网联混合动力汽车跟驰场景的预测能量管理控制_陈晓龙.pdf

第 47 卷 第 1 期燕山大学学报Vol.47 No.12023 年 1 月Journal of Yanshan UniversityJan 2023文章编号:1007-791X(2023)01-0043-11网联混合动力汽车跟驰场景的预测能量管理控制陈晓龙，焦晓红*(燕山大学 电气工程学院，河北 秦皇岛 066004)收稿日期:2022-04-08责任编辑:温茂森基金项目:国家自然科学基金资助项目(61973265)作者简介:陈晓龙(1997-)，男，河北承德人，硕士研究生，主要研究方向为混合动力汽车能量管理;通信作者:焦晓红(1966-)，女，山西太原人，博士，教授，博士生导师，主要研究方向为非线性系统、时滞系统的鲁棒自适应控制理论及其在电力系统、混合动力系统及机械系统中的应用，Email:jiaoxh ysueducn。摘要:针对网联混合动力汽车跟驰场景下能量管理控制中燃油经济性和驾驶安全性综合优化问题，利用车车及车路通信，设计了一种基于前车速度预测本车速度规划的预测能量管理控制策略。前车速度预测器由长短时记忆神经网络构建，神经网络内部超参数通过粒子群优化算法离线优化确定;基于预测的前车速度，求解以跟车距离、车速度、加速度及直接影响驾驶舒适性的车辆冲击度为成本函数的优化问题获得预测域内本车的速度规划;进一步利用序列二次规划算法求解车辆燃油经济性和驾驶安全性综合优化的能量管理控制问题，得到最优功率分配控制策略。多种驾驶工况下的仿真验证了所提出的预测控制策略的有效性及车辆安全跟驰下较好的燃油经济性。关键词:混合动力汽车;速度预测器;速度规划;能量管理;优化控制中图分类号:U4697文献标识码:ADOI:103969/jissn1007-791X2023010050引言汽车的智能化、电动化和网联化已经成为当前的重要研究领域 1。利用车-车(Vehicle toVehicle，V2V)通 信 以 及 车-路(VehicletoInfrastructure，V2I)所得到的网联信息，能够有效地降低事故发生率和尾气排放量，进而提高车辆的经济性能和节能性能。另一方面，智能网联技术的飞速发展，为高质量的新能源汽车能量管理控制策略的设计提供了新技术。目前，新能源汽车主要分为三类，包括燃料电池汽车、纯电动汽车、混合动力汽车 2-3。燃料电池汽车、纯电动汽车由于各自的瓶颈问题在应用推广上目前受到限制。混合动力汽车(Hybrid Electric Vehicle，HEV)由于其内部存在多个动力源，使其在续航里程上明显优于纯电动汽车，同时，也能减少有害气体的排放 4-5。因此，HEV 受到青睐。混合动力汽车行驶过程中良好的燃油经济性主要依赖于其有效的能量管理控制策略。能量管理策略主要由两大类构成，基于规则 6-7 和优化 8 的控制策略。基于规则的控制策略应用较为广泛，这主要得益于此种策略的设计较为简单及实时性较强。但是基于规则的控制策略不能保证燃油经济性的最优。为此，大量的研究开发转向了基于优化的能量管理策略。该策略又可以分为全局优化和瞬时优化两种控制策略。其中基于全局优化的动态规划算法可以实现最佳的燃油经济性。但是因其计算效率低且驾驶条件要求完全已知，导致该算法无法应用到实时的能量管理控制策略当中。基于瞬时优化方法主要包含等效燃油消 耗 最 小 策 略(EquivalentConsumptionMinimization Strategy，ECMS)及 模 型 预 测 控 制(Model Predictive Control，MPC)策略。在设计ECMS 时需要考虑等效因子的自适应性，而车辆行驶过程中由于受到众多因素的影响使得最佳等效因子难以获取，导致在实时应用过程中无法实现最优燃油经济性 9。基于瞬时优化的 MPC 方法 10 可以采用滚动44燕山大学学报2023优化方式不断优化短时域内的油耗，进而有效地提高燃油经济性，同时实时性良好。因此，基于MPC 的控制策略在解决网联场景下的能量管理问题时更具有效性和实用性，进而近年来呈现出许多研究成果。例如，文献 11采用了随机模型预测控制策略将跟车场景下的能量管理问题转化为一列二次规划子问题求解，有效地降低了油耗。文献 12提出了一种多目标的预测能量管理策略，实现了良好的经济性、环保性以及跟车安全性。文献 13 提出了一种改进的模型预测控制策略，通过整合 V2V 和 V2I 信息，在提高预测精度和优化速度序列的同时实现了能量的最优分配。然而，基于 MPC 的能量管理控制策略保证燃油经济性逼近全局最优的重要因素是其速度预测模型的高精度，控制策略良好的实时性在于有限域内优化求解算法的实时性。为此，学者们主要在这两个方面进行了开发研究，以获得实际中可实时实现的更逼近全局最优的管理控制策略。基于此，本文为网联混合动力汽车跟驰场景设计了一种基于前车速度预测-本车速度规划的预测能量管理控制策略。该研究主要侧重于保证管理控制策略有限预测域内所用到的本车速度预报的高精度。因此，先利用长短时记忆神经网络(Long Short-Term Memory，LSTM)和 V2I 获取的网联信息构建前车速度预测器，为了提高预测精度，神经网络内部超参数通过粒子群优化(ParticleSwarm Optimization，PSO)算法离线优化确定;预测域内本车速度预报根据预测的前车速度和 V2V信息及综合优化跟车各项指标成本函数的速度规划算法得到。而预测域内最优控制求解算法直接采用了实时性良好的一种序列二次规划算法 11。1网联混合动力汽车系统模型11混合动力汽车动力链模型本文将混联式混合动力汽车作为研究对象 14，其动力系统结构如图 1 所示。该混动车型的动力传动系统主要由发动机、电动机、蓄电池、发电机和行星齿轮构成。行星齿轮由太阳齿轮、过桥齿轮和环形齿轮构成，使其在运行过程中具有无级变速特性。图 1混联式混合动力汽车传动系统结构图Fig1Transmission system structure of series-parallelhybrid electric vehicle假设在行星齿轮中，各齿轮之间的啮合连接属于刚性连接关系，则它们之间的转速和转矩之间关系可以作如下表达:(r+s)c=rr+ss，(1)Tr=rr+sTcTs=sr+sTc，(2)式中，Tr是齿圈转矩，Ts是太阳轮转矩，Tc是过桥齿轮转矩，r是齿圈转速，s是太阳轮转速，c是过桥齿轮转速，r是齿圈半径，s是太阳轮半径。假设在动力传动系统当中，行星齿轮与各动力源之间也属于刚性连接关系，则行星齿轮与各动力源之间的转速关系如下:c=e，r=m，s=g，(3)式中，m是电动机转速，e是发动机转速，g是发电机转速。根据动力系统的传动关系，可以得到电动机转速和车速之间的关系如下:m=gftirev，(4)式中，v 是车速，gf指的是终端差分轴的传动比。车辆在正常行驶过程中，不考虑其横向和垂直方向上的变化，其受到的力主要是驱动力以及行驶阻力。驱动力一般是由各动力源所提供的动力转矩给到驱动轮的力，行驶阻力主要包含空气第 1 期陈晓龙 等网联混合动力汽车跟驰场景的预测能量管理控制45阻力以及坡度阻力，车辆的纵向动力学模型为Mv=fTdTbrrMg(cos+sin)12ACdv2，(5)式中，f是齿轮传动效率，Td是牵引力转矩，Tbr是制动转矩，g 是重力加速度，是坡度，A 是迎风面积，Cd是空气阻力系数，为空气密度，是滚动阻力系数，M 是整车质量。考虑网联场景下的预测能量管理问题，其优化目标主要包含油耗和电耗，二者可以由以下方程来进行描述:?mf=f(e，Te)Tee105/36，(6)?me=Pe/HL，(7)式中，Te是发动机转矩，f(e，Te)的是燃油消耗速率，是等效因子，Pe是电池总功率，HL是燃料的低热值。混合动力汽车的电池是动力传动系统的重要组成部分。而在车辆在行驶过程中电池不仅存在充电过程，还包含放电过程。但对于面向能量管理控制问题的动力电池模型，电池可以等效为一个电压源和一个电阻串联而成的物理模型，即如图 2 所示的等效电路。图 2电池等效电路图Fig2Battery equivalent circuit diagram根据基尔霍夫电压定律以及能量守恒可以得到电池总功率 Pe为Pe=Pb+Ibb，(8)式中，Pb是电池输出功率，Ib是电池电流，b是电池内阻。电池电流的计算公式为Ib=Uoc+U2oc 4bPb2b，(9)式中，Uoc是电池的开路电压。电池的输出功率由电动机放电功率和发电机发电功率决定，详细的计算公式为Pb=kmmTmm+kggTgg，(10)式中，k=1 时电池处于放电状态，k=1 时电池处于充电状态。电池的荷电状态是描述电池放电能力的物理量，其在数值上等于电池剩余电荷量与额定容量的比值。通常情况下，电池的荷电状态是无法直接得到的，只能利用开路电压、电路电流以及电阻来近似得出。荷电状态可以由以下公式描述:nSOC=IbQb=PbQbUoc，(11)式中，Qb是电池最大容量。HEV 的相关参数如表 1 所示。表 1混合动力汽车的相关参数Tab1elevant parameters of hybrid electric vehicle部件参数数值整车重量1 450 kg车胎半径0298 2 m迎风面积38 m2空气阻力系数033滚动阻力系数0015空气密度1293 kg/m3电池容量65 Ah发动机最大输出功率50 kW发动机转动惯量01 kgm2发电机最大输出功率30 kW发电机转动惯量0026 5 kgm2电动机最大输出功率50 kW电动机转动惯量0035 kgm212跟驰场景下各种性能指标描述车辆处于跟驰场景时，需要考虑与前车的安全距离，以保证车辆的安全驾驶。图 3 为跟驰场景示意图。根据 V2V 技术可以实时获取两车的车间距 s，同时结合 V2I 技术获得交通灯的位置信息，进而计算出前车到交通灯的距离 drg。具体的安全性能各指标11 的描述如下。由于本文设计的是跟驰场景下的能量管理策略，即考虑的是本车前面始终有前车存在、且本车的速度是受到前车的驾驶状态影响的。因此，会存在一个最大车间距的物理量来表示本车速度与前车的行驶状态有关。同时，为避免跟驰场景中出现碰撞现象，须给出最小的车间距指标。为此，最大和最小的跟车距离计算公式如下:smax=1+2v+3v2，(12)46燕山大学学报2023smin=1+2v+3v2，(13)式中，v 是本车的车速，1，2，3是最大跟车距离成本系数，1，2，3是最小跟车距离成本系数。图 3跟驰场景示意图Fig3Schematic diagram of car following scene利用最小和最大跟车距离可计算出最优车间距离的上下限，其计算公式如下:ssupopt=smax+(1)sminsinfopt=(1)smax+smin，(14)式中，ssupopt是最优车间距离上限，sinfopt是最优车间距离下限，是调整系数。针对跟驰场景下的驾驶安全问题，设计跟车安全的成本函数 JS为JS=nk=1(Js(k)+Jv(k)+Ja(k)+Jj(k)，(15)式中，n 是预测域长度，Js是跟车安全距离成本，Jv是跟车速度成本，Ja是跟车加速度成本，Jj是本车冲击度成本。跟车速度和跟车加速度的成本函数表现形式如下所示:Jv=g1v2，(16)Ja=g2a2，(17)式中，g1和 g2分别为相对速度和加速度成本系数。跟驰场景中关于跟车安全距离成本函数为Js=+ssminf1tanssinfoptsminsinfopt2()sminssinfoptssinfopt+ssupopt2sinfoptsssupoptf2(sssupopt)2ssupoptssmaxf3(sssupopt)2+f3(ssmax)2ssmax，(18)式中，f1，f2，f3是相对距离的成本系数。车辆冲击度作为跟车过程中的重要性能指标，直接影响到驾驶员的驾驶舒适性，假设本文中的最大冲击度不高于 6 m/s3，其成本函数为Jj=