CN103863318A - 一种基于跟车模型的混合动力汽车节能预测控制方法 - Google Patents

Abstract

本发明涉及一种基于跟车模型的混合动力汽车节能预测控制方法,特别涉及一种实时最优的混合动力汽车控制方法，第一步，信息采集，第二步，车辆建模，第三步，公式化控制策略，第四步，在线最优控制，第五步，权重参数调节，第六步，目标满足判断，随着汽车导航，数字化地图的发展，利用道路交通状况，对混合动力汽车速度模式和驱动装置工作点进行同时最优化。不同于传统方法的只对驱动装置工作点进行优化，前方有车辆的情况下，传统的固定车间距的控制算法现在还是主流。申请者提出了车间距离在最小值以上浮动的控制策略，提高了车辆速度变化的自由度，使混合动力汽车燃油经济性的提高有了可能，提出了混合动力汽车的泛化三自由度模型。为混合动力汽车的模型化提供了一般的通用方法论指导。

Description

一种基于跟车模型的混合动力汽车节能预测控制方法

技术领域

本发明涉及一种基于跟车模型的混合动力汽车节能预测控制方法,特别涉及一种实时最优的混合动力汽车控制方法。

背景技术

   全球能源与环境形势的日益严峻，特别是国际金融危机对汽车产业的巨大冲击，推动世界各国加快汽车产业战略转型。为开发出更加节能环保的汽车，解决上述两大问题，混合动力汽车目前已被产业化。与传统汽车相比，混合动力汽车具有电池和燃油双***驱动的冗余性，运用这种冗余性可以调节驱动装置工作点到最优位置，从而实现节能减排目标。预计未来汽车的主流将是这种混合动力汽车。由于混合动力汽车可以回收伴随车辆减速产生的再生制动能量；利用驱动***的冗余性（发动机和电机）优化驱动装置工作点，因此可以极大地发挥节能减排效用。但是最优工作点随发动机的特性，周围车辆的行驶状态，道路交通条件的改变而时刻改变着。而且，旋转系（发动机和电机）具有转速转矩极限，电池具有荷电状态极限，超出这些极限对于车辆关键零部件的性能影响很大。因此，混合动力汽车的节能减排效果很大程度上依赖于其能量管理策略（满足约束条件）。而其关键技术为能量管理中央控制器中的实时最优化，以期实现控制策略的商业化，产业化。

混合动力汽车能量管理***的控制策略是其研发的技术核心和设计难点。目前已经提出的控制策略大致可以分为4类：数值最优控制，解析最优控制，瞬时最优控制和启发式控制。数值最优控制的典型代表是动态规划和模型预测控制。解析最优控制的典型代表是庞特里亚金极小值原理控制策略。瞬时最优控制的典型代表是瞬时等效油耗最低控制策略。启发式控制策略的典型代表是基于规则的控制策略。传统的全局最优控制算法动态规划和庞特里亚金极小值原理控制方法，由于需要事先知道未来全部工况信息，无法实现实时最优。传统的基于规则的控制策略无法实现效率最大化。一般的前馈型控制（假定车辆速度模式一定）无法实现实时最优。传统的瞬时最优控制参数受未来车辆工况变化影响太大，无法满足控制性能。

自20世纪90年代初以来，世界各国对混合动力汽车的研发给予了高度重视，并取得了一些重大的成果和进展。日本丰田汽车公司于1997年实现了混合动力汽车的量产化，2012年实现了插电式混合动力汽车的量产化。美国总统奥巴马2009年宣布了下一代先进蓄电池和插电式混合动力汽车计划。在国内，国家“十一五”863计划设立了节能与新能源汽车重大项目。申请者在日本九州大学攻读博士学位期间，掌握了日本企业和大学普遍采用的模型预测控制算法以及日本学者大塚敏之提出的C/GMRES快速解法。这两种方法的结合解决了模型预测控制这种先进算法的实际应用问题。

在此背景下，提高能源利用效率，减少汽车对环境的污染已成为当今汽车工业发展的首要任务。同时，利用道路交通信息，进一步提高驱动装置效率也成为当今社会发展的现实需要。为了解决上述问题，需要设计出一种基于道路交通信息的可产业化的混合动力汽车模型预测控制方法，从而实现节能减排目标。

发明内容

本发明的目的在于克服现有技术中的不足而提供一种基于跟车模型的混合动力汽车节能预测控制方法，以达到最大限度地节能减排，产业化混合动力汽车能量管理中央控制器。

本发明的目的是这样实现的：

一种基于跟车模型的混合动力汽车节能预测控制方法，具体如下：

第一步，信息采集

通过全球定位***采集车辆的位置信息p，作为实时车辆状态的反馈；通过车载雷达测速装置采集前方车辆速度v_p-，用于跟踪控制；通过卡尔曼滤波器利用采集的蓄电池开路电压V _OC 、内阻R _batt 对蓄电池荷电状态进行估计；

第二步，车辆建模

基于混合动力汽车驱动***，根据车辆机械耦合和电子耦合关系，列写***动力学方程，对动力学方程进行解耦，从而获得车辆的状态空间数学模型如式（1）所示：

式中，x为状态量，u为控制量，S和R是太阳轮和齿圈齿数，τ _M/G1 ，τ _M/G2 ，τ _resist ，τ _brake 和τ _eng  是发电电动一体机一，发电电动一体机二，车辆行驶阻力，车辆摩擦制动和发动机转矩，ω _M/G1 ，ω _M/G2 和ω _eng 是发电电动一体机一，发电电动一体机二和发动机的角转速度；g _f 是主减速器速比；I _M/G1 ，I _M/G2 ，I _w 和I _eng 是发电电动一体机一，发电电动一体机二，车轮和发动机的转动惯量，r _w  是车轮半径，参数ρ，C _D ，A，m，g，μ和θ是空气密度，空气阻力系数，迎风面积，车辆质量，重力加速度，滚动阻力系数和道路坡度，参数p为车辆位置，x _SOC  为蓄电池荷电状态，V _OC ，R _batt 和Q _batt  是蓄电池开路电压，内阻和容量；

蓄电池功率 P _batt  由式（2）计算：

                            

道路坡度模型由S型函数分段线性近似，如式（3）所示：

                          

式中s ₁ ，s ₂ ，s ₃ ，s ₄ ，s ₅ 和s ₆ 是形函数参数；

车辆的燃油经济性评价采用威兰氏线性模型,如式（4）所示：

                             

式中m _f 为燃油消耗率，参数a，b，c，h，k和l 为常数；

第三步，公式化控制策略

首先检测混合动力车辆状态，其次运用第一步建立的空间数学模型和公式化控制策略求解最优的控制问题，然后应用所求得的最优控制序列的第一个控制量用于公式化控制，由于模型预测控制为区间最优控制，所以其求得的最优控制量是数量为预测区间除以采样间隔的序列，最优控制序列的第一个控制量与实际状态最接近，所以一般采用它来作为实际的控制量；

最优控制问题定义如式（5）所示：

                   

式中T为预测区间。τ _M/G2max ，τ _M/G2min ，τ _M/G1max ，τ _M/G1min 和τ _brakemax  为控制量约束；

评价函数定义如式（6）所示：

  

式中SOC _d  是目标蓄电池荷电状态，v _d  是车辆目标速度，它取值为车辆最优等速燃油经济性速度；w _x ，w _y ，w _z ，w _d ，w _e ，w _f ，w _g ，w _h ，w _i ，w _j  ，w _k  和w _l  是权重系数； SOC _min , SOC _max , ω _engmax , ω _M/G2max , ω _M/G1min , ω _M/G1max , P _battmin , P _battmax ，τ _engmax  为参数约束， τ _engmax  随状态变化的控制量约束，参数p_p-，v_p-，d_min-和l分别是预测区间内前方车辆位置，速度，最小车间距和车长，预测区间内假设前方车辆速度一定；

第四步，在线最优控制

解法具体来说，运用极小值原理将最优控制问题转化为两点边值问题，在处理哈密顿函数相关的微分方程组和代数方程组时采用部分空间法求解，这是一种GMRES解法，应用预测区间内的最优控制序列的第一个控制量于车辆，之后在下一个采样时刻，将预测区间向前推进一步，如此循环往复，实现在线最优控制。

第五步，权重参数调节

权重参数为第三步中评价函数内的权重系数，采用粒子群算法自动调节权重系数，具体来说，粒子群算法中的粒子为各项权重系数，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个极值来更新自己，第一个就是粒子本身所找到的最优解，这个解叫做个体极值，另一个极值是整个种群目前找到的最优解，这个极值是全局极值；

第六步，目标满足判断

满足目标的标准为汽车的燃油经济性收敛到最优值，具体来说，迭代上一次和本次燃油经济性误差在±%5内即认为满足目标。

本发明由于采取以上技术方案，其具有以下优点：

1) 随着汽车导航，数字化地图的发展，利用道路交通状况，对混合动力汽车速度模式和驱动装置工作点进行同时最优化。不同于传统方法的只对驱动装置工作点进行优化。

2) 前方有车辆的情况下，传统的固定车间距的控制算法现在还是主流。申请者提出了车间距离在最小值以上浮动的控制策略，提高了车辆速度变化的自由度，使混合动力汽车燃油经济性的提高有了可能。

3)提出了混合动力汽车的泛化三自由度模型。为混合动力汽车的模型化提供了一般的通用方法论指导。

运用本方法能够大幅度提高混合动力汽车燃油经济性和排放性能。

附图说明

图1是本发明行星齿轮式混联混合动力汽车驱动***结构示意图。

图2是基于跟车模型的混合动力汽车节能预测控制方法流程图。

图3是基于跟车模型的混合动力汽车节能预测控制器结构图。

具体实施方式

下面结合技术方案和附图详细描述具体实施方式。

 

如图2、3所示，具体控制方法如下：

1) 信息采集

由全球定位***采集车辆的位置信息，作为实时车辆状态反馈。由车载雷达测速装置采集前方车辆速度，用于跟踪控制。由智能交通***采集交通信号信息以及实时路况信息，用于智能交通控制。由卡尔曼滤波器利用采集的蓄电池信息对蓄电池荷电状态进行估计。

2) 车辆建模

图1为本专利控制方法的研究对象的结构图，在车辆建模过程中使用本结构图分析***机械和电气耦合关系。

行星齿轮式混联混合动力汽车包含6大动态部件。它们是蓄电池4、发电电动一体机一1、发电电动一体机二3、动力分配器2、逆变器5、电动机6、主减速器7。

电动机6通过主减速器7与车轮相连，传递***动力。主减速器采用行星齿轮结构，行星齿轮作为动力分配装置既有速度耦合器的作用，又有电子无极变速器作用。行星齿轮机械耦合电动机6和发电电动一体机一1、发电电动一体机二3。逆变器5电气耦合蓄电池4和发电电动一体机一1、发电电动一体机二3。通过对***机械耦合和电气耦合解耦获得独立的3自由度***模型。

行星齿轮作为动力分配装置既有速度耦合器的作用，又有电子无极变速器作用。根据车辆机械耦合和电子耦合关系，可以列写***动力学方程。对动力学方程解耦，最终可以获得***的状态空间模型，如式(1)所示。

(1)

式中，x为状态量，u为控制量。S和R是太阳轮和齿圈齿数。τ _M/G1 ，τ _M/G2 ，τ _resist ，τ _brake 和τ _eng  是发电电动一体机1，发电电动一体机2，车辆行驶阻力，车辆摩擦制动和发动机转矩。ω _M/G1 ，ω _M/G2 和ω _eng 是发电电动一体机1，发电电动一体机2和发动机的角转速度。g _f 是主减速器速比。I _M/G1 ，I _M/G2 ，I _w 和I _eng 是发电电动一体机1，发电电动一体机2，车轮和发动机的转动惯量。r _w  是车轮半径。参数ρ，C _D ，A，m，g，μ和θ是空气密度，空气阻力系数，迎风面积，车辆质量，重力加速度，滚动阻力系数和道路坡度。参数p为车辆位置。x _SOC  为蓄电池荷电状态。V _OC ，R _batt 和Q _batt  是蓄电池开路电压，内阻和容量。蓄电池功率 P _batt  由式（2）计算。

                             (2)

道路坡度模型由S型函数分段线性近似，如式（3）所示。

                          (3)

式中s ₁ ，s ₂ ，s ₃ ，s ₄ ，s ₅ 和s ₆ 是形函数参数。

车辆的燃油经济性评价采用威兰氏线性模型,如式（4）所示。

                             (4)

式中m _f 为燃油消耗率。参数a，b，c，h，k和l 为常数。

3) 公式化控制策略

混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测混合动力车辆状态，其次运用所建立的数学模型和公式化控制策略求解最优控制问题，最后应用所求得的最优控制序列的第一个控制量于***。由于模型预测控制为区间最优控制，所以其求得的最优控制量是数量为预测区间除以采样间隔的序列。最优控制序列的第一个控制量与实际状态最接近，所以一般采用它来作为实际的控制量。

模型预测控制的基本原理为：在每一个采样时刻，根据预测模型对***未来代价函数进行预测，通过对未来预测区间内的性能指标进行优化，并根据实测对象的输出进行反馈校正，将控制策略设计转化为 优化过程，通过求解相应预测区间的优化问题得到控制序列，并将序列的第一个控制量作用于***，实现反馈控制 ，之后在下一个采样时刻，将预测区间向前推进一步，不断重复该过程。总结来说其包括三部分：预测模型，滚动优化和反馈控制。通过对未来***输入的预测可以实现对***的实时最优控制。

本控制策略的特色有两点。第一，随着汽车导航，数字化地图和智能交通***的发展，利用道路交通状况，对混合动力汽车速度模式和驱动装置工作点进行同时最优化。第二，前方有车辆的情况下，传统的固定车间距的控制算法现在还是主流，车间距离在最小值以上浮动的控制策略，提高了车辆速度变化的自由度，使混合动力汽车燃油经济性的提高有了可能。上述两大特色在控制策略设计中评价函数里有相应体现，为混合动力汽车***性能提高提供了更大可能性。

预测模型在已在上部分论述。

最优控制问题定义如式（5）所示。

                   (5)

式中T为预测区间。τ _M/G2max ，τ _M/G2min ，τ _M/G1max ，τ _M/G1min 和τ _brakemax  为控制量约束。

评价函数定义如式（6）所示。

  (6)

式中SOC _d  是目标蓄电池荷电状态。v _d  是车辆目标速度，它取值为车辆最优等速燃油经济性速度。w _x ，w _y ，w _z ，w _d ，w _e ，w _f ，w _g ，w _h ，w _i ，w _j  ，w _k  和w _l  是权重系数。 SOC _min , SOC _max , ω _engmax , ω _M/G2max , ω _M/G1min , ω _M/G1max , P _battmin , P _battmax ，τ _engmax  为参数约束. τ _engmax  随状态变化的控制量约束。参数p_p-，v_p-，d_min-和l分别是预测区间内车辆位置，速度，最小车间距和车长。预测区间内假设前方车辆速度一定。障碍函数用于处理***状态约束等。

4) 在线最优控制

为保证***的实时最优性能，运用基于哈密顿方程的数值快速求解方法来求解上述最优控制问题。由于其只需有限几次迭代就可以计算出数值方程的最优解，这种方法的在线性能很好。而且由于其基于哈密顿方程，这种解法的稳定性可以得到保证。解法具体来说，运用极小值原理将最优控制问题转化为两点边值问题，在处理哈密顿函数相关的微分方程组和代数方程组时采用部分空间法求解，这是一种GMRES解法。

在每个采样时刻，首先，测取车速，发动机转速，蓄电池荷电状态等实时状态信号，其次，利用全球定位***和智能交通***预测未来一定区间车辆及周围环境的状态，再次，根据建立的车辆模型和最优控制问题，利用上述数值快速解法求解预测区间内的最优控制序列。应用预测区间内的最优控制序列的第一个控制量于车辆。之后在下一个采样时刻，将预测区间向前推进一步，如此循环往复，实现在线最优控制。

第五步，权重参数调节

权重参数为第三步中评价函数内的权重系数，采用粒子群算法自动调节权重系数，具体来说，粒子群算法中的粒子为各项权重系数，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个极值来更新自己，第一个就是粒子本身所找到的最优解，这个解叫做个体极值，另一个极值是整个种群目前找到的最优解，这个极值是全局极值；

第六步，目标满足判断

满足目标的标准为汽车的燃油经济性收敛到最优值，具体来说，迭代上一次和本次燃油经济性误差在±%5内即认为满足目标。

Claims (1)

1.一种基于跟车模型的混合动力汽车节能预测控制方法，其特征在于：具体如下：

第一步，信息采集

通过全球定位***采集车辆的位置信息p，作为实时车辆状态的反馈；通过车载雷达测速装置采集前方车辆速度v_p-，用于跟踪控制；通过卡尔曼滤波器利用采集的蓄电池开路电压V _OC 、内阻R _batt 对蓄电池荷电状态进行估计；

第二步，车辆建模

基于混合动力汽车驱动***，根据车辆机械耦合和电子耦合关系，列写***动力学方程，对动力学方程进行解耦，从而获得车辆的状态空间数学模型如式（1）所示：

式中，x为状态量，u为控制量，S和R是太阳轮和齿圈齿数，τ _M/G1 ，τ _M/G2 ，τ _resist ，τ _brake 和τ _eng  是发电电动一体机一，发电电动一体机二，车辆行驶阻力，车辆摩擦制动和发动机转矩，ω _M/G1 ，ω _M/G2 和ω _eng 是发电电动一体机一，发电电动一体机二和发动机的角转速度；g _f 是主减速器速比；I _M/G1 ，I _M/G2 ，I _w 和I _eng 是发电电动一体机一，发电电动一体机二，车轮和发动机的转动惯量，r _w  是车轮半径，参数ρ，C _D ，A，m，g，μ和θ是空气密度，空气阻力系数，迎风面积，车辆质量，重力加速度，滚动阻力系数和道路坡度，参数p为车辆位置，x _SOC  为蓄电池荷电状态，V _OC ，R _batt 和Q _batt  是蓄电池开路电压，内阻和容量；

蓄电池功率 P _batt  由式（2）计算：

                            

道路坡度模型由S型函数分段线性近似，如式（3）所示：

                          

式中s ₁ ，s ₂ ，s ₃ ，s ₄ ，s ₅ 和s ₆ 是形函数参数；

车辆的燃油经济性评价采用威兰氏线性模型,如式（4）所示：

                             

式中m _f 为燃油消耗率，参数a，b，c，h，k和l 为常数；

第三步，公式化控制策略

首先检测混合动力车辆状态，其次运用第一步建立的空间数学模型和公式化控制策略求解最优的控制问题，然后应用所求得的最优控制序列的第一个控制量用于公式化控制，由于模型预测控制为区间最优控制，所以其求得的最优控制量是数量为预测区间除以采样间隔的序列，最优控制序列的第一个控制量与实际状态最接近，所以一般采用它来作为实际的控制量；

最优控制问题定义如式（5）所示：

                   

式中T为预测区间，τ _M/G2max ，τ _M/G2min ，τ _M/G1max ，τ _M/G1min 和τ _brakemax  为控制量约束；

评价函数定义如式（6）所示：

  

式中SOC _d  是目标蓄电池荷电状态，v _d  是车辆目标速度，它取值为车辆最优等速燃油经济性速度；w _x ，w _y ，w _z ，w _d ，w _e ，w _f ，w _g ，w _h ，w _i ，w _j  ，w _k  和w _l  是权重系数； SOC _min , SOC _max , ω _engmax , ω _M/G2max , ω _M/G1min , ω _M/G1max , P _battmin , P _battmax ，τ _engmax  为参数约束， τ _engmax  随状态变化的控制量约束，参数p_p-，v_p-，d_min-和l分别是预测区间内前方车辆位置，速度，最小车间距和车长，预测区间内假设前方车辆速度一定；

第四步，在线最优控制

解法具体来说，运用极小值原理将最优控制问题转化为两点边值问题，在处理哈密顿函数相关的微分方程组和代数方程组时采用部分空间法求解，这是一种GMRES解法，应用预测区间内的最优控制序列的第一个控制量于车辆，之后在下一个采样时刻，将预测区间向前推进一步，如此循环往复，实现在线最优控制；

第五步，权重参数调节

权重参数为第三步中评价函数内的权重系数，采用粒子群算法自动调节权重系数，具体来说，粒子群算法中的粒子为各项权重系数，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个极值来更新自己，第一个就是粒子本身所找到的最优解，这个解叫做个体极值，另一个极值是整个种群目前找到的最优解，这个极值是全局极值；

第六步，目标满足判断

满足目标的标准为汽车的燃油经济性收敛到最优值，具体来说，迭代上一次和本次燃油经济性误差在±%5内即认为满足目标。

Images