一种基于模型预测控制的PHEV红绿灯路口通过控制方法与流程

本发明涉及车辆领域，特别是一种基于模型预测控制的phev红绿灯路口通过控制方法。

背景技术

近年来，智能交通系统因其具有独特的能源和环境效益，引起了人们的极大兴趣。作为智能交通的组成部分，ead(eco-approachanddeparture)的一个主要应用就是引导汽车以经济的方式通过十字路口。汽车的燃油经济性和排放性与汽车的加减速和怠速密切相关，为了提高汽车的燃油经济性，应尽可能的避免急加速与急减速和怠速。急加速急减速与怠速工况经常出现在装有红绿灯的岔路口处，因此制定合理的速度轨迹可以增大汽车通过岔路口的概率，大幅提升汽车的燃油经济性。随着近年来汽车与路面基础设施网络互联技术的进步，如今汽车可以在接近装有红绿灯的岔路口时提前获取交通信号灯的相位和时间，基于获取的信息，结合速度轨迹预测系统，将系统计算出的速度推送给驾驶员，基于推荐的速度行驶，可大大增加汽车通过岔路口时信号灯为绿灯时概率。

插电式混合动力汽车是传统汽车向纯电动汽车的过度产品，不仅提高汽车续航里程，同时具备很好的燃油经济性。插电式混合动力汽车的燃油经济性与动力系统能量管理策略密切相关，通过优化在不同行驶条件下的能量管理策略能够提高汽车的燃油经济性。本发明针对一种混联式混合动力车辆，以提高燃油经济性为主要目标，提出基于模型预测控制(mpc,modelpredictivecontrol)的能量管理策略，通过模型预测未来一段时间内系统的输出量和控制量，采用“边走边优化”的方式来实时控制。很多研究都是单方面的对上述两点进行研究，很少有将这两者结合起来进行控制。

技术实现要素：

本发明的目的在于提供一种基于模型预测控制的phev红绿灯路口通过控制方法，以克服现有技术中存在的缺陷。

为实现上述目的，本发明的技术方案是：一种基于模型预测控制的phev红绿灯路口通过控制方法，按照如下步骤实现：

步骤s1：通过车载监测系统获取汽车当前行驶速度vc以及距离下一个十字路口的距离d，

步骤s2：通过汽车与交通设施匹配的无线连接系统获取实时的交通信号信息，包括：交通信号灯转变为红灯所需的时间tr与交通信号灯转变为绿灯所需的时间tg；

步骤s3：基于获取的信息，经车载汽车速度轨迹预测系统处理后，自动预测优化汽车未来的速度轨迹v(t)，下发至车载控制系统，汽车按照该速度轨迹v(t)行驶；

步骤s4：通过所述车载监测系统获取当前电池荷电状态soc(t)、发动机转矩te、发动机转速we、电机的转矩tmg以及电机的转速wmg，计算出当前电池输出功率pbatt；

步骤s5：根据所述步骤s3获取的速度轨迹v(t)，预测出未来有限时域汽车所需的牵引功率ptr(t)以及需求转矩tr(t)；

步骤s6：所述车载控制系统基于模型预测控制，以速度轨迹v(t)作为参考，以等效燃油消耗量最低为目标，获取驱动过程中需求转矩分配控制信息，并驱动汽车行驶。

在本发明实施例中，在所述步骤s2中，所述车载无线连接系统为ead系统。

在本发明实施例中，在所述步骤s3中，还包括如下步骤：

步骤s31：基于信号灯的当前相位，计算出汽车在绿灯时通过路口所需要的时间：

其中，l为信号灯的当前相位，l＝g表明信号灯的当前相位为绿灯，l＝r表明信号灯的当前相位为红灯；

步骤s32：记汽车到达路口所需要的时间区间t的低值和高值分别为tl和th，vl0＝d/th、vh0＝d/tl，汽车在绿灯时通过路口所需要达到的平均行驶速度如下：

vq＝[vl0，vh0]∩[0，vlimit]＝[vl，vh]

步骤s33：所述汽车速度轨迹预测系统通过如下步骤预测优化汽车未来的速度轨迹v(t)：

步骤s331：当汽车当前时刻的速度vc在区间vq内时，汽车按照当前时刻的速度vc继续行驶，v(t)＝vc；

步骤s332：若汽车当前时刻的速度大于vh时，汽车减速度减速至vh，减速时的速度轨迹v(t)满足以下条件：

步骤s333：若汽车当前时刻的速度小于vl，汽车加速度加速至vl，加速时的速度轨迹v(t)满足以下条件：

其中，vh为汽车在绿灯时通过路口所允许行驶的最高速度，vl为汽车在绿灯时通过路口所允许行驶的最低速度，vd为速度之差，vd＝vh-vc，参数s和参数a都是加速度层面的参数。

在本发明实施例中，在所述步骤s5中，

牵引功率ptr为：

需求转矩tr(t)为：

其中，fw为空气阻力，ff为滚动阻力，fi为坡道阻力，fa为加速阻力，cd为空气阻力系

数，a为迎风面积，ρ为空气密度，m为汽车质量，f为滚动阻力系数，δ为汽车旋转质量换

算系数，为汽车行驶加速度，r为车轮半径；通过结合速度轨迹v(t)以及上述公式，则获

取速度轨迹v(t)对应的牵引功率和车辆需求转矩。

在本发明实施例中，在所述步骤s6中，所述模型预测控制包括如下步骤：

步骤s61：获取当前电池荷电状态soc(t)、发动机转矩te、发动机转速we、电机的转矩tmg以及电机的转速wmg；

步骤s62：记预测时域为[tk，tk+n]，时间tk至tk+1为一个控制周期t，所述车载汽车速度轨迹预测系统预测接下来时刻[tk，tk+n]的速度轨迹v(k+i)，计算出对应tk+i时刻的预测需求转矩；将该预测需求转矩与当前时刻的需求转矩作为需求转矩序列：

[tr(k+1)，tr(k+2)，tr(k+3)，...，tr(k+n)]；

步骤s63：选择等效燃油消耗量作为模型预测控制的目标函数，以等效燃油消耗量最小为目标，通过动态规划优化算法求解目标函数j(k)，获取[tk，tk+n]内最优的发动机转矩序列：

[te(k+1)，te(k+2)，te(k+3)，...，te(k+n)]；

最佳的电机转矩序列：

[tm(k+1)，tm(k+2)，tm(k+3)，...，tm(k+n)]；

步骤s64：将步骤s63获取的最优的发动机转矩序列中首个发动机转矩te(k+1)与最佳的电机转矩序列中首个电机转矩tm(k+1)作为当前控制周期结束tk+1时刻的控制器输出，分别作为发动机和电机的驱动信号；

步骤s65：下一个控制循环，再依次执行步骤s61至步骤s64，根据t(k+1)时刻获取的发动机转矩和电机转矩确定t(k+2)时刻的发动机和电机转矩驱动信号，并按此往复。

在本发明实施例中，在所述步骤s6中，等效燃油消耗量对应的目标函数为：

其中，mf为发动机的燃油消耗率，n为预测周期t的个数，ke-f为电能等效油耗转化系数，me为电池电量消耗率。

相较于现有技术，本发明具有以下有益效果：本发明提出的一种基于模型预测控制的phev红绿灯路口通过控制方法，通过智能交通系统优化出未来一段时间的速度轨迹，以此速度轨迹作为参考，以燃油消耗量最小为目标，结合模型预测控制的方法获得未来一段时刻发动机功率和电机功率，可显著改善汽车的燃油经济性，实现节能减排和美化环境。

附图说明

图1为本发明中基于智能交通系统的插电式混合动力汽车能量管理策略总框架图。

图2为本发明中vtp系统速度轨迹框架图。

图3为本发明中vtp系统速度规划算法流程图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明提供一种基于模型预测控制的phev红绿灯路口通过控制方法，如图1所示，该方法主要由速度轨迹预测和基于模型预测控制的能量管理策略组成。在速度轨迹优化方面，结合车辆动态信息和实时交通信息规划出合理的速度轨迹，汽车按照提示的速度轨迹行驶。如图2所示，汽车若是无人驾驶汽车，可以通过pid控制使汽车自动按照提示的速度轨迹行驶，若不是无人驾驶，则需要司机通过油门和制动踏板使汽车按照仪表盘参考速度行驶。该方法显著减少了汽车等待红绿灯的概率。在能量管理策略方面，依照预测的速度轨迹，以等效燃油消耗量最小为目标，通过模型预测的方法分配发动机和电池组的功率，达到燃油经济性的目的。

具体按照如下步骤实现：

步骤s1：通过车载监测系统获取汽车当前行驶速度vc以及距离下一个十字路口的距离d；

步骤s2：通过汽车与交通设施匹配的车载无线连接系统获取实时的交通信号信息，包括：交通信号灯变为红灯的时间tr与交通信号灯变为绿灯的时间tg；

步骤s3：基于获取的信息，经车载汽车速度轨迹预测系统处理后，自动预测优化汽车未来的速度轨迹v(t)，下发至车载控制系统，汽车按照该速度轨迹v(t)行驶；

步骤s4：通过所述车载监测系统获取当前电池荷电状态soc(t)、发动机转矩te、发动机转速we、电机的转矩tmg以及电机的转速wmg，计算出当前电池输出功率pbatt；

步骤s5：根据所述步骤s3获取的速度轨迹v(t)，预测出未来有限时域汽车所需的牵引功率ptr(t)以及需求转矩tr(t)；

步骤s6：车载控制系统基于模型预测控制，以速度轨迹v(t)作为参考，以等效燃油消耗量最低为目标，获取驱动过程中需求转矩分配控制信息，并驱动汽车行驶。

进一步的，在本实施例中，在步骤s2中，车载无线连接系统为ead系统，ead系统能够将实时的交通信息递送给汽车来应对交通状况和交通信号灯的不确定性，实时的交通信息和下游交通信号的信息将作为输入，为汽车的优化策略提供依据。速度轨迹的优化的前提是获取汽车当前位置和当前的动态特性，车载gps可将汽车的位置和速度信息实时传送给轨迹预测系统，通过ead提供的交通信号灯的实时相位信息，汽车的轨迹预测系统结合汽车当前所处的位置和速度和交通信号，预测出合理的速度轨迹。

进一步的，在本实施例中，在步骤s3中，速度的轨迹优化有以下四种情况：

1.按当前速度行驶，当汽车抵达十字路口时交通信号灯是绿灯，可以通过，此时汽车只需要以当前速度行驶通过红绿灯即可。

2.按当前速度行驶，汽车无法顺利通过十字路口，此时汽车需要加速以使在绿灯的最后时刻恰好顺利通过十字路口。

3.按当前速度行驶，接近十字路口时交通信号灯为红灯，汽车不可避免的要停下等待红灯，红灯结束，汽车离开十字路口。

4.按当前速度行驶，抵达十字路口时正好处于红灯时段的末端，此时汽车可以缓慢的减速，待交通信号灯转为绿色时，加速通过十字路口。

进一步的，在本实施例中，在步骤s3中，还包括如下步骤：

步骤s31：基于信号灯的当前相位，计算出汽车在绿灯时通过路口所需要的时间：

其中，l为信号灯的当前相位，l＝g表明信号灯的当前相位为绿灯，l＝r表明信号灯的当前相位为红灯；

步骤s32：记汽车到达路口所需要的时间区间t的低值和高值分别为tl和th，vl0＝d/th、vh0＝d/tl，汽车在此路段的平均行驶速度应在[vl0，vh0]的区间内，汽车才能顺利在绿灯时通过路口。由于需要考虑到路段的限速，因此汽汽车在绿灯时通过路口所需要达到的平均行驶速度如下：

vq＝[vl0，vh0]∩[0,vlimitj＝[vl，vh]

步骤s33：所述汽车速度轨迹预测系统通过如下步骤预测优化汽车未来的速度轨迹v(t)：

步骤s331：当汽车当前时刻的速度vc在区间vq内时，汽车按照当前时刻的速度vc继续行驶，v(t)＝vc；

步骤s332：若汽车当前时刻的速度大于vh时，汽车减速度减速至vh，减速时的速度轨迹v(t)满足以下条件：

步骤s333：若汽车当前时刻的速度小于vl，汽车加速度加速至vl，加速时的速度轨迹v(t)满足以下条件：

其中，vh为汽车在绿灯时通过路口所允许行驶的最高速度，vl为汽车在绿灯时通过路口所允许行驶的最低速度，vd为速度之差，vd＝vh-vc，参数s和参数a都是加速度层面的参数。

进一步的，在本实施例中，如图3所示，当汽车当前时刻的速度vc在区间vq内时，汽车保持当前行驶速度vc行驶，v(t)＝vc。若汽车当前时刻的速度大于vh，则汽车以一定的减速度减速至vh，若汽车当前时刻的速度小于vl，汽车以一定的加速度加速至vh。

考虑到实际情况，汽车从当前时刻速度vc加速到vh，需要一定的时间δt，加速行驶的距离为st1。由于上述公式中是按汽车全程以vh的速度行驶时，汽车才能在特定的时间通过十字路口，那么在实际情况中，则只有当加速行驶的距离st＝vh*δt时，汽车才能按时通过红绿灯路口。汽车的加速时的速度轨迹如上所示。

与加速过程相同，汽车从当前时刻速度vc减速到vl，需要一定的时间δt，行驶的距离为st2。当汽车全程以vl的速度行驶时，汽车才能在特定的时间通过十字路口，那么在实际情况中，则只有当减速阶段的距离st＝vl*δt时，汽车才能按时通过红绿灯路口。汽车的减速时的速度轨迹如上所示。

进一步的，jerkmax是关于s和a的函数，s和a需满足以下关系：

在本实施例中，速度轨迹预测出后，需要汽车遵循此优化轨迹。如果是人工驾驶的汽车，预测速度轨迹将会实时的传送到显示面板上，驾驶员通过控制踏板来拟合速度轨迹。如果是无人驾驶的汽车，汽车控制系统会自动控制来遵循预测的驾驶轨迹。

进一步的，在本实施例中，在步骤s4中，已知soc0电池初始核电状态，电池荷电状态soc，发动机转矩te,发动机转速we,电机的转矩tm，电机的转速wm需要满足以下关系：

进一步的，在本实施例中，在步骤s5中，牵引功率ptr为：

需求转矩tr(t)为：

其中，fw为空气阻力，ff为滚动阻力，fi为坡道阻力，fa为加速阻力，cd为空气阻力系数，a为迎风面积，ρ为空气密度，m为汽车质量，f为滚动阻力系数，δ为汽车旋转质量换算系数，为汽车行驶加速度，r为车轮半径；将速度v(t)代入上述公式，获取速度轨迹v(t)对应的牵引功率和车辆需求转矩。

进一步的，在本实施例中，在步骤s6中，能量管理的方法采用模型预测控制的方法，模型预测控制(modelpredictivecontrol，mpc)是近年来被广泛讨论的一种反馈控制策略。在每一采样时刻，根据当前测量信息，在线求解一个有限时域开环优化问题，并将所得控制序列的第一元素作用于被控对象，然后在下一个采取样本的时刻重复此过程，将新的测量值刷新优化问题并重新求解。模型预测控制策略采用瞬时优化，结合其滚动优化和反馈矫正的特点，解决了由于驾驶员行驶车辆时的不确定性对控制策略的影响。在本实例中，以汽车未来时刻的速度轨迹作为参考模型，预测并优化车辆在未来有限时间域内的动力需求、功率分配比等变量，使得混合动力系统获得高燃油效率和低排放。

进一步的，在本实施例中，模型预测控制包括如下步骤：

步骤s61：获取当前电池荷电状态soc(t)、发动机转矩te、发动机转速we、电机的转矩tm以及电机的转速wm；

步骤s62：记预测时间为[tk，tk+n]，时间tk至tk+1为一个控制周期t，车载汽车速度轨迹预测系统预测接下来时刻[tk，tk+n]的速度轨迹v(k+i)，计算出对应tk+i时刻的需求转矩；将该预测需求转矩与当前时刻的需求转矩作为需求转矩序列：

[tr(k+1)，tr(k+2)，tr(k+3)，…，tr(k+n)]；

步骤s63：选择等效燃油消耗量作为模型预测控制的目标函数，以等效燃油消耗量最小为目标，通过动态规划优化算法求解目标函数j(k)，获取[tk，tk+n]内最优的发动机转矩序列：

[te(k+1)，te(k+2)，te(k+3)，…，te(k+n)]；

最佳的电机转矩序列：

[tm(k+1)，tm(k+2)，tm(k+3)，…，tm(k+n)]；

步骤s64：将步骤s63获取的最优的发动机转矩序列中首个发动机转矩te(k+1)与最佳的电机转矩序列中首个电机转矩tm(k+1)作为当前控制周期结束tk+1时刻的控制器输出，分别作为发动机和电机的驱动信号；

步骤s65：下一个控制循环，再依次执行步骤s61至步骤s64，根据t(k+1)时刻获取的发动机转矩和电机转矩确定t(k+2)时刻的发动机和电机转矩驱动信号，并按此往复。

在本实施例中，预测期内的需求转矩直接决定了预测期内车辆状态，预测期转矩分配策略的优化会根据预测期内的需求转矩和车辆状态来进行。因此通过预测得到一个相对准确的需求转矩，对模型预测控制的效果有很大影响。

由预测速度轨迹可以得到需求转矩：

进一步的，在本实施例中，在步骤s6中，模型预测控制的优化目标是使预测期内等效油耗最低。等效油耗包含发动机实际油耗与电能等效油耗两部分，电能等效油耗与电能消耗量成正比。因此预测期内总的等效油耗表达式，即优化的目标函数为：

其中，mf为发动机的燃油消耗率，n为预测周期t的个数，ke-f为电能等效油耗转化系数，me为电池电量消耗率。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。