孫 蕾 林歆悠 林國發(fā)

1.華僑大學(xué)機電及自動化學(xué)院，廈門，3610212.福州大學(xué)機械工程及自動化學(xué)院，福州,3500023.上汽集團技術(shù)中心，上海,201804

基于工況識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林國發(fā)3

1.華僑大學(xué)機電及自動化學(xué)院，廈門，3610212.福州大學(xué)機械工程及自動化學(xué)院，福州,3500023.上汽集團技術(shù)中心，上海,201804

為給混合動力汽車智能管理策略提供基礎(chǔ)，開展了基于學(xué)習(xí)向量化(LVQ)神經(jīng)網(wǎng)絡(luò)的工況模式識別算法研究。選取4種典型微觀道路類型工況和3類標(biāo)準(zhǔn)循環(huán)工況，提取11個參數(shù)為訓(xùn)練特征數(shù)據(jù)，建立了LVQ神經(jīng)網(wǎng)絡(luò)工況模式識別算法；在此基礎(chǔ)上，以某款混聯(lián)式動力系統(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仿真平臺建立LVQ神經(jīng)網(wǎng)絡(luò)工況模式識別及整車仿真模型，分別采用中國城市典型循環(huán)工況以及構(gòu)建UDDS+NYCC+UDDS的標(biāo)準(zhǔn)行駛工況進行道路工況識別驗證。結(jié)果表明，所建立的LVQ神經(jīng)網(wǎng)絡(luò)工況識別算法可以準(zhǔn)確識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)；工況識別；循環(huán)工況；能量管理

0 引言

隨著新能源汽車能量管理策略的研究不斷深入，行駛工況對新能源汽車的性能影響非常重要，因此這個方向已成為目前的研究熱點，如林歆悠等[1]采用工況識別與動態(tài)規(guī)劃全局優(yōu)化相結(jié)合的方法建立混聯(lián)式混合動力客車的優(yōu)化策略，類似的研究還有PARK等[2]通過機器學(xué)習(xí)算法對行駛道路及交通狀況進行識別進而優(yōu)化控制參數(shù)以進一步提升混合動力汽車的控制效果。

關(guān)于工況識別的研究，目前基本有兩種方法，一種是采用統(tǒng)計方法，利用歷史數(shù)據(jù)進行統(tǒng)計識別[3]，但該方法識別精度不夠穩(wěn)定，對突變的工況無法準(zhǔn)確識別；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均值聚類算法進行工況識別，但該方法計算量大且需要對識別規(guī)則進行不斷重復(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]采用基于運動學(xué)片段的方法對城市道路進行識別。

本文擬采用學(xué)習(xí)向量化(learning vector quantization, LVQ)神經(jīng)網(wǎng)絡(luò)分別對行駛道路類型與綜合行駛工況進行識別，并在此基礎(chǔ)上以某款混聯(lián)式動力系統(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 工況識別特征參數(shù)提取

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

(1)

式中，vg為每個時刻的循環(huán)工況車速；tg為整個循環(huán)工況的時刻數(shù)。

(2)循環(huán)工況的最高車速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)怠速時間比例ri，即工況怠速的時間在整個循環(huán)工況總時間中所占的百分比。

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

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

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

(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)工況識別周期劃分為120 s的工況塊,為增加測試數(shù)據(jù)量，將相鄰工況塊中點之間的部分繼續(xù)劃分為一個工況塊。測試每個工況塊的11個工況特征參數(shù)，于是每個工況塊對應(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)工況識別模型

工況識別在混合動力汽車能量管理中的應(yīng)用會涉及到不同道路類型[10-11]以及不同的循環(huán)行駛工況的識別[12]，因此本文將對微觀道路模式和綜合行駛工況進行識別。

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，如代表擁堵時的交通(模式1)、居民區(qū)車速較低的分叉支路(模式2)、車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

在實際道路行駛時，汽車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)運行，因此按照車輛行駛場景的不同，本文將行駛工況分為3類：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)的工況識別

LVQ神經(jīng)網(wǎng)絡(luò)的競爭層神經(jīng)元個數(shù)必須大于線性輸出層神經(jīng)元個數(shù)，因為每個競爭層神經(jīng)元只能和一個線性輸出層的神經(jīng)元連接，并且其權(quán)值為1，但是線性輸出層的神經(jīng)元可與多個競爭層神經(jīng)元連接，且競爭層與輸出層神經(jīng)元之間的值只能為1或0。當(dāng)某個數(shù)據(jù)樣本通過輸入層進入LVQ網(wǎng)絡(luò)時，競爭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?”。但是其他競爭層的神經(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

本文工況識別中的循環(huán)工況選用11個特征參數(shù)，因此輸入層有11個節(jié)點，線性輸出層為3個神經(jīng)元，代表3種道路類型，1代表擁堵工況，2代表城市城郊工況，3代表高速工況。訓(xùn)練集和測試集是隨機分配的，經(jīng)過訓(xùn)練，訓(xùn)練誤差變化如圖5所示。由圖可知，在訓(xùn)練達到54次時，識別的誤差不再變化，趨近于0，說明訓(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)練誤差變化過程Fig.5 Variation process of the training error of LVQ neural network

4 基于工況識別的控制策略示例

為充分體現(xiàn)工況模式識別在混合動力汽車能量管理控制策略中的優(yōu)越性，以文獻[10]中的某款混聯(lián)式混合動力系統(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)工況模型識別到具體的行駛工況時，選擇相應(yīng)的控制策略進行功率分配。以基于中國城市典型循環(huán)工況為例，圖7所示為采用動態(tài)規(guī)劃下獲得的發(fā)動機最佳工作點。

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

圖7 基于動態(tài)規(guī)劃下的發(fā)動機最佳工作點Fig.7 The optimal operating point of the engine based on dynamic programming

根據(jù)文獻[12]的方法，對于上述基于動態(tài)規(guī)劃下獲得全局最優(yōu)的發(fā)動機工作點，采用多元非線性回歸算法進行發(fā)動機控制策略的設(shè)計，具體可歸結(jié)為下式最小二乘法的問題：

(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)動機的多元非線性回歸優(yōu)化結(jié)果擬合成需求功率和車速的函數(shù)，這樣就可直接嵌入控制器中進行查表插值，如圖8所示。當(dāng)通過計算得到需求功率及通過轉(zhuǎn)速傳感器獲得車速時，便可直接獲得最佳發(fā)動機控制策略，其具體表達式如下：

(8)

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

圖8 多元非線性發(fā)動機優(yōu)化控制規(guī)則MAPFig.8 The MAP of multivariate nonlinear engine optimization control rules

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

(9)

式中，Pm為驅(qū)動電機功率和電機效率；Papu為動力輔助單元功率；Peng為發(fā)動機功率；Pbatt為電池功率。

無論是串聯(lián)模式還是并聯(lián)模式，都可由功率平衡來表示，也就是在任意時刻點，知道需求功率和發(fā)動機控制功率，便可相應(yīng)計算出電池、驅(qū)動電機等控制功率。

5 工況識別仿真實驗結(jié)果

采用MATLAB程序進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并生成Simulink模型，為驗證采用LVQ網(wǎng)絡(luò)進行工況識別的準(zhǔn)確性，基于Simulink平臺建立道路和循環(huán)工況特征提取與識別的模型。隨機選取一組訓(xùn)練數(shù)據(jù)，輸入到訓(xùn)練好的LVQ神經(jīng)網(wǎng)絡(luò)中，其識別分類結(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 樣本識別結(jié)果及誤差Fig.9 Sample recognition results and errors

分別以識別周期T為50 s、80 s、100 s、120 s、150 s對中國城市典型循環(huán)工況進行識別，篇幅所限，僅列出50 s、100 s、150 s的識別結(jié)果，如圖10所示。從圖中可以發(fā)現(xiàn)，在識別周期不同的情況下，對測試標(biāo)準(zhǔn)循環(huán)工況來說，識別的周期越短，工況細分得越準(zhǔn)確，越接近標(biāo)準(zhǔn)循環(huán)工況的實際情況；識別的周期較長，識別效果相對較差。

(a)T=50 s，M=10 s

(b)T=100 s，M=10 s

(c)T=150 s，M=10 s圖10 3種采樣時間下的識別結(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，代表車輛行駛時所經(jīng)歷的三種道路類型，1代表擁堵工況(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)可以很好地對循環(huán)工況進行分類識別。

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

另外，將基于工況識別的控制策略與基于規(guī)則的控制策略進行比較，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)的運行趨勢，圖13為燃油消耗結(jié)果，由結(jié)果可計算得知，基于工況識別比基于規(guī)則的控制策略燃油經(jīng)濟性提升近10%，因此，基于LVQ網(wǎng)絡(luò)工況模式識別可有效提升控制策略的控制效果。

圖12 SOC變化趨勢的仿真結(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個參數(shù)作為工況識別的特征參數(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類行駛工況為LVQ神經(jīng)網(wǎng)絡(luò)工況識別提供學(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)工況識別仿真模型，采用中國城市典型循環(huán)工況和構(gòu)建UDDS+NYCC+UDDS行駛工況進行工況識別，并進行相應(yīng)能量管理策略的驗證。結(jié)果表明，所建立的LVQ神經(jīng)網(wǎng)絡(luò)工況識別算法可以準(zhǔn)確識別所制定的工況模式類型。

[1] 林歆悠，孫冬野.基于工況識別的混聯(lián)式混合動力客車控制策略研究[J]. 中國機械工程,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)工況識別的混合動力電動汽車模糊控制策略[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均值聚類算法工況識別的混合動力汽車能量管理策略[J]. 中國公路學(xué)報，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. 基于運動學(xué)片段的城市道路行駛工況的研究[J]. 汽車工程, 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)式混合動力客車工況識別控制策略[J].湖南大學(xué)學(xué)報(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工況識別的混合動力汽車自適應(yīng)能量管理控制策略[J]. 中國機械工程,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

國家自然科學(xué)基金資助項目(51505086)

孫蕾，女，1982年生。華僑大學(xué)機電與自動化學(xué)院講師。E-mail：94072408@qq.com。主要研究方向為工業(yè)設(shè)計和新能源汽車。林歆悠，男，1981年生。福州大學(xué)機械工程與自動化學(xué)院講師。林國發(fā)，男，1982年生。上汽集團技術(shù)中心工程師。