[发明专利]一种混合动力公交车能量管理方法

权利要求书

1.一种混合动力公交车能量管理方法，混合动力公交车具有油门踏板位置传感器、车速传感器、GPS模块、车辆控制单元、发动机控制单元、电机控制单元和电池管理单元；油门踏板位置传感器、车速传感器和GPS模块均与车辆控制单元相连，车辆控制单元、发动机控制单元、电机控制单元和电池管理单元通过CAN总线连接；其特征在于，该方法包括如下步骤：

（1）车速传感器采集当前的车速信息，GPS模块获取当前车辆位置信息，油门的踏板位置传感器获取当前油门踏板的位置信息，电池管理单元估算当前的电池荷电状态；当前的车速信息、车辆位置信息、油门踏板的位置信息及电池荷电状态均传输至车辆控制单元；

（2）车辆控制单元根据前期历史数据得到的车速转移概率模型及步骤1得到的当前车速信息与车辆位置信息计算之后的预估车速；

（3）车辆控制单元根据步骤2得到的预估车速对混合动力车在预测区段内的能量分配进行优化，获得当前最优的燃油发动机与电机的功率分配比；

（4）根据步骤3中得到的功率分配比以及步骤1中采集的油门踏板的位置信息来确定实际喷油量及电机应当提供的功率，然后通过CAN总线发送报文到电机控制器与发动机控制器；发动机控制单元根据接收车辆控制单元发送过来的报文调节发动机的输出功率；电机控制单元根据接收车辆控制单元发送过来的报文控制电动机的输出功率。

2.根据权利要求1所述混合动力公交车能量管理方法，其特征在于，所述步骤2可以具体分为下面几个子步骤：

（2.1）根据公交车在同一路段运行的历史车速，计算出公交车在每个位移点的车速转移概率矩阵，并构建车速转移概率模型：先将车速取值空间离散化，将0到60km/h的速度区间划分为以2.5km/h为间隔的25格车速取值；然后根据历史车速轨线，在车辆运行轨线上的每个位置分别训练出车速转移概率矩阵，并将这些车速转移概率矩阵存储在车辆控制单元内；在位置S处的状态转移概率矩阵P(S)的维度与离散化后的状态变量的取值数量相关，若车速离散化后有25个可能的取值，则P(S)为25×25的矩阵；则P(S)为25×25的矩阵；P(S)矩阵中第a行b列的元素代表从第a个车速离散值转移到第b个车速离散值的概率，a和b均为1-25的自然数；P(S)矩阵中第a行b列的元素P(S,a,b)的计算方法如下：

；

    其中，N_a(S)为历史轨线中在位置S处的车速为第a个离散值的个数；N_b(S,a)为历史轨线中在位置S处的车速为第a个离散值在位置S+1处的车速转变为第b个离散值的总数；从车辆行驶的起点到终点的所有的状态转移概率矩阵构成了车速转移概率模型；

（2.2）车辆控制单元根据上述车速转移概率模型及步骤1得到的当前车速信息与车辆位置信息计算之后的预估车速：首先将当前车速v(S)转化为1×25的向量的形式，该向量中第1个元素对应于车速为0的概率，第n个元素对应于车速为（n-1）*2.5 km/h的概率，n为1-25的自然数；v(S)与车速转移概率模型相乘即可获得在当前位置S从当前车速v(S)转变为下个车速v(S+1)的所有可能值：

；

上式所得结果v(S+1)也是一个1×25的向量，然后就得到了在位置S+1的所有可能车速的集合为{v_j(S+1)|j=1,2,...,N_S+1}，其中，N_S+1表示在S+1位置概率不为零的可能车速的总数，各可能的车速v_j(S+1)所对应的概率为P _j(S)，P _j(S)的值就是向量v(S+1)中第j个不为零的值；之后由各可能的车速继续根据车速转移概率模型递推获得后续的车速及概率，为了简化后续的计算复杂度，在第S+2步及之后的预测范围内直接用概率最大的车速轨线trajectory(j)作为v_j(S+1)的后续车速预测轨线，数个车速的下一步转移值与后续的最大可能轨线组合成车速的预估。

3.根据权利要求1所述混合动力公交车能量管理方法，其特征在于，所述步骤3中对混合动力车的能量分配进行优化的目标函数为：

；

其中，u为控制量，u(i)表示第i段位移中发动机功率与总的功率需求的比值，F(i,u(i))表示第i段位移中在控制量u(i)的作用下的燃油消耗，ΔSOC(i,u(i))表示第i段位移中在控制量u(i)的作用下的电池荷电状态减少量，P为预测区间的长度（即步骤2中得到的预估车速的总的预测步数），G为权值，E为求取期望值的符号；目标是在预测时域内求取一个最优控制序列（即预测区域内每个位置的功率分配比）；上述F(i,u(i))的具体计算方法是：

；

其中，map_f为一个燃油消耗率的二维表，该二维表中的具体数据与发动机相关，T_req为转矩耦合器所需输出的转矩，ω_ICE为发动机的转速，T_req与ω_ICE可根据汽车纵向动力学方程获得，Δt(i)表示车辆在第i段位移消耗的时间；

ΔSOC(i,u(i))的具体计算方法是：

；

其中，P_req为总的需求功率，U为电池的等效开环电压，R为电池的等效内阻，Q为电池的总电量；

优化时的初始车速及初始荷电状态都取自步骤1采集得到的值；具体的优化方法分为两个阶段：在第一阶段中只考虑发动机单独驱动模式、电动机单独驱动模式、混合驱动模式这三种工作模式；在这三种工作模式下功率分配比（发动机功率与总的功率需求的比值）小于等于1；然后将功率分配比在当前的可行域里离散化；在预测区间内，所有位置的功率分配比先初始为1，然后尝将每个点的功率分配比下调到下一个可能的值，接着为每个点计算调整所带来的影响，影响具体是用下述决策变量表示：

；

其中，P_j表示在车速预估模型中转移到第j条预测曲线的概率，Δf_j表示在第j条预测曲线的工况下，调整功率分配比所造成的油耗减少量，ΔSOC_j表示减小的荷电状态；决策变量k可以用来判断在当前点是否值得花费电能来减少油耗，k越大表示在该点消耗相同的电能所带来的好处越大，所以计算出预测区间内每个点的决策变量后，挑选k的值最大的那个点下调功率分配比，上述是一次迭代的寻优过程，每次寻优都是挑选k值最大的位置下调功率分配比，迭代的终止条件是k=0或SOC达到下限；之后就进入下一个阶段的优化过程；第二个阶段的优化所考虑的工作模式为发电模式或维持第一阶段最后的模式；在第一阶段优化过后仍然处于发动机单独驱动模式的那些点才有可能在第二阶段转变为发电模式；将那些点作为第二阶段发电的候选位置；得到发电的候选位置后，就要决定最优的发电量；第二阶段的优化过程具体为：首先尝将每个点的功率分配比上升到下一个可能的值，功率分配比（发动机功率与总的功率需求的比值）大于1时接着为每个点计算调整所带来的影响，影响具体是用下述决策变量表示： 

；

其中，P_j表示在车速预估模型中转移到第j条预测曲线的概率，Δf_j’表示在第j条预测曲线的工况下为了发电额外增加的燃油消耗, ΔSOC’_j表示相应的SOC增量；决策变量k’可以用来判断在当前点是否值得花费额外的燃油来产生电能；从候选点中选择k’的值最大的点调节功率分配比；然后进入下一次迭代，再次计算k’的值，并在k’最大的位置调节功率分配比；这样发电的位置都是性价比最高的位置；经过上面两个阶段的优化，预测区间内每个位置的功率分配比都设定到了最佳位置。