一种混合动力汽车能量管理的两阶段双模型预测控制方法技术

本发明专利技术公开了一种混合动力汽车能量管理的两阶段双模型预测控制方法，包括：将预测域划分为连续的两个阶段，第一阶段构建降阶的一阶RC模型，第二阶段构建纯内阻模型；分别获取两个阶段内每个时间步的状态可行域边界，并将每个时间步的状态可行域进行离散；基于前向动态规划算法筛选全局成本最优的路径并获得其对应在最后时间步N的最优状态点x

【技术实现步骤摘要】
一种混合动力汽车能量管理的两阶段双模型预测控制方法
本专利技术涉及汽车能量管理
，尤其涉及一种混合动力汽车能量管理控制方法。
技术介绍
混合动力汽车不仅能极大地改善车辆的燃油经济性，而且能提升车辆的动力性。混合动力汽车的动力系统主要由发动机、电机、电池组、控制系统等部件组成，根据是否可以通过外接电源对电池进行充电分为插电式混合动力与非插电式混合动力两种。混合动力汽车具有两套能量系统(燃油与电能)，其能量管理通过调节发动机和电池的输出功率分配，提高动力系统的工作效率，有效降低汽车的燃油消耗。近年来，模型预测控制在混合动力汽车能量管理领域得到了广泛的应用。比如，专利CN110696815A《一种网联式混合动力汽车的预测能量管理方法》利用离线动态规划获取的最优SoC特征结合神经网络规划出参考SoC轨迹，采用基于动态规划的模型预测方法跟踪参考SoC轨迹并求解预测域内的功率分配优化问题。专利CN109017809A《一种基于越野工况预测的能量分配方法》建立车辆电传动功率模型、动力电池简单内阻模型、发动机发电机模型和系统状态方程，基于工况预测车速、坡度、滚动阻力等信息计算车辆未来的需求功率，采用内嵌动态规划算法的模型预测控制策略给出下一时刻最优能量分配。上述基于模型预测控制的能量管理方法虽然都能够提升整车的燃油经济性，但由于电池模型采用的是简单的纯内阻模型，电池功率约束边界的计算精度较低。特别是在实时计算所要求的极稀疏的控制网格划分下，较低的电池功率约束边界计算精度影响了结果的最优性，导致无法最大限度地发挥混合动力汽车的节油潜能。如果在预测域内直接采用一阶RC模型，将会极大地增加计算复杂度，导致无法在车载的嵌入式控制器中实时计算。因此，需要在保证电池功率约束边界计算精度的前提下对电池模型进行合理简化，以使得算法能实时运行，并最大限度地降低车辆的燃油消耗。
技术实现思路
本专利技术提供了一种混合动力汽车能量管理的两阶段双模型预测控制方法，以解决现有能量管理控制方案中由于不能高精度地处理电池的功率约束而导致无法最大限度发挥混合动力汽车节油潜力的问题。提供了一种混合动力汽车能量管理的两阶段双模型预测控制方法，包括：获取预估的当前电池包的SoC状态与极化电压状态v1，以及获取电池包的内阻R0、极化内阻R1、极化时间常数τ1以及预测域长度N；将预测域划分为连续的两个阶段，针对第一阶段预测域构建一阶RC模型，针对第二阶段预测域构建纯内阻模型；基于一阶RC模型和极化时间常数τ1得到第一阶段预测域长度N1，进而得到第二阶段预测域长度N2；分别获取第一阶段预测域及第二阶段预测域内每个时间步的可行域边界；分别基于第一阶段预测域及第二阶段预测域内每个时间步的可行域边界对状态空间进行离散，离散后得到的每个时间步可行域内的状态点表示为xi(k)；获取从初始状态到时间步N的所有状态点xi(N)的最优可行路径，筛选全局成本最优的路径并获得其对应在时间步N的最优状态点x*(N)和从时间步N-1转移到时间步N的最优控制输入Pe*(N-1)，并反向递推得到从初始状态转移到时间步1的最优控制输入Pe*(0)；以Pe*(0)作为发动机目标输出功率进行功率分配控制；随时间步的滚动重复上述步骤。进一步地，所述基于一阶RC模型和极化时间常数τ得到第一阶段预测域长度N1，进而得到第二阶段预测域长度N2，具体包括：求解满足下式的最大的n，式中，极化时间常数τ1＝R1C1，C1为极化电容；δrel为预设相对容许误差；e为自然常数；求解得到的最大的n即为第一阶段预测域长度N1，第二阶段预测域长度N2＝N-N1。进一步地，所述分别获取第一阶段预测域及第二阶段预测域内每个时间步的可行域边界，具体包括：通过如下公式求解第一阶段预测域内每个时间步的可行域边界[socmin(k),v1,max(k)]和[socmax(k),v1,min(k)]，k＝1,2,…,N1，其中i(k)通过下式计算得到,通过如下公式求解第二阶段预测域内每个时间步的可行域边界socmin(k)和socmax(k)，k＝N1+1,N1+2,…,N，上述式中，k表示时间步，soc(k)表示电池SoC状态；Qnom表示电池额定容量；i(k)表示电流；Voc(soc(k))表示电池开路电压；v1(k)表示电池极化电压；Pdmd(k)表示母线需求功率；Pe(k)表示发动机功率；R0(soc(k))表示电池欧姆内阻。进一步地，所述分别基于第一阶段预测域及第二阶段预测域内每个时间步的可行域边界对状态空间进行离散，具体包括：基于第一阶段预测域内每个时间步的可行域边界对状态空间进行离散包括：基于确定的第一阶段预测域内每个时间步的可行域边界，得到第一阶段预测域内每个时间步的可行域的近似直线方程：首先将状态变量SoC离散为(k＝1,2,…,N1)，另一状态变量极化电压v1基于及上述每个时间步的可行域的近似直线方程直接离散为基于第二阶段预测域内每个时间步的可行域边界对状态空间进行离散包括：将状态变量SoC离散为(k＝N1+1,N1+2,…,N)。进一步地，所述获取从初始状态到时间步N的所有状态点xi(N)的最优可行路径，筛选全局成本最优的路径并获得其对应在时间步N的最优状态点x*(N)和从时间步N-1转移到时间步N的最优控制输入Pe*(N-1)，并反向递推得到从初始状态转移到时间步1的最优控制输入Pe*(0)，具体包括：第一阶段预测域及第二阶段预测域内每个时间步离散后得到的可行域统一表示为状态向量(k＝1,2,…,N)，可行域内第i个状态点表示为xi(k)；将控制变量在其约束范围内均匀离散为计算在作用下可从时间步k转移到k+1步第i个状态点xi(k+1)的状态集合式中，g()表示状态变量SoC状态转移方程的反函数，所述状态变量SoC状态转移方程在第一阶段和第二阶段分别为：计算从初始状态到状态点xi(k+1)的可行路径的成本式中，表示上一时间步状态向量到状态点xi(k+1)的转移成本，表示初始状态到上一时间步状态向量的最优成本；其中xi(k+1)和通过如下公式计算得到：式中，ηe(Pe(k))为混合动力系统的最优效率曲线；Qlhv为燃油的低热值；ζ为SoC轨迹偏离惩罚系数；soc_ref(k)为SoC参考轨迹，优选地，可取为0.5；筛选从初始状态到状态点xi(k+1)的可行路径的最优成本并得到对应的从时间步k状态转移到时间步k+1的最优控制输入重复上述过程，得到从初始状态到时间步N的所有状态点xi(N)的最优可行路径，筛选全局成本最优的路径并获得其对应在时间步N的最优状态点x*(N)和从时间步N-1转移到时间步N的最优控制输入Pe*(N-1本文档来自技高网...

【技术保护点】
1.一种混合动力汽车能量管理的两阶段双模型预测控制方法，其特征在于，包括：/n获取预估的当前电池包的SoC状态与极化电压状态v

【技术特征摘要】
1.一种混合动力汽车能量管理的两阶段双模型预测控制方法，其特征在于，包括：
获取预估的当前电池包的SoC状态与极化电压状态v1，以及获取电池包的内阻R0、极化内阻R1、极化时间常数τ1以及预测域长度N；
将预测域划分为连续的两个阶段，针对第一阶段预测域构建降阶的一阶RC模型，针对第二阶段预测域构建纯内阻模型(Rint模型)；基于一阶RC模型和极化时间常数τ1得到第一阶段预测域长度N1，进而得到第二阶段预测域长度N2；
分别获取第一阶段预测域及第二阶段预测域内每个时间步的可行状态边界；
分别基于第一阶段预测域及第二阶段预测域内每个时间步的可行状态边界对状态空间进行离散，离散后得到的每个时间步可行域内的状态点表示为xi(k)；获取从初始状态到最后时间步N的所有状态点xi(N)的最优可行路径，筛选全局成本最优的路径并获得其对应在时间步N的最优状态点x*(N)和从时间步N-1转移到时间步N的最优控制输入Pe*(N-1)，并反向递推得到从初始状态转移到时间步1的最优控制输入Pe*(0)；
以Pe*(0)作为当前时刻发动机的目标输出功率进行功率分配控制；随时间步的滚动重复上述步骤。


2.根据权利要求1所述的混合动力汽车能量管理控制方法，其特征在于，基于所述一阶RC模型和极化时间常数τ得到第一阶段预测域长度N1，进而得到第二阶段预测域长度N2，具体包括：
求解满足下式的最大的n，



式中，极化时间常数τ1＝R1C1，C1为极化电容；δrel为预设的相对容许误差；e为自然常数；
求解得到的最大的n即为第一阶段预测域长度N1，第二阶段预测域长度N2＝N-N1。


3.根据权利要求1所述的混合动力汽车能量管理控制方法，其特征在于，所述分别获取第一阶段预测域及第二阶段预测域内每个时间步的可行域边界，具体包括：
通过如下公式求解第一阶段预测域内每个时间步的可行域边界[socmin(k),v1,max(k)]和[socmax(k),v1,min(k)]，k＝1,2,…,N1，












其中i(k)通过下式计算得到,



通过如下公式求解第二阶段预测域内每个时间步的可行域边界socmin(k)和socmax(k)，k＝N1+1,N1+2,…,N，









上述式中，k表示时间步，soc(k)表示电池SoC状态；Qnom表示电池额定容量；i(k)表示电流；Voc(soc(k))表示电池开路电压；v1(k)表示电池极化电压；Pdmd(k)表示母线需求功率；Pe(k)表示发动机功率；R0(soc(k))表示电池欧姆内阻。


4.根据权利要求3所述的混合动力汽车能量管理控制方法，其特征在于，所述分别基于第一阶段预测域及第二阶段预测域内每个时间步的可行域边界对状态空间进行离散，具体包括：
基于第一阶段预测域内每个时间步的可行域边界对状态空间进行离散包括：
基于确定的第一阶段预测域内每个时间步的可行域边界，得到第一阶段预测域内每个时间步的可行域的近似直线方程：



首先将状态变量SoC离散为另一状态变量极化电压v1基于及上述每个时间步的可行域的近似直线方程直接离散为
基于第二阶段预测...

【专利技术属性】
技术研发人员：周维，张宁峰，张维刚，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43