CN104249736A

CN104249736A - 基于队列行驶的混合动力汽车节能预测控制方法

Info

Publication number: CN104249736A
Application number: CN201410420797.0A
Authority: CN
Inventors: 余开江; 胡治国; 许孝卓; ***; 王莉; 杨俊起; 荆鹏辉
Original assignee: Henan University of Technology
Current assignee: Henan University of Technology
Priority date: 2014-08-25
Filing date: 2014-08-25
Publication date: 2014-12-31
Anticipated expiration: 2034-08-25
Also published as: CN104249736B

Abstract

本发明公开了一种基于队列行驶的混合动力汽车节能预测控制方法，包括从全球定位***和智能交通***获取实时自车和前车交通信息作为***输入；建立混合动力汽车数学模型为预测未来车辆状态依据；定义混合动力汽车队列行驶最优控制问题，提供求解最优控制量函数方程；实时反馈最优控制，求解最优控制量，在满足安全间距下，根据全球定位***，雷达，智能交通***和车间通信***获得信息在线调整优化混合动力汽车能量流动，获得混合动力汽车***最优性能，运用行星齿轮机构为电子无极变速器，使发动机始终工作于最佳工作点，运用道路交通信息，预测前车行驶状态，在线调整混合动力汽车能量流动，达到节能减排目标，不同于传统固定车头时距控制方法,为混合动力汽车能量管理***中央控制器性能提高提供了新途径。

Description

基于队列行驶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队列行驶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，特别是汽车保有量的迅速增长，推动新能源汽车和智能交通***的发展。为解决交通拥堵，环境恶化和交通事故三大问题，本发明提出了基于队列行驶的混合动力汽车节能预测控制方法。车辆队列行驶技术指多个车辆以较小的车间距离以一个队列行驶的技术。这种技术可以极大改善车辆周围的气动特性，减少其空气阻力，增强交通安全性，并可有效提高车辆的燃油经济性。另一方面，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方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和智能交通***的研发给予了高度重视，并取得了一些重大的成果和进展。1997年，在由美国交通部主办的智能交通***展示会上，展示了由8辆车组成的队列行驶技术。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。本发明人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方法的实际应用问题。

在此背景下，提高能源利用效率，减少汽车对环境的污染和增强交通安全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，需要开发出一种基于队列行驶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

针对上述问题，本发明的目的在于提供一种能够对未来车辆工况进行实时预测的基于队列行驶的混合动力汽车模型预测方法，以达到最大限度地节能减排，使之成为产业化混合动力汽车能量管理中央控制器。

为实现上述目的，本发明采取以下技术方案：一种基于队列行驶的混合动力汽车节能预测控制方法，第一步为信息采集，第二步为车辆建模，第三步为公式化控制策略，第四步为在线最优控制；其特征在于：包括以下步骤：

1)信息采集：

由全球定位***采集前车和自车的位置信息，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***和车间通信***采集交通信号信息，实时路况信息以及自车和前车速度，加速度信息，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：

行星齿轮式混联混合动力汽车包含5大动态部件，它们是发动机，蓄电池，2个发电电动一体机和车轮。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，列写***动力学方程，对动力学方程解耦，最终获得***的状态空间模型，如式(1)所示：

\begin{matrix} x = [p_{1} v_{1} w_{1} {SOC}_{1} p_{2} v_{2} w_{2} {SOC}_{2}] \\ u = [u_{1} u_{2} P_{batt 1} P_{batt 1}] \\ x = f (x, u) \\ f (x, u) = [\begin{matrix} v_{1} \\ w_{1} - \frac{1}{2} ρ C_{D 1} A_{1} {v_{1}}^{2} / m_{1} - 9.8 μ - 9.8 \sin θ_{1} \\ kp * (u_{1} - w_{1}) \\ - \frac{V_{\max 1} - \sqrt{V_{\max 1}^{2} - 4 P_{batt 1} R_{batt 1}}}{2 R_{batt 1} Q_{batt 1}} \\ v_{2} \\ w_{2} - \frac{1}{2} ρ C_{D 2} A_{2} {v_{2}}^{2} / m_{2} - 9.8 μ - 9.8 \sin θ_{2} \\ kp * (u_{2} - w_{2}) \\ - \frac{V_{\max 2} - \sqrt{V_{\max 2}^{2} - 4 P_{batt 2} R_{batt 2}}}{2 R_{batt 2} Q_{batt 2}} \end{matrix}] \end{matrix} - - - (1)

式中，x为状态量，u为控制量。参数p₁，v₁，w₁和SOC₁为自车的位置，速度，考虑延迟的驱动加速度和蓄电池荷电状态。参数p₂，v₂，w₂和SOC₂为前车的位置，速度，考虑延迟的驱动加速度和蓄电池荷电状态。参数u₁，u₂，P_batt1和P_batt2为自车的驱动加速度，前车的驱动加速度，自车蓄电池的充放电功率和前车蓄电池的充放电功率。参数ρ，C_D1，C_D2，A₁，A₂，m₁，m₂，g，μ，θ₁和θ₂是空气密度，自车空气阻力系数，前车空气阻力系数，自车迎风面积，前车迎风面积，自车质量，前车质量，重力加速度，滚动阻力系数，自车道路坡度和前车道路坡度。V_OC，R_batt和Q_batt是蓄电池开路电压，内阻和容量。

车辆的燃油经济性评价采用威兰氏线性模型,如式(2)所示：

.m_f(t)＝.m_f(P_req(t)-P_batt(t))≈c_f(P_req(t)-P_batt(t)) (2)

式中m_f为燃油消耗率。参数P_req为车辆需求功率。c_f为常数参数。

3)公式化控制策略：

基于队列行驶的混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测自车和前车状态，包括位置，速度和加速度信息，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，车间通信技术和智能交通***的发展，利用道路交通状况，对混合动力汽车速度模式进行最优化。第二，前方有车辆的情况下，传统的固定车间距的控制方法现在还是主流，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(3)所示：

\begin{matrix} \min imize & J = {&Integral;}_{t}^{t + T} L (x (τ | t), u (τ | t)) dτ \\ subject to & P_{batt 1 \min} \leq P_{batt 1} (τ | t) \leq P_{batt 1 \max} \\ u_{1 \min} \leq u_{1} (τ | t) \leq u_{1 \max} \\ P_{batt 2 \min} \leq P_{batt 2} (τ | t) \leq P_{batt 2 \max} \\ u_{2 \min} \leq u_{2} (τ | t) \leq u_{2 \max} \end{matrix} - - - (3)

式中T为预测区间。参数P_batt1min，P_batt1max，P_batt2min，P_batt2max，u_1max，u_1min，u_2max和u_2min为控制量约束。

评价函数定义如式(4)所示：

\begin{matrix} L = w_{x} L_{x} + w_{y} L_{y} + w_{z} L_{z} + w_{d} L_{d} + w_{e} L_{e} + w_{f} L_{f} + w_{r} L_{r} \\ L_{x} = {(w_{1} - \frac{1}{2} ρ C_{D 1} A_{1} {v_{1}}^{2} / m_{1} - 9.8 * μ)}^{2} / 2 + {(w_{2} - \frac{1}{2} ρ C_{D 2} A_{2} {v_{2}}^{2} / m_{1} - 9.8 * μ)}^{2} / 2 \\ L_{y} = {(v_{1} - v_{d})}^{2} / 2 + {(v_{2} - v_{d})}^{2} / 2 \\ L_{z} = 0.0874 * (m_{1} * w_{1} * v_{1} / 1000 - P_{batt 1}) / (1 + e^{- 0.5 * (m_{1} * w_{1} * v_{1} / 1000 - P_{batt 1})}) \\ + 0.0874 * (m_{2} * w_{2} * v_{2} / 1000 - P_{batt 2}) / (1 + e^{- 0.5 * (m_{2} * w_{2} * v_{2} / 1000 - P_{batt 2})}) \\ L_{d} = {({SOC}_{1} - {SOC}_{d})}^{2} + {({SOC}_{2} - {SOC}_{d})}^{2} \\ L_{e} = {(m_{1} * w_{1} * v_{1} / 1000 - P_{batt 1})}^{2} / 2 + {(m_{2} * w_{2} * v_{2} / 1000 - P_{batt 2})}^{2} / 2 \\ L_{f} = (- \ln [{SOC}_{1} - 0.6] - \ln [0.8 - {SOC}_{1}]) + (- \ln [{SOC}_{2} - 0.6] - \ln [0.8 - {SOC}_{2}]) \\ L_{r} = - \ln (d - d_{d}) \end{matrix} - - - (4)

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，和w_r是权重系数。d_d为最低车辆间距，评价函数设置使其在最低车辆间距以上浮动，从而增加控制自由度，提高车辆燃油经济性。障碍函数用于处理***状态约束。

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，测取前车位置，自车位置，前车速度，自车速度，前车加速度，自车加速度，前车蓄电池荷电状态和自车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。

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进行最优化。不同于传统方法中假定速度模式给定已知的情况。

2)前方有车辆的情况下，传统的固定车间距的控制方法现在还是主流。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)提出了基于队列行驶的混合动力汽车集中控制模型，为混合动力汽车队列行驶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，排放性能和安全性能。

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1中：1、发动机；2、动力分配器；3、发电机；4、蓄电池；5、逆变器；6电动机；7、主减速器。

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

以下结合技术方案和附图详细叙述本发明的具体实施方式。

如图所示，本发明公开了一种基于队列行驶的混合动力汽车节能预测控制方法，包括以下步骤：从全球定位***和智能交通***获取实时自车和前车交通信息作为***输入；建立混合动力汽车数学模型作为预测未来车辆状态的依据；定义混合动力汽车队列行驶最优控制问题，提供求解最优控制量的函数方程；实时反馈最优控制，求解最优控制量。本发明在满足安全间距的情况下，采用一种基于队列行驶的混合动力汽车节能预测控制方法，根据全球定位***，雷达，智能交通***和车间通信***获得的信息在线调整优化混合动力汽车能量流动，进而可以获得混合动力汽车***最优性能。该方法运用行星齿轮机构作为电子无极变速器，使发动机始终工作于其最佳工作点。同时，运用道路交通信息，预测前车行驶状态，在线调整混合动力汽车能量流动，达到节能减排的目标。另外，本发明不同于传统的固定车头时距控制方法,可应用于实际车辆的实时控制，为混合动力汽车能量管理***中央控制器性能提高提供了一种新途径。

图1是本发明行星齿轮式混联混合动力驱动***结构示意图，主要包括：发动机1；动力分配器2；发电机3；蓄电池4；逆变器5；电动机6；主减速器7。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。结构图中包含混合动力汽车包含5大动态部件。它们是发动机，蓄电池，2个发电电动一体机和车轮。电动机通过主减速器与车轮相连，传递***动力。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。行星齿轮机械耦合发动机和2个发电电动一体机。逆变器电气耦合蓄电池和2个发电电动一体机。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。本发明控制方法为***软件，图1所示为***硬件。

图2是揭示了整个控制方法的过程。采集的信息作为***模型的输入。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。车辆建模为公式化模型预测控制策略提供预测未来车辆状态所需要的模型。公式化控制策略为在线最优控制提供需要求解的函数方程。

图3为本发明具体控制方法的整个过程。由全球定位***通过车辆位置查询得到车辆所在位置的道路坡度。目标蓄电池荷电状态发生器根据道路坡度产生目标蓄电池荷电状态。由智能交通***获得前方车辆位置，速度和交通信息。测取的车辆状态，道路坡度信息，前方车辆位置和速度以及交通信息，目标蓄电池荷电状态，目标车辆速度输入模型预测控制器，模型预测控制器根据车辆***模型，求解最优控制问题，得到最优控制量，并作用于车辆。

实施例：

以行星齿轮式混联混合动力驱动***为例进行说明，如图1所示；本发明方法第一步为信息采集，第二步为车辆建模，第三步为公式化控制策略，第四步为在线最优控制。

该方法的原理如图2所示，具体控制方法包括以下步骤：

1)信息采集：

由全球定位***采集前车和自车的位置信息，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***和车间通信***采集交通信号信息，实时路况信息以及自车和前车速度，加速度信息，用于智能交通控制。由卡尔曼滤波器利用采集的蓄电池4信息对蓄电池荷电状态进行估计。

2)车辆建模：

行星齿轮式混联混合动力汽车包含5大动态部件。它们是发动机1，蓄电池4，发电机3，电动机6和车轮。动力分配器2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。

\begin{matrix} x = [p_{1} v_{1} w_{1} {SOC}_{1} p_{2} v_{2} w_{2} {SOC}_{2}] \\ u = [u_{1} u_{2} P_{batt 1} P_{batt 1}] \\ x = f (x, u) \\ f (x, u) = [\begin{matrix} v_{1} \\ w_{1} - \frac{1}{2} ρ C_{D 1} A_{1} {v_{1}}^{2} / m_{1} - 9.8 μ - 9.8 \sin θ_{1} \\ kp * (u_{1} - w_{1}) \\ - \frac{V_{\max 1} - \sqrt{V_{\max 1}^{2} - 4 P_{batt 1} R_{batt 1}}}{2 R_{batt 1} Q_{batt 1}} \\ v_{2} \\ w_{2} - \frac{1}{2} ρ C_{D 2} A_{2} {v_{2}}^{2} / m_{2} - 9.8 μ - 9.8 \sin θ_{2} \\ kp * (u_{2} - w_{2}) \\ - \frac{V_{\max 2} - \sqrt{V_{\max 2}^{2} - 4 P_{batt 2} R_{batt 2}}}{2 R_{batt 2} Q_{batt 2}} \end{matrix}] \end{matrix} - - - (1)

式中，x为状态量，u为控制量。参数p₁，v₁，w₁和SOC₁为自车的位置，速度，考虑延迟的驱动加速度和蓄电池4荷电状态。参数p₂，v₂，w₂和SOC₂为前车的位置，速度，考虑延迟的驱动加速度和蓄电池4荷电状态。参数u₁，u₂，P_batt1和P_batt2为自车的驱动加速度，前车的驱动加速度，自车蓄电池4的充放电功率和前车蓄电池4的充放电功率。参数ρ，C_D1，C_D2，A₁，A₂，m₁，m₂，g，μ，θ₁和θ₂是空气密度，自车空气阻力系数，前车空气阻力系数，自车迎风面积，前车迎风面积，自车质量，前车质量，重力加速度，滚动阻力系数，自车道路坡度和前车道路坡度。V_OC，R_batt和Q_batt是蓄电池4开路电压，内阻和容量。

车辆的燃油经济性评价采用威兰氏线性模型,如式(2)所示：

.m_f(t)＝.m_f(P_req(t)-P_batt(t))≈c_f(P_req(t)-P_batt(t)) (2)

3)公式化控制策略：

基于队列行驶的混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测自车和前车状态，包括位置，速度和加速度信息，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。

本控制策略的特色有两点。第一，随着汽车导航，数字化地图，车间通信技术和智能交通***的发展，利用道路交通状况，对混合动力汽车速度模式进行最优化。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(3)所示：

\begin{matrix} \min imize & J = {&Integral;}_{t}^{t + T} L (x (τ | t), u (τ | t)) dτ \\ subject to & P_{batt 1 \min} \leq P_{batt 1} (τ | t) \leq P_{batt 1 \max} \\ u_{1 \min} \leq u_{1} (τ | t) \leq u_{1 \max} \\ P_{batt 2 \min} \leq P_{batt 2} (τ | t) \leq P_{batt 2 \max} \\ u_{2 \min} \leq u_{2} (τ | t) \leq u_{2 \max} \end{matrix} - - - (3)

评价函数定义如式(4)所示。

\begin{matrix} L = w_{x} L_{x} + w_{y} L_{y} + w_{z} L_{z} + w_{d} L_{d} + w_{e} L_{e} + w_{f} L_{f} + w_{r} L_{r} \\ L_{x} = {(w_{1} - \frac{1}{2} ρ C_{D 1} A_{1} {v_{1}}^{2} / m_{1} - 9.8 * μ)}^{2} / 2 + {(w_{2} - \frac{1}{2} ρ C_{D 2} A_{2} {v_{2}}^{2} / m_{1} - 9.8 * μ)}^{2} / 2 \\ L_{y} = {(v_{1} - v_{d})}^{2} / 2 + {(v_{2} - v_{d})}^{2} / 2 \\ L_{z} = 0.0874 * (m_{1} * w_{1} * v_{1} / 1000 - P_{batt 1}) / (1 + e^{- 0.5 * (m_{1} * w_{1} * v_{1} / 1000 - P_{batt 1})}) \\ + 0.0874 * (m_{2} * w_{2} * v_{2} / 1000 - P_{batt 2}) / (1 + e^{- 0.5 * (m_{2} * w_{2} * v_{2} / 1000 - P_{batt 2})}) \\ L_{d} = {({SOC}_{1} - {SOC}_{d})}^{2} + {({SOC}_{2} - {SOC}_{d})}^{2} \\ L_{e} = {(m_{1} * w_{1} * v_{1} / 1000 - P_{batt 1})}^{2} / 2 + {(m_{2} * w_{2} * v_{2} / 1000 - P_{batt 2})}^{2} / 2 \\ L_{f} = (- \ln [{SOC}_{1} - 0.6] - \ln [0.8 - {SOC}_{1}]) + (- \ln [{SOC}_{2} - 0.6] - \ln [0.8 - {SOC}_{2}]) \\ L_{r} = - \ln (d - d_{d}) \end{matrix} - - - (4)

式中SOC_d是目标蓄电池4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，和w_r是权重系数。d_d为最低车辆间距，评价函数设置使其在最低车辆间距以上浮动，从而增加控制自由度，提高车辆燃油经济性。障碍函数用于处理***状态约束等。

4)在线最优控制：

在每个采样时刻，首先，测取前车位置，自车位置，前车速度，自车速度，前车加速度，自车加速度，前车蓄电池4荷电状态和自车蓄电池4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。

本发明同样适用于其他形式混合动力汽车驱动***，具体建模方法与控制过程与行星齿轮式混联混合动力汽车驱动***一致，在此不再赘述。

Claims

1.一种基于队列行驶的混合动力汽车节能预测控制方法，其特征在于：

第一步为信息采集，第二步为车辆建模，第三步为公式化控制策略，第四步为在线最优控制；具体包括以下步骤：

1)信息采集：

由全球定位***采集前车和自车的位置信息，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***和车间通信***采集交通信号信息，实时路况信息以及自车和前车速度，加速度信息，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：

行星齿轮式混联混合动力汽车包含5大动态部件，它们是发动机，蓄电池，2个发电电动一体机和车轮，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，列写***动力学方程，对动力学方程解耦，最终获得***的状态空间模型，如式(1)所示：

式中，x为状态量，u为控制量；参数p₁，v₁，w₁和SOC₁为自车的位置，速度，考虑延迟的驱动加速度和蓄电池荷电状态；参数p₂，v₂，w₂和SOC₂为前车的位置，速度，考虑延迟的驱动加速度和蓄电池荷电状态；参数u₁，u₂，P_batt1和P_batt2为自车的驱动加速度，前车的驱动加速度，自车蓄电池的充放电功率和前车蓄电池的充放电功率；参数ρ，C_D1，C_D2，A₁，A₂，m₁，m₂，g，μ，θ₁和θ₂是空气密度，自车空气阻力系数，前车空气阻力系数，自车迎风面积，前车迎风面积，自车质量，前车质量，重力加速度，滚动阻力系数，自车道路坡度和前车道路坡度；V_OC，R_batt和Q_batt是蓄电池开路电压，内阻和容量；

车辆的燃油经济性评价采用威兰氏线性模型,如式(2)所示：

.m_f(t)＝.m_f(P_req(t)-P_batt(t))≈c_f(P_req(t)-P_batt(t)) (2)

式中m_f为燃油消耗率，参数P_req为车辆需求功率，c_f为常数参数；

3)公式化控制策略：

基于队列行驶的混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测自车和前车状态，包括位置，速度和加速度信息，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，所以采用它来作为实际的控制量；

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 ***输入的预测实现对***的实时最优控制；

最优控制问题定义如式(3)所示：

式中T为预测区间，参数P_batt1min，P_batt1max，P_batt2min，P_batt2max，u_1max，u_1min，u_2max和u_2min为控制量约束，

评价函数定义如式(4)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，和w_r是权重系数，d_d为最低车辆间距，评价函数设置使其在最低车辆间距以上浮动，从而增加控制自由度，提高车辆燃油经济性，障碍函数用于处理***状态约束；

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计算出数值方程的最优解，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，测取前车位置，自车位置，前车速度，自车速度，前车加速度，自车加速度，前车蓄电池荷电状态和自车蓄电池荷电状态实时状态信号，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。