一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法与流程

本发明涉及一种插电式混合动力车辆的能量管理方法，尤其涉及一种预测时域可变的预测模型的构建。

背景技术：

模型预测控制方法由于具有较好的在线应用潜能而被逐渐应用于混合动力车辆能量管理策略的设计中，这种方法基于未来行驶工况，在预测时域内实现对车辆未来需求功率的滚动优化，以实时最优的控制决策来逼近全局最优的控制效果。典型的模型预测控制过程包括：预测模型、滚动优化、提取soc参考轨迹和对在线校正四个部分，其中，预测模型是上述过程乃至整个能量管理策略中最核心的部分，其主要对车辆未来行驶工况进行预测，为滚动优化过程提供目标工况作为参考。基于固定时域的模型预测能量管理策略的预测精度通常不能得到实时保证，且当模型预测能量管理策略在实际应用过程中，由于循环工况的车速和加速度无法完全覆盖真实行驶工况中的全部车速和加速度，由此引发的循环工况的状态缺失会导致未来工况实时预测过程的中断。由于车辆在真实路面下行驶的未来车速不可知，基于循环工况构建的预测模型的预测精度表征方法不适用于实时工况预测。

基于马尔科夫链的方式是一种常用的预测模型构建方法，出于对特定循环工况的预测精度和预测优化的时间成本的综合考虑，传统的基于马尔科夫链的模型预测控制方法大多采用固定的预测时长。因此，由于不同工况的特征不同，在保证一定的预测精度的前提下，预测模型的预测时域也将不同。基于该原则，如果在对车辆行驶工况进行预测的过程中，通过合理的变化预测时域，则可以实时保证预测过程的精度，从而提升基于该预测结果的能量管理策略的控制效果。

技术实现要素：

针对上述本领域中存在的技术问题，本发明提供了一种插电式混合动力车辆行驶工况的预测模型构建方法，包括以下步骤：

第一步、获取构建预测模型所需的车辆行驶工况；

第二步、定义构建预测模型的精度；

第三步、确定预测时域的变化规则。

进一步地，所述第一步中的获取构建预测模型所需的车辆行驶工况，具体包括执行以下两种方式：(1).在原有的车辆循环工况中逐秒填充真实工况信息，同时将车辆实时的状态转移情况融合到预先基于循环工况构建的马尔科夫转移矩阵中；(2).在车速-加速度投影平面中找到与当前真实工况最接近的的状态采样点，提取出来作为对真实工况的近似，从而填充缺失状态。

上述方式(1)可以有效补充真实工况信息，丰富状态控件，从而可以优化用于预测的马尔科夫转移矩阵，确保预测结果更加接近真实工况。但是仍可能出现状态缺失并导致预测中断；随车速信息不断更新，在线构建马尔科夫转移矩阵的计算负荷也会不断增加。方式(2)则可以有效解决状态缺失及预测中断问题，但由于采用了近似处理，可能会降低预测精度。实际使用过程中，优先采用方式(1)进行预测，一旦出现状态缺失时，再使用精度较低的方式(2)，从而避免预测中断。

进一步地，所述第二步中的定义构建预测模型的精度，具体包括：假设t为当前时刻；tp为预测时域，从第一个预测值开始到当前时刻t，中间恰好有k个预测值，为从t时刻预测的第k个预测值，将速度预测序列与真实速度序列v＝(vt-k+1,vt-k+2,…,vt)比对，计算二者的差值序列均方根值，将其作为当前时刻的预测精度rems(k)：

进一步地，所述第三步中的确定预测时域的变化规则，具体包括：

(1).将所述第一步获取的车辆行驶工况按照所述第二步定义的精度将车速-加速度投影平面的状态点划分为若干片段；

(2).统计每个状态片段的各工况参数的特征值和所述各工况参数对应的预测精度的特征值，然后利用主成分分析法对所述状态片段的所述工况参数以及所述预测精度的特征值进行降维处理，得到能够表征车速-加速度状态空间的压缩矩阵；

(3).再利用聚类分析法完成状态片段的分类，使得每一类中的状态片段的预测精度特征相似；

(4).利用相关性分析完成分类状态片段的预测时域变换。

进一步地，所述步骤(1)中的将其车速-加速度投影平面的状态点划分为若干片段，具体包括：

由于各个特征参数存在量纲上的差异，因此对状态片段的特征参数进行主成分分析之前，应首先对特征参数矩阵进行标准化，确保矩阵每一列均值为0，方差为1；

假设状态片段的个数为n，特征参数的个数为m，则首先构建n×m阶的状态片段特征参数矩阵如下：

其中，xij是第i个状态片段的第j个特征参数，特征参数矩阵标准化后能够得到如下矩阵：

其中，；

进一步地，所述步骤(2)中利用主成分分析法对所述状态片段的所述工况参数以及所述预测精度的特征值进行降维处理，具体包括：

将m个特征参数看作m个随机变量，记x＝(x1,x2,…xm)^t，则∑＝e[(x-e(x))(x-e(x))^t]为x协方差矩阵，σ的特征根所对应的正交单位向量为l＝(l1,l2,…lm)^t，其中li＝(li1,li2,…lim)^t，则有如下线性变换：

若期望由变量y1来代替原有的m个变量x，则要求y1能够尽量多的表征m个变量的信息，通常用y1的方差var(y1)来衡量，即var(y1)越大，表示y1包含的信息越多，当var(y1)最大时，称其为第一主成分。若第一主成分不足以表征m个变量，则考虑引入第二主成分y2，以此类推来确定所有的主成分。

最终形成的m个主成分要确保：

1).变量y为x的线性函数，

2).变量y的方差尽可能大，即变量y可以尽量充分的表征x的变化情况。

3).y1、y2、yn互不相关，从而保证各个主成分变量所表征的信息互不重叠。

为了表达每个主成分对总体样本的表征性能，以如下公式来计算主成分贡献率

式中，vk为主成分yk的贡献率；为m个主成分的累计贡献率；λi为x协方差矩阵∑的特征根，有λ1≥λ2≥…≥λm≥0。一般累计贡献率达到85％以上，即表明所代表的主成分能够表征样本的主要信息。

进一步地，所述步骤(3)中利用聚类分析法完成状态片段的分类，具体包括：采用欧式距离作为相似度的评价准则，通过最小最大原理和迭代运算将数据点添加到k个类别中：

(3.1).将n个状态片段样本分为k类，先选择样本数据中相距最远的两个样本点为前两个初始聚点，使

此处，距离采用欧氏距离来进行聚类分析计算，即

(3.2).选择第三个聚点使得与前两个聚点的距离最小者等于所有其与的较小距离中最大的，即寻找使其满足下式：

然后按相同的原则，若已选定l个聚点(l<k)，则第l+1个聚点可按照如下公式迭代计算，完成k个初始聚点的选定：

(3.3).设k个初始聚点为通过下式可将样本点完成初始分类：

通过上式，能够以就近原则将所有样本点以初始聚点为中心划分到k个不相交的集合中，记为g⁽⁰⁾＝{g1⁽⁰⁾,g2⁽⁰⁾,…,gk⁽⁰⁾}。在g⁽⁰⁾的基础上，计算新的聚点使得

式中，ni为初始聚类gi⁽⁰⁾中的样本数。将新的聚点l⁽¹⁾带入式(6.15)可得到新的分类g⁽¹⁾＝{g1⁽¹⁾,g2⁽¹⁾,…,gk⁽¹⁾}，依次重复计算，直到g^(m)＝g^(m+1)为止，即认为分类稳定。

进一步地，所述步骤(4)中利用相关性分析完成分类状态片段的预测时域变换，具体包括：

聚类分析后可根据工况点所在的车速-加速度状态片段初步判定最大预测时域，为了进一步确定有效预测时域，需要对预测工况点和实际工况点进行相关性分析，具体的预测时域确定原则如下：

任意分类下，假定相关性系数为l，该状态下最大的预测时域对应的相关性系数为lmax，预测时长为t，最大的预测时长为tmax。如果ifl≥lmax,则t＝tmax；如果出现l<lmax,则将t逐秒缩减到ti并且同时计算新的预测时长下的相关性系数并将其计为li，直到出现li≥lmax时为止，则此时可以确定预测时域为ti。

本发明还提供了一种基于上述方法所构建的预测模型的插电式混合动力车辆能量管理方法，在所述预测模型构建完成后还依次执行以下步骤以构建完整变时域模型预测控制流程：

步骤b.对车辆行驶中的油耗进行滚动优化；

步骤c.确定soc参考轨迹；

步骤d.对soc值在线校正。

进一步地，所述步骤b具体包括：

基于动态规划算法执行所述滚动优化，设当前为τ时刻，则当前预测时域内的优化目标和约束条件如下所示。

式中，jτ为[τ，τ+tp]预测时域内的代价函数，即为油耗最低；x(t)和u(t)分别为t时刻的状态量和控制量；l为t时刻的瞬时代价函数；h为预测时域内每一时刻状态量的代价函数。

此外，为保证mpc控制的实时最优性能接近dp的全局最优性能，还应有如下约束：

式中，为动力电池能量消耗参考轨迹。

进一步地，所述步骤c具体包括：根据动态规划算法控制下的soc随行驶里程的变化关系提取供模型预测控制使用的参考soc变化轨迹，并且认为动力电池组soc理想参考轨迹服从行驶起点的最高值减小到行驶终点的最低值的线性变化，则在τ时刻，soc参考轨迹可由下式计算得到。

式中，socr(τ)为τ时刻soc参考值；soc0为行驶初始时刻的soc；socf为行驶终点时刻的soc；l(k)为从初始时刻到τ时刻的行驶距离；ltotal为目标行程里程。

进一步地，所述步骤d具体包括：。在车辆行驶的每一时刻τ，预测时域长度为tp，对预测时域内部每一时刻的soc值进行约束，来约束soc的下降趋势。约束预测时域内每一时刻soc的二次代价函数的具体表示如下：

式中，α为取值为正的权重系数。

对于预测时域内的每一个控制量，经过模型计算都会对应于一个soc值。当soc值大于等于参考soc值时，此时能量消耗要缓于参考轨迹，因此不做约束，二次代价函数为0；当该soc值小于参考soc值时，为抑制soc下降过快，二次代价函数为一个较大值，且距离参考soc值越远，该代价函数越大。

基于上述本发明所提供的插电式混合动力车辆行驶工况的预测模型构建方法以及基于该预测模型构建方法的插电式混合动力车辆能量管理方法，建立了实时变化预测时域的预测模型，定义了针对实时控制过程中的预测精度的表征方法，具有可以实时保证预测精度，并避免由于循环工况状态缺失导致的预测中断等诸多有益效果。还将动态规划算法引入到滚动优化的过程中。

附图说明

图1为预测模型的构建方法示意图

图2为车速-加速度平面下工况缺失示意图

图3为不同分类下各预测时域的精度对比示意图

图4为不同预测时域下预测值与真实值的相关性分析

图5为车辆能量管理方法策略

图6为对车辆行驶中的油耗进行滚动优化过程

具体实施方式

下面结合附图对本发明所提供的插电式混合动力车辆行驶工况的预测模型构建方法以及基于该预测模型构建方法的插电式混合动力车辆能量管理方法做出进一步详尽的阐述和解释。

如附图1所示，本发明所提供的一种插电式混合动力车辆行驶工况的预测模型构建方法，包括以下步骤：

第一步、获取构建预测模型所需的车辆行驶工况；

第二步、定义构建预测模型的精度；

第三步、确定预测时域的变化规则。

在本申请的一个优选实施例中，所述第一步中的获取构建预测模型所需的车辆行驶工况，具体包括执行以下两种方式：(1).在原有的车辆循环工况中逐秒填充真实工况信息，同时将车辆实时的状态转移情况融合到预先基于循环工况构建的马尔科夫转移矩阵中；(2).在车速-加速度投影平面中找到与当前真实工况最接近的的状态采样点，提取出来作为对真实工况的近似，从而填充如图2所示的缺失状态。

在本申请的一个优选实施例中，所述第二步中的定义构建预测模型的精度，具体包括：假设t为当前时刻；tp为预测时域，从第一个预测值开始到当前时刻t，中间恰好有k个预测值，为从t时刻预测的第k个预测值，将速度预测序列与真实速度序列v＝(vt-k+1,vt-k+2,…,vt)比对，计算二者的差值序列均方根值，将其作为当前时刻的预测精度rems(k)：

在本申请的一个优选实施例中，所述第三步中的确定预测时域的变化规则，具体包括：

(1).将所述第一步获取的车辆行驶工况按照所述第二步定义的精度将车速-加速度投影平面的状态点划分为若干片段；

(2).统计每个状态片段的各工况参数的特征值和所述各工况参数对应的预测精度的特征值，然后利用主成分分析法对所述状态片段的所述工况参数以及所述预测精度的特征值进行降维处理，得到能够表征车速-加速度状态空间的压缩矩阵；

(3).再利用聚类分析法完成状态片段的分类，使得每一类中的状态片段的预测精度特征相似；

(4).利用相关性分析完成分类状态片段的预测时域变换。

在本申请的一个优选实施例中，以zzudc工况为例，按照车速1km/h，加速度0.05m/s²的网格精度将车速-加速度状态空间分割为746个状态片段组成的原始样本a，对其状态片段进行分别评价，定义出了如下表所述的14个特征参数。

表1用于分类的状态片段特征参数

假设状态片段的个数为n，特征参数的个数为m，则首先构建n×m阶的状态片段特征参数矩阵如下：

其中，xij是第i个状态片段的第j个特征参数；n＝746是所有状态片段个数；m＝14是用于分类的状态片段特征参数。特征参数矩阵标准化后能够得到如下矩阵：

主成分分析的目的是使用较少的具有相互独立性的变量来代替原有众多的具有相关性的变量进行信息表征。经过主成分分析后，能够将总体样本压缩为可以代表85％以上总那个题样本信息的主成分得分矩阵，并据此开展后续工作。

将14个特征参数看作14个随机变量，记x＝(x1,x2,…x14)^t，则σ＝e[(x-e(x))(x-e(x))^t]为x协方差矩阵，σ的特征根所对应的正交单位向量为l＝(l1,l2,…l14)^t，其中li＝(li1,li2,…li14)^t，则有如下线性变换：

若期望由变量y1来代替原有的14个变量x，则要求y1能够尽量多的表征14个变量的信息，通常用y1的方差来衡量，即var(y1)越大，表示y1包含的信息越多，当var(y1)最大时，称其为第一主成分。若第一主成分不足以表征14个变量，则考虑引入第二主成分y2，以此类推来确定所有的主成分。

为了表达每个主成分对总体样本的表征性能，以如下公式来计算主成分贡献率

式中，vk为主成分yk的贡献率；为14个主成分的累计贡献率；λi为x协方差矩阵σ的特征根，有λ1≥λ2≥…≥λ14≥0。一般累计贡献率达到85％以上，即表明所代表的主成分能够表征样本的主要信息。

在本申请的一个优选实施例中，所述步骤(3)中利用聚类分析法完成状态片段的分类，具体包括：

(3.1).将n个状态片段样本分为k类，先选择样本数据中相距最远的两个样本点为前两个初始聚点，使

此处，距离采用欧氏距离来进行聚类分析计算，即

(3.2).选择第三个聚点使得与前两个聚点的距离最小者等于所有其与的较小距离中最大的，即寻找使其满足下式：

然后按相同的原则，若已选定l个聚点(l<k)，则第l+1个聚点可按照如下公式迭代计算，完成k个初始聚点的选定：

(3.3).设k个初始聚点为通过下式可将样本点完成初始分类：

通过上式，能够以就近原则将所有样本点以初始聚点为中心划分到k个不相交的集合中，记为g⁽⁰⁾＝{g1⁽⁰⁾,g2⁽⁰⁾,…,gk⁽⁰⁾}。在g⁽⁰⁾的基础上，计算新的聚点使得

式中，ni为初始聚类中的样本数。将新的聚点l⁽¹⁾带入式(6.15)可得到新的分类g⁽¹⁾＝{g1⁽¹⁾,g2⁽¹⁾,…,gk⁽¹⁾}，依次重复计算，直到g^(m)＝g^(m+1)为止，即认为分类稳定。

根据上述原则，对原始数据分别进行了两类、三类和四类的聚类分析。表2给出了不同聚类下各类片段的数目对比关系。而图3则给出了不同分类方式下不同预测时域精度的相对比例关系。

表2不同聚类方式下状态片段数目对比关系

结合表2和图3可以看出，按四类聚类时，分类结果中的第三类和第四类的数据点数量相似，无法直观反映出不同类别的差异性；聚类为两类和三类时的数据点数量均有明显不同，但按二类聚类时，第一类和第二类所占的数据点数量差别较大。因此，本着详细分类研究的观点，最终确定将状态片段总体样本聚类为三类进行研究。

由此，原始工况的状态片段被分为三类。其中，第一类状态片段的预测时域设定为(0,15]s，第二类状态片段的预测时域设定为(15,30]s，第三类状态片段的预测时域设定为(30,35]s。

在本申请的一个优选实施例中，所述步骤(4)中利用相关性分析完成分类状态片段的预测时域变换，具体包括：

聚类分析后可根据工况点所在的车速-加速度状态片段初步判定最大预测时域，为了进一步确定有效预测时域，需要对预测工况点和实际工况点进行相关性分析，具体的预测时域确定原则如下：

任意分类下，假定相关性系数为l，该状态下最大的预测时域对应的相关性系数为lmax，预测时长为t，最大的预测时长为tmax。如果ifl≥lmax,则t＝tmax；如果出现l<lmax,则将t逐秒缩减到ti并且同时计算新的预测时长下的相关性系数并将其计为li，直到出现li≥lmax时为止，则此时可以确定预测时域为ti。不同预测时域下的预测值与真实值得相关性分析结果如图4所示。

在本申请的一个优选实施例中，本发明还提供了一种基于上述方法所构建的预测模型的插电式混合动力车辆能量管理方法，如图5所示，包括在所述预测模型构建完成后执行：

步骤b.对车辆行驶中的油耗进行滚动优化，其流程如图6所示；

步骤c.确定soc参考轨迹；

步骤d.对soc值在线校正。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。