[发明专利]基于数据驱动预测控制的电动汽车扭矩优化方法

权利要求书

1.一种基于数据驱动预测控制的电动汽车扭矩优化方法，其特征在于：其步骤是：

a、集中式电动汽车仿真模型搭建：采用模块化方法，在AMESim中搭建集中式电动汽车的整车模型，整个电动汽车仿真模型主要包括电驱动模块，传动模块、轮胎模块以及车辆纵向动力学，整车模型参数如表一：

表一  电动汽车参数表

；

b、扭矩优化数据驱动预测控制器设计：采用的数据驱动预测控制算法是由子空间辨识和模型预测控制相结合构成，具体的步骤如下：

①激励数据的选取：选取驱动力矩命令和制动力矩命令作为激励输入信号，在AMESim整车模型中，将设计的驱动力矩和制动力矩数据给电机和制动器，开环运行模型，便得到测量的实际车速，驱动力矩命令、制动力矩命令以及测量得到的车速，便是最终需要的系统激励数据；根据这些数据得到系统的输入Hankel矩阵Up、Uf，输出Hankel矩阵Yp、Yf：

 ；

②预测方程：

通过输入输出Hankel矩阵构造出系统的预测输出方程为：

，                            (1)

即为通过子空间辨识方法估计的系统未来输出值，通过求解最小二乘问题，获得预测方程中的两个预测矩阵系数Lw和Lu

                           (2)

两个预测矩阵系数Lw和Lu的解由下式求得：

              (3)

在已知系统的输入输出信息的 Hankel矩阵，并获得Lw和Lu后，利用子空间预测方程(1)，即得到系统未来输出值；

最终的输出预测方程为如公式(4)， 是Hankel矩阵的第一列

，                   (4)

③数据驱动预测控制器设计：对目标代价函数的求解获得优化后的驱动力矩和制动力矩信号，代价函数的数学表达形式如下：

        (5)

将系统输出的预测方程(5)改写为增量型式：

 ； (6)

对增项型预测输出进行累加得到如下的模型预测输出方程：

             (7)

其中，

   

 ；  

F项为系统自由响应，相应地 S?uf 项被称为系统的控制响应；

利用增量型预测输出模型构造出如下形式的代价函数：

         (8)

其中，

，；              (9)

其中，Γu和Γy分别是输入项和输出项的加权矩阵；控制时域为Nu，而预测时域为Np；加权系数Λ = Γu/Γy，选定Λ值为：

扭矩优化系统中的电机最大力矩约束、制动器的最大制动力矩约束和实际车速的约束由下面的数学表达式描述：

             (10)。