一种混合动力汽车预测式能量管理方法、系统和存储介质

本发明涉及新能源汽车，尤其是涉及一种混合动力汽车预测式能量管理方法、系统和存储介质。

背景技术：

1、迫于节能减排的目的，混合动力汽车成为当今汽车工业发展的重要方向之一，作为混合动力汽车的关键控制技术，能量管理策略直接影响了汽车的燃油经济性，成为了混合动力系统的研究重点。

2、中国专利申请号202010381806.5公开了了一种基于交通信息的混合动力汽车能量管理方法，主要采用基于动态规划的全局优化方法，计算量大，离实车应用尚有差距。混合动力汽车能量管理问题本质上是转矩分配优化和行驶状态时间序列预测的问题。

3、中国专利申请号201710350876.2公开了一种基于工况预测的插电式混合动力电动汽车能量管理系统，基于导航等联网信息进行实时工况预测，但策略复杂，因此受网络状态影响较大，如进入隧道或网络负载密集区域，该系统无法正常运行。

4、随着人工智能的发展，强化学习由于其优化效果、鲁棒性等众多优点，成为了当今的主流研究。中国专利申请号202010218455.6公开了一种基于深度强化学习的机械臂运动规划方法。

5、transformer作为一种序列预测(seq2seq)模型，最先在自然语言处理领域取得了成功，并已拓展至众多领域进行有关时间序列分析的应用，专利中国专利申请号202010275150.9发明了基于transformer+lstm神经网络模型的商品销量预测方法及装置。目前强化学习在混合动力汽车能量管理的应用仍处于探索阶段，且基于时间序列分析的汽车行驶状态预测及耦合状态预测模型的混合动力汽车预测式能量管理方法并未有相关专利。

6、迫于节能减排的目的，混合动力汽车成为当今汽车工业发展的重要方向之一，作为混合动力汽车的关键控制技术，能量管理策略直接影响了汽车的燃油经济性，成为了混合动力系统的研究重点。目前混合动力汽车在实施能量管理策略时，多根据过去和当前的汽车行驶状态(速度、加速度、需求转矩等)进行行驶工况识别和转矩分配决策。目前已有研究表明，时间序列预测模型能较好地基于历史数据进行未来序列的预测，该预测信息对混合动力汽车能量管理策略的优化有很大意义。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种混合动力汽车预测式能量管理方法、系统和存储介质，以提高行驶状态预测的准确性。

2、本发明的目的可以通过以下技术方案来实现：

3、本发明的一个方面，提供了一种混合动力汽车预测式能量管理方法，包括如下步骤：

4、在自动工况识别模式下，利用预训练好的基于transformer的汽车行驶状态预测模型对混合动力汽车未来一段时间内的速度和加速度进行预测，利用预训练好的基于transformer的驾驶工况识别模型对驾驶工况进行预测；

5、在手动工况模式下，获取选取的驾驶工况；

6、根据当前的驾驶工况，利用预训练好的基于actor-critic架构的行驶状态预测模型，得到对应驾驶工况下的行驶状态信息并对混合动力汽车进行控制，实现混合动力汽车预测式能量管理。

7、作为优选的技术方案，所述的预训练好的基于transformer的汽车行驶状态预测模型的获取包括如下步骤：

8、针对混合动力汽车的实际构型，构建整车模型，计算需求转矩；

9、以汽车当前的速度、当前的加速度、当前的需求转矩以及历史一段时间内的速度作为样本数据，构建数据集并划分为训练集、验证集和测试集；

10、以未来一段时间的速度和加速度为预测标签，最小化预测误差为目标，构建基于transformer的汽车行驶状态预测模型；

11、使用所述训练集对汽车行驶状态预测模型的参数进行分批训练，使用所述验证集对汽车行驶状态预测模型的参数进行微调，使用所述测试集对汽车行驶状态预测模型进行评估，当预测精度符合预设条件后，得到所述预训练好的基于transformer的汽车行驶状态预测模型。

12、作为优选的技术方案，所述的整车模型包括驾驶员子模型、发动机子模型、电池子模型、电机子模型、动力耦合装置子模型和车辆基本部件子模型。

13、作为优选的技术方案，基于wltc和nedc获取所述的数据集。

14、作为优选的技术方案，所述的预训练好的基于transformer的驾驶工况识别模型的获取包括如下步骤：

15、以混合动力汽车过去一段时间内的速度和加速度为样本数据，构建数据集并划分为训练集、验证集和测试集；

16、以驾驶工况为预测标签，最小化预测误差为目标，构建基于transformer的驾驶工况识别模型；

17、使用所述训练集对汽车行驶状态预测模型的参数进行分批训练，使用所述验证集对汽车行驶状态预测模型的参数进行微调，使用所述测试集对汽车行驶状态预测模型进行评估，当预测精度符合预设条件后，将encoder部分作为所述预训练好的基于transformer的汽车行驶状态预测模型。

18、作为优选的技术方案，基于wltc获取所述的训练集。

19、作为优选的技术方案，所述的预训练好的基于actor-critic架构的行驶状态预测模型的构建包括如下步骤：

20、以混合动力汽车的当前时刻需求转矩、电池soc以及当前和未来一段时间的速度为状态变量，以实现动力源转矩最优分配为控制目标，基于单位时间燃油消耗量和目标soc设计奖励函数，构建基于actor-critic架构的行驶状态预测模型；

21、基于损失函数对actor网络和critic网络进行训练，得到各个驾驶工况对应的actor网络，作为预训练好的基于actor-critic架构的行驶状态预测模型。

22、作为优选的技术方案，所述的驾驶工况包括城市工况、城郊工况、郊区工况以及高速工况。

23、本发明的另一个方面，提供了一种混合动力汽车预测式能量管理系统，包括：

24、数据采集系统，用于采集混合动力汽车的速度和加速度；

25、微型控制器，用于以上述混合动力汽车预测式能量管理方法得到驾驶工况下的行驶状态信息；

26、整车控制器，用于根据所述行驶状态信息，向发动机和电机发送发动机转速指令和转矩分配指令，实现汽车预测式能量管理。

27、本发明的另一个方面，提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行上述混合动力汽车预测式能量管理方法的指令。

28、与现有技术相比，本发明具有以下优点：

29、(1)行驶状态预测的准确性高：基于transformer模型对目标车辆进行行驶状态预测，训练样本数量大，且较传统的神经网络等预测方法更能挖掘时间序列中的相关性，预测准确度高。

30、(2)鲁棒性强：通过状态预测耦合强化学习，实现混合动力汽车的转矩分配智能决策，其鲁棒性高，优化效果较ecms在线能量管理方法有大幅提升，且实现过程不依赖于工程师的前期经验。

31、(3)计算效率高：actor-critic框架避免了绝大多数能量管理策略实现过程中所必须执行的变量离散化，从而降低了计算误差，并提升了计算效率。

32、(4)应用场景广泛：基于不同工况进行学习策略切换，并根据强化学习结果输出对应的网络参数，通过微型控制器和整车控制器实现在线能量管理，应用性强。

33、(5)混合动力系统效率高：将状态预测模型融合聚类算法，建立预测式工况自识别模块，实现在线工况预识别、转矩智能预分配，提升了混合动力系统的效率。