[发明专利]基于并行控制的混合动力汽车整车转矩分配系统及其方法

权利要求书

1.基于并行控制的混合动力汽车整车转矩分配系统，其特征在于，该系统包括并行执行的真实系统(18)和人工系统(19)，真实系统(18)包括传感器检测电路(1)、信号调理电路(2)、控制器(16)和液晶显示器(6)，人工系统(19)包括传感器检测电路(1)、信号调理电路(2)和计算机处理系统(17)；传感器检测电路(1)检测实车(5)中的发动机的转速、电机的转速、制动踏板或加速踏板的开度，经信号调理电路(2)对信号进行滤波处理后送给控制器(16)和计算机处理系统(17)；

控制器(16)根据当前发动机转速经查表获得发动机当前转速下的最优工作转矩，根据信号调理电路(2)送来的踏板开度信息获得实车(5)的需求转矩，并与上述最优工作转矩做差，同时根据实车(5)中电池的电压、电流和温度信息经计算获得电池剩余能量soc，根据上述求得的转矩差值和电池剩余能量soc经二维查表计算求得当前车况下发动机的需求转矩，然后根据发动机的需求转矩求得电机的需求转矩；控制器(16)将发动机需求转矩与电机需求转矩传送给实车(5)，作为实车(5)实时运行的设定值；液晶显示器(6)实时显示实车(5)的运行参数：电机转矩、发动机转矩、电池剩余能量soc以及燃油消耗值，方便用户实时掌握当前车况信息；

计算机处理系统(17)以发动机燃油消耗、尾气排放最低为目标，采用混沌自适应遗传算法，计算求得发动机全转速范围内的最优转矩工作曲线，然后根据当前发动机转速经插值计算求得发动机工作的最优转矩；根据信号调理电路(2)送来的踏板开度信息获得实车(5)的需求转矩，并将需求转矩与最优转矩做差运算，同时通过计算机处理系统(17)中的电池BMS模型获得电池剩余能量soc，根据所求得的转矩差值和电池剩余能量soc采用三层前馈神经网络算法计算求得电动机和发动机的需求转矩；计算机处理系统(17)根据传感器检测电路(1)获得当前工况下实车(5)中的发动机转速和转矩、电机转速和转矩、电机需求功率、电池剩余能量soc、发动机燃油消耗等的实际值，然后实时修正计算机处理系统(17)中的人工实车模型，使之与实车(5)满足相似性定理，之后利用修正后的人工实车模型计算发动机效率、电机效率、电池当前工况下的充放电效率以及传动机构效率，计算机处理系统(17)根据人工实车模型的计算结果，采用TD法以整车效率最高为目标，实时调整整车转矩分配策略的网络权值，分别得到发动机最优转矩T_opt与其转速n_e构成的T_opt＝f(n_e)的一维数表、发动机实时转矩T_e与整车需求转矩T_req和发动机最优转矩T_opt的差值、电池剩余能量soc构成的T_e＝f(T_req-T_opt，soc)的二维数表，并将其赋值给控制器(16)，使得控制器(16)的参数随着车辆的工作状况可以在全寿命周期中获得优化。

2.基于权利要求1所述的基于并行控制的混合动力汽车整车转矩分配系统的整车转矩分配方法，其特征在于，该方法包括如下步骤：

1)基于自适应混沌遗传算法获得发动机全转速范围内的最优转矩曲线，存放于计算机处理系统(17)内的发动机工作点优化模块(13)中，并将其生成T_opt＝f(n_e)的一维数表存放于控制器(16)内的发动机最优工作点模块(3)中，然后设计基于线性补偿的三层前馈神经网络的整车转矩分配优化算法，将其存放在计算机处理系统(17)内的整车转矩分配策略模块(14)中，并将其生成T_e＝f(T_req-T_opt，soc)的二维数表存放在控制器(16)内的整车转矩分配系统模块(4)中；设计基于TD算法的神经网络权值更新规则，将其存放在计算机处理系统(17)内的并行计算优化模块(12)中；

2)根据传感器检测电路(1)获取当前发动机转速信息，通过发动机最优工作点模块(3)，获得当前转速下的发动机最优转矩，求得与需求转矩的差值后，与电池剩余能量soc共同作为整车转矩分配系统模块(4)的输入，经插值计算求得对应的发动机需求转矩，根据T_req-T_e＝T_m求得当前电机转矩T_m，将求得的发动机需求转矩和当前电机转矩T_m输入给实车(5)，驱动实车(5)运行，并将表征整车状态的参数送入液晶显示器(6)中显示；

3)利用传感器检测电路(1)和信号调理电路(2)将实车(5)运行中的需求转矩T_req和发动机转速n_e输入到计算机处理系统(17)中，发动机工作点优化模块(13)以发动机的经济性和排放最优为指标，利用自适应混沌遗传算法，全转速范围内搜索得到当前转速下发动机最优工作转矩T_opt；

将发动机优化后的转矩T_opt作为整车转矩分配策略模块(14)的输入，整车转矩分配策略模块(14)选用带有输入输出线性映射的三层前馈小波神经网络，根据式(7)求得发动机转矩T_e，然后根据T_req-T_e＝T_m求得当前电机转矩T_m；

Te=Σj=15cj|aj|-1/2ψ((Σk=12ajlkjxk-bj)/aj)+Σk=12xkdk---(7)]]>

式中：j为模型的隐节点数，j＝1，…,5；k＝1，2，k为系统输入量个数，其中x₁为soc，x₂为ΔT＝T_req－T_opt；c_j为隐层神经元至输出层神经元的连接权值；l_kj为输入层神经元至隐层神经元的连接权值，d_k为输入层到输出层神经元的连接权值；

将求得的发动机和电机需求转矩，送入计算机处理系统(17)内的人工实车模型模块(11)中，发动机和电机控制系统采用直接转矩控制方式，分别求得实际的发动机转矩与转速值、电机的转矩与转速值、发动机效率η_e、电机效率η_m、传动机构效率η_tx、电池的充电效率η_chg或放电效率η_dis，根据式(8)计算求得整车效率；

d_j(t+1)＝d_j(t)+β(η_{HEV_i}(t+1)+γη_{HEV_all_i}(t+1)-η_{HEV_all_i}(t))x_j(t)    (8)

c_j(t+1)＝c_j(t)+β(η_{HEV_i}(t+1)+γη_{HEV_all_i}(t+1)-η_{HEV_all_i}(t))y_j(t)

a_ij(t+1)＝a_ij(t)+α(η_{HEV_i}(t+1)+γη_{HEV_all_i}(t+1)-η_{HEV_all_i}(t))y_i(t)(1-y(t))sgn(c_j(t))x_j(t)

式中，i为网络输入层节点个数，j为网络隐层节点个数，α、β为修正系数，η_{HEV_i}(t+1)为第t次至t+1次整车效率，η_{HEV_all_i}(t+1)为前t+1次整车总效率之和，η_{HEV_all_i}(t)为前t次整车总效率之和；

4)带有输入输出线性映射的三层前馈小波神经网络的权值通过并行计算优化模块(12)按照整车效率式(8)最优的原则，根据式(9)进行权值调整；

η_{HEV_i}(t+1)＝η_e(t+1)·η_m(t+1)·η_tx(t+1)·η_disch(t+1)·η_chg(t+1))    (9)

式中，η_e(t+1)为发动机效率，η_m(t+1)为电机效率，η_disch(t+1)和η_chg(t+1))分别为电池充放电效率，η_tx(t+1)为传动机构的传动效率；

5)将步骤4)调整后的权值分别送给整车转矩分配系统模块(4)和整车转矩分配策略模块(14)中，更新后的整车转矩分配系统模块(4)控制实车(5)实时运行；更新后的整车转矩分配策略模块(14)控制人工实车模型模块(11)与真实系统(18)并行运行；

6)实车(5)的输出数据一方面送给液晶显示器(6)输出，另一方面经传感器检测电路(1)和信号调理电路(2)，分别送给计算机处理系统(17)内的人工控制器(15)、控制器(16)以及人工实车模型模块(11)，后者用于更新人工实车模型，使之与实车(5)在全寿命运行周期内满足最大的相似性；

7)执行步骤2)，循环进行。