CN115257695A - 一种混合动力汽车能量管理控制***及其方法 - Google Patents

Abstract

本发明涉及一种混合动力汽车能量管理控制***及其方法，该方法包括：采集车辆行驶数据，基于高斯过程回归模型，对行驶数据进行回归并估计模型参数，得到预测模型；将行驶数据划分为若干片段，由预测模型对每个片段未来一段时间的行驶数据进行预测，以累计等效燃油消耗最小和低电量SOC维持平衡作为优化目标，采用优化算法求解各个电量SOC下不同片段的最优电能消耗等效因子，建立包含SOC、预测数据、最优等效因子的数据库；利用数据库训练径向基神经网络，输入实际SOC值和预测数据，输出最优等效因子，利用等效燃油消耗最小能量管理策略控制混合动力汽车的运行。与现有技术相比，本发明能够对现实工况进行预测，提高了能量管理控制的精准性和自适应性。

Description

一种混合动力汽车能量管理控制***及其方法

技术领域

本发明涉及混合动力汽车技术领域，尤其是涉及一种混合动力汽车能量管理控制***及其方法。

背景技术

在缓解日益严重的全球变暖、石油消耗和环境污染问题方面，混合电动汽车具有巨大的潜力。混合动力汽车配备了多种储能***和动力源，为电动机和内燃机的高效动力输出提供了设计自由，混合动力汽车能量管理***是在综合考虑电源荷电状态(state ofcharge，SOC)、车辆转矩需求、发动机性能和车速等因素的基础上，控制发动机和电动机的协调运行，以实现需求功率在两个动力源之间的高效分配，能量管理策略在协调不同动力源的能量分配方面发挥着重要作用，对充分发挥混合动力***的结构优势具有重要意义。

目前，混合动力汽车的能量管理策略主要包括基于规则的能量管理策略和基于优化的能量管理策略。其中，基于规则的能量管理策略可细分为确定性规则和模糊规则，基于优化的能量管理策略可细分为全局优化和瞬时优化。基于规则的能量管理策略以其简单、可靠、可解释性强等优点被广泛应用于实车能量管理中，然而，这种能量管理策略的制定依赖于经验，对工况的适应性差；基于优化的能量管理策略虽然在理论上可以在已知工况的情况下得到最优的能量管理，然而，由于汽车实际工作环境是复杂多变的，也就限制了这种方式的广泛应用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种混合动力汽车能量管理控制***及其方法，基于高斯过程回归对车速进行预测，结合等效燃油消耗最小策略，实现混合动力汽车的最优能量管理控制。

本发明的目的可以通过以下技术方案来实现：一种混合动力汽车能量管理控制***，包括传感器单元以及整车控制器，所述传感器单元用于采集混合动力汽车的行驶数据，包括车速和SOC数据；所述整车控制器根据传感器单元采集的车速和SOC数据，通过车速预测、最优等效因子选择，输出对应于燃油消耗最小策略的控制量，以控制混合动力汽车的行驶状态。

进一步地，所述整车控制器包括车速预测模块以及最优等效因子决策模块，所述车速预测模块基于高斯过程回归模型，用于预测车辆的车速，所述最优等效因子决策模块基于径向基神经网络，用于输出对应于燃油消耗最小策略的最优等效因子。

一种混合动力汽车能量管理控制方法，包括以下步骤：

S1、获取混合动力汽车的历史车速以及历史SOC数据；

S2、基于历史车速数据，对高斯过程回归模型参数进行估计，建立得到基于高斯过程回归的车速预测模型；

S3、利用车速预测模型得到预测车速，以累计等效燃油消耗最小和低电量SOC维持平衡作为优化目标，采用优化算法求解得到最优等效因子，建立包含SOC、预测数据、最优等效因子的数据库；

S4、利用数据库训练径向基神经网络；

S5、在实际运行过程中，通过传感器单元采集混合动力汽车的实际车速以及实际SOC数据，利用车速预测模型输出得到预测行驶车速；

将预测行驶车速以及实际SOC数据输入训练好的径向基神经网络，输出得到对应的行驶最优等效因子，结合实际车速对应的实际功率需求，即可确定混合动力汽车的最优控制量；

S6、基于最优控制量，相应控制混合动力汽车的行驶状态。

进一步地，所述步骤S2具体包括以下步骤：

S21、将历史车速数据的序列划分为若干个片段，将每个片段车速序列前一部分的原始数据作为输入数据、后一部分的原始数据作为输出数据；

S22、利用每个片段的输入数据和输出数据，对高斯过程回归模型参数进行估计，建立得到基于高斯过程回归的车速预测模型。

进一步地，所述高斯过程回归模型的数学表达式如下：

y＝f(x)+ε

f(x)～GP(μ,∑)

ε～N(0,σ²)

其中，x为输入数据，y为输出数据，f(x)表示一个高斯过程，ε为符合高斯分布的残差。

进一步地，所述步骤S3具体包括以下步骤：

S31、利用车速预测模型对每个片段在设定的未来一段时间的车速进行预测，将预测得到的车速输入功率需求模型，得到混合动力汽车在设定的未来一段时间对应的功率需求；

S32、以累计等效燃油消耗最小和低电量SOC维持平衡作为优化目标，采用优化算法求解各个电量SOC下不同片段的最优电能消耗等效因子；

S33、结合预测车速、SOC以及最优电能消耗等效因子，建立得到数据库。

进一步地，所述功率需求模型具体为：

其中，F_req为汽车需求的驱动力，Cd为风阻系数，A为迎风面积，v为车速，m为整车质量，g为重力加速度，θ为道路坡度，f为滚阻系数，t为时间。

进一步地，所述步骤S32中等效燃油消耗策略消耗最小的目标函数为：

u^*＝argmin(ΔE_fuel(u)+sΔE_elec(u))

其中，u^*为最优控制量，ΔE_fuel为瞬时油耗，ΔE_elec为瞬时电耗，s为等效因子。

进一步地，所述径向基神经网络的输入数据包括SOC以及预测车速，所述径向基神经网络的输出数据为最优等效因子。

进一步地，所述径向基神经网络的数学模型具体为：

其中，x'为输入变量，y'为输出变量，w_i、β_i、c_i为径向基神经网络的参数，h为径向基神经网络中隐藏层神经元个数。

与现有技术相比，本发明具有以下优点：

一、本发明中，整车控制器根据传感器单元采集的车速和SOC数据，通过车速预测、最优等效因子选择，输出对应于燃油消耗最小策略的控制量，以控制混合动力汽车的行驶状态。通过在整车控制器中设置车速预测模块以及最优等效因子决策模块，利用车速预测模块基于高斯过程回归模型，以预测车辆的车速；利用最优等效因子决策模块基于径向基神经网络，以输出对应于燃油消耗最小策略的最优等效因子，由此能够实现对混合动力汽车行驶车速的预测，从而增加等效燃油消耗最小策略的自适应能力，即使面对复杂多变的汽车实际工作环境，依旧能够保证最优的能量管理。

二、本发明通过获取能够代表车辆行驶工况的历史车速数据，以训练高斯过程回归模型，能够有效提高预测车速的准确性，进而保证后续径向基神经网络输出最优等效因子的精准性，从而控制混合动力汽车按照最优能量管理策略完成行驶。

三、本发明利用预测车速，以计算功率需求，并将累计等效燃油消耗最小和低电量SOC维持平衡作为优化目标，采用优化算法求解各个电量SOC下不同片段的最优电能消耗等效因子，再结合预测车速和SOC数据，建立得到数据库，利用数据库训练径向基神经网络，进一步保证径向基神经网络输出最优等效因子的可靠性。

附图说明

图1为本发明的***结构示意图；

图2为本发明的方法流程示意图；

图3为本发明中确定最优能量管理策略的过程示意图；

图4为实施例的运行控制原理示意图；

图5为实施例中的应用框架示意图；

图中标记说明：

1、混合动力汽车，2、传感器单元，3、整车控制器，301、车速预测模块，302、最优等效因子决策模块。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种混合动力汽车能量管理控制***，包括传感器单元2以及整车控制器3，传感器单元2用于采集混合动力汽车1的行驶数据，包括车速和SOC数据；整车控制器3根据传感器单元2采集的车速和SOC数据，通过车速预测、最优等效因子选择，输出对应于燃油消耗最小策略的控制量，以控制混合动力汽车1的行驶状态。

其中，整车控制器3包括车速预测模块301以及最优等效因子决策模块302，车速预测模块301基于高斯过程回归模型，用于预测车辆的车速，最优等效因子决策模块302基于径向基神经网络，用于输出对应于燃油消耗最小策略的最优等效因子。

将上述***应用于实际，以实现一种混合动力汽车能量管理控制方法，如图2所示，包括以下步骤：

S1、获取混合动力汽车的历史车速以及历史SOC数据；

S2、基于历史车速数据，对高斯过程回归模型参数进行估计，建立得到基于高斯过程回归的车速预测模型；

S3、利用车速预测模型得到预测车速，以累计等效燃油消耗最小和低电量SOC维持平衡作为优化目标，采用优化算法求解得到最优等效因子，建立包含SOC、预测数据、最优等效因子的数据库；

S4、利用数据库训练径向基神经网络；

S5、在实际运行过程中，通过传感器单元采集混合动力汽车的实际车速以及实际SOC数据，利用车速预测模型输出得到预测行驶车速；

将预测行驶车速以及实际SOC数据输入训练好的径向基神经网络，输出得到对应的行驶最优等效因子，结合实际车速对应的实际功率需求，即可确定混合动力汽车的最优控制量；

S6、基于最优控制量，相应控制混合动力汽车的行驶状态。

本实施例应用上述技术方案，如图3～图5所示，主要内容为：

(1)用传感器采集实际混合动力汽车在现实世界行驶过程中的数据，具体包括车辆的车速、电量SOC随时间变化的信息等；

将驾驶车速序列划分为若干个片段，用于对高斯过程回归模型进行参数估计，以建立车速预测模型，将每个片段分为两部分，前一部分车速序列作为预测模型输入x、后一部分序列作为精确的输出y；

高斯过程回归模型的数学表达式如下：

y＝f(x)+ε

f(x)～GP(μ,∑)

ε～N(0,σ²)

式中，f(x)是一个高斯过程，ε是符合高斯分布的残差；

(2)采用高斯过程回归模型对每个片段未来一段时间的行驶数据进行预测，并将其作为车辆功率需求模型的输入，其中，功率需求模型考虑汽车纵向动力学，包括滚动阻力、风阻、加速阻力、及惯性阻力，功率需求模型的数学表达如下：

式中，F_req是汽车需求的驱动力，Cd是风阻系数，A是迎风面积，v是车速，m是整车质量，g是重力加速度，θ是道路坡度，f是滚阻系数，t是时间；

根据预测车速计算出来的车辆需求功率，将其视为车辆未来一段时间功率需求；

再以累计等效燃油消耗最小和低电量SOC维持平衡作为优化目标，采用优化算法求解各个电量SOC下不同片段的最优电能消耗等效因子，其中，等效燃油消耗策略数学表达如下：

u^*＝argmin(ΔE_fuel(u)+sΔE_elec(u))

式中，u^*是最优控制量，ΔE_fuel是瞬时油耗，ΔE_elec是瞬时电耗，s是等效因子；

之后建立包含SOC、预测数据、最优等效因子的数据库；

(3)利用建立的数据库训练径向基神经网络，输入为SOC值、预测车速，输出为最优等效因子，径向基神经网络数学模型如下：

式中，x'是输入变量，y'是输出变量，w_i、β_i、c_i是神经网络的参数，h是隐藏层神经元个数；

(4)在实际运行过程中，车辆记录过去一段时间的行驶数据(包括车速，SOC等)，采用高斯过程回归模型预测未来一段时间的车速，向已训练好的径向基神经网络输入该预测数据、当前SOC值，输出得到最优等效因子，接着根据步骤(2)中等效燃油消耗最小策略，决定混合动力汽车的最优控制量，控制车辆行驶。

本实施例中，以串联式混合动力车为例，相比于纯电动车，串联式混合动力汽车多了一个可以为电池充电或者为驱动电机供电的增程器，从而可以增加车辆续驶里程；串联式混合动力汽车能量管理策略主要是对增程器输出功率的控制。

应用过程包括：

一、首先利用传感器采集实际混合动力汽车在现实世界行驶过程中的数据，具体包括车辆的车速、电量SOC随时间变化的信息等；

之后将驾驶车速序列划分为若干个片段(比如15s的序列为一个片段)，用于对高斯过程回归模型进行参数估计以建立车速预测模型，将每个片段分为两部分，前一部分车速序列(比如10s)作为预测模型输入x、后一部分序列(比如5s)作为精确的输出y；

其中，高斯过程回归模型的数学表达式如下：

P(Y|f(X),X)～N(Y|h(X)^Tβ+f(X),σ²)

f(x)～GP(0,k(X,X))

式中，X是训练集的输入，Y是训练集的输出，h(X)是一个将训练集映射到高维空间的线性函数，f(x)是一个均值为0的高斯过程，k(·)是高斯过程的核函数，β、σ²是模型参数，根据高斯过程回归的相关理论，预测在新输入x_new下输出y_new的期望，那么其数学表达式如下：

α＝(k(X,X)+σ²)^-1(Y-Hβ)

二、采用高斯过程回归模型对每个片段未来一段时间的行驶数据进行预测，并将其作为下述车辆功率需求模型的输入；考虑汽车纵向动力学，包括滚动阻力、风阻、加速阻力、及惯性阻力，功率需求模型的数学表达如下：

式中，F_req是汽车需求的驱动力，Cd是风阻系数，A是迎风面积，v是车速，m是整车质量，g是重力加速度，θ是道路坡度，f是滚阻系数，t是时间；

根据预测车速计算出来的车辆需求功率，将其视为车辆未来一段时间功率需求，以累计等效燃油消耗最小和低电量SOC维持平衡、采用不同权重的线性叠加作为优化目标，采用优化算法(如二次规划算法等)求解各个电量SOC下不同预测车速片段的最优电能消耗等效因子，其中，等效燃油消耗策略数学表达如下：

u^*＝argmin(ΔE_fuel(u)+sΔE_elec(u))

式中，u^*是最优控制量，ΔE_fuel是瞬时油耗，ΔE_elec是瞬时电耗，s是等效因子；

最后建立包含SOC、预测数据、最优等效因子的数据库；

三、利用建立的数据库训练径向基神经网络，输入为SOC值、预测的行驶数据，输出为最优等效因子，径向基神经网络数学模型如下：

式中，x'是输入变量，y'是输出变量，w_i、β_i、c_i是神经网络的参数，h是隐藏层神经元个数；

四、在实际运行过程中，车辆记录过去一段时间的行驶数据(包括车速，SOC等)，采用高斯过程回归模型预测未来一段时间的车速，向已训练好的径向基神经网络输入该预测数据、当前SOC值，其输出最优等效因子，接着根据等效燃油消耗最小策略，决定串联混合动力汽车的最优增程器输出功率，控制车辆行驶。

综上所述，本技术方案能够对现实工况进行预测，使得能量管理策略具有预测能力和自适应性，由于增加了对车辆行驶工况的预测手段，因此可以增加等效燃油消耗最小策略的自适应能力；

本技术方案选取能够代表车辆行驶工况的驾驶数据训练高斯过程回归模型，能够提高预测的精度、从而提高混合动力汽车的经济性；

本技术方案能够与车联网技术相结合，实际运行的车辆可将数据上传到云端，在云端可利用本技术方案优化能量管理策略。

Claims (10)

1.一种混合动力汽车能量管理控制***，其特征在于，包括传感器单元以及整车控制器，所述传感器单元用于采集混合动力汽车的行驶数据，包括车速和SOC数据；所述整车控制器根据传感器单元采集的车速和SOC数据，通过车速预测、最优等效因子选择，输出对应于燃油消耗最小策略的控制量，以控制混合动力汽车的行驶状态。

2.根据权利要求1所述的一种混合动力汽车能量管理控制***，其特征在于，所述整车控制器包括车速预测模块以及最优等效因子决策模块，所述车速预测模块基于高斯过程回归模型，用于预测车辆的车速，所述最优等效因子决策模块基于径向基神经网络，用于输出对应于燃油消耗最小策略的最优等效因子。

3.一种混合动力汽车能量管理控制方法，其特征在于，包括以下步骤：

S1、获取混合动力汽车的历史车速以及历史SOC数据；

S2、基于历史车速数据，对高斯过程回归模型参数进行估计，建立得到基于高斯过程回归的车速预测模型；

S3、利用车速预测模型得到预测车速，以累计等效燃油消耗最小和低电量SOC维持平衡作为优化目标，采用优化算法求解得到最优等效因子，建立包含SOC、预测数据、最优等效因子的数据库；

S4、利用数据库训练径向基神经网络；

S5、在实际运行过程中，通过传感器单元采集混合动力汽车的实际车速以及实际SOC数据，利用车速预测模型输出得到预测行驶车速；

将预测行驶车速以及实际SOC数据输入训练好的径向基神经网络，输出得到对应的行驶最优等效因子，结合实际车速对应的实际功率需求，即可确定混合动力汽车的最优控制量；

S6、基于最优控制量，相应控制混合动力汽车的行驶状态。

4.根据权利要求3所述的一种混合动力汽车能量管理控制方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、将历史车速数据的序列划分为若干个片段，将每个片段车速序列前一部分的原始数据作为输入数据、后一部分的原始数据作为输出数据；

S22、利用每个片段的输入数据和输出数据，对高斯过程回归模型参数进行估计，建立得到基于高斯过程回归的车速预测模型。

5.根据权利要求4所述的一种混合动力汽车能量管理控制方法，其特征在于，所述高斯过程回归模型的数学表达式如下：

y＝f(x)+ε

f(x)～GP(μ,∑)

ε～N(0,σ²)

其中，x为输入数据，y为输出数据，f(x)表示一个高斯过程，ε为符合高斯分布的残差。

6.根据权利要求3所述的一种混合动力汽车能量管理控制方法，其特征在于，所述步骤S3具体包括以下步骤：

S31、利用车速预测模型对每个片段在设定的未来一段时间的车速进行预测，将预测得到的车速输入功率需求模型，得到混合动力汽车在设定的未来一段时间对应的功率需求；

S32、以累计等效燃油消耗最小和低电量SOC维持平衡作为优化目标，采用优化算法求解各个电量SOC下不同片段的最优电能消耗等效因子；

S33、结合预测车速、SOC以及最优电能消耗等效因子，建立得到数据库。

7.根据权利要求6所述的一种混合动力汽车能量管理控制方法，其特征在于，所述功率需求模型具体为：

其中，F_req为汽车需求的驱动力，Cd为风阻系数，A为迎风面积，v为车速，m为整车质量，g为重力加速度，θ为道路坡度，f为滚阻系数，t为时间。

8.根据权利要求7所述的一种混合动力汽车能量管理控制方法，其特征在于，所述步骤S32中等效燃油消耗策略消耗最小的目标函数为：

u^*＝arg min(ΔE_fuel(u)+sΔE_elec(u))

其中，u^*为最优控制量，ΔE_fuel为瞬时油耗，ΔE_elec为瞬时电耗，s为等效因子。

9.根据权利要求3所述的一种混合动力汽车能量管理控制方法，其特征在于，所述径向基神经网络的输入数据包括SOC以及预测车速，所述径向基神经网络的输出数据为最优等效因子。

10.根据权利要求9所述的一种混合动力汽车能量管理控制方法，其特征在于，所述径向基神经网络的数学模型具体为：

其中，x'为输入变量，y'为输出变量，w_i、β_i、c_i为径向基神经网络的参数，h为径向基神经网络中隐藏层神经元个数。

Images