一种线下优化线上预测的转矩分配方法与流程

本发明属于混合动力汽车领域，具体涉及一种模式切换中转矩分配方法。

背景技术：

近年来，随着汽车工业的迅速发展，汽车保有量的持续增加，环境与能源危机的压力日益加剧，普及推广新能源汽车技术是我国解决环境能源问题的有效途径之一。混合动力汽车作为在新能源技术中由传统汽车向纯电动汽车过渡的关键环节，兼具内燃机和蓄电池两种车载能量源，使其具有相对传统车更好的燃油经济性和排放性能以及相对纯电动汽车更长续驶里程的优点，显示出巨大的应用潜力，成为世界各国汽车领域竞相研究的热点。而良好的整车控制策略或方法是实现混合动力汽车高经济性与低排放的关键，对于提高整车性能、降低成本具有重要的意义。

目前混合动力汽车各项技术都已趋向成熟，整车控制策略方面，因基于规则的逻辑门限控制策略简单易行、实用性强且有较好的鲁棒性，被广泛应用于现有混合动力汽车模式切换的控制策略中。但这种策略未考虑实际路况的动态变化以及电机、电池、传动系效率等因素的影响，因而也就无法达到全局的最优和整车燃油经济性最高，所以在控制策略方面还需要进一步的完善。而从控制效果来看，针对特定驾驶员的驾驶习惯以及未来一段时间的行驶路况、以全局油耗最小或者效率最大的全局优化控制方法可以视为混合动力系统最为理想或者最具节油潜力的优化方法，但需要提前采集驾驶员的驾驶习惯，并通过手段获得未来一段时间内的路况信息，但是计算量庞大，不能直接用于实车实时控制，但可以作为在能量管理设计阶段的评价标准，为实时控制提供一些必要的参考信息。

技术实现要素：

本发明提出了一种混合动力转矩分配的控制方法，能够针对不同的驾驶员转矩需求进行转矩分配。通过迭代学习的方法获得驾驶员驾驶习惯、驾驶意愿进而获得控制加速踏板和制动踏板的加速度，得到车辆的转矩需求或功率需求；针对驾驶员的转矩需求或者功率需求具有很强的随机性，本发明利用马尔科夫链描述驾驶员的需求，得到该驾驶员控制下的转矩转移概率；当驾驶员要驾驶车辆到某一目的地时，首先手动选择驾驶员模型，然后输入目的地，车辆控制器(可采用车载ecu)根据选择的驾驶员模型针对该驾驶员的学习结果对行程进行优化，并且根据行程的起点和终点规划路径，并根据所选择行驶终点借助车载导航系统(gps/gis等)获得路况信息：平路，下坡，或是上坡，或是堵车等等，结合所获得的信息以及选择的驾驶员模型和电池soc值，利用动态规划方法进行初步转矩分配优化；然后在初步转矩分配优化结果的基础上，利用模型预测控制进行动态实时最优控制，在已有初步优化控制的基础上进行实时最优控制，减轻了动态优化的计算量，同时实现了混合动力汽车燃油经济性的实时在线控制。

本发明的有益效果：

1、能够根据驾驶员的功率、转矩需求控制发动机、电机a、b的功率输出，满足驾驶员操作习惯。

2、通过车载导航系统进行路径规划，并根据路况信息进行离线规划，得到初步优化结果，能够大大减少在线计算了，提高控制的实时性。

3、行驶过程中实时采集路况信息，进行再次优化，对离线优化结果进行实时校正，得到最优的控制结果，保证了混合动力汽车最佳燃油经济性。

附图说明

图1为控制模块逻辑框图。

具体实施方式

下面结合附图对本发明作进一步说明。

step1:基于马尔科夫模型的驾驶员转矩需求建模

根据当前的状态信息、预测模型以及未来一段时间内的干扰输入(车速需求、扭矩需求或功率需求等)预测被控对象的输出是模型预测控制器设计的关键。驾驶员驾驶过程中将根据自身的驾驶意愿、驾驶习惯和外界环境等因素控制加速踏板和制动踏板的开度，使得车辆的转矩需求或功率需求具有很强的随机性。鉴于实际驾驶工况的随机性，本发明基于马尔科夫链描述预测模型中驾驶员的转矩需求。建立马尔科夫模型，从当前状态xi转移到下一时刻的状态xj的概率pij(1)，有：

pij(1)＝pr(xk+1＝xj|xk＝xi)

式中，pij代表系统的一步转移概率；xk和xk+1分别表示当前时刻和下一时刻的状态；pr为条件概率。采用马尔科夫模型建立驾驶员在预测时域内的转矩需求模型，则驾驶员在下一时刻的转矩需求只与当前时刻的转矩需求有关。根据车辆的可能行驶工况，确定车辆需求转矩的最大值和最小值，并在取值范围内将连续的数值离散化为有限个值的集合，作为事件发展过程的状态。

式中，n表示将连续的需求转矩在最小值和最大值之间离散的个数，相应地表示状态的个数。在任一时刻，系统从当前某个可能的状态转移到下一时刻某一状态的转移概率(一步转移概率)集合构成状态转移概率矩阵pij(1)，即：

因此，若已知k时刻驾驶员需求转矩treq(k)，采用近邻法，将其量化到某个离散化的转矩状态treqp(k)。根据驾驶员行为的马尔科夫特性，可以依次求得在未来有限时域内各个时刻的驾驶员输入转矩。其中，构建状态转移概率矩阵是关键。本发明采用标准循环工况或采集到的城市循环工况的数据，基于车辆动力学平衡方程求得循环工况下每一时刻的treq

式中：m为汽车总质量，g为重力加速度，α为路面倾斜角，f为路面滚动摩擦系数，ρ为空气密度，cd为空气阻力系数，a为车辆迎风面积，u为车速，r为车轮滚动半径。

然后将其量化到离散的状态点，通过对所有数据进行统计计算得到不同状态之间的一步转移概率。

step2：路况信息获取

动态规划需要已知车辆未来一段时间的行驶工况，进而结合行驶工况进行全局最优控制计算能够得到最理想的控制策略，因此需要在驾驶员选择行驶终点后借助车载导航系统(gps/gis等)获得路况信息：平路，下坡，或是上坡，或是堵车等等。混合动力汽车根据路况和蓄电池soc调整混合动力汽车的工作模式(充电工况或放电工况)，以最有效的运行方式通过未来一段路线。当车载导航系统(gps/gis等)获得的前方路况同当前时刻的路况相同，且路况较好、电池soc较高时，车辆保持纯电动模式，即对应放电工况；当检测到前方路况发生变化，需要大功率，电机提供的功率不足或电池soc低于阈值，发动机参与驱动，并根据驾驶员功率需求特点(急加速或缓加速)，控制发动机功率，即对应充电工况。

通过结合路况信息和驾驶员的驾驶习惯，进行模式的切换，从而达到降低混合动力汽车实际运行时的油耗和排放，大幅度地降低混合动力汽车燃油消耗的目标。

step3：运用动态规划进行离线优化

优化目标为通过优化发动机和电动机的转矩分配，使发动机的输出转矩处于发动机低油耗区，降低混合动力汽车实际运行时的油耗和排放，大幅度地降低混合动力汽车燃油消耗。

根据工况信息，利用动态规划对优化目标进行最优求解，建立数学模型：

式中：j为优化目标函数，t0和tf分别表示测试仿真路况的起始和结束时间，h(soc(tf))表示在任意采样时刻的soc值与soc参考值之间偏差的惩罚系数，发动机的燃油消耗量加上蓄电池荷电变化量的等效燃油消耗量。

根据能量管理策略的目标是性能泛函的值最小，并且满足系统的系统状态方程式和系统的约束方程式。

系统状态方程式：

y＝g(x,u，v)

式中，系统的状态变量x＝soc，系统控制变量系统可测输入量系统输出量

系统约束方程为：

te、we分别为发动机的转矩和转速，t0、n0驾驶员需求转矩和转速，为汽车的燃油消耗率，pbatt为电池输出功率，wma、wmb为电机a、b转速，tma、tmb为电机a、b转矩，下标min、max为相应量的最小值、最大值。

根据车载导航系统(gps/gis等)所提供的未来一段预测路线上的路况信息：平路，下坡，或是上坡，或是堵车等等。在行驶之前运用动态规划进行初步优化，获得未来一段时间的优化结果控制汽车行驶。

step4：模型预测动态控制

将离线动态优化的初始优化结果用于控制器的控制，是理论上的最优控制，针对实际路况信息是不断变化的，离线优化的结果可能不再最优，需要对控制结果进行调整。路况发生变化后只需要在原有优化结果上进行调整即可，大大减少了计算量。具体如下：以燃油消耗最低和电池soc稳定为目的的离线优化结果用于混合动力汽车的转矩控制。同时在行驶过程中车载导航系统(gps/gis等)不断采集实时的路况信息和车辆信息，以离线动态规划的数据作为参考。将整个行驶工况，按照模型预测控制器的采样时间划分为若干段，模型预测控制器的状态量为当前的发动机转矩、转速，控制输入量为驾驶员的需求转矩和车速，车载导航系统(gps/gis等)采集的实时路况信息和车辆信息作为可测量的干扰量输入模型预测控制器，控制器的输出为实时的汽车燃油消耗率、电池输出功率、电机a、b转速、电机a、b转矩的修正值。运用模型预测控制方法进行最优控制信号计算，计算结果都是基于离线优化结果的改进。由于模型预测都是实时进行的，所以不需要掌握整个工况信息，只需要通过车载导航系统(gps/gis等)获得预测时域内的路况信息即可。通过模型预测对离线优化结果的滚动优化和实时校正，进一步得到实时最优控制。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。