一种基于插电式混合动力公交车组件稳健设计与控制方法

本发明属于插电式混合动力公交车领域，具体涉及一种基于插电式混合动力公交车组件稳健设计与控制方法。

背景技术：

1、为了发掘pheb的节能潜力，实现整车性能的改善和提高，需要合理的分配各动力源的输出，因此，合理的能量管理策略(energy management strategy，ems)是必不可少的。能量管理策略通过直接控制燃料消耗率和电池荷电状态来有机地协调动力源以实现最佳动力分配。

2、基于规则和基于优化的策略都只是关注能量管理本身，事实上，pheb受到随机工况、随机质量扰动影响，这会极大的影响燃油经济性，因此，组件设计的稳健性与能量管理策略的可靠性成为pheb发挥节能潜力急需解决的问题。公交线路不同时段的拥堵程度、站台停留时间的随机性、信号灯信号的随机性和驾驶员操作模式的分散性造成运行工况的随机性。因此，任意运行工况均无法客观反映公交线路的总体运行状态，随机运行工况是混合动力系统设计与控制的一种扰动。此外，任意公交路线具有多个站台，由于乘客数的随机性，任意两相邻站台路段的整车质量也具有随机性，因此，随机质量是混合动力系统设计与控制的另一扰动。

3、为了充分挖掘插电式混合动力公交车节能潜力，针对pheb系统组件稳健性设计问题，开展了在能量管理策略下，考虑随机工况、随机质量等噪声的控制扰动的pheb组件稳健设计研究。

4、专利cn116353574a公开了一种智能网联插电式混合动力公交车电量规划方法，包括下列步骤：采集固定线路运行的智能网联插电式混合动力公交车的车速曲线作为典型工况，采用全局规划算法获取典型工况的电池荷电状态(soc)最优变化曲线，提取各个工况片段的区间电耗以及构造基于工况片段特征的区间电耗辨识模型，在此基础上引入改进的交互多模型算法确定下一工况片段的最佳电量规划值，消除单一电量分配方式的局限性。

5、其存在以下缺点，其为基于优化的能量管理策略，采集固定线路运行的智能网联插电式混合动力公交车的车速曲线作为典型工况，没有考虑随机工况、随机质量，随机工况、随机质量会极大的影响燃油经济性，应该一并考虑，以此提升整车的经济性和整车的动力性能。

技术实现思路

1、本发明要解决的技术问题是一种基于插电式混合动力公交车组件稳健设计与控制方法针对pheb能量管理和系统组件稳健设计优化问题，提出了一种基于近似模型的组件稳健设计优化方法，通过该方法寻找到能够结合自适应能量管理策略的pheb组件最佳稳健设计值以此降低车辆的系统能耗、提升整车动力性和降低车辆运营成本。

2、为解决上述问题，本发明采用如下技术方案：

3、p1：确定pheb，即插电式混合动力公交车的混合动力系统基本构型及各组成部件，对pheb组件的发动机、电机、动力电池、amt进行选型和数学建模；

4、pheb整车动力学模型：

5、根据汽车动力学，车辆行驶过程中受到四种阻力的影响，分别为：滚动阻力ff、空气阻力fw、坡度阻力fi和加速阻力fj，根据汽车行驶方程式可得pheb行驶过程中受到的驱动力ft为：

6、ft＝ff+fw+fi+fj     (1.1)

7、由上式可得，作用在车轮上的需求转矩为：

8、

9、式中tw为作用在车轮的需求转矩；m为整车总质量；g为重力加速度；fr为滚动摩擦阻力系数；θ为道路坡度；cd为空气阻力系数；a为车辆迎风面积；ρ为空气密度；v为车辆行驶速度；δ为车辆旋转质量换算系数；u为车辆行驶速度；rw为车轮半径；

10、由上式可得汽车功率平衡方程式为：

11、

12、式中ηt为机械传动效率。

13、由于研究基于城市中的pheb，路面相对平坦，因此不考虑坡度阻力所带来的功率消耗，由此得到：

14、

15、最后，pheb若要正常行驶，需满足作用在车轮上的需求转矩平衡，则：

16、

17、式中te为发动机输出转矩；tm为电机工作转矩；tb为作用于车轮的机械制动转矩；td为混合动力系统需求转矩；iamt为amt档位速比；if为主减速器速比；g(k)为当前档位；ηt为传动轴转矩传输效率；ωw为车辆的旋转减速度；ωe为发动机转速；ωm为电机转速；

18、发动机建模：

19、由于发动机是一个动态的非线性系统，只考虑油耗，将复杂的发动机动态模型简化为静态模型，发动机油耗可以表示为：

20、

21、上式中，me为发动机瞬时油耗；te为发动机扭矩；ne为发动机转速；be(te,ne)为发动机的燃油消耗率。

22、电机建模：

23、

24、上式中，pm为电机功率；tm为电机转矩；nm为电机转速；ηg为电机充电状态下的电机效率；ηm为电机的效率；

25、动力电池建模：

26、采用电池rint模型，soc的状态函数描述为：

27、

28、上式中，为soc的瞬时变化量，q0为电池容量，ibat为电池的充放电电流；

29、由基尔霍夫定律得：

30、voc＝ibatrb+vb      (1.9)

31、将上公式等号两端同时乘以电池电流得：

32、

33、由此，电池电流可表示为：

34、

35、上式可转化为：

36、

37、amt换挡模型：

38、在pheb行驶过程中，其实时档位按照逐级切换的原则进行选择，可以表示为：

39、

40、上式中，g(n+1)表示为下一时刻的挡位，s(n)表示为换挡信号，其取值设置为-1，0，1；

41、amt的输出扭矩与输出转速可表示为：

42、

43、上式中，tg_in表示为amt输入扭矩，tg_out表示amt输出扭矩，ωg_in表示amt输入角速度，ωg_out表示amt输出角速度，ig(n)表示变速器第n挡传动比；ηg(n)表示变速器第n挡传动效率。

44、p2：基于pmp算法确定需要求解最优控制问题的混合动力系统中的控制变量和状态变量，不同的控制变量和状态变量对混合动力系统终端的影响不同，选取合适的变量之后，对变量进行分析，构造哈密顿函数；根据需要满足的正则方程，写出表达式；确定混合动力系统中的约束条件、边界条件；根据正则方程以及条件，代入计算哈密顿函数，取极小值，最终便能得到最优轨迹和最优控制向量。

45、最优控问题的目标函数定义为：

46、

47、式中j(x(t),u(t))为目标函数；k(tf)为终端约束；l(x(t),u(t),t)为过渡目标函数；t0为初始时刻；tf为终止时刻；x为状态变量；u为控制变量；t为时间。

48、混合动力系统的状态方程及边界条件如下：

49、

50、式中f(x(t),u(t),t)为混合动力系统的状态方程；x(t)为混合动力系统的状态变量；u(t)为混合动力系统的控制变量，其中：

51、(1)tf是固定的，此时k(tf)＝0；

52、(2)tf是自由的，且tf＞t0。

53、在这两种情况中，pmp所解决的问题其实是终端状态固定的，即k(tf)＝0的情况，在该情况下，pmp有如下描述：

54、定义哈密顿函数(hamiltonian function)：

55、h(x(t),u(t),λ(t),t)＝l(x(t),u(t),t)+λt(t)·f(x(t),u(t),t)    (1.17)

56、式中l(x(t),u(t),t)为混合动力系统的代价函数；λ(t)为协调因子。

57、在混合动力系统控制模型中，有多少个变量就有多少个协调因子，且协调因子与状态变量保持相同的维度，协调因子组成的集合为λt(t)。除此之外，要想得到最优控制，最优状态变量x*(t)，最优控制变量u*(t)，最优协调因子λ*(t)必须满足如下关系式：

58、(1)x*(t)和λ*(t)满足正则方程：

59、

60、(2)最优解满足边界条件：

61、

62、(3)最优控制变量u*(t)能够让哈密顿函数在优化过程中的每个时间间隔都能取得绝对极小值：

63、h(x*(t),u*(t),λ*(t),t)≤h(x(t),u(t),λ(t),t)    (1.20)

64、自适应能量管理控制为了满足不同工况下使得车辆都能保持一定的节能效果，根据不同的工况环境对协调因子进行自适应调整；通过动态调节协调因子状态值，在随机工况、随机质量的噪声扰动下，依旧能够满足pheb的燃油经济性且满足终端soc条件；设置soc参考轨迹使得协调因子在不同工况下能够自适应调节，实现车辆在行程终点时动力电池soc恰好降至最低阈值，使得实际soc轨迹能够按照参考soc轨迹进行轨迹跟踪得到最佳soc，提高了在复杂工况下的自适应性。

65、由于pheb是一个多动力源的混合动力系统，具有多种工作模式，需要合理的优化发动机与电机之间的能量分配，因此可以将pheb的能量管理问题转化为采用pmp在终端约束确定的条件下求出目标函数最优解的问题。

66、为了避免pheb频繁换档，混合动力系统的代价函数设计为：

67、

68、式中uc(t)表示控制变量，可描述为uc(t)＝[th(t),shift(t)]'，th(t)表示发动机的节气门开度；γ表示加权因子，避免频率移位问题；shift(t)表示amt的换档指令。

69、通过最小化燃油消耗同时减少换挡频率来制定最佳能量管理策略。

70、在这种情况下，电池soc被设计为唯一状态变量，则混合动力系统的状态方程可以描述为：

71、

72、基于pmp原理，哈密顿函数被设计为：

73、h(x(t),uc(t),λ(t),t)＝me(uc(t))+β|shift(t)|+λt(t)f(soc(t))   (1.23)

74、式中h(x(t),uc(t),λ(t),t)表示为哈密顿函数。

75、由极小值原理可知，当控制变量为控制时域[t0,tf]内pheb能量管理问题的最优解时，哈密顿函数取得时域内的最小值。此时：

76、

77、此时，协调因子动态方程需要满足：

78、

79、在pmp优化问题中，控制变量的初始状态和终止状态约束是求解最优解的关键一环。因此对中电池soc的初始值和终止值分别定义为0.8和0.3，

80、

81、此外，混合动力系统内的其他约束条件被设计为：

82、

83、上式中，ωe_min和ωe_max分别代表发动机转速的最小值和最大值；ωm_min和ωm_max分别代表电机转速的最小值和最大值；te_min和te_max分别代表发动机转矩的最小值和最大值；tm_min和tm_max分别代表电机转矩的最小值和最大值；pe_min和pe_max分别代表发动机功率的最小值和最大值；pm_min和pm_max分别代表电机功率的最小值和最大值；socmin和socmax分别代表soc的最小阈值和最大阈值。

84、动态参考soc轨迹方法，其基本原理是：在固定位置规划一系列线性soc轨迹，其中初始点为固定位置(归一化行驶距离ld和反馈soc)，终端点为(1，0.3)。然后，在参考soc轨迹的基础上定义一个动态域sco。动态域soc根据当前反馈soc值和目标soc值每隔固定的时间步长，重新规划一次，即：

85、

86、其中socref和dref分别表示当前时间步长下的参考soc和行驶距离；并且soct和dt分别表示目标soc和整个距离；socf和df分别表示固定时间步长下的反馈soc和行驶距离。

87、p3:研究了田口稳健协同设计(taguchi robust design，trd)方法，将pheb随机质量和随机工况设计为噪声因子，将主减速比、各档位位传动比和不同类型的发动机作为控制因子，以平均油耗望小特性作为响应，以信噪比(signal noise ratio，snr)作为评价指标建立pheb组件稳健协同设计模型，然后将得到的组件-snr数据集进行灵敏度分析，筛选出对油耗影响程度最大的敏感型组件，之后再次利用田口稳健协同设计方法找到该组件的最佳稳健设计值，从而达到缩减设计域的目的；

88、p4:基于田口方法进行协同设计得到非敏感型组件和snr关系的数据集，利用rbf神经网络对数据集进行拟合得到近似模型，并对近似模型利用自适应模拟退火算法(adjusted simulated annealing，asa)进行优化得到非敏感型组件的最佳稳健设计值；最后利用蒙特卡洛模拟(monte carlo simulation，mcs)对得到的非敏感型组件最佳稳健设计值进行可靠性验证；

89、p5:基于dspace硬件在环仿真平台建立了适用于研究内容的硬件在环仿真模型，对基于近似模型的稳健优化设计找到的非敏感型最佳组件稳健设计值进行验证；将其与基于规则的能量管理策略与离线情况下进行对比分析，最终结果显示，与规则策略相比平均节油3.33％。

90、进一步的优选技术方案如下：

91、基于插电式混合动力公交车组件稳健设计与控制方法，在步骤3中基于田口方法试验，明确优化目标和影响因素，确定合理的控制因子和噪声因子；设计田口试验内、外正交表，对控制因子和噪声因子进行组合处理；进行试验并计算出目标响应值和信噪比；根据计算结果进行统计学分析，得出控制因子的最佳稳健参数组合。

92、以同一车型在固定路线下实车运行工况数据，作为田口设计的第一个噪声因子；将乘客的随机质量作为田口设计的第二个噪声因子，利用优化拉丁方算法进行样本采样可以得到噪声因子设计矩阵；将不同类型的发动机、变速箱各档传动比、主减速比作为控制因子，利用优化拉丁方算法进行采样可以得到控制因子设计矩阵。将噪声因子设计矩阵和控制因子设计矩阵分别设计为外正交表和内正交表，其中控制因子设置为500组，噪声因子设置为100组。以基于pmp的自适应能量管理策略为底层计算模块，构建考虑控制矩阵和噪声矩阵的静态trd分析模型，将平均油耗的望小特性作为响应函数；将snr作为衡量组件稳健性的指标，通过计算得到pheb组件-snr值数据集。基于doe方法，建立灵敏度分析模型，揭示控制因子与snr之间的作用机理并挖掘关键系统组件以缩减设计域，通过方差分析、pareto图分析、主效应图分析和交互效应图分析找出敏感型控制因子为发动机。

93、将三组不同类型的发动机作为控制因子，将整车随机质量和随机工况以及各挡传动比、主减速比作为噪声因子，利用优化拉丁方算法进行采样得到试验设计矩阵，进行发动机稳健性设计，控制因子和噪声因子均设置为100组。将目标函数设置为平均油耗的望小特性，从而得出三组不同类型的发动机中燃油经济性最好的发动机，选出燃油经济性最好的发动机，并将其配置到pheb中，后续不再将其作为优化因子，从而达到设计域缩减的目的。

94、基于插电式混合动力公交车组件稳健设计与控制方法，在步骤4中提出了一种基于近似模型的传动比稳健设计，可在考虑噪声扰动、保证优化效果的前提下，大幅缩减优化时间，提高优化效率，得到传动比-snr数据集。将各挡传动比和主减速比作为本次稳健性设计的控制因子，随机质量和随机工况作为噪声因子，基于田口方法进行稳健设计，为保证采样数量适中，试验设计了1000组控制因子和200组噪声因子，保证构建近似模型的精度。

95、对传动比稳健性设计得到的传动比-snr数据集通过rbf神经网络进行拟合，将变速箱各档的传动比和主减速比作为输入，将snr作为输出进行构建，建立近似模型：

96、snr＝f(gear1,gear2,gear3,gear4,gear5,final_i)     (2.1)得到的近似模型可直接用来表示snr和传动比之间的关系。

97、通过构建近似模型得到了传动比和snr之间的强稳健性关系，为了缩短最优值求解的时间，对传动比进行精细化求解得到最佳组件尺寸，需要对近似模型进行优化，优化过程中，将传动比作为优化因子，以近似模型为计算底层，将snr作为响应，使用asa算法进行优化，优化过程中，将传动比作为优化因子，以近似模型为计算底层，将snr作为响应，使用asa算法进行优化，数学模型如下式：

98、

99、基于mcs方法验证pheb组件稳健性，首先将随机工况和随机质量作为噪声因子。其次利用描述性采样方法对噪声因子进行采样，采样数设置为100，即当mcs最大试验次数达到100次时试验停止。将试验的最大收敛公差设置为0.001，即在试验还未达到最大试验次数之前，若某次试验得到的响应均值和标准差的波动小于设定的收敛公差，则试验停止不再进行后续试验。最后将噪声因子置于自适应能量管理策略底层计算模块，通过计算完成pheb稳健设计值的可靠性验证。