并发送相应的控制指令；

-所述动力供应模块用于为汽车提供动力；

-所述蓄电池模块包括：蓄电池和蓄电池控制器，用于为汽车提供电能；

-所述汽车助力附件用于实现汽车的散热和温度控制；

-所述导航定位模块用于获得车辆未来运行线路及运行方向信息；

-所述远程通信模块用于获得气候信息和当天是否为工作日的信息；

-所述传感器模块用于采集汽车运行时的各个参数，所述参数包括：车速、加速踏板、制动踏板的操控信号。

3.根据权利要求2所述的基于功率谱自学习预测的混合动力汽车能量管理方法，其特征在于，所述动力供应模块包括：发动机、驱动电机、动力传动耦合器，以及相应的发动机控制器、驱动电机控制器、动力传动控制器；

所述发动机控制器将发动机的运行信息发送至混合动力控制平台，并根据混合动力控制平台的控制指令对发动机的运行状态进行控制；

所述驱动电机控制器将驱动电机的运行信息发送至混合动力控制平台，并根据混合动力控制平台的控制指令对驱动电机的运行状态进行控制；

所述动力传动控制器将动力传动耦合器的运行信息发送至混合动力控制平台，并根据混合动力控制平台的控制指令对动力传动耦合器的运行状态进行控制。

4.根据权利要求2所述的基于功率谱自学习预测的混合动力汽车能量管理方法，其特征在于，所述汽车助力附件包括：汽车的散热子***和空调子***。

5.根据权利要求2所述的基于功率谱自学***台接收的信息包括：蓄电池模块的荷电状态和剩余能量状态，动力供应模块的转速和转矩信息，传感器模块采集的加速踏板传感器信号、制动踏板传感器信号、离合器踏板传感器信号、点火钥匙开关信号、变速手柄位置传感器信号、驾驶员驾驶车辆的操作信号以及车速传感器信号。

6.根据权利要求3所述的基于功率谱自学***台根据在步骤4或步骤5中计算出的对各动力供应模块的控制指令计算出所述动力传动耦合器所需的运行模式和传动比控制指令，并利用该指令对所述动力传动耦合器实施控制。

7.根据权利要求1所述的基于功率谱自学习预测的混合动力汽车能量管理方法，其特征在于，还包括以下步骤：

将未来车辆运行工况切分成Nc个小段，依次对每一小段执行所述步骤1至步骤7直至车辆结束运行，Nc为正整数。

8.根据权利要求1所述的基于功率谱自学习预测的混合动力汽车能量管理方法，其特征在于，所述步骤3中的相似性判断的步骤如下：

将车辆未来运行线路记为Line、车辆在Line上的运行方向记为Dir、当天是否为工作日的标志记为Wrk、当前日历时间记为YMD、用晴天、雨天或冰雪天表示气候的记为SRS、当前时刻记为Time，则在所述自学习功率谱数据库中的作为所述对应信息的记录i依次记为Line_c ⁱ、Dir_c ⁱ、Wrk_c ⁱ、YMD_c ⁱ、SRS_c ⁱ、Time_c ⁱ，若存在i使以下条件成立则判断为在记录的自学习功率谱数据库中存在相似的自学习功率谱记录i，判定公式如下：

Line＝Line_c ⁱ且Dir＝Dir_c ⁱ且Wrk＝Wrk_c ⁱ且|YMD-YMD_c ⁱ|<ζ且SRS＝SRS_c ⁱ且

|Time-Time_c ⁱ|<δ，其中，ζ、δ为用于限制当前日历时间、当前时刻与自学习功率谱数据库中记录中的日历时间、时刻的最大允许差异值的阈值。

9.根据权利要求8所述的基于功率谱自学习预测的混合动力汽车能量管理方法，其特征在于，所述步骤6中创建功率谱或在已有功率谱中增加新的功率谱记录或用最新的自学习功率谱更新功率谱数据库中已有的记录，形成自学习的功率谱数据库，具体包括如下步骤：

步骤A1：按所述动力供应模块的极限能力，计算所述动力供应模块传递到车轮的转速的最大变化范围、转矩的最大变化范围这两个范围，分别在这两个范围内设NR个转速点、NT个转矩点，依次记为w_c ^j、T_c ^k，j＝1,2,…,NR，k＝1,2,…,NT，从而形成NRⅹNT个工况点，w_c ^j表示第j个转速点，T_c ^k表示第k个转矩点；

步骤A2：在所述Wrk、YMD、SRS、Time条件下车辆在所述Line上按Dir运行时，记该运行工况为C^m，计算出每间隔时间△t所述动力供应模块传递到车轮的转速、转矩，分别记为实际转速w、实际转矩T，并分别将w、T与w_c ^j，j＝1,2,…,NR，和T_c ^k，k＝1,2,…,NT进行比较，按以下方法计算出实际运行点(w，T)时的车辆轮边能耗并将该能耗累计到与实际运行点(w,T)最接近的工况点(w_c ^j,T_c ^k)，得到工况点(w_c ^j,T_c ^k)的轮边能耗：

E^j,k＝∑(wⅹTⅹ△t)(|w_c ^j-w|最小且|T_c ^k-T|最小,j＝1,2,…,NR，k＝1,2,…,NT)；

步骤A3：在所述工况C^m结束后，计算出Wrk、YMD、SRS、Time条件下车辆在所述Line上按Dir运行的总能耗E_C ^total，计算公式如下：

E_C ^total＝∑_j＝1～NR∑_k＝1～NTE^j,k；

式中：E^j,k表示在可能工况点转速w_c ^j和转矩T_c ^k时的轮边能耗；

步骤A4：计算自学习得到的工况C^m的功率谱，包括能量分布E_C ^j,k和总能量需求E_C ^total，计算公式如下：

Φ^m＝{E_C ^j,k＝E^j,k/E_C ^total，E_C ^total|Line_c ^m＝Line，Dir_c ^m＝Dir，Wrk_c ^m＝Wrk，YMD_c ^m＝YMD；SRS_c ^m＝SRS，Time_c ^m＝Time}

其中，j＝1,2,…,NR，k＝1,2,…,NT；

式中：Φ^m表示自学习得到的自学习功率谱数据库中的第m条记录中的第m个工况C^m的功率谱，Line_c ^m表示自学习功率谱数据库中的第m条记录中的条车辆运行线路，Dir_c ^m表示自学习功率谱数据库中的第m条记录中的车辆运行方向，Wrk_c ^m表示自学习功率谱数据库中的第m条记录中的当天是否工作日的标志，YMD_c ^m表示自学习功率谱数据库中的第m条记录中的当前日历时间，SRS_c ^m表示自学习功率谱数据库中的第m条记录中的用晴天、雨天或者冰雪天表示的气候信息，Time_c ^m表示自学习功率谱数据库中的第m条记录中的当前时刻；

步骤A5：当自学习出所述工况C^m的功率谱的记录数超过设定值时，删除自学习功率谱数据库中按YMD最早的记录，用自学习出的最新的工况的功率谱替代，形成滚动更新的自学习的功率谱。

10.根据权利要求9所述的基于功率谱自学习预测的混合动力汽车能量管理方法，其特征在于，步骤4和步骤5中的控制指令的计算步骤如下：

步骤S1：计算车辆未来工况与所述自学习功率谱数据库中已有记录的n个相似功率谱的相似性系数f_i：

f_i＝1/[(YMD-YMD_c ⁱ)²+ξⅹ(Time-Time_c ⁱ)²]；

其中，i＝1,2,…,n；ξ是权重因子以体现YMD和Time的重要性设置；

步骤S2：按下式预测车辆未来运行工况的功率谱Φ^pre，包括预测的总能量需求E_pre ^total和能量分布E_pre ^j,k：

Φ^pre＝{E_pre ^j,k,E_pre ^total}＝∑_i＝1～n(f_iⅹΦⁱ)/∑_{i＝1,2,…,n}(f_i)，j＝1,2,…,NR，k＝1,2,…,NT；

式中：Φ^pre表示预测的车辆未来运行工况的功率谱，Φⁱ表示所述自学习功率谱数据库中已有记录的第i个相似功率谱，NR表示工况点中的转速点的总数，j为工况点中的转速点编号，k为工况点中的转矩点编号，NT表示工况点中的转矩点的总数；

步骤S3：采用庞特里亚金离线计算Nef个不同等效因子ef_i时所述自学习功率谱数据库中的工况点(w_c ^j,T_c ^k)下对动力供应模块的最优功率分配脉谱P_opt，i ^j,k和储能***的功率脉谱BP_opt，i ^j,k；其中，j＝1,2,…,NR；k＝1,2,…,NT；i＝1,2,…,Nef；k＝1,2,…,NT；w_c ^j表示第j个所述工况点中的转速，T_c ^k表示第j个所述工况点中的转矩，ef_i表示等效因子；

步骤S4：计算出各等效因子ef_i下车辆在未来运行工况的动力供应模块的能量状态SOE的变化量△SOE_i，计算公式如下：

△SOE_i＝[∑_j＝1～NR∑_k＝1～NT(BP_opt，i ^j,kⅹE_pre ^j,kⅹE_pre ^total÷w_c ^j÷T_c ^k)]/Es

其中，i＝1,2,…,Nef；j＝1,2,…,NR；k＝1,2,…,NT；

式中，Es表示能量源的储能能力；

步骤S5：计算出车辆在未来运行工况下使动力供应模块的能量状态SOE从当前状态SOEreal达到期望目标SOEtar的最优等效因子ef^opt，计算公式如下：

ef^opt＝arg{ef_i|min(|△SOE_i+SOEreal-SOEtar|,i＝1,2,…,Nef)}；

式中：ef^opt表示使能量状态SOE从当前状态SOEreal达到期望目标SOEtar的最优等效因子，arg{}表示取满足符号|后条件的ef_i的运算，△SOE_i表示等效因子下车辆在未来运行工况的动力供应模块的能量状态SOE的变化量；

步骤S6：选取与ef^opt最接近的ef_i并记该i为i*，其中i＝1,2,…,Nef；使用i*对应的所述混合动力***中对各动力源的最优功率分配脉谱P_opt，i* ^j,k＝f(ef_i*,w_c ^j,T_c ^k),对当前车辆实际运行点(w，T)进行查表计算出对混合动力***中对各动力源的最优功率分配，进而根据当前的所述动力源运行信息计算出对各动力源的控制指令转速或转矩。