公开/公告号CN105216782A
专利类型发明专利
公开/公告日2016-01-06
原文格式PDF
申请/专利权人 上海凌翼动力科技有限公司;
申请/专利号CN201510641743.1
申请日2015-09-30
分类号B60W20/00(20060101);B60W10/06(20060101);B60W10/08(20060101);
代理机构31236 上海汉声知识产权代理有限公司;
代理人郭国中
地址 200240 上海市闵行区鹤庆路398号41幢2层2027室
入库时间 2023-12-18 13:23:49
法律状态公告日
法律状态信息
法律状态
2018-01-02
授权
授权
2016-02-03
实质审查的生效 IPC(主分类):B60W20/00 申请日:20150930
实质审查的生效
2016-01-06
公开
公开
技术领域
本发明涉及一种混合动力汽车能量控制技术,具体地,涉及一种基于能量预测 的插电式混合动力汽车能量管理方法。
背景技术
混合动力汽车(含插电式混合动力汽车)已成为全球发展的重点和热点,由两 种能量源提供动力。能量管理系统如何协调和分配各能量源间的能量流,是实现混 合动力汽车能量优化管理、解决其工况适应性问题的关键。
目前,混合动力汽车的能量管理策略可分为四类:基于规则的能量管理策略、 瞬时优化能量管理策略、全局优化能量管理策略和基于优化算法的自适应能量管理 策略。
其中,基于规则的能量管理策略,是基于一组规则来实现对车辆进行能量管理 的策略,严重依赖策略制定人员的经验和试验标定,虽工程化实现容易,但难于实 现控制参数的最优化和对工况的自适应,其在车辆燃料经济性的提高方面存在一定 的局限性;瞬时优化能量管理策略,是基于对每一时刻的燃料经济性最优化为目标 的控制策略,需要精确的车辆及多能源混合动力系统的数学模型,不能满足混合动 力汽车能量管理的全局优化,因而未能在实际混合动力汽车中得到广泛应用;全局 优化能量管理策略,是基于已知路况利用全局优化算法进行的能量优化管理策略, 同样需要精确的车辆及多能源混合动力系统的数学模型,不仅计算量很大难于满足 车辆实时控制的要求,而且要求提前获得车辆运行工况的数据,因而难于在车辆实 际控制中应用;基于优化算法的自适应能量管理策略,是以工况自适应的能量优化 管理为目标的能量管理策略,现有方法需要精确的车辆及多能源混合动力系统的数 学模型、优化过程复杂、计算量大,导致其无法在混合动力车辆中实际应用。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于能量预测的插电式混合 动力汽车能量管理方法,有效解决目前混合动力汽车的能量管理策略不能自适应车 辆运行工况的问题,而且能满足车辆实时控制的要求,从而实现混合动力汽车在实 际运行中的工况自适应能量管理,充分发挥混合动力汽车的性能潜力。
本发明提供的基于能量预测的插电式混合动力汽车能量管理方法,包括如下步 骤:
步骤S1:将车辆位置与导航设定的车辆运行线路发送给远程监控平台;
步骤S2:远程监控平台根据所述车辆位置与所述车辆运行线路在电子地图和气 象预报数据库上搜寻获得道路车辆气候数据;
步骤S3:远程监控平台将所述道路车辆气候数据发送到混合动力控制器平台;
步骤S4:混合动力控制器平台向能量源发送第一访问信号,获得能量源状态数 据,所述能量源状态数据包括蓄电池荷电状态SOC;其中,所述第一访问信号用于 指示能量源提供能量源状态数据;
步骤S5:根据所述道路车辆气候数据,通过神经网络预测车辆按所述车辆运行 线路在第i个运行片段内的能量需求Ei,其中,i=1,2,…,N,N为将车辆运行线路 的行驶总里程划分成的总运行片段数;
步骤S6:混合动力控制器平台计算车辆运行线路在第i运行片段内的蓄电池荷 电状态SOC变化量,根据蓄电池荷电状态SOC变化量进行蓄电池荷电状态SOC参考 轨迹的规划;
步骤S7:混合动力控制器平台根据蓄电池荷电状态SOC的参考轨迹计算第t个 时刻的等价因子η(t):
步骤S8:混合动力控制器平台采样传感器信号,向汽车动力附件发送第二访问 信号,获得驾驶员需求车辆状态数据;其中,第二访问信号用于指示汽车动力附件 提供驾驶员需求车辆状态数据;
步骤S9:根据所述等价因子η(t)和驾驶员需求车辆状态数据,计算控制向量, 并将该控制向量作为控制指令输出给混合动力系统中各动力源,实现能量优化控制。
优选地,所述道路车辆气候数据包括车辆运行线路的行驶总里程和车辆运行线 路的运行片段i内的道路坡度、道路阻力系数、平均车速、最大车速、最大加速度、 车速标准差、行驶里程和车辆所处位置的天气信息。
优选地,在步骤S6中,采用如下公式计算蓄电池荷电状态SOC变化量:
△SOCi(s)=(SOCini-SOCfin)×(vstd,i/vaver,i)×(Ei/Si)×s/∑j=1~N((vstd,j/vaver,j) ×Ej)
其中,△SOCi(s)为车辆运行片段i内距离s处的SOC变化量,SOCini、SOCfin分 别为初始SOC、车辆到达预设终点时的SOC,vstd,i、vaver,i分别为运行片段i内的车 速标准差、平均车速,Ei、Si分别为运行片段i内的能量需求、行驶里程。
优选地,所述等价因子η(t)采用如下计算公式计算:
η(t)=η(t-1)+Kpⅹ△SOC(t-1)+Kiⅹ∑j=1~t(△SOCjⅹ△Tj)
其中,η(t-1)为第t-1时刻的等价因子,△SOC(t-1)为第t-1个时刻实际蓄 电池荷电状态SOC与第t-1个时刻在蓄电池荷电状态SOC的参考轨迹中的参考蓄电 池荷电状态SOC的差值,△SOCj为第j个时刻的实际SOC与第j个时刻蓄电池荷电 状态SOC的参考轨迹中的参考蓄电池荷电状态SOC的差值,△Tj为第j个时刻SOC 的更新周期,Kp为比例调节系数,Ki为积分调节系数。
优选地,所述驾驶员需求车辆状态数据包括车辆的需求功率和当前车速。
优选地,所述汽车动力附件,包括散热子系统和空调子系统。
优选地,所述动力源包括发动机、驱动电机和动力传动耦合器,
其中,所述动力传动耦合器用于将发动机、驱动电机进行机电耦合并将动力输 出以驱动车辆。
优选地,在步骤S5中通过神经网络预测车辆按车辆运行线路在第i个运行片 段的能量需求Ei具体包括如下步骤:
步骤S501:采样与离线计算,具体为,利用实验采集到的各动力源的实际输出, 对车辆在第k个运行点,按如下公式计算出第k个运行点的车辆实际驱动功率PVEHk:
PVEHk=PICEkⅹηICE,k+∑m=1~NMG(PMGk,mⅹηMG,k,m)
其中,PICEk、PMGk,m分别为在第k个运行点所述动力源中的发动机的实际输出 功率、在第k个运行点第m个驱动电机的实际输出功率,m=1,2,…,NMG,NMG为所 述驱动电机的个数,ηICE,k、ηMG,k,m分别为在第k个运行点发动机通过所述动力传动 耦合器的传动效率、第m个驱动电机通过所述动力传动耦合器的传动效率;
步骤S502:将车辆实际驱动功率分成N个车辆运行片段,将实验采集到的各运 行片段的道路车辆气候数据记为向量Φi,i=1,2,…,N,按下式计算出第i个运行片 段的车辆驱动实际能量ERi:
ERi=∑k=1~MPVEHkⅹ△tk
其中,M为该第i个运行片段内的运行点的个数,△tk为该运行片段内第k个 运行点与第k+1个运行点间的时间间隔;
步骤S503:以各运行片段的道路车辆气候数据为输入、计算出的车辆驱动实际 能量为输出,对神经网络进行训练;
步骤S504:混合动力控制器平台通过训练后的神经网络预测出第i个运行片段 的能量需求Ei。
优选地,所述的步骤9中计算控制向量具体包括如下步骤:
步骤S901:离线计算,优化出取不同预设的等价因子时在各预设的驾驶员需求 与车辆状态数据下的混合动力系统最优控制向量脉谱;
具体为,在车辆驱动功率的最大范围、车速的最大范围内分别设定NP个不同 的车辆驱动功率点、NV个不同的车速点,得到一个NP行、NV列的驾驶员需求车辆 状态数据脉谱,其中含ND=NPⅹNV个预设的驾驶员需求车辆状态数据,再预设NC 个彼此不同的等价因子;对驾驶员需求车辆状态数据脉谱中的每个预设的驾驶员需 求车辆状态数据Dk,k=1,2,…,ND;
取预设的第j个预设等价因子ηsetj进行离线优化,得到在第j个预设等价因子 ηsetj时的最优控制向量的脉谱OPTj={PICEoptk,j,PMGm=1~NMGoptk,j,ioptk,j|ηsetj, k=1,2,…,ND};对每个预设的等价因子ηsetj重复进行离线优化,j=1,2,…,NC, 得NC组最优控制向量的脉谱MAPj=1~NC={OPTj|ηsetj,j=1,2,…,NC};
其中,PICEoptk,j为在第k个驾驶员需求车辆状态数据和第j个预设等价因子时 所述动力源中发动机的最优功率、PMGm=1~NMGoptk,j在第k个驾驶员需求车辆状态数据和 第j个预设等价因子时驱动电机m的最优功率,m=1,2,…,NMG,NMG为所述动力源中 驱动电机的个数,ioptk,j在第k个驾驶员需求车辆状态数据和第j个预设等价因子时 动力传动耦合器的最优传动比;
步骤S902:混合动力控制器平台根据等价因子和驾驶员需求车辆状态数据,对 计算出的最优控制向量的脉谱进行查表计算,计算当前时刻对混合动力系统的最优 控制向量;
具体为,在所述预设的NC个预设等价因子中,查找出于所述步骤7中计算出 的第t个时刻的等价因子η(t)相邻的2个预设的等价因子,分别记为ηsetp和ηsetq, 并分别记ηsetp、ηsetq对应的所述最优控制向量的脉谱分别为OPTp、OPTq;根据当前 的驾驶员需求车辆状态数据,分别在OPTp和OPTq中插值计算出最优控制向量 Vp={PICEdmdp,PMGm=1~NMGdmdp,idmdp}和Vq={PICEdmdq,PMGm=1~NMGdmdq,idmdq};利用η(t)与ηsetp、 ηsetq的相互关系在Vp和Vq间插值计算得当前的最优控制向量Vout,具体按公式 Vout=[η(t)-ηsetp]/[ηsetq-ηsetp]ⅹ[Vq-Vp]+Vp计算η(t)对应的最优控制向量 Vout;
其中,PICEdmdp为在第P个预设等价因子时所述动力源中发动机的最优功率、 PMGm=1~NMGdmdp为在第P个预设等价因子时驱动电机m的最优功率、idmdp为在第P个预设 的等价因时动力传动耦合器的最优传动比;PICEdmdq为在第q个预设等价因子时所述 动力源中发动机的最优功率,PMGm=1~NMGdmdq为在第P个预设等价因子时驱动电机m的 最优功率、idmdp为在第P个预设的等价因时动力传动耦合器的最优传动比。
与现有技术相比,本发明具有如下的有益效果:
1、本发明实现了对混合动力汽车的全程能量分布优化控制和近程动力分配优 化控制,具有经济性好、易于实车实现的特点;
2、本发明基于车辆即将实际运行的线路进行自动能量优化管理,实现了插电 式混合动力汽车对不同路况的自适应性;
3、本发明所提供的能量管理方法,可方便地用于内燃机-蓄电池或超级电容、 燃料电池发动机--蓄电池或超级电容等插电式混合动力系统。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、 目的和优点将会变得更明显:
图1为本发明中的混合动力系统的结构示意图;
图2为本发明中基于能量预测的插电式混合动力汽车能量管理方法的流程示意 图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技 术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域 的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。 这些都属于本发明的保护范围。
如图1所示,本发明一种基于能量预测的插电式混合动力汽车能量管理方法, 其中,混合动力系统包括混合动力控制器平台HCU、远程监控平台、能量源、动力 源、汽车动力附件、CAN总线、传感器、远程通讯模块、导航定位模块、电子地图、 气象预报搜索引擎以及交通信息搜索引擎;所述混合动力控制器平台分别通过CAN 总线与能量源、动力源、汽车动力附件相连接,通过远程通讯模块与远程监控平台 相连接,通过其内部总线或CAN总线与导航定位模块相连接,通过电气线束与传感 器相连接;所述电子地图、所述气象预报搜索引擎、所述交通信息搜索引擎内嵌于 远程监控平台。
如图2所示,结合图1,本发明提供的基于能量预测的插电式混合动力汽车能 量管理方法,包括如下步骤:
步骤S1:将车辆位置与导航设定的车辆运行线路发送给远程监控平台;
步骤S2:远程监控平台根据所述车辆位置与所述车辆运行线路在电子地图和气 象预报数据库上搜寻获得道路车辆气候数据;
步骤S3:远程监控平台将所述道路车辆气候数据发送到混合动力控制器平台;
步骤S4:混合动力控制器平台向能量源发送第一访问信号,获得能量源状态数 据,所述能量源状态数据包括蓄电池荷电状态SOC;其中,所述第一访问信号用于 指示能量源提供能量源状态数据;
步骤S5:根据所述道路车辆气候数据,通过神经网络预测车辆按所述车辆运行 线路在第i个运行片段内的能量需求Ei,其中,i=1,2,…,N,N为将车辆运行线路 的行驶总里程划分成的总运行片段数;
步骤S6:混合动力控制器平台计算车辆运行线路在第i运行片段内的蓄电池荷 电状态SOC变化量,根据蓄电池荷电状态SOC变化量进行蓄电池荷电状态SOC参考 轨迹的规划;
步骤S7:混合动力控制器平台根据蓄电池荷电状态SOC的参考轨迹计算第t个 时刻的等价因子η(t):
步骤S8:混合动力控制器平台采样传感器信号,向汽车动力附件发送第二访问 信号,获得驾驶员需求车辆状态数据;其中,第二访问信号用于指示汽车动力附件 提供驾驶员需求车辆状态数据;
步骤S9:根据所述等价因子η(t)和驾驶员需求车辆状态数据,计算控制向量, 并将该控制向量作为控制指令输出给混合动力系统中各动力源,实现能量优化控制。
所述道路车辆气候数据包括车辆运行线路的行驶总里程和车辆运行线路的运 行片段i内的道路坡度、道路阻力系数、平均车速、最大车速、最大加速度、车速 标准差、行驶里程和车辆所处位置的天气信息。
在步骤S6中,采用如下公式计算蓄电池荷电状态SOC变化量:
△SOCi(s)=(SOCini-SOCfin)×(vstd,i/vaver,i)×(Ei/Si)×s/∑j=1~N((vstd,j/vaver,j) ×Ej)
其中,△SOCi(s)为车辆运行片段i内距离s处的SOC变化量,SOCini、SOCfin分 别为初始SOC、车辆到达预设终点时的SOC,vstd,i、vaver,i分别为运行片段i内的车 速标准差、平均车速,Ei、Si分别为运行片段i内的能量需求、行驶里程。
所述等价因子η(t)采用如下计算公式计算:
η(t)=η(t-1)+Kpⅹ△SOC(t-1)+Kiⅹ∑j=1~t(△SOCjⅹ△Tj)
其中,η(t-1)为第t-1时刻的等价因子,△SOC(t-1)为第t-1个时刻实际蓄 电池荷电状态SOC与第t-1个时刻在蓄电池荷电状态SOC的参考轨迹中的参考蓄电 池荷电状态SOC的差值,△SOCj为第j个时刻的实际SOC与第j个时刻蓄电池荷电 状态SOC的参考轨迹中的参考蓄电池荷电状态SOC的差值,△Tj为第j个时刻SOC 的更新周期,Kp为比例调节系数,Ki为积分调节系数。
所述驾驶员需求车辆状态数据包括车辆的需求功率和当前车速。所述汽车动力 附件,包括散热子系统和空调子系统。所述动力源包括发动机、驱动电机和动力传 动耦合器,其中,所述动力传动耦合器用于将发动机、驱动电机进行机电耦合并将 动力输出以驱动车辆。
在步骤S5中通过神经网络预测车辆按车辆运行线路在第i个运行片段的能量 需求Ei具体包括如下步骤:
步骤S501:采样与离线计算,具体为,利用实验采集到的各动力源的实际输出, 对车辆在第k个运行点,按如下公式计算出第k个运行点的车辆实际驱动功率PVEHk:
PVEHk=PICEkⅹηICE,k+∑m=1~NMG(PMGk,mⅹηMG,k,m)
其中,PICEk、PMGk,m分别为在第k个运行点所述动力源中的发动机的实际输出 功率、在第k个运行点第m个驱动电机的实际输出功率,m=1,2,…,NMG,NMG为所 述驱动电机的个数,ηICE,k、ηMG,k,m分别为在第k个运行点发动机通过所述动力传动 耦合器的传动效率、第m个驱动电机通过所述动力传动耦合器的传动效率;
步骤S502:将车辆实际驱动功率分成N个车辆运行片段,将实验采集到的各运 行片段的道路车辆气候数据记为向量Φi,i=1,2,…,N,按下式计算出第i个运行片 段的车辆驱动实际能量ERi:
ERi=∑k=1~MPVEHkⅹ△tk
其中,M为该第i个运行片段内的运行点的个数,△tk为该运行片段内第k个 运行点与第k+1个运行点间的时间间隔;
步骤S503:以各运行片段的道路车辆气候数据为输入、计算出的车辆驱动实际 能量为输出,对神经网络进行训练;
步骤S504:混合动力控制器平台通过训练后的神经网络预测出第i个运行片段 的能量需求Ei。
所述的步骤9中计算控制向量具体包括如下步骤:
步骤S901:离线计算,优化出取不同预设的等价因子时在各预设的驾驶员需求 与车辆状态数据下的混合动力系统最优控制向量脉谱;
具体为,在车辆驱动功率的最大范围、车速的最大范围内分别设定NP个不同 的车辆驱动功率点、NV个不同的车速点,得到一个NP行、NV列的驾驶员需求车辆 状态数据脉谱,其中含ND=NPⅹNV个预设的驾驶员需求车辆状态数据,再预设NC 个彼此不同的等价因子;对驾驶员需求车辆状态数据脉谱中的每个预设的驾驶员需 求车辆状态数据Dk,k=1,2,…,ND,
采用最小值原理取预设的第j个预设等价因子ηsetj进行离线优化,得到在第j 个预设等价因子ηsetj时的最优控制向量的脉谱OPTj={PICEoptk,j,PMGm=1~NMGoptk,j,ioptk,j| ηsetj,k=1,2,…,ND};对每个预设的等价因子ηsetj重复进行离线优化,j=1,2,…,NC, 得NC组最优控制向量的脉谱MAPj=1~NC={OPTj|ηsetj,j=1,2,…,NC};
其中,PICEoptk,j为在第k个驾驶员需求车辆状态数据和第j个预设等价因子时 所述动力源中发动机的最优功率、PMGm=1~NMGoptk,j在第k个驾驶员需求车辆状态数据和 第j个预设等价因子时驱动电机m的最优功率,m=1,2,…,NMG,NMG为所述动力源中 驱动电机的个数,ioptk,j在第k个驾驶员需求车辆状态数据和第j个预设等价因子时 动力传动耦合器的最优传动比;
步骤S902:混合动力控制器平台根据等价因子和驾驶员需求车辆状态数据,对 计算出的最优控制向量的脉谱进行查表计算,计算当前时刻对混合动力系统的最优 控制向量;
具体为,在所述预设的NC个预设等价因子中,查找出于所述步骤7中计算出 的第t个时刻的等价因子η(t)相邻的2个预设的等价因子,分别记为ηsetp和ηsetq, 并分别记ηsetp、ηsetq对应的所述最优控制向量的脉谱分别为OPTp、OPTq;根据当前 的驾驶员需求车辆状态数据,分别在OPTp和OPTq中插值计算出最优控制向量 Vp={PICEdmdp,PMGm=1~NMGdmdp,idmdp}和Vq={PICEdmdq,PMGm=1~NMGdmdq,idmdq};利用η(t)与ηsetp、 ηsetq的相互关系在Vp和Vq间插值计算得当前的最优控制向量Vout,具体按公式 Vout=[η(t)-ηsetp]/[ηsetq-ηsetp]ⅹ[Vq-Vp]+Vp计算η(t)对应的最优控制向量 Vout;
其中,PICEdmdp为在第P个预设等价因子时所述动力源中发动机的最优功率、 PMGm=1~NMGdmdp为在第P个预设等价因子时驱动电机m的最优功率、idmdp为在第P个预设 的等价因时动力传动耦合器的最优传动比;PICEdmdq为在第q个预设等价因子时所述 动力源中发动机的最优功率,PMGm=1~NMGdmdq为在第P个预设等价因子时驱动电机m的 最优功率、idmdp为在第P个预设的等价因时动力传动耦合器的最优传动比。
本发明实现了对混合动力汽车的全程能量分布优化控制和近程动力分配优化控制, 具有经济性好、易于实车实现的特点,实现了插电式混合动力汽车对不同路况的自适应 性,可方便地用于内燃机-蓄电池或超级电容、燃料电池发动机--蓄电池或超级电容等 插电式混合动力系统。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上 述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改, 这并不影响本发明的实质内容。
机译: 车辆电气系统的能量管理方法,涉及根据电气系统发电机的状态数据和能量存储来预测能量容量
机译: 基于过程的能量管理系统和使用该能量管理系统的能量管理方法
机译: 基于机器学习预测能耗的能量存储系统管理方法