CN111731262A - 插电混合动力汽车变时域模型预测能量管理方法 - Google Patents

插电混合动力汽车变时域模型预测能量管理方法 Download PDF

Info

Publication number
CN111731262A
CN111731262A CN202010522009.4A CN202010522009A CN111731262A CN 111731262 A CN111731262 A CN 111731262A CN 202010522009 A CN202010522009 A CN 202010522009A CN 111731262 A CN111731262 A CN 111731262A
Authority
CN
China
Prior art keywords
soc
variable
time domain
time
model
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.)
Withdrawn
Application number
CN202010522009.4A
Other languages
English (en)
Inventor
薛源
周健豪
薛四伍
顾诚
廖宇晖
刘军
张仁鹏
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010522009.4A priority Critical patent/CN111731262A/zh
Publication of CN111731262A publication Critical patent/CN111731262A/zh
Withdrawn legal-status Critical Current

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
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/11—Controlling the power contribution of each of the prime movers to meet required power demand using model predictive control [MPC] strategies, i.e. control methods based on models predicting performance
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/08—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of electric propulsion units, e.g. motors or generators
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/24—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means
    • B60W10/26—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means for electrical energy, e.g. batteries or capacitors
    • 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
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/15—Control strategies specially adapted for achieving a particular effect
    • 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/24—Energy storage means
    • B60W2510/242—Energy storage means for electrical energy
    • B60W2510/244—Charge state
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/62—Hybrid vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种插电混合动力汽车变时域模型预测能量管理方法，属于插电式混合动力汽车能量管理领域，所述方法包括以下步骤：构建模糊逻辑控制器；确定电池荷电状态参考SOCr的轨迹；运用模型预测控制方法，以燃油消耗为优化目标，在所确定的预测时域长度Np内求取局部最优解，并对车辆状态进行更新；根据实际动力电池荷电状态SOC与电池荷电状态参考SOCr的偏差ΔSOC以及模型预测控制单步计算时间Tc通过模糊逻辑控制器得到预测时域增量ΔNp，与初始预测时域Npinitial叠加，对预测时域长度Np进行更新；采用本发明，可以有效解决采用固定预测时域的传统MPC难以适应工况变化的问题，有效提高能量管理策略的控制效果，进一步提高车辆的燃油经济性。

Description

插电混合动力汽车变时域模型预测能量管理方法
技术领域
本发明属于插电式混合动力汽车能量管理领域，尤其涉及插电混合动力汽车变时域模型预测能量管理方法。
背景技术
汽车工业飞快发展，给人们带来便利的同时，同样也对环境造成了污染，引发了资源短缺的问题。发展新能源汽车技术是解决这些问题的有效途径之一，因此混合动力汽车逐渐发展起来。与传统的混合动力汽车(HEV)相比，插电式混合动力汽车(Plug-inHybridElectric Vehicle,PHEV)具有可外接220V插座电源、配备大容量动力电池以确保可以长时间以电续航的优点被重点发展。PHEV具有双能量源，为了更好的分配能量来源以减少燃油消耗，能量管理策略的制定始终在PHEV发展中处于关键性地位，策略的好坏也直接影响着整车性能。
就能量管理策略而言，在PHEV上一般存在两类策略：一为基于规则的能量管理策略，二为基于优化的能量管理策略。基于规则的能量管理策略由于简单、易于实现的优点，被广泛应用于工业生产中；但是其规则的制定需要依赖于专家经验，而且对工况的适应性不好，难以实现最优解。基于优化的能量管理策略，有基于全局优化的能量管理策略、基于瞬时优化的能量管理策略。基于全局优化的能量管理策略可以实现全局最优解，但是需要全局工况已知，且计算时间长；基于瞬时优化的能量管理策略具有较好的在线应用潜能而广泛应用与混合动力汽车的能量管理策略设计中，尤其是模型预测控制方法。
传统的模型预测控制方法均采用固定的预测时域长度，固定的预测时域长度是研究人员依靠经验或者试验确定的，鲁棒性较差，难以适应工况的变化，难以保证最优的燃油经济性。在汽车实际行驶过程中由于驾驶员行为的不确定性、多样性，道路、天气条件的复杂性，极大地增加了模型预测控制器控制参数的调节难度。因此，由于工况的不确定性，其最优的预测时域长度也会不同，在汽车行驶过程中，通过合理调整预测时域的长度，可以有效提高基于传统模型预测控制的能量管理策略的控制效果。
发明内容
为了解决上述本领域中存在的技术问题，本发明提供了插电混合动力汽车变时域模型预测能量管理方法，在确保汽车动力性的前提下，通过模糊控制器在线实时的对预测时域长度Np进行调整，提高对工况的适应性，进而充分合理地调整电机与发动机的扭矩分配比例，使电机与发动机始终处于高效率区间，提高燃油经济性。
为了实现以上目的，本发明采用以下技术方案，一种插电混合动力汽车变时域模型预测能量管理方法，包括以下步骤：
构建模糊逻辑控制器；
确定电池荷电状态参考SOCr的轨迹；
运用模型预测控制方法，以燃油消耗为优化目标，在所确定的预测时域长度Np内求取局部最优解，并对车辆状态进行更新；
根据实际动力电池荷电状态SOC与电池荷电状态参考SOCr的偏差ΔSOC以及模型预测控制单步计算时间Tc通过模糊逻辑控制器得到预测时域增量ΔNp，与初始预测时域Np initial叠加，对预测时域长度Np进行更新。
在上述技术方案中，所述构建模糊控制器进一步包括以下步骤：
步骤1：定义模糊逻辑控制器中的变量，其中包括两个输入变量和一个输出变量；
步骤2：对模型参数进行模糊化处理；
步骤3：定义模糊控制规则,规则前件为两个输入变量，规则后件为输出变量。
进一步地，所述步骤1中的定义模糊逻辑控制器中的变量，具体包括两个输入变量和一个输出变量：第一个输入变量是模型预测控制单步计算时间Tc；第二个输入变量是ΔSOC，即动力电池荷电状态SOC与参考SOCr的偏差；输出变量为模型预测控制器的预测时域长度增量ΔNp。
进一步地，所述步骤2中的对模型参数进行模糊化处理，具体包括以下步骤：
(1)对输入变量和输出变量进行论域变换；
(2)将论域变换后的输入变量和输出变量分别定义相应的模糊集合；
(3)确定输入变量和输出变量的隶属函数，分别求出各模糊集合的隶属度，完成模型参数的模糊化处理。
上述步骤(1)中的对输入变量和输出变量进行论域变换，具体包括：考虑模型预测控制算法实时性要求，输入变量模型预测控制单步计算时间Tc的论域为[0,0.5]；输入变量ΔSOC是动力电池荷电状态SOC与参考SOCr的偏差，ΔSOC的论域为[-1,1]；输出变量为模型预测控制器的预测时域长度增量ΔNp，ΔNp的论域为[-10,10]。
上述步骤(2)中的将论域变换后的输入变量和输出变量分别定义相应的模糊集合，具体包括：输入变量模型预测控制单步计算时间Tc的模糊集合由5个成员函数组成，分别为High(H),Relatively High(RH),Medium(M),Relatively Low(RL)and Low(L)；输入变量ΔSOC的模糊集合和输出变量ΔNp的模糊集合都由7个成员函数组成，分别为PositiveLarge(PL),Positive Medium(PM),Positive Small(PS),Zero(Z),Negative Small(NS),Negative Medium(NM),Negative Large(NL)。
上述步骤(3)中的确定输入变量和输出变量的隶属函数，分别求出各模糊集合的隶属度，完成模型参数的模糊化处理，具体包括：输入和输出变量的隶属度函数均采用高斯函数：
Figure BDA0002532433350000031
上式中，c决定函数中心位置，σ决定函数曲线的宽度，高斯函数作为模糊控制隶属度函数，具有灵敏度高、控制性平稳、稳定性高、运算简单、占用内存空间小等优点。
在上述技术方案中，步骤确定电池荷电状态参考SOCr的轨迹，具体包括：利用V2V、V2I、ITS、GPS、传感器等获取交通数据信息，并且与行驶任务路线信息相结合，获取当前车辆行驶任务工况，根据行驶任务工况信息利用动态规划算法进行全局寻优，获得未来一段时间内的全局SOC轨迹，作为动力电池在一段时间内的动力电池的参考轨迹SOCr，并且定期对交通数据与行驶路线进行更新，以确保动力电池的参考轨迹SOCr定时更新，提高准确性。
在上述技术方案中，步骤运用模型预测控制方法，在预测时域长度Np内求最优解具体包括：求解方法采用序列二次规划算法执行，假设当前时刻为t0，则局部优化范围为[t0，t0+Np]，在当前预测时域Np内的优化目标和约束条件为：
Figure BDA0002532433350000041
Figure BDA0002532433350000042
上式中，Jt0为在预测时域[t0，t0+Np]内的累计燃油消耗量；F(x(t),u(t))为在t时刻的瞬时油耗；x(t)为状态变量，此处为动力电池SOC；u(t)为控制变量，此处为扭矩分配系数，即电机提供转矩与车辆总需求转矩比值；xmin(t)与xmax(t)分别为状态变量的上下限；umin(t)和umax(t)分别为控制变量的上下限，SOC(t0+Np)为在终端时刻，即t0+Np时的SOC的值；SOCr为动力电池的参考轨迹SOCr，为上述步骤Ⅰ中的确定动力电池参考的轨迹SOCr。
在上述技术方案中，对预测时域长度Np进行更新，具体包括：将t0时刻求解出的最优控制量uopt应用与被控对象PHEV***，完成电机与发动机的扭矩分配，对动力电池SOC进行更新，得到实际SOC与SOCr的偏差ΔSOC以及模型预测控制单步计算时间Tc，将ΔSOC与Tc输入到上述建立的模糊控制器，根据制定的模糊规则，输出相应的预测时域长度增量ΔNp，并且与初始预测时域Npinitial叠加，将预测时域长度Np作用于模型预测控制器进行更新。
本发明实施的技术方案带来的有益效果至少包括：
本发明提供了插电混合动力汽车变时域模型预测能量管理方法，构建模糊控制器时，确定了模糊控制器的输入输出变量，分析了输入输出变量的关系，对变量进行模糊化处理，制定了相应的模糊逻辑规则，从而完成对模糊控制器的构建；本发明提供的方法，可以根据被控对象获取当前时刻模糊控制器输入变量的值，基于当前时刻参数，通过构建模糊控制器实现了对模型预测控制的预测时域长度Np实时在线调整，提高了对工况的适应性，提高了能量管理算法的鲁棒性，在保证汽车动力性的前提下，进一步的减小整车的燃油消耗量，以达到最佳燃油经济性效果。
附图说明
为了更清楚地说明本发明中的技术方案，下面将对本发明中所需要使用的附图进行简单地介绍，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，可以根据这些附图获得其它附图。
图1是本发明中实施例中提供的插电混合动力汽车变时域模型预测能量管理方法的流程图；
图2是本发明实施例中提供的模糊逻辑控制***的结构示意图；
图3是本发明实施例中提供的一种设计模糊逻辑控制器方法的流程示意图；
图4是本发明实施例中提供的模糊逻辑控制器的模糊逻辑规则表；
图5是本发明实施例中提供的一种基于模糊控制的并联式混合动力车辆变时域MPC能量管理框架示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合说明书附图对本发明的实施方式做进一步地详细叙述。
本发明提供一种插电混合动力汽车变时域模型预测能量管理方法，如图1所示，该方法包括以下步骤：
S10：构建模糊逻辑控制器；
S20：确定电池荷电状态参考SOCr的轨迹；
S30：运用模型预测控制方法，以燃油消耗为优化目标，在所确定的预测时域长度Np内求取局部最优解，并对车辆状态进行更新；
S40：根据实际动力电池荷电状态SOC与电池荷电状态参考SOCr的偏差ΔSOC以及模型预测控制单步计算时间Tc通过模糊逻辑控制器得到预测时域增量ΔNp，与初始预测时域Npinitial叠加，对预测时域长度Np进行更新。
图2是本发明实施例中提供的模糊逻辑控制***的结构示意图，请参见图2，根据模糊逻辑控制***的结构示意图，其基本原理是：首先获取汽车在当前时刻动力电池荷电状态SOC与参考SOCr的数值，进而求出两者之间的偏差ΔSOC，以此同时，获取当前模型预测控制单步计算时间Tc；将动力电池荷电状态偏差ΔSOC与模型预测控制单步计算时间Tc输入到模糊逻辑控制器中，根据相关模糊逻辑规则，输出模型预测控制预测时域长度增量ΔNp，并且与模型预测控制预测时域长度初始值Np initial进行叠加，对预测时域Np完成在线更新，进而将更新后的预测时域Np输入到模型预测控制器中，此处Np initial为12。
图3是本发明实施例中提供的一种设计模糊逻辑控制器方法的流程示意图，请参见图3，在模糊逻辑控制***中核心部分为模糊逻辑控制器，模糊逻辑控制器直接影响整个控制***的好坏，进而影响汽车的整车性能。
S101，定义模糊逻辑控制器中的变量；
其中，在设计模糊逻辑控制器时，要确定模糊逻辑控制器的输入变量和输出变量，模糊逻辑控制器有两个输入变量：一是动力电池荷电状态SOC与参考SOCr的偏差ΔSOC，二是模型预测控制单步计算时间Tc；输出变量有一个：模型预测控制预测时域长度增量ΔNp。
S102，对模型参数进行模糊化处理；
由于输入变量与输出变量都是非模糊的普通变量，在设计模糊逻辑控制器时，必须要对其进行模糊化处理，对变量进行模糊化一般分以下3个步骤：
(1)对输入变量和输出变量进行论域变换；
(2)将论域变换后的输入变量和输出变量分别定义相应的模糊集合；
(3)确定输入变量和输出变量的隶属函数，分别求出各模糊集合的隶属度，完成模型参数的模糊化处理。
对上述S102中的步骤(1)对输入变量和输出变量进行论域变换，其中考虑模型预测控制算法实时性要求，输入变量模型预测控制单步计算时间Tc的论域为[0,0.5]；输入变量ΔSOC是动力电池荷电状态SOC与参考SOCr的偏差，ΔSOC的论域为[-1,1]；输出变量为模型预测控制器的预测时域长度增量ΔNp，ΔNp的论域为[-10,10]。
对上述步骤S102中的步骤(2)将论域变换后的输入变量和输出变量分别定义相应的模糊集合，其中输入变量模型预测控制单步计算时间Tc的模糊集合由5个成员函数组成，分别为High(H),Relatively High(RH),Medium(M),Relatively Low(RL)and Low(L)；输入变量ΔSOC的模糊集合和输出变量ΔNp的模糊集合都由7个成员函数组成，分别为PositiveLarge(PL),Positive Medium(PM),Positive Small(PS),Zero(Z),Negative Small(NS),Negative Medium(NM),Negative Large(NL)。
对上述步骤102中的步骤(3)确定输入变量和输出变量的隶属函数，分别求出各模糊集合的隶属度，完成模型参数的模糊化处理，具体包括：输入和输出变量的隶属度函数均采用高斯函数：
Figure BDA0002532433350000071
上式中，c决定函数中心位置，σ决定函数曲线的宽度，高斯函数作为模糊控制隶属度函数，具有灵敏度高、控制性平稳、稳定性高、运算简单、占用内存空间小等优点。
步骤103，定义模糊控制规则；
模糊控制规则是有一组以“ifInput1 is to A and Input2 is to B,Then Outputis C”形式表示的模糊条件语句，规则前件为两个输入变量，规则后件为输出变量。根据以往的驾驶经验建立动力电池荷电状态偏差ΔSOC、模型预测控制单步计算时间Tc、模型预测控制预测时域长度增量ΔNp三者之间的模糊控制规则。
根据模型预测控制预测时域长度Np的特性，当预测时域长度Np大时，模型预测控制单步计算时间Tc较长，动力电池荷电状态偏差ΔSOC较小；相反，当预测时域长度Np小时，模型预测控制单步计算时间Tc较短，动力电池荷电状态偏差ΔSOC较大。模糊控制策略设计如下：
第一种情况，动力电池荷电状态偏差ΔSOC较小，模型预测控制单步计算时间Tc中、长时，预测时域长度Np适当的减小；模型预测控制单步计算时间Tc小时，预测时域长度Np适当的增大，以保证实时性与经济性。
第二种情况，动力电池荷电状态偏差ΔSOC中，模型预测控制单步计算时间Tc小、中时，预测时域长度Np适当的增大，以保证实时性与经济性；模型预测控制单步计算时间Tc长时，预测时域长度Np适当的减小，以保证实时性。
第三种情况，动力电池荷电状态偏差ΔSOC大，模型预测控制单步计算时间Tc小、中时，预测时域长度Np适当的增大，以保证实时性和经济性；模型预测控制单步计算时间Tc长时，预测时域长度Np应保持不变。
图4是本发明实施例中提供的模糊逻辑控制器的模糊逻辑规则表，根据上述步骤203描述的模糊控制规则策略设计的3种情况，制定了本发明实施例中的模糊逻辑控制器的模糊逻辑规则表，请参见图4。
在本发明的实施例中，本发明还提供了一种基于上述方法所构建的模糊控制***的并联式混合动力车辆变时域的模型预测控制能量管理方法。
图5是本发明实施例中提供的一种基于模糊控制的并联式混合动力车辆变时域MPC能量管理***框架示意图，该基于模糊控制的并联式混合动力车辆变时域MPC能量管理***主要包括三个基本模块：MPC控制器、模糊逻辑控制***和动力电池荷电状态参考SOCr获取模块。
其基本工作原理主要包含以下步骤：
Ⅰ：通过动力电池荷电状态参考SOCr获取模块确定动力电池参考SOCr的轨迹；
Ⅱ：在MPC控制器中，运用模型预测控制方法，以燃油消耗为优化目标，在所确定的预测时域长度Np内求取局部最优解，并对车辆状态进行更新；
Ⅲ：在模糊逻辑控制***中，根据实际SOC与SOCr的偏差ΔSOC以及模型预测控制单步计算时间Tc通过模糊逻辑控制器得到预测时域增量ΔNp，与初始预测时域Np initial叠加，此处Np initial选为12，对预测时域长度Np进行更新；
Ⅵ：重复步骤Ⅱ-Ⅲ，直至车辆完成行驶任务。
上述步骤Ⅰ中的通过动力电池荷电状态参考SOCr获取模块确定动力电池参考SOCr的轨迹，具体包括：基于交通信息融合技术，运用V2V、V2I、ITS、GPS、传感器等获取交通数据信息，并且与行驶任务路线信息相结合，获取当前车辆行驶任务工况，根据行驶任务工况信息利用动态规划算法进行全局寻优，获得未来一段时间内的全局SOC轨迹，作为动力电池在一段时间内的动力电池的参考轨迹SOCr，并且定期对交通数据与行驶路线进行更新，以确保动力电池的参考轨迹SOCr定时更新，提高准确性。
上述步骤Ⅱ中的在MPC控制器中，运用模型预测控制方法，以燃油消耗为优化目标，在所确定的预测时域长度Np内求取局部最优解，并对车辆状态进行更新；在预测时域长度Np内求最优解具体包括：求解方法采用序列二次规划算法执行，假设当前时刻为t0，则局部优化范围为[t0，t0+Np]，在当前预测时域Np内的优化目标和约束条件为：
Figure BDA0002532433350000101
Figure BDA0002532433350000102
上式中，Jt0为在预测时域[t0，t0+Np]内的累计燃油消耗量；F(x(t),u(t))为在t时刻的瞬时油耗；x(t)为状态变量，此处为动力电池SOC；u(t)为控制变量，此处为扭矩分配系数，即电机提供转矩与车辆总需求转矩比值；xmin(t)与xmax(t)分别为状态变量的上下限；umin(t)和umax(t)分别为控制变量的上下限，SOC(t0+Np)为在终端时刻，即t0+Np时的SOC的值；SOCr为动力电池的参考轨迹SOCr，为上述步骤Ⅰ中的确定动力电池参考的轨迹SOCr。
上述步骤Ⅲ中的根据模糊逻辑控制***对预测时域长度Np进行更新，具体包括：将t0时刻求解出的最优控制量uopt应用与被控对象PHEV***，完成电机与发动机的扭矩分配，对动力电池SOC进行更新，得到实际SOC与SOCr的偏差ΔSOC以及模型预测控制单步计算时间Tc，将ΔSOC与Tc输入到上述建立的模糊控制器，根据制定的模糊规则，输出相应的预测时域长度增量ΔNp，并且与初始预测时域Np initial叠加，将预测时域长度Np作用于模型预测控制器进行更新。
重复重复步骤Ⅱ-Ⅲ，完成对模型预测控制预测时域长度Np的实时更新，只有在交通数据信息与行驶路线信息发生更新时，才会执行步骤Ⅰ，直至车辆完成行驶任务。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
上述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种插电混合动力汽车变时域模型预测能量管理方法，其特征在于，包括：
构建模糊逻辑控制器；
确定电池荷电状态参考SOCr的轨迹；
运用模型预测控制方法，以燃油消耗为优化目标，在所确定的预测时域长度Np内求取局部最优解，并对车辆状态进行更新；
根据实际动力电池荷电状态SOC与电池荷电状态参考SOCr的偏差ΔSOC以及模型预测控制单步计算时间Tc通过模糊逻辑控制器得到预测时域增量ΔNp，与初始预测时域Npinitial叠加，对预测时域长度Np进行更新。
2.根据权利要求要求1所述的插电混合动力汽车变时域模型预测能量管理方法，其特征在于，所述构建模糊逻辑控制器进一步包括：
定义模糊逻辑控制器中的输入变量和输出变量；
对所述模糊逻辑控制器的模型参数进行模糊化处理；
定义模糊控制规则；其中，规则前件为两个输入变量，规则后件为输出变量。
3.根据权利要求2所述的插电混合动力汽车变时域模型预测能量管理方法，其特征在于：所述模糊逻辑控制器通过模糊逻辑控制器在线实时调整模型预测控制器MPC的预测时域长度Np。
4.根据权利要求2所述的插电混合动力汽车变时域模型预测能量管理方法，其特征在于，所述定义模糊逻辑控制器中的输入变量和输出变量进一步包括：
第一个输入变量是模型预测控制单步计算时间Tc；
第二个输入变量是ΔSOC，即动力电池荷电状态SOC与电池荷电状态参考SOCr的偏差；
输出变量为模型预测控制器的预测时域长度增量ΔNp。
5.根据权利要求2所述的插电混合动力汽车变时域模型预测能量管理方法，其特征在于：所述对模型参数进行模糊化处理，进一步包括：
对输入变量和输出变量进行论域变换；
将论域变换后的输入变量和输出变量分别定义相应的模糊集合；
确定输入变量和输出变量的隶属函数，分别求出各模糊集合的隶属度，完成模型参数的模糊化处理。
6.根据权利要求5所述的插电混合动力汽车变时域模型预测能量管理方法，其特征在于，所述对输入变量和输出变量进行论域变换，进一步包括：
考虑模型预测控制算法实时性要求，输入变量模型预测控制单步计算时间Tc的论域为[0，0.5]；
输入变量ΔSOC是动力电池荷电状态SOC与电池荷电状态参考SOCr的偏差，ΔSOC的论域为[-1，1]；
输出变量为模型预测控制器的预测时域长度增量ΔNp，ΔNp的论域为[-10，10]。
7.根据权利要求5所述的插电混合动力汽车变时域模型预测能量管理方法，其特征在于，所述将论域变换后的输入变量和输出变量分别定义相应的模糊集合，进一步包括：输入变量模型预测控制单步计算时间Tc的模糊集合由5个成员函数组成，分别为High(H),Relatively High(RH),Medium(M),Relatively Low(RL)and Low(L)；输入变量ΔSOC的模糊集合和输出变量ΔNp的模糊集合都由7个成员函数组成，分别为Positive Large(PL),Positive Medium(PM),Positive Small(PS),Zero(Z),Negative Small(NS),NegativeMedium(NM),Negative Large(NL)。
8.根据权利要求5所述的插电混合动力汽车变时域模型预测能量管理方法，其特征在于：所述确定输入变量和输出变量的隶属函数，分别求出各模糊集合的隶属度，完成模型参数的模糊化处理，具体包括：输入和输出变量的隶属度函数均采用高斯函数：
Figure FDA0002532433340000021
式(1)中，c决定函数中心位置，σ决定函数曲线的宽度，高斯函数作为模糊控制隶属度函数。
9.根据权利要求1所述的插电混合动力汽车变时域模型预测能量管理方法，其特征在于，所述运用模型预测控制方法，以燃油消耗为优化目标，在所确定的预测时域长度Np内求取局部最优解，并对车辆状态进行更新中，进一步包括：求解方法采用序列二次规划算法执行，假设当前时刻为t0，则局部优化范围为[t0，t0+Np]，在当前预测时域Np内的优化目标和约束条件为：
Figure FDA0002532433340000031
Figure FDA0002532433340000032
式(2)中
Figure FDA0002532433340000033
为在预测时域[t0，t0+Np]内的累计油耗；F(x(t),u(t))为在t时刻的瞬时油耗；x(t)为状态变量，此处为动力电池SOC；u(t)为控制变量，此处为扭矩分配系数，即电机提供转矩与车辆总需求转矩比值；xmin(t)与xmax(t)分别为状态变量的上下限；umin(t)和umax(t)分别为控制变量的上下限，SOC(t0+Np)为在时刻t0+Np的SOC的值；SOCr为电池荷电状态参考。
CN202010522009.4A 2020-06-10 2020-06-10 插电混合动力汽车变时域模型预测能量管理方法 Withdrawn CN111731262A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010522009.4A CN111731262A (zh) 2020-06-10 2020-06-10 插电混合动力汽车变时域模型预测能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010522009.4A CN111731262A (zh) 2020-06-10 2020-06-10 插电混合动力汽车变时域模型预测能量管理方法

Publications (1)

Publication Number Publication Date
CN111731262A true CN111731262A (zh) 2020-10-02

Family

ID=72648627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010522009.4A Withdrawn CN111731262A (zh) 2020-06-10 2020-06-10 插电混合动力汽车变时域模型预测能量管理方法

Country Status (1)

Country Link
CN (1) CN111731262A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112298155A (zh) * 2020-10-30 2021-02-02 江苏紫琅汽车集团股份有限公司 一种基于变时域模型预测混合动力卡车耗能的方法
CN113467251A (zh) * 2021-08-03 2021-10-01 广州市刑事科学技术研究所 一种基于模糊控制的变预测时域mpc路径跟踪方法
CN114148317A (zh) * 2021-11-14 2022-03-08 哈尔滨工程大学 一种基于混合动力的智能汽车动力预测分配方法
CN114506311A (zh) * 2022-02-22 2022-05-17 燕山大学 一种变时域预测能量管理方法、装置、汽车及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120010768A1 (en) * 2010-07-07 2012-01-12 Massachusetts Institute Of Technology Hybrid electric vehicle and method of path dependent receding horizon control
CN108791270A (zh) * 2018-06-20 2018-11-13 北京理工大学 一种混合动力车辆基于工况预测的动力部件工作点调控方法
CN108819934A (zh) * 2018-06-20 2018-11-16 北京理工大学 一种混合动力车辆的动力分配控制方法
CN111301397A (zh) * 2020-02-28 2020-06-19 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120010768A1 (en) * 2010-07-07 2012-01-12 Massachusetts Institute Of Technology Hybrid electric vehicle and method of path dependent receding horizon control
CN108791270A (zh) * 2018-06-20 2018-11-13 北京理工大学 一种混合动力车辆基于工况预测的动力部件工作点调控方法
CN108819934A (zh) * 2018-06-20 2018-11-16 北京理工大学 一种混合动力车辆的动力分配控制方法
CN111301397A (zh) * 2020-02-28 2020-06-19 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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112298155A (zh) * 2020-10-30 2021-02-02 江苏紫琅汽车集团股份有限公司 一种基于变时域模型预测混合动力卡车耗能的方法
CN112298155B (zh) * 2020-10-30 2022-04-08 江苏紫琅汽车集团股份有限公司 一种基于变时域模型预测混合动力卡车耗能的方法
CN113467251A (zh) * 2021-08-03 2021-10-01 广州市刑事科学技术研究所 一种基于模糊控制的变预测时域mpc路径跟踪方法
CN113467251B (zh) * 2021-08-03 2024-04-19 广州市刑事科学技术研究所 一种基于模糊控制的变预测时域mpc路径跟踪方法
CN114148317A (zh) * 2021-11-14 2022-03-08 哈尔滨工程大学 一种基于混合动力的智能汽车动力预测分配方法
CN114506311A (zh) * 2022-02-22 2022-05-17 燕山大学 一种变时域预测能量管理方法、装置、汽车及存储介质
CN114506311B (zh) * 2022-02-22 2023-06-20 燕山大学 一种变时域预测能量管理方法、装置、汽车及存储介质

Similar Documents

Publication Publication Date Title
Lei et al. An adaptive equivalent consumption minimization strategy for plug-in hybrid electric vehicles based on traffic information
Zhou et al. Multi-objective energy management for fuel cell electric vehicles using online-learning enhanced Markov speed predictor
CN111301397B (zh) 一种插电混合动力汽车变时域模型预测能量管理方法
CN111731262A (zh) 插电混合动力汽车变时域模型预测能量管理方法
Chen et al. A hierarchical energy management strategy for power-split plug-in hybrid electric vehicles considering velocity prediction
CN111267831A (zh) 一种混合动力车辆智能变时域模型预测能量管理方法
Lü et al. Hybrid electric vehicles: A review of energy management strategies based on model predictive control
Xu et al. Q-learning-based supervisory control adaptability investigation for hybrid electric vehicles
Li et al. A speedy reinforcement learning-based energy management strategy for fuel cell hybrid vehicles considering fuel cell system lifetime
He et al. Global Optimal Energy Management Strategy Research for a Plug‐In Series‐Parallel Hybrid Electric Bus by Using Dynamic Programming
Zhu et al. Energy management of hybrid electric vehicles via deep Q-networks
Liu et al. Hierarchical speed planning and energy management for autonomous plug-in hybrid electric vehicle in vehicle-following environment
CN112498334B (zh) 智能网联混合动力汽车的鲁棒能量管理方法及***
Liu et al. An adaptive equivalent consumption minimization strategy for plug-in hybrid electric vehicles based on energy balance principle
Shen et al. Two-level energy control strategy based on ADP and A-ECMS for series hybrid electric vehicles
CN115534929A (zh) 基于多元信息融合的插电式混合动力汽车能量管理方法
Hou et al. Real-time energy management strategy of a fuel cell electric vehicle with global optimal learning
Chen et al. Driving cycle recognition based adaptive equivalent consumption minimization strategy for hybrid electric vehicles
Li et al. Pedestrian-aware supervisory control system interactive optimization of connected hybrid electric vehicles via fuzzy adaptive cost map and bees algorithm
Song et al. Model predictive control energy management strategy integrating long short-term memory and dynamic programming for fuel cell vehicles
Zhang et al. A Novel Model Predictive Control Based Co-Optimization Strategy for Velocity Planning and Energy Management of Intelligent PHEVs
Yang et al. A real time multi-objective optimization Guided-MPC strategy for power-split hybrid electric bus based on velocity prediction
Zhang et al. An optimal vehicle speed planning algorithm for regenerative braking at traffic lights intersections based on reinforcement learning
Gong et al. Energy Management for a DM-i Plug-in Hybrid Electric Vehicle via Continuous-Discrete Reinforcement Learning
Yang et al. Bi-level energy management strategy for power-split plug-in hybrid electric vehicles: A reinforcement learning approach for prediction and control

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201002

WW01 Invention patent application withdrawn after publication