本發(fā)明公開了一種基于電池荷電狀態(tài)預(yù)測的動態(tài)規(guī)劃方法，本發(fā)明涉及具有固定線路的并聯(lián)型插電式混合動力汽車(以下簡稱：PHEV)能源管理技術(shù)，尤其是涉及一種依靠歷史行車軌跡進行能源全局優(yōu)化的動態(tài)規(guī)劃方法。
背景技術(shù)：
：在全球能源危機、環(huán)境污染日趨嚴(yán)重的背景下，PHEV同時采用電能和燃油作為動力源，有效地成為純電動汽車逐漸取代內(nèi)燃機汽車的過渡方案。相比串聯(lián)型PHEV、串并混合型PHEV，并聯(lián)型PHEV在能量利用率、制造成本、控制復(fù)雜度方面優(yōu)點更突出，因此得到大規(guī)模推廣使用，具體車輛結(jié)構(gòu)如圖1所示。對于具有固定線路的并聯(lián)型PHEV，其歷史行車軌跡可以通過車載GPS/GIS采集到的大量工況數(shù)據(jù)擬合而成。為了盡可能的使用電能從而節(jié)省燃油，選擇合理的能源管理策略尤為重要。目前已用于能源管理策略的方法包括：1、規(guī)則法：文章《并聯(lián)混合動力汽車能量管理建模及優(yōu)化研究》(王欣,李高,朱萬力,等)提出依靠當(dāng)前車輛目標(biāo)扭矩、發(fā)動機有效工作區(qū)以及當(dāng)前電池荷電狀態(tài)(StateofCharge，以下簡稱：SOC)來設(shè)計發(fā)動機和電機輸出扭矩的規(guī)則策略；2、人工智能算法：基于神經(jīng)網(wǎng)絡(luò)、自適應(yīng)算法的控制策略主要是依靠大量的駕駛工況數(shù)據(jù)對可能的駕駛行為進行學(xué)習(xí)訓(xùn)練，以此確定油耗最優(yōu)時的駕駛行為；基于遺傳算法的控制策略主要是根據(jù)循環(huán)工況確定合適的遺傳因子，以此對能源分配進行優(yōu)化；3、動態(tài)規(guī)劃法：文章《基于動態(tài)規(guī)劃算法的并聯(lián)式混合動力汽車能源優(yōu)化管理》(段駿華,馬向華)提出基于動態(tài)規(guī)劃的能源管理策略，該策略在離線情況下先將車輛軌跡在時域內(nèi)離散化，根據(jù)目標(biāo)扭矩確定出每個時刻的電機輸出扭矩范圍，從而根據(jù)SOC狀態(tài)方程求解出每個時刻SOC的可達域，繼而計算出每個時刻最低油耗對應(yīng)的發(fā)動機和電機的輸出扭矩，最終實現(xiàn)油耗的全局最優(yōu)化；以上三種方法在具有固定線路的并聯(lián)型PHEV能源管理方面已經(jīng)得到一定程度的應(yīng)用，但均存在不同程度的缺陷：1、規(guī)則法主要依靠有限的規(guī)則庫進行能源調(diào)控，無法實現(xiàn)全局優(yōu)化，優(yōu)化效果有限；2、人工智能算法中的神經(jīng)網(wǎng)絡(luò)、自適應(yīng)控制算法需要對足夠多的駕駛行為數(shù)據(jù)進行訓(xùn)練學(xué)習(xí)，對硬件要求較高；遺傳算法需要確定合適的遺傳因子，尋找過程比較繁瑣；3、作者段駿華、馬向華提出的動態(tài)規(guī)劃算法是以油耗的全局優(yōu)化作為實現(xiàn)目標(biāo)，較前兩種方法應(yīng)用性更突出；但是，隨著旅途時間的增加，單純利用目標(biāo)扭矩確定電機扭矩范圍，以此來計算出的SOC可達域中包含大量無效值，導(dǎo)致動態(tài)規(guī)劃的計算量劇增，優(yōu)化時間變長，方法可用性變差；綜上所述，目前用于具有固定線路的并聯(lián)型PHEV能源管理策略的三種常用的方法均存在各自的弊端，通用性較差。技術(shù)實現(xiàn)要素：本發(fā)明著重解決的技術(shù)問題在于，針對具有固定線路的并聯(lián)型PHEV能源管理策略，克服目前的技術(shù)缺陷，提出基于電池SOC預(yù)測的動態(tài)規(guī)劃方法。采用同時根據(jù)車輛目標(biāo)扭矩和當(dāng)前SOC狀態(tài)確定電機輸出扭矩范圍，動態(tài)預(yù)測出整個運行周期SOC狀態(tài)量可達域。算法實現(xiàn)過程簡單，計算量小，有效的減少了SOC可達域內(nèi)無效值的個數(shù)，降低了算法的處理時間，魯棒性較強。本發(fā)明采用的技術(shù)方案是：基于電池SOC預(yù)測的動態(tài)規(guī)劃方法，其特征包括以下步驟：步驟1：根據(jù)圖1所示的并聯(lián)型PHEV車輛結(jié)構(gòu)建立車輛動力學(xué)模型，車輪驅(qū)動力Fwh如式(1)所示：Fwh=mv·v·req+mv·g·fr·cosα+0.5·Cd·ρa·A·vreq2+mv·g·sinα---(1)]]>由目標(biāo)速度vreq得到加速度mv是整車質(zhì)量，g、fr、α、Cd、ρa、A分別代表重力加速度、滾阻系數(shù)、坡道角、風(fēng)阻系數(shù)、空氣密度以及車輛迎風(fēng)面積。由圖1可知，電機的扭矩軸始終和扭矩耦合器相連，同時車輪扭矩和功率來自于發(fā)動機和電機，由此得到輪胎的驅(qū)動扭矩Twh和驅(qū)動功率Pwh分別為：Twh＝Fwh·rwh＝Treq·i0·ig·μ＝(Te+Tm)·i0·ig·μ(2)Pwh=Twh·nwh9550=Preq·μ=(Pe+Pm)·μ---(3)]]>其中rwh、nwh分別為車輪半徑和轉(zhuǎn)速；i0、ig、μ分別為主減速比、變速箱檔位齒比以及傳輸效率；Te、Tm分別為發(fā)動機輸出扭矩、電機輸出扭矩。電機角速度ωm和車輪角速度ωwh進一步表示為：ωm＝ωwh·i0·ig(4)ωwh＝nwh·π/30(5)步驟2：以步驟1建立的車輛動力學(xué)模型為基礎(chǔ)，建立基于動態(tài)規(guī)劃的能源管理策略模型，策略原理如圖2所示。首先，將車輛運動軌跡在時域內(nèi)進行離散化，離散步長為Δt；其次，根據(jù)步驟1得到各個時刻的目標(biāo)扭矩Treq、目標(biāo)功率Preq以及電機轉(zhuǎn)速nm，繼而初步確定Tm；最后，通過動態(tài)規(guī)劃算法循環(huán)處理這些參數(shù)，保存整個周期油耗最低時對應(yīng)的每個時刻的電機扭矩和發(fā)動機扭矩由于車輛能源來自于電池和燃油，通過控制電池SOC來調(diào)節(jié)系統(tǒng)的能量狀態(tài)，得到SOC狀態(tài)方程如式(6)所示：SOC(k+1)=SOC(k)-Uoc-Uoc2-4·Pb·Rb2·Rb·Qb---(6)]]>其中Uoc是電池開路電壓，Rb為電池內(nèi)阻，Qb為電池容量，k＝0,1,2,…,N-1；電池功率Pb進一步表示為：Pb=Tm(k)·nm(k)9550·(im·ic)-sign(Tm(k))---(7)]]>im、ic分別表示電機效率和電池效率，當(dāng)Tm(k)≥0時sign(Tm(k))＝1；當(dāng)Tm(k)<0時sign(Tm(k))＝-1。這樣就建立起Tm與SOC的關(guān)系，由此得到動態(tài)規(guī)劃策略的階段代價方程以及目標(biāo)方程：L(k)=f(Te(k),ne(k))·Pe(k)3600---(8)]]>J*[x(0)]=minΣk=0N-1L(k)---(9)]]>發(fā)動機燃油消耗率f(Te(k),ne(k))通過發(fā)動機萬有特性圖(簡稱：發(fā)動機Map圖)獲取，發(fā)動機需求功率Pe(k)可由式(3)建立與電機功率Pm(k)的關(guān)系，同時，式(8)、(9)需要滿足以下約束：Te_min≤Te(k)≤Te_maxTm_min≤Tm(k)≤Tm_maxωe_min≤ωe(k)≤ωe_maxωm_min≤ωm(k)≤ωm_maxSOCmin≤SOC(k)≤SOCmax---(10)]]>步驟3：基于步驟1和步驟2分別建立的車輛動力學(xué)模型以及基于動態(tài)規(guī)劃的能源管理策略模型，根據(jù)第k時刻的目標(biāo)扭矩Treq(k)以及該時刻的SOC(k)狀態(tài)集合內(nèi)的每一個狀態(tài)量，如圖3所示，動態(tài)確定當(dāng)前狀態(tài)量SOC(k,l)對應(yīng)的輸入量Tm(k,l)的取值范圍，即：Tm(k,l)＝f(Treq(k),SOC(k,l))(11)其中l(wèi)＝1,2,…,p，根據(jù)車輛歷史軌跡以及車輛動力學(xué)模型，得到：Treq(k)∈{Treq(0),Treq(1),…,Treq(N-1)}；nm(k)∈{nm(0),nm(1),…,nm(N-1)}；進而，根據(jù)電機萬有特性圖(簡稱：電機Map圖)得到電機在每個時刻轉(zhuǎn)速下的最大輸出扭矩Tm_max(nm(k))和最小發(fā)電扭矩Tm_min(nm(k))，即：Tm_max(nm(k))∈{Tm_max(nm(0)),…,Tm_max(nm(N-1))}；Tm_min(nm(k))∈{Tm_min(nm(0)),…,Tm_min(nm(N-1))}；第k時刻的SOC(k,l)滿足以下條件：SOC(k,l)∈{SOC(k,1),SOC(k,2),…,SOC(k,p)}；則由下列條件確定當(dāng)前狀態(tài)SOC(k,l)對應(yīng)的輸入量Tm(k,l)的取值范圍：條件1：Tm_max(nm(k))≥Treq(k)>0若SOC(k,l)≥SOCmin，則：Tm(k,l)＝min(Tm_max(nm(k)),Treq(k),Tb_max(k))；否則：Tm(k,l)∈[0,max(Tm_min(nm(k)),Tb_min(k))]；條件2：Treq(k)>Tm_max(nm(k))≥0若SOC(k,l)≥SOCmin，則：Tm(k,l)∈[0,min(Tm_max(nm(k)),Treq(k),Tb_max(k))]；否則：Tm(k,l)∈[0,max(Tm_min(nm(k)),Tb_min(k))]；條件3：Treq(k)＝0Tm(k,l)＝0；條件4：Treq(k)<0若SOC(k,l)≤SOCmax，則Tm(k,l)＝max(Tm_min(nm(k)),Treq(k),Tb_min(k))；否則Tm(k,l)＝0。其中，條件1～4中的Tb_min和Tb_max分別為電池最小充電扭矩和最大放電扭矩。步驟4：由步驟3的四個條件確定每個時刻的SOC狀態(tài)集內(nèi)的每個元素對應(yīng)的Tm(k,l)后，由狀態(tài)方程式(6)逐級遞推最終得到N個時刻的SOC可達區(qū)間，對應(yīng)的算法流程圖如圖4所示。本發(fā)明可以有效的用于具有固定線路的并聯(lián)型PHEV能源管理策略。該方法具有以下技術(shù)效果：1、依靠車輛目標(biāo)扭矩和當(dāng)前SOC狀態(tài)值確定電機扭矩輸出范圍，動態(tài)預(yù)測整個周期的SOC狀態(tài)量可達域，有效減少了可達域內(nèi)無效值的個數(shù)，提升了算法的優(yōu)化速度，增強了算法的通用性；2、算法設(shè)計過程簡單、易實現(xiàn)，計算量小，對車輛參數(shù)依賴性?。?、算法可移植性強，具有較強的魯棒性；附圖說明圖1并聯(lián)型PHEV車輛結(jié)構(gòu)。圖2基于動態(tài)規(guī)劃能源管理策略框圖。圖3動態(tài)規(guī)劃遞歸網(wǎng)絡(luò)。圖4基于電池SOC預(yù)測動態(tài)規(guī)劃算法流程圖。圖5三種車輛運行軌跡圖。圖6電機和發(fā)動機的萬有特性圖：(a)為電機Map圖，(b)為發(fā)動機Map圖。圖7SOC預(yù)測可達域范圍：(a)為根據(jù)車輛目標(biāo)扭矩和當(dāng)前SOC狀態(tài)值確定電機扭矩輸出范圍，動態(tài)預(yù)測的SOC狀態(tài)量可達域范圍，(b)為根據(jù)車輛目標(biāo)扭矩確定電機扭矩輸出范圍，動態(tài)預(yù)測的SOC狀態(tài)量可達域范圍。具體實施方式下面結(jié)合附圖和實施例對本發(fā)明進一步說明。本實施例選擇三種不同的行車軌跡對基于電池SOC預(yù)測的動態(tài)規(guī)劃算法的通用性進行驗證。選擇的三種軌跡如圖5所示，橫軸為行駛時間(單位是：s)，縱軸為行駛速度(單位是：m/s)。三種軌跡時間N分別為256s、993s和2689s。首先，選擇的并聯(lián)型PHEV的車輛參數(shù)如表1所示，同時利用步驟1建立的車輛動力學(xué)模型對應(yīng)的表達式(1)～(5)計算出對應(yīng)的車輪驅(qū)動力Fwh、加速度a、輪胎的驅(qū)動扭矩Twh、驅(qū)動功率Pwh、電機角速度ωm、車輪角速度ωwh、車輛目標(biāo)扭矩Treq和目標(biāo)功率Preq；其次，根據(jù)步驟2建立的動態(tài)規(guī)劃策略模型，設(shè)定策略的初始參數(shù)，如表2所示；最后根據(jù)步驟1和2計算出的車輛模型參數(shù)以及策略模型參數(shù)，結(jié)合步驟3和步驟4設(shè)計基于電池SOC預(yù)測的動態(tài)規(guī)劃算法。表1并聯(lián)型PHEV車輛參數(shù)表2參數(shù)初始化為了驗證算法的有效性，本實例分別對本發(fā)明提出的基于電池SOC預(yù)測的動態(tài)規(guī)劃算法和文章《基于動態(tài)規(guī)劃算法的并聯(lián)式混合動力汽車能源優(yōu)化管理》(段駿華,馬向華)提出的算法運行后的SOC可達域進行對比。圖7(a)框表示的是基于電池SOC預(yù)測的動態(tài)規(guī)劃算法得出的三種軌跡的SOC區(qū)間預(yù)測圖，深灰色陰影面積為算法預(yù)測的SOC可達域，可達域內(nèi)黑色粗虛線為各軌跡情況下最低油耗對應(yīng)的SOC變化曲線。圖7(b)框表示的是文章《基于動態(tài)規(guī)劃算法的并聯(lián)式混合動力汽車能源優(yōu)化管理》(段駿華，馬向華)提出的SOC預(yù)測算法得出的三種軌跡的SOC區(qū)間預(yù)測圖，淺灰色陰影面積為算法預(yù)測的SOC可達域，可達域內(nèi)黑色粗虛線為各軌跡情況下最低油耗對應(yīng)的SOC變化曲線。從圖7中可以看出，首先，在三種不同工況下，兩種算法在其對應(yīng)的油耗最低時得出的SOC變化曲線是相同的，說明兩種動態(tài)規(guī)劃算法的優(yōu)化效果是一致的。其次，對于三種軌跡的SOC可達域，基于電池SOC預(yù)測動態(tài)規(guī)劃算法得出的SOC搜索范圍均比文章《基于動態(tài)規(guī)劃算法的并聯(lián)式混合動力汽車能源優(yōu)化管理》(段駿華,馬向華)提出的算法預(yù)測的范圍小，優(yōu)化了SOC有效值的取值區(qū)間，而且隨著循環(huán)工況時間的增加，優(yōu)化效果越明顯；說明基于電池SOC預(yù)測的動態(tài)規(guī)劃算法可以有效的減少SOC可達域內(nèi)無效狀態(tài)值的個數(shù)，提升算法的處理速度，減少算法的處理時間。算法具有較強的魯棒性和通用性，實現(xiàn)過程簡單，可移植性強。上述具體實現(xiàn)方式用來解釋本發(fā)明，而不是對本發(fā)明的限制。凡是依據(jù)本發(fā)明的技術(shù)實質(zhì)對以上實施例所做的任何簡單修改、等同變化與修飾，均仍屬于本技術(shù)的范圍之內(nèi)。當(dāng)前第1頁1 2 3