CN111196163B - 一种智能网联电动汽车能量最优制动速度优化方法 - Google Patents

Abstract

本发明公开一种智能网联电动汽车能量最优制动速度优化方法，首先，利用V2X技术获取制动距离、终端速度等信息，利用车载轮速传感器获取初始车速信息，上述信息实时传输至车载控制器；基于理想制动力分配曲线，设计前后轴制动力分配方法，设计同轴左右轮均分方法及电机制动力优先的电机和摩擦制动力耦合方法；然后，设计包含多约束的车速优化问题，采用电动汽车能耗模型建立能量目标函数，并利用动态规划算法计算能量最优制动速度。本发明方法利用智能网联汽车技术，实现电动汽车能量效率的提升，有利于改善电动汽车续驶里程较短的难题，助力电动汽车应用推广。

Description

一种智能网联电动汽车能量最优制动速度优化方法

技术领域

本发明属于交通节能控制领域，具体涉及一种智能网联电动汽车能量最优制动速度优化方法。

背景技术

随着汽车电子、网络通信、智能控制等领域发展，汽车与交通有机的融合为一个整体，有利于构建智慧的交通体系，促进汽车和交通服务的新模式新业态发展，对提高交通效率、节省资源、减少污染、降低事故发生率、改善交通管理具有重要意义。

其中，电动汽车因具备能量消耗少、无污染等优点，近些年得到广泛发展和研究，但是因为电池技术的限制，电动汽车续驶里程较短，难以满足日常驾驶需求，极大的约束了电动汽车应用场景。因为电动汽车具备再生制动功能，可以在制动时回收车辆动能，转化为电能存储于电池中，可提高电动汽车能量效率，延长续驶里程。

近些年随着智能网联汽车技术发展，汽车可以与万物进行信息交互与共享(V2X)，例如车车通信V2V、车路通信V2I、车人通信V2P、车网通信V2N等，可以与电动汽车再生制动技术相结合，提前获取制动意图，合理规划制动速度，将会实现再生制动能量的进一步提升，对于汽车节能驾驶、绿色通行、路口高效通行等先进控制技术的应用有着重要的意义，有效地提高交通安全性、汽车节能水平、交通通行效率。

发明内容

发明目的：本发明提供一种智能网联电动汽车能量最优制动速度优化方法，可以集成到汽车节能驾驶、绿色通行等先进控制技术中，提高节能效果。

技术方案：本发明所述的一种智能网联电动汽车能量最优制动速度优化方法，包括以下步骤：

(1)初始化：包含制动距离、终端速度、初始速度，控制单元初始化；

(2)制动意图获取：利用V2X技术获取制动距离、终端速度等信息，利用车载轮速传感器获取初始车速信息；

(3)再生制动控制策略设计：采用静态轴荷比例作为理想制动力分配曲线，分配前后轴制动力，同轴左右轮制动力采用均分策略，采用电机制动力优先的策略分配电机和摩擦制动力；

(4)电动汽车能耗模型设计：建立包含电机和电池的能量消耗模型，并考虑相关部件能量损耗特性；

(5)能量最优车速优化：以电动汽车制动能量最多为目标，综合行驶距离约束、车速上下界约束、保证舒适性的驱制动力约束，建立优化问题，并采用动态规划算法求解最优车速；

(6)电动汽车按照最优车速行驶，直至控制过程结束。

进一步地，所述步骤(3)的实现过程如下：

前后轴制动分配策略为：

β_I＝m_f/(m_f+m_r)

F_bf＝F_bβ_I

F_br＝F_b(1-β_I)

同轴左右轮制动力分配策略为：

F_fl＝F_fr＝0.5F_bf

F_rl＝F_rr＝0.5F_br

各车轮电机和摩擦制动力分配策略为：

F_mfl＝min{F_mflmax,F_fl}

F_ffl＝F_fl-F_mfl

F_mfr＝min{F_mfrmax,F_fr}

F_ffr＝F_fr-F_mfr

F_mrl＝min{F_mrlmax,F_rl}

F_frl＝F_rl-F_mrl

F_mrr＝min{F_mrrmax,F_rr}

F_frr＝F_rr-F_mrr

其中，四个车轮电机制动力分别为F_mfl、F_mfr、F_mrl、F_mrr，四个轮毂电机最大制动力分别为F_mflmax、F_mfrmax、F_mrlmax、F_mrrmax，四个车轮制动力分别为F_fl、F_fr、F_rl、F_rr，摩擦制动力为F_ffl、F_ffr、F_frl、F_frr，总制动力为F_b，前轴制动力为F_bf，后轴制动力为F_br，前后轴制动力分配系数为β_I，前轴重量为m_f，后轴重量为m_r，min()为取最小值函数；当电池荷电状态值大于0.9，车速大于120km/h时再生制动***不起作用，即制动力只由摩擦制动提供。

进一步地，所述步骤(4)实现过程如下：

电机回收功率为：

电池回收功率为：

P_b＝P_mη_b

其中，P_v为车辆功率，P_m为电机功率，P_b为电池功率，η_b为电池工作效率，η_m为电机工作效率，n为电机转速，r_w为车轮半径。

进一步地，步骤(5)所述的优化问题建立如下：

采用质点模型描述汽车纵向动力学模型：

其中，g为重力加速度，m为汽车质量，f为摩擦阻力系数，θ为道路坡度，C_D为空气阻力系数，ρ为空气密度，d为行驶距离，δ为汽车转动惯量换算系数，F为牵引力，x＝[d v]^T表示状态量；

则优化问题如下：

满足：

L[x(k),u(k),Δt]＝P_bΔt

x(0)＝[v_s，0]

x(N)＝[v_p，D」

v(k)∈[v_min，v_max]

u(k)∈[F_b(k)，F_d(k)]

其中，定义汽车回收能量为J，优化问题控制量为u，初始车速为v_s，终端车速为v_p，最小车速为v_min，最大车速为v_max，优化问题长度为N，最大驱动力为F_d，最大制动力为F_b。

进一步地，步骤(5)所述的采用动态规划算法求解最优车速实现过程如下：

定义动态规划算法终端代价函数为：

其中arg min()表示取最小值时控制量和状态量函数；

定义动态规划逆向迭代代价函数为：

通过求解上述方程，即可获得满足优化要求的最优车速。

有益效果：与现有技术相比，本发明的有益效果为：1、本发明考虑智能网联汽车技术优势，结合电动汽车再生制动特点，针对较为典型的交通场景，采用成熟的信息获取方法，基于获知的制动意图信息，合理规划能量最优的制动车速；2、本发明采用动态规划算法，可以实现车速、加/减速度、道路附着等多约束条件下的，能量最优车速优化；3、本发明可以集成到汽车节能驾驶、绿色通行等先进控制技术中，提高节能效果。

附图说明

图1是本发明的流程图；

图2是本发明的应用场景图。

具体实施方式

下面结合附图对本发明作进一步详细的说明。

智能网联汽车，能够实现车-车、车-路等通信，同时具备高性能控制器、雷达、GPS等，能够实现智能驾驶。

在接近目的地、前方车辆行驶缓慢、到达路口等交通场景中，行驶车速的变化影响电动汽车能量消耗，因为电动汽车具备再生制动功能，能够在制动过程回收车辆动能，所以上述场景中进行制动控制有利于提升能量效率。为保证尽可能多的在制动过程中发挥电机制动力回收能量，电动汽车获取制动意图信息后，将依据优化的能量最优车速行驶，直至到达目的地。

图2中0表示初始阶段，N表示终端阶段。该发明首先利用V2X通讯获取制动距离D、终端速度v_p等意图信息，利用车载轮速传感器获取初始车速信息v_s，具体如图2所示；然后设计包含多约束条件、电动汽车能耗模型、再生制动控制方法等的制动能量最优问题；接着采用动态规划算法求解上述问题，获取能量最优车速，电动汽车执行该车速直至制动过程结束。

借助于图2场景详细说明本发明执行过程。如图1所示，本发明所述的一种智能网联电动汽车能量最优制动速度优化方法，具体包括以下步骤：

初始化：初始化制动距离为0、终端速度为0、初始速度为0/控制单元初始化。

第一步：制动意图获取；利用V2X技术获取制动距离D、终端速度v_p等信息，利用车载轮速传感器获取初始车速信息。

信息获取方法为：

初始车速信息由车载轮速传感器获取，轮速传感器装与车辆上，属于车辆必备传感器；制动距离和终端车速信息通过V2X通信获取，如属于是目的地停车的场景信息可以通过车-云端通信获取，属于是跟车制动的场景信息可以通过车-车通信获取。

第二步：再生制动控制策略设计；采用静态轴荷比例作为理想制动力分配曲线，分配前后轴制动力，同轴左右轮制动力采用均分策略，采用电机制动力优先的策略分配电机和摩擦制动力。

再生制动控制方法为：

定义四个车轮电机制动力分别为F_mfl、F_mfr、F_mrl、F_mrr，四个轮毂电机最大制动力分别为F_mflmax、F_mfrmax、F_mrlmax、F_mrrmax，四个车轮制动力分别为F_fl、F_fr、F_rl、F_rr，摩擦制动力为F_ffl、F_ffr、F_frl、F_frr，总制动力为F_b，前轴制动力为F_bf，后轴制动力为F_br，前后轴制动力分配系数为β_I，前后重量为m_f，后轴重量为m_r，min()为取最小值函数。

则前后轴制动分配策略为：

β_I＝m_f/(m_f+m_r)

F_bf＝F_bβ_I

F_br＝F_b(1-β_I)

则同轴左右轮制动力分配策略为：

F_fl＝F_fr＝0.5F_bf

F_rl＝F_rr＝0.5F_br

则各车轮电机和摩擦制动力分配策略为：

F_mfl＝min{F_mflmax,F_fl}

F_ffl＝F_fl-F_mfl

F_mfr＝min{F_mfrmax,F_fr}

F_ffr＝F_fr-F_mfr

F_mrl＝min{F_mrlmax,F_rl}

F_frl＝F_rl-F_mrl

F_mrr＝min{F_mrrmax,F_rr}

F_frr＝F_rr-F_mrr

此外当电池荷电状态值大于0.9，车速大于120km/h时再生制动***不起作用，即制动力只由摩擦制动提供。

第三步，电动汽车能耗模型设计；建立包含电机和电池的能量消耗模型，并考虑相关部件能量损耗特性。

电动汽车能量模型为：

定义车辆功率为P_v，电机功率为P_m，电池功率为P_b，电池工作效率为η_b，电机工作效率为η_m，电机转速为n，车轮半径为r_w。

则电机回收功率为：

则电池回收功率为：

P_b＝P_mη_b

第四步：能量最优车速优化；以电动汽车制动能量最高为目标，综合行驶距离约束、车速上下界约束、保证舒适性的驱制动力约束，建立优化问题，并采用动态规划算法求解最优车速。

能量最优车速优化方法为：

定义g为重力加速度，m为汽车质量，f为摩擦阻力系数，θ为道路坡度，C_D为空气阻力系数，ρ为空气密度，d为行驶距离，δ为汽车转动惯量换算系数，F为牵引力(正值为驱动力，负值为制动力)，x＝[d v]^T表示状态量，采用质点模型描述汽车纵向动力学模型：

定义汽车回收能量为J，优化问题控制量为u，初始车速为v_s，终端车速为v_p，最小车速为v_min，最大车速为v_max，优化问题长度为N，最大驱动力为F_d(由路面附着和驱动舒适性决定)，最大制动力为F_b(由路面附着和制动舒适性决定)，则优化问题如下：

满足：

L[x(k),u(k),Δt]＝P_bΔt

x(0)＝[v_s，0]

x(N)＝[v_p，D」

v(k)∈[v_min，v_max]

u(k)∈[F_b(k)，F_d(k)]

定义动态规划算法终端代价函数为：

其中arg min()表示取最小值时控制量和状态量函数。

定义动态规划逆向迭代代价函数为：

通过求解上述方程，即可获得满足优化要求的最优车速。

结束：电动汽车按照最优车速行驶，直至控制过程结束。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。

本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (4)

1.一种智能网联电动汽车能量最优制动速度优化方法，其特征在于，包括以下步骤：

(1)初始化：包含制动距离、终端速度、初始速度，控制单元初始化；

(2)制动意图获取：利用V2X技术获取制动距离、终端速度，利用车载轮速传感器获取初始车速信息；

(3)再生制动控制策略设计：采用静态轴荷比例作为理想制动力分配曲线，分配前后轴制动力，同轴左右轮制动力采用均分策略，采用电机制动力优先的策略分配电机和摩擦制动力；

(4)电动汽车能耗模型设计：建立包含电机和电池的能量消耗模型，并考虑电机和电池能量损耗特性；

(5)能量最优车速优化：以电动汽车制动能量最多为目标，综合行驶距离约束、车速上下界约束、保证舒适性的驱制动力约束，建立优化问题，并采用动态规划算法求解最优车速；

(6)电动汽车按照最优车速行驶，直至控制过程结束；

步骤(5)所述的优化问题建立如下：

采用质点模型描述汽车纵向动力学模型：

其中，g为重力加速度，m为汽车质量，f为摩擦阻力系数，θ为道路坡度，C_D为空气阻力系数，ρ为空气密度，d为行驶距离，δ为汽车转动惯量换算系数，F为牵引力，x＝[d v]^T表示状态量；

则优化问题如下：

满足：

L[x(k),u(k),△t]＝P_b△t

x(0)＝[v_s，0]

x(N)＝[v_p，D]

v(k)∈[v_min，v_max]

u(k)∈[F_b(k)，F_d(k)]

其中，定义汽车回收能量为J，优化问题控制量为u，初始车速为v_s，终端车速为v_p，最小车速为v_min，最大车速为v_max，优化问题长度为N，最大驱动力为F_d，最大制动力为F_b。

2.根据权利要求1所述的一种智能网联电动汽车能量最优制动速度优化方法，其特征在于，所述步骤(3)的实现过程如下：

前后轴制动分配策略为：

β_I＝m_f/(m_f+m_r)

F_bf＝F_bβ_I

F_br＝F_b(1-β_I)

同轴左右轮制动力分配策略为：

F_fl＝F_fr＝0.5F_bf

F_rl＝F_rr＝0.5F_br

各车轮电机和摩擦制动力分配策略为：

F_mfl＝min{F_mflmax,F_fl}

F_ffl＝F_fl-F_mfl

F_mfr＝min{F_mfrmax,F_fr}

F_ffr＝F_fr-F_mfr

F_mrl＝min{F_mrlmax,F_rl}

F_frl＝F_rl-F_mrl

F_mrr＝min{F_mrrmax,F_rr}

F_frr＝F_rr-F_mrr

其中，四个车轮电机制动力分别为F_mfl、F_mfr、F_mrl、F_mrr，四个轮毂电机最大制动力分别为F_mflmax、F_mfrmax、F_mrlmax、F_mrrmax，四个车轮制动力分别为F_fl、F_fr、F_rl、F_rr，摩擦制动力为F_ffl、F_ffr、F_frl、F_frr，总制动力为F_b，前轴制动力为F_bf，后轴制动力为F_br，前后轴制动力分配系数为β_I，前轴重量为m_f，后轴重量为m_r，min{} 为取最小值函数；当电池荷电状态值大于0.9，车速大于120km/h时再生制动***不起作用，即制动力只由摩擦制动提供。

3.根据权利要求1所述的一种智能网联电动汽车能量最优制动速度优化方法，其特征在于，所述步骤(4)实现过程如下：

电机回收功率为：

电池回收功率为：

P_b＝P_mη_b

其中，P_v为车辆功率，P_m为电机功率，P_b为电池功率，η_b为电池工作效率，η_m为电机工作效率，n为电机转速，r_w为车轮半径。

4.根据权利要求1所述的一种智能网联电动汽车能量最优制动速度优化方法，其特征在于，步骤(5)所述的采用动态规划算法求解最优车速实现过程如下：

定义动态规划算法终端代价函数为：

其中arg min()表示取最小值时控制量和状态量函数；

定义动态规划逆向迭代代价函数为：

通过求解上述方程，即可获得满足优化要求的最优车速。

Images