CN113859224A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113859224A CN113859224A CN202111346667.3A CN202111346667A CN113859224A CN 113859224 A CN113859224 A CN 113859224A CN 202111346667 A CN202111346667 A CN 202111346667A CN 113859224 A CN113859224 A CN 113859224A
- Authority
- CN
- China
- Prior art keywords
- motor
- vehicle
- plug
- energy management
- speed
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 21
- 239000000446 fuel Substances 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 239000000295 fuel oil Substances 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000013021 overheating Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 abstract 1
- 241000156302 Porcine hemagglutinating encephalomyelitis virus Species 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- B60W20/50—Control strategies for responding to system failures, e.g. for fault diagnosis, failsafe operation or limp mode
-
- 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
- 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
- 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
-
- 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
-
- 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
-
- 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
-
- 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)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Hybrid Electric Vehicles (AREA)
Abstract
本发明涉及一种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,属于新能源汽车领域,包括以下步骤:S1:构建基于BP神经网络的速度预测器,对未来时间窗内的行车速度进行预测;S2:根据插电式混合动力汽车参数,构建车辆与动力***各部件动力学模型;S3:以燃油消耗和电机温升为目标函数,构建基于模型预测控制的预测型能量管理框架;S4:采用PMP算法最小化目标函数,在预测域内求解最优的转矩分配,使得发动机工作在高效率区域,且电机温度维持在安全范围以内。本发明考虑了插电式混合动力汽车行驶过程中的燃油经济性和电机热状态,在减少能源消耗的同时,防止电机过热,可有效降低电机故障率。
Description
技术领域
本发明属于新能源汽车领域,涉及一种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。
背景技术
能量管理策略旨在通过协调动力源功率分配,使插电混合动力电动汽车(Plug-inHybrid Electric Vehicles,PHEVs)获得更好的燃油经济性。然而,这需要电机频繁启动或长时间工作。在这种场景下,车载电机温度会不可避免地上升,甚至会触发车载电机热保护机制,通过降低电机的输出扭矩,以降低电机温度防止其过热,这将导致PHEV的燃油经济性和动力性能受到影响。同时,能量管理策略的设计和性能也受未来驾驶工况的影响。
发明内容
有鉴于此,本发明的目的在于提供一种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,提高PHEV的燃油经济性和动力性能,降低车载电机的热故障率。
为达到上述目的,本发明提供如下技术方案:
一种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,包括以下步骤:
S1:构建基于BP(back-propagation)神经网络的速度预测器,对未来时间窗内的行车速度进行预测;
S2:根据插电式混合动力汽车参数,构建车辆与动力***各部件动力学模型;
S3:以燃油消耗和电机温升为目标函数,构建基于模型预测控制的预测型能量管理框架;
S4:采用PMP算法最小化目标函数,在预测域内求解最优的转矩分配,使得发动机工作在高效率区域,且电机温度维持在安全范围以内。
进一步,所述步骤S1包括以下步骤:
S11:构建三层BP神经网络结构来学习工况特征,所述BP神经网络的输入层用于接收和分配输入的工况特征,中间是描述输入/输出关系的非线性隐含层,输出层产生预测车速;BP算法的基本公式为:
其中,a1和a0分别为当前层和前一层的神经输出,n为累计输出,W为权重,b为偏置;
S12:从历史速度数据中生成训练数据集,训练基于BP神经网络的速度预测器:
V=[v1,v2,v3,v4,v5,v6,v7]
BPpre{…v(tk-4),v(tk-3),v(tk-2),v(tk-1),v(tk)}
={v(tk+1),v(tk+2),v(tk+3),v(tk+4),v(tk+5)…}
其中,V是训练数据集,v1-v7是各类驾驶场景下采集的驾驶工况,BPpre表示速度预测器,v是驾驶工况特征矩阵,tk是当前控制时刻;
S13:基于所选的特定工况,通过BP神经网络速度预测器来预测未来时间窗内的车速。
进一步,所述步骤S2包括以下步骤:
S21:建立车辆纵向动力学模型:
其中,mv为车辆总质量,g为重力加速度,v为车辆速度,f为滚动阻力系数,α为道路坡度,Af为车辆正面面积,Cd为空气动力阻力系数,ρair为空气密度,δ为定义车辆有效质量的转动惯性系数,rw为有效车轮半径;
S22:建立动力***各部件动力学模型:
Pice=ωiceTice
Pem=ωemTem
其中,P,ω,T分别表示输出功率、转速和转矩,ηem为电机效率,Ib为电池电流,Rin为电池内阻,下标ice,em,bat分别对应发动机、电机、电池参数;
S23:建立电机热状态动力学模型:
其中,Cth为电机等效比热容,Hth为等效运行散热系数,Tm为电机温升,Im为电机等效电流,Rm为电机等效电阻。
进一步,所述步骤S3包括以下步骤:
S31:假设SOC在预测域内随移动距离线性变化,建立如下SOC参考轨迹:
其中,k为时间指数,hp为预测域大小,v为实际车速,vp为预测车速,L(k)和L(k+hp)表示第k步之前和预测域内的行驶距离,Δt为时间步长,SOC(k)和SOCref(k+hp)指预测域中的SOC边界;
S32:建立基于燃油经济性与电机温升的代价函数:
其中,cf和ce分别是燃油和电力的价格,ωT是电机温升成本的权重系数,T是当前时刻的电机温度,Tref是根据经验设置的参考温度阈值,μT为相对于T的可调系数:
其中Tmax为电机最大允许温度。
进一步,所述步骤S4包括以下步骤:
S41:在预测域内采用PMP算法求解该最优控制问题,建立如下哈密顿函数:
其中,λ为协态变量;
S42:状态变量x(t)和控制变量u(t)定义如下:
x(t)=SOC(t)
u(t)=Tem(t)
S43:为了获得全局最优解,建立如下约束条件:
1)哈密顿函数约束条件如下:
H(x*(t),u*(t),λ*(t),t)≤H(x(t),u(t),λ(t),t)
其中上标*表示最优控制动作;
2)状态变量约束边界如下:
3)各动力部件约束条件如下:
其中Ibat,min和Ibat,max分别是电池在充电和放电时的最大电流值;
S43:通过PMP求解结果,获得发动机-电机最优转矩分配。
本发明的有益效果在于:
1、充分利用模型预测控制算法的在线优化特性,结合BP神经网络速度预测器,可以实现PHEV能量管理策略的在线优化;
2、采用PMP算法求解预测域内的最优控制问题,计算效率高;
3、在能量管理策略中引入电机热状态,不仅可以提高燃油经济性,也可以防止车载电机过热,降低电机故障率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1是本发明所述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整体流程图;
图2是本发明适用的插电混合动力汽车的动力***结构简图;
图3是BP神经网络速度预测器结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图3,本发明涉及了一种基于MPC的HEV自适应巡航过程中多目标优化的能量管理方法,具体包括以下步骤:
S1:构建基于BP(back-propagation)神经网络的速度预测器,对未来时间窗内的行车速度进行预测;
S11:构建三层BP神经网络结构来学习工况特征,输入层用于接收和分配输入的工况特征,中间是描述输入/输出关系的非线性隐含层,输出层产生预测车速。BP算法的基本公式为:
其中,a1和a0分别为当前层和前一层的神经输出,n为累计输出,W为权重,b为偏置;
S12:从历史速度数据中生成训练数据集,训练基于BP神经网络的速度预测器:
V=[v1,v2,v3,v4,v5,v6,v7]
BPpre{…v(tk-4),v(tk-3),v(tk-2),v(tk-1),v(tk)}
={v(tk+1),v(tk+2),v(tk+3),v(tk+4),v(tk+5)…}
其中,V是训练数据集,vi是各类驾驶场景下采集的驾驶工况,BPpre表示速度预测器,v是驾驶工况特征矩阵,tk是当前控制时刻;
S13:基于所选的特定工况,通过BP神经网络速度预测器来预测未来时间窗内的车速。
S2:根据插电式混合动力汽车参数,构建车辆与动力***各部件动力学模型;
S21:建立车辆纵向动力学模型:
其中,mv为车辆总质量,g为重力加速度,v为车辆速度,f为滚动阻力系数,α为道路坡度,Af为车辆正面面积,Cd为空气动力阻力系数,ρair为空气密度,δ为定义车辆有效质量的转动惯性系数,rw为有效车轮半径。
S22:建立动力***各部件动力学模型:
Pice=ωiceTice
Pem=ωemTem
其中,P,ω,T分别表示输出功率、转速和转矩,ηem为电机效率,Ib为电池电流,Rin为电池内阻,下标ice,em,bat分别对应发动机、电机、电池参数;
S23:建立电机热状态动力学模型:
其中,Cth为电机等效比热容,Hth为等效运行散热系数,Tm为电机温升,Im为电机等效电流,Rm为电机等效电阻。
S3:以燃油消耗和电机温升为目标函数,构建基于模型预测控制的预测型能量管理框架;
S31:假设SOC在预测域内随移动距离线性变化,建立如下SOC参考轨迹:
其中,k为时间指数,hp为预测域大小,v为实际车速,vp为预测车速,L(k)和L(k+hp)表示第k步之前和预测域内的行驶距离,Δt为时间步长,SOC(k)和SOCref(k+hp)指预测域中的SOC边界;
S32:建立基于燃油经济性与电机温升的代价函数:
其中,cf和ce分别是燃油和电力的价格,ωT是电机温升成本的权重系数,T是当前时刻的电机温度,Tref是根据经验设置的参考温度阈值,μT为相对于T的可调系数:
其中Tmax为电机最大允许温度。
S4:采用PMP算法最小化目标函数,在预测域内求解最优的转矩分配,使得发动机工作在高效率区域,且电机温度维持在安全范围以内。
S41:在预测域内采用PMP算法求解该最优控制问题,建立如下哈密顿函数:
其中,λ为协态变量;
S42:状态变量x(t)和控制变量u(t)定义如下:
x(t)=SOC(t)
u(t)=Tem(t)
S43:为了获得全局最优解,建立如下约束条件:
1)哈密顿函数约束条件如下:
H(x*(t),u*(t),λ*(t),t)≤H(x(t),u(t),λ(t),t)
其中上标*表示最优控制动作;
2)状态变量约束边界如下:
3)各动力部件约束条件如下:
其中Ibat,min和Ibat,max分别是电池在充电和放电时的最大电流值;
S43:通过PMP求解结果,获得发动机-电机最优转矩分配。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种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,其特征在于:包括以下步骤:
S1:构建基于BP神经网络的速度预测器,对未来时间窗内的行车速度进行预测;
S2:根据插电式混合动力汽车参数,构建车辆与动力***各部件动力学模型;
S3:以燃油消耗和电机温升为目标函数,构建基于模型预测控制的预测型能量管理框架;
S4:采用PMP算法最小化目标函数,在预测域内求解最优的转矩分配,使得发动机工作在高效率区域,且电机温度维持在安全范围以内。
2.根据权利要求1所述的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,其特征在于:所述步骤S1包括以下步骤:
S11:构建三层BP神经网络结构来学习工况特征,所述BP神经网络的输入层用于接收和分配输入的工况特征,中间是描述输入/输出关系的非线性隐含层,输出层产生预测车速;BP算法的基本公式为:
其中,a1和a0分别为当前层和前一层的神经输出,n为累计输出,W为权重,b为偏置;
S12:从历史速度数据中生成训练数据集,训练基于BP神经网络的速度预测器:
V=[v1,v2,v3,v4,v5,v6,v7]
BPpre{…v(tk-4),v(tk-3),v(tk-2),v(tk-1),v(tk)}
={v(tk+1),v(tk+2),v(tk+3),v(tk+4),v(tk+5)…}
其中,V是训练数据集,v1-v7是各类驾驶场景下采集的驾驶工况,BPpre表示速度预测器,v是驾驶工况特征矩阵,tk是当前控制时刻;
S13:基于所选的特定工况,通过BP神经网络速度预测器来预测未来时间窗内的车速。
3.根据权利要求1所述的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,其特征在于:所述步骤S2包括以下步骤:
S21:建立车辆纵向动力学模型:
其中,mv为车辆总质量,g为重力加速度,v为车辆速度,f为滚动阻力系数,α为道路坡度,Af为车辆正面面积,Cd为空气动力阻力系数,ρair为空气密度,δ为定义车辆有效质量的转动惯性系数,rw为有效车轮半径;
S22:建立动力***各部件动力学模型:
Pice=ωiceTice
Pem=ωemTem
其中,P,ω,T分别表示输出功率、转速和转矩,ηem为电机效率,Ib为电池电流,Rin为电池内阻,下标ice,em,bat分别对应发动机、电机、电池参数;
S23:建立电机热状态动力学模型:
其中,Cth为电机等效比热容,Hth为等效运行散热系数,Tm为电机温升,Im为电机等效电流,Rm为电机等效电阻。
4.根据权利要求1所述的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,其特征在于:所述步骤S3包括以下步骤:
S31:假设SOC在预测域内随移动距离线性变化,建立如下SOC参考轨迹:
其中,k为时间指数,hp为预测域大小,v为实际车速,vp为预测车速,L(k)和L(k+hp)表示第k步之前和预测域内的行驶距离,Δt为时间步长,SOC(k)和SOCref(k+hp)指预测域中的SOC边界;
S32:建立基于燃油经济性与电机温升的代价函数:
其中,cf和ce分别是燃油和电力的价格,ωT是电机温升成本的权重系数,T是当前时刻的电机温度,Tref是根据经验设置的参考温度阈值,μT为相对于T的可调系数:
其中Tmax为电机最大允许温度。
5.根据权利要求1所述的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,其特征在于:所述步骤S4包括以下步骤:
S41:在预测域内采用PMP算法求解该最优控制问题,建立如下哈密顿函数:
其中,λ为协态变量;
S42:状态变量x(t)和控制变量u(t)定义如下:
x(t)=SOC(t)
u(t)=Tem(t)
S43:为了获得全局最优解,建立如下约束条件:
1)哈密顿函数约束条件如下:
H(x*(t),u*(t),λ*(t),t)≤H(x(t),u(t),λ(t),t)
其中上标*表示最优控制动作;
2)状态变量约束边界如下:
3)各动力部件约束条件如下:
其中Ibat,min和Ibat,max分别是电池在充电和放电时的最大电流值;
S43:通过PMP求解结果,获得发动机-电机最优转矩分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111346667.3A CN113859224B (zh) | 2021-11-15 | 2021-11-15 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111346667.3A CN113859224B (zh) | 2021-11-15 | 2021-11-15 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113859224A true CN113859224A (zh) | 2021-12-31 |
CN113859224B CN113859224B (zh) | 2024-07-05 |
Family
ID=78984589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111346667.3A Active CN113859224B (zh) | 2021-11-15 | 2021-11-15 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113859224B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114889580A (zh) * | 2022-05-09 | 2022-08-12 | 武汉理工大学 | 混合动力车辆能量管理控制方法、***、装置及存储介质 |
CN115061373A (zh) * | 2022-06-27 | 2022-09-16 | 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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606271A (zh) * | 2013-11-27 | 2014-02-26 | 大连理工大学 | 一种混合动力城市公交车控制方法 |
CN105160109A (zh) * | 2015-09-11 | 2015-12-16 | 东华大学 | 一种基于rbf神经网络的电机温升预测的方法 |
CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
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 |
CN112561169A (zh) * | 2020-12-17 | 2021-03-26 | 西安理工大学 | 一种并联混合动力汽车混杂mpc能量管理方法 |
CN112721907A (zh) * | 2021-01-28 | 2021-04-30 | 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 |
CN113104023A (zh) * | 2021-04-23 | 2021-07-13 | 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 |
-
2021
- 2021-11-15 CN CN202111346667.3A patent/CN113859224B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606271A (zh) * | 2013-11-27 | 2014-02-26 | 大连理工大学 | 一种混合动力城市公交车控制方法 |
CN105160109A (zh) * | 2015-09-11 | 2015-12-16 | 东华大学 | 一种基于rbf神经网络的电机温升预测的方法 |
CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
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 |
CN112561169A (zh) * | 2020-12-17 | 2021-03-26 | 西安理工大学 | 一种并联混合动力汽车混杂mpc能量管理方法 |
CN112721907A (zh) * | 2021-01-28 | 2021-04-30 | 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 |
CN113104023A (zh) * | 2021-04-23 | 2021-07-13 | 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 |
Non-Patent Citations (1)
Title |
---|
"《汽车工程》2019年(第41卷)1~12期总目次", 汽车工程, no. 12, 25 December 2019 (2019-12-25) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114889580A (zh) * | 2022-05-09 | 2022-08-12 | 武汉理工大学 | 混合动力车辆能量管理控制方法、***、装置及存储介质 |
CN115061373A (zh) * | 2022-06-27 | 2022-09-16 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN113859224B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hamada et al. | An overview of regenerative braking systems | |
Yang et al. | Adaptive real-time optimal energy management strategy for extender range electric vehicle | |
Poursamad et al. | Design of genetic-fuzzy control strategy for parallel hybrid electric vehicles | |
Ali et al. | Optimal control of multi-source electric vehicles in real time using advisory dynamic programming | |
US7360615B2 (en) | Predictive energy management system for hybrid electric vehicles | |
Mohd Sabri et al. | Improved fuel economy of through-the-road hybrid electric vehicle with fuzzy logic-based energy management strategy | |
CN204236461U (zh) | 用于控制混合动力车(hev)所用动力***的*** | |
CN113859224B (zh) | 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 | |
JP6089887B2 (ja) | ハイブリッド車の制御装置 | |
Johri et al. | Low-cost pathway to ultra efficient city car: Series hydraulic hybrid system with optimized supervisory control | |
CN111231930B (zh) | 基于mpc的hev自适应巡航中多目标的能量管理方法 | |
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 | |
Ide et al. | Development of SPORT HYBRID i-MMD control system for 2014 model year accord | |
Zhang et al. | Fuzzy multi-objective control strategy for parallel hybrid electric vehicle | |
Girade et al. | Comparative analysis of state of charge based adaptive supervisory control strategies of plug-in Hybrid Electric Vehicles | |
WO2015110129A1 (en) | Method to control a vehicle with a long term and a short term control, computer program and readable medium and control unit performing the steps thereof | |
Mariani et al. | A model predictive control scheme for regenerative braking in vehicles with hybridized architectures via aftermarket kits | |
Zhang et al. | Optimization of the series-hev control with consideration of the impact of battery cooling auxiliary losses | |
Rahmeh et al. | Fuzzy logic vs equivalent consumption minimization strategy for energy management in P2 hybrid electric vehicles | |
Gao et al. | Comprehensive powertrain modeling for heavy-duty applications: A study of plug-in hybrid electric bus | |
Xia et al. | Real-time optimization power-split strategy for hybrid electric vehicles | |
CN113928182B (zh) | 基于全局交通信息的混合动力汽车电池热管理优化*** | |
Pan et al. | Optimal rule extraction-based real-time energy management strategy for series-parallel hybrid electric vehicles | |
Pourbafarani et al. | Improvement of PHEV equivalent fuel economy and battery life by applying traffic-based SOC management | |
Hasan et al. | Energy management strategy in electric buses for public transport using ECO-driving |
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 |