[发明专利]基于最小功率损失算法的自调整神经网络能量管理方法

权利要求书

1.一种基于最小功率损失算法的自调整神经网络能量管理方法，该方法用于增程式电动汽车的能量管理，所述的增程式电动汽车包括整车控制器、CAN总线、能量源、能量控制器和汽车动力附件，所述的整车控制器分别通过CAN总线连接能量控制器和汽车动力附件，所述的能量源与能量控制器连接，其特征在于，所述的方法包括以下步骤：

1)整车控制器通过CAN总线向汽车动力附件发送访问信号，从汽车动力附件获取能量管理策略计算所需数据，所述的数据包括整车需求功率和蓄电池SOC，整车控制器同时采集当前的能量源的实时效率值；

2)整车控制器判断是否已接收到完整的数据，若是，则执行步骤3)，若否，则返回步骤1)；

3)整车控制器判断是否接收到需更新神经网络的指令，若是，则更新神经网络后执行步骤4)，若否，则执行步骤4)；

4)整车控制器根据接收到的能量管理策略计算所需数据，通过神经网络计算出当前最优功率分配；

5)使用功率增益系数对神经网络计算出的最优功率分配进行修正；

6)整车控制器通过CAN总线向能量控制器发送功率分配结果，完成整车控制器对混合动力系统中各能量源输出功率的分配控制。

2.根据权利要求1所述的一种基于最小功率损失算法的自调整神经网络能量管理方法，其特征在于，所述的汽车动力附件包括散热子系统和空调子系统。

3.根据权利要求1所述的一种基于最小功率损失算法的自调整神经网络能量管理方法，其特征在于，所述的步骤3)中的指令包括驾驶员指定更新指令和程序自动更新指令。

4.根据权利要求1所述的一种基于最小功率损失算法的自调整神经网络能量管理方法，其特征在于，所述的步骤3)中更新神经网络的具体步骤包括：

a)通过CAN总线获取相关数据，根据如下动力系统瞬时功率损失公式计算出不同功率分配下的功率损失，

PRE(ηRE_max-ηRE)+Pb(1-ηdis)+Pb(ηRE_max-η‾RE)/ηDC-DCη‾chrPRE(ηRE_max-ηRE)+Pb(1-ηchr)+Pbηchr(1-η‾dis)]]>

式中，P_RE为增程器输出功率，η_{RE_max}为增程器效率最高值，η_RE为增程器当前功率下效率值，为增程器平均效率值，P_b为蓄电池输出功率，η_dis为蓄电池放电效率，η_chr为蓄电池充电效率，为蓄电池平均放电效率，为蓄电池平均充电效率，η_DC-DC为DC-DC转换器效率；

b)根据在线计算的结果，对神经网络进行训练；

c)用训练所得的新神经网络替代原神经网络。