增程式电动车能耗和排放协同优化方法和增程式电动车控制方法技术

本发明专利技术公开了一种增程式电动车能耗和排放协同优化方法，包括如下步骤：S1：基于深度学习网络构建车辆系统能耗和排放模型，利用车辆系统能耗和排放模型构建车辆运行状态数据与能耗和排放之间的映射关系：S2：构建目标函数和约束条件：S3：实时采集车辆运行状态数据，在保持除发动机转速和发动机转矩外的其他车辆运行状态数据不变的条件下，求解使车辆能耗值和排放值最小的发动机转速和发动机转矩。本发明专利技术还公开了一种增程式电动车控制方法，利用数据驱动的方式，研究增程式电动车辅助动力单元协调控制策略与系统能耗和排放之间的关系，建立面向节能减排的双目标全局智能优化方法，为APU和动力电池的协调控制提供指导。APU和动力电池的协调控制提供指导。APU和动力电池的协调控制提供指导。

【技术实现步骤摘要】
增程式电动车能耗和排放协同优化方法和增程式电动车控制方法


[0001]本专利技术属于车辆控制
，具体的为一种增程式电动车能耗和排放协同优化方法和增程式电动车控制方法。

技术介绍

[0002]随着新能源汽车的发展，新能源汽车保有量的占比越来越高，其中纯电动汽车是现阶段新能汽车发展的主要方向，但纯电动汽车的续航里程无法满足人们长时间行驶的需求，车主存在“续驶里程焦虑”的问题。因此，为了解决“续驶里程焦虑”，提升出行舒适性，汽车企业和研究人员提出了增程式电动车(Extended Range Electric Vehicle，简称EREV)的概念，其配备了一台小型的发动机，通常是内燃机或燃料电池，用于在电池电量低于一定程度时为电动机提供电力，延长电动汽车的续航里程。与其他类型的电动汽车不同，增程式电动车不依赖于充电设施进行充电，因为它可以在电池电量耗尽时自动启动发动机来提供额外的电力，这种技术使得增程式电动车能够实现与传统燃油车相当的续航里程，并且在电池电量低于一定程度时仍然能够保持高效的能源利用率。可以看出增程式电动车的设计目的是在保留汽车电动行驶能力的同时，增加汽车的行驶里程，既满足节能降噪的要求又减少人们出行的焦虑。因此，有必要考虑发动机、发电机、动力电池等动力部件的响应特性，制定高效的协调控制策略。
[0003]辅助动力单元(APU)是增程式电动车动力系统的重要组成部分，承担着可用状态(State of Charge，SOC)不足时工作充电的任务，APU的动力性能和经济性能决定了增程式电动车的动力性和经济性。对于APU开启和关闭，主要存在两种控制方式，分别是Blended模式和CD
‑
CS(charge depleting
‑
charge sustaining)模式。由于CD
‑
CS控制模式具有纯电动驱动的工作条件，可以减少排放，提高燃油效率，因此应用更为广泛。CD
‑
CS控制模式将增程式电动车分为电量消耗(CD)和电量维持(CS)两个状态，APU在CS模式下开启，发动机的运行状态决定了整车行驶过程中的经济性。而对于辅助动力单元控制策略，业内常见的设计理念是将APU设置为在单点或多点工作，并优化发动机，使发动机在这些工作点实现最佳的油耗和排放，另一个常见的设计概念是功率跟随策略，其中APU的输出功率尽可能匹配车辆的功率需求。然而，这些方法对燃油节约、电池充电和放电以及发动机排放的影响需要进一步研究，由于缺乏优化，无法充分利用增程式电动汽车在续航方面的潜力，并且在适应不同驾驶条件方面的灵活性较差。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种增程式电动车能耗和排放协同优化方法和增程式电动车控制方法，利用数据驱动的方式，研究增程式电动车辅助动力单元协调控制策略与系统能耗和排放之间的关系，建立面向节能减排的双目标全局智能优化方法，为APU和动力电池的协调控制提供指导。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]本专利技术首先提出了一种增程式电动车能耗和排放协同优化方法，包括如下步骤：
[0007]S1：基于深度学习网络构建车辆系统能耗和排放模型，利用车辆系统能耗和排放模型构建车辆运行状态数据与能耗和排放之间的映射关系：
[0008]y1＝f1(x1,x2...x
n
)
[0009]y2＝f2(x1,x2...x
n
)
[0010]S2：构建目标函数和约束条件：
[0011]Minimize(y1(x1,x2...x
n
))
[0012]Minimize(y2(x1,x2...x
n
))
[0013]x
1l
＜x1＜x
1h
[0014]x
2l
＜x2＜x
2h
[0015]其中，y1和y2分别表示车辆能耗值和排放值；x
i
表示车辆的第i种车辆运行状态数据，1≤i≤n，n表示车辆运行状态数据的种类；令i＝1时，x1表示发动机转速；令i＝2时，x2表示发动机转矩；x
1l
和x
1h
分别表示发动机转速x1取值的上限和下限；x
2l
和x
2h
分别表示发动机转矩x2取值的上限和下限；f1和f2分别表示车辆能耗值和排放值与车辆运行状态数据之间的映射关系；
[0016]S3：实时采集车辆运行状态数据，在保持除发动机转速和发动机转矩外的其他车辆运行状态数据不变的条件下，求解使车辆能耗值和排放值最小的发动机转速和发动机转矩。
[0017]进一步，所述步骤S1中，车辆系统能耗和排放模型的构建方法包括如下步骤：
[0018]11)数据采集：在不同工况下采集车辆运行状态数据以及车辆对应的能耗数据和排放数据，对采集的数据进行预处理后构建得到数据集；
[0019]12)将数据集划分为训练集和测试集；
[0020]13)初始化车辆系统能耗和排放模型；
[0021]14)将训练集输入车辆系统能耗和排放模型，得到车辆能耗和排放的预测值；
[0022]15)求解车辆能耗和排放的真实值与预测值之间的损失函数，以优化算法更新车辆系统能耗和排放模型的参数；
[0023]16)判断模型训练是否达到设定的终止条件：若是，则执行步骤17)；若否，则执行步骤14)；
[0024]17)将测试集输入车辆系统能耗和排放模型，判断模型预测精度是否满足设定要求：若是，则输出车辆系统能耗和排放模型；若否，则执行步骤12)。
[0025]进一步，所述步骤S3中，采用多目标鲸鱼算法求解使车辆能耗值和排放值最小的发动机转速和发动机转矩，包括如下步骤：
[0026]31)初始化鲸鱼种群；
[0027]32)计算每条鲸鱼的适应度，得到具有最优适应度的鲸鱼位置向量，以该具有最优适应度的鲸鱼位置向量得到当前迭代的最优位置向量并保留；
[0028]33)随机生成[0,1]范围内的随机数，若随机数小于0.5，则执行步骤34)；否则执行步骤35)；
[0029]34)判断系数向量的绝对值是否小于1：
[0030]若是，则按照缩小环绕策略更新鲸鱼位置向量；
[0031][0032]其中，表示位置向量；t表示迭代次数；为系数向量；表示当前搜索个体与最佳个体之间的距离；是当前迭代的最优位置向量；
[0033]若否，则按照寻找猎物策略更新鲸鱼位置向量：
[0034][0035]其中，表示随机个体的位置向量；表示当前搜索个体与随机个体之间的距离；
[0036]35)按照泡泡网攻击策略更新鲸鱼位置向量：
[0037][0038]其中，表示当前搜索个体与当前迭代最优位置个体之间的距离；b表示一个定义对数螺旋形状的固定数；l是[
‑
1,1]之间的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种增程式电动车能耗和排放协同优化方法，其特征在于：包括如下步骤：S1：基于深度学习网络构建车辆系统能耗和排放模型，利用车辆系统能耗和排放模型构建车辆运行状态数据与能耗和排放之间的映射关系：y1＝f1(x1,x2...x
n
)y2＝f2(x1,x2...x
n
)S2：构建目标函数和约束条件：Minimize(y1(x1,x2...x
n
))Minimize(y2(x1,x2...x
n
))x
1l
＜x1＜x
1h
x
2l
＜x2＜x
2h
其中，y1和y2分别表示车辆能耗值和排放值；x
i
表示车辆的第i种车辆运行状态数据，1≤i≤n，n表示车辆运行状态数据的种类；令i＝1时，x1表示发动机转速；令i＝2时，x2表示发动机转矩；x
1l
和x
1h
分别表示发动机转速x1取值的上限和下限；x
2l
和x
2h
分别表示发动机转矩x2取值的上限和下限；f1和f2分别表示车辆能耗值和排放值与车辆运行状态数据之间的映射关系；S3：实时采集车辆运行状态数据，在保持除发动机转速和发动机转矩外的其他车辆运行状态数据不变的条件下，求解使车辆能耗值和排放值最小的发动机转速和发动机转矩。2.根据权利要求1所述的增程式电动车能耗和排放协同优化方法，其特征在于：所述步骤S1中，车辆系统能耗和排放模型的构建方法包括如下步骤：11)数据采集：在不同工况下采集车辆运行状态数据以及车辆对应的能耗数据和排放数据，对采集的数据进行预处理后构建得到数据集；12)将数据集划分为训练集和测试集；13)初始化车辆系统能耗和排放模型；14)将训练集输入车辆系统能耗和排放模型，得到车辆能耗和排放的预测值；15)求解车辆能耗和排放的真实值与预测值之间的损失函数，以优化算法更新车辆系统能耗和排放模型的参数；16)判断模型训练是否达到设定的终止条件：若是，则执行步骤17)；若否，则执行步骤14)；17)将测试集输入车辆系统能耗和排放模型，判断模型预测精度是否满足设定要求：若是，则输出车辆系统能耗和排放模型；若否，则执行步骤12)。3.根据权利要求1所述的增程式电动车能耗和排放协同优化方法，其特征在于：所述步骤S3中，采用多目标鲸鱼算法求解使车辆能耗值和排放值最小的发动机转速和发动机转矩，包括如下步骤：31)初始化鲸鱼种群；32)计算每条鲸鱼的适应度，得到具有最优适应度的鲸鱼位置向量，以该具有最优适应度的鲸鱼位置向量得到当前迭代的最优位置向量并保留；33)随机生成[0,1]范围内的随机数，若随机数小于0.5，则执行步骤34)；否则执行步骤35)；34)判断系数向量的绝对值是否小于1：
若是，则按照缩小环绕策略更新鲸鱼位置向量；其中，表示位置向量；t表示迭代次数；为系数向量；表示当前搜索个体与最佳个体之间的距离；是当前迭代的最优位置向量；若否，则按照寻找猎物策略更新鲸鱼位置向量：其中，表示随机个体的位置向量；表示当前搜索个体与随机个体之间的距离；35)按照泡泡网攻击策略更新鲸鱼位置向量：其中，表示当前搜索个体与当前迭代最优位置个体之间的距离；b表示一个定义对数螺旋形状的固定数；l是[
‑
1,1]之间的随机数；36)计算每条鲸鱼的适应度，...

【专利技术属性】
技术研发人员：杨波，庞植，王时龙，赵洋，刘昌东，周林，
申请(专利权)人：重庆赛力斯新能源汽车设计院有限公司赛力斯集团股份有限公司，
类型：发明
国别省市：