CN112561169B - 一种并联混合动力汽车混杂mpc能量管理方法 - Google Patents
一种并联混合动力汽车混杂mpc能量管理方法 Download PDFInfo
- Publication number
- CN112561169B CN112561169B CN202011498395.4A CN202011498395A CN112561169B CN 112561169 B CN112561169 B CN 112561169B CN 202011498395 A CN202011498395 A CN 202011498395A CN 112561169 B CN112561169 B CN 112561169B
- Authority
- CN
- China
- Prior art keywords
- model
- hybrid
- battery
- engine
- vehicle
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种并联混合动力汽车混杂MPC能量管理方法,具体包括以下步骤:并联混合动力汽车的建模;基于数据驱动的车速预测;混杂模型预测能量管理策略。本发明考虑挡位对混合动力汽车模型的影响,采用分段仿射技术构建了发动机燃油消耗模型和电池模型,实现了模型的统一,为设计混杂MPC能量管理方法奠定基础;考虑了车速变化对能量管理优化的影响。利用BP神经网络算法对预测时域内的车速进行预测,计算出预测时域内汽车的动力需求,将其应用于混杂MPC中,实现转矩分配和换挡决策的协同优化,提升了混杂MPC的工况适应性,并燃油经济性达到更优。
Description
技术领域
本发明属于新能源汽车领域,具体地说,涉及一种并联混合动力汽车混杂MPC能量管理方法。
背景技术
混合动力汽车通常由两种或多种动力源驱动,通过对不同动力源的协调分配控制,以提高和改善整车***性能。与传统内燃机汽车相比,混合动力汽车的驱动***更为复杂,具有非线性、多变量、时变等特点,增加了能量分配的难度,所以在混合动力汽车驾驶中如何根据实际工况的动力需求进行能量管理是混合动力汽车领域研究的热点和难点,是混合动力汽车的核心技术,直接决定了整车的燃油经济性、动力性及驾驶性,对于提升整车经济性和效率具有十分重要意义。
现有的能量管理控制策略中主要分为四种:基于规则的控制策略、基于瞬时优化的控制策略、基于全局优化的控制策略及模型预测控制的能量管理策略。其中第四种基于MPC的能量管理策略是将能量管理问题转化为预测时域内的局部优化问题,通过滚动优化不断更新预测时域内汽车未来行驶状态,获得优化结果,从而实现预测控制在混合动力汽车能量管理中的应用。其滚动优化和反馈修正的特点,较好地解决了由于未来工况不确定性对能量管理策略影响的问题。
现有文献大多针对混联式HEV,进行MPC能量管理策略设计,较少涉及换挡决策和转矩分配协同优化;而且MPC均采用标准循环工况数据,并未对车速进行预测,没有考虑车速预测对能量管理优化的影响。
发明内容
本发明的目的是提供一种并联混合动力汽车混杂MPC能量管理方法,通过考虑车速变化对能量管理的影响,利用BP神经网络算法对预测时域内的车速进行预测,将预测车速应用于混杂MPC中,实现对汽车动力的更优分配。
为了解决上述技术问题,本发明公开了一种并联混合动力汽车混杂MPC能量管理方法,具体包括以下步骤:
S1,并联混合动力汽车的建模;
S2,基于数据驱动的车速预测;
S3,混杂模型预测能量管理策略。
进一步地,S1,并联混合动力汽车的建模具体包括以下步骤:
S11,对并联混合动力汽车的传动***建模;
S12,根据电池与电动机之间的功率关系对电动机进行建模;
S13,基于电池的等效电路模型,构建电池SOC动态模型;
S14,采用分段仿射技术构造发动机燃油消耗模型。
进一步地,S11,对并联混合动力汽车的传动***建模,具体包括:
建立的无风条件下的车辆纵向动力学模型如式(1)所示:
式中,Fr为滚动阻力,Fi为空气阻力,Fg为坡道阻力,Fa为加速阻力,Tw为驱动力矩,r为车轮半径,A为车辆迎风面积,Cd为空气阻力系数,m为汽车质量,g为重力加速度,f为滚动阻力系数,α为道路坡度,νb为汽车速度(km/h),ν也为汽车速度(m/s),dν/dt为车辆加速度,δ为旋转质量换算系数;
对传动***的建模如式(2)所示:
式中,Pin为传动轴输入功率,Pe为发动机功率,Pm为电动机功率,win为传动轴转速,Te为发动机转矩,Tm为电动机转矩,Preq为汽车行驶需求功率,ρ为空气密度,A为车辆迎风面积,Cd为空气阻力系数,m为汽车质量,g为重力加速度,f为滚动阻力系数,α为道路坡度,a为车辆加速度,v为汽车速度;
由于挡位决定了传动比,而传动比影响输出轴的转矩和转速,所以当挡位为g时,则挡位g的传动比为ir(g),由此可计算出传动轴的转矩和转速如(3)和(4)式所示:
式中,Tload为车轮转矩,Tin为传动轴转矩,k为时间步长。
进一步地,S12,根据电池与电动机之间的功率关系对电动机进行建模,具体包括:
基于电池等效电路模型,功率流模型为式(5)和(6)所示:
Pb=VocI-I2R (5)
式中,Pb为电池功率,Voc为开路电压,I为电池电流,R为电池内阻;
式中,Rch电池充电时的内阻,Rdis为电池放电时的内阻;
电池与电动机之间的功率流为(7)式所示:
式中,ηm为电机效率,ir为齿轮传动比,r为车轮半径。
进一步地,S13,基于电池的等效电路模型,构建电池SOC动态模型,具体包括:
时间步长为1秒的电池SOC的准静态离散动态模型,如式(8)所示:
为了使该模型线性化,在当前发动机的工作点SOC的动态模型改写为(9)式所示:
SOC(k+1)=SOC(k)+sTe(k)+h (9)
式中,h为常数,s为系数,定义为(10)式所示:
式中,ωv为车轮的转速。
进一步地,S14,采用分段仿射技术构造发动机燃油消耗模型,具体包括:
采用分段仿射技术,基于MATLAB混合识别工具箱构建发动机的分段仿射模型,将非线性的发动机燃油消耗线性化,一个分段仿射结构实际上是一个映射f:χ→,其中其形式通常定义为(11)式所示:
式中,是参数向量并且θi∈n+1,X(k)为回归向量,y(k)为输出样本,χ为回归向量集;
采用MATLAB混合识别工具箱构建分段仿射模型,通过该工具箱可获得发动机燃油消耗的分段仿射模型,其主要步骤如下:
第一步,根据发动机的燃油消耗原始数据及附近数据构造局部仿射模型,并计算局部仿射模型的特征向量ξk;
第二步,使用聚类算法对ξk进行聚类,划分为s个子集;
第三步,根据ξk的聚类结果,将其局部仿射模型对应的数据点按照ξk的聚类结果进行划分,对应s个数据集;
第四步,通过模式识别算法辨识s个子模型。
进一步地,S2,基于数据驱动的车速预测,具体为:
通过BP-神经网络算法对车速进行预测,首先以标准循环工况下的车速数据为学习样本,自动地归纳规则,获得这些数据的内在规律;在样本训练过程中,通过修正各层神经元权重,以最小化其真实输出和模拟输出之间的误差,模拟出一个高度近似非线性的输入输出关系,从而预测出未来时域的车速,进而获得汽车的未来需求功率,作为混杂MPC的前提条件。
进一步地,S3,混杂模型预测能量管理策略,具体为:
混合逻辑动态MLD模型的一般表示如(12)、(13)、(14)式:
x(k+1)=Ax(k)+B1u(k)+B2δ(k)+B3z(k) (12)
y(k+1)=Cx(k)+D1u(k)+D2δ(k)+D3z(k) (13)
E2δ(k)+E3z(k)≤E1u(k)+E4x(k)+E5 (14)
式中,x为***状态变量,且y为***输出变量,且/>u为输入变量,且/>这三个变量都包含连续变量和离散变量,/>为辅助二进制离散变量,/>为辅助连续变量;式(12)和(13)为***状态方程,式(14)是为***各种约束组成的约束不等式方程;
选择基于HYSDEL编译器的方法构建MLD模型,构建HEV***的MLD模型时,需要将发动机的模型与电池的模型利用HYSDEL编译器同时整合到MLD框架中,从而获得混杂***模型;在利用HYSDEL描述发动机模型和电池模型时,首先将发动机的分段仿射辨识模型转换为状态空间方程,以便于HYSDEL的描述;然后针对不同档位,获得电池的切换仿射模型SAS;
若选择使用HYSDEL编译器描述该PWA模型,首先需将具有输入输出形式的发动机模型转化为状态空间方程的形式;为了简单直观的转化,采用下述方法来定义状态变量,如式(15)所示:
根据式(15)的定义规则,则发动机的分段仿射辨识模型转化成状态空间方程形式,如式(16)所示:
输出方程如式(17)所示:
x1(k)=y(k) (17)
将上述转换状态模型可利用HYSDEL描述为发动机模型;
为了协同优化能量分配和挡位决策,选择x=SOC作为模型的状态变量,u=Te为连续的状态变量;采用切换仿射模型SAS描述不同档位的动力***模型,在IF-THEN–ELSE规则下将等式(9)转化为:
其中,g∈{1,2,3,4,5},sg是挡位为g时等式(10)定义的系数;
HEV***的MLD模型是利用HYSDEL语言描述发动机PWA模型和电池SAS模型,将其整合到同一个框架中,从而对HEV混杂***进行建模,编译获得源文件后,通过在MATLAB命令窗口输入特定指令,从而获得***MLD模型及各系数矩阵;
在HYSDEL编译器编写***源文件,并通过在MATLAB输入指令,将编译好的源文件转换为***MLD模型及系数矩阵信息,其中得到的MLD模型为式(19)所示:
约束条件为式(20)所示:
Ε2δ(k)+E3z(k)≤E1u(k)+E4x(k)+E5 (20)
式中,x为***状态变量,表示电池SOC,u为***输入变量,包含连续变量和离散变量,连续变量为发动机的转矩Te和转速ωin,离散输入变量为挡位控制命令,δ和z分别为***辅助离散变量和连续变量,分别表示模型切换信号、发动机PWA模型以及电池SAS模型,其中δ∈{0,1}9,A,B1,B2,B3,C,D1,D2,D3为***等式与不等式约束的系数矩阵;
将获得的混合逻辑动态***模型框架应用到MPC框架中,优化目标是燃油消耗并跟随电池SOC参考轨迹,从而使能量管理问题转化为混合整数线性二次规划问题,并进行求解,获得最优控制量,目标函数如式(21)所示:
式中,x为电池SOC,y为燃油消耗。
与现有技术相比,本发明可以获得包括以下技术效果:
1)本发明一种并联混合动力汽车混杂MPC能量管理方法,通过考虑车速变化对能量管理的影响,利用BP神经网络算法对预测时域内的车速进行预测,将预测车速应用于混杂MPC中,实现对汽车动力的更优分配,解决了车速变化对能量管理产生的影响,提升了混杂MPC对工况的适应性;利用分段仿射技术构建发动机燃油消耗模型,考虑参数对发动机分段仿射模型的影响,解决了建模过程中参数值的选取对模型精确性产生的影响,实现了对发动机分段仿射模型的精确优化,为运用分段仿射技术构建发动机燃油消耗模型确立了参数值选取标准,从而更好地实现混杂MPC能量管理策略对汽车动力的优化分配和换挡决策,提升燃油经济性。
2)本发明考虑挡位对混合动力汽车模型的影响,采用分段仿射技术构建了发动机燃油消耗模型和电池模型,实现了模型的统一,为设计混杂MPC能量管理方法奠定基础。
3)本发明考虑了车速变化对能量管理优化的影响。利用BP神经网络算法对预测时域内的车速进行预测,计算出预测时域内汽车的动力需求,将其应用于混杂MPC中,实现转矩分配和换挡决策的协同优化,提升了混杂MPC的工况适应性,并燃油经济性达到更优。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例中并联混合动力汽车结构图;
图2是本发明实施例中BP-神经网络算法预测原理图;
图3是本发明实施例中混杂MPC能量管理策略结构图。
具体实施方式
以下将配合实施例来详细说明本发明的实施方式,藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本发明涉及混合动力汽车(Hybrid Electric Vehicles,HEV)混杂模型预测控制(Model predictive Control,MPC)能量管理方法的研究技术领域。主要涉及并联混合动力汽车的建模,基于数据驱动的车速预测和混杂模型预测能量管理策略这三个方面。在并联混合动力汽车的建模中主要内容为:利用分段仿射技术构造发动机燃油消耗模型;基于电池的等效电路模型,构建电池荷电状态(State of Charge,SOC)动态模型;根据电池与电动机之间的功率关系对电机进行建模;最后对并联混合动力汽车的传动***建模。在基于数据驱动的车速预测中主要内容为:利用基于BP神经网络(BP-NN)的车速预测,主要包括将标准循环工况下的车速数据作为算法的学习样本,经过训练,总结出规律预测短期内车速,从而获得汽车在预测时域内的需求功率。在混杂模型预测能量管理策略中主要内容为:为协同优化转矩分配和挡位决策,首先使用切换仿射技术对不同档位的动力***模型描述为整数控制变量,基于此获得不同档位下的SOC动态模型,接着基于并联混合动力汽车模型确定***的边界约束条件,然后将SOC动态模型、发动机的分段仿射模型、以及***的约束条件整合到混合逻辑动态框架中,将***转化为混合逻辑动力***,最后将混合逻辑动态框架模型应用于MPC中,构建目标函数,使用MATLAB混合工具箱进行求解。
本发明公开了一种并联混合动力汽车混杂MPC能量管理方法,主要针对并联混合动力汽车,考虑车速变化对能量管理的影响,采用混杂MPC协同优化汽车的动力分配和换挡决策。
具体包括以下步骤:
S1,并联混合动力汽车的建模;
与传统内燃机汽车相比,混合动力汽车的动力***包含多种动力源,驱动***更为复杂,增加了能量协调分配的难度。为了易于实现能量分配,需对驱动***各部件进行建模。通过构建相对简单而准确的数学模型描述***动态特性,有利于减少能量管理算法的计算难度,增强实时性,便于制定高效的能量管理策略,提升整车性能、实现燃油消耗最小目标。本发明以并联混合动力汽车为研究对象(其结构如图1所示),发动机和电动机连接在变速器的同一个输入轴上,通过变速箱传递动力至车轮。
具体包括:
S11,对并联混合动力汽车的传动***建模,具体包括:
建立的无风条件下的车辆纵向动力学模型如式(1)所示:
式中,Fr为滚动阻力,Fi为空气阻力,Fg为坡道阻力,Fa为加速阻力,Tw为驱动力矩,r为车轮半径,A为车辆迎风面积,Cd为空气阻力系数,m为汽车质量,g为重力加速度,f为滚动阻力系数,α为道路坡度,νb为汽车速度(km/h),ν也为汽车速度(m/s),dν/dt为车辆加速度,δ为旋转质量换算系数;
对传动***的建模如式(2)所示:
式中,Pin为传动轴输入功率,Pe为发动机功率,Pm为电动机功率,win为传动轴转速,Te为发动机转矩,Tm为电动机转矩,Preq为汽车行驶需求功率,ρ为空气密度,A为车辆迎风面积,Cd为空气阻力系数,m为汽车质量,g为重力加速度,f为滚动阻力系数,α为道路坡度,a为车辆加速度,v为汽车速度;
由于挡位决定了传动比,而传动比影响输出轴的转矩和转速,所以当挡位为g时,则挡位g的传动比为ir(g),由此可计算出传动轴的转矩和转速如(3)和(4)式所示:
式中,Tload为车轮转矩,Tin为传动轴转矩,k为时间步长。
S12,根据电池与电动机之间的功率关系对电动机进行建模,具体包括:
基于电池等效电路模型,功率流模型为式(5)和(6)所示:
Pb=VocI-I2R (5)
式中,Pb为电池功率,Voc为开路电压,I为电池电流,R为电池内阻;
式中,Rch电池充电时的内阻,Rdis为电池放电时的内阻;
电池与电动机之间的功率流为(7)式所示:
式中,ηm为电机效率,ir为齿轮传动比,r为车轮半径。
S13,基于电池的等效电路模型,构建电池SOC动态模型,具体包括:
时间步长为1秒的电池SOC的准静态离散动态模型,如式(8)所示:
为了使该模型线性化,在当前发动机的工作点SOC的动态模型改写为(9)式所示:
SOC(k+1)=SOC(k)+sTe(k)+h (9)
式中,h为常数,s为系数,定义为(10)式所示:
式中,ωv为车轮的转速。
S14,采用分段仿射技术构造发动机燃油消耗模型,具体包括:
采用分段仿射技术,基于MATLAB混合识别工具箱构建发动机的分段仿射模型,将非线性的发动机燃油消耗线性化,一个分段仿射结构实际上是一个映射f:χ→,其中其形式通常定义为(11)式所示:
式中,是参数向量并且θi∈n+1,X(k)为回归向量,y(k)为输出样本,χ为回归向量集;
采用MATLAB混合识别工具箱构建分段仿射模型,通过该工具箱可获得发动机燃油消耗的分段仿射模型,其主要步骤如下:
第一步,根据发动机的燃油消耗原始数据及附近数据构造局部仿射模型,并计算局部仿射模型的特征向量ξk;
第二步,使用聚类算法对ξk进行聚类,划分为s个子集;
第三步,根据ξk的聚类结果,将其局部仿射模型对应的数据点按照ξk的聚类结果进行划分,对应s个数据集;
第四步,通过模式识别算法辨识s个子模型。
S2,基于数据驱动的车速预测,具体为:
通过BP-神经网络算法对车速进行预测,原理如图2所示,首先以标准循环工况下的车速数据为学习样本,自动地归纳规则,获得这些数据的内在规律;在样本训练过程中,通过修正各层神经元权重,以最小化其真实输出和模拟输出之间的误差,模拟出一个高度近似非线性的输入输出关系,从而预测出未来时域的车速,进而获得汽车的未来需求功率,作为混杂MPC的前提条件。
S3,混杂模型预测能量管理策略
混合动力汽车具有混杂特征,故采用混合逻辑动态模型框架描述***特性,将其转化为混合逻辑动态***,并应用到MPC中形成一种混杂MPC能量管理策略,然后将能量管理优化问题转化为混合整数线性二次规划问题,最后求解获得动力优化分配和换挡控制序列。其能量管理策略结构如图3所示。
混合逻辑动态(Mixed Logical Dynamic,MLD)模型的提出是为了便于对混杂***的控制,该模型将连续变量部分与离散变量部分同时整合到一个框架中进行集中考虑,利用命题逻辑转换的知识将混杂***描述为一种混合整数不等式约束的状态空间方程形式——既包含描述***混杂特性的状态方程,还包括描述***离散事件(逻辑规则、事件切换)的不等式约束矩阵。实现了对连续变量动态***与离散变量动态***的组合建模,且MLD模型可以等价转化为混杂***的其他模型结构(如分段仿射模型),因此应用广泛。
混合逻辑动态MLD模型的一般表示如(12)、(13)、(14)式:
x(k+1)=Ax(k)+B1u(k)+B2δ(k)+B3z(k) (12)
y(k+1)=Cx(k)+D1u(k)+D2δ(k)+D3z(k) (13)
E2δ(k)+E3z(k)≤E1u(k)+E4x(k)+E5 (14)
式中,x为***状态变量,且y为***输出变量,且/>u为输入变量,且/>这三个变量都包含连续变量和离散变量,/>为辅助二进制离散变量,/>为辅助连续变量;式(12)和(13)为***状态方程,式(14)是为***各种约束组成的约束不等式方程;
由于并联HEV***具有混杂动态特征,且结构太过复杂,传统的MLD模型建模方法不适用于HEV***,因此选择基于HYSDEL编译器的方法构建MLD模型。构建HEV***的MLD模型时,需要将发动机的模型与电池的模型利用HYSDEL编译器同时整合到MLD框架中,从而获得混杂***模型。在利用HYSDEL描述发动机模型和电池模型时,首先将发动机的分段仿射辨识模型转换为状态空间方程,以便于HYSDEL的描述;然后针对不同档位,获得电池的切换仿射模型(Switched Addine System,SAS)。
若选择使用HYSDEL编译器描述该PWA模型,首先需将具有输入输出形式的发动机模型转化为状态空间方程的形式;为了简单直观的转化,采用下述方法来定义状态变量,如式(15)所示:
根据式(15)的定义规则,则发动机的分段仿射辨识模型转化成状态空间方程形式,如式(16)所示:
输出方程如式(17)所示:
x1(k)=y(k) (17)
将上述转换状态模型可利用HYSDEL描述为发动机模型;
为了协同优化能量分配和挡位决策,选择x=SOC作为模型的状态变量,u=Te为连续的状态变量;采用切换仿射模型SAS描述不同档位的动力***模型,在IF-THEN–ELSE规则下将等式(9)转化为:
其中,g∈{1,2,3,4,5},sg是挡位为g时等式(10)定义的系数;
HEV***的MLD模型是利用HYSDEL语言描述发动机PWA模型和电池SAS模型,将其整合到同一个框架中,从而对HEV混杂***进行建模,编译获得源文件后,通过在MATLAB命令窗口输入特定指令,从而获得***MLD模型及各系数矩阵;
在HYSDEL编译器编写***源文件,并通过在MATLAB输入指令,将编译好的源文件转换为***MLD模型及系数矩阵信息,其中得到的MLD模型为式(19)所示:
约束条件为式(20)所示:
Ε2δ(k)+E3z(k)≤E1u(k)+E4x(k)+E5 (20)
式中,x为***状态变量,表示电池SOC,u为***输入变量,包含连续变量和离散变量,连续变量为发动机的转矩Te和转速ωin,离散输入变量为挡位控制命令,δ和z分别为***辅助离散变量和连续变量,分别表示模型切换信号、发动机PWA模型以及电池SAS模型,其中δ∈{0,1}9,A,B1,B2,B3,C,D1,D2,D3为***等式与不等式约束的系数矩阵;
将获得的混合逻辑动态***模型框架应用到MPC框架中,优化目标是燃油消耗并跟随电池SOC参考轨迹,从而使能量管理问题转化为混合整数线性二次规划问题,并进行求解,获得最优控制量,目标函数如式(21)所示:
式中,x为电池SOC,y为燃油消耗。
综上所述,本发明提供了一种并联混合动力汽车混杂MPC能量管理方法,实现对转矩分配和换挡决策的协同优化,以提升工况的适应性和燃油经济性。
上述说明示出并描述了发明的若干优选实施例,但如前所述,应当理解发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围,则都应在发明所附权利要求的保护范围内。
Claims (5)
1.一种并联混合动力汽车混杂MPC能量管理方法,其特征在于,具体包括以下步骤:
S1,并联混合动力汽车的建模,具体包括以下步骤:
S11,对并联混合动力汽车的传动***建模;
S12,根据电池与电动机之间的功率关系对电动机进行建模;
S13,基于电池的等效电路模型,构建电池SOC动态模型;
S14,采用分段仿射技术构造发动机燃油消耗模型;
S2,基于数据驱动的车速预测,具体为:
通过BP-神经网络算法对车速进行预测,首先以标准循环工况下的车速数据为学习样本,自动地归纳规则,获得这些数据的内在规律;在样本训练过程中,通过修正各层神经元权重,以最小化其真实输出和模拟输出之间的误差,模拟出一个高度近似非线性的输入输出关系,从而预测出未来时域的车速,进而获得汽车的未来需求功率,作为混杂MPC的前提条件;
S3,混杂模型预测能量管理策略,具体为:
混合逻辑动态MLD模型的一般表示如(12)、(13)、(14)式:
x(k+1)=Ax(k)+B1u(k)+B2δ(k)+B3z(k) (12)
y(k+1)=Cx(k)+D1u(k)+D2δ(k)+D3z(k) (13)
E2δ(k)+E3z(k)≤E1u(k)+E4x(k)+E5 (14)
式中,x为***状态变量,且y为***输出变量,且u为输入变量,且/>这三个变量都包含连续变量和离散变量,δ∈{0,1}rl为辅助二进制离散变量,/>为辅助连续变量;式(12)和(13)为***状态方程,式(14)是为***各种约束组成的约束不等式方程;
选择基于HYSDEL编译器的方法构建MLD模型,构建HEV***的MLD模型时,需要将发动机的模型与电池的模型利用HYSDEL编译器同时整合到MLD框架中,从而获得混杂***模型;在利用HYSDEL描述发动机模型和电池模型时,首先将发动机的分段仿射辨识模型转换为状态空间方程,以便于HYSDEL的描述;然后针对不同档位,获得电池的切换仿射模型SAS;
若选择使用HYSDEL编译器描述PWA模型,首先需将具有输入输出形式的发动机模型转化为状态空间方程的形式;为了简单直观的转化,采用下述方法来定义状态变量,如式(15)所示:
根据式(15)的定义规则,则发动机的分段仿射辨识模型转化成状态空间方程形式,如式(16)所示:
输出方程如式(17)所示:
x1(k)=y(k) (17)
将上述转换状态模型可利用HYSDEL描述为发动机模型;
为了协同优化能量分配和挡位决策,选择x=SOC作为模型的状态变量,u=Te为连续的状态变量;采用切换仿射模型SAS描述不同档位的动力***模型,在IF-THEN–ELSE规则下将等式(9)转化为:
其中,g∈{1,2,3,4,5},sg是挡位为g时等式(10)定义的系数;
HEV***的MLD模型是利用HYSDEL语言描述发动机PWA模型和电池SAS模型,将其整合到同一个框架中,从而对HEV混杂***进行建模,编译获得源文件后,通过在MATLAB命令窗口输入特定指令,从而获得***MLD模型及各系数矩阵;
在HYSDEL编译器编写***源文件,并通过在MATLAB输入指令,将编译好的源文件转换为***MLD模型及系数矩阵信息,其中得到的MLD模型为式(19)所示:
约束条件为式(20)所示:
Ε2δ(k)+E3z(k)≤E1u(k)+E4x(k)+E5 (20)
式中,x为***状态变量,表示电池SOC,u为***输入变量,包含连续变量和离散变量,连续变量为发动机的转矩Te和转速ωin,离散输入变量为挡位控制命令,δ和z分别为***辅助离散变量和连续变量,分别表示模型切换信号、发动机PWA模型以及电池SAS模型,其中δ∈{0,1}9,A,B1,B2,B3,C,D1,D2,D3为***等式与不等式约束的系数矩阵;
将获得的混合逻辑动态***模型框架应用到MPC框架中,优化目标是燃油消耗并跟随电池SOC参考轨迹,从而使能量管理问题转化为混合整数线性二次规划问题,并进行求解,获得最优控制量,目标函数如式(21)所示:
式中,x为电池SOC,y为燃油消耗。
2.根据权利要求1所述的并联混合动力汽车混杂MPC能量管理方法,其特征在于,S11,对并联混合动力汽车的传动***建模,具体包括:
建立的无风条件下的车辆纵向动力学模型如式(1)所示:
式中,Fr为滚动阻力,Fi为空气阻力,Fg为坡道阻力,Fa为加速阻力,Tw为驱动力矩,r为车轮半径,A为车辆迎风面积,Cd为空气阻力系数,m为汽车质量,g为重力加速度,f为滚动阻力系数,α为道路坡度,νb为汽车速度(kmh),ν也为汽车速度(ms),dνdt为车辆加速度,δ为旋转质量换算系数;
对传动***的建模如式(2)所示:
式中,Pin为传动轴输入功率,Pe为发动机功率,Pm为电动机功率,win为传动轴转速,Te为发动机转矩,Tm为电动机转矩,Preq为汽车行驶需求功率,ρ为空气密度,A为车辆迎风面积,Cd为空气阻力系数,m为汽车质量,g为重力加速度,f为滚动阻力系数,α为道路坡度,a为车辆加速度,v为汽车速度;
由于挡位决定了传动比,而传动比影响输出轴的转矩和转速,所以当挡位为g时,则挡位g的传动比为ir(g),由此可计算出传动轴的转矩和转速如(3)和(4)式所示:
式中,Tload为车轮转矩,Tin为传动轴转矩,k为时间步长。
3.根据权利要求2所述的并联混合动力汽车混杂MPC能量管理方法,其特征在于,S12,根据电池与电动机之间的功率关系对电动机进行建模,具体包括:
基于电池等效电路模型,功率流模型为式(5)和(6)所示:
Pb=VocI-I2R (5)
式中,Pb为电池功率,Voc为开路电压,I为电池电流,R为电池内阻;
式中,Rch电池充电时的内阻,Rdis为电池放电时的内阻;
电池与电动机之间的功率流为(7)式所示:
式中,ηm为电机效率,ir为齿轮传动比,r为车轮半径。
4.根据权利要求3所述的并联混合动力汽车混杂MPC能量管理方法,其特征在于,S13,基于电池的等效电路模型,构建电池SOC动态模型,具体包括:
时间步长为1秒的电池SOC的准静态离散动态模型,如式(8)所示:
为了使该模型线性化,在当前发动机的工作点SOC的动态模型改写为(9)式所示:
SOC(k+1)=SOC(k)+sTe(k)+h (9)
式中,h为常数,s为系数,定义为(10)式所示:
式中,ωv为车轮的转速。
5.根据权利要求4所述的并联混合动力汽车混杂MPC能量管理方法,其特征在于,S14,采用分段仿射技术构造发动机燃油消耗模型,具体包括:
采用分段仿射技术,基于MATLAB混合识别工具箱构建发动机的分段仿射模型,将非线性的发动机燃油消耗线性化,一个分段仿射结构实际上是一个映射f:其中其形式通常定义为(11)式所示:
y(k)=f[X(k)]+e(k)其中
式中,是参数向量并且/>X(k)为回归向量,y(k)为输出样本,χ为回归向量集;
采用MATLAB混合识别工具箱构建分段仿射模型,通过该工具箱可获得发动机燃油消耗的分段仿射模型,其主要步骤如下:
第一步,根据发动机的燃油消耗原始数据及附近数据构造局部仿射模型,并计算局部仿射模型的特征向量ξk;
第二步,使用聚类算法对ξk进行聚类,划分为s个子集;
第三步,根据ξk的聚类结果,将其局部仿射模型对应的数据点按照ξk的聚类结果进行划分,对应s个数据集;
第四步,通过模式识别算法辨识s个子模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011498395.4A CN112561169B (zh) | 2020-12-17 | 2020-12-17 | 一种并联混合动力汽车混杂mpc能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011498395.4A CN112561169B (zh) | 2020-12-17 | 2020-12-17 | 一种并联混合动力汽车混杂mpc能量管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561169A CN112561169A (zh) | 2021-03-26 |
CN112561169B true CN112561169B (zh) | 2023-08-01 |
Family
ID=75063206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011498395.4A Active CN112561169B (zh) | 2020-12-17 | 2020-12-17 | 一种并联混合动力汽车混杂mpc能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561169B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113492827A (zh) * | 2021-06-23 | 2021-10-12 | 东风柳州汽车有限公司 | 一种混合动力汽车能量管理方法及装置 |
CN113479186B (zh) * | 2021-07-02 | 2023-01-10 | 中汽研(天津)汽车工程研究院有限公司 | 一种混合动力汽车能量管理策略优化方法 |
CN113525657B (zh) * | 2021-07-08 | 2022-08-02 | 哈尔滨工程大学 | 基于混合逻辑动态理论的船舶混合动力混杂模型预测控制方法 |
CN113859224B (zh) * | 2021-11-15 | 2024-07-05 | 重庆大学 | 考虑电机热状态的插电混合动力汽车预测型能量管理方法 |
CN117216900B (zh) * | 2023-09-11 | 2024-04-02 | 中国人民解放军国防科技大学 | 一种基于irc方法的液氧煤油发动机燃烧室建模方法 |
CN117002475A (zh) * | 2023-09-20 | 2023-11-07 | 中汽研汽车检验中心(昆明)有限公司 | 混合动力车能量优化控制方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111267831A (zh) * | 2020-02-28 | 2020-06-12 | 南京航空航天大学 | 一种混合动力车辆智能变时域模型预测能量管理方法 |
WO2020128066A1 (en) * | 2018-12-20 | 2020-06-25 | Volvo Truck Corporation | Improved method for controlling an energy storage system |
-
2020
- 2020-12-17 CN CN202011498395.4A patent/CN112561169B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020128066A1 (en) * | 2018-12-20 | 2020-06-25 | Volvo Truck Corporation | Improved method for controlling an energy storage system |
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 |
CN111267831A (zh) * | 2020-02-28 | 2020-06-12 | 南京航空航天大学 | 一种混合动力车辆智能变时域模型预测能量管理方法 |
Non-Patent Citations (2)
Title |
---|
"Comparative Study of Equivalent Factor Adjustment Algorithm for Equivalent Consumption Minimization Strategy for HEVs";Fengqi Zhang et al.;《IEEE》;第1-6页 * |
"基于混杂模型预测控制的混合动力车辆能量管理";江冬冬 等;《吉林大学学报(工学版)》;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112561169A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561169B (zh) | 一种并联混合动力汽车混杂mpc能量管理方法 | |
Lian et al. | Rule-interposing deep reinforcement learning based energy management strategy for power-split hybrid electric vehicle | |
Liu et al. | Parallel reinforcement learning-based energy efficiency improvement for a cyber-physical system | |
Huang et al. | A review of power management strategies and component sizing methods for hybrid vehicles | |
Wu et al. | Continuous reinforcement learning of energy management with deep Q network for a power split hybrid electric bus | |
Hu et al. | Reinforcement learning for hybrid and plug-in hybrid electric vehicle energy management: Recent advances and prospects | |
Kamal et al. | Intelligent energy management strategy based on artificial neural fuzzy for hybrid vehicle | |
CN109017809B (zh) | 一种基于越野工况预测的能量分配方法 | |
CN110696815B (zh) | 一种网联式混合动力汽车的预测能量管理方法 | |
Kermani et al. | Predictive energy management for hybrid vehicle | |
Lin et al. | An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC | |
CN113525396B (zh) | 一种融合深度强化学习的混动汽车分层预测能量管理方法 | |
Ngo | Gear shift strategies for automotive transmissions | |
Zhou et al. | A quantitative analysis of model predictive control as energy management strategy for hybrid electric vehicles: A review | |
Guo et al. | Receding horizon control-based energy management for plug-in hybrid electric buses using a predictive model of terminal SOC constraint in consideration of stochastic vehicle mass | |
CN113554337B (zh) | 融合交通信息的插电式混动汽车能量管理策略构建方法 | |
Tian et al. | Design of an energy management strategy for a parallel hybrid electric bus based on an IDP-ANFIS scheme | |
CN111267827A (zh) | 一种混合动力汽车能量管理方法和*** | |
CN115107733A (zh) | 一种混合动力汽车的能量管理方法及*** | |
Guo et al. | Self-learning enhanced energy management for plug-in hybrid electric bus with a target preview based SOC plan method | |
Liu et al. | Parallel distance: A new paradigm of measurement for parallel driving | |
Zhang et al. | Uncertainty-Aware Energy Management Strategy for Hybrid Electric Vehicle Using Hybrid Deep Learning Method | |
CN115257695A (zh) | 一种混合动力汽车能量管理控制***及其方法 | |
Zhang et al. | A Novel Model Predictive Control Based Co-Optimization Strategy for Velocity Planning and Energy Management of Intelligent PHEVs | |
Fu et al. | Mode transition coordination control for PHEV based on cascade predictive method |
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 |