基于车联网的混合动力汽车的分层能量管理控制方法
【技术领域】
[0001] 本发明涉及一种混合动力汽车能量管理控制方法，尤其涉及的是一种基于车联网 的混合动力汽车的分层能量管理控制方法。
【背景技术】
[0002] 混合动力汽车的能量管理控制方法直接影响整车的动力性、经济性、舒适性及排 放，是混合动力汽车领域研究的重点和难点。目前，已经实现产业化应用的是基于规则的控 制方法，然而，基于规则的控制方法依赖专家经验，不具备良好的工况适应性，因此，学者们 重点研究了基于优化的控制方法。
[0003] 基于优化的控制方法主要包含全局优化和瞬时优化两种。在全局优化算法中，动 态规划（dynamic programming，DP)、二次规划（quadratic programming，QP)以及古典变分 法(classical variational method,VP)等方法都需要已知循环工况，而在汽车实际行驶 的过程中，循环工况是未知的。其中，基于贝尔曼原理逆向寻优的动态规划是搜索能力最好 的全局优化算法，但程序结构十分复杂，而且在线寻优需要采用模型预测（model predictive control，MPC)算法获取循环工况，增加了计算的时间成本，不满足实车应用的 要求，而且研究表明，传统的模型预测算法只能用于"足够慢"的动态系统中，对于在线优化 的混合动力系统并不适用。为了节省程序运行的时间，学者们研究了基于极小值原理的瞬 时优化算法，如等效燃油消耗最小原理（equivalent consumption minimization strategy，ECMS)及庞特亚金极小值原理（Pontryagin ' s minimum strategy，PMP)等，这些 算法可以获得近似的全局最优解而且不需要已知循环工况。然而，相对于车载单片机的运 算能力，这些算法依然无法实现实时控制。目前的混合动力汽车能量管理研究的对象只是 一辆车，即能量管理优化算法只能保证单辆车的经济性最优，对于交通系统中多辆混合动 力汽车能量管理优化问题，目前尚无相关报导。除此之外，目前针对单辆混合动力汽车能量 管理及优化的控制算法不考虑交通信号的的影响以及车与车之间的相互影响，此时的能量 管理最优解与实际情况下的最优解有一定的差距。
[0004] 随着智能交通系统的不断发展，采用车联网技术解决智能交通系统中多辆混合动 力汽车的实时优化控制成为可能。基于车联网的混合动力汽车分层能量管理控制方法，可 以为解决多辆混合动力汽车的实时能量管理及优化的问题提供新的思路。
【发明内容】
[0005] 本发明的目的在于克服现有技术的不足，提供一种基于车联网的混合动力汽车的 分层能量管理控制方法。
[0006] 为了解决上述技术问题，本发明采用如下技术方案：一种基于车联网的混合动力 汽车的分层能量管理控制方法，包括如下步骤：
[0007] 步骤（1)、基于车联网环境，混合动力汽车通过专用短距离通信(DSRC)、射频识别 (RFID)、蓝牙、ZIGBEE或WI-FI进行车与车通信以及车与交通实施通信；
[0008] 步骤(2)、建立上层控制器数学模型数学模型，包括如下步骤：
[0009] (21)建立整车纵向动力学模型
[0010] (22)利用交通信号灯正时，获取目标车速的范围并设定混合动力汽车的目标车速 为此车速范围的上限；
[0011] (23)基于混合动力汽车的目标车速，采用快速模型预测算法预测给定时间窗口的 最优目标车速序列；
[0012] (24)将最优目标车速序列通过无线传输形式反馈给每辆车的驾驶员，驾驶员根据 最优目标车速序列进行加速或者制动；
[0013] 步骤(3)、下层控制器根据加速或制动信息，获取当前时刻发动机和电机的最优转 矩或功率分配，并将最优转矩或功率分配指令通过无线传输发送给发动机控制器、电机控 制器、变速箱控制器以及动力电池控制器；
[0014] 步骤(4)、各动力部件控制器根据接收到的控制指令控制对应的动力部件执行相 关的输出操作，并将动力部件的实际输出反馈给下层控制器进行闭环修正。
[0015] 作为上述方案的进一步优化，步骤（21)中建立的整车纵向动力学模型，如公式 (1)：
[0017] 式⑴中，Xl为第i辆车的状态向量;Sl为第i辆车的位置，用坐标表述;Vl为第i辆车 的速度，单位为m/s; Ul为第i辆车的控制变量，也就是任意时刻单位质量牵引力或制动力， 单位为N/kg ;Mi第i辆车的质量，单位为kg; Cd为控制阻力系数;Pa为空气密度，单位为kg/m3; Afi为第i辆车的迎风面积，单位为m2 ;μ为滚动阻力系数;Θ为坡度；
[0018] 作为上述方案的进一步优化，步骤(22)中，利用交通信号灯正时，获取目标车速的 范围的上限和下限并设定目标车速为此范围的上限，如公式(2):
[0020] 式(2)中，Vil为目标车速的下限，单位为m/s; vih为目标车速的上限，单位为m/s; dia (td)为第i辆车的位置Sl与交通信号灯a的距离，单位为m;Kw为信号灯的循环次数，取整数； tg、tr分别为红灯和绿灯的持续时间，单位为s山为一个红绿灯周期的时间，单位为S;td为 汽车行驶的时间，单位为s; vimax为第i辆混合动力汽车行驶速度的最大值，单位为m/s; vlclbj 为混合动力汽车目标车速，单位为m/s;
[0021] 作为上述方案的进一步优化，根据目标车速的范围，得到t时刻第i辆车的控制变 量m(t)的约束条件，如式(3)所示，控制变量m(t)满足约束条件，目标车速 Vlclbj即被限定在 [vn，Vlh]的范围内，混合动力汽车可避免红灯停车；
[0023] 式(3)中，Uimin、Uimax分别为控制变量的最小和最大值，单位为N/kg;5t为计算步长， 单位为s;ai(t)为当前时刻第i辆车的纵向加速度，单位为m/s 2;Ui(t)为t时刻第i辆车的控 制变量，单位为N/kg;
[0024] 基于车联网的混合动力汽车的最优目标车速序列的预测方法，包括如下步骤：
[0025] Step4A:建立快速模型预测的优化函数，并采用二次规划算法求解模型预测的优 化函数，所述快速模型预测的优化函数，如用式(5)表示：
[0027] 式(4)中，T为给定的时间窗口，单位为s;Sij为第i辆车和第j辆车的距离，单位为m; ai(i = l，2,3)为权值系数，Uid(t)为理想控制变量，单位为N/kg; ;si(t)和sj(t)分别为第i辆 车和第j辆车在时间t时的位置，用坐标表示;th为预先设定的前后两车的间隔时间，单位为 S; So为预先设定的安全距离，单位为m; Vimin为汽车行驶速度的最小值，单位为m/s; η为车队 中混合动力汽车的数量；
[0028] Step4B:将混合动力汽车的纵向动力学模型转化为线性形式的混合动力汽车纵向 动力学模型，如式(6)所示，
[0030] 式(6)中，MU)为与状态相关的参数矩阵;为一个常数列矩阵;k为时间步长，单 位为s;
[0031] Step4C:将step4A中所述的模型预测的优化函数转化成二次规划形式的模型预测 的优化函数，如式(7)所示，
[0033]式⑴中，yi为包含目标车速及理想控制变量的状态变量;Qi为对角阵;ylc^为状态 变量的目标值上^义上均为与状态变量相关的系数矩阵；
[0034] Step4D:获取step4C所述的二次规划形式的模型预测的优化函数的拉格朗日求解 公式，如式(8)所示，
[0036] 式(8)中，Ai和Ui为拉格朗日乘子；
[0037] Step4Dl:获取拉格朗日求解公式的一阶库恩-塔克(KKT)最优条件方程，如式(9) 所示，
[0039] 式(9)中，si为松弛变量；γ i和Si分别为拉格朗日乘子Vi和松弛变量Si主对角线元 素组成的列向量;e为单位列向量；
[0040] Step4D2:采用牛顿迭代法求解一阶库恩-塔克最优条件方程，牛顿迭代法的迭代 方程如式(10)所示：
[0042]式（10)中，[Ayi Δλ? Avi ASi]T为所述牛顿迭代法优化变量的搜索方向；Pi为 所述牛顿迭代法的迭代步长，所述迭代步长可以保证拉格朗日乘子和松弛变量为正值； [0043 ]牛顿迭代法优化变量的搜索方向的求解方程如式(11)所示，
[0045]式（11)中，Ryi、RAi、Rui、Rsi位库恩-塔克条件的残差；
[0046] Step4D3将牛顿迭代法中优化变量的搜索方向的求解方程经过线性变化简化为简 化方程，如（12)所示，
[0048]式(12)的搜索方向为[Ayi 为与松弛变量相关的变换矩阵；
[0049] Step4D4:采用基于乔里斯基(Cholesky)因式分解的方程求解简化方程的搜索方 向，基于乔里斯基(Cholesky)因式分解得到的方程，如式(13)所示，
[0051 ] Step4E根据所述牛顿迭代法的迭代方程（10)以及Step4D4的乔里斯基(Cholesky) 因式分解得到的方程式(13)求解最优状态变量yi;
[0052] Step4F根据最优状态变量yi求解给定时间窗口的最优目标车速序列。