本发明涉及一种内外层嵌套的等效燃油消耗最小能量管理策略多目标双层优化方法，属于新能源汽车控制技术领域。
背景技术：
等效燃油消耗最小能量管理策略(equivalentfuelconsumptionminimizationstrategy,ecms)控制思想为：根据整车的实际驾驶员请求功率，在发动机和电机的功率范围内合理分配发动机和电机的实际输出功率，使得发动机瞬时燃油消耗率
式中：
aiyungao等人将ecms应用在并联混合动力汽车的实时优化控制中，获得了较好的燃油经济性和电量保持性能；chaosun等人建立了一种带有车速预测的自适应ecms，最终油耗减少超过3％；沈登峰等人基于庞氏最小值原理，建立以等效瞬时燃油消耗最小为目标的ecms，结果显示油耗降低12.31％；詹森等人将行驶工况识别技术和ecms结合起来，通过识别当前工况类型，调整等效因子，获得实时最优控制，与未采用识别相比，油耗降低7.47％；苗强等人建立一种可变soc参照的ecms，相比于固定soc参照，减少了23kj等效能量消耗；徐成善等人在循环工况已知的前提下，将ecms应用于某增程式混合动力汽车，结果表明ecms更适用于增程式混合动力汽车；陈龙等人将ecms应用于插电式串联混合动力城市公交车，硬件在环实验表明ecms能减少能量的消耗，实时控制性好；林歆悠等人对ecms中soc惩罚系数进行修正，并利用遗传算法优化了修正系数，燃油经济性提高20.81％；司远等人将ecms应用在四驱混合动力系统中，利用遗传算法优化充放电等效因子，硬件在环仿真表明，相比未优化的ecms，燃油经济性提高2.68％。
从ecms的计算流程可以看出，在计算系统总等效燃油消耗量时，主要变量为充电等效因子、放电等效因子以及分配的电机功率。充电等效因子和放电等效因子是一对常数，分配的电机功率是随着行驶功率需求变化而不断变化，因此既要寻找某行驶工况下最优充、放电等效因子，又要获得该充、放电等效因子下发动机和电机最优功率分配方式。所以对ecms的多目标优化是一个涉及内外层嵌套的不连续优化问题。当前对于ecms的研究大多采用离散穷举法获得最优充电、放电等效因子以及发动机和电机的功率分配方式，寻优结果较好，但未利用智能仿生算法进行寻优。少数文献利用遗传算法获得最优充、放电等效因子，而发动机和电机的功率分配方式依然采用穷举法获得，因此若在优化充、放电等效因子的同时利用智能仿生算法对发动机和电机的功率分配方式进行寻优，则可进一步提升整车燃油经济性。因此对于ecms的优化问题，是一个不连续、非可导的内外层嵌套多目标优化问题，目前尚未见利用多目标智能仿生算法同时对充、放电等效因子和功率分配方式进行寻优的研究。
技术实现要素：
本发明为克服现有技术的不足之处，提供一种内外层嵌套的ecms多目标双层优化方法，同时获得最优充、放电等效因子以及该等效因子下最优发动机和电机的功率分配方式，从而进一步提高汽车的燃油经济性。
为达到上述目的，本发明采用如下技术方案：
一种内外层嵌套的ecms多目标双层优化方法，按如下步骤进行：
步骤1、建立插电式混合动力汽车的多目标优化模型；
步骤1.1、根据插电式混合动力汽车整车参数，建立整车纵向动力学模型；
步骤1.2、根据发动机稳态测试数据和参数，建立包含扭矩计算模块和燃油消耗计算模块两个子模块的发动机模型；
步骤1.3、根据isg电机稳态测试数据和参数，建立包含扭矩计算模块、驱动模式电流计算模块和发电模式电流计算模块三个子模块的isg电机模型；
步骤1.4、根据电池测试数据和参数，建立电池内阻-开路模型，主要包括电池温度计算模块、电池开路电压及内阻计算模块、soc估计模块；
步骤1.5、建立无级变速器模型，主要包括速比计算模块；
步骤1.6、建立基于pid控制的驾驶员模型，主要根据车辆需求车速和实际车速的偏差控制加速踏板和制动踏板的大小，使得行驶车速跟随目标车速；
步骤1.7、建立ecms模型；
步骤1.8、建立如式(1)所示的考虑整车燃油经济性和电池soc保持性能的ecms的多目标优化模型；
式(1)中，xi为外层设计变量，
步骤2、利用所述内外层嵌套多目标双层优化方法求解所述多目标优化模型，得到多目标优化的pareto解集前沿；
步骤3、通过对所述等效百公里油耗和电池soc偏差的变化范围进行加权，建立关于等效百公里油耗和soc偏差的总评价函数，从而根据所述评价函数从所述pareto解集前沿中选出最优的充、放电等效因子及其该等效因子下最优发动机和电机功率分配方式。
优选地，所述步骤2是按如下步骤进行：
步骤2.1、设置优化过程应用的行驶工况；
步骤2.2、设置外层多目标粒子群算法的初始参数：外层迭代次数为m，外层种群粒子即充、放电等效因子个数为m，外层最大迭代次数为gmax，充、放电等效因子维度为d，充、放电等效因子的搜索范围为sd、惯性权重系数为w、学习因子为c1和c2；
步骤2.3、定义m个外层种群粒子为，x＝[x1,x2,…,xi,…,xm],xi表示第i个充、放电等效因子粒子，1≤i≤m；初始化第i个充、放电等效因子粒子xi的速度vi和位置pi；并初始化m＝1；
步骤2.4、在所述充、放电等效因子的搜索范围sd内随机生成第m代外层种群为
步骤2.5、设置内层多目标粒子群算法的初始参数：内层迭代次数为n，内层种群粒子即该行驶工况每秒需求功率下分配的电机功率个数为n，内层最大迭代次数为gmax，电机功率维度与行驶工况时长相同为d、电机功率的搜索范围为sd、惯性权重系数为ω，学习因子为c1和c2；
步骤2.6、定义n个电机功率粒子为y＝[y1,y2,…,yj,…,yn]，yj表示第j个电机功率粒子，1≤j≤n；初始化第j个电机功率粒子yj的速度vj和位置pj、并初始化n＝1；
步骤2.7、在所述电机功率的搜索范围sd内随机生成第n代内层种群为
步骤2.8、定义pareto解集前沿为f,初始化f＝φ；
步骤2.9、初始化i＝1；
步骤2.10、将第i个充、放电等效因子粒子
步骤2.11、初始化j＝1；
步骤2.12、将所述第m代外层种群的第i个充、放电等效因子粒子
步骤2.13、判断f＝φ是否成立，若成立，则pareto解集为初始粒子的解；否则，则执行步骤2.14；
步骤2.14、将各粒子的解与pareto解集中的解进行比较，若为支配解，则添加至pareto解集f，并删除原解集中对应的被支配解；否则，则放弃该解；
步骤2.15、将n+1赋值给n，判断n＞gmax是否成立，若成立，则表示内层迭代结束，获得当外层粒子为
步骤2.16、设置j＝1；
步骤2.17、根据所述内层惯性权重系数ω、学习因子c1和c2，更新第n代内层种群的第j个电机功率粒子
步骤2.18、将j+1赋值给j，并判断j＞n是否成立，若成立，则得到新的第n代内层种群y(n)，执行步骤2.11；否则，返回步骤2.17执行；
步骤2.19、将i+1赋值给i，并判断i＞m是否成立，若成立，则执行步骤2.20；否则，返回步骤2.10执行；
步骤2.20、将m+1赋值给m，判断m＞gmax是否成立，若成立则表示外层迭代结束，获得内外层嵌套的多目标双层优化的pareto解集，输出pareto解集前沿；否则，执行步骤2.21；
步骤2.21、设置i＝1；
步骤2.22、根据所述惯性权重系数w、学习因子c1和c2；更新第m代外层种群第i个充、放电等效因子粒子
步骤2.23、将i+1赋值给i，并判断i＞m是否成立，若成立，则得到新的第m代外层种群x(m)，返回步骤2.9执行；否则，返回步骤2.22执行。
与现有技术相比，本发明的有益效果在于：
1、目前插电式混合动力汽车在cs阶段采用的能量管理策略都是基于规则的，即预置控制模式及控制阈值。固定的阈值使得车辆在具有较强时变的行驶工况下降低控制性能。ecms具有结构简单，运算量小，无需先验知识等特点，本发明采用ecms作为插电式混合动力汽车的cs阶段的能量管理策略，可达到实时最优控制。
2、本发明采用了一种内外层嵌套的等效燃油消耗最小能量管理策略多目标双层优化方法，该方法可同时寻得最优充、放电等效因子以及任意需求功率时发动机和电机的最优功率分配方式，相对于传统的仅用穷举法获得充、放电等效因子的ecms或是仅对充、放电等效因子寻优的ecms，该方法可使得插电式混合动力汽车在cs阶段的燃油经济性进一步提高，同时该优化方法能够克服单层优化算法无法解决的ecms内外层嵌套优化的不连续性问题。
3、利用该算法的多目标功能，使得经过该算法优化的ecms在插电式混合动力汽车cs阶段的电量保持性能进一步提高，减小电池soc终止值与目标值偏差，防止电量过低，提高电池寿命。
4、本发明通过建立关于等效百公里油耗和soc偏差的总评价函数，用于从pareto解集前沿中选取最终解，相较于从pareto解集前沿中随机选取一个作为最终解的常规做法，保证了决策的客观性与合理性。
5、本发明设计出的内外层嵌套的双层优化方法具有收敛速度较快、全局搜索能力强、不易陷入局部最优解的优点，且方法简单、稳定性强，易于在新能源汽车的整车控制器设计中推广应用。
附图说明
图1为插电式混合动力汽车动力传动系统结构图；
图2为本发明方法的流程图；
图3为内外层嵌套的多目标双层优化方法流程图；
图4为整车及能量管理策略顶层simulink模型；
图5为发动机功率分配方式；
图6为电机功率分配方式；
图7为等效百公里油耗变化范围；
图8为电池soc变化范围。
具体实施方式
本实施例中，一种内外层嵌套的等效燃油消耗最小能量管理策略多目标双层优化方法如图2所示，其按如下步骤进行：
步骤1、建立插电式混合动力汽车的多目标优化模型；
步骤1.1、根据整车动力及传动系统参数，如表1所示，在matlab/simulink平台建立整车纵向动力学模型，该模型主要根据驱动力与阻力平衡关系，计算车辆行驶速度、加速度，发动机旋转角速度；
表1动力及传动系统参数
式(1)、(2)、(3)中：tω为车辆行驶所需扭矩；te为发动机输出扭矩；tm为电机输出扭矩；tbrake为摩擦制动扭矩；i0为主减速器传动比；ig为变速器传动比；r为车轮半径；m为汽车质量；g为重力加速度；f为滚动阻力系数；cd为空气阻力系数；a为迎风面积；ρ为空气密度；i为道路坡度；u为车速；δ为汽车旋转质量换算系数；ωin为变速器输入轴旋转角速度；t为时间。
步骤1.2、根据发动机稳态测试数据和参数，在matlab/simulink平台建立包含扭矩计算模块和燃油消耗计算模块两个子模块的发动机模型：
te＝f(ne,α)(4)
bfuel＝f(te,ne)(5)
式(4)、(5)中：ne为发动机转速；α为节气门开度；te为发动机输出扭矩；bfuel为发动机瞬时燃油消耗率。
步骤1.3、根据isg电机参数，在matlab/simulink平台建立包含扭矩计算模块、驱动模式电流计算模块和发电模式电流计算模块三个子模块的isg电机模型，该模型主要根据电机输出扭矩、转速、工作电压及效率的关系，计算电机输出扭矩、驱动和发电两种模式下的电流；
tm＝f(nm,v)(6)
式(6)中：tm为电机输出扭矩；nm为电机转速；v为电机工作电压。
步骤1.4、根据电池的系统参数，在matlab/simulink平台建立包含电池温度计算模块、电池开路电压模块、内阻计算模块和soc估算模块四个子模块的内阻—开路电池模型：
rbat＝f(soc,tem)(7)
uocv＝f(soc,tem)(8)
式(7)、(8)、(9)、(10)中：rbat为电池内阻；tem为电池温度；soc为电池荷电状态；uocv为电池开路电压；soc0为电池初始荷电状态；c为电池容量；ibat为电池电流；pbat为电池功率。
步骤1.5、在matlab/simulink平台建立无级变速器模型，主要包括速比计算模块；本发明采用后向仿真方法，在已知车速和需求转矩t的情况下，寻求最优的无级变速器(cvt)速比和效率使得整个系统效率最优。cvt效率关于速比和输出转矩的关系：
tcvt_0＝tcvt_iicvtηcvt(12)
式(11)、(12)中：tcvt_0为cvt输出转矩；t为车轮处的需求转矩；i0为主减速器比；η0为主减速器传动效率；tcvt_i为cvt输入转矩；icvtcvt速比；ηcvt为cvt的传动效率；
步骤1.6、根据车辆需求车速和实际车速的偏差控制加速踏板和制动踏板的开度，在matlab/simulink平台建立行驶车速跟随目标车速的驾驶员模型：该模型采用pid控制，即通过调整上述车速偏差、车速偏差变化率和车速偏差的积分的增益系数(比例kp、积分ki、微分kd)的大小达到车速跟随目的；
e(t)＝vobj(t)-v(t)(13)
式(13)、(14)、(15)中：e(t)为车速误差；vobj(t)为目标车速；v(t)为实际车速；α(t)为加速度踏板开度信号；β(t)为制动踏板开度信号；a0(t)为pid控制信号。
步骤1.7、在matlab/simulink平台建立ecms模型，顶层控制模块和整车模型如图3；
步骤1.8、考虑整车燃油经济性和电池soc保持性能，在matlab/simulink平台建立如式(1)所示的的ecms的多目标优化模型；
式(16)中：xi为外层设计变量，
步骤2、利用所述内外层嵌套多目标双层优化方法求解所述多目标优化模型，得到多目标优化的pareto解集前沿；
步骤2.1、设置优化过程应用的行驶工况；
步骤2.2、设置外层多目标粒子群算法的初始参数：外层迭代次数为m，外层种群粒子即充、放电等效因子个数为m，外层最大迭代次数为gmax，充、放电等效因子维度为d，充、放电等效因子的搜索范围为sd、惯性权重系数为w、学习因子为c1和c2；
步骤2.3、定义m个外层种群粒子为，x＝[x1,x2,…,xi,…,xm],xi表示第i个充、放电等效因子粒子，1≤i≤m；初始化第i个充、放电等效因子粒子xi的速度vi和位置pi；并初始化m＝1；
步骤2.4、在所述充、放电等效因子的搜索范围sd内随机生成第m代外层种群为
步骤2.5、设置内层多目标粒子群算法的初始参数：内层迭代次数为n，内层种群粒子即该行驶工况每秒需求功率下分配的电机功率个数为n，内层最大迭代次数为gmax，电机功率维度与行驶工况时长相同为d、电机功率的搜索范围为sd、惯性权重系数为ω，学习因子为c1和c2；
步骤2.6、定义n个电机功率粒子为y＝[y1,y2,…,yj,…,yn]，yj表示第j个电机功率粒子，1≤j≤n；初始化第j个电机功率粒子yj的速度vj和位置pj、并初始化n＝1；
步骤2.7、在所述电机功率的搜索范围sd内随机生成第n代内层种群为
步骤2.8、定义pareto解集前沿为f,初始化f＝φ；
步骤2.9、初始化i＝1；
步骤2.10、将第i个充、放电等效因子粒子
步骤2.11、初始化j＝1；
步骤2.12、将所述第m代外层种群的第i个充、放电等效因子粒子
步骤2.13、判断f＝φ是否成立，若成立，则pareto解集为初始粒子的解；否则，则执行步骤2.14；
步骤2.14、将各粒子的解与pareto解集中的解进行比较，若为支配解，则添加至pareto解集f，并删除原解集中对应的被支配解；否则，则放弃该解；
步骤2.15、将n+1赋值给n，判断n＞gmax是否成立，若成立，则表示内层迭代结束，获得当外层粒子为
步骤2.16、设置j＝1；
步骤2.17、根据所述内层惯性权重系数ω、学习因子c1和c2，更新第n代内层种群的第j个电机功率粒子
步骤2.18、将j+1赋值给j，并判断j＞n是否成立，若成立，则得到新的第n代内层种群y(n)，执行步骤2.11；否则，返回步骤2.17执行；
步骤2.19、将i+1赋值给i，并判断i＞m是否成立，若成立，则执行步骤2.20；否则，返回步骤2.10执行；
步骤2.20、将m+1赋值给m，判断m＞gmax是否成立，若成立则表示外层迭代结束，获得内外层嵌套的多目标双层优化的pareto解集，输出pareto解集前沿；否则，执行步骤2.21；
步骤2.21、设置i＝1；
步骤2.22、根据所述惯性权重系数w、学习因子c1和c2；更新第m代外层种群第i个充、放电等效因子粒子
步骤2.23、将i+1赋值给i，并判断i＞m是否成立，若成立，则得到新的第m代外层种群x(m)，返回步骤2.9执行；否则，返回步骤2.22执行；
步骤3、通过对等效百公里油耗和电池soc偏差的变化范围进行加权，建立关于等效百公里油耗和soc偏差的总评价函数，从而根据所述评价函数从所述pareto解集前沿中选出最优的充、放电等效因子及其该等效因子下最优发动机和电机功率分配方式。
将pareto解集前沿按拥挤距离从大到小排序，取前30个pareto解所对应的f1和f2，构建总评价函数：
式(17)中：
为得到内、外层最优解，分别将30个pareto解的f1和f2带入公式(17)中计算。评价函数γ值越小，表明在整车仿真中，燃油经济性和soc偏差总体水平越好。最小γ＝836.243，所对应的外层解为λchg＝1.549,λdis＝1.202,所对应的内层解，该充放电等效因子下最优发动机和电机功率分配方式如图5、图6所示。
步骤4、ecms双层优化的优化效果分析
在matlab/simulink平台搭建ecms控制策略模型，并将控制策略模型嵌入已建立好的整车模型，顶层控制策略和整车模型如图4所示。为了进行对比分析，分别将传统ecms和经过双层优化的ecms封装成模块嵌入整车模型中，初始soc设定为0.63，电池soc上下限分别为0.7和0.6，仿真工况为nedc工况，依据双层优化方法寻优得到的上述内、外层最优解，得到累积燃油消耗量和电池soc偏差的变化范围如图7、图8所示。
由图7可知，经过双层优化的ecms累积燃油消耗量为960g，百公里油耗为5.788l；传统ecms累积燃油消耗量为1070g，百公里油耗为6.451l。经过双层优化后，燃油经济性提高10.28％。由图8可知，两种ecms下的soc保持性能均较好，经过双层优化的ecms下soc变化相对平稳，且电池充放电次数减少，有利于提高系统效率和电池寿命。
本发明说明书中未作详细描述的内容属于本领域技术人员的公知技术，上述实施例仅是本发明的较佳实施例，并非是对本发明技术方案任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。