[发明专利]一种基于电池寿命衰减模式识别的混动汽车能量优化方法

权利要求书

1.一种基于电池寿命衰减模式识别的混动汽车能量优化方法，其特征在于包括下列步骤：

(1)针对中国乘用车工况、NEDC工况及HWFET工况分别开展基于动态规划算法的全局优化控制，得到混合动力系统发动机和电池工作状态随车速和整车需求功率的变化结果，具体包括：

①将中国乘用车工况、NEDC工况及HWFET工况分别离散为N个不同的阶段，通常以1秒为一个阶段，整车需求功率为：

P_req＝η·(P_e+P_bat)

式中，P_req为整车需求功率；η为传动系机械效率；P_e为发动机功率，P_bat为电池功率；通过控制电池功率的大小调节发动机工作点，而发动机工作点由发动机最优工作曲线确定；

将电池功率P_bat作为全局优化控制中的控制变量u_k，将电池荷电状态(SOC)作为全局优化控制中的状态变量x_k；

②建立全局优化目标控制模型，所述全局优化目标控制模型包括全局优化目标函数和约束条件，采用动态规划算法满足优化目标的最优控制量；

所述全局优化目标函数为：

式中，μ为权重系数，取值范围为0～1；C_E(x_k,u_k)为燃油消耗成本，包括发动机燃油消耗和电池等效燃油消耗，C_H(x_k,u_k)为电池寿命衰减成本；C_a为转化系数；

所述k时刻燃油消耗成本C_E(x_k,u_k)为：

C_E(x_k,u_k)＝W_fuel(k)+αP_bat(k)

式中，W_fuel(k)为k时刻发动机燃油消耗量，由发动机的工作点确定，P_bat(k)为k时刻电池功率，α为等效燃油系数；

所述k时刻电池寿命衰减成本C_H(x_k,u_k)通过下式求取：

C_H(x_k,u_k)＝σ·|I_c(k)|

式中，σ为电池寿命衰减影响因子，I_c(k)为k时刻的电池充放电倍率；

所述的电池寿命衰减影响因子σ通过下式求取：

式中，τ为电池额定寿命，即通过额定运行条件下寿命终止(End of Life,EOL)时流过电池的总电量；γ是实际运行条件下电池寿命终止时流过电池的总电量；I_c,nom为电池额定充放电倍率；

所述动态规划的优化序列为：

第N阶段的成本函数为：

J_N^*(x_Nⁱ)＝min[L(x_Nⁱ,u_N^j)]

第k阶段的成本函数为：

J_k^*(x_kⁱ)＝min[L(x_kⁱ,u_k^j)+J_k+1^*(x_k+1)]

式中，上标i为离散状态变量的索引，上标j为离散控制变量的索引，下标k为离散时间的索引，x_k+1＝S_g[x_k,u_k]，S_g[x_k,u_k]为状态转移函数，表示为：

式中，SOC_k为k时刻电池SOC，I_k+1为k+1时刻流经电池的电流，Q_bat为电池容量；

所述的约束条件为：

P_{e_min}≤P_e(k)≤P_{e_max}

P_{bat_min}≤P_bat(k)≤P_{bat_max}

ω_{m_min}≤ω_m(k)≤ω_{m_max}

T_{m_min}(ω_m)≤T_m(k)≤T_{m_max}(ω_m)

式中，P_e(k)为k时刻发动机功率；P_{e_min}为发动机最小功率，P_{e_max}为发动机最大功率，P_{bat_min}为电池最小功率，P_{bat_max}为电池最大功率，ω_m(k)为k时刻电机转速，ω_{m_min}为电机最小转速，ω_{m_max}为电机最大转速，T_m(k)为k时刻电机转矩，T_{m_min}(ω_m)为电机当前转速对应的最小转矩，T_{m_max}(ω_m)为电机当前转速对应的最大转矩；

③基于上述所建立的全局优化目标控制模型，逆向求解动态规划问题，由时刻k＝N开始从后向前计算，逐步求得各阶段的最优决策轨迹、最优状态轨迹和最优成本值，直至k＝1时求解结束；

④利用上述动态规划逆向计算求得的各阶段的最优决策轨迹、最优状态轨迹和最优成本值，分别正向求解得到中国乘用车工况、NEDC工况及HWFET工况下的混合动力系统发动机和电池工作状态随车速和整车需求功率的优化结果；

(2)基于上述全局优化控制得到的中国乘用车工况、NEDC工况及HWFET工况下的混合动力系统发动机和电池工作状态随车速和整车需求功率的优化结果，将各工况下的电池寿命衰减模式分类，具体包括：

①基于各工况下的全局优化结果，选取13个特征参数进行分析，包括：平均车速、最高车速、最大加速度、加速度平均值、最大减速度、减速度平均值、电池充放电倍率最大值、电池充放电倍率最小值、电池充放电倍率在0～3.5C之间的比例、电池充放电倍率在3.5C～7C之间的比例、电池充放电倍率在7C以上的比例、发动机的平均功率、电池的平均功率；

②采用复合等分法分别对中国乘用车工况、NEDC工况及HWFET工况下的全局优化结果按识别周期ΔT等分，获得相应的工况块，再将相邻工况块中点之间的工况段作为一个工况，分别提取各个工况块对应全局优化结果的特征参数；

③基于计算所得到的各工况块的特征参数，根据不同电池充放电倍率比例的变化情况，得到不同的电池寿命衰减模式，所述的电池寿命衰减模式包括低倍率衰减模式、中倍率衰减模式和高倍率衰减模式，其中，电池充放电倍率在0～3.5C之间的比例占主要比例时划分为低倍率衰减模式，电池充放电倍率在3.5C～7C之间的比例占主要比例时划分为中倍率衰减模式，电池充放电倍率在7C以上的比例占主要比例划分称为高倍率衰减模式；

(3)根据上述电池寿命衰减模式的分类结果，采用均值聚类算法均匀地选取合适的训练样本，训练神经网络模型，具体包括：

①将上述各工况下的不同电池寿命衰减模式对应的工况块特征参数组成对应的工况块样本集，具体得，将中国乘用车工况、NEDC工况及HWFET工况中属于低倍率衰减模式下的工况块特征参数共同组成一个工况块样本集，将中国乘用车工况、NEDC工况及HWFET工况中属于中倍率衰减模式下的工况块特征参数共同组成一个工况块样本集，将中国乘用车工况、NEDC工况及HWFET工况中属于高倍率衰减模式下的工况块特征参数共同组成一个工况块样本集；

②利用不同电池寿命衰减模式对应的工况块样本集组成训练样本，对神经网络模型进行训练，在行驶工况特征与典型行驶工况下的电池寿命衰减模式对应的工况特征之间形成映射关系；

(4)基于训练得到的神经网络模型，在实际行驶工况下识别电池寿命衰减模式，建立对应模式下可在线应用于实车的控制策略，具体包括：

①在实际行驶工况下,首先进行初始数据采集，收集初始延迟时间段内的车辆运行数据，初始识别延迟时间为ΔP，[0,ΔP]时间段内不进行电池寿命衰减模式的识别，当达到时间ΔP后，数据处理模块对ΔP时间段内存储的数据进行处理，根据特征参数的计算规则，提取对应的特征参数,利用经过训练的神经网络模型进行识别，确定电池寿命衰减模式的类别；

②之后，利用当前时刻t之前[t-ΔP,t]时间片段内的特征参数，与典型行驶工况下的电池寿命衰减模式对应的工况特征参数的相似程度，利用经过训练的神经网络模型对电池寿命衰减模式类别进行识别，以此作为t时刻之后一个采样步长[t,t+Δf]时间内的电池寿命衰减模式，其识别结果每隔一个采样步长Δf更新一次，通常取Δf为1秒；

③根据全局优化结果，提取电池寿命衰减模式的切换规则，制定不同电池寿命衰减模式所对应的控制策略，进而确定不同电池寿命衰减模式下的发动机工作点、电池需求功率与整车运行状态之间的关系，从而确定实车中的节气门控制和电机控制。