[发明专利]智能网联混合动力汽车能量-热量一体化实时管理系统

权利要求书

1.一种智能网联混合动力汽车能量-热量一体化实时管理系统，

S1.结合交通流云数据采集所有路段上的实时交通信息流，利用V2V/V2I通讯技术获取行驶路线上的队列车速信息；将具有不同时间尺度的车速信息提供给多尺度车速预测模块；

S2.确定全局路线，结合该全局路线上的交通流云数据，在多尺度车速预测模块中建立宏观长时间尺度的平均交通流车速预测信息，并按照一定的频率更新；

其特征在于：

S3.结合行驶路线上的队列车速信息，在多尺度车速预测模块中建立微观短时间尺度的车速预测信息，按照一定的频率进行更新；

S301.结合行驶路线上的队列车速信息，利用Shockwave模型获知本车到达十字路口前的排队动态，Shockwave模型通过分析推导四种主要冲击波，即集结波、传输波、撤离波和压缩波；四种冲击波分别表示为：

1)集结波S₁(t)：

其中，t是当前的时刻，q_n-1代表前一个路口的入口处的交通流量；L_n是当前路口与前一个路口之间的路段长度；是集结波对应的队列长度，定义为集结波S₁(t)的前端到t时刻相交路口处停止线的距离；v_f是自由状态下的交通流速；是当前路段的交通流堵塞密度；s^*是常规交通流流速；

2)传输波S₂(t)：

其中，wⁿ和分别是当前路段的交通流饱和流速以及饱和密度,r_n(t)是当前路口的禁止通行时长；

3)撤离波S₃(t)：

其中，是撤离波对应的队列长度，定义为集结波S₃(t)的前端到t时刻相交路口处停止线的距离，g_n(t)是当前路口的允许通行时长；

4)压缩波：

S302.根据Shockwave模型提供的前方队列动态，完成预测周期为15秒的短时间尺度车速预测信息，随着队列中速度序列的变化，上述短时间尺度的预测信息将按照一定的频率进行更新，短时间尺度的车速信息定义为v_veh,s；

S4.将长、短时间尺度的车速预测结果传递给混合动力车辆动力链-热力链动耦合力学预测模块；

S5.利用多尺度车速预测模块提供的长、短时间尺度的车速信息，计算需求功率，并建立混合动力车辆动力链-热力链动耦合力学模块，该模块包含车辆纵向动力学行驶模型、电池需求功率、电池SOC、考虑发动机热效应的燃油消耗率及热力链回路；选取系统中的关键控制变量，并建立能量及热量一体化优化问题描述，确定需满足的约束条件；

S501.建立车辆纵向动力学行驶模型：根据多尺度车速预测模块提供的车速信息，计算所需求的转矩P_req：

其中，ρ是空气密度，C_d是空气阻力系数，A是正向迎风面积，m是车辆的质量，g是重力加速度，θ是路面坡度，μ是路面摩擦系数，σ是车辆旋转元件的质量系数，η_t是传动效率，v_veh是车速，相应地，长、短时间尺度下获得的车速信息v_veh,l、v_veh,s便分别对应可得长、短时间间隔下的需求功率P_req,l、P_req,s；

S502.确定电池需求功率

当获知系统需求功率时，结合当前确定的发动机输出功率P_eng，便可获知需求功率P_req、发动机和电池需求功率P_bat之间的关系

P_bat＝P_req-P_eng (6)

其中，当前发动机功率可依据当前的发动机转矩Tr_eng和发动机转速ω_eng获得；

S503.电池SOC建模

混合动力车辆中电池SOC的动态方程为

其中，开路电压U_bat及内阻R_int为电池SOC的函数，所以电池SOC动态方程函数可以简化为电池功率P_bat和电池SOC的函数，即：

S504.考虑发动机热效应的燃油消耗率建模

发动机燃油消耗率的名义油耗模型：

其中，是不考虑发动机热效应的名义油耗，e_mode是发动机的启停状态，e_mode＝1为启动，e_mode＝0为停机，将停机状态下的燃油消耗视为零，即不考虑冷却系统功耗；

在燃油消耗模型上考虑了发动机热效应影响，得到实际发动机燃油消耗率m_fuel表示为：

其中，f_cool,map(T_cool)是考虑发动机热效应的燃油消耗率标定函数项；

燃油消耗率表示为发动机转速和转矩、冷却液温度的函数：

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

发动机转速ω_eng和转矩Tr_eng和发动机功率相关，发动机功率P_eng和需求功率P_req、电动机功率P_bat之间的关系存在式(6)的关系，则发动机油耗函数表示为：

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

S505.热力链回路建模

混合动力车辆中冷却液温度的动态方程可以表示为：

即冷却液温度的变化是发动机转矩Tr_eng和转速ω_eng、燃油消耗率m_fuel、冷却液温度T_cool和驾驶员供热需求的函数；结合上述燃油消耗率的相关表达式(6)和(12)，得：

S506.建立能量-热量一体化优化问题描述

将电池SOC系统方程和冷却液温度的动态方程中多个控制变量，简化为两个控制变量发动机启停状态e_mode和电池功率P_bat，得到状态方程为

其中，

f₁(P_bat,SOC)＝f_SOC(P_bat,SOC)；

优化目标是最小化预测时域[t₀,t_f]内的系统油耗：

其中，控制器的控制变量取u＝[P_bat,e_mode]，状态变量取x＝[SOC,T_cool]，扰动变量

S507.确定优化问题需满足的约束条件

混合动力车辆的能量-热量一体化优化控制需要满足如下约束条件：

1)需要满足电池SOC动态方程及状态约束：

其中，SOC₀是SOC始端状态，即在初始时刻t₀的SOC值；

2)需要满足电池功率约束；

P_bat,min≤P_bat(t)≤P_bat,max (18b)

其中，P_bat,min和P_bat,max是电池功率的物理极限值，分别为电池功率的最小和最大值；

3)满足发动机启停状态的约束，

e_mode∈{0,1} (18c)

其中，1为发动机启动状态，0为停机状态；

4)将需求功率需要跟踪上输入期望值w^*(t)

w(t)＝w^*(t) (18d)

S6.设计基于PMP-MPC的SOC轨迹实时优化控制器，即iPTMS的上层轨迹规划控制器

S601.测量当前状态变量信号，接收由未来宏观长时间尺度的平均交通流车速信息得到的需求功率P_req,l；

S602.确定优化问题描述

将采用时间间隔Δt_l将长时间尺度的预测时域[t_0,l,t_f,l]划为N_p,l等份，时间离散化为r∈{1,2,...,N_p,l+1}，得到优化目标函数：

其中，优化目标的燃油消耗率选取为名义油耗选取控制变量u_l为长时间尺度下电池功率，u_l＝P_pl,bat，u_l是允许输入值的集合；长时间尺度下电池SOC，SOC_pl为状态变量，x_l＝SOC_pl，扰动变量为长时间尺度下得到的需求功率w_l＝P_req,l；

基于PMP-MPC的SOC轨迹实时优化控制器需满足如下约束条件：

1)需要满足电池SOC动态方程及状态约束：

其中，SOC₀是初始时刻的SOC值；

2)需要满足电池功率约束

P_bat,min≤P_pl,bat(r)≤P_bat,max (20b)

其中，P_bat,min和P_bat,max是电池功率的物理极限值；

3)将需求功率需要跟踪上输入期望值

S603.利用松弛函数法处理状态约束

将SOC的状态约束SOC_min≤SOC_pl(r)≤SOC_max转化为松弛函数

其中，α和β均为保证目标函数与原始优化问题的目标函数一致的调节参数，和x_l分别为状态变量的上下约束极限SOC_max和SOC_min，∈设定为一个正数来维持状态约束的变化范围；

S604.构造哈密顿函数

得到哈密顿函数的定义为：

其中，ξ是协态变量，并且f₁(u_l(r),x_l(r))＝f₁(P_bat(r),SOC(r))；

最优必要性条件如下：

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

以及终端条件ξ(N_p,l+1)＝0；

同时，最优控制率必须在每个时刻使得哈密顿函数最小

当已知状态ξ(r)、SOC_pl(r)时，便可以根据极大值原理求出最优控制率；

S605.确定协态变量初值

通过车辆参数和状态值的范围，确定最优协态变量的边界

其中，D_l是允许状态值的集合，为了确定Λ_ξ,L和Λ_ξ,U，定义边界函数ξ_min和ξ_max，其满足下列关系：

将ξ_min(r)赋值给∧_ξ,L，ξ_max(r)赋值给得到

令

式(27)化简为

ξ(r)＝K₁(r+1)ξ(r+1)+K₂(r+1) (28)

通过系统参数以及约束，得到{0K₁≤1,K_1max0,K_2min0}；

参照最优协态变量轨迹(28)的形式，定义边界函数{_ξmin(r),ξ_max(r)}，得到下边界为

当保证时，ξ_min(r)则为ξ(r)的下界；同理，保证ξλ(r)-ξλ_max(r)≤0时，ξ_min(r)则为ξ(r)的上界；可知{ξ_min(r),ξ_max(r)}为ξ(r)的边界函数，协态变量初值根据公式(29)递推得到；

S606.迭代求解最优协态变量

边界条件是初始协态变量的连续函数，记为：

W((1))＝ξ(N_p,l+1) (30)

通过二分法迭代找到最优协态变量，迭代终止条件是其中ε是迭代终止误差，r_r是迭代次数；

S607.求解最优控制变量

根据优化控制问题中的状态SOC_pl(r)、ξ(r)以及约束条件，利用PMP便可以得到最小哈密顿函数对应的控制变量为u^*(r)；

S7.设计基于FDP-MPC的热效应耦合实时能量优化分配控制器，即iPTMS的下层轨迹规划控制器

S701.测量当前状态变量，接收预测时域内需求功率P_req,s和驾驶员供热需求

S702.确定优化问题描述

将采用时间间隔Δt_s将短时间尺度的预测时域[t_0,s,t_f,s]划为N_p,s等份，同时，时间离散化为k∈{1,2,...,N_p,s+1}，得到优化目标函数：

其中，优化目标是考虑发动机热效应的燃油消耗率m_fuel，u＝[P_bat，e_mode]为控制变量,将控制变量离散化为是允许输入值的集合；扰动变量为状态变量为x＝[SOC T_cool]；

需要满足的约束条件是：

1)需要满足电池SOC动态方程及状态约束：

其中，SOC₀是初始时刻的SOC值；

2)需要满足冷却液温度约束：

其中，T_c,max为冷却液温度限制，供热需求

3)需要满足电池功率约束：

P_bat,min≤P_bat(k)≤P_bat,max (32c)

其中，P_bat,min和P_bat,max是电池功率的物理极限值；

4)需要满足发动机启动状态约束

e_mode(k)∈{0,1} (32d)

5)将需求功率需要跟踪上输入期望值

w(k)＝w^*(k) (32e)；

S703.确定预测时域内SOC上下边界

为减小运算时间，将k＝1时刻的电池SOC始端约束SOC(1)＝0.6放大离散为{0.599,0.6}，这样能够使离散状态点在离散控制变量作用下准确落在始端约束范围内，然后从预测时域始端和终端开始，将上层轨迹规划控制器优化出的电池SOC轨迹与SOC状态约束{SOC_max,SOC_min}求交集，确定整个预测时域内SOC的上下边界根据上下边界将SOC离散化为

S704.网格划分

根据表1的标准，对状态变量和控制变量进行网格划分：

表1 FDP各维度变量网格划分

S705.反推主状态变量

在每个时刻k，且k≠1、主要状态变量X_k,i及控制变量U_j作用下，根据状态方程反推上一时刻的主要状态变量，记为

S706.计算状态转移过程成本

根据目标函数求解状态转移过程的成本

S707.计算终端成本、最优控制变量

从前往后递推得到每个时刻k及主要状态变量X_k,i下的最优终端成本J_k,i：

及最优控制变量

式中，f_itp为interp1插值函数，N_x为约束变量的个数；在其他最优状态变量C_k-1,i及最优控制变量下，其他最优状态变量即冷却液温度；根据状态方程求解下一时刻其他最优状态变量C_k,i；

S708.获得最优解

根据主要状态变量的终端固定约束从后往前递推得到每个时刻的最优控制变量u_k、主要状态变量x_k和其他状态变量c_k

式中，