基于工况识别的里程自适应混合动力汽车能量管理方法
【专利摘要】本发明涉及一种基于工况识别的里程自适应混合动力汽车能量管理方法，包括工况识别和里程自适应能量管理控制方法两部分，在工况识别部分，采用学习向量量化（LVQ）模型对各工况特征参数进行训练学习以实现实时工况的识别；在里程自适应能量管理控制部分，涉及使用最小等效消耗（ECMS）。本发明所提出的方法通过识别工况的里程自适应的插电式混合动力汽车能量管理控制策略，通过适应不同的行驶里程和工况，结合PID控制，可显著改善汽车的燃油经济性，实现节能减排和美化环境。
【专利说明】
基于工况识别的里程自适应混合动力汽车能量管理方法
技术领域
[0001 ]本发明涉及一种基于工况识别的里程自适应混合动力汽车能量管理方法。
【背景技术】
[0002] PHEV插电式混合动力汽车作为传统汽车向电动汽车的过渡产品，很好的兼顾续航 里程和燃油经济性。随着技术的提升，PffiV的控制策略已经从传统的基于规则转向最优控 制。ECMS(等效燃油消耗)是通过优化等效因子A，来充分发挥插电式的节油潜能的一种实时 优化方法。传统的ECMS结合DP (动态规划)来获取某一预先给定的行驶工况的下的最佳等效 因子。但在最近的研究中，发现等效因子在整个行驶过程中并非为一常数。2010年Pinak Tulpule等人通过研究表明随着里程的增加，等效因子有变大的趋势。2013年Hai Yu等人提 出PHEV里程自适应能量控制策略，通过在不同的行驶工况下确立不同的等效因子，显著提 升了车辆的燃油经济性。
【发明内容】
[0003] 本发明的目的在于提供一种基于工况识别的里程自适应混合动力汽车能量管理 方法，以克服现有技术中存在的缺陷。
[0004] 为实现上述目的，本发明的技术方案是：一种基于工况识别的里程自适应混合动 力汽车能量管理方法，按照如下步骤实现：
[0005] 步骤S1:采用基于LVQ神经网络模型对预设工况进行训练学习，建立工况识别模 型；
[0006] 步骤S2:获取PHEV整车当前的行驶特征参数，通过所述工况识别模型判断当前所 处工况;对荷电状态最低限值SOC(tf)进行预设，并从GPS/GIS模块获取里程总里程值D tcltal， 通过S0Cref生成子模块进一步获取参参考荷电状态S0Cref(t);
[0007] 步骤S3:电池充放电模块获取所述参考荷电状态S0Cref(t)以及当前所处工况，计 算当前等效系数p(t);
[0008] 步骤S4:通过ECMS等效燃油最小模块获取所述当前等效系数p(t)，并结当前PHEV 整车需求功率Pwhl ( t )，计算当前电池输出功率Pbatt ( t )以及当前发动机输出功率Peng ( t );
[0009] 步骤S5 :输出所述当前发动机输出功率?^% (t)以及所述当前电池输出功率Pbatt (t)至PHEV整车，对PHEV整车施加控制；
[0010] 步骤S6:所述PHEV整车通过PID控制对运行过程中的SOCref (t)偏差进行修正。
[0011] 在本发明一实施例中，在所述步骤S1中，在训练学习阶段，从测试循环工况模块中 分别提取如下预设工况的行驶特征参数用于训练：闹市区、生活区、中速区以及快速区，且 每种工况的特征参数包括:平均速度￥ 3%、平均加速度aave5、平均减速度队、速度标准差Vstd、 加速度标准差ltd、减速度标准差&td、怠速时间/总时间的百分比Pt_idle以及平均行驶速度 y aVe'ncsidp . 〇
[0012] 在本发明一实施例中，所述LVQ神经网络模型有两层结构:隐含层以及输出层，LVQ 神经网络模型将各个工况的特征参数作为输入向量，结合竞争学习以及监督学习对输入向 量进行分类，在隐含层中进行学习训练，并将学习训练分类的结果传递至输出层的目标分 类上，建立所述工况识别模型。
[0013]在本发明一实施例中，在所述步骤S2中，所述行驶特征参数包括:平均速度Vare、平 均加速度~％、平均减速度0ave、速度标准差Vstd、加速度标准差astd、减速度标准差队 td、怠速 时间/总时间的百分比Pt ldle以及平均行驶速度1^^# - 〇
[0014]在本发明一实施例中，所述参考荷电状态SOCref(t)通过如下方式获取：
[0016] 其中，D(t)为所述PHEV整车所提供的当前已经行驶的里程，SOC(to)为行驶初始的 荷电状态，soc(t)为当前电池荷电状态。
[0017] 在本发明一实施例中，在所述步骤S3中，通过如下方式获取所述当前等效系数V (t)：
[0018] 入 *(t) = s*S0C(t)
[0019]其中，s为通过遗传算法离线优化获得的等效因子，且令SOC(t)对应取值为参考荷 电状态 S0Cref(t)。
[0020] 在本发明一实施例中，在所述步骤S4中，通过ECMS最小等效燃油消耗方法，通过建 立哈密顿函数H(u，x，A，t)获取所述当前电池输出功率P batt(t): u\t) - argmin//(i/,A-,/l,〇 |.. /t. (+f)
[0021] =arg m nJu(t).〇 + (i) ^.= SdC(u(t),x(t),t)
[0022] 其中，〇似0为单位时间燃油消耗量，知队单切为单位时间soc的消耗量， X(t)为当前电池荷电状态S0C(t)，当A取值为v(t)时，u\t)为pbatt(t)。
[0023] 在本发明一实施例中，在所述步骤S4中，结合所述当前整车需求功率Pwhi(t)，计算 所述前发动机输出功率p eng( t)，且通过如下方式获取：
[0024] Peng(t) =Pwhl(t)-Pbatt(t)
[0025]在本发明一实施例中，在所述步骤S6中，所述PHEV整车反馈当前电池荷电状态S0C (t)至所述SOCref生成子模块，计算当前电池荷电状态S0C(t)与所述参考荷电状态S0Cref(t) 存在的偏差，并通过PID对所述参考荷电状态S0C ref(t)的偏差进行修正。
[0026] 相较于现有技术，本发明具有以下有益效果:本发明所提出的一种基于工况识别 的里程自适应混合动力汽车能量管理方法，通过识别工况的里程自适应的插电式混合动力 汽车能量管理控制策略，通过适应不同的行驶里程和工况，结合PID控制，可显著改善汽车 的燃油经济性，实现节能减排和美化环境。
【附图说明】
[0027] 图1为本发明一实施例中基于LVQ工况识别过程示意图。
[0028] 图2为本发明一实施例中LVQ神经网络结构。
[0029]图3为本发明一实施例中学习训练过程的误差变化过程示意图。
[0030]图4为本发明一实施例中预设等效因子与电池 S0C关系图。
[0031]图5为本发明一实施例中训练阶段基于工况识别里程自适应的能量管理策略架构 图。
[0032]图6为本发明一实施例中基于工况识别里程自适应的能量管理策略架构图。
【具体实施方式】
[0033]下面结合附图，对本发明的技术方案进行具体说明。
[0034]本发明提供了一种插电式混合动力汽车的工况识别的里程自适应能量管理控制 方法。主要由工况识别和里程自适应能量管理控制方法组成。在工况识别的部分，采用基于 LVQ(学习向量量化）神经网络模型对各个工况进行训练学习以实现实时工况的识别与选 择。在里程自适应能量管理部分，采用基于ECMS的策略，并通过建立等效系数和S0C(电池荷 电状态)的关系，进而引入于行驶里程相关的S0C ref(t)，从而获得在不同行驶里程下的等效 系数对应于实际工况即实时的等效系数Mt)，最后通过PID控制来矫正运行过程中偏差，建 立里程自适应的能量管理策略。
[0035] 进一步的，在本实施例中，工况识别的关键在于根据当前行驶特征进行辨识进而 判断所处行驶工况属于设定工况中的哪一种，其具体进程为:通过实时测量行驶特征参数 并记录存储，实时的归纳过去~秒的行驶特征的变化规律来判断未来M秒的行驶趋势，该思 想可见图1所示。
[0036] 进一步的，在本实施例中，首先对行驶特征参数进行获取。为能够对各个工况进行 准确而可行的识别，闹市区、生活区、中速区、快速区四种工况，采用的特征参数针对所研究 的对象进行精简，分别选取平均速度V are，平均加速度aave5。平均减速度，速度标准差Vstd。 加速度标准差Qstd。，减速度标准差Pstd，还有怠速时间/总时间的百分比Pt_idle，平均行驶速 度^*具体如表1所不，为一组特征参数表。 D
[0037] 表 1
[0038]
[0039]进一步的，在本实施例中，如图2所示，LVQ算法主要有两层结构，即隐含层和输出 层；网络将采用结合了竞争学习和有监督的学习对输入向量进行分类，过程包括两个部分： 一是通过计算Euclidean距离，匹配最近的神经元，二是权向量自适应变化的更新过程，最 后在输出层上，将隐含层的分类结果传递到用户定义的目标分类上。
[0040]将上述提到的各个工况的8个特征参数作为输入向量，在竞争层(C)中进行学习训 练，训练过程的误差变化过程如图3所示。最后通过由3个神经元组成输出层输出，通过识别 输出层神经元的二进制信号，获得当前所处工况。
[0041 ]进一步的，在本实施例中，里程自适应能量控制总体由两部分组成:里程适应管理 模块和ECMS等效燃油最小模块。里程适应模块由于S0Crrf生成子模块和电池充放电子模块 组成，S0C ref (t)生成子模块接收从GPS/GIS处获得行驶总里程Dt〇tai，由PHEV整车提供的当前 行驶已经行驶的里程D(t)，当前电池荷电状态值SOC(t)，以及电池荷电状态初始值S0C (to)，生成SOCref (t);电池充放电子模块获取S0Cref(t)，生成当前等效系数V(t) JCMS等效 燃油最小模块获取当前等效系数v(t)结合当前PHEV整车需求功率pwhl(t)向整车提供当前 电池输出功率p batt (t)和当前发动机输出功率peng (t)。
[0042]进一步的，在本实施例中，如图5所示，在训练以及测试阶段，通过测试循环工况模 块提供每种工况对应的当前整车需求功率Pwhl(t)，通过确定当前工况，从而确定当前整车 需求功率Pwhl(t)。测试循环工况模块还提供LVQ算法学习训练阶段以及测试阶段的预设工 况及其对应的行驶特征参数。
[0043]进一步的，在本实施例中，PHEV整车包括:电池模块，电机模块，发动机模块以及传 动模块等，且该PffiV整车提供了当前的行驶特征参数，包括:平均速度Vave、平均加速度aave、 平均减速度、速度标准差V std、加速度标准差astd、减速度标准差&td、怠速时间/总时间的 百分比Pt_idle 以及平均行驶速度。
[0044]进一步的，在本实施例中，能量管理系统的问题常使用S0C这个参数进行描述。S0C 的定义如式(1)
(1)
[0046]式中Q(t)为当前的电池电量，仏ax为该电池最大的电池电量。
[0047]通过定义控制系统的状态变x = S0C，控制变量u = Pbatt，其中Pbatt为电池的输出功 率。
[0048] 建立燃油优化数学模型（2)，其中％_&々为单位时间燃油消耗量，乃 为单位时间S0C的消耗量： 嫩鉍I = 二利路淑
[0049]
[0050] 则优化问题可化为如下的哈密顿函数(3)，其中A为等效系数：
[0051 ] liCssAX-tl --s-(3)
[0052]由上式子可得，当A(t)增大时，相对应使用电池的代价提高;反之亦然。
[0053]进一步的，在本实施例中，为了获取实时优化，构造如下优化函数：
[0054]人 *(t) = s*S0C(t) (4)
[0055]该函数的含义为当S0C值较高时，s取值较小，趋向于消耗电能;反之，当S0C值较低 时，s取值较大，趋向于消耗燃油。在训练阶段，根据此趋势，构造不同里程下的等效因子s取 值，如图4所示。
[0056] 通过(3)建立参考荷电状态S0Crrf与里程D(t)的关系
[0058] 其中Dtcltal为本次行驶总里程，SOC(to)为行驶初始的荷电状态，S0C(tf)为终点的 荷电状态，也即荷电状态最低限值。将S0C ref带入式(4)中，构建里程与等效系数之间的关 系。
[0059] 在获得各个行驶里程的等效系数f(t)后，优化问题转化为获取电池输出功率f (t)，如下(5)问题： u {t) ^ argmin I!(u,x\AJ)\. jr (5)
[0060] ^ argih(l)>：5 SdC(u([),x(t),tj
[0061 ] 其中，〇你4为单位时间燃油消耗量，必c(i你为单位时间soc的消耗量， x(t)为当前电池荷电状态S0C(t)，当A取值为V(t)时，u\t)为Pbatt(t)。
[0062]最后在确定当前电池输出功率Pbatt(t)之后，结合由循环工况测试数据提供的工 况信息获取当前的整车需求功率Pwhi(t)，进而由式(6)获取当前发动机输出功率peng( t):
[0063] Peng(t) =Pwhl(t)-Pbatt(t) (6)
[0064] 进一步的，在本实施例中，如图6所示，首先根据PHEV整车提供的特征参数，由工况 识别模块识别当前所处工况，并将当前所处工况传至电池充放电模块；同时S0C ref(t)生成 子模块接受从GPS/GIS处获得行驶总里程Dtcltal，当前的行驶已经行驶的里程D(t)，当前的电 池荷电状态值SOC(t)，以及电池荷电状态初始值S0C(t Q)，给出SOCref(t)，并传至电池充放 电模块；电池充放电模块接收当前工况类型和S0Cref(t)生成当前的等效系数V(t)并传至 ECMS等效燃油最小模块;ECMS等效燃油消耗模块接收t)，得出当前电池输出功率Pbatt(t) 和当前发动机输出功率P eng(t)。同时PHEV整车模块还将实时的当前S0Cref生成子模块荷电 状态反馈至S0C ref生成子模块，通过PID对工作过程的S0Cref(t)偏差进行修正。
[0065] 以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作 用未超出本发明技术方案的范围时，均属于本发明的保护范围。
【主权项】
1. 一种基于工况识别的里程自适应混合动力汽车能量管理方法，其特征在于，按照如 下步骤实现： 步骤SI:采用基于LVQ神经网络模型对预设工况进行训练学习，建立工况识别模型； 步骤S2:获取PHEV整车当前的行驶特征参数，通过所述工况识别模型判断当前所处工 况;对荷电状态最低限值SO(Xtf)进行预设，并从GPS/GIS模块获取里程总里程值Dtcital，通过 SOCref生成子模块进一步获取参考荷电状态SOCreKt); 步骤S3:电池充放电模块获取所述参考荷电状态SOCref (t)以及当前所处工况，计算当 前等效系数V(t); 步骤S4:ECMS等效燃油最小模块获取所述当前等效系数V(t)，并结合当前PHEV整车需 求功率Pwhl(t)，计算当前电池输出功率Pbatt(t)以及当前发动机输出功率P eng(t); 步骤S5:输出所述当前发动机输出功率Peng(t)以及所述当前电池输出功率Pbatt (t)至 PHEV整车，对PHEV整车施加控制； 步骤S6:所述PHEV整车通过PID控制对运行过程中的S0Cref(t)偏差进行修正。2. 根据权利要求1所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其 特征在于，在所述步骤Sl中，在训练学习阶段，从测试循环工况模块中分别提取如下预设工 况的行驶特征参数用于训练：闹市区、生活区、中速区以及快速区，且每种工况的特征参数 包括:平均速度V ave、平均加速度aave、平均减速度β3νθ、速度标准差Vstd、加速度标准差a std、减 速度标准差&td、怠速时间/总时间的百分比Pt ldle以及平均行驶速度 _ O3. 根据权利要求2所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其 特征在于，所述LVQ神经网络模型有两层结构:隐含层以及输出层，LVQ神经网络模型将各个 工况的特征参数作为输入向量，结合竞争学习以及监督学习对输入向量进行分类，在隐含 层中进行学习训练，并将学习训练分类的结果传递至输出层的目标分类上，建立所述工况 识别模型。4. 根据权利要求1所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其 特征在于，在所述步骤S2中，所述行驶特征参数包括:平均速度V ave3、平均加速度α_、平均减 速度、速度标准差Vstd、加速度标准差astd、减速度标准差& td、怠速时间/总时间的百分比 Pt-idle 以及平均行驶速度 _ 〇5. 根据权利要求1所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其其中，D(t)为所述PHEV整车所提供的当前已经行驶的里程，SOC(to)为行驶初始的荷电 状态，SOC(t)为当前电池荷电状态。6. 根据权利要求1所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其 特征在于，在所述步骤S3中，通过如下方式获取所述当前等效系数t): λ*(?) = s*S0C(t) 其中，s为通过遗传算法离线优化获得的等效因子，且令SOC(t)对应取值为参考荷电状 态 SOCref (t)。7. 根据权利要求1所述的基于工况识别的里程自适应混合能量管理方法，其特征在于， 在所述步骤S4中，通过ECMS最小等效燃油消耗方法，建立哈密顿函数H(u，X，λ，t)获取所述 当前电池输出功率P batt(t):其中，O沏0为单位时间燃油消耗量，必亡知你雄从为单位时间SOC的消耗量，X(t) 为当前电池荷电状态SOC(t)，当λ取值为V(t)时，u\t)为Pbatt(t)。8. 根据权利要求6所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其 特征在于，在所述步骤S4中，结合所述当前整车需求功率P whi(t)，计算所述前发动机输出功 率Peng(t)，且通过如下方式获取： Peng(t) =Pwhl(t)_Pbatt(t) 〇9. 根据权利要求1所述的基于工况识别的里程自适应混合动力汽车能量管理方法，其 特征在于，在所述步骤S6中，所述PHEV整车反馈当前电池荷电状态SOC(t)至所述SOC ref生成 子模块，计算当前电池荷电状态SOC(t)与所述参考荷电状态SOCreKt)存在的偏差，并通过 PID对所述参考荷电状态SOCref (t)的偏差进行修正。
【文档编号】B60W10/08GK106004865SQ201610372917
【公开日】2016年10月12日
【申请日】2016年5月30日
【发明人】林歆悠, 莫李平, 冯其高, 吴超宇, 郑清香
【申请人】福州大学