基于机器学习的混合动力电动汽车在线智能控制研究

The development of Hybrid Electric Vehicles (HEV) is the effective method to solve the energy shortage and environmental pollution problem, which also can promote sustainable growth of the automotive industry. The energy management optimization is the core of HEV, which is non-linear multi-objective dynamic optimization problem and difficult to solve this complex problem with traditional methods. Our approach is to modeling of power flow in HEVs, to obtain the optimization offline solutions under different type drive cycles using dynamic programming (DP). Then machine learning is adopted, combined with roadway type and traffic congestion level specific optimization to predict future drive cycles to achieve quasi optimal energy management in hybrid electric vehicles. Finally, an online energy management system using machine learning to emulate the optimal solutions generated by DP for specific roadway types and traffic congestion levels, and generalize the optimal power proportion to real-world vehicle operation based on the predicted real-time roadway types and traffic congestion levels. The hardware in the loop simulation platform will be built to verify the control method.This project provides a new way of HEV energy management optimization and control problems, which is beneficial supplement to the existing control methods. It can be integrated into the HEV vehicle control and design, and also has important theoretical significance and application value.

加快培育和发展混合动力汽车(HEV)是当前有效缓解能源紧张和环境污染，推动汽车产业可持续发展的紧迫任务。能量管理策略优化是HEV的核心问题，是一个多目标多变量的非线性动态优化问题，较难单纯用传统的控制方法来解决。本项目以混联式HEV为研究对象，首先通过建立整车数学模型，以减少整车燃油消耗为目标，采用动态规划得到不同类型标准工况下的离线最优控制解；其次，根据路况特性数据构建的路况环境和驾驶员操纵意图神经网络模型，利用机器学习算法预测路况环境和驾驶员操纵意图，把当前路况识别为不同类型标准工况并得到优化控制变量；最后把建立的机器学习控制模型嵌入到整车仿真模型，实现在线智能优化控制，并构建硬件在环仿真实验平台来验证控制方法的有效性。本项目提供一种HEV能量优化与控制问题研究的新途径，是对现有控制方法的有利补充，并可应到HEV整车集成控制设计中来，具有重要的理论意义和应用价值。

插电式混合动力汽车兼具传统燃油汽车和纯电动汽车的优点，在纯电动汽车和燃料电池汽车技术尚未成熟和充电等基础设施未普及之前，大力发展插电式混合动力汽车一直受到各国政府和汽车行业的广泛关注。混合动力汽车的能量管理策略是混合动力汽车控制系统的核心，基于特定的能量管理策略，根据不同的行驶工况，采用不同的动力系统工作模式，获得传统汽车所不能达到的优化控制目标。. 本项目开发了一种能够工况自适应、控制效果趋近全局最优的混合动力在线智能能量管理策略。该策略考虑了路况多变性以及驾驶员驾驶趋势的不确定性对燃油经济性的影响，并能够应用于整车实时控制。选取了能够覆盖实际道路类型的标准工况数据库，定义其行驶工况特征参数，利用多元统计理论等方法对工况特征参数进行分析处理，在此基础上，建立基于动态规划及智能仿生算法的离线最优决策知识库。研究了状态变量取值范围、离散程度等关键参数对动态规划算法计算时间的影响，对动态规划算法进行了改进；分析对比了工况预测特征参数、驾驶趋势预测特征参数不同采样时间对预测准确率的影响，分别选取了不同时间间隔作为特征参数采样窗口。以标准工况特征参数及工况类型分别作为输入、输出变量，利用神经网络进行学习训练，建立了行驶工况预测模型；以驾驶趋势特征参数及驾驶趋势类型分别作为神经网络输入、输出变量，进行学习训练，建立了驾驶趋势预测模型；对各标准工况离线全局最优控制序列分别进行学习训练，设计了混合动力汽车最佳控制变量决策模型；研究了神经网络预测与决策模型与整车仿真模型集成关系，设计了汽车可用于在线控制的近似最优控制策略。分析了dSPACE实时仿真系统的特点、构成原理及应用，搭建了硬件在环仿真试验平台，对文中提出的控制策略进行了试验验证。. 本项目的研究工作为插电式混合动力汽车在线智能控制策略的开发提供了一定的借鉴意义。