一种混合动力车辆能量管理方法技术

本发明专利技术提供了一种混合动力车辆能量管理方法，首先同步获取交通路况信息和车辆状态信息并生成数据库；然后以获取的信息作为状态空间，参考SOC轨迹为动作空间，结合下层能量管理算法，将上层深度强化学习算法智能体训练至收敛；最后提取训练完毕的深度强化学习智能体的神经网络作为电池SOC最优参考模型，根据神经网络模型并结合下层能量管理算法进行整车的能耗分配。本发明专利技术不仅能够解决能量管理策略中SOC轨迹难以确定的问题，而且可以提升实际道路下的新能源车辆能量管理策略的有效性、泛化性和稳定性，从而具有了现有技术所不具备的诸多有益效果。多有益效果。多有益效果。

【技术实现步骤摘要】
一种混合动力车辆能量管理方法


[0001]本专利技术涉及新能源车辆能量管理的
，具体涉及一种混合动力车辆能量管理方法。

技术介绍

[0002]随着科学技术的快速发展，全球汽车保有量也在不断增加，随之而来的是能源危机的产生，同时也加剧了环境污染，并对人们的生命安全产生了一定的威胁，一方面，传统汽车局限于发动机单一动力源，而发动机的能量利用效率难以提升；另一方面，人们也对纯电动汽车的行驶里程产生焦虑。因此，具有多动力源的车辆不管是在动力性、燃料经济性、驾驶舒适性以及排放等方面，相对于传统汽车及电动汽车均具备一定的特点和优势，其近年来也得到了快速的发展。
[0003]因为具有多动力源的车辆一般都配备至少一台电机和其它动力源。所以，其能量管理策略的设计就显得至关重要。全球定位系统(GPS)、智能交通系统(ITS)以及车路协同等技术的逐渐普及，使得新能源车辆也有了更多的外部信息获取渠道。新能源车辆能量管理策略也更加智能化。现有技术中对其能量管理策略的研究，基于规则的策略，其燃油经济性难以保证；基于全局优化的策略，其需要预知全局工况，难以实时优化；基于瞬时优化的策略，也有其局限性。例如，等效燃油消耗最小策略(ECMS)的等效因子难以确定；为了得到更好的经济性，诸多学者为了更好的从全局优化车辆的经济性，开始引入了更多的路况信息作为能量管理策略的参考。其中，利用交通路况信息计算未来车辆的能量需求，便于实时调整车辆动力分配，能获得良好的燃料经济性。然而其却忽略了工况本身的不确定性，具有一定局限性。
[0004]综上，现有技术中针对新能源汽车的能量管理策略的研究一方面仅基于标准工况，并未考虑交通信息，另一方面仅考虑一些难以实际获得的交通信号，在实际应用中颇有难度。

技术实现思路

[0005]针对目前本领域存在的缺陷与不足，本专利技术提供了一种基于交通信息和强化学习的新能源车辆能量管理方法，既能够充分利用易于获取的交通信息，也能够提高能量管理策略的实时性、鲁棒性和泛化性。
[0006]本专利技术所提供的技术方案为：
[0007]一种混合动力车辆能量管理方法，其特征在于：包括以下步骤：
[0008]1)同步获取交通路况信息和车辆状态信息，经过计算处理并生成数据库；
[0009]2)以计算处理后的交通路况信息和车辆状态信息为状态输入，SOC参考量为动作输出，根据环境反馈的奖励函数，结合下层能量管理算法，将深度强化学习智能体训练至收敛；
[0010]3)将从深度强化学习智能体中提取的神经网络作为SOC轨迹生成模型，并将神经
网络和下层能量管理算法结合作为能量管理策略进行整车的能耗分配。
[0011]作为本专利技术的进一步优选实施方式，
[0012]所述步骤1)中，
[0013]所述交通路况信息至少包括各路段平均行驶时间、各路段距离、各路段平均行驶延误时间、各路段平均停车次数、对应的路面坡度和行驶里程数；
[0014]所述车辆状态信息至少包括相对应的车辆速度、加速度以及位置信息；
[0015]且其中，
[0016]所述各路段平均行驶时间、各路段距离、各路段平均行驶延误时间、各路段平均停车次数、行驶里程数及车辆位置信息通过地图APP获取；
[0017]所述对应的路面坡度、车辆速度及车辆加速度信息通过车辆传感器获取。
[0018]作为本专利技术的进一步优选实施方式，
[0019]所述步骤2)中，
[0020]所述深度强化学习智能体中包括上层深度强化学习算法，并利用训练数据集和测试数据集对深度强化学习算法进行训练。
[0021]作为本专利技术的进一步优选实施方式，
[0022]所述步骤2)中利用计算处理后的交通路况信息和车辆状态信息将深度强化学习智能体训练至收敛前，先对其所包含的不同信息进行归一化处理；
[0023]将深度强化学习智能体训练至收敛后，结合下层能量管理算法作为能量管理策略，且保证其应用时的输入输出与训练时保持一致。
[0024]作为本专利技术的进一步优选实施方式，
[0025]所述步骤2)中，将深度强化学习智能体训练至收敛的过程中，根据以下公式构造状态输入空间：
[0026]State＝{SOC
iref
,SOC
l
,L
l
,T,W,S
l
,L,T
td
,T
sd
,G
slope
}
[0027]其中，
[0028]SOC
iref
为基于行驶里程规划的SOC；
[0029]SOC
l
为当前所规划的剩余电量；
[0030]L
l
为剩余里程数，m；
[0031]T为当前转矩，Nm；
[0032]W为当前转速，rad/s，
[0033]S
l
为当前路段平均行驶时间，s；
[0034]L为当前路段距离，m；
[0035]T
td
为当前路段平均行驶延误时间；
[0036]T
sd
为当前路段平均停车次数；
[0037]G
slope
为当前路面坡度，％；
[0038]所述当前路段平均行驶延误时间T
td
按照以下公式计算：
[0039]T
td
＝S
l
‑
L/V
max
[0040]其中，
[0041]V
max
为期望的行驶车速，m/s；
[0042]作为本专利技术的进一步优选实施方式，
[0043]所述步骤2)中，由SOC参考量构造动作输出空间，计算公式如下：
[0044]Action＝{ΔSOC
ref
}
[0045]其中，ΔSOC
ref
为当前SOC参考量。
[0046]作为本专利技术的进一步优选实施方式，
[0047]所述步骤2)中，当以ΔSOC
ref
为动作输出时，设置虚拟参考SOC曲线，所述虚拟参考SOC曲线选用基于行驶里程规划的SOC曲线，按照以下计算公式确定：
[0048][0049]其中，
[0050]SOC
iref
为基于行驶里程规划的SOC；
[0051]SOC
final
为SOC期望的终值，％；
[0052]SOC
ini
为SOC初值，％；
[0053]v为车速，m/s；
[0054]作为本专利技术的进一步优选实施方式，
[0055]按照以下公式构建奖励函数：
[0056]R1＝α[f
cost
(t)+w*m
cost
(t)][0057]R2＝β[SOC
iref
(t)...

【技术保护点】

【技术特征摘要】
1.一种混合动力车辆能量管理方法，其特征在于：包括以下步骤：1)同步获取交通路况信息和车辆状态信息，经过计算处理并生成数据库；2)以计算处理后的交通路况信息和车辆状态信息为状态输入，SOC参考量为动作输出，根据环境反馈的奖励函数，结合下层能量管理算法，将深度强化学习智能体训练至收敛；3)将从深度强化学习智能体中提取的神经网络作为SOC轨迹生成模型，并将神经网络和下层能量管理算法结合作为能量管理策略进行整车的能耗分配。2.根据权利要求1所述的一种混合动力车辆能量管理方法，其特征在于：所述步骤1)中，所述交通路况信息至少包括各路段平均行驶时间、各路段距离、各路段平均行驶延误时间、各路段平均停车次数、对应的路面坡度和行驶里程数；所述车辆状态信息至少包括相对应的车辆速度、加速度以及位置信息；且其中，所述各路段平均行驶时间、各路段距离、各路段平均行驶延误时间、各路段平均停车次数、行驶里程数及车辆位置信息通过地图APP获取；所述对应的路面坡度、车辆速度及车辆加速度信息通过车辆传感器获取。3.根据权利要求1所述的一种混合动力车辆能量管理方法，其特征在于：所述步骤2)中，所述深度强化学习智能体中包括上层深度强化学习算法，并利用训练数据集和测试数据集对深度强化学习算法进行训练。4.根据权利要求3所述的一种混合动力车辆能量管理方法，其特征在于：所述步骤2)中利用计算处理后的交通路况信息和车辆状态信息将深度强化学习智能体训练至收敛前，先对其所包含的不同信息进行归一化处理；将深度强化学习智能体训练至收敛后，结合下层能量管理算法作为能量管理策略，且保证其应用时的输入输出与训练时保持一致。5.根据权利要求3所述的一种混合动力车辆能量管理方法，其特征在于：所述步骤2)中，将深度强化学习智能体训练至收敛的过程中，根据以下公式构造状态输入空间：State＝{SOC
iref
，SOC
l
，L
l
，T，W，S
l
，L，T
td
，T
sd
，G
slope
}其中，SOC
iref
为基于行驶里程规划的SOC；SOC
l
为当前所规划的剩余电量；L
l
为剩余里程数，m；T为当前转矩，Nm；W为当前转速，rad/s，S
l
为当前路段平均行驶时间，s；L为当前路段距离，m；T
td
为当前路段平均行驶延误时间；T
sd
为当前路段平均停车次数；G
slope
为当前路面坡度，％；所述当前路段平均行驶延误时间T
td
按照以下公式计算：
T
td
＝S
l
‑
L/V
...

【专利技术属性】
技术研发人员：施德华，许汉，汪少华，周卫琪，袁野，袁朝春，殷春芳，朱镇，
申请(专利权)人：江苏大学，
类型：发明
国别省市：