[发明专利]一种基于路段信息电量分配的插电式混合动力汽车能量管理系统及方法

权利要求书

1.一种基于路段信息电量分配的插电式混合动力汽车能量管理系统，其特征在于，所述自适应能量管理系统包含离线部分和在线部分，离线部分包括依次连接的DP模块、数据分析模块、神经网络模块；在线部分包括：交通信息获取模块、工况识别模块、车辆模块、ECMS算法模块、SOC规划模块，其中交通信息获取模块和工况识别模块相连，车辆模块、ECMS算法模块、SOC规划模块依次相连；

其中神经网络模块、工况识别模块、ECMS算法模块都有在线部分和离线部分；离线部分：驾驶员采集数据并进行处理，神经网络模块将获取处理的数据对工况识别模块进行训练用来识别路段工况；运用处理好的数据输入DP模块进行计算，将结果数据输入到数据分析模块，后进行神经网络模块的训练，得到各工况单位里程耗电量之比；根据工况以及单位里程耗电量进行ECMS等效因子离线的优化；在线部分：交通信息获取模块获取路段里程、路段平均车速、路段平均停车次数信息，工况识别模块运用训练好的支持向量机进行不同路段工况的识别，记录各路段工况类别；将车辆当前可用SOC，识别的路段工况类别以及对应路段里程信息输入到神经网络模块，得到各工况单位里程耗电量之比，运用这个比值输入到SOC规划模块进行参考轨迹生成；根据路段工况类别以及SOC参考轨迹在ECMS算法模块进行等效因子EF的选取，最后根据车辆需求转矩等信息进行ECMS算法控制的计算来进行车辆控制。

2.一种基于路段信息电量分配的插电式混合动力汽车能量管理方法，其特征在于，该方法包括以下步骤：

(1)先进行驾驶员数据采集，将数据分为四类：拥堵、较通畅、通畅和高速四类工况；

(2)对分类的片段每一工况随机组合成不同距离的工况，计算组合成的每段工况的平均车速，平均停车次数，此数据用来训练支持向量机，该支持向量机用来识别路段行驶工况；

(3)运用DP规划来进行四种工况的相互影响的关系研究，固定60Km距离，各工况行驶里程占总工况的行驶里程不同进行多组运算，对DP动态规划的结果数据进行处理,得到每种工况的每公里电量消耗SOC/Km的数值比记为SK₁:SK₂:SK₃:SK₄并对每种工况的数值进行比值，即各工况间的相互影响关系；得到各工况用电量的占比规律；计算公式如下：

X₁:X₂:X₃:X₄＝SK₁:SK₂:SK₃:SK₄

其中X₁:X₂:X₃:X₄比值为代表四类工况单位距离电量消耗之比；SK₁为工况类别1的每公里电量消耗SOC/Km的数值、SK₂为工况类别2的每公里电量消耗SOC/Km的数值，SK₃为工况类别3的每公里电量消耗SOC/Km的数值，SK₄为工况类别4的每公里电量消耗SOC/Km的数值，将各工况里程S₁、S₂、S₃、S₄与可用SOC：S_K作为输入，SK₁、SK₂、SK₃、SK₄作为输出进行BP神经网络训练，神经网络包括三层：输入层、隐含层、输出层，用来为后续地图传来的信息进行路段工况的电量分配；

其中S₁、S₂、S₃、S₄为工况类别一、工况类别2、工况类别3、工况类别4的路段里程，S_K为汽车当前可用SOC数值；

(4)交通信息获取模块获得的路段信息：每一路段的平均车速，平均停车次数，经支持向量机识别后的路段里程数S₁、S₂、S₃、S₄；车辆可用电量信息:S_K；将数据S₁、S₂、S₃、S₄、S_K输入到BP神经网络当中得到输出：各工况单位距离下消耗电量之比SK₁:SK₂:SK₃:SK₄；

(5)BP神经网络可通过交通信息获取模块得到该次出行的每段的工况信息输出对一次出行进行电量分配预测，通过BP神经网络得到的输出：各工况单位距离下电量消耗之比SK₁:SK₂:SK₃:SK₄来得到关系进行计算规划SOC，所涉及的计算公式：

(SK₁*S₁+SK₂*S₂+SK₃*S₃+SK₄*S₄)x＝S_K

SOC_ref＝S_K-(SK₁*x*S_1cover)-(SK₂*x*S_2cover)-(SK₃*x*S_3cover)-(SK₄*x*S_4cover)

S_K为车辆当前可用电量，x为所设变量(用作规划的中间变量)，SOC_ref为SOC参考轨迹；S_1cover为当前行驶过工况类别1的距离，S_2cover为当前行驶过工况类别2的距离，S_3cover为当前行驶过工况类别3的距离，S_4cover为当前行驶过工况类别4的距离；

(6)为减少工况识别判断失误对参考轨迹的影响，运用交通信息获取模块获得的不同路段平均车速、平均停车次数信息判断每个路段的工况，为增强识别的准确性增加在线识别当前路段工况模块，识别时间为该路段内300s的最近行驶数据，如识别不一致时间超过60s，按在线识别的工况类别替代重新规划SOC；同时由于路段信息是不断更新的每隔60s进行更新一次，更新内容包括路段信息，识别信息以及新的SOC参考轨迹；

(7)对所分类的工况进行组合拼接分成四大类工况：拥堵、较通畅、通畅和高速四类工况；对于每一类进行等效因子寻优，此处只进行SOC变化的寻优，距离不作为变量，变量只有SOC，进行等效燃油消耗的模型寻优，SOC最小设置为0.3，通过GA遗传算法进行优化，EF等效因子为变量，燃油消耗为目标函数；每种工况距离设置为60km，SOC逐渐从1降到0.3，间隔0.05，对等效因子寻优，将寻优的EF记录下来同时记录所对应的SOC/Km的数值；将记录下的数值绘制成SOC/Km-EF Map图；

(8)得到的规划SOC对应所所属的工况，计算每个路段下的单位里程耗电量，从Map图中找到相应的工况下SOC/Km所对应的EF进行等效因子；得到所对应的等效因子，下层进行ECMS的能量管理，输入为车辆需求转矩，输出最优的发动机电机扭矩对车辆实行控制；

其中J_min为最小燃油消耗，t为工况行驶时间，N为工况行驶时间的终值，△t为时间间隔定为1S，m_fc为发动机燃油消耗量，T_fc为发动机扭矩ω_fc为发动机转速,m_{fmc_eq}为电机等效燃油消耗量,EF为等效因子，P_mc为电机功率，η为电池效率，Q为燃油热值，T_mc为电机扭矩,ω_mc为电机转速，m_total为最优油耗，为发动机扭矩，为电机扭矩，T_req为总需求扭矩；

(9)在运行过程规划SOC曲线与实际SOC曲线难免会有波动，当出现严重偏离规划SOC的情况，此时进行EF校正使其接近规划曲线，所采用的方法是分段PI,在偏离规画曲线的合理范围内对其进行微小的调整，在超越阈值的时候进行调整，分段PI函数如：

其中SOC_ref为规划的SOC轨迹，SOC为当前时刻车辆的SOC，EF为选取的等效因子ΔSOC＝|SOC_ref-SOC|,K_P、K_I为系数。