CN111891110B - 智能网联混合动力汽车能量-热量一体化实时管理*** - Google Patents
智能网联混合动力汽车能量-热量一体化实时管理*** Download PDFInfo
- Publication number
- CN111891110B CN111891110B CN202010410080.3A CN202010410080A CN111891110B CN 111891110 B CN111891110 B CN 111891110B CN 202010410080 A CN202010410080 A CN 202010410080A CN 111891110 B CN111891110 B CN 111891110B
- Authority
- CN
- China
- Prior art keywords
- soc
- time
- state
- bat
- engine
- 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
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
- 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
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
- B60W2050/0034—Multiple-track, 2D vehicle model, e.g. four-wheel model
-
- 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
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0037—Mathematical models of vehicle sub-units
-
- 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
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0037—Mathematical models of vehicle sub-units
- B60W2050/0039—Mathematical models of vehicle sub-units of the propulsion unit
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- 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
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
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
一种智能网联混合动力汽车能量‑热量一体化实时管理***,属于混合动力汽车的节能控制技术领域。本发明的目的利用网联信息提供实时动态的交通预瞄信息,并将热力链的温度效应考虑到整车能效优化问题中,目标是兼顾驾驶员在动力性和温度等方面的多维需求,实现整车燃油经济性进一步提升的智能网联混合动力汽车能量‑热量一体化实时管理***。本发明步骤是:结合交通流云数据采集所有路段上的实时交通信息流,确定全局路线,结合行驶路线上的队列车速信息,将长、短时间尺度的车速预测结果传递给混合动力车辆动力链‑热力链动耦合力学预测模块,利用多尺度车速预测模块提供的长、短时间尺度的车速信息,设计SOC轨迹实时优化控制器。本发明提高了在线优化求解效率,保证了***的实时性。
Description
技术领域
本发明属于混合动力汽车的节能控制技术领域。
背景技术
近年来,随着汽车保有量规模不断扩大,能源消耗问题愈发严峻。混合动力技术融合了传统内燃机车辆和纯电动车辆的技术优点,相比传统内燃机车辆,可以大幅提升燃油经济性,是实现车辆节能减排的有效解决方案。
目前,混合动力汽车通过能量管理技术,优化分配动力链上发动机和电动机的驱动能量,满足驾驶员动力需求的同时提升整车燃油经济性。然而,发动机不仅是动力链的源头也是热力链的源头(这里的热力链包含发动机冷却***和暖风/空调***等)。混合动力汽车的燃油经济性与热力链高度耦合并随天气温度的变化而敏感变化,现有的能量优化管理策略与热力链是解耦的,整车节能的潜力亟待进一步挖掘。例如,考虑低温城市拥堵路况,车辆在停车和低负荷纯电运行模式下频繁切换,发动机温度很难达到理想工作温度。与此同时,根据驾驶员的供热需求,发动机需要频繁启动并通过空调***将余热传递至驾驶舱来保证驾驶员设定温度,额外增加了大量油耗。因此,考虑发动机温度状态,对动力链能量和热力链热量进行协调一体化控制可以进一步挖掘混合动力汽车的节能空间。
此外,随着智能网联技术的发展,V2V和V2I等多源网联信息的引入,可以实现对未来道路环境与交通状况的预测。利用这些交通预测信息,有预见性的协调车辆动力请求与热力请求,可以为车辆的燃油经济性提供更大的提升空间。因此,结合智能网联信息,研究能量和热量一体化优化控制方法,是继续挖掘混合动力汽车的节能潜力的重要技术手段。
专利CN201910439000.4公开了一种车辆能量管理***及管理方法,包括行驶工况识别模块、驾驶习惯识别模块、等效燃油计算模块和能量管理模块;所述方法根据冲击度识别车辆行驶工况,随后识别预设时刻车辆驾驶习惯,并结合等效燃油计算模块离线求解的最优等效因子,确定最优的能量分配比例。该方法适应了不同工况和驾驶习惯,提高车辆的能耗经济性。
专利CN201710883631.6公开了一种智能混合动力汽车能量管理控制方法,通过当前驾驶状态得出逻辑门限控制方法,依据当前状况下整车动力电池荷电状态阈值、车速阈值及转矩阈值,选取混合动力汽车的工作模式;基于模糊逻辑控制方法建立基于逻辑门限的混合动力汽车能量管理控制模型,根据转矩分配控制动力元件状态输出,提升汽车燃油经济性。
上述两种发明可归纳为基于启发式算法的能量管理策略,仅考虑了当前瞬时驾驶工况、状态及驾驶风格对能耗的影响,并未利用网联信息,也没有涉及对发动机热状态的优化管理。
相比于启发式算法,基于优化算法的能量管理策略是混合动力汽车更为有效的节能方案。例如,专利CN201810964452.X公开了一种混合动力汽车能量管理方法及***。该方法包括:利用基于历史车速和驾驶员行为训练的神经网络对未来车速进行预测,得到预测车速;利用通过采集的道路坡度数据所建立的基于自回归积分移动平均模型的坡度预测模型对道路坡度进行预测,得到预测道路坡度;根据预测车速和预测道路坡度计算需求功率,然后利用动态规划算法计算各个动力部件的扭矩和转速。该发明通过对智能网联信息的运用能够提高混合动力汽车燃油经济性,但是动态规划需要大量运算,因此该方法在实时性控制应用上具有很大的局限性。
专利CN201710291137.0公开了一种基于经济性驾驶的燃油车实时预测巡航控制***,包括信息采集模块、车辆动力学模型建立模块、滚动时域优化计算模块。通过采集当前车辆和前方车辆行驶状态信息,建立车辆动力学模型,同时建立控制问题,确定优化的目标和所满足的约束条件,通过庞德里亚金极小值原理和二分法相结合的方法,优化得到最优挡位序列、最优发动机转矩及制动力的最优控制律。该方法实现了传统燃油车的能量实时优化求解,但不涉及混合动力汽车的功率分配及能量优化。
专利CN201810964444.5公开了一种插电式混合动力汽车能量管理方法及***。所述管理方法获取目标车辆的行驶路径并进行分段采样,采集所有路段上的实时交通信息流,根据交通信息流基于动态规划算法计算目标车辆的长期电池荷电状态轨迹,根据车辆历史车速基于神经网络模型预测短期未来车速,根据长期电池荷电状态轨迹以及短期预测车速分配管理能量源动力输出。本发明提高了插电式混合动力汽车能量管理方法的实时性和能耗经济性,但利用历史车速的神经网络的短期车速预测会在实际交通条件下产生偏差,并且该方法并未考虑能量分配条件下动力链和热力链之间的耦合关系,缺乏相关发动机热状态的考虑。
尽管现有的能量管理策略和方法在一定程度上提高了车辆能耗经济性,但在未来交通信息的利用、能量管理的实时优化求解、混合动力汽车的功率分配及发动机热状态的考虑等方面仍然存在部分缺陷。对于热管理的研究主要创新点集中在热源分配、余热回收利用和电机冷却回路的组合等方面,同样缺少对全局工况下能量优化的考虑,无法保证车辆在全气候条件下燃油经济性是最优的。
例如,专利CN201711212631.X公开了一种插电式混合动力汽车的整车热管理***,其包括高温冷却***、低温冷却***及空调***。在纯电动工况下行驶有暖风需求时,充分利用发动机余热、变速器热量和电机热量,同时应用PTC加热器,减少发动机频繁启动,提升整车的节能性、环保性和舒适性;纯电动工况下,利用变速器和电机发热对发动机进行预热,改善发动机启动性能,有效提升了整车经济性和排放性能。然而,该发明通过增加热源(如PTC加热器等)或余热回收来维持短时间内的应急供热需求的方法不具备对交通路况的预测与热量的储备,当车辆处于低温拥堵路况时,发动机、电机及变速箱余热并不能长时间满足供热需求,仍需要发动机频繁启动或怠速工况运行来将余热传递至驾驶舱,否则PTC加热器的长时间运行也必将影响纯电模式的续航里程。
综上所述,能量优化控制与热管理作为改善混合动力汽车能耗的核心技术,并且已经有一些相关专利获得了公开。尽管如此,现有的技术依然有待进一步完善,发动机是车辆动力链与热力链的源头,能量优化控制和热管理却“各自为战”,在协调驾驶员动力需求和热力需求的综合优化管理策略方面依然是空白,无法保证车辆在全气候件下燃油经济性是最优的。另外,如何利用动态网联信息为能量-热量一体化管理提供支持,还面临诸多技术瓶颈。
发明内容
本发明的目的利用网联信息提供实时动态的交通预瞄信息,并将热力链的温度效应考虑到整车能效优化问题中,目标是兼顾驾驶员在动力性和温度等方面的多维需求,实现整车燃油经济性进一步提升的智能网联混合动力汽车能量-热量一体化实时管理***。
本发明步骤是:
S1.结合交通流云数据采集所有路段上的实时交通信息流,利用V2V/V2I通讯技术获取行驶路线上的队列车速信息;将具有不同时间尺度的车速信息提供给多尺度车速预测模块;
S2.确定全局路线,结合该全局路线上的交通流云数据,在多尺度车速预测模块中建立宏观长时间尺度的平均交通流车速预测信息,并按照一定的频率更新;
S3.结合行驶路线上的队列车速信息,在多尺度车速预测模块中建立微观短时间尺度的车速预测信息,按照一定的频率进行更新;
S301.结合行驶路线上的队列车速信息,利用Shockwave模型获知本车到达十字路口前的排队动态,Shockwave模型通过分析推导四种主要冲击波,即集结波、传输波、撤离波和压缩波;四种冲击波分别表示为:
1)集结波S1(t):
其中,t是当前的时刻,qn-1代表前一个路口的入口处的交通流量;Ln是当前路口与前一个路口之间的路段长度;是集结波对应的队列长度,定义为集结波S1(t)的前端到t时刻相交路口处停止线的距离;vf是自由状态下的交通流速;是当前路段的交通流堵塞密度;s*是常规交通流流速;
2)传输波S2(t):
3)撤离波S3(t):
4)压缩波:
S302.根据Shockwave模型提供的前方队列动态,完成预测周期为15秒的短时间尺度车速预测信息,随着队列中速度序列的变化,上述短时间尺度的预测信息将按照一定的频率进行更新,短时间尺度的车速信息定义为vveh,s;
S4.将长、短时间尺度的车速预测结果传递给混合动力车辆动力链-热力链动耦合力学预测模块;
S5.利用多尺度车速预测模块提供的长、短时间尺度的车速信息,计算需求功率,并建立混合动力车辆动力链-热力链动耦合力学模块,该模块包含车辆纵向动力学行驶模型、电池需求功率、电池SOC、考虑发动机热效应的燃油消耗率及热力链回路;选取***中的关键控制变量,并建立能量及热量一体化优化问题描述,确定需满足的约束条件;
S501.建立车辆纵向动力学行驶模型:根据多尺度车速预测模块提供的车速信息,计算所需求的转矩Preq:
其中,ρ是空气密度,Cd是空气阻力系数,A是正向迎风面积,m是车辆的质量,g是重力加速度,θ是路面坡度,μ是路面摩擦系数,σ是车辆旋转元件的质量系数,ηt是传动效率,vveh是车速,相应地,长、短时间尺度下获得的车速信息vveh,l、vveh,s便分别对应可得长、短时间间隔下的需求功率Preq,l、Preq,s;
S502.确定电池需求功率
当获知***需求功率时,结合当前确定的发动机输出功率Peng,便可获知需求功率Preq、发动机和电池需求功率Pbat之间的关系
Pbat=Preq-Peng (6)
其中,当前发动机功率可依据当前的发动机转矩Treng和发动机转速ωeng获得;
S503.电池SOC建模
混合动力车辆中电池SOC的动态方程为
其中,开路电压Ubat及内阻Rint为电池SOC的函数,所以电池SOC动态方程函数可以简化为电池功率Pbat和电池SOC的函数,即:
S504.考虑发动机热效应的燃油消耗率建模
发动机燃油消耗率的名义油耗模型:
在燃油消耗模型上考虑了发动机热效应影响,得到实际发动机燃油消耗率mfuel表示为:
其中,fcool,map(Tcool)是考虑发动机热效应的燃油消耗率标定函数项;
燃油消耗率表示为发动机转速和转矩、冷却液温度的函数:
mfuel=ffuel(ωeng,Treng,emode,Tcool,) (11)
发动机转速ωeng和转矩Treng和发动机功率相关,发动机功率Peng和需求功率Preq、电动机功率Pbat之间的关系存在式(6)的关系,则发动机油耗函数表示为:
mfuel=gfuel(Pbat,Preq,emode,Tcool) (12)
S505.热力链回路建模
混合动力车辆中冷却液温度的动态方程可以表示为:
S506.建立能量-热量一体化优化问题描述
将电池SOC***方程和冷却液温度的动态方程中多个控制变量,简化为两个控制变量发动机启停状态emode和电池功率Pbat,得到状态方程为
其中,
f1(Pbat,SOC)=fSOC(Pbat,SOC);
优化目标是最小化预测时域[t0,tf]内的***油耗:
其中,控制器的控制变量取u=[Pbat,emode],状态变量取x=[SOC,Tcool],扰动变量
S507.确定优化问题需满足的约束条件
混合动力车辆的能量-热量一体化优化控制需要满足如下约束条件:
1)需要满足电池SOC动态方程及状态约束:
其中,SOC0是SOC始端状态,即在初始时刻t0的SOC值;
2)需要满足电池功率约束;
Pbat,min≤Phat(t)≤Pbat,max (18b)
其中,Pbat,min和Pbat,max是电池功率的物理极限值,分别为电池功率的最小和最大值;
3)满足发动机启停状态的约束,
emode∈{0,1} (18c)
其中,1为发动机启动状态,0为停机状态;
4)将需求功率需要跟踪上输入期望值w*(t)
w(t)=w*(t) (18d)
S6.设计基于PMP-MPC的SOC轨迹实时优化控制器,即iPTMS的上层轨迹规划控制器
S601.测量当前状态变量信号,接收由未来宏观长时间尺度的平均交通流车速信息得到的需求功率Preq,l;
S602.确定优化问题描述
将采用时间间隔Δtl将长时间尺度的预测时域[t0,l,tf,l]划为Np,l等份,时间离散化为r∈{1,2,...,Np,l+1},得到优化目标函数:
其中,优化目标的燃油消耗率选取为名义油耗选取控制变量ul为长时间尺度下电池功率,ul=Ppl,bat,是允许输入值的集合;长时间尺度下电池SOC,SOCpl为状态变量,xl=SOCpl,扰动变量为长时间尺度下得到的需求功率wl=Preq,l;
基于PMP-MPC的SOC轨迹实时优化控制器需满足如下约束条件:
1)需要满足电池SOC动态方程及状态约束:
其中,SOC0是初始时刻的SOC值;
2)需要满足电池功率约束
Pbat,min≤Ppl,bat(r)≤Pbat,max (20b)
其中,Pbat,min和Pbat,max是电池功率的物理极限值;
S603.利用松弛函数法处理状态约束
将SOC的状态约束SOCmin≤SOCpl(r)≤SOCmax转化为松弛函数
S604.构造哈密顿函数
得到哈密顿函数的定义为:
其中,ξ是协态变量,并且f1(ul(r),xl(r))=f1(Pbat(r),SOC(r));
最优必要性条件如下:
xl(r)=xl(r+1)+f1(xl(r),ul(r))Δtl (23a)
以及终端条件ξ(Np,l+1)=0;
当已知状态ξ(r)、SOCpl(r)时,便可以根据极大值原理求出最优控制率;
S605.确定协态变量初值
通过车辆参数和状态值的范围,确定最优协态变量的边界
其中,Dl是允许状态值的集合,为了确定Λξ,L和Λξ,U,定义边界函数ξmin和ξmax,其满足下列关系:
式(27)化简为
ξ(r)=K1(r+1)ξ(r+1)+K2(r+1) (28)
通过***参数以及约束,得到{0<K1≤1,K1max>0,K2min<0};
类似于最优协态变量轨迹(28)的形式,定义边界函数{ξmin(r),ξmax(r)},得到下边界为
当保证时,ξmin(r)则为ξ(r)的下界;同理,保证ξλ(r)-ξλmax(r)≤0时,ξmin(r)则为ξ(r)的上界;可知{ξmin(r),ξmax(r)}为ξ(r)的边界函数,协态变量初值根据公式(29)递推得到;
S606.迭代求解最优协态变量
边界条件是初始协态变量的连续函数,记为:
W((1))=ξ(Np,l+1) (30)
S607.求解最优控制变量
根据优化控制问题中的状态SOCpl(r)、ξ(r)以及约束条件,利用PMP便可以得到最小哈密顿函数对应的控制变量为u*(r);
S7.设计基于FDP-MPC的热效应耦合实时能量优化分配控制器,即iPTMS的下层轨迹规划控制器
S702.确定优化问题描述
将采用时间间隔Δts将短时间尺度的预测时域[t0,s,tf,s]划为Np,s等份,同时,时间离散化为k∈{1,2,...,Np,s+1},得到优化目标函数:
需要满足的约束条件是:
1)需要满足电池SOC动态方程及状态约束:
其中,SOC0是初始时刻的SOC值;
2)需要满足冷却液温度约束:
3)需要满足电池功率约束:
Pbat,min≤Pbat(k)≤Pbat,max (32c)
其中,Pbat,min和Pbat,max是电池功率的物理极限值;
4)需要满足发动机启动状态约束
emode(k)∈{0,1} (32d)
w(k)=w*(k) (32e);
S703.确定预测时域内SOC上下边界
为减小运算时间,将k=1时刻的电池SOC始端约束SOC(1)=0.6放大离散为{0.599,0.6},这样能够使离散状态点在离散控制变量作用下准确落在始端约束范围内,然后从预测时域始端和终端开始,将上层轨迹规划控制器优化出的电池SOC轨迹与SOC状态约束{SOCmax,SOCmin求交集,确定整个预测时域内SOC的上下边界根据上下边界将SOC离散化为
S704.网格划分根据表1的标准,对状态变量和控制变量进行网格划分:
表1 FDP各维度变量网格划分
S705.反推主状态变量
S706.计算状态转移过程成本
S707.计算终端成本、最优控制变量
从前往后递推得到每个时刻k及主要状态变量Xk,i下的最优终端成本Jk,i:
S708.获得最优解
本发明为了完善智能网联环境下混合动力汽车的能效优化技术框架,本发明提出一种智能网联混合动力汽车能量-热量一体化管理***(iPTMS)。该***面向的被控对象是配备智能网联技术的混合动力车辆,为了实现这个目标,本发明分别结合了长、短时间的多尺度网联预瞄信息,并有针对性的提出了分层优化控制技术框架,解决了多源参考信息下带有约束的动力链/热力链耦合的非线性优化问题的求解难题,提高了在线优化求解效率,保证了***的实时性。
本发明有益效果是:
1.发明了智能网联混合动力汽车能量-热量实时一体化管理***(iPTMS),在传统能量管理技术的基础上,将车辆热力链的温度效应考虑到整车能效优化控制中,兼顾了驾驶员在动力性和温度等方面的多维需求,增强了车辆在全气候条件下的节能适应性,实现了整车燃油经济性的进一步提升。
2.针对多尺度网联信息下多能量源混合动力车辆的预测节能优化问题,提出了多尺度分层式车辆能效滚动优化控制技术框架,即有效利用了不同层级的网联预测信息,又挖掘了多物理场(动力链、热力链)惯性尺度下的多能量协调优化节能潜力。该技术框架扩展边界广,除油电混合动力汽车外,可有效应用于插电式混合动力和燃料电池混合动力等一系列多能量源混合动力汽车。
3.面向iPTMS低成本实时计算的需求,分别设计了上层基于PMP-MPC的电池轨迹实时优化控制算法和下层基于FDP-MPC的混合动力汽车热效应耦合实时能量优化分配算法,解决了多源参考信息下带有约束的动力链/热力链耦合的非线性优化问题的实时求解难题,提高了在线优化求解效率,保证了***的实时性。
附图说明
图1是本发明智能网联混合动力车辆能量-热量一体化实时管理***(iPTMS)结构图;
图2本发明智能网联混合动力车辆能量-热量一体化实时管理(iPTMS)设计流程图;
图3是多时间尺度车速预测模块框架图;
图4是Shockwave模型冲击波剖面与车速轨迹示意图;
图5是混合动力***动力链-热力链耦合回路结构框图;
图6是能量-热量一体化实时优化***(iPTMS)模块化实时求解框架图;
图7是混联式混合动力***结构和部分控制器分布示意图;
图8是在某城市实际采集的真实拥堵驾驶循环工况下的车速曲线图;
图9是能量优化控制***(EM)和能量-热量一体化优化控制***(iPTMS)的节能潜力对比图;
图10是分层iPTMS控制器、集中iPTMS控制器及EM控制器的计算时间及总油耗对比图;
图11是单/多时间尺度分层控制器每步运算时间与总油耗对比结果图;
图12是EM控制器、集中iPTMS、分层iPTMS控制器及多时间尺度分层iPTMS控制器的总油耗对比结果图。
具体实施方式
本发明为提高混合动力汽车节能技术在全气候条件下的适应性并最大化的挖掘整车的节能潜力,本发明提出一种智能网联混合动力汽车能量-热量一体化实时管理***(iPTMS)。该***在传统能量管理***的基础上考虑了热力链温度效应和未来驾驶状态对整车能耗的影响,通过求解能效实时优化问题,对车辆动力链的能量进行优化分配,进一步提高了整车燃油经济性。为充分考虑未来的驾驶行为,本发明结合不同时间尺度的网联信息,对未来车辆速度进行了多尺度预测,并为iPTMS提供多尺度预测参考信息。针对iPTMS涉及的多时间尺度的能效优化问题,本发明提出了基于模型预测控制(Model PredictiveController,MPC)的分层式优化控制框架。其中,上层利用长时域预测信息,采用极大值原理(Pontryagin Maximum Principle,PMP)方法滚动优化出最优电池荷电状态(State ofcharge,SOC)轨迹;下层利用短时域预测信息和上层SOC优化轨迹参考信息,采用前向动态规划(Forward Dynamic Programming,FDP)方法对混合动力汽车动力链的能量进行优化分配,实现集成能量及发动机热状态管理策略的有限时域实时优化控制。
本发明包括:智能网联信息采集模块、多尺度车速预测模块;混合动力车辆动力链-热力链动耦合力学预测模块、能量-热量一体化实时优化***模块。
步骤一:结合交通流云数据和V2I/V2V通信技术采集实时交通流和队列车速信息,将这些信息提供给多尺度车速预测模块。
步骤二:确定全局路线,结合该全局路线上的交通流云数据,在多尺度车速预测模块中建立宏观长时间尺度(未来15分钟)的平均交通流车速预测信息,并按照一定频率更新(每5分钟更新一次)。
步骤三:结合行驶路线上的队列车速信息,在多尺度车速预测模块中建立微观短时间尺度(未来15秒)的车速预测信息,并按照一定频率更新(每1秒钟更新一次)。
步骤四:将长、短时间尺度的车速预测结果传递给混合动力车辆动力链-热力链动耦合力学预测模块。
步骤五:利用多尺度车速预测模块提供的长、短时间尺度的车速信息,计算需求功率,并建立混合动力车辆动力链-热力链动耦合力学预测模块,该模块包含车辆纵向动力学行驶模型、电池需求功率、电池SOC、考虑发动机热效应的燃油消耗率及热力链回路;选取***中的关键控制变量,并建立能量及热量一体化优化问题描述,确定需满足的约束条件。
步骤六:设计基于PMP-MPC的SOC轨迹实时优化控制器,即iPTMS的上层轨迹规划控制器。结合由未来宏观长时间尺度的平均交通流车速信息得到的需求功率,以长时间间隔下整车能耗最小为性能指标,采用PMP方法求解出该时域下电池SOC轨迹序列。
步骤七:设计基于FDP-MPC的热效应耦合实时能量优化分配控制器,即iPTMS的下层轨迹规划控制器。将上层轨迹规划控制器优化出的电池SOC轨迹看作下层控制器的预测时域内的参考终端约束,以短时间间隔下整车能耗最小为性能指标,采用FDP方法对能量分配优化问题进行求解,得到最优控制量,即电池功率和发动机启停状态。
步骤八:将iPTMS计算得到的最优控制变量信号,通过局域网总线传输给混合动力汽车控制单元(HCU),作为HCU单元的参考信号。通过现有车载控制器对动力链的各执行机构进行控制,使动力链中各设备(发动机、电动机等)达到参考工作目标,最终获得智能网联混合动力车辆的燃油经济性提升的结果。
本发明面向配备了智能网联技术的混合动力车辆,利用网联信息提供的交通预瞄信息,并将热力链的温度效应考虑到整车能效优化问题中,提出了能量-热量一体化管理***(iPTMS),以增强车辆在全气候条件下的节能适应性;针对多尺度网联信息下多能量源预测节能优化问题,提出了多尺度分层式车辆能效滚动优化控制框架;针对iPTMS低成本实时计算的需求,设计了上层基于PMP-MPC的电池轨迹实时优化控制算法和下层基于FDP-MPC的混合动力汽车热效应耦合实时能量优化分配算法。
本发明智能网联混合动力车辆能量热量一体化实时管理***(iPTMS)结构图,如图1所示。具体实施为:智能网联信息采集模块将对网联车速信息进行采集,将交通流云数据和队列车速信息提供给多尺度车速预测模块;多尺度车速预测模块对不同时间尺度的网联信息进行利用,长时间尺度预测层利用数据分类技术对获取的交通流云数据信息进行分类,获取长时间尺度的车速预测信息vveh,l;短时间尺度预测层利用Shockwave模型对获取的队列车速信息进行处理,获取短时间尺度的车速预测信息vveh,s,然后将长、短时间尺度的车速预测信息分别传递给混合动力车辆混合动力车辆动力链-热力链动耦合力学预测模块,获取长、短预测时域内需求功率Preq,l、Preq,s,然后建立车辆动力链-热力链动耦合力学模块,并建立能量-热量一体化优化问题描述,确定需满足的约束条件。能量-热量一体化实时优化***模块中,iPTMS的上层轨迹规划控制器,结合由长时间尺度的车速预测信息得到的需求功率,以长时间间隔下整车能耗最小为性能指标,采用PMP方法求解出该时域下电池SOC轨迹序列。将iPTMS上层轨迹规划控制器优化出的电池SOC轨迹看作下层控制器的预测时域内的参考终端约束,以短时间间隔下整车能耗最小为性能指标,采用FDP方法对能量分配优化问题求解最优控制量。最后将得到的最优控制变量信号作为控制单元(HCU)的参考信号,通过现有车载控制器对动力链的各执行机构进行控制,最终提升智能网联混合动力车辆的燃油经济性。
如图2所示,本发明具体包括以下步骤:
S1.结合交通流云数据采集所有路段上的实时交通信息流,利用V2V/V2I通讯技术获取行驶路线上的队列车速信息;将具有不同时间尺度的车速信息提供给多尺度车速预测模块。
多尺度车速预测模块最大限度地实现了对不同尺度的网联信息利用,具有长、短时间尺度预测视野的速度预测能力。多尺度时间车速预测模块框架图如图3所示。
S2.确定全局路线,结合该全局路线上的交通流云数据,在多尺度车速预测模块中建立宏观长时间尺度(未来15分钟)的平均交通流车速预测信息,并按照一定的频率更新(每5分钟更新一次)。
S201.基于全局路线上的实时交通信息流信息,长时间尺度的车速预测层可以对与本车处于全局路线上车辆的行驶速度和车辆行驶里程数据进行采集和处理,分析车辆到达各十字路口的时间。
S202.依据全局路线上车辆到达第一个十字路口的时间,利用数据分类算法将各个车辆的运动状态数据分类到15个数据模块中。对本车而言便获得了预测周期为15分钟的长时间尺度车速预测信息。
S203.随着下游交通流的变化,上述长时间尺度的预测车速信息将按照一定的频率进行更新(每隔5分钟进行一次更新),长时间尺度的车速信息定义为vveh,l。
S3.结合行驶路线上的队列车速信息,在多尺度车速预测模块中建立微观短时间尺度(未来15秒)的车速预测信息,按照一定的频率进行更新(每1秒钟更新一次)。
S301.结合行驶路线上的队列车速信息,利用Shockwave模型获知本车到达十字路口前的排队动态。
利用交通状态可以简化为自由流、饱和及阻塞状态这一事实,Shockwave模型通过分析推导四种主要冲击波(集结波、传输波、撤离波和压缩波)的轨迹来描述了各部分的排队动态,模拟交通动力学。Shockwave模型考虑了排队累积和耗散,显著降低了计算量,适用于短时间尺度的车速预测。Shockwave模型冲击波剖面与车速轨迹示意如图4所示,图中四种冲击波分别表示为:
1)集结波S1(t):
其中,t是当前的时刻,qn-1代表前一个路口的入口处的交通流量;Ln是当前路口与前一个路口之间的路段长度;是集结波对应的队列长度,定义为集结波S1(t)的前端到t时刻相交路口处停止线的距离;vf是自由状态下的交通流速;是当前路段的交通流堵塞密度;s*是常规交通流流速。
2)传输波S2(t):
3)撤离波S3(t):
4)压缩波:
S302.根据Shockwave模型提供的前方队列动态,完成预测周期为15秒的短时间尺度车速预测信息,随着队列中速度序列的变化,上述短时间尺度的预测信息将按照一定的频率进行更新(每隔1秒钟进行一次更新),短时间尺度的车速信息定义为vveh,s。
S4.将长、短时间尺度的车速预测结果传递给混合动力车辆动力链-热力链动耦合力学预测模块。
在多尺度车速预测模块中,长时间尺度的速度预测层对较长视野下的交通拥堵状况和多个路口间的交通模式进行了初始评估和调度规划,得到了长时间尺度的车速预测信息vveh,l;短时间尺度的速度预测层则是根据V2V/V2I网联技术得到短时间尺度的车速预测信息vveh,s。将长、短时间尺度的车速预测结果传递给混合动力车辆动力链-热力链动耦合力学预测模块。
S5.利用多尺度车速预测模块提供的长、短时间尺度的车速信息,计算需求功率,并建立混合动力车辆动力链-热力链动耦合力学模块,该模块包含车辆纵向动力学行驶模型、电池需求功率、电池SOC、考虑发动机热效应的燃油消耗率及热力链回路;选取***中的关键控制变量,并建立能量及热量一体化优化问题描述,确定需满足的约束条件。
混合动力***动力链-热力链耦合回路结构图,如图5所示。发动机和电池根据驾驶员的需要提供牵引力来驱动车辆,电池为辅助设备和暖风/空调(Heating,Ventilationand Air Conditioning,HVAC)***提供电力;发动机的高效热管理和电池之间存在紧密的耦合和交互关系。
所述步骤S5包含以下子步骤:
S501.建立车辆纵向动力学行驶模型:根据多尺度车速预测模块提供的车速信息,计算所需求的转矩Preq:
其中,ρ是空气密度,Cd是空气阻力系数,A是正向迎风面积,m是车辆的质量,g是重力加速度,θ是路面坡度,μ是路面摩擦系数,σ是车辆旋转元件的质量系数,ηt是传动效率,vveh是车速。相应地,长(短)时间尺度下获得的车速信息vveh,l(vveh,s)便分别对应可得长(短)时间间隔下的需求功率Preq,l(Preq,s)。
S502.确定电池需求功率由于混合动力车辆通过发动机和电池提供的能量来共同驱动,所以当获知***需求功率时,结合当前确定的发动机输出功率Peng,便可获知需求功率Preq、发动机和电池需求功率Pbat之间的关系
Pbat=Preq-Peng (6)
其中,当前发动机功率可依据当前的发动机转矩Treng和发动机转速ωeng获得。
S503.电池SOC建模
混合动力车辆中电池SOC的动态方程为
其中,开路电压Ubat及内阻Rint为电池SOC的函数,所以电池SOC动态方程函数可以简化为电池功率Pbat和电池SOC的函数,即:
S504.考虑发动机热效应的燃油消耗率建模
在常规的燃油消耗率表达中,一般单纯考虑发动机转速和转矩状态而进行的燃油标定,得到发动机燃油消耗率的名义油耗模型:
而实际的燃油消耗与发动机热状态有关,所以本发明在燃油消耗模型上另考虑了发动机热效应影响,得到实际发动机燃油消耗率mfuel可以表示为:
其中,fcool,map(Tcool)是考虑发动机热效应的燃油消耗率标定函数项,其主要与冷却液温度Tcool有关。
于是,燃油消耗率可以表示为发动机转速和转矩、冷却液温度的函数:
mfucl=ffMl(ωcng,Treng,emodc,Tcool,) (11)
同时,发动机转速ωeng和转矩Treng和发动机功率相关,发动机功率Peng和需求功率Preq、电动机功率Pbat之间的关系存在式(6)的关系,则发动机油耗函数可以表示为:
mfuel=gfuel(Pbat,Preq,emode,Tcool) (12)
S505.热力链回路建模。
在车辆热管理的相关研究中,常常用冷却液温度来表征热力链回路中的热状态,混合动力车辆中冷却液温度的动态方程可以表示为:
S506.建立能量-热量一体化优化问题描述
本发明中考虑在-10℃外界环境下,设定驾驶员供热需求为此时,如果处于城市拥堵路况,根据驾驶员的供热需求,发动机需要频繁启动并通过空调***将余热传递至驾驶舱来保证驾驶员设定温度,会额外增加大量油耗。为协调驾驶员动力需求和热力需求而实现整车燃油经济性的进一步提升,我们选取状态变量为电池SOC和冷却液温度。通过对混合动力***的工作原理分析,将电池SOC***方程和冷却液温度的动态方程中多个控制变量,简化为两个控制变量发动机启停状态emode和电池功率Pbat,得到状态方程为
其中,f1(Pbat,SOC)=fSOC(Pbat,SOC);
优化目标是最小化预测时域[t0,tf]内的***油耗:
其中,控制器的控制变量取u=[Pbat,emode],状态变量取x=[SOC,Tcool],扰动变量
S507.确定优化问题需满足的约束条件
混合动力车辆的能量-热量一体化优化控制需要满足如下约束条件:
1)需要满足电池SOC动态方程及状态约束:
其中,SOC0是SOC始端状态,即在初始时刻t0的SOC值。
2)需要满足电池功率约束
Pbat,min≤Phat(t)≤Pbat,max (18b)
其中,Pbat,min和Pbat,max是电池功率的物理极限值,分别为电池功率的最小和最大值。
3)满足发动机启停状态的约束,
emode∈{0,1} (18c)
其中,1为发动机启动状态,0为停机状态。
4)将需求功率需要跟踪上输入期望值w*(t)
w(t)=w*(t) (18d)
结合混合动力车辆动力链-热力链动耦合力学预测模型中确定的能量-热量一体化优化问题和约束条件,接下来,能量-热量一体化实时优化***模块求解最优控制量。
能量-热量一体化实时优化***(iPTMS)模块化实时求解框架图如图6所示,实现过程包含设计基于PMP-MPC的SOC轨迹实时优化控制器,即iPTMS的上层轨迹规划控制器(S6)和设计基于FDP-MPC的热效应耦合实时能量优化分配控制器,即iPTMS的下层轨迹规划控制器(S7),具体实施步骤如下:
S6.设计基于PMP-MPC的SOC轨迹实时优化控制器,即iPTMS的上层轨迹规划控制器。结合由未来宏观长时间尺度的平均交通流车速信息得到的需求功率以长时间间隔下整车能耗最小为性能指标采用PMP方法求解出该时域下电池SOC轨迹序列。
所述步骤S6包含以下子步骤:
S601.测量当前状态变量信号,接收由未来宏观长时间尺度的平均交通流车速信息得到的需求功率Preq,l。
S602.确定优化问题描述
基于PMP-MPC的SOC轨迹实时优化控制器利用长时域预测信息,以长时间间隔下整车能耗最小为优化目标。为便于求解,同样将采用时间间隔Δtl将长时间尺度的预测时域[t0,l,tf,l]划为Np,l等份,时间离散化为r∈{1,2,...,Np,l+1},得到优化目标函数:
其中,优化目标的燃油消耗率选取为名义油耗选取控制变量ul为长时间尺度下电池功率,ul=Ppl,bat,是允许输入值的集合;长时间尺度下电池SOC,SOCpl为状态变量,xl=SOCpl,扰动变量为长时间尺度下得到的需求功率wl=Preq,l。
为了避免iPTMS上/下层轨迹规划控制器和被控对象之间信号交互可能导致的控制器无法协调工作的问题,引入虚拟被控对象SOCpl作为iPTMS上层轨迹规划控制器的被控对象。上层控制器以长时间间隔下整车能耗最小为性能指标,采用PMP方法求解出该时域下电池SOC轨迹序列。
基于PMP-MPC的SOC轨迹实时优化控制器需满足如下约束条件:
1)需要满足电池SOC动态方程及状态约束:
其中,SOC0是初始时刻的SOC值。
2)需要满足电池功率约束。
Pbat,min≤Ppl,bat(r)≤Pbat,max (20b)
其中,Pbat,min和Pbat,max是电池功率的物理极限值。
S603.利用松弛函数法处理状态约束
为方便实时求解,将SOC的状态约束SOCmin≤SOCpl(r)≤SOCmax转化为松弛函数
其中,α和β均为保证目标函数与原始优化问题的目标函数一致的调节参数,当状态变量远离约束时,松弛函数值为零或接近零;在状态变量接近或超过约束时,松弛函数将急剧增大;∈设定为一个正数来维持状态约束的变化范围;和x l分别为状态变量的上下约束极限SOCmax和SOCmin。
S604.构造哈密顿函数
得到哈密顿函数的定义为:
其中,ξ是协态变量,并且f1(ul(r),xl(r))=f1(Pbat(r),SOC(r))。
最优必要性条件如下:
xl(r)=xl(r+1)+f1(xl(r),ul(r))Δtl (23a)
以及终端条件ξ(Np,l+1)=0。
当已知状态ξ(r)、SOCpl(r)时,便可以根据极大值原理求出最优控制率。于是,最优控制率的求解,转变成沿着最优控制率轨迹建立协态变量初值到终值映射关系的两点边值问题。接下来需要找到协态变量初值ξ(1),从{xl(1),ξ(1)}出发沿着最优控制律轨迹,使终值满足必要性条件ξ(Np,l+1)=0。
S605.确定协态变量初值
通过车辆参数和状态值的范围,确定最优协态变量的边界
其中,Dl是允许状态值的集合。为了确定Λξ,L和Λξ,U,定义边界函数ξmin和ξmax,其满足下列关系:
式(27)可化简为
ξ(r)=K1(r+1)ξ(r+1)+K2(r+1) (28)
通过***参数以及约束,可以得到{0<K1≤1,K1max>0,K2min<0}。
类似于最优协态变量轨迹(28)的形式,定义边界函数{ξmin(r),ξmax(r)},可以得到下边界为
当保证时,ξmin(r)则为ξ(r)的下界;同理,保证ξλ(r)-ξλmax(r)≤0时,ξmin(r)则为ξ(r)的上界;可知{ξmin(r),ξmax(r)}为ξ(r)的边界函数,协态变量初值可以根据公式(29)递推得到。
S606.迭代求解最优协态变量
边界条件是初始协态变量的连续函数,记为:
W((1))=ξ(Np,l+1) (30)
S607.求解最优控制变量
根据优化控制问题中的状态SOCpl(r)、ξ(r)以及约束条件,利用PMP便可以得到最小哈密顿函数对应的控制变量为u*(r)。在预测时域内便可以求解最优控制量的显示解。最后,将上层轨迹优化控制器优化出的SOC轨迹作为下层控制器的预测时域内的参考终端约束。
S7.设计基于FDP-MPC的热效应耦合实时能量优化分配控制器,即iPTMS的下层轨迹规划控制器。将上层轨迹规划控制器优化出的电池SOC轨迹看作下层控制器的预测时域内的参考终端约束以短时间间隔下整车能耗最小为性能指标,采用FDP方法对能量分配优化问题进行求解,得到最优控制量,即电池功率和发动机启停状态。
所述步骤S7包含以下子步骤:
S702.确定优化问题描述
基于FDP-MPC的热效应耦合实时能量优化分配控制器利用短时域预测信息,以短时间间隔下整车能耗最小为优化目标。为便于求解,同样将采用时间间隔Δts将短时间尺度的预测时域[t0,s,tf,s]划为Np,s等份,同时,时间离散化为k∈{1,2,...,Np,s+1},得到优化目标函数:
基于FDP-MPC的热效应耦合实时能量优化分配控制器,选择初始及终端均固定的状态变量电池SOC作为主要状态变量,以便了解预测时域末状态变量的确定值,进而方便前向动态规划在计算中根据实际状态变量从后往前计算每个时刻最优控制变量。同时,冷却液温度Tcool则被确认为其他状态变量。
需要满足的约束条件是:
1)需要满足电池SOC动态方程及状态约束:
其中,SOC0是初始时刻的SOC值。
2)需要满足冷却液温度约束:
3)需要满足电池功率约束:
Pbat,min≤Phat(k)≤Pbat,max (32c)
其中,Pbat,min和Pbat,max是电池功率的物理极限值。
4)需要满足发动机启动状态约束
emode(k)∈{0,1} (32d)
w(k)=w*(k) (32e)
S703.确定预测时域内SOC上下边界
为减小运算时间,将k=1时刻的电池SOC始端约束SOC(1)=0.6放大离散为{0.599,0.6}。这样能够使离散状态点在离散控制变量作用下准确落在始端约束范围内。然后从预测时域始端和终端开始,将上层轨迹规划控制器优化出的电池SOC轨迹与SOC状态约束{SOCmax,SOCmin}求交集,确定整个预测时域内SOC的上下边界根据上下边界将SOC离散化为
S704.网格划分
根据表1的标准,对状态变量和控制变量进行网格划分:
表1 FDP各维度变量网格划分
S705.反推主状态变量
S706.计算状态转移过程成本
S707.计算终端成本、最优控制变量
从前往后递推得到每个时刻k及主要状态变量Xk,i下的最优终端成本Jk,i:
S708.获得最优解
S8.将得到的最优控制变量信号传输给混合动力汽车控制单元将iPTMS计算得到的最优控制变量信号,通过局域网总线传输给混合动力汽车控制单元(HCU),作为HCU单元的参考信号。通过现有车载控制器对动力链的各执行机构进行控制,使动力链中各设备(发动机、电动机等)达到参考工作目标,最终获得智能网联混合动力车辆的燃油经济性提升的结果。
本发明的研究对象是混联式混合动力***车辆,图7所示为混联式混合动力***结构和部分控制器分布示意图,功率耦合器采用单行星排齿轮机构,行星齿轮的行星架与发动机曲轴相连,太阳轮与发电机MG1相连,齿圈与电动机MG2相连。给定需求扭矩和转速后,齿圈的转速则确定,电动机MG1和发动机通过转速耦合生成齿圈转速,同时产生扭矩至齿圈,若扭矩不满足需求转速时,则电动机MG2进行补足。由工作原理可知,行星齿轮机构能够调节发动机的转速和扭矩,将发动机工况与车辆工况完全解耦。
本发明一种智能网联混合动力车辆能量-热量一体化管理***表现出如下优越性:
1)考虑温度效应对能耗的影响,提高车辆节能技术在全气候条件下的适应性,进而最大化地挖掘整车的节能潜力。
图8为用于验证能量-热量一体化实时管理***有效性而在某城市实际采集的真实拥堵驾驶循环工况下的车速曲线。能量优化管理***(EM)和能量-热量一体化优化管理***(iPTMS)节能潜力对比图,如图9所示。图9中分别展示了电池SOC、冷却液温度(Tcool)、发动机运行模式emode、电池功率Pbat和发动机功率Peng随时间变化的曲线。从图9可以看出,iPTMS利用对未来车辆速度的多尺度预测,并将热力链的温度效应考虑到整车能效优化问题中。iPTMS选择了较高的冷却液温度,在循环开始时采用更多发动机功率,将更多的电能储存在电池中,并将热能储存在冷却液中;利用了缓变的冷却液中的热量来避免冷却液温度较低时,发动机大量的高负荷运转,增强了车辆在全气候条件下的节能节能适应性,提升了整车燃油经济性。
2)设计的基于MPC的分层式优化控制框架,提高了控制器计算效率,保证了实时性。
设计基于PMP-MPC的SOC轨迹实时优化控制器作为iPTMS的上层轨迹规划控制器,缓解了FDP算法计算时间随预测时域2次增长的问题,得到较长预测时域下的最优SOC轨迹,充分发挥电池能量缓冲的作用。设计基于FDP-MPC的热效应耦合实时能量优化分配控制器作为iPTMS的下层轨迹规划控制器,用FDP算法解决了PMP难以处理的多状态变量问题。
图10为分层iPTMS控制器、集中iPTMS控制器及EM控制器的计算时间及总油耗对比。分层iPTMS控制器的最低油耗为123.25g,计算时间为0.41s;集中iPTMS控制器的最低油耗为124.91g,计算时间为0.75s;EM控制器的最低油耗为130.61g,计算时间为0.42s,并且,在任何计算条件下,分层iPTMS控制器的油耗都低于集中iPTMS控制器和EM控制器。所以,分层的iPTMS保证计算效率的同时,进一步提高了燃油经济性。
3)分层控制器利用多时间尺度的智能网联信息,避免了在上层控制器求解计算上时间的浪费,提高了计算效率和控制精度。
单/多时间尺度分层控制器的每步运算时间与总油耗对比结果如图11所示,iPTMS中上/下层控制器的预测时域Np.l及Np,s对控制器的计算时间及优化效果有较大影响,图11所示为不同(Np,l,Np,s)组合下最低油耗的包络线及对应的每步计算时间和优化结果。由图11可知:多时间尺度分层iPTMS控制器油耗包络线远低于单时间尺度分层iPTMS控制器油耗包络线,多时间尺度分层iPTMS控制器最低油耗值为120.05g,计算时间为0.29s;单时间尺度分层iPTMS控制器最低油耗值为123.25g,计算时间为0.41s。所以,结合多时间尺度预测信息的分层式车辆能效滚动优化控制框架,提高了在线优化求解效率,保证了***的实时性,并且进一步提高了燃油经济性。
图12为EM控制器、集中iPTMS、分层iPTMS控制器及多时间尺度分层iPTMS控制器的总油耗对比结果。从图中可知,考虑温度效应的集中iPTMS控制器总油耗124.91g,较EM控制器节省了4.36%的油耗;通过设计基于MPC的分层式优化控制框架,分层iPTMS控制器总油耗123.25g,较EM控制器节省了5.64%的油耗,在集中iPTMS控制器优化的基础上进一步提高了1.28%的节能水平;通过利用多尺度预测信息,多时间尺度分层iPTMS控制器最终实现了120.05g的总油耗,较EM控制器节省了8.09%的油耗,在集中iPTMS控制器和分层iPTMS控制器的基础上,分别进一步挖掘了3.73%和2.45%的节能潜力。
Claims (1)
1.一种智能网联混合动力汽车能量-热量一体化实时管理***,
S1.结合交通流云数据采集所有路段上的实时交通信息流,利用V2V/V2I通讯技术获取行驶路线上的队列车速信息;将具有不同时间尺度的车速信息提供给多尺度车速预测模块;
S2.确定全局路线,结合该全局路线上的交通流云数据,在多尺度车速预测模块中建立宏观长时间尺度的平均交通流车速预测信息,并按照一定的频率更新;
其特征在于:
S3.结合行驶路线上的队列车速信息,在多尺度车速预测模块中建立微观短时间尺度的车速预测信息,按照一定的频率进行更新;
S301.结合行驶路线上的队列车速信息,利用Shockwave模型获知本车到达十字路口前的排队动态,Shockwave模型通过分析推导四种主要冲击波,即集结波、传输波、撤离波和压缩波;四种冲击波分别表示为:
1)集结波S1(t):
其中,t是当前的时刻,qn-1代表前一个路口的入口处的交通流量;Ln是当前路口与前一个路口之间的路段长度;是集结波对应的队列长度,定义为集结波S1(t)的前端到t时刻相交路口处停止线的距离;vf是自由状态下的交通流速;是当前路段的交通流堵塞密度;s*是常规交通流流速;
2)传输波S2(t):
3)撤离波S3(t):
4)压缩波:
S302.根据Shockwave模型提供的前方队列动态,完成预测周期为15秒的短时间尺度车速预测信息,随着队列中速度序列的变化,上述短时间尺度的预测信息将按照一定的频率进行更新,短时间尺度的车速信息定义为vveh,s;
S4.将长、短时间尺度的车速预测结果传递给混合动力车辆动力链-热力链动耦合力学预测模块;
S5.利用多尺度车速预测模块提供的长、短时间尺度的车速信息,计算需求功率,并建立混合动力车辆动力链-热力链动耦合力学模块,该模块包含车辆纵向动力学行驶模型、电池需求功率、电池SOC、考虑发动机热效应的燃油消耗率及热力链回路;选取***中的关键控制变量,并建立能量及热量一体化优化问题描述,确定需满足的约束条件;
S501.建立车辆纵向动力学行驶模型:根据多尺度车速预测模块提供的车速信息,计算所需求的转矩Preq:
其中,ρ是空气密度,Cd是空气阻力系数,A是正向迎风面积,m是车辆的质量,g是重力加速度,θ是路面坡度,μ是路面摩擦系数,σ是车辆旋转元件的质量系数,ηt是传动效率,vveh是车速,相应地,长、短时间尺度下获得的车速信息vveh,l、vveh,s便分别对应可得长、短时间间隔下的需求功率Preq,l、Preq,s;
S502.确定电池需求功率
当获知***需求功率时,结合当前确定的发动机输出功率Peng,便可获知需求功率Preq、发动机和电池需求功率Pbat之间的关系
Pbat=Preq-Peng (6)
其中,当前发动机功率可依据当前的发动机转矩Treng和发动机转速ωeng获得;
S503.电池SOC建模
混合动力车辆中电池SOC的动态方程为
其中,开路电压Ubat及内阻Rint为电池SOC的函数,所以电池SOC动态方程函数可以简化为电池功率Pbat和电池SOC的函数,即:
S504.考虑发动机热效应的燃油消耗率建模
发动机燃油消耗率的名义油耗模型:
在燃油消耗模型上考虑了发动机热效应影响,得到实际发动机燃油消耗率mfuel表示为:
其中,fcool,map(Tcool)是考虑发动机热效应的燃油消耗率标定函数项;
燃油消耗率表示为发动机转速和转矩、冷却液温度的函数:
mfuel=ffuel(ωeng,Treng,emode,Tcool) (11)
发动机转速ωeng和转矩Treng和发动机功率相关,发动机功率Peng和需求功率Preq、电动机功率Pbat之间的关系存在式(6)的关系,则发动机油耗函数表示为:
mfuel=gfuel(Pbat,Preq,emode,Tcool) (12)
S505.热力链回路建模
混合动力车辆中冷却液温度的动态方程可以表示为:
S506.建立能量-热量一体化优化问题描述
将电池SOC***方程和冷却液温度的动态方程中多个控制变量,简化为两个控制变量发动机启停状态emode和电池功率Pbat,得到状态方程为
其中,
f1(Pbat,SOC)=fSOC(Pbat,SOC);
优化目标是最小化预测时域[t0,tf]内的***油耗:
S507.确定优化问题需满足的约束条件
混合动力车辆的能量-热量一体化优化控制需要满足如下约束条件:
1)需要满足电池SOC动态方程及状态约束:
其中,SOC0是SOC始端状态,即在初始时刻t0的SOC值;
2)需要满足电池功率约束;
Pbat,min≤Pbat(t)≤Pbat,max (18b)
其中,Pbat,min和Pbat,max是电池功率的物理极限值,分别为电池功率的最小和最大值;
3)满足发动机启停状态的约束,
emode∈{0,1} (18c)
其中,1为发动机启动状态,0为停机状态;
4)将需求功率需要跟踪上输入期望值w*(t)
w(t)=w*(t) (18d)
S6.设计基于PMP-MPC的SOC轨迹实时优化控制器,即iPTMS的上层轨迹规划控制器
S601.测量当前状态变量信号,接收由未来宏观长时间尺度的平均交通流车速信息得到的需求功率Preq,l;
S602.确定优化问题描述
将采用时间间隔Δtl将长时间尺度的预测时域[t0,l,tf,l]划为Np,l等份,时间离散化为r∈{1,2,...,Np,l+1},得到优化目标函数:
其中,优化目标的燃油消耗率选取为名义油耗选取控制变量ul为长时间尺度下电池功率,ul=Ppl,bat,ul是允许输入值的集合;长时间尺度下电池SOC,SOCpl为状态变量,xl=SOCpl,扰动变量为长时间尺度下得到的需求功率wl=Preq,l;
基于PMP-MPC的SOC轨迹实时优化控制器需满足如下约束条件:
1)需要满足电池SOC动态方程及状态约束:
其中,SOC0是初始时刻的SOC值;
2)需要满足电池功率约束
Pbat,min≤Ppl,bat(r)≤Pbat,max (20b)
其中,Pbat,min和Pbat,max是电池功率的物理极限值;
S603.利用松弛函数法处理状态约束
将SOC的状态约束SOCmin≤SOCpl(r)≤SOCmax转化为松弛函数
S604.构造哈密顿函数
得到哈密顿函数的定义为:
其中,ξ是协态变量,并且f1(ul(r),xl(r))=f1(Pbat(r),SOC(r));
最优必要性条件如下:
xl(r)=xl(r+1)+f1(xl(r),ul(r))Δtl (23a)
以及终端条件ξ(Np,l+1)=0;
当已知状态ξ(r)、SOCpl(r)时,便可以根据极大值原理求出最优控制率;
S605.确定协态变量初值
通过车辆参数和状态值的范围,确定最优协态变量的边界
其中,Dl是允许状态值的集合,为了确定Λξ,L和Λξ,U,定义边界函数ξmin和ξmax,其满足下列关系:
式(27)化简为
ξ(r)=K1(r+1)ξ(r+1)+K2(r+1) (28)
通过***参数以及约束,得到{0<K1≤1,K1max>0,K2min<0};
参照最优协态变量轨迹(28)的形式,定义边界函数{ξmin(r),ξmax(r)},得到下边界为
当保证时,ξmin(r)则为ξ(r)的下界;同理,保证ξλ(r)-ξλmax(r)≤0时,ξmin(r)则为ξ(r)的上界;可知{ξmin(r),ξmax(r)}为ξ(r)的边界函数,协态变量初值根据公式(29)递推得到;
S606.迭代求解最优协态变量
边界条件是初始协态变量的连续函数,记为:
W((1))=ξ(Np,l+1) (30)
S607.求解最优控制变量
根据优化控制问题中的状态SOCpl(r)、ξ(r)以及约束条件,利用PMP便可以得到最小哈密顿函数对应的控制变量为u*(r);
S7.设计基于FDP-MPC的热效应耦合实时能量优化分配控制器,即iPTMS的下层轨迹规划控制器
S702.确定优化问题描述
将采用时间间隔Δts将短时间尺度的预测时域[t0,s,tf,s]划为Np,s等份,同时,时间离散化为k∈{1,2,...,Np,s+1},得到优化目标函数:
需要满足的约束条件是:
1)需要满足电池SOC动态方程及状态约束:
其中,SOC0是初始时刻的SOC值;
2)需要满足冷却液温度约束:
3)需要满足电池功率约束:
Pbat,min≤Pbat(k)≤Pbat,max (32c)
其中,Pbat,min和Pbat,max是电池功率的物理极限值;
4)需要满足发动机启动状态约束
emode(k)∈{0,1} (32d)
w(k)=w*(k) (32e);
S703.确定预测时域内SOC上下边界
为减小运算时间,将k=1时刻的电池SOC始端约束SOC(1)=0.6放大离散为{0.599,0.6},这样能够使离散状态点在离散控制变量作用下准确落在始端约束范围内,然后从预测时域始端和终端开始,将上层轨迹规划控制器优化出的电池SOC轨迹与SOC状态约束{SOCmax,SOCmin}求交集,确定整个预测时域内SOC的上下边界根据上下边界将SOC离散化为
S704.网格划分
根据表1的标准,对状态变量和控制变量进行网格划分:
表1 FDP各维度变量网格划分
S705.反推主状态变量
S706.计算状态转移过程成本
S707.计算终端成本、最优控制变量
从前往后递推得到每个时刻k及主要状态变量Xk,i下的最优终端成本Jk,i:
S708.获得最优解
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010410080.3A CN111891110B (zh) | 2020-05-15 | 2020-05-15 | 智能网联混合动力汽车能量-热量一体化实时管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010410080.3A CN111891110B (zh) | 2020-05-15 | 2020-05-15 | 智能网联混合动力汽车能量-热量一体化实时管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111891110A CN111891110A (zh) | 2020-11-06 |
CN111891110B true CN111891110B (zh) | 2022-02-01 |
Family
ID=73206249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010410080.3A Active CN111891110B (zh) | 2020-05-15 | 2020-05-15 | 智能网联混合动力汽车能量-热量一体化实时管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111891110B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112776673B (zh) * | 2020-12-06 | 2022-06-21 | 吉林大学 | 智能网联燃料电池汽车实时能量优化管理*** |
CN112606822B (zh) * | 2020-12-28 | 2022-01-28 | 湖南大学 | 一种混合动力汽车能量管理的两阶段双模型预测控制方法 |
CN113627693A (zh) * | 2021-01-18 | 2021-11-09 | 吉林大学 | 一种电动汽车实时能量管理方法、装置、汽车和存储介质 |
CN112721907B (zh) * | 2021-01-28 | 2022-08-02 | 西安理工大学 | 一种考虑道路坡度的网联混合动力汽车高效能量管理方法 |
CN113012433B (zh) * | 2021-03-18 | 2022-04-05 | 中国北方车辆研究所 | 车载联网节能辅助驾驶控制方法与*** |
CN113030752B (zh) * | 2021-04-12 | 2024-03-29 | 安徽理工大学 | 一种基于变遗忘因子在线参数辨识和soc联合估计方法 |
CN113104023B (zh) * | 2021-04-23 | 2022-08-30 | 西安理工大学 | 分布式mpc的网联混合动力汽车能量管理***及方法 |
CN113071506B (zh) * | 2021-05-20 | 2022-04-05 | 吉林大学 | 考虑座舱温度的燃料电池汽车能耗优化*** |
CN113247002B (zh) * | 2021-06-24 | 2022-04-22 | 四川野马汽车股份有限公司 | 一种基于时间最优的车速控制方法及*** |
CN113246805B (zh) * | 2021-07-02 | 2022-07-19 | 吉林大学 | 考虑汽车驾驶舱温度的燃料电池功率管理控制方法 |
CN114122466B (zh) * | 2021-11-11 | 2024-05-31 | 广东汉合汽车有限公司 | 燃料电池车电池优化管理方法、***、设备及介质 |
CN114212094B (zh) * | 2021-11-29 | 2023-09-29 | 东风商用车有限公司 | 一种基于mpc控制的车辆加速度管理方法 |
CN113928182B (zh) * | 2021-12-02 | 2023-10-27 | 吉林大学 | 基于全局交通信息的混合动力汽车电池热管理优化*** |
CN114228696B (zh) * | 2021-12-10 | 2023-08-15 | 燕山大学 | 一种考虑制冷***耗能的冷链混动车实时优化控制方法 |
CN114291067B (zh) * | 2021-12-29 | 2024-04-02 | 山东大学 | 基于预测的混合动力汽车凸优化能量控制方法及*** |
CN115061373B (zh) * | 2022-06-27 | 2023-05-05 | 北京理工大学 | 一种混合动力***电机温升预测博弈优化控制方法 |
CN115412479B (zh) * | 2022-08-31 | 2023-08-22 | 西安交通大学 | 用于实现车辆热管理能量最优分配的路由器及其控制方法 |
CN115865987B (zh) * | 2023-02-20 | 2023-04-25 | 北京航空航天大学 | 一种基于车云协作的混动传动***信息特征分析方法 |
CN116522498B (zh) * | 2023-04-28 | 2024-02-02 | 重庆大学 | 增程式电动车能耗和排放协同优化方法和增程式电动车控制方法 |
CN116729386B (zh) * | 2023-07-07 | 2023-12-26 | 清华大学 | 多交叉路口场景下车辆分层规划和控制方法及装置 |
CN116946107B (zh) * | 2023-09-21 | 2023-12-01 | 北京航空航天大学 | 一种能量轨迹跟随下的混动***模式决策与功率分配方法 |
CN117435890B (zh) * | 2023-12-20 | 2024-04-02 | 深圳市武迪电子科技有限公司 | 一种电动摩托车多模态融合热管理方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2981625A1 (fr) * | 2011-10-19 | 2013-04-26 | Peugeot Citroen Automobiles Sa | Procede de gestion de l'alimentation en energie electrique du reseau de bord d'un vehicule automobile hybride |
CN105501216A (zh) * | 2016-01-25 | 2016-04-20 | 合肥工业大学 | 基于车联网的混合动力汽车的分层能量管理控制方法 |
WO2016146911A1 (fr) * | 2015-03-17 | 2016-09-22 | Renault S.A.S | Procédé et dispositif de gestion de l'énergie d'un véhicule automobile hybride |
CN106696952A (zh) * | 2017-01-09 | 2017-05-24 | 厦门大学 | 一种智能网联混合动力汽车能量控制方法 |
CN108909702A (zh) * | 2018-08-23 | 2018-11-30 | 北京理工大学 | 一种插电式混合动力汽车能量管理方法及*** |
CN110667565A (zh) * | 2019-09-25 | 2020-01-10 | 重庆大学 | 一种智能网联插电式混合动力汽车协同优化能量管理方法 |
CN110696815A (zh) * | 2019-11-21 | 2020-01-17 | 北京理工大学 | 一种网联式混合动力汽车的预测能量管理方法 |
-
2020
- 2020-05-15 CN CN202010410080.3A patent/CN111891110B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2981625A1 (fr) * | 2011-10-19 | 2013-04-26 | Peugeot Citroen Automobiles Sa | Procede de gestion de l'alimentation en energie electrique du reseau de bord d'un vehicule automobile hybride |
WO2016146911A1 (fr) * | 2015-03-17 | 2016-09-22 | Renault S.A.S | Procédé et dispositif de gestion de l'énergie d'un véhicule automobile hybride |
CN105501216A (zh) * | 2016-01-25 | 2016-04-20 | 合肥工业大学 | 基于车联网的混合动力汽车的分层能量管理控制方法 |
CN106696952A (zh) * | 2017-01-09 | 2017-05-24 | 厦门大学 | 一种智能网联混合动力汽车能量控制方法 |
CN108909702A (zh) * | 2018-08-23 | 2018-11-30 | 北京理工大学 | 一种插电式混合动力汽车能量管理方法及*** |
CN110667565A (zh) * | 2019-09-25 | 2020-01-10 | 重庆大学 | 一种智能网联插电式混合动力汽车协同优化能量管理方法 |
CN110696815A (zh) * | 2019-11-21 | 2020-01-17 | 北京理工大学 | 一种网联式混合动力汽车的预测能量管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111891110A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111891110B (zh) | 智能网联混合动力汽车能量-热量一体化实时管理*** | |
He et al. | An improved MPC-based energy management strategy for hybrid vehicles using V2V and V2I communications | |
CN112776673B (zh) | 智能网联燃料电池汽车实时能量优化管理*** | |
CN111439260B (zh) | 面向个性化需求的网联商用柴油车巡航行驶优化控制*** | |
Tianheng et al. | A supervisory control strategy for plug-in hybrid electric vehicles based on energy demand prediction and route preview | |
Zhang et al. | Role of terrain preview in energy management of hybrid electric vehicles | |
CN111619545B (zh) | 基于交通信息的混合动力汽车能量管理方法 | |
CN108909702A (zh) | 一种插电式混合动力汽车能量管理方法及*** | |
Borhan et al. | Nonlinear model predictive control for power-split hybrid electric vehicles | |
Rajagopalan et al. | Development of fuzzy logic and neural network control and advanced emissions modeling for parallel hybrid vehicles | |
CN109733378B (zh) | 一种线下优化线上预测的转矩分配方法 | |
CN113071506B (zh) | 考虑座舱温度的燃料电池汽车能耗优化*** | |
Liu et al. | Cooperative optimization of velocity planning and energy management for connected plug-in hybrid electric vehicles | |
WO2021159660A1 (zh) | 一种混合动力汽车能量管理方法和*** | |
Gong et al. | Real-time integrated power and thermal management of connected HEVs based on hierarchical model predictive control | |
CN112721907B (zh) | 一种考虑道路坡度的网联混合动力汽车高效能量管理方法 | |
Xu et al. | Global optimization energy management for multi-energy source vehicles based on “Information layer-Physical layer-Energy layer-Dynamic programming”(IPE-DP) | |
CN113104023B (zh) | 分布式mpc的网联混合动力汽车能量管理***及方法 | |
Zhang et al. | A novel optimal power management strategy for plug-in hybrid electric vehicle with improved adaptability to traffic conditions | |
CN115158094A (zh) | 基于长短期soc规划的插电式混合动力汽车能量管理方法 | |
Zhou et al. | A two-term energy management strategy of hybrid electric vehicles for power distribution and gear selection with intelligent state-of-charge reference | |
Vignesh et al. | Intelligent energy management through neuro-fuzzy based adaptive ECMS approach for an optimal battery utilization in plugin parallel hybrid electric vehicle | |
CN113276829B (zh) | 一种基于工况预测的车辆行驶节能优化变权重方法 | |
Xia et al. | A predictive energy management strategy for multi-mode plug-in hybrid electric vehicle based on long short-term memory neural network | |
Han et al. | Hierarchical optimization of speed and gearshift control for battery electric vehicles using preview information |
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 |