一种智能网联混合动力汽车能量控制方法与流程

本发明涉及新能源汽车，尤其是涉及一种智能网联混合动力汽车能量控制方法。

背景技术：

随着汽车对燃油的消耗，环境问题越来越突出，因此新能源汽车成为一个重要的课题，当今互联网的发展也是瞬息万变，改变产业的发展模式，混合动力汽车的节能和低排放特性引起广泛的关注，再者，整合互联网技术，让车辆控制更加智能化。

针对混合动力汽车能量管理问题是一个涉及非线性动态优化的重要问题,文献[1](SD Cariano etc,Stochastic MPC with learning for driver-predictive vehicle control and its application to HEV energy management,IEEE Transaction on Control Systems Technology,2014,22(3):1018-1031)采用模型预测控制方法进行了混合动力汽车能量管理的研究，该问题作为影响车辆性能和混合动力产业化进程的一个主要瓶颈,迄今为止没有得到最终解决,亟待突破。由于混合动力系统是一个集成了电气、机械、化学和热力学系统的非线性动态系统,自身及其各部件之间的协调工作极为复杂。同时，车辆行驶工况和驾驶员操作具有随机性，这也增加了能量管理策略设计的难度。

随着网络的发展，车联网已经成为可能，利用车联网，智能交通及先进算法可以实时对车辆能量分配的控制，在此基础上，有些学者提出将优化系统寄于云端，但是车辆是在不断运行中，可能要穿过信号较弱的区域，无法保证能够实时接收到算法优化后的数据。

技术实现要素：

本发明的目的在于提供基于遗传神经的一种智能网联混合动力汽车能量控制方法。

本发明包括以下步骤：

1)采集信号；

在步骤1)中，所述采集信号的具体步骤可为：

(1)信号采集模块通过车载信息采集器采集车辆周围信息，以及接收车上传感器收集的信号，无线通信模块接收车联网及智能交通中的信息，信号采集模块和无线通信模块将收集到的信息传入整车智能控制器中；所述整车智能控制器包括微处理器、发动机通信模块、电机通信模块和电池管理系统通信模块；

(2)智能控制器通过输入信号分析车辆运行的状况，将当前车速、电池SOC值、发动机温度等信息送往车载智能优化系统。

2)算法优化；

在步骤2)中，所述算法优化的具体步骤可为：

(1)车载智能优化系统优化BP神经网络的初始权值和阈值，在遗传算法的种群中每个个体都包含一个网络所有的权值和阈值，个体通过适应度函数计算其适应度值，遗传算法通过选择、交叉和变异操作找到最优适应度值对应的个体；

(2)BP神经网络是指利用遗传算法得到的最优个体对网络初始权值和阈值赋值，BP神经网络瞬时控制器对传入车载智能优化系统的当前车速、电池SOC值、总需求转矩和发动机温度进行优化计算，输出根据当前车辆状况下燃油消耗最少的发动机最优转矩，在车载智能优化系统中，遗传算法优化BP神经网络瞬时最优控制输出的转矩数据又传回整车智能控制系统。

3)指令处理及控制执行。

在步骤3)中，所述指令处理及控制执行的具体步骤可为：

(1)微处理器将传入整车智能控制器中信息进行处理成执行指令送往发动机通信模块、电机通信模块及电池管理系统通信模块；

(2)发动机通信模块、电机通信模块和电池管理系统通信模块与整车CAN连接，将指令送到发动机控制模块、电机控制模块及电池管理系统对其控制实现能量的匹配。

本发明根据车载传感系统及V2X系统采集的各种外界环境信息，采用遗传算法优化BP神经网络控制器，再通过整车智能控制系统处理并发送指令控制发动机和电动机，实现混合动汽车的转矩在最优转矩附近，达到节能减排的目的。

本发明结合智能网联系统运用遗传算法优化BP神经网络对混合动汽能量进行实时控制，让能量分配更为合理，节能减排效果更为明显。

附图说明

图1为本发明能量优化控制系统结构示意图。

图2为本发明遗传算法优化BP网络流程图。

图3为本发明BP神经结构图。

图4为混合动力汽车系统结构示意图。

具体实施方式

下面结合图1～4对本发明智能网联混合动力能量分配的控制方法作进一步详细的说明。

本发明提供了一种智能网联混合动力汽车能量分配控制方法，其运用网联系统，融合现代通信与网络技术，实现车与人、车、路、后台等智能信息交换共享，具备复杂的环境感知、智能决策、协同控制和执行等功能，可实现安全、舒适、节能、高效行驶。本发明实现过程包括信号采集部分，算法优化部分和指令处理及控制执行部分。

图1给出本发明能量优化控制系统结构示意图，所述能量优化控制系统包括信号采集模块1、无线通信模块2、车载智能优化系统3、整车智能控制器4、发动机控制模块5、电机控制模块6和电池管理系统7。信号采集模块1的输入端输入车辆周边信息P1，无线通信模块2输入车联网信息P2。信号采集模块1的输出端和无线通信模块2的输出端分别接整车智能控制器4的输入端，车载智能优化系统3与整车智能控制器4连接，整车智能控制器4的输出端分别接发动机控制模块5、电机控制模块6和电池管理系统7。本发明实现过程包括信号采集部分、算法优化部分和指令处理及控制执行部分。

A.信号采集部分

第一步，本发明信息采集模块就是针对车辆信号及周边信息的采集，是信号原始输入端，输入信号包括路况信息，车辆加速踏板、制动踏板等传感器信号，无线通信模块是接收来自车联网及智能交通系统中的信息，无线通信模块和信息采集模块将原始信息送入智能控制器。

第二步，智能控制器通过输入信号进行分析车辆运行的状况，将当前车速，电池SOC值，发动机温度等信息送往车载智能优化系统。

B.算法优化部分

图1中车载智能优化系统是基于BP神经网络设计的控制器，对来自整车智能控制器的当前车速V，电池SOC值，总需求转矩T_r，发动机温度T_em进行计算，输出发动机转矩T_e,具体步骤如下：

第一步，利用遗传算法优化BP神经网络初始权值和阈值，优化流程图如图2。遗传算法优化BP神经网络分为BP神经网络结构确定、遗传算法优化，BP神经网络结构确定部分函数输入输出参数个数确定BP神经网络结构，进而确定遗传算法个体的长度。遗传算法优化主要是指遗传算法优化BP神经网络的阈值和权值，种群中每个个体都包含了一个网络所有的阈值和权值，个体通过适应度函数计算其适应度值，遗传算法通过选择、交叉和变异操作找到最优适应度值对应的个体。神经网络输入层有四个节点，输出层有一个节点，隐层有五个节点，即结构为4-5-1，所以有4*5+5*1＝25个权值，有5+1＝6个阈值，因此遗传算法个体的编码长度是25+6＝31。遗传算法优化BP神经网络是用遗传算法来优化BP神经网络的初始权值和阔值，使优化后的BP神经网络能够更好地预测转矩的输出。遗传算法优化BP神经网络的要素包括种群初始化，适应度函数选取、选择操作、交叉操作和变异操作。

1)种群初始化

个体编码方法为实数编码，每个个体均为一个实数串，由输入层与隐层连接权值、隐层阈值、隐层与输出层连接权值以及输出层阈值四部分组成，个体包括神经网络的全部权值和阈值，在网络结构已知的情况下，就可以构成一个结构、权值、阔值确定的神经网络。

2)适度函数选择

根据个体得到BP神经网络的初始权值和阈值，利用BP神经网络训练样本训练好BP神经网络，把输出值和实际值之间均方根误差作为个体适应度值F,这样就能保证遗传算法优化目标满足神经网络优化要求。计算公式为：

式中，k为系数，n为网络输出节点数，y_i为BP神经网络第i个节点的输出值，o_i为BP神经网络第i个节点的实际值。

3)选择操作

遗传算法选择操作有轮盘赌法、锦标赛法等多种方法，本发明使用轮盘法，即基于适应度比例选择策略。每个个体i的选择概率为p_i。

f_i＝k/F_i

式中，F_i是个体i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求导数，k为系数，N为种群个体数目。

4)交叉操作

由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第k个染色体的a_k和第l个染色体a_l在j位的交叉操作如下：

式中，b为[0,1]的随机数。

5)变异操作

选取第i个个体的第j个基因a_ij进行变异，变异操作如下：

式中，a_max是基因a_ij的上限，a_min是基因a_ij的下限值，f(g)＝r₂(1-g/G_max)，r₂是一个随机数，g是当前迭代次数，G_max是最大进化次数，r是[0,1]之间的随机数。

第二步，BP神经网络则是指利用遗传算法得到的最优个体对网络初始权值和阈值赋值，设置BP神经网络控制器：

1)计算混合动汽车总转矩T_r为：

T_r(t)＝T_e(t)+ρ×T_m(t)

T_e(t)是电机t时刻转矩，T_m(t)是发动机t时刻转矩,ω_r(t)，ω_e(t)，ω_m分别是t时刻混合动力汽车系统总转速，电机转速，发动机转速。

2)计算车辆在某一时刻总的燃油消耗率为：

是燃油消耗率

另外发动机，电机转矩和转速满足下面条件：

3)可根据控制目标及限制函数设置BP神经网络控制器，如图3，输出层神经元可表示为：

式中T_e是神经元输出层的发动机转矩；W_jk是隐层第n(n＝1,2,3,4,5)个神经元与输出层神经元间的连接权值；是输出层神经元的阈值；5个隐层神经元；f是激励函数，采用的是S型函数：

H_j是隐层第j个神经元的输出值，可表示为：

H_j＝W_ijX_i(t)-b_j；

X_i(t)(i＝1,2,3,4)表示V当前车速,总需求转矩T_r，电池SOC值,发动机温度T_em，W_ij是表示输入层到隐层的连接权值，b_j(j＝1,2,...5)是隐层第j个神经元的阈值。

设置好神经网络控制的输入输出及隐层的函数，下一步是进行神经网络的样本获取及训练。

4)神经网络样本获取

首先在多个典型工况中设置不同的初始条件，采用瞬时优化能量管理策略离线仿真求得最优的控制规则,控制规则的输入输出与神经网络的输入输出对应,将这些控制规则作为待选的训练样本。

5)神经网络训练

①网络初始化

给输入层与隐层及隐层与输出层的权值和阈值赋遗传算法优化后的值，即W_ij，b_j,W_jk,给定学习率和神经元激励函数。

②隐层输入计算

根据输入层X_i(t)(i＝1,2,3,4)表示V当前车速,总需求转矩T_r，电池SOC值,发动机温度T_em，输入层与隐层连接权值W_ij，隐层阈值b_j计算隐层输出。

H_j＝W_ijX_i(t)-b_j；

③输出层计算

根据隐藏层输出H，隐藏层与输出层的连接权值W_kj和神经元输出额阈值b_j，计算BP神经网络预测输出T_e:

④误差计算

根据网络预测输出与实际输出计算网络预测输出误差

e_k＝T_ej-E_ej；

⑤权值更新

根据预测输出的误差更新W_ij,W_jk

W_jk＝W_jk+ηH_je_k,i,j＝1,2,3,4,5

η是学习效率。

⑥阈值更新

根据预测输出的误差更新网络节点的阈值

判断迭代是否结束，循环迭代直至输出最优的转矩。

车载智能优化系统中利用遗传算法优化BP神经网络的初始阈值，使优化后的BP神经网络能够更准确的输出最优转矩。

C.指令处理及控制执行部分

第一步，车载智能优化系统传回控制器的是发动机在当前状况下耗油量最小的输出转矩，智能控制器在其微处理器中并分配出电机的转矩，处理成执行指令，通过各个通信模块传到CAN总线。

第二步，发动机控制模块，电机控制模块和电池管理系统在接收到CAN总线的指令，控制各个部件输出，控制发动机和电机输出的转矩，电池的充放电状态。

图4所示是智能网联混合动力汽车系统结构示意图，该系统实现的功能是根据外界信息包括路况，经此控制系统能够让车辆实时的对能量匹配，达到节能减排的目的，控制系统中信号输入由信号采集模块及无线通信模块采得，在微处理器中，处理成各个模块的执行指令，送入各个通信模块。通信模块连接CAN总线，执行指令先后送入发动机控制模块，电机控制模块和电池管理系统对相应的执行部件进行控制。

综上所述，本发明基于网联系统和先进算法能够根据外界信号经整车智能控制器处理，对发动机及电机的能量匹配的控制达到对混合动力汽车能量的实时分配。