基于状态能量空间化的自适应等效因子的转矩分配控制方法

摘要

本发明提供的一种基于状态能量空间化的自适应等效因子的转矩分配控制方法，包括：确定混合动力汽车驱动过程中参考消耗平均能量；构建修正函数，并基于修正函数对参考消耗平均能量进行修正；构建基于状态能量空间化的等效因子修正模型；基于等效因子修正模型和Q学习算法，确定出混合动力汽车的发动机和电动机的最优转矩分配图；采集混合动力汽车的在线工况数据，在线工况数据包括平均车速V、电池荷电状态SOC和需求功率Preq；并基于混合动力汽车的发动机和电动机的转矩分配图和在线工况数据确定混合动力汽车的发动机和电动机的转矩序列；能够确定出混合动力汽车的转矩最优分配策略，在实现电池能量全局平衡的前提下，实现整车燃油经济性最佳。

说明书

技术领域

本发明涉及一种控制方法，尤其涉及一种基于状态能量空间化的自适应等效因子的转矩分配控制方法。

背景技术

混合动力汽车能量管理策略是在确保电池SOC平衡的前提下，使得整车燃油经济性最佳。

为了确保整车的燃油经济性最佳，还要确保电池能量全局平衡，因此，需要对混合动力汽车的转矩进行优化分配，现有技术中，一般基于等效因子进行转矩优化分配，等效因子的数值大小决定了燃油与电池能量的使用倾向，在现有的等效因子优化方法中，为了保持电池能量变化平衡，通过限制SOC保持电池能量变化平衡的方法被广泛应用，但该方法未能从全局的角度考虑每一状态的电池能量平衡，优化后的等效因子难以做到整车燃油经济性最佳与电池能量全局平衡的均衡控制，从而不能使得混合动力汽车的转矩分配合理。

因此，为了解决上述技术问题，亟需提出一种新的方法。

发明内容

有鉴于此，本发明提供的一种基于状态能量空间化的自适应等效因子的转矩分配控制方法，基于电池能量与时间对应的同时又与状态一一对应，本申请将基于电池时域能量关系转换为基于平均车速的电池空间域能量关系，从电池能量空间域的维度出发，建立了以平均车速为状态的离线工况电池能量空间化数值模型，获得状态的参考消耗能量，以参考消耗能量为约束，对等效因子修正，从而能够确定出混合动力汽车的转矩最优分配策略，在实现电池能量全局平衡的前提下，实现整车燃油经济性最佳。

本发明提供的一种基于状态能量空间化的自适应等效因子的转矩分配控制方法，包括以下步骤：

S1.确定混合动力汽车驱动过程中参考消耗平均能量；

S2.构建修正函数，并基于修正函数对参考消耗平均能量进行修正，其中，修正函数为：

其中，f(DP

S3.构建基于状态能量空间化的等效因子修正模型：

λ

其中，λ表示初始等效因子，F表示当前等效因子的修正系数；λ

基于等效因子修正模型和Q学习算法，确定出混合动力汽车的发动机和电动机的最优转矩分配图；

S4.采集混合动力汽车的在线工况数据，在线工况数据包括平均车速V、电池荷电状态SOC和需求功率P

进一步，步骤S1中，根据如下方法确定驱动过程中参考消耗平均能量：

S11.选择混合动力汽车离线工况的平均车速为状态，将平均车速离散得到状态集S：

其中，S表示状态集合，

S12.将电池时域能量转换到空间域能量，从空间维度计算第k个状态的电池能量变化值Δe

Δe

其中，Δe

S13.由第k个状态的电池能量变化值Δe

其中：

进一步，根据如下方法确定第k个状态驱动过程参考消耗平均能量

进一步，根据如下方法确定第k个状态制动部分电池能量变化值Δe

Δe

其中：Δe

进一步，初始等效因子λ通过如下方法确定：

其中：

进一步，根据如下方法确定修正系数F：

其中：m

进一步，当前状态对应的实际电池等效燃油消耗m

m

其中：P

进一步，参考消耗平均能量通过如下方法修正：

进一步，根据如下方法确定混合动力汽车的电动机的最优转矩分配图：

S31：初始化Q学习算法的探索率ε、学习率α和折扣因子γ，设置迭代次数N和状态变量k，其中，N＝1，k＝1；

S32：选择车速v，电池荷电状态SOC和需求功率P

s＝[SOC,v,P

S33:构建回报函数r(s,a)，所述回报函数r(s,a)如下：

其中，r(s,a)表示当前状态s与动作a的回报；m

S34：确定最小Q(s,a)值对应的动作：

其中，π(a|s)表示最小Q(s,a)值对应的动作策略，ε表示探索率，α表示学习率，A(s)表示当前状态s下可行动作的总个数；

S35：更新当前动作Q(s,a)值：

Q(s,a)←Q(s,a)+α[r+γminQ(s',a')-Q(s,a)]

其中，α表示学习率，r表示当前状态s与动作a对应的回报，γ表示折扣因子；

S36：判断k是否小于k

S37：判断相邻迭代次数的Q(s,a)值的绝对值之差是否小于阈值，若是，表明策略收敛，结束，若否，N＝N+1，并进入步骤S42；

收敛后的Q(s,a)值对应的转矩为电动机的最优转矩。

本发明的有益效果：通过本发明，基于电池能量与时间对应的同时又与状态一一对应，本申请将基于电池时域能量关系转换为基于平均车速的电池空间域能量关系，从电池能量空间域的维度出发，建立了以平均车速为状态的离线工况电池能量空间化数值模型，获得状态的参考消耗能量，以参考消耗能量为约束，对等效因子修正，从而能够确定出混合动力汽车的转矩最优分配策略，在实现电池能量全局平衡的前提下，实现整车燃油经济性最佳。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的流程图。

具体实施方式

以下结合说明书附图对本发明做出进一步详细说明：

本发明提供的一种基于状态能量空间化的自适应等效因子的转矩分配控制方法，包括以下步骤：

S1.确定混合动力汽车驱动过程中参考消耗平均能量；

S2.构建修正函数，并基于修正函数对参考消耗平均能量进行修正，其中，修正函数为：

其中，f(ΔP

S3.构建基于状态能量空间化的等效因子修正模型：

λ

其中，λ表示初始等效因子，F表示当前等效因子的修正系数；λ

基于等效因子修正模型和Q学习算法，确定出混合动力汽车的发动机和电动机的最优转矩分配图；

S4.采集混合动力汽车的在线工况数据，在线工况数据包括平均车速V、电池荷电状态SOC和需求功率P

本实施例中，步骤S1中，根据如下方法确定驱动过程中参考消耗平均能量：

S11.选择混合动力汽车离线工况的平均车速为状态，将平均车速离散得到状态集S：

其中，S表示状态集合，

S12.将电池时域能量转换到空间域能量，从空间维度计算第k个状态的电池能量变化值Δe

Δe

其中，Δe

S13.由第k个状态的电池能量变化值Δe

其中：

其中：根据如下方法确定第k个状态驱动过程参考消耗平均能量

根据如下方法确定第k个状态制动部分电池能量变化值Δe

Δe

其中：Δe

电池时域能量，如果没有考虑状态驱动过程电池能量全局变化，不能获得每一状态的电池能量全局平衡；因此，将电池时域能量转换为空间域能量可以有效地将独立的状态能量平衡聚类到多种单一状态能量平衡，实现状态的驱动与制动过程电池能量全局平衡。

本实施例中，初始等效因子λ通过如下方法确定：

其中：

本实施例中，根据如下方法确定修正系数F：

其中：m

其中，当前状态对应的实际电池等效燃油消耗m

m

其中：P

参考消耗平均能量通过如下方法修正：

在整车驱动过程优化中，同一平均车速下，不同的P

本实施例中，根据如下方法确定混合动力汽车的电动机的最优转矩分配图：

S31：初始化Q学习算法的探索率ε、学习率α和折扣因子γ，设置迭代次数N和状态变量k，其中，N＝1，k＝1；

S32：选择车速v，电池荷电状态SOC和需求功率P

s＝[SOC,v,P

S33:构建回报函数r(s,a)，所述回报函数r(s,a)如下：

其中，r(s,a)表示当前状态s与动作a的回报；m

S34：确定最小Q(s,a)值对应的动作：

其中，π(a|s)表示最小Q(s,a)值对应的动作策略，ε表示探索率，α表示学习率，A(s)表示当前状态s下可行动作的总个数；

S35：更新当前动作Q(s,a)值：

Q(s,a)←Q(s,a)+a[r+γminQ(s',a')-Q(s,a)]

其中，α表示学习率，r表示当前状态s与动作a对应的回报，γ表示折扣因子；

S36：判断k是否小于k

S37：判断相邻迭代次数的Q(s,a)值的绝对值之差是否小于阈值，若是，表明策略收敛，结束，若否，N＝N+1，并进入步骤S42；

收敛后的Q(s,a)值对应的转矩为电动机的最优转矩。在混合动力汽车中，电机的转矩和发动机的转矩为线性关系，只需要确定出电机的转矩，即可根据该线性关系确定出发动机的转矩，此属于现有技术；因此，在上述方法中，只需要确定出电机最优转矩，即可确定出发动机的最优转矩，最终形成混合动力汽车的发动机和电动机的最优转矩分配图。

上述算法中采用数据驱动的模型，计算量小，可以在线实现。同时，Q学习在学习的过程中不断地改进自身策略，可以对每一状态的最优策略进行迭代优化，优化结果为每一状态的最优策略MAP图，降低了优化结果对工况的耦合性，提升了优化结果对其他工况的适应性。

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，而不脱离本发明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。