CN112721907A - 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 - Google Patents

Abstract

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，包括以下步骤：并联混合动力汽车的建模；网联混合动力汽车的速度预测；基于ECMS的MPC能量管理策略；考虑了道路坡度对能量管理的影响，将时间域优化问题转变为空间域问题，为设计基于ECMS的MPC能量管理策略奠定了基础；考虑了车速变化对能量管理优化的影响，融合V2V通讯信息由链式神经网络对预测距离内的车速进行预测，并将其应用于基于ECMS的MPC能量管理策略；提高了计算效率和适应性，并在目标函数中加入了换挡惩罚因子，避免了频繁换挡，提高了驾驶性能。

Description

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

技术领域

本发明属于新能源汽车技术领域，具体涉及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。

背景技术

混合动力汽车(HEV)的能量管理通常被定义为功率/转矩的分配问题，从而确定每个动力源需要提供多少的功率/转矩量以满足驾驶员的安全驾驶需求。能量管理策略(EMS)直接决定了整车经济性和动力性。为寻求最优的功率分配，研究人员提出了许多方法优化能量管理。

动态规划(DP)是全局最优控制方法，由于它需要获知整个驾驶周期/行程(速度，道路坡度等)，因此在实际中不能直接应用。同时其计算效率低，特别是在计算长时域内的多个状态时更为复杂。为提高计算效率，提出了利用最小等效消耗策略(ECMS)最小化瞬时燃料消耗，这可通过选择适当的等效因子(EF)实施。庞特里亚金最小化原理，旨在通过在利用每个时刻最小化汉密尔顿函数优化功率分配。这些方法经常忽略未来驾驶条件的不确定性，并且缺少对驾驶循环/模式变化的鲁棒性。

科研人员通过融入未来驾驶信息来提高能量管理的性能，模型预测控制(MPC)是典型的方法。MPC是一种滚动优化方法，以滚动方式最小化预测时域内的油耗。许多科研人员已经提出了基于MPC的能量管理方案。但是这些方法没有考虑前方车辆信息，从而导致较低的预测精度和较差的工况适应性。另一方面，由于采用DP求解MPC，计算量较大，因此通常难以实时实现。此外大多数研究仅针对功率分流式混合动力汽车能量管理，而没有涉及换挡决策。经研究表明换挡策略对并联HEV的转矩分配优化具有至关重要的影响。所以同时优化转矩分配和换挡是非常具有挑战性的，这需要权衡燃油经济性和驾驶性能。因此必需协同优化换挡决策和转矩分配。现有研究中尚未通过V2V通讯信息预测车速，并应用于并联HEV的MPC能量管理中。

鉴于上述问题，融合V2V(车对车)通讯信息预测车速，并引入MPC框架以优化能量管理。利用V2V技术可以实现更准确的车速预测。在此基础上，针对并联混合动力汽车，考虑道路坡度，将ECMS引入MPC框架，协同优化换挡决策和转矩分配，以提高计算效率和适应性。在滚动时域中确定最优换挡，并计算相应的转矩分配比。

发明内容

为克服上述现有技术的不足，本发明的目的在于提供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，考虑了道路坡度对能量管理的影响，将时间域优化问题转变为空间域问题，为设计基于ECMS的MPC能量管理策略奠定了基础；考虑了车速变化对能量管理优化的影响，融合V2V(车对车)通讯信息由链式神经网络(CNN)对预测距离内的车速进行预测，并将其应用于基于ECMS的MPC能量管理策略；提出了一种高效能量管理方法，提高了计算效率和适应性，并在目标函数中加入了换挡惩罚因子，避免了频繁换挡，提高了驾驶性能。

为实现上述目的，本发明采用的技术方案是：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，其特征在于，包括以下步骤：

步骤S1，并联混合动力汽车建模；

步骤S2，网联混合动力汽车的速度预测；

步骤S3，基于ECMS的MPC能量管理策略；

所述的步骤S1，具体做法是：

步骤S11，通过建立发动机模型计算燃油消耗率和发动机转矩；

步骤S12，根据电机转速和转矩的关系建立电机功率模型；

步骤S13，根据电池内阻模型建立电池模型；

步骤S14，通过建立变速器模型计算变速器转矩和转速；

步骤S15，根据道路坡度建立车辆动力学模型。

所述的步骤S11，又包括以下步骤：

发动机燃油消耗率可以近似为转速和转矩的二次函数，如式(1)所示：

式中，

是发动机燃油率，n_e是发动机转速，T_e是发动机转矩，a₀-a₅是拟合系数；

发动机转矩如式(2)所示：

T_e(s)＝αT_emax(n_e(s)) (2)

式中，T_e(s)是发动机转矩，α是发动机节气门开度，T_emax(n_e(s))是当前速度下的发动机最大转矩。

所述的步骤S12，又包括以下步骤：

电池功率如式(3)所示：

式中，η_m是电机效率，n_m是电机转速，T_m是电机转矩，P_b是所需的电池功率；

通过二维多项式拟合电池功率，如式(4)所示：

式中，n_m是电机转速，T_m是电机转矩，P_b是所需的电池功率，b₀-b₅，b₀₀-b₅₅是拟合系数。

所述的步骤S13，又包括以下步骤：

由于电池受内阻，温度，充电状态(SOC)和开路电压的影响，其模型较复杂，整车级EMS时常采用内阻模型，电池充电状态(SOC)作为EMS的关键状态，通常由(5)计算：

式中，s是距离，V_oc是开路电压，R_in是电池电阻，Q_max是最大容量，P_b是所需的电池功率。

所述的步骤S14，又包括以下步骤：

在不考虑传动***动态特性的情况下，转矩和转速分别通过式(6)、式(7)计算：

w_in(s)＝w_out(s)i_GRi_FD (7)

式中，T_out是变速器输出轴转矩，T_in是变速器输入轴转矩，η_GR是变速器效率，i_GR是每个变速器齿轮的传动比，i_FD是主减速器的传动比，w_in是变速器输入轴的角速度，w_out而是变速器输出轴的角速度。

所述的步骤S15，又包括以下步骤：

根据GPS确定当前车辆所处的道路信息，主要是道路坡度信息，采用反向仿真，假设车辆在坡度为γ的道路上行驶，车轮所需的转矩通过式(8)得到：

式中，E_v(s)＝mv²(s)/2是车辆的动能，E_v'＝mv，T_v是所需的车轮转矩，C_D是空气阻力系数，A是迎风面积，v_a是车辆速度(m/s)，m是整车整备质量，g是重力系数，f是滚动阻力系数，γ是道路坡度，δ是旋转质量的校正系数，r是车轮半径；

变速箱输入轴的转矩和转速分别表示为式(9)和式(10)：

T_req(s)＝T_v(s)/η_GRi_FDi_GR (9)

式中，v是车速，T_req是变速器输入轴所需的转矩，T_v是所需的车轮转矩，n_in是变速器输入轴的转速，η_GR是变速器效率，i_GR是每个变速器齿轮的传动比，i_FD是主减速器的传动比，r是车轮半径。

所述的步骤S2，具体做法是：

使用链式神经网络预测车速，该预测方法由三层组成；多个单步预测构成完整的CNN，将一步设置为15米；首先完成第一层的单步预测，然后将第一层的预测输出作为第二层的预测输入引入到下一层单步预测中，来预测下一步的车速，直到达到预测距离为止；单步预测预测器的预测输入包括预测车辆当前和过去的速度序列；将之前的预测输出值作为每一个后续预测的输入值；每一个单步预测器都要使用收集的数据进行训练；必须要对p个不同的网络都进行训练以实现短距离预测，车速预测需要p个单步预测；在完成训练过程后，应用CNN进行车速预测。

所述的步骤S3，具体做法是：

MPC使每个预测距离内的目标函数最小优化能量分配；EMS的主要目标是使燃油消耗最小；在基于MPC的并联HEV的EMS中，换挡命令和转矩分配作为控制变量，这构成了典型的混杂整数编程；不能通过传统的方法解决，将改进后的ECMS融入到MPC框架简化了能量管理；为获得最优问题的解析解，将ECMS引入MPC框架中，以确定最优换挡和转矩分配；ECMS等效油耗如下：

式中，y(s)是等效因子(EF)，P_b(u(s))是电池功率，Q_LHV是燃油低热值，

是发动机燃油率，

为避免频繁换挡，引入换挡惩罚因子，目标函数重新定义为式(12)：

式中，d(s)是换挡指令，β是换挡系数(GC)以避免频繁换挡，y(s)是等效因子，P_b(u(s))是电池功率，Q_LHV是燃油低热值，

是发动机燃油率，s是距离，h是预测距离，

需满足约束条件式(13)：

其中，T_req是变速器输入轴所需的转矩，T_{e_opt}(s)，T_{m_opt}(s)分别是最优发动机转矩和电机转矩；T_{m_min}(n_m(s))是当前速度下的电机最小转矩，T_{m_max}(n_m(s))是当前速度下的电机最大转矩；T_{e_max}(n_e(s))是当前速度下的发动机最大转矩；n_m(s)是电机转速，n_{m_max}是电机最大转速，n_e(s)是发动机转速，n_{e_min}是发动机最小转速，n_{e_max}是发动机最大转速，SoC(s)是电池荷电状态，SoC_min是最小SOC，SoC_max是最大SOC，r(s)是转矩分配比，

未来转矩需求可通过预测车速估算，然后在式(13)给定的约束条件下，通过求解式(14)可以获得最优解，如果在预测距离[s,s+h]上获得需求转矩，则最优解通常可由式(14)确定：

式中，u_opt(τ)是最优控制变量，s是距离，h是预测距离。

控制变量包括换挡指令d(s)和转矩分配比r(s)，如式(15)所示，转矩分配比r(s)被定义为电机转矩与变速器输入轴需求转矩之比，换挡指令d(s)可设为{-1,0,1}，分别表示降挡，维持或升挡，g(s)表示当前预测距离的挡位，g(s-1)表示上一预测距离的挡位，如式(16)所示，式(17)为挡位约束条件，

u_opt(s)＝[d(s),r(s)] (15)

g(s)＝g(s-1)+d(s),d(s)∈{-1,0,1} (16)

1≤g(s)≤5 (17)

获得最优解后，分别通过式(18)和式(19)计算发动机转矩和电机转矩。上述仅针对转矩需求为正的情况；若需求转矩为负，则需单独设计再生制动策略，

T_{m_opt}(s)＝T_req(s)·r(s) (18)

式中，T_{m_opt}(s)是电机最优转矩，T_req(s)是变速器所需转矩，r(s)是转矩分配比。

T_{e_opt}(s)＝T_req(s)·(1-r(s)) (19)

式中，T_{e_opt}(s)是发动机最优转矩，T_req(s)是变速器所需转矩，r(s)是转矩分配比,

为有效地导出解析解，将发动机和电机模型代入式(12)，目标函数式(12)重新表示为：

式中，Q_LHV是燃油低热值，n_e(s)是发动机转速，T_e(s)是发动机转矩，y(s)是等效因子，n_m(s)是电机转速，T_m(s)是电机转矩，d(s)是换挡指令，β是换挡系数，a₀-a₅，b₀-b₅是拟合系数。

根据驱动模式的不同，式(20)有不同的形式，若需求转矩为正，则将式(18)和式(19)代入式(20)，得出式(21)：

L＝A₁(s)r²(s)+B₁(s)r(s)+C₁(s) (21)

其中，A₁(s)＝(Q_LHVa₅+b₅y(s))T² _req(s)，r(s)是转矩分配比，B₁(s)＝(b₂+b₃n_m(s))y(s)T_req(s)-Q_LHV(a₂+a₃n_e(s))T_req(s)-2Q_LHVa₅T² _req(s)C₁(s)＝Q_LHV(a₂+a₃n_e(s))T_req(s)+Q_LHV(a₀+a₁n_e(s))+a₄n_e ²(s)+a₅T² _req(s)+y(s)(b₀+b₁n_m(s)+b₄n_m ²(s))+β|d(s)|

为将目标函数式(21)的最优解的确定转换为预测距离内的距离不变，设预测距离内挡位保持不变，采用了平均车速和平均加速度，该假设是基于在预测距离内最优挡位序列的第一步仅用于确定转矩分配，换挡决策和转矩分配在采样点更新，由式(22)计算平均车速，且EF设定为常数，通过最小化二阶函数获取最优解，根据最小化原理，最优控制律定义为式(23)和式(24)，

式中，v_ave,i是平均车速，v_j是车速，p是单步预测的个数，N是距离。

约束条件1：

式中，A₁(s)＝(Q_LHVa₅+b₅y(s))T² _req(s)，

B₁(s)＝(b₂+b₃n_m(s))y(s)T_req(s)-Q_LHV(a₂+a₃n_e(s))T_req(s)-2Q_LHVa₅T² _req(s)，r_opt(s)是最优转矩分配比，r_min(s)是最小转矩分配比，r_max(s)是最大转矩分配比。

约束条件2：

式中，

B₁(s)＝(b₂+b₃n_m(s))y(s)T_req(s)-Q_LHV(a₂+a₃n_e(s))T_req(s)-2Q_LHVa₅T² _req(s)，r_opt(s)是最优转矩分配比，r_min(s)是最小转矩分配比，r_max(s)是最大转矩分配比。

转矩分配比的约束表示如下：

r_min(s)＝max{T_req(s)-T_{e_max}(s)/T_req(s),T_{m_min}(s)/T_req(s)} (25)

式中，r_min(s)是最小转矩分配比，T_{e_max}(s)是当前速度下的发动机最大转矩，T_{m_min}(s)是当前速度下的电机最小转矩，T_req(s)是变速器输入轴所需的转矩。

r_max(s)＝min{1,T_{m_max}(s)/T_req(s)} (26)

式中，r_max(s)是最大转矩分配比，T_{m_max}(s)是当前速度下的电机最大转矩，T_req(s)是变速器输入轴所需的转矩。

与现有技术相比，本发明的有益效果是：

1)本发明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，考虑道路坡，将时间域优化问题转变为空间域问题，为设计基于ECMS的MPC能量管理策略奠定了基础。考虑了道路坡度使得优化问题更加符合实际需求，具有实时应用的潜力。

2)本发明考虑了车速变化对能量管理优化的影响。利用V2V(车对车)通讯信息通过链式神经网络(CNN)对预测距离内的车速进行预测，提升了预测精度，考虑了未来的驾驶条件，并将其应用于基于ECMS的MPC能量管理策略，提升了算法的工况适应性。

3)本发明协同优化换挡决策和转矩分配，提出了基于MPC的高效能量管理方法，提高了计算效率，通过目标函数中加入换挡惩罚因子，避免了频繁换挡，提高了驾驶性能。在滚动时域中确定了最佳换挡，并且可计算相应的转矩分配比。

附图说明

图1是本发明实施例中并联混合动力汽车结构图。

图2是本发明实施例中链式神经网络的原理图(P个预测距离)。

图3是本发明实施例中能量管理的总体流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

本发明涉及考虑道路坡度的网联混合动力汽车高效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建模，网联混合动力汽车速度预测，基于ECMS的MPC能量管理策略三个方面。在并联混合动力汽车的建模中主要内容为：通过建立发动机模型计算燃油消耗率和发动机转矩，根据电机转速和转矩的关系建立电机效率模型，根据电池内阻模型建立电池模型，通过建立变速器模型计算变速器转矩和转速，考虑道路坡度建立车辆动力学模型。在网联混合动力汽车速度预测中主要内容为：利用V2V(车对车)通讯信息通过链式神经网络(CNN)对预测距离内的车速进行预测，具体为：构建一个三层的链式神经网络，每层单步预测的输出作为下一层的输入，然后分别对每层单步预测进行样本训练，最后可以进行短距离的速度预测，并将之应用于基于ECMS的MPC。在基于ECMS的MPC能量管理策略中主要内容为：首先综合考虑驾驶性能和燃油经济性，目标函数中引入换挡惩罚因子，以避免频繁换挡；然后，结合ECMS和MPC获得了改进的目标函数。最后将目标函数转换为二阶多项式形式，推导最优解析解。

本发明公开了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，主要针对网联混合动力汽车，考虑道路坡度和车速变化对能量管理的影响，采用基于ECMS的MPC能量管理方法协同优化转矩分配和换挡决策。

具体包括以下步骤：

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。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。本发明以单轴并联混合动力汽车为研究对象(其结构如图1所示)，发动机1，离合器2，电机3，变速器4位于同一根轴上。离合器2位于发动机1之后，接下来是电机3，最后是变速器4，发动机1和电机3串联连接，图中直线表示交流路线，点画线表示动力路线；一共有五种模式，包括纯发动机，纯电机，混合驱动，再生制动和充电模式；

所述的步骤S1，具体做法是：

步骤S11，通过建立发动机模型计算燃油消耗率和发动机转矩，具体包括：

一般发动机燃油消耗率可近似为转速和转矩的二次函数，如(1)所示：

式中，

是发动机燃油率，n_e是发动机转速，T_e是发动机转矩，a₀-a₅是拟合系数；

发动机转矩如式(2)所示：

T_e(s)＝αT_emax(n_e(s)) (2)

式中，T_e(s)是发动机转矩，α是发动机节气门开度，T_emax(n_e(s))是当前速度下的发动机最大转矩。

所述的步骤S12，又包括以下步骤：

电池功率如式(3)所示：

式中，η_m是电机效率，n_m是电机转速，T_m是电机转矩，P_b是所需的电池功率；

通过二维多项式拟合电池功率，如式(4)所示：

式中，n_m是电机转速，T_m是电机转矩，P_b是所需的电池功率，b₀-b₅，b₀₀-b₅₅是拟合系数。

所述的步骤S13,根据电池内阻模型建立电池模型,具体包括：

由于电池受内阻，温度，充电状态(SOC)和开路电压的影响，其模型较复杂。设计整车级EMS时常采用内阻模型，电池充电状态(SOC)作为EMS的关键状态，通常由式(5)计算：

式中，P_b是所需的电池功率，s是距离，V_oc是开路电压，R_in是电池电阻，Q_max是最大容量，

所述的步骤S14，又包括以下步骤：

在不考虑传动***动态特性的情况下，转矩和转速分别通过式(6)、式(7)计算：

w_in(s)＝w_out(s)i_GRi_FD (7)

式中，T_out是变速器输出轴转矩，T_in是变速器输入轴转矩，η_GR是变速器效率，i_GR是每个变速器齿轮的传动比，i_FD是主减速器的传动比，w_in是变速器输入轴的角速度，w_out而是变速器输出轴的角速度。

所述的步骤S15，又包括以下步骤：

根据GPS确定当前车辆所处的道路信息，主要是道路坡度信息，本文采用反向仿真，假设车辆在坡度为γ的道路上行驶，车轮所需的转矩可以通过式(8)得到：

式中，E_v(s)＝mv²(s)/2是车辆的动能，E_v'＝mv，T_v是所需的车轮转矩，C_D是空气阻力系数，A是迎风面积，v_a是车辆速度(m/s)，m是整车整备质量，g是重力系数，f是滚动阻力系数，γ是道路坡度，δ是旋转质量校正系数，r是车轮半径，；

变速箱输入轴的转矩和转速分别表示为式(9)和式(10)：

T_req(s)＝T_v(s)/η_GRi_FDi_GR (9)

式中，v是车速，T_req是变速器输入轴所需的转矩，T_v是所需的车轮转矩，n_in是变速器输入轴的转速，η_GR是变速器效率，i_GR是每个变速器齿轮的传动比，i_FD是主减速器的传动比，r是车轮半径。

所述的步骤S2，具体做法是：

使用链式神经网络预测车速，该预测方法由三层组成；多个单步预测构成完整的CNN，将一步设置为15米；首先完成第一层的单步预测，然后将第一层的预测输出作为第二层的预测输入引入到下一层单步预测中，来预测下一步的车速，直到达到预测距离为止；单步预测预测器的预测输入包括预测车辆当前和过去的速度序列；将之前的预测输出值作为每一个后续预测的输入值；每一个单步预测器都要使用收集的数据进行训练；必须要对p个不同的网络都进行训练以实现短距离预测，车速预测需要p个单步预测；在完成训练过程后，应用CNN进行车速预测。

所述的步骤S3，具体做法是：

通过结合MPC和改进型ECMS的预测能量管理框架(如图3所示)，其建立主要包括以下三个步骤：

1)通过V2V通讯获得前车的车速，然后使用链式神经网络(CNN)预测目标车辆在一定距离内的速度，假设V2V可用，使用VI SS I M构建三种交通场景，以提供CNN的训练和测试数据；

2)通过预测车速和引入ECMS的MPC框架重新定义了能量管理问题，以提高计算效率；然后引入换挡惩罚因子以避免频繁换挡，提高了驾驶性；

3)根据发动机和电机拟合模型，推导优化问题的解析解，协同优化换挡决策和转矩分配。假定挡位在每个预测距离内保持恒定，则可以得到最优换挡指令，并计算每个步长对应的转矩分配。

MPC通过使每个预测距离内的目标函数最小优化能量分配。EMS的主要目标是使燃油消耗最小。在基于MPC的并联HEV的EMS中，换挡命令和转矩分配作为控制变量，这构成了典型的混杂整数编程。不能通过传统的方法解决，将改进后的ECMS融入到MPC框架简化了能量管理问题。为获得最优问题的解析解，将ECMS引入MPC框架中，以确定最优换挡和转矩分配；ECMS等效油耗如下：

式中，y(s)是等效因子(EF)，P_b(u(s))是电池功率，Q_LHV是燃油低热值，

是发动机燃油率，

为避免频繁换挡，引入换挡惩罚因子，目标函数重新定义为式(12)：

式中，d(s)是换挡指令，β是换挡系数(GC)以避免频繁换挡d(s)是换挡指令，β是换挡系数(GC)以避免频繁换挡，y(s)是等效因子，P_b(u(s))是电池功率，Q_LHV是燃油低热值，

是发动机燃油率，s是距离，h是预测距离，

需满足约束条件式(13)：

其中，T_req是变速器输入轴所需的转矩，T_{e_opt}(s)，T_{m_opt}(s)分别是最优发动机转矩和电机转矩；T_{m_min}(n_m(s))是当前速度下的电机最小转矩，T_{m_max}(n_m(s))是当前速度下的电机最大转矩；T_{e_max}(n_e(s))是当前速度下的发动机最大转矩；n_m(s)是电机转速，n_{m_max}是电机最大转速，n_e(s)是发动机转速，n_{e_min}是发动机最小转速，n_{e_max}是发动机最大转速，SoC(s)是电池荷电状态，SoC_min是最小SOC，SoC_max是最大SOC，r(s)是转矩分配比，

未来转矩需求可通过预测车速估算，然后在式(13)给定的约束条件下，通过求解式(14)可以获得最优解，如果在预测距离[s,s+h]上获得需求转矩，则最优解通常可由式(14)确定：

式中，u_opt(τ)是最优控制变量，s是距离，h是预测距离。

控制变量包括换挡指令d(s)和转矩分配比r(s)，如式(15)所示，转矩分配比r(s)被定义为电机转矩与变速器输入轴需求转矩之比，换挡指令d(s)可设为{-1,0,1}，分别表示降挡，维持或升挡，g(s)表示当前预测距离的挡位，g(s-1)表示上一预测距离的挡位，如式(16)所示，式(17)为挡位约束条件，

u_opt(s)＝[d(s),r(s)] (15)

g(s)＝g(s-1)+d(s),d(s)∈{-1,0,1} (16)

1≤g(s)≤5 (17)

获得最优解后，分别通过式(18)和式(19)计算发动机转矩和电机转矩，上述仅针对需求转矩为正的情况；若需求转矩为负，则需单独设计再生制动策略，

T_{m_opt}(s)＝T_req(s)·r(s) (18)

式中，T_{m_opt}(s)是电机最优转矩，T_req(s)是变速器所需转矩，r(s)是转矩分配比。

T_{e_opt}(s)＝T_req(s)·(1-r(s)) (19)

式中，T_{e_opt}(s)是发动机最优转矩，T_req(s)是变速器所需转矩，r(s)是转矩分配比。

为有效地导出解析解，将发动机和电机模型代入式(12)，目标函数式(12)重新表示为：

式中，Q_LHV是燃油低热值，n_e(s)是发动机转速，T_e(s)是发动机转矩，y(s)是等效因子，n_m(s)是电机转速，T_m(s)是电机转矩，d(s)是换挡指令，β是换挡系数，a₀-a₅，b₀-b₅是拟合系数。

根据驱动模式的不同，式(20)有不同的形式，若需求转矩为正，则将式(18)和式(19)代入式(20)，得出式(21)：

L＝A₁(s)r²(s)+B₁(s)r(s)+C₁(s) (21)

其中，A₁(s)＝(Q_LHVa₅+b₅y(s))T² _req(s)，r(s)是转矩分配比，B₁(s)＝(b₂+b₃n_m(s))y(s)T_req(s)-Q_LHV(a₂+a₃n_e(s))T_req(s)-2Q_LHVa₅T² _req(s)C₁(s)＝Q_LHV(a₂+a₃n_e(s))T_req(s)+Q_LHV(a₀+a₁n_e(s))+a₄n_e ²(s)+a₅T² _req(s)+y(s)(b₀+b₁n_m(s)+b₄n_m ²(s))+β|d(s)|

为了将目标函数式(21)的最优解的确定转换为预测距离内的距离不变，设预测距离内挡位保持不变，采用了平均车速和平均加速度，该假设是基于在预测距离内最优挡位序列的第一步仅用于确定转矩分配，换挡决策和转矩分配在采样点更新，由式(22)计算平均车速，且EF设定为常数，通过最小化二阶函数获取最优解。根据最小化原理，最优控制律定义为式(23)和式(24)，

式中，v_ave,i是平均车速，v_j是车速，p是单步预测的个数，N是距离。

约束条件1：

式中，A₁(s)＝(Q_LHVa₅+b₅y(s))T² _req(s)，

B₁(s)＝(b₂+b₃n_m(s))y(s)T_req(s)-Q_LHV(a₂+a₃n_e(s))T_req(s)-2Q_LHVa₅T² _req(s)，r_opt(s)是最优转矩分配比，r_min(s)是最小转矩分配比，r_max(s)是最大转矩分配比。

约束条件2：

式中，

B₁(s)＝(b₂+b₃n_m(s))y(s)T_req(s)-Q_LHV(a₂+a₃n_e(s))T_req(s)-2Q_LHVa₅T² _req(s)，r_opt(s)是最优转矩分配比，r_min(s)是最小转矩分配比，r_max(s)是最大转矩分配比。

转矩分配比的约束表示如下：

r_min(s)＝max{T_req(s)-T_{e_max}(s)/T_req(s),T_{m_min}(s)/T_req(s)} (25)

式中，r_min(s)是最小转矩分配比，T_{e_max}(s)是当前速度下的发动机最大转矩，T_{m_min}(s)是当前速度下的电机最小转矩，T_req(s)是变速器输入轴所需的转矩。

r_max(s)＝min{1,T_{m_max}(s)/T_req(s)} (26)

式中，r_max(s)是最大转矩分配比，T_{m_max}(s)是当前速度下的电机最大转矩，T_req(s)是变速器输入轴所需的转矩。

综上所述，本发明提供了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，实现了对转矩分配和换挡决策的协同优化，以提升计算效率，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 (9)

1.一种考虑道路坡度的网联混合动力汽车高效能量管理方法，其特征在于，包括以下步骤：

步骤S1，并联混合动力汽车建模；

步骤S2，网联混合动力汽车的速度预测；

步骤S3，基于ECMS的MPC能量管理策略。

2.根据权利要求1所示的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，其特征在于，所述的步骤S1，具体做法是：

步骤S11，通过建立发动机模型计算燃油消耗率和发动机转矩；

步骤S12，根据电机转速和转矩的关系建立电机功率模型；

步骤S13，根据电池内阻模型建立电池模型；

步骤S14，通过建立变速器模型计算变速器转矩和转速；

步骤S15，根据道路坡度建立车辆动力学模型。

3.根据权利要求2所述的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，其特征在于，所述的步骤S11，又包括以下步骤：

发动机燃油消耗率可以近似为转速和转矩的二次函数，如式(1)所示：

式中，

是发动机燃油率，n_e是发动机转速，T_e是发动机转矩，a₀-a₅是拟合系数；

发动机转矩如式(2)所示：

T_e(s)＝αT_emax(n_e(s)) (2)

式中，T_e(s)是发动机转矩，α是发动机节气门开度，T_emax(n_e(s))是当前速度下的发动机最大转矩。

4.根据权利要求2所述的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，其特征在于，所述的步骤S12，又包括以下步骤：

电池功率如式(3)所示：

式中，η_m是电机效率，n_m是电机转速，T_m是电机转矩，P_b是所需的电池功率；

通过二维多项式拟合电池功率，如式(4)所示：

式中，n_m是电机转速，T_m是电机转矩，P_b是所需的电池功率，b₀-b₅，b₀₀-b₅₅是拟合系数。

5.根据权利要求2所述的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，其特征在于，所述的步骤S13，又包括以下步骤：

由于电池受内阻，温度，充电状态(SOC)和开路电压的影响，其模型较复杂，整车级EMS时常采用内阻模型，电池充电状态(SOC)作为EMS的关键状态，通常由(5)计算：

式中，s是距离，V_oc是开路电压，R_in是电池电阻，Q_max是最大容量，P_b是电池所需功率。

6.根据权利要求5所述的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，其特征在于，所述的步骤S14，又包括以下步骤：

在不考虑传动***动态特性的情况下，转矩和转速分别通过式(6)、式(7)计算：

w_in(s)＝w_out(s)i_GRi_FD (7)

式中，T_out是变速器输出轴转矩(Nm)，T_in是变速器输入轴转矩，η_GR是变速器效率，i_GR是每个变速器齿轮的传动比，i_FD是主减速器的传动比，w_in是变速器输入轴的角速度，w_out而是变速器输出轴的角速度。

7.根据权利要求2所述的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，其特征在于，所述的步骤S15，又包括以下步骤：

根据GPS确定当前车辆所处的道路信息，主要是道路坡度信息，采用反向仿真，假设车辆在坡度为γ的道路上行驶，车轮所需的转矩通过式(8)得到：

式中，E_v(s)＝mv²(s)/2是车辆的动能，E′_v＝mv，T_v是所需的车轮转矩，C_D是空气阻力系数，A是迎风面积，v_a是车辆速度(m/s)，m是整车整备质量，g是重力系数，f是滚动阻力系数，γ是道路坡度，δ是旋转质量的校正系数，r是车轮半径；

变速箱输入轴的转矩和转速分别表示为式(9)和式(10)：

T_req(s)＝T_v(s)/η_GRi_FDi_GR (9)

式中，v是车速，T_req是变速器输入轴所需的转矩，T_v是所需的车轮转矩，n_in是变速器输入轴的转速，η_GR是变速器效率，i_GR是每个变速器齿轮的传动比，i_FD是主减速器的传动比，r是车轮半径。

8.根据权利要求1所述的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，其特征在于，所述的步骤S2，具体做法是：

使用链式神经网络预测车速，该预测方法由三层组成；多个单步预测构成完整的CNN，将一步设置为15米；首先完成第一层的单步预测，然后将第一层的预测输出作为第二层的预测输入引入到下一层单步预测中，来预测下一步的车速，直到达到预测距离为止；单步预测器的预测输入包括预测车辆当前和过去的速度序列；将之前的预测输出值作为每一个后续预测的输入值；每一个单步预测器都要使用收集的数据进行训练；必须要对p个不同的网络都进行训练以实现短距离预测，车速预测需要p个单步预测；在完成训练过程后，应用CNN进行车速预测。

9.根据权利要求1所述的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，其特征在于，所述的步骤S3，具体做法是：

MPC使每个预测距离内的目标函数最小优化能量分配；EMS的主要目标是使燃油消耗最小；在基于MPC的并联HEV的EMS中，换挡命令和转矩分配作为控制变量，这构成了典型的混杂整数编程；不能通过传统的方法解决，将改进后的ECMS融入到MPC框架简化了能量管理；为获得最优问题的解析解，将ECMS引入MPC框架中，以确定最优换挡和转矩分配；ECMS等效油耗如下：

式中，y(s)是等效因子(EF)，P_b(u(s))是电池功率，Q_LHV是燃油低热值，

是发动机燃油率，

为避免频繁换挡，引入换挡惩罚因子，目标函数重新定义为式(12)：

式中，d(s)是换挡指令，β是换挡系数(GC)以避免频繁换挡，y(s)是等效因子，P_b(u(s))是电池功率，Q_LHV是燃油低热值，

是发动机燃油率，s是距离，h是预测距离，

需满足约束条件式(13)：

其中，T_req是变速器输入轴所需的转矩，T_{e_opt}(s)，T_{m_opt}(s)分别是最优发动机转矩和电机转矩；T_{m_min}(n_m(s))是当前速度下的电机最小转矩，T_{m_max}(n_m(s))是当前速度下的电机最大转矩；T_{e_max}(n_e(s))是当前速度下的发动机最大转矩；n_m(s)是电机转速，n_{m_max}是电机最大转速，n_e(s)是发动机转速，n_{e_min}是发动机最小转速，n_{e_max}是发动机最大转速，SoC(s)是电池荷电状态，SoC_min是最小SOC，SoC_max是最大SOC，r(s)是转矩分配比，

未来转矩需求可通过预测车速估算，然后在式(13)给定的约束条件下，通过求解式(14)可以获得最优解，如果在预测距离[s,s+h]上获得需求转矩，则最优解通常可由式(14)确定：

式中，u_opt(τ)是最优控制变量，s是距离，h是预测距离，

控制变量包括换挡指令d(s)和转矩分配比r(s)，如式(15)所示，转矩分配比r(s)被定义为电机转矩与变速器输入轴需求转矩之比，换挡指令d(s)可设为{-1,0,1}，分别表示降挡，维持或升挡，g(s)表示当前预测距离的挡位，g(s-1)表示上一预测距离的挡位，如式(16)所示，式(17)为挡位约束条件，

u_opt(s)＝[d(s),r(s)] (15)

g(s)＝g(s-1)+d(s),d(s)∈{-1,0,1} (16)

1≤g(s)≤5 (17)

获得最优解后，分别通过式(18)和式(19)计算发动机转矩和电机转矩，上述仅针对转矩需求为正的情况；若需求转矩为负，则需单独设计再生制动策略，

T_{m_opt}(s)＝T_req(s)·r(s) (18)

式中，T_{m_opt}(s)是电机最优转矩，T_req(s)是变速器所需转矩，r(s)是转矩分配比，

T_{e_opt}(s)＝T_req(s)·(1-r(s)) (19)

式中，T_{e_opt}(s)是发动机最优转矩，T_req(s)是变速器所需转矩，r(s)是转矩分配比，

为有效地导出解析解，将发动机和电机模型代入式(12)，目标函数式(12)重新表示为：

式中，Q_LHV是燃油低热值，n_e(s)是发动机转速，T_e(s)是发动机转矩，y(s)是等效因子，n_m(s)是电机转速，T_m(s)是电机转矩，d(s)是换挡指令，β是换挡系数，a₀-a₅，b₀-b₅是拟合系数，

根据驱动模式的不同，式(20)有不同的形式，若需求转矩为正，则将式(18)和式(19)代入式(20)，得出式(21)：

L＝A₁(s)r²(s)+B₁(s)r(s)+C₁(s) (21)

其中，r(s)是转矩分配比，A₁(s)＝(Q_LHVa₅+b₅y(s))T² _req(s)，B₁(s)＝(b₂+b₃n_m(s))y(s)T_req(s)-Q_LHV(a₂+a₃n_e(s))T_req(s)-2Q_LHVa₅T² _req(s)C₁(s)＝Q_LHV(a₂+a₃n_e(s))T_req(s)+Q_LHV(a₀+a₁n_e(s))+a₄n_e ²(s)+a₅T² _req(s)+y(s)(b₀+b₁n_m(s)+b₄n_m ²(s))+β|d(s)|

为将目标函数式(21)的最优解的确定转换为预测距离内的距离不变，设预测距离内挡位保持不变，采用了平均车速和平均加速度，该假设是基于在预测距离内最优挡位序列的第一步仅用于确定转矩分配，换挡决策和转矩分配在采样点更新，由式(22)计算平均车速，且EF设定为常数，通过最小化二阶函数获取最优解，根据最小化原理，最优控制律定义为式(23)和式(24)，

式中，v_ave,i是平均车速，v_j是车速，p是单步预测的个数，N是距离，

约束条件1：

IfA₁(s)＞0，

式中，A₁(s)＝(Q_LHVa₅+b₅y(s))T² _req(s)，

B₁(s)＝(b₂+b₃n_m(s))y(s)T_req(s)-Q_LHV(a₂+a₃n_e(s))T_req(s)-2Q_LHVa₅T² _req(s)，r_opt(s)是最优转矩分配比，r_min(s)是最小转矩分配比，r_max(s)是最大转矩分配比，

约束条件2：

If A₁(t)＝0，

式中，

B₁(s)＝(b₂+b₃n_m(s))y(s)T_req(s)-Q_LHV(a₂+a₃n_e(s))T_req(s)-2Q_LHVa₅T² _req(s)，r_opt(s)是最优转矩分配比，r_min(s)是最小转矩分配比，r_max(s)是最大转矩分配比，

转矩分配比的约束表示如下：

r_min(s)＝max{T_req(s)-T_{e_max}(s)/T_req(s),T_{m_min}(s)/T_req(s)} (25)

式中，r_min(s)是最小转矩分配比，T_{e_max}(s)是当前速度下的发动机最大转矩，T_{m_min}(s)是当前速度下的电机最小转矩，T_req(s)是变速器输入轴所需的转矩，

r_max(s)＝min{1,T_{m_max}(s)/T_req(s)} (26)

式中，r_max(s)是最大转矩分配比，T_{m_max}(s)是当前速度下的电机最大转矩，T_req(s)是变速器输入轴所需的转矩。

Images