[發明專利]智能網聯混合動力汽車能量-熱量一體化實時管理系統

有效

• 申請號: 202010410080.3
• 申請日: 2020-05-15
• 公開（公告）號: CN111891110B
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 宮洵;汪介瑜;呂良;麻寶林;胡云峰;劉奇芳;高炳釗;陳虹
• 申請（專利權）人: 吉林大學
• 主分類號: B60W20/11
• 分類號: B60W20/11;B60W40/105;B60W50/00
• 代理公司: 吉林長春新紀元專利代理有限責任公司 22100
• 代理人: 白冬冬

1.一種智能網聯混合動力汽車能量-熱量一體化實時管理系統，

S1.結合交通流云數據采集所有路段上的實時交通信息流，利用V2V/V2I通訊技術獲取行駛路線上的隊列車速信息；將具有不同時間尺度的車速信息提供給多尺度車速預測模塊；

S2.確定全局路線，結合該全局路線上的交通流云數據，在多尺度車速預測模塊中建立宏觀長時間尺度的平均交通流車速預測信息，并按照一定的頻率更新；

其特征在于：

S3.結合行駛路線上的隊列車速信息，在多尺度車速預測模塊中建立微觀短時間尺度的車速預測信息，按照一定的頻率進行更新；

S301.結合行駛路線上的隊列車速信息，利用Shockwave模型獲知本車到達十字路口前的排隊動態，Shockwave模型通過分析推導四種主要沖擊波，即集結波、傳輸波、撤離波和壓縮波；四種沖擊波分別表示為：

1)集結波S₁(t)：

其中，t是當前的時刻，q_n-1代表前一個路口的入口處的交通流量；L_n是當前路口與前一個路口之間的路段長度；是集結波對應的隊列長度，定義為集結波S₁(t)的前端到t時刻相交路口處停止線的距離；v_f是自由狀態下的交通流速；是當前路段的交通流堵塞密度；s^*是常規交通流流速；

2)傳輸波S₂(t)：

其中，wⁿ和分別是當前路段的交通流飽和流速以及飽和密度,r_n(t)是當前路口的禁止通行時長；

3)撤離波S₃(t)：

其中，是撤離波對應的隊列長度，定義為集結波S₃(t)的前端到t時刻相交路口處停止線的距離，g_n(t)是當前路口的允許通行時長；

4)壓縮波：

S302.根據Shockwave模型提供的前方隊列動態，完成預測周期為15秒的短時間尺度車速預測信息，隨著隊列中速度序列的變化，上述短時間尺度的預測信息將按照一定的頻率進行更新，短時間尺度的車速信息定義為v_veh,s；

S4.將長、短時間尺度的車速預測結果傳遞給混合動力車輛動力鏈-熱力鏈動耦合力學預測模塊；

S5.利用多尺度車速預測模塊提供的長、短時間尺度的車速信息，計算需求功率，并建立混合動力車輛動力鏈-熱力鏈動耦合力學模塊，該模塊包含車輛縱向動力學行駛模型、電池需求功率、電池SOC、考慮發動機熱效應的燃油消耗率及熱力鏈回路；選取系統中的關鍵控制變量，并建立能量及熱量一體化優化問題描述，確定需滿足的約束條件；

S501.建立車輛縱向動力學行駛模型：根據多尺度車速預測模塊提供的車速信息，計算所需求的轉矩P_req：

其中，ρ是空氣密度，C_d是空氣阻力系數，A是正向迎風面積，m是車輛的質量，g是重力加速度，θ是路面坡度，μ是路面摩擦系數，σ是車輛旋轉元件的質量系數，η_t是傳動效率，v_veh是車速，相應地，長、短時間尺度下獲得的車速信息v_veh,l、v_veh,s便分別對應可得長、短時間間隔下的需求功率P_req,l、P_req,s；

S502.確定電池需求功率

當獲知系統需求功率時，結合當前確定的發動機輸出功率P_eng，便可獲知需求功率P_req、發動機和電池需求功率P_bat之間的關系

P_bat＝P_req-P_eng (6)

其中，當前發動機功率可依據當前的發動機轉矩Tr_eng和發動機轉速ω_eng獲得；

S503.電池SOC建模

混合動力車輛中電池SOC的動態方程為

其中，開路電壓U_bat及內阻R_int為電池SOC的函數，所以電池SOC動態方程函數可以簡化為電池功率P_bat和電池SOC的函數，即：

S504.考慮發動機熱效應的燃油消耗率建模

發動機燃油消耗率的名義油耗模型：

其中，是不考慮發動機熱效應的名義油耗，e_mode是發動機的啟停狀態，e_mode＝1為啟動，e_mode＝0為停機，將停機狀態下的燃油消耗視為零，即不考慮冷卻系統功耗；

在燃油消耗模型上考慮了發動機熱效應影響，得到實際發動機燃油消耗率m_fuel表示為：

其中，f_cool,map(T_cool)是考慮發動機熱效應的燃油消耗率標定函數項；

燃油消耗率表示為發動機轉速和轉矩、冷卻液溫度的函數：

m_fuel＝f_fuel(ω_eng,Tr_eng,e_mode,T_cool) (11)

發動機轉速ω_eng和轉矩Tr_eng和發動機功率相關，發動機功率P_eng和需求功率P_req、電動機功率P_bat之間的關系存在式(6)的關系，則發動機油耗函數表示為：

m_fuel＝g_fuel(P_bat,P_req,e_mode,T_cool) (12)

S505.熱力鏈回路建模

混合動力車輛中冷卻液溫度的動態方程可以表示為：

即冷卻液溫度的變化是發動機轉矩Tr_eng和轉速ω_eng、燃油消耗率m_fuel、冷卻液溫度T_cool和駕駛員供熱需求的函數；結合上述燃油消耗率的相關表達式(6)和(12)，得：

S506.建立能量-熱量一體化優化問題描述

將電池SOC系統方程和冷卻液溫度的動態方程中多個控制變量，簡化為兩個控制變量發動機啟停狀態e_mode和電池功率P_bat，得到狀態方程為

其中，

f₁(P_bat,SOC)＝f_SOC(P_bat,SOC)；

優化目標是最小化預測時域[t₀,t_f]內的系統油耗：

其中，控制器的控制變量取u＝[P_bat,e_mode]，狀態變量取x＝[SOC,T_cool]，擾動變量

S507.確定優化問題需滿足的約束條件

混合動力車輛的能量-熱量一體化優化控制需要滿足如下約束條件：

1)需要滿足電池SOC動態方程及狀態約束：

其中，SOC₀是SOC始端狀態，即在初始時刻t₀的SOC值；

2)需要滿足電池功率約束；

P_bat,min≤P_bat(t)≤P_bat,max (18b)

其中，P_bat,min和P_bat,max是電池功率的物理極限值，分別為電池功率的最小和最大值；

3)滿足發動機啟停狀態的約束，

e_mode∈{0,1} (18c)

其中，1為發動機啟動狀態，0為停機狀態；

4)將需求功率需要跟蹤上輸入期望值w^*(t)

w(t)＝w^*(t) (18d)

S6.設計基于PMP-MPC的SOC軌跡實時優化控制器，即iPTMS的上層軌跡規劃控制器

S601.測量當前狀態變量信號，接收由未來宏觀長時間尺度的平均交通流車速信息得到的需求功率P_req,l；

S602.確定優化問題描述

將采用時間間隔Δt_l將長時間尺度的預測時域[t_0,l,t_f,l]劃為N_p,l等份，時間離散化為r∈{1,2,...,N_p,l+1}，得到優化目標函數：

其中，優化目標的燃油消耗率選取為名義油耗選取控制變量u_l為長時間尺度下電池功率，u_l＝P_pl,bat，u_l是允許輸入值的集合；長時間尺度下電池SOC，SOC_pl為狀態變量，x_l＝SOC_pl，擾動變量為長時間尺度下得到的需求功率w_l＝P_req,l；

基于PMP-MPC的SOC軌跡實時優化控制器需滿足如下約束條件：

1)需要滿足電池SOC動態方程及狀態約束：

其中，SOC₀是初始時刻的SOC值；

2)需要滿足電池功率約束

P_bat,min≤P_pl,bat(r)≤P_bat,max (20b)

其中，P_bat,min和P_bat,max是電池功率的物理極限值；

3)將需求功率需要跟蹤上輸入期望值

S603.利用松弛函數法處理狀態約束

將SOC的狀態約束SOC_min≤SOC_pl(r)≤SOC_max轉化為松弛函數

其中，α和β均為保證目標函數與原始優化問題的目標函數一致的調節參數，和x_l分別為狀態變量的上下約束極限SOC_max和SOC_min，∈設定為一個正數來維持狀態約束的變化范圍；

S604.構造哈密頓函數

得到哈密頓函數的定義為：

其中，ξ是協態變量，并且f₁(u_l(r),x_l(r))＝f₁(P_bat(r),SOC(r))；

最優必要性條件如下：

x_l(r)＝x_l(r+1)+f₁(x_l(r),u_l(r))Δt_l (23a)

以及終端條件ξ(N_p,l+1)＝0；

同時，最優控制率必須在每個時刻使得哈密頓函數最小

當已知狀態ξ(r)、SOC_pl(r)時，便可以根據極大值原理求出最優控制率；

S605.確定協態變量初值

通過車輛參數和狀態值的范圍，確定最優協態變量的邊界

其中，D_l是允許狀態值的集合，為了確定Λ_ξ,L和Λ_ξ,U，定義邊界函數ξ_min和ξ_max，其滿足下列關系：

將ξ_min(r)賦值給∧_ξ,L，ξ_max(r)賦值給得到

令

式(27)化簡為

ξ(r)＝K₁(r+1)ξ(r+1)+K₂(r+1) (28)

通過系統參數以及約束，得到{0K₁≤1,K_1max0,K_2min0}；

參照最優協態變量軌跡(28)的形式，定義邊界函數{_ξmin(r),ξ_max(r)}，得到下邊界為

當保證時，ξ_min(r)則為ξ(r)的下界；同理，保證ξλ(r)-ξλ_max(r)≤0時，ξ_min(r)則為ξ(r)的上界；可知{ξ_min(r),ξ_max(r)}為ξ(r)的邊界函數，協態變量初值根據公式(29)遞推得到；

S606.迭代求解最優協態變量

邊界條件是初始協態變量的連續函數，記為：

W((1))＝ξ(N_p,l+1) (30)

通過二分法迭代找到最優協態變量，迭代終止條件是其中ε是迭代終止誤差，r_r是迭代次數；

S607.求解最優控制變量

根據優化控制問題中的狀態SOC_pl(r)、ξ(r)以及約束條件，利用PMP便可以得到最小哈密頓函數對應的控制變量為u^*(r)；

S7.設計基于FDP-MPC的熱效應耦合實時能量優化分配控制器，即iPTMS的下層軌跡規劃控制器

S701.測量當前狀態變量，接收預測時域內需求功率P_req,s和駕駛員供熱需求

S702.確定優化問題描述

將采用時間間隔Δt_s將短時間尺度的預測時域[t_0,s,t_f,s]劃為N_p,s等份，同時，時間離散化為k∈{1,2,...,N_p,s+1}，得到優化目標函數：

其中，優化目標是考慮發動機熱效應的燃油消耗率m_fuel，u＝[P_bat，e_mode]為控制變量,將控制變量離散化為是允許輸入值的集合；擾動變量為狀態變量為x＝[SOC T_cool]；

需要滿足的約束條件是：

1)需要滿足電池SOC動態方程及狀態約束：

其中，SOC₀是初始時刻的SOC值；

2)需要滿足冷卻液溫度約束：

其中，T_c,max為冷卻液溫度限制，供熱需求

3)需要滿足電池功率約束：

P_bat,min≤P_bat(k)≤P_bat,max (32c)

其中，P_bat,min和P_bat,max是電池功率的物理極限值；

4)需要滿足發動機啟動狀態約束

e_mode(k)∈{0,1} (32d)

5)將需求功率需要跟蹤上輸入期望值

w(k)＝w^*(k) (32e)；

S703.確定預測時域內SOC上下邊界

為減小運算時間，將k＝1時刻的電池SOC始端約束SOC(1)＝0.6放大離散為{0.599,0.6}，這樣能夠使離散狀態點在離散控制變量作用下準確落在始端約束范圍內，然后從預測時域始端和終端開始，將上層軌跡規劃控制器優化出的電池SOC軌跡與SOC狀態約束{SOC_max,SOC_min}求交集，確定整個預測時域內SOC的上下邊界根據上下邊界將SOC離散化為

S704.網格劃分

根據表1的標準，對狀態變量和控制變量進行網格劃分：

表1 FDP各維度變量網格劃分

S705.反推主狀態變量

在每個時刻k，且k≠1、主要狀態變量X_k,i及控制變量U_j作用下，根據狀態方程反推上一時刻的主要狀態變量，記為

S706.計算狀態轉移過程成本

根據目標函數求解狀態轉移過程的成本

S707.計算終端成本、最優控制變量

從前往后遞推得到每個時刻k及主要狀態變量X_k,i下的最優終端成本J_k,i：

及最優控制變量

式中，f_itp為interp1插值函數，N_x為約束變量的個數；在其他最優狀態變量C_k-1,i及最優控制變量下，其他最優狀態變量即冷卻液溫度；根據狀態方程求解下一時刻其他最優狀態變量C_k,i；

S708.獲得最優解

根據主要狀態變量的終端固定約束從后往前遞推得到每個時刻的最優控制變量u_k、主要狀態變量x_k和其他狀態變量c_k

式中，