一种增程式电动装载机能耗控制方法及系统技术方案

本发明专利技术公开了一种增程式电动装载机能耗控制方法及系统，方法包括：获取车辆的系统状态参数；根据当前时刻的车速和车辆加速度，利用基于递归神经网络的速度预测模型进行预测得到未来时间窗口的车速，计算得到对应时间窗口的驱动电机需求功率；基于当前时刻的电池包荷电状态、计算得到的时间窗口的驱动电机需求功率和预确定的增程器功率

【技术实现步骤摘要】
一种增程式电动装载机能耗控制方法及系统


[0001]本专利技术属于新能源机械
，涉及一种增程式电动装载机能耗控制方法及系统。

技术介绍

[0002]传统装载机存在能耗高、排放大的弊端。目前，虽然纯电动装载机可实现零排放和能量高效利用，但装载的电池包会因环境温度及负载的突变等原因，降低整车的续航能力，无法保证整车持续高效作业。为此，增程式电动装载机充分发挥电能的零排放和燃油动力系统持续作业的优势，成为解决这一问题的有效途径之一。这个过程中，能否给整车适配合理的能量管理策略直接影响整车的燃油经济性。
[0003]目前，针对增程式电传动车辆已提出的典型能量管理策略主要分为两类：基于规则的能量管理策略和基于优化的能量管理策略，不同的能量管理策略会带来不同的能耗优化效果。其中，基于规则的能量管理策略控制逻辑简单、实时性好，但是工况适应性差，无法得到最优的控制效果。基于优化的能量管理策略主要包括离线优化策略和实时优化策略。离线优化策略虽然可以实现全局能量最优，但其计算量大，需要提前准确获知车辆的全局作业状态信息，很难直接植入控制器进行工程化运用。实时优化策略中最典型的是等效油耗最小策略(ECMS)，但是ECMS在能量优化过程中不考虑行驶工况的未来信息，导致其只能实现能耗的瞬时优化，很难实现能耗的整体优化。
[0004]为此，设计一种面向增程式电动装载机的改进型ECMS能量管理策略很有必要。

技术实现思路

[0005]目的：为了克服现有技术中存在的不足，本专利技术提供一种增程式电动装载机能耗控制方法及系统。
[0006]技术方案：为解决上述技术问题，本专利技术采用的技术方案为：
[0007]第一方面，提供一种增程式电动装载机能耗控制方法，包括：
[0008]获取车辆的系统状态参数，其中所述系统状态参数包括车速v、车辆加速度a、电池包荷电状态SOC；
[0009]根据当前时刻的车速v和车辆加速度a，利用预训练好的基于递归神经网络RNN的速度预测模型进行预测得到未来预测窗口的车速
[0010]基于预测得到的未来预测窗口的车速计算得到对应预测窗口的驱动电机需求功率P
d
；
[0011]基于当前时刻的电池包荷电状态SOC、计算得到的预测窗口的驱动电机需求功率P
d
和预确定的增程器功率
‑
最优油耗映射模型，利用模型预测控制MPC的滚动优化思想和粒子群算法，对预构建的能耗优化目标函数进行优化求解，得到当前预测窗口的最优等效因子s
*
；
[0012]在滚动时域内基于求解得到的最优等效因子s
*
，利用等效能耗最小策略ECMS算法
计算出增程器和电池包的最优输出功率组合序列；
[0013]根据所述增程器和电池包的最优输出功率组合序列，对预测窗口的增程器和电池包的功率输出进行控制。
[0014]在一些实施例中，基于递归神经网络RNN的速度预测模型的获取方法包括：
[0015]S21、获取工况数据历史信息，其中所述工况数据历史信息包括车速和加速度；
[0016]S22、将历史工况数据按照预设预测窗口τ进行分段处理，形成N组训练样本集合；
[0017]S23、以当前车速v
t
、加速度a
t
为输入，下一时刻车速为输出，利用递归神经网络RNN构建速度预测模型；
[0018][0019]其中[v
t
,a
t
]T
和分别为RNN的输入量和输出量；s
t
和分别表示隐含层节点的输入量和输出量；o
t
表示输出层节点的输入量；g和σ分别表示隐含层节点和输出层节点的激活函数，分别选择tanh和purelin函数；U
52
、W
55
、V
15
分别表示输入层节点到隐含层节点的权值矩阵、隐含层节点之间的权值矩阵以及隐含层节点到输出层节点的权值矩阵；t0和t
f
分别表示车辆的起点和终点时刻；
[0020]S24、基于遗传算法GA/粒子群算法PSOA的混合优化算法对速度预测模型的初始参数进行寻优，得到最优初始参数，其中所述初始参数包括：U
52
、W
55
、V
15
、
[0021]S25、利用所述训练样本集合对加载所述最优初始参数的速度预测模型进行训练，U
52
、W
55
、V
15
采用梯度下降法进行训练更新，直至达到设定条件，得到训练好的基于递归神经网络RNN的速度预测模型。
[0022]进一步地，在一些实施例中，所述S24包括以下步骤：
[0023]S241、将速度预测模型中的U
52
,W
55
,V
15
，以及的参数进行编码组成待优化的初始参数集合，并形成个体和种群；将第k个个体C
k
和由K个个体组成的种群C标记为：
[0024][0025]其中，M为U、W、V以及的参数总数；
[0026]S242、计算2
·
K个个体的适应度值Fit，并按序号选取出适应度值小的K个个体组成初始父辈种群；并从中选择出适应度值最小的个体作为父辈种群的最优个体；
[0027][0028]其中，v
i
和分别为RNN网络的速度真实值和预测值，ε为设定的训练精度条件；
[0029]S243、基于同一个父辈种群，GA和PSOA分别按照各自的种群更新机制更新种群，形成各自的子代种群；
[0030]S244、GA、PSOA两个子代种群分别利用速度预测模型预测下一时刻车速并计算适应度值，按个体序号依次对比两个子代种群每个个体计算出的适应度值，选出每个序号上适应度值最小的个体，重新组成由K个个体组成的种群，并将种群每个个体计算出的适应度
值依次与父辈种群个体计算出的适应度值比较，选择出适应度值较小的个体组成新的种群，该种群作为GA和PSOA下一次迭代的新种群；
[0031]S245、选择出步骤S244新种群中适应度值最小的个体，将其与步骤S242的最优个体的适应度值进行比较，选择出适应度值最小的个体作为GA和PSOA下一次迭代的个体新父辈；
[0032]S246、判断迭代次数是否达到上限或满足适应度值训练精度条件ε，若满足，则将步骤S245输出的新父辈个体作为最优个体输出；否则，GA和PSOA以步骤S244得到的种群为父辈种群，返回执行步骤S243。
[0033]在一些实施例中，驱动电机需求功率P
d
的计算方法，包括：
[0034][0035][0036]其中，η
t
为整个动力总成效率，F
t
为行驶驱动力；
[0037]m为整车质量，
g
为重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种增程式电动装载机能耗控制方法，其特征在于，包括：获取车辆的系统状态参数，其中所述系统状态参数包括车速v、车辆加速度a、电池包荷电状态SOC；根据当前时刻的车速v和车辆加速度a，利用预训练好的基于递归神经网络RNN的速度预测模型进行预测得到未来预测窗口的车速基于预测得到的未来预测窗口的车速计算得到对应预测窗口的驱动电机需求功率P
d
；基于当前时刻的电池包荷电状态SOC、计算得到的预测窗口的驱动电机需求功率P
d
和预确定的增程器功率
‑
最优油耗映射模型，利用模型预测控制MPC的滚动优化思想和粒子群算法，对预构建的能耗优化目标函数进行优化求解，得到当前预测窗口的最优等效因子s
*
；在滚动时域内基于求解得到的最优等效因子s
*
，利用等效能耗最小策略ECMS算法计算出增程器和电池包的最优输出功率组合序列；根据所述增程器和电池包的最优输出功率组合序列，对预测窗口的增程器和电池包的功率输出进行控制。2.根据权利要求1所述的增程式电动装载机能耗控制方法，其特征在于，基于递归神经网络RNN的速度预测模型的获取方法包括：S21、获取工况数据历史信息，其中所述工况数据历史信息包括车速和加速度；S22、将历史工况数据按照预设预测窗口τ进行分段处理，形成N组训练样本集合；S23、以当前车速v
t
、加速度a
t
为输入，下一时刻车速为输出，利用递归神经网络RNN构建速度预测模型；其中[v
t
,a
t
]
T
和分别为RNN的输入量和输出量；s
t
和分别表示隐含层节点的输入量和输出量；o
t
表示输出层节点的输入量；g和σ分别表示隐含层节点和输出层节点的激活函数，分别选择tanh和purelin函数；U
52
、W
55
、V
15
分别表示输入层节点到隐含层节点的权值矩阵、隐含层节点之间的权值矩阵以及隐含层节点到输出层节点的权值矩阵；t0和t
f
分别表示车辆的起点和终点时刻；S24、基于遗传算法GA/粒子群算法PSOA的混合优化算法对速度预测模型的初始参数进行寻优，得到最优初始参数，其中所述初始参数包括：U
52
、W
55
、V
15
、S25、利用所述训练样本集合对加载所述最优初始参数的速度预测模型进行训练，U
52
、W
55
、V
15
采用梯度下降法进行训练更新，直至达到设定条件，得到训练好的基于递归神经网络RNN的速度预测模型。3.根据权利要求2所述的增程式电动装载机能耗控制方法，其特征在于，所述S24包括以下步骤：S241、将速度预测模型中的U
52
,W
55
,V
15
，以及的参数进行编码组成待优化的初始参数集合，并形成个体和种群；将第k个个体C
k
和由K个个体组成的种群C标记为：
其中，M为U、W、V以及的参数总数；S242、计算2
·
K个个体的适应度值Fit，并按序号选取出适应度值小的K个个体组成初始父辈种群；并从中选择出适应度值最小的个体作为父辈种群的最优个体；其中，v
i
和分别为RNN网络的速度真实值和预测值，ε为设定的训练精度条件；S243、基于同一个父辈种群，分别按照各自的种群更新机制更新种群，形...

【专利技术属性】
技术研发人员：梁岩岩，刘吉超，杨海，
申请(专利权)人：江苏汇智高端工程机械创新中心有限公司，
类型：发明
国别省市：