本发明属于新能源汽车领域，具体涉及了一种基于模型预测控制的混合动力车队协同能量管理方法。
背景技术：
超大城市的交通的拥堵所带来的能源浪费，环境污染问题是亟待研究和解决的。目前，网络的速度已经越来越快，工信部也开始进行5G网络部署，可以保证车辆与外界环境之间的信息交流速度，实现车辆数据的实时交互。获取车辆的行驶工况，系统的运行状态，周边道路环境信息，GPS(GlobalPosition System)位置等信息。无线技术的发展，是推动本发明的一个重要的技术背景。
近年，许多学者针对单辆HEV能量管理问题提出了许多控制方法，例如：基于规则的能量管理策略，基于全局优化的能量管理策略(动态规划，遗传算法，粒子群算法等)，基于瞬时优化的能量管理策略(ECMS)，这些模型都有一个共同点：都是基于单个混合动力车辆进行能量管理的，而考虑多辆车之间协同配合的能量管理方案的研究很少。并且，当下的研究主要集中在单车的能量管理，诸如SOC维持，燃油消耗率最小化等方面，没有考虑到在过程中电池老化SOH带来的影响。综上所述，借助车辆之间的协同通信，车辆与交通信号的协同通信，完成对车队的协同能量管理，同时，本发明不仅仅考虑电池荷电状态与燃油消耗率，还考虑了电池老化对车辆的影响。
技术实现要素：
有鉴于此，本发明的目的在于提供一种基于模型预测控制的混合动力车队协同能量管理方法，使用模型预测控制算法作为主要的支撑算法，将协同管理的过程分为上下两层。上层主要完成以通信为基础的交通灯路段规划。下层主要完成对车辆的能量管理方案，该能量管理方案会考虑车辆的燃油消耗，荷电状态维持等；同时，本发明创新性地考虑了电池老化对车辆性能的影响。
为达到上述目的，本发明提供如下技术方案：
基于模型预测控制MPC(Model Predictive Control)的混合动力车队HEV(Hybrid ElectricVehicle)协同能量管理方法，包含以下步骤：
S1：利用车车通信和车路通信层形成一个以交通信号灯为节点的车联网网络构架，形成上层框架；
S2：选择代价函数中的权重w1(t)和w3(t)，w2(t)和w4(t)；
S3：建立并联HEV模型和电池健康状态(State ofHealth,SOH)模型；
S4：确定代价函数，考虑电池老化模型；
S5：将上层控制器得到的结果放入下层控制器中，通过MPC解决一个多目标优化的问题，找到最优的转矩分配率。
进一步，所述步骤S1具体为：
S11：确定交通灯状态；
S12：确定车辆目标速度的约束；
S13：确定上层控制器中的代价函数。
进一步，所述步骤S11具体为：
整个交通灯循环的时间tcycle＝tr+tg，交通灯循环的次数tr、tg分别表示红灯和绿灯持续的时间；mod是取余函数；k表示车辆开始之后的当前时刻。
进一步，所述步骤S12具体为：
车辆在绿灯处能通过交通灯，就存在一个速度范围[vilb(k),viub(k)]使得车辆总是避免红灯停止的状态；速度范围的表达式为：
约束
其中，整个交通灯循环的时间tcycle＝tr+tg，交通灯循环的次数dia(k)表示车辆i距离交通灯标志的距离，tr、tg分别表示红灯和绿灯持续的时间；其中k表示车辆开始之后的当前时刻；vmax表示车辆的最大速度；其中vilb(k)、viub(k)分别代表能通过绿灯速度的最小值和最大值；目标速度是速度约束范围中值最大的那个界限；
上式的物理意义在于选择车辆在绿灯区间通过交通标志处时的目标速度，当交通灯是绿色且的时候，最大允许速度是目标速度，当此条件不成立的时候，车辆会超过限制速度通过交通灯，是被禁止的，dia(k)表示k时刻i车辆距离区间内交通灯的距离；若在绿灯区间内没有合适的速度，车辆就在交通灯前停止；Kw＝k/tcycle在每次成立的时候，Kw的值加1；
从以通过绿灯区间为前提的速度范围限制出发，计算控制输入的限制，从而使车辆总是能够避免红灯停止的情况发生；考虑时间步长△t＝1s，控制范围输入的范围表达式为：
其中表示车队中第i车的最小力矩；表示车队中第i车的最大力矩；vilb(k)、viub(k)分别代表能通过绿灯速度的最小值和最大值；vi(t-1)表示i车t-1时刻的速度；pi是各种阻力之和；上式的物理意义是：控制范围满足上述范围时，车辆的目标速度范围就能够满足速度约束[vilb(k),viub(k)]，从而车辆能通过绿灯区间，防止红灯区间的停止。
进一步，所述步骤S13具体为：
为保证车辆行驶过程中的实时性，车辆i在一定的时间范围内发送共享其位置信息给车辆j，同时车辆j也共享给车辆i；
确定好车辆的目标速度和车辆的位置关系，通过模型预测控制的方法解决一个如下式表示的子问题就解决上层的优化问题；考虑时间k时刻，对于车辆i和预测时间段T＝13内解决问题；
Rij(t)＝S0+thd(vi(t)-vj(t))+(si(t)-sj(t))
式中第一项，计算时间T内，单位距离最小化燃油消耗，其中燃油消耗是一个多项式拟合项；式中第二项计算车辆i与车辆j之间距离的偏差最小值；式中第三项使车辆速度去满足目标速度，新的速度和控制范围，即约束条件；S0和thd分别表示预先定义的距离和间隔时间；表示燃油消耗率；si(t+T-1)表示i车t+T-1时刻行驶的距离；si(k)表示i车k时刻的距离；vt(t)车辆t时刻的速度；表示i车k时刻的目标速度；ui(t)表示i车驱动力；w1(t),w2(t),w3(t),w4(t)分别是权重；vj(t)和vi(t)表示j,i车的速度；si(t),sj(t)表示i,j车的距离；是i车k时刻速度的上下界；umax,umin表示驱动力的上下界。
进一步，所述步骤S3具体为：
建立并联HEV模型：建立并联式混合动力的HEV模型，包含一个转矩分配装置、一个电动机和一个电池组；
建立电池健康状态模型：建立电池老化率和放电倍率之间的关系，在优化中协调SOH的下降速度。
进一步，所述步骤S4具体为：
其中，J(k)是代价函数，a1,a2,a3,是不同项之间的权重，是燃油消耗率，SOC(t)是电池的荷电状态，SOCr是期望维持的荷电状态，是电池的老化率，表示电池的健康状态；tk表示模型预测控制算法中的预测时间的下界；tp表示模型预测控制算法中的预测时间上界；t表示时间；
在这一层的控制中将转矩分配率u作为输入，将电池健康状态SOH、燃油消耗率和充电状态(State ofCharge,SOC)作为输出值，状态变量选择SOC值和SOH值；下层控制器采用的优化算法是模型预测控制算法；步骤S4最终得到在上层优化的某种工况下，车辆转矩分配率的变化、SOC和SOH的车辆信息状态。
本发明的有益效果在于：
(1)以现有的通信技术为基础，建立了一个车队网络，车路网络，从而形成了车联网的基本模型，规避红绿灯的同时节省燃油消耗。
(2)算法复杂度更低，有着较好的可行性。
(3)将车队网络模型作为上层控制项，车辆能量管理作为下层控制项，即分层管理，协调控制。
(4)在下层的能量管理过程中，首次考虑电池的SOH作为代价函数的优化项之一。
(5)通过模型预测控制算法，提高了计算过程中的实时性(与诸如动态规划算法相比)，不需要知道整个过程的工况即可进行优化控制。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为分层能量管理示意图；
图2为车联网络的车路车车通信模型图；
图3为是车辆内部信息流示意图；
图4为电池老化率与电流倍率的关系图；
图5为下层优化控制器示意图；
图6为本发明流程图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
在本发明的一个实施例中，形成车联网节点的的具体方法如图1、图2所示，具体包括以下步骤：
步骤S1：利用车车通信和车路通信层形成一个以交通信号灯为节点的车联网网络构架，形成上层框架；
步骤S2：选择代价函数中的权重w1(t)和w3(t)，w2(t)和w4(t)；
问题的解决是为了找到考虑了燃油效率和目标速度牵引力两者结合的最佳速度状态。上式中的权重w1(t)和w3(t)是[vilb(k)-viub(k)]的函数，当差距很大的时候，主要考虑燃油效率而不是速度即w1(t)大w3(t)小。当差距很小的时候，主要强调速度对目标速度的满足即w1(t)小w3(t)大。
当优化燃油消耗和目标速度相差较远时保证速度偏差在一定的限制范围内，避免在红灯处的停止发生。式中w2(t)是相对距离si(t)-sj(t)的函数，当相对距离减少的时候，该函数的值增大。W4(t)是恒定权重。
步骤S3:建立的并联HEV模型如图3所示，电池健康状态模型的老化率如图4所示；
并联HEV模型：发明建立的HEV模型是并联式混合动力。该混合动力车辆模型包含一个转矩分配装置、一个电动机、一个电池组。附图所示是并联式HEV模型的组件和各个组件之间的信息流动示意图。
电池老化模型：电池老化率在附图中有示意，即建立了电池老化率和放电倍率之间的关系。在优化中协调SOH的下降速度。
步骤S4：确定代价函数，其中考虑电池老化模型；
其中，J(k)是代价函数，a1,a2,a3,是不同项之间的权重，是燃油消耗率，SOC(t)是电池的荷电状态，SOCr是期望维持的荷电状态，是电池的老化率，表示电池的健康状态。
步骤S5：将上层控制器得到的结果放入下层控制器中，通过MPC解决一个多目标优化的问题，找到最优的转矩分配率，实时过程如图5所示。
在本发明的一个实施例中，形成一个以交通信号灯为节点的车联网网络构架的实现方法，如图4所示，具体包括如下步骤：
其中，整个交通灯循环的时间tcycle＝tr+tg，交通灯循环的次数tr、tg分别表示红灯和绿灯持续的时间；mod是取余函数；
步骤S1-1：明确模型中的交通灯状态；
dia(k)表示车辆i距离交通灯标志的距离，tr、tg分别表示红灯和绿灯持续的时间。整个交通灯循环的时间是tcycle＝tr+tg，Kw＝k/tcycle表示交通灯循环的次数，mod是取余函数。
步骤S1-2：确定车辆目标速度的约束；
车辆在绿灯处能够通过交通灯，这就说明存在一个速度范围[vilb(k),viub(k)]使得车辆总是可以避免红灯停止的状态。其中vilb(k)、viub(k)分别代表能通过绿灯速度的最小值和最大值，速度范围的表达式由下式表示：
约束
整个交通灯循环的时间tcycle＝tr+tg，交通灯循环的次数dia(k)表示车辆i距离交通灯标志的距离，tr、tg分别表示红灯和绿灯持续的时间；目标速度是速度约束范围中值最大的那个界限；
上式得物理意义在于选择目标速度，使车辆在绿灯区间通过交通标志处。当交通灯是绿色且的时候，最大允许速度是目标速度，当此条件不成立的时候，车辆会超过限制速度通过交通灯，这是不被允许的。若在绿灯区间内没有合适的速度，车辆就会在交通灯前停止。Kw＝k/tcycle在每次成立的时候，Kw的值加1。
通过附图的解释，速度范围和目标车速求解的示意。图中t1和t2分别表示距离下一个绿灯时刻的时间间隔和距离下一个红灯的时间间隔。目标速度是速度约束范围中值最大的那个界限。
从以通过绿灯区间为前提的速度范围限制出发，可以计算控制输入的限制，从而使车辆总是能够避免红灯停止的情况发生。考虑时间步长△t＝1s。控制范围输入的范围表达式为式
其中
类似地:
所以有
其中
上式的物理意义是：控制范围满足上述范围时，车辆的目标速度范围就能够满足速度约束[vilb(k),viub(k)]，从而车辆能通过绿灯区间，防止红灯区间的停止。
步骤S1-3：确定上层控制器中的代价函数
为了保证车辆行驶过程中的实时性，车辆i在一定的时间范围内发送共享其位置信息给车辆j，同时j也共享给i。
至此确定好了车辆的目标速度和车辆的位置关系，通过模型预测控制的方法解决一个如下式表示的子问题便可以解决上层的优化问题。考虑时间k时刻，对于车辆i和预测时间段T＝13内解决问题。
代价函数：
Rij(t)＝S0+thd(vi(t)-vj(t))+(si(t)-sj(t))
式中第一项，计算了时间T内，单位距离最小化燃油消耗。其中燃油消耗是一个多项式拟合项。式中第二项计算了车辆i与车辆j之间距离的偏差最小值。式中第三项使车辆速度去满足目标速度。新的速度和控制范围，即约束条件已经给出。S0和thd分别表示预先定义的距离和间隔时间。
如图6所示，为本发明流程图。采用本实施例所涉及的基于模型预测控制的混合动力车队协同能量管理方法的优点是：1)以现有的通信技术为基础，建立了一个车队网络，车路网络，从而形成了车联网的基本模型，规避红绿灯的同时节省燃油消耗。2)算法复杂度更低，有着较好的可行性。3)将车队网络模型作为上层控制项，车辆能量管理作为下层控制项，即分层管理，协调控制。4)在下层的能量管理过程中，首次考虑电池的SOH作为代价函数的优化项之一。5)通过模型预测控制算法，提高了计算过程中的实时性(与诸如动态规划算法相比)，不需要知道整个过程的工况即可进行优化控制。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。