电动汽车辅助动力单元工作点优化方法及装置与流程

本发明涉及电动汽车辅助动力的技术领域，尤其是涉及一种电动汽车辅助动力单元工作点优化方法及装置。

背景技术：

电动汽车辅助动力单元是用于解决现有纯电动汽车充电时间长、续航里程有限的一种车载辅助发电装置，通常由小功率汽油发动机、发电机和电力电子控制装置构成，如图1所示。当电动汽车动力电池的荷电状态(stateofcharge)低于某一设定限值时，车辆便启动辅助动力单元，为车辆提供额外的电能以延长续驶里程。

当电动汽车辅助动力单元启动后，由于辅助动力单元发动机和发电机的工作状态与车辆驱动轮之间没有机械耦合，在满足目标输出功率的前提下，发动机和发电机可以运行在其转速-转矩/功率特性图上的任意工作点，因此可以通过对辅助动力单元工作点的优化实现油耗和排放的优化。

现有对辅助动力单元工作点的选取可分为两类：根据辅助动力单元的油耗特性，通过查表等方式找到一个固定的油耗最优点作为辅助动力单元工作点；通过构造辅助动力单元的效率优化模型，采用某种进化算法，求解效率最优工作点作为辅助动力单元工作点。但这两种技术方案都没有考虑辅助动力单元的排放对环境的影响。

综上，现有的辅助动力单元工作点的选取存在优化目标单一的技术问题。

技术实现要素：

有鉴于此，本发明的目的在于提供一种电动汽车辅助动力单元工作点优化方法及装置，以缓解现有的辅助动力单元工作点的选取存在优化目标单一的技术问题。

第一方面，本发明实施例提供了一种电动汽车辅助动力单元工作点优化方法，包括：获取待优化辅助动力单元工作点的可行区域，其中，所述可行区域为所述待优化辅助动力单元的发动机转速和所述待优化辅助动力单元的发电机转矩所围成的区域；在所述可行区域内，基于4个优化目标确定所述待优化辅助动力单元的最优工作点，其中，所述4个优化目标包括：油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量。

第二方面，本发明实施例还提供一种电动汽车辅助动力单元工作点优化装置，包括：获取模块，用于获取待优化辅助动力单元工作点的可行区域，其中，所述可行区域为所述待优化辅助动力单元的发动机转速和所述待优化辅助动力单元的发电机转矩所围成的区域；确定模块，用于在所述可行区域内，基于4个优化目标确定所述待优化辅助动力单元的最优工作点，其中，所述4个优化目标包括：油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量。

在本发明实施例中，首先获取待优化辅助动力单元工作点的可行区域，其中，可行区域为待优化辅助动力单元的发动机转速和待优化辅助动力单元的发电机转矩所围成的区域；然后在可行区域内，基于4个优化目标确定待优化辅助动力单元的最优工作点，其中，4个优化目标包括：油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量。通过上述描述可知，在本实施例中，能够以发动机转速和发电机转矩为寻优变量，以油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量为优化目标，确定待优化辅助动力单元的最优工作点，缓解了现有技术中辅助动力单元工作点的选取存在优化目标单一的技术问题。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种典型的辅助动力单元及相应的电动汽车示意图；

图2为本发明实施例提供的一种电动汽车辅助动力单元工作点优化方法的流程图；

图3为本发明实施例提供的不同工作点下的辅助动力单元油耗和排放特性示意图；

图4为本发明实施例提供的基于4个优化目标确定待优化辅助动力单元的最优工作点的流程图；

图5为本发明实施例提供的利用轮盘赌的选择机制进行差分进化策略选择的示意图；

图6为本发明实施例提供的基于候选个体与上一外部档案数组中的非支配解的支配关系对上一外部档案数组进行更新的流程图；

图7为本发明实施例提供的对上一外部档案数组进行更新的示意图；

图8为本发明实施例提供的得分堆栈记分过程的示意图；

图9为本发明实施例提供的一种电动汽车辅助动力单元工作点优化装置的功能模块图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做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。

实施例一：

图2是根据本发明实施例的一种电动汽车辅助动力单元工作点优化方法的流程图，如图2所示，该方法包括如下步骤：

步骤s12，获取待优化辅助动力单元工作点的可行区域，其中，可行区域为待优化辅助动力单元的发动机转速和待优化辅助动力单元的发电机转矩所围成的区域；

对于每一种电动车的辅助动力单元，其发动机最大转速和发电机最大转矩都各有不同，所以可行区域是直角坐标系中由直线x＝nmax、直线y＝tmax和原点组成的方形区域，如图3所示，x轴表示待优化辅助动力单元的发动机转速n，y轴表示待优化辅助动力单元的发电机转矩t，nmax表示发动机的最大转速，tmax表示发电机的最大转矩。

步骤s14，在可行区域内，基于4个优化目标确定待优化辅助动力单元的最优工作点，其中，4个优化目标包括：油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量。

本发明实施例中，在可行区域内基于4个优化目标确定待优化辅助动力单元的最优工作点(n,t)，其中，4个优化目标包括：油电转换成本ffc(n,t)、碳氢化合物排放量fhc(n,t)、一氧化碳排放量fco(n,t)和氮氧化合物排放量其中，油电转换成本ffc(n,t)＝1-ffe(n,t)，ffe(n,t)表示待优化辅助动力单元的油电转换效率。下文中再对在可行区域内基于4个优化目标确定待优化辅助动力单元的最优工作点的过程进行详细介绍。

在本发明实施例中，首先获取待优化辅助动力单元工作点的可行区域，其中，可行区域为待优化辅助动力单元的发动机转速和待优化辅助动力单元的发电机转矩所围成的区域；然后在可行区域内，基于4个优化目标确定待优化辅助动力单元的最优工作点，其中，4个优化目标包括：油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量。通过上述描述可知，在本实施例中，能够以发动机转速和发电机转矩为寻优变量，以油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量为优化目标，确定待优化辅助动力单元的最优工作点，缓解了现有技术中辅助动力单元工作点的选取存在优化目标单一的技术问题。

上述内容对本发明的电动汽车辅助动力单元工作点优化方法进行了简要介绍，下面对其中涉及到的具体内容进行详细描述。

在本实施例中，如图4所示，基于4个优化目标确定待优化辅助动力单元的最优工作点包括如下步骤：

步骤s21，获取上一外部档案数组，其中，上一外部档案数组中存储有4个优化目标的非支配解；

具体的，首先获取上一外部档案数组，上一外部档案数组是用来保存每次迭代进化过程中所得到的非支配解的数组。

步骤s22，利用轮盘赌的选择机制为当前解集中每一个目标个体选择差分进化策略，进而得到每一个目标个体对应的差分变异个体，其中，轮盘赌的选择机制中轮盘所表示的每种差分进化策略的角度大小与其对应的差分进化策略被选中的概率相关；

在进化过程中，每一个目标个体在进行差分变异时，所有的差分进化策略都要根据轮盘赌的选择机制以概率被选中，然后使用被选中的差分进化策略对目标个体进行差分变异操作，进而得到每一个目标个体对应的差分变异个体，其中，t表示进化代数，j＝(1,2,…k)，k表示差分进化策略的种数，每种差分进化策略根据其概率值在轮盘上占有相应角度的区域，如图5所示，图中第5种差分进化策略占有的区域最大，第4种差分进化策略占有的区域最小，说明第5种差分进化策略的概率值最大，第4种差分进化策略的概率值最小，概率值越大的差分进化策略占有的角度越大，被选中的概率就越高。下文中再对该差分变异的过程进行详细介绍。

步骤s23，基于每一个目标个体与其对应的差分变异个体确定候选个体；

在得到所有目标个体对应的差分变异个体后，将每一个目标个体与其对应的差分变异个体进行相关处理，进而得到所有的候选个体，下文中再对该相关处理过程进行详细介绍。

步骤s24，基于候选个体与上一外部档案数组中的非支配解的支配关系对上一外部档案数组进行更新，得到更新后的外部档案数组；

在得到所有的候选个体后，根据每一个候选个体与上一外部档案数组中所有非支配解的支配关系，将上一外部档案数组进行更新。下文中再对上一外部档案数组更新的过程进行详细介绍。

步骤s25，将更新后的外部档案数组作为上一外部档案数组进行迭代更新，直至达到最大进化代数，得到目标外部档案数组；

具体的，在得到更新后的外部档案数组后，将其作为上一外部档案数组以供下一代进化过程使用，按照预设的最大进化代数tmax进行迭代更新，将最后一代进化得到的外部档案数组作为目标外部档案数组。下文中再对该迭代更新的过程进行详细介绍。

步骤s26，对目标外部档案数组中的每个非支配解进行综合目标值计算，得到多个综合目标值；

具体的，在迭代更新结束后，得到目标外部档案，对目标外部档案数组中的每个非支配解进行综合目标值计算，得到多个综合目标值。

作为一个优选方案，按照油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量的优化权重分别为0.4、0.2、0.2、0.2时，基于算式

计算目标外部档案数组中所有非支配解的综合目标值h(n,t)，得到多个综合目标值h(n,t)。具体的，获取目标外部档案数组中的每一个非支配解(发动机转速，发电机转矩)所对应的油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量，然后将这些数据代入上述算式对应的表达式中，基于上述算式就得到了每一个非支配解对应的的综合目标值。

步骤s27，将多个综合目标值中的最小综合目标值所对应的非支配解作为辅助动力单元的最优工作点。

将得到的多个综合目标值h(n,t)进行排序，最小的h(n,t)所对应的非支配解就是本方法得到的待优化辅助动力单元的最优工作点(n,t)。

上述内容对基于4个优化目标确定待优化辅助动力单元的最优工作点的过程进行了介绍，下面对其中涉及到的部分内容进行详细描述。

在本发明实施例中，当上一外部档案数组为空数组时，获取上一外部档案数组包括如下步骤：

步骤s31，在可行区域内随机选取n个目标个体，并将n个目标个体存入当前解集；

首先在待优化辅助动力单元的可行区域内随机选取n个目标个体(其中一个目标个体包含有发动机转速，发电机转矩两个参量)，并将n个目标个体存入当前解集，其中，n表示当前解集的容量，取值越大，求得的最优工作点的精度就越高，但相应的运算量越大，耗时就越长，i取值1至n，t表示进化代数，此时的t＝0。

步骤s32，分别计算当前解集中的n个目标个体的4个优化目标；

求解当前解集中所有目标个体所对应的4个优化目标，即油电转换成本ffc(n,t)、碳氢化合物排放量fhc(n,t)、一氧化碳排放量fco(n,t)和氮氧化合物排放量

步骤s33，对当前解集中n个目标个体所对应的4个优化目标进行非支配排序，并根据排序结果将所有的非支配解存入上一外部档案数组，其中，非支配解为n个目标个体中部分目标个体。

具体的，根据当前解集中所有目标个体的4个优化目标ffc(n,t)、fhc(n,t)、fco(n,t)和进行非支配排序，然后根据排序结果将所有的非支配解存入上一外部档案数组中，非支配解为当前解集中的部分目标个体，并且非支配解满足至少有一个优化目标优于其他目标个体所对应的优化目标的条件。

上述内容对当上一外部档案数组为空数组时的情况进行了详细介绍，下面对差分变异过程进行详细描述。

在本发明实施例中，利用轮盘赌的选择机制为当前解集中每一个目标个体选择差分进化策略，进而得到每一个目标个体对应的差分变异个体包括如下步骤：

步骤s41，利用轮盘赌的选择机制为当前解集中每一个目标个体选择目标差分进化策略；

具体的，每种差分进化策略根据其概率值在轮盘上占有相应角度的区域，然后利用轮盘赌的选择机制为当前解集中每一个目标个体选择目标差分进化策略。在具体实现时，转动轮盘赌的选择机制中的轮盘，被选中的差分进化策略即为目标差分进化策略。

在本实施例中，差分进化策略优选为6种，每种差分进化策略的初始概率为在第一次利用轮盘赌的选择机制进行差分进化策略的选择时，每种差分进化策略被选中的概率均等为在后续的进化过程中，每种差分进化策略被选中的概率是在上一次进化过程末经过概率更新算式计算得到的概率，下文中再对每种差分进化策略被选中的概率进行更新的计算过程进行详细介绍。

步骤s42，基于目标差分进化策略确定每一个目标个体对应的差分变异个体，其中，目标差分进化策略包括以下任一种：其中，表示差分变异个体，表示当前解集中随机选取的目标个体，和表示当前解集中用于构成差分变异个体的第m对随机选取的目标个体，f1和f2表示比例缩放因子，f1＝rand(0,2]，f2＝rand(0,2]，表示上一外部档案数组中与目标个体的欧氏距离最小的非支配解。

具体的，使用目标差分进化策略对目标个体进行差分变异操作，进而得到每一个目标个体对应的差分变异个体，在实际应用中，差分进化策略数量可以根据用户的具体需求进行设定，作为一个优选方案，本发明实施例中，目标差分进化策略包括以下任一种：

其中，表示差分变异个体，表示当前解集中随机选取的目标个体，和表示当前解集中用于构成差分变异个体的第m对随机选取的目标个体，f1和f2表示比例缩放因子，f1和f2为大于0小于等于2的随机数，表示上一外部档案数组中与目标个体的欧氏距离最小的非支配解，欧式距离的算式为m＝(1,2,…,emax)，表示目标个体的第j维，表示上一外部档案数组中非支配解的第j维。

上述内容对差分变异过程进行了详细介绍，下面对如何确定候选个体的过程进行详细描述。

在本发明实施例中，基于每一个目标个体与其对应的差分变异个体确定候选个体包括如下步骤：

步骤s51，采用交叉操作公式对每一个目标个体与其对应的差分变异个体执行交叉操作，得到试验个体，其中，表示试验个体的第j维，表示差分变异个体的第j维，表示目标个体的第j维，且j∈(1,2)，rn(i)表示随机产生的维度索引，rn(i)∈(1,2)，r(j)表示第j个均匀分布的随机数据，r(j)∈[0,1]，cr表示随机的交叉概率常数，cr∈[0,1]；

为了进一步的提高种群的多样性，增强本方法的搜索能力，在得到每一个目标个体对应的差分变异个体后，采用交叉操作公式对每一个目标个体与其对应的差分变异个体执行交叉操作，得到试验个体，其中，表示试验个体的第j维，表示差分变异个体的第j维，表示目标个体的第j维，且j∈(1,2)，rn(i)表示随机产生的维度索引，rn(i)∈(1,2)，它保证了试验个体从差分变异个体中至少获得一个维度上的值，r(j)表示第j个均匀分布的随机数据，r(j)∈[0,1]，cr表示0～1范围内随机的交叉概率常数。

为了便于对交叉操作过程的理解，下面进行举例说明：

目标个体对应的差分变异个体是表示目标个体的第1维，表示目标个体的第2维，表示差分变异个体的第1维，表示差分变异个体的第2维，如果随机产生的维度索引rn(i)＝1，r(j)＝1，随机的交叉概率常数cr＝0.36，按照上述公式进行交叉操作，当j＝1时，满足j＝rn(i)，则试验个体的第1维当j＝2时，j≠rn(i)，并且满足r(j)>cr，则试验个体的第2维每一次的交叉操作都会随机产生一组随机数，但是无论rn(i)随机取1或2，总有一个j与之相等，也就保证了试验个体从差分变异个体中至少获得一个维度上的值。

步骤s52，在试验个体在可行区域的情况下，如果试验个体支配目标个体或两者互不支配，则确定试验个体为候选个体；

在本发明实施例中，支配是指优于，所以如果试验个体支配目标个体，即试验个体所对应的4个优化目标都优于目标个体所对应的4个优化目标。

如果得到的试验个体在可行区域内，并且试验个体所对应的4个优化目标都优于目标个体所对应的4个优化目标或两者在4个优化目标上都互有优劣，则确定试验个体为候选个体。

步骤s53，在试验个体在可行区域的情况下，如果目标个体支配试验个体，则确定目标个体为候选个体。

如果得到的试验个体在可行区域内，并且目标个体所对应的4个优化目标都优于试验个体所对应的4个优化目标，则确定目标个体为候选个体。

上述内容对如何确定候选个体的过程进行了详细介绍，下面对在试验个体不在可行区域的情况下的处理过程进行详细描述。

具体包括如下步骤：

步骤s61，在试验个体不在可行区域的情况下，重新利用轮盘赌的选择机制为不在可行区域的试验个体所对应的目标个体选择差分进化策略，进而得到目标个体对应的新的差分变异个体；

根据上述可知，对每一个目标个体与其对应的差分变异个体执行交叉操作，得到试验个体，但是在试验个体不在可行区域以内的情况下，需要重新利用轮盘赌的选择机制为不在可行区域的试验个体所对应的目标个体选择差分进化策略，因为所有的目标个体都在可行区域内，如果交叉操作得到的试验个体不在可行区域内，说明该目标个体在进行差分变异操作后得到的差分变异个体不在可行区域内，所以需要重新进行差分进化得到新的差分变异个体。

步骤s62，对目标个体与新的差分变异个体执行交叉操作，得到新的试验个体，直至新的试验个体在可行区域内为止。

将得到的新的差分变异个体与目标个体进行执行交叉操作，得到新的试验个体，如果得到的试验个体还是在可行区域外，需要再将目标个体进行差分变异操作，直至交叉操作得到的试验个体在可行区域内为止。

上述内容对在试验个体不在可行区域的情况下的处理过程进行了详细介绍，下面对上一外部档案数组进行更新的过程进行详细描述。

在本发明实施例中，如图6所示，基于候选个体与上一外部档案数组中的非支配解的支配关系对上一外部档案数组进行更新包括以下步骤：

步骤s71，依照下述更新原则对上一外部档案数组进行更新：

对上一外部档案数组进行更新时，参考图7的示意图。

步骤s72，如果候选个体被上一外部档案数组中的任意一个非支配解支配，则放弃候选个体，不存入上一外部档案数组；

具体的，如果候选个体所对应的4个优化目标都比上一外部档案数组中的任意一个非支配解所对应的4个优化目标差，那么放弃候选个体，上一外部档案不进行任何变化。

步骤s73，如果候选个体与上一外部档案数组中的所有非支配解都互相不支配，则将候选个体存入上一外部档案数组；

具体的，如果候选个体与上一外部档案数组中的任意一个非支配解在4个优化目标上都互有优劣，那么将候选个体存入上一外部档案数组。

步骤s74，如果候选个体存入上一外部档案数组之后，上一外部档案数组的大小超过了上一外部档案数组的容量，则随机选择候选个体或上一外部档案数组中的任意一个非支配解存入上一外部档案数组；

具体的，将候选个体存入上一外部档案数组后，如果上一外部档案数组的大小超过了上一外部档案数组的容量，那么就在候选个体与上一外部档案数组中的任意一个非支配解中随机选择一个存入上一外部档案数组。

步骤s75，如果候选个体支配上一外部档案数组中的一个或者多个非支配解，则被支配的非支配解从上一外部档案数组中删除，并将候选个体存入上一外部档案数组。

具体的，如果候选个体所对应的4个优化目标优于上一外部档案数组中的一个或者多个非支配解所对应的4个优化目标，那么将这一个或者多个被候选个体支配的非支配解从外部档案中删除，并将候选个体存入上一外部档案数组。

上述内容对上一外部档案数组进行更新的过程进行了详细介绍，下面对上一外部档案数组进行迭代更新的过程进行详细描述。

在本发明实施例中，将更新后的外部档案数组作为上一外部档案数组进行迭代更新包括以下内容：

用试验个体替换当前解集中的目标个体，对每一种差分进化策略被选中的概率进行更新，并将更新后的外部档案数组作为上一外部档案数组进行迭代更新。

具体的，当得到更新后的外部档案数组后，将其作为上一外部档案数组以供下一代进化过程使用，并且用试验个体替换当前解集中的目标个体，将当前解集进行更新，每一种差分进化策略被选中的概率也会根据预设方法进行更新，下文中再对该概率更新的过程进行详细介绍。

上述内容对上一外部档案数组进行迭代更新的过程进行了详细介绍，下面对每一种差分进化策略被选中的概率进行更新的过程进行详细描述。

在本发明的一个可选实施方式中，对每一种差分进化策略被选中的概率进行更新包括如下步骤：

步骤s81，为每一种差分进化策略创建一个对应的先入先出堆栈结构，其中，每一个堆栈结构包含c个记分单元，c个记分单元用于记录每一种差分进化策略在最后c次进化中的得分；

具体的，为每一种差分进化策略创建一个对应的先入先出堆栈结构(firstinfirstout，fifo)，如图8所示，每一个堆栈结构包含c个记分单元，用于记录在当前进化代数的前c代进化中，相应的差分进化策略在生成试验个体的过程中的得分，在每次进化过程的最后，每种差分进化策略的得分被推入栈顶(push)，其余堆栈单元向栈底移位(shift)，最老的得分记录从栈底弹出(pop)，其中，每一个记分单元初始化为n表示当前解集的容量，k表示差分进化策略的种数，c表示每一个堆栈结构包含的记分单元个数。

下面对得分堆栈的记分过程进行举例说明，针对第j个得分堆栈，当第t代进化结束，第j种差分进化策略在第t代进化中的得分将被推入栈顶(push)，其余堆栈单元向栈底移位(shift)，最老的得分记录从栈底弹出(pop)，得分堆栈在每一次记分时都遵循这个原则，最终整个堆栈单元存储的是当前进化代数的前c代进化中的得分。

这里的参数c也可以称为学习周期，学习周期越长需要的堆栈结构越大，差分进化策略的效果越缓和，作为一个优选方案，k＝6，本发明实施例对其中的数值不进行具体限制。

步骤s82，基于得分算式计算第j种差分进化策略在第t代进化过程中的得分，并将得分存入记分单元，其中，表示第j种差分进化策略在第t代进化过程中的得分，k表示差分进化策略的种数，n表示当前解集的容量，m表示采用第j种差分进化策略的目标个体的数量，表示第t代进化过程中第i个目标个体的得分，表示目标个体对应的试验个体，表示目标个体，ea表示上一外部档案数组；

具体的，基于第j种差分进化策略在第t代进化过程末生成的每一个试验个体与对应的目标个体的支配关系以及该试验个体是否进入上一外部档案，对第t代进化过程中采用第j种差分进化策略的第i个目标个体进行打分，计算时i取值1至m，m表示采用第j种差分进化策略的目标个体的数量，得分采用以下规则：

如果生成的试验个体被其对应的目标个体支配，则得0分；如果生成的试验个体支配其对应的目标个体并且该试验个体进入上一外部档案数组，则得3分；如果生成的试验个体支配其对应的目标个体但是该试验个体没有进入上一外部档案数组，则得2分；其他情况得1分，总而言之，进化过程结束后所生成的试验个体越优秀，该差分进化策略的得分就越高。

基于得分算式计算第j种差分进化策略在第t代进化过程中的得分，并将得分存入记分单元推入栈顶，其中，表示第j种差分进化策略在第t代进化过程中的得分，n表示当前解集的容量，m表示采用第j种差分进化策略的目标个体的数量，k表示差分进化策略的种数，表示第t代进化过程中第i个目标个体的得分。

步骤s83，基于概率更新算式计算每一种差分进化策略在第t+1代进化过程中被选中的概率，其中，表示第j种差分进化策略在第t+1代进化过程中被选中的概率，表示第j种差分进化策略在第b代进化中的得分，表示第m种差分进化策略在第b代进化中的得分。

得到第j种差分进化策略在第t代进化过程中的得分后，如果t-c+1<0，概率更新时采用第j种差分进化策略在第0代进化过程至t代进化过程中的得分总和除以所有k种差分进化策略在第0代进化过程至t代进化过程中的得分总和，进而得到第j种差分进化策略在第t+1代进化过程中被选中的概率

得到第j种差分进化策略在第t代进化过程中的得分后，如果t-c+1≥0，概率更新时采用第j种差分进化策略在第t-c+1代进化过程至t代进化过程中的得分总和除以所有k种差分进化策略在第t-c+1代进化过程至t代进化过程中的得分总和，进而得到第j种差分进化策略在第t+1代进化过程中被选中的概率

首次选择时，每一种差分进化策略被选中的概率相同，均等于

在本发明实施例中，首先获取待优化辅助动力单元工作点的可行区域，其中，可行区域为待优化辅助动力单元的发动机转速和待优化辅助动力单元的发电机转矩所围成的区域；然后在可行区域内，基于4个优化目标确定待优化辅助动力单元的最优工作点，其中，4个优化目标包括：油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量。通过上述描述可知，在本实施例中，能够以发动机转速和发电机转矩为寻优变量，以油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量为优化目标，确定待优化辅助动力单元的最优工作点，缓解了现有技术中辅助动力单元工作点的选取存在优化目标单一的技术问题。

发明人对本发明的方法进行了验证：针对某一种电动汽车辅助动力单元，设定当前解集的容量n＝200，最大进化代数tmax＝100，上一外部档案的规模emax＝200，参照国家标准《gb14762-2002：车用点燃式发动机及装用点燃式发动机汽车排气污染物排放限值及测量方法》和《gb17691-2005：车用压燃式,气体燃料点燃式发动机与汽车排气污染物排放限值及测量方法(中国ⅲ,ⅳ,ⅴ阶段)》所规定的试验规程，在nedc(neweuropeandrivingcycle，新欧洲行驶循环工况)下本发明方法与采用传统粒子群油耗优化方法得到油电转换成本试验结果为：本发明方法6.3l/100km，对比方法6.29l/100km。本发明方法较传统方法在油电转换成本上高出0.16％。

根据gb14762-2002和gb17691-2005提供的直接采样系统数据处理方法，本发明方法得到的碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量结果为0.092g/km、0.078g/km和0.982g/km；对比方法得到的碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量结果为0.106g/km、0.094g/km和1.077g/km。本发明方法较传统方法在碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量上分别改善13.2％、17.0％和8.8％。

综上所述，本发明所提出的电动汽车辅助动力单元工作点优化方法以0.16％的油电转换成本为代价，实现了碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量上分别改善13.2％、17.0％和8.8％，面对人民群众日益增长的环境质量要求与越来越严重的城市大气污染之间的矛盾，本发明方法对电动汽车辅助动力单元以及相关混合动力汽车控制策略的开发具有重要的意义。

实施例二：

本发明实施例还提供了一种电动汽车辅助动力单元工作点优化装置，该电动汽车辅助动力单元工作点优化装置主要用于执行本发明实施例上述内容所提供的电动汽车辅助动力单元工作点优化方法，以下对本发明实施例提供的电动汽车辅助动力单元工作点优化装置做具体介绍。

图9是根据本发明实施例的一种电动汽车辅助动力单元工作点优化装置的功能模块图，如图9所示，该装置主要包括获取模块10，确定模块20，其中：

获取模块，用于获取待优化辅助动力单元工作点的可行区域，其中，可行区域为待优化辅助动力单元的发动机转速和待优化辅助动力单元的发电机转矩所围成的区域；

确定模块，用于在可行区域内，基于4个优化目标确定待优化辅助动力单元的最优工作点，其中，4个优化目标包括：油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量。

在本发明实施例中，首先获取待优化辅助动力单元工作点的可行区域，其中，可行区域为待优化辅助动力单元的发动机转速和待优化辅助动力单元的发电机转矩所围成的区域；然后在可行区域内，基于4个优化目标确定待优化辅助动力单元的最优工作点，其中，4个优化目标包括：油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量。通过上述描述可知，在本实施例中，能够以发动机转速和发电机转矩为寻优变量，以油电转换成本、碳氢化合物排放量、一氧化碳排放量和氮氧化合物排放量为优化目标，确定待优化辅助动力单元的最优工作点，缓解了现有技术中辅助动力单元工作点的选取存在优化目标单一的技术问题。

可选地，确定模块包括：

获取单元，用于获取上一外部档案数组，其中，上一外部档案数组中存储有4个优化目标的非支配解；

差分变异单元，用于利用轮盘赌的选择机制为当前解集中每一个目标个体选择差分进化策略，进而得到每一个目标个体对应的差分变异个体，其中，轮盘赌的选择机制中轮盘所表示的每种差分进化策略的角度大小与其对应的差分进化策略被选中的概率相关；

第一确定单元，用于基于每一个目标个体与其对应的差分变异个体确定候选个体；

第一更新单元，用于基于候选个体与上一外部档案数组中的非支配解的支配关系对上一外部档案数组进行更新，得到更新后的外部档案数组；

第二更新单元，用于将更新后的外部档案数组作为上一外部档案数组进行迭代更新，直至达到最大进化代数，得到目标外部档案数组；

第一计算单元，用于对目标外部档案数组中的每个非支配解进行综合目标值计算，得到多个综合目标值；

第二确定单元，用于将多个综合目标值中的最小综合目标值所对应的非支配解作为辅助动力单元的最优工作点。

可选地，当上一外部档案数组为空数组时，获取单元还用于：

在可行区域内随机选取n个目标个体，并将n个目标个体存入当前解集；分别计算当前解集中的n个目标个体的4个优化目标；对当前解集中n个目标个体所对应的4个优化目标进行非支配排序，并根据排序结果将所有的非支配解存入上一外部档案数组，其中，非支配解为n个目标个体中部分目标个体。

可选地，差分变异单元还用于：

利用轮盘赌的选择机制为当前解集中每一个目标个体选择目标差分进化策略；

基于目标差分进化策略确定每一个目标个体对应的差分变异个体，其中，目标差分进化策略包括以下任一种：其中，表示差分变异个体，表示当前解集中随机选取的目标个体，和表示当前解集中用于构成差分变异个体的第m对随机选取的目标个体，f1和f2表示比例缩放因子，f1＝rand(0,2]，f2＝rand(0,2]，表示上一外部档案数组中与目标个体的欧氏距离最小的非支配解。

可选地，第一确定单元还用于：

采用交叉操作公式对每一个目标个体与其对应的差分变异个体执行交叉操作，得到试验个体，其中，表示试验个体的第j维，表示差分变异个体的第j维，表示目标个体的第j维，且j∈(1,2)，rn(i)表示随机产生的维度索引，rn(i)∈(1,2)，r(j)表示第j个均匀分布的随机数据，r(j)∈[0,1]，cr表示随机的交叉概率常数，cr∈[0,1]；

在试验个体在可行区域的情况下，如果试验个体支配目标个体或两者互不支配，则确定试验个体为候选个体；

在试验个体在可行区域的情况下，如果目标个体支配试验个体，则确定目标个体为候选个体。

可选地，第一确定单元还用于：

在试验个体不在可行区域的情况下，重新利用轮盘赌的选择机制为不在可行区域的试验个体所对应的目标个体选择差分进化策略，进而得到目标个体对应的新的差分变异个体；

对目标个体与新的差分变异个体执行交叉操作，得到新的试验个体，直至新的试验个体在可行区域内为止。

可选地，第一更新单元还用于：

依照下述更新原则对上一外部档案数组进行更新：

如果候选个体被上一外部档案数组中的任意一个非支配解支配，则放弃候选个体，不存入上一外部档案数组；

如果候选个体与上一外部档案数组中的所有非支配解都互相不支配，则将候选个体存入上一外部档案数组；

如果候选个体存入上一外部档案数组之后，上一外部档案数组的大小超过了上一外部档案数组的容量，则随机选择候选个体或上一外部档案数组中的任意一个非支配解存入上一外部档案数组；

如果候选个体支配上一外部档案数组中的一个或者多个非支配解，则被支配的非支配解从上一外部档案数组中删除，并将候选个体存入上一外部档案数组。

可选地，第二更新单元还用于：

用试验个体替换当前解集中的目标个体，对每一种差分进化策略被选中的概率进行更新，并将更新后的外部档案数组作为上一外部档案数组进行迭代更新。

可选地，第二更新单元还用于：

为每一种差分进化策略创建一个对应的先入先出堆栈结构，其中，每一个堆栈结构包含c个记分单元，c个记分单元用于记录每一种差分进化策略在最后c次进化中的得分；

基于得分算式计算第j种差分进化策略在第t代进化过程中的得分，并将得分存入记分单元，其中，表示第j种差分进化策略在第t代进化过程中的得分，k表示差分进化策略的种数，n表示当前解集的容量，m表示采用第j种差分进化策略的目标个体的数量，表示第t代进化过程中第i个目标个体的得分，i＝(1,2,…m)，表示目标个体对应的试验个体，表示目标个体，ea表示上一外部档案数组；

基于概率更新算式计算每一种差分进化策略在第t+1代进化过程中被选中的概率，其中，表示第j种差分进化策略在第t+1代进化过程中被选中的概率，表示第j种差分进化策略在第b代进化中的得分，表示第m种差分进化策略在第b代进化中的得分。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。