CN115107733A - 一种混合动力汽车的能量管理方法及*** - Google Patents
一种混合动力汽车的能量管理方法及*** Download PDFInfo
- Publication number
- CN115107733A CN115107733A CN202210799248.3A CN202210799248A CN115107733A CN 115107733 A CN115107733 A CN 115107733A CN 202210799248 A CN202210799248 A CN 202210799248A CN 115107733 A CN115107733 A CN 115107733A
- Authority
- CN
- China
- Prior art keywords
- soc
- model
- reference value
- working condition
- energy management
- 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.)
- Pending
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
- 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
- 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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种混合动力汽车的能量管理方法及***,该方法包括:基于历史工况信息,构建工况信息库和混合动力汽车的整车模型;基于所述工况信息库和整车模型,构建深度确定性策略梯度算法的SOC参考值模型,生成SOC参考值轨迹,控制SOC值沿着SOC参考值轨迹变化,以实现能量控制;在所述SOC值控制过程中,基于汽车的历史速度数据,计算汽车的预测速度,并基于预测速度,构建汽车的模型预测控制器,通过所述预测控制器实时更新SOC状态,以实现能量管理。本发明通过预测控制器实时更新SOC状态,同时通过SOC参考值模型控制框架,实现了能量管理策略的瞬时预测与全局预测相结合,提高了车辆的燃油经济性。
Description
技术领域
本发明涉及混合动力汽车能量管理领域,尤其涉及一种混合动力汽车的能量管理方法及***。
背景技术
由于传统汽油和柴油汽车造成的大气污染和石油资源耗竭等问题,汽车的电气化已经成为了当下热门方向,作为混合动力汽车的关键控制技术,能量管理策略直接影响了汽车的燃油经济性,成为了混合动力***的研究重点。
目前混合动力汽车的能量管理策略主要分为基于规则和基于优化的能量管理策略。基于规则的能量管理策略主要根据工程经验,并考虑动力***各部件的特性来设计***工作模式以及不同动力源的能量分配方式,这种控制策略没有特定的优化问题,制定的规则主要来源自工程经验,实用性强,实时效果好,但节能效果较差,可作为制定基于优化能量管理策略的基础。
现有的混合动力汽车能量管理策略根据整车***的状态方程和目标函数,利用最优控制理论对混合进行整个工况的优化,求得可行域的全局最优解,理论上能够实现全局燃油经济性最优,需要汽车全局的行驶工况,计算量大容易造成延时,难以实现实时应用;并且仅计算全局寻优,有较大的局限性。
发明内容
本发明提供了一种混合动力汽车的能量管理方法及***,以解决能量管理策略寻求全局最优解的过程中,计算量大容易造成延时,难以实现实时应用,并且仅计算全局寻优,有较大的局限性的技术问题。
为了解决上述技术问题,第一方面,本发明实施例提供了一种混合动力汽车的能量管理方法,包括:
基于历史工况信息,构建工况信息库和混合动力汽车的整车模型;
基于所述工况信息库和整车模型,构建深度确定性策略梯度算法的SOC参考值模型,生成SOC参考值轨迹,控制SOC值沿着SOC参考值轨迹变化,以实现能量控制;
在所述SOC值控制过程中,基于汽车的历史速度数据,计算汽车的预测速度,并基于预测速度,构建汽车的模型预测控制器,通过所述模型预测控制器实时更新SOC状态,以实现能量管理。
本发明通过构建工况信息库,充分保存驾驶员的驾驶习惯,减小驾驶员个人习惯对能量管理策略带来的影响;同时通过构建SOC参考值模型,生成SOC参考值轨迹,通过控制SOC值沿SOC参考值轨迹行驶,极大限度的保护电池寿命;其次,在构建SOC参考值模型是采用深度确定性策略梯度算法,以使在计算时稳定性和收敛性大大提高,从而提高计算效率,使该策略可实时应用;并且,由于SOC参考值模型在出发前已构建,可进行离线训练,能够极大的减少运算对内存的占用;此外,通过模型预测控制器实时更新SOC状态,同时通过SOC参考值模型控制框架,实现了能量管理策略的瞬时预测与全局预测相结合,提高了车辆的燃油经济性。
进一步地,所述基于历史工况信息,构建工况信息库和混合动力汽车的整车模型,具体为:
根据历史工况信息,将行驶工况按怠速状态划分运动学片段;
计算每个运动学片段的特征参数,并对特征参数进行主成分分析,获得各主成分的贡献率及累积贡献率;
选取累积贡献率大于85%的主成分进行K-均值聚类,选取聚类中心数据构建工况信息库;
根据工况信息库,对整车部件进行建模,同时建立奖励函数,完成整车模型的构建。
本发明通过对驾驶员的历史工况信息特征提取,构建未来行驶时的工况信息库,充分保存驾驶员的驾驶习惯,为生成SOC参考值提供准确依据。
进一步地,所述基于所述工况信息库和整车模型,构建深度确定性策略梯度算法的SOC参考值模型,具体为:
获取工况信息库,将整车模型作为SOC参考值模型的环境;
基于深度确定性策略梯度算法,构建演员网络和评论家网络,所述演员网络和评论家网络共同构成智能体网络;
所述智能体网络和整车模型共同构成SOC参考值模型。
本发明基于深度确定性策略梯度算法,构建演员网络和评论家网络,演员网络用于计算目标策略,评论家网络用于计算动作价值函数,评论演员网络的优劣,最后智能体网络经过与作为环境的整车模型交互,实现控制动作最优;
进一步地,所述构建深度确定性策略梯度算法的SOC参考值模型,还包括:
根据发动机消耗率曲线图,获取最优发动机工作曲线;
将最优发动机工作曲线作为SOC参考值模型的约束条件。
本发明将最优发动机工作曲线作为SOC参考值模型的约束条件,引导SOC参考值模型在训练过程中,沿着最优发动机工作曲线进行寻优,而不是进行全局寻优,极大的提高了计算效率。
进一步地,所述生成SOC参考值轨迹,控制SOC值沿着SOC参考值轨迹变化,以实现能量控制,具体为:
通过SOC参考值模型重复完成经验回放和奖励最大化,生成目标策略集和SOC参考值轨迹;
通过目标策略集控制汽车发动机功率,以控制SOC值沿着SOC参考值轨迹变化,以控制能量分配。
本发明通过重复完成经验回放和奖励最大化,生成目标策略和参考值轨迹,可快速实现控制动作最优;此外由于SOC参考值模型在出发前已构建,可进行离线训练,能够极大的减少运算对内存的占用。
进一步地,所述通过SOC参考值模型重复完成经验回放和奖励最大化,生成目标策略集和SOC参考值轨迹,具体为:
通过整车模型获得若干个待执行动作;
依次执行每个执行动作,并在每次执行中,根据当前待执行动作的状态变量和奖励值、下一待执行动作的状态变量和奖励值,结合当前的演员网络,生成当前待执行动作的目标策略,所述目标策略中包括SOC值,并通过链式法则对演员网络的状态变量和动作变量进行更新;
直到每个待执行动作均执行完成后,根据每个待执行动作的目标策略,生成目标策略集和SOC参考值轨迹。
本发明通过链式法则对演员网络进行动态更新,不断优化SOC参考值模型,提高SOC参考值模型的稳定性。
进一步地,所述基于汽车的历史速度数据,计算汽车的预测速度,具体为:
构建遗忘门、输入门和输出门,在循环神经网络中加入遗忘门、输入门和输出门,构建基于长短时记忆网络算法的速度预测模型;
根据汽车的历史速度数据,通过所述速度预测模型,计算汽车的预测速度。
本发明通过在循环神经网络中加入遗忘门、输入门和输出门,构建长短期记忆网络,有效解决了循环神经网络梯度***的问题,同时,长短期记忆网络能够有效的保留过去的顺序模式,更有利于我们对速度某一时刻的瞬时预测。
进一步地,所述基于预测速度,构建汽车的模型预测控制器,具体为:
获取汽车的预测速度;
根据预测速度通过SOC参考值模型,计算汽车的需求扭矩和转速;
根据汽车的需求扭矩、转速、SOC参考值和SOC惩罚因子构建车辆燃油消耗最小的目标函数,所述目标函数为汽车的模型预测控制器。
本发明通过预测速度构建模型预测控制器,本发明通过预测速度构建模型预测控制器,同时在模型预测控制器中引入惩罚因子实现了对SOC参考值的准确跟随。
进一步地,所述通过所述模型预测控制器实时更新SOC状态,以实现能量管理,具体为:
通过所述模型预测控制器计算燃油消耗最小值;
在预测域内通过动态规划优化器,计算当燃油消耗最小时的最优电机扭矩序列;
通过当前时刻最优电机扭矩序列对应的最优电机扭矩值,调整电机扭矩,更新SOC状态,以实现能量管理。
本发明通过预测控制器计算燃油消耗最小值,以计算最优电机扭矩,通过调整电机扭矩来更新SOC状态,实现了能量管理的瞬时预测,提高了车辆的燃油经济性,实现了将智能优化算法应用于实际的实时优化。
第二方面,本发明实施例提供了一种混合动力汽车的能量管理***,包括:工况信息处理模块、SOC参考值模块和预测控制模块。
所述工况信息处理模块用于根据历史工况信息,构建工况信息库和混合动力汽车的整车模型。
所述SOC参考值模块用于根据所述工况信息库和整车模型,构建深度确定性策略梯度算法的SOC参考值模型,生成SOC参考值轨迹,控制SOC值沿着SOC参考值轨迹变化,以实现能量控制。
所述预测控制模块用于在所述SOC值控制过程中,基于汽车的历史速度数据,计算汽车的预测速度,并基于预测速度,构建汽车的模型预测控制器,通过所述模型预测控制器实时更新SOC状态,以实现能量管理。
本发明通过构建工况信息库,充分保存驾驶员的驾驶习惯,减小驾驶员个人习惯对能量管理策略带来的影响;同时通过构建SOC参考值模型,生成SOC参考值轨迹,通过控制SOC值沿SOC参考值轨迹行驶,极大限度的保护电池寿命;其次,在构建SOC参考值模型是采用深度确定性策略梯度算法,以使在计算时稳定性和收敛性大大提高,从而提高计算效率,使该策略可实时应用;并且,由于SOC参考值模型在出发前已构建,可进行离线训练,能够极大的减少运算对内存的占用;此外,通过预测控制器实时更新SOC状态,同时通过SOC参考值模型控制框架,实现了能量管理策略的瞬时预测与全局预测相结合,提高了车辆的燃油经济性。
附图说明
图1是本发明实施例提供的混合动力汽车的能量管理方法的一种流程示意图;
图2是本发明实施例提供的基于深度确定性策略梯度算法的SOC参考值模型结构图;
图3是本发明实施例提供的步骤102的一种流程示意图;
图4是本发明实施例提供的步骤103的一种流程示意图;
图5是本发明实施例提供的混合动力汽车的能量管理***的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参照图1,图1为本发明实施例提供的混合动力汽车的能量管理方法的一种流程示意图,其主要包括步骤101至步骤103,具体如下:
步骤101:基于历史工况信息,构建工况信息库和混合动力汽车的整车模型;
在本实施例中,汽车处理器首先根据历史工况信息,将行驶工况按怠速状态划分运动学片段;接着计算每个运动学片段的特征参数,并对特征参数进行主成分分析,随后获得各主成分的贡献率及累积贡献率;然后选取累积贡献率大于85%的主成分进行K-均值聚类,选取聚类中心数据构建工况信息库;最后根据工况信息库,对整车部件进行建模,同时建立奖励函数,完成整车模型的构建。
作为本发明实施例的一种具体实施方式,所述特征参数包括:平均速度、平均行驶速度、最大速度、速度标准差、最大加速度、最小加速度、平均加速度、最大减速度、最小减速度、平均减速度、加速度标准差、怠速时间比、加速时间比、减速时间比、总运行时间、总运行里程特征参数。
在本实施例中,通过对混合动力卡车进行纵向动力学分析,对整车部件进行建模。车辆的需求功率模型,具体为:
其中,Pdem为需求功率,Ff为滚动阻力,Fw为空气阻力,Fi为坡度阻力,Fj为加速阻力,η为机械传动效率,ua为行驶速度。
在本实施例中,汽车的阻力模型具体为:
在本实施例中,混合动力卡车的动力来源于发动机和电动机,需求功率模型具体为:
Pdem=(Peng+Pmot)η (3)
其中,Pdem为需求功率,Peng为发动机功率,Pmot为电机功率,η为机械传动效率。
在本实施例中,发动机模型采用数值建模进行建立,燃油消耗率通过插值的方法获得。具体地,发动机燃油消耗模型具体为:
在本实施例中,电机采用数值建模方法,效率通过查表方式获得。具体地,电机效率模型为:
ηmot=f(Tmot,nmot) (5)
其中,ηmot为电机效率,Tmot为电机转矩,nmot为电机转速。
在本实施例中,将电池模型简化为等效内阻模型,具体地:
其中,Pbat为电池功率,Uoc为开路电压,R0为电池内阻,I(t)为电池电流,Qbat为电池容量,SOC0为电池初始状态SOC。
在本实施例中,奖励函数具体为:
reward=-{afrate(neng,Teng)+bPbat(t)} (7)
其中,frate为发动机燃油消耗率,a为燃油消耗权重,b为电池电量消耗权重。
步骤102:基于所述工况信息库和整车模型,构建深度确定性策略梯度算法的SOC参考值模型,生成SOC参考值轨迹,控制SOC值沿着SOC参考值轨迹变化,以实现能量控制;
请参照图2,图2为本发明实施例提供的基于深度确定性策略梯度算法的SOC参考值模型结构图。
在本实施例中,汽车基于工况信息库和整车模型,构建深度确定性策略梯度算法地SOC参考值模型,所述SOC参考值模型包括环境和智能体,将整车模型作为环境,构建智能体,最后智能体网络经过与作为环境的整车模型交互,生成SOC参考值轨迹。
在本实施例中,智能体网络的核心是由演员网络和评论家网络构成,演员网络是确定性策略函数,用于输出策略,评论家网络是动作价值函数,用于评价演员网络的优劣。其中演员网络价值函数采用Bellman方程表示为:
Qπ(st,at)=E[r(st,at)+γE[Qπ(st+1,at+1)]] (8)
其中:E为环境模型,π为策略,r(st,at)为奖励函数,γ为折扣因子。
在本实施例中,为了寻找最优的策略,目标策略可以表示为:
Qμ(st,at)=E[r(st,at)+γQμ(st+1,μ(st+1))] (9)
在本实施例中,Q网络的损失函数为:
在本实施例中,获得目标策略后,通过链式法则对演员网络的状态变量和动作变量进行更新:
在本实施例中,通过控制汽车发动机功率,以控制SOC值沿着SOC参考值轨迹变化,实现控制动作最优,以控制能量分配。
在本实施例中,根据发动机消耗率曲线图,获取最优发动机工作曲线,并将最优发动机工作曲线作为SOC参考值模型的约束条件。
步骤103:在所述SOC值控制过程中,基于汽车的历史速度数据,计算汽车的预测速度,并基于预测速度,构建汽车的模型预测控制器,通过所述模型预测控制器实时更新SOC状态,以实现能量管理。
在本实施例中,首先,构建遗忘门、输入门和输出门,在循环神经网络中加入遗忘门、输入门和输出门,从而构建基于长短时记忆网络算法的速度预测模型;接着,根据汽车的历史速度数据,通过所述速度预测模型,计算汽车的预测速度。
在本实施例中,遗忘门的输出值ft是对前一时刻遗忘程度的判断,其值介于0到1之间,0代表完全遗忘,1代表完全记忆;所述遗忘门具体为:
ft=σ(WfhHt-1+WfxXt+bf) (12)
其中,σ为sigmoid函数,Wfh、Wfx为遗忘门的权重矩阵,bf为遗忘门的偏置向量,Ht-1为t-1时刻的隐藏层信息,Xt为输入信息。
在本实施例中,输入门it是对输入状态进行筛选的过程,并标准化为可识别的向量,同时计算出候选的细胞状态C′t,最终计算出新的细胞状态Ct,所述输入门具体为:
其中,σ为sigmoid函数,tanh为双曲正切函数,Wih、Wix、Wch、Wcx为权重矩阵,bi、bc为偏置向量,⊙为哈达玛积运算,Ct-1为t-1时刻的细胞状态。
在本实施例中,输出门Ot是对细胞状态信息进行筛选的过程,用于确定哪些细胞状态会继续保留传递,最后通过细胞状态Ct和输出门Ot共同构建当前时刻的隐藏层信息Ht。所述输出门具体为:
其中,σ为sigmoid函数,Woh、Wox为输入门的权重矩阵,bo为输入门的偏置向量,tanh为双曲正切函数,⊙为哈达玛积运算。
在本实施例中,根据汽车的预测速度通过SOC参考值模型,计算汽车的需求扭矩和转速;并根据汽车的需求扭矩、转速、转速、SOC参考值和SOC惩罚因子构建车辆燃油消耗最小的目标函数,所述目标函数为汽车的模型预测控制器。
具体地,所述目标函数具体为:
其中,α为燃油消耗因子,β为电量消耗因子,γ为SOC惩罚因子,mfuel为发动机燃油消耗量。
本发明通过构建工况信息库,充分保存驾驶员的驾驶习惯,减小驾驶员个人习惯对能量管理策略带来的影响;同时通过构建SOC参考值模型,生成SOC参考值轨迹,通过控制SOC值沿SOC参考值轨迹行驶,极大限度的保护电池寿命;其次,在构建SOC参考值模型是采用深度确定性策略梯度算法,以使在计算时稳定性和收敛性大大提高,从而提高计算效率,使该策略可实时应用;并且,由于SOC参考值模型在出发前已构建,可进行离线训练,能够极大的减少运算对内存的占用;此外,通过预测控制器实时更新SOC状态,同时通过SOC参考值模型控制框架,实现了能量管理策略的瞬时预测与全局预测相结合,提高了车辆的燃油经济性。
请参照图3,图3是本发明实施例提供的步骤102的一种流程示意图,其主要包括步骤301至步骤305,具体如下:
步骤301:整车模型获取当前动作的第一状态变量和第一奖励值,并执行当前动作到达下一动作。
步骤302:SOC参考值模型将下一动作的第二状态变量和第二奖励值放入经验池中。
步骤303:演员网络根据第一状态变量、第一奖励值、第二状态变量和第二奖励值,生成当前动作的目标策略根据第一状态变量、第一奖励值、第二状态变量和第二奖励值,通过演员网络生成当前动作的目标策略。
在本实施例中,所述目标策略包括状态变量和动作变量,所述动作变量为发动机功率,所述状态变量包括汽车的SOC值、速度和加速度。在能量控制过程中,通过控制发动机功率以控制SOC状态。
步骤304:SOC参考值模型根据目标策略对演员网络中的状态变量的动作变量进行更新。
在本实施例中,通过链式法则对演员网络进行动态更新,不断优化SOC参考值模型,提高SOC参考值模型的稳定性。
步骤305:重复步骤301至步骤304,直至工况结束。
在本实施例中,通过重复完成步骤201至步骤204生成工况内所有待执行动作的目标策略集,同时生成SOC参考值轨迹,并根据SOC参考值轨迹控制SOC值变化,延长电池的保护寿命。此外由于SOC参考值模型在出发前已构建,可进行离线训练,能够极大的减少运算对内存的占用。
请参照图4,图4是本发明实施例提供的步骤103的一种流程示意图,其主要包括步骤401至步骤404,具体如下:
步骤401:根据预测速度,构建汽车的模型预测控制器。
步骤402:通过所述模型预测控制器计算燃油消耗最小值。
步骤403:在预测域内通过动态规划优化器,计算当燃油消耗最小时的最优电机扭矩序列。
步骤404:通过当前时刻最优电机扭矩序列对应的最优电机扭矩值,调整电机扭矩,更新SOC状态,以实现能量管理。
本发明通过预测控制器计算燃油消耗最小值,以计算最优电机扭矩,通过调整电机扭矩来更新SOC状态,实现了能量管理的瞬时预测,提高了车辆的燃油经济性,实现了将智能优化算法应用于实际的实时优化。
请参照图5,图5是本发明实施例提供的混合动力汽车的能量管理***的一种结构示意图,其主要包括工况信息处理模块501、SOC参考值模块502和预测控制模块503;
在本实施例中,工况信息处理模块501用于根据历史工况信息,构建工况信息库和混合动力汽车的整车模型;
SOC参考值模块502用于根据所述工况信息库和整车模型,构建深度确定性策略梯度算法的SOC参考值模型,生成SOC参考值轨迹,控制SOC值沿着SOC参考值轨迹变化,以实现能量控制;
预测控制模块503用于在所述SOC值控制过程中,基于汽车的历史速度数据,计算汽车的预测速度,并基于预测速度,构建汽车的模型预测控制器,通过所述模型预测控制器实时更新SOC状态,以实现能量管理。
本发明通过构建工况信息库,充分保存驾驶员的驾驶习惯,减小驾驶员个人习惯对能量管理策略带来的影响;同时通过构建SOC参考值模型,生成SOC参考值轨迹,通过控制SOC值沿SOC参考值轨迹行驶,极大限度的保护电池寿命;其次,在构建SOC参考值模型是采用深度确定性策略梯度算法,以使在计算时稳定性和收敛性大大提高,从而提高计算效率,使该策略可实时应用;并且,由于SOC参考值模型在出发前已构建,可进行离线训练,能够极大的减少运算对内存的占用;此外,通过预测控制器实时更新SOC状态,同时通过SOC参考值模型控制框架,实现了能量管理策略的瞬时预测与全局预测相结合,提高了车辆的燃油经济性。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种混合动力汽车的能量管理方法,其特征在于,包括:
基于历史工况信息,构建工况信息库和混合动力汽车的整车模型;
基于所述工况信息库和整车模型,构建深度确定性策略梯度算法的SOC参考值模型,生成SOC参考值轨迹,控制SOC值沿着SOC参考值轨迹变化,以实现能量控制;
在所述SOC值控制过程中,基于汽车的历史速度数据,计算汽车的预测速度,并基于预测速度,构建汽车的模型预测控制器,通过所述模型预测控制器实时更新SOC状态,以实现能量管理。
2.如权利要求1所述的混合动力汽车的能量管理方法,其特征在于,所述基于历史工况信息,构建工况信息库和混合动力汽车的整车模型,具体为:
根据历史工况信息,将行驶工况按怠速状态划分运动学片段;
计算每个运动学片段的特征参数,并对特征参数进行主成分分析,获得各主成分的贡献率及累积贡献率;
选取累积贡献率大于85%的主成分进行K-均值聚类,选取聚类中心数据构建工况信息库;
根据工况信息库,对整车部件进行建模,同时建立奖励函数,完成整车模型的构建。
3.如权利要求1所述的混合动力汽车的能量管理方法,其特征在于,所述基于所述工况信息库和整车模型,构建深度确定性策略梯度算法的SOC参考值模型,具体为:
获取工况信息库,将整车模型作为SOC参考值模型的环境;
基于深度确定性策略梯度算法,构建演员网络和评论家网络,所述演员网络和评论家网络共同构成智能体网络;
所述智能体网络和整车模型共同构成SOC参考值模型。
4.如权利要求3所述的混合动力汽车的能量管理方法,其特征在于,所述构建深度确定性策略梯度算法的SOC参考值模型,还包括:
根据发动机消耗率曲线图,获取最优发动机工作曲线;
将最优发动机工作曲线作为SOC参考值模型的约束条件。
5.如权利要求4所述的混合动力汽车的能量管理方法,其特征在于,所述生成SOC参考值轨迹,控制SOC值沿着SOC参考值轨迹变化,以实现能量控制,具体为:
通过SOC参考值模型重复完成经验回放和奖励最大化,生成目标策略集和SOC参考值轨迹;
通过目标策略集控制汽车发动机功率,以控制SOC值沿着SOC参考值轨迹变化,以控制能量分配。
6.如权利要求5所述的混合动力汽车的能量管理方法,其特征在于,所述通过SOC参考值模型重复完成经验回放和奖励最大化,生成目标策略集和SOC参考值轨迹,具体为:
通过整车模型获得若干个待执行动作;
依次执行每个执行动作,并在每次执行中,根据当前待执行动作的状态变量和奖励值、下一待执行动作的状态变量和奖励值,结合当前的演员网络,生成当前待执行动作的目标策略,所述目标策略中包括SOC值,并通过链式法则对演员网络的状态变量和动作变量进行更新;
直到每个待执行动作均执行完成后,根据每个待执行动作的目标策略,生成目标策略集和SOC参考值轨迹。
7.如权利要求1所述的混合动力汽车的能量管理方法,其特征在于,所述基于汽车的历史速度数据,计算汽车的预测速度,具体为:
构建遗忘门、输入门和输出门,在循环神经网络中加入遗忘门、输入门和输出门,构建基于长短时记忆网络算法的速度预测模型;
根据汽车的历史速度数据,通过所述速度预测模型,计算汽车的预测速度。
8.如权利要求1所述的混合动力汽车的能量管理方法,其特征在于,所述基于预测速度,构建汽车的模型预测控制器,具体为:
获取汽车的预测速度;
根据预测速度通过SOC参考值模型,计算汽车的需求扭矩和转速;
根据汽车的需求扭矩、转速、SOC参考值和SOC惩罚因子构建车辆燃油消耗最小的目标函数,所述目标函数为汽车的模型预测控制器。
9.如权利要求8所述的混合动力汽车的能量管理方法,其特征在于,所述通过所述模型预测控制器实时更新SOC状态,以实现能量管理,具体为:
通过所述模型预测控制器计算燃油消耗最小值;
在预测域内通过动态规划优化器,计算当燃油消耗最小时的最优电机扭矩序列;
通过当前时刻最优电机扭矩序列对应的最优电机扭矩值,调整电机扭矩,更新SOC状态,以实现能量管理。
10.一种混合动力汽车的能量管理***,其特征在于,包括:工况信息处理模块、SOC参考值模块和预测控制模块;
所述工况信息处理模块用于根据历史工况信息,构建工况信息库和混合动力汽车的整车模型;
所述SOC参考值模块用于根据所述工况信息库和整车模型,构建深度确定性策略梯度算法的SOC参考值模型,生成SOC参考值轨迹,控制SOC值沿着SOC参考值轨迹变化,以实现能量控制;
所述预测控制模块用于在所述SOC值控制过程中,基于汽车的历史速度数据,计算汽车的预测速度,并基于预测速度,构建汽车的模型预测控制器,通过所述模型预测控制器实时更新SOC状态,以实现能量管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210799248.3A CN115107733A (zh) | 2022-07-08 | 2022-07-08 | 一种混合动力汽车的能量管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210799248.3A CN115107733A (zh) | 2022-07-08 | 2022-07-08 | 一种混合动力汽车的能量管理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115107733A true CN115107733A (zh) | 2022-09-27 |
Family
ID=83331333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210799248.3A Pending CN115107733A (zh) | 2022-07-08 | 2022-07-08 | 一种混合动力汽车的能量管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115107733A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495997A (zh) * | 2022-10-28 | 2022-12-20 | 东南大学 | 一种基于异构多智能体深度强化学习的新能源汽车生态驾驶方法 |
CN116946107A (zh) * | 2023-09-21 | 2023-10-27 | 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 |
CN117698689A (zh) * | 2024-02-06 | 2024-03-15 | 北京航空航天大学 | 一种基于时变场景的混动汽车能量利用轨迹规划方法 |
-
2022
- 2022-07-08 CN CN202210799248.3A patent/CN115107733A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495997A (zh) * | 2022-10-28 | 2022-12-20 | 东南大学 | 一种基于异构多智能体深度强化学习的新能源汽车生态驾驶方法 |
CN115495997B (zh) * | 2022-10-28 | 2024-01-30 | 东南大学 | 一种基于异构多智能体深度强化学习的新能源汽车生态驾驶方法 |
CN116946107A (zh) * | 2023-09-21 | 2023-10-27 | 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 |
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 |
CN117698689A (zh) * | 2024-02-06 | 2024-03-15 | 北京航空航天大学 | 一种基于时变场景的混动汽车能量利用轨迹规划方法 |
CN117698689B (zh) * | 2024-02-06 | 2024-04-05 | 北京航空航天大学 | 一种基于时变场景的混动汽车能量利用轨迹规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111267831B (zh) | 一种混合动力车辆智能变时域模型预测能量管理方法 | |
Yuan et al. | Intelligent energy management strategy based on hierarchical approximate global optimization for plug-in fuel cell hybrid electric vehicles | |
CN110341690B (zh) | 一种基于确定性策略梯度学习的phev能量管理方法 | |
Liu et al. | Optimal power management based on Q-learning and neuro-dynamic programming for plug-in hybrid electric vehicles | |
Tang et al. | Distributed deep reinforcement learning-based energy and emission management strategy for hybrid electric vehicles | |
Liu et al. | Reinforcement learning optimized look-ahead energy management of a parallel hybrid electric vehicle | |
Enang et al. | Modelling and control of hybrid electric vehicles (A comprehensive review) | |
Zhang et al. | Optimal control of power-split hybrid electric powertrains with minimization of energy consumption | |
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 | |
WO2021114742A1 (zh) | 一种混合动力电动汽车综合预测能量管理方法 | |
Qi et al. | Development and evaluation of an evolutionary algorithm-based online energy management system for plug-in hybrid electric vehicles | |
Xu et al. | Look-ahead prediction-based real-time optimal energy management for connected HEVs | |
CN115107733A (zh) | 一种混合动力汽车的能量管理方法及*** | |
Liu et al. | Rule-corrected energy management strategy for hybrid electric vehicles based on operation-mode prediction | |
Lü et al. | Hybrid electric vehicles: A review of energy management strategies based on model predictive control | |
CN112668799A (zh) | 基于行驶大数据的phev的智能能量管理方法和存储介质 | |
CN105644548A (zh) | 混合动力汽车的能量控制方法及装置 | |
Zhou et al. | A quantitative analysis of model predictive control as energy management strategy for hybrid electric vehicles: A review | |
Lin et al. | A driving-style-oriented adaptive control strategy based PSO-fuzzy expert algorithm for a plug-in hybrid electric vehicle | |
Wang et al. | A comparative study of 13 deep reinforcement learning based energy management methods for a hybrid electric vehicle | |
Montazeri-Gh et al. | Driving condition recognition for genetic-fuzzy HEV control | |
Yan et al. | Design of a deep inference framework for required power forecasting and predictive control on a hybrid electric mining truck | |
Peng et al. | Ecological Driving Framework of Hybrid Electric Vehicle Based on Heterogeneous Multi-Agent Deep Reinforcement Learning | |
CN113479187B (zh) | 一种插电式混合动力汽车分层异步长能量管理方法 | |
Zhang et al. | Uncertainty-Aware Energy Management Strategy for Hybrid Electric Vehicle Using Hybrid Deep Learning 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 |