一种基于电池寿命衰减模式识别的混动汽车能量优化方法

本发明属于混合动力汽车能量管理技术领域，更确切地说，本发明涉及一种基于电池寿命衰减模式识别的混动汽车能量优化方法。

混合动力汽车存在多个动力源，需要协调各个动力源的工作状态以满足整车的动力需求，进而充分发挥其节能优势。动力电池的性能直接影响驱动电动机的性能，从而影响整车的燃油经济性和排放性能，是实现整车性能的关键。研究表明，燃油经济性和电池寿命衰减程度是相互影响的，当前能量优化管理策略的研究主要通过选取合适的性能指标和优化方法实现特定工况下的最佳燃油经济性，很少考虑动力电池寿命衰减对燃油经济性的影响。并且当前动力电池寿命的研究主要集中在预测特定工况下的电池寿命，从而获得特定工况下的理论电池寿命衰减情况，但是实际上，由于外界环境、驾驶习惯、驾驶方式的不同，混合动力汽车的实际行驶工况是复杂多变的，使得单一工况下的电池寿命预测方法无法在线实时应用于实车上，电池寿命预测的准确性和实时性无法同时兼顾。

目前，电池寿命预测的方法主要分为基于模型的估计方法和基于数据的估计方法。其中，基于模型的估计方法，由于汽车的实际行驶工况复杂多变，难以设计出与电池实际在线工作条件完全相同的模型来精确预测电池寿命，如专利CN107878445A,公布日为2018-4-6，公开了一种考虑电池性能衰减的混合动力汽车能量优化管理方法，该方法针对中国典型城市工况对电池性能进行优化，保证了燃油经济性，而未考虑到其他工况下的电池性能衰减的特征，并且无法实现实际行驶工况下对电池性能和整车经济性的在线实时最优控制。而基于数据的估计方法，通过大量实验数据研究电池寿命的衰减规律，数据处理量巨大，不具有工况普适性，只能较准确地描述单一实验中或单一工况下的电池寿命衰减规律，而无法代表实际行驶工况下的电池寿命衰减规律。

此外，混合动力汽车能量管理策略一般分为基于规则的能量管理策略和基于优化的能量管理策略，基于规则的能量管理策略经常应用于实车控制，但是其规则的确定对经验的依赖性非常大，而国内研究效果优异的动态规划全局优化管理策略是离线优化，不能直接应用于实时控制。

为了克服上述现有技术的不足，本发明提供了一种基于电池寿命衰减模式识别的混动汽车能量优化方法，在能量优化管理策略中均衡协调油耗与电池寿命衰减的关系，通过实际行驶工况下对电池寿命衰减模式的识别，实现对电池性能优化的同时可在线实时应用于实车，进而在保证动力性的同时提升整车燃油经济性，有效减缓电池寿命的衰减程度，提高电池寿命预测的精确性。

为解决上述技术问题，本发明提出的一种基于电池寿命衰减模式识别的混动汽车能量优化方法是采用如下技术方案实现的，包括下列步骤：

(1)针对中国乘用车工况、NEDC工况及HWFET工况分别开展基于动态规划算法的全局优化控制，得到混合动力系统发动机和电池工作状态随车速和整车需求功率的变化结果，具体包括：

①将中国乘用车工况、NEDC工况及HWFET工况分别离散为N个不同的阶段，通常以1秒为一个阶段，整车需求功率为：

Preq＝η·(Pe+Pbat)

式中，Preq为整车需求功率；η为传动系机械效率；Pe为发动机功率，Pbat为电池功率；通过控制电池功率的大小调节发动机工作点，而发动机工作点由发动机最优工作曲线确定；

将电池功率Pbat作为全局优化控制中的控制变量uk，将电池SOC作为全局优化控制中的状态变量xk；

②建立全局优化目标控制模型，所述全局优化目标控制模型包括全局优化目标函数和约束条件，采用动态规划算法满足优化目标的最优控制量；

所述全局优化目标函数为：

式中，μ为权重系数，取值范围为0～1；CE(xk,uk)为燃油消耗成本，包括发动机燃油消耗和电池等效燃油消耗，CH(xk,uk)为电池寿命衰减成本；Ca为转化系数；

所述k时刻燃油消耗成本为：

CE(xk,uk)＝Wfuel(k)+αPbat(k)

式中，Wfuel(k)为k时刻发动机燃油消耗量，由发动机的工作点确定，Pbat(k)为k时刻电池功率，α为等效燃油系数；

所述k时刻电池寿命衰减成本CH(xk,uk)通过下式求取：

CH(xk,uk)＝σ(I,θ,SOC)·|Ic(k)|

式中，σ(I,θ,SOC)为电池寿命衰减影响因子，Ic(k)为k时刻的电池充放电倍率；

所述的电池寿命衰减影响因子σ(I,θ,SOC)通过下式求取：

式中，τ为电池额定寿命，即通过额定运行条件下寿命终止(End of Life,EOL)时流过电池的总电量；γ(I,θ,SOC)是实际运行条件下电池寿命终止时流过电池的总电量；Ic,nom为电池额定充放电倍率；

所述动态规划的优化序列为：

第N阶段的成本函数为：

JN*(xNi)＝min[L(xNi,uNj)]

第k阶段的成本函数为：

Jk*(xki)＝min[L(xki,ukj)+Jk+1*(xk+1)]

式中，上标i为离散状态变量的索引，上标j为离散控制变量的索引，下标k为离散时间的索引，xk+1＝Sg[xk,uk]，Sg[xk,uk]为状态转移函数，表示为：

式中，Ik+1为k+1时刻流经电池的电流，Qbat为电池容量；

所述的约束条件为：

Pe_min≤Pe(k)≤Pe_max

Pbat_min≤Pbat(k)≤Pbat_max

ωm_min≤ωm(k)≤ωm_max

Tm_min(ωm)≤Tm(k)≤Tm_max(ωm)

式中，Pe(k)为k时刻发动机功率；ωm(k)为k时刻电机转速，Tm(k)为k时刻电机转矩；

③基于上述所建立的全局优化目标控制模型，逆向求解动态规划问题，由时刻k＝N开始从后向前计算，逐步求得各阶段的最优决策轨迹、最优状态轨迹和最优成本值，直至k＝1时求解结束；

④利用上述动态规划逆向计算求得的各阶段的最优决策轨迹、最优状态轨迹和最优成本值，分别正向求解得到中国乘用车工况、NEDC工况及HWFET工况下的混合动力系统发动机和电池工作状态随车速和整车需求功率的优化结果；

(2)基于上述全局优化控制得到的中国乘用车工况、NEDC工况及HWFET工况下的混合动力系统发动机和电池工作状态随车速和整车需求功率的优化结果，将各工况下的电池寿命衰减模式分类，具体包括：

①基于各工况下的全局优化结果，选取13个特征参数进行分析，包括：平均车速、最高车速、最大加速度、加速度平均值、最大减速度、减速度平均值、电池充放电倍率最大值、电池充放电倍率最小值、电池充放电倍率在0～3.5C之间的比例、电池充放电倍率在3.5C～7C之间的比例；电池充放电倍率在7C以上的比例、发动机的平均功率、电池的平均功率；

②采用复合等分法分别对中国乘用车工况、NEDC工况及HWFET工况下的全局优化结果按识别周期ΔT等分，获得相应的工况块，再将相邻工况块中点之间的工况段作为一个工况，分别提取各个工况块对应全局优化结果的特征参数；

③基于计算所得到的各工况块的特征参数，根据不同电池充放电倍率比例的变化情况，得到不同的电池寿命衰减模式，所述的电池寿命衰减模式包括低倍率衰减模式、中倍率衰减模式和高倍率衰减模式，其中，电池充放电倍率在0～3.5C之间的比例占主要比例时划分为低倍率衰减模式，电池充放电倍率在3.5C～7C之间的比例占主要比例时划分为中倍率衰减模式，电池充放电倍率在7C以上的比例占主要比例时划分为高倍率衰减模式；

(3)根据上述电池寿命衰减模式的分类结果，采用均值聚类算法均匀地选取合适的训练样本，训练神经网络模型，具体包括：

①将上述各工况下的不同电池寿命衰减模式对应的工况块特征参数组成对应的工况块样本集，具体得，将中国乘用车工况、NEDC工况及HWFET工况中属于低倍率衰减模式下的工况块特征参数共同组成一个工况块样本集，将中国乘用车工况、NEDC工况及HWFET工况中属于中倍率衰减模式下的工况块特征参数共同组成一个工况块样本集，将中国乘用车工况、NEDC工况及HWFET工况中属于高倍率衰减模式下的工况块特征参数共同组成一个工况块样本集；

②利用不同电池寿命衰减模式对应的工况块样本集组成训练样本，对神经网络模型进行训练，在行驶工况特征与典型行驶工况下的电池寿命衰减模式对应的工况特征之间形成映射关系；

(4)基于训练得到的神经网络模型，在实际行驶工况下识别电池寿命衰减模式，建立对应模式下可在线应用于实车的控制策略，具体包括：

①在实际行驶工况下,首先进行初始数据采集，收集初始延迟时间段内的车辆运行数据，初始识别延迟时间为ΔP，[0,ΔP]时间段内不进行电池寿命衰减模式的识别。当达到时间ΔP后，数据处理模块对ΔP时间段内存储的数据进行处理，根据特征参数的计算规则，提取对应的特征参数,利用经过训练的神经网络模型进行识别，确定电池寿命衰减模式的类别；

②之后，利用当前时刻t之前[t-ΔP,t]时间片段内的特征参数，与典型行驶工况下的电池寿命衰减模式对应的工况特征参数的相似程度，利用经过训练的神经网络模型对电池寿命衰减模式类别进行识别，以此作为t时刻之后一个采样步长[t,t+Δf]时间内的电池寿命衰减模式，其识别结果每隔一个采样步长Δf更新一次，通常取Δf为1秒；

③根据各典型行驶工况下的全局优化结果，提取电池寿命衰减模式的切换规则，制定不同电池寿命衰减模式所对应的控制策略，进而确定不同电池寿命衰减模式下的发动机工作点、电池需求功率与整车运行状态之间的关系，从而确定实车中的节气门控制和电机控制。

与现有技术相比，本发明具有以下优点：

(1)本发明所述的一种基于电池寿命衰减模式识别的混动汽车能量优化方法对燃油消耗成本和电池寿命衰减成本进行协调控制，在保证整车燃油消耗量变化不大的同时，有效减缓了电池寿命的衰减程度；

(2)本发明所述的一种基于电池寿命衰减模式识别的混动汽车能量优化方法将无限的复杂多变工况转换为有限的电池寿命衰减模式，提高了实际行驶工况下系统对电池寿命预测的准确性，并有效提升了控制系统对实际行驶工况的适应性；

(3)本发明所述的一种基于电池寿命衰减模式识别的混动汽车能量优化方法实现了实车在实际行驶工况下的在线实时应用，具有工况普适性；

(4)本发明所述的一种基于电池寿命衰减模式识别的混动汽车能量优化方法有效提高了电池使用性能，合理规划利用电池，进而降低了车辆使用成本。

下面结合附图对本发明作进一步的说明：

图1是本发明整体方法的流程示意图；

图2是本发明在各典型循环工况下的电池寿命衰减模式分类及提取不同电池衰减模式下的控制规则流程图；

图3是本发明在实际行驶工况下的电池寿命衰减模式识别及实车在线实时控制流程图。

下面结合附图说明对本发明作详细的描述。

参阅图1，本发明公开了一种基于电池寿命衰减模式识别的混动汽车能量优化方法，首先分别制定中国乘用车工况、NEDC工况和HWFET工况下的能量管理优化控制策略，把每阶段的燃油消耗成本和电池寿命衰减成本总和作为优化目标函数，利用离散动态规划算法求解；然后选取13个特征参数，涵盖了工况特征和电池寿命特征，并将各工况下的全局优化结果，按识别周期ΔT等分，获得相应的工况块，再将相邻工况块中点之间的工况段作为一个工况，分别提取各个工况块对应全局优化结果的13个特征参数；利用计算得到的特征参数，将电池寿命衰减模式进行分类，并提取不同电池寿命衰减模式对应的切换规则；基于均值聚类算法选取合适的训练样本，训练神经网络模型，采集实车实际行驶工况下的工况数据，基于神经网络模型识别电池寿命衰减模式，实时切换对应电池寿命衰减模式下的控制策略，进而实现实车的在线实时控制，在保证整车燃油经济性的同时有效减缓电池寿命的衰减程度，进而改善电池性能，提高实际行驶工况下系统对电池寿命预测的准确性，并有效提升控制系统对实际行驶工况的适应性。接下来具体说明实现基于电池寿命衰减模式识别的混合动力汽车能量优化管理控制思路。

(1)针对中国乘用车工况、NEDC工况及HWFET工况分别开展基于动态规划算法的全局优化控制，得到混合动力系统发动机和电池工作状态随车速和整车需求功率的变化结果，具体包括：

①将中国乘用车工况、NEDC工况及HWFET工况分别离散为N个不同的阶段，通常以1秒为一个阶段，整车需求功率为：

Preq＝η·(Pe+Pbat)

式中，Preq为整车需求功率；η为传动系机械效率；Pe为发动机功率，Pbat为电池功率；通过控制电池功率的大小调节发动机工作点，而发动机工作点由发动机最优工作曲线确定；

将电池功率Pbat作为全局优化控制中的控制变量uk，将电池SOC作为全局优化控制中的状态变量xk；

②建立全局优化目标控制模型，所述全局优化目标控制模型包括全局优化目标函数和约束条件，采用动态规划算法满足优化目标的最优控制量；

所述全局优化目标函数为：

式中，μ为权重系数，取值范围为0～1；CE(xk,uk)为燃油消耗成本，包括发动机燃油消耗和电池等效燃油消耗，CH(xk,uk)为电池寿命衰减成本；Ca为转化系数；

所述k时刻燃油消耗成本为：

CE(xk,uk)＝Wfuel(k)+αPbat(k)

式中，Wfuel(k)为k时刻发动机燃油消耗量，由发动机的工作点确定，Pbat(k)为k时刻电池功率，α为等效燃油系数；

所述k时刻电池寿命衰减成本CH(xk,uk)通过下式求取：

CH(xk,uk)＝σ(I,θ,SOC)·|Ic(k)|

式中，σ(I,θ,SOC)为电池寿命衰减影响因子，Ic(k)为k时刻的电池充放电倍率；

所述的电池寿命衰减影响因子σ(I,θ,SOC)通过下式求取：

式中，τ为电池额定寿命，即通过额定运行条件下寿命终止(End of Life,EOL)时流过电池的总电量，当电池实际容量相对额定值减少20％时视为电池寿命终止；γ(I,θ,SOC)是实际运行条件下(不同放电倍率Ic、温度θ、电池荷电状态SOC)电池寿命终止时流过电池的总电量；Ic,nom为电池额定充放电倍率；

根据动态规划的优化原理，将全局优化控制的最优解转化为以下优化序列问题：

第N阶段的成本函数为：

JN*(xNi)＝min[L(xNi,uNj)]

第k阶段的成本函数为：

Jk*(xki)＝min[L(xki,ukj)+Jk+1*(xk+1)]

式中，上标i为离散状态变量的索引，上标j为离散控制变量的索引，下标k为离散时间的索引，xk+1＝Sg[xk,uk]，Sg[xk,uk]为状态转移函数，表示为：

式中，Ik+1为k+1时刻流经电池的电流，Qbat为电池容量；

所述的约束条件为：

Pe_min≤Pe(k)≤Pe_max

Pbat_min≤Pbat(k)≤Pbat_max

ωm_min≤ωm(k)≤ωm_max

Tm_min(ωm)≤Tm(k)≤Tm_max(ωm)

式中，Pe(k)为k时刻发动机功率；ωm(k)为k时刻电机转速，Tm(k)为k时刻电机转矩；

加入基于不动点检测的SOC边界约束：

SOClow(h,k)＝max(SOCmin,(SOClow(h,k+1)-max(I(h)/Qbat/3600)))

SOChigh(h,k)＝min(SOCmax,(SOChigh(h,k+1)-min(I(h)/Qbat/3600)))

式中，对控制变量即电池功率离散，进行成本函数的寻优；I(h)为离散的控制变量取第h份离散值时的电池电流；SOClow(h,k)表示k时刻对应的控制变量取第h份离散值时电池SOC下边界值；SOChigh(h,k)表示k时刻对应的控制变量取第h份离散值时电池SOC上边界值；

③基于上述所建立的全局优化目标控制模型，逆向求解动态规划问题，由时刻k＝N开始从后向前计算，逐步求得各阶段的最优决策轨迹、最优状态轨迹和最优成本值，直至k＝1时求解结束；

④进行正向计算，即从第一时刻到N时刻结束，已知电池SOC的初始值，利用上述动态规划逆向计算求得的各阶段的最优决策轨迹、最优状态轨迹和最优成本值，分别通过插值获得中国乘用车工况、NEDC工况及HWFET工况下的每一时刻的最优控制量，进而得到各工况下混合动力系统发动机和电池工作状态随车速和整车需求功率的优化结果；

(2)参阅图2，基于上述全局优化控制得到的中国乘用车工况、NEDC工况及HWFET工况下的混合动力系统发动机和电池工作状态随车速和整车需求功率的优化结果，将各工况下的电池寿命衰减模式分类，具体包括：

①基于各工况下的全局优化结果，选取13个特征参数进行分析，包括：平均车速、最高车速、最大加速度、加速度平均值、最大减速度、减速度平均值、电池充放电倍率最大值、电池充放电倍率最小值、电池充放电倍率在0～3.5C之间的比例、电池充放电倍率在3.5C～7C之间的比例；电池充放电倍率在7C以上的比例、发动机的平均功率、电池的平均功率；

②采用复合等分法分别对中国乘用车工况、NEDC工况及HWFET工况下的全局优化结果按识别周期ΔT等分，获得相应的工况块，再将相邻工况块中点之间的工况段作为一个工况，分别提取各个工况块对应全局优化结果的特征参数；

③基于计算所得到的各工况块的特征参数，根据不同电池充放电倍率比例的变化情况，得到不同的电池寿命衰减模式，所述的电池寿命衰减模式包括低倍率衰减模式、中倍率衰减模式和高倍率衰减模式，其中，电池充放电倍率在0～3.5C之间的比例占主要比例时划分为低倍率衰减模式，电池充放电倍率在3.5C～7C之间的比例占主要比例时划分为中倍率衰减模式，电池充放电倍率在7C以上的比例占主要比例时划分为高倍率衰减模式；

(3)参阅图3，根据上述电池寿命衰减模式的分类结果，采用均值聚类算法均匀地选取合适的训练样本，训练神经网络模型，具体包括：

①将上述各工况下的不同电池寿命衰减模式对应的工况块特征参数组成对应的工况块样本集，具体得，将中国乘用车工况、NEDC工况及HWFET工况中属于低倍率衰减模式下的工况块特征参数共同组成一个工况块样本集，将中国乘用车工况、NEDC工况及HWFET工况中属于中倍率衰减模式下的工况块特征参数共同组成一个工况块样本集，将中国乘用车工况、NEDC工况及HWFET工况中属于高倍率衰减模式下的工况块特征参数共同组成一个工况块样本集；

②利用不同电池寿命衰减模式对应的工况块样本集组成训练样本，对神经网络模型进行训练，在行驶工况特征与典型行驶工况下的电池寿命衰减模式对应的工况特征之间形成映射关系；

(4)参阅图3，基于训练得到的神经网络模型，在实际行驶工况下识别电池寿命衰减模式，建立对应模式下可在线应用于实车的控制策略，具体包括：

①在实际行驶工况下,首先进行初始数据采集，收集初始延迟时间段内的车辆运行数据，初始识别延迟时间为ΔP，设定车辆以纯电动模式进行工作，[0,ΔP]时间段内不进行电池寿命衰减模式的识别。当达到时间ΔP后，数据处理模块对ΔP时间段内存储的数据进行处理，根据特征参数的计算规则，提取对应的特征参数,利用经过训练的神经网络模型进行识别，确定电池寿命衰减模式的类别；

②之后，利用当前时刻t之前[t-ΔP,t]时间片段内的特征参数，与典型行驶工况下的电池寿命衰减模式对应的工况特征参数的相似程度，利用经过训练的神经网络模型对电池寿命衰减模式类别进行识别，以此作为t时刻之后一个采样步长[t,t+Δf]时间内的电池寿命衰减模式，其识别结果每隔一个采样步长Δf更新一次，通常取Δf为1秒；

③根据全局优化结果，提取电池寿命衰减模式的切换规则，制定不同电池寿命衰减模式所对应的控制策略，进而确定不同电池寿命衰减模式下的发动机工作点、电池需求功率与整车运行状态之间的关系，从而确定实车中的节气门控制和电机控制。