一种混合动力电动汽车能量管理优化方法及系统与流程

本发明涉及能量管理，尤其涉及一种混合动力电动汽车能量管理优化方法及系统。

背景技术：

1、学术界和工业界已经开展了许多关于如何使用各种控制算法与策略的混合动力电动汽车来减少排放和节省燃料的研究。一些学者开始引入优化思想以获得更好的车辆性能，对推动混合动力汽车的发展起到了重要作用。通过建立功率分配因子的全局优化模型，采用自适应模拟退火算法离线优化功率分配因子、以并联混合动力汽车为目标，选择8个能量管理参数作为燃油经济性和排放性能的综合优化参数、提出了一种基于pareto原理的改进的nsga-i i多目标优化算法、一种基于模型预测控制(mpc)框架的计算高效能源管理方法，以获得并联phev的最佳扭矩分配和换档、利用自适应模拟退火遗传算法对静压混合动力汽车的驱动部件进行了优化匹配，各部件性能较前款有显着提升。由此可见，采用合适的优化方法对相关参数进行优化，可以有效提升整车性能。

2、但现有技术在处理能量管理优化问题上，通常是将多目标问题设定权重简化为单目标问题，但未考虑各目标间的相互影响，难以反映优化目标的真实情况。

技术实现思路

1、为了解决上述存在的技术问题，本发明公开了一种混合动力电动汽车能量管理优化方法及系统，提高优化的效果。

2、为了实现上述目的，本发明公开了一种混合动力电动汽车能量管理优化方法，包括：

3、根据预设的约束条件确定待优化的参数数据，并根据所述参数数据初始化混合动力电动汽车对应的能量管理模型；

4、根据所述能量管理模型获取所述混合动力电动汽车在实际行驶过程中的状态信息，并根据所述状态信息建立所述混合动力电动汽车对应的多目标优化模型；所述状态信息包括车辆燃油消耗、co排放量、hc排放量及nox排放量；

5、以所述多目标优化模型中的状态信息为优化目标，基于mosma算法对所述混合动力电动汽车的能量管理策略进行多目标优化。

6、本发明公开了一种混合动力电动汽车能量管理优化方法，包括首先利用预设的约束条件确定在进行能量管理方法优化过程中需要优化的参数，进而根据所述参数初始化所述混合动力电动汽车对应的能量管理模型，通过限定所述优化参数以使解决优化过程中多目标之间参数的相互影响，提高优化的效率，接着利用获得的所述能量管理系统，确定所述混合动力电动汽车在实际行驶过程中的状态信息，以使根据所述状态信息确定所述混合动力电动汽车的多目标优化模型，是的所述优化贴合车辆实际的行驶状态，提高优化的实际效果，在确定所述多目标优化模型后，基于预设的mosma算法对所述多目标优化模型中包含的状态信息进行不断的优化，可提高优化的效果。

7、作为优选例子，在所述根据预设的约束条件确定待优化的参数数据，并根据所述参数数据初始化混合动力电动汽车对应的能量管理模型，包括：

8、以所述混合动力电动汽车的动力性能及电池荷电状态作为所述约束条件；所述动力性能包括加速性能、最高车速及最大爬坡度；所述电池荷电状态为所述混合动力电动汽车的电池的荷电状态的初始状态与终止状态的差值；

9、根据所述约束条件及所述混合动力电力汽车中所述动力性能与所述电池荷电状态对应的制约规则，确定待优化的参数数据；所述参数数据包括参数及所述参数对应的取值范围；所述参数包括发动机功率、电动机功率系数、蓄电池的荷电状态的上限值及下限值、主传动比和蓄电池的模块数；

10、根据所述参数数据，通过预设的电动汽车仿真软件初始化并获得所述混合动力电动汽车对应的能量管理模型。

11、本发明以所述动力性能及所述荷电状态作为约束条件，使得在优化所述车辆的能量管理方法过程中一直贴合所述车辆的实际过程，避免优化过程过于拟合，限制优化的范围，提高优化的效果。

12、作为优选例子，在所述根据所述状态信息建立所述混合动力电动汽车对应的多目标优化模型中，所述多目标优化模型为：

13、

14、其中，n为设计变量的个数；ο代表目标函数的数据量；m代表不等式约束的个数；p代表等式约束的个数；代表第i个不等式约束；代表第i个等式约束；[lbi,ubi]表示第i个变量的上限及下限；f(x)表示目标函数集；f(x)表示不同的目标函数；所述xi表示优化参数。

15、本发明通过构建所述多目标优化模型，不仅确定在对所述车辆进行能量管理策略优化过程中的多个优化目标，同时还考虑了在参数优化过程中，优化的参数对不同的目标函数的影响及限制，解决了现有技术中无法考虑各目标函数之间的相互影响的技术问题，提高了优化的效果。

16、作为优选例子，在所述多目标优化模型还包括：

17、

18、其中，qfuel(x)、qco(x)、qhc(x)和qno(x)分别代表了燃油消耗、co及hc和nox的排放量。

19、本发明将所述燃油消耗、co及hc和nox的排放量作为所述多目标优化模型中优化的目标函数，使得在所述车辆的能量管理策略优化过程中以减少燃油消耗及各种气体的排放量为优化目标，使得车辆根据优化后的能量管理策略行驶时消耗更少的燃油的同时，排放的气体量也减少，进而提高车辆行驶的经济性。

20、作为优选例子，在所述基于mosma算法对所述混合动力电动汽车的能量管理策略进行多目标优化中，所述mosma算法包括：

21、

22、其中，所述xt+1为黏菌的逼近行为；所述是取值范围为[-a,a]的参数、为取值范围为[-b,b]的参数、t表示当前迭代次数，表示目前发现的气味浓度最高的个体位置，表示黏菌当前的位置，xa和xb表示黏菌中随机抽取的两个个体，表示黏菌的权重系数；

23、所述p的公式为：

24、p＝tanh(s(i)-df)

25、其中i∈1,2,...,n、s(i)代表适应度、df表示所有迭代中获得的最佳适应度；

26、的公式为：

27、

28、

29、的公式为：

30、

31、b＝1-i/max_iter

32、的公式为：

33、

34、smellindex＝sort(s)

35、其中，condition表示s(i)排在总体的前一半、r表示区间[0,1]内的随机值、max_t为最大迭代次数、max_iter为第i次迭代次数、bf表示当前迭代过程中获得的最优适应度、wf表示当前迭代过程中获得的最差适应度，smellindex表示适应度值排序的顺序；

36、所述mosma算法还包括精英非支配排序和保持多样性的拥挤度距离机制，所述拥挤度距离的计算公式为：

37、

38、其中，和分为第j个目标函数上边界和下边界。

39、本发明利用所述mosma算法对所述目标函数进行优化过程中，在函数可行域范围内找到最佳的输出解的同时，考虑到目标函数中多重微分、非连续性以及高维的非线性约束条件一系列的优化特征，使得在优化的过程中考虑到了多目标函数之间每一个目标函数的相互影响，提高了优化的效率。

40、作为优选例子，在所述mosma算法的步骤，包括：

41、步骤1，初始化所述mosma算法对应的种群的大小、最大迭代次数及迭代值，并在可行搜索空间区域中初始化黏菌的位置生成父代种群；

42、步骤2、根据所述父代种群中的各个黏菌对所述多目标优化模型中的目标函数进行计算，并利用基于精英的ndr和cd找出每一个黏菌对应的非支配排序和pareto前沿，并计算出每个前沿的拥挤距离；

43、步骤3，计算当前迭代过程中的最优适应度值及最差适应度值，并根据所述最优适应度值及最差适应度值计算所述每一个黏菌分别对应的权重系数；

44、步骤4，更新迭代过程中获得的最佳适应度及相对应的振动参数，产生新的黏菌位置，进而根据所述新的黏菌位置获得新的子代种群；

45、步骤5，根据所述子代种群中的各个黏菌对所述多目标优化模型中的目标函数进行计算，并将所述子代种群与所述父代种群合并，获得第一种群；

46、步骤6，对所述第一种群的目标空间向量的每个目标函数进行评价，通过所述基于精英的ndr和cd对所述第一种群进行个体筛选，获得第二种群，并更新当前迭代值为所述迭代值加1；

47、步骤7，比较所述当前迭代值与预设的最大迭代值，当所述当前迭代值大于或等于所述最大迭代值时，输出所述第二种群；若所述当前迭代值小于所述最大迭代值时，则转到步骤3。

48、本发明利用所述mosma中的黏菌不断地迭代更新位置，用于代替本发明中所述优化参数的取值的不断地更新，在所述黏菌的位置更新过程中，利用所述基于精英的ndr与cd计算每一个黏菌的位置的前沿距离，及计算参数更新后每一个参数的前沿距离，用于避免参数优化过程中对其他参数的干扰，通过所述前沿距离的计算避免了参数优化过程中参数之间的影响，提高了优化的效果。

49、另一方面，本发明公开了一种混合动力电动汽车能量管理优化系统，包括模型初始化模块、优化目标确定模块及能量管理优化模块：

50、所述模型初始化模块用于根据预设的约束条件确定待优化的参数数据，并根据所述参数数据初始化混合动力电动汽车对应的能量管理模型；

51、所述优化目标确定模块用于根据所述能量管理模型获取所述混合动力电动汽车在实际行驶过程中的状态信息，并根据所述状态信息建立所述混合动力电动汽车对应的多目标优化模型；所述状态信息包括车辆燃油消耗、co排放量、hc排放量及nox排放量；

52、所述能量管理优化模块用于以所述多目标优化模型中的状态信息为优化目标，基于mosma算法对所述混合动力电动汽车的能量管理模型进行多目标优化。

53、本发明公开了一种混合动力电动汽车能量管理优化系统，包括首先利用预设的约束条件确定在进行能量管理方法优化过程中需要优化的参数，进而根据所述参数初始化所述混合动力电动汽车对应的能量管理模型，通过限定所述优化参数以使解决优化过程中多目标之间参数的相互影响，提高优化的效率，接着利用获得的所述能量管理系统，确定所述混合动力电动汽车在实际行驶过程中的状态信息，以使根据所述状态信息确定所述混合动力电动汽车的多目标优化模型，是的所述优化贴合车辆实际的行驶状态，提高优化的实际效果，在确定所述多目标优化模型后，基于预设的mosma算法对所述多目标优化模型中包含的状态信息进行不断的优化，可提高优化的效果。

54、作为优选例子，所述模型初始化模块包括约束条件单元、数据获取单元及模型初始单元；

55、所述约束条件单元用于以所述混合动力电动汽车的动力性能及电池荷电状态作为所述约束条件；所述动力性能包括加速性能、最高车速及最大爬坡度；所述电池荷电状态为所述混合动力电动汽车的电池的荷电状态的初始状态与终止状态的差值；

56、所述数据获取单元用于根据所述约束条件及所述混合动力电力汽车中所述动力性能与所述电池荷电状态对应的制约规则，确定待优化的参数数据；所述参数数据包括参数及所述参数对应的取值范围；所述参数包括发动机功率、电动机功率系数、蓄电池的荷电状态的上限值及下限值、主传动比和蓄电池的模块数；

57、所述模型初始单元用于根据所述参数数据，通过预设的电动汽车仿真软件初始化并获得所述混合动力电动汽车对应的能量管理模型。

58、本发明以所述动力性能及所述荷电状态作为约束条件，使得在优化所述车辆的能量管理方法过程中一直贴合所述车辆的实际过程，避免优化过程过于拟合，限制优化的范围，提高优化的效果。

59、作为优选例子，所述多目标优化模型为：

60、

61、其中，n为设计变量的个数；ο代表目标函数的数据量；m代表不等式约束的个数；p代表等式约束的个数；代表第i个不等式约束；代表第i个等式约束；[lbi,ubi]表示第i个变量的上限及下限；f(x)表示目标函数集；f(x)表示不同的目标函数；所述xi表示优化参数。

62、本发明通过构建所述多目标优化模型，不仅确定在对所述车辆进行能量管理策略优化过程中的多个优化目标，同时还考虑了在参数优化过程中，优化的参数对不同的目标函数的影响及限制，解决了现有技术中无法考虑各目标函数之间的相互影响的技术问题，提高了优化的效果。

63、作为优选例子，所述多目标优化模型还包括：

64、

65、其中，qfuel(x)、qco(x)、qhc(x)和qno(x)分别代表了燃油消耗、co及hc和nox的排放量。

66、本发明将所述燃油消耗、co及hc和nox的排放量作为所述多目标优化模型中优化的目标函数，使得在所述车辆的能量管理策略优化过程中以减少燃油消耗及各种气体的排放量为优化目标，使得车辆根据优化后的能量管理策略行驶时消耗更少的燃油的同时，排放的气体量也减少，进而提高车辆行驶的经济性。