孫 蕾 林歆悠 林國(guó)發(fā)

1.華僑大學(xué)機(jī)電及自動(dòng)化學(xué)院，廈門(mén)，3610212.福州大學(xué)機(jī)械工程及自動(dòng)化學(xué)院，福州,3500023.上汽集團(tuán)技術(shù)中心，上海,201804

基于工況識(shí)別與多元非線性回歸優(yōu)化的能量管理策略

孫 蕾1林歆悠2林國(guó)發(fā)3

1.華僑大學(xué)機(jī)電及自動(dòng)化學(xué)院，廈門(mén)，3610212.福州大學(xué)機(jī)械工程及自動(dòng)化學(xué)院，福州,3500023.上汽集團(tuán)技術(shù)中心，上海,201804

為給混合動(dòng)力汽車(chē)智能管理策略提供基礎(chǔ)，開(kāi)展了基于學(xué)習(xí)向量化(LVQ)神經(jīng)網(wǎng)絡(luò)的工況模式識(shí)別算法研究。選取4種典型微觀道路類(lèi)型工況和3類(lèi)標(biāo)準(zhǔn)循環(huán)工況，提取11個(gè)參數(shù)為訓(xùn)練特征數(shù)據(jù)，建立了LVQ神經(jīng)網(wǎng)絡(luò)工況模式識(shí)別算法；在此基礎(chǔ)上，以某款混聯(lián)式動(dòng)力系統(tǒng)為例，結(jié)合多元非線性回歸分析制定相應(yīng)控制策略；最后，基于Simulink仿真平臺(tái)建立LVQ神經(jīng)網(wǎng)絡(luò)工況模式識(shí)別及整車(chē)仿真模型，分別采用中國(guó)城市典型循環(huán)工況以及構(gòu)建UDDS+NYCC+UDDS的標(biāo)準(zhǔn)行駛工況進(jìn)行道路工況識(shí)別驗(yàn)證。結(jié)果表明，所建立的LVQ神經(jīng)網(wǎng)絡(luò)工況識(shí)別算法可以準(zhǔn)確識(shí)別工況模式并能有效提高能量管理策略的控制效果。

學(xué)習(xí)向量化神經(jīng)網(wǎng)絡(luò)；工況識(shí)別；循環(huán)工況；能量管理

0 引言

隨著新能源汽車(chē)能量管理策略的研究不斷深入，行駛工況對(duì)新能源汽車(chē)的性能影響非常重要，因此這個(gè)方向已成為目前的研究熱點(diǎn)，如林歆悠等[1]采用工況識(shí)別與動(dòng)態(tài)規(guī)劃全局優(yōu)化相結(jié)合的方法建立混聯(lián)式混合動(dòng)力客車(chē)的優(yōu)化策略，類(lèi)似的研究還有PARK等[2]通過(guò)機(jī)器學(xué)習(xí)算法對(duì)行駛道路及交通狀況進(jìn)行識(shí)別進(jìn)而優(yōu)化控制參數(shù)以進(jìn)一步提升混合動(dòng)力汽車(chē)的控制效果。

關(guān)于工況識(shí)別的研究，目前基本有兩種方法，一種是采用統(tǒng)計(jì)方法，利用歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)識(shí)別[3]，但該方法識(shí)別精度不夠穩(wěn)定，對(duì)突變的工況無(wú)法準(zhǔn)確識(shí)別；另一種是采用智能算法[4-6]，如詹森等[7]采用基于遺傳優(yōu)化K均值聚類(lèi)算法進(jìn)行工況識(shí)別，但該方法計(jì)算量大且需要對(duì)識(shí)別規(guī)則進(jìn)行不斷重復(fù)調(diào)整，穩(wěn)定性較低。另外，還有關(guān)于微觀道路方面的研究，如石琴等[8]采用基于運(yùn)動(dòng)學(xué)片段的方法對(duì)城市道路進(jìn)行識(shí)別。

本文擬采用學(xué)習(xí)向量化(learning vector quantization, LVQ)神經(jīng)網(wǎng)絡(luò)分別對(duì)行駛道路類(lèi)型與綜合行駛工況進(jìn)行識(shí)別，并在此基礎(chǔ)上以某款混聯(lián)式動(dòng)力系統(tǒng)為例，結(jié)合多元非線性回歸分析制定相應(yīng)控制策略。

1 工況識(shí)別特征參數(shù)提取

工況識(shí)別的基礎(chǔ)是對(duì)工況特征參數(shù)的提取。工況特征參數(shù)的提取原則是包含每個(gè)循環(huán)工況的特征，但是工況特征選擇過(guò)多會(huì)導(dǎo)致計(jì)算量的增大；特征參數(shù)選擇過(guò)少又會(huì)導(dǎo)致工況識(shí)別的誤差較大，影響識(shí)別的精度。根據(jù)文獻(xiàn)[9]的研究成果，本文選擇如下具有代表性的11個(gè)特征參數(shù)：

(1)

式中，vg為每個(gè)時(shí)刻的循環(huán)工況車(chē)速；tg為整個(gè)循環(huán)工況的時(shí)刻數(shù)。

(2)循環(huán)工況的最高車(chē)速vgmax

vgmax=maxvg

(2)

(3)循環(huán)工況的最大加速度agmax

agmax=maxag

(3)

式中，ag為循環(huán)工況的加速度。

(4)

(5)循環(huán)工況的最大減速度dgmax

dgmax=maxdg

(5)

式中，dg為循環(huán)工況的減速度(加速度為負(fù)值)。

(6)

(7)怠速時(shí)間比例ri，即工況怠速的時(shí)間在整個(gè)循環(huán)工況總時(shí)間中所占的百分比。

(8)加速時(shí)間比例ra，即工況加速的時(shí)間在整個(gè)循環(huán)工況總時(shí)間中所占的百分比。

(9)減速時(shí)間比例rd，即工況減速的時(shí)間在整個(gè)循環(huán)工況總時(shí)間中所占的百分比。

(10)勻速時(shí)間比例rc，即工況勻速的時(shí)間在整個(gè)循環(huán)工況總時(shí)間中所占的百分比。

(11)怠速的次數(shù)fi。

本文采用圖1所示的復(fù)合等分法，將循環(huán)工況識(shí)別周期劃分為120 s的工況塊,為增加測(cè)試數(shù)據(jù)量，將相鄰工況塊中點(diǎn)之間的部分繼續(xù)劃分為一個(gè)工況塊。測(cè)試每個(gè)工況塊的11個(gè)工況特征參數(shù)，于是每個(gè)工況塊對(duì)應(yīng)了一組工況特征參數(shù)。

圖1 循環(huán)工況分段示意圖Fig.1 Segmentation diagram of driving cycle type

2 構(gòu)建LVQ神經(jīng)網(wǎng)絡(luò)工況識(shí)別模型

工況識(shí)別在混合動(dòng)力汽車(chē)能量管理中的應(yīng)用會(huì)涉及到不同道路類(lèi)型[10-11]以及不同的循環(huán)行駛工況的識(shí)別[12]，因此本文將對(duì)微觀道路模式和綜合行駛工況進(jìn)行識(shí)別。

2.1微觀道路路況模式

為研究不同道路交通狀態(tài)，這里選取4種較為典型的道路模式，如代表?yè)矶聲r(shí)的交通(模式1)、居民區(qū)車(chē)速較低的分叉支路(模式2)、車(chē)速較快的城市主干道(模式3)以及郊區(qū)的快速道路(模式4)，具體如圖2所示。

圖2 4種典型道路工況Fig.2 4 typical roadway type

2.2標(biāo)準(zhǔn)行駛工況模式

在實(shí)際道路行駛時(shí)，汽車(chē)所面臨的行駛工況比較復(fù)雜，可能在各種復(fù)雜的行駛工況中連續(xù)運(yùn)行，因此按照車(chē)輛行駛場(chǎng)景的不同，本文將行駛工況分為3類(lèi)：城市擁堵工況(NYCC)，城市郊區(qū)工況(UDDS)，高速工況(HWFET)，如圖3所示。

(a)NYCC

(b)UDDS

(c)HWFET圖3 標(biāo)準(zhǔn)行駛工況Fig.3 Standard driving type

3 LVQ神經(jīng)網(wǎng)絡(luò)的工況識(shí)別

LVQ神經(jīng)網(wǎng)絡(luò)的競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)必須大于線性輸出層神經(jīng)元個(gè)數(shù)，因?yàn)槊總€(gè)競(jìng)爭(zhēng)層神經(jīng)元只能和一個(gè)線性輸出層的神經(jīng)元連接，并且其權(quán)值為1，但是線性輸出層的神經(jīng)元可與多個(gè)競(jìng)爭(zhēng)層神經(jīng)元連接，且競(jìng)爭(zhēng)層與輸出層神經(jīng)元之間的值只能為1或0。當(dāng)某個(gè)數(shù)據(jù)樣本通過(guò)輸入層進(jìn)入LVQ網(wǎng)絡(luò)時(shí)，競(jìng)爭(zhēng)層中與輸入模式距離最近的神經(jīng)元被激活，狀態(tài)變?yōu)椤?”，同時(shí)與之相連接的輸出層神經(jīng)元被激活，狀態(tài)變?yōu)椤?”。但是其他競(jìng)爭(zhēng)層的神經(jīng)元和輸出層神經(jīng)元狀態(tài)變?yōu)椤?”。

圖4 LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 The LVQ neural network structure

本文工況識(shí)別中的循環(huán)工況選用11個(gè)特征參數(shù)，因此輸入層有11個(gè)節(jié)點(diǎn)，線性輸出層為3個(gè)神經(jīng)元，代表3種道路類(lèi)型，1代表?yè)矶鹿r，2代表城市城郊工況，3代表高速工況。訓(xùn)練集和測(cè)試集是隨機(jī)分配的，經(jīng)過(guò)訓(xùn)練，訓(xùn)練誤差變化如圖5所示。由圖可知，在訓(xùn)練達(dá)到54次時(shí)，識(shí)別的誤差不再變化，趨近于0，說(shuō)明訓(xùn)練的LVQ神經(jīng)網(wǎng)絡(luò)效果較好。

圖5 LVQ神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差變化過(guò)程Fig.5 Variation process of the training error of LVQ neural network

4 基于工況識(shí)別的控制策略示例

為充分體現(xiàn)工況模式識(shí)別在混合動(dòng)力汽車(chē)能量管理控制策略中的優(yōu)越性，以文獻(xiàn)[10]中的某款混聯(lián)式混合動(dòng)力系統(tǒng)為例，其滿載質(zhì)量M=15 500 kg，迎風(fēng)面積A=7.45 m2,風(fēng)阻系數(shù)Cd=0.62,車(chē)輪半徑r=0.5275 m,軸距L=4.3 m，主減速比i0=6.2。采用工況識(shí)別與多元非線性回歸算法相結(jié)合的方法，制定相應(yīng)的控制策略，具體如圖6所示。當(dāng)工況模型識(shí)別到具體的行駛工況時(shí)，選擇相應(yīng)的控制策略進(jìn)行功率分配。以基于中國(guó)城市典型循環(huán)工況為例，圖7所示為采用動(dòng)態(tài)規(guī)劃下獲得的發(fā)動(dòng)機(jī)最佳工作點(diǎn)。

圖6 基于工況識(shí)別的控制策略Fig.6 The control strategy based on roadway type recognition

圖7 基于動(dòng)態(tài)規(guī)劃下的發(fā)動(dòng)機(jī)最佳工作點(diǎn)Fig.7 The optimal operating point of the engine based on dynamic programming

根據(jù)文獻(xiàn)[12]的方法，對(duì)于上述基于動(dòng)態(tài)規(guī)劃下獲得全局最優(yōu)的發(fā)動(dòng)機(jī)工作點(diǎn)，采用多元非線性回歸算法進(jìn)行發(fā)動(dòng)機(jī)控制策略的設(shè)計(jì)，具體可歸結(jié)為下式最小二乘法的問(wèn)題：

(7)

其中，Yi為離散輸出原始數(shù)值；yi為回歸優(yōu)化擬合數(shù)值；N為數(shù)據(jù)樣本總數(shù)；x為輸入數(shù)據(jù)參數(shù)，這里為行駛功率及行駛速度。

為了后續(xù)控制策略的應(yīng)用，將發(fā)動(dòng)機(jī)的多元非線性回歸優(yōu)化結(jié)果擬合成需求功率和車(chē)速的函數(shù)，這樣就可直接嵌入控制器中進(jìn)行查表插值，如圖8所示。當(dāng)通過(guò)計(jì)算得到需求功率及通過(guò)轉(zhuǎn)速傳感器獲得車(chē)速時(shí)，便可直接獲得最佳發(fā)動(dòng)機(jī)控制策略，其具體表達(dá)式如下：

(8)

式中，Pe_reg為多元非線性回歸優(yōu)化獲得的發(fā)動(dòng)機(jī)控制輸出功率；v、Preq分別為行駛車(chē)速和驅(qū)動(dòng)需求功率。

圖8 多元非線性發(fā)動(dòng)機(jī)優(yōu)化控制規(guī)則MAPFig.8 The MAP of multivariate nonlinear engine optimization control rules

根據(jù)文獻(xiàn)[10]中的混聯(lián)式混合動(dòng)力系統(tǒng)的結(jié)構(gòu)特點(diǎn)，可簡(jiǎn)化歸結(jié)為

(9)

式中，Pm為驅(qū)動(dòng)電機(jī)功率和電機(jī)效率；Papu為動(dòng)力輔助單元功率；Peng為發(fā)動(dòng)機(jī)功率；Pbatt為電池功率。

無(wú)論是串聯(lián)模式還是并聯(lián)模式，都可由功率平衡來(lái)表示，也就是在任意時(shí)刻點(diǎn)，知道需求功率和發(fā)動(dòng)機(jī)控制功率，便可相應(yīng)計(jì)算出電池、驅(qū)動(dòng)電機(jī)等控制功率。

5 工況識(shí)別仿真實(shí)驗(yàn)結(jié)果

采用MATLAB程序進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并生成Simulink模型，為驗(yàn)證采用LVQ網(wǎng)絡(luò)進(jìn)行工況識(shí)別的準(zhǔn)確性，基于Simulink平臺(tái)建立道路和循環(huán)工況特征提取與識(shí)別的模型。隨機(jī)選取一組訓(xùn)練數(shù)據(jù)，輸入到訓(xùn)練好的LVQ神經(jīng)網(wǎng)絡(luò)中，其識(shí)別分類(lèi)結(jié)果及誤差如圖9所示。

(a)LVQ網(wǎng)絡(luò)訓(xùn)練后的效果 (b)LVQ網(wǎng)絡(luò)訓(xùn)練后的誤差圖9 樣本識(shí)別結(jié)果及誤差Fig.9 Sample recognition results and errors

分別以識(shí)別周期T為50 s、80 s、100 s、120 s、150 s對(duì)中國(guó)城市典型循環(huán)工況進(jìn)行識(shí)別，篇幅所限，僅列出50 s、100 s、150 s的識(shí)別結(jié)果，如圖10所示。從圖中可以發(fā)現(xiàn)，在識(shí)別周期不同的情況下，對(duì)測(cè)試標(biāo)準(zhǔn)循環(huán)工況來(lái)說(shuō)，識(shí)別的周期越短，工況細(xì)分得越準(zhǔn)確，越接近標(biāo)準(zhǔn)循環(huán)工況的實(shí)際情況；識(shí)別的周期較長(zhǎng)，識(shí)別效果相對(duì)較差。

(a)T=50 s，M=10 s

(b)T=100 s，M=10 s

(c)T=150 s，M=10 s圖10 3種采樣時(shí)間下的識(shí)別結(jié)果Fig.10 Recognition results under 3 sampling times

構(gòu)造UDDS+NYCC+UDDS+HWFET+NYCC+ HWFET的綜合循環(huán)工況，代表車(chē)輛行駛時(shí)所經(jīng)歷的三種道路類(lèi)型，1代表?yè)矶鹿r(NYCC)，2代表城市城郊工況(UDDS)，3代表高速工況(HWFET)。利用上述方法，綜合循環(huán)工況5472 s的識(shí)別結(jié)果如圖11所示。由圖11可知，利用所訓(xùn)練的LVQ神經(jīng)網(wǎng)絡(luò)可以很好地對(duì)循環(huán)工況進(jìn)行分類(lèi)識(shí)別。

圖11 綜合循環(huán)工況識(shí)別結(jié)果Fig.11 Recognition result of comprehensivedriving cycle type

另外，將基于工況識(shí)別的控制策略與基于規(guī)則的控制策略進(jìn)行比較，具體的仿真結(jié)果如圖12、圖13所示。其中，圖12為電池荷電狀態(tài)(SOC)的運(yùn)行趨勢(shì)，圖13為燃油消耗結(jié)果，由結(jié)果可計(jì)算得知，基于工況識(shí)別比基于規(guī)則的控制策略燃油經(jīng)濟(jì)性提升近10%，因此，基于LVQ網(wǎng)絡(luò)工況模式識(shí)別可有效提升控制策略的控制效果。

圖12 SOC變化趨勢(shì)的仿真結(jié)果Fig.12 Simulation results of SOC change trend

圖13 燃油消耗的仿真結(jié)果Fig.13 Simulation results of fuel consumption

6 結(jié)論

(1)提取11個(gè)參數(shù)作為工況識(shí)別的特征參數(shù)，并組成相關(guān)數(shù)據(jù)矩陣，選取4種典型道路工況以及3類(lèi)行駛工況為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)工況識(shí)別提供學(xué)習(xí)訓(xùn)練數(shù)據(jù)。

(2)基于Simulink建立了LVQ神經(jīng)網(wǎng)絡(luò)工況識(shí)別仿真模型，采用中國(guó)城市典型循環(huán)工況和構(gòu)建UDDS+NYCC+UDDS行駛工況進(jìn)行工況識(shí)別，并進(jìn)行相應(yīng)能量管理策略的驗(yàn)證。結(jié)果表明，所建立的LVQ神經(jīng)網(wǎng)絡(luò)工況識(shí)別算法可以準(zhǔn)確識(shí)別所制定的工況模式類(lèi)型。

[1] 林歆悠，孫冬野.基于工況識(shí)別的混聯(lián)式混合動(dòng)力客車(chē)控制策略研究[J]. 中國(guó)機(jī)械工程,2012, 23(7): 869-874.

LIN Xinyou, SUN Dongye. Development of Control Strategy for a Series-parallel Hybrid Electric City Bus Based on Roadway Type Recognition[J].China Mechanical Engineering, 2012, 23(7): 869-874.

[2] PARK J, CHEN Z, KILIARIS L, et al. Intelligent Vehicle Power Control Based on Machine Learning of Optimal Control Parameters and Prediction of Road Type and Traffic Congestion[J]. IEEE Transactions on Vehicular Technology, 2009,58(9):4741-4756.

[3] HUANG X, TAN Y, HE X. An Intelligent Multifeature Statistical Approach for the Discrimination of Driving Conditions of a Hybrid Electric Vehicle [J]. IEEE Transactions on Intelligent Transportation Systems, 2011,12(1): 453-465.

[4] ZHU W, BARTH M. Vehicle Trajectory-based Road Type and Congestion Recognition Using Wavelet Analysis [C]// IEEE Intelligent Transportation Systems Conference. Toronto, 2006: 876-884.

[5] HE H, SUN C, ZHANG X. A Method for Identification of Driving Patterns in Hybrid Electric Vehicles Based on a LVQ Neural Network[J]. Energies, 2012,5(9): 3363-3380.

[6] 田毅, 張欣, 張良，等. 神經(jīng)網(wǎng)絡(luò)工況識(shí)別的混合動(dòng)力電動(dòng)汽車(chē)模糊控制策略[J].控制理論與應(yīng)用, 2011,28(3): 363-369.

TIAN Yi, ZHANG Xin, ZHANG Liang, et al. Fuzzy Control Strategy for Hybrid Electric Vehicle Based on Neural Network Identification of Driving Conditions[J]. Control Theory amp; Applications, 2011,28(3): 363-369.

[7] 詹森, 秦大同,曾育平. 基于遺傳優(yōu)化K均值聚類(lèi)算法工況識(shí)別的混合動(dòng)力汽車(chē)能量管理策略[J]. 中國(guó)公路學(xué)報(bào)，2016，29(4): 130-137.

ZHAN Sen，QIN Datong，ZENG Yuping. Energy Management Strategy of HEV Based on Driving Cycle Recognition Using Genetic Optimized K-means Clustering Algorithm[J]. China Journal of Highway and Transport, 2016，29(4): 130-137.

[8] 石琴, 鄭與波, 姜平. 基于運(yùn)動(dòng)學(xué)片段的城市道路行駛工況的研究[J]. 汽車(chē)工程, 2011, 33(3):256-261.

SHI Qin, ZHENG Yubo, JIANG Ping. A Research on Driving Cycle of City Roads Based on Microtrips[J]. Automotive Engineering, 2011, 33(3): 256-261.

[9] JIE X，HAN X，YE H，et al．Driving Cycle Recognition for Hybrid Electric Vehicle[C]// Transportation Electrification Asia-Pacific (ITEC Asia-Pacific). IEEE Conference and Expo. Beijing，2014：1-6.

[10] 林歆悠，孫冬野. 基于ECMS混聯(lián)式混合動(dòng)力客車(chē)工況識(shí)別控制策略[J].湖南大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,39(10):43-49.

LIN Xinyou, SUN Dongye. Driving Pattern Recognition Based on ECMS and Its Application to Control Strategy for a Series-parallel Hybrid Electric Bus[J].Journal of Hunan University(Naturnal Science),2012,39(10):43-49.

[11] 鄧濤,盧任之,李亞南,等. 基于LVQ工況識(shí)別的混合動(dòng)力汽車(chē)自適應(yīng)能量管理控制策略[J]. 中國(guó)機(jī)械工程,2016,27(3):420-425.

DENG Tao, LU Renzhi, LI Yanan,et al. Adaptive Energy Control Strategy of HEV Based on Driving Cycle Recognition by LVQ Algorithm[J]. Journal of Mechanical Engineering ,2016,27(3):420-425.

[12] ZHANG S, XIONG R. Adaptive Energy Management of a Plug-in Hybrid Electric Vehicle Based on Driving Pattern Recognition and Dynamic Programming [J]. Applied Energy, 2015,155 :68-78.

(編輯王旻玥)

EnergyManagementStrategyBasedonTypeRecognitionandMultivariateNonlinearRegressionOptimization

SUN Lei1LIN Xinyou2LIN Guofa3

1.College of Mechatronic and Automation,Huaqiao University,Xiamen，F(xiàn)ujian,361021 2.College of Mechanical Engineering and Automation,Fuzhou University,Fuzhou，350002 3.SAIC Motor Corporation Limited(SAIC Motor) Technical Center,Shanghai，201804

The type recognition algorithm of driving conditions was studied based on LVQ neural network，to provide the basis for the intelligent management strategy of hybrid electric vehicles. First, 11 characteristic parameters were extracted from 4 typical road type conditions and the 3 kinds of standard cycle conditions to train the data. Then, the LVQ neural network type recognition algorithm of driving condition was developed. Based on this, a hybrid power system was as an example, which combined with multiple nonlinear regression analysis to develop the corresponding control strategy. Finally, LVQ neural network type recognition simulation model of driving condition was established based on the Simulink simulation platform, type recognition tests were carried on under the Chinese city typical cycle road conditions, standard condition recognition tests were carried on by constructing UDDS+NYCC+UDDS driving conditions. The results show that the established LVQ neural network may accurately identify the type of driving condition types and the control effectiveness of the energy management strategy is improved effectively.

learning vector quantization(LVQ) neural network; type recognition; driving cycle type; energy management

U461.8

10.3969/j.issn.1004-132X.2017.22.008

2017-03-01

國(guó)家自然科學(xué)基金資助項(xiàng)目(51505086)

孫蕾，女，1982年生。華僑大學(xué)機(jī)電與自動(dòng)化學(xué)院講師。E-mail：94072408@qq.com。主要研究方向?yàn)楣I(yè)設(shè)計(jì)和新能源汽車(chē)。林歆悠，男，1981年生。福州大學(xué)機(jī)械工程與自動(dòng)化學(xué)院講師。林國(guó)發(fā)，男，1982年生。上汽集團(tuán)技術(shù)中心工程師。