[发明专利]一种考虑电池健康状态的混合动力汽车电池寿命优化方法

权利要求书

1.一种考虑电池健康状态的混合动力汽车电池寿命优化方法，其特征在于包括下列步骤：

(1)针对新标欧洲循环测试(New European Driving Cycle，NEDC)工况，通过重复NEDC工况构造不同行驶里程下的行驶工况以实现插电式混合动力汽车不同行驶里程下的多目标优化，针对所构造的不同行驶里程下的行驶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需求功率的变化结果，具体包括：

①分别通过重复1个NEDC工况、2个NEDC工况、3个NEDC工况、…、N₁个NEDC工况、…、N₂个NEDC工况、…、N₃个NEDC工况来构造不同行驶里程下的行驶工况，并分别将其离散成N个不同的阶段，通常以1秒为一个阶段，整车需求功率P_req为：

P_req＝η_eP_e+η_batP_bat

式中：P_req为整车需求功率，η_e为发动机到车轮路径上的各机械部件总效率，η_bat为电池到车轮路径上的各机械部件总效率，P_e为发动机功率，P_bat为电池功率；

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(State ofCharge，SOC)作为全局优化控制中的状态变量x_k；

②建立全局多目标优化控制模型，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J为：

式中，μ为权重系数，取值范围为0～1；C_E(x_k,u_k)为k时刻燃油消耗成本，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k时刻电池寿命衰减成本；C_a为转化系数；

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；

k时刻电池寿命衰减成本C_H(x_k,u_k)为：

C_H(x_k,u_k)＝w×ΔSOH(k)

式中，w是电池健康状态(State of Health,SOH)的加权因子，ΔSOH是电池SOH的积累，ΔSOH和电池SOH之间的关系是

考虑SOH的电池容量损失模型为：

式中，SOH(k)为k时刻的电池健康状态，SOH₀是电池初始健康状态，N是电池寿命终止前的总循环次数，C₀是电池初始容量，I为电池电流；

通过下式估计相对于初始容量在过程中的容量损失ΔQ_o：

式中，B为指前因子，Ah是安时吞吐量，E_a是活化能，R是理想气体常数，T是绝对温度，z是指数因子；

指前因子B由下式确定：

B＝α·SOC+β

式中，α和为β均为常数项；

k+1时刻的电池SOH为：

状态转移方程S_g[x_k,u_k]为：

式中，I_k+1为k+1时刻流经电池的电流，C是电池容量；

所述约束条件为：

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最优决策轨迹、最优状态轨迹和最优成本值，分别正向求解所构造的不同行驶里程的行驶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)根据插电式混合动力汽车的行驶里程划分驾驶模式，当车辆行驶里程小于等于N₁个NEDC行驶里程总和时，整车运行在以电机为主的驾驶模式；当车辆的行驶里程大于N₂个NEDC行驶里程总和时，整车运行在以发动机为主的驾驶模式；当车辆行驶里程大于N₁个NEDC行驶里程总和且小于等于N₂个NEDC行驶里程总和时，整车运行在动力平衡驾驶模式；

(3)基于动态规划算法的优化结果，选取训练样本，训练随机森林模型，具体包括：

①基于所构造的不同行驶里程的行驶工况下的全局优化结果，选取11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、发动机平均功率、电池平均功率及电池SOH；

②将所构造的不同行驶里程的行驶工况下的前N₁个NEDC行驶里程总和内对应的全局优化结果通过模糊C均值聚类算法选取样本，来作为以电机为主的驾驶模式的训练样本；将所构造的不同行驶里程的行驶工况下的N₁个NEDC行驶里程总和至N₂个NEDC行驶里程总和内对应的全局优化结果通过模糊C均值聚类算法选取样本，来作为动力平衡驾驶模式的训练样本；将所构造的不同行驶里程的行驶工况下的N₂个NEDC行驶里程总和至N₃个NEDC行驶里程总和内对应的全局优化结果通过模糊C均值聚类算法选取样本，来作为以发动机为主的驾驶模式的训练样本；

③采用复合等分法将上述驾驶模式对应的全局优化结果分别按识别周期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的全局优化结果的特征参数；

④将上述不同驾驶模式对应的工况块特征参数组成对应的工况块样本集，对随机森林模型进行训练，在行驶工况特征和上述驾驶模式对应的工况特征之间形成映射关系；

(4)利用各驾驶模式对应的全局优化结果分别训练神经网络模型，建立对应的基于神经网络的能量管理控制策略，具体包括：

①分别对动力平衡驾驶模式、以发动机为主的驾驶模式，以整车需求功率、车速、电池SOC及电池SOH作为输入，电池功率作为输出，利用模糊C均值聚类算法对样本进行分类，反复调整隶属度矩阵和聚类中心，获取数据的模糊分类，从每一类中均匀选取部分数据作为训练样本；基于上述所选择的训练样本，选择输入层的神经元为4个，输出层的神经元为1个，隐含层的神经元个数经过试凑法得到，进行训练神经网络模型；

②将训练后的整车不同驾驶模式下的神经网络模型的输出应用于所开发的基于神经网络的能量管理控制策略，确定发动机工作点和电池功率；

(5)在实际行驶工况下，基于驾驶模式识别模块和电池寿命优化模块，在线实时应用于实车控制，具体包括：

①采集实车在实际行驶工况下的数据，计算特征参数，利用训练好的随机森林模型，识别实时工况下整车所属驾驶模式类别；

②利用对应整车所属驾驶模式下的神经网络模型，确定每一时刻的电池功率，然后由每一时刻整车需求功率与每一时刻电池功率来确定每一时刻的发动机的工作点，进而建立基于神经网络的能量管理控制策略，实现实车控制。