一种智能网联插电式混合动力公交车电量规划方法

1.本发明涉及的是混合动力汽车领域的技术，具体是一种智能网联插电式混合动力公交车电量规划方法。


背景技术：

2.伴随新能源汽车产业政策的引导与扶持，近几年我国新能源汽车呈现出爆发式增长态势，已成为缓解资源短缺与环境恶化压力的主要技术手段之一。截止到2021年底，我国新能源汽车保有量达到784万辆，占汽车总量的2.6％。在电池技术未取得大突破性进展之前，插电式混合动力汽车(phev)兼具纯电动汽车和混合动力汽车的优点，必将在较长一段时间内成为新能源汽车的主流车型。特别是在城市公交领域已逐渐取代传统燃油汽车，为节能降耗以及改善城区空气质量发挥重要作用。插电式混合动力汽车电量规划目的是确保在完整行程中合理地分配电量使用，与燃油消耗形成有益的互补。目前，电量消耗-电量维持(cdcs)模式作为插电式混合动力汽车的典型工作模式之一，就其本质而言也是一种电量规划方式。当电池电量充足时车辆以电能消耗为主，只有电量减小到低阈值时，车辆才运行在cs模式下，此时电量维持在低阈值附近。车辆运行过程中，电量变化轨迹呈现先减小，后维持的趋势特征。虽然该方式简单实用，但cs模式下系统内部能量流动存在化学能—电能—机械能的二次转换过程。
3.期刊论文《新型双电机行星耦合phev多目标补偿能量优化策略研究》中提出以离线获得的电量消耗的最优轨迹为基准，将每一时刻的目标荷电状态(soc)量化为随行驶里程线性下降的直线，通过对最优轨迹的跟随实现电量规划过程。这是在掌握完整行程下电量变化轨迹特征基础上进行电量的规划，然而却忽视了行驶工况局部特征变化的影响。
4.中国专利申请号201810964444.5，名称为“一种插电式混合动力汽车能量管理方法及系统”所公开的方案中提出利用交通信息流计算长期电池荷电状态轨迹，其关键在于根据油箱功率、电池功率以及车辆行驶需求功率构建phev能量平衡模型的动态方程，引入动态规划算法生成长期电池荷电状态轨迹，实现对电量动态规划的目的。然而，该方法仅仅实现电量规划的局部最优，并不能保证整体的最优性。


技术实现要素：

5.针对上述问题，本发明的目的是提供一种智能网联插电式混合动力公交车电量规划方法，在电量分配过程中同时将电量使用的全局最优性与局部影响因素(工况特征变化)考虑在内，通过着力解决电量规划不合理所造成车辆能耗恶化问题，深入挖掘插电式混合动力系统节能减排潜力，助推城市公共交通的绿色与可持续发展。
6.为实现上述目的，本发明采取以下技术方案：一种智能网联插电式混合动力公交车电量规划方法，其特征在于，该方法包括以下步骤：
7.步骤1，采集固定线路运行的智能网联插电式混合动力公交车的车速曲线作为典型工况，运用全局优化算法提取典型工况下动力电池荷电状态的最优变化曲线；
8.步骤2，以固定的公交站点为间隔，将典型工况划分成若干个工况片段；
9.步骤3，以步骤1中获取的典型工况下动力电池荷电状态最优变化曲线为基础，按照步骤2中已划分的工况片段，提取各个工况片段内的区间电耗；
10.步骤4，提取表征工况片段特征的关键参数，构造基于工况片段特征的区间电耗辨识模型；
11.步骤5，当车辆抵达站点时，依据步骤3中的结果确定下一工况片段内区间电耗的预测值，并利用车联网技术获取下一工况片段的特征值，通过步骤4中构建的区间电耗辨识模型获得结果作为下一工况片段区间电耗的匹配值；
12.步骤6，将步骤5中获得区间电耗的预测值作为观测模型的结果，区间电耗的匹配值作为匹配模型的结果，采用改进的交互多模型算法实现区间电耗预测值和匹配值的数据融合，最终确定下一工况片段区间电耗的最佳规划值。
13.进一步地，所述步骤1中的全局优化算法为动态规划算法或庞特里亚金极值算法。
14.进一步地，所述步骤4中表征工况片段特征的关键参数为最高车速、平均车速、平均加速度、平均减速度、怠速时间比和车速方差。
15.进一步地，所述步骤4中基于工况片段特征的区间电耗辨识模型是采用elman动态神经网络实现。
16.更进一步地，采用列文伯格-马夸尔特算法对所述elman动态神经网络进行训练。
17.进一步地，所述步骤5中车联网技术为专用短程通信技术。
18.更进一步地，所述专用短程通信技术的通信频率为5.9ghz。
19.进一步地，步所述骤6中改进的交互多模型算法中采用极大似然估计实现对模型可信概率的更新，其中第t个工况下模型j最匹配的极大似然函数定义为：
[0020][0021]
t＝1,2,
…
,m；
[0022]
j＝1,2,
…
,l；
[0023]
式中，为第t个工况片段下模型j最匹配的极大似然函数，为模型j的误差向量，为模型j的量测协方差矩阵，m为工况片段个数，l为模型个数。
[0024]
与现有技术相比，本发明的有益效果是：
[0025]
1)考虑到插电式混合动力系统电量分配方式对整车能耗具有显著影响这一特征，同时也为了消除单一电量分配方式的局限性，提出一种将电量使用的全局最优性与局部影响因素(工况特征变化)统筹考虑的智能网联插电式混合动力公交车电量分配方式，能够显著地提升电量的利用效率，并降低整车能耗；
[0026]
2)由电量最优分配轨迹入手，采用离散化方式获得站点间最优的区间电耗作为预测值；同时考虑了区间电耗的时空演化趋势，构造了基于工况片段特征的区间电耗辨识模型，以此获得的区间电耗作为匹配值，在此基础上引入改进的交互多模型算法实现区间电耗预测值与匹配值的高效数据融合，从而有效地降低了运算时间，为实车应用奠定了良好的基础。
附图说明
[0027]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，其中：
[0028]
图1是根据本发明公开的智能网联插电式混合动力公交车电量规划方法的流程图；
[0029]
图2是本发明公开的混合动力公交车动力系统构型简图；
[0030]
图3是本发明公开的elman动态神经网络输入与输出关系图；
[0031]
图4是本发明公开的改进的交互多模型算法流程图；
[0032]
在图2中：1-发动机，2-离合器，3-电机，4-变速器，5-后桥，6-车轮。
具体实施方式
[0033]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0034]
图1为本发明所提供的智能网联插电式混合动力公交车电量规划方法流程图，如图1所示，一种智能网联插电式混合动力公交车电量规划方法，包括：
[0035]
步骤1，采集固定线路运行的智能网联插电式混合动力公交车的车速曲线作为典型工况，运用全局优化算法提取典型工况下动力电池荷电状态(soc)的最优变化曲线；这里全局优化算法为动态规划算法或庞特里亚金极值算法，尤其需要提出的是，作为本发明的创新点之一，其中由于动态规划算法在提取典型工况下动力电池荷电状态的最优变化曲线上对后续划分的工况片段效果更好，更符合公交车实际典型工况。
[0036]
下面以动态规划算法为例，进行解释说明。考虑到采集获得的车辆行驶车速是已知的，假设道路坡度信息也是可以提前确定的，则车辆行驶所需的动力可由下式计算获得：
[0037][0038]
式中，tw为车辆的需求转矩，v为车速，m为整车质量，g为重力加速度，f为道路滚动阻尼系数，cd为空气阻力系数，a为车辆迎风面积，θ为道路坡度，ρ为空气密度；r为轮胎半径，δ为车辆旋转质量折算系数；这里以同轴并联构型(如图2所示)为例进行说明，发动机、电机与变速器同轴布置，发动机与电机通过离合器刚性连接，发动机与电机的输出通过变速器、后桥直接传递至车轮。由此可见，车辆的行驶动力由发动机和/或电机提供，可表示为：
[0039]
tw＝η
t
i0ig(te+tm)+tb[0040]
式中，η
t
为传动效率，i0为后桥传动比，ig为变速器传动比，te为发动机转矩，tm为电机转矩，tb为制动力矩。当te＝0时，表明仅有电机提供车辆行驶的动力；当tm＝0时，表明仅有发动机提供车辆行驶的动力。选取动力电池荷电状态和变速器的挡位作为状态变量，可表示为：
[0041]
x(k)＝[soc(k),gear(k)]
[0042]
式中，x(k)为第k阶段的系统状态变量，soc(k)为第k阶段的电池荷电状态，gear(k)为第k阶段的挡位，当挡位确定后，即可确定变速器的传动比。系统控制变量可表示为：
[0043]
u(k)＝[tm(k),s(k)]
[0044]
式中，u(k)为第k阶段的系统控制变量，tm(k)为第k阶段的电机转矩，s(k)为第k阶段的换挡信号；状态转移函数可表示为：
[0045]
gear(k+1)＝gear(k)+s(k)
[0046]
soc(k+1)＝soc(k)
–
i/q
[0047]
式中，gear(k)为第k+1阶段的挡位，soc(k+1)为第k+1阶段的电池荷电状态，i为动力电池的充/放电电流；q为动力电池的额定容量。动态规划算法的优化目标为燃油消耗量最小，代价函数可定义为：
[0048]
l[x(k),u(k)]＝fe(ne(k),te(k))
[0049]
式中，l[x(k),u(k)]为第k阶段的代价函数，ne(k)为第k阶段的发动机转速，te(k)为第k阶段的发动机转矩，fe(ne(k),te(k))为第k阶段的发动机燃油消耗量。系统从第k阶段到末阶段n的目标函数j
k,n
定义为：
[0050][0051]
所以最优目标函数的动态递归方程为：
[0052][0053]
式中，为末阶段n的目标函数最小值，为从第k阶段到末阶段n的目标函数最小值，为从第k+1阶段到末阶段n的目标函数最小值。
[0054]
此外，动态求解过程中还要满足如下约束条件：
[0055][0056]
式中，nm(k)为第k阶段的电机转速；t
emin
和t
emax
分别为发动机转矩的最小值和最大值；和分别为电机转矩的最小值和最大值；和分别为发动机转速的最小值和最大值；和分别为电机转速的最小值和最大值；soc
min
和soc
max
分别为动力电池荷电状态的最小值和最大值。通过上述求解过程，即可获得典型工况下动力电池荷电状态(soc)的最优变化曲线；
[0057]
步骤2，以固定的公交站点为间隔，将典型工况划分成若干个工况片段，即可表示为s
tot
＝(s1,s2,s3,
···
,s
t
)；其中s
t
为第t个工况片段，s
tot
表示完整的工况。
[0058]
步骤3，以步骤1中获取的典型工况下动力电池荷电状态最优变化曲线为基础，按照步骤2中已划分的工况片段，提取各个工况片段内的区间电耗，区间电耗可表示为δe(t)
＝100(soc
end
(t)-soc
in
(t))q
bvb
,式中，
△
e(t)为第t个工况片段的区间电耗，soc
in
(t)和soc
end
(t)分别为第t个工况片段起始和结束时刻的动力电池荷电状态，qb和vb分别为动力电池的额定容量和电压。这里，
△
e(1)表示起始站与第一个站点之间工况片段内的区间电耗，以此类推。
[0059]
步骤4，提取表征工况片段特征的关键参数，构造基于工况片段特征的区间电耗辨识模型；这里优选的表征工况片段特征的关键参数为：最高车速、平均车速、平均加速度、平均减速度、怠速时间比和车速方差。
[0060]
采用elman动态神经网络来构造基于工况片段特征的区间电耗辨识模型如图3所示，可表示为：
[0061]
x(t)＝[v
max
(t),v
avg
(t),a
avg
(t),d
avg
(t),t
idle
(t),v
var
(t)]
t
[0062]
y(t)＝f(x(t))
[0063]
式中，x(t)为辨识模型的输入向量，即为第t个工况片段的特征参数向量，y(t)为模型的输出结果，即为第t个工况片段区间电耗的匹配结果，f()表示elman动态神经网络的传递函数，v
max
(t)为第t个工况片段的最高车速，v
avg
(t)为第t个工况片段的平均车速，a
avg
(t)为第t个工况片段的平均加速度，d
avg
(t)为第t个工况片段的平均减速度，t
idle
(t)为第t个工况片段的怠速时间比，v
var
(t)为第t个工况片段的车速方差。为了构造稳定性以及快速响应速度的基于工况片段特征的区间电耗辨识模型，这里优选的训练算法为列文伯格-马夸尔特(levenberg-marquardt)算法。
[0064]
步骤5，当车辆抵达站点时，将步骤3获得的结果
△
e(t)作为区间电耗的预测值，并利用车联网(v2x)技术获取下一工况片段的特征值，通过步骤4构建的区间电耗辨识模型获得的结果y(t)作为下一工况片段区间电耗的匹配值；这里，优选的车联网v2x技术采用专用短程通信技术实现车与公交远程监控平台之间数据的交互传输，通信频率为5.9ghz。
[0065]
步骤6，将步骤5中获得区间电耗的预测值作为观测模型的结果，区间电耗的匹配值作为匹配模型的结果，采用改进的交互多模型算法实现数据融合，最终获得下一工况片段区间电耗的最佳规划值。
[0066]
这里结合图4进行说明，将第t-1个工况片段，模型j的输出值定义为协方差矩阵定义为假设为模型j在第t个工况片段用来实现当前来自各模型以一定比例混合的输出值，其不确定性同样来自各模型混合而得到的协方差矩阵称为“输入交互”，具体可表示为：
[0067][0068][0069]
式中，为第t-1个工况片段模型i和j的相关性系数；为第t-1个工况片段模型i的输出值，为第t-1个工况片段模型i的协方差矩阵，l为模型个数，这里优选的l取值为2。
[0070]
采用卡尔曼滤波算法对各模型的输出进行滤波处理后，即可获得第t个工况片段
各模型的输出值和协方差矩阵这里，优选采用极大似然估计算法实现模型可信概率的更新。定义第t个工况下模型j最匹配的极大似然函数，为：
[0071][0072]
t＝1,2,
…
,m；
[0073]
j＝1,2,
…
,l；
[0074]
式中，为第t个工况片段下模型j最匹配的极大似然函数，为模型j的误差向量，为模型j的量测协方差矩阵，m为工况片段个数，l为模型个数。。考虑到本实施例中模型的量测协方差矩阵难以确定并表示，鉴于量测协方差矩阵中数值的随机特征，这里优选采用互不相关的零均值高斯分布随机变量对量测协方差矩阵进行赋值。
[0075]
进一步可知，更新模型j的可信概率为：
[0076][0077]
式中，为在第t个工况片段模型j的可信概率，c为归一化常数，p
ij
为模型i到模型j的转移概率，为在第t-1个工况片段模型i的可信概率。再由更新后的模型可信概率，即可实现各模型输出数据的融合，并获得最终的区间电耗的规划结果x
t
，具体的计算公式如下：
[0078][0079]
式中，为在第t个工况片段模型j的输出值，x
t
为最终的区间电耗规划值。
[0080]
多模型融合后的总体协方差可表示为：
[0081][0082]
式中，p
t
为多模型融合后的总体协方差。
[0083]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本发明书内容不应理解为对本发明的限制。

技术特征：
1.一种智能网联插电式混合动力公交车电量规划方法，其特征在于，该方法包括以下步骤：步骤1，采集固定线路运行的智能网联插电式混合动力公交车的车速曲线作为典型工况，运用全局优化算法提取典型工况下动力电池荷电状态的最优变化曲线；步骤2，以固定的公交站点为间隔，将典型工况划分成若干个工况片段；步骤3，以步骤1中获取的典型工况下动力电池荷电状态最优变化曲线为基础，按照步骤2中已划分的工况片段，提取各个工况片段内的区间电耗；步骤4，提取表征工况片段特征的关键参数，构造基于工况片段特征的区间电耗辨识模型；步骤5，当车辆抵达站点时，依据步骤3中的结果确定下一工况片段内区间电耗的预测值，并利用车联网技术获取下一工况片段的特征值，通过步骤4中构建的区间电耗辨识模型获得结果作为下一工况片段区间电耗的匹配值；步骤6，将步骤5中获得区间电耗的预测值作为观测模型的结果，区间电耗的匹配值作为匹配模型的结果，采用改进的交互多模型算法实现区间电耗预测值和匹配值的数据融合，最终确定下一工况片段区间电耗的最佳规划值。2.如权利要求1所述的一种智能网联插电式混合动力公交车电量规划方法，其特征在于，所述步骤1中的全局优化算法为动态规划算法。3.如权利要求1所述的一种智能网联插电式混合动力公交车电量规划方法，其特征在于，所述步骤4中表征工况片段特征的关键参数为最高车速、平均车速、平均加速度、平均减速度、怠速时间比和车速方差。4.如权利要求1所述的一种智能网联插电式混合动力公交车电量规划方法，其特征在于，所述步骤4中基于工况片段特征的区间电耗辨识模型是采用elman动态神经网络实现。5.如权利要求4所述的一种智能网联插电式混合动力公交车电量规划方法，其特征在于，采用列文伯格-马夸尔特算法对elman动态神经网络进行训练。6.如权利要求1所述的一种智能网联插电式混合动力公交车电量规划方法，其特征在于，所述步骤5中车联网技术为专用短程通信技术。7.如权利要求6所述的一种智能网联插电式混合动力公交车电量规划方法，其特征在于，所述专用短程通信技术的通信频率为5.9ghz。8.如权利要求1所述的一种智能网联插电式混合动力公交车电量规划方法，其特征在于，所述步骤6改进的交互多模型算法中采用极大似然估计实现对模型可信概率的更新，其中第t个工况片段下模型j最匹配的极大似然函数可定义为：式中，为第t个工况片段下模型j最匹配的极大似然函数，为模型j的误差向量，为模型j的量测协方差矩阵，m为工况片段个数，l为模型个数。

技术总结
本发明公开了一种智能网联插电式混合动力公交车电量规划方法，包括：采集固定线路运行的智能网联插电式混合动力公交车的车速曲线作为典型工况，采用全局规划算法获取典型工况的电池荷电状态(SOC)最优变化曲线，提取各个工况片段的区间电耗以及构造基于工况片段特征的区间电耗辨识模型，在此基础上引入改进的交互多模型算法确定下一工况片段的最佳电量规划值，消除单一电量分配方式的局限性。本发明实现对智能网联插电式混合动力公交车电量的最优规划，着力解决了电量分配不合理所造成车辆能耗恶化问题，对深入挖掘插电式混合动力系统的节能减排潜力，助推城市公共交通的绿色与可持续发展具有重大的理论与实用价值。色与可持续发展具有重大的理论与实用价值。色与可持续发展具有重大的理论与实用价值。


技术研发人员：田翔 刘光龙 蔡英凤 韩彬 黄田冬 严葛明 冯皓阳 朱镇 王勇 孙晓东 郑楚渝
受保护的技术使用者：江苏大学
技术研发日：2022.11.28
技术公布日：2023/7/4