本發(fā)明涉及新能源汽車(chē)，尤其是涉及一種智能網(wǎng)聯(lián)混合動(dòng)力汽車(chē)能量控制方法。

背景技術(shù)：

隨著汽車(chē)對(duì)燃油的消耗，環(huán)境問(wèn)題越來(lái)越突出，因此新能源汽車(chē)成為一個(gè)重要的課題，當(dāng)今互聯(lián)網(wǎng)的發(fā)展也是瞬息萬(wàn)變，改變產(chǎn)業(yè)的發(fā)展模式，混合動(dòng)力汽車(chē)的節(jié)能和低排放特性引起廣泛的關(guān)注，再者，整合互聯(lián)網(wǎng)技術(shù)，讓車(chē)輛控制更加智能化。

針對(duì)混合動(dòng)力汽車(chē)能量管理問(wèn)題是一個(gè)涉及非線(xiàn)性動(dòng)態(tài)優(yōu)化的重要問(wèn)題,文獻(xiàn)[1](SD Cariano etc,Stochastic MPC with learning for driver-predictive vehicle control and its application to HEV energy management,IEEE Transaction on Control Systems Technology,2014,22(3):1018-1031)采用模型預(yù)測(cè)控制方法進(jìn)行了混合動(dòng)力汽車(chē)能量管理的研究，該問(wèn)題作為影響車(chē)輛性能和混合動(dòng)力產(chǎn)業(yè)化進(jìn)程的一個(gè)主要瓶頸,迄今為止沒(méi)有得到最終解決,亟待突破。由于混合動(dòng)力系統(tǒng)是一個(gè)集成了電氣、機(jī)械、化學(xué)和熱力學(xué)系統(tǒng)的非線(xiàn)性動(dòng)態(tài)系統(tǒng),自身及其各部件之間的協(xié)調(diào)工作極為復(fù)雜。同時(shí)，車(chē)輛行駛工況和駕駛員操作具有隨機(jī)性，這也增加了能量管理策略設(shè)計(jì)的難度。

隨著網(wǎng)絡(luò)的發(fā)展，車(chē)聯(lián)網(wǎng)已經(jīng)成為可能，利用車(chē)聯(lián)網(wǎng)，智能交通及先進(jìn)算法可以實(shí)時(shí)對(duì)車(chē)輛能量分配的控制，在此基礎(chǔ)上，有些學(xué)者提出將優(yōu)化系統(tǒng)寄于云端，但是車(chē)輛是在不斷運(yùn)行中，可能要穿過(guò)信號(hào)較弱的區(qū)域，無(wú)法保證能夠?qū)崟r(shí)接收到算法優(yōu)化后的數(shù)據(jù)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供基于遺傳神經(jīng)的一種智能網(wǎng)聯(lián)混合動(dòng)力汽車(chē)能量控制方法。

本發(fā)明包括以下步驟：

1)采集信號(hào)；

在步驟1)中，所述采集信號(hào)的具體步驟可為：

(1)信號(hào)采集模塊通過(guò)車(chē)載信息采集器采集車(chē)輛周?chē)畔ⅲ约敖邮哲?chē)上傳感器收集的信號(hào)，無(wú)線(xiàn)通信模塊接收車(chē)聯(lián)網(wǎng)及智能交通中的信息，信號(hào)采集模塊和無(wú)線(xiàn)通信模塊將收集到的信息傳入整車(chē)智能控制器中；所述整車(chē)智能控制器包括微處理器、發(fā)動(dòng)機(jī)通信模塊、電機(jī)通信模塊和電池管理系統(tǒng)通信模塊；

(2)智能控制器通過(guò)輸入信號(hào)分析車(chē)輛運(yùn)行的狀況，將當(dāng)前車(chē)速、電池SOC值、發(fā)動(dòng)機(jī)溫度等信息送往車(chē)載智能優(yōu)化系統(tǒng)。

2)算法優(yōu)化；

在步驟2)中，所述算法優(yōu)化的具體步驟可為：

(1)車(chē)載智能優(yōu)化系統(tǒng)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，在遺傳算法的種群中每個(gè)個(gè)體都包含一個(gè)網(wǎng)絡(luò)所有的權(quán)值和閾值，個(gè)體通過(guò)適應(yīng)度函數(shù)計(jì)算其適應(yīng)度值，遺傳算法通過(guò)選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值對(duì)應(yīng)的個(gè)體；

(2)BP神經(jīng)網(wǎng)絡(luò)是指利用遺傳算法得到的最優(yōu)個(gè)體對(duì)網(wǎng)絡(luò)初始權(quán)值和閾值賦值，BP神經(jīng)網(wǎng)絡(luò)瞬時(shí)控制器對(duì)傳入車(chē)載智能優(yōu)化系統(tǒng)的當(dāng)前車(chē)速、電池SOC值、總需求轉(zhuǎn)矩和發(fā)動(dòng)機(jī)溫度進(jìn)行優(yōu)化計(jì)算，輸出根據(jù)當(dāng)前車(chē)輛狀況下燃油消耗最少的發(fā)動(dòng)機(jī)最優(yōu)轉(zhuǎn)矩，在車(chē)載智能優(yōu)化系統(tǒng)中，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)瞬時(shí)最優(yōu)控制輸出的轉(zhuǎn)矩?cái)?shù)據(jù)又傳回整車(chē)智能控制系統(tǒng)。

3)指令處理及控制執(zhí)行。

在步驟3)中，所述指令處理及控制執(zhí)行的具體步驟可為：

(1)微處理器將傳入整車(chē)智能控制器中信息進(jìn)行處理成執(zhí)行指令送往發(fā)動(dòng)機(jī)通信模塊、電機(jī)通信模塊及電池管理系統(tǒng)通信模塊；

(2)發(fā)動(dòng)機(jī)通信模塊、電機(jī)通信模塊和電池管理系統(tǒng)通信模塊與整車(chē)CAN連接，將指令送到發(fā)動(dòng)機(jī)控制模塊、電機(jī)控制模塊及電池管理系統(tǒng)對(duì)其控制實(shí)現(xiàn)能量的匹配。

本發(fā)明根據(jù)車(chē)載傳感系統(tǒng)及V2X系統(tǒng)采集的各種外界環(huán)境信息，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)控制器，再通過(guò)整車(chē)智能控制系統(tǒng)處理并發(fā)送指令控制發(fā)動(dòng)機(jī)和電動(dòng)機(jī)，實(shí)現(xiàn)混合動(dòng)汽車(chē)的轉(zhuǎn)矩在最優(yōu)轉(zhuǎn)矩附近，達(dá)到節(jié)能減排的目的。

本發(fā)明結(jié)合智能網(wǎng)聯(lián)系統(tǒng)運(yùn)用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)混合動(dòng)汽能量進(jìn)行實(shí)時(shí)控制，讓能量分配更為合理，節(jié)能減排效果更為明顯。

附圖說(shuō)明

圖1為本發(fā)明能量?jī)?yōu)化控制系統(tǒng)結(jié)構(gòu)示意圖。

圖2為本發(fā)明遺傳算法優(yōu)化BP網(wǎng)絡(luò)流程圖。

圖3為本發(fā)明BP神經(jīng)結(jié)構(gòu)圖。

圖4為混合動(dòng)力汽車(chē)系統(tǒng)結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合圖1～4對(duì)本發(fā)明智能網(wǎng)聯(lián)混合動(dòng)力能量分配的控制方法作進(jìn)一步詳細(xì)的說(shuō)明。

本發(fā)明提供了一種智能網(wǎng)聯(lián)混合動(dòng)力汽車(chē)能量分配控制方法，其運(yùn)用網(wǎng)聯(lián)系統(tǒng)，融合現(xiàn)代通信與網(wǎng)絡(luò)技術(shù)，實(shí)現(xiàn)車(chē)與人、車(chē)、路、后臺(tái)等智能信息交換共享，具備復(fù)雜的環(huán)境感知、智能決策、協(xié)同控制和執(zhí)行等功能，可實(shí)現(xiàn)安全、舒適、節(jié)能、高效行駛。本發(fā)明實(shí)現(xiàn)過(guò)程包括信號(hào)采集部分，算法優(yōu)化部分和指令處理及控制執(zhí)行部分。

圖1給出本發(fā)明能量?jī)?yōu)化控制系統(tǒng)結(jié)構(gòu)示意圖，所述能量?jī)?yōu)化控制系統(tǒng)包括信號(hào)采集模塊1、無(wú)線(xiàn)通信模塊2、車(chē)載智能優(yōu)化系統(tǒng)3、整車(chē)智能控制器4、發(fā)動(dòng)機(jī)控制模塊5、電機(jī)控制模塊6和電池管理系統(tǒng)7。信號(hào)采集模塊1的輸入端輸入車(chē)輛周邊信息P1，無(wú)線(xiàn)通信模塊2輸入車(chē)聯(lián)網(wǎng)信息P2。信號(hào)采集模塊1的輸出端和無(wú)線(xiàn)通信模塊2的輸出端分別接整車(chē)智能控制器4的輸入端，車(chē)載智能優(yōu)化系統(tǒng)3與整車(chē)智能控制器4連接，整車(chē)智能控制器4的輸出端分別接發(fā)動(dòng)機(jī)控制模塊5、電機(jī)控制模塊6和電池管理系統(tǒng)7。本發(fā)明實(shí)現(xiàn)過(guò)程包括信號(hào)采集部分、算法優(yōu)化部分和指令處理及控制執(zhí)行部分。

A.信號(hào)采集部分

第一步，本發(fā)明信息采集模塊就是針對(duì)車(chē)輛信號(hào)及周邊信息的采集，是信號(hào)原始輸入端，輸入信號(hào)包括路況信息，車(chē)輛加速踏板、制動(dòng)踏板等傳感器信號(hào)，無(wú)線(xiàn)通信模塊是接收來(lái)自車(chē)聯(lián)網(wǎng)及智能交通系統(tǒng)中的信息，無(wú)線(xiàn)通信模塊和信息采集模塊將原始信息送入智能控制器。

第二步，智能控制器通過(guò)輸入信號(hào)進(jìn)行分析車(chē)輛運(yùn)行的狀況，將當(dāng)前車(chē)速，電池SOC值，發(fā)動(dòng)機(jī)溫度等信息送往車(chē)載智能優(yōu)化系統(tǒng)。

B.算法優(yōu)化部分

圖1中車(chē)載智能優(yōu)化系統(tǒng)是基于BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的控制器，對(duì)來(lái)自整車(chē)智能控制器的當(dāng)前車(chē)速V，電池SOC值，總需求轉(zhuǎn)矩T_r，發(fā)動(dòng)機(jī)溫度T_em進(jìn)行計(jì)算，輸出發(fā)動(dòng)機(jī)轉(zhuǎn)矩T_e,具體步驟如下：

第一步，利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，優(yōu)化流程圖如圖2。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定部分函數(shù)輸入輸出參數(shù)個(gè)數(shù)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)而確定遺傳算法個(gè)體的長(zhǎng)度。遺傳算法優(yōu)化主要是指遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值，種群中每個(gè)個(gè)體都包含了一個(gè)網(wǎng)絡(luò)所有的閾值和權(quán)值，個(gè)體通過(guò)適應(yīng)度函數(shù)計(jì)算其適應(yīng)度值，遺傳算法通過(guò)選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值對(duì)應(yīng)的個(gè)體。神經(jīng)網(wǎng)絡(luò)輸入層有四個(gè)節(jié)點(diǎn)，輸出層有一個(gè)節(jié)點(diǎn)，隱層有五個(gè)節(jié)點(diǎn)，即結(jié)構(gòu)為4-5-1，所以有4*5+5*1＝25個(gè)權(quán)值，有5+1＝6個(gè)閾值，因此遺傳算法個(gè)體的編碼長(zhǎng)度是25+6＝31。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是用遺傳算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和闊值，使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠更好地預(yù)測(cè)轉(zhuǎn)矩的輸出。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的要素包括種群初始化，適應(yīng)度函數(shù)選取、選擇操作、交叉操作和變異操作。

1)種群初始化

個(gè)體編碼方法為實(shí)數(shù)編碼，每個(gè)個(gè)體均為一個(gè)實(shí)數(shù)串，由輸入層與隱層連接權(quán)值、隱層閾值、隱層與輸出層連接權(quán)值以及輸出層閾值四部分組成，個(gè)體包括神經(jīng)網(wǎng)絡(luò)的全部權(quán)值和閾值，在網(wǎng)絡(luò)結(jié)構(gòu)已知的情況下，就可以構(gòu)成一個(gè)結(jié)構(gòu)、權(quán)值、闊值確定的神經(jīng)網(wǎng)絡(luò)。

2)適度函數(shù)選擇

根據(jù)個(gè)體得到BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，利用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本訓(xùn)練好BP神經(jīng)網(wǎng)絡(luò)，把輸出值和實(shí)際值之間均方根誤差作為個(gè)體適應(yīng)度值F,這樣就能保證遺傳算法優(yōu)化目標(biāo)滿(mǎn)足神經(jīng)網(wǎng)絡(luò)優(yōu)化要求。計(jì)算公式為：

式中，k為系數(shù)，n為網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)，y_i為BP神經(jīng)網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的輸出值，o_i為BP神經(jīng)網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的實(shí)際值。

3)選擇操作

遺傳算法選擇操作有輪盤(pán)賭法、錦標(biāo)賽法等多種方法，本發(fā)明使用輪盤(pán)法，即基于適應(yīng)度比例選擇策略。每個(gè)個(gè)體i的選擇概率為p_i。

f_i＝k/F_i

式中，F(xiàn)_i是個(gè)體i的適應(yīng)度值，由于適應(yīng)度值越小越好，所以在個(gè)體選擇前對(duì)適應(yīng)度值求導(dǎo)數(shù)，k為系數(shù)，N為種群個(gè)體數(shù)目。

4)交叉操作

由于個(gè)體采用實(shí)數(shù)編碼，所以交叉操作方法采用實(shí)數(shù)交叉法，第k個(gè)染色體的a_k和第l個(gè)染色體a_l在j位的交叉操作如下：

式中，b為[0,1]的隨機(jī)數(shù)。

5)變異操作

選取第i個(gè)個(gè)體的第j個(gè)基因a_ij進(jìn)行變異，變異操作如下：

式中，a_max是基因a_ij的上限，a_min是基因a_ij的下限值，f(g)＝r₂(1-g/G_max)，r₂是一個(gè)隨機(jī)數(shù)，g是當(dāng)前迭代次數(shù)，G_max是最大進(jìn)化次數(shù)，r是[0,1]之間的隨機(jī)數(shù)。

第二步，BP神經(jīng)網(wǎng)絡(luò)則是指利用遺傳算法得到的最優(yōu)個(gè)體對(duì)網(wǎng)絡(luò)初始權(quán)值和閾值賦值，設(shè)置BP神經(jīng)網(wǎng)絡(luò)控制器：

1)計(jì)算混合動(dòng)汽車(chē)總轉(zhuǎn)矩T_r為：

T_r(t)＝T_e(t)+ρ×T_m(t)

T_e(t)是電機(jī)t時(shí)刻轉(zhuǎn)矩，T_m(t)是發(fā)動(dòng)機(jī)t時(shí)刻轉(zhuǎn)矩,ω_r(t)，ω_e(t)，ω_m分別是t時(shí)刻混合動(dòng)力汽車(chē)系統(tǒng)總轉(zhuǎn)速，電機(jī)轉(zhuǎn)速，發(fā)動(dòng)機(jī)轉(zhuǎn)速。

2)計(jì)算車(chē)輛在某一時(shí)刻總的燃油消耗率為：

是燃油消耗率

另外發(fā)動(dòng)機(jī)，電機(jī)轉(zhuǎn)矩和轉(zhuǎn)速滿(mǎn)足下面條件：

3)可根據(jù)控制目標(biāo)及限制函數(shù)設(shè)置BP神經(jīng)網(wǎng)絡(luò)控制器，如圖3，輸出層神經(jīng)元可表示為：

式中T_e是神經(jīng)元輸出層的發(fā)動(dòng)機(jī)轉(zhuǎn)矩；W_jk是隱層第n(n＝1,2,3,4,5)個(gè)神經(jīng)元與輸出層神經(jīng)元間的連接權(quán)值；是輸出層神經(jīng)元的閾值；5個(gè)隱層神經(jīng)元；f是激勵(lì)函數(shù)，采用的是S型函數(shù)：

H_j是隱層第j個(gè)神經(jīng)元的輸出值，可表示為：

H_j＝W_ijX_i(t)-b_j；

X_i(t)(i＝1,2,3,4)表示V當(dāng)前車(chē)速,總需求轉(zhuǎn)矩T_r，電池SOC值,發(fā)動(dòng)機(jī)溫度T_em，W_ij是表示輸入層到隱層的連接權(quán)值，b_j(j＝1,2,...5)是隱層第j個(gè)神經(jīng)元的閾值。

設(shè)置好神經(jīng)網(wǎng)絡(luò)控制的輸入輸出及隱層的函數(shù)，下一步是進(jìn)行神經(jīng)網(wǎng)絡(luò)的樣本獲取及訓(xùn)練。

4)神經(jīng)網(wǎng)絡(luò)樣本獲取

首先在多個(gè)典型工況中設(shè)置不同的初始條件，采用瞬時(shí)優(yōu)化能量管理策略離線(xiàn)仿真求得最優(yōu)的控制規(guī)則,控制規(guī)則的輸入輸出與神經(jīng)網(wǎng)絡(luò)的輸入輸出對(duì)應(yīng),將這些控制規(guī)則作為待選的訓(xùn)練樣本。

5)神經(jīng)網(wǎng)絡(luò)訓(xùn)練

①網(wǎng)絡(luò)初始化

給輸入層與隱層及隱層與輸出層的權(quán)值和閾值賦遺傳算法優(yōu)化后的值，即W_ij，b_j,W_jk,給定學(xué)習(xí)率和神經(jīng)元激勵(lì)函數(shù)。

②隱層輸入計(jì)算

根據(jù)輸入層X(jué)_i(t)(i＝1,2,3,4)表示V當(dāng)前車(chē)速,總需求轉(zhuǎn)矩T_r，電池SOC值,發(fā)動(dòng)機(jī)溫度T_em，輸入層與隱層連接權(quán)值W_ij，隱層閾值b_j計(jì)算隱層輸出。

H_j＝W_ijX_i(t)-b_j；

③輸出層計(jì)算

根據(jù)隱藏層輸出H，隱藏層與輸出層的連接權(quán)值W_kj和神經(jīng)元輸出額閾值b_j，計(jì)算BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出T_e:

④誤差計(jì)算

根據(jù)網(wǎng)絡(luò)預(yù)測(cè)輸出與實(shí)際輸出計(jì)算網(wǎng)絡(luò)預(yù)測(cè)輸出誤差

e_k＝T_ej-E_ej；

⑤權(quán)值更新

根據(jù)預(yù)測(cè)輸出的誤差更新W_ij,W_jk

W_jk＝W_jk+ηH_je_k,i,j＝1,2,3,4,5

η是學(xué)習(xí)效率。

⑥閾值更新

根據(jù)預(yù)測(cè)輸出的誤差更新網(wǎng)絡(luò)節(jié)點(diǎn)的閾值

判斷迭代是否結(jié)束，循環(huán)迭代直至輸出最優(yōu)的轉(zhuǎn)矩。

車(chē)載智能優(yōu)化系統(tǒng)中利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始閾值，使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠更準(zhǔn)確的輸出最優(yōu)轉(zhuǎn)矩。

C.指令處理及控制執(zhí)行部分

第一步，車(chē)載智能優(yōu)化系統(tǒng)傳回控制器的是發(fā)動(dòng)機(jī)在當(dāng)前狀況下耗油量最小的輸出轉(zhuǎn)矩，智能控制器在其微處理器中并分配出電機(jī)的轉(zhuǎn)矩，處理成執(zhí)行指令，通過(guò)各個(gè)通信模塊傳到CAN總線(xiàn)。

第二步，發(fā)動(dòng)機(jī)控制模塊，電機(jī)控制模塊和電池管理系統(tǒng)在接收到CAN總線(xiàn)的指令，控制各個(gè)部件輸出，控制發(fā)動(dòng)機(jī)和電機(jī)輸出的轉(zhuǎn)矩，電池的充放電狀態(tài)。

圖4所示是智能網(wǎng)聯(lián)混合動(dòng)力汽車(chē)系統(tǒng)結(jié)構(gòu)示意圖，該系統(tǒng)實(shí)現(xiàn)的功能是根據(jù)外界信息包括路況，經(jīng)此控制系統(tǒng)能夠讓車(chē)輛實(shí)時(shí)的對(duì)能量匹配，達(dá)到節(jié)能減排的目的，控制系統(tǒng)中信號(hào)輸入由信號(hào)采集模塊及無(wú)線(xiàn)通信模塊采得，在微處理器中，處理成各個(gè)模塊的執(zhí)行指令，送入各個(gè)通信模塊。通信模塊連接CAN總線(xiàn)，執(zhí)行指令先后送入發(fā)動(dòng)機(jī)控制模塊，電機(jī)控制模塊和電池管理系統(tǒng)對(duì)相應(yīng)的執(zhí)行部件進(jìn)行控制。

綜上所述，本發(fā)明基于網(wǎng)聯(lián)系統(tǒng)和先進(jìn)算法能夠根據(jù)外界信號(hào)經(jīng)整車(chē)智能控制器處理，對(duì)發(fā)動(dòng)機(jī)及電機(jī)的能量匹配的控制達(dá)到對(duì)混合動(dòng)力汽車(chē)能量的實(shí)時(shí)分配。