一种混合动力车辆基于工况预测的动力部件工作点调控方法与流程

本发明涉及一种混合动力车辆动力部件工作点调控方法，尤其是一种基于有限时域内工况预测的混合动力汽车动力部件工作点调控方法。

背景技术

随着城市对环保的重视，新能源汽车正逐步走向市场。市面上新能源汽车主要分为混合动力汽车和纯电动汽车。纯电动汽车由于电池寿命和续航问题一直无法得到大量推广，混合动力汽车作为一个传统汽车和纯电动汽车的综合产品为消费者所接受。发动机作为主要能量源，蓄电池作为另一种能量源与电机联动调节发动机工作点，达到发动机工作在最佳燃油消耗区域，同时电池可以回收一部分制动能量达到整车节能减排的目的。为了达到整车的最优节能状态，降低燃油消耗，整车控制策略起到举足轻重意义。

在降低整车能耗方面，chen等人发表了基于等效燃油消耗的混合动力汽车，把电池能耗加入换算比重，在离线仿真基础上提出了整车燃油消耗策略。在工况预测识别方面，payri等人通过马尔科夫链预测驾驶员行为以此设计整车控制策略。sun等人基于神经网络模型离线预测汽车行驶速度得到汽车预测控制序列。zchen利用dpso方法对全局速度离线预测，并利用dpso寻找每一时刻的全局最小燃油消耗。以上基于工况预测的控制策略是在已知全局速度基础上进行离线预测和计算，离线预测汽车速度，并据此设计汽车控制策略，适合速度较为稳定，道路状态不拥堵的城市巡逻服务车，根据其路线和行驶启停频率可以设计节能省油控制策略。然而实际情况要复杂许多，随着汽车保有量的逐渐增加，道路拥堵状况逐渐增多。即使对具有专用车道的城市巡逻车也难以避开拥堵的交通。对于巡逻车由于具有固定巡逻轨迹，其能量管理可以从历史信息提取然后进行全局规划。但是如果遇到拥堵或者其他车辆临时换道的情况，这种完全基于全局规划的能量管理策略无法满足节能省油的需求。因此基于离线预测的控制策略就无法取得最佳效果。本发明就是为了解决上述问题。

技术实现要素：

本发明的主要目的是提供一种基于有限时域内工况预测的混合动力汽车动力部件工作点调控方法，从而解决离线优化燃油消耗控制策略的局限性，该控制方法采用有限时域动态规划作为控制策略，针对预测时域每一时刻进行动态规划，可以充分挖掘预测信息，从而达到良好的优化效果。

本发明采用一种新型的机器学习方法以达到预测目的——支持向量回归(svr)。

提取汽车不同预设行驶循环的速度，利用各行驶循环的速度特征作为训练数据，通过粒子群(pso)算法反复训练svr模型。训练两种svr模型对应驾驶过程中的速度变化剧烈模式和行驶稳定模式。对某特定未知工况使用聚类(knn)算法以完成实际驾驶过程的速度模式识别。根据速度模式识别的结果与对应模式建立的svr模型相结合得到预测时域各时刻的速度信息。

以预测结果与实际结果的平均均方根误差和相关度评定svr预测方法的准确率。预测结果表明，svr方法对有限时域内速度预测准确而高效。根据速度预测信息得到有限时域内油门开度预测、行驶模式预测、发动机功率等预测值；将各预测值输入汽车整车控制器，利用有限时域内动态规划得到采样时刻的各控制变量分配值。结果表明：基于预测信息的控制策略在优化整车燃油消耗和优化电池用量方面具有显著成效。

本发明的目的可以通过以下途径来实现:

一种混合动力车辆基于工况预测的动力部件工作点调控方法，该方法包括：

根据车辆在历史工况下的速度信息采用svr模型进行工况预测，

根据工况预测结果求解预测时域内的各部件所需求的转矩或转速信息，

根据所需求的转矩或转速信息确定发动机和电机在未来时域内需要达到的最佳工作点，从而使发动机、电机工作点提前分布在预测时域高效区域附近，使其在实际采样时刻到下一时刻之间各控制变量易于响应到目标工作点。

本发明基于工况预测的动力部件工作点调控方法，其中工况预测包括：提取汽车不同预设行驶循环的速度，利用各行驶循环的速度特征作为训练数据，通过pso算法反复训练svr模型；训练两种svr模型分别对应驾驶过程中的速度变化剧烈模式和行驶稳定模式；对某特定未知工况使用knn算法以完成实际驾驶过程的速度模式识别；根据速度模式识别的结果与对应模式建立的svr模型相结合得到预测时域各时刻的速度信息。

本发明基于工况预测的动力部件工作点调控方法，其中以预测结果与实际结果的平均均方根误差和相关度评定svr模型预测的准确率。

本发明基于工况预测的动力部件工作点调控方法，其中svr模型选择径向基核函数进行速度拟合，并调整对应svr模型关键参数值，选择不同模型参数和核函数的组合通过相关度和速度平均均方误差来评定预测准确度；

采用粒子群算法(pso)迭代优化确定svr核函数的关键参数γ和模型的惩罚因子c；

使用网格式搜索法在pso最优解附近进行二次寻优，从而确定svr模型参数。

本发明基于工况预测的动力部件工作点调控方法，建立验证集，然后使用交叉验证方法根据根据最佳回归预测准确率和拟合的均方差交叉验证反复修正参数c，γ的值直到预测误差被控制在一定范围内。

本发明基于工况预测的动力部件工作点调控方法，其中行驶稳定模式用于就汽车行驶时较为稳定和匀速路段或速度为0的路段作预测，利用城郊高速公路工况和日本轻型汽车燃油消耗经济性测试工况(nedc，10-15mode)，训练得到预测时域内不同时刻预测速度需要的5个模型；速度变化剧烈模式用于汽车行驶时速度变化较剧烈的中高速段做预测，利用世界轻型车油耗测试循环(wltpclass1/2/3)的三种工况，训练得到不同时域内的5个预测模型。

本发明还提出了一种混合动力车辆的车速控制装置，其特征在于该装置采用本发明所述基于工况预测的动力部件工作点调控方法进行动力部件工作点调控。

附图说明

图1是本发明的车速控制流程图。

图2是本发明的预测时域时序逻辑图。

图3是本发明的支持向量回归机拟合条形区域覆盖大量样本点示意图。

图4是发明的pso方法结合交叉验证的参数修正流程示意图。

图5是pso算法适应度曲线。

图6是网格搜索结果。

图7是对另一模型网格搜索的结果。

图8加速度工况智能分段示意图。

图9是基于工况预测的预测结果。

图10是未来第1秒的工况预测结果及误差

图11是未来第2秒的工况预测结果及误差。

图12是未来第3秒的工况预测结果及误差。

图13是未来第4秒的工况预测结果及误差。

图14是混联式混合动力汽车结构图。

图15是滚动预测的程序实现流程图。

图16是该方法预测结果与其他方法对比分析。

图17是fttdp方法与ecms方法的电池soc对比分析。

图18是使用fttdp方法的混动汽车发动机工作点分布。

图19是使用ecms方法的混动汽车发动机工作点分布。

图20是使用fttdp方法的混合动力汽车各控制变量值变化。

其中，1代表动力电池组，2代表功率分配单元，3代表电机b，4代表电机a，5代表用电设备，6代表功率耦合机构，7代表前传动，8代表变速机构，9代表发动机。

具体实施方式

考虑到发动机和电机作为复杂的高度非线性系统，无法根据上一时刻工作点确定下一时刻工作点分布。为了使整车满足动力性能的同时优化其燃油经济性，本发明结合预测信息进行动态规划。

在此，预测信息主要是对工况的预测，根据工况预测结果求解预测时域内的各部件所需求的转矩或转速等预测信息。由此，可以确定发动机和电机在未来时域内需要达到的最佳工作点，从而使发动机、电机工作点提前分布在预测时域高效区域附近，使其在实际采样时刻到下一时刻之间各控制变量易于响应到目标工作点。而预测信息的依据为整车在历史工况下的速度信息。

svr独特的数据拟合方法使其可以根据历史速度拟合一个条形区域(条形区域代表最佳线性回归函数)，使历史信息所涵盖的尽可能多的特征值落在该区域内，根据拟合曲线值得到速度预测值。同时寻找惩罚因子对离群点作惩罚，寻找最佳超平面使得拟合的条形区域能覆盖尽可能多的点。支持向量回归与神经网络等人工智能学习方法所不同的是，他具有多输入单输出特性，即输入一段速度可以预测下一个时刻速度。

svr模型需要选择合适的核函数进行空间高维拟合。本发明选择径向基核函数进行速度拟合，并调整对应svr模型关键参数值，选择不同模型参数和核函数的组合通过相关度和速度平均均方误差来评定预测准确度。

确定核函数后，需要就核函数的关键参数和模型的惩罚因子等参数进行匹配。这里使用pso与svr联合估计模型参数。svr参数的迭代优化算法采用粒子群算法(pso)，他可以确定svr的核函数参数，优化svr模型，缩小参数寻优范围。

针对pso算法解算步长过大而产生的局部最优解问题，本发明使用网格式搜索法在pso最优解附近进行二次寻优，从而确定svr模型参数。

针对提升模型预测精度的问题，首先需要建立验证集，然后使用交叉验证的方法根据预测结果反复修正预测参数直到预测误差被控制在一定范围内。该步与以上三步同时进行，根据预测准确率修正成本函数的各权重值。

针对不同的速度变化情况，首先对任意输入工况进行knn最邻近聚类，根据聚类结果，选择对应速度模式的模型进行预测。得到预测速度后可以确定预测时域的控制变量和状态变量的控制边界和关键预测参数。

mcu根据预测控制变量和预测控制边界，利用有限时域内动态规划决定电机发动机的控制转矩和控制转速。

基于工况预测的具体实施流程图可见图1.

svr数据标注与预处理

根据svr的原理可以确定该方法支持多维特征的输入。并且可以将多维特征投影到高维空间进行学习和拟合。所以该预测模型可以利用进行大量样本数据进行训练，从而生成可靠的预测模型。本发明选择多种循环工况作为样本训练集：使用两类特征明显的工况进行训练，世界轻型车油耗测试循环的三种工况等循环作为剧烈加减速的预测模型代表；采用城郊高速公路工况和日本轻型汽车燃油消耗经济性测试工况等循环作为速度稳定的预测模型代表。选择这几类特征鲜明的工况主要是为了涵盖大部分汽车驾驶行为，从而使预测模型的应用覆盖面更广。同时也为后文速度模式识别作铺垫。

具体实施步骤为：

(1)对训练的速度样本集进行数据预处理。提取主要的预测信息特征：短时加速度，最大减速度，最大加速度，各段速度值在该速度段所占百分比等特征信息。将特征信息与模型训练的每一步结合，筛选掉冗余的特征，提取具有代表性的特征组合。

(2)本发明提取的速度特征都是速度相对值而非绝对值，这保证了以任意速度数值起点的速度变化均可以包含在内。而汽车短时间内加速度绝对值一般不超过1m/s2，故有限工况下特征提取出的样本可以基本覆盖大部分工况变化情况。除了加速度特征提取还有对整体速度分布特征的提取。所以本发明的特征提取方式对任意速度起点的加减速工况具有普遍适应性。由于预测时域内预测时刻与当前时刻间隔越长，预测难度越大，预测信息越多，故对于相同时域内不同时刻的预测信息需要建立不同的速度预测模型。

(3)有限时域内速度预测。采用短时域内特征挖掘并滚动预测的方法，预测未来下一时刻速度至少需要历史前5个时刻速度，并从这5个速度提取至少9个特征，才能使预测模型达到一定精度。

(4)仿真过程中，knn最邻近算法对速度工况进行聚类的特征与svr的目标特征不同。二者提取特征的不同在于：聚类的特征强调速度的变化和波动对分类结果的影响，而svr的特征强调工况本身的特性。以任意一段速度工况为例，描述他的速度变化可以是：

在某一初始速度下，汽车根据驾驶员需求以一定加减速度行驶。那么为了预测预测时域某一个时刻速度需要建立对应svr模型。按照预测时域内的速度预测需求可以建立5种有限时域内速度预测模型：分别为预测时域第1s速度预测，预测时域第2s速度预测……预测时域第5s速度预测。

本发明按照预测时域的时刻顺序依次说明每种速度预测模型的特征提取方法。

(1)第一种情况：对原始数据只提供前5s速度，为了保证预测精度可预测第6s的速度v6。

表1特征提取

本发明提取的特征来自历史速度信息主要可用图2所示的时序逻辑图解释。假设我们需要在t0-1时刻做出t0时刻的控制决策，以t0-1时刻以前的速度为历史信息，根据t0-1以前历史速度信息预测t0时刻以后每个预测速度可得到多个预测模型。

则在正常时域下由前9个速度可以在预测时域下预测v10-v14,从而根据预测时域的预测速度可以决定预测时域的控制变量。从而确定在t0到t0+1时刻的控制策略，采用该控制策略可达到t0+1时刻的速度要求。

(1)第一种情况：对原始速度提供前5s速度，可以根据历史时域各时刻速度预测未来时域的第1时刻的速度如表1所示。

特征1为加速度a0,即相邻时间间隔速度差。特征2为速度差的平均值，特征3为该段时域历史速度的相邻加速度均方误差，特征4为该段时域下历史速度总和，特征5为该段时域历史速度的平均值，特征6为该段历史速度中加速度为正值的和，特征7为该段历史速度中加速度为负值的和，特征8为该段历史速度中相邻速度加速度小于1m/s2的加速度百分比。特征9为该段历史速度中相邻速度加速度小于1m/s2的个数占所有加速度的比例。如表3第三列最后两行公式所示，其中n代表总的加速度个数，在这里历史速度个数为5，则加速度(速度间隔)个数为4。

最后对各个特征进行归一化处理，从而消除各个特征因为量纲不一而导致的局部过学习的现象。如式1所示，x为表1所示特征，y为回归后的特征。

其中minvalue为单个样本特征其中的最小值，maxvalue为单个样本特征中的极大值，通过式1的回归方式可以使提取的各速度特征化归到相同的度量范围内。

(2)第二种情况：对原始数据只提供前6s速度，为了保证预测精度可预测第7s、第8s的速度v7,v8。则也可以按照式1的方式进行特征提取。

(3)第三种情况：对原始数据只提供前7s速度，为了保证预测精度可预测第8s、第9s、第10s的速度v8,v9,v10。在后5个速度基础上预测v8；后6个速度基础上预测v9；其特征依照的方法，在后6个速度基础上预测v8。

(4)第四种情况：对原始数据只提供前8s速度，为了保证预测精度可预测第9s、第10s、第11s、第12s的速度v9,v10,v11,v12。在后5个速度基础上预测v9；后6个速度基础上预测v10；后7个速度基础上预测v11；前8个速度基础上预测v12。

综合以上5种情况如表2所示，将可预测模型抽象为5种。根据不同的速度序列可以预测未来时域内的不同时刻的速度

表2第一列为已知速度序列，通过提取已知速度序列的特征如表2第二列，该表格可生成第三列的速度预测模型。因为历史参考速度有所增加，表2第三列可根据新提取的模型特征生成未来时域不同时刻的速度预测模型。新生成的预测模型以下划线标识，通过表格第二列的特征提取生成带下划线的预测模型。无下划线标识的模型可由表格上一行特征提取方法生成。

表2特征提取及速度预测

svr模型构建

支持向量回归机是在支持向量机基础上发掘的，其思路与支持向量机分类原理基本类同。假定样本为{(xi，yi)，…，(xl，yl)}，x∈rⁿ。以非线性映射：x→φ(x)，将输入空间映射成高维特征空间。

再用函数f(x)＝w·φ(x)+b拟合数据样本集，假设训练数据的拟合误差精度是ò如图3所示，根据结构风险最小化准则，应使拟合曲面尽可能平整防止过拟合，故w应尽可能小。若考虑离群点如图3的离群样本点以“x”所示，若强行使拟合直线区域经过该点所在条形区域会产生过学习情况，从而产生较大拟合误差，故引入松弛因子ξi，则支持向量回归机可表示为：

引入拉格朗日乘子αi,αi^*，可得到其对偶问题并建立lagrange方程如式3。

上式应满足kkt条件，即上式对参数w,b,ξi的偏导都等于0。即w,b,ξi需要满足式4的方程。

解之得：该式给出了在改向量处的w值。

根据kkt条件在最优解处，可得式(5)所示的方程。

以下统一改。

基于此可以得出在拟合区域内的样本点对应的αi，αi^*都为0，外部的点对应αi＝c或者αi^*＝c，在拟合边界上，ξi和ξi^*均为0，因而αi,αi^*∈(0,c)从而可以根据式6计算b的值：

与αi,αi^*不为0的值相对应的样本xi，即不在拟合条状边界内的样本为支持向量。所以，拟合的函数为：

其中svs表示支持向量的集合。这里核函数选择径向基核函数如式8。

φ(x)＝exp(-||x-xi||²/γ²)式8

故本发明需要确定核函数参数γ和惩罚参数c的取值，因为前者影响样本点在空间上的分布形态，而后者影响机器是否会在空间产生过学习或是否能在高维空间有效的拟合。当αi^*≠αi时，则该数据点为符合条件的支持向量。根据式8，式7可以得到符合条件的回归平面。

则确定核函数参数γ，惩罚参数c即可得到支持回归向量的最佳平面。这两个参数相互独立却同时影响回归结果，故参数寻优是svr泛化学习很重要一部分。

为了能够使所训练的模型可以达到准确预测的效果，首先需要建立预测精度评价的标准，利用该标准反复寻优确定最佳参数以使成本函数最小。

svr模型的预测精度评价

预测模型的预测效果首先与模型的拟合效果有关。通过对比svr模型拟合原速度曲线的拟合趋势与原速度曲线的速度走势可以得到模型拟合效果的优劣。根据已有样本特征点拟合速度曲线，带入测试集支持向量，计算测试集拟合值与目标值的误差可以评价预测效果优劣。

(1)r-squre是评价回归质量的主要评价标准。在此对速度的预测的偏离程度可以用r-squre方法进行分析。将原循环工况速度设为x,则y作为对x的预测速度。var代表方差，见式9。

(2)均方根误差(mse)是评价回归误差的主要评价标准。他求解速度预测值与真实值的误差从而得出误差的平均方差。

基于pso方法的svr参数选配

pso方法又名粒子群优化法，它模拟鸟类迁徙寻找栖息地的方法获得全局最优栖息点。本发明最佳栖息点是预测交叉验证准确率最高的点。

pso算法主要核函数参数γ(式8)和惩罚参数c(式2)使交叉验证预测准确率最高，预测值均方误差最小的svr模型。在这里也涉及支持向量回归机的交叉验证求解。交叉验证是对于预测参数的自适应寻优的一种纠正机制。对于有限的样本为了使预测模型能符合尽可能多的特征集变化。

(1)交叉验证流程

首先将样本数据集分为k份，每次的测试集只包含1份数据，剩余k-1份作为训练集数据，依此类推可以得到交叉验证步骤：

a.不重复地每次取其中一份作为测试集，用剩下k-1份作训练集训练模型，随后计算模型在测试集的msei。

b.将k折的msei取平均得到最后的mse

这种特殊的交叉验证方法叫k折交叉验证。

基于交叉验证的平均均方误差最小的svr参数寻优有以下步骤：

离散核函数γ，惩罚参数c在确定离散范围内，确定粒子迁徙范围边界以确定粒子搜索区域。粒子以一定速度在该区域内搜索，首先初始化n代的微粒。对每个微粒将其适应度与他经过最好位置(预测误差最小)比较，如果较好则为当前微粒最好位置。对于这一代微粒，将其适应度和全局最佳适应度(预测误差最小)相比较，如果比全局最佳适应度更好，则重新设置该微粒位置为最佳位置。

更新在区域内搜索速度和种群，再次进行如上操作，迭代优化知道找到本代粒子最佳适应度。再对下一代粒子重复以上操作，并和上一代微粒的全局最优位置作比较，对每一代的全局最优适应度作调整，迭代优化直至找到所有代数内最小得适应度。

主要步骤如下：

第一步：对于初始化的第1代的1个粒子，每个粒子由[ci,γj]组合构成，xk下标k代表该粒子在位置k适应度即上标p代表该每一个粒子群中个体的编号。

初始化第1代个体粒子的速度

第二步：初始化第1代粒子的个体以一定迁徙速度下在域uc,uγ范围内进行搜索，寻找自身最佳适应度(最小mse)的位置

其中是单个粒子在初始化的迁徙速度下在搜索域内的最佳适应度位置。将种群内所有粒子所寻找到的个体最佳适应度位置进行比较：

对于第1代的粒子进行速度更新，各个粒子根据个体现在的位置和群体最佳适应度及个体最佳适应度位置，按照更新速度在搜索域内搜索最佳适应度。

第三步：迭代优化，对每一个种群内的每一个粒子更新个体最佳适应度的位置，使个体趋向于个体最佳适应度位置；个体最佳适应度在粒子群中比较，比较群体最佳适应度，使个体趋向于群体最佳适应度位置，并反复更新粒子速度，根据最佳适应度位置

第四步：更新到最终代，比较所有代数内的最佳适应度，选择均方误差最小的[ci,γj]取值。

以第一个预测模型为例，如表2特征提取及速度预测，通过前五个速度值预测第六个速度，则设置惩罚参数c离散范围0:1:1000,设置核函数参数γ离散范围0:1:1000,首先在搜索范围内任意随机初始化c，γ的值，设置微粒在搜索范围内的速度权重为1.5,1.7。

初始化种群数量20，每个种群随机初始化不同的粒子c和粒子γ值，以设置好的速度权重使c和γ以一定速度在离散范围内搜索，选择每一个种群中的最佳适应度。种群最佳适应度为svr交叉验证的平均均方差，整体流程按照图1的流程进行模型训练和参数匹配。

交叉验证调整参数以适应各种工况

以上，采用交叉验证的方法可以避免模型因为样本集过多或过少而产生的过学习和欠学习现象。

反复训练，根据最佳回归预测准确率和拟合的均方差交叉验证修正参数c，γ的值。通过对所有种群，所有代数反复搜索比较，结果会收敛到一个全局最佳适应度点。

以model1为例，该模型根据前历史5个速度预测未来时域的第一个速度，此时c粒子最佳取值340.1207，γ粒子最佳取值871.054，适应度(交叉验证的平均均方差)为0.251。

由于粒子群优化法受限于速度权重的赋值，当速度权重赋值过大时粒子可能飞过最优点，当速度权重赋值过小则会增加搜索时间，所以为了尽快寻找全局最优的位置，减少计算机负荷。选择相对较大的速度权重，以使粒子群能找到全局最优位置。

在找到全局最优适应度后，在该适应度对应取值c，γ的附近点进行网格搜索。网格搜索确定该参数值以使模型预测结果更加精确可靠。

以model1为例在c在2^8～2⁹范围内离散，γ在2^9～2^9.8范围内离散，所以根据网格搜索的结果，确定最佳交叉验证均方差值，如图6，图7网格搜索结果图，最佳均方差值为0.207。

将以上训练最佳结果参数c值，γ值带入svr模型，即可得到预测未来时域第一个速度的svr模型(model1)。本发明在以上特征训练模型的基础上，训练两类不同的模型对应每个时域内的速度预测。第一类主要就汽车行驶时较为稳定和匀速路段或速度为0的路段作预测，利用nedc和10-15mode提取如上表的特征，训练预测时域内不同时刻预测速度需要的5个模型。第二类主要就汽车行驶时速度变化较剧烈，汽车行驶的中高速段做预测。主要利用wltpclass1，wltpclass2，wltpclass3提取上表的特征，训练不同时域内的5个预测模型，作上述预测。

通过以上方法，总共训练了10个svr模型，5个模型用于第一类速度较为平缓的预测。主要对应市区低速缓行路段。5个模型用于第二类速度变化剧烈的预测，主要对应与公路类频繁加减速路段。为了能在汽车实时行驶过程中选择合适类型的模型进行预测，需要对任意测试循环工况进行聚类，根据分类对应情况选择最佳模型与之匹配。

对测试速度循环进行聚类处理如图8蓝线所示，将速度类型以10,20,30标定，20代表中高速急加减速段，使用第二类模型进行预测，10代表低速较为稳定路段，使用第一类模型进行预测。30处于中速段，比较第一类和第二类模型对该段速度进行预测，选择预测准确率高的那一类模型行预测。

据此对有限时域内速度序列选择编号对应的模型进行预测，得到预测速度如图9。

截取不同时刻的四幅速度预测图10，图11，图12，图13，得到预测时域不同时刻的预测速度和原始速度的对比图，由此评估速度的预测效果。

训练模型使其应用于更多的工况，得到表3的结果。将表3各行进行对比，预测时域的第五个时刻预测速度与实际速度的r-square逐渐下降，mse逐渐升高，代表随着预测时域的推后，预测精度受到影响。为了使后文fttdp的结果更精确可靠，后文基于dp的能量管理策略对未来时域前几秒的速度计算结果分配的权重较大。

同时对不同道路工况下svr模型的预测效果采用r-square方法和mse进行分析。

表3描述了不同道路工况下r-square的变化，表4描述了不同道路工况下相关系数的变化。当r-square较大而mse较小表明速度预测速度误差较小，预测速度的趋势与实际速度相关度较高，即该道路状况下svr预测效果较好。

结合表3，表4的mse和r-square并进行预测时域相同时刻下的预测模型预测结果进行对比。la92工况与众多工况进行对比，对于同一行的预测结果进行对比，r-square较高，mse误差较大，证明在较为平稳的工况下预测速度与实际速度的速度变化趋势相似但是预测速度的准确性不高。

对unif01的同一行进行对比可知r-square较小，unif01的mse相对la92和wvucity大，故unif01工况的速度预测准确率较低，该工况速度变化较为剧烈，速度预测效果不佳。

表3各工况速度预测的相关系数

由表3,表4的结果可知，模型的速度预测对于加减速变化不剧烈的工况预测效果更好，如udds速度采集工况见图9，对于加减速剧烈变化的工况la92和unif预测效果不如wvucity，由此可得出svr模型预测效果对于持续驾驶车速波动不大的中速或者高速路段预测效果很好。

表4预测速度值与实际速度值的均方误差

为了达到基于工况预测省油的目的，本发明控制策略采用有限时域内动态规划的方法使发动机、电机在已知预测速度的情况下可以提前响应到高效工作区域附近从而达到省油节能目的。

整车结构

本发明的研究背景是混联式混合动力汽车，该混合动力汽车由发动机，两个驱动电机，动力电池，功率耦合装置，变速机构等部件组成。该混合动力汽车传动基本路线，由发动机作为动力源，一部分能量通过前传动和功率耦合机构驱动电机发电，电机产生的电能供用电设备使用，另一部分转化为机械能。

当发电机高于电动机和用电设备总功率，则动力电池吸收剩余功率存储。当发电机不足以满足外部设备和电动机驱动需求，则动力电池释放电功率。

最终发动机机械功率与电机机械功率通过功率耦合机构耦合，经过变速机构传递至车轮，克服外部阻力驱动汽车行驶，混联混合动力汽车主要结构见图14。

1.动力电池组：起到整车动力电源的作用2.功率分配单元：为整车控制核心单元vcu3.电机a:一方面可以发电供电池充电，一方面可以利用电能驱动整车前进4.电机b：与电机a的工作模式互补5.用电设备：一般是车里的耗电仪器和空调等6.功率耦合机构：一般由行星轮组成7.前传动：传动齿轮8.变速机构：多级齿轮变速箱9.发动机：整车的主要动力源，通过燃料燃烧的化学能驱动整车。

本混合动力汽车有两种工作模式，分别对应低速模式evt1，高速模式evt2，二者根据切换点车速来控制离合器冲放油达到模式结合和脱离的效果。

模式1与模式2车速切换的主要判断依据是车速大小：

式16中α为油门开度。若汽车在模式1且速度满足式16第一行条件，则汽车切换到模式2，若汽车处于模式2且满足式16第二行条件，则汽车有模式2切换到模式1。

简化复杂耦合机构原理，evt1状态下，发动机输出机械功率通过功率耦合机构传到电机a，电机a发电，此时电机b处于电动状态，电机a发电功率一部分供外部电源用电，一部分满足电机b的驱动需求，最后发动机和电机b功率流耦合通过变速机构带动车轮运动。

evt2状态下，发动机通过功率耦合机构输出机械功率到电机b，电机b处于发电状态，同时电机b将输出电功率供外部用电和电机a驱动使用。

evt1和evt2功率耦合机构结合离合器不同，故不同模式下传动比不相同。由于功率耦合机构传动原理非本发明重点，在此不详细赘述只引述公式。在evt1模式下，电机a和电机b的转速na、nb与功率耦合机构输入、输出转速ni、no关系如式17所示。

在evt2模式下，电机a和电机b的转速na、nb与功率耦合机构输入、输出转速ni、no关系如式18所示。

其中功率耦合机构输入转速与发动机转速,耦合机构输出转速与车轮速度关系如式19。

故预知车速变化可以得出汽车耦合机构输出转速，又由于发动机转速与发动机需求功率pe有关，发动机需求车速与油门开度有关。则预知车速可求得发动机需求功率从而根据发动机最优工作曲线插值求得发动机预测需求转速。

预测速度结合控制策略主要步骤如下：模拟汽车实时行驶，从行车记录仪读取汽车在当前时刻的历史时域前9s速度，在该时刻下速度为v(t)。其中t代表采样时刻，i代表从采样时刻开始的预测时域第i时刻。

在该采样时刻t下开始预测，将预测时域的预测速度记作v(i|t)。实时滚动预测未来时域的5个速度故i＝t+p-1(p≤5)，代表已知前9s的历史速度情况下预测得到的10s,11s,12s,13s,14s速度。

以此类推采样时刻每向前推进1s，预测该时刻下后5s的速度，直至汽车完成驾驶循环。

根据预测速度v(i|t)，可以判断汽车预测油门开度α(i|t)，根据式20汽车油门开度可以确定发动机预测需求功率pe(i|t).

根据当前速度v(t),及预测速度v(i|t)可以确定预测时域内的混合动力汽车切换到的模式。若汽车由evt1切换到evt2，则汽车的发动机当前时刻最佳转矩teg(i|t)可由该时刻下发动机需求功率除以该时刻发动机实际转速值ne(i-1|t)如式21。发动机实际转速值是预测时域上一时刻i-1的发动机响应转速。

根据汽车发动机优化油耗最低的工作曲线插值。式22为当前发动机功率下，发动机最优转速是有关发动机功率的函数，式中p0、p1、p2、p3为拟合系数，分别为2698、-4158、2877和701。发动机在预测时域第is，当前功率下的控制转速值为

通过相同的思路，预测时域第i秒，发动机达到了该时刻最优转速值则根据式21，发动机第is预测转矩最优值为

依此类推可以得到预测时域下发动机的最优工作转速控制序列：发动机最优控制转矩序列teg(i|t)。假设发动机在预测时域第is达到最优转速且整车达到预测速度v(i|t)，可以由式19计算ne和no。通过ne,no及式17，式18确定不同速度模式电机a和电机b转速ωa和ωb。

确定ωa和ωb可通过电机转矩外特性曲线确定电机在该时域对应转速的最大转矩限制如式23，其中φ是电机的外特性曲线。

对于当前时刻下的电机的转矩分配，电机a和电机b由上一时刻发动机输出轴转矩te和变速器输出轴转矩to所决定。假设发动机能响应到控制转矩teg，在低速模式状态下，电机对应转矩和发动机转矩计算关系如：

根据式24，式25可得到低速模式和高速模式下的输出转矩与电机转矩关系。tol,toh分别是低速模式下和高速模式下的行星排输出转矩与电机a和电机b转矩关系如式26。

为了寻找合适的电机控制转矩以匹配发动机调速调矩的需求，离散电机a和电机b的转矩在式23所确定的转矩区域内。上标m,n是电机a和电机b控制范围内的控制序列编号。

为了达到汽车需求车速同时对发动机调速调矩的目的，电机作为发动机输入端的负载机构，对于不同组合的控制变量需要将电机转矩折算到发动机端的负载转矩。联立式24，式25电机a和电机b转矩折算到发动机端的负载由式28决定。tll为低速模式下负载转矩与电机转矩的关系，tlh为高速模式下的负载转矩。k是不同控制组合序列的编号。

根据汽车的调速需求，如果驾驶员在预测时域时刻i需要加速，则需要使发动机转矩与负载转矩满足式29转矩调速关系。

当发动机需要加速以满足汽车加速需求时，电机负载转矩小于发动机转矩，同时满足发动机加速度越大使负载转矩越小。同时发动机控制转矩需要控制在当前时刻t转速下发动机最大转矩以内。式29中ψe是发动机外特性曲线。

当发动机减速时，电机负载转矩需大于发动机转矩并满足发动机减速需求越大，负载转矩越大。另一方面为了维持汽车电池和电机功率交换平衡，需要使电池充放电平衡。则电机生产或消耗的电能与电池充、放电如式30所示。其中ψ是电机功率外特性曲线。ps为双电机在预测时域i所生产或消耗的电功率。对于电池，soc低时充电，在soc高时放电，有利于维持电池的寿命和良好的充放电特性。

电池功率一部分与电机功率协调，另一部分供给外部用电器电能。故ps>0时，电机处于电动状态，则电机和外部用电附件主要作为电池负载消耗电能，当ps<0时，电机处于发电状态，电池和电机发电的功率供给用电附件使用。同时电池需要维持自身soc稳定，则电池需求功率pn是电池soc的函数，当soc比较小，电池需求功率pn为负值代表电池的需求充电功率。当soc较高，电池可消耗自身功率维持外部用电并维持电池soc平衡，电池需求功率pn为正，放电。pbatt与pn保持同号可以维持电池平衡soc的需求，同时为了避免过充或者过放的现象，pbatt与pn值越接近越好。

对于电池瞬时充放电过程，电池soc动态变化过程与电池功率pbatt的变化关系如式32所示。以该式的soc值作为状态量，式32表示了电池充放电的状态空间方程。

根据该思路，对汽车速度同样有对于加速度的状态空间方程式33。

同时为了克服地面阻力，功率耦合机构的输出功率应尽可能大见式34。式34输出功率to为电机控制转矩ta,tb的函数(式26)。为了求解最佳输出轴转速需要确定成本函数：耦合机构输出功率pout与汽车需要克服阻力功率之差，寻找最佳电机控制变量组合使成本函数最小。

该优化问题转变为寻找合适的控制变量组合ta，tb，使电机控制转矩组合尽量满足成本优化函数最小，同时满足发动机工作点工作于燃油经济区域并且满足各部件协同控制。

有限时域内动态规划可以确定预测时刻第t到第(t+1)s的优化能量管理策略。本发明采用正向递推预测时域每一时刻的成本优化函数到预测时域最后一步，寻找每一步的动力系统最优控制变量以优化成本函数，再反向递归寻优。发动机转矩属于发动机最优化转矩的邻域te＝{te∈u|temin≤teg+δte≤temax)。本发明的控制策略成本函数主要优化发动机燃油经济性，同时为了满足整车动态响应的特性，本发明的控制变量u＝[ta(t)tb(t)te(t)we(t)]^t受到控制边界条件约束，本发明的状态变量为x＝[soc(t)v(t)]^t。

加入有限时域内动态规划可以确定采样时刻t到(t+1)s的控制策略，采用正向预测递推预测时域每一时刻的燃油消耗到第p步，寻找使燃油消耗和电池储存电能最小的成本函数再反向递推寻优。在递推寻优的过程中，每一步的控制变量和状态变量受控制条件约束和状态约束见式35。

则对于每一步的成本函数主要优化发动机在需求功率下燃油消耗最小和电池充放电功率平衡，故第一步的优化成本函数如式36所示。

第1步：

在第i步，为了限制电池soc的波动和发动机转矩的波动加入权重ωs,ωe，使迁移成本函数li-1最小如式37。

第i步

在预测时域最后一步第p步，为了限制电池最终soc与电池初始soc波动幅度，加入权重ωf限制电池最终步soc如式38。

第p步：

jp^*(x,u)为预测时域的累积成本函数，优化第p步的成本函数使其最小，反向递推解算预测时域每一时刻最优控制变量，

根据p步的动态规划正向递推再反向求解得到预测时域对于采样时刻第ts对于(t+1)s的控制决策u^*(t)＝[ta(t)tb(t)te(t)we(t)]^t。

采样时刻向前推进，滚动预测和分配发动机转速转矩，电机转速、转矩即可达到燃油消耗经济性和电池充放电平衡的控制目标。

假设发动机均工作在最优转矩曲线上，且发动机的调速特性及发动机与电机耦合的输出转矩满足汽车正常行驶克服路面阻力的需求。则发动机不需要在最优工作转矩附近邻域进行离散，只需要调节电机控制转矩即可优化最小燃油消耗和最佳动力学性能。有限时域内动态规划的基于速度预测的功率分配方案主要逻辑流程图见图15。

控制效果验证

本发明以udds工况为例，对比汽车等效燃油消耗控制策略ecms进行分析。本发明采用的实际混合动力汽车整车参数如表5所示。

由图16可知，fttdp和ecms控制策略在输入udds工况下的速度响应及时。

由此可见基于fttdp控制策略下的整车动力学性能良好。本发明采用实际路况采集生成的循环进行模拟，将汽车历史时域速度输入到svr模型，即可对汽车未来速度进行实时在线预测。根据在线预测速度值可以确定主要控制参数依据和控制范围从而确定汽车的综合控制策略。

表5整车参数

针对udds工况，汽车在实际驾驶的速度跟随情况良好见图17。针对udds工况下汽车soc波动，运用fttdp方法soc波动值比ecms的soc波动值跟小，有利于延长电池寿命。

在各部件功率协同方面，发动机和电机的转速，转矩均处于控制区间范围内，发动机转速，转矩波动小，电机动态特性较好，弥补了汽车在短时加速和高速时的动力性，有利于汽车维持良好的加速性能和燃油消耗最小的特性。

在发动机运行工作点上，fttdp和ecms的工作点分布不同。不同的工作点对应的燃油消耗率不同，由图18,图19可见基于fttdp的发动机工作点在燃油消耗最优分配曲线附近分布更加密集，故fttdp控制策略整体油耗是优于ecms。因为fttdp在解决类似udds等频繁加减速，超负荷工况可以提前预知速度变化从而提前预知汽车起停时刻，随后提前使发动机转速转矩缓慢过度到怠速油耗较小的控制范围。

本发明测试多种循环工况以检验结果。根据对预测时域速度的预测结果，本发明测试燃油消耗的工况与之相同。

本发明根据各工况下燃油消耗的提升值fuelimprovedpercent(fip)作为衡量依据，同时比较各工况下运用ecms和fttdp方法下soc值高低判断电池充放电是否平衡，该表格下电池初始soc值设为60,如表6所示。

根据表格可知电池最终soc值与该工况下汽车总体需求功率有关，当功率需求较大时，电池用量较多，电池最终soc较低。在该情况下，fttdp的最终soc值始终高于ecms的soc最终值，表明fttdp的电池soc波动小于ecms，对于电池充放电能量均衡，fttdp算法十分有效。

同样，比较燃油消耗提升比fuelimprovedrate(fir),fttdp控制策略对于反复起停的工况节油效果较好。对于拥堵减速路段，可以提前使发动机进入怠速状态的节油区域，平均燃油消耗提升比达6.13％。对于类似wvucity这种城市时而拥堵时而畅通的路线节油效果较好，根据历史速度提前预测到汽车即将刹车的状态，从而改变发动机工作点使燃油消耗减小。

表6多种循环工况检验结果

本发明以实际道路(typicalcycle)采集工况为例，将汽车在该工况下的发动机转矩和发动机转速及双电机转矩进行采集，并对电池功率进行采集，各变量在控制转矩下响应值如图20.所示。经过电机a，b的调节，发动机的转矩可以工作在优化工作区间。图20所示的(c)，双电机工作在模式互补的状态，一个发电一个做电动机，有效缓解了电池供电的压力，同时在汽车减速等路段还能对电池充电，电池充放电功率波动小如图20所示的(d)，有效延长电池寿命。

本发明提出的基于工况预测的有限时域内优化算法，结合ai算法支持向量回归(svr)，在有限时域内的动态规划取得较好的效果，达到了减少电池soc波动，最大化燃油经济性的效果。本发明通过svr对未来工况的可靠预测判断发动机未来应该工作的省油区域，使发动机工作点提前分配到省油区域附近从而使发动机在之后时刻能按照预测结果快速响应到最优工作点减少整体燃油消耗。

预测准确率是对发动机工作点分配影响最大的因素。为了达到较高的预测准确率需要不断训练svr模型，采集多种工况参数和特征并及时调整模型参数从而达到全局最优预测效率。

同时本研究需要对研究准确率作判断从而评估在动态规划时域内不同时刻的权重。本发明通过与等效燃油消耗方法作对比，验证整车燃油经济性在fttdp算法下是否有效。根据本发明的控制结果，该算法可以提高汽车燃油经济性，并配合发动机、电机联动以减少电池大幅度充放电情况并有效延长电池寿命。

当然，以上所述仅是本发明的一种实施方式而已，应当指出本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰均属于本发明权利要求的保护范围之内。