[发明专利]混联式混合动力汽车发动机最佳运行线在线学习方法

权利要求书

1.一种混联式混合动力汽车发动机最佳运行线在线学习方法，其特征在于：其步骤是：

a、信息采集模块：

发动机瞬时油耗模型是基于查map表方式建立，由下式得出：

W_f(ω_e,τ_e,T_cl)＝f_fuel,map(ω_e,τ_e)·f_cl,map(T_cl)， (1)

其中f_fuel,map表示名义温度下通过查map表所得到的标称油耗，ω_e为测量得到的发动机瞬时转速，τ_e为发动机扭矩，f_cl,map表示发动机水温对标称油耗影响的修正因子，T_cl为发动机水温；发动机BSFC由下式得出：

b、发动机燃油消耗梯度估计模块：

燃油消耗梯度的近似表示

在某发动机温度下，针对发动机运行在某一功率P_e时，计算发动机瞬时油耗关于转速方向的梯度值用下式近似表示：

因而可得：

Δ(b_e)＝GΔ(ω_e)， (4)

其中Δ(x)＝x⁺-x代表任意变量x的微小增量，上式可表示为其中

基于递归最小二乘的发动机燃油消耗梯度数值估计方法：

使用含遗忘因子的递归最小二乘算法来估计梯度G：

其中η代表遗忘因子，Q代表估计误差协方差矩阵，H代表增益矩阵；

c、发动机燃油消耗梯度的OOL在线学习过程：

采用一阶梯度下降法，搜索发动机运行功率P_e下油耗最低对应工作点，其迭代更新过程由下式表示：

其中γ为迭代学习率，通常大于0，i为迭代次数，为第i次迭代时发动机期望转速设定值，为迭代优化变量，G为当前发动机设定转速燃油消耗梯度；

选择最大迭代次数为N次，梯度值的二范数||G||小于δ为迭代终止条件，分别设定发动机输出功率序列为在优化发动机输出功率时，初始迭代发动机转速设定值为ω₀；

发动机输出功率时，迭代初始发动机转速设置为发动机输出功率所优化出的发动机最优转速，这样做不仅可以避免陷入局部次优点，而且缩短优化搜索时间，实现发动机最佳运行线在线学习优化；

d、混联式混合动力汽车电机扭矩控制模块

4.1电机M/G1扭矩控制

行星齿轮组通过齿面啮合机械连接,其传动关系如下所示：

ω_r＝(1+ρ)ω_c-ρω_s；

其中ω_s代表太阳轮转速，ω_c代表行星架转速，ω_r代表齿圈转速，ρ代表太阳轮齿数Z_s与齿圈齿数Z_r之比；

基于梯度下降算法在发动机输出功率P_e下迭代计算得转速期望设定值为通过行星齿轮传动关系，计算得到M/G1参考转速ω_M/G1^r；通过PI控制器调节M/G1转速。PI控制器数学表达形式如下所示：

T_M/G1^r＝k_p(ω_M/G1^r-ω_M/G1)+k_i∫(ω_M/G1^r-ω_M/G1)dt， (13)

其中ω_M/G1为M/G1实际转速，T_M/G1^r为M/G1参考期望扭矩，k_p与k_i分别是比例控制器和积分控制器的增益；

4.2电机M/G2扭矩控制

当车辆负载需求功率P_d在电动汽车模式功率P_ev边界内时，即P_d≤P_ev，发动机所需提供功率如下式表示：

其中，soc代表蓄电池荷电状态，soc_t代表soc的设定阈值，P_ch代表蓄电池充电功率；

当车辆需求功率在发动机所能提供最大功率P_e,max范围内时，即P_ev＜P_d＜P_e，max，发动机所需提供能量如下式表示：

当车辆需求功率超过发动机所能提供最大功率时，发动机所需提供能量如下式表示：

P_e＝P_e,max (16)

通过P_M/G1＝ω_M/G1T_M/G1^r可以求得M/G1的功率，通过能量守恒定律，求得M/G2功率如下所示：

P_M/G2＝P_d-P_e-P_M/G1， (1)

其中P_e代表发动机功率；

通过可求得M/G2参考期望扭矩，所以，通过闭环控制，即可将发动机转速调节至最优转速值ω_e^sp。

2.根据权利要求1所述的混联式混合动力汽车发动机最佳运行线在线学习方法，其特征在于：发动机燃油消耗梯度的OOL在线学习过程采用二阶梯度下降法对发动机最佳运行线在线学习；

定义发动机最低BSFC与发动机设定转速与输出功率有如下关系：

其中，b_e＝f(v,P)，P＝P_e，ν＝ω_sp为优化参数变量，v^*为发动机最优转速设定值。在发动机输出功率小范围波动时，假定ν(P+ΔP)＝ν+Δν，可得：

f_ν(ν+Δν,P+ΔP)＝0 (8)

对上式在(ν,P)点处进行一阶泰勒展开可得：

f_ν(ν,P)+f_νv(ν,P)Δν+f_νP(ν,P)ΔP＝0 (9)

解得发动机设定转速迭代步长如下式表示：

Δν＝-[f_νv(ν,P)]^-1[f_ν(ν,P)+f_νP(ν,P)ΔP] (10)

其中f_νv(ν,P)为海森矩阵，f_ν(ν,P)为一阶梯度矩阵，f_νP(ν,P)混合偏导矩阵；

若发动机输出功率为常值，则二阶梯度下降法迭代步长如下式表示：

Δν＝-[f_νv(ν,P)]^-1f_ν(ν,P) (11)

迭代学习率为海森矩阵的逆矩阵，即γ＝[f_νv(ν,P)]^-1。