CN106647280B - Hev模式切换的数据驱动预测控制器设计方法及*** - Google Patents
Hev模式切换的数据驱动预测控制器设计方法及*** Download PDFInfo
- Publication number
- CN106647280B CN106647280B CN201710028468.5A CN201710028468A CN106647280B CN 106647280 B CN106647280 B CN 106647280B CN 201710028468 A CN201710028468 A CN 201710028468A CN 106647280 B CN106647280 B CN 106647280B
- Authority
- CN
- China
- Prior art keywords
- data
- mode switching
- module
- electric vehicle
- output
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013461 design Methods 0.000 title claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000005284 excitation Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000013643 reference control Substances 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Hybrid Electric Vehicles (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了HEV模式切换的数据驱动预测控制器设计方法，包括在汽车仿真软件中搭建整个混合动力汽车仿真模型；设计电机转矩、发动机转矩和离合器转矩作为激励数据，并将所设计的激励数据作用于所搭建的混合动力汽车仿真模型；基于采集的开环数据来构建混合动力汽车的输入和输出的数据块Hankel矩阵，进而基于辨识模型构造出混合动力汽车模式切换***的预测输出方程；定义数据驱动预测控制器的输入序列的增量、输出序列和将来的输入序列，以增量形式来表述预测输出方程；再根据相应的输入约束和输出约束，在线求解数据驱动预测控制器。本发明既减少了计算量，又避免了从数据辨识到状态空间模型时引入的建模误差问题。
Description
技术领域
本发明属于混合动力汽车领域，尤其涉及一种HEV模式切换的数据驱动预测控制器设计方法及其***。
背景技术
HEV的英文全称为Hybrid Electric Vehicle，中文名称为：混合动力汽车。
随着能源短缺和环境污染问题的加剧，混合动力汽车(Hybrid ElectricVehicle，HEV)既能大幅提高车辆的燃油经济性和排放性能，又能保证足够的续驶里程，是一种在近期内有效减少化石燃料消耗和碳排放的可行方案，已成为当今的研究热点和主流方向。
目前一些先进的理论，如：模糊自适应滑模方法、模型匹配控制、模型参考控制、切换控制、模型预测控制等方法，被应用到这一领域并取得了许多研究成果，但这些方法都是基于机理模型的，其控制效果严重依赖于建模的精确性。而HEV动力总成***结构复杂，而且***特性和各部件参数将随HEV的长期老化和行驶条件的变化而改变(例如，轴的阻尼系数随环境温度的变化会有很大变化)，因此难以对其建立准确的机理模型。即使能建立描述HEV动力总成***的全局精确数学模型，定呈高阶非线性。高阶非线性模型很难用基于机理模型的控制方法予以处理。即使能处理，也一定导致高阶复杂的控制器，运算量相当庞大，不能满足HEV的快速性和实时性要求。有鉴于此，现有研究在建模时都做了一定的简化处理，但势必存在诸多未建模动态，致使控制效果不佳。
发明内容
为了解决现有技术的缺点，本发明的第一目的是提供一种HEV模式切换的数据驱动预测控制器设计方法。
本发明的一种HEV模式切换的数据驱动预测控制器设计方法，包括：
步骤1：在汽车仿真软件中搭建整个混合动力汽车仿真模型；
步骤2：根据混合动力汽车模式切换***的动态特性，设计电机转矩、发动机转矩和离合器转矩作为激励数据，并将所设计的激励数据作用于所搭建的混合动力汽车仿真模型；
步骤3：基于采集的开环数据来构建混合动力汽车的输入和输出的数据块Hankel矩阵，进而基于辨识模型构造出混合动力汽车模式切换***的预测输出方程；
步骤4：定义混合动力汽车模式切换***的输入序列的增量、输出序列和将来的输入序列，以增量形式来表述预测输出方程；
步骤5：根据相应的输入约束和输出约束，构建纯电动到混合动力模式切换期间的最优控制的成本函数，并基于增量形式表述的预测输出方程来在线求解数据驱动预测控制器。
所述混合动力汽车仿真模型包括发动机模块、电机模块、离合器模块、变速箱模块、电池模块、轮胎模块、差速器模块以及车辆纵向动力学。
本发明的混合动力汽车仿真模型为离合器使能单轴并联HEV的整车模型，该HEV整车模型能够很好地刻画车辆的瞬态动力学特性，例如，发动机输出力矩的延迟特性，离合器的扭转震动，驱动轴的振动特性以及轮胎的滑移率特性等。该HEV包括停车、纯电动、混合驱动、纯发动机驱动、制动能量回馈、充电多种工作模式。
其中，数据驱动预测控制器的数据驱动预测控制方法由子空间辨识和模型预测控制相结合构成的。本发明利用子空间辨识和模型预测控制相结合来实现数据驱动预测控制方法，省去了基于机理模型的方法中对状态空间方程的求解，既减少了计算量，又避免了从数据辨识到状态空间模型时引入的建模误差问题。
在所述步骤3中，根据混合动力汽车模式切换***的预测输出方程，利用子空间辨识方法来估计混合动力汽车模式切换***的未来输出值。
该方法无需预先的模型参数化，使用简单，能够保证数值的鲁棒性。
成本函数由两部分构成，其中，成本函数的第一部分迫使离合器滑移速度收敛到0，从而实现快速地模式切换且减少离合器磨损；成本函数的第二部分控制发动机转矩、离合器转矩和电机转矩的变化率，用于保证模式切换的舒适性。
本发明的第二目的是提供一种HEV模式切换的数据驱动预测控制器设计***。
本发明的一种HEV模式切换的数据驱动预测控制器设计***，包括：
混合动力汽车仿真模型搭建模块，其用于搭建整个混合动力汽车仿真模型；
混合动力汽车模式切换***搭建模块，其用于根据混合动力汽车模式切换***的动态特性，设计电机转矩、发动机转矩和离合器转矩作为激励数据，并将所设计的激励数据作用于所搭建的混合动力汽车仿真模型；
预测输出方程构造模块，其用于基于采集的开环数据来构建混合动力汽车的输入和输出的数据块Hankel矩阵，进而基于辨识模型构造出混合动力汽车模式切换***的预测输出方程；
增量形式表述预测输出方程模块，其用于定义混合动力汽车模式切换***的输入序列的增量、输出序列和将来的输入序列，以增量形式来表述预测输出方程；
数据驱动预测控制器求解模块，其用于根据相应的输入约束和输出约束，构建纯电动到混合动力模式切换期间的最优控制的成本函数，并基于增量形式表述的预测输出方程来在线求解数据驱动预测控制器。
所述混合动力汽车仿真模型包括发动机模块、电机模块、离合器模块、电池模块、轮胎模块、变速箱模块、差速器模块以及车辆纵向动力学。本发明的混合动力汽车仿真模型为离合器使能单轴并联HEV的整车模型，该HEV整车模型能够很好地刻画车辆的瞬态动力学特性，例如，发动机输出力矩的延迟特性，离合器的扭转震动，驱动轴的振动特性以及轮胎的滑移率特性等。该HEV包括停车、纯电动、混合驱动、纯发动机驱动、制动能量回馈、充电多种工作模式。
在混合动力汽车模式切换***搭建模块中，数据驱动预测控制器的数据驱动预测控制方法由子空间辨识和模型预测控制相结合构成的。
本发明利用子空间辨识和模型预测控制相结合来实现数据驱动预测控制方法，省去了基于机理模型的方法中对状态空间方程的求解，既减少了计算量，又避免了从数据辨识到状态空间模型时引入的建模误差问题。
在所述预测输出方程构造模块中，根据混合动力汽车模式切换***的预测输出方程，利用子空间辨识方法来估计混合动力汽车模式切换***的未来输出值。该方法无需预先的模型参数化，使用简单，能够保证数值的鲁棒性。
成本函数由两部分构成，其中，成本函数的第一部分迫使离合器滑移速度收敛到0，从而实现快速地模式切换且减少离合器磨损；成本函数的第二部分控制发动机转矩、离合器转矩和电机转矩的变化率，用于保证模式切换的舒适性。
本发明的有益效果为：
(1)本发明涉及的一种HEV模式切换的数据驱动预测控制器设计方法，其中，数据驱动预测控制器的控制方法，采用基于数据的预测方法替代传统的基于机理模型的控制方法，克服了对于HEV动力总成这样的复杂***中所存在的机理建模的准确性和控制的实时性之间的矛盾。与传统的模型预测控制方法相比，本发明所采用的设计方法设计出的数据驱动预测控制器的模式切换质量更高，这有助于提高HEV的驾乘舒适性，同时延长离合器的使用寿命。
(2)采用先进的数据驱动预测控制方法用于HEV工作模式切换过程中的转矩协调控制中，直接基于离线采集的输入输出数据来设计控制器，有效避免了HEV动力总成这样的复杂***中所存在的机理建模难的问题，省去了基于机理模型的方法中对状态空间方程的求解，既减少了计算量，又避免了从数据辨识到状态空间模型时引入的建模误差问题。
(3)本发明所述的控制算法只需要做一些离线仿真实验以获取输入输出数据不需要任何经验及标定试验，开发成本低。随着时间的推移，***特性和部件参数可能随动力总成部件的老化而逐渐发生变化，只需重新收集算法中所需的车辆运行数据，而无需对算法做任何改动，即可持续保证所提方法的优良控制性能。
附图说明
图1是整个混合动力汽车仿真模型总体框图；
图2是数据驱动预测控制算法框图；
图3(a)是用于辨识预测模型的219个采样点的输入和输出数据——发动机转矩Te；
图3(b)是用于辨识预测模型的219个采样点的输入和输出数据——离合器转矩Tc；
图3(c)是用于辨识预测模型的219个采样点的输入和输出数据——电机转矩Tm；
图3(d)是用于辨识预测模型的219个采样点的输入和输出数据——离合器两侧的速度差Δω；
图3(e)是用于辨识预测模型的219个采样点的输入和输出数据——发动机转速ωe；
图3(f)是用于辨识预测模型的219个采样点的输入和输出数据——电机转速ωm；
图4(a)是用于验证的输入数据—发动机转矩Te；
图4(b)是用于验证的输入数据——离合器转矩Tc；
图4(c)是用于验证的输入数据——电机转矩Tm；
图4(d)是输出Δω的辨识结果；
图4(e)是约束输出ωe的辨识结果；
图4(f)是约束输出ωm的辨识结果；
图5是实现基于数据驱动预测控制方法的转矩协调控制策略的Simulink块图；
图6(a)是UDC工况的车速；
图6(b)是采用基于数据驱动预测控制方法的转矩协调控制的车辆冲击度；
图6(c)是采用基于数据驱动预测控制方法的转矩协调控制的离合器两侧的速度差；
图6(d)是采用基于数据驱动预测控制方法的转矩协调控制的发动机转矩；
图6(e)是采用基于数据驱动预测控制方法的转矩协调控制的离合器转矩；
图6(f)是采用基于数据驱动预测控制方法的转矩协调控制的电机转矩；
图7(a)是数据驱动预测控制方法与模型预测控制方法的比较——离合器两侧的速度差；
图7(b)是图7(a)的局部放大；
图7(c)是数据驱动预测控制方法与模型预测控制方法的比较——冲击度；
图7(d)是数据驱动预测控制方法与模型预测控制方法的比较——电机转速和发动机转速；
图7(e)是图7(d)的局部放大。
具体实施方式
下面结合附图与实施例对本发明做进一步说明：
(1)图1是本发明的整个混合动力汽车仿真模型总体框图。在专业汽车仿真软件Cruise中搭建的某离合器使能单轴并联HEV的整车模型。整个混合动力汽车仿真模型主要包括发动机模块、电机模块、离合器模块、电池模块、轮胎模块、变速箱模块、差速器模块以及车辆纵向动力学，整车模型参数如表1。
表1混合动力汽车参数表
所构建的HEV整车模型能够很好地刻画车辆的瞬态动力学特性，例如，发动机输出力矩的延迟特性，离合器的扭转震动，驱动轴的振动特性以及轮胎的滑移率特性等。发动机功率通过离合器的摩擦转矩传递到驱动系。管理层控制器采用的是基于规则的能量管理策略。为了改进燃油经济性、减少排放，该HEV包括停车、纯电动、混合驱动、纯发动机驱动、制动能量回馈、充电等多种工作模式。
(2)本发明中的HEV工作模式切换用转矩协调控制算法采用的是数据驱动预测控制方法，是由子空间辨识和模型预测控制相结合构成的，其构成示意图如图2所示。具体的实施方式如下：
①开环数据采集：设计能够达到持续充分激励发动机、离合器、电机、驱动轴和轮胎的振动特性的输入Te、Tc、Tm，如图3(a)-3(c)输入数据所示，将其作用于所搭建的HEV整车动力学模型上，得到***控制输出Δω和受约束的输出ωe、ωm，如图3(d)-3(f)所示。本发明中采样时间Ts＝0.01s，i＝20,j＝180,因此共采集从纯电动到混合动力模式切换动态过程中2i+j-1＝219个采样时刻的开环数据。
开环数据包括：离合器两侧的速度差、发动机转速和电机转速。
②基于图3(a)-3(f)所示的采样数据，构建u(k)和y(k)的数据块Hankel矩阵Up、Uf、Yp、Yf、矩阵的下标p和f分别表示过去和未来。
③通过输入输出Hankel矩阵Up、Uf、Yp、Yf、构造出***的预测输出方程为：
其中
是通过子空间辨识方法估计的***未来输出值，应用最小二乘方法，求解优化问题(3)，获得预测方程中的两个子空间矩阵Lw,Lu
同理可求得
④用第220个采样时刻到第599个采样时刻的输入输出数据来验证辨识得到的预测方程。所构建的完全激励输入数据Te、Tc、Tm如图4(a)-4(c)所示，具体的辨识预测效果如图4(d)-4(f)。如图4(d)-4(f)所示，当离合器两侧的速度差不为0的时候，预测得到的输出与真实的输出可以很好地吻合；预测误差出现在离合器两侧速度差为0附近，因为辨识预测模型时的采样数据不包括速度差为0的情况。本发明研究的是离合器的滑摩阶段，此阶段中离合器两侧速度差是不为0的，因此不影响数据驱动预测控制器的设计。
⑤定义待优化的k时刻的控制输入序列的增量为：
其中，
定义预测控制输出序列和将来的输入序列uf(k)如下：
Np和Nu分别代表预测时域和控制时域。为了使预测输出尽可能地接近给定参考输出，通常将成本函数定义为二次形式，为了惩罚控制量的剧烈变化，引入对控制量的惩罚项，因此，考虑到输入约束和受约束的输出约束，纯电动到混合动力模式切换期间的最优控制问题可描述如下：
s.t.umin(k+q)≤u(k+q)≤umax(k+q),q＝0,1,...,Nu-1 (5.2)
Δumin(k+q)≤Δu(k+q)≤Δu max(k+q),q＝0,1,...,Nu-1 (5.3)
ybmin(k+q)≤yb(k+q)≤ybmax(k+q),q＝0,1,...,Np (5.4)
其中
成本函数J的第一部分迫使离合器滑移速度收敛到0，从而实现快速的模式切换且减少离合器磨损；成本函数的第二部分控制发动机转矩、离合器转矩和电机转矩的变化率，保证模式切换的舒适性。Re(k+1)是在预测时域中Δω的参考序列，其中α∈(0,1)是一个可调节的参数。因为y(k)表示当前时刻k时的离合器主从动侧的速度差，是逐渐趋近于0的，所以α越小，则y(k+i)的参考值r(k+i),i＝1,2,…,Np越小，从而实现离合器主从动侧的速度差尽快达到0，从而越快完成离合器的结合。
⑥为了求解最优问题(5.1)，基于数据驱动方法和预测控制方法推导预测输出方程。为了使***输出能够以零稳态误差跟踪参考输入，将子空间预测方程表达为如下的增量形式：
其中
预测得到的控制输出增量序列可表示为：
其中Δyp＝[Δy(k-i+1) Δy(k-i+2) … Δy(k)]T，Δup＝[Δu(k-i) Δu(k-i+1) … Δu(k-1)]T。
可得未来输出的最优预测如下
其中是Npm×Nul动态矩阵。
y(k)＝[y(k) y(k) … y(k)]T (10)
根据(9)-(12)，同理可推得与有关的
⑦将考虑约束的转矩协调控制问题(5.1)转化为下列二次规划问题，从而在线求解数据驱动预测控制器。
s.t.CuΔuf(k)≤b
其中
按照预测控制的滚动时域控制原理，仅将Δu(k)的第一个元素作用于HEV驱动***，在每个时刻重复上述计算。因此，在第k个采样时刻的控制律如下：
在Matlab/Simulink中实现上述数据驱动预测控制算法，如图5所示。
(3)为了验证转矩协调数据驱动预测控制器的控制性能，在如图6(a)所示的市区驾驶工况UDC(urban driving cycle)下，将在Simulink中实现的转矩协调数据驱动预测控制器与Cruise中搭建的HEV整车动力学模型，通过API接口方式实现联合仿真。在运行Cruise仿真模型时，Simulink仿真模型也在同时进行计算和求解，仿真过程中两者之间不断进行数据的交换。Cruise仿真步长为0.01秒。发动机、离合器、电机的最大扭矩如表1所示。Np＝20，Nu＝5，ε＝30rad/s，ωemin＝720r/min，ωmmin＝0r/min，α＝0.8，τy,1＝τy,2＝…＝τy,20＝0.8，为了提高离合器接合的平顺性以提高驾驶舒适性，将控制增量的变化范围设置为：-50Nm/s≤ΔTe≤50Nm/s，-50Nm/s≤ΔTc≤50Nm/s，-100Nm/s≤ΔTm≤100Nm/s。
首先，验证了转矩协调数据驱动预测控制器本身的控制性能。仿真结果如图6(b)-6(f)所示。第60.44秒开始车速超过27km/h，发动机以60Nm的恒转矩起动，第61.22秒时发动机转速升至接近电机转速(与电机转速相差30rad/s)，离合器开始进入滑动摩擦阶段，第61.49秒时离合器两侧的速度差为0，按照离合器特性，使离合器转矩以一种预定义的方式增加，以保证其可靠锁止。由仿真结果可见，所提策略的模式切换品质良好，此从纯电动到混合动力的模式切换过程共需1.05秒，可以很好地满足驾驶员的切换需求，车辆冲击度幅值为9.96m/s3，避免了乘客在模式切换过程中的不适，离合器滑摩时间仅为0.27秒，总的离合器滑摩功仅为8.59J，这有助于延长离合器使用寿命。
其次，将转矩协调数据驱动预测控制器的控制性能与传统的模型预测控制方法进行了比较。仿真结果如图7(a)-7(e)所示。为了更直观地对两种方法进行比较，表2列出了能够表征模式切换质量的几个重要仿真结果，可见，在相同的仿真条件下，基于数据驱动预测控制方法的模式切换过程的冲击度更小，模式切换持续时间更短，离合器滑摩时间越短，离合器滑摩损耗越小。
表2数据驱动预测控制方法与模型预测控制方法的仿真结果比较
| 数据驱动预测控制方法 | 模型预测控制方法 | |
| 冲击度波动范围 | -9.96～6.76m/s<sup>3</sup> | -82.47～87.92m/s<sup>3</sup> |
| 模式切换持续时间 | 1.05s | 1.3s |
| 离合器滑摩时间 | 0.27s | 0.5s |
| 离合器滑摩损耗 | 8.59J | 19.3J |
本发明涉及一种HEV工作模式切换用转矩协调控制方法，采用基于数据的预测方法替代传统的基于机理模型的控制方法，克服了对于HEV动力总成这样的复杂***中所存在的机理建模的准确性和控制的实时性之间的矛盾。与传统的模型预测控制方法相比，本发明所采用的方法模式切换质量更高，这有助于提高HEV的驾乘舒适性，同时延长离合器的使用寿命。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种HEV模式切换的数据驱动预测控制器设计方法，其特征在于，包括：
步骤1：在汽车仿真软件中搭建整个混合动力汽车仿真模型；
步骤2：根据混合动力汽车模式切换***的动态特性，设计电机转矩、发动机转矩和离合器转矩作为激励数据，并将所设计的激励数据作用于所搭建的混合动力汽车仿真模型；
步骤3：基于采集的开环数据来构建混合动力汽车的输入和输出的数据块Hankel矩阵，进而基于辨识模型构造出混合动力汽车模式切换***的预测输出方程；
步骤4：定义混合动力汽车模式切换***的输入序列的增量、输出序列和将来的输入序列，以增量形式来表述预测输出方程；
步骤5：根据相应的输入约束和输出约束，构建纯电动到混合动力模式切换期间的最优控制的成本函数，并基于增量形式表述的预测输出方程来在线求解数据驱动预测控制器；
成本函数由两部分构成，其中，成本函数的第一部分迫使离合器滑移速度收敛到0，从而实现快速地模式切换且减少离合器磨损；成本函数的第二部分控制发动机转矩、离合器转矩和电机转矩的变化率，用于保证模式切换的舒适性。
2.如权利要求1所述的一种HEV模式切换的数据驱动预测控制器设计方法，其特征在于，所述混合动力汽车仿真模型包括发动机模块、电机模块、离合器模块、变速箱模块、电池模块、轮胎模块、差速器模块以及车辆纵向动力学。
3.如权利要求1所述的一种HEV模式切换的数据驱动预测控制器设计方法，其特征在于，数据驱动预测控制器的数据驱动预测控制方法由子空间辨识和模型预测控制相结合构成的。
4.如权利要求1所述的一种HEV模式切换的数据驱动预测控制器设计方法，其特征在于，在所述步骤3中，根据混合动力汽车模式切换***的预测输出方程，利用子空间辨识方法来估计混合动力汽车模式切换***的未来输出值。
5.一种HEV模式切换的数据驱动预测控制器设计***，其特征在于，包括：
混合动力汽车仿真模型搭建模块，其用于搭建整个混合动力汽车仿真模型；
混合动力汽车模式切换***搭建模块，其用于根据混合动力汽车模式切换***的动态特性，设计电机转矩、发动机转矩和离合器转矩作为激励数据，并将所设计的激励数据作用于所搭建的混合动力汽车仿真模型；
预测输出方程构造模块，其用于基于采集的开环数据来构建混合动力汽车的输入和输出的数据块Hankel矩阵，进而基于辨识模型构造出混合动力汽车模式切换***的预测输出方程；
增量形式表述预测输出方程模块，其用于定义混合动力汽车模式切换***的输入序列的增量、输出序列和将来的输入序列，以增量形式来表述预测输出方程；
数据驱动预测控制器求解模块，其用于根据相应的输入约束和输出约束，构建纯电动到混合动力模式切换期间的最优控制的成本函数，并基于增量形式表述的预测输出方程来在线求解数据驱动预测控制器；
成本函数由两部分构成，其中，成本函数的第一部分迫使离合器滑移速度收敛到0，从而实现快速地模式切换且减少离合器磨损；成本函数的第二部分控制发动机转矩、离合器转矩和电机转矩的变化率，用于保证模式切换的舒适性。
6.如权利要求5所述的一种HEV模式切换的数据驱动预测控制器设计***，其特征在于，所述混合动力汽车仿真模型包括发动机模块、电机模块、离合器模块、变速箱模块、电池模块、轮胎模块、差速器模块以及车辆纵向动力学。
7.如权利要求5所述的一种HEV模式切换的数据驱动预测控制器设计***，其特征在于，在混合动力汽车模式切换***搭建模块中，数据驱动预测控制器的数据驱动预测控制方法由子空间辨识和模型预测控制相结合构成的。
8.如权利要求5所述的一种HEV模式切换的数据驱动预测控制器设计***，其特征在于，在所述预测输出方程构造模块中，根据混合动力汽车模式切换***的预测输出方程，利用子空间辨识方法来估计混合动力汽车模式切换***的未来输出值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710028468.5A CN106647280B (zh) | 2017-01-16 | 2017-01-16 | Hev模式切换的数据驱动预测控制器设计方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710028468.5A CN106647280B (zh) | 2017-01-16 | 2017-01-16 | Hev模式切换的数据驱动预测控制器设计方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106647280A CN106647280A (zh) | 2017-05-10 |
| CN106647280B true CN106647280B (zh) | 2019-05-24 |
Family
ID=58843331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710028468.5A Expired - Fee Related CN106647280B (zh) | 2017-01-16 | 2017-01-16 | Hev模式切换的数据驱动预测控制器设计方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106647280B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107168319B (zh) * | 2017-06-01 | 2020-07-28 | 同济大学 | 一种基于模型预测控制的无人车避障方法 |
| CN108181811B (zh) * | 2017-12-18 | 2020-10-13 | 长春工业大学 | 一种基于线性时变的滑移率跟踪控制方法 |
| CN111301397B (zh) * | 2020-02-28 | 2023-09-26 | 南京航空航天大学 | 一种插电混合动力汽车变时域模型预测能量管理方法 |
| CN112318511A (zh) * | 2020-11-02 | 2021-02-05 | 北京邮电大学 | 基于数据驱动的机械臂轨迹跟踪控制方法 |
| CN113635902B (zh) * | 2021-08-23 | 2024-02-27 | 同济大学 | 一种混合动力汽车纯电起步抖动主动控制方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8972090B2 (en) * | 2012-04-04 | 2015-03-03 | Chrysler Group Llc | Predictive powertrain control using powertrain history and GPS data |
| CN104401232B (zh) * | 2014-12-21 | 2016-06-22 | 吉林大学 | 基于数据驱动预测控制的电动汽车扭矩优化方法 |
| CN105221275B (zh) * | 2015-08-20 | 2017-10-13 | 吉林大学 | 基于模型辨识的涡轮增压汽油机控制*** |
| CN106080584A (zh) * | 2016-06-21 | 2016-11-09 | 江苏大学 | 一种基于模型预测控制算法的混合动力汽车模式切换协调控制方法 |
-
2017
- 2017-01-16 CN CN201710028468.5A patent/CN106647280B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN106647280A (zh) | 2017-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106647280B (zh) | Hev模式切换的数据驱动预测控制器设计方法及*** | |
| Yang et al. | A stochastic predictive energy management strategy for plug-in hybrid electric vehicles based on fast rolling optimization | |
| He et al. | An improved MPC-based energy management strategy for hybrid vehicles using V2V and V2I communications | |
| Tian et al. | An ANFIS-based ECMS for energy optimization of parallel hybrid electric bus | |
| CN102729987B (zh) | 一种混合动力公交车能量管理方法 | |
| Pisu et al. | A comparative study of supervisory control strategies for hybrid electric vehicles | |
| WO2022241898A1 (zh) | 一种分层式燃料电池汽车节能驾驶方法 | |
| CN106080585B (zh) | 一种双行星排式混合动力汽车非线性模型预测控制方法 | |
| CN107168104B (zh) | 基于观测器的纯电动智能汽车纵向车速控制方法 | |
| CN102729991B (zh) | 一种混合动力公交车能量分配方法 | |
| Sun et al. | Power-balancing instantaneous optimization energy management for a novel series-parallel hybrid electric bus | |
| Bianchi et al. | Layered control strategies for hybrid electric vehicles based on optimal control | |
| WO2021159660A1 (zh) | 一种混合动力汽车能量管理方法和*** | |
| Mohebbi et al. | Optimal neuro-fuzzy control of parallel hybrid electric vehicles | |
| Lin et al. | Modelling and control of a medium-duty hybrid electric truck | |
| Wang et al. | Hybrid electric vehicle modeling accuracy verification and global optimal control algorithm research | |
| Stroe et al. | Predictive control framework for HEV: Energy management and free-wheeling analysis | |
| CN113581163B (zh) | 基于lstm的多模phev模式切换优化与能量管理方法 | |
| Fekri et al. | Fast model predictive control and its application to energy management of hybrid electric vehicles | |
| Stroe et al. | A two-layer predictive control for hybrid electric vehicles energy management | |
| Gong et al. | Energy Management for a DM-i Plug-in Hybrid Electric Vehicle via Continuous-Discrete Reinforcement Learning | |
| CN112519778B (zh) | 汽车驾驶控制方法、汽车驾驶控制设备及存储介质 | |
| Liu et al. | Global optimal control strategy of PHEV based on dynamic programming | |
| CN116811836A (zh) | 基于双延迟q学习的插电式混合动力汽车能量管理方法 | |
| CN113771834B (zh) | 一种轮毂液压混动商用车动力域***及其控制方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190524 Termination date: 20200116 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |