融合交通信息的插电式混动汽车能量管理策略构建方法技术

本发明专利技术涉及融合交通信息的插电式混动汽车能量管理策略构建方法，包括以下步骤：S1、基于智能交通系统获取交通信息；S2、构建长短期记忆网络LSTM车速预测模型，并在线进行预测并验证；S3、分别搭建发动机、电动机、动力电池、传动系、纵向动力学模型；S4、根据模型预测出的结果在总车速占比进行全局片上系统SOC规划；S5、构建自适应等效因子s(t)，建立所述自适应等效因子s(t)与所述片上系统SOC偏移量ΔSOC的关系，构建能量消耗模型；S6、通过求解ECMS搭建的哈密尔顿函数得到最优控制量P

【技术实现步骤摘要】
融合交通信息的插电式混动汽车能量管理策略构建方法


[0001]本专利技术涉及混合动力汽车能量控制领域，特别是涉及一种融合交通信息的插电式混动汽车能量管理策略构建方法。

技术介绍

[0002]我国汽车保有量的不断增加，碳排放问题正变的越来越严重。混动汽车在我国碳排放规划中极其重要，在汽车从化石燃料能源向新能源转型中扮演了举足轻重的作用。其中插电式混合动力汽车相比于其他混动汽车可以外接电源，更好的发挥电能的优势。同时又不存在纯电车的“续航焦虑”问题。
[0003]汽车的网联化是未来的重要发展方向之一，随着5G与智能交通系统(ITS)的逐渐发展与普及，融合交通信息的能量管理策略是当前的重要研究方向。车速预测是指基于车联网和智能交通技术，获取前方路段交通流、信号灯控制、拥堵长度等信息，对未来车速的预测与估计。车速预测在提高车辆的燃油经济性方面正发挥越来越重要的作用。
[0004]能量管理策略是混动汽车的核心，可以直接影响混动汽车的动力性与经济性。目前，混动汽车能量管理策略主要分为基于规则和基于优化两类。基于规则的控制策略依赖于专家的先验经验和大量的实验数据，具有计算量小，鲁棒性强，便于应用的优点，但同时对工况的依赖性高不适合未知的旅途。第二类是基于优化的控制策略，可以分为瞬时优化和全局优化两种控制策略。基于实时优化相对来说计算量小，但并不能实现全局最优，目前主要有模型预测控制(MPC)和等效燃油消耗策略(ECMS)两种控制策略。ECMS基于庞特里亚金最优控制原理，根据混合动力汽车的系统状态方程的目标函数，对全局工况进行优化。

技术实现思路

[0005]本专利技术的目的在于提供一种融合交通信息的插电式混动汽车自适应等效燃油能量管理策略。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]融合交通信息的插电式混动汽车能量管理策略构建方法，包括以下步骤：
[0008]S1、基于智能交通系统获取某段时间内的交通信息；
[0009]S2、构建长短期记忆网络LSTM车速预测模型，并将所述S1获取的交通信息导入，在线进行预测并验证；
[0010]S3、以插电式混动车提供的数据为基础，分别搭建发动机、电动机、动力电池、传动系、纵向动力学模型；
[0011]S4、根据所述S2中模型预测出的结果在总车速占比进行全局片上系统SOC规划；
[0012]S5、构建自适应等效因子s(t)，建立所述自适应等效因子s(t)与所述片上系统SOC偏移量ΔSOC的关系，得到能量消耗模型；
[0013]S6、通过求解ECMS搭建的哈密尔顿函数得到最优控制量P
bat
。
[0014]优选地，S1中，所述交通信息包括：信号灯时长、各类型车辆比例、车道宽度、历史
车流量和转向决策。
[0015]优选地，所述S1中，获取所述交通信息具体包括：
[0016]S1.1、根据所述智能交通系统的电子地图设置路段长度及各路段之间的转向连接器；
[0017]S1.2、根据历史交通信息设置各路段的车辆类型与车辆输入；
[0018]S1.3、根据历史交通信息设置各路段间的转向决策比例；
[0019]S1.4、根据历史交通信息配置各路段红绿灯组及在路段上放置的信号灯头；
[0020]S1.5、根据仿真要求设置数据采集点及数据采集时间间隔；
[0021]S1.6、收集仿真数据并进行整理。
[0022]优选地，S2中，所述在线进行预测并验证的步骤为：
[0023]S2.1、将所述获取的交通信息在云端进行归一化预处理；
[0024]S2.2、设置超参数并搭建长短期记忆网络LSTM车速预测模型；
[0025]S2.3、将进行归一化预处理后的数据分为训练集与测试集，输入到模型中进行训练；
[0026]S2.4、对训练好的长短期记忆网络LSTM车速预测模型进行验证，当均方根误差达到理想阈值后证明模型用于行程的车速预测，否则进行超参数的调试直至符合要求；
[0027]S2.5、进行LSTM模型车速预测，并对预测结果进行解归一化处理。
[0028]优选地，对所述训练集进行验证之前，对其进行102数量级的迭代。
[0029]优选地，S3中，所述传动系模型通过simulink/stateflow仿真系统搭建；根据汽车s(t)＝λ(t)+ω(soc)理论，搭建所述纵向动力学模型。
[0030]优选地，S4中，所述片上系统SOC规划公式为：
[0031][0032]其中，SOC
ini
、SOC
end
分别为行程初始值与行程终止值；SOC(t)、SOC(t
‑
1)分别为t时刻、t
‑
1时刻的真实荷电状态；为两个数据采集点间的平均统计车速。
[0033]优选地，S5中，所述自适应等效因子s(t)表达式为：
[0034]s(t)＝λ+ω(SOC,t)
[0035][0036]其中，S(t)为自适应等效因子；λ
chg
、λ
dischg
分别为充、放电时的初始等效因子；P
bat
为电池功率；ω为基于SOC的惩罚函数。
[0037]优选地，S6中，根据ECMS，建立哈密尔顿函数：
[0038][0039]其中，ΔSOC为状态变量，P
bat
为控制变量，为发动机燃油消耗率，Q
IHV
为燃油低热值。
[0040]本专利技术的有益效果为：
[0041]与现有技术相比，本专利技术提出了一种结合智能交通系统，运用LSTM预测行程工况，以适时调整自适应因子的插电混动汽车能量控制方法，这种方法充分利用了日益丰富的交通数据，将计算量较大的模型训练放在云端，行程当中仅需根据车辆状态进行离线运算，计算量小，具有较好的实时性，提高了车辆燃油经济性。
附图说明
[0042]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0043]图1为本专利技术实例提供的融合交通信息的插电式混合动力汽车能量控制算法流程图；
[0044]图2为本专利技术实例提供的VISSIM交通仿真模型图；
[0045]图3为本专利技术实例提供的LSTM神经单元示意图；
[0046]图4为本专利技术实例提供的真实工况循环及档位选择示意图；
[0047]图5为本专利技术实例提供的LSTM验证集中行程工况与预测工况对比图；
[0048]图6为本专利技术实例提供的行程SOC规划图；
[0049]图7为本专利技术实例提供的ECMS算法流程图。
具体实施方式
[0050]下面将结合本专利技术实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，包括以下步骤：S1、基于智能交通系统获取某段时间内的交通信息；S2、构建长短期记忆网络LSTM车速预测模型，并将所述S1获取的交通信息导入，在线进行预测并验证；S3、以插电式混动车提供的数据为基础，分别搭建发动机、电动机、动力电池、传动系、纵向动力学模型；S4、根据所述S2中模型预测出的结果在总车速占比进行全局片上系统SOC规划；S5、构建自适应等效因子s(t)，建立所述自适应等效因子s(t)与所述片上系统SOC偏移量ΔSOC的关系，得到能量消耗模型；S6、通过求解ECMS搭建的哈密尔顿函数得到最优控制量P
bat
。2.根据权利要求1所述的融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，S1中，所述交通信息包括：信号灯时长、各类型车辆比例、车道宽度、历史车流量和转向决策。3.根据权利要求1所述的融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，所述S1中，获取所述交通信息具体包括：S1.1、根据所述智能交通系统的电子地图设置路段长度及各路段之间的转向连接器；S1.2、根据历史交通信息设置各路段的车辆类型与车辆输入；S1.3、根据历史交通信息设置各路段间的转向决策比例；S1.4、根据历史交通信息配置各路段红绿灯组及在路段上放置的信号灯头；S1.5、根据仿真要求设置数据采集点及数据采集时间间隔；S1.6、收集仿真数据并进行整理。4.根据权利要求1所述的融合交通信息的插电式混动汽车能量管理策略构建方法，其特征在于，S2中，所述在线进行预测并验证的步骤为：S2.1、将所述获取的交通信息在云端进行归一化预处理；S2.2、设置超参数并搭建长短期记忆网络LSTM车速预测模型；S2.3、将进行归一化预处理后的数据分为训练集与测试集，输入到模型中进行训练；S2.4、对训练好的长短期记忆网络LSTM车...

【专利技术属性】
技术研发人员：李昕光，王文超，元佳宇，车瑜佩，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：