[發明專利]一種插電式混合動力車輛實時能量管理方法和系統

有效

• 申請號: 202011243673.1
• 申請日: 2020-11-10
• 公開（公告）號: CN112101684B
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 張旭東;鄒淵;郭凌雄;孫逢春;郭寧遠
• 申請（專利權）人: 北京理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王立普

1.一種插電式混合動力車輛實時能量管理方法，其特征在于，包括：

獲取駕駛樣本；所述駕駛樣本包括：車輛行駛工況、車輛速度和車輛加速度；

根據所述駕駛樣本確定駕駛表征樣本；

根據所述駕駛表征樣本，采用k均值算法對所述駕駛樣本進行聚類得到標號不同的子數據集；

獲取速度預測網絡；所述速度預測網絡是以子數據集為輸入，以預測速度數據集為輸出的神經網絡模型；

根據所述子數據集和所述速度預測網絡確定預測速度數據集；

獲取車輛的當前狀態信息SOC和控制律map；

以所述預測速度數據集和所述預測速度數據集的SOC為索引，對所述控制律map進行插值，得到控制變量序列；所述控制變量序列包括車輛動力電池的輸出電流；

根據所述控制變量序列采用Q學習算法確定SOC參考軌跡；

采用MPC控制器根據所述SOC參考軌跡實時完成對車輛的能量管理；

其中，所述根據所述駕駛樣本確定駕駛表征樣本，具體包括：

根據所述駕駛樣本確定參數向量；所述參數向量包括：車輛平均速度、速度標準差、車輛平均加速度、加速度標準差、速度變換范圍和加速度變化范圍；

根據所述參數向量采用主元素分析算法確定與所述參數向量中每一參數相對應的特征向量和貢獻值；

根據所述特征向量和所述貢獻值確定特征主元，并采用所述特征主元表征所述駕駛樣本，得到駕駛表征樣本；所述特征主元為所述參數向量中的參數按所述貢獻值降序排列后的前四個參數；

所述控制律map的構建過程具體包括：

獲取Q學習算法模型；

根據所述Q學習算法模型和所述子數據集確定與所述子數據集相對應的概率轉移矩陣；

獲取狀態變量和動作變量；所述狀態變量為車輛的電荷狀態；所述動作變量為車輛的動力電池電流；

以所述概率轉移矩陣、所述狀態變量和所述動作變量為輸入，采用所述Q學習算法模型確定車輛的策略控制律；

根據所述概率轉移矩陣、所述狀態變量、所述動作變量和所述策略控制律構建所述控制律map。

2.根據權利要求1所述的插電式混合動力車輛實時能量管理方法，其特征在于，所述獲取速度預測網絡之前，還包括：

獲取多個徑向基神經網絡；所述徑向基神經網絡的個數與所述子數據集的個數相同；

獲取第一訓練樣本對和誤差閾值；所述第一訓練樣本對包括訓練子數據集以及與所述訓練子數據集相對應的預測速度結果集；

采用所述訓練樣本對分別對所述徑向基神經網絡進行訓練，并采用所述誤差閾值調節所述徑向基神經網絡的預測步長，得到訓練好的徑向基神經網絡；所述訓練好的徑向基神經網絡即為所述速度預測網絡。

3.根據權利要求1所述的插電式混合動力車輛實時能量管理方法，其特征在于，所述根據所述控制變量序列采用Q學習算法確定SOC參考軌跡，具體包括：

將所述控制變量序列輸入所述Q學習算法中的控制導向模型中進行狀態迭代更新后，得到SOC參考軌跡。