混合动力汽车动力系统协调控制的模式预测系统及方法技术方案

本发明专利技术提供一种混合动力汽车动力系统协调控制的模式预测方法，包括以下步骤：针对混合动力汽车的动力系统构型建立以模型预测控制为基础的控制策略模型；基于LSTM神经网络建立整车需求扭矩、车速和电池SOC的LSTM神经网络预测模型；将混合动力汽车当前行驶的历史数据输入LSTM神经网络预测模型，通过LSTM神经网络预测模型输出混合动力汽车预定时间段后的需求扭矩、车速和电池SOC的预测值；控制策略模型根据预测值判断混合动力汽车将要进入的模式并在需求扭矩、车速和电池SOC的预测值达到模式切换条件时控制混合动力汽车进行模式切换。其能够在动力源协调控制的基础上预测切换模式并提前进行模式切换，延长切换时间，从而达到减小冲击度的目的。达到减小冲击度的目的。达到减小冲击度的目的。

【技术实现步骤摘要】
混合动力汽车动力系统协调控制的模式预测系统及方法


[0001]本专利技术涉及混合动力汽车模式切换
，具体涉及一种混合动力汽车动力系统协调控制的模式预测系统及方法。

技术介绍

[0002]随着混合动力汽车(HEV)走进千家万户，混动汽车动力系统的协调控制问题逐渐进入人们视野。HEV的运行涉及多个动力源间的耦合，其结构较传统燃油车更复杂，不同的工作模式动力源的工作方式不同，且动力源动态响应时间上的差异易使模式切换过程中产生较大的纵向瞬态冲击及振动噪声，因此为改善混合动力汽车模式切换时的车辆性能，对模式切换过程进行研究具有重要的研究价值及意义。目前的研究主要集中在各动力源间的协调控制算法，研究路线比较单一。
[0003]以一款功率分流式混合动力汽车为例，如图1所示，双电机的功率分流式混合动力汽车抛弃了离合器、变速器，用电机MG1带动发动机1起动并调速，电机MG1与发动机1的转矩被前行星排合成并通过前行星排齿圈3传递到输出轴11上；电机MG2作为驱动电机通过后行星排与输出轴11相连，使得三个动力源完全耦合，任一动力源的波动都会直接影响到整车的纵向稳定性，使用整车纵向加速度对时间的一阶导数冲击度作为评价指标。前行星排行星架4与发动机1相连，前行星排太阳轮5与电机MG1相连，前行星排齿圈3与输出轴11相连；后行星排齿圈8固定，后行星排太阳轮10与电机MG2相连，后行星排行星架9与输出轴11相连。此构型大体可分为纯电动模式和混合驱动模式。混动模式时发动机和电机联合驱动，发动机1仅工作在最佳位置，发动机1多余动力则会通过电机MG1给动力电池充电。
[0004]进入混动模式时电机MG1会带动发动机1起动，然后到达经济转速并维持其转速在最佳位置不变，发动机1将在到达怠速转速时起动并开始响应需求转矩，但发动机1转矩响应相比于电机较慢，在发动机1起动时两电机转矩无法与发动机1转矩良好配合，造成动力输出不稳定，整车出现纵向冲击。

技术实现思路

[0005]针对上述
技术介绍
中提出的问题，本专利技术提供一种混合动力汽车动力系统协调控制的模式预测系统及方法，其能够在动力源协调控制的基础上预测切换模式并提前进行模式切换，延长切换时间，从而达到减小冲击度的目的。
[0006]为达到上述目的，本专利技术所采用的技术方案是：
[0007]一种混合动力汽车动力系统协调控制的模式预测方法，包括以下步骤：
[0008]针对混合动力汽车的动力系统构型建立以模型预测控制为基础的控制策略模型，所述控制策略模型以需求扭矩、车速和电池SOC的判定为模式切换条件；
[0009]基于LSTM神经网络建立整车需求扭矩、车速和电池SOC的LSTM神经网络预测模型；
[0010]将混合动力汽车当前行驶的历史数据输入所述LSTM神经网络预测模型，通过所述LSTM神经网络预测模型输出混合动力汽车预定时间段后的需求扭矩、车速和电池SOC的预
测值；
[0011]所述控制策略模型根据需求扭矩、车速和电池SOC的预测值判断混合动力汽车将要进入的模式，并在需求扭矩、车速和电池SOC的预测值达到模式切换条件时控制混合动力汽车进行模式切换。
[0012]进一步地，基于LSTM神经网络预测算法建立整车需求扭矩、车速和电池SOC的预测模型时还结合粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化。
[0013]进一步地，结合粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化的步骤包括：首先初始化PSO算法参数，用随机数初始化代表隐含层数量、学习率和迭代次数的粒子位置和速度，完成PSO优化的LSTM神经网络预测模型的搭建。
[0014]进一步地，完成PSO优化的LSTM神经网络预测模型的搭建后，还对PSO优化的LSTM神经网络预测模型进行训练。
[0015]进一步地，对PSO优化的LSTM神经网络预测模型进行训练的步骤为：采用所述控制策略模型，以需求扭矩、车速和电池SOC的判定为模式切换条件，进行城市循环工况实验，得到城市循环工况下的整车各项数据的数据集，将所述数据集分为训练集及测试集，通过训练集对LSTM神经网络预测模型迭代训练，每一次迭代中的粒子位置和速度都会作为LSTM的隐含层数量、学习率和迭代次数参与神经网络训练，计算神经网络预测输出值与实际值的误差，此误差以平均绝对百分比误差(MAPE)作为适应度函数来评价，根据历史全局最优来更新每个粒子速度和位置，直到适应度函数值小于误差允许量或迭代次数达到上限；将测试集输入训练好的神经网络，得到测试结果，测试结果也用所述平均绝对百分比误差(MAPE)描述，并在LSTM神经网络预测模型的测试结果未达到预设目标时对LSTM神经网络的batch size、记忆步长和预测步长参数进行调整，再利用数据集对LSTM神经网络预测模型训练及测试，重复上述步骤，直至测试结果达到预设目标，完成对LSTM神经网络预测模型的训练。
[0016]进一步地，所述适应度函数为：
[0017]式中，A为实际值，F为神经网络预测输出值，n为样本个数，t表示时刻。
[0018]本专利技术还提供一种混合动力汽车动力系统协调控制的模式预测系统，包括：
[0019]数据获取模块，用于获取混合动力汽车当前行驶的历史数据；
[0020]LSTM神经网络预测模块，所述LSTM神经网络预测模块设有基于LSTM神经网络预测算法建立的整车需求扭矩、车速和电池SOC的LSTM神经网络预测模型，所述LSTM神经网络预测模块用于接收混合动力汽车当前行驶的历史数据，并通过所述LSTM神经网络预测模型输出混合动力汽车预定时间段后的需求扭矩、车速和电池SOC的预测值；
[0021]协调控制模块，所述协调控制模块设有针对混合动力汽车建立的以模型预测控制为基础的控制策略模型，所述控制策略模型以需求扭矩、车速和电池SOC的判定为模式切换条件，所述协调控制模块根据需求扭矩、车速和电池SOC的预测值判断混合动力汽车将要进入的模式并在需求扭矩、车速和电池SOC的预测值达到模式切换条件时控制混合动力汽车进行模式切换。
[0022]本专利技术还提供一种包括所述混合动力汽车动力系统协调控制的模式预测系统的混合动力汽车。
[0023]由于采用上述技术方案，本专利技术具有以下有益效果：
[0024]1、上述混合动力汽车动力系统协调控制的模式预测方法及系统，通过长短时记忆(LSTM)神经网络根据混合动力汽车当前行驶的历史数据对混合动力汽车预设时间段后的需求扭矩、车速和电池SOC值进行预测，使用预测值作为判断混合动力汽车是否在预设时间段后达到模式切换条件，可以做到提前预知混合动力汽车是否需要进行模式切换以提前切换模式，在MPC目标函数权重为切换速度和冲击度的前提下，达到延长切换时间，减小纵向冲击的目的。
[0025]2、上述混合动力汽车动力系统协调控制的模式预测方法，通过粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化，能够提高神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混合动力汽车动力系统协调控制的模式预测方法，其特征在于，包括以下步骤：针对混合动力汽车的动力系统构型建立以模型预测控制为基础的控制策略模型，所述控制策略模型以需求扭矩、车速和电池SOC的判定为模式切换条件；基于LSTM神经网络建立整车需求扭矩、车速和电池SOC的LSTM神经网络预测模型；将混合动力汽车当前行驶的历史数据输入所述LSTM神经网络预测模型，通过所述LSTM神经网络预测模型输出混合动力汽车预定时间段后的需求扭矩、车速和电池SOC的预测值；所述控制策略模型根据需求扭矩、车速和电池SOC的预测值判断混合动力汽车将要进入的模式，并在需求扭矩、车速和电池SOC的预测值达到模式切换条件时控制混合动力汽车进行模式切换。2.如权利要求1所述的混合动力汽车动力系统协调控制的模式预测方法，其特征在于，基于LSTM神经网络预测算法建立整车需求扭矩、车速和电池SOC的预测模型时还结合粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化。3.如权利要求2所述的混合动力汽车动力系统协调控制的模式预测方法，其特征在于，结合粒子群算法对LSTM神经网络各隐含层神经元数目、学习率和迭代次数进行优化的步骤包括：首先初始化PSO算法参数，用随机数初始化代表隐含层数量、学习率和迭代次数的粒子位置和速度，完成PSO优化的LSTM神经网络预测模型的搭建。4.如权利要求3所述的混合动力汽车动力系统协调控制的模式预测方法，其特征在于，完成PSO优化的LSTM神经网络预测模型的搭建后，还对PSO优化的LSTM神经网络预测模型进行训练。5.如权利要求4所述的混合动力汽车动力系统协调控制的模式预测方法，其特征在于，对PSO优化的LSTM神经网络预测模型进行训练的步骤为：采用所述控制策略模型，以需求扭矩、车速和电池SOC的判定为模式切换条件，进行城市循环工况实验，得到城市循环工况下的整车各项数据的数据集；将所述数据集分为训练集及测试集，通过训练集对LSTM神经网络预测模型迭代训练，每...

【专利技术属性】
技术研发人员：关未来，杨蓉，王坤羽，黄俊明，黄伟，韦堂首，
申请(专利权)人：广西大学，
类型：发明
国别省市：