技术领域
[0001] 本
发明涉及一种混合动力汽车能量管理控制策略,特别涉及一种兼顾换挡策略的多模混合动力汽车能量管理控制策略。
背景技术
[0002] 在大幅提高动力
电池比能量、寿命,降低
燃料电池成本与储氢安全性之前,混合动力汽车被认为是当前最为理想的节能与环保汽车技术。与传统
内燃机汽车相比,混合动力汽车具有至少两个能量源,一般的混合动力电动汽车中这两种
能源是
电能与燃料内能。如何控制与利用这两种能源的特性实现互补,在保证车辆正常驱动的同时,实现能量的最大化利用是混合动力汽车研究工作的重点与难点,即能量管理控制策略。控制策略的核心在于根据汽车实际行驶过程中的能量需求,合理地控制
电机与
发动机的输出功率,以获得最佳经济性、最低排放与最佳驱动性能。
[0003] 目前关于混合动力汽车的能量管理策略的相关研究工作很多,如基于动态规划的全局能量管理控制策略。动态规划是一种全局最优化方法,其求解得到的控制律为系统最优控制律,但该方法需要巨大的计算量,若应用于拓扑构型优化与动力参数匹配问题时会面临计算效率过低等挑战。除动态规划之外,另外一种被学者所认可的能量管理控制策略是等效燃油最小化方法,其中的等效油电转化因子被证明是极小值原理中的重要组成部分。但该方法的最优特性只在并联式混合动力汽车上得到证明,对于动力学关系较为复杂的功率分流式混合动力汽车并未证明;同时最优等效油电转化因子会随着工况的变化而变化,且其无法处理模式切换问题,使其不适合应用于多模混合动力汽车的能量管理控制优化。
发明内容
[0004] 本发明为了克服
现有技术中存在的问题,提出一种基于能量效率最大化的准确且快速的多模混合动力汽车近优能量管理控制策略,共分两层,外层与内层相互协调,最终形成适用于多模混合动力汽车的近优能量管理控制策略NEMS+,该方法在实现能量管理控制策略优化的同时,能够保证模式切换的平顺性与合理的模式切换
频率。
[0005] 为解决上述技术问题,本发明提供了基于能量效率最大化的多模混合动力汽车能量管理策略,包括内外两层,内层为效率归一化最大化策略,其基于全局归一化效率因子的效率分析方法,用于计算最优的能量分配律,同时处理混合动力模式与纯电动模式的能量效率优化问题;外层为基于动态规划确定最佳模式切换策略,用于处理多模混合动力汽车的模式切换问题,求解最优模式切换命令,做出最优模式切换控制命令。
[0006] 内层的效率归一化最大化策略具体包括以下步骤:
[0007] 步骤1.对标准驾驶循环工况以车辆车速与驾驶员需求
扭矩两个变量进行离散化,组成一个两维概率表p(vm,Tn),称它为STC,即Speed Torque Cell,如式(1)所示:
[0008]
[0009] 其中,num(vm,Tn)代表该循环工况中,在某一速度区间与某一扭矩区间的工作点个数,num(vm,Tn)total为总工作点个数;
[0010] 步骤2.对每一个模式归一化效率分析,得到每一个模式下系统的最优效率和对应的控制;
[0011] 模式归一化效率分析中各模式如下:
[0012] (1)纯电动模式:系统能量来源电池,系统的输出动力元件为
驱动电机,根据假设,在每一个时间区间,电池的开路
电压与内阻是常数,故系统的效率仅取决于电机的效率;
[0013] (2)
制动能量回收模式:当驾驶员需求扭矩为负时,车辆进入制
动能量回收模式,电机做负功,电池处于充电状态,系统效率取决于电机效率;
[0014] (3)混合动力模式:存在两个动力能量源,能量传递流可分为4个部分:发动机功率通过发电机转化为电能并存入电池的Pe_1,发动机功率通过发电机发电产生电能并提供给电机驱动车辆的Pe_2,发动机功率通过机械传递直接传导到
车轮的Pe_3,以及电池提供的驱动车辆的能量Pbatt,对所述四个能量传递过程中的能量流进行归一化处理,得到全局归一化效率因子GNEF,对所有可行
发动机转速与扭矩,取最大值,即可得到STC中所有非零单元的最佳效率值与对应的控制命令;
[0015] (4)过渡模式:模式与模式切换时存在的模式状态称为过渡模式,发生直接换挡的结构模式之间,当目标动力源转速低于当前动力源转速的时候,一方面使用
离合器制动实现调速,另一方面将发动机切换到发电模式实现降速;当目标动力源转速高于当前动力源转速的时候,系统需要输出额外的能量用以
加速动力源,当动力源转速与目标转速同步时再结合离合器,成功换入下一结构模式;
[0016] (5)附属模式:发动机的中间状态,将这种不处于最佳工作转速的模式称为附属模式。
[0017] 纯电动模式中,系统的效率表达式为:
[0018]
[0019] 式中,PEVin为系统的输入功率,即电池功率PBatt,PEVloss为系统的损失功率,即为电机损失功率PMotorloss;
[0020] 在一个单
自由度双电机模式中,可以任意分配两个电机的输出扭矩以达到需求扭矩;
[0021] 在双自由度双电机模式中,电机转速可任意调节,故需要遍及两个MG的所有扭矩与转速组合,求解最大值,获得对应的MG的输出
角速度ωout和输出扭矩Tout下系统的最佳效率 如下:
[0022]
[0023] 式中,ηEV为系统效率,ωMG1,ωMG2,TMG1,TMG2分别为两个MG所对应的角速度和输出扭矩;
[0024] 得到步骤1中的离散化得到的STC中所有非零单元对应的每一个结构模式的最佳系统效率,与相应的控制命令;
[0025] 制动能量回收模式,通过纯电动模式中的公式求解在制动能量回收状态下,最佳系统效率与对应的控制命令;
[0026] 混合动力模式中对四个能量传递过程中的能量流进行归一化处理,得到:
[0027]
[0028] 式中,Hybrid(ωe,Te)为混合动力模式下的系统效率,Pe_1、Pe_2、Pe_3为发动机的输出功率,Pfuel为对应于发动机喷射的燃料的功率,e_max,MG1_max,和MG2_max分别是发动机、MG1与MG2的最大效率,μ为与电池是否输出功率有关的判断因子,若电池的输出功率小于0,则μ=0;若电池的输出功率为零或大于零,则μ=1;
[0029] 遍及所有可行发动机转速与扭矩,并按式(5)求取最大值,即可得到STC中所有非零单元的最佳效率值 与对应的控制命令:
[0030]
[0031] 外层的动态规划以经济性最高为优化目标,提高模式切换平顺性,降低模式切换的频率,将电池
荷电状态SOC与模式状态作为状态变量,模式切换命令作为唯一的控制变量。
[0032] 有益效果:本发明与现有技术相比,本发明具有以下优点:
[0033] 1、本发明能够处理模式切换问题,能同时处理混合动力模式与纯电动模式的能量效率问题;
[0034] 2、与纯动态规划的能量管理控制策略相比,本发明的NEMS+在保证经济性优化准确度的
基础上,将计算效率提高105倍以上。
附图说明
[0035] 图1为本发明的思路图。
[0036] 图2为本发明的能量流传递路径图。
具体实施方式
[0037] 下面结合附图进一步阐述本发明。
[0038] 图1为多模混合动力汽车能量管理控制策略NEMS+基本思路图。
[0039] 整个能量管理控制策略NEMS+分为两层,内层是基于全局归一化效率因子GNEF的效率分析方法NEMS,这里可以只对驾驶循环工况中包含的速度与扭矩需求组进行求解,从而提高计算效率;假设在每一个时间区间里电池的开路电压与内阻是常数;外层是基于动态规划的最优模式确定方法,在避免频繁换挡与换挡能量损失,提高换挡平顺性的前提下,做出最优模式切换控制命令。下面将会详细描述NEMS+的运算过程。
[0040] 首先,对标准驾驶循环工况以车辆车速与驾驶员需求扭矩两个变量进行离散化,并组成一个两维概率表p(vm,Tn),称它为STC,即Speed Torque Cell,如式:
[0041]
[0042] 式中,num(vm,Tn)代表该循环工况中,在某一速度区间与某一需求扭矩区间的工作点个数,而num(vm,Tn)total为总工作点个数。使用需求扭矩代替车辆加速度,是为了能够将车辆行驶中的坡道等信息统一起来。如果将坡道信息加入循环工况,则能快速转化为扭矩需求循环工况进行处理,通过离散化循环工况以减少NEMS计算量。
[0043] 其次,对各模式进行模式归一化效率分析:各模式如下:
[0044] 1)纯电动模式的能量流相对简单,系统的能量来源始终为电池,而系统的输出动力元件是驱动电机。根据假设,在每一个时间区间,电池的开路电压与内阻是常数,故系统的效率仅取决于电机的效率,其表达式为:
[0045]
[0046] 式中,PEVin为系统的输入功率,即电池功率PBatt,而PEVloss为系统的损失功率,即为电机损失功率PMotorloss。由于系统中有两个发动机存在,所以上式中电机与电池功率的比值并不一定等于电机效率。如,在一个单自由度双电机模式中,可以任意分配两个电机的输出扭矩以达到需求扭矩;而在双自由度双电机模式中,电机转速可任意调节,故需要遍及两个MG(Motor/Generator)的所有扭矩与转速组合,求解最大值,获得对应的MG的输出角速度ωout和输出扭矩Tout下系统的最佳效率 如下:
[0047]
[0048] 式中ηEV是系统效率,ωMG1,ωMG2,TMG1,TMG2分别为两个MG所对应的角速度和输出扭矩。通过上述分析,可以得到第一步中的离散化得到的STC中所有非零单元对应的每一个结构模式的最佳系统效率,与相应的控制命令。
[0049] 2)当驾驶员需求扭矩为负时,车辆进入制动能量回收模式。此时,系统与纯电动模式下类似,不同的是电机做负功,电池处于充电状态,而系统的效率仍然取决于电机效率,可以通过纯电动模式中的公式求解在制动能量回收状态下,最佳系统效率与对应的控制命令。
[0050] 3)混合动力模式存在两个动力能量源,如图2所示,能量传递流可分为4个部分:发动机功率通过发电机转化为电能并存入电池的Pe_1,发动机功率通过发电机发电产生电能并提供给电机驱动车辆的Pe_2,发动机功率通过机械传递直接传导到车轮的Pe_3,以及此时电池提供的驱动车辆的能量Pbatt。对上述四个能量传递过程中的能量流进行归一化处理,得到:
[0051]
[0052] 式中Hybrid(ωe,Te)是混合动力模式下的系统效率,Pe_1+Pe_2+Pe_3是发动机的输出功率,Pfuel是对应于发动机喷射的燃料的功率,e_max,MG1_max,和MG2_max分别是发动机、MG1与MG2的最大效率。μ为一个与电池是否输出功率有关的判断因子,若电池的输出功率小于0,则μ=0;若电池的输出功率为零或大于零,则μ=1。
[0053] 与纯电动模式的分析求解方法类似,遍及所有可行发动机转速与扭矩,并按式(5)求取最大值,即可得到STC中所有非零单元的最佳效率值 与对应的控制命令:
[0054]
[0055] 4)模式与模式切换时存在的模式状态称为过渡模式,这种模式普遍存在于能发生直接换挡的结构模式之间,当目标动力源转速低于当前动力源转速的时候,一方面可以使用离合器制动实现调速,另外一方面则可将发动机切换到发电模式从而实现降速;当目标动力源转速高于当前动力源转速的时候,系统需要输出额外的能量用以加速动力源,当动力源转速与目标转速同步时再结合离合器,成功换入下一结构模式。
[0056] 5)在实际运行过程中,系统会经常遇到发动机的中间状态(非最佳工作转速),这种不处于最佳工作转速的模式称为附属模式。以下为各种结构模式类型的附属模式。
[0057] 对于并联模式,为了避免模式频繁切换问题,同样需加入附属模式,但由于并联模式中发动机与
输出轴直接机械连接,转速无法控制,故该模式只具有发动机停机状态,即发动机不喷油。
[0058] 对于纯电动模式,由于发动机不参与工作,所以不存在附属模式;而仅发动机驱动模式下,发动机的油耗取决于当前车速与需求扭矩,故也不存在附属模式;而对于三自由度复合型功率分流模式、单电机无级变速式与双电机
串联无级变速式,当发动机输出扭矩固定时或者不喷油时,系统会失稳,故也无附属状态存在。综上所示,所有模式类型的附属模式如表1:
[0059] 表1:各模式类型的附属模式
[0060]
[0061]
[0062] 能量管理控制策略NEMS中结构模式的总数量 可由式(6)计算得到:
[0063]
[0064] 其中,NType()代表括号中模式类型的模式数量,NBri代表过渡模式的数量。
[0065] 最后需要确定模式切换策略。最佳模式切换命令是基于动态规划的方法确定的,与传统基于动态规划的全局能量管理控制策略中的动态规划方法一致,NEMS+中的动态规划也是以经济性最高为优化目标,同时提高模式切换平顺性,降低模式切换的频率,其性能指标如下:
[0066]
[0067] 式中,JC是性能指标的目标函数,XC(t)是系统的控制变量,Λ是某一标准循环工况,gfuel(k)为混合动力汽车在k时刻的燃油消耗量,则 为系统在给定的循环工况中的燃油消耗量;右式为一个终端状态软约束,即希望电池在循环工况结束时的能量不发生较大的变化,此时才能公平的评价系统的经济性,由于很难将电池的终端电量等于理想值,所以相对于使用一个硬约束,可以使用软约束以提高动态规划的运行能力。μ1是该软约束的权重系数,在实际调试过程中,将μ1的值选取为刚刚能使电池的终端电量回到目标值所对应的值。
[0068]
[0069] 式中,Pshift(k)是模式切换的惩罚项,δ是模式切换惩罚项的判断因子,当δ=0时,系统无模式切换惩罚;当δ=1时,系统存在模式切换惩罚。该模式切换惩罚项的核心在于计算模式切换前后的动能差值,当差值大时,模式切换前后存在较大能量差异,则系统会损失一部分动能,或者需要输出一部分功率加速部件,同时也会造成较大的振动,影响车辆前进平顺性。式中,α1、α2与α3是各动力元件的权重系数。而约束条件为:
[0070]
[0071] 上述约束包括三个动力源的物理约束,即动力源的输出扭矩与转速需要在可行范围内;对于多模混合动力汽车而言,模式的选择也只能在已知的几个模式中选择,即Modeavailable;由于电池的SOC对电池的寿命有较大的影响,所以电池的SOC不能过高也不能过低。
[0072] 由于NEMS中已经给出了所有结构模式的最佳工作状态与控制变量,所以这里的动态规划与传统的动态规划相比,仅需将电池SOC与模式状态作为状态变量,而模式切换命令作为唯一的控制变量,这极大地降低了动态规划的维度与复杂程度,它们的离散化如下表所示:
[0073]
[0074] 综上,提出了一种近优能量管理控制策略,NEMS+,将该优化方法应用在一个多模混合动力汽车上,优化城市工况下的能量分配。