本发明涉及自动驾驶领域,尤其涉及一种混合动力车辆能量管理方法。
背景技术:
1、新能源车辆由于其不采用或少采用传统化石能源且对环境的污染很小而受到人们的重视,燃料电池车辆以其零排放、零污染的特点被普遍认为是新能源车辆未来的发展方向之一。
2、为了探索更为节能可靠的行驶方式,生态驾驶(eco-driving)应运而生。这是一种直接作用于驾驶行为的行驶控制方案,相比于改善交通环境、提高车辆技术等是一种更为有效且能够快速实现的节能措施。目前主流的生态驾驶策略主要为:在跟驰场景中以能耗最低作为优化目标。这种方式缺乏对实际驾驶需求的考虑且忽略了其他交通因素的影响。
3、目前燃料电池响应速度慢的特点使得其难以直接应对复杂多变的交通场景,一般并联一组动力电池作为辅助电源。不同动力源具有不同的输出特性,能量管理根据不同动力源的特性进行功率分配,是车辆节能的另一重要措施。目前主流的能量管理策略(ems)大多拥有复杂的计算过程,实时性较差,稳定性较低。
技术实现思路
1、为实现燃料电池混合动力车辆的节能优化,本发明的目的在于提出一种实时有效的混合动力车辆能量管理方法。
2、为实现上述技术目的,本案的技术方案如下。
3、第一方面,本案提出一种混合电池动力车辆能量管理方法,所述方法包括下述步骤:
4、将混合动力车辆行驶路线上的平均速度作为车辆未来一段时间的基准行驶工况;
5、利用基准行驶工况,得到混合动力车辆行驶的基准功率;
6、将基准功率进行小波变换,通过使小波变换目标函数w取得最小值,获得最优动力电池和燃料电池的输出功率:
7、w=a1(mfc+mbat)+a2dfc+a3dbat (1)
8、(1)式中:
9、w为小波变换目标函数,a1、a2、a3均为系数;
10、mfc为燃料电池氢耗量,mbat为等效氢耗量;
11、dfc表征燃料电池寿命衰减程度,dbat为电池总损失。
12、在上述技术方案的一种实施方式中,平均速度通过交通流预测模型基于车辆所在区域交通流状态信息获得;
13、交通流预测模型由图神经网络模型和bilstm模型构成,将来往道路各个节点建立交通网有向图以表征路网结构,通过各种路侧传感器获得车辆所在道路区域交通状态信息。
14、在上述技术方案的一种实施方式中,将基准功率进行小波变换,通过使小波变换目标函数w取得最小值,获得动力电池和燃料电池的最优输出功率,步骤包括:
15、将基准功率使用一个小波变换进行分解,获得该小波变换分解下的低频功率作为燃料电池输出功率;
16、基于动力源需提供的总功率,获得动力电池输出功率;
17、基于燃料电池输出功率、动力电池输出功率,计算小波变换目标函数w;
18、通过若干小波变换,将使w取得最小值的燃料电池输出功率、动力电池输出功率作为最优动力电池和燃料电池的输出功率。
19、在上述技术方案的一种实施方式中,mfc、dfc通过燃料电池模型获得;
20、燃料电池模型如下:
21、
22、
23、(2)-(3)式中:
24、pfc为燃料电池输出功率,ηfc(pfc)为燃料电池输出功率对应的效率,为氢气低热值;
25、c1、c2、c3、c4均为系数,ton,off为燃料电池启停次数,thigh为燃料电池高功率输出时间,tlow为燃料电池低功率输出时间,δpfc为燃料电池输出功率变化程度,dallow为燃料电池允许寿命衰减程度。
26、在上述技术方案的一种实施方式中,mbat、dbat通过动力电池模型获取;动力电池模型如下:
27、dbat=b1lbat+b2abat (4)
28、
29、
30、
31、
32、
33、
34、socmin≤soc≤socmax (11)
35、(4)-(11)中:
36、b1、b2均为系数,lbat为电池寿命损失,abat为电池容量损失;
37、pbat为电池输出功率,ηdis(pbat)为电池输出功率对应的效率,ηfc_ave为燃料电池平均输出效率,ηcha(pbat)为电池充电功率对应的效率;
38、b为系数,ea为活化能,r为摩尔气体常数,θ为温度,ah为电池累积通过电荷,z为幂指系数;
39、ic,nom为电池额定充放电倍率,ic为电池实际充放电倍率,ibat为电池电流;
40、soc表征电池荷电状态,ubat(soc)为电池soc对应的开路电压,rbat(soc)为电池soc对应的电阻,pbat为电池输出功率,socmin为电池soc下限,socmax为电池soc上限;
41、socinit为电池初始soc值,qbat为电池容量。
42、在上述技术方案的一种实施方式中,当动力电池soc接近动力电池soc下限时,提高燃料电池功率输出并为动力电池充电,动力电池趋向于充电;
43、当动力电池soc接近动力电池soc上限时,提高动力电池功率输出,动力电池趋向于放电。
44、在上述技术方案的一种实施方式中,动力源需提供的总功率利用车辆动力学模型基于最优速度轨迹获得;
45、最优速度轨迹基于最优加速度控制序列获得;
46、车辆最优加速度控制序列通过深度强化学习(drl)基于车辆交通状态信息获得;
47、车辆周围交通状态信息s为:
48、s=[v,a,d,dpre,dl,type,v_pre,a_pre,tlight_min,tlight_max]
49、其中:v为车辆速度,a为加速度,d为车辆行驶距离,dpre为车辆与前车之间的距离,dl为车辆与前方红绿灯路口的距离,type为前车车辆类型,v_pre为前车速度,a_pre为前车加速度,tlight_min为能够通过红绿灯路口的时间下限,tlight_max为能够通过红绿灯路口的时间上限;
50、深度强化学习的奖励函数为:
51、reward=k1v_r+k2acom+k3r_dpre+k4tlight+k5pt+k6r_d
52、式中:reward为深度强化学习奖励函数,k1、k2、k3、k4、k5、k6均为系数,v_r为车辆速度惩罚,acom为乘员舒适性惩罚,r_dpre为车辆间距惩罚,tlight为车辆闯红灯惩罚,pt为电机需输出的功率,r_d为车辆行驶距离奖励。
53、在上述技术方案的一种实施方式中,车辆速度惩罚v_r、乘员舒适性惩罚acom、车辆间距惩罚r_dpre、车辆闯红灯惩罚tlight具体定义如下:
54、
55、
56、
57、
58、r_d=d(t)-d(t-1) (16)
59、(12)-(16)中:
60、v_r为车辆速度惩罚,vmax为道路允许最大车速;acom为乘员舒适性惩罚,anom为乘员舒适上限值;r_dpre为车辆间距惩罚,dpre(t)为下一时刻车辆与前车之间的距离,dsafe为车间安全距离;tlight为车辆闯红灯惩罚,t为车辆通过红绿灯路口的时间;r_d为车辆行驶距离奖励,d(t)为t时刻车辆行驶距离,d(t-1)为t-1时刻车辆行驶距离。
61、第二方面,本案提出一种混合电池动力车辆能量管理系统,系统包括获基准行驶工况模块、小波变换模块;其中:
62、基准行驶工况模块,被配置用于将混合动力车辆行驶路线上的平均速度作为车辆未来一段时间的基准行驶工况,并利用基准行驶工况,得到混合动力车辆行驶的基准功率;
63、小波变换模块,被配置用于将基准功率进行小波变换,通过使小波变换目标函数w取得最小值,获得最优动力电池和燃料电池的输出功率:
64、w=a1(mfc+mbat)+a2dfc+a3dbat
65、式中:
66、w为小波变换目标函数,a1、a2、a3均为系数;
67、mfc为燃料电池氢耗量,mbat为等效氢耗量;
68、dfc表征燃料电池寿命衰减程度,dbat为电池总损失。
69、第三方面,本案提出一种可读存储介质,存储有能够被处理器加载并执行上述任一种方法的程序。