CN108394402A - 一种并联式混合动力汽车的混合扭矩控制方法 - Google Patents

Abstract

一种并联式混合动力汽车的混合扭矩控制方法，涉及电动车辆动力装置。该并联式混合动力汽车的混合扭矩控制方法，采集汽车的ABS车速、混合***需求扭矩、发动机温度和电池组电荷状态，利用BP神经网络确定在混合动力汽车油耗最低时输出的发动机扭矩和电机扭矩，能够实现对发动机和发电机扭矩的实时控制，使整个车辆在整个过程、运行各时间阶段均处于高效的工作状态，有效降低了燃油消耗。

Description

一种并联式混合动力汽车的混合扭矩控制方法

技术领域

本发明涉及电动车辆动力装置，特别涉及一种并联式混合动力汽车的混合扭矩控制方法。

背景技术

随着全球能源和环境问题的日益突出,开发低油耗、低排放的新型汽车成为当今汽车工业发展的首要任务。在这种背景下,融合传统燃油汽车和纯电动汽车优点的混合动力汽车成为当今最具应用前景的低排放、低能耗汽车。作为一种新型的多能量源交通工具,混合动力汽车的性能与混合扭矩密切相关。在满足汽车动力性能的前提下,应当能够根据汽车动力***的特性及实时的运行工况,实现在发动机、电机之间合理的转矩分配,以获得整车最大的燃油经济性能、最低的排放以及平稳的驾驶性能。

混合动力汽车的混合扭矩控制是一个涉及非线性动态优化的重要问题,该问题作为影响车辆性能和混合动力产业化进程的一个主要瓶颈,迄今为止没有得到最终解决,函待突破。由于混合动力***是一个集成了电气、机械、化学和热力学***的非线性动态***,自身及其各部件之间的协调工作极为复杂,难以建立***的精确的数学模型；同时,车辆行驶工况和驾驶员操作具有随机性,这也增加了混合扭矩精确控制的难度。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种并联式混合动力汽车的混合扭矩控制方法，其设计合理，能够有效的降低汽车的燃油消耗。

本发明所采用的技术方案是：一种并联式混合动力汽车的混合扭矩控制方法，其技术要点是，采集汽车的ABS车速、混合***需求扭矩、发动机温度和电池组电荷状态，利用BP神经网络确定在混合动力汽车油耗最低时输出的发动机扭矩和电机扭矩。

利用模糊C-均值聚类算法对采集的ABS车速、混合***需求扭矩、发动机温度和电池组电荷状态进行分类。

所述的模糊C-均值聚类算法包括以下步骤：

(1)针对n个样本，设定分类数c，并随机设置一组初始聚类中心V＝(V₁,V₂...V_c)，定义模糊C-均值划分的目标函数如下：

其中，J(U,V)为目标函数，为第k个样本X_k隶属于第i个模糊子集的程度，h为加权指数，i为模糊子集，k为第K个样本，d_ik为为样本与各聚类中心的距离，c为分类数，n为样本数。

d_ik＝|X_K-V_i|为样本与各聚类中心的距离；

(2)计算新的隶属度矩阵，输出矩阵为：

式中，u_ik为隶属度矩阵，x_i为第i个样本，v_k为第k个聚类中心，x_j为第j个样本，h为加权指数，当h＝1时，模糊聚类就退化为硬C-均值聚类，通常h＝2；

(3)由下式对聚类中心进行调整：

式中，V_i表示聚类中心，x_k表示第k个样本。

由式(3)计算目标函数，当相邻两次迭代所得目标函数变化很小，则认为算法己收敛，也就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而完成了整个待选样本集模糊聚类划分，否则转到步骤(2)。

本发明的有益效果是：该并联式混合动力汽车的混合扭矩控制方法，采集汽车的ABS车速、混合***需求扭矩、发动机温度和电池组电荷状态，利用BP神经网络确定在混合动力汽车油耗最低时输出的发动机扭矩和电机扭矩，能够实现对发动机和发电机扭矩的实时控制，使整个车辆在整个过程、运行各时间阶段均处于高效的工作状态，有效降低了燃油消耗。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可根据这些附图获得其他的附图。

图1为本发明实施例中并联式混合动力汽车的混合扭矩控制方法的流程图；

图2为本发明实施例中并联式混合动力汽车的工作原理图。

具体实施方式

使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图1、图2和具体实施方式对本发明作进一步详细的说明。

本发明实施例采用的并联式混合动力汽车的混合扭矩控制方法，采集汽车的ABS车速、混合***需求扭矩、发动机温度和电池组电荷状态，利用BP神经网络确定在混合动力汽车油耗最低时输出的发动机扭矩和电机扭矩，具体包括以下步骤：

步骤101，利用模糊C-均值聚类算法对采集的ABS车速、混合***需求扭矩、发动机温度和电池组电荷状态进行分类，其中，模糊C-均值聚类算法包括以下步骤：

(1)针对n个样本，设定分类数c，并随机设置一组初始聚类中心V＝(V₁,V₂...V_c)，定义模糊C-均值划分的目标函数如下：

其中，J(U,V)为目标函数，为第k个样本X_k隶属于第i个模糊子集的程度，h为加权指数，i为模糊子集，k为第K个样本，d_ik为为样本与各聚类中心的距离，c为分类数，n为样本数。

d_ik＝|X_K-V_i|为样本与各聚类中心的距离；

(2)计算新的隶属度矩阵，输出矩阵为：

式中，u_ik为隶属度矩阵x_i为第i个样本，v_k为第k个聚类中心，x_j为第j个样本，h为加权指数，当h＝1时，模糊聚类就退化为硬C-均值聚类，通常h＝2；

(3)由下式对聚类中心进行调整：

式中，V_i表示聚类中心，x_k第k个样本。

由式(3)计算目标函数，当相邻两次迭代所得目标函数变化很小，则认为算法己收敛，也就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而完成了整个待选样本集模糊聚类划分，否则转到步骤(2)。

步骤102，利用BP神经网络确定在混合动力汽车油耗最低时输出的发动机扭矩和电机扭矩，具体如下：

为避免神经网络各输入输出数据的量纲差异，加快神经网络的收敛，减少计算难度。在进行训练之前对上面选取的训练样本标准化，将网络的输入、输出数据限制在[0,1]区间内，其转换式如下：

式中，x代表输入或输出数据，x_min代表所有样本该输入、输出数据的最小值，x_max代表所有样本该输入、输出数据的最大值。

标准Bp算法存在训练时间长、收敛速度慢，且初始权值、学习率和动量项系数等参数难以调整等缺点，本实施例中的训练时采用Levenberg-Marquardt算法，它结合了梯度下降法与高斯一牛顿法的优势，既有高斯一牛顿法的局部收敛性，又具有梯度下降法的全局特性，其训练步骤如下:

(1)将所有输入提交网络并计算相应的网络输出及误差e_i(x)(i＝1,...,N；N为样本个数)，然后计算所有输出的误差指标函数E_k(x)，可设为：

(2)计算E_k(x)对网络参数向量x_k(权值和闭值)微分的Jacobian矩阵J(x),即

式中，e₁(x)表示误差。

(3)按照下式求网络参数的调整率：

△x＝-[J(x)^TJ(x)+μI]^-1J(x)^Te(x)

式中，μ是某个可以进行自适应调整的非负数。

(4)达到设定的网络收敛条件，退出训练并存储相关网络参数，否则转到第5步。

(5)用x_k+△x调整网络参数，重新计算误差指标函数E_k+1(x)，如果E_k+1(x)<E_k(x)，则把网络训练速度μ除以θ(θ>1)，并设x_k+1＝x_k+△x，转第1步；否则，把μ增大θ倍，转第(3)步。

本发明采用BP神经网络方法作为基本工具，实现了对混合动力汽车的发动机及电机扭矩进行很好的控制，基于BP神经网络的实时调控能够实现对混合动力***的瞬时最优控制，有效降低燃油消耗，并能很好克服传统瞬时优化能量管理策略无法实时控制的缺点。

BP具有其他神经网络所不具有的一些优点:Levenberg-Marquardt算法，它结合了梯度下降法与高斯一牛顿法的优势，既有高斯一牛顿法的局部收敛性，又具有梯度下降法的全局特性。

虽然以上描述了本发明的具体实施方式，但是本领域内的熟练的技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变更或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (3)

1.一种并联式混合动力汽车的混合扭矩控制方法，其特征在于，采集汽车的ABS车速、混合***需求扭矩、发动机温度和电池组电荷状态，利用BP神经网络确定在混合动力汽车油耗最低时输出的发动机扭矩和电机扭矩。

2.如权利要求1所述的并联式混合动力汽车的混合扭矩控制方法，其特征在于，利用模糊C-均值聚类算法对采集的ABS车速、混合***需求扭矩、发动机温度和电池组电荷状态进行分类。

3.如权利要求1所述的并联式混合动力汽车的混合扭矩控制方法，其特征在于，所述的模糊C-均值聚类算法包括以下步骤：

(1)针对n个样本，设定分类数c，并随机设置一组初始聚类中心V＝(V₁,V₂...V_c)，定义模糊C-均值划分的目标函数如下：

其中，J(U,V)为目标函数，为第k个样本X_k隶属于第i个模糊子集的程度，h为加权指数，i为模糊子集，k为第K个样本，d_ik为为样本与各聚类中心的距离，c为分类数，n为样本数。

d_ik＝|X_K-V_i|为样本与各聚类中心的距离；

(2)计算新的隶属度矩阵，输出矩阵为：

式中，u_ik为隶属度矩阵，x_i为第i个样本，v_k为第k个聚类中心，x_j为第j个样本，h为加权指数，当h＝1时，模糊聚类就退化为硬C-均值聚类，通常h＝2；

(3)由下式对聚类中心进行调整：

式中，V_i表示聚类中心，x_k表示第k个样本。

由式(3)计算目标函数，当相邻两次迭代所得目标函数变化很小，则认为算法己收敛，也就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而完成了整个待选样本集模糊聚类划分，否则转到步骤(2)。