发明内容
针对现有技术中存在不足,本发明提供了一种考虑电机能耗的能量最优自适应巡航控制方法及***,解决现有经济巡航控制技术中存在的计算量大难以在线实施、经济性评价指标选择不当以及未考虑前车扰动的问题。
本发明是通过以下技术手段实现上述技术目的的。
一种考虑电机能耗的能量最优自适应巡航控制方法,前车车速预测模块基于滚动车速序列法和车速预测算法,使用前车历史车速信息对前车车速进行在线预测,并将预测车速转化为预测加速度,作为扰动引入至能量最优自适应巡航控制器;基于接收到的车辆行驶状态信息以及离线获得的电机能耗模型,能量最优自适应巡航控制器建立经济性评价指标、跟踪性评价指标、舒适性评价指标以及安全性约束条件,基于自适应权重参数以综合考虑上述各性能指标并适应不同行驶工况下的性能需求,构造待优化问题的目标函数及其约束条件,求出最优转矩经执行机构作用至受控车辆,完成受控车辆的跟驰行驶。
进一步,所述经济性评价指标为:
其中:电机能耗模型f(ni,Ti)=a0+a1·n+a2·T+a3·n2+a4·T2+a5·n·T,n为电机转速,T为电机转矩,Ts为预测方程离散化时所使用的时间间隔,Np为模型预测控制算法的预测时域时长,a0、a1、a2、a3、a4、a5均为拟合系数。
进一步,所述预测加速度
Np,
为预测的前车车速,T
s为预测方程离散化时所使用的时间间隔,N
p为模型预测控制算法的预测时域时长,v
previous为上一时刻的前车车速。
进一步,所述待优化问题的目标函数及其约束条件为:
Loss=w1·peconomy+w2·ptracking+w3·pcomfort+ρε2
s.t.ΔTmin-ε1<ΔT(i)<ΔTmax+ε1
ahmin-ε2<ah(i)<ahmax+ε2
xrel(i)>dmin-ε3
εmin<ε<εmax
其中:Ptracking为跟踪性评价指标,Pcomfort为舒适性评价指标,w1、w2、w3为自适应权重参数,ρ为松弛因子的权重参数,ε1、ε2、ε3为松弛变量,△T为受控车辆的转矩增量,ah为受控车辆的加速度,dmin为两车静止时的最小车间距,xrel为受控车辆与前方目标跟弛车辆之间的间距;
所述自适应权重参数表现为:当车速较低,增加跟踪性指标的权重参数w2;当车速较高时,增加经济性指标的权重参数w1;当车辆制动时,增加经济性指标的权重参数w1。
进一步,所述行驶状态信息包括受控车辆与前方目标跟弛车辆之间的间距xrel(t)、相对车速vrel(t)和预测加速度。
进一步,所述滚动车速序列法具体为:获取新的前车车速时,舍弃掉上一时刻获得的前车历史车速序列中的第一个车速,各时刻的车速前移一位,将新的前车车速作为车速序列的最后一位,完成前车历史车速序列的更新。
一种考虑电机能耗的能量最优自适应巡航控制***,其特征在于,包括:
状态监测模块,包括以此进行信号传输的状态获取单元、状态计算单元和状态存储单元,状态获取单元将受控车辆与前车的相对车速vrel(t)、受控车辆的车速vh(t)传输给状态计算单元,状态计算单元计算得到前车车速vp(t),状态存储单元将前车车速vp(t)保存至前车车速序列[vp(1),…,vp(t)]中,并将所述序列输入前车车速预测模块;
前车车速预测模块,包括车速预处理单元和车速预测单元,车速预处理单元获取当前时刻之前一段固定时长的前车历史车速序列,所述前车历史车速序列作为车速预测单元的输入,车速预测单元输出预测车速序列,所述预测车速序列转化为预测加速度序列,并作为扰动输入能量最优自适应巡航控制器;
能量最优自适应巡航控制器,接收车辆行驶状态信息,并基于离线获得的电机能耗模型,建立经济性评价指标Peconomy、跟踪性评价指标Ptrack、舒适性评价指标Pcomfort、安全性约束条件,构造待优化问题的目标函数及其约束条件,求出最优转矩控制增量序列及其对应的最优转矩序列,将最优转矩序列的第一个元素Tdes(1)输入至执行模块;
执行模块,包括驱动/制动识别单元、计算单元和执行机构,驱动/制动识别单元根据最优转矩序列的第一个元素,判断当前时刻是处于驱动模式还是制动模式,确定执行机构是电机还是液压执行***;所述计算单元用于将期望的制动转矩Tdes(1)等效计算为期望的液压压强Phyd-des。
所述执行机构包括:
电机,用于对期望的制动转矩进行外特性限制,并提供动态转矩Tfact;
液压执行***,用于提供液压制动力Thyd-fact,以实现对电制动力的补偿。
本发明的有益效果为:
(1)本发明的能量最优自适应巡航控制方法,基于接收到的车辆行驶状态信息以及离线获得的电机能耗模型,能量最优自适应巡航控制器建立经济性评价指标,同时建立跟踪性评价指标、舒适性等评价指标和安全性约束条件,基于自适应权重参数以综合考虑不同行驶工况下的性能需求,构造待优化问题的目标函数及其约束条件,求出最优转矩,经执行执行机构作用至受控车辆,完成受控车辆的跟驰行驶;本发明中的经济性评价指标基于电机能耗模型,可以提高电机的工作效率,改善电机的工作区间。
(2)本发明的自适应权重参数根据车辆的不同行驶工况进行自适应调节,具体为:当车速较低,增加跟踪性指标的权重参数w2;当车速较高时,增加经济性指标的权重参数w1;当车辆制动时,增加经济性指标的权重参数w1;适应不同工况下的性能需求。
(3)本发明在对能量最优自适应巡航控制器设计时考虑了前车加速度扰动,滚动车速序列法和车速预测算法使用前车的历史车速信息对前车车速进行在线预测,并将预测车速转化为预测加速度扰动引入至能量最优自适应巡航控制器中,提高模型预测控制算法预测方程的精度,进而可以使得受控车辆及时采取加减速等措施来跟踪前车行驶状态的变化,从而提高车辆的速度跟踪性。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1、2所示,一种考虑电机能耗的能量最优自适应巡航控制***,包括状态监测模块、前车车速预测模块、能量最优自适应巡航控制器(EACC)和执行模块。
状态监测模块包括状态获取单元、状态计算单元和状态存储单元,雷达传感器根据发送和接受电磁波之间的延迟时间,计算得到受控车辆与前方目标跟弛车辆之间的间距xrel(t)和相对车速vrel(t),车速传感器获得受控车辆的车速vh(t),相对车速vrel(t)和受控车辆的车速vh(t)经CAN总线传输至状态获取单元,状态计算单元根据相对车速vrel(t)和受控车辆的车速vh(t)计算得到前车车速vp(t),状态存储单元将前车车速vp(t)保存至前车车速序列[vp(1),…,vp(t)]中,并将该序列输入前车车速预测模块。
前车车速预测模块包括车速预处理单元和车速预测单元,在接收到前车车速序列之后,车速预处理单元基于滚动车速序列法获得当前时刻之前一段固定时间长度的前车历史车速序列,用于在线车速预测,且该历史车速序列可以不断更新;每个预测时刻,以前车历史车速序列作为车速预测单元的输入,以预测车速序列作为输出,根据模型预测控制算法预测时域时长,确定预测车速序列的长度;预测车速序列转化为预测加速度序列
并作为扰动输入能量最优自适应巡航控制器。
能量最优自适应巡航控制器基于接收到的状态信息(包括受控车辆与前方目标跟弛车辆之间的间距xrel(t)、相对车速vrel(t)和预测加速度序列),分别建立经济性评价指标Peconomy、跟踪性评价指标Ptracking、舒适性评价指标Pcomfort、安全性约束条件,构造待优化问题的数学表达式,通过自适应权重参数综合考虑各项性能评价指标并适应不同工况下的性能需求,使用合适的数值求解算法(例如二次规划、粒子群优化和遗传算法等),可以求出最优转矩增量序列及其对应的最优转矩序列,将最优转矩序列的第一个元素Tdes(1)输入至执行模块。
执行模块包括驱动/制动识别单元、计算单元和执行机构(电机和液压执行***),所述驱动/制动识别单元根据EACC输出的最优转矩序列的第一个元素,判断当前时刻是处于驱动模式还是制动模式,以确定执行机构是电机还是液压执行***;所述计算单元用于将期望的制动转矩Tdes(1)等效计算为期望的液压压强Phyd-des;电机用于对期望的制动转矩Tdes(1)进行外特性限制,并提供动态转矩Tfact;液压执行***用于提供液压制动力Thyd-fact,以实现对电制动力的补偿。
如图2所示,一种考虑电机能耗的能量最优自适应巡航控制方法,具体包括如下步骤:
步骤(1),首先根据车载传感器(雷达传感器和车速传感器)的采样频率限制以及模型预测控制算法中预测方程离散化时所使用的时间间隔Ts,确定前车历史车速序列的时间间隔Δt;预测方程离散化的时间间隔Ts以及前车历史车速序列的时间间隔Δt应满足如下关系:Ts=Δt;当车载传感器采样频率所对应的时间间隔Ts1不等于Ts(或Δt)时,可以通过插值或者重采样的方法获得时间间隔等于Ts(或Δt)的前车历史车速序列,即Ts、Δt和Ts1应保持一致,本实施例以Ts=Ts1=Δt=0.05s为例。
其次基于滚动车速序列法从循环工况中获得当前时刻之前一段固定时间长度的前车历史车速序列[v(1),…,v(t)],且该序列随着时间的推移而不断更新;若前车历史车速序列长度为20,历史车速序列对应的时长为1s=0.05s×20,即认为下一时刻的车速与过去1秒内的历史车速[v
1,…,v
20]有关;具体更新方法如图3所示,在时刻k,状态获取单元获取新的前车车速v
h_k,舍弃掉上一时刻基于滚动车速序列法获得的前车历史车速序列中的第一个车速v
1,各时刻的车速前移一位,并将v
h_k作为新的第20个车速v20,从而完成前车历史车速序列的更新。根据模型预测控制算法中预测时域时长,确定预测车速序列长度:L=N
p,L为预测车速序列长度,N
p为预测时域时长;本实施例以N
p=20为例,即对未来1秒内的前车车速进行预测,t=20×0.05=1s。将前车历史车速序列输入至车速预测单元,输出下一时刻的前车预测车速序列
根据预测精度和时间复杂度对各预测算法(例如长短期记忆模型、神经网络和隐马尔可夫模型等)进行对比,选择一个性能最优的作为车速预测单元的车速预测算法,本实施例以非线性自回归神经网络(NARX)模型作为车速预测算法;所述预测精度指的是预测值与真实值误差的均方根:
其中v
true(i)为前车真实车速序列的第i个值;时间复杂度为完成整个工况的车速预测所使用的时间t。
步骤(2),状态监测模块中的状态获取单元通过CAN总线获得由车载传感器测量得到的车间距xrel(t)、相对车速vrel(t)以及受控车辆的车速vh(t)。所述状态计算单元根据相对车速vrel和受控车辆车速vh计算得到前车车速:vp=vrel+vn,vp为前车车速,vrel前为相对车速,vh为受控车辆车速。所述状态存储单元用于将当前获得的前车车速存储至前车车速序列[vp(1),…,vp(t)]中,并将该序列输入至前车车速预测模块。
步骤(3),前车车速预测模块中的车速预处理单元在接收到前车车速序列[v
p(1),…,v
p(t)]之后,基于滚动车速序列法获得当前时刻之前一段固定时间长度的前车车速序列[v
p1,v
p2,...,v
p20],前车历史车速序列所对应的时间间隔与步骤(1)保持一致,且该车速序列随着时间的推移而不断更新,具体更新方法如步骤(1)所示,所不同的是步骤(1)中新的前车车速是从循环工况中获得的,而该步骤中新的前车车速是由步骤(2)基于车载传感器在线获得并经计算得到的,前车历史车速序列长度与步骤(1)保持一致。车速预测单元的车速预测算法由步骤(1)离线确定,车速预测单元使用前车历史车速序列对模型预测控制算法预测时域内的前车车速
进行预测,确定的预测车速序列长度与步骤(1)保持一致;该预测车速序列还需要进一步转化为预测加速度序列并作为扰动输入至EACC,具体公式为:
a
p(i)预测加速度,T
s为预测时域的时间间隔,Np为预测时域时长,v
previous为上一时刻的前车车速,
为预测的前车车速。
步骤(4),EACC以转矩增量为控制量,以车间距xrel、相对车速vrel、受控车辆车速vh以及动态转矩Tfact为状态量;在接收到的车间距、相对车速以及预测加速度序列之后,基于预测方程和输出方程获得表征模型预测控制算法预测时域内的车间距、相对车速的向量X以及表征受控车辆车速的向量Y,进而分别建立经济性评价指标、跟踪性评价指标、舒适性评价指标和安全性约束条件,通过自适应权重参数来综合考虑上述各性能评价指标并适应不同的行驶工况,最终构造出待优化问题的数学表达式;使用合适的数值求解算法,获得最优转矩增量序列及其对应的最优转矩序列。其中预测方程和输出方程如式(1)所示:
其中m为整车质量;τ为电机模型的迟滞时间常数;p1和p2为线性化后的空气阻力系数,即:Fair=P1vh+p2,Fair,为空气阻力;α为道路坡度,g为重力加速度,f为滚动阻力系数。
为简化表达形式,记:
则预测方程简化为:
ζ(t+1)=Aζ(t)+B△u(t)+Cap(t)+D (3)
输出方程简化为:
y(t+1)=E(t+1) (4)
将公式(3)代入公式(4),得:
从而,表征整个预测时域内的车间距和相对车速构的向量X分别为:
将输出方程中的E矩阵换为F矩阵,并将公式(3)代入公式(4),得:
从而,得到表征预测时域受控车辆车速的向量Y:
EACC的经济性评价指标为电机的能耗:
其中f(n
i,T
i)=a
0+a
1·n+a
2·T+a
3·n
2+a
4·T
2+a
5·n·T,表示电机功率随转速n和转矩T变化的关系式(电机能耗模型),a
0、a
1、a
2、a
3、a
4、a
5均为拟合系数;转速n由预测时域内受控车辆的车速计算得到:
rat为传动比,r为车轮半径。
跟踪性评价指标表示为:实际车间距x
rel与期望车间距x
rel_des的误差平方加上实际相对车速与期望相对车速(令期望相对车速为零)的误差平方:
期望车间距x
rel_des是基于固定车头时距的公式所确定:x
rel_des(i)=v
th·v
h(i)+d
min;其中实际车间距x
rel和实际相对车速v
rel均是由预测方程和输出方程计算得到,v
th为车头时距,v
h为受控车辆的车速,d
min为两车静止时的最小车间距。
舒适性评价指标是通过对受控车辆的转矩增量△T和加速度a
h进行约束来实现的:
ΔT
min<ΔT(i)<ΔT
max,
其中受控车辆的加速度由预测时域内受控车辆的车速计算得到:a
h(i)=(v
h(i+1)-v
h(i)/T
s,i=1,2,...,N
p-1,a
h(N
p)=a
h(N
p-1)。
安全性指标是通过对车间距的下限进行约束实现的:xrel(i)>dmin。
在上述不等式约束的基础上,通过引入松弛因子以增加可行解:
ΔTmin-ε1<ΔT(i)<ΔTmax+ε1
xrel(i)>dmin-ε3
其中松弛变量ε1、ε2、ε3满足如下不等式约束:
使用自适应权重参数将各评价指标组合在一起,得到EACC待优化问题的目标函数和约束条件如下所示:
Liss=w1·peconomy+w2·ptracking+w3·pcomfort+ρε2
s.t.ΔTmin-ε1<ΔT(i)<ΔTmax+ε1
ahmin-ε2<ah(i)<ahmax+ε2
xrel(i)>dmin-ε3
εmin<ε<εmax
w1、w2、w3为自适应权重参数,ρ为松弛因子的权重参数。
自适应权重参数表现为:当车速较低,如起步时,增加跟踪性指标的权重参数w2,以提高跟踪性;当车速较高时,此时期望的车间距较大,可以增加经济性指标的权重参数w1以提高整车的经济性;当车辆制动时,增加经济性指标的权重参数w1,以充分实现制动能量回收。
各权重参数的确定方法如下:当受控车辆的车速小于速度阈值vlim时,即:vh≤vlim,认为车辆处于低速状态,如果实际车间距xrel小于车间距阈值xlim 1,即:xrel≤xlim 1,则保持当前的w1、w2、w3的大小不变,如果xrel>xlim 1,则应增大w2,即w′2=w2+Δw2,直至车间距满足xrel≤xlim 1后,再保持w1、w2、w3的大小不变;当受控车辆的速度大于速度阈值时,即vh>vlim,认为车辆处于高速状态,如果xrel≤xlim 2,则应增大w1,即w′1=w1+Δw1,直至车间距大于车间距阈值xlim 2,即xrel>xlim 2时,再保持w1、w2、w3的大小不变。当vh<0时,认为车辆处于制动状态,如果实际车间距大于车间距阈值xlim 3,即xrel>xlim 3,则应增大w1,即w′1=w1+Δw1,直至车间距满足xrel≤xlim 3,再保持w1、w2、w3的大小不变。其中Δw1与xlim 2-xrel相关,Δw2与xlim 1-xrel、xlim 3-xrel相关。
由于上述待优化问题的目标函数和约束条件均是一次或者二次,因而此处使用二次规划来求解,可以增加计算速度,并提高控制器的实时性;将由数值算法求解获得的最优转矩控制增量序列所对应的最优转矩序列的第一个元素输入至执行模块。
步骤(5),执行模块中的驱动/制动识别单元根据EACC输出的最优转矩序列的第一个元素T
des(1),判断当前是处于驱动模式还是制动模式;若处于驱动模式,最优转矩经电机外特性限制后作用至受控车辆;若处于制动模式,计算单元将期望的制动转矩等效计算为期望的液压压强:
其中k为制动力与制动压力的转换系数,期望的液压压强经液压执行***作用至受控车辆以实现对电制动力的补偿。
步骤(6),在下一采样时刻,重复步骤(2)-至步骤(5)。
图4为分别使用能量最优自适应巡航控制和传统的自适应巡航控制时,一节单体电池SOC下降曲线的对比图,由图可知,使用EACC时,电池在NEDC循环工况下,SOC从1下降至0.9035,而使用ACC时,单体电池的SOC下降至0.9021;因此使用EACC可以节省0.0014的SOC。下表为分别使用EACC和ACC时电机的能耗:
表1使用EACC和ACC时电机的能耗
|
EACC |
ACC |
耗能Wh/km |
34.5 |
35.3 |
由上表可知,使用EACC控制器每行驶1千米可以节约0.8Wh的能量。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。