一种基于工况识别的电动汽车能量管理方法及系统

1.本发明属于电动汽车技术领域，具体涉及一种基于工况识别的电动汽车能量管理方法及系统。


背景技术：

2.随着生活水平的不断提高，汽车已经成为人们出行必不可少的交通工具之一，但随之产生的汽车尾气与石油的大量消耗一直是难以解决的问题。因此，发展绿色环保的电动汽车已经成为世界各国政府和汽车制造商的共同选择。在目前市场中，锂电池凭借能量密度高、体积小、温度适应范围广等优点被广泛应用到电动汽车中。但对于如何在提供较高的功率密度的前提下，尽可能地延长电池使用寿命这个主要问题，受限于目前的技术还不能很好地解决。超级电容作为一种新型能源，具有高功率密度、循环寿命长、高充放电效率、响应时间短等优点，与锂电池特点互补，两者构成混合储能系统。混合储能系统有利于延长锂电池的寿命，提高整车经济性能。
3.电动汽车现有的能量管理策略主要分为基于规则的能量管理策略和基于优化的能量管理策略两类。基于规则的能量管理策略更多地使用专家经验来设定规则，算法相对简单，执行效率高实时性强，但规则的设定过于依赖于经验，并非最优方案。基于优化的能量管理策略则通常选择相应参数设定优化目标，在满足约束条件下通过求解得到最优方案，但需要先验知识，与基于规则的策略相比计算成本较高。
4.另外，为了更好地延长锂电池的寿命，增加电动汽车的经济性，需要综合考虑行驶工况对能量管理策略的影响。在拥堵的城市，电动汽车速度较慢且频繁启停；在高速公路上，速度则较快且较为平稳；郊区则适中。因此，应综合考虑工况的不同特点，设计不同工况下的能量管理策略。
5.近年来，有许多发明专利也对此进行了展开。罗金等人提供了一种纯电动汽车的工况识别控制方法，将神经网络控制器对历史行驶数据的特征参数进行辨识，以获取所述历史行驶数据所属工况类型，并将这个结果用于调用相应模糊控制器参数，实现能量管理。但模糊逻辑的规则设定依赖于专家经验，对于能量管理来说远不是最优方案。另一方面，针对工况类型这种不确定的模糊概念，模糊逻辑更适用于进行工况识别。孔令安等人公开了一种电动汽车及其工况识别方法、装置，需要获取电动汽车的电机请求扭矩，当前车速和方向盘转角作为已知条件进行工况识别，且未进行能量管理策略的设计。


技术实现要素：

6.针对现有技术的不足，本发明提供一种基于工况识别的电动汽车能量管理方法，有效延长锂电池的使用寿命，提高整车经济性。
7.本发明解决其技术问题所采用的技术方案为：
8.一种基于工况识别的电动汽车能量管理方法，包括以下步骤：
9.步骤1、对各类公开工况数据集进行工况块划分，提取工况块的特征参数，通过主
成分分析减少特征冗余，并将特征相似度高的进行工况重组，构建典型工况数据集；
10.步骤2、构建能量管理的多目标优化问题，根据负载功率需求进行动态规划离线求解，得到离线最优参考值；
11.步骤3、将动态规划求解所需的关键变量和求解所得离线最优解作为输入和输出，构建三种工况类型下最优能量管理策略数据集；将步骤1构建的典型工况数据集用于神经网络训练，构建三种工况模式下的基于神经网络的能量管理模型；
12.步骤4、采集实时的行驶工况速度数据，通过滑动窗口提取工况段特征，并进行主成分分析；
13.步骤5、将特征参数输入模糊逻辑工况识别器，得到工况识别结果；
14.步骤6、根据工况识别结果，选择分类结果所对应的基于神经网络的能量管理模型；
15.步骤7、将超级电容和锂电池的电流电压以及速度信息特征输入到训练好的神经网络模型中，得到超级电容的参考电流，实现实时能量管理；
16.一种基于工况识别的电动汽车能量管理系统，包括：
17.采集模块，用于实时采集混合储能模块中锂电池、超级电容的电流、电压以及电动汽车的速度信息，将锂电池、超级电容的电流、电压传递给能量管理控制模块，速度信息传递给工况类型识别模块；
18.驱动模块，用于接收控制模块的信号，输出pwm信号来控制开关元件开闭，使超级电容电流跟随控制模块给出的参考信号，其输入端与控制模块电连接，其输出端与混合储能模块电连接；
19.工况类型识别模块，用于根据实时采集到的速度数据，通过根据典型工况数据集预设的模糊逻辑分类器实时进行分类，输出当前所处工况类型，并与控制模块电连接；
20.控制模块，用于根据工况类型识别模块结果所属的工况类型选择对应的神经网络模型，例如：城市工况对应神经网络模型1，郊区工况对应神经网络模型2，高速工况对应神经网络模型3；并将采集模块采集的信号和速度信息提取到的特征输入对应的神经网络模型，计算得到向混合储能模块发出的控制信号；
21.混合储能模块，用于根据驱动模块信号存储或释放电能。
22.本发明的有益效果：本发明通过对工况类型识别自适应调整能量管理策略，并通过提取锂电池、超级电容和负载的电流与电压特征和速度、加速度等信息作为训练好的神经网络的输入，由神经网络输出参考电流，这样有效延长了锂电池的寿命，减少系统损耗和电池组的更换成本，提高了整车经济性。相比之前的能量管理策略不仅电路设计简单，而且优化效果显著，实时性能很好。
附图说明
23.图1是本发明提供的基于工况识别的能量管理装置的模块示意图；
24.图2是本发明提供的基于工况识别的能量管理方法的流程图。
具体实施方式
25.下面结合附图对本发明作更进一步的详细说明。
26.如图1所示，图1是本发明的一种基于工况识别的电动汽车混合储能系统的结构示意图，其包括：
27.采集模块100：用于实时采集混合储能模块中锂电池、超级电容的电流、电压以及电动汽车的速度信息，将锂电池、超级电容的电流、电压传递给能量管理控制模块，速度信息传递给工况类型识别模块；
28.能量管理控制模块200：用于根据工况类型识别模块结果所属的工况类型选择对应的神经网络模型，例如：城市工况对应神经网络模型1，郊区工况对应神经网络模型2，高速工况对应神经网络模型3；并将采集模块采集的信号和速度信息提取到的特征输入对应的神经网络模型，计算得到向混合储能模块发出的控制信号；
29.驱动模块300：用于接收控制模块的信号，输出pwm信号来控制开关元件开闭，使超级电容电流跟随控制模块给出的参考信号，其输入端与控制模块电连接，其输出端与混合储能模块电连接；
30.混合储能模块400：用于根据驱动模块信号存储或释放电能。
31.工况类型识别模块500：用于根据实时采集到的速度数据，通过根据典型工况数据集预设的模糊逻辑分类器实时进行分类，输出当前所处工况类型，并与控制模块电连接；
32.如图2所示，图2给出了本发明提供的基于工况识别的能量管理方法流程图。包括以下步骤：
33.步骤1、对各类公开工况数据集进行工况块划分，提取工况块的特征参数，通过主成分分析减少特征冗余，并将特征相似度高的进行工况重组，构建典型工况数据集；
34.其中，所述典型工况数据集，是根据对各类公开工况数据集进行工况块划分，提取工况块的特征参数，并将特征相似度高的进行典型工况重组来构建的。其中，工况块是按从一个空闲段到下一个空闲段的连续驾驶时间来划分的。对于高速路况，采用复合等分法对工况进行划分，提供工况块的特征参数，进一步增加样本数量。
35.步骤2、构建能量管理的多目标优化问题，根据负载功率需求进行动态规划离线求解，得到离线最优参考值；在同时考虑混合储能系统电池寿命和功率损耗的情况下，构建多目标优化问题，优化目标为：(1)减少混合储能系统功率损耗；(2)通过减小电池电流和减少电流变化来延长电池寿命，目标函数分别设为f1和f2，如下所示：
[0036][0037][0038]
其中，p
loss
(k)为第k时刻的混合储能系统功率损耗，ib(k)为第k时刻的锂电池电流，ib(k)-ib(k-1)为第k时刻的锂电池电流变化，为了标准化，将功率损耗的最大值p
loss,max
的值设置为8000w，锂电池变化最大值δi
b,max
为40a，对多目标优化问题的中的两个目标函数赋予权重系数，分别为0.5和0.5，其乘积之和作为新的目标函数；
[0039]
为了建立功率损耗模型，锂电池和超级电容等效成了电压源与内阻的简化模型。其中，锂电池由电压源v
b,oc
和内阻rb构成，电压表示为vb；超级电容由电压源v
uc,oc
和内阻r
uc
构成，电压表示为v
uc
。电感器等效成了电感l与内阻r
l
；mos管导通时等效为电阻r
sw
；体二极管则等效为电压源vd与电阻rd的简化模型,表示正向偏置二极管在导通状态下的电压降。
[0040]
进一步地，超级电容的荷电状态soc的计算公式为：
[0041][0042]
其中，v
uc
(t)表示t时刻采集到的超级电容的电压，v
uc,norm
是超级电容的标称电压；
[0043]
双向dc/dc转换器有两种不同的工作模式，即升压和降压模式。在升压模式下，dc/dc的占空比表示为：
[0044][0045]
θ1＝(v
b,oc
v
d-i
dmd
rb i
l
(r
d-r
sw
2rb))
2-4i
l
rb(i
l
(rd r
l
r
uc
rb)-v
uc,oc
v
b,oc-i
dmd
rb vd)
[0046]
在降压模式下，dc/dc的占空比表示为：
[0047][0048]
θ2＝(v
b,oc
v
d-i
dmd
rb i
l
(r
sw-rd))
2-4i
l
rb(i
l
(rd r
l
r
uc
)-v
uc,oc-vd)
[0049]
平均输出电容电压vc为：
[0050][0051]
混合储能系统功率损耗p
loss
包括了升压和降压两种模式下的dc/dc转换器的导通损耗p
dc,loss
、开关损耗p
sw,loss
和电池超级电容中的功率损耗，dc/dc转换器的导通损耗p
dc,loss
为
[0052][0053]
dc/dc,转换器的开关损耗p
sw,loss
为
[0054][0055]
开关频率fs为50khz，tr和tf表示mos管在开关期间的上升时间和下降时间，分别为13ns和12ns，c
oss
是mos管输出电容，为1860pf，q
t
是由于栅极电容通过栅极电压充电而产生的栅极电荷,为490n，q
rr
是反向恢复充电电量，为2μc，栅极电压为30v，同时考虑导通损耗和开关损耗，升压模式和降压模式的dc/dc转换器效率为
[0056][0057]
混合储能系统中的总功率损耗是双向dc/dc转换器和电池超级电容中的功率损耗之和，从而可以得到总功率损耗p
loss
[0058][0059]
在此优化问题中，选取dc/dc转换器输出电流i
conv
(k)作为控制变量，根据负载需求电流守恒方程得到锂电池电流ib为：
[0060]
ib(k)＝i
dmd
(k)-i
conv
(k)
[0061]
进一步地，p
dmd
负载需求功率计算公式为：
[0062][0063]
其中，m为车辆质量，a为电动汽车的加速度，g为重力加速度，v为电动汽车的速度，cr为电动汽车的滚动阻力系数，ρ为空气密度，af为电动汽车的前区面积，cd为电动汽车的气动阻力系数，η1和η2分别为电动汽车的电能转换效率和制动时的反馈效率；其中m、cr、af、cd、η1和η2均为电动汽车固有参数，参数分别为车辆质量1460kg，滚动阻力系数0.016，气动阻力系数0.28，前区面积2.2m2，电能转换效率0.92，动能反馈效率0.8。通过计算可以得到负载功率，由p＝ui得到需求电流i
dmd
，其中u为总线电压。
[0064]
基于双向dc/dc转换器的状态空间平均模型，得到超级电容电流，即电感电流为：
[0065][0066]
针对给定工况数据和车辆动力学模型，计算得出负载需求功率，使用动态规划离线求解，得到离线最优解。
[0067]
步骤3、将动态规划求解所需的关键变量和求解所得离线最优解作为输入和输出，构建三种工况类型下最优能量管理策略数据集。将这个数据集用于神经网络训练，构建三种工况模式下的基于神经网络的能量管理模型；
[0068]
其中，所述最优能量管理策略数据集是将速度、加速度、前一时刻的锂电池电流、负载需求和超级电容soc状态等特征作为输入，将动态规划求解所得的最优离线参考作为输出所构建的。针对已构建的城市、郊区、高速三种典型工况数据集，均使用动态规划进行求解，得到三种类型下的训练神经网络所需的能量管理策略数据集。将这个数据集用于神经网络训练，训练后的神经网络可根据不同工况类型的特点实现准最优策略。
[0069]
所述神经网络模型采用反向传播神经网络，由输入层、两层隐藏层和输出层组成；其中，输入层节点数为5，输出层为1，三种工况模式下的隐藏层节点数不同；训练时，迭代次数设置为200，求解使用levenberg marquardt算法，隐藏层采用tansig传递函数，输出层神经元采用purelin传递函数。
[0070]
步骤4、采集实时的行驶工况速度数据，通过滑动窗口提取工况段特征，并进行主成分分析；
[0071]
采集实时速度信息，根据滑动窗口提取工况段特征，包括加速时间、减速时间、怠速时间、巡航时间、最大速度、平均速度、除去怠速的平均速度、速度标准差、平均加速度、平均减速度、加速度标准差、加速时间占比、减速时间占比。再对这些特征进行主成分分析，选取累计贡献率达到80％以上的参数作为工况识别的特征参数。
[0072]
步骤5、将主要特征参数输入模糊逻辑工况识别器，得到工况识别结果；
[0073]
所述模糊逻辑工况识别器由三部分组成:模糊化、模糊推理和去模糊化。将特征数据作为逻辑的输入值进行模糊化并转换为城市、郊区、高速三种类型的隶属度，经过模糊推理后将结果进行去模糊化得到城市、郊区、高速三种工况识别结果。
[0074]
步骤6、根据工况识别结果，选择分类结果所对应的基于神经网络的能量管理模型；
[0075]
根据分类结果选择所对应的基于神经网络的能量管理策略。其中，若分类结果为城市工况，对应的是神经网络模型1，输入层节点数为5，隐藏层节点数分别为40，22，输出层为1；分类结果为郊区工况，对应的是神经网络模型2，输入层节点数为5，隐藏层节点数分别为34，24，输出层为1，分类结果为高速工况，对应的是神经网络模型3，输入层节点数为5，隐藏层节点数分别为30，21，输出层为1；
[0076]
步骤7、将超级电容和锂电池电流电压以及速度信息等特征输入到训练好的神经网络模型中，得到超级电容的参考电流，实现实时能量管理。
[0077]
采集超级电容、锂电池的电流与电压，根据之前采集的速度信息计算得出需求电流，根据超级电容电压计算超级电容soc状态，选择速度、加速度、前一时刻的锂电池电流、负载需求和超级电容soc状态输入到训练好的神经网络模型中，得到超级电容的参考电流。跟踪超级电容参考电流，通过控制模块的两个模式下的pi控制器实现实时能量管理。
[0078]
本发明根据工况实时调整能量管理策略，有效延长了锂电池的寿命，减少系统损耗和电池组的更换成本，提高整车经济性能。相比之前的能量管理策略不仅电路设计简单，而且优化效果显著，实时性能很好。