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

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

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

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]

BP_pre{…v(t_k-4),v(t_k-3),v(t_k-2),v(t_k-1),v(t_k)}

＝{v(t_k+1),v(t_k+2),v(t_k+3),v(t_k+4),v(t_k+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，BP_pre表示速度预测器，v是驾驶工况特征矩阵，t_k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，m_v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，A_f为车辆正面面积，C_d为空气动力阻力系数，ρ_air为空气密度，δ为定义车辆有效质量的转动惯性系数，r_w为有效车轮半径；

S22：建立动力***各部件动力学模型：

P_ice＝ω_iceT_ice

P_em＝ω_emT_em

其中，P,ω,T分别表示输出功率、转速和转矩，η_em为电机效率，I_b为电池电流，R_in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，C_th为电机等效比热容，H_th为等效运行散热系数，T_m为电机温升，I_m为电机等效电流，R_m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，h_p为预测域大小，v为实际车速，v_p为预测车速，L(k)和L(k+h_p)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SOC_ref(k+h_p)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，c_f和c_e分别是燃油和电力的价格，ω_T是电机温升成本的权重系数，T是当前时刻的电机温度，T_ref是根据经验设置的参考温度阈值，μ_T为相对于T的可调系数：

其中T_max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)＝T_em(t)

其中，V_oc是电池开路电压，R_in是电池内阻，Q_nom为电池额定容量，c_f和c_e分别为燃油和电能价格，

是燃油消耗率；

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I_bat,min和I_bat,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]

BP_pre{…v(t_k-4),v(t_k-3),v(t_k-2),v(t_k-1),v(t_k)}

＝{v(t_k+1),v(t_k+2),v(t_k+3),v(t_k+4),v(t_k+5)…}

其中，V是训练数据集，v_i是各类驾驶场景下采集的驾驶工况，BP_pre表示速度预测器，v是驾驶工况特征矩阵，t_k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，m_v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，A_f为车辆正面面积，C_d为空气动力阻力系数，ρ_air为空气密度，δ为定义车辆有效质量的转动惯性系数，r_w为有效车轮半径。

S22：建立动力***各部件动力学模型：

P_ice＝ω_iceT_ice

P_em＝ω_emT_em

其中，P,ω,T分别表示输出功率、转速和转矩，η_em为电机效率，I_b为电池电流，R_in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，C_th为电机等效比热容，H_th为等效运行散热系数，T_m为电机温升，I_m为电机等效电流，R_m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，h_p为预测域大小，v为实际车速，v_p为预测车速，L(k)和L(k+h_p)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SOC_ref(k+h_p)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，c_f和c_e分别是燃油和电力的价格，ω_T是电机温升成本的权重系数，T是当前时刻的电机温度，T_ref是根据经验设置的参考温度阈值，μ_T为相对于T的可调系数：

其中T_max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)＝T_em(t)

其中，V_oc是电池开路电压，R_in是电池内阻，Q_nom为电池额定容量，c_f和c_e分别为燃油和电能价格，

是燃油消耗率。

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I_bat,min和I_bat,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]

BP_pre{…v(t_k-4),v(t_k-3),v(t_k-2),v(t_k-1),v(t_k)}

＝{v(t_k+1),v(t_k+2),v(t_k+3),v(t_k+4),v(t_k+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，BP_pre表示速度预测器，v是驾驶工况特征矩阵，t_k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，m_v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，A_f为车辆正面面积，C_d为空气动力阻力系数，ρ_air为空气密度，δ为定义车辆有效质量的转动惯性系数，r_w为有效车轮半径；

S22：建立动力***各部件动力学模型：

P_ice＝ω_iceT_ice

P_em＝ω_emT_em

其中，P,ω,T分别表示输出功率、转速和转矩，η_em为电机效率，I_b为电池电流，R_in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，C_th为电机等效比热容，H_th为等效运行散热系数，T_m为电机温升，I_m为电机等效电流，R_m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，h_p为预测域大小，v为实际车速，v_p为预测车速，L(k)和L(k+h_p)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SOC_ref(k+h_p)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，c_f和c_e分别是燃油和电力的价格，ω_T是电机温升成本的权重系数，T是当前时刻的电机温度，T_ref是根据经验设置的参考温度阈值，μ_T为相对于T的可调系数：

其中T_max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)＝T_em(t)

其中，V_oc是电池开路电压，R_in是电池内阻，Q_nom为电池额定容量，c_f和c_e分别为燃油和电能价格，

是燃油消耗率；

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I_bat,min和I_bat,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。

Images