一种基于工况识别的混合动力汽车电池寿命预测方法与流程

本发明属于混合动力汽车电池寿命领域，更确切地说，本发明涉及一种基于工况识别的混合动力汽车电池寿命预测方法。

背景技术：

混合动力汽车存在多个动力源，需要合理协调各个动力源的工作状态以满足整车动力性需求，进而充分发挥其节能优势，其中，动力电池性能直接影响驱动电动机的性能，从而影响整车的燃油经济性和排放性能，是实现整车性能的关键。

目前对电池寿命的研究主要集中在基于单一实验条件下的数据构建单一工况下的电池寿命模型，而很少考虑在能量管理优化管理控制策略中的燃油经济性与电池寿命的关系，使得在实际行驶工况下，在保证燃油经济性的同时无法兼顾电池寿命。研究表明，燃油消耗与电池寿命衰减程度是矛盾的关系，因此在能量优化管理控制策略中考虑电池寿命的衰减程度对提高整车燃油经济性、降低车辆使用成本、提高电池使用性能是十分必要的。电池寿命模型可分为模型法和数据驱动法，模型法是基于电池运行机理和老化所构建的模型，但是复杂程度高、预测误差较大；数据驱动法是基于大量的实验数据构建电池寿命模型，只能较准确的描述单次实验中或者单一工况下的电池寿命。混合动力汽车的实际行驶工况复杂多变，简单地利用上述两种电池寿命模型无法准确地预测电池的实时剩余使用寿命，且对工况的适应性较差，使得构建电池寿命实时预测模型成为改善电池使用性能、提高整车燃油经济性的关键。

目前对工况识别的研究主要集中在通过实时识别工况类别，切换对应类别下的控制策略，进而提升整车燃油经济性，如中国专利公布号为cn106004865a，公布日为2016-10-12，公开了一种基于工况识别的里程自适应混合动力汽车能量管理方法，针对插电式混合动力汽车，通过识别工况，适应不同的行驶里程和工况，改善了整车燃油经济性，但是该方法未考虑到电池寿命衰减对燃油经济性的影响；而对于考虑电池寿命衰减的能量管理的研究主要集中在预测单一工况下的电池寿命，如中国专利公布号为cn107878445a，公布日为2018-04-06，公开了一种考虑电池寿命的混合动力汽车能量管理方法，在离线的全局优化控制中考虑了电池寿命衰减，提高了电池寿命，而未考虑到行驶工况的变化对电池寿命的影响；现有公开专利，并未充分考虑到实际复杂多变的行驶工况和电池寿命预测之间的联系，使得在实际行驶工况下，很难准确地预测混合动力汽车电池的容量，无法准确地确定电池剩余使用寿命，进而导致电池使用性能降低，不利于提高整车燃油经济性，本专利针对混合动力汽车，制定了基于工况识别的电池寿命预测方法，对于优化电池使用性能和节能，提高系统对实际行驶工况的适应性都有重要意义。

技术实现要素：

为了克服上述技术的不足，本发明提供的一种基于工况识别的混合动力汽车电池寿命预测方法，在能量优化管理控制策略中均衡协调控制了油耗与电池寿命衰减的关系，基于工况识别模块和电池寿命预测模块实现了实际行驶工况下对混合动力汽车电池寿命的在线实时预测，在保证整车燃油经济性的基础上，准确预测电池寿命，改善电池使用性能，并提高控制系统对实际复杂行驶工况的适应性。

本发明是采用如下技术方案实现的，包括下列步骤：

(1)基于以市区、市郊、高速工况为主的路线分别开展全局优化控制，得到混合动力系统发动机和电池的工作状态随车速和整车需求功率的变化结果，具体包括：

①分别将以市区、市郊、高速工况为主的路线划分步长为1秒，形成n阶段决策问题，根据每一阶段的车速和整车功率需求，计算每一阶段的燃油消耗成本与电池寿命衰减成本的总和；

②建立多目标优化控制模型，包括：优化目标函数和约束条件，采用动态规划算法获得满足优化目标的最优控制量；

所述优化目标函数为：

式中，μ为权重系数，取值范围为0～1；ce(xk,uk)为燃油消耗成本，包括发动机燃油消耗和电池等效燃油消耗，ch(xk,uk)为电池寿命衰减成本；ca为转化系数；xk为状态变量，即电池soc，并进行网格化；uk为决策变量，即电池功率，并进行网格化；

所述状态转移方程sg[xk,uk]为：

式中，ik+1为k+1时刻流经电池的电流，qbat为电池容量；

所述k时刻燃油消耗成本为：

ce(xk,uk)＝wfuel(k)+αpbat(k)

式中，wfuel(k)为k时刻发动机燃油消耗量，由发动机的工作点确定，pbat(k)为k时刻电池功率，α为等效燃油系数；

所述k时刻电池寿命衰减成本ch(xk,uk)通过下式求取：

ch(xk,uk)＝σ(i,θ,soc)·|ic(k)|

式中，σ(i,θ,soc)为电池寿命衰减影响因子，ic(k)为k时刻的电池充放电倍率；

所述的电池寿命衰减影响因子σ(i,θ,soc)通过下式求取：

式中，τ为电池额定寿命，即通过额定运行条件下寿命终止(endoflife,eol)时流过电池的总电量；γ(i,θ,soc)是实际运行条件下电池寿命终止时流过电池的总电量；ic,nom为电池额定充放电倍率；ic为电池实际充放电倍率；

所述约束条件为：

pe_min≤pe(k)≤pe_max

pbat_min≤pbat(k)≤pbat_max

ωm_min≤ωm(k)≤ωm_max

tm_min(ωm)≤tm(k)≤tm_max(ωm)

式中，pe(k)为k时刻发动机功率；ωm(k)为k时刻电机转速，tm(k)为k时刻电机转矩；

③逆向计算状态变量各阶段在每个网格点的优化目标函数的最小值，并将结果和对应的决策变量进行保存；

④基于逆向计算保存的结果，正向计算，即从第一时刻到n时刻结束，已知电池soc的初始值，分别通过插值获得以市区、市郊、高速工况为主的路线下每一时刻的最优控制量，进而得到各路线下混合动力系统发动机和电池工作状态随车速和整车需求功率的优化结果；

(2)基于动态规划的优化结果，选取训练样本，利用支持向量机划分整车工作模式，具体包括：

①以整车需求功率、车速、电池soc作为输入，发动机是否启机作为输出，采用模糊c-均值聚类算法对样本进行分类，反复调整隶属度矩阵和聚类中心，获取数据的模糊分类，从每一类中均匀选取部分数据作为训练样本；

②基于上述所选择的训练样本，训练支持向量机模型，将整车模式划分为纯电动(ev)模式、混动(hev)模式；

(3)利用各路线下对应的工作模式的优化结果分别训练神经网络模型，建立对应的基于神经网络的能量管理控制策略，具体包括：

①分别对hev模式、制动模式，以整车需求功率、车速、电池soc作为输入，电池需求功率作为输出，利用模糊c-均值聚类算法对样本进行分类，反复调整隶属度矩阵和聚类中心，获取数据的模糊分类，从每一类中均匀选取部分数据作为训练样本；基于上述所选择的训练样本，选择输入层的神经元为3个，输出层的神经元为1个，隐含层的神经元个数经过试凑法得到，进行训练神经网络模型；

②将训练后的不同模式下的神经网络模型的输出应用于所开发的基于神经网络的能量管理控制策略，确定发动机工作点和电池需求功率；

(4)采用随机森林模型对各工况特征参数进行训练以实现对实时工况的识别，具体包括：

①将以市区、市郊、高速工况为主的三条路线中的所有市区工况分为一类，所有的市郊工况分为一类，所有的高速工况分为一类；

②确定工况特征参数为平均车速、平均加速度、最大加速度、平均减速度、最大减速度、怠速时间；

③基于动态规划的优化结果，计算各类工况的特征参数，选取训练样本，将决策树的棵树进行遍历，基于遍历得到的的分类正确率和随机森林的结构复杂度，确定决策树的棵树，训练随机森林模型；

(5)在实际行驶工况下，基于工况识别模块和电池寿命预测模块，在线实时应用于实车控制，具体包括：

①采集实车在实际行驶工况下的数据，计算特征参数，利用训练好的随机森林模型，识别实时工况的所属工况类别，统计之前识别的市区、市郊、高速工况的个数，根据累计个数确定当前识别的工况所属的路线类别；

②利用支持向量机模型，确定当前工况下的整车工作模式，利用对应路线下的对应模式下的神经网络模型，确定每一时刻的电池功率，然后由每一时刻整车需求功率与每一时刻电池功率确定每一时刻的发动机的工作点，即：

preq(t)＝pe(t)+pbat(t)

式中，preq(t)为每一时刻的整车需求功率，进而建立了基于神经网络的能量管理控制策略，实现实车控制。

与现有技术相比，本发明的有益效果是：

(1)本发明所述的一种基于工况识别的电池寿命预测方法对燃油消耗成本和电池寿命进行协调控制，减缓电池寿命衰减的同时兼顾整车燃油经济性；

(2)本发明所述的一种基于工况识别的电池寿命预测方法所选择的工况路线及其对应的基于神经网络的能量管理控制策略具有典型代表性，更接近实际行驶工况的特征，有效提高了控制系统对实际复杂行驶工况的适应性；

(3)本发明所述的一种基于工况识别的电池寿命预测方法基于实时工况识别，可在线实时应用于实车控制，能够获得与全局优化控制相接近的控制效果，为全局优化控制的次优解；

(4)本发明所述的一种基于工况识别的电池寿命预测方法有利于更好地管理利用电池，进而改善电池性能，降低电池寿命成本。

附图说明

下面结合附图对本发明作进一步的说明：

图1是本发明整体方法的流程示意图；

图2是本发明实施例中所选择的以市郊工况为主的工况路线的车速图；

图3是本发明实施例中所选择的以高速工况为主的工况路线的车速图；

图4是本发明实施例中所选择的以市区工况为主的工况路线的车速图；

图5是本发明的混合动力汽车工况识别模块和电池寿命预测模块的流程图；

图6是本发明实施例中随机森林模型不同决策树对应的分类正确率图；

图7是本发明的混合动力汽车在实际行驶工况下的实车控制流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作详细的描述：

参阅图1至图7，本发明提供了一种基于工况识别的混合动力汽车电池寿命预测方法，对混合动力汽车的电池剩余使用寿命进行预测。本发明的基于工况识别的混合动力汽车电池寿命预测方法包括以下步骤：

(1)参阅图1，基于以市区、市郊、高速工况为主的路线分别开展全局优化控制，得到混合动力系统发动机和电池的工作状态随车速和整车需求功率的变化结果，具体包括：

①选择以市区、市郊、高速工况为主的三条工况路线，每条工况路线中均涵盖市区、市郊、高速工况，本实施例中选择的三条工况路线参阅图2至图4，工况1代表市郊路线1，以市郊工况为主，平均车速处于中等，工况2代表高速路线2，以高速工况为主，平均车速较高，工况3代表市区路线3，以市区工况为主，平均车速较低，将以市区、市郊、高速工况为主的路线划分步长为1秒，形成n阶段决策问题，根据每一阶段的车速和整车功率需求，计算每一阶段的燃油消耗成本与电池寿命衰减成本的总和；

②参阅图1，建立多目标优化控制模型，包括：优化目标函数和约束条件，采用动态规划算法获得满足优化目标的最优控制量；

所述优化目标函数为：

式中，μ为权重系数，取值范围为0～1；ce(xk,uk)为燃油消耗成本，包括发动机燃油消耗和电池等效燃油消耗，ch(xk,uk)为电池寿命衰减成本；ca为转化系数；xk为状态变量，即电池soc，并进行网格化；uk为决策变量，即电池功率，并进行网格化；

所述状态转移方程sg[xk,uk]为：

式中，ik+1为k+1时刻流经电池的电流，qbat为电池容量；

所述k时刻燃油消耗成本为：

ce(xk,uk)＝wfuel(k)+αpbat(k)

式中，wfuel(k)为k时刻发动机燃油消耗量，由发动机的工作点确定，pbat(k)为k时刻电池功率，α为等效燃油系数；

所述k时刻电池寿命衰减成本ch(xk,uk)通过下式求取：

ch(xk,uk)＝σ(i,θ,soc)·|ic(k)|

式中，σ(i,θ,soc)为电池寿命衰减影响因子，ic(k)为k时刻的电池充放电倍率；

所述的电池寿命衰减影响因子σ(i,θ,soc)通过下式求取：

式中，τ为电池额定寿命，即通过额定运行条件下寿命终止(endoflife,eol)时流过电池的总电量；γ(i,θ,soc)是实际运行条件下电池寿命终止时流过电池的总电量；ic,nom为电池额定充放电倍率；ic为电池实际充放电倍率；

所述约束条件为：

pe_min≤pe(k)≤pe_max

pbat_min≤pbat(k)≤pbat_max

ωm_min≤ωm(k)≤ωm_max

tm_min(ωm)≤tm(k)≤tm_max(ωm)

式中，pe(k)为k时刻发动机功率；ωm(k)为k时刻电机转速，tm(k)为k时刻电机转矩；

③逆向计算状态变量各阶段在每个网格点的优化目标函数的最小值，并将结果和对应的决策变量进行保存；

④基于逆向计算保存的结果，正向计算，即从第一时刻到n时刻结束，已知电池soc的初始值，分别通过插值获得以市区、市郊、高速工况为主的路线下每一时刻的最优控制量，进而得到各路线下混合动力系统发动机和电池工作状态随车速和整车需求功率的优化结果；

(2)参阅图5，基于动态规划的优化结果，选取训练样本，利用支持向量机划分整车工作模式，具体包括：

①以整车需求功率、车速、电池soc作为输入，发动机是否启机作为输出，采用模糊c-均值聚类算法对样本进行分类，反复调整隶属度矩阵和聚类中心，获取数据的模糊分类，从每一类中均匀选取部分数据作为训练样本；

②基于上述所选择的训练样本，训练支持向量机模型，将整车模式划分为纯电动(ev)模式、混动(hev)模式；

(3)利用各路线下对应的工作模式的优化结果分别训练神经网络模型，建立对应的基于神经网络的能量管理控制策略，具体包括：

①分别对hev模式、制动模式，以整车需求功率、车速、电池soc作为输入，电池需求功率作为输出，利用模糊c-均值聚类算法对样本进行分类，反复调整隶属度矩阵和聚类中心，获取数据的模糊分类，从每一类中均匀选取部分数据作为训练样本；基于上述所选择的训练样本，选择输入层的神经元为3个，输出层的神经元为1个，隐含层的神经元个数经过试凑法得到，进行训练神经网络模型；

②将训练后的不同模式下的神经网络模型的输出应用于所开发的基于神经网络的能量管理控制策略，确定发动机工作点和电池需求功率；

(4)参阅图5，采用随机森林模型对各工况特征参数进行训练以实现对实时工况的识别，具体包括：

①将以市区、市郊、高速工况为主的三条路线中的所有市区工况分为一类，所有的市郊工况分为一类，所有的高速工况分为一类；

②确定工况特征参数为平均车速、平均加速度、最大加速度、平均减速度、最大减速度、怠速时间；

③基于动态规划的优化结果，计算各类工况的特征参数，选取训练样本，本实施例中将决策树的棵树从50～1000进行遍历，参阅图6，在决策树棵树为650时，分类正确率达到最高值93.42％，而决策树棵树为150时，分类正确率仍为93.35％，基于遍历得到的的分类正确率和随机森林的结构复杂度，确定决策树的棵树为150，训练随机森林模型；

(5)参阅图7，在实际行驶工况下，基于工况识别模块和电池寿命预测模块，在线实时应用于实车控制，具体包括：

①在车辆行驶之初，初始识别延迟时间为δp，[0,δp]时间段内不进行工况识别，本实施例中设定[0,δp]时间段内车辆在市区路线下工作，采集实车在实际行驶工况下的数据，计算[t-δp,t]时间段内的特征参数，利用训练好的随机森林模型，识别实时工况的所属工况类别，以此作为t时刻之后一个采样步长[t,t+δf]时间内的工况类别，并统计之前识别的市区、市郊、高速工况的个数，根据累计个数确定当前识别的工况所属的路线类别，通常采样步长δf取为1秒；

②利用支持向量机模型，确定当前工况下的整车工作模式，利用对应路线下的对应模式下的神经网络模型，确定每一时刻的电池功率，然后由每一时刻整车需求功率与每一时刻电池功率确定每一时刻的发动机的工作点，即：

preq(t)＝pe(t)+pbat(t)

式中，preq(t)为每一时刻的整车需求功率，进而建立了基于神经网络的能量管理控制策略，实现实车控制。