[發明專利]一種基于智能預測的插電式混合動力車輛的能量管理方法

有效

• 申請號: 201810003711.2
• 申請日: 2018-01-02
• 公開（公告）號: CN108177648B
• 公開（公告）日: 2019-09-17
• 發明（設計）人: 何洪文;譚華春;彭劍坤;李夢林;李岳騁
• 申請（專利權）人: 北京理工大學
• 主分類號: B60W20/11
• 分類號: B60W20/11;G06N3/08;G06N3/04
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 范盈

本發明提供了一種基于智能預測的插電式混合動力車輛的能量管理方法，利用了具有多源、混雜特點的行駛工況信息，在線學習優化PHEV全局能量分配，提高混合動力系統的智能化水平；建立實時學習和預測模型，提高控制時域的工況預測精度，實現滾動時域內的多目標優化能量管理，對深入挖掘PHEV的節能潛能有重要意義，具有諸多的有益效果。

技術領域

本發明涉及一種插電式混合動力車輛的能量管理技術領域，具體地，涉及一種通過智能型預測的手段對插電式混合動力車輛實現能量管理的方法。

背景技術

插電式混合動力車輛的動力系統由于能量輸入的多源性、工作模式的多樣性、以及多種形式能量流的強耦合性等特點，其綜合控制和能量管理一直是本領域中較為復雜的技術難點。其能量管理與車輛行駛交通環境、道路行人、天氣、駕駛員駕駛風格、車輛自身狀態、道路坡度等多種行駛工況因素密切相關，然而如何利用這些具有多源、混雜特點的行駛工況信息，實現在線學習優化插電式混合動力車輛的全局能量分配，提高混合動力系統的智能化水平，是本領域中亟待解決的問題。

發明內容

針對上述本領域中存在的技術問題，本發明提供了一種插電式混合動力車輛的能量管理方法，具體包括以下步驟：

步驟1、在線提取對應于目標行駛路線的多維行駛工況信息，基于深度學習算法對所述目標行駛路線建立全局行駛工況的重構模型。從而對目標行駛路線實現預先動態的重構。

步驟2、基于所述步驟1中所建立的全局行駛工況的重構模型，建立強化學習網絡模型，獲得所述插電式混合動力車輛的動力電池最優能量軌跡；

步驟3、根據所述車輛的自身狀態信息以及交通信息分別構建駕駛員風格深層卷積神經網絡模型和交通信息的深層卷積神經網絡模型，提取相應的駕駛員風格特征和交通信息特征，基于深度學習算法建立所述車輛的未來短期工況實時預測模型；

步驟4、根據所述動力電池的壽命模型，以所述步驟2中的所述動力電池最優能量軌跡作為滾動時的終值約束，結合所述步驟3中建立的所述未來短期工況實時預測模型，建立所述動力電池的控制策略。

進一步地，所述步驟1中在線提取的多維行駛工況信息，包括提取自開源地圖服務商，交通監控平臺，車載視覺系統的車流信息、信號燈信息、行人信息和天氣信息。通過標準映射方式將上述各種信息映射為標準行駛工況信息。

進一步地，所述步驟2中的所述建立強化學習網絡模型，獲得所述插電式混合動力車輛的動力電池最優能量軌跡，具體包括：以全局能量消耗最少作為所述強化學習網絡模型的強化獎勵。

進一步地，所述步驟3中的車輛的自身狀態信息包括與轉向、油門踏板、制動踏板等相關的信息。不同駕駛員對于行駛過程中的車輛跟馳、車道變化行為和信號燈判斷在心理上差別很大，這導致了駕駛行為的不同。在駕駛員行駛風格之外仍有一些難以測量的交通環境信息會對未來工況產生影響，因而所述交通信息包括如環境車輛速度、信號燈轉換以及路上行人隨機走動等。對所述車輛的自身狀態信息和交通信息分別建立數據庫，利用所述數據庫中的樣本分別構建所述駕駛員風格深層和交通信息的深層卷積神經網絡模型。

所述神經網絡的各網絡層是在由多個高斯-伯努利受限玻爾茲曼機疊加組成的深度信念網絡末端加入神經網絡，利用深度信念網絡生成的特征進行所述車輛的未來短期工況實時預測。整個網絡的訓練過程主要由兩部分組成，一部分是逐層訓練多個高斯一伯努利受限玻爾茲曼機，每一個高斯-伯努利受限玻爾茲曼機模型利用基于能量的聯合概率表達。模型訓練過程的另一部分是有監督訓練下的參數微調，具體操作是末端引入神經網絡回歸層，形成深層卷積神經網絡結構，利用反向傳播算法對預訓練的參數進行微調，微調過程中的參數更新公式如下：