一种基于混合动力的汽车动力分配方法组成比例

本发明专利技术公开一种基于混合动力的汽车动力分配方法，当车辆行驶时，基于BP神经网络确定发动机和电动机的工作状态，具体包括步骤一、按照采样周期，通过传感器测量发动机的转速波动量、电动机的转速波动量、电池的剩余电量系数、汽车振动烈度、汽车行驶速度和路面坡度；步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6}；其中，x1为发动机的转速波动量，x2为电动机的转速波动量，x3为电池的剩余电量系数，x4为汽车振动烈度，x5为汽车行驶速度，x6为路面坡度；步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；步骤四、得到输出层神经元向量o＝{o1,o2}；其中，o1为发动机的工作状态，o2为电动机的工作状态。使得动力系统可以按照汽车的实际运行工况灵活调控，降低油耗与排放。

A Method of Vehicle Power Distribution Based on Hybrid Electric Power

The invention discloses an automobile power distribution method based on hybrid electric power. When a vehicle is running, the working state of the engine and motor is determined based on BP neural network. The method includes steps 1. According to the sampling period, the speed fluctuation of the engine, the speed fluctuation of the motor, the remaining power coefficient of the battery, the vibration intensity of the vehicle and the driving speed of the vehicle are measured by sensors. Step 2: Determine the input neuron vector x={x1, x2, x3, x4, x5, x6} of the three-layer BP neural network, where X1 is the fluctuation of engine speed, X2 is the fluctuation of motor speed, X3 is the residual electric coefficient of battery, X4 is the vibration intensity of vehicle, X5 is the speed of vehicle and X6 is the slope of road surface; Step 3, the input layer vector is mapped to the hidden layer. Step 4: get the output layer neuron vector o = {o1, o2}; where O1 is the working state of the engine and O2 is the working state of the motor. The power system can be flexibly regulated and controlled according to the actual operating conditions of the vehicle, so as to reduce fuel consumption and emissions.

【技术实现步骤摘要】
一种基于混合动力的汽车动力分配方法
本专利技术涉及混合动力汽车的动力分配
，更具体的是，本专利技术涉及一种基于混合动力的汽车动力分配方法。
技术介绍
传统的燃油汽车不仅对环境造成污染，汽车排放的尾气也会影响人类的身体健康，因此积极减少汽车尾气污染具有非常深远的现实意义。现在市场上出现的清洁能源汽车主要指混合动力车以及纯电动车。现有的混合动力汽车同时装备两种动力来源：热动力源(由传统的汽油机或者柴油机产生)与电动力源(电池与电动机)。相比于传统的燃油汽车，混合动力汽车对环境造成的污染已经大大降低，但是热动力源和电动力源的动力分配仍然是目前研究的重点，通过在混合动力汽车上使用电机，使得动力系统可以按照车辆的实际运行工况要求灵活调控，而发动机保持在综合性能最佳的区域内工作，从而降低油耗与排放，以便于车辆能够根据当前的路况，车况以及环境信息更好的分配热动力源和电动力源，提高能源利用率，更进一步的降低环境污染。
技术实现思路
本专利技术设计开发了一种基于混合动力的汽车动力分配方法，当车辆行驶时，能够基于BP神经网络确定发动机和电动机的工作状态，使得动力系统可以按照汽车的实际运行工况灵活调控，降低油耗与排放。本专利技术还能根据发动机和电动机的工作状态，精确控制发动机和电动机的工作功率，使得发动机和电动机保持在综合性能最佳的区域内工作，降低油耗与排放。本专利技术提供的技术方案为：一种基于混合动力的汽车动力分配方法，当车辆行驶时，基于BP神经网络确定发动机和电动机的工作状态，具体包括如下步骤：步骤一、按照采样周期，通过传感器测量发动机的转速波动量、电动机的转速波动量、电池的剩余电量系数、汽车振动烈度、汽车行驶速度和路面坡度；步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6}；其中，x1为发动机的转速波动量，x2为电动机的转速波动量，x3为电池的剩余电量系数，x4为汽车振动烈度，x5为汽车行驶速度，x6为路面坡度；步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；步骤四、得到输出层神经元向量o＝{o1,o2}；其中，o1为发动机的工作状态，o2为电动机的工作状态，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}，当ok为1时，表示处于工作状态，当ok为0时，表示处于不工作状态。优选的是，当o1＝1,o2＝0时，发动机工作，电动机不工作，且发动机的工作功率满足：P1＝0.90P1,max；其中，P1为发动机的工作功率，P1,max为发动机的最大工作功率。优选的是，当o1＝0,o2＝1时，发动机不工作，电动机工作，且电动机的工作功率P2满足：其中，P2为电动机的工作功率，m为汽车的重量，fr为汽车车轮滚动阻力系数，Vs,0为汽车的理想振动烈度，Vs为汽车的实时振动烈度，ρa为空气密度，Cd为空气阻力系数，Af为汽车的迎风面积，v为汽车的行驶速度，τ为汽车行驶路面的坡度，ηt为传动效率，ηem为电动机的平均效率。优选的是，当o1＝1,o2＝1时，发动机和电动机均工作，且发动机的工作功率P1和电动机的工作功率P2分别满足：P1＝0.81P1,max；其中，P1为发动机的工作功率，P1,max为发动机的最大工作功率，P2为电动机的工作功率，m为汽车的重量，fr为汽车车轮滚动阻力系数，Vs,0为汽车的理想振动烈度，Vs为汽车的实时振动烈度，ρa为空气密度，Cd为空气阻力系数，Af为汽车的迎风面积，v为汽车的行驶速度，α为汽车行驶路面与水平面的夹角，ηt为传动效率。优选的是，所述汽车的振动烈度为：其中，Vs为汽车的振动烈度，Vi为测量的汽车振动速度值，M为测量的振动信号样本长度。优选的是，所述发动机的转速波动量为：其中，n1表示为发动机在一个工作循环内瞬时转速波形表现次数，n1i,max为发动机每次波动的最大值，n1i,min为发动机每次波动的最小值；所述电动机的转速波动量为：其中，n2表示为电动机在一个工作循环内瞬时转速波形表现次数，n2i,max为电动机每次波动的最大值，n2i,min为电动机每次波动的最小值优选的是，所述电池的剩余电量系数为：其中，S为电池的剩余电量系数，EC为电池的实时剩余电量，ET为电池完全充满时电量，ξ为电池的衰减比例。优选的是，当电池的剩余电量系数S≤10％时，电池进入低电量状态，电动机不工作。优选的是，所述汽车行驶路面的坡度为：其中，τ为汽车行驶路面的坡度，α为汽车行驶路面与水平面的夹角。优选的是，所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。优选的是，所述隐层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。本专利技术所述的有益效果：(1)本专利技术设计开发的基于混合动力的汽车动力分配方法，当车辆行驶时，能够基于BP神经网络确定发动机和电动机的工作状态，使得动力系统可以按照汽车的实际运行工况灵活调控，降低油耗与排放。(2)本专利技术还能根据发动机和电动机的工作状态，精确控制发动机和电动机的工作功率，使得发动机和电动机保持在综合性能最佳的区域内工作，降低油耗与排放。附图说明图1为本专利技术所述并联式混合动力电动汽车动力系统的连接示意图。具体实施方式下面结合附图对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。本专利技术提供的基于混合动力的汽车动力分配方法适用在并联式混合动力电动汽车中，在并联式混合动力电动汽车中，内燃机和电动机均可以将动力传递至车轮。内燃机(发动机)和电动机(通过电池供电)通过一些机械元件耦合后与主减速器相连。这些耦合机构有离合器、输送带、带轮和齿轮等。内燃机和电动机既可以将动力同时传递给主减速器，也可以单独传递，其连接方式如图1所示。本专利技术提供了一种基于混合动力的汽车动力分配方法，当车辆行驶时，基于BP神经网络确定发动机和电动机的工作状态，具体包括如下步骤：步骤一、建立BP神经网络模型。BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为opj＝fj(netpj)其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为S型函数，即fj(x)＝1/(1+e-x)。本专利技术采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示汽车行驶状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。该网络的数学模型为：输入向量：x＝(x1,x2,...,xn)T中间层向量：y＝(y1,y2,...,ym)T输出向量：o＝(o1,o2,...,op)T本专利技术中，输入层节点数为n＝6，输出层节点数为p＝2，隐藏层节点数m＝5。输入层6个参数分别表示为：x1为发动机的转速波动量，x2为电动机的转速波动量，x3为电池的剩余电量系数，x4为汽车振动烈度，x5为汽车行驶速度，x6为路面坡度；其中，路面坡度为：式中，τ为路面坡度，α为汽车行驶路面与水平面的夹角，当α为正时，则行驶路面为上坡，当α为负本文档来自技高网...

【技术保护点】
1.一种基于混合动力的汽车动力分配方法，其特征在于，当车辆行驶时，基于BP神经网络确定发动机和电动机的工作状态，具体包括如下步骤：步骤一、按照采样周期，通过传感器测量发动机的转速波动量、电动机的转速波动量、电池的剩余电量系数、汽车振动烈度、汽车行驶速度和路面坡度；步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6}；其中，x1为发动机的转速波动量，x2为电动机的转速波动量，x3为电池的剩余电量系数，x4为汽车振动烈度，x5为汽车行驶速度，x6为路面坡度；步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；步骤四、得到输出层神经元向量o＝{o1,o2}；其中，o1为发动机的工作状态，o2为电动机的工作状态，所述输出层神经元值为

【技术特征摘要】
1.一种基于混合动力的汽车动力分配方法，其特征在于，当车辆行驶时，基于BP神经网络确定发动机和电动机的工作状态，具体包括如下步骤：步骤一、按照采样周期，通过传感器测量发动机的转速波动量、电动机的转速波动量、电池的剩余电量系数、汽车振动烈度、汽车行驶速度和路面坡度；步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6}；其中，x1为发动机的转速波动量，x2为电动机的转速波动量，x3为电池的剩余电量系数，x4为汽车振动烈度，x5为汽车行驶速度，x6为路面坡度；步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；步骤四、得到输出层神经元向量o＝{o1,o2}；其中，o1为发动机的工作状态，o2为电动机的工作状态，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}，当ok为1时，表示处于工作状态，当ok为0时，表示处于不工作状态。2.如权利要求1所述的基于混合动力的汽车动力分配方法，其特征在于，当o1＝1,o2＝0时，发动机工作，电动机不工作，且发动机的工作功率满足：P1＝0.90P1,max；其中，P1为发动机的工作功率，P1,max为发动机的最大工作功率。3.如权利要求1所述的基于混合动力的汽车动力分配方法，其特征在于，当o1＝0,o2＝1时，发动机不工作，电动机工作，且电动机的工作功率P2满足：其中，P2为电动机的工作功率，m为汽车的重量，fr为汽车车轮滚动阻力系数，Vs,0为汽车的理想振动烈度，Vs为汽车的实时振动烈度，ρa为空气密度，Cd为空气阻力系数，Af为汽车的迎风面积，v为汽车的行驶速度，τ为汽车行驶路面的坡度，ηt为传动效率，ηem为电动机的平均效率。4.如权利要求1所述的基于混合动力的汽车动力分配方法，其特征在于，当o1＝1,o2＝1时，发动机和电动机均工作，且发动机的工作功率P1和电动机的工...

【专利技术属性】
技术研发人员：张忠洋，高宇，
申请(专利权)人：辽宁工业大学，
类型：发明
国别省市：辽宁,21