CN112580251A - 基于交通信息和模型预测控制的混动汽车能量管理方法 - Google Patents
基于交通信息和模型预测控制的混动汽车能量管理方法 Download PDFInfo
- Publication number
- CN112580251A CN112580251A CN202011279510.9A CN202011279510A CN112580251A CN 112580251 A CN112580251 A CN 112580251A CN 202011279510 A CN202011279510 A CN 202011279510A CN 112580251 A CN112580251 A CN 112580251A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- vehicle speed
- predicted
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W20/00—Control systems specially adapted for hybrid vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于交通信息和模型预测控制的混动汽车能量管理方法,具体地由数据集提取、优化预测模型、安全车速校正、通过路口速度规划、滚动优化和反馈校正组成,通过数据采集和分析获取车速预测模型,并通过使用粒子群算法对车速预测模型的阈值和权重进行优化;根据车辆‑车辆提供的周围车辆信息,计算本车下一时刻的安全车速并修正预测车速;所述路口通过的速度规划是在即将通过交通路口时,根据预测车速、前方车辆信息、交通信号灯信息来规划通过路口的最优速度序列;所述滚动优化和反馈校正是基于预测、规划的车速,通过动态规划算法对混合动力***能量进行最优分配并反馈完成整个预测模型控制架构的闭环控制。
Description
技术领域
本发明涉及一种混合动力汽车能量管理方法,特别是涉及一种基于交通信息和模型预测控制的能量管理方法,其充分利用了交通信息和周围车辆信息,通过融合了交通信息的速度预测模型和对车辆通过交通路口情况的提前预判,降低了车辆跟随行驶情况下的车速预测误差,尤其是减小了加减速时的预测波动,规划了车辆通过路口的最优速度序列,对双行星排混合动力***功率需求进行了合理分配,有效提升了混合动力汽车的燃油经济性。
背景技术
随着汽车需求的增加和化石燃料能源的短缺,在不久的将来,传统燃料汽车必然会在一定程度上被新能源汽车所取代。基于双行星排构型的混合动力***的混合动力汽车,不仅具有传统燃料汽车所具有的便利,而且不受纯电动汽车电池能量密度低的限制。此外,单独使用电动机行驶可实现尾气的无公害排放。因此,有必要在现有技术的基础上进一步改进新能源汽车的能源管理策略。
以动态规划(DP)为代表的全局优化算法,在得到全局最优结果前需要获得全局工况,这必将导致计算量十分巨大,无法在车辆控制器上实时运行。为了更好地利用全局优化,可以在每个采样时刻在预测的时域中找到最优的控制动作,从而保证最优性和实时控制,即模型预测控制(MPC)。MPC是一种理想的预测控制框架,其主要优点是在最优控制问题中具有较强的多变量和约束处理能力,采用在线滚动优化方法和反馈自校正策略,力求有效地克服受控***的不确定性、迟滞和时变等因素的动态影响,从而实现预期的控制目标,并使***有良好的鲁棒性和稳定性。
发明内容
本发明的目的是针对基于模型预测控制的能量管理方法,提出一种融合了交通信息的新模型预测控制架构,所提出的MPC架构基于车辆网环境下的交通场景实现,主要解决面向混合动力汽车的能量管理问题。
本发明提供了一种基于交通信息和模型预测控制的混合动力汽车能量管理方法,其特征在于,包括如下步骤:
步骤1,利用车联网环境以及车速记录装置,记录储存历史车速数据,将车速数据预处理后,对历史工况进行特征参数分析,选定一段合理的数据,提取训练集和测试集;
步骤2,基于训练集和测试集,通过粒子群算法,对原始的基于极限学习机算法的车速预测模型进行优化;
步骤3,在车辆跟随情况下,根据车辆-车辆提供的周围车辆信息,计算本车下一时刻的安全车速,并在获得安全车速后,对步骤2中预测模型预测的车速进行修正;
步骤4,在即将通过交通路口时,根据预测车速、前方车辆信息、交通信号灯信息来规划通过路口的最优速度序列;
步骤5,基于预测、规划的车速,通过滚动优化和反馈校正对混合动力***能量进行最优分配。
进一步地,训练优化ELM车速预测模型包括:首先,对车速预测模型的初始阈值B和权重IW进行随机赋值,为了从算法上提高预测精度,进而采用粒子群算法PSO,分别将IW和B映射到不同粒子上,迭代后得到能够提高ELM预测精度的阈值B和权重IW。
进一步地,所述车辆-车辆提供的周围车辆信息包括:领车车速、本车车速、两车距离。
进一步地,所述的安全车速计算按照如下公式进行:
L(vf)+vfτ≤L(vl)+g (1)
vf=min{vmax,v(t)+a(t)·Δt,vsafe(t)} (7)
v=max{0,vf-rand(0,∈a)} (8)
其中,L(vf)为跟车的制动距离,vf为跟车车速,τ为驾驶员反应时间,L(vl)为领车的制动距离,vl为领车速,g为领车与跟车之间的车间距离,为领车和跟车的平均速度,为车速为时的制动距离,v为安全车速,b为制动时的最大减速度,关于s的积分项为刹车加速度为-b(v)的刹车距离,vmax为道路限速值,v(t)为t时刻速度,a(t)为t时刻加速度,Δt为仿真时间步长,vsafe(t)为t时刻安全车速,a为最大加速度,∈∈[0,1]为外部缺陷参数。
进一步地,所述车速的修正是根据第一秒预测车速和安全车速的误差与修正阈值比较,决定修正车速的取值,如果误差小于等于修正阈值,则修正车速取预测车速,如果误差大于修正阈值,则修正车速取安全车速,剩余预测车速序列则按照第一秒的修正比例修正。
进一步地,所述车辆能否通过路口分为前方有无车辆两种情况:
1)前方无车时,车辆能否通过路口根据以下公式来判断:
其中,Tchange为红绿灯改变的剩余时间,v0为初始速度,xdis为通过路口需行驶的距离,P=1为交通信息允许车辆通过,P=0为交通信息不允许车辆通过;
2)前方有车时,且不能通过路口时,需要***最终停车等待的位置,具体地,首先,计算预测速度序列的积分,并与xdis进行比较,以确定车辆是否能够通过交叉口。如果是,车辆将继续以车辆跟随模式行驶;如果不是,将执行车辆是否能够从最靠近交叉口的车辆开始通过交叉口的判断:假设车辆以恒定速度行驶,将Tchange时间内的位移与第n辆车到路口的距离xn_dis进行比较直到找到不能通过的车辆,车辆最终的移动距离xfinal则可以得到,最后通过动态规划算法得到最优控制序列。
进一步地,车辆能否通过路口的代价函数和约束条件具体如下:
1)前方无车情况下,约束条件和代价函数如下:
其中,x1是速度状态量;x2是位移状态量;u(t)是加速度控制量;v0是初始速度;X0是初始位移;J为1-N时段内的总油耗;L是单一阶段的成本函数,等于瞬时车辆克服阻力所做的功;vt是时间t的速度,xt是时间t的位移,at是时间t的加速度;vmin为最小速度;vmax最大速度;amin为最小加速度;amax为最大加速度;
2)前方有车情况下:
其中,vt是时间t的速度,xt是时间t的位移,at是时间t的加速度
进一步地,所述步骤5采用基于动态规划算法的滚动优化,即将每一时刻预测的未来车速作为输入,输出则取优化后结果序列的第一个,作为最终控制量;控制量作用于车辆后,进行反馈校正,即对得到的实际的***状态进行反馈,作为下一时刻的控制基准,对预测值进行相应的修正,确保整个模型预测控制的属于闭环控制。
本发明的有益效果是:充分利用车联网环境下车辆-车辆(V2V)、交通信号灯信息(V2I)提供的即时信息,通过优化后的模型预测控制架构,高精度、合理地预测车速和规划车速,有效对混合动力***能量进行了分配,提高混合动力汽车燃油经济性。
附图说明
图1是融合交通信息的模型预测控制架构示意图
图2是历史工况选取与训练集、测试集的划分示意图
图3是PSO对ELM初值的优化流程示意图
图4是未来10s内的预测车速与安全车速、真实车速对比示意图
图5是基于安全车速对车辆预测车速的修正示意图
图6是有车情况下车辆最终的停车位置计算流程示意图
图7 SUMO与MATLAB的联合仿真示意图
图8是滚动优化示意图
图9是反馈校正示意图
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
融合了交通信息的模型预测控制的整体架构如图1所示,由于现实生活中车联网环境下的交通设施还未健全,本发明采用SUMO交通仿真软件来提供V2V、V2I交通信息。首先,利用车联网环境以及装载在车辆上的车速记录装置,记录储存历史车速数据,数据预处理后,对历史工况进行特征参数分析,选定一段合理的数据,提取训练集和测试集。选定历史数据特征参数及示例取值如下表1所示:
表1历史工况特征参数示例
根据上述特征参数选定的历史工况,测试集和训练集的划分如图2所示。
基于训练集,训练优化极限学习机(ELM)车速预测模型,首先,对车速预测模型的初始阈值B和权重IW进行随机赋值,为了从算法上提高预测精度,进一步采用粒子群算法PSO,分别将IW和B映射到不同粒子上,迭代后得到能够提高ELM预测精度的阈值B和权重IW,算法结合方法和优化流程如图3所示,首先初始化PSO参数,将粒子映射到ELM权重IW和阈值B,进行ELM训练。通过在ELM测试集上测试,获得误差MSE,进而获得PSO适应度值。更新速度和位置信息,重新计算适应度,更新权重1W和阈值B,再次进行ELM训练,获得的相应的误差MSE,比较该误差是否低于设定值,若是,则输出权重IW和阈值B,若否,则返回继续更新速度和位置信息,重新计算适应度。
在车辆跟随情况下,根据车辆-车辆(V2V)提供的周围车辆信息:前方车辆速度、两车距离、本车车速等,计算本车下一时刻的安全车速v,具体推导公式为:
L(vf)+vfτ≤L(vl)+g (1)
vf=min{vmax,v(t)+a(t)·Δt,vsafe(t)} (7)
v=max{0,vf-rand(0,∈a)} (8)
其中,L(vf)为跟车的制动距离,vf为跟车车速,τ为驾驶员反应时间,L(vl)为领车的制动距离,vl为领车速,g为领车与跟车之间的车间距离,为领车和跟车的平均速度,为车速为时的制动距离,v为安全车速,b为制动时的最大减速度,关于s的积分项为刹车加速度为-b(v)的刹车距离,vmax为道路限速值,v(t)为t时刻速度,a(t)为t时刻加速度,Δt为仿真时间步长,vsafe(t)为t时刻安全车速,a为最大加速度,∈∈[0,1]为外部缺陷参数。
在获得安全车速后,对用步骤2中的预测模型预测出来的车速进行修正:所述车速的修正是根据第一秒预测车速和安全车速的误差与修正阈值比较,决定修正车速的取值,如果误差小于或等于修正阈值,则修正车速取预测车速,如果误差大于修正阈值,则修正车速取安全车速,剩余预测车速序列则按照第一秒的修正比例修正,其中error为预测车速序列中第一秒速度与安全车速之间的误差,ε为修正阈值。本实施例中的车速预测和修正结果如图4和图5所示。
在即将通过交通路口时,根据预测车速、前方车辆信息、交通信号灯信息(V2I)来规划通过路口的最优速度序列。由于车辆能否通过路口,不仅只是由信号灯决定,而且还受到前方车辆的影响,因此分为两种情况:通过路口时前方无车辆行驶和前方有车辆行驶。
(1)前方无车时,能否通过路口的条件如公式9和表2所示:
表2通过路口的判断条件
其中,T_change为红绿灯改变的剩余时间,绿黄表示由绿灯转换来的黄灯,红_黄表示由红灯转换来的黄灯。
因为车辆的起始和结束速度以及该距离的位移是已知的,问题模型可以转化为线性离散***,通过DP算法可以找到工作量最少的控制序列,并被用作驾驶员的控制参考,代价函数和约束条件如下:
其中,x1是速度状态量;x2是位移状态量;u(t)是加速度控制量;v0是初始速度;X0是初始位移;J为1-N时段内的总油耗;L是单一阶段的成本函数,等于瞬时车辆克服阻力所做的功;vt是时间t的速度,xt是时间t的位移,at是时间t的加速度;vmin为最小速度;vmax最大速度;amin为最小加速度;amax为最大加速度;
(2)前方有车的情况:与无车相比,首先,计算预测速度序列的积分,并与xdis进行比较,以确定车辆是否能够通过交叉口。如果是,车辆将继续以车辆跟随模式行驶;如果不是,将执行车辆是否能够从最靠近交叉口的车辆开始通过交叉口的判断,预测最终停车等待的位置x_final。如图6所示,假定当前车辆到路口之间共有m辆车,n表示从路口开始的第n辆车,k是车辆行进中未能通过的车辆数目。首先由车速预测模型得到未来10s的预测车速序列,并且积分得到未来10s的行驶距离x_10。若x_10<xdis,意味着无法车辆无法通过路口,则开始从靠近路口一侧开始,判断n是否小于等于m。若是,则进一步判断第n辆能否通过路口(vn代表第n辆车的车速,xn_dis代表第n辆车距离路口的距离),若能通过,则判断第n+1辆车,若不能,则第n辆车以后的所有车辆都不能通过。根据当前车辆编号n计算总共不能通过的车辆数目k。最终,按照车长5m,车间距2.5m计算本车的停车位置x_final=k*7.5,即停车时距交叉路口的距离。在满足公式10、11的前提下,新增加的状态量约束如下。
其中,vt是时间t的速度,xt是时间t的位移,at是时间t的加速度。在始末状态已知前提下,最后通过动态规划算法得到最优控制序列。
在MATLAB中搭建MPC架构和混合动力汽车动力学模型,通过MATLAB和SUMO的联合仿真,搭建交通车辆动力学联合仿真模型,如图7所示,基于预测、规划的车速,通过滚动优化和反馈校正对混合动力***能量进行最优分配。
(1)滚动优化:在MPC架构中,采用基于动态规划算法的滚动优化,即将每一时刻预测的未来车速作为输入,输出则取优化后结果序列的第一个,作为最终控制量,如图8所示。
(2)反馈校正:控制量作用于车辆后,对得到的实际的***状态进行反馈,作为下一时刻的控制基准,对预测值进行相应的修正,确保整个模型预测控制的属于闭环控制。该步骤不仅可以提高模型预测控制的精度,也可以提高算法的鲁棒性,如图9所示。
至此,便可利用车联网环境下V2V、V2I提供的即时信息,通过优化后的模型预测控制架构,高精度、合理地预测车速和规划车速,并基于MPC架构计算应用于混合动力***的的最优控制序列,提高混合动力汽车燃油经济性。
应理解,本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于交通信息和模型预测控制的混合动力汽车能量管理方法,其特征在于,包括如下步骤:
步骤1、利用车联网环境以及车速记录装置,记录储存历史车速数据,将车速数据预处理后,对历史工况进行特征参数分析,选定一段合理的数据,提取训练集和测试集;
步骤2、基于训练集、测试集,通过粒子群算法,对原始的基于极限学习机算法的车速预测模型进行优化;
步骤3、在车辆跟随情况下,根据车辆-车辆提供的周围车辆信息,计算本车下一时刻的安全车速,并在获得安全车速后,对步骤2中预测模型预测出来的车速进行修正;
步骤4、在即将通过交通路口时,根据预测车速、前方车辆信息、交通信号灯信息来规划通过路口的最优速度序列;
步骤5、基于预测、规划的车速,通过滚动优化和反馈校正对混合动力***能量进行最优分配。
2.根据权利要求1所述的基于交通信息和模型预测控制的混合动力汽车能量管理方法,训练优化ELM车速预测模型包括:首先,对车速预测模型的初始阈值B和权重IW进行随机赋值,为了从算法上提高预测精度,进而采用粒子群算法PSO,分别将IW和B映射到不同粒子上,迭代后得到能够提高ELM预测精度的阈值B和权重IW。
3.根据权利要求1所述的基于交通信息和模型预测控制的混合动力汽车能量管理方法,其特征在于,所述车辆-车辆提供的周围车辆信息包括:领车车速、本车车速、两车距离。
4.根据权利要求3所述的基于交通信息和模型预测控制的混合动力汽车能量管理方法,其特征在于,所述的安全车速计算按照如下公式进行:
L(vf)+vfτ≤L(vl)+g (1)
vf=min{vmax,v(t)+a(t)·Δt,vsafe(t)} (7)
v=max{0,vf-rand(0,∈a)} (8)
5.根据权利要求1所述的基于交通信息和模型预测控制的混合动力汽车能量管理方法,其特征在于,所述车速的修正是根据第一秒预测车速和安全车速的误差与修正阈值比较,决定修正车速的取值,如果误差小于或等于修正阈值,则修正车速取预测车速,如果误差大于修正阈值,则修正车速取安全车速,剩余预测车速序列则按照第一秒的修正比例修正。
6.根据权利要求1所述的基于交通信息和模型预测控制的混合动力汽车能量管理方法,其特征在于,车辆能否通过路口分为前方有无车辆两种情况:
1)前方无车时,车辆能否通过路口根据以下公式来判断:
其中,Tchange为红绿灯改变的剩余时间,v0为初始速度,xdis为车辆当前距离交通路口的距离,P=1为交通信息允许车辆通过,P=0为交通信息不允许车辆通过;
2)其中所述的前方有车辆情况,且不能通过路口时,需要***最终停车等待的位置,具体地,首先,计算预测速度序列的积分,并与xdis进行比较,以确定车辆是否能够通过交叉口,如果是,车辆将继续以车辆跟随模式行驶,如果不是,将执行车辆是否能够从最靠近交叉口的车辆开始通过交叉口的判断:假设车辆以恒定速度行驶,将Tchange时间内的位移与第n辆车到路口的距离xn_dis进行比较直到找到不能通过的车辆,车辆最终的移动距离x_final则可以得到,最后通过动态规划算法得到最优控制序列。
7.根据权利要求6所述的基于交通信息和模型预测控制的混合动力汽车能量管理方法,其特征在于,能否通过路口的代价函数和约束条件具体如下:
1)前方无车情况下:
其中,x1是速度状态量;x2是位移状态量;u(t)是加速度控制量;v0是初始速度;X0是初始位移;J为1-N时段内的总油耗;L是单一阶段的成本函数,等于瞬时车辆克服阻力所做的功;vt是时间t的速度,xt是时间t的位移,at是时间t的加速度;vmin为最小速度;vmax最大速度;amin为最小加速度;amax为最大加速度;
2)前方有车情况下,在满足公式10和公式11的状态约束和代价函数前提下,同时也需要满足新的约束:
其中,vt是时间t的速度,xt是时间t的位移,at是时间t的加速度。
8.根据权利要求1所述的基于交通信息和模型预测控制的混合动力汽车能量管理方法,其特征在于,所述步骤5采用基于动态规划算法的滚动优化,即将每一时刻预测的未来车速作为输入,输出则取优化后结果序列的第一个,作为最终控制量;控制量作用于车辆后,进行反馈校正,即对得到的实际的***状态进行反馈,作为下一时刻的控制基准,对预测值进行相应的修正,确保整个模型预测控制属于闭环控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011279510.9A CN112580251B (zh) | 2020-11-16 | 2020-11-16 | 基于交通信息和模型预测控制的混动汽车能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011279510.9A CN112580251B (zh) | 2020-11-16 | 2020-11-16 | 基于交通信息和模型预测控制的混动汽车能量管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580251A true CN112580251A (zh) | 2021-03-30 |
CN112580251B CN112580251B (zh) | 2022-07-12 |
Family
ID=75122626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011279510.9A Active CN112580251B (zh) | 2020-11-16 | 2020-11-16 | 基于交通信息和模型预测控制的混动汽车能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580251B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989715A (zh) * | 2021-05-20 | 2021-06-18 | 北京理工大学 | 一种燃料电池汽车多信号灯车速规划方法 |
CN114387805A (zh) * | 2022-01-13 | 2022-04-22 | 芜湖奇瑞科技有限公司 | 车辆的路口通行方法、装置、车辆及存储介质 |
CN117162976A (zh) * | 2023-09-08 | 2023-12-05 | 无锡车联天下信息技术有限公司 | 一种车辆的制动控制方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2945140A1 (en) * | 2014-05-12 | 2015-11-18 | AVL List GmbH | System and method for operating a vehicle taking into account information on traffic lights and surrounding vehicles |
CN106997675A (zh) * | 2016-01-26 | 2017-08-01 | 宿州学院 | 基于动态规划的目标车速预测方法 |
CN107346460A (zh) * | 2017-07-18 | 2017-11-14 | 吉林大学 | 基于智能网联***下前车运行信息的未来工况预测方法 |
US20190071084A1 (en) * | 2017-09-05 | 2019-03-07 | Arizona Board Of Regents On Behalf Of Arizona State University | Model predictive adaptive cruise control for reducing rear-end collision risk with follower vehicles |
CN109635914A (zh) * | 2018-12-17 | 2019-04-16 | 杭州电子科技大学 | 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法 |
CN111791887A (zh) * | 2020-07-03 | 2020-10-20 | 北京理工大学 | 一种基于分层式车速规划的车辆节能驾驶方法 |
-
2020
- 2020-11-16 CN CN202011279510.9A patent/CN112580251B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2945140A1 (en) * | 2014-05-12 | 2015-11-18 | AVL List GmbH | System and method for operating a vehicle taking into account information on traffic lights and surrounding vehicles |
CN106997675A (zh) * | 2016-01-26 | 2017-08-01 | 宿州学院 | 基于动态规划的目标车速预测方法 |
CN107346460A (zh) * | 2017-07-18 | 2017-11-14 | 吉林大学 | 基于智能网联***下前车运行信息的未来工况预测方法 |
US20190071084A1 (en) * | 2017-09-05 | 2019-03-07 | Arizona Board Of Regents On Behalf Of Arizona State University | Model predictive adaptive cruise control for reducing rear-end collision risk with follower vehicles |
CN109635914A (zh) * | 2018-12-17 | 2019-04-16 | 杭州电子科技大学 | 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法 |
CN111791887A (zh) * | 2020-07-03 | 2020-10-20 | 北京理工大学 | 一种基于分层式车速规划的车辆节能驾驶方法 |
Non-Patent Citations (2)
Title |
---|
YANJUN HUANG 等: "Model predictive control power management strategies for HEVs: A review", 《JOURNAL OF POWER SOURCES》 * |
王勇 等: "基于深度强化学习的插电式混合动力汽车能量管理", 《2020中国汽车工程学会年会论文集》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989715A (zh) * | 2021-05-20 | 2021-06-18 | 北京理工大学 | 一种燃料电池汽车多信号灯车速规划方法 |
CN114387805A (zh) * | 2022-01-13 | 2022-04-22 | 芜湖奇瑞科技有限公司 | 车辆的路口通行方法、装置、车辆及存储介质 |
CN117162976A (zh) * | 2023-09-08 | 2023-12-05 | 无锡车联天下信息技术有限公司 | 一种车辆的制动控制方法、装置、电子设备及存储介质 |
CN117162976B (zh) * | 2023-09-08 | 2024-05-03 | 无锡车联天下信息技术有限公司 | 一种车辆的制动控制方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112580251B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580251B (zh) | 基于交通信息和模型预测控制的混动汽车能量管理方法 | |
He et al. | An improved MPC-based energy management strategy for hybrid vehicles using V2V and V2I communications | |
CN110126841B (zh) | 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法 | |
Dong et al. | Practical application of energy management strategy for hybrid electric vehicles based on intelligent and connected technologies: Development stages, challenges, and future trends | |
CN110936949B (zh) | 基于行驶工况的能量控制方法、设备、存储介质及装置 | |
CN111439260B (zh) | 面向个性化需求的网联商用柴油车巡航行驶优化控制*** | |
CN103914985B (zh) | 一种混合动力客车未来车速轨迹预测方法 | |
WO2021114742A1 (zh) | 一种混合动力电动汽车综合预测能量管理方法 | |
CN111267831A (zh) | 一种混合动力车辆智能变时域模型预测能量管理方法 | |
KR101607248B1 (ko) | 규칙 및/또는 비용에 기초하여 차량의 속도를 제어하기 위한 방법 및 모듈 | |
CN109733378B (zh) | 一种线下优化线上预测的转矩分配方法 | |
CN109927709A (zh) | 一种车辆行驶路线工况确定方法、能量管理方法及*** | |
CN112660130A (zh) | 基于智能网联信息的新能源汽车滑行控制***、方法及新能源汽车 | |
CN113788021A (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
CN116215495A (zh) | 混合动力车辆能量管理优化方法、装置及*** | |
CN113674546B (zh) | 基于sumo仿真的V2X环境下的高速公路管控方法 | |
Vignesh et al. | Intelligent energy management through neuro-fuzzy based adaptive ECMS approach for an optimal battery utilization in plugin parallel hybrid electric vehicle | |
CN115805840A (zh) | 一种增程式电动装载机能耗控制方法及*** | |
Wang et al. | Adaptive leading cruise control in mixed traffic considering human behavioral diversity | |
Li et al. | Predictive multi-objective operation strategy considering battery cycle aging for hybrid electric vehicles | |
Taghavipour et al. | Intelligent control of connected plug-in hybrid electric vehicles | |
Song et al. | State-of-the-art and development trends of energy management strategies for intelligent and connected new energy vehicles: a review | |
WO2022028257A1 (zh) | 新能源车辆的能耗回收比预测方法、节能控制方法和*** | |
CN115759347A (zh) | 一种基于特征数据的电动公交车行程能耗快速预测方法 | |
Kim et al. | Energy-optimal regenerative braking strategy for connected and autonomous electrified vehicles: A practical design and implementation for real-world commercial PHEVs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |