详情

原文传递基于SOC参考轨迹的插电式混合动力汽车能量管理方法

专利名称：	基于SOC参考轨迹的插电式混合动力汽车能量管理方法
摘要：	本发明公开了一种基于SOC参考轨迹的插电式混合动力汽车能量管理方法，包括以下步骤：车速预测；规划插电式混合动力汽车的SOC随时间变化的轨迹；引入SOC轨迹约束的模型预测控制。本发明采用长短时记忆神经网络作为递归神经网络的变种继承了递归神经网络处理时间序列上的优势，同时增加了长期预测的能力。本发明建立SOC参考轨迹与车速的对应关系，能够更好的适应不同时间段行驶速度的变化对SOC下降轨迹的影响，使参考轨迹的计算更精确，进而使得优化结果更精确，同时和全局优化算法相比，基于SOC参考轨迹的优化算法具有更好的可实施性。
专利类型：	发明专利
国家地区组织代码：	辽宁;21
申请人：	大连理工大学
发明人：	连静;王欣然;李琳辉;周雅夫;刘秀杰
专利状态：	有效
申请日期：	2019-04-03T00:00:00+0800
发布日期：	2019-06-18T00:00:00+0800
申请号：	CN201910266714.X
公开号：	CN109895760A
代理机构：	大连东方专利代理有限责任公司
代理人：	李洪福
分类号：	B60W20/11(2016.01);B;B60;B60W;B60W20
申请人地址：	116024 辽宁省大连市高新园区凌工路2号
主权项：	1.基于SOC参考轨迹的插电式混合动力汽车能量管理方法，其特征在于：包括以下步骤： A、车速预测车速预测即对汽车未来一段时间的车速进行预测，并将车速预测的结果运用到插电式混合动力汽车的SOC参考轨迹的计算以及能量管理策略中；为了防止预测过程中出现梯度消失或梯度爆炸的问题，本发明采用长短时记忆神经网络，进行车速预测，长短时记忆神经网络增加了单元状态Cell，通过“门”控制信息的丢弃或者增加，从而实现遗忘或记忆的功能，并将需要记忆的信息输入到下一时刻的隐含层中以此实现时间上的序列预测，“门”是一种使信息选择性通过的结构，由一个sigmoid函数和一个点乘操作组成；sigmoid函数的输出值在[0,1]区间，0代表完全丢弃，1代表完全通过；一个长短时记忆神经网络的单元包括遗忘门、输入门和输出门；所述的遗忘门决定有多少信息被忘掉，所述的输入门决定有多少信息被加入，所述的输出门决定有多少数据被过滤后输出；在确定长短时记忆神经网络的结构后，选取训练函数以及隐含层和输出层的激励函数；长短时记忆神经网络训练样本数据即为历史车速的时间序列，将训练样本数据按比例分配，分别用于训练、验证和测试； B、规划插电式混合动力汽车的SOC随时间变化的轨迹设SOC下降速度的导数与当前速度近似成正比，当速度恒定时，SOC下降速度的导数为零，SOC保持不变；SOC的导数随时间的变化通过式(1)计算；当路径固定且速度恒定时，比例因子k的计算方式为式(2)： SOC′(t)＝kva (1) 式中，va是在t时刻预测车程内的平均车速，t表示车辆行驶过程中的某一时刻；SOC(0)是SOC的初始值；SOC(n)是SOC的终值；s是总路程；通过步骤A预测未来时间段的车速，计算其平均车速，插电式混合动力汽车在未来时间段内SOC的下降曲线通过式(3)计算：在已知初始时刻SOC的情况下，根据得到的插电式混合动力汽车的SOC随时间变化率与步骤A得到的未来一段时间车辆的速度值，通过上式计算得到预测的插电式混合动力汽车的SOC下降曲线，并将所得到的下降轨迹作为参考轨迹加入到插电式混合动力汽车的模型预测控制中； C、引入SOC轨迹约束的模型预测控制模型预测控制是指在任意时刻k，首先预测汽车在下一时域内的工况，通过全局规划算法计算预测时域内电机转矩的最优值，并将优化结果的第一个值加在k+1时刻，在k+1时刻重复k时刻的优化步骤依次实现滚动优化，直到整个工况运行完毕；由于预测时域远小于整个工况的时域，因此模型预测控制同样会出现局部优化的问题，所以在插电式混合动力汽车的发动机与电机转矩优化过程中，本发明在每个控制时域内添加一条参考轨迹，在每个优化过程结束后，将计算下一秒SOC的值，与SOC参考轨迹进行比较，如果低于参考轨迹对应时刻的SOC值，则会让插电式混合动力汽车进入充电状态，直到SOC值高于对应时刻参考轨迹的值；使得模型预测优化算法的到的SOC下降轨迹约束在已经规划好的参考轨迹范围内。
所属类别：	发明专利