CN115214607B - 一种插电式混合动力汽车能量管理方法 - Google Patents
一种插电式混合动力汽车能量管理方法 Download PDFInfo
- Publication number
- CN115214607B CN115214607B CN202111542847.9A CN202111542847A CN115214607B CN 115214607 B CN115214607 B CN 115214607B CN 202111542847 A CN202111542847 A CN 202111542847A CN 115214607 B CN115214607 B CN 115214607B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- equivalent
- battery
- power
- fuel consumption
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 24
- 239000000446 fuel Substances 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 41
- 238000011217 control strategy Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 239000010705 motor oil Substances 0.000 claims description 6
- 239000003921 oil Substances 0.000 claims description 3
- 238000009448 modified atmosphere packaging Methods 0.000 description 37
- 230000006870 function Effects 0.000 description 31
- 210000002569 neuron Anatomy 0.000 description 22
- 241000156302 Porcine hemagglutinating encephalomyelitis virus Species 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 7
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000002860 competitive effect Effects 0.000 description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 235000019837 monoammonium phosphate Nutrition 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
- B60W2510/244—Charge state
-
- 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
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
- B60W2530/18—Distance travelled
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种插电式混合动力汽车能量管理方法。该方法包括：在车辆行驶过程中，识别车辆当前的行驶工况；根据识别到的车辆当前的行驶工况，查询预先建立的所述行驶工况下的等效因子MAP图，获取相应的等效因子；利用等效燃油消耗最小控制策略，根据所获取的等效因子实时分配车辆当前行驶状态下的电池能量和发动机能量，使得车辆当前时刻的等效燃油消耗率最小。本发明能够在车辆行驶过程中根据车辆当前的行驶工况即时获取相应的等效因子，根据等效因子实时进行车辆能量管理，降低行驶过程的等效燃油消耗。
Description
技术领域
本发明涉及车辆能量管理技术领域，具体涉及一种插电式混合动力汽车能量管理方法。
背景技术
石油供给问题和环境污染问题制约着我国汽车产业的发展，新能源汽车的发展越来越受到关注。插电式混合动力汽车(Plug-in hybrid electric vehicle，PHEV)作为新能源汽车的一种，拥有相比于燃料电池汽车(Fuel Cell Electric Vehicle，FCEV)更加成熟的技术和相比于纯电动汽车(Electric Vehicle，EV)更长的续航以及更低的充电设施依赖。
PHEV能够从外部电网获得电能，对PHEV的动力电池充电，是介于HEV与EV之间的一种新能源汽车。由于PHEV既可以通过电网获得电能，短途行驶时，进行纯电动行驶；长途行驶时，可以像HEV一样进行，由发动机、电机混合驱动，从而不必对行驶里程产生焦虑。也因为如此，PHEV的驱动***拥有多个能量源，这表明整车的驱动功率可以分配给电池或者发动机。基于PHEV的这一特点，因为使用电池的电能比较便宜，那么，如何在PHEV运行过程中，合理的使用电池的能量，获得最优的能量分配，达到最低的运行成本，这是能量管理策略的难点，也是研究的热点。
同时，随着智能交通***的不断发展，采用车联网技术解决混合动力汽车的实时优化控制成为学者们关注的焦点，因此发展智能网联PHEV能量管理策略，对于新能源汽车借助智能网联化技术实现进一步节能减排，具有十分重要的意义。
发明内容
本发明实施例所要解决的技术问题在于，提供一种插电式混合动力汽车能量管理方法，能够在车辆行驶过程中根据车辆当前的行驶工况即时获取相应的等效因子，根据等效因子实时进行车辆能量管理，降低行驶过程的等效燃油消耗。
为解决上述技术问题，本发明实施例提供一种插电式混合动力汽车能量管理方法，包括：
步骤S1，在车辆行驶过程中，识别车辆当前的行驶工况；
步骤S2，根据识别到的车辆当前的行驶工况，查询预先建立的所述行驶工况下的等效因子MAP图，获取相应的等效因子，其中，所述等效因子MAP图是基于等效燃油消耗最小控制策略，建立并求解下列等效因子全局优化模型而建立，所述等效因子全局优化模型包括代价函数及约束条件，其中：
(1)代价函数为：
其中：
式中，t为循环工况运行的时间，表示整车t时刻的等效燃油消耗，表示发动机t时刻的燃油消耗，Pe(t,u)表示从电网充入电池的电功率或者电池输出的功率，Hf表示燃油的低热值，S(t)表示将电能转化为等效燃油的等效因子；
(2)约束条件为：
式中，PICE为发动机功率，PICEmin、PICEmax为发动机功率上、下限，PISG为ISG电机功率，PISGmin为ISG电机功率下限，PM为电动机功率，PMmin、PMmax为电动机功率上、下限，SOC为电池荷电状态值，SOCmax、SOCmin为电池荷电状态值上、下限；
步骤S3，利用等效燃油消耗最小控制策略，根据所获取的等效因子实时分配车辆当前行驶状态下的电池能量和发动机能量，使得车辆当前时刻的等效燃油消耗率最小。
进一步地，所述等效因子MAP图是所述行驶工况下，不同行驶距离与电池荷电状态初始值下的等效因子MAP图；
所述步骤S1中，进一步包括：获取车辆行驶过程中的相关数据，该数据包括车辆当前的行驶距离和电池荷电状态初始值；
所述步骤S2中，进一步包括：根据识别到的车辆当前的行驶工况以及所述车辆当前的行驶距离和电池荷电状态初始值，查询所述等效因子MAP图，获取相应的等效因子。
进一步地，所述步骤S2中，所述等效因子全局优化模型的代价函数中，等效因子公式表示为：
式中，S(t)表示t时刻的等效因子，Sref为等效因子的初始参考值，为电机平均效率，/>为发动机平均效率，l1和l2为调整参数，SOCinit表示电池荷电状态初始值，D(t)表示车辆行驶到t时刻时的行驶距离，/>表示整个行驶距离，SOCend表示行驶终点时电池荷电状态值。
进一步地，所述步骤S2中，所述等效因子MAP图的建立方法，具体包括：
步骤S21，基于等效燃油消耗最小控制策略，确定所述等效因子公式；
步骤S22，基于所述等效因子公式，建立所述等效因子全局优化模型；
步骤S23，以发动机功率、ISG电机功率、电动机功率作为控制变量，通过控制所述行驶工况的一循环工况下控制变量的值，利用遗传算法离线求解所述代价函数，获得调整参数l1和l2的最优解，从而获得所述循环工况下的等效因子；
步骤S24，根据所述步骤S23中所获得的等效因子，建立所述行驶工况下的等效因子MAP图。
进一步地，所述行驶工况为城市拥堵工况、城市郊区工况、或者高速工况。
进一步地，所述步骤S3中，所述等效燃油消耗最小控制策略的优化目标函数为：
Jmin＝min(JECMS)
其中：
式中，发动机油耗模型为：
电池等效油耗模型为：
其中，ηICE、ηISG、ηm分别为发动机、ISG电机、电动机的效率，ηchg、ηdis分别为电池的充、放电效率，Sopt为所获取的等效因子；
所述优化目标函数的约束条件为：
式中，Preq为整车需求功率，PICE为发动机功率，Pb为电池功率，PICEmin、PICEmax为发动机功率上、下限，PISG为ISG电机功率，PISGmin为ISG电机功率下限，Pm为电动机功率，Pmmin、Pmmax为电动机功率上、下限，Pchgmin、Pdismax分别为电池最小充电功率、最大放电功率，SOC为电池荷电状态值，SOCmax、SOCmin为电池荷电状态值上、下限。
进一步地，所述步骤S3中，利用等效燃油消耗最小控制策略，根据所获取的等效因子实时分配车辆当前行驶状态下的电池能量和发动机能量，使得车辆当前时刻的等效燃油消耗率最小，具体包括：
以电池功率作为控制变量，根据整车需求功率，获得满足所述优化目标函数的约束条件的发动机和电池的所有可能的功率点；
将所获取的等效因子、发动机和电池的功率点，输入所述发动机油耗模型和所述电池等效油耗模型，分别计算发动机的燃油消耗率和电池的等效燃油消耗率；
根据所述优化目标函数获得最小等效燃油消耗率，输出满足所述最小等效燃油消耗率的发动机和电池的功率分配。
进一步地，所述电池功率表示为：
u＝Pb(PISG(t),Pm(t))
式中，Pbmin(SOC)≤u≤Pbmax(SOC)。
进一步地，所述整车需求功率满足车辆行驶过程中无需停车等待通过交通信号灯路口。
进一步地，所述方法在执行所述步骤S3之前，执行获取所述整车需求功率的步骤，具体包括：
基于车联网C-V2X通信，于车辆在交通信号灯路口行驶过程中，获取周围车辆的状态信息以及交通信号灯的SPAT相关数据；
根据所述周围车辆的状态信息以及SPAT相关数据，由下式计算获得车辆无需停车等待通过交通信号灯路口的建议车速范围：
tc＝tg+tr
式中，vih(td)和vil(td)为建议车速范围的上、下限；dia(td)为td时刻第i辆车与交通信号灯a的距离；Kw为信号灯的循环次数；tr和tg分别为红灯和绿灯持续时间；tc为一个红绿灯循环周期，等于红灯和绿灯持续时间之和；Vimax为当前车道汽车允许的最大车速；mod()为t除以tc余数的函数，其中，交通信号灯以红灯开始，且当t＝Kwtc时，Kw增加1；
计算车辆以所述建议车速范围内的车速行驶时车辆的整车需求功率。
进一步地，所述步骤S1进一步包括：
步骤S11，车辆在交通信号灯路口行驶过程中，执行所述获取所述整车需求功率的步骤，获取整车需求功率，并以所述建议车速范围内的车速行驶；
步骤S12，在车辆行驶过程中，识别车辆当前的行驶工况。
进一步地，所述步骤S1中，识别车辆当前的行驶工况，具体包括：利用LVQ神经网络道路识别方法，识别车辆当前的行驶工况。
实施本发明实施例，具有如下有益效果：本发明实施例的插电式混合动力汽车能量管理方法，针对不同的行驶工况离线建立等效因子MAP图，在车辆行驶过程中，本发明实施例可以识别车辆当前的行驶工况，再查询当前行驶工况对应的等效因子MAP图，获取相应的等效因子，以根据该等效因子实时分配车辆当前行驶状态下的电池能量和发动机能量，使得车辆当前时刻的等效燃油消耗率最小，如此，本发明实施例能够更加准确地通过等效因子MAP图，控制电池能量的分配，从而更合理地分配发动机和电池的能量，更合理地使用电池的能量，获得较好的全局燃油经济性；进一步地，在建立不同行驶工况下的等效因子MAP图时，本发明实施例基于等效燃油消耗最小控制策略，建立全新的等效因子模型，并基于该等效因子模型构建等效因子全局优化模型，再利用遗传算法对等效因子全局优化模型求解，离线优化一定行驶工况下的等效因子，获得该行驶工况下，不同行驶距离与电池荷电状态初始值下的等效因子MAP图，实现插电式混合动力汽车在行驶里程结束时，刚好达到设定的电池SOC值，实现电池SOC缓慢放电和充电，实现全局最优的能量分配，实现全局等效油耗最小；本发明实施例还可以基于车联网C-V2X通信，确定满足车辆行驶过程中无需停车等待通过交通信号灯路口的整车需求功率，并将其应用于等效燃油消耗最小控制策略的优化目标函数最小值计算，获得发动机、电动机和ISG电机的功率分配，以此实时控制整车的运行，能够进一步地降低燃油消耗，降低插电式混合动力汽车的运行成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例适用的一插电混合动力***的结构简图。
图2为本发明实施例的插电式混合动力汽车能量管理方法的流程图。
图3-图5分别为本发明一实施例中城市拥堵工况、城市郊区工况、高速工况的示意图。
图6为本发明一实施例中一循环工况分段示意图。
图7为本发明一实施例中的LVQ神经网络的结构示意图。
图8为本发明一实施例中的LVQ神经网络训练误差变化过程的示意图。
图9和图10分别为本发明一实施例中的LVQ神经网络训练后的效果图和误差图。
图11为本发明一实施例中电池SOC与等效因子的关系图。
图12为本发明一实施例中建立等效因子MAP图的流程图。
图13-图15分别为本发明一实施例中建立的城市拥堵工况、城市郊区工况、高速工况下的等效因子MAP图。
图16为本发明一实施例中对ECMS的优化目标函数进行实时优化控制求解的流程图。
图17为本发明一实施例中车辆以建议车速范围内的车速行驶时的插电式混合动力汽车能量管理方法的流程示意图。
图18为有工况识别与无工况识别时的电池SOC及等效油耗随行驶距离变化的曲线图。
图19为有工况识别与无工况识别时的电池SOC及等效因子随行驶距离变化的曲线图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
本发明实施例的插电式混合动力汽车能量管理方法，适用于插电混合动力***，以图1中的插电混合动力***为例，其可以采用多种驱动模式，包括纯电动模式(电动机驱动)、串联增程模式(发动机带动电机发出电能，电动机单独驱动整车)、并联混动模式(发动机和电动机联合驱动)、发动机直驱模式。由于插电混合动力***拥有多个能量源，其整车驱动功率可以分配给电池或者发动机，而使用电池的电能较为便宜，合理使用电池的能量，获得最优的能量分配，可以降低整车运行成本。
本发明考虑不同行驶工况下电池荷电状态(State of Charge，SOC)、等效因子与燃油消耗的关系，在车辆行驶过程中，通过识别车辆当前的行驶工况，确定当前行驶工况下最佳的等效因子，再利用等效燃油消耗最小控制策略，根据所确定的等效因子实时分配车辆当前行驶状态下的电池能量和发动机能量，使得车辆当前时刻的等效燃油消耗率最小，实现对插电式混合动力汽车的能量管理。
本发明实施例的插电式混合动力汽车能量管理方法，如图2所示，可以包括下列步骤：
步骤S1，在车辆行驶过程中，识别车辆当前的行驶工况。
在一实施例，可以利用LVQ神经网络道路识别方法识别车辆当前的行驶工况，但本发明不限于此，亦可采用其他车辆行驶工况识别方法来识别车辆当前的行驶工况。
在一实施例中，利用LVQ神经网络道路识别方法识别车辆当前的行驶工况，具体可以包括如下步骤：
对车辆行驶过程中120秒行驶距离进行特征参数提取；
将所提取的特征参数输入已训练好的LVQ神经网络中，利用训练好的LVQ神经网络对行驶工况进行分类识别。
具体而言，在一实施例中，本发明利用循环工况中的11个特征参数，针对车辆行驶过程中120s行驶工况进行特征参数提取。
在实际道路行驶时，汽车所面临的行驶工况比较复杂，在实际行驶中可能在各种复杂的行驶工况中连续运行，因此按照车辆行驶场景的不同，本发明实施例中行驶工况可以分为城市拥堵工况、城市郊区工况、高速工况，分别如图3-图5所示，其中图3呈现城市拥堵工况(NYCC)，图4呈现城市郊区工况(UDDS)，图5呈现高速工况(HWFET)。
对于工况特征参数的提取，其原则是包含每个循环工况的特征，但是工况特征选择过多，则会导致计算量的增大；特征参数选择过少，又会导致工况识别的误差较大，影响识别的精度。本发明实施例选择具有代表性的11个特征参数：
①.按照下列公式计算循环工况的平均车速
式中：vg为每个时刻的循环工况车速；tg为整个循环工况的时刻数；
②.按照下列公式计算循环工况的最高车速vgmax：
vgmax＝max(vg)；
③.按照下列公式计算循环工况的最大加速度agmax：
agmax＝max(ag)
式中：ag为循环工况的加速度；
④.按照下列公式计算循环工况的加速度平均值
⑤.按照下列公式计算循环工况的最大减速度dgmax，m/s2：
dgmax＝max(dg)
式中：dg为循环工况的减速度(加速度为负值)；
⑥.按照下列公式计算循环工况的减速度平均值m/s2：
⑦.怠速时间比例ri，指工况怠速的时间在整个循环工况总时间中所占的百分比；
⑧.加速时间比例ra，表示工况加速的时间在整个循环工况总时间中所占的百分比；
⑨.减速时间比例rd，表示工况减速的时间在整个循环工况总时间中所占的百分比；
⑩.匀速时间比例rc，表示工况匀速的时间在整个循环工况总时间中所占的百分比；
⑾.怠速的次数fi。
采用如图6所示的复合等分法，将循环工况识别周期划分为120s的工况块，并且为增加测试数据量，将相邻工况块中点之间的工况块继续划分为一个工况块。
在此基础上，可以构建和训练LVQ神经网络，利用LVQ神经网络对行驶工况进行分类识别。
学习向量量化(Learning Vector Quantization，LVQ)神经网络是一种用于训练竞争层有监督学习方法的输入前向神经网络。LVQ神经网络主要由三部分组成：输入层、竞争层和线性输出层，其结构如图7所示。图中，P为输入模式R维，R为输入训练样本的向量维数，上角标1、2分别表示竞争层和线性输出层，S表示神经元个数，n表示神经元的输入，a表示神经元输出；IW(1,1)表示输入层和竞争层的连接权系数矩阵，LW(2,1)表示竞争层和线性输出层的连接权系数矩阵，||ndist||表示两个多维度向量组的距离；compet(·)表示竞争层神经网络计算处理；purelin(·)表示线性输出层神经网络计算处理。
LVQ神经网络的竞争层神经元个数必须大于线性输出层神经元个数，因为每个竞争层神经元只能和一个线性输出层的神经元连接，并且其权值为1。但是线性输出层的神经元可与多个竞争层神经元连接，且竞争层与输出层神经元之间的值只能为1或0。当某个数据样本通过输入层进入LVQ网络时，在竞争层中的、与输入模式距离最近的神经元被激活，状态变为“1”，同时与之相连接的输出层神经元被激活，状态变为“1”；但是其他竞争层的神经元和输出层神经元状态变为“0”。
LVQ神经网络算法步骤为：
①.初始化输入层和竞争层的权值wij及学习率η(η>0)。
②.将输入向量x＝(x1,x2,…,xR)T赋值给输入层，并根据下式计算竞争层神经元与输入向量的距离：
其中i＝1,2,…S1
式中wij表示输入层的神经元j和竞争层神经元i之间的权值。
③.如果di最小，选择与输入向量距离最小的竞争层神经元，并将与其相连接的线性输出层神经元的类标签为Ci。
④.记输入向量对应的类标签为Cx，如果Ci＝Cx，则根据下式调整权值：
wij_new＝wij_old+η(x-wij_old)，
否则，调整权值为：
wij_new＝wij_old-η(x-wij_old)。
返回步骤②，执行步骤②-④，进行权值调整，直到达到预设的训练次数或精度要求。
在进行工况识别时，针对循环工况，选用了11个特征参数，因此，输入层有11个节点，线性输出层为3个神经元，代表3种工况类型，即1代表城市拥堵工况，2代表城市郊区工况，3代表高速工况。由于训练集和测试集是随机分配的，经过训练，训练误差变化如图8所示。由图8可知，在训练达到54次时，识别的误差不再变化，趋近于0，说明训练的LVQ神经网络效果比较好。其中随机选取一组训练数据，输入到训练好的LVQ神经网络中，其识别分类结果及误差分别如图9和图10所示。
在训练好LVQ神经网络之后，本发明实施例即可利用LVQ神经网络道路识别方法识别车辆当前的行驶工况。
进一步地，在步骤S1中，在车辆行驶过程中，本发明实施例可以获取车辆行驶过程中的相关数据，该数据包括车辆当前的行驶距离和电池荷电状态初始值，例如可以通过根据路径规划、智能导航等方式获取车辆当前的行驶距离。
步骤S2，根据识别到的车辆当前的行驶工况，查询预先建立的该行驶工况下的等效因子MAP图，获取相应的等效因子。其中，等效因子MAP图是基于等效燃油消耗最小控制策略(Equivalent fuel consumption minimization strategy，ECMS)，建立并求解下列等效因子全局优化模型而建立，等效因子全局优化模型包括代价函数及约束条件，其中：
(1)代价函数为：
其中：
式中，t为循环工况运行的时间，表示整车t时刻的等效燃油消耗，表示发动机t时刻的燃油消耗，Pe(t,u)表示从电网充入电池的电功率或者电池输出的功率，Hf表示燃油的低热值，S(t)表示将电能转化为等效燃油的等效因子；
(2)约束条件为：
式中，PICE为发动机功率，PICEmin、PICEmax为发动机功率上、下限，PISG为ISG电机功率，PISGmin为ISG电机功率下限，PM为电动机功率，PMmin、PMmax为电动机功率上、下限，SOC为电池荷电状态值，SOCmax、SOCmin为电池荷电状态值上、下限。
本发明实施例中，预先建立针对不同行驶工况的等效因子MAP图，在识别到车辆当前的行驶工况时，通过查询与该行驶工况下的等效因子MAP图，获取相应的等效因子。该等效因子MAP图是基于求解上述等效因子全局优化模型而建立，对等效因子全局优化模型的求解则可以通过在已有的工况库中提取行驶工况的一循环工况下的相关参数，利用遗传算法实现。
进一步地，在一实施例中，本发明的各行驶工况的等效因子MAP图，是该行驶工况下，不同行驶距离与电池荷电状态初始值下的等效因子MAP图。基于此，本发明实施例在识别到车辆当前的行驶工况时，可以根据所获取的车辆当前的行驶距离和电池荷电状态初始值，查询该行驶工况下的等效因子MAP图，从而获取相应的等效因子。各行驶工况下的等效因子MAP图的建立方法，可以包括如下步骤：
步骤S21，基于等效燃油消耗最小控制策略，确定等效因子公式。
结合等效燃油消耗思想，可以确定任一时刻时以整车等效燃油消耗率为优化控制的目标函数，目标函数可以写为前文中的式(2)。
对于式(2)的求解，基于庞特亚金极小值原理(Pontryagin’s minimumPrinciple，PMP)，构建汉密尔顿(Hamilton)函数，如下：
其中λ(t)为拉格朗日乘子。根据庞特亚金极小值原理，λ(t)的正则方程为：
约束条件为：
其中SOCf表示SOC行驶末端最终值，SOCobj表示SOC行驶末端目标值，SOCmax、SOCmin表示电池SOC上、下限定值。
由于：
Pe(t,u)＝IVoc，
其中为电池充放电变化率，I为电池电流，C为电池容量，Voc为电池的开路电压，式(3)可以写为：
由式(2)和式(4)可知：
由于λ(t)随时间变化的随机性较大，在实际运行过程中，如果没有提前预知需求功率，很难获得最佳的λ(t)。但是，ECMS中的等效因子S，对于不同电池SOC初始值时，等效因子S值的大体变化是知道的。在HEV电量维持阶段控制中，使用惩罚函数的概念，对动力电池的电量进行等效油耗修正，调控对电能的使用倾向，将电池SOC维持在合理的范围内，因为对于等效因子S，可以认为是对电能“价格”的调控：电池SOC比较高时，可以降低电能的“价格”，使电能变的相对便宜，使插电式混合动力汽车更倾向于利用电能；电池SOC比较低时，可以提高电能的“价格”，使插电式混合动力汽车倾向于使用燃油。
因此，定义下列包含对电池SOC的惩罚函数在内的整车燃油消耗目标函数：
根据哈密顿-雅克比方程可得，最优状态变量为：
因此，结合式(5)和式(6)可得：
其中为电机平均效率，/>为发动机平均效率，p为惩罚因子，SOCref-SOC(t)为SOC参考值与t时刻SOC的差值。
将式(7)改写为：
其中，等效因子的初始参考值为：
以混联构型的插电混合动力***为例，
式(8)中，l1和l2为调整参数，通过调整这两个调整参数，可以控制惩罚函数的形状，例如Sref＝3.24，l1＝0.25，l2＝0.5时，如图11所示，当电池SOC比较大时，等效因子大约在3.22处，表示整车尽可能地使用电能，以降低整车使用成本；当SOC较小时，表示使用电池的电能成本高，使用发动机提供动力。通过实时地调整等效因子，可以动态的调整发动机与电池的能量分配。
由于SOC参考值与行驶距离D的关系为：
式中SOCref(t)表示t时刻的电池SOC参考值，SOCinit表示SOC初始值，D(t)表示车辆行驶到t时刻时的距离，表示由驾驶员提供的整个行驶距离，SOCend表示行驶终点时SOC值，结合式(8)和式(9)，即可获得如下等效因子公式：
可见，等效因子不仅与电池SOC有关，还和车辆当前的行驶距离相关。
基于式(10)，通过调整调整参数l1和l2，获得理想的等效因子，本发明实施例能够以最优的方式利用电能，降低整车使用成本。
由于等效因子在特定的循环工况中，能以最优的方式利用电池的电能；但其他工况，又可能导致电池电能使用成本的升高。为了在不同的循环工况中均能获得理想的等效因子，以便以最优的方式利用电池的电能，本发明实施例进一步在步骤S22，针对等效因子进行全局寻优。
步骤S22，基于所确定的等效因子公式(10)，建立所述的等效因子全局优化模型。
在一实施例中，本发明基于式(2)和式(10)建立等效因子全局优化模型的代价函数(1)，用于全局寻优等效因子。
步骤S23，以发动机功率、ISG电机功率、电动机功率作为控制变量，通过控制行驶工况的一循环工况下控制变量的值，利用遗传算法离线求解代价函数(1)，获得调整参数l1和l2的最优解，从而获得该循环工况下的等效因子，为最优等效因子，记作Sopt。
具体而言，在已有的工况库中提取各行驶工况的一循环工况下的相关参数，根据工况参数和电池荷电状态初始值，利用遗传算法离线求解代价函数(1)，此过程可如图12中所示，最终获得调整参数l1和l2的最优解；再根据等效因子公式(10)，可以计算得到相应的等效因子，即相应行驶工况的循环工况下的最优等效因子Sopt。
步骤S24，根据步骤S23中所获得的等效因子Sopt，建立相应行驶工况下，不同行驶距离与电池荷电状态初始值下的等效因子MAP图。
由此，本发明实施例能够基于等效燃油消耗最小控制策略，确定等效因子公式，建立等效因子全局优化模型，针对不同的循环工况和电池SOC初始值，采用遗传算法对等效因子全局优化模型求解，获得循环工况下的等效因子，分别建立不同行驶工况下，不同行驶距离与电池荷电状态初始值下的等效因子MAP图，此过程可参考图12所示。
根据上述方法，于本发明一实施例中建立的不同行驶工况下的等效因子MAP图，可以参考图13-图15所示，分别对应城市拥堵工况、城市郊区工况、高速工况。由图13-图15可知，在一定电池SOC初始值下，随着行驶距离的增加，最佳等效因子Sopt逐渐增大，说明随着距离的增大，修正系数调整发动机与电池的能量分配，使电池能量缓慢放电，合理使用电池的能量，能够使整车的燃油经济性达到全局最优。
因此，在步骤S2，可以根据识别到的车辆当前的行驶工况以及车辆当前的行驶距离和电池荷电状态初始值，查询相应的等效因子MAP图，获取相应的等效因子。
之后，本发明实施例在步骤S3，利用等效燃油消耗最小控制策略，根据所获取的等效因子Sopt实时分配车辆当前行驶状态下的电池能量和发动机能量，使得车辆当前时刻的等效燃油消耗率最小。
具体而言，本发明实施例构建等效燃油消耗最小控制策略的优化目标函数，如下：
Jmin＝min(JECMS) (11)
其中，JECMS是由式(2)改写而来，如下：
式中，发动机油耗模型为：
电池等效油耗模型为：
其中，ηICE、ηISG、ηm分别为发动机、ISG电机、电动机的效率，ηchg、ηdis分别为电池的充、放电效率，Sopt为所获取的等效因子。
优化目标函数的约束条件为：
式中，Preq为整车需求功率，PICE为发动机功率，Pb为电池功率，PICEmin、PICEmax为发动机功率上、下限，pISG为ISG电机功率，PISGmin为ISG电机功率下限，Pm为电动机功率，Pmmin、Pmmax为电动机功率上、下限，Pchgmin、Pdismax分别为电池最小充电功率、最大放电功率，SOC为电池荷电状态值，SOCmax、SOCmin为电池荷电状态值上、下限。
本发明实施例在步骤S3中，利用等效燃油消耗最小控制策略，根据所获取的等效因子实时分配车辆当前行驶状态下的电池能量和发动机能量，使得车辆当前时刻的等效燃油消耗率最小的过程，即是对上述优化目标函数(11)进行实时优化控制求解的过程，具体可以包括：
步骤S31，以电池功率作为控制变量，根据整车需求功率，获得满足上述优化目标函数的约束条件的发动机和电池的所有可能的功率点，其中，电池功率表示为：
u＝Pb(PISG(t),Pm(t))
式中，Pbmin(SOC)≤u≤Pbmax(SOC)；
步骤S32，将所获取的等效因子、发动机和电池的功率点，输入发动机油耗模型(13)和电池等效油耗模型(14)，分别计算发动机的燃油消耗率和电池的等效燃油消耗率；
步骤S33，根据优化目标函数(11)，获得最小等效燃油消耗率，输出满足该最小等效燃油消耗率的发动机和电池的功率分配。亦可以进一步确定电动机、ISG电机的功率分配。该具体求解过程可以参照图16所示。
如此，本发明实施例可以在步骤S2获得最佳的等效因子的基础上，通过步骤S3实时获得电池和发动机能量的最佳分配，使得车辆当前时刻的等效燃油消耗率最小，进而达到整个行驶里程燃油消耗最小，从而获得最佳的运行成本。
在此基础上，本发明进一步考虑：在城市道路具有交通信号灯情况下，车辆走走停停也会使得整车的燃油经济性降低，因此在交通信号灯路口，基于车联网C-V2X通信进行车辆与交通信号灯数据实时交互，尽量避免车辆停车等待，来进一步地降低燃油消耗。为了实现这一效果，本发明实施例可以将步骤S3中采用的整车需求功率设置为满足车辆行驶过程中无需停车等待通过交通信号灯路口。在一实施例中，本发明可以在执行步骤S3之前，通过如下步骤来获取该整车需求功率：
步骤S41，基于车联网C-V2X通信，于车辆在交通信号灯路口行驶过程中，获取周围车辆的状态信息以及交通信号灯的SPAT相关数据。
步骤S42，根据所获取的周围车辆的状态信息以及SPAT相关数据，由下式计算获得车辆无需停车等待通过交通信号灯路口的建议车速范围：
/>
tc＝tg+tr
式中，vih(td)和vil(td)为建议车速范围的上、下限；dia(td)为td时刻第i辆车与交通信号灯a的距离；Kw为信号灯的循环次数；tr和tg分别为红灯和绿灯持续时间；tc为一个红绿灯循环周期，等于红灯和绿灯持续时间之和；Vimax为当前车道汽车允许的最大车速；mod()为t除以tc余数的函数，其中，交通信号灯以红灯开始，且当t＝Kwtc时，Kw增加1。
当满足约束条件且驾驶员按照建议车速范围[vil(td),vih(td)]行驶时，可以避免车辆经过交通信号灯路口时停车怠速，无需停车地驶过路口，能够进一步降低燃油消耗。
步骤S43，计算车辆以建议车速范围[vil(td),vih(td)]内的车速行驶时车辆的整车需求功率。
上述获取建议车速范围和整车需求功率的步骤可以在步骤S1中执行。举例说明，在一实施例中，车辆在交通信号灯路口行驶过程中，首先执行获取整车需求功率的步骤，计算获得车辆无需停车等待通过交通信号灯路口的建议车速范围，驾驶员根据建议车速行驶；在行驶过程中，可以在车辆无需等待红绿灯的情况下，识别出车辆当前处于城市拥堵工况、城市郊区工况或者高速工况，例如，通过120s的数据采集，利用LVQ神经网络道路识别方法，识别出车辆当前的行驶工况。
在识别车辆当前的行驶工况后，根据当前的行驶距离和电池荷电状态初始值，通过不同工况下的等效因子MAP图，查询获取最优的等效因子Sopt，再根据所获取的等效因子实时分配当前行驶状况下的电能和发动机的能量，使得车辆当前时刻的等效燃油消耗率最小，最终实现整个行驶过程的等效燃油消耗最小。
由此可知，本发明实施例在车辆于交通信号灯路口行驶过程中，可以通过上层控制器，获得车辆无需停车等待通过交通信号灯路口的建议车速范围，进而确定以该建议车速范围内的车速行驶时车辆的整车需求功率，并识别车辆当前的行驶工况；下层控制器则基于不同行驶工况，建立不同行驶距离与电池荷电状态初始值下的等效因子MAP图，获取最优的等效因子，进行全局最优等效因子插电式混合动力汽车能量管理，实时分配当前行驶状况下的电池和发动机的能量，进行插电式混合动力汽车能量管理全局优化，实现整个行驶里程的等效燃油消耗最小，如图17所示(图中HV表示主车，RV表示周边车辆)，如此可以实现基于车路协同的全局最优等效因子插电式混合动力汽车能量管理。
为验证本发明实施例的插电式混合动力汽车能量管理方法的合理性和有效性，针对构建的包括拥堵工况、城市城郊工况、高速工况的综合工况，进行仿真，验证本发明实施例所制定控制策略的控制效果。
如图18所示，为行驶两个综合循环，总共121.6Km，电池SOC初始值为0.9时，电池SOC、等效油耗有工况识别与无工况识别的变化曲线，由图可知，与未识别的SOC变化曲线相比，有工况识别的SOC变化曲线下降的比较缓慢，到达终点时，电池SOC刚好到达设定值0.3；对于未识别的SOC变化曲线，由于工况未识别，电池SOC下降比较快，在运行至85km附近就到达了设定的SOC＝0.3，然后进入了电量维持阶段；说明由于工况识别，控制策略根据识别的工况，更加合理地分配发动机和电池的能量。从行驶的整个里程看，工况识别的等效燃油为4.153L比未识别的等效燃油4.875的燃油经济性好，提高了14.81％。
图19表示在综合行驶工况识别前后，电池SOC和最优等效因子随行驶距离的关系。从SOC下降过程看，无工况识别的电池SOC下降比较快，而有工况识别时，SOC下降缓慢，同时根据最优等效因子的变化，由于工况识别，PHEV可以根据行驶距离和电池SOC比较准确地通过最优等效因子MAP图，控制电池能量的分配，从而在PHEV行驶过程中，根据行驶距离和电池SOC值，合理地使用电池的能量，从而获得较好的全局燃油经济性。
通过上述说明可知，本发明实施例的插电式混合动力汽车能量管理方法，可以针对不同的行驶工况，离线建立不同行驶工况下的等效因子MAP图。在车辆行驶过程中，本发明实施例可以识别车辆当前的行驶工况，如城市拥堵工况、城市郊区工况、高速工况，再查询当前行驶工况对应的等效因子MAP图，获取相应的等效因子，根据所获取的等效因子实时分配车辆当前行驶状态下的电池能量和发动机能量，使得车辆当前时刻的等效燃油消耗率最小。如此，本发明实施例能够更加准确地通过等效因子MAP图，控制电池能量的分配，从而更合理地分配发动机和电池的能量，更合理地使用电池的能量，获得较好的全局燃油经济性。
进一步地，在建立不同行驶工况下的等效因子MAP图时，本发明实施例基于等效燃油消耗最小控制策略，建立全新的等效因子模型，并基于该等效因子模型构建等效因子全局优化模型，以建立基于最优等效因子的ECMS实时优化能量管理；再利用遗传算法对等效因子全局优化模型求解，离线优化一定工况下的等效因子，获得不同行驶距离与电池荷电状态初始值下的等效因子MAP图，实现插电式混合动力汽车在行驶里程结束时，刚好达到设定的电池SOC值，实现电池SOC缓慢放电和充电，实现全局最优的能量分配，实现全局等效油耗最小。本发明实施例的这种控制策略，兼具有瞬时优化的实时性和类似于动态规划全局最优的燃油消耗。
此外，本发明实施例还可以基于车联网C-V2X通信，获得车辆于交通信号灯路口行驶过程中无需停车等待通过交通信号灯路口的建议车速范围，进而确定以该建议车速范围内的车速行驶时车辆的整车需求功率，将经上述过程获得的整车需求功率应用于等效燃油消耗最小控制策略的优化目标函数最小值计算，获得发动机、电动机和ISG电机的功率分配，以此实时控制整车的运行，能够进一步地降低燃油消耗，降低插电式混合动力汽车的运行成本。
本发明实施例具有很高的工程使用性，同时也为解决插电式混合动力汽车不同续航行驶里程的能量分配问题提供理论方法。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种插电式混合动力汽车能量管理方法，其特征在于，包括：
步骤S1，在车辆行驶过程中，识别车辆当前的行驶工况；
步骤S2，根据识别到的车辆当前的行驶工况，查询预先建立的所述行驶工况下的等效因子MAP图，获取相应的等效因子，其中，所述等效因子MAP图是基于等效燃油消耗最小控制策略，建立并求解下列等效因子全局优化模型而建立，所述等效因子全局优化模型包括代价函数及约束条件，其中：
(1)代价函数为：
其中：
式中，t为循环工况运行的时间，表示整车t时刻的等效燃油消耗，/>表示发动机t时刻的燃油消耗，Pe(t,u)表示从电网充入电池的电功率或者电池输出的功率，Hf表示燃油的低热值，S(t)表示将电能转化为等效燃油的等效因子；
(2)约束条件为：
式中，PICE为发动机功率，PICEmin、PICEmax为发动机功率上、下限，PISG为ISG电机功率，PISGmin为ISG电机功率下限，PM为电动机功率，PMmin、PMmax为电动机功率上、下限，SOC为电池荷电状态值，SOCmax、SOCmin为电池荷电状态值上、下限；
步骤S3，利用等效燃油消耗最小控制策略，根据所获取的等效因子实时分配车辆当前行驶状态下的电池能量和发动机能量，使得车辆当前时刻的等效燃油消耗率最小；
所述等效因子MAP图是所述行驶工况下，不同行驶距离与电池荷电状态初始值下的等效因子MAP图；
所述步骤S1中，进一步包括：
获取车辆行驶过程中的相关数据，该数据包括车辆当前的行驶距离和电池荷电状态初始值；
所述步骤S2中，进一步包括：
根据识别到的车辆当前的行驶工况以及所述车辆当前的行驶距离和电池荷电状态初始值，查询所述等效因子MAP图，获取相应的等效因子；
所述步骤S2中，所述等效因子全局优化模型的代价函数中，等效因子公式表示为：
式中，S(t)表示t时刻的等效因子，Sref为等效因子的初始参考值，为电机平均效率，/>为发动机平均效率，l1和l2为调整参数，SOCinit表示电池荷电状态初始值，D(t)表示车辆行驶到t时刻时的行驶距离，/>表示整个行驶距离，SOCend表示行驶终点时电池荷电状态值。
2.根据权利要求1所述的插电式混合动力汽车能量管理方法，其特征在于，所述步骤S2中，所述等效因子MAP图的建立方法，具体包括：
步骤S21，基于等效燃油消耗最小控制策略，确定所述等效因子公式；
步骤S22，基于所述等效因子公式，建立所述等效因子全局优化模型；
步骤S23，以发动机功率、ISG电机功率、电动机功率作为控制变量，通过控制所述行驶工况的一循环工况下控制变量的值，利用遗传算法离线求解所述代价函数，获得调整参数l1和l2的最优解，从而获得所述循环工况下的等效因子；
步骤S24，根据所述步骤S23中所获得的等效因子，建立所述行驶工况下的等效因子MAP图。
3.根据权利要求1-2中任一项所述的插电式混合动力汽车能量管理方法，其特征在于，所述行驶工况为城市拥堵工况、城市郊区工况、或者高速工况。
4.根据权利要求1-2中任一项所述的插电式混合动力汽车能量管理方法，其特征在于，所述步骤S3中，所述等效燃油消耗最小控制策略的优化目标函数为：
Jmin＝min(JECMS)
其中：
式中，发动机油耗模型为：
电池等效油耗模型为：
其中，ηICE、ηISG、ηm分别为发动机、ISG电机、电动机的效率，ηchg、ηdis分别为电池的充、放电效率，Sopt为所获取的等效因子；
所述优化目标函数的约束条件为：
式中，Preq为整车需求功率，PICE为发动机功率，Pb为电池功率，PICEmin、PICEmax为发动机功率上、下限，PISG为ISG电机功率，PISGmin为ISG电机功率下限，PM为电动机功率，PMmin、PMmax为电动机功率上、下限，Pchgmin、Pdismax分别为电池最小充电功率、最大放电功率，SOC为电池荷电状态值，SOCmax、SOCmin为电池荷电状态值上、下限。
5.根据权利要求4所述的插电式混合动力汽车能量管理方法，其特征在于，所述步骤S3中，利用等效燃油消耗最小控制策略，根据所获取的等效因子实时分配车辆当前行驶状态下的电池能量和发动机能量，使得车辆当前时刻的等效燃油消耗率最小，具体包括：
以电池功率作为控制变量，根据整车需求功率，获得满足所述优化目标函数的约束条件的发动机和电池的所有可能的功率点；
将所获取的等效因子、发动机和电池的功率点，输入所述发动机油耗模型和所述电池等效油耗模型，分别计算发动机的燃油消耗率和电池的等效燃油消耗率；
根据所述优化目标函数获得最小等效燃油消耗率，输出满足所述最小等效燃油消耗率的发动机和电池的功率分配。
6.根据权利要求5所述的插电式混合动力汽车能量管理方法，其特征在于，所述电池功率的控制变量表示为：
u＝Pb(PISG(t),PM(t))
式中，Pbmin(SOC)≤u≤Pbmax(SOC)。
7.根据权利要求4所述的插电式混合动力汽车能量管理方法，其特征在于，所述整车需求功率满足车辆行驶过程中无需停车等待通过交通信号灯路口。
8.根据权利要求7所述的插电式混合动力汽车能量管理方法，其特征在于，所述方法在执行所述步骤S3之前，执行获取所述整车需求功率的步骤，具体包括：
基于车联网C-V2X通信，于车辆在交通信号灯路口行驶过程中，获取周围车辆的状态信息以及交通信号灯的SPAT相关数据；
根据所述周围车辆的状态信息以及SPAT相关数据，由下式计算获得车辆无需停车等待通过交通信号灯路口的建议车速范围：
tc＝tg+tr
式中，vih(td)和vil(td)为建议车速范围的上、下限；dia(td)为td时刻第i辆车与交通信号灯a的距离；Kw为信号灯的循环次数；tr和tg分别为红灯和绿灯持续时间；tc为一个红绿灯循环周期，等于红灯和绿灯持续时间之和；Vimax为当前车道汽车允许的最大车速；mod()为t除以tc余数的函数，其中，交通信号灯以红灯开始，且当t＝Kwtc时，Kw增加1；
计算车辆以所述建议车速范围内的车速行驶时车辆的整车需求功率。
9.根据权利要求8所述的插电式混合动力汽车能量管理方法，其特征在于，所述步骤S1进一步包括：
步骤S11，车辆在交通信号灯路口行驶过程中，执行所述获取所述整车需求功率的步骤，获取整车需求功率，并以所述建议车速范围内的车速行驶；
步骤S12，在车辆行驶过程中，识别车辆当前的行驶工况。
10.根据权利要求1所述的插电式混合动力汽车能量管理方法，其特征在于，所述步骤S1中，识别车辆当前的行驶工况，具体包括：
利用LVQ神经网络道路识别方法，识别车辆当前的行驶工况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111542847.9A CN115214607B (zh) | 2021-12-16 | 2021-12-16 | 一种插电式混合动力汽车能量管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111542847.9A CN115214607B (zh) | 2021-12-16 | 2021-12-16 | 一种插电式混合动力汽车能量管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115214607A CN115214607A (zh) | 2022-10-21 |
| CN115214607B true CN115214607B (zh) | 2023-12-22 |
Family
ID=83606142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111542847.9A Active CN115214607B (zh) | 2021-12-16 | 2021-12-16 | 一种插电式混合动力汽车能量管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115214607B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117841966B (zh) * | 2024-03-06 | 2024-05-10 | 成都赛力斯科技有限公司 | 增程器控制策略确定方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102416950A (zh) * | 2011-10-31 | 2012-04-18 | 大连理工大学 | 一种基于最小等效燃油消耗的混合动力汽车控制方法 |
| CN110962837A (zh) * | 2019-11-18 | 2020-04-07 | 浙江工业大学 | 一种考虑驾驶风格的插电式混合动力汽车能量管理方法 |
| CN112677956A (zh) * | 2020-12-31 | 2021-04-20 | 吉林大学 | 一种考虑电池寿命的行星混联式混动车实时优化控制方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7360615B2 (en) * | 2004-06-09 | 2008-04-22 | General Motors Corporation | Predictive energy management system for hybrid electric vehicles |
| US8406948B2 (en) * | 2010-11-08 | 2013-03-26 | Ford Global Technologies, Llc | Plug-in hybrid electric vehicle and method of control for providing distance to empty and equivalent trip fuel economy information |
| KR20210076223A (ko) * | 2019-12-13 | 2021-06-24 | 현대자동차주식회사 | 하이브리드 차량 및 그 제어 방법 |
-
2021
- 2021-12-16 CN CN202111542847.9A patent/CN115214607B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102416950A (zh) * | 2011-10-31 | 2012-04-18 | 大连理工大学 | 一种基于最小等效燃油消耗的混合动力汽车控制方法 |
| CN110962837A (zh) * | 2019-11-18 | 2020-04-07 | 浙江工业大学 | 一种考虑驾驶风格的插电式混合动力汽车能量管理方法 |
| CN112677956A (zh) * | 2020-12-31 | 2021-04-20 | 吉林大学 | 一种考虑电池寿命的行星混联式混动车实时优化控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 等效因子离散全局优化的等效燃油瞬时消耗最小策略能量管理策略;林歆悠等;机械工程学报;第52卷(第20期);第102-110页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115214607A (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110775065B (zh) | 一种基于工况识别的混合动力汽车电池寿命预测方法 | |
| Song et al. | Multi-mode energy management strategy for fuel cell electric vehicles based on driving pattern identification using learning vector quantization neural network algorithm | |
| CN110696815B (zh) | 一种网联式混合动力汽车的预测能量管理方法 | |
| CN108791270B (zh) | 一种混合动力车辆基于工况预测的动力部件工作点调控方法 | |
| CN106004865B (zh) | 基于工况识别的里程自适应混合动力汽车能量管理方法 | |
| Chen et al. | A survey on key techniques and development perspectives of equivalent consumption minimisation strategy for hybrid electric vehicles | |
| CN108819934B (zh) | 一种混合动力车辆的动力分配控制方法 | |
| CN109733378B (zh) | 一种线下优化线上预测的转矩分配方法 | |
| CN115214606B (zh) | 一种插电式混合动力汽车能量管理方法 | |
| CN108909702A (zh) | 一种插电式混合动力汽车能量管理方法及*** | |
| CN112319461B (zh) | 一种基于多源信息融合的混合动力汽车能量管理方法 | |
| CN111552185B (zh) | 一种基于pmp的插电式混合动力汽车模型预测控制的能量管理方法 | |
| CN107921886A (zh) | 用于计算用于管理混合动力机动车辆的燃料和电力消耗的设定点的方法 | |
| CN105992720A (zh) | 对于前面的行驶路程的路段测定混动车辆的行驶状态的方法和混动车辆 | |
| 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 | |
| CN105667499A (zh) | 一种电动汽车增程模式下的能量管理方法 | |
| CN113264032B (zh) | 一种混合动力车的能量管理方法、装置和*** | |
| CN111591279A (zh) | 一种插电式混合动力汽车电池电量轨迹规划方法及*** | |
| CN115214607B (zh) | 一种插电式混合动力汽车能量管理方法 | |
| CN115534929A (zh) | 基于多元信息融合的插电式混合动力汽车能量管理方法 | |
| CN113815437A (zh) | 燃料电池混合动力汽车的预测性能量管理方法 | |
| Wang et al. | Real-time energy management strategy for a plug-in hybrid electric bus considering the battery degradation | |
| Chen et al. | Driving cycle recognition based adaptive equivalent consumption minimization strategy for hybrid electric vehicles | |
| Liu et al. | Energy active adjustment and bidirectional transfer management strategy of the electro-hydrostatic hydraulic hybrid powertrain for battery bus | |
| CN113276829B (zh) | 一种基于工况预测的车辆行驶节能优化变权重方法 |
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 |