具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，本发明实施例提供了一种混合动力汽车能量管理方法，包括步骤：

S1、构建混合动力汽车的动力总成系统及行星齿轮的准静态模型；

S2、根据预先确定的工作模式选取出汽车系统的状态变量和控制变量；

S3、根据获取得到的历史车速信息和实时车速信息对未来固定时域内的车速进行预测并计算需求转矩。

进一步地，所述步骤S3具体包括：

S31、根据获取得到的历史车速信息和实时车速信息对未来固定时域内的车速进行预测得到预测速度序列；

S32、基于所述预测速度序列以及预先获取的车辆固定参数，根据预设的车辆行驶方程进行计算得到所述需求转矩。

进一步地，所述对未来固定时域内的车速进行预测的步骤中为采用门控循环单元深度学习预测模型进行预测。

进一步地，所述门控循环单元深度学习预测模型包括两个门控循环单元层，其中，第一层门控循环单元层包括100个神经元，第二层门控循环单元层包括50个神经元。

S4、根据所述需求转矩，基于预设的目标函数及约束条件利用随机动态规划算法进行计算得到所述控制变量的最优控制序列。

进一步地，步骤S4具体包括：

S41、利用随机动态规划算法对所述状态变量和所述控制变量进行离散化处理；

S42、根据所述需求转矩，基于所述预设的目标函数及约束条件，利用Bellman最优性方法进行逆序递推进行求解得到所述控制变量的最优控制序列。

S5、基于所述最优控制序列对所述准静态模型中各个动力元件进行动力优化分配。

基于上述方案，为便于更好的理解本发明实施例提供的混合动力汽车能量管理方法，以下进行详细说明：

需要说明的是，本发明实施例提供了一种基于深度学习和模型预测控制的单行星排混联式混合动力汽车能量管理方法，在无需安装额外的传感器的情况下，可以提高车辆的能量利用效率和燃油经济性。本方法包括以下步骤：

(1)分析确定单行星排混联式混合动力汽车的工作模式，为后续控制变量选取打好基础；

(2)构建单行星排混联式混合动力汽车的各动力元件(发动机、电动机、发电机和动力电池)与行星齿轮的准静态模型；

(3)构建单行星排混联式混合动力汽车模型预测控制的目标函数和约束方程，此方法控制的目标是燃油消耗量最小，故目标函数可表示为：

其中，p为预测时域长度；u(k)为k时刻的控制变量；为发动机单位时间内的燃油消耗量；

为了防止在求解过程中状态变量和控制变量超出动力元件的物理限制，设置状态变量与控制变量的约束条件，分别包括发动机、电动机、发电机和动力电池，表示为：

发动机约束：ω_{e_min}≤ω_e≤ω_{e_max}，T_{e_min}≤T_e≤T_{e_max}

电动机约束：ω_{m_min}≤ω_m≤ω_{m_max}，T_{m_min}≤T_m≤T_{m_max}

发电机约束：ω_{g_min}≤ω_g≤ω_{g_max}，T_{g_min}≤T_g≤T_{g_max}

动力电池SOC约束：SOC_min≤SOC≤SOC_max

其中，ω表示转速，T表示转矩，下标为e表示发动机的参数，下标为m表示电动机的参数，下标为g表示发电机的参数，下标有_min表示相应参数最小值，下标有_max表示相应参数最大值，SOC_min表示SOC的下限，SOC_max表示SOC的上限。

(4)确定单行星排混联式混合动力汽车的状态变量和控制变量；在此步骤中，选取动力电池SOC为状态变量，选取发动机转矩T_e、电动机转矩T_m和各离合器状态为控制变量u，故第k阶段状态可描述为：

SOC(k+1)＝f(SOC(k),u(k))#(2)

(5)基于深度学习预测模型(基于门控循环单元)，首先离线通过组合工况数据对深度学习预测模型进行训练，在线利用历史车速信息和实时车速信息对未来固定时域内的车速进行预测，根据车辆行驶方程⑶得到相应的行车需求转矩；

其中，T_tq为行车需求转矩；i_g为变速器传动比；i₀为主减速比；η_T为传动系传动效率；r为轮胎半径；G为车辆重量；f为滚动阻力系数；i为道路坡度；C_D为空气阻力系数；A为车辆迎风面积；u_a为车速；δ为车辆旋转质量换算系数；m为车辆质量；为汽车加速度。

(6)在预测时域内将各状态变量和各控制变量进行离散化，根据目标函数基于预测时域p利用随机动态规划算法得到控制变量的最优控制序列；

(7)根据模型预测控制原理，将步骤(6)得到的最优控制序列中的第一个控制变量序列作用于整车系统中；

(8)基于得到的最优控制变量序列，结合步骤(2)得到的单行星排混联式混合动力汽车的各动力元件(发动机、电动机、发电机和动力电池)数值模型，确定各动力元件的最优控制量，实现动力优化分配。

请参见图2，其是本发明实施例中使用的单行星排混联式混合动力汽车总成系统示意图。其中，系统中主要包括发动机，发电机、电动机和各离合器(E_clu、G_clu1、G_clu2、M_clu)和行星齿轮。其中发动机与行星齿轮的行星架进行连接,同时通过离合器E_clu与机架连接；发电机通过离合器G_clu1与行星齿轮的太阳轮进行连接，同时通过离合器G_clu2与机架连接；电动机通过离合器M_clu与行星齿轮的齿圈进行连接，行星齿轮的齿圈与输出轴固连。

请参见图3，其为单行星排混联式混合动力汽车能量管理系统模型预测结构示意图。其中，控制器通过传感器采集驾驶员加速踏板位置和制动踏板位置，通过车速传感器和加速度传感器采集车辆行驶过程中的车速与加速度，在需求计算模块中计算求得整车的需求转矩；在优化计算模块中，发动机、电动机和各离合器的需求参数变量通过随机动态规划算法在预测时域内进行逆序递推计算，满足约束条件的情况下使得目标函数最小，以此得到各控制变量序列(发动机转矩序列、电动机转矩序列、离合器控制序列)；动力分配模块将计算得到的各控制变量序列按照模型预测控制原理，把序列中的第一个控制量输出至混合动力汽车系统中，同时将状态变量信息回馈至系统。

请参见图4，其为发明实施例采用的控制方法的流程示意图。具体包括以下步骤：

(1)分析确定单行星排混联式混合动力汽车的工作模式

本发明实施例采用的单行星排混联式混合动力汽车工作模式受动力总成中各元件状态的影响，各模式下对应元件的状态如表1所示。

表1单行星排混联式混合动力汽车的工作模式

(2)构建单行星排混联式混合动力汽车的动力总成各元件及行星齿轮的准静态模型

根据图2动力总成系统示意图构建动力总成各元件准静态模型。

发动机模型采用查表函数方式构建：

b_e＝f(n_e,T_e)#(4)

其中，n_e为发动机转速；T_e为发动机转矩；b_e为发动机燃油消耗率；为发动机单位时间内的燃油消耗量。

电动机与发动机模型构建：

其中，n_m为电动机转速；T_m为电动机转矩；n_g为发电机转速；T_g为发电机转矩；η_m为电动机效率；η_g为发电机效率。

动力电池模型构建：

P_bat＝U_batI_bat#(9)

U_bat＝E_bat-R_batI_bat#(10)

其中，P_bat为动力电池功率；k为充放电因子，当k＝-1时为驱动模式，当k＝1时为发电模式；U_bat为动力电池的开路电压；E_bat为动力电池电动势。

行星齿轮模型构建：

b_g+αn_m-(1+α)n_e＝0#(13)

T_g:T_m:T_e＝1:α:-(1+α)#(14)

其中，n_g为发电机转速；n_m为电动机转速；n_e为发动机转速；T_g为发电机转矩；T_m为电动机转矩；T_e为发动机转矩；α为行星齿轮特征参数。

(3)构建单行星排混联式混合动力汽车模型预测控制的目标函数和约束方程

本发明实施例的能量管理系统为了保证燃油消耗量最小，构建模型预测控制的优化目标函数，将目标函数J表示为：

其中，p为预测时域长度；u(k)为k时刻的控制变量；为发动机单位时间内的燃油消耗量。

为了防止在求解过程中状态变量和控制变量超出动力元件的物理限制，设置状态变量与控制变量的约束条件：

发动机约束：n_{e_min}≤n_e≤n_{e_max}，T_{e_min}≤T_e≤T_{e_max}

电动机约束：n_{m_min}≤n_m≤n_{m_max}，T_{m_min}≤T_m≤T_{m_max}

发电机约束：n_{g_min}≤n_g≤n_{g_max}，T_{g_min}≤T_g≤T_{g_max}

动力电池SOC约束：SOC_min≤SOC≤SOC_max

其中，n表示转速，T表示转矩，下标为e表示发动机的参数，下标为m表示电动机的参数，下标为g表示发电机的参数，下标有_min表示相应参数最小值，下标有_max表示相应参数最大值，SOC_min表示SOC的下限，SOC_max表示SOC的上限。

(4)确定单行星排混联式混合动力汽车的状态变量和控制变量

本发明实施例选取动力电池的SOC值作为系统的状态变量x，选取发动机转矩T_e、电动机转矩T_m和各离合器状态为控制变量u，故将第k阶段状态描述为：

SOC(k+1)＝f(SOC(k),u(k))#(16)

(5)利用历史车速信息和实时车速信息对未来固定时域内的车速进行预测并计算需求转矩

本发明实施例采用门控循环单元(GRU)深度学习预测模型对车速进行预测，GRU深度学习预测模型单元结构如图5所示。

其中，x为输入量；为新的隐藏层状态；r为重置门；h为隐藏层状态；z为更新门。更新门z的状态决定是否将新的隐藏层状态更新至隐藏层状态h中，重置门r的状态决定是否将隐藏层状态h遗忘。

重置门r_t表示为：

r_t＝σ(W_rx_t+U_rh_t-1+b_r)#(17)

更新门z_t表示为：

z_t＝σ(W_zx_t+U_zh_t-1+b_z)#(18)

新隐藏层状态表示为：

隐藏层状态h的更新表示为：

其中，σ为sigmoid函数，x_t为t时刻的输入。h_t-1为t时刻之前的隐藏层状态。⊙为同或运算。W和U为权值矩阵，在训练中进行学习，在结束训练的时候确定值。

离线通过组合工况数据对门控循环单元(GRU)深度学习预测模型进行训练，在线利用历史车速信息和实时车速信息对未来固定时域p内的车速进行预测，得到预测的速度序列。本发明实施例利用20s的历史车速信息对未来预测时域p＝5s的车速进行预测，输入的历史车速信息序列为[v(t-19),v(t-18),…,v(t-1),v(t)]，输出的预测车速序列为[v(t+1),v(t+2),…,v(t+5)]。其采用的门控循环单元(GRU)深度学习预测模型包含两个门控循环单元层，第一层有100个神经元，第二层有50个神经元，结构图如图6所示。

根据车辆行驶方程得到相应的需求转矩：

其中，T_tq为行车需求转矩；i_g为变速器传动比；i₀为主减速比；η_T为传动系传动效率；r为轮胎半径；G为车辆重量；f为滚动阻力系数；i为道路坡度；C_D为空气阻力系数；A为车辆迎风面积；u_a为车速；δ为车辆旋转质量换算系数；m为车辆质量；为汽车加速度。

(6)在预测时域内根据目标函数利用随机动态规划算法得到控制变量的最优控制序列

本发明实施例在预测时域p内应用随机动态规划算法，将状态变量x(动力电池SOC值)与控制变量u(发动机转矩T_e、电动机转矩T_m和各离合器状态)进行离散化处理，在约束条件与目标函数下，利用Bellman最优性原理进行逆序递推。在求解过程中，各离合器的断开用“0”表示，闭合用“1”表示，在预测时域p内，正向遍历求解状态与目标函数，再逆序递推得到最优控制变量序列。

(7)基于得到的最优控制变量序列，计算确定各动力元件的动力优化分配

本发明实施例在第⑸步中通过门控循环单元(GRU)深度学习预测模型得到了预测时域p内的车速，通过车辆行驶方程得到了行驶所需的需求扭矩；在第⑹步中得到了控制变量u(发动机转矩、电动机转矩、离合器开合)的最优控制序列。将上述信息输入至动力分配模块中，动力分配模块根据模型预测控制原理，将各控制变量u(发动机转矩、电动机转矩、离合器开合)最优控制序列中的第一个控制量u(0)作用于系统，完成单行星排混联式混合动力汽车各动力元件的动力分配。

与现有技术相比，本发明方法的门控循环单元(GRU)深度学习预测模型能够有效地对预测时域内的工况数据进行预测，同时深度学习网络可以结合大量的数据进行离线训练，能够达到更好的效果；其次通过模型预测控制框架嵌合动态规划，在预测时域内对状态变量与控制变量进行离散化计算求解目标函数，进而得到最优控制变量序列，避免了动态规划需要预知整个行车过程工况的情况，减少了计算量。

需要说明的是，对于以上方法或流程实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作并不一定是本发明实施例所必须的。

请参见图7，为了解决相同的技术问题，本发明还提供了一种混合动力汽车能量管理装置，包括：

动力模型构建模块1，用于构建混合动力汽车的动力总成系统及行星齿轮的准静态模型；

变量选取模块2，用于根据预先确定的工作模式选取出汽车系统的状态变量和控制变量；

需求计算模块3，用于根据获取得到的历史车速信息和实时车速信息对未来固定时域内的车速进行预测并计算需求转矩；

优化计算模块4，用于根据所述需求转矩，基于预设的目标函数及约束条件利用随机动态规划算法进行计算得到所述控制变量的最优控制序列；

动力分配模块5，用于基于所述最优控制序列对所述准静态模型中各个动力元件进行动力优化分配。

在本发明实施例中，进一步地，所述需求计算模块3具体用于：根据获取得到的历史车速信息和实时车速信息对未来固定时域内的车速进行预测得到预测速度序列；基于所述预测速度序列以及预先获取的车辆固定参数，根据预设的车辆行驶方程进行计算得到所述需求转矩。

在本发明实施例中，进一步地，所述优化计算模块4具体用于：利用随机动态规划算法对所述状态变量和所述控制变量进行离散化处理；根据所述需求转矩，基于所述预设的目标函数及约束条件，利用Bellman最优性方法进行逆序递推进行求解得到所述控制变量的最优控制序列。

在本发明实施例中，进一步地，所述需求计算模块3为采用门控循环单元深度学习预测模型对未来固定时域内的车速进行预测。

在本发明实施例中，进一步地，所述门控循环单元深度学习预测模型包括两个门控循环单元层，其中，第一层门控循环单元层包括100个神经元，第二层门控循环单元层包括50个神经元。

可以理解的是上述装置项实施例，是与本发明方法项实施例相对应的，本发明实施例提供的一种混合动力汽车能量管理装置，可以实现本发明任意一项方法项实施例提供的混合动力汽车能量管理方法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。