基于DQN算法的混合动力汽车再生制动控制方法技术

本发明专利技术提供的一种基于DQN算法的混合动力汽车再生制动控制方法，包括：S1.确定混合动力汽车的制动分配系数；S2.构建基于深度Q学习的再生制动控制的多目标优化模型；S3.确定混合动力汽车的状态参数以及动作参数；S4.将混合动力汽车的状态参数及动作参数输入至深度Q学习网络中进行离线训练；S5.再实时采集混合动力汽车的状态参数输入至完成训练的深度Q学习网络中在线优化，然后深度Q学习网络输出优化后的前轴制动力矩比例系数β和电机制动力矩比例系数α；能够使得混合动力汽车的再生制动分配合理，从而有效提升混合动力汽车能量回收效率以及制动的稳定性。效率以及制动的稳定性。

【技术实现步骤摘要】
基于DQN算法的混合动力汽车再生制动控制方法


[0001]本专利技术涉及一种汽车控制方法，尤其涉及一种基于DQN算法的混合动力汽车再生制动控制方法。

技术介绍

[0002]混合动力汽车再生制动控制策略是在确保制动安全的前提下，合理的分配机械摩擦制动力和电机制动力。制定合理有效的再生制动控制策略，综合衡量制动稳定性和制动能量回收，已经成为制动能量回收控制策略的研究重点。在现有的再生制动控制策略中，传统的制动力分配策略被广泛应用，但是该方法难以获得制动能量回收最大化和制动稳定性的多目标优化结果，即属于单目标控制策略。而针对多目标优化的再生制动控制策略，现有的控制策略中，对于优化目标中权重值的确定，通常是是根据经验按照个人主观意愿制定的，从而使得最终结果的准确性低。
[0003]因此，为了解决上述技术问题，亟需提出一种新的技术手段。

技术实现思路

[0004]有鉴于此，本专利技术的目的是提供一种基于DQN算法的混合动力汽车再生制动控制方法，能够实现对混合动力汽车制动过程中能量回收以及制动稳定性的多目标优化，从而能够使得混合动力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DQN算法的混合动力汽车再生制动控制方法，其特征在于：包括以下步骤：S1.确定混合动力汽车的制动分配系数，包括前轴制动力矩比例系数β和电机制动力矩比例系数α；S2.构建基于深度Q学习的再生制动控制的多目标优化模型；S3.确定混合动力汽车的状态参数以及动作参数；其中，状态参数包括制动需求功率以及电池SOC值，动作参数包括前轴制动力矩比例系数β、电机制动力矩比例系数α、制动能量回收效率权重系数ω1、前轮制动稳定性权重系数ω2以及后轮制动稳定性权重系数ω3；S4.将混合动力汽车的状态参数及动作参数输入至深度Q学习网络中进行离线训练；S5.再实时采集混合动力汽车的状态参数输入至完成训练的深度Q学习网络中在线优化，然后深度Q学习网络输出优化后的前轴制动力矩比例系数β和电机制动力矩比例系数α。2.根据权利要求1所述基于DQN算法的混合动力汽车再生制动控制方法，其特征在于：步骤S1中，前轴制动力矩比例系数β和电机制动力矩比例系数α通过如下方法确定：其中：T
f
为前轴总的制动力矩，T
r
为后轴总的制动力矩，T
re
为电机制动力矩。3.根据权利要求1所述基于DQN算法的混合动力汽车再生制动控制方法，其特征在于：步骤S2中，深度Q学习的再生制动控制的多目标优化模型具体为：目标函数为：其中，Q(s,a)为最优的状态
‑
动作函数，γ
t
为折扣因子且γ
t
∈[0,1]，r(s
t
,a
t
)为在状态为s
t
且动作为at时的回报函数，t表示时刻；其中，回报函数具体表达式为：其中：ω1为制动能量回收效率权重系数，ω2为前轮制动稳定性权重系数，ω3为后轮制动稳定性权重系数，φ
f
为前轴利用附着系数，φ
r
为后轴利用附着系数，z为制动强度；且目标函数和回报函数的约束条件如下：
其中，L
a
为整车重心与前轴的距离，L
b
为整车重心与后轴的距离，h
g
为整车重心的高度，L表示混合动力汽车的轴距；T
m_max
为电机的最大转矩，T
m
为电机的转矩，P
chg_max
为电池的最大充电功率，n
m
为电机的转速，η
m
为电机的效率。4.根据权利要求3所述基于DQN算法的混合动力汽车再生制动控制方法，其特征在于：步骤S4中对深度Q学习网络进行训练具体包括：S41.确定随机样本数量n
b
，迭代次数n、折扣因子γ
t
以及探索率ε，并初始化深度Q学习网络的权重值θ；S42.将车辆制动过程中的需求功率P
req
和电池SOC值作为状态变量，将前轴制动力矩比例系数β、电机制动力矩比例系数α、制动能量回收效率权重系数ω1、前轮制动稳定性权重系数ω2以及后轮制动稳定...

【专利技术属性】
技术研发人员：尹燕莉，张鑫新，马什鹏，黄学江，王福振，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：