本发明涉及一种混合动力汽车能量管理优化控制方法，尤其涉及的是一种基于V2X的混合动力汽车的分层能量管理优化控制方法。
背景技术：
混合动力汽车的能量管理控制系统是一个非线性、多变量、时变、不可微的系统，是当前混合动力汽车领域研究的热点和难点，直接影响混合动力汽车的动力性、经济性、舒适性及排放性能。
基于规则的控制方法已经实现产业化应用，而基于优化的控制方法主要停留在理论研究阶段。为了得到理论上的最优解，一些学者将模型预测(modelpredictivecontrol,MPC)和动态规划(dynamicprogramming,DP)结合起来。考虑到计算的时间成本问题，又有学者研究了可以获得近似最优解的等效燃油消耗最小原理(equivalentconsumptionminimizationstrategy,ECMS)或庞特亚金最小值原理(Pontryagin’sminimumstrategy,PMP)。然而，MPC和DP的组合算法、ECMS、PMP或这些算法的改进方法，以及一些其它的基于优化的控制算法，始终无法实现实时控制。而且，在使用这些方法求解的过程中，被控对象模型一般被不同程度的简化，比如忽略了驾驶员的驾驶意图、实际道路情况、信号灯的影响以及车与车之间的相互影响等，所得到的最优解并不是真正意义上的最优解。
随着智能交通系统的不断发展，采用车联网技术解决混合动力汽车的实时优化控制成为可能。基于智能交通系统提出一种基于V2X(vehicletovehicle,车车通信，以及vehicletoinfrastructure，车与交通设施通信，后统称为车联网)的方法，从智能交通(intelligenttrafficsystem,ITS)的角度，为解决整个交通系统中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。
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种基于V2X的混合动力汽车的分层能量管理优化控制方法。
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V2X的混合动力汽车的分层能量管理优化控制方法，包括如下步骤：
步骤(1)、基于车联网环境，汽车通过专用短距离通信(DSRC)、射频识别(RFID)、蓝牙、ZIGBEE、WI-FI或窝峰网，进行车与车通信以及车与交通实施通信；
步骤(2)、通过交通信号灯正时获取混合动力汽车的目标车速；
步骤(3)、通过上层控制器集成的模型预测算法以及步骤(2)获取的混合动力汽车目标车速预测给定时间窗口的最优目标车速序列，并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序列车速进行加速或者制动；
步骤(4)、车载通信装置将加速和制动踏板传感器采集的信号反馈发送给云端服务器；
步骤(5)、云端服务器根据加速或者制动踏板传感器采集到的信号，计算驾驶员请求转矩或者功率信息并通过无线传输的方式发送给下层控制器。
步骤(6)、下层控制器根据接收到的驾驶员请求的转矩或功率信息,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；
步骤(7)、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。
作为上述方案的进一步优化，步骤(2)中获取混合动力汽车目标车速，包括如下步骤：
步骤(21)、建立混合动力汽车纵向动力学模型，如公式(1)：
式(1)中，si为第i辆车的位置，用坐标表述；
vi为第i辆车的速度，单位为m/s；
xi为第i辆车的状态向量；
ui为第i辆车的控制变量，含义为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；ρa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，单位为(°)；
步骤(22)、建立混合动力汽车的功率平衡方程，如公式(2)：
式(2)中，Pireq为第i辆车的驱动需求功率，单位为W；
步骤(23)、根据混合动力汽车的功率平衡方程，且在满足纵向动力学约束的前提下，建立N辆车消耗的总能量的最小值模型，如公式(3)：
式(3)中，为混合动力汽车的等效燃油消耗率，单位为g/s；
ηeff为汽车传动系统的总效率；H为汽油的热值，单位为J/g；
T为汽车行驶的时间，单位为s；
δt为计算步长，单位为s；vimin、vimax分别为汽车行驶速度的最小和最大值，单位为m/s；
uimin、uimax分别为控制变量的最小和最大值，单位为N/kg；
步骤(24)、为避免混合动力汽车红灯停车,根据交通信号灯正时获取目标车速:
基于交通信号灯正时，建立汽车目标车速求解模型,如公式(4)：
其中，vimin≤viobj(td)≤vimaxviobj为第i辆车的目标车速，单位为m/s；dia(td)为第i辆车的位置si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；tc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；
作为上述方案的进一步优化，根据公式(4)所述的基于交通信号灯正时获取的混合动力汽车目标车速，采用模型预测算法预测给定时间窗口的最优目标车速序列，包括如下步骤：
步骤(31)、对于第i辆车，在给定的时间窗口T，汽车在总的行驶时间为td时，构建模型预测的目标函数如公式(5)，公式(5)的输出给定时间窗口T内混合动力汽车的最优目标车速序列：
式(6)中，Vim为第i辆车当前车速与目标车速的差值，单位为m/s；
Sij为第i辆车和第j辆车的距离，单位为m；
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；
S0为预先设定的安全距离，单位为m；
ωi(i＝1,2,3)为权值系数；
步骤(32)、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(7)所示，
式(6)中，Ai(xi)为与状态相关的参数矩阵；Bi为一个常数列矩阵；k为时间步长，单位为s；
步骤(33)、将步骤(31)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(8)所示，
式(7)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；yiobj为状态变量的目标值，Pi、qi、Ci、bi均为与状态变量相关的系数矩阵；
步骤(34)、获取步骤(33)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(9)所示，
式(8)中，λi和υi为拉格朗日乘子；
Step(34-1)：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(10)所示，
式(10)中，si为松弛变量；γi和Si分别为拉格朗日乘子νi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；
Step(34-2)：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(11)所示：
式(10)中，[ΔyiΔλiΔνiΔsi]T为所述牛顿迭代法优化变量的搜索方向；βi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；
Step(34-3)求解牛顿迭代法优化变量的搜索方向的，如式(12)所示，
式(11)中，Ryi、Rλi、Rυi、Rsi位库恩-塔克条件的残差；
步骤(35)、根据所述牛顿迭代法的迭代方程(11)以及方程式(12)得到的搜索，求解最优状态变量yi；
步骤(36))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。
作为上述方案的进一步优化，为了提高汽车经过信号灯时遇到绿灯的可能性，从交通信号灯正时的角度，设定绿灯的间隔时间小于原先的绿灯间隔时间，红绿灯的选择时机如式(5)所示：
式(5)中，表示的是td除以tc所得到的余数。
作为上述方案的进一步优化，所述分层能量管理控制系统的上层控制器和下层控制器均可以是集成在云端服务器的虚拟控制器，所有的运算都在云端服务器中完成并将实时的数据发送给驾驶员以及汽车的动力部件控制器。
作为上述方案的进一步优化，所述下层控制器采用的基于优化的能量管理控制算法为自适应等效燃油消耗最小原理(AECMS)。
作为上述方案的进一步优化，所述分层能量管理控制系统的上层控制器和下层控制器均为集成在云端服务器的虚拟控制器，运算都在云端服务器中完成并将实时的数据发送给驾驶员和汽车的动力部件控制器。相比现有技术，本发明提供的一种基于V2X的混合动力汽车的分层能量管理优化控制方法的有益效果体现在：
1)与基于Gipp’s跟车模型的方法相比，本发明的一种基于V2X的混合动力汽车的分层能量管理优化控制方法，设置分层控制器，上层控制器是V2X控制层，用于求解给定时间窗口最优目标车速序列。下层控制器是能量管理控制层，根据上层控制器的最优目标车速序列，得到发动机、电机的最优输出转矩或功率。本发明的基于V2X的混合动力汽车的能量管理优化控制方法计算最优目标车速序列，可以有效降低混合动力汽车的油耗；油耗的降低幅度与下层控制器的控制方法有关，下层控制器为AECMS、ECMS、基于规则时，油耗降低的幅度依次降低。
2)本发明的基于V2X的混合动力汽车的分层能量管理优化控制方法，采用基于AECMS的下层控制器可以实现良好的车速跟随以及动力部件的能量管理，且控制效果优于基于ECMS和基于规则的控制方法。
3)本发明的基于V2X的混合动力汽车的分层能量管理优化控制方法，采用基于V2X的上层控制器，可以有效的避免混合汽车红灯停车，根据本优选实施例的试验方案，各混合动力汽车在经过所有的红绿灯时，均未遇到红灯。
4)本发明的基于V2X的混合动力汽车的分层能量管理优化控制方法，采用基于V2X的上层控制器，根据本优选实施例的试验方案，最优车速求解模型式(6)中，考虑了一个车辆队列中，混合动力汽车之间的相互距离并加以约束，得到的最优车速结果可以有效的避免混合动力汽车发生碰撞。
5)本发明的基于V2X的混合动力汽车的分层能量管理优化控制方法，以交通系统中多辆混合动力汽车总的油耗最小为目标，从宏观的角度，为解决多辆混合动力汽车总的能耗最小问题提供思路。
附图说明
图1是本发明的一种基于V2X的混合动力汽车的分层能量管理优化控制方法的原理图。
图2(a)-图2(d)分别是一号车、二号车、三号车、四号车采用本发明的基于V2X的混合动力汽车的分层能量管理优化控制方法的跟踪车速示意图。
图3(a)-图3(d)分别是一号车、二号车、三号车、四号车在基于规则、基于A-ECMS、基于ECMS控制策略下动力电池SOC变化轨迹示意图。
图4(a)-图4(b)分别是二号车在在基于规则、基于A-ECMS的控制策略下发动机和电机的输出功率示意图。
图5为一号车、二号车、三号车、四号车的运动轨迹示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明的基于V2X的混合动力汽车的分层能量管理优化控制方法，通过上层控制器集成的多目标优化算法和模型预测算法，获取最优目标车速，并将最优目标车速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进行加速或者制动。
参见图1，图1是本发明的一种基于V2X的混合动力汽车的分层能量管理优化控制方法的原理图。一种基于V2X的混合动力汽车的分层能量管理优化控制方法，包括如下步骤：
步骤(1)、基于车联网环境，汽车通过专用短距离通信(DSRC)、射频识别(RFID)、蓝牙、ZIGBEE、WI-FI或窝峰网，进行车与车通信以及车与交通实施通信；
步骤(2)、通过交通信号灯正时获取混合动力汽车的目标车速；
步骤(3)、通过上层控制器集成的模型预测算法以及步骤(2)获取的混合动力汽车目标车速预测给定时间窗口的最优目标车速序列，并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序列车速进行加速或者制动；
步骤(4)、车载通信装置将加速和制动踏板传感器采集的信号反馈发送给云端服务器；
步骤(5)、云端服务器根据加速或者制动踏板传感器采集到的信号，计算驾驶员请求转矩或者功率信息并通过无线传输的方式发送给下层控制器。
步骤(6)、下层控制器根据接收到的驾驶员请求的转矩或功率信息,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；
步骤(7)、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。
步骤(2)中获取混合动力汽车目标车速，包括如下步骤：
步骤(21)、建立混合动力汽车纵向动力学模型，如公式(1)：
式(1)中，si为第i辆车的位置，用坐标表述；
vi为第i辆车的速度，单位为m/s；
xi为第i辆车的状态向量；
ui为第i辆车的控制变量，含义为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；ρa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，单位为(°)；
步骤(22)、建立混合动力汽车的功率平衡方程，如公式(2)：
式(2)中，Pireq为第i辆车的驱动需求功率，单位为W；
步骤(23)、根据混合动力汽车的功率平衡方程，且在满足纵向动力学约束的前提下，建立N辆车消耗的总能量的最小值模型，如公式(3)：
式(3)中，为混合动力汽车的等效燃油消耗率，单位为g/s；
ηeff为汽车传动系统的总效率；H为汽油的热值，单位为J/g；
T为汽车行驶的时间，单位为s；
δt为计算步长，单位为s；vimin、vimax分别为汽车行驶速度的最小和最大值，单位为m/s；
uimin、uimax分别为控制变量的最小和最大值，单位为N/kg；
步骤(24)、为避免混合动力汽车红灯停车,根据交通信号灯正时获取目标车速:
基于交通信号灯正时，建立汽车目标车速求解模型,如公式(4)：
其中，vimin≤viobj(td)≤vimaxviobj为第i辆车的目标车速，单位为m/s；dia(td)为第i辆车的位置si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；tc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；
交通信号灯正时是指交通信号灯的相位和每个相位出现的时机，相位指的是交通信号灯的状态，即红灯或绿灯(本优选实施例中不考虑黄灯)，信号灯的时机是指红灯或绿灯持续出现的时刻以及持续的时间。
通过公式(4)知：当信号灯为绿灯时，若混合动力汽车目标车速初始值满足设定的约束条件，其目标车速选择为最大的允许值。若不满足此约束就意味着汽车需要在此绿灯时间段内超速才能通过。在这种情况下，则从实际的角度出发，设定汽车减速，在行驶的过程中经过一个红灯时间窗口，并在下一个绿灯时间窗口通过。由于目标车速设定有上限值和下限值，如果在接下来的绿灯时间窗口内，目标车速无可行解，则车辆必须在给定的红灯时间窗口内停车，等到下一个绿灯重新按照公式(4)计算目标车速的初始值。
为了提高汽车经过信号灯时遇到绿灯的可能性，从交通信号灯正时的角度，设定绿灯的间隔时间小于原先的绿灯间隔时间，红绿灯的选择时机如式(5)所示：
式(5)中，表示的是td除以tc所得到的余数。
假设每辆车在每隔一段时间T都发送该车的位置和目标车速信息到紧随其后的一辆车，那么当汽车的目标车速序列以及前车位置信息都确定，最优目标车速轨迹可以通过模型预测得到。
根据公式(4)所述的基于交通信号灯正时获取的混合动力汽车目标车速，采用模型预测算法预测给定时间窗口的最优目标车速序列，具体步骤为：
步骤(31)、对于第i辆车，在给定的时间窗口T，汽车在总的行驶时间为td时，构建模型预测的目标函数如公式(6)，公式(6)的输出给定时间窗口T内混合动力汽车的最优目标车速序列：
其(6)中，Vim为第i辆车当前车速与目标车速的差值，单位为m/s；
Sij为第i辆车和第j辆车的距离，单位为m；
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；
S0为预先设定的安全距离，单位为m；
ωi(i＝1,2,3)为权值系数。
对公式(6)，优化的对象包含三个方面的权值之和，即第i辆车油耗、第i辆车车速与目标车速的差值、第i辆车与第j辆车之间的距离。关于权值ωi(i＝1,2,3)的选取，需要遵循以下原则。
选取权值ω1和ω2为目标车速范围的函数。当目标车速范围较大时，更多地关注燃油经济性而不是车速跟随，此时，ω1取较大值而ω2取较小值；当目标车速范围较小时，更多地关注车速跟随而不是燃油经济性，此时，ω1取较小值而ω2取较大值。选取ω3为前后车相对距离的函数，当相对距离增加时，ω3取较小值，当相对距离减小时，ω3取较大值。基于模型预测的目标函数公式(6)预测最优目标车速序列，具体步骤为：
步骤(32)、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(7)所示，
式(7)中，Ai(xi)为与状态相关的参数矩阵；Bi为一个常数列矩阵；k为时间步长，单位为s；
步骤(33)、将步骤(31)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(8)所示，
式(8)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；yiobj为状态变量的目标值，Pi、qi、Ci、bi均为与状态变量相关的系数矩阵；
步骤(34)、获取步骤(33)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(9)所示，
式(9)中，λi和υi为拉格朗日乘子；
Step(34-1)：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(10)所示，
式(10)中，si为松弛变量；γi和Si分别为拉格朗日乘子νi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；
Step(34-2)：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(11)所示：
式(11)中，[ΔyiΔλiΔνiΔsi]T为所述牛顿迭代法优化变量的搜索方向；βi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；
Step(34-3)求解牛顿迭代法优化变量的搜索方向的，如式(12)所示，
式(12)中，Ryi、Rλi、Rυi、Rsi位库恩-塔克条件的残差；
步骤(35)、根据所述牛顿迭代法的迭代方程(11)以及方程式(12)得到的搜索，求解最优状态变量yi；
步骤(36)、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。
根据上述原则，目标车速的范围有两方面的作用，其一是作为权值函数决定ω1和ω2的取值，其二是如果汽车的实际车速与最优目标车速相差太大，最优目标车速范围可以保证汽车车速在限定的范围之内并且避免红灯停车。
另外，上述优化问题除了满足式(6)的约束之外，还应满足式(1)所述的系统动力学方程的约束。需要指出的是，最优目标车速序列与通过交通信号灯正时得到的目标车速的本质不同之处在于，后者的求解原则是避免混合动力汽车等红灯停车，没有考虑发动机的工作点，而式(6)所述的优化问题则权衡了汽车的燃油经济性、车速跟随以及跟车距离等。
在车联网概念出现之前，一般采用吉普斯跟车模型(Gipp’scarfollowingmodel)求解最优目标车速。在吉普斯跟车模型中，不考虑交通信号灯的影响，其主要原理是在防止汽车碰撞的前提下，获得最优目标车速。本优选实施例将基于吉普斯跟车模型的方法用作对比方法，吉普斯跟车模型的理论公式如式(13)所示。
式(13)中，ai为第i辆车的期望的最大加速度，单位为m/s2；bi为第i辆车的期望的最大减速度，单位为m/s2；Vi为第i辆车的期望的车速，单位为m/s；τ为时间间隔，单位为s；si(t)为第i辆车t时刻的位置；li-1为第i-1辆车的车身长度，单位为m；b为期望的制动减速度，单位为m/s2；vi为第i辆车的实际车速，单位为m/s；本发明的基于V2X的混合动力汽车的能量管理优化控制方法，下层控制器主要是基于等效燃油消耗最小的油耗优化模型，其目标是根据上层控制器得到的最优目标车速，计算每个采样时刻发动机和电机的最优转矩或功率分配。由于动态规划、随机动态规划等算法计算时间很长，本优选实施例中，下层控制器采用的控制算法为自适应等效燃油消耗最小原理(adaptiveequivalentconsumptionminimizationstrategy,AECMS)。
等效燃油消耗最小原理(equivalentconsumptionminimizationstrategy,ECMS)的本质是将电机消耗的电能通过等效因子转换为等效油耗，然后搜索目标函数在控制变量可行域内网格点对应的最小值(编程时一般采用min函数)，此最小值即为目标函数的最小值，对应目标函数最小值的控制变量即为最优控制变量。
ECMS的优化原理可以用式(14)表示：
式(14)中，为最优控制变量，单位为N/kg；ui(t)为控制变量单位为N/kg；为发动机的燃油消耗率，单位为g/s；λ*(t)为最优的等效因子；SOC为动力电池荷电状态。
对于混合动力汽车的能量管理，假设控制变量为发动机转矩和变速箱速比，目标函数为汽车油耗，则ECMS的本质即为搜索可行域中发动机转矩点和变速箱速比点组成的矩阵中对应油耗最小值，以及此时对应的发动机转矩及变速箱速比。
自适应等效燃油消耗最小原理(AECMS)是在等效燃油消耗最小原理(ECMS)的基础上，设计可变的等效因子得到。
等效因子对工况很敏感，设计一个可变的等效因子，满足不同工况的需求。当等效燃油消耗最小原理的等效因子s可变时，其实质则变为自适应等效燃油消耗最小原理。等效因子的计算，可以使用很多优化算法，如滑模控制、鲁棒控制等。本优选实施例中，采用一个简单的线性迭代表达式，如式(15)所示。
式(15)中，a0(t)为t时刻汽车载荷曲线的近似斜率；t0、tf分别为当前更新时刻和将来预测时刻；Voc动力电池开路电压，单位为V；Rbat分别为动力电池内阻，单位为Ω；SOC为动力电池荷电状态；Qbat为动力电池额定容量，A·h。
本发明的基于V2X的混合动力汽车的分层能量管理优化控制方法，设计上层和下层控制系统均可以是集成在云端服务器的虚拟控制器，所有的运算都可以在服务器中完成并将实时的数据发送给驾驶员以及汽车的动力部件控制器。由于云端服务器的运算能力远远高于车载单片机的运算能力，可以实时处理复杂的优化算法，因此无需过多的简化被控对象模型，仍然可以实现实时控制。
由于车联网涉及到宏观交通领域的实时数据处理与反馈的问题，数学模型比较复杂且内含复杂的优化算法，一般的服务器运算速度缓慢，无法满足实时控制的需求。为此，关于车联网部分，本优选实施例采用美国克莱姆森大学的大型服务器Palmetto(本优选实施例试验采用的计算模块为惠普的DL580，处理器为24核英特尔至强7542，运行内存505GB)作为云端服务器来计算上层控制器的最优目标车速，并将优化后的车速保存为数据格式文件，用于下层控制器的离线硬件在环试验，试验环境为dSPACE，试验时间为300s。
在测试程序中，设置车队中有4辆同型号的混合动力车,分别为一号车、二号车、三号车、四号车；汽车的初始位置为[45.566630.229315.91960.8724]，单位为m；初始车速为[13.004714.178810.373010.0473]，单位为m/s；模型预测的时间窗口为10s，计算的步长为0.5s；设置信号灯数量为15，红灯持续时间为45s，绿灯持续时间为25s，两个交通信号灯的距离为400m；设置汽车的最大、最小车速分别为20m/s和0。设置每辆车的整车整备质量为1500kg，迎风面积为2.25m2，空气阻力系数为0.3，发动机功率为93kW，电机的额定功率为30kW，峰值功率为60kW；设置初始等效因子为2.4。
本发明的基于V2X的混合动力汽车的分层能量管理优化控制方法,上层控制器的目标为输出最优目标车速序列，下层控制器的目标为最优能量管理。为了验证本发明的基于V2X的混合动力汽车的分层能量管理优化控制方法的控制效果，试验结果分别从图2-图5以及表1-表2所示的几个方面进行论述。
图2(a)～(d)分别为一号车到四号车的上层控制器最优目标车速以及下层控制器的跟随车速。分析可知，除了起步时误差比较明显之外，其余时间的跟随车速与最优目标车速基本吻合，下层控制器能够很好的跟随上层控制器的最优目标车速，说明下层控制器的能量管理控制方法是有效的、合理的。另外，四辆车的目标车速的变化趋势以及跟随车速的变化趋势都基本保持一致，说明了每辆车与前、后车之间以及车辆与交通信号灯之间可以实现良好的通信，使得各车的相对距离大体保持不变，因而也可以体现出上层控制器能够有效的避免车与车之间发生碰撞。各车在经过红绿灯时都会进行相应的加速或减速且各自车速均未超过限速，说明交通信号灯对驾驶员驾驶行为有影响，但是驾驶员根据建议车速行驶，不会超速也不会过多踩刹车从而减少燃油消耗。
图3(a)～(d)分别为一号车到四号车在基于规则、基于AECMS、基于ECMS三种不同策略下动力电池SOC的变化轨迹示意图。由图可知，不管下层控制器采用哪种控制策略，动力电池的SOC都在合理的范围内变动，从而再次验证了下层控制方法的合理性。整体而言，基于AECMS的控制方法动力电池SOC变化范围最小，基于ECMS控制方法动力电池SOC变化范围略大于基于AECMS控制方法时的SOC变化范围，基于规则的SOC变化范围最大。由此说明，采用变等效因子的AECMS控制方法能够更好的适应工况的变化，ECMS采用固定的等效因子，控制效果次之，但优于基于规则的控制方法。另外，二、三、四号车的SOC变化趋势保持一致，但均与一号车的变化趋势不同，原因是一号车是领队车，二、三、四号车是跟随车，这也与车速跟随的趋势保持一致。领队车的车速与其他车辆无关，只取决于它与交通信号灯的距离以及交通信号灯正时，处于主动加速或减速的地位，而跟随车的车速信息除了与交通信号灯有关之外，还被动的受控于前面车辆的实际跟随车速。
由于四辆车的工作情况基本保持一致，故本优选实施例选择其中的二号车基于AECMS和基于规则的下层控制方法进行硬件在环对比试验。图4(a)～(b)分别为发动机和电机的在基于AECMS和基于规则的控制方法下的输出功率。此图主要用于对比动力部件的在不同控制方法下的输出功率以及动力部件工作情况的合理性。由图4(a)可知，基于规则的控制方法下，发动机工作的时间比较多，而基于AECMS的控制方法时发动机的工作时间大大减少。类似地，由图4(b)可知，在基于规则的控制方法下，电机的工作时间比较少，而基于AECMS的控制方法时，电机的工作时间大大增多。由此可知，基于AECMS的控制方法是优先使用电机驱动然后使用发动机驱动，从而其燃油经济性比基于规则的控制算法高。
图5为四辆混合动力车的轨迹曲线示意图，其中，与横轴平行的实横线表示红灯窗口，实横线之间的空白表示绿灯窗口。由图5可知，四辆车在经过红绿灯时，均没有遇到红灯，从而验证了本优选实施例提出的信号灯正时方法可以有效的避免混合动力汽车红灯停车；另外，四辆车的轨迹曲线没有交点，验证了本优选实施例提出的基于V2X的混合动力汽车能量管理控制方法可以有效的避免混合动力汽车发生碰撞，满足本优选实施例上层控制器的设计原则。
表1基于V2X的油耗对比
表2基于吉普斯跟车模型的油耗对比
表1和表2从等效百公里油耗的角度表示不同控制算法的控制效果。表1和表2分别为本优选实施例提出的基于V2X以及基于Gipp’s跟车模型的汽车最优目标车速计算方法求解时的混合动力汽车等效百公里油耗。分析表1或表2可知，对于同一辆混合动力汽车，基于AECMS、ECMS、规则的混合动力汽车的油耗是依次升高的。对比表1和表2可知，对于同一辆混合动力汽车，在相同的控制方法下，上层控制器采用V2X时的等效百公里油耗低于采用Gipp’s跟车模型时的等效百公里油耗。由此验证了本优选实施例的上层控制器的合理性及优越性。
本发明的基于V2X的混合动力汽车的分层能量管理优化控制方法，可以实现混合动力汽车的实时能量管理，有效的避免混合动力汽车红灯停车，获取最优目标车速，可以有效降低混合动力汽车的油耗，为解决混动力汽车实时能量管理及优化提供新的思路。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。