一种电动汽车转矩分配方法及系统

技术领域

本发明是一种应用于电动汽车的转矩分配方法，具体涉及一种结合工况和驾驶风格影响的分配方法。

背景技术

电动汽车动力系统的分配不合理就会造成动力源工作在非高效区，使能耗增加。而如今很多电动汽车策略开发者在进行转矩分配策略开发时忽略了工况对驾驶风格造成的影响，因驾驶风格的识别结果会随工况的不同而有所变化，如激进型驾驶员在拥堵工况下可能会被识别成谨慎型，谨慎型驾驶员在高速工况下可能会被识别成激进类型；当驾驶风格识别出现偏差时，会直接影响转矩分配结果，从而可能影响转矩分配的合理性。

如：中国专利文献CN202210031745.9公开了一种基于驾驶风格的燃料电池混合动力汽车能量管理方法，通过整车的动力系统建立整车模型和能量源模型，通过车辆行驶中的行驶数据设计驾驶风格识别算法，根据各个工况下的离线仿真获取等效因子，结合等效消耗策略设计基于驾驶风格的自适应等效消耗最小策略。

中国专利文献CN202110358045.6公开了一种自适应驾驶风格的扭矩控制方法及装置，通过采集样本车辆在不同油门踏板开度下的开度变化率，计算得到样本车辆各个油门踏板开度下的开度变化率平均值和开度变化率标准差；计算得到当前车辆各个油门踏板开度下的开度变化率平均值和开度变化率标准差；计算得到开度修正系数；获取当前车辆的油门踏板MAP，使用计算得到的开度修正系数，计算得到修正后的油门踏板MAP，根据修正后的油门踏板MAP，并基于车辆当前的油门踏板开度，得到车辆当前的扭矩输出。

以上专利都基于驾驶风格进行车辆能量管理或扭矩控制，但均没有提及工况对驾驶风格识别带来的影响，这样会导致驾驶风格的识别结果存在偏差，进而影响到转矩分配的合理性，造成动力源工作在非高效区，使能耗增加。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种电动汽车转矩分配方法及系统，在进行转矩分配策略研究时，考虑了不同工况对驾驶风格识别的影响，即在工况识别的基础上对驾驶风格进行识别，以此更加准确识别驾驶员的风格，在此前提下，根据整车转矩需求，合理分配动力系统的转矩，使其工作在高效区域，使经济性达到最佳。

为了达到上述目的，本发明所采用的技术方案是：

一种电动汽车转矩分配方法，从行车工况库中提取有效片段，进行工况构建，选取特征参数并进行工况识别，在工况识别的基础上，建立驾驶风格和加速意图隶属度函数及相应的识别模型，并据此对驾驶风格进行识别，最后再以驾驶风格和加速意图识别结果为输入，反模糊化输出转矩修正系数k，根据修正后的整车需求转矩，合理分配动力系统的转矩。

进一步地，所述电动汽车转矩分配方法具体包括以下步骤：

S1.工况构建：在离线环境中，从行车工况库中提取有效片段，选取参数并聚类构建包括拥堵工况、城市工况、郊区工况和高速工况在内的四种工况；通过驾驶员在环实验获取不同工况下的车辆行驶数据参数，并利用获得的数据参数对BP神经网络路况识别模型进行训练；

S2.工况识别：从本车记录的行驶工况中提取工况，选取特征参数并利用BP神经网络识别工况，识别模型输出为路况识别系数a；

S3.建立驾驶风格和加速意图识别模型：以路况识别系数a为基础，建立驾驶风格和加速意图隶属度函数，再结合模糊推理规则建立完整的驾驶风格和加速意图识别模型；

S4.驾驶风格识别：从本车记录的行驶工况中提取最近的工况，选取特征参数并利用驾驶风格和加速意图识别模型对驾驶风格和加速意图进行在线识别；

S5.确定转矩修正系数k及转矩分配：以驾驶风格和加速意图识别结果为输入，建立转矩修正系数k的模糊控制器，反模糊化输出k值，对需求转矩T

进一步地，步骤S2中，以最大车速v

步骤S2中，所述路况识别系数a的定义如下：a＝1时，表示为拥堵工况；a＝2时，表示为城市工况；a＝3时，表示为郊区工况；a＝4时，表示为高速工况。

步骤S3中，驾驶风格隶属度函数包括加速度均值隶属度函数模型和加速度均方差隶属度函数模型，加速意图隶属度函数包括加速踏板开度的隶属度函数模型和加速踏板开度变化率的隶属度函数模型，每个隶属度函数模型对应S、M、L三个模糊子集；

其中，加速度均值对应的三个模糊子集S、M、L的隶属度函数模型分别为：

加速度均方差对应的三个模糊子集S、M、L的隶属度函数模型分别为：

加速踏板开度对应的三个模糊子集S、M、L的隶属度函数模型分别为：

加速踏板开度变化率对应的三个模糊子集S、M、L的隶属度函数模型分别为：

进一步地，模糊推理规则是根据专家经验自定义的判断规则，包括驾驶风格模糊推理规则和加速意图模糊推理规则，所述驾驶风格模糊推理规则，是根据加速度均方差和加速度均值分别对应的隶属度函数的模糊子集，进行交叉匹配，并根据专家经验自定义的驾驶风格判断规则，所述加速意图模糊推理规则，是依据加速踏板开度和加速踏板开度变化率分别对应的隶属度函数的模糊子集，进行交叉匹配，并根据专家经验自定义的加速意图判断规则。

进一步地，步骤S4具体为，以加速度均值、加速度均方差作为驾驶风格识别的重要参数；以加速踏板开度、加速踏板开度变化率作为加速意图识别的重要参数，利用驾驶风格和加速意图识别模型对驾驶风格和加速意图进行在线识别。

步骤S5中，未修正的需求转矩计算公式为：

T

修正后的需求转矩计算公式为：

T

其中，T

步骤S5中，有关粒子群优化算法的具体步骤包括：

S5-1：初始化粒子的位置和速度，确定种群规模、设定学习因子、惯性权重和设置迭代次数等；

S5-2：计算并比较所有粒子的目标函数值，利用适应度函数公式f＝(T

S5-3：粒子的速度和位置更新，即发动机和电机的转矩数值和变化值的更新；S5-4：按照循环的工作流程依次进行迭代。

本发明还提供一种电动汽车转矩分配系统，包括动力系统和整车控制模块；所述整车控制模块包括工况识别模块、驾驶风格识别模块和转矩分配模块三部分；

其中所述的工况识别模块，用于在汽车在实际行驶过程中，从本车记录的行驶工况中提取最近一段时间内的最大车速v

所述的驾驶风格识别模块，以实际行驶工况过程中的油门开度、开度变化率等为特征参数，利用由工况识别输出进行构建的隶属度函数和模糊推理规则组成的驾驶风格和加速意图识别模型进行驾驶风格和加速意图的识别；

所述的转矩分配模块，对考虑了驾驶风格和路况影响的整车需求转矩，利用粒子群优化算法对其进行转矩的分配；

所述动力系统为混合动力系统或纯电动系统，整车控制器向发动机控制器和/或电机控制器发出转矩指令时，发动机控制器和/或电机控制器便直接控制发动机和/或电机的输出。

有益效果：本发明提出在工况识别的基础之上对驾驶风格进行识别，首先进行工况构建和工况识别，以路况识别系数为基础，建议驾驶风格和加速意图隶属度函数，再结合模糊推理原则，建立完整的驾驶风格和加速意图识别模型，对最近的工况进行识别，以此更加准确识别驾驶员的风格。在基于工况的驾驶风格识别的前提下，根据整车转矩需求，合理分配动力系统的转矩，能够使车辆工作在高效区域，使经济性达到最佳。

附图说明

图1本发明汽车转矩分配系统的整体框架图；

图2本发明加速度均值的隶属度函数模型；

图3本发明加速度均方差的隶属度函数模型；

图4本发明加速踏板开度的隶属度函数模型；

图5本发明加速踏板开度变化率的隶属度函数模型；

图6本发明驾驶风格模糊推理规则表；

图7本发明加速意图模糊推理规则表；

图8本发明实施例1的转矩分配系统框架图；

图9本发明实施例2的转矩分配系统框架图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细的说明。

如图1所示，本发明实施汽车转矩分配的系统包括两大部分，分别为动力系统和整车控制模块，而整车控制模块又包括工况识别、驾驶风格识别和转矩分配三部分。

所述的动力系统：由发动机、电机、变速箱等组成，其中发动机和电机之间通过离合器进行串联连接。当整车控制器向发动机控制器和电机控制器发出转矩指令时，发动机控制器和电机控制器便直接控制发动机和电机的输出。

所述的整车控制部分，包括：工况识别模块、驾驶风格识别模块和转矩分配模块。

工况识别模块：汽车在实际行驶过程中，从本车记录的行驶工况中提取最近120s内的最大车速v

驾驶风格识别模块：以实际行驶工况过程中的油门开度、开度变化率等为特征参数，利用由工况识别输出(工况识别系数)进行构建的隶属度函数和模糊推理规则组成的驾驶风格和加速意图识别模型进行驾驶风格和加速意图的识别。

转矩分配模块：对考虑了驾驶风格和路况影响的整车需求转矩，利用粒子群优化算法对其进行转矩的分配。

本发明还提供了一种电动汽车转矩分配方法，具体包括以下步骤：

S1.工况构建(离线)：在离线环境中，从已有的行车记录工况库中提取若干120s的有效行车工况片段，选择平均速度

S2.工况识别(在线)：从本车记录的行驶工况中提取最近120s的工况进行工况识别，每3秒识别一次。以最大车速v

S3.建立驾驶风格和加速意图隶属度函数及相应的识别模型：以路况识别模型输出(路况识别系数a)为基础，建立驾驶风格和加速意图隶属度函数，再结合模糊推理规则建立完整的驾驶风格和加速意图识别模型。

S4.驾驶风格识别(在线)：从本车记录的行驶工况中提取最近9s的工况进行驾驶风格和加速意图识别，每3s识别一次。以加速度均值

S5.确定转矩修正系数k及转矩分配：以驾驶风格和加速意图识别结果为输入，建立转矩修正系数k的模糊控制器，经反模糊化输出k值，对需求转矩T

所述步骤S1中，BP神经网络的训练数据获取过程为：

驾驶员在环实验过程中，首先从拥堵工况、城市工况、郊区工况和高速工况中选取一类工况，在所选工况下进行在环实验，并且记录实验过程中的最大车速v

所述步骤S2中，神经网络识别具体操作如下：

S2-1：确定各网络层神经元个数。将最大车速v

隐含层的神经元个数一般参考经验公式：

其中，α＝6。

S2-2：选择神经网络的激励函数、训练函数。分别选择Tansig函数和Purelin函数作为隐含层和输出层的激励函数，公式为

选择Trainlm函数作为训练函数。

S2-3：迭代次数为1000次，训练目标性能为10

所述步骤S2中，路况识别模型输出为路况识别系数a，其定义如下：

a＝1时，表示为拥堵工况；

a＝2时，表示为城市工况；

a＝3时，表示为郊区工况；

a＝4时，表示为高速工况。

所述步骤S3中，驾驶风格隶属度函数包括加速度均值隶属度函数模型和加速度均方差隶属度函数模型，加速意图隶属度函数包括加速踏板开度的隶属度函数模型和加速踏板开度变化率的隶属度函数模型，如图2-5所示，每个隶属度函数模型对应S、M、L三个模糊子集，其中，横坐标x为隶属度函数构建因子，是一个变量，纵坐标为概率。

具体地，关于驾驶风格隶属度函数模型如下所示：

如图2所示，加速度均值的隶属度函数模型为：

模糊子集S的隶属度函数为

模糊子集M的隶属度函数为

模糊子集L的隶属度函数为

如图3所示，加速度均方差的隶属度函数模型为：

模糊子集S的隶属度函数为

模糊子集M的隶属度函数为

模糊子集L的隶属度函数为

关于加速意图隶属度函数模型如下所示：

如图4所示，加速踏板开度的隶属度函数模型为：

模糊子集S的隶属度函数为

模糊子集M的隶属度函数为

模糊子集L的隶属度函数为

如图5所示，加速踏板开度变化率的隶属度函数模型为：

模糊子集S的隶属度函数为

模糊子集M的隶属度函数为

模糊子集L的隶属度函数为

步骤3中所述的模糊推理规则是根据专家经验自定义的判断规则，包括驾驶风格模糊推理规则和加速意图模糊推理规则，如图6所示，所述驾驶风格模糊推理规则，是根据加速度均方差和加速度均值分别对应的隶属度函数的模糊子集进行交叉匹配，并根据专家经验自定义的驾驶风格判断规则，包括谨慎、一般、激进三种风格；如图7所示，所述加速意图模糊推理规则，是依据加速踏板开度和加速踏板开度变化率分别对应的隶属度函数的模糊子集，进行交叉匹配，并根据专家经验自定义的加速意图判断规则，包括平缓、一般、紧急三种加速意图。

所述驾驶风格隶属度函数模型和驾驶风格模糊推理规则共同构成驾驶风格识别模型，加速意图隶属度函数模型和加速意图模糊推理规则共同构成加速意图识别模型。

建立好上述的隶属度函数和模糊推理规则后，步骤S4中，加速意图识别过程大致为：在车辆运行过程中，加速踏板开度和加速踏板开度变化率是已知的，则给定一个加速踏板开度值，所述识别模型会根据对应的隶属度函数图中S、M、L所占的概率，自动生成对应S、M、L其中一个的输出。同理，给定一个加速踏板开度变化率值，所述加速意图隶属度函数模型自动输出S、M、L中的一个，然后按照图7所述的模糊推理规则表格，判断加速意图；例如，加速踏板开度和加速踏板开度变化率在模型中都生成S，则根据图3所述的模糊推理规则，得出关于加速意图的识别结果为“平缓”。

同理，驾驶风格的识别过程为，分别给定一个加速度均值和加速度均方差值，识别模型生成的相应的输出，然后根据图6所示的驾驶风格模糊推理规则表对驾驶风格进行判断。

所述步骤S5中，未修正的需求转矩计算公式为

T

修正后的需求转矩计算公式为

T

其中，T

所述步骤S5中，有关粒子群优化算法的具体内容为：

粒子位置代表电机和发动机转矩值，用X

具体步骤如下：

S5-1：初始化粒子的位置和速度，确定种群规模、设定学习因子、惯性权重和设置迭代次数等；

S5-2：计算并比较所有粒子的目标函数值(适应度函数)。利用适应度函数公式f＝(T

S5-3：粒子的速度和位置更新，即发动机和电机的转矩数值和变化值的更新。

粒子速度和位置更新公式如下

式中，c

S5-4：按照循环的工作流程依次进行迭代。

实施例1

如图8所示，为一种混合动力汽车，该车动力系统由发动机、电机、变速箱等组成，其中发动机和电机之间通过离合器进行串联连接。当整车控制器向发动机控制器和电机控制器发出转矩指令时，发动机控制器和电机控制器便直接控制发动机和电机的输出。

整车控制部分：工况识别模块、驾驶风格识别模块和转矩分配模块。

工况识别模块：汽车在实际行驶过程中，从本车记录的行驶工况中提取最近120s内的最大车速v

驾驶风格识别模块：以实际行驶工况过程中的油门开度、开度变化率等为特征参数，利用由工况识别输出(工况识别系数)进行构建的隶属度函数和模糊推理规则组成的驾驶风格和加速意图识别模型进行驾驶风格和加速意图的识别。

转矩分配模块：对考虑了驾驶风格和路况影响的整车需求转矩，利用粒子群优化算法对其进行转矩的分配。

实施例1的电动汽车转矩分配方法，具体包括以下步骤：

S1：工况构建(离线)。在离线环境中，从已有的行车记录工况库中提取若干120s的有效行车工况片段，选择平均速度

S2：工况识别(在线)。从本车记录的行驶工况中提取最近120s的工况进行工况识别，每3秒识别一次。以最大车速v

S3：建立驾驶风格和加速意图隶属度函数及相应的识别模型。以路况识别模型输出(路况识别系数a)为基础，建立驾驶风格和加速意图隶属度函数，再结合模糊推理规则建立完整的驾驶风格和加速意图识别模型。

S4：驾驶风格识别(在线)。从本车记录的行驶工况中提取最近9s的工况进行驾驶风格和加速意图识别，每3s识别一次。以加速度均值

S5：确定转矩修正系数k及转矩分配。以驾驶风格和加速意图识别结果为输入，建立转矩修正系数k的模糊控制器，经反模糊化输出k值，对需求转矩T

其中步骤S1-S5的具体过程与前文所述一致。

所述步骤S5中，未修正的需求转矩计算公式为

T

修正后的需求转矩计算公式为

T

其中，T

所述步骤S5中，有关粒子群优化算法的具体内容为

粒子位置代表电机和发动机转矩值，用X

具体步骤如下：

S5-1：初始化粒子的位置和速度，确定种群规模、设定学习因子、惯性权重和设置迭代次数等；

S5-2：计算并比较所有粒子的目标函数值(适应度函数)。利用适应度函数公式f＝(T

S5-3：粒子的速度和位置更新，即发动机和电机的转矩数值和变化值的更新。

粒子速度和位置更新公式如下：

式中，c

S5-4：按照循环的工作流程依次进行迭代。

实施例2

如图9所示，该实施例的转矩分配系统包括两大部分，分别为动力系统和整车控制模块，而整车控制模块又包括工况识别、驾驶风格识别和转矩分配三部分。

与实施例1不同的是，实施例2为纯电动系统，该车动力系统由双电机、变速箱等组成。当整车控制器向电机控制器发出转矩指令时，电机控制器便直接控制双电机的输出。整车控制部分：工况识别模块、驾驶风格识别模块和转矩分配模块。

工况识别模块：汽车在实际行驶过程中，从本车记录的行驶工况中提取最近120s内的最大车速v

驾驶风格识别模块：以实际行驶工况过程中的油门开度、开度变化率等为特征参数，利用由工况识别输出(工况识别系数)进行构建的隶属度函数和模糊推理规则组成的驾驶风格和加速意图识别模型进行驾驶风格和加速意图的识别。

转矩分配模块：对考虑了驾驶风格和路况影响的整车需求转矩，利用粒子群优化算法对其进行转矩的分配。

实施例2的汽车转矩分配方法与实施例1基本相同，其中相同的步骤S1-S4不再赘述，仅在步骤S5中关于电机转速部分针对纯电动系统略有适应性改变。

S5：确定转矩修正系数k及转矩分配。以驾驶风格和加速意图识别结果为输入，建立转矩修正系数k的模糊控制器，经反模糊化输出k值，对需求转矩T

所述步骤S5中，未修正的需求转矩计算公式为

T

修正后的需求转矩计算公式为

T

其中，T

所述步骤S5中，有关粒子群优化算法的具体内容为

粒子位置代表电机转矩值，用X

具体步骤如下：

S5-1：初始化粒子的位置和速度，确定种群规模、设定学习因子、惯性权重和设置迭代次数等；

S5-2：计算并比较所有粒子的目标函数值(适应度函数)。利用适应度函数公式f＝(T

S5-3：粒子的速度和位置更新，即2个电机的转矩数值和变化值的更新。

粒子速度和位置更新公式如下

式中，c

S5-4：按照循环的工作流程依次进行迭代。

以上为本发明的技术方案及相关的实施例，本发明所述的电动汽车转矩分配方法适用于混合动力系统，也适用于纯电动系统，所执行的方法步骤一致，只是在步骤S5中，确定转矩修正系统k及转矩分配时，需要考虑具体的发动机转速或电机转速。使用本发明的电动汽车转矩分配方法，由于考虑了工况对驾驶风格的影响，使驾驶风格的识别更为准确，从而能够更为合理的进行转矩分配，达到高效性，有利于实现低能耗。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。