CN111591279B - 一种插电式混合动力汽车电池电量轨迹规划方法及*** - Google Patents

一种插电式混合动力汽车电池电量轨迹规划方法及*** Download PDF

Info

Publication number
CN111591279B
CN111591279B CN202010312714.1A CN202010312714A CN111591279B CN 111591279 B CN111591279 B CN 111591279B CN 202010312714 A CN202010312714 A CN 202010312714A CN 111591279 B CN111591279 B CN 111591279B
Authority
CN
China
Prior art keywords
road
soc
predicted
speed
gradient
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.)
Active
Application number
CN202010312714.1A
Other languages
English (en)
Other versions
CN111591279A (zh
Inventor
周维
翟浩然
张宁峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202010312714.1A priority Critical patent/CN111591279B/zh
Publication of CN111591279A publication Critical patent/CN111591279A/zh
Application granted granted Critical
Publication of CN111591279B publication Critical patent/CN111591279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/076—Slope angle of the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Hybrid Electric Vehicles (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种插电式混合动力汽车电池电量轨迹规划方法及***，其中方法包括：基于ITS***及导航***获取行驶路径上的预测车速及道路坡度；基于有序样本聚类算法分别对预测车速及道路坡度进行聚类；将聚类后的预测车速及道路坡度进行合并，将行驶路径分割为多段路段，且每段路段内的预测车速和道路坡度特征一致；根据多段路段及其对应的预测车速和道路坡度规划出车辆电池SoC轨迹。根据预测车速及道路坡度进行聚类，然后合并从而将路径分割为多段路段，再据不同路段能量需求生成SoC参考轨迹；接近全局最优的SoC轨迹，较现有全局动态规划算法或神经网络等计算量较低，可据交通变化状况实时刷新，鲁棒性高，应用到能量管理控制中更具有节能潜力。

Description

一种插电式混合动力汽车电池电量轨迹规划方法及***
技术领域
本发明涉及混合动力汽车能量管理技术领域，尤其涉及一种插电式混合动力汽车电池电量轨迹规划方法及***。
背景技术
插电式混合动力汽车(PHEV)作为一种新能源汽车，结合了纯电动汽车与传统混合动力汽车的优点，在保证了车辆的电驱动优势下又极大解决了续航里程焦虑的问题。目前的PHEV主要由发动机、发电机、驱动电机、蓄电池组合控制***等部件组成，当蓄电池电量水平较高时，车辆可运行在纯电模式，而当电量水平较低时，发动机会介入工作并可给电池充电；通过充电桩可给电池充电。
随着智能交通***(ITS)和车联网的发展，准确地获得未来道路和交通信息成为可能。在PHEV的能量管理***中融合预测的未来道路和交通信息对电池的全局电量(SoC)轨迹进行规划，然后通过模型预测控制或自适应ECMS等算法跟踪该电量轨迹并控制发动机和电池的输出功率，可以实现***高效率地工作，并有效降低汽车的燃油消耗。
如中国专利CN2015108863352公开了一种“控制混合动力车辆的***和方法”，其公开了通过行驶路线的相关信息预测车辆的未来速度，然后针对预测的未来速度导出行驶路线的SoC轨迹线。上述方案需要使用动态规划算法求解全行程的SoC轨迹线，计算量较大，实时性较差，且ITS无法获取车速轨迹的变化细节，使用动态规划算法求解SoC轨迹线并进行跟踪的鲁棒性较低、控制效果欠佳。
发明内容
本发明提供了一种插电式混合动力汽车电池电量轨迹规划方法及***，用于解决现有技术中SoC轨迹规划算法计算量较大、鲁棒性较低的问题。
第一方面，提供了一种插电式混合动力汽车电池电量轨迹规划方法，包括：
基于ITS***及导航***获取行驶路径上的预测车速及道路坡度；
基于有序样本聚类算法分别对预测车速及道路坡度进行聚类；
将聚类后的预测车速及道路坡度进行合并，进而将行驶路径分割为多段路段，且每段路段内的预测车速和道路坡度特征一致；其中，所述每段路段内的预测车速和道路坡度特征一致是指：每段路段内的预测车速处于同一个预测车速类内，并且每段路段内的道路坡度处于同一个道路坡度类内；
根据多段路段及其对应的预测车速和道路坡度规划出车辆电池SoC轨迹。
进一步地，所述基于有序样本聚类算法分别对预测车速及道路坡度进行聚类包括如下步骤：
获取预测速度/道路坡度有序样本序列{x1,x2,x3,…,xn}及需要聚类的数目k，其中xn为第n个预测速度/道路坡度样本；
定义一个预测速度/道路坡度类为G(i,j)，其中包括数据序列{xi,xi+1,…xj}，则预测速度/道路坡度类G(i,j)的直径D(i,j)定义为：
Figure BDA0002458448180000021
其中，
Figure BDA0002458448180000022
为预测速度/道路坡度类G(i,j)的中心，且：
Figure BDA0002458448180000023
设置目标函数e[p(n,k)]，其可表示为：
Figure BDA0002458448180000024
其中，{i1,i2,…,ik,ik+1}为预测速度/道路坡度样本序列的最优分割点集，ik为第k个分割点，且i1和ik+1分别为预测速度/道路坡度样本序列的第一个和最后一个样本；
通过动态规划求解使目标函数e[p(n,k)]的值最小，得到k个预测速度/道路坡度类。
进一步地，预测速度/道路坡度样本序列需要聚类的数目k通过自适应确定，具体如下步骤：
Dr表示在某k值下预测速度/道路坡度类r内任意两点的距离之和：
Figure BDA0002458448180000025
将Dr标准化后记为标准直径Wk：
Figure BDA0002458448180000026
定义间隔量Gapn(k)为：
Figure BDA0002458448180000031
其中，
Figure BDA0002458448180000032
为log(Wk)的参考分布在n个预测速度/道路坡度样本下的期望，其计算过程为：在预测速度/道路坡度样本的最大值与最小值范围内取数量与原预测速度/道路坡度样本相同的随机数，并求解其标准直径并标记为
Figure BDA0002458448180000033
该过程重复B次，求
Figure BDA0002458448180000034
平均值即可求得
Figure BDA0002458448180000035
定义log(Wk)的标准差为sd(k)：
Figure BDA0002458448180000036
定义
Figure BDA0002458448180000037
中的模拟误差定义sk：
Figure BDA0002458448180000038
选择满足Gap(k)≥Gap(k+1)-sk+1的最小的k作为最优的预测速度/道路坡度样本序列聚类数目。
通过上述自适应的方法确定聚类的数目k，可以适应不同地形和车速轨迹特征，针对不同特征的数据确定不同的最优聚类数目，可使聚类结果更加合理，从而进一步使最终规划的SoC轨迹更接近于全局最优的SoC轨迹。
进一步地，所述根据多段路段及其对应的预测车速和道路坡度规划出车辆电池SoC轨迹具体包括：
根据每段路段对应的预测车速和道路坡度得到每一路段的平均道路阻力，并根据平均道路阻力的正负，预测对应路段上SoC轨迹下降或上升；
对于SoC上升的路段，其各路段上SoC轨迹斜率ku：
Figure BDA0002458448180000039
其中，△SoCu为对应SoC上升路段上的SoC增量，lu为对应SoC上升路段的里程；
对于SoC下降的路段，先选择其中一个路段作为标准路段，计算标准斜率kst和各子路段的斜率kd：
Figure BDA0002458448180000041
其中，SoC0为初始电池电量，SoCmin为行程结束时电池电量，send为总里程，ld为对应SoC下降路段的里程，△sn为标准路段与对应SoC下降路段在SoC变化量相同情况下的里程差；
将所有路段的SoC轨迹按位置域上的相对位置进行组合，得到整个行驶路径对应的SoC轨迹。
进一步地，所述△sn通过如下公式得到；
Figure BDA0002458448180000042
其中，
Figure BDA0002458448180000043
为标准路段对应的平均道路阻力，
Figure BDA0002458448180000044
为对应SoC下降路段的平均道路阻力；
所述△SoCu通过如下公式得到：
Figure BDA0002458448180000045
其中，ηt为电能转化效率系数，
Figure BDA0002458448180000046
为对应SoC上升路段的平均道路阻力，
Figure BDA0002458448180000047
为电池端电压平均值，Qnom为电池额定容量。
第二方面，一种插电式混合动力汽车电池电量轨迹规划***，包括：
车速及坡度获取模块，用于基于ITS***及导航***获取行驶路径上的预测车速及道路坡度；
路段分割模块，用于基于有序样本聚类算法分别对预测车速及道路坡度进行聚类，并将聚类后的预测车速及道路坡度进行合并，进而将行驶路径分割为多段路段，且每段路段内的预测车速和道路坡度均相同；
SoC轨迹规划模块，根据多段路段及其对应的预测车速和道路坡度规划出车辆电池SoC轨迹。
进一步地，所述基于有序样本聚类算法分别对预测车速及道路坡度进行聚类包括如下步骤：
获取预测速度/道路坡度有序样本序列{x1,x2,x3,…,xn}及需要聚类的数目k，其中xn为第n个预测速度/道路坡度样本；
定义一个预测速度/道路坡度类为G(i,j)，其中包括数据序列{xi,xi+1,…xj}，则预测速度/道路坡度类G(i,j)的直径D(i,j)定义为：
Figure BDA0002458448180000051
其中，
Figure BDA0002458448180000052
为预测速度/道路坡度类G(i,j)的中心，且：
Figure BDA0002458448180000053
设置目标函数e[p(n,k)]，其可表示为：
Figure BDA0002458448180000054
其中，{i1,i2,…,ik,ik+1}为预测速度/道路坡度样本序列的最优分割点集，ik为第k个分割点，且i1和ik+1分别为预测速度/道路坡度样本序列的第一个和最后一个样本；
通过动态规划求解使目标函数e[p(n,k)]的值最小，得到k个预测速度/道路坡度类。
进一步地，预测速度/道路坡度样本序列需要聚类的数目k通过自适应确定，具体如下步骤：
Dr表示在某k值下预测速度/道路坡度类r内任意两点的距离之和：
Figure BDA0002458448180000055
将Dr标准化后记为标准直径Wk：
Figure BDA0002458448180000056
定义间隔量Gapn(k)为：
Figure BDA0002458448180000057
其中，
Figure BDA0002458448180000058
为log(Wk)的参考分布在n个预测速度/道路坡度样本下的期望，其计算过程为：在预测速度/道路坡度样本的最大值与最小值范围内取数量与原预测速度/道路坡度样本相同的随机数，并求解其标准直径并标记为
Figure BDA0002458448180000059
该过程重复B次，求
Figure BDA00024584481800000510
平均值即可求得
Figure BDA0002458448180000061
定义log(Wk)的标准差为sd(k)：
Figure BDA0002458448180000062
定义
Figure BDA0002458448180000063
中的模拟误差定义sk：
Figure BDA0002458448180000064
选择满足Gap(k)≥Gap(k+1)-sk+1的最小的k作为最优的预测速度/道路坡度样本序列聚类数目。
进一步地，所述根据多段路段及其对应的预测车速和道路坡度规划出车辆电池SoC轨迹具体包括：
根据每段路段对应的预测车速和道路坡度得到每一路段的平均道路阻力，并根据平均道路阻力的正负，预测对应路段上SoC轨迹下降或上升；
对于SoC上升的路段，其各路段上SoC轨迹斜率ku：
Figure BDA0002458448180000065
其中，△SoCu为对应SoC上升路段上的SoC增量，lu为对应SoC上升路段的里程；
对于SoC下降的路段，先选择其中一个路段作为标准路段，计算标准斜率kst和各子路段的斜率kd：
Figure BDA0002458448180000066
其中，SoC0为初始电池电量，SoCmin为行程结束时电池电量，send为总里程，ld为对应SoC下降路段的里程，△sn为标准路段与对应SoC下降路段在SoC变化量相同情况下的里程差；
将所有路段的SoC轨迹按位置域上的相对位置进行组合，得到整个行驶路径对应的SoC轨迹。
进一步地，所述△sn通过如下公式得到；
Figure BDA0002458448180000071
其中，
Figure BDA0002458448180000072
为标准路段对应的平均道路阻力，
Figure BDA0002458448180000073
为对应SoC下降路段的平均道路阻力；
所述△SoCu通过如下公式得到：
Figure BDA0002458448180000074
其中，ηt为电能转化效率系数，
Figure BDA0002458448180000075
为对应SoC上升路段的平均道路阻力，
Figure BDA0002458448180000076
为电池端电压平均值，Qnom为电池额定容量。
有益效果
本发明提出了一种插电式混合动力汽车电池电量轨迹规划方法及***，该方案可以根据ITS***及导航***中获取的未来的行程信息进行快速的SoC轨迹规划。SoC轨迹规划根据不同路段的能量需求特征进行，车速与坡度是影响路段能量需求特征的直接因素，故根据预测车速及道路坡度两个特征进行聚类，然后合并从而将行驶路径分割为多段具有不同能量需求的路段，进而基于多段具有不同能量需求的路段生成SoC参考轨迹，该方案由于利用了全局最优电量消耗轨迹的特征，所以在应用到能量管理控制中更具有节能潜力。该方案中算法较现有方案(全局动态规划算法生成最优轨迹或神经网络等等)计算量较低，且比一般基于简单规则的SoC参考轨迹设计方法更接近于全局最优的SoC轨迹；由于计算量较低，可以根据交通变化状况以一定频率刷新，实时性好，鲁棒性较高。得到的SoC轨迹规划结果可以应用于能量管理算法中，令下层的优化控制算法(模型预测控制算法、自适应等效燃油消耗最小策略等)跟踪该SoC轨迹，实现能量的高效分配。
附图说明
图1是本发明实施例提供的一种插电式混合动力汽车电池电量轨迹规划方法流程图；
图2是本发明实施例提供的SoC轨迹下降段两个单斜率的SoC轨迹规划示意图；
图3是本发明实施例提供的SoC轨迹下降段连续不同斜率的SoC轨迹规划示意图；
图4是本发明实施例提供的包含单个SoC轨迹上升段且SoC轨迹下降段斜率相同的SoC轨迹规划示意图；
图5是本发明实施例提供的一个综合情况下SoC轨迹规划示意图；
图6是本发明实施例提供的一种插电式混合动力汽车电池电量轨迹规划***结构示意图；
图7是本发明实施例提供的某一道路的预测车速与高程信息示意图；
图8是图7提供的实施例的聚类分割结果及SoC规划结果示意图。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细说明。
实施例1
如图1所示，本实施例提供了一种插电式混合动力汽车电池电量轨迹规划方法，首先获取目的地与当前位置，然后进行如下步骤：
S01：基于ITS***及导航***获取行驶路径上的预测车速及道路坡度；具体的，通过ITS***及车载导航***(GPS)获取行驶路径的宏观交通流信息(各个路段的平均车速)或各路段的限速信息作为预测车速信息；根据ITS***及车载导航***(GPS)获取行驶路径上的高程信息，从而计算出道路坡度信息。
S02：基于有序样本聚类算法分别对预测车速及道路坡度进行聚类；具体包括：
获取预测速度/道路坡度有序样本序列{x1,x2,x3,…,xn}及需要聚类的数目k，其中xn为第n个预测速度/道路坡度样本，预测速度/道路坡度有序样本序列通过依次间隔预设距离采样得到，如每间隔100m采样一次；其中聚类的数目k通过自适应确定，具体确定过程如下：
Dr表示在某k值下预测速度/道路坡度类r内任意两点的距离之和：
Figure BDA0002458448180000081
将Dr标准化后记为标准直径Wk：
Figure BDA0002458448180000082
定义间隔量Gapn(k)为：
Figure BDA0002458448180000083
其中，
Figure BDA0002458448180000084
为log(Wk)的参考分布在n个预测速度/道路坡度样本下的期望，其计算过程为：在预测速度/道路坡度样本的最大值与最小值范围内取数量与原预测速度/道路坡度样本相同的随机数，并求解其标准直径并标记为
Figure BDA0002458448180000085
该过程重复B次，求
Figure BDA0002458448180000086
平均值即可求得
Figure BDA0002458448180000087
定义log(Wk)的标准差为sd(k)：
Figure BDA0002458448180000091
定义
Figure BDA0002458448180000092
中的模拟误差定义sk：
Figure BDA0002458448180000093
选择满足Gap(k)≥Gap(k+1)-sk+1的最小的k作为最优的预测速度/道路坡度样本序列聚类数目。
获取了预测速度/道路坡度有序样本序列{x1,x2,x3,…,xn}及需要聚类的数目k之后进行聚类，定义一个预测速度/道路坡度类为G(i,j)，其中包括数据序列{xi,xi+1,…xj}，则预测速度/道路坡度类G(i,j)的直径D(i,j)定义为：
Figure BDA0002458448180000094
其中，
Figure BDA0002458448180000095
为预测速度/道路坡度类G(i,j)的中心，且：
Figure BDA0002458448180000096
设置目标函数e[p(n,k)]，其可表示为：
Figure BDA0002458448180000097
其中，{i1,i2,…,ik,ik+1}为预测速度/道路坡度样本序列的最优分割点集，ik为第k个分割点，且i1和ik+1分别为预测速度/道路坡度样本序列的第一个和最后一个样本；
通过动态规划求解使目标函数e[p(n,k)]的值最小，得到k个预测速度/道路坡度类。其中求解具体过程如下：若第r个样本分割点位置确定为i，则最优化的子问题就变成了确定最优的第r+1～k的最优分割方案。
1)计算最优分割点r的分割方案的成本等于该点到r+1点的距离加r+1点到终点的成本：
e[p(n-ir+1,k-r+1)]＝e*[p(n-ir+1+1,k-r)]+D(ir,ir+1-1),ir+1∈[r+1,n-k+r],ir∈[r,ir+1)
2)求解min{e[p(n-ir+1,k-r+1)]}，并记录最优e*[p(n-ir+1,k-r+1)]，及每个ir对应的最优ir+1的值。
3)从r＝k-1重复1)、2)至r＝1，后正向递推得到最优分割序列{i1,i2,…,ik,ik+1}。
S03：将聚类后的预测车速及道路坡度进行合并，进而将行驶路径分割为多段路段，且每段路段内的预测车速和道路坡度特征一致；需说明的是，所述每段路段内的预测车速和道路坡度特征一致是指：每段路段内的预测车速处于同一个预测车速类内，并且每段路段内的道路坡度处于同一个道路坡度类内。
S04：根据多段路段及其对应的预测车速和道路坡度规划出车辆电池SoC轨迹。其中，SoC轨迹规划具体包括：
根据每段路段对应的预测车速和道路坡度得到每一路段的平均道路阻力，并根据平均道路阻力的正负，预测对应路段上SoC轨迹下降或上升；其中，第r个路段的平均道路阻力
Figure BDA0002458448180000106
通过如下公式计算得到：
Figure BDA0002458448180000101
其中
Figure BDA0002458448180000102
为平均车速，
Figure BDA0002458448180000103
为平均道路坡度，m为整车质量，g为重力加速度，f为道路摩擦系数，ρa为空气密度，Cd为风阻系数，A为迎风面积。
对于SoC上升的路段，其各路段上SoC轨迹斜率ku：
Figure BDA0002458448180000104
其中，△SoCu为对应SoC上升路段上的SoC增量，lu为对应SoC上升路段的里程；
对于SoC下降的路段，先选择其中一个路段作为标准路段，计算标准斜率kst和各子路段的斜率kd：
Figure BDA0002458448180000105
其中，SoC0为初始电池电量，SoCmin为行程结束时电池电量，send为总里程，ld为对应SoC下降路段的里程，△sn为标准路段与对应SoC下降路段在SoC变化量相同情况下的里程差；
将所有路段的SoC轨迹按位置域上的相对位置进行组合，得到整个行驶路径对应的SoC轨迹。
其中，所述△sn通过如下公式得到；
Figure BDA0002458448180000111
其中，
Figure BDA0002458448180000112
为标准路段对应的平均道路阻力，
Figure BDA0002458448180000113
为对应SoC下降路段的平均道路阻力；
所述△SoCu通过如下公式得到：
Figure BDA0002458448180000114
其中，ηt为电能转化效率系数，
Figure BDA0002458448180000115
为对应SoC上升路段的平均道路阻力，
Figure BDA0002458448180000116
为电池端电压平均值，Qnom为电池额定容量。
为了进一步理解，下面做更详细的分析说明。
根据离线计算的插电式混合动力汽车的全局最优电池电量轨迹结果，SoC随距离s呈现出分段线性的特征，在能量需求特征相同的路段之间SoC下降速率相同，而在不同的路段之间SoC速率下降不同，且影响下降速率最显著的特征就是路段道路阻力的大小。
对于SoC轨迹下降路段：
当车辆的平均功率需求为正，如平路和上坡路段、没有大的制动减速工况时，由APU和电池按FDP算法确定的最优能量配比进行功率输出，此时SoC随行驶里程的增加而下降。前述已经说明，子路段的SoC(s)斜率之比等于它们平均道路阻力之比，因此对于任意具有不同平均道路阻力特征的路段，当SoC从相同初始状态下降至相同末状态时，这种平均道路阻力的不同(即SoC(s)斜率不同)将导致路段之间产生行驶里程产生△s的差值，如图2所示。△s是相同SoC状态之间，不同的SoC(s)斜率在位置域上的反映。显然，对于两个路段，若它们平均道路阻力差距越大，则SoC(s)斜率差距也就越大，从而△s的值也越大。这里将△s作为一个中间变量辅助参考轨迹的设计。
图2中ki、kj分别为路段i、路段j上的SoC(s)斜率，l为路段j的长度。根据上图的几何关系，可推导出：
Figure BDA0002458448180000117
得到△s的计算式：
Figure BDA0002458448180000118
其中，
Figure BDA0002458448180000119
和
Figure BDA00024584481800001110
分别为路段i、路段j上的平均道路阻力，根据前述SoC(s)分段线性的特征，当平均功率需求为正时，最优SoC(s)参考轨迹应该为一条由多个不同斜率的线段组成的下降折线。
前面给出了△s的通用定义。对于全局SoC轨迹，由于一个SoC区间只对应一个路段，因此需要构造一个标准路段斜率作为图2中定义的对比路段i。标准段可直接选取路段上SoC下降的任何一个子路段，将其平均道路阻力作为其他子路段的对比标准。图3选择第1个子路段为标准段，则其斜率等于第1段斜率k1，在图上用标注k1的两条虚线表示。有了标准斜率后，在其余路段上，都可按图2和式(2)给出的△s定义，在各路段对应SoC区间内分别计算出其余各段的△sn：
Figure BDA0002458448180000121
式中，
Figure BDA0002458448180000122
为标准段的平均道路阻力；
Figure BDA0002458448180000123
为某一子路段的平均道路阻力；ld为某一子路段的里程。由于△sn的计算只与相应路段的长度以及平均道路阻力之比有关，而与各路段的相对位置无关，因此在整个SoC区间上，标准段与实际SoC(s)轨迹里程Send之间总的里程差就等于各路段的△sn之和。图3只是给出了△sn均大于0的情况，但根据类似的几何关系容易得到，对于△sn小于0的情况，该推断仍是适用的。从△s的定义出发也可解释这一关系：因为全过程各个路段都是和所选定的标准子路段按图2的定义进行对比，因此在每个路段对应的SoC区间[SoCn1,SoCn2]内，各子路段与各标准子路段之间在位置域上均相差△sn。当各子路段的SoC区间串联为总SoC区间[SoC0,SoCmin]时，由于各标准子路段串联后也是同样的区间[SoC0,SoCmin]，那么串联后全过程里程Send与所构造的总标准里程之间的里程差即为△sn之和。标准段即所选择的第1路段的斜率为：
Figure BDA0002458448180000124
各子路段斜率参考式(1)形式得到：
Figure BDA0002458448180000125
对于SoC轨迹上升路段：
当插电式混合动力车辆行驶在坡度较大且行驶速度较低的下坡路段时，由于坡度对功率需求影响的程度相比于其他阻力要大，此时功率需求为负，则APU基本保持关闭，而电机运行在再生制动状态，SoC(s)轨迹上升。此时能量分配情况与平路或上坡时的优化配比是完全不同的，因而对于这种情况，前述的设计方法不再适用。设APU在大下坡路段上保持关闭，则由电池输出或回收全部需求能量。电池组的能量变化可表示为式(6.a)，Qc2、Qc1分别为电池组在末状态和初始状态的容量，Vt2、Vt1分别为电池组端电压，考虑到电池组平均端电压变化不大，因此用端电压平均值
Figure BDA0002458448180000131
代替。
Figure BDA0002458448180000132
将式(6.a)中的容量变化用SoC变化量△SoCu来表示：
Figure BDA0002458448180000133
从而建立起电池组SoC和电池组能量变化间的关系式：
Figure BDA0002458448180000134
根据下坡时车辆动力学方程和能量关系，得到式(7.a)及(7.b)。式(7.a)实质上为车辆在路段上行驶时的动能变化量，其中下坡的平均坡度
Figure BDA0002458448180000135
取负值；式(7.b)表示电池能量与车辆需求能量之间是反向变化的，且△Qd为负时，车辆需求能量为负，该部分能量由电机经再生制动转化为电池组电能的上升。受传动系效率、电机发电效率和电池组的充电效率因素等影响，再生制动过程回收的能量必然存在损失。因此这里以效率系数ηt来表示以上几处总的效率损失。
Figure BDA0002458448180000136
△Qb＝-ηt△Qd (7.b)
其中，
Figure BDA0002458448180000137
为平均车速，
Figure BDA0002458448180000138
为平均道路坡度，m为整车质量，g为重力加速度，f为道路摩擦系数，ρa为空气密度，Cd为风阻系数，A为迎风面积。
联立式(6.c)、(7.a)和(7.b)，得到路段上SoC变化量：
Figure BDA0002458448180000139
图4表示出了存在一处SoC上升段时的规划轨迹。由图中几何关系可以计算出SoC上升段的斜率：
Figure BDA00024584481800001310
式中lu为SoC上升段对应的路段里程。
为了先重点阐述包含SoC上升段时的全过程SoC轨迹设计思路，先以图4这种简单的情形为例，多路段多坡度复合的情形将下面阐述。在这种情况下，只存在一个SoC上升段，且其他两段的平均道路阻力，即斜率相同。与上述SoC下降路段中一样，选择一个路段的SoC斜率为标准斜率(图4中为第一段的斜率k1)。按式(3)可知此时里程差值△s为0。但SoC状态会由于下坡段的存在而增加△SoCu，此时图4中的虚线为设计时的标准斜率，在式(4)的基础，可以推出这种简单情况下的标准斜率表达式：
Figure BDA0002458448180000141
需要指出的是，上述提出的SoC上升段的轨迹设计方法适用于再生制动能力基本满足制动需求的情况，即排除机械制动的影响。
对于综合情形：
车辆行驶时面对的实际工况是比较复杂的，在一次行驶的全过程中可能既有上下坡，又有高低速的行驶工况，这些因素使各子路段的平均道路阻力有正有负，从而全过程的电池SoC也会随行驶距离而有升有降。前面分别给出了SoC上升段和下降段的轨迹规划原理，即由图3和图4表示的两种SoC轨迹规划模型，并提出了针对于这两种模型的SoC(s)斜率计算方法。对于SoC(s)上升的情况，由式(9)可以直接得到上升时的各段斜率，因此在多工况复合的情形下也可按同样方法计算。对于SoC(s)下降的情况，由于需要引入中间变量△s和标准斜率kst辅助，无法由单一子路段直接计算，因此下面讨论的最优SoC(s)轨迹规划方法，目的是研究多工况复合情况下，SoC下降段的标准斜率的具体表达式。
对于全过程被分为若干个子路段的复合情形，从能量的角度来看，各子路段的长度总和为总里程send，且各子路段上SoC的变化量△SoCn经代数相加也为总路程上的SoC变化，即必然满足如下关系：
send＝∑l＝∑ld+∑lu (11.a)
SoC0-SoCmin＝∑|△SoC|＝∑|△SoCd|-∑|△SoCu| (11.b)
式中变量用下标u和d分别对应SoC上升路段和下降路段。
在式(4)得到的通用公式基础上，按式(11)的关系，将不能直接计算的∑|△SoCd|用全过程以及上升段的SoC变化量表示，推得一般情形下的标准斜率：
Figure BDA0002458448180000142
上述过程可以由图5中的几何关系直观地说明。
根据前述已经得到的结论：SoC下降时子路段斜率由路段之间的
Figure BDA0002458448180000143
之比和子路段长度决定；SoC上升时子路段斜率由该段的
Figure BDA0002458448180000144
和子路段长度决定，即轨迹的斜率计算与子路段间的相对位置无关。因此在总的SoC变化量相同且满足SoC约束的前提下，我们可以重组子路段的相对位置。图5中，全过程按平均道路阻力大小分为5个路段，路段斜率为k1～k5，黑色粗实线为按线性关系规划的最优SoC(s)轨迹。全程的SoC轨迹在[SoCmin,SoC0]之间变化，总行驶里程为Send。这里选择了第一段斜率为标准斜率，虚线表示具有标准斜率的SoC(s)轨迹。各子路段轨迹通过平移重组等效为细实线的轨迹，等效前后各子路段斜率不变(分别以k’表示)。
实施例2
本实施例提供了一种插电式混合动力汽车电池电量轨迹规划***，如图6所示，包括：
车速及坡度获取模块1，用于基于ITS***及导航***获取行驶路径上的预测车速及道路坡度；
路段分割模块2，用于基于有序样本聚类算法分别对预测车速及道路坡度进行聚类，并将聚类后的预测车速及道路坡度进行合并，进而将行驶路径分割为多段路段，且每段路段内的预测车速和道路坡度特征一致；
SoC轨迹规划模块3，根据多段路段及其对应的预测车速和道路坡度规划出车辆电池SoC轨迹。
详细的，路段分割模块2中，所述基于有序样本聚类算法分别对预测车速及道路坡度进行聚类包括如下步骤：
获取预测速度/道路坡度有序样本序列{x1,x2,x3,…,xn}及需要聚类的数目k，其中xn为第n个预测速度/道路坡度样本；其中，聚类的数目k通过自适应确定，具体过程如下：
Dr表示在某k值下预测速度/道路坡度类r内任意两点的距离之和：
Figure BDA0002458448180000151
将Dr标准化后记为标准直径Wk：
Figure BDA0002458448180000152
定义间隔量Gapn(k)为：
Figure BDA0002458448180000153
其中，
Figure BDA0002458448180000154
为log(Wk)的参考分布在n个预测速度/道路坡度样本下的期望，其计算过程为：在预测速度/道路坡度样本的最大值与最小值范围内取数量与原预测速度/道路坡度样本相同的随机数，并求解其标准直径并标记为
Figure BDA0002458448180000155
该过程重复B次，求
Figure BDA0002458448180000156
平均值即可求得
Figure BDA0002458448180000161
定义log(Wk)的标准差为sd(k)：
Figure BDA0002458448180000162
定义
Figure BDA0002458448180000163
中的模拟误差定义sk：
Figure BDA0002458448180000164
选择满足Gap(k)≥Gap(k+1)-sk+1的最小的k作为最优的预测速度/道路坡度样本序列聚类数目。
获取了预测速度/道路坡度有序样本序列{x1,x2,x3,…,xn}及需要聚类的数目k之后进行聚类，定义一个预测速度/道路坡度类为G(i,j)，其中包括数据序列{xi,xi+1,…xj}，则预测速度/道路坡度类G(i,j)的直径D(i,j)定义为：
Figure BDA0002458448180000165
其中，
Figure BDA0002458448180000166
为预测速度/道路坡度类G(i,j)的中心，且：
Figure BDA0002458448180000167
设置目标函数e[p(n,k)]，其可表示为：
Figure BDA0002458448180000168
其中，{i1,i2,…,ik,ik+1}为预测速度/道路坡度样本序列的最优分割点集，ik为第k个分割点，且i1和ik+1分别为预测速度/道路坡度样本序列的第一个和最后一个样本；
通过动态规划求解使目标函数e[p(n,k)]的值最小，得到k个预测速度/道路坡度类。
详细的，SoC轨迹规划模块3中，所述根据多段路段及其对应的预测车速和道路坡度规划出车辆电池SoC轨迹具体包括：
根据每段路段对应的预测车速和道路坡度得到每一路段的平均道路阻力，并根据平均道路阻力的正负，预测对应路段上SoC轨迹下降或上升；
对于SoC上升的路段，其各路段上SoC轨迹斜率ku：
Figure BDA0002458448180000171
其中，△SoCu为对应SoC上升路段上的SoC增量，lu为对应SoC上升路段的里程；
对于SoC下降的路段，先选择其中一个路段作为标准路段，计算标准斜率kst和各子路段的斜率kd：
Figure BDA0002458448180000172
其中，SoC0为初始电池电量，SoCmin为行程结束时电池电量，send为总里程，ld为对应SoC下降路段的里程，△sn为标准路段与对应SoC下降路段在SoC变化量相同情况下的里程差；
将所有路段的SoC轨迹按位置域上的相对位置进行组合，得到整个行驶路径对应的SoC轨迹。
其中，所述△sn通过如下公式得到；
Figure BDA0002458448180000173
其中，
Figure BDA0002458448180000174
为标准路段对应的平均道路阻力，
Figure BDA0002458448180000175
为对应SoC下降路段的平均道路阻力；
所述△SoCu通过如下公式得到：
Figure BDA0002458448180000176
其中，ηt为电能转化效率系数，
Figure BDA0002458448180000177
为对应SoC上升路段的平均道路阻力，
Figure BDA0002458448180000178
为电池端电压平均值，Qnom为电池额定容量。其他具体实现方案参见实施例1所述的一种插电式混合动力汽车电池电量轨迹规划方法，在此不再赘述。
图6还提供了一个将本实施例提供的电量轨迹规划***运用到PHEV能量管理的控制***，本实施例提供的电量轨迹规划***配置在整车控制器中，ITS***及导航***与整车控制器连接，将交通流信息及地形信息发送给整车控制器中的电量轨迹规划***，从而进行SoC轨迹规划，整车控制器还接收车辆动力***的状态参数，然后整车控制器基于状态参数和SoC轨迹生成功率分配请求发送给车辆动力***。
下面以一实例进行说明，首先，需要获取目的地与当前位置，规划行驶路径得到一段道路，基于ITS***及导航***获取规划的行驶路径上的预测车速与高程信息如图7所示，根据获取的预测车速及高程信息可按照一定采样间隔生成预测车速有序样本序列与道路坡度有序样本序列。
根据前述的自适应确定方法得到预测车速有序样本序列与道路坡度有序样本序列最优分割数目k分别为3和8，然后通过有序样本聚类得到预测车速和道路坡度的聚类结果如图8所示，故合并之后整段道路被分割为了10个子工况路段，然后再基于10个子工况路段进行SoC轨迹规划，规划结果如图8所示，SoC轨迹规划结果与全局最优SoC轨迹较为接近。
本发明提出了一种插电式混合动力汽车电池电量轨迹规划方法及***，该方案可以根据ITS***及导航***中获取的未来的行程信息进行快速的SoC轨迹规划。SoC轨迹规划根据不同路段的能量需求特征进行，车速与坡度是影响路段能量需求特征的直接因素，故根据预测车速及道路坡度两个特征进行聚类，然后合并从而将行驶路径分割为多段具有不同能量需求的路段，进而基于多段具有不同能量需求的路段生成SoC参考轨迹，该方案由于利用了全局最优电量消耗轨迹的特征，所以在应用到能量管理控制中更具有节能潜力。该方案中算法较现有方案(全局动态规划算法生成最优轨迹或神经网络等等)计算量较低，且比一般基于简单规则的SoC参考轨迹设计方法更接近于全局最优的SoC轨迹；由于计算量较低，可以根据交通变化状况以一定频率刷新，实时性好，鲁棒性较高。得到的SoC轨迹规划结果可以应用于能量管理算法中，令下层的优化控制算法(模型预测控制算法、自适应等效燃油消耗最小策略等)跟踪该SoC轨迹，实现能量的高效分配。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种插电式混合动力汽车电池电量轨迹规划方法，其特征在于，包括：
基于ITS***及导航***获取行驶路径上的预测车速及道路坡度；
基于有序样本聚类算法分别对预测车速及道路坡度进行聚类；
将聚类后的预测车速及道路坡度进行合并，进而将行驶路径分割为多段路段，且每段路段内的预测车速和道路坡度特征一致；
根据多段路段及其对应的预测车速和道路坡度规划出车辆电池SoC轨迹，具体包括：
根据每段路段对应的预测车速和道路坡度得到每一路段的平均道路阻力，并根据平均道路阻力的正负，预测对应路段上SoC轨迹下降或上升；
对于SoC上升的路段，其各路段上SoC轨迹斜率ku：
Figure FDA0002977576520000011
其中，ΔSoCu为对应SoC上升路段上的SoC增量，lu为对应SoC上升路段的里程；
对于SoC下降的路段，先选择其中一个路段作为标准路段，计算标准斜率kst和各子路段的斜率kd：
Figure FDA0002977576520000012
其中，SoC0为初始电池电量，SoCmin为行程结束时电池电量，send为总里程，ld为对应SoC下降路段的里程，Δsn为标准路段与对应SoC下降路段在SoC变化量相同情况下的里程差；
将所有路段的SoC轨迹按位置域上的相对位置进行组合，得到整个行驶路径对应的SoC轨迹。
2.根据权利要求1所述的插电式混合动力汽车电池电量轨迹规划方法，其特征在于，所述基于有序样本聚类算法分别对预测车速及道路坡度进行聚类包括如下步骤：
获取预测速度/道路坡度有序样本序列{x1,x2,x3,…,xn}及需要聚类的数目k，其中xn为第n个预测速度/道路坡度样本；
定义一个预测速度/道路坡度类为G(i,j)，其中包括数据序列{xi,xi+1,…xj}，则预测速度/道路坡度类G(i,j)的直径D(i,j)定义为：
Figure FDA0002977576520000021
其中，
Figure FDA0002977576520000022
为预测速度/道路坡度类G(i,j)的中心，且：
Figure FDA0002977576520000023
设置目标函数e[p(n,k)]，其可表示为：
Figure FDA0002977576520000024
其中，{i1,i2,…,ik,ik+1}为预测速度/道路坡度样本序列的最优分割点集，ik为第k个分割点，且i1和ik+1分别为预测速度/道路坡度样本序列的第一个和最后一个样本；
通过动态规划求解使目标函数e[p(n,k)]的值最小，得到k个预测速度/道路坡度类。
3.根据权利要求2所述的插电式混合动力汽车电池电量轨迹规划方法，其特征在于，预测速度/道路坡度样本序列需要聚类的数目k通过自适应确定，具体如下步骤：
Dr表示在某k值下预测速度/道路坡度类r内任意两点的距离之和：
Figure FDA0002977576520000025
将Dr标准化后记为标准直径Wk：
Figure FDA0002977576520000026
定义间隔量Gapn(k)为：
Figure FDA0002977576520000027
其中，
Figure FDA0002977576520000028
为log(Wk)的参考分布在n个预测速度/道路坡度样本下的期望，其计算过程为：在预测速度/道路坡度样本的最大值与最小值范围内取数量与原预测速度/道路坡度样本相同的随机数，并求解其标准直径并标记为
Figure FDA0002977576520000029
该过程重复B次，求
Figure FDA00029775765200000210
平均值即可求得
Figure FDA00029775765200000211
定义log(Wk)的标准差为sd(k)：
Figure FDA0002977576520000031
定义
Figure FDA0002977576520000032
中的模拟误差定义sk：
Figure FDA0002977576520000033
选择满足Gap(k)≥Gap(k+1)-sk+1的最小的k作为最优的预测速度/道路坡度样本序列聚类数目。
4.根据权利要求1所述的插电式混合动力汽车电池电量轨迹规划方法，其特征在于，所述Δsn通过如下公式得到；
Figure FDA0002977576520000034
其中，
Figure FDA0002977576520000035
为标准路段对应的平均道路阻力，
Figure FDA0002977576520000036
为对应SoC下降路段的平均道路阻力；
所述ΔSoCu通过如下公式得到：
Figure FDA0002977576520000037
其中，ηt为电能转化效率系数，
Figure FDA0002977576520000038
为对应SoC上升路段的平均道路阻力，
Figure FDA0002977576520000039
为电池端电压平均值，Qnom为电池的额定容量。
5.一种插电式混合动力汽车电池电量轨迹规划***，其特征在于，包括：
车速及坡度获取模块，用于基于ITS***及导航***获取行驶路径上的预测车速及道路坡度；
路段分割模块，用于基于有序样本聚类算法分别对预测车速及道路坡度进行聚类，并将聚类后的预测车速及道路坡度进行合并，进而将行驶路径分割为多段路段，且每段路段内的预测车速和道路坡度均相同；
SoC轨迹规划模块，根据多段路段及其对应的预测车速和道路坡度规划出车辆电池SoC轨迹，具体包括：
根据每段路段对应的预测车速和道路坡度得到每一路段的平均道路阻力，并根据平均道路阻力的正负，预测对应路段上SoC轨迹下降或上升；
对于SoC上升的路段，其各路段上SoC轨迹斜率ku：
Figure FDA00029775765200000310
其中，ΔSoCu为对应SoC上升路段上的SoC增量，lu为对应SoC上升路段的里程；
对于SoC下降的路段，先选择其中一个路段作为标准路段，计算标准斜率kst和各子路段的斜率kd：
Figure FDA0002977576520000041
其中，SoC0为初始电池电量，SoCmin为行程结束时电池电量，send为总里程，ld为对应SoC下降路段的里程，Δsn为标准路段与对应SoC下降路段在SoC变化量相同情况下的里程差；
将所有路段的SoC轨迹按位置域上的相对位置进行组合，得到整个行驶路径对应的SoC轨迹。
6.根据权利要求5所述的插电式混合动力汽车电池电量轨迹规划***，其特征在于，所述基于有序样本聚类算法分别对预测车速及道路坡度进行聚类包括如下步骤：
获取预测速度/道路坡度有序样本序列{x1,x2,x3,…,xn}及需要聚类的数目k，其中xn为第n个预测速度/道路坡度样本；
定义一个预测速度/道路坡度类为G(i,j)，其中包括数据序列{xi,xi+1,…xj}，则预测速度/道路坡度类G(i,j)的直径D(i,j)定义为：
Figure FDA0002977576520000042
其中，
Figure FDA0002977576520000043
为预测速度/道路坡度类G(i,j)的中心，且：
Figure FDA0002977576520000044
设置目标函数e[p(n,k)]，其可表示为：
Figure FDA0002977576520000045
其中，{i1,i2,…,ik,ik+1}为预测速度/道路坡度样本序列的最优分割点集，ik为第k个分割点，且i1和ik+1分别为预测速度/道路坡度样本序列的第一个和最后一个样本；
通过动态规划求解使目标函数e[p(n,k)]的值最小，得到k个预测速度/道路坡度类。
7.根据权利要求6所述的插电式混合动力汽车电池电量轨迹规划***，其特征在于，预测速度/道路坡度样本序列需要聚类的数目k通过自适应确定，具体如下步骤：
Dr表示在某k值下预测速度/道路坡度类r内任意两点的距离之和：
Figure FDA0002977576520000051
将Dr标准化后记为标准直径Wk：
Figure FDA0002977576520000052
定义间隔量Gapn(k)为：
Figure FDA0002977576520000053
其中，
Figure FDA0002977576520000054
为log(Wk)的参考分布在n个预测速度/道路坡度样本下的期望，其计算过程为：在预测速度/道路坡度样本的最大值与最小值范围内取数量与原预测速度/道路坡度样本相同的随机数，并求解其标准直径并标记为
Figure FDA0002977576520000055
该过程重复B次，求
Figure FDA0002977576520000056
平均值即可求得
Figure FDA0002977576520000057
定义log(Wk)的标准差为sd(k)：
Figure FDA0002977576520000058
定义
Figure FDA0002977576520000059
中的模拟误差定义sk：
Figure FDA00029775765200000510
选择满足Gap(k)≥Gap(k+1)-sk+1的最小的k作为最优的预测速度/道路坡度样本序列聚类数目。
8.根据权利要求5所述的插电式混合动力汽车电池电量轨迹规划***，其特征在于，所述Δsn通过如下公式得到；
Figure FDA0002977576520000061
其中，
Figure FDA0002977576520000062
为标准路段对应的平均道路阻力，
Figure FDA0002977576520000063
为对应SoC下降路段的平均道路阻力；
所述ΔSoCu通过如下公式得到：
Figure FDA0002977576520000064
其中，ηt为电能转化效率系数，
Figure FDA0002977576520000065
为对应SoC上升路段的平均道路阻力，
Figure FDA0002977576520000066
为电池端电压平均值，Qnom为电池的额定容量。
CN202010312714.1A 2020-04-20 2020-04-20 一种插电式混合动力汽车电池电量轨迹规划方法及*** Active CN111591279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010312714.1A CN111591279B (zh) 2020-04-20 2020-04-20 一种插电式混合动力汽车电池电量轨迹规划方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010312714.1A CN111591279B (zh) 2020-04-20 2020-04-20 一种插电式混合动力汽车电池电量轨迹规划方法及***

Publications (2)

Publication Number Publication Date
CN111591279A CN111591279A (zh) 2020-08-28
CN111591279B true CN111591279B (zh) 2021-05-28

Family

ID=72180375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010312714.1A Active CN111591279B (zh) 2020-04-20 2020-04-20 一种插电式混合动力汽车电池电量轨迹规划方法及***

Country Status (1)

Country Link
CN (1) CN111591279B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112572404B (zh) * 2020-12-24 2021-11-30 吉林大学 基于前方道路信息的重型商用车混合动力能量管理方法
CN112937547B (zh) * 2021-01-28 2023-03-24 北京理工大学 一种基于全局工况的插电式混合动力公交车能量管理方法
CN113232651B (zh) * 2021-02-08 2022-07-22 杭州电子科技大学 一种基于adhdp的燃油汽车生态自适应巡航控制方法
CN113320520B (zh) * 2021-07-15 2022-08-12 合众新能源汽车有限公司 增程式汽车的能量控制方法和控制***
CN115035724B (zh) * 2022-07-13 2022-12-02 吉林大学 一种基于生态编队的物流车准时化运输车路协同管控方法
WO2024066702A1 (zh) * 2022-09-29 2024-04-04 比亚迪股份有限公司 混合动力车辆及其能量管理方法、装置及介质、电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103434509A (zh) * 2013-07-10 2013-12-11 大连理工大学 一种混合动力公交车的控制***及其动力控制方法
CN103640569A (zh) * 2013-11-28 2014-03-19 江苏大学 基于多智能体技术的混合动力汽车能量管理***与方法
CN110682905A (zh) * 2019-10-12 2020-01-14 重庆大学 基于行驶里程的时域中电池荷电状态参考变化量获取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9360527B2 (en) * 2011-08-12 2016-06-07 Johnson Controls Technology Llc System and method for energy prediction in battery packs

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103434509A (zh) * 2013-07-10 2013-12-11 大连理工大学 一种混合动力公交车的控制***及其动力控制方法
CN103640569A (zh) * 2013-11-28 2014-03-19 江苏大学 基于多智能体技术的混合动力汽车能量管理***与方法
CN110682905A (zh) * 2019-10-12 2020-01-14 重庆大学 基于行驶里程的时域中电池荷电状态参考变化量获取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
聚类算法详解;思绪无限;《CSDN》;20180516;全文 *

Also Published As

Publication number Publication date
CN111591279A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111591279B (zh) 一种插电式混合动力汽车电池电量轨迹规划方法及***
Li et al. Adaptive energy management strategy for fuel cell/battery hybrid vehicles using Pontryagin's Minimal Principle
US9758145B2 (en) Vehicle energy management device
Johannesson et al. Assessing the potential of predictive control for hybrid vehicle powertrains using stochastic dynamic programming
Rezaei et al. Energy management strategies of battery-ultracapacitor hybrid storage systems for electric vehicles: Review, challenges, and future trends
CN108909702A (zh) 一种插电式混合动力汽车能量管理方法及***
US8612077B2 (en) Hybrid electric vehicle and method of path dependent receding horizon control
CN110126841A (zh) 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法
Abousleiman et al. Energy consumption model of an electric vehicle
Hu et al. An online rolling optimal control strategy for commuter hybrid electric vehicles based on driving condition learning and prediction
CN114148325B (zh) 重型混合动力商用车预见性能量管理方法
Zendegan et al. Predictive battery state of charge reference generation using basic route information for optimal energy management of heavy-duty fuel cell vehicles
Wang et al. A hybrid energy management strategy based on line prediction and condition analysis for the hybrid energy storage system of tram
CN109344996A (zh) 一种城市轨道交通列车节能优化运行方法
CN113815437A (zh) 燃料电池混合动力汽车的预测性能量管理方法
Lamantia et al. Remaining driving range estimation framework for electric vehicles in platooning applications
Daniels et al. The optimal use of the solar powered automobile
Zhang et al. Battery aging-minimal speed control of autonomous heavy-duty electric trucks in adaptation to highway topography and traffic
Gautam et al. A ga-based approach to eco-driving of electric vehicles considering regenerative braking
Ruan et al. A modularized electric vehicle model-in-the-loop simulation for transportation electrification modeling and analysis
Upadhyaya et al. An Overview of Battery Based Electric Vehicle Technologies With Emphasis on Energy Sources, Their Configuration Topologies and Management Strategies
Vajedi Real-time optimal control of a plug-in hybrid electric vehicle using trip information
Lee et al. Nonlinear model predictive control based adaptive equivalent consumption minimization strategy for fuel cell electric bus considering average travel speed
Gu et al. A review of intelligent road preview methods for energy management of hybrid vehicles
Shi et al. Cloud-based dynamic programming for an electric city bus energy management considering real-time passenger load prediction

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