【技术实现步骤摘要】
智能网联混合动力汽车的鲁棒能量管理方法及系统
本专利技术涉及汽车动力
,尤其涉及智能网联混合动力汽车的鲁棒能量管理方法及系统。
技术介绍
近年来,基于深度强化学习的混合动力能量管理策略获得了广泛研究,并与基于规则和最优控制理论的策略进行对比,证明了其优越性。该策略通过大量训练,并结合智能网联信息,能够实现较优的燃油经济性和排放性能。基于深度强化学习的混合动力能量管理策略,目前仍停留在理论阶段,主要原因在于鲁棒性问题。由于实际工况的复杂性和不确定性,离线标定和训练过程难以体现全部真实工况;同时,训练模型中存在未建模的动态特征,因此其实际控制过程中往往存在导致电池过充、过放电,造成系统崩溃的现象,因此尚不具备工业应用的可行性。如何保证深度强化学习能量管理策略的系统鲁棒性,是该研究领域亟待突破的核心技术。
技术实现思路
本专利技术提供智能网联混合动力汽车的鲁棒能量管理方法及系统,用以解决现有技术中存在的缺陷。第一方面,本专利技术提供智能网联混合动力汽车的鲁棒能量管理方法,包括:获取基于人机协同的节能驾驶决策和基于智能网联的全局和实时工况更新;基于所述节能驾驶决策和所述全局和实时工况更新,执行基于深度强化学习的能量管理策略;对所述基于深度强化学习的能量管理策略采用策略鲁棒性修正,得到修正后的鲁棒控制策略;将所述修正后的鲁棒控制策略应用于混合动力汽车,得到所述混合动力汽车的能量分配结果。进一步地,所述获取基于人机协同的节能驾驶决策和基于智能网联的 ...
【技术保护点】
1.智能网联混合动力汽车的鲁棒能量管理方法,其特征在于,包括:/n获取基于人机协同的节能驾驶决策和基于智能网联的全局和实时工况更新;/n基于所述节能驾驶决策和所述全局和实时工况更新,执行基于深度强化学习的能量管理策略;/n对所述基于深度强化学习的能量管理策略采用策略鲁棒性修正,得到修正后的鲁棒控制策略;/n将所述修正后的鲁棒控制策略应用于混合动力汽车,得到所述混合动力汽车的能量分配结果。/n
【技术特征摘要】
1.智能网联混合动力汽车的鲁棒能量管理方法,其特征在于,包括:
获取基于人机协同的节能驾驶决策和基于智能网联的全局和实时工况更新;
基于所述节能驾驶决策和所述全局和实时工况更新,执行基于深度强化学习的能量管理策略;
对所述基于深度强化学习的能量管理策略采用策略鲁棒性修正,得到修正后的鲁棒控制策略;
将所述修正后的鲁棒控制策略应用于混合动力汽车,得到所述混合动力汽车的能量分配结果。
2.根据权利要求1所述的智能网联混合动力汽车的鲁棒能量管理方法,其特征在于,所述获取基于人机协同的节能驾驶决策和基于智能网联的全局和实时工况更新,具体包括:
获取驾驶员驾驶意图,根据所述驾驶员驾驶意图判断开启的驾驶模式,由所述驾驶模式获取速度需求和转矩需求,基于所述速度需求和所述转矩需求得到车辆速度给定和车辆加速度给定;
基于智能网联数据,预测车辆从出发地到目的地的全程工况以及短期实时工况;采用动态规划算法求解所述全程工况的最优SOC参考轨迹,并采用滚动时域定时更新所述最优SOC参考轨迹;将所述短期实时工况采用0和1的逻辑进行描述,0代表前方路况拥堵,1代表前方路况畅通,将定时更新的SOC参考轨迹以及定时更新的短期实时工况输出给所述基于深度强化学习的能量管理策略。
3.根据权利要求2所述的智能网联混合动力汽车的鲁棒能量管理方法,其特征在于,所述基于所述节能驾驶决策和所述全局和实时工况更新,执行基于深度强化学习的能量管理策略,具体包括:
获取所述车辆速度给定、所述车辆加速度给定、所述定时更新的SOC参考轨迹、所述定时更新的短期实时工况、SOC实际值反馈和发动机工作点与高效区的偏离程度;
将所述车辆速度给定、所述车辆加速度给定、所述短期实时工况、所述SOC参考轨迹与SOC实际值反馈的差值以及所述发动机工作点与高效区的偏离程度作为状态变量;
将发动机输出功率给定作为动作变量;
将第一预设倍数的燃油消耗量加上第二预设倍数的所述SOC参考轨迹和SOC实际值反馈的差值的平方,作为奖励函数;
基于所述状态变量、所述动作变量和所述奖励函数对深度Q网络模型进行训练,获得所述基于深度强化学习的能量管理策略。
4.根据权利要求1所述的智能网联混合动力汽车的鲁棒能量管理方法,其特征在于,所述对所述基于深度强化学习的能量管理策略采用策略鲁棒性修正,得到修正后的鲁棒控制策略,具体包括:
采用基于模型预测的策略鲁棒性修正方法,并基于动力电池组SOP估计得到的发动机功率约束条件,对所述基于深度强化学习的能量管理策略进行修正,其中,所述基于模型预测的策略鲁棒性修正方法包括在神...
【专利技术属性】
技术研发人员:王志,张昊,范钦灏,刘尚,王巍,
申请(专利权)人:清华大学,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。