基于分散控制的混合动力汽车节能预测控制方法

摘要

本发明公开了一种基于分散控制的混合动力汽车节能预测控制方法，包括以下步骤：从全球定位系统、车间通信系统、车路通信系统和智能交通系统获取实时自车、前车和后车交通信息作为系统输入；建立混合动力汽车队列行驶分散控制数学模型作为预测未来车辆状态的依据；定义混合动力汽车分散控制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，运用行星齿轮机构为电子无极变速器，发动机工作于最佳工作点，运用道路交通信息，预测前车和后车行驶状态，在线调整混合动力汽车能量流动，达到节能减排的目标，大大减少了计算时间，提高了车辆的实时控制特性。

主权项

一种基于分散控制的混合动力汽车节能预测控制方法，其特征在于：包括以下步骤：步骤1)信息采集：由全球定位系统采集前车、后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，后方车辆速度，用于跟踪控制，由智能交通系统、车路通信系统和车间通信系统采集交通信号信息，实时路况信息以及自车、后车和前车速度，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测定；步骤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，列写系统动力学方程，对动力学方程解耦，获得系统的状态空间模型，如式(1)所示：x＝[p_p v_p p₂ v₂ SOC₂ p_f v_f]u＝[u₂ P_batt2]$\stackrel{·}{x}=f(x,u)$$f(x,u)=\left[\begin{array}{c}{v}_p\\ a_p\\ v_2\\ u_2-\frac{1}{2}{\mathrm{\rho C}}_{D2}{A}_2{v_2}^2/m_2-9.8\mu -9.8{\mathrm{sin\theta }}_2\\ -\frac{V_{\max 2}-\sqrt{V_{\max 2}^2-4P_{batt2}{R}_{batt2}}}{2R_{batt2}{Q}_{batt2}}\\ v_f\\ a_f\end{array}\right]$$a_p\left(\tau \right)=\frac{a_p\left(t\right)}{(1+e^{-{\beta }_1\left(v_{\rho }\right(\tau )-v_{min})})(1+e^{{\beta }_2\left(v_{\rho }\right(\tau )-v_{max})})}$$a_f\left(\tau \right)=\frac{a_f\left(t\right)}{(1+e^{-{\beta }_1\left(v_f\right(\tau )-v_{\min })})(1+e^{{\beta }_2\left(v_f\right(\tau )-v_{max})})}---\left(1\right)$式中，x为状态量，u为控制量，参数p_p、v_p、p_f和v_f为前车位置、前车速度、后车位置和后车速度，参数p₂、v₂和SOC₂为自车的位置、速度和蓄电池荷电状态，参数u₂和P_batt2为自车的驱动加速度和自车蓄电池的充放电功率，参数ρ、C_D2、A₂、m₂、g、μ和θ₂是空气密度、自车空气阻力系数、自车迎风面积、自车质量、重力加速度、滚动阻力系数和自车道路坡度，V_OC、R_batt和Q_batt是蓄电池开路电压、内阻和容量，预测区间内由于车辆的惯性、假设前方车辆加速度一定，如果前行车速度大于最大值或者小于一定值，则前行车加速度为0，如果前方遭遇交通信号灯红灯，则假定一辆速度为0的前行车停在交通信号灯位置处，车辆的启动和停止速度模式采用实验曲线，运用实际驾驶员的特性测取；车辆的燃油经济性评价采用威兰氏线性模型,如式(2)所示：${\stackrel{·}{m}}_f\left(t\right)={\stackrel{·}{m}}_f\left(P_{req}\right(t)-P_{batt}(t\left)\right)\approx c_f\left(P_{req}\right(t)-P_{batt}(t\left)\right)---\left(2\right)$式中m_f为燃油消耗率，参数P_req为车辆需求功率，c_f为常数参数；步骤3)公式化控制策略：基于分散控制的混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测自车、后车和前车状态，包括位置、速度和加速度信息，其次运用所建立的数学模型和公式化控制策略求解最优控制问题，最后应用所求得的最优控制序列的第一个控制量于系统，由于模型预测控制为区间最优控制，其求得的最优控制量是数量为预测区间除以采样间隔的序列，最优控制序列的第一个控制量与实际状态最接近，所以采用它来作为实际的控制量；最优控制问题定义如式(3)所示：$\min imizeJ={\int }_t^{t+T}L\left(x\right(\tau |t),u(\tau |t\left)\right)d\tau$subject to P_batt2min≤P_batt2(τ|t)≤P_batt2max  (3)u_2min≤u₂(τ|t)≤u_2max式中T为预测区间，参数P_batt2min、P_batt2max、u_2max和u_2min为控制量约束；评价函数定义如式(4)所示：L＝w_xL_x+w_yL_y+w_zL_z+w_dL_d+w_eL_e+w_fL_f+w_rL_r+w_sL_s$L_x={(w_2-\frac{1}{2}{\mathrm{\rho C}}_{D2}{A}_2{v_2}^2/m_1-9.8*\mu )}^2/2$L_y＝(v₂‑v_d)²/2$L_z=0.0874*(m_2*w_2*v_2/1000-P_{batt2})/(1+e^{-0.5*(m_2*w_2*v_2/1000-P_{batt2})})$L_d＝(SOC₂‑SOC_d)²  (4)L_e＝(m₂*w₂*v₂/1000‑P_batt2)²/2L_f＝(‑ln[SOC₂‑0.6]‑ln[0.8‑SOC₂])L_r＝‑ln(d_f‑d_d)‑ln(d_p‑d_d)L_s＝(a_p)²/2+(a_f)²/2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_r和w_s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，障碍函数用于处理系统状态约束，d_f为后车和自车间距，d_p为前车和自车间距；步骤4)在线最优控制：为保证系统的实时最优性能，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，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、后车位置、前车速度、自车速度、后车速度、前车加速度、自车加速度、后车加速度和自车蓄电池荷电状态实时状态信号，其次利用全球定位系统、车间通信系统、车路通信系统和智能交通系统预测未来一定区间车辆及周围环境的状态，包括前车加速度、后车加速度、前车与自车间距、后车与自车间距，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。