详情

原文传递基于增强型神经网络插电式混合动力乘用车能量管理方法

专利名称：	基于增强型神经网络插电式混合动力乘用车能量管理方法
摘要：	本发明涉及一种基于增强型神经网络插电式混合动力乘用车能量管理方法，属于混合动力乘用车车能量管理领域。该方法包括：S1：选取大量乘用车行驶工况，分别用于人工神经网络的训练和测试，并建立人工神经网络模型；S2：使用庞特里亚金极小值原理，得到其最优的能量分配关系，并将其作为训练数据对人工神经网络进行训练；S3：对人工神经网络进行测试，得到输出层输出的共态变量；S4：建立共态变量与等效因数的关系式；S5：计算等效消耗最小策略的等效能量消耗瞬时最小费用。与现有技术相比，本发明提高了计算效率并且减小了控制器的记忆效应，提高了控制器的鲁棒性，可以处理不同初始电池SOC的情况。
专利类型：	发明专利
国家地区组织代码：	重庆;50
申请人：	重庆大学
发明人：	胡晓松;侯聪;解少博;唐小林
专利状态：	有效
申请日期：	2019-06-28T00:00:00+0800
发布日期：	2019-09-03T00:00:00+0800
申请号：	CN201910578263.3
公开号：	CN110194172A
代理机构：	北京同恒源知识产权代理有限公司
代理人：	赵荣之
分类号：	B60W40/00(2006.01);B;B60;B60W;B60W40
申请人地址：	400044 重庆市沙坪坝区沙坪坝正街174号
主权项：	1.一种基于增强型神经网络插电式混合动力乘用车能量管理方法，其特征在于，该方法具体包括以下步骤： S1：选取大量乘用车行驶工况，将其分成两类，一类用于人工神经网络的训练，另一类用于人工神经网络的测试，并建立人工神经网络模型； S2：根据步骤S1选取的用于人工神经网络训练的乘用车行驶工况，使用庞特里亚金极小值原理，得到其最优的能量分配关系，并将其作为训练数据对人工神经网络进行训练； S3：根据步骤S1选取的用于人工神经网络测试的乘用车行驶工况，对人工神经网络进行测试，得到输出层输出的共态变量； S4：根据庞特里亚金极小值原理与等效消耗最小策略之间的关系，得到共态变量与等效因数的关系； S5：得到等效因数之后，基于等效消耗最小化策略得到等效能量消耗瞬时最小费用。 2.根据权利要求1所述的基于增强型神经网络插电式混合动力乘用车能量管理方法，其特征在于，所述步骤S1中，建立人工神经网络模型具体包括以下步骤： S11：输入层的输入变量选为需求功率、行驶距离与乘用车行驶工况总距离的比值、电池SOC； S12：确定隐含层的层数以及神经元的个数，输出层的输出变量选为共态变量； S13：随机选取输入层与隐藏层之间、隐藏层与输出层之间的连接权值，随机选取隐藏层和输出层的阈值，选取输出层的期望输出并选择误差函数； S14：确定迭代次数、学习率、期望误差以及激励函数； S15：修正权值和阈值，直至误差达到期望误差或学习次数达到预设的最大学习次数。 3.根据权利要求1所述的基于增强型神经网络插电式混合动力乘用车能量管理方法，其特征在于，所述步骤S2中，用于人工神经网络训练的数据，包括需求功率、行驶距离与汽车行驶工况总距离的比值、电池SOC；所述需求功率的计算方法为：其中，Pr为需求功率，m为乘用车质量，g为重力加速度，f为滚动阻力系数，Cd为空气阻力系数，A为乘用车迎风面积，δ1为旋转质量换算系数，表示在行驶工况的第k个时间步的加速度，Δt为时间间隔，v(k)为在行驶工况的第k个时间步的速度；所述行驶距离与乘用车行驶工况总距离的比值为：其中，l(t)为当前时间的行驶距离，L为汽车行驶工况总距离，t为行驶时间，vi为汽车的行驶速度。 4.根据权利要求3所述的基于增强型神经网络插电式混合动力乘用车能量管理方法，其特征在于，所述电池SOC的计算，包括以下步骤： S21：使用割线法计算每次打靶的初始共态值，开始打靶循环，进入步骤S22； S22：每次打靶过程中，对行驶工况以时间分成若干个阶段，开始行驶工况的阶段循环，进入步骤S23； S23：在行驶工况的每个阶段，将发动机-发电机单元的输出功率在最大值和最小值之间平均分成若干个，进入步骤S24； S24：建立与庞特里亚金极小值原理对应的哈密顿函数，并使哈密顿函数最小化，以此计算电池SOC的变化量和共态值的变化量，进入步骤S25； S25：计算下一次行驶工况阶段循环的电池SOC和共态值，进入步骤S26； S26：判断行驶工况阶段循环的次数是否达到最大值，若是，进入步骤S27，若不是，返回步骤S23； S27：计算最后一次行驶工况阶段循环时的电池SOC与预先设置的终止SOC的差值的绝对值是否在一定的数值范围内，若是，进入步骤S28，若不是，返回步骤S21； S28：最后一次打靶的SOC值即是所需要求的电池SOC，结束。 5.根据权利要求4所述的基于增强型神经网络插电式混合动力乘用车能量管理方法，其特征在于，所述步骤S21中，所述初始共态值的计算公式为：其中，λi为每次打靶的初始共态值，λ0和δ均为常数，为第i次打靶的最终SOC值，SOCf为预先设置的行驶工况结束时的最终SOC值。 6.根据权利要求5所述的基于增强型神经网络插电式混合动力乘用车能量管理方法，其特征在于，所述步骤S24中，所述的哈密顿函数H为：其中，cf为燃油单价，为燃油消耗率，ce为电的单价，Pbat为电池总功率，为电池SOC的变化特性；所述电池SOC的变化量和共态值的变化量的计算公式为：其中，Uoc为开路电压，Qb为电池容量，为电池SOC的变化量，为共态值的变化量，Pb为电池的输出功率，Rb为电池内阻，f为滚动阻力系数，SOC为电池的荷电状态。 7.根据权利要求6所述的基于增强型神经网络插电式混合动力乘用车能量管理方法，其特征在于，所述步骤S25中，下一次行驶工况阶段循环的电池SOC、共态值的计算公式为：其中，为第i次打靶时的第k个行驶工况阶段的共态值。 8.根据权利要求1所述的基于增强型神经网络插电式混合动力乘用车能量管理方法，其特征在于，所述步骤S4中，所述共态变量与等效因数的关系为：其中，S(t)为等效消耗最小策略中的等效因数，t为时间，λ为庞特里亚金极小值原理中的共态变量，ce为电的单价，Eb为电池的能量值。 9.根据权利要求1所述的基于增强型神经网络插电式混合动力乘用车能量管理方法，其特征在于，所述步骤S5中，计算得到等效消耗最小策略的等效能量消耗瞬时最小费用为：其中，J为等效能量消耗瞬时最小费用，S(t)为等效消耗最小策略中的等效因数，ce为电的单价，Pbat为电池总功率，为燃油消耗率，cf为燃油单价。 10.根据权利要求9所述的基于增强型神经网络插电式混合动力乘用车能量管理方法，其特征在于，所述电池总功率的计算公式为：其中，Pegu为发动机-发电机单元的输出功率，Pr为需求功率，Paux为辅助器件消耗的功率，Pb为电池的输出功率，I为通过动力电池的电流，Rb为电池内阻。
所属类别：	发明专利