混合动力车辆能量管理方法及装置与流程

[0001]
本申请涉及新能源汽车技术领域，特别涉及一种混合动力车辆能量管理方法及装置。


背景技术：

[0002]
随着车辆工业飞快发展，车辆带有燃料电池的混合动力车辆也逐渐发展起来，这种混合动力车辆具有双能量源，该双能量源中的一种可以将车载燃料电池装置产生的电力作为能量源，另一种可以将蓄电池产生的电力作为能量源。因此，为了更好的分配能量，该带有燃料电池的混合动力车辆需设计一个能量管理策略以协调不同能量源之间的能量分配。
[0003]
相关技术中，该带有燃料电池的混合动力车辆的能量管理策略一般为基于规则的能量管理策略，基于规则的能量管理策略需要依赖经验制定规则，再根据制定的规则进行功率分配的能量管理。
[0004]
在实现本发明的过程中，本发明人发现相关技术中至少存在以下问题：
[0005]
由于需要依赖经验来制定能量管理的规则，该制定的能量管理的规则精确度低，导致该能量管理策略的控制效果差。


技术实现要素：

[0006]
本申请提供了一种混合动力车辆能量管理方法及装置，可以解决能量管理策略的控制效果差的问题。所述技术方案如下：
[0007]
本申请提供了一种混合动力车辆能量管理方法，该方法包括：
[0008]
获取目标车辆的多个初始化数据集，其中，每个初始化数据集中的元素用于表征目标参数的预设数值区间在预设条件下的分界值，所述目标参数包括：所述目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流；
[0009]
根据每个初始化数据集获取模糊逻辑控制模型，得到每个初始化数据集对应的模糊逻辑控制模型，所述模糊逻辑控制模型用于根据所述目标参数得到燃料电池功率；
[0010]
获取所述目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流；
[0011]
将所述目标车辆的实际总功率、所述蓄电池电荷量、所述燃料电池效率和所述燃料电池电流输入到每个初始化数据集对应的模糊逻辑控制模型中，得到每个初始化数据集对应的燃料电池功率；
[0012]
根据每个初始化数据集对应的燃料电池功率优化所述模糊逻辑控制模型，得到目标模糊逻辑控制模型。
[0013]
可选的，所述根据每个初始化数据集对应的燃料电池功率优化所述模糊逻辑控制模型，得到目标模糊逻辑控制模型，包括：
[0014]
根据每个初始化数据集对应的燃料电池功率确定每个初始化数据集对应的适应度值；
[0015]
根据所述每个初始化数据集对应的适应度值来优化所述模糊逻辑控制模型，得到目标模糊逻辑控制模型。
[0016]
可选的，所述根据每个初始化数据集对应的燃料电池功率确定每个初始化数据集对应的适应度值，包括：
[0017]
根据所述每个初始化数据集对应的燃料电池功率确定燃料电池的累积氢耗量和蓄电池的等效氢耗量；
[0018]
将所述每个初始化数据集对应的燃料电池功率确定燃料电池的累积氢耗量和蓄电池的等效氢耗量输入到目标函数中，得到所述每个初始化数据集对应的适应度值，其中，所述目标函数为：
[0019]
f(t)＝min(m
fc
(t)+m
ba
(t))
[0020]
其中，f(t)为每个初始化数据集对应的适应度值，m
fc
(t)为表示燃料电池的累积氢耗量，m
ba
(t)表示蓄电池的等效氢耗量，t为迭代次数。
[0021]
可选的，所述根据所述每个初始化数据集对应的适应度值来优化所述模糊逻辑控制模型，得到目标模糊逻辑控制模型，包括：
[0022]
从多个初始化数据集中，获取适应度值最优的三个初始化数据集；
[0023]
根据适应度值最优的所述三个初始化数据集更新多个初始化数据集，得到多个第一数据集，将该多个第一数据集作为新的多个初始化数据集，迭代获取和优化模糊逻辑控制模型，直到迭代次数达到预设最大迭代次数为止，从所述预设最大迭代次数对应的多个初始化数据集中，获取适应度值最大的初始化数据集，将所述适应度值最大的初始化数据集对应的模糊逻辑控制模型作为目标逻辑控制模型。
[0024]
可选的，所述根据适应度值最优的所述三个初始化数据集更新多个初始化数据集，得到多个第一数据集，包括：
[0025]
将适应度值最优的所述三个初始化数据集分别输入到第一模型中，得到更新后的三个第二数据集，其中，第一模型为：
[0026]
d(t)＝|c
·
x
p
(t)-x(t)|
[0027]
x(t+1)＝x
p
(t)-a
·
d
[0028]
a＝a
·
(2r
2-1)
[0029]
c＝2r
1
[0030]
其中，a为第一系数因子，c为第二系数因子，t为迭代次数，a为随着迭代次数的增加从2到0呈线性递减，r
1
和r
2
为[0，1]间的随机数，x
p
(t)为第t-1次迭代后的目标数据集，x(t)为第t-1次迭代后的第二数据集，x(t+1)为第t次迭代后的第二数据集，d(t)为第t-1次迭代后的初始化数据集与目标数据集之间的距离；
[0031]
根据三个所述第二数据集更新多个第三数据集，得到多个第四数据集，所述第三数据集为多个初始化数据集中除适应度值最优的三个初始化数据集；
[0032]
将三个所述第二数据集和多个第四数据集作为第一数据集。
[0033]
可选的，所述根据三个所述第二数据集更新多个第三数据集，得到多个第四数据集，包括：
[0034]
将每个第三数据集和三个所述第二数据集输入第二模型中，得到多个第四数据集，其中，所述第二模型为：
[0035][0036]
其中，y(t)为第t-1次迭代后的第三数据集，y(t+1)为第t次迭代后的第四数据集，x
a
(t)、x
β
(t)和x
j
(t)为第t-1次迭代后的任一个第二数据集，d
a
(t)、d
β
(t)、d
j
(t)分别为第t-1次迭代后的第二数据集与第t-1次迭代后的第三数据集之间的距离，a
1
、a
2
、a
3
分别为第t-1次迭代后的第二数据集对应的第一系数因子，c
1
、c
2
、c
3
分别为第t-1次迭代后的第二数据集对应的第二系数因子，x
1
(t)、x
2
(t)和x
3
(t)为第t-1次迭代后的第三数据集与任一个第二数据集之间的前进步长。
[0037]
可选的，所述目标车辆的实际总功率通过下列方式得到：
[0038]
获取混合动力车辆的当前车速、当前加速度以及当前行驶路面上的路面与水平面的夹角；
[0039]
将所述当前车速、所述当前加速度以及所述当前行驶路面上的路面与水平面的夹角输入到第三模型中，得到车辆的实际总功率，其中，所述第三模型为：
[0040][0041]
其中，m为车辆的总质量，p
l
为车辆的实际总功率，v为当前车速，μ为滚动阻力系数，ρ为空气质量密度，b为迎风面积，c
d
为空气阻力系数，a为车辆当前加速度，θ为路面与水平面的夹角。
[0042]
本申请还提供了一种混合动力车辆能量管理装置，该装置包括：
[0043]
第一获取模块，用于获取目标车辆的多个初始化数据集，其中，每个初始化数据集中的元素用于表征目标参数的预设数值区间在预设条件下的分界值，所述目标参数包括：所述目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流；
[0044]
第一确定模块，用于根据每个初始化数据集获取模糊逻辑控制模型，得到每个初始化数据集对应的模糊逻辑控制模型；
[0045]
第二获取模块，用于获取所述目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流；
[0046]
第二确定模块，用于将所述目标车辆的实际总功率、所述蓄电池电荷量、所述燃料电池效率和所述燃料电池电流输入到每个初始化数据集对应的模糊逻辑控制模型中，得到每个初始化数据集对应的燃料电池功率；
[0047]
第三确定模块，用于根据每个初始化数据集对应的燃料电池功率优化所述模糊逻辑控制模型，得到目标模糊逻辑控制模型。
[0048]
可选的，所述第三确定模块，包括：
[0049]
第一确定子模块，用于根据每个初始化数据集对应的燃料电池功率确定每个初始化数据集对应的适应度值；
[0050]
优化子模块，用于根据所述每个初始化数据集对应的适应度值来优化所述模糊逻辑控制模型，得到目标模糊逻辑控制模型。
[0051]
可选的，所述优化子模块，包括：
[0052]
第一确定单元，用于根据所述每个初始化数据集对应的燃料电池功率确定燃料电池的累积氢耗量和蓄电池的等效氢耗量；
[0053]
第二确定单元，用于将所述每个初始化数据集对应的燃料电池功率确定燃料电池的累积氢耗量和蓄电池的等效氢耗量输入到目标函数中，得到所述每个初始化数据集对应的适应度值，其中，所述目标函数为：
[0054]
f(t)＝min(m
fc
(t)+m
ba
(t))
[0055]
其中，f(t)为每个初始化数据集对应的适应度值，m
fc
(t)为表示燃料电池的累积氢耗量，m
ba
(t)表示蓄电池的等效氢耗量，t为迭代次数。
[0056]
可选的，所述优化子模块，包括：
[0057]
获取单元，用于从多个初始化数据集中，获取适应度值最优的三个初始化数据集；
[0058]
第三确定单元，用于根据适应度值最优的所述三个初始化数据集更新多个初始化数据集，得到多个第一数据集，将该多个第一数据集作为新的多个初始化数据集，迭代获取和优化模糊逻辑控制模型，直到迭代次数达到预设最大迭代次数为止，从所述预设最大迭代次数对应的多个初始化数据集中，获取适应度值最大的初始化数据集，将所述适应度值最大的初始化数据集对应的模糊逻辑控制模型作为目标逻辑控制模型。
[0059]
可选的，所述第三确定单元，还用于：
[0060]
将适应度值最优的所述三个初始化数据集分别输入到第一模型中，得到更新后的三个第二数据集，其中，第一模型为：
[0061]
d(t)＝|c
·
x
p
(t)-x(t)|
[0062]
x(t+1)＝x
p
(t)-a
·
d
[0063]
a＝a
·
(2r
2-1)
[0064]
c＝2r
1
[0065]
其中，a为第一系数因子，c为第二系数因子，t为迭代次数，a为随着迭代次数的增加从2到0呈线性递减，r
1
和r
2
为[0，1]间的随机数，x
p
(t)为第t-1次迭代后的目标数据集，x(t)为第t-1次迭代后的第二数据集，x(t+1)为第t次迭代后的第二数据集，d(t)为第t-1次迭代后的初始化数据集与目标数据集之间的距离；
[0066]
根据三个所述第二数据集更新多个第三数据集，得到多个第四数据集，所述第三数据集为多个初始化数据集中除适应度值最优的三个初始化数据集；
[0067]
将三个所述第二数据集和多个第四数据集作为第一数据集。
[0068]
可选的，所述第三确定单元，还用于：
[0069]
将每个第三数据集和三个所述第二数据集输入第二模型中，得到多个第四数据集，其中，所述第二模型为：
[0070][0071]
其中，y(t)为第t-1次迭代后的第三数据集，y(t+1)为第t次迭代后的第四数据集，x
a
(t)、x
β
(t)和x
j
(t)为第t-1次迭代后的任一个第二数据集，d
a
(t)、d
β
(t)、d
j
(t)分别为第t-1次迭代后的第二数据集与第t一1次迭代后的第三数据集之间的距离，a
1
、a
2
、a
3
分别为第t-1次迭代后的第二数据集对应的第一系数因子，c
1
、c
2
、c
3
分别为第t-1次迭代后的第二数据集对应的第二系数因子，x
1
(t)、x
2
(t)和x
3
(t)为第t-1次迭代后的第三数据集与任一个第二数据集之间的前进步长。
[0072]
可选的，所述目标车辆的实际总功率通过下列方式得到：
[0073]
获取混合动力车辆的当前车速、当前加速度以及当前行驶路面上的路面与水平面的夹角；
[0074]
将所述当前车速、所述当前加速度以及所述当前行驶路面上的路面与水平面的夹角输入到第三模型中，得到车辆的实际总功率，其中，所述第三模型为：
[0075][0076]
其中，m为车辆的总质量，p
l
为车辆的实际总功率，v为当前车速，μ为滚动阻力系数，ρ为空气质量密度，b为迎风面积，c
d
为空气阻力系数，a为车辆当前加速度，θ为路面与水平面的夹角。
[0077]
本申请提供的技术方案带来的有益效果至少包括：
[0078]
本申请提供了一种混合动力车辆能量管理方法，获取用于表征目标参数的预设数值区间在预设条件下的分界值的多个初始化数据集，根据每个初始化数据集获取模糊逻辑控制模型，并将目标参数包含的目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流输入到模糊逻辑控制模型中，得到每个初始化数据集对应的燃料电池功率，从而根据每个初始化数据集对应的燃料电池功率优化模糊逻辑控制模型，因此，本申请中对模糊逻辑控制模型进行了优化，从而实现燃料电池和蓄电池间的功率的合理分配，提高了能量管理策略的控制效果。
附图说明
[0079]
图1是本申请实施例提供的一种混合动力车辆能量管理方法的流程图；
[0080]
图2是本申请实施例提供的另一种混合动力车辆能量管理方法的流程图；
[0081]
图3是本申请实施例提供的一种确定每个初始化数据集对应的适应度值的流程
图；
[0082]
图4是本申请实施例提供的一种得到目标模糊逻辑控制模型的流程图；
[0083]
图5是本申请实施例提供的一种得到多个第一数据集的流程图；
[0084]
图6是本申请实施例提供的一种混合动力车辆能量管理装置的结构框图。
具体实施方式
[0085]
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
[0086]
图1是根据一示例性实施例示出的一种混合动力车辆能量管理方法的流程图。该实施例的执行主体例如为车辆的车身控制器，如附图1所示，该方法包括：
[0087]
步骤101、获取目标车辆的多个初始化数据集，其中，每个初始化数据集中的元素用于表征目标参数的预设数值区间在预设条件下的分界值，该目标参数包括：目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电。
[0088]
步骤102、根据每个初始化数据集获取模糊逻辑控制模型，得到每个初始化数据集对应的模糊逻辑控制模型，该模糊逻辑控制模型用于根据目标参数得到燃料电池功率。
[0089]
步骤103、获取目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流。
[0090]
步骤104、将目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流输入到每个初始化数据集对应的模糊逻辑控制模型中，得到每个初始化数据集对应的燃料电池功率。
[0091]
步骤105、根据每个初始化数据集对应的燃料电池功率优化模糊逻辑控制模型，得到目标模糊逻辑控制模型。
[0092]
本发明实施例提供的一种混合动力车辆能量管理方法，获取用于表征目标参数的预设数值区间在预设条件下的分界值的多个初始化数据集，根据每个初始化数据集获取模糊逻辑控制模型，并将目标参数包含的目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流输入到模糊逻辑控制模型中，得到每个初始化数据集对应的燃料电池功率，从而根据每个初始化数据集对应的燃料电池功率优化模糊逻辑控制模型，因此，本申请中对模糊逻辑控制模型进行了优化，从而实现燃料电池和蓄电池间的功率的合理分配，提高了能量管理策略的控制效果。
[0093]
图2是根据一示例性实施例示出的一种混合动力车辆能量管理方法的流程图。该实施例的执行主体为车辆，如附图2所示，该方法包括：
[0094]
步骤201、获取目标车辆多个初始化数据集，其中，每个初始化数据集中的元素用于表征目标参数的预设数值区间在预设条件下的分界值，该目标参数包括：目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流。
[0095]
在本申请中，目标参数的预设数据值区间是根据该目标车辆在实际运行过程中得到的该目标参数的变动范围，该分界值可以作为任一预设条件所对应的区间的起点值和终点值，预设条件为用于模糊逻辑控制模型中的表征论域中每个元素的各个模糊语言变量，例如：该模糊语言变量可以为以下项中的至少一项：正大(pb)、正中(pm)、正小(ps)、零(0)、负小(ns)、负中(nm)和负大(nb)。
[0096]
需要说明的是，初始化数据集可以为用(a，b，...，c)形式表示，初始化数据集中的元素的数量可以根据实际情况进行设定，初始化数据集中的元素的排列方式可以根据实际情况进行设定，例如：当目标参数为4个时，预设条件为3个时，该初始化数据集中的元素的数量为12个，初始化数据集中的元素的排列方式可以为将预设条件按一定规则排列，再将不同的目标参数中的每个目标参数分别按照预设条件的排列规则进行排列，组成一个初始化数据集。
[0097]
在本申请中，需要预先设定目标参数中的任一目标参数的预设数值区间在预设条件下的分界值的参考范围，该参考变动范围用于指示初始化数据集对应的分界值的变化范围，通过设置分界值的参考范围可以使得到的初始化数据集中的元素与优化得到的对应的元素值之间的差距小。
[0098]
步骤202、根据每个初始化数据集获取模糊逻辑控制模型，得到每个初始化数据集对应的模糊逻辑控制模型，该模糊逻辑控制模型用于根据目标参数得到燃料电池功率。
[0099]
在本申请中，会预先设置模糊逻辑控制模型中的模糊控制规则、模糊语言变量、隶属度函数类型、论域范围，然后将初始化数据集中的元素输入到该元素所对应的位置上，该对应的位置可以为该元素所对应目标参数的模糊控制语言所对应的区域的起点值和终点值，从而生成该初始化数据集对应的模糊逻辑控制模型。
[0100]
其中，隶属度函数类型是可以根据目标参数设置的，例如：目标车辆的实际总功率对应的隶属度函数类型可以为梯形，蓄电池电荷量对应的隶属度函数类型可以三角形，隶属度函数类型可以根据实际情况进行设定；论域范围可以根据目标参数的预设数据值区间进行设置，例如：论域范围可以为目标参数的预设数据值区间的范围，也可以是将目标参数的预设数据值区间的范围进行缩放得到的，该论域范围是可以根据实际情况进行设定的。
[0101]
步骤203、获取目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流。
[0102]
其中，目标车辆的实际总功率通过下列步骤得到：
[0103]
获取混合动力车辆的当前车速、当前加速度以及当前行驶路面上的路面与水平面的夹角；
[0104]
将当前车速、当前加速度以及当前行驶路面上的路面与水平面的夹角输入到第三模型中，得到车辆的实际总功率，其中，该第三模型为：
[0105][0106]
其中，m为车辆的总质量，p
l
为车辆的实际总功率，v为当前车速，μ为滚动阻力系数，ρ为空气质量密度，b为迎风面积，c
d
为空气阻力系数，a为车辆当前加速度，θ为路面与水平面的夹角。
[0107]
在本申请中，蓄电池电荷量、燃料电池效率和燃料电池电流可以是直接实时采集得到的。
[0108]
步骤204、将目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流输入到每个初始化数据集对应的模糊逻辑控制模型中，得到每个初始化数据集对应的燃料电池功率。
[0109]
在本申请中，在得到每个初始化数据集对应的模糊逻辑控制模型后，就可以将目
标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流输入到每个初始化数据集对应的模糊逻辑控制模型中，从而通过该模糊逻辑控制模型来输出燃料电池功率，从而得到每个初始化数据集对应的燃料电池功率。
[0110]
需要说明的是，目标车辆的燃料电池功率与蓄电池的功率之和等于目标车辆的实际总功率。
[0111]
步骤205、根据每个初始化数据集对应的燃料电池功率确定每个初始化数据集对应的适应度值。
[0112]
如图3所示，根据每个初始化数据集对应的燃料电池功率确定每个初始化数据集对应的适应度值，可以包括如下步骤2051-2052：
[0113]
步骤2051、根据每个初始化数据集对应的燃料电池功率确定燃料电池的累积氢耗量和蓄电池的等效氢耗量。
[0114]
其中，根据每个初始化数据集对应的燃料电池功率确定燃料电池的累积氢耗量和蓄电池的等效氢耗量的步骤，包括：
[0115]
获取目标车辆的实际总功率和每个初始化数据集对应的燃料电池功率，将目标车辆的实际总功率和每个初始化数据集对应的燃料电池功率输入到第一公式中，得到每个初始化数据集对应的蓄电池功率，该第一公式为：
[0116]
p
l
(t)＝p
fc
(t)+p
ba
(t)
[0117]
其中，p
l
(t)为目标车辆的实际总功率，p
fc
(t)为燃料电池功率，p
ba
(t)为蓄电池功率，t为迭代次数；
[0118]
将每个初始化数据集对应的燃料电池功率输入到第二公式中，得到每个初始化数据集对应的燃料电池的累积氢耗量，该第二公式为：
[0119][0120]
其中，p
fc
(t)表示燃料电池功率，m
fc
(t)表示燃料电池的累积氢耗量，t为迭代次数；
[0121]
获取蓄电池电荷量，将蓄电池电荷量和每个初始化数据集对应的蓄电池功率输入到第三公式中，得到每个初始化数据集对应的蓄电池的等效氢耗量，该第三公式为：
[0122][0123]
其中，m
ba
(t)表示蓄电池的等效氢耗量，soc(t)表示蓄电池电荷量，soc
max
表示soc稳定区间内的最大值，soc
min
表示soc稳定区间内的最小值，p
ba
(t)为蓄电池功率，t为迭代次数，mu为预设值。
[0124]
在本申请中，soc稳定区间内的最大值和soc稳定区间内的最小值是根据实际情况进行预先设定的。
[0125]
步骤2052、将每个初始化数据集对应的燃料电池功率确定燃料电池的累积氢耗量和蓄电池的等效氢耗量输入到目标函数中，得到每个初始化数据集对应的适应度值，其中，目标函数为：
[0126]
f(t)＝min(m
fc
(t)+m
ba
(t))
[0127]
其中，f(t)为每个初始化数据集对应的适应度值，m
fc
(t)为表示燃料电池的累积氢耗量，m
ba
(t)表示蓄电池的等效氢耗量，t为迭代次数。
[0128]
需要说明的是，为了保证蓄电池工作在正常范围内，因此，蓄电池电荷量和蓄电池功率应该满足以下条件：
[0129][0130]
其中，soc
max
表示soc稳定区间内的最大值，soc
min
表示soc稳定区间内的最小值，p
bamin
表示蓄电池功率的最小值，p
bamax
表示蓄电池功率的最大值，t为迭代次数。
[0131]
步骤206、根据每个初始化数据集对应的适应度值来优化模糊逻辑控制模型，得到目标模糊逻辑控制模型。
[0132]
需要说明的是，本申请中的得到目标模糊逻辑控制模型是通过灰狼优化算法结合上述目标函数进行优化初始化数据集得到的，具体优化过程可以参见下面的步骤。
[0133]
如图4所示，根据每个初始化数据集对应的适应度值来优化模糊逻辑控制模型，得到目标模糊逻辑控制模型，可以包括如下步骤2061-2062：
[0134]
2061、从多个初始化数据集中，获取适应度值最优的三个初始化数据集。
[0135]
在本申请中，可以通过上述步骤2051-2052来计算得到每个初始化数据集对应的适应度值，由于本申请中的初始化数据集为多个，因此，可以得到多个适应度值，将该多个适应度值进行排序，获取适应度值最优的三个初始化数据集。
[0136]
2062、根据适应度值最优的三个初始化数据集更新多个初始化数据集，得到多个第一数据集，将该多个第一数据集作为新的多个初始化数据集，迭代获取和优化模糊逻辑控制模型，直到迭代次数达到预设最大迭代次数为止，从该预设最大迭代次数对应的多个初始化数据集中，获取适应度值最大的初始化数据集，将该适应度值最大的初始化数据集对应的模糊逻辑控制模型作为目标逻辑控制模型。
[0137]
需要说明的是，在将第一数据集作为初始化数据集后，开始执行上述步骤201-206，达到预设最大迭代次数时迭代终止。
[0138]
如图5所示，根据适应度值最优的三个初始化数据集更新多个初始化数据集，得到多个第一数据集，可以包括如下步骤20621-20623：
[0139]
20621、将适应度值最优的三个初始化数据集分别输入到第一模型中，得到更新后的三个第二数据集，其中，第一模型为：
[0140]
d(t)＝|c
·
x
p
(t)-x(t)|
[0141]
x(t+1)＝x
p
(t)-a
·
d
[0142]
a＝a
·
(2r
2-1)
[0143]
c＝2r
1
[0144]
其中，a为第一系数因子，c为第二系数因子，t为迭代次数，a为随着迭代次数的增加从2到0呈线性递减，r
1
和r
2
为[0，1]间的随机数，x
p
(t)为第t-1次迭代后的目标数据集，x(t)为第t-1次迭代后的第二数据集，x(t+1)为第t次迭代后的第二数据集，d(t)为第t-1次迭代后的初始化数据集与目标数据集之间的距离。
[0145]
在本申请中，在第一次迭代时，x
p
(t)为预先设定的目标数据集，在完成第一次迭
代后，x
p
(t)也会跟随迭代次数的变化而发生更新，将上一次迭代次数对应的适应度值最大的初始化数据集作为该目标数据集，可以使得更新的初始化数据集朝向适应度值最大的初始化数据集的方向优化，从而得到适应度值最大的初始化数据集对应的目标逻辑控制模型。
[0146]
需要说明的是，每更新一个初始化数据集，a、r
1
和r
2
更新一次。
[0147]
20622、根据三个第二数据集更新多个第三数据集，得到多个第四数据集，第三数据集为多个初始化数据集中除适应度值最优的三个初始化数据集。
[0148]
其中，根据三个第二数据集更新多个第三数据集，得到多个第四数据集，包括：
[0149]
将每个第三数据集和三个第二数据集输入第二模型中，得到多个第四数据集，其中，第二模型为：
[0150][0151]
其中，y(t)为第t-1次迭代后的第三数据集，y(t+1)为第t次迭代后的第四数据集，x
a
(t)、x
β
(t)和x
j
(t)为第t-1次迭代后的任一个第二数据集，，d
a
(t)、d
β
(t)、d
j
(t)分别为第t-1次迭代后的第二数据集与第t-1次迭代后的第三数据集之间的距离，a
1
、a
2
、a
3
分别为第t-1次迭代后的第二数据集对应的第一系数因子，c
1
、c
2
、c
3
分别为第t-1次迭代后的第二数据集对应的第二系数因子，x
1
(t)、x
2
(t)和x
3
(t)为第t-1次迭代后的第三数据集与任一个第二数据集之间的前进步长。
[0152]
20623、将三个第二数据集和多个第四数据集作为第一数据集。
[0153]
需要说明的是，第二数据集是将适应度值最优的三个初始化数据集进行根新得到的，多个第四数据集是将多个初始化数据集中适应度值最优的三个初始化数据集以外的其他数据集进行更新得到的，由三个第二数据集和多个第四数数据集可以组成多个第一数据集，该多个第一数据集可以作为多个初始化数据集来对模糊逻辑控制模型进行优化。
[0154]
本申请提供了一种混合动力车辆能量管理方法，获取用于表征目标参数的预设数值区间在预设条件下的分界值的多个初始化数据集，根据每个初始化数据集获取模糊逻辑控制模型，并将目标参数包含的目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流输入到模糊逻辑控制模型中，得到每个初始化数据集对应的燃料电池功率，从而根据每个初始化数据集对应的燃料电池功率优化模糊逻辑控制模型，因此，本申请中对模糊逻辑控制模型进行了优化，从而实现燃料电池和蓄电池间的功率的合理分配，提高了能量管理策略的控制效果。
[0155]
如图6所示，本申请还提供了一种混合动力车辆能量管理装置，该装置包括：
[0156]
第一获取模块601，用于获取目标车辆的多个初始化数据集，其中，每个初始化数
据集中的元素用于表征目标参数的预设数值区间在预设条件下的分界值，目标参数包括：目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流；
[0157]
第一确定模块602，用于根据每个初始化数据集获取模糊逻辑控制模型，得到每个初始化数据集对应的模糊逻辑控制模型；
[0158]
第二获取模块603，用于获取目标车辆的实际总功率、蓄电池电荷量、燃料电池效率和燃料电池电流；
[0159]
第二确定模块604，用于将目标车辆的实际总功率、蓄电池电荷量、所述燃料电池效率和所述燃料电池电流输入到每个初始化数据集对应的模糊逻辑控制模型中，得到每个初始化数据集对应的燃料电池功率；
[0160]
第三确定模块605，用于根据每个初始化数据集对应的燃料电池功率优化模糊逻辑控制模型，得到目标模糊逻辑控制模型。
[0161]
可选的，第三确定模块605，包括：
[0162]
第一确定子模块，用于根据每个初始化数据集对应的燃料电池功率确定每个初始化数据集对应的适应度值；
[0163]
优化子模块，用于根据每个初始化数据集对应的适应度值来优化模糊逻辑控制模型，得到目标模糊逻辑控制模型。
[0164]
可选的，优化子模块，包括：
[0165]
第一确定单元，用于根据每个初始化数据集对应的燃料电池功率确定燃料电池的累积氢耗量和蓄电池的等效氢耗量；
[0166]
第二确定单元，用于将每个初始化数据集对应的燃料电池功率确定燃料电池的累积氢耗量和蓄电池的等效氢耗量输入到目标函数中，得到每个初始化数据集对应的适应度值，其中，目标函数为：
[0167]
f(t)＝min(m
fc
(t)+m
ba
(t))
[0168]
其中，f(t)为每个初始化数据集对应的适应度值，m
fc
(t)为表示燃料电池的累积氢耗量，m
ba
(t)表示蓄电池的等效氢耗量，t为迭代次数。
[0169]
可选的，优化子模块，包括：
[0170]
获取单元，用于从多个初始化数据集中，获取适应度值最优的三个初始化数据集；
[0171]
第三确定单元，用于根据适应度值最优的三个初始化数据集更新多个初始化数据集，得到多个第一数据集，将该多个第一数据集作为新的多个初始化数据集，迭代获取和优化模糊逻辑控制模型，直到迭代次数达到预设最大迭代次数为止，从所述预设最大迭代次数对应的多个初始化数据集中，获取适应度值最大的初始化数据集，将所述适应度值最大的初始化数据集对应的模糊逻辑控制模型作为目标逻辑控制模型。
[0172]
可选的，第三确定单元，还用于：
[0173]
将适应度值最优的三个初始化数据集分别输入到第一模型中，得到更新后的三个第二数据集，其中，第一模型为：
[0174]
d(t)＝|c
·
x
p
(t)-x(t)|
[0175]
x(t+1)＝x
p
(t)-a
·
d
[0176]
a＝a
·
(2r
2-1)
[0177]
c＝2r
1
[0178]
其中，a为第一系数因子，c为第二系数因子，t为迭代次数，a为随着迭代次数的增加从2到0呈线性递减，r
1
和r
2
为[0，1]间的随机数，x
p
(t)为第t-1次迭代后的目标数据集，x(t)为第t-1次迭代后的第二数据集，x(t+1)为第t次迭代后的第二数据集，d(t)为第t-1次迭代后的初始化数据集与目标数据集之间的距离；
[0179]
根据三个第二数据集更新多个第三数据集，得到多个第四数据集，第三数据集为多个初始化数据集中除适应度值最优的三个初始化数据集；
[0180]
将三个第二数据集和多个第四数据集作为第一数据集。
[0181]
可选的，第三确定单元，还用于：
[0182]
将每个第三数据集和三个第二数据集输入第二模型中，得到多个第四数据集，其中，第二模型为：
[0183][0184]
其中，y(t)为第t-1次迭代后的第三数据集，y(t+1)为第t次迭代后的第四数据集，x
a
(t)、x
β
(t)和x
j
(t)为第t-1次迭代后的任一个第二数据集，d
a
(t)、d
β
(t)、d
j
(t)分别为第t-1次迭代后的第二数据集与第t一1次迭代后的第三数据集之间的距离，a
1
、a
2
、a
3
分别为第t-1次迭代后的第二数据集对应的第一系数因子，c
1
、c
2
、c
3
分别为第t-1次迭代后的第二数据集对应的第二系数因子，x
1
(t)、x
2
(t)和x
3
(t)为第t-1次迭代后的第三数据集与任一个第二数据集之间的前进步长。
[0185]
可选的，目标车辆的实际总功率通过下列方式得到：
[0186]
获取混合动力车辆的当前车速、当前加速度以及当前行驶路面上的路面与水平面的夹角；
[0187]
将当前车速、当前加速度以及当前行驶路面上的路面与水平面的夹角输入到第三模型中，得到车辆的实际总功率，其中，第三模型为：
[0188][0189]
其中，m为车辆的总质量，p
l
为车辆的实际总功率，v为当前车速，μ为滚动阻力系数，ρ为空气质量密度，b为迎风面积，c
d
为空气阻力系数，a为车辆当前加速度，θ为路面与水平面的夹角。
[0190]
需要说明的是：上述实施例提供的混合动力车辆能量管理装置在控制车辆的部件时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将控制装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
[0191]
本申请实施例提供的方法实施例能够与相应的装置实施例相互参考，本申请实施例对此不做限定。本申请实施例提供的方法实施例步骤的先后顺序能够进行适当调整，步骤也能够根据情况进行相应增减，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本申请的保护范围之内，因此不再赘述。
[0192]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0193]
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除