CN110562239A - 基于需求功率预测的变域最优能量管理控制方法及装置 - Google Patents

Abstract

本发明公开了一种基于需求功率预测的变域最优能量管理控制方法及装置，属于混合动力越野车能量管理领域，该方法包括：通过自适应马尔科夫链预测算法的设计，选择纵向车速和纵向加速度为预测变量，实现了需求功率的间接预测；通过实时的混动模式、纯电动模式等效能耗的计算与对比，控制车辆工作于两种不同的驱动模式；以等效燃油消耗最小控制策略为开发基础，考虑越野车辆行驶工况特性和需求特性，以需求功率变化量进行寻优域的实时求解，设计了变域等效燃油消耗最小能量管理控制策略。本发明能够提高需求功率预测精度与自适应性，动力***响应特性，同时合理切换工作模式，优化***总体的能耗特性，保证动力***工作稳定性同时提高了行驶稳定性。

Description

基于需求功率预测的变域最优能量管理控制方法及装置

技术领域

本发明属于混合动力越野车能量管理领域，更具体地，涉及一种基于需求功率预测的变域最优能量管理控制方法及装置。

背景技术

纯电动汽车虽然发展日益成熟，但动力电池等关键技术仍待完善。混合动力汽车具备发动机、动力电池或者超级电容等其中两种或三种动力源，可以依赖其中一种或两种动力源驱动车辆行驶，因此混合动力汽车工作模式更加多样化，在节能减排方面具有很大的发展潜力。

对于越野汽车来说，其车辆自身质量较大，行驶路况复杂，功率需求变化大而且功率持续输出时间长。传统越野汽车采用配备大功率发动机和四轮驱动作为动力***方案来解决越野车辆大功率需求问题，然而传动链长、机械效率低及燃油经济性差一直是困扰越野车辆的棘手问题。将混合动力构型应用于越野汽车不仅可以提升车辆的动力性，双动力源的结合更加提高了车辆的燃油经济性，使得越野汽车在多种复杂路面上的适应性更强。

混合动力汽车因具备两种或两种以上的动力源，不仅提高了车辆的各项性能，同时也对***集成与整车控制提出了更高的要求。其中，能量管理策略即是进行多能源管理及发挥混合动力***优势的关键技术。

对越野混合动力车辆来说，需求功率存在阶跃式多变性，不仅变化频率高，而且波动幅度大。传统的全域最优控制方法在相邻控制时刻的控制变量之间可能存在较大的差别，同时，发动机-发电机***(EGU)的响应存在迟滞性，动力***无法及时响应高频率变化及大幅度需求功率波动情况下全域寻优控制需求。

在模型预测方面，因马尔科夫预测算法的无后效性，在已知路况下应用较多。在车速状态分布概率稳定时，通过马尔科夫预测算法可得到理想精度的预测结果。然而行驶工况改变时，车速状态转移规律也随之发生变化，如果不更新转移概率预测矩阵，则预测结果误差较大甚至出现错误的预测结果。故基于马尔科夫链得到预测车速尚需深入分析。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于需求功率预测的变域最优能量管理控制方法及装置，由此解决现有技术中存在的预测算法应用工况较为局限以及全域最优控制下的***响应性和稳定性较差的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于需求功率预测的变域最优能量管理控制方法，包括以下步骤：

(1)基于自适应马尔科夫链预测，以纵向车速和纵向加速度为预测变量，进行需求功率的实时预测，获取实时需求功率；

(2)基于所述实时需求功率，通过比较实时的混动模式等效能耗与实时的纯电动模式等效能耗，确定当前使用的目标驱动模式；

(3)在所述目标驱动模式为所述混动模式下，以等效燃油消耗最小为基础，考虑车辆行驶工况特性和需求特性，以所述实时需求功率的变化量进行寻优域的实时求解，获取最小的变域等效燃油消耗。

优选地，步骤(1)包括：

(1.1)基于当前时刻的车速及当前时刻的纵向加速度，按照马尔科夫链状态转移概率矩阵对车速状态转移概率矩阵及纵向加速度状态转移概率矩阵进行实时更新；

(1.2)基于更新后的车速状态转移概率矩阵进行车速预测，得到下一时刻的车速，基于更新后的纵向加速度状态转移概率矩阵进行纵向加速度预测，得到下一时刻的纵向加速度；

(1.3)通过所述下一时刻的车速及所述下一时刻的纵向加速度建立行驶功率平衡模型，基于所述行驶功率平衡模型实时计算需求功率，实现需求功率的实时预测。

优选地，步骤(1.1)包括：

获取当前时刻的车速状态Xt及上一时刻的车速状态Xt-1，并由Xt＝Sj及Xt-1＝Si进行车速状态处理；获取当前时刻的纵向加速度状态Y_t及上一时刻的纵向加速度状态Y_t-1，并由Y_t＝A_j及Y_t-1＝A_i进行纵向加速度状态处理，其中，Sj表示车速在t时刻的j状态，Si表示车速在t-1时刻的i状态，A_j表示纵向加速度在t时刻的j状态，A_i表示纵向加速度在t-1时刻的i状态；

由Fij＝Fij+1更新车速状态的状态转移频数，由Zij＝Zij+1更新纵向加速度状态的状态转移频数，其中，Fij表示由Si→Sj的转移频数，Zij表示由A_i→A_j的转移频数；

由n＝n+1及P(I,J)＝F(I,J)/n更新车速状态转移概率矩阵，由m＝m+1及Q(I,J)＝Z(I,J)/m更新纵向加速度状态转移概率矩阵，其中，n表示状态更新的总数据个数，F(I,J)表示处于Si状态的所有数据转移到Sj状态时的数据个数，P(I,J)表示时序状态转移概率矩阵，I表示t-1时刻的i状态，J表示t时刻的j状态，m表示状态更新的总数据个数，Z(I,J)表示处于A_i状态的所有数据转移到A_j状态时的数据个数，Q(I,J)表示时序状态转移概率矩阵。

优选地，步骤(1.2)包括：

由Xt+1＝max(P(SJ,:))预测下一时刻的车速状态Xt+1，由Y_t+1＝max(Q(AJ,:))预测下一时刻的纵向加速度状态Y_t+1。

优选地，所述行驶功率平衡模型为：

其中，P_m表示行驶功率，G表示汽车重力，f表示摩擦系数，p表示道路坡度，C_D表示空气阻力系数，A表示迎风面积，u_a表示车速，m表示整车质量，表示整车加速度，η表示机械传动效率。

优选地，在步骤(3)中，所述寻优域为：[T_min,T_max]及[n_min,n_max]，其中，T_max＝min{T_e(k)+ΔT,T_emax}，T_min＝max{T_e(k)-ΔT,T_emin}，n_max＝min{n_emax,n_e(k)+Δn}，n_min＝max{n_emin,n_e(k)-Δn}，Δn＝ΔP/T_e(k)，ΔT＝ΔP/n_e(k)，T_max表示寻优域转矩上限，T_min表示寻优域转矩下限，T_emax表示发动机当前转速下最大输出转矩，T_emin表示当前转速下最小输出转矩，n_max表示寻优域转速上限，n_min表示寻优域转速下限，n_emax表示发动机最大工作转速，n_emin表示发动机最小工作转速，ΔP表示相邻控制周期的实时需求功率之差，T_e(k)表示当前时刻工作点转矩，n_e(k)表示当前时刻工作点转速，Δn表示转速域宽，ΔT表示转矩域宽。

优选地，在步骤(3)中，所述变域等效燃油消耗为：

其中，J表示变域等效燃油消耗量，P_e(k)表示发动机当前时刻功率，Δt表示离散时间步长，be表示燃油消耗率，β(k)表示动力电池SOC当前时刻的波动惩罚项，s(k)表示动力电池当前时刻的功率等效燃油消耗系数，ε(k)表示动力电池当前时刻的工作状态值，P_bat表示动力电池当前时刻的功率，η_dis表示动力电池高效率区平均放电效率，H_μ表示燃油低热值，η_chg表示动力电池高效率区平均充电效率。

优选地，由确定动力电池SOC当前时刻的波动惩罚项，其中，SOC(k)表示电池在当前时刻k的剩余电量百分比，Ref为预设值。

按照本发明的另一方面，提供了一种基于需求功率预测的变域最优能量管理控制装置，包括：

需求功率预测模块，用于基于自适应马尔科夫链预测，以纵向车速和纵向加速度为预测变量，进行需求功率的实时预测，获取实时需求功率；

驱动模式确定模块，用于基于所述实时需求功率，通过比较实时的混动模式等效能耗与实时的纯电动模式等效能耗，确定当前使用的目标驱动模式；

能量管理模块，用于在所述目标驱动模式为所述混动模式下，以等效燃油消耗最小为基础，考虑车辆行驶工况特性和需求特性，以所述实时需求功率的变化量进行寻优域的实时求解，获取最小的变域等效燃油消耗。

按照本发明的另一方面，提供了一种包括上述基于需求功率预测的变域最优能量管理控制装置的混合动力汽车。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1、本发明基于当前状态变量和历史状态变量实时更新状态转移概率矩阵，提出了状态转移概率矩阵实时更新方法，应用于未来变量预测计算，实现自适应马尔科夫链预测，提高了预测精度与工况的自适应性。

2、本发明考虑了全域最优控制的现有问题与EGU***的响应迟滞性问题，提出了将控制变量的寻优域合理化，按照等效燃油消耗最小控制策略进行局部寻优的方法，改善***了响应特性。

3、本发明设定了控制变量寻优域范围，保证需求功率变化时输出功率具有良好的跟随性。同时，在需求功率变化大时，扩大控制变量寻优域，以满足功率需求；在需求功率变化较小时，缩小控制变量寻优域，增强了EGU***工作状态的稳定性。

4、本发明考虑对于串联式混合动力构型车辆来说，其动力电池电能不能通过外部电网补充，所消耗的电能只能通过现在或将来某一时刻的燃油消耗获取。同时频繁的充放电，将会带来能量多次转化、利用率低等问题，应将动力电池的SOC保持在高效的功率输出区间。因此在本发明所建立的性能指标函数中引入动力电池SOC波动惩罚项，即惩罚系数β。当动力电池SOC低于某一阈值时，将动力电池等效燃油消耗乘以一个大于1的系数，使得控制策略倾向于使用EGU***驱动；当SOC高于这一阈值时，将动力电池等效燃油消耗乘以一个小于1的系数，使得控制策略更加倾向于使用动力电池能量进行驱动，以此来维持动力电池SOC始终处于高效率区，提高了***的效率，延长了动力电池的使用寿命，同时保证了整车行驶的稳定性。

附图说明

图1是本发明实施例提供的一种混合动力汽车硬件连接示意图；

图2是本发明实施例提供的一种变域最优能量管理控制方法的逻辑示意图；

图3是本发明实施例提供的一种基于自适应状态转移概率矩阵更新的车速预测流程图；

图4是本发明实施例提供的一种变域最优能量管理控制装置的结构示意图；

图5是本发明实施例提供的一种车速状态转移概率矩阵图；

图6是本发明实施例提供的一种加速度状态转移概率分布矩阵图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明以等效燃油消耗最小为策略开发基础，以马尔科夫链为预测算法，提供了一种能提高预测算法精度与自适应性，同时有效改善等效燃油消耗最小策略响应特性与稳定性的能量管理控制方法及装置。

如图1所示，本发明所应用的混合动力汽车包括整车控制器、驱动电机控制器、驱动电机***、高压动力电池、高压发电机、发动机、驾驶模式选择单元与ECU；

其中，整车控制器与驱动电机控制器、高压动力电池、高压发电机、驾驶模式选择单元都进行信号连接，通过四轮轮毂电机驱动车辆，驱动电机控制器与驱动电机***进行电连接，驱动电机***与驱动轮进行机械传动连接，高压动力电池与驱动电机控制器及高压发电机进行电连接，高压发电机与发动机进行机械传动连接。

如图2所示，基于需求功率预测的变域最优能量管理控制方法主要包括三大部分：自适应马尔科夫链需求功率预测、驱动模式切换及变域等效燃油消耗最小控制策略。下面对这三个主要部分进行详细论述：

(1)基于自适应马尔科夫链的需求功率预测

马尔科夫预测算法建立在马尔科夫随机过程的基础上，基于马尔科夫无后效性所开发的算法。离散时间的马尔科夫过程称为马尔科夫链，马尔科夫链预测只需要对近期状态进行分析，得出近期数据中各个状态之间的转移规律，利用得出的状态转移规律进行未来状态的识别和预测，因此在获取了初始状态及状态转移概率矩阵之后即可推断当前时刻之后的任意时刻的状态。其本质是应用概率论中的马尔科夫链理论方法来分析时间序列的变化，并由此预测未来一段时间内变化趋势的一种预测技术。对于预测状态变量来说，如果车辆始终行驶在同一种工况下，其状态分布概率稳定，按照上述马尔科夫链预测方法可得到理想精度的预测结果。若行驶工况改变，则状态转移规律随之发生变化，如果不更新转移概率预测矩阵，则预测结果误差较大甚至出现错误的预测结果。因此，在本发明实施例中，提出一种基于状态转移概率矩阵实时更新的自适应马尔科夫链车速预测方法。

在本发明实施例中，基于马尔科夫链预测理论进行预测算法的设计主要包含预测对象划分、状态转移概率矩阵计算和状态变量预测三个部分。以下按照预测算法设计步骤进行纵向车速和加速度预测算法设计。

①纵向车速预测对象的状态划分

***状态划分是马尔科夫预测模型建立的第一步，也是最重要的一步，因为***状态划分的好坏影响预测模型建立的复杂程度和预测精度。为了实现有效的车速预测，必须将车速这一车辆状态进行划分，若所划分的状态数过多将会导致***过于复杂，若划分状态数过少，则会导致车速状态预测误差过大。

例如，车速状态划分可以采用以下方式，假如车辆最高行驶车速为125km/h，因此可以将车速以5km/h的步长进行车速状态划分得到以下车速状态集。

Si＝{0,5,10,15,20,25,30...120,125}(i＝1,2,3...25,26)

Si表示状态空间。

②纵向车速状态转移概率矩阵计算

状态转移概率矩阵作为马尔科夫链模型的重要组成部分之一，正确地估算***的状态转移概率矩阵非常重要。常用的状态转移概率矩阵估计算法有主观概率估算法和统计概率估算法。主观概率估算法是根据长期积累的经验以及对事件内在规律的分析，对事件各个状态转移概率大小的一种主观估计，这种方法依赖于经验，常在缺乏事件统计数据的情况下使用。统计概率估算法是通过分析历史统计信息对事件的各个状态之间的转移概率进行统计计算。

在本发明实施例中，假如车辆的实际行驶车速是一个[0,125]范围内分布的随机浮点型数据，为了与车速状态一一对应，对所获取的车速按照式：V(t)＝ceil(Vreal/5)进行车速状态预处理。并选择统计状态转移概率矩阵计算法，按照如下状态转移概率计算公式：进行车速状态转移概率计算。

上式中：V(t)表示t时刻车辆车速状态；Vreal表示t时刻实际车速；ceil()表示向上取整函数；Pij表示Si→Sj的转移概率；Fij表示Si→Sj的转移频数；Fj表示由其他状态转移到Sj的总频数。

在本发明实施例中，根据历史车速信息得出如图5所示的状态转移概率分布图。

③基于当前状态及状态转移概率矩阵进行预测

当车速状态处于Si时，根据状态转移概率矩阵P_ij，选择P(i,:)中最大的一个车速作为未来一步的预测车速。同理，根据多步状态转移概率矩阵P^k中的P^k _ij分布概率可以确定未来k步的车速状态。

对于车速这一状态量来说，如果车辆始终行驶在同一种工况下，其车速状态分布概率稳定，按照上述马尔科夫链预测方法可得到理想精度的预测结果。若行驶工况改变，则车速状态转移规律随之发生变化，如果不更新转移概率预测矩阵，则预测结果误差较大甚至出现错误的预测结果。

如图3所示，状态转移概率矩阵实时更新方法是基于当前车速和历史车速信息实时更新状态转移概率矩阵，并应用于未来车速预测计算，即可实现自适应马尔科夫链车速预测。其状态转移概率更新过程如下：

首先获取当前时刻的车速状态Xt及上一时刻的车速状态Xt-1，进行车速状态处理：

Xt＝Sj、Xt-1＝Si

其次，进行状态转移频数更新：

J+＝1；

F(I,j)表示根据历史车速信息得到的下一时刻各个车速状态的转移频数。

最后，进行状态转移概率更新：

P(I,J)＝F(I,J)/n

n表示当前预测的状态更新总频数，I表示t-1时刻的车速状态，J表示t时刻的预测车速状态。

最后根据处理的车速状态及状态转移概率更新信息进行预测车速的计算：

Xt+1＝max(P(SJ,:))

其中，SJ表示当前离散采样时刻的车速状态。

同理可以推出自适应马尔科夫链车辆纵向加速度预测算法：

①预测对象的状态划分

根据实车行驶加速度采集信息，在设定加速度范围为[-3.5,3.5]m/s²的情况下，对加速度进行离散化处理，以0.5m/s²为步长进行加速度状态划分得到以下加速度状态集合。

Ai＝{-3.5，-3.0，-2.5…2.5,3.0,3.5}(i＝1,2,3…14,15)

②状态转移概率矩阵的计算

为了将采集的信号与离散化状态统一，可以采用如下信号预处理方法对采集信号进行处理，并将处理后的信号用于状态转移概率更新与未来状态的预测。

上式中：a(t)表示t时刻加速度状态；areal表示t时刻加速度；floor()表示向下取整函数。

按照进行纵向加速度状态转移概率计算。

上式中：Qij表示Ai→Aj的转移概率；Zij表示Ai→Aj的转移频数；Zj表示由其他状态转移到Aj的总频数。

在本发明实施例中，使用统计状态转移概率矩阵计算法，得出如图6所示的加速度状态转移概率分布矩阵图。

③基于当前状态及状态转移概率矩阵进行预测

由当前步加速度状态和转移概率矩阵可得未来时刻的加速度预测结果。

即由m＝m+1及Q(I,J)＝Z(I,J)/m更新纵向加速度状态转移概率矩阵，其中，m表示状态更新的总数据个数，Z(I,J)表示处于Ai状态的所有数据转移到Aj状态时的数据个数，Q(I,J)表示时序状态转移概率矩阵。

由Y_t+1＝max(Q(AJ,:))预测下一时刻的纵向加速度状态Y_t+1

由汽车理论可知传统汽车的行驶功率平衡方程式，结合越野车辆的动力***结构形式，建立越野车行驶功率平衡方程式如下所示：

其中，P_m表示行驶功率，G表示汽车重力，f表示摩擦系数，p表示道路坡度，C_D表示空气阻力系数，A表示迎风面积，u_a表示车速，m表示整车质量，表示整车加速度，η表示机械传动效率。

由以上所建立的越野车行驶功率平衡模型可以发现在车辆行驶过程中，车速和纵向加速度是影响车辆实时需求功率的两个重要变量。因此选择车速和纵向加速度作为预测变量，并通过行驶功率平衡模型进行整车需求功率的实时预测。

(2)驱动模式切换

根据实时需求功率，在车辆工作于纯电动工作模式下，对比计算混合驱动模式等效燃油消耗，当混合驱动等效燃油消耗小于纯电动驱动等效燃油消耗时，则开启EGU***，控制车辆切换至混合驱动模式。当EGU***优化输出功率较小时，即混合驱动等效燃油消耗大于纯电动驱动等效燃油消耗时，则关闭EGU***，控制车辆切换至纯电动模式。

(3)变域等效燃油消耗最小控制策略设计

①变化寻优域设计

针对越野混合动力车辆来说，需求功率不仅变化频率高，而且波动幅度大，如果按照传统的全域最优控制方法进行***控制，那么相邻控制时刻的控制变量之间可能存在较大的差别。同时由于EGU***响应存在迟滞性，因此动力***将无法及时响应高频率变化、大幅度需求功率波动情况下全域寻优控制需求。针对此优化控制问题，在本发明实施例中，提出变域最优控制策略，通过将控制变量的寻优域合理化，按照等效燃油消耗最小控制策略进行局部寻优，以改善***响应特性。

控制变量寻优域的设定对EGU***工作状态有着直接的影响，为保证需求功率变化时***输出功率具有良好的跟随性，在需求功率变化大时，应扩大控制变量寻优域，以满足功率需求；在需求功率变化较小时，应缩小控制变量寻优域，以保持EGU***工作状态的稳定性。

由以上所提出的控制变量寻优域设计原则，在本发明实施例中，考虑了全域最优控制的现有问题与EGU***的响应迟滞性问题，提出了将控制变量的寻优域合理化，按照等效燃油消耗最小控制策略进行局部寻优的方法，改善***了响应特性。具体地，依据需求功率变化量ΔP进行域宽实时求解，由当前时刻工作点转速和需求功率变化量求解转矩域宽ΔT，由当前时刻工作点转矩和需求功率变化量求解转速域宽Δn，若当前时刻控制变量为(T_e(k),n_e(k))，则两域宽求解公式如下所示：

Δn＝ΔP/T_e(k)

ΔT＝ΔP/n_e(k)

上式中，T_e(k)表示当前工作点转矩；n_e(k)表示当前工作点转速；ΔP表示相邻控制周期需求功率之差。

同时，设定了控制变量寻优域范围，保证需求功率变化时***输出功率具有良好的跟随性。在需求功率变化大时，扩大控制变量寻优域，以满足功率需求；在需求功率变化较小时，缩小控制变量寻优域，增强了EGU***工作状态的稳定性。具体地，所设定的优化域范围应在发动机外特性曲线以内，因此对优化变量寻优域范围[T_min,T_max]，[n_min,n_max]进行以下限制。

上式中，T_max、T_min表示寻优域转矩上、下限；T_emax表示发动机当前转速下最大输出转矩；T_emin表示当前转速下最小输出转矩，可以设定为0；n_max、n_min表示寻优域转速上、下限；n_emax、n_emin表示发动机最大、小工作转速。

②等效燃油消耗最小控制策略设计

针对本发明所研究的混合动力***，在混动工作模式下，选择动力电池SOC为状态变量，发电机转矩、发动机转速为控制变量进行优化控制策略设计。

建立***状态方程

SOC(k)＝SOC(k-1)-(P_r(k)-T_e(k)·n_e(k)·9550/η_e(k))·Δt/Q_bat

上式中：Δt表示离散时间步长；Q_bat表示动力电池总容量；P_bat(k)表示动力电池功率；P_r(k)表示需求功率；P_e(k)表示发动机功率；T_e(k)表示发动机工作转矩；n_e(k)表示发动机工作转速；η_e(k)表示发动机当前工作效率；η_bat表示动力电池平均充放电效率，SOC(k)表示k时刻电池SOC值，SOC(k-1)表示k-1时刻电池SOC值。

设定目标集及控制域：

***状态目标集：SOC_min≤SOC(k)≤SOC_max

变量控制域：

上式中，SOC_min、SOC_max表示动力电池最佳充放电上、下限值；T_emin、T_emax表示发动机输出转矩的上、下限值；n_emin、n_emax表示发动机高效工作区转速上、下限值。

建立***性能指标函数，即***等效燃油消耗量：

J＝m_{f_eqv}(k)＝m_{f_e}(k)+m_{f_bat}(k)

上式中，J表示***等效燃油消耗量，m_{f_eqv}(k)表示***瞬时等效燃油消耗量，单位g；m_{f_e}(k)表示发动机实时燃油消耗量，单位g；m_{f_bat}(k)表示动力电池等效瞬时燃油消耗量，单位_g，发动机实时燃油消耗计算模型如下所示：

其中，be表示燃油消耗率。

同时，动力电池在工作过程中有充电和放电两种工作状态，因此建立动力电池充放电等效燃油消耗计算模型如下：

上式中，ε(k)表示动力电池工作状态值(ε(k)＝1表示动力电池处于放电状态；ε(k)＝0表示动力电池处于充电状态)；η_dis表示动力电池高效率区平均放电效率；η_chg表示动力电池高效率区平均充电效率；s(k)表示动力电池功率等效燃油消耗系数；P_bat表示动力电池实时功率；H_μ表示燃油低热值，单位kJ/g。

此外，对于串联式混合动力构型车辆来说，其动力电池电能不能通过外部电网补充，所消耗的电能只能通过现在或将来某一时刻的燃油消耗获取。同时频繁的充放电，将会带来能量多次转化、利用率低等问题，应将动力电池的SOC保持在高效的功率输出区间，因此在本发明实施例所建立的性能指标函数中引入动力电池SOC波动惩罚项，设定动力电池的高效率充放电工作区为[40,80]，求解惩罚系数β。当动力电池SOC低于一个预设值，本发明实施例取60％时，使动力电池等效燃油消耗乘以一个大于1的系数，使得控制策略倾向于使用发动机进行驱动；当SOC高于60％时，使动力电池等效燃油消耗乘以一个小于1的系数，使得控制策略更加倾向于使用动力电池能量进行驱动，以此来维持动力电池SOC始终处于高效率区，提高了***的效率，延长了动力电池的使用寿命，同时保证了整车行驶的稳定性。

综上可得，所建立的***性能指标函数如下所示：

如图4所示，在本发明的另一实施例中，还提供了一种基于需求功率预测的变域最优能量管理控制装置，包括：

需求功率预测模块，用于基于自适应马尔科夫链预测，以纵向车速和纵向加速度为预测变量，进行需求功率的实时预测，获取实时需求功率；

驱动模式确定模块，用于基于所述实时需求功率，通过比较实时的混动模式等效能耗与实时的纯电动模式等效能耗，确定当前使用的目标驱动模式；

能量管理模块，用于在所述目标驱动模式为所述混动模式下，以等效燃油消耗最小为基础，考虑车辆行驶工况特性和需求特性，以所述实时需求功率的变化量进行寻优域的实时求解，获取最小的变域等效燃油消耗。

其中，各模块的具体实施方式可以参考上述方法实施例中的描述，本发明实施例将不再复述。

在本发明的另一实施例中，还提供了一种包括上述的基于需求功率预测的变域最优能量管理控制装置的混合动力汽车。

其中，该混合动力汽车具有如附图1所示的各结构，基于需求功率预测的变域最优能量管理控制装置可以集成于整车控制器中，或者由整车控制器实现上述基于需求功率预测的变域最优能量管理控制方法，具体实施方式可以参考上述方法实施例的描述，本发明实施例将不再复述。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于需求功率预测的变域最优能量管理控制方法，其特征在于，包括以下步骤：

(1)基于自适应马尔科夫链预测，以纵向车速和纵向加速度为预测变量，进行需求功率的实时预测，获取实时需求功率；

(2)基于所述实时需求功率，通过比较实时的混动模式等效能耗与实时的纯电动模式等效能耗，确定当前使用的目标驱动模式；

(3)在所述目标驱动模式为所述混动模式下，以等效燃油消耗最小为基础，考虑车辆行驶工况特性和需求特性，以所述实时需求功率的变化量进行寻优域的实时求解，获取最小的变域等效燃油消耗。

2.根据权利要求1所述的方法，其特征在于，步骤(1)包括：

(1.1)基于当前时刻的车速及当前时刻的纵向加速度，按照马尔科夫链状态转移概率矩阵对车速状态转移概率矩阵及纵向加速度状态转移概率矩阵进行实时更新；

(1.2)基于更新后的车速状态转移概率矩阵进行车速预测，得到下一时刻的车速，基于更新后的纵向加速度状态转移概率矩阵进行纵向加速度预测，得到下一时刻的纵向加速度；

(1.3)通过所述下一时刻的车速及所述下一时刻的纵向加速度建立行驶功率平衡模型，基于所述行驶功率平衡模型实时计算需求功率，实现需求功率的实时预测。

3.根据权利要求2所述的方法，其特征在于，步骤(1.1)包括：

获取当前时刻的车速状态Xt及上一时刻的车速状态Xt-1，并由Xt＝Sj及Xt-1＝Si进行车速状态处理；获取当前时刻的纵向加速度状态Y_t及上一时刻的纵向加速度状态Y_t-1，并由Y_t＝A_j及Y_t-1＝A_i进行纵向加速度状态处理，其中，Sj表示车速在t时刻的j状态，Si表示车速在t-1时刻的i状态，A_j表示纵向加速度在t时刻的j状态，A_i表示纵向加速度在t-1时刻的i状态；

由Fij＝Fij+1更新车速状态的状态转移频数，由Zij＝Zij+1更新纵向加速度状态的状态转移频数，其中，Fij表示由Si→Sj的转移频数，Zij表示由A_i→A_j的转移频数；

由n＝n+1及P(I,J)＝F(I,J)/n更新车速状态转移概率矩阵，由m＝m+1及Q(I,J)＝Z(I,J)/m更新纵向加速度状态转移概率矩阵，其中，n表示状态更新的总数据个数，F(I,J)表示处于Si状态的所有数据转移到Sj状态时的数据个数，P(I,J)表示时序状态转移概率矩阵，I表示t-1时刻的i状态，J表示t时刻的j状态，m表示状态更新的总数据个数，Z(I,J)表示处于A_i状态的所有数据转移到A_j状态时的数据个数，Q(I,J)表示时序状态转移概率矩阵。

4.根据权利要求3所述的方法，其特征在于，步骤(1.2)包括：

由Xt+1＝max(P(SJ,:))预测下一时刻的车速状态Xt+1，由Y_t+1＝max(Q(AJ,:))预测下一时刻的纵向加速度状态Y_t+1。

5.根据权利要求4所述的方法，其特征在于，所述行驶功率平衡模型为：

其中，P_m表示行驶功率，G表示汽车重力，f表示摩擦系数，p表示道路坡度，C_D表示空气阻力系数，A表示迎风面积，u_a表示车速，m表示整车质量，表示整车加速度，η表示机械传动效率。

6.根据权利要求1至5任意一项所述的方法，其特征在于，在步骤(3)中，所述寻优域为：[T_min,T_max]及[n_min,n_max]，其中，T_max＝min{T_e(k)+ΔT,T_emax}，T_min＝max{T_e(k)-ΔT,T_emin}，n_max＝min{n_emax,n_e(k)+Δn}，n_min＝max{n_emin,n_e(k)-Δn}，Δn＝ΔP/T_e(k)，ΔT＝ΔP/n_e(k)，T_max表示寻优域转矩上限，T_min表示寻优域转矩下限，T_emax表示发动机当前转速下最大输出转矩，T_emin表示当前转速下最小输出转矩，n_max表示寻优域转速上限，n_min表示寻优域转速下限，n_emax表示发动机最大工作转速，n_emin表示发动机最小工作转速，ΔP表示相邻控制周期的实时需求功率之差，T_e(k)表示当前时刻工作点转矩，n_e(k)表示当前时刻工作点转速，Δn表示转速域宽，ΔT表示转矩域宽。

7.根据权利要求6所述的方法，其特征在于，在步骤(3)中，所述变域等效燃油消耗为：

其中，J表示变域等效燃油消耗量，P_e(k)表示发动机当前时刻功率，Δt表示离散时间步长，be表示燃油消耗率，β(k)表示动力电池SOC当前时刻的波动惩罚项，s(k)表示动力电池当前时刻的功率等效燃油消耗系数，ε(k)表示动力电池当前时刻的工作状态值，P_bat表示动力电池当前时刻的功率，η_dis表示动力电池高效率区平均放电效率，H_μ表示燃油低热值，η_chg表示动力电池高效率区平均充电效率。

8.根据权利要求7所述的方法，其特征在于，由确定动力电池SOC当前时刻的波动惩罚项，其中，SOC(k)表示电池在当前时刻k的剩余电量百分比，Ref为预设值。

9.一种基于需求功率预测的变域最优能量管理控制装置，其特征在于，包括：

需求功率预测模块，用于基于自适应马尔科夫链预测，以纵向车速和纵向加速度为预测变量，进行需求功率的实时预测，获取实时需求功率；

驱动模式确定模块，用于基于所述实时需求功率，通过比较实时的混动模式等效能耗与实时的纯电动模式等效能耗，确定当前使用的目标驱动模式；

能量管理模块，用于在所述目标驱动模式为所述混动模式下，以等效燃油消耗最小为基础，考虑车辆行驶工况特性和需求特性，以所述实时需求功率的变化量进行寻优域的实时求解，获取最小的变域等效燃油消耗。

10.一种包括权利要求9所述的基于需求功率预测的变域最优能量管理控制装置的混合动力汽车。