CN104554251A - 基于道路坡度信息的混合动力汽车节能预测控制方法 - Google Patents

Abstract

本发明涉及一种基于道路坡度信息的混合动力汽车节能预测控制方法,将实际道路位置信息，海拔高度和地形信息通过google地图获取作为系统输入，建立实际道路坡度模型；建立系统动力学模型，解耦得到独立3自由度系统模型；将实际道路坡度模型嵌入混合动力汽车动力学状态空间模型，得系统数学模型；采用模型预测控制理论实现控制法，运用数值模拟解法求解最优控制问题<b>，</b>根据实际车辆行驶工况在线调整优化混合动力汽车能量流动，得混合动力汽车系统最优性能，用行星齿轮机构为电子无极变速器，使发动机工作于最佳工作点，用道路坡度信息预测目标蓄电池荷电状态，在线调整混合动力汽车能量流动，达到节能减排的目标。

Description

基于道路坡度信息的混合动力汽车节能预测控制方法

技术领域

本发明涉及一种基于道路坡度信息的混合动力汽车节能预测控制方法,特别涉及一种实时最优的混合动力汽车控制方法。

背景技术

全球能源与环境形势的日益严峻，特别是国际金融危机对汽车产业的巨大冲击，推动世界各国加快汽车产业战略转型。为开发出更加节能环保的汽车，解决上述两大问题，混合动力汽车目前已被产业化。与传统汽车相比，混合动力汽车具有电池和燃油双系统驱动的冗余性，运用这种冗余性可以调节驱动装置工作点到最优位置，从而实现节能减排目标。预计未来汽车的主流将是这种混合动力汽车。由于混合动力汽车可以回收伴随车辆减速产生的再生制动能量；利用驱动系统的冗余性(发动机和电机)优化驱动装置工作点，因此可以极大地发挥节能减排效用。但是最优工作点随发动机的特性，周围车辆的行驶状态，道路交通条件的改变而时刻改变着。而且，旋转系(发动机和电机)具有转速转矩极限，电池具有荷电状态极限，超出这些极限对于车辆关键零部件的性能影响很大。因此，混合动力汽车的节能减排效果很大程度上依赖于其能量管理策略(满足约束条件)。而其关键技术为能量管理中央控制器中的实时最优化，以期实现控制策略的商业化，产业化。

混合动力汽车能量管理系统的控制策略是其研发的技术核心和设计难点。目前已经提出的控制策略大致可以分为4类：数值最优控制，解析最优控制，瞬时最优控制和启发式控制。数值最优控制的典型代表是动态规划和模型预测控制。解析最优控制的典型代表是庞特里亚金极小值原理控制策略。瞬时最优 控制的典型代表是瞬时等效油耗最低控制策略。启发式控制策略的典型代表是基于规则的控制策略。传统的全局最优控制算法动态规划和庞特里亚金极小值原理控制方法，由于需要事先知道未来全部工况信息，无法实现实时最优。传统的基于规则的控制策略无法实现效率最大化。一般的前馈型控制(假定车辆速度模式一定)无法实现实时最优。传统的瞬时最优控制参数受未来车辆工况变化影响太大，无法满足控制性能。自20世纪90年代初以来，世界各国对混合动力汽车的研发给予了高度重视，并取得了一些重大的成果和进展。日本丰田汽车公司于1997年实现了混合动力汽车的量产化，2012年实现了插电式混合动力汽车的量产化。美国总统奥巴马2009年宣布了下一代先进蓄电池和插电式混合动力汽车计划。在国内，国家“十一五”863计划设立了节能与新能源汽车重大项目。申请者在日本九州大学攻读博士学位期间，掌握了日本企业和大学普遍采用的模型预测控制方法以及日本学者大塚敏之提出的C/GMRES快速控制方法。这两种方法结合可解决模型预测控制这种先进控制方法的实际应用问题。

在此背景下，提高能源利用效率，减少汽车对环境的污染已成为当今汽车工业发展的首要任务。同时利用道路坡度信息，进一步提高驱动装置效率也成为当今社会发展的现实需要。为了解决上述问题，需要设计一种基于道路坡度信息的可产业化的混合动力汽车模型预测控制方法，从而实现节能减排目标。

发明内容

针对上述问题，本发明的目的是提供一种能够对未来车辆工况进行实时预测的基于道路坡度信息的混合动力汽车节能预测控制方法，以达到最大限度地节能减排，产业化混合动力汽车能量管理中央控制器。

为实现上述目的，本发明采取以下技术方案：

一种基于道路坡度信息的混合动力汽车节能预测控制方法，第一步为信息 采集，第二步为车辆建模，第三步为公式化控制策略，第四步为在线最优控制，第五步为权重参数调节，第六步为是否目标满足判断；包括以下步骤：

步骤1)信息采集：由全球定位系统和google地图采集车辆的位置信息，实际道路的位置信息，海拔高度和地形信息，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，用于跟踪控制；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估计。

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，可以列写系统动力学方程。对动力学方程解耦，最终可以获得系统的状态空间模型，如式(1)所示。

$\begin{array}{c}x=f(x,u)\\ x={\left[\begin{array}{cccc}{\mathrm{\&omega;}}_{\mathrm{eng}}& p& {\mathrm{\&omega;}}_{M/G2}& x_{\mathrm{SOC}}\end{array}\right]}^T\\ u={\left[\begin{array}{cccc}{\mathrm{\&tau;}}_{\mathrm{eng}}& {\mathrm{\&tau;}}_{M/G2}& {\mathrm{\&tau;}}_{M/G1}& {\mathrm{\&tau;}}_{\mathrm{brake}}\end{array}\right]}^T\end{array}$

$f(x,u)=\left[\begin{array}{c}{\mathrm{M\&tau;}}_{\mathrm{eng}}+{\mathrm{N\&tau;}}_{M/G2}+(M\frac{S+R}{S}-N\frac{R}{S}){\mathrm{\&tau;}}_{M/G1}-N\frac{{\mathrm{\&tau;}}_{\mathrm{brake}}}{g_f}-N\frac{{\mathrm{\&tau;}}_{\mathrm{resist}}}{g_f}\\ \frac{r_w}{g_f}{\mathrm{\&omega;}}_{M/G2}\\ {\mathrm{N\&tau;}}_{\mathrm{eng}}+{\mathrm{P\&tau;}}_{M/G2}+(N\frac{S+R}{S}-P\frac{R}{S}){\mathrm{\&tau;}}_{M/G1}-P\frac{{\mathrm{\&tau;}}_{\mathrm{brake}}}{g_f}-P\frac{{\mathrm{\&tau;}}_{\mathrm{resist}}}{g_f}\\ -\frac{V_{\mathrm{OC}}-\sqrt{V_{\mathrm{OV}}^2-4P_{\mathrm{batt}}\left(t\right)R_{\mathrm{batt}}}}{2R_{\mathrm{batt}}{Q}_{\mathrm{batt}}}\end{array}\right]$

${\mathrm{\&tau;}}_{\mathrm{resist}}=r_w\mathrm{mg}(\mathrm{\&mu;}\cos \left(\mathrm{\&theta;}\right)+\sin \left(\mathrm{\&theta;}\right))+\frac{1}{2}\mathrm{\&rho;}{C}_D{\mathrm{Ar}}_w{\left(\frac{{\mathrm{\&omega;}}_{M/G2}}{g_f}{r}_w\right)}^2$

$\left[\begin{array}{cc}M& N\\ N& P\end{array}\right]={\left[\begin{array}{cc}{I}_{\mathrm{eng}}+{\left(\frac{S+R}{S}\right)}^2{I}_{M/G1}& -\frac{R(S+R)}{S^2}{I}_{M/G1}\\ -\frac{R(S+R)}{S^2}{I}_{M/G1}& I_{M/G2}+\frac{I_w}{g_f^2}+{\left(\frac{R}{S}\right)}^2{I}_{M/G1}+m\frac{r_w^2}{g_f^2}\end{array}\right]}^{-1}---\left(1\right)$

M,N,P∈

式中，x为状态量，u为控制量，S和R是太阳轮和齿圈齿数，τ_M/G1，τ_M/G2，τ_resist，τ_brake和τ_eng是第一发电电动一体机，第二发电电动一体机，车辆行驶阻力，车辆摩擦制动和发动机转矩，ω_M/G1，ω_M/G2和ω_eng是第一发电电动一体机，第二发电电动一体机和发动机的角转速度，g_f是主减速器速比，I_M/G1，I_M/G2，I_w和I_eng是第一发电电动一体机，第二发电电动一体机，车轮和发动机的转动惯量，r_w是车轮半径，参数ρ，C_D，A，m，g，μ和θ是空气密度，空气阻力系数，迎风面积，车辆质量，重力加速度，滚动阻力系数和道路坡度。参数p为车辆位置，x_SOC为蓄电池荷电状态，V_OC，R_batt和Q_batt是蓄电池开路电压，内阻和容量，蓄电池功率P_batt由式(2)计算：

P_batt＝τ_M/G1ω_M/G1+τ_M/G2ω_M/G2               (2) 

道路坡度模型由S型函数分段线性近似，如式(3)所示，

$\mathrm{\&theta;}\left(p\right)=\frac{S_1}{1+e^{\left(s_3(p-s_2)\right)}}+\frac{S_4}{1+e^{\left(s_6(p-s_5)\right)}}+---\left(3\right)$

式中s₁，s₂，s₃，s₄，s₅和s₆是形函数参数，

大信息量的实际道路坡度信息等通过计算机进行分段线性拟合，变为连续可导函数，道路坡度信息的数学模型拟采用S形函数分段线性近似，道路坡度模型通过车辆动力学方程中的坡道阻力导入预测控制模型中，分4阶段建立道路坡度的通用数学模型：单一上坡和下坡模型、上下坡模型、不规则连续道路坡度模型和实际道路坡度模型，

上坡模型的S形函数由下式表达：

$\mathrm{\&theta;}\left(p\right)=\frac{0.05}{1+e^{-(p-200)}}+\frac{-0.05}{1+e^{-(p-400)}}---\left(4\right),$

下坡模型的S形函数由下式表达。

$\mathrm{\&theta;}\left(p\right)=\frac{-0.05}{1+e^{-(p-200)}}+\frac{0.05}{1+e^{-(p-400)}}---\left(5\right),$

上下坡模型的S形函数由下式表达。

$\mathrm{\&theta;}\left(p\right)=\frac{0.05}{1+e^{-(p-200)}}+\frac{-0.1}{1+e^{-(p-400)}}+\frac{0.05}{1+e^{-(p-600)}}---\left(6\right),$

车辆的燃油经济性评价采用威兰氏线性模型,如式(7)所示，

$.m_f=\frac{{\mathrm{a\&tau;}}_{\mathrm{eng}}{\mathrm{\&omega;}}_{\mathrm{eng}}+{\mathrm{b\&omega;}}_{\mathrm{eng}}+c{\mathrm{\&omega;}}_{\mathrm{eng}}^3}{n+{\mathrm{k\&omega;}}_{\mathrm{eng}}+{\mathrm{l\&omega;}}_{\mathrm{eng}}^2}$

式中m_f为燃油消耗率，参数a，b，c，h，k和l为常数。

步骤3)公式化控制策略：混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测混合动力车辆状态，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，所以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，所以一般采用它来作为实际的控制量；

模型预测控制的基本原理为：在每一个采样时刻，根据预测模型对系统未 来代价函数进行预测，通过对未来预测区间内的性能指标进行优化，并根据实测对象的输出进行反馈校正，将控制策略设计转化为优化过程，通过求解相应预测区间的优化问题得到控制序列，并将序列的第一个控制量作用于系统，实现反馈控制，之后在下一个采样时刻，将预测区间向前推进一步，不断重复该过程。总结来说其包括三部分：预测模型，滚动优化和反馈控制。通过对未来系统输入的预测可以实现对系统的实时最优控制。

本控制策略的特色有两点。第一，随着汽车导航，数字化地图和智能交通系统的发展，利用道路交通状况，对混合动力汽车速度模式和驱动装置工作点进行同时最优化。第二，道路坡度模型引入混合动力汽车系统模型，为综合利用道路坡度信息，实现混合动力汽车燃油经济性的最优化提供了可能。上述两大特色在控制策略设计中评价函数里有相应体现，为混合动力汽车系统性能提高提供了更大可能性。

预测控制的输入量为发动机，电机以及摩擦制动力矩。输出量为车辆速度，发动机转速，电机转速和蓄电池荷电状态。输入输出量的协同由系统状态空间模型完成；预测模型在已在上部分论述；最优控制问题定义如式(8)所示：

$\begin{array}{cc}\min \mathrm{imize}& J=\underset{t}{\overset{t+T}{\&Integral;}}L(x\left(\mathrm{\&tau;}\right|t),u\left(\mathrm{\&tau;}\right|t))\mathrm{d\&tau;}\end{array}$

$\begin{array}{cc}\mathrm{subject\; to}& {\mathrm{\&tau;}}_{M/G2\min }\&le;{\mathrm{\&tau;}}_{M/G2}\left(\mathrm{\&tau;}\right|t)\&le;{\mathrm{\&tau;}}_{M/G2\max }\\ & {\mathrm{\&tau;}}_{M/G1\min }\&le;{\mathrm{\&tau;}}_{M/G1}\left(\mathrm{\&tau;}\right|t)\&le;{\mathrm{\&tau;}}_{M/G1\max }\\ & 0\&le;{\mathrm{\&tau;}}_{\mathrm{brake}}\left(\mathrm{\&tau;}\right|t)\&le;{\text{\&tau;}}_{\mathrm{brake}\max }\end{array}---\left(8\right)$

式中T为预测区间，τ_M/G2max，τ_M/G2min，τ_M/G1max，τ_M/G1min和τ_brakemax为控制量约束，

评价函数定义如式(9)所示：

$\begin{array}{c}L=w_x{L}_x+w_y{L}_y+w_z{L}_z+w_d{L}_d+w_e{L}_e+w_f{L}_f+w_g{L}_g+w_h{L}_h+w_i{L}_i+w_j{L}_j+w_k{L}_k\\ L_x={.m}_f\\ L_y=\frac{1}{2}{(\frac{r_w}{g_f}.{\mathrm{\&omega;}}_{M/G2}+g\sin \left(\mathrm{\&theta;}\right))}^2\\ L_z=\frac{1}{2}{(v-v_d)}^2\\ L_d=\frac{1}{2}{(x_{\mathrm{SOC}}-{\mathrm{SOC}}_d\left(p\right))}^2\\ L_e=-\ln (x_{\mathrm{SOC}}-{\mathrm{SOC}}_{\min })-\ln ({\mathrm{SOC}}_{\max }-x_{\mathrm{SOC}})\\ L_f=-\ln \left({\mathrm{\&omega;}}_{\mathrm{eng}}\right)-\ln ({\mathrm{\&omega;}}_{\mathrm{eng}\max }-{\mathrm{\&omega;}}_{\mathrm{eng}})\\ L_g=-\ln \left({\mathrm{\&omega;}}_{M/G2}\right)-\ln ({\mathrm{\&omega;}}_{M/G2}-{\mathrm{\&omega;}}_{M/G2})\\ L_h=\frac{1}{2}{\left({\mathrm{\&tau;}}_{\mathrm{brake}}\right)}^2\\ L_i=-\ln ({\mathrm{\&omega;}}_{M/G1}-{\mathrm{\&omega;}}_{M/G1\min })-\ln ({\mathrm{\&omega;}}_{M/G1\max }-{\mathrm{\&omega;}}_{M/G1})\\ L_j=-\ln (P_{\mathrm{batt}}-P_{\mathrm{batt}\min })-\ln (P_{\mathrm{batt}\max }-P_{\mathrm{batt}})\\ L_k=-\ln \left({\mathrm{\&tau;}}_{\mathrm{eng}}\right)-\ln ({\mathrm{\&tau;}}_{\mathrm{eng}\max }\left({\mathrm{\&omega;}}_{\mathrm{eng}}\right)-{\mathrm{\&tau;}}_{\mathrm{eng}})\end{array}---\left(9\right)$

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_g，w_h，w_i，w_j和w_k是权重系数，SOC_min,SOC_max,ω_engmax,ω_M/G2max,ω_M/G1min,ω_M/G1max,P_battmin,P_battmax，τ_engmax为参数约束.τ_engmax随状态变化的控制量约束，障碍函数用于处理系统状态约束。

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；由于其只需有限几次迭代就可以计算出数值方程的最优解，这种方法的在线性能很好；而且由于其基于哈密顿方程，这种解法的稳定性可以得到保证；解法具体来说，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，测取车速，发动机转速，蓄电池荷电状态等实时状态信号，其次，利用全球定位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，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；

步骤5)权重参数调节：权重参数为第三步中评价函数内的权重系数，采用粒子群算法自动调节权重系数；具体来说，粒子群算法中的粒子为各项权重系数，然后通过迭代找到最优解；在每一次迭代中，粒子通过跟踪两个极值来更新自己；第一个就是粒子本身所找到的最优解，这个解叫做个体极值；另一个极值是整个种群目前找到的最优解，这个极值是全局极值。

步骤6)目标满足判断：

满足目标的标准为汽车的燃油经济性收敛到最优值，具体来说，迭代上一次和本次燃油经济性误差在±％5内即认为满足目标。

本发明由于采取以上技术方案，其具有以下优点：

1)随着汽车导航，数字化地图的发展，利用道路交通状况，对混合动力汽车速度模式和驱动装置工作点进行同时最优化，不同于传统方法的只对驱动装置工作点进行优化。

2)综合利用道路坡度信息，最优化发动机，电机和蓄电池工作模式，使混合动力汽车燃油经济性的提高有了可能。

3)提出了混合动力汽车的泛化三自由度模型。为混合动力汽车的模型化提供了一般的通用方法论指导。运用本方法能够大幅度提高混合动力汽车燃油经济性和排放性能。

附图说明

图1是本发明行星齿轮式混联混合动力汽车驱动系统结构示意图。

图1中：1、发动机；2、动力分配器；3、发电机；4、蓄电池；5、逆变器； 6电动机；7、主减速器。

图2是基于跟车模型的混合动力汽车节能预测控制方法流程图。

具体实施方式

以下结合技术方案和附图详细叙述本发明的具体实施方式。

图1是本发明行星齿轮式混联混合动力驱动系统结构示意图，主要包括：发动机1；动力分配器2；发电机3；蓄电池4；逆变器5；电动机6；主减速器7。图1为本专利控制方法的研究对象的结构图。在车辆建模过程中使用本结构图分析系统机械和电气耦合关系。结构图中包含混合动力汽车包含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。电动机通过主减速器与车轮相连，传递系统动力。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。行星齿轮机械耦合发动机和2个发电电动一体机。逆变器电气耦合蓄电池和2个发电电动一体机。通过对系统机械耦合和电气耦合解耦获得独立的3自由度系统模型。本发明控制方法为系统软件，图1所示为系统硬件。

图2是揭示了整个控制方法的过程，采集的信息作为系统模型的输入，由车载雷达测速装置采集前方车辆速度，用于跟踪控制，由智能交通系统采集交通信号信息以及实时路况信息，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估计。车辆建模为公式化模型预测控制策略提供预测未来车辆状态所需要的模型。公式化控制策略为在线最优控制提供需要求解的函数方程。

实施例：以行星齿轮式混联混合动力驱动系统为例进行说明，如图1所示；本发明方法第一步为信息采集，第二步为车辆建模，第三步为公式化控制策略，第四步为在线最优控制，第五步为权重参数调节，第六步为是否目标满足判断； 包括以下步骤：

该方法的原理如图2所示，具体控制方法包括以下步骤：

步骤1)信息采集：由全球定位系统和google地图采集车辆的位置信息，实际道路的位置信息，海拔高度和地形信息，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，用于跟踪控制。由卡尔曼滤波器利用采集的蓄电池4信息对蓄电池4荷电状态进行估计。

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1，蓄电池4，发电机3，电动机6和车轮。动力分配器2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，可以列写系统动力学方程。对动力学方程解耦，最终可以获得系统的状态空间模型，如式(1)所示。

$\begin{array}{c}x=f(x,u)\\ x={\left[\begin{array}{cccc}{\mathrm{\&omega;}}_{\mathrm{eng}}& p& {\mathrm{\&omega;}}_{M/G2}& x_{\mathrm{SOC}}\end{array}\right]}^T\\ u={\left[\begin{array}{cccc}{\mathrm{\&tau;}}_{\mathrm{eng}}& {\mathrm{\&tau;}}_{M/G2}& {\mathrm{\&tau;}}_{M/G1}& {\mathrm{\&tau;}}_{\mathrm{brake}}\end{array}\right]}^T\end{array}$

$f(x,u)=\left[\begin{array}{c}{\mathrm{M\&tau;}}_{\mathrm{eng}}+{\mathrm{N\&tau;}}_{M/G2}+(M\frac{S+R}{S}-N\frac{R}{S}){\mathrm{\&tau;}}_{M/G1}-N\frac{{\mathrm{\&tau;}}_{\mathrm{brake}}}{g_f}-N\frac{{\mathrm{\&tau;}}_{\mathrm{resist}}}{g_f}\\ \frac{r_w}{g_f}{\mathrm{\&omega;}}_{M/G2}\\ {\mathrm{N\&tau;}}_{\mathrm{eng}}+{\mathrm{P\&tau;}}_{M/G2}+(N\frac{S+R}{S}-P\frac{R}{S}){\mathrm{\&tau;}}_{M/G1}-P\frac{{\mathrm{\&tau;}}_{\mathrm{brake}}}{g_f}-P\frac{{\mathrm{\&tau;}}_{\mathrm{resist}}}{g_f}\\ -\frac{V_{\mathrm{OC}}-\sqrt{V_{\mathrm{OV}}^2-4P_{\mathrm{batt}}\left(t\right)R_{\mathrm{batt}}}}{2R_{\mathrm{batt}}{Q}_{\mathrm{batt}}}\end{array}\right]$

${\mathrm{\&tau;}}_{\mathrm{resist}}=r_w\mathrm{mg}(\mathrm{\&mu;}\cos \left(\mathrm{\&theta;}\right)+\sin \left(\mathrm{\&theta;}\right))+\frac{1}{2}\mathrm{\&rho;}{C}_D{\mathrm{Ar}}_w{\left(\frac{{\mathrm{\&omega;}}_{M/G2}}{g_f}{r}_w\right)}^2$

$\left[\begin{array}{cc}M& N\\ N& P\end{array}\right]={\left[\begin{array}{cc}{I}_{\mathrm{eng}}+{\left(\frac{S+R}{S}\right)}^2{I}_{M/G1}& -\frac{R(S+R)}{S^2}{I}_{M/G1}\\ -\frac{R(S+R)}{S^2}{I}_{M/G1}& I_{M/G2}+\frac{I_w}{g_f^2}+{\left(\frac{R}{S}\right)}^2{I}_{M/G1}+m\frac{r_w^2}{g_f^2}\end{array}\right]}^{-1}---\left(1\right)$

M,N,P∈

式中，x为状态量，u为控制量。S和R是太阳轮和齿圈齿数。τ_M/G1，τ_M/G2，τ_resist，τ_brake和τ_eng是发电机3，电动机6，车辆行驶阻力，车辆摩擦制动和发动机1转矩。ω_M/G1，ω_M/G2和ω_eng是发电机3，电动机6和发动机1的角转速度。g_f是主减速器7速比。I_M/G1，I_M/G2，I_w和I_eng是发电机3，电动机6，车轮和发动机1的转动惯量。r_w是车轮半径。参数ρ，C_D，A，m，g，μ和θ是空气密度，空气阻力系数，迎风面积，车辆质量，重力加速度，滚动阻力系数和道路坡度。参数p为车辆位置。x_SOC为蓄电池荷电状态。V_OC，R_batt和Q_batt是蓄电池4开路电压，内阻和容量。蓄电池4功率P_batt由式(2)计算：

P_batt＝τ_M/G1ω_M/G1+τ_M/G2ω_M/G2             (2)，

道路坡度模型由S型函数分段线性近似，如式(3)所示：

$\mathrm{\&theta;}\left(p\right)=\frac{S_1}{1+e^{\left(s_3(p-s_2)\right)}}+\frac{S_4}{1+e^{\left(s_6(p-s_5)\right)}}+---\left(3\right)$

式中s₁，s₂，s₃，s₄，s₅和s₆是形函数参数。

大信息量的实际道路坡度信息等通过计算机进行分段线性拟合，变为连续可导函数。道路坡度信息的数学模型拟采用S形函数分段线性近似。道路坡度模型通过车辆动力学方程中的坡道阻力导入预测控制模型中。拟分4阶段建立道路坡度的通用数学模型：单一上坡和下坡模型、上下坡模型、不规则连续道路坡度模型和实际道路坡度模型。

上坡模型的S形函数由下式表达：

$\mathrm{\&theta;}\left(p\right)=\frac{0.05}{1+e^{-(p-200)}}+\frac{-0.05}{1+e^{-(p-400)}}---\left(4\right),$

下坡模型的S形函数由下式表达：

$\mathrm{\&theta;}\left(p\right)=\frac{-0.05}{1+e^{-(p-200)}}+\frac{0.05}{1+e^{-(p-400)}}---\left(5\right),$

上下坡模型的S形函数由下式表达：

$\mathrm{\&theta;}\left(p\right)=\frac{0.05}{1+e^{-(p-200)}}+\frac{-0.1}{1+e^{-(p-400)}}+\frac{0.05}{1+e^{-(p-600)}}---\left(6\right),$

车辆的燃油经济性评价采用威兰氏线性模型,如式(7)所示：

$.m_f=\frac{{\mathrm{a\&tau;}}_{\mathrm{eng}}{\mathrm{\&omega;}}_{\mathrm{eng}}+{\mathrm{b\&omega;}}_{\mathrm{eng}}+c{\mathrm{\&omega;}}_{\mathrm{eng}}^3}{n+{\mathrm{k\&omega;}}_{\mathrm{eng}}+{\mathrm{l\&omega;}}_{\mathrm{eng}}^2}$

式中m_f为燃油消耗率，参数a，b，c，h，k和l为常数。

步骤3)公式化控制策略：

混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测混合动力车辆状态，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。

模型预测控制的基本原理为：在每一个采样时刻，根据预测模型对系统未来代价函数进行预测，通过对未来预测区间内的性能指标进行优化，并根据实测对象的输出进行反馈校正，将控制策略设计转化为优化过程，通过求 解相应预测区间的优化问题得到控制序列，并将序列的第一个控制量作用于系统，实现反馈控制，之后在下一个采样时刻，将预测区间向前推进一步，不断重复该过程。总结来说其包括三部分：预测模型，滚动优化和反馈控制。通过对未来系统输入的预测可以实现对系统的实时最优控制。

本控制策略的特色有两点。第一，随着汽车导航，数字化地图和智能交通系统的发展，利用道路交通状况，对混合动力汽车速度模式和驱动装置工作点进行同时最优化。第二，道路坡度模型引入混合动力汽车系统模型，为综合利用道路坡度信息，实现混合动力汽车燃油经济性的最优化提供了可能。上述两大特色在控制策略设计中评价函数里有相应体现，为混合动力汽车系统性能提高提供了更大可能性。

预测控制的输入量为发动机1，电机3和6以及摩擦制动力矩。输出量为车辆速度，发动机1转速，电机6转速和蓄电池4荷电状态。输入输出量的协同由系统状态空间模型完成。预测模型在已在上部分论述。最优控制问题定义如式(5)所示：

$\begin{array}{cc}\min \mathrm{imize}& J=\underset{t}{\overset{t+T}{\&Integral;}}L(x\left(\mathrm{\&tau;}\right|t),u\left(\mathrm{\&tau;}\right|t))\mathrm{d\&tau;}\end{array}$

$\begin{array}{cc}\mathrm{subject\; to}& {\mathrm{\&tau;}}_{M/G2\min }\&le;{\mathrm{\&tau;}}_{M/G2}\left(\mathrm{\&tau;}\right|t)\&le;{\mathrm{\&tau;}}_{M/G2\max }\\ & {\mathrm{\&tau;}}_{M/G1\min }\&le;{\mathrm{\&tau;}}_{M/G1}\left(\mathrm{\&tau;}\right|t)\&le;{\mathrm{\&tau;}}_{M/G1\max }\\ & 0\&le;{\mathrm{\&tau;}}_{\mathrm{brake}}\left(\mathrm{\&tau;}\right|t)\&le;{\text{\&tau;}}_{\mathrm{brake}\max }\end{array}---\left(8\right)$

式中T为预测区间，τ_M/G2max，τ_M/G2min，τ_M/G1max，τ_M/G1min和τ_brakemax为控制量约束。评价函数定义如式(9)所示。

$\begin{array}{c}L=w_x{L}_x+w_y{L}_y+w_z{L}_z+w_d{L}_d+w_e{L}_e+w_f{L}_f+w_g{L}_g+w_h{L}_h+w_i{L}_i+w_j{L}_j+w_k{L}_k\\ L_x={.m}_f\\ L_y=\frac{1}{2}{(\frac{r_w}{g_f}.{\mathrm{\&omega;}}_{M/G2}+g\sin \left(\mathrm{\&theta;}\right))}^2\\ L_z=\frac{1}{2}{(v-v_d)}^2\\ L_d=\frac{1}{2}{(x_{\mathrm{SOC}}-{\mathrm{SOC}}_d\left(p\right))}^2\\ L_e=-\ln (x_{\mathrm{SOC}}-{\mathrm{SOC}}_{\min })-\ln ({\mathrm{SOC}}_{\max }-x_{\mathrm{SOC}})\\ L_f=-\ln \left({\mathrm{\&omega;}}_{\mathrm{eng}}\right)-\ln ({\mathrm{\&omega;}}_{\mathrm{eng}\max }-{\mathrm{\&omega;}}_{\mathrm{eng}})\\ L_g=-\ln \left({\mathrm{\&omega;}}_{M/G2}\right)-\ln ({\mathrm{\&omega;}}_{M/G2}-{\mathrm{\&omega;}}_{M/G2})\\ L_h=\frac{1}{2}{\left({\mathrm{\&tau;}}_{\mathrm{brake}}\right)}^2\\ L_i=-\ln ({\mathrm{\&omega;}}_{M/G1}-{\mathrm{\&omega;}}_{M/G1\min })-\ln ({\mathrm{\&omega;}}_{M/G1\max }-{\mathrm{\&omega;}}_{M/G1})\\ L_j=-\ln (P_{\mathrm{batt}}-P_{\mathrm{batt}\min })-\ln (P_{\mathrm{batt}\max }-P_{\mathrm{batt}})\\ L_k=-\ln \left({\mathrm{\&tau;}}_{\mathrm{eng}}\right)-\ln ({\mathrm{\&tau;}}_{\mathrm{eng}\max }\left({\mathrm{\&omega;}}_{\mathrm{eng}}\right)-{\mathrm{\&tau;}}_{\mathrm{eng}})\end{array}---\left(9\right)$

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_g，w_h，w_i，w_j和w_k是权重系数。SOC_min,SOC_max,ω_engmax,ω_M/G2max,ω_M/G1min,ω_M/G1max,P_battmin,P_battmax，τ_engmax为参数约束.τ_engmax随状态变化的控制量约束，障碍函数用于处理系统状态约束等。

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，由于其只需有限几次迭代就可以计算出数值方程的最优解，这种方法的在线性能很好，而且由于其基于哈密顿方程，这种解法的稳定性可以得到保证。

在每个采样时刻，首先，测取车速，发动机1转速，蓄电池4荷电状态等实时状态信号，其次，利用全球定位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，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。

步骤5)权重参数调节：

权重参数为第三步中评价函数内的权重系数。采用粒子群算法自动调节权重系数，具体来说，粒子群算法中的粒子为各项权重系数，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值。另一个极值是整个种群目前找到的最优解，这个极值是全局极值。

步骤6)目标满足判断：

满足目标的标准为汽车的燃油经济性收敛到最优值；具体来说，迭代上一次和本次燃油经济性误差在±％5内即认为满足目标。

本发明同样适用于其他形式混合动力汽车驱动系统，具体建模方法与控制过程与行星齿轮式混联混合动力汽车驱动系统一致，在此不再赘述。

Claims (1)

1.一种基于道路坡度信息的混合动力汽车节能预测控制方法，其特征在于：具体步骤如下：

步骤1)信息采集：由全球定位系统和google地图采集车辆的位置信息，实际道路的位置信息，海拔高度和地形信息，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，用于跟踪控制，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估计；

步骤2)车辆建模：行星齿轮式混联混合动力汽车包含发动机、蓄电池、两个发电电动一体机和车轮五大动态部件，行星齿轮作为动力分配装置具有速度耦合器和电子无极变速器的作用，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公式(1)如下：

x＝f(x,u)

x＝[ω_eng p ω_M/G2 x_SOC]^T

u＝[τ_eng τ_M/G2 τ_M/G1 τ_brake]^T

M,N,P∈

式中，x为状态量，u为控制量，S和R是太阳轮和齿圈齿数，τ_M/G1，τ_M/G2， τ_resist，τ_brake和τ_eng是第一发电电动一体机，第二发电电动一体机，车辆行驶阻力，车辆摩擦制动和发动机转矩，ω_M/G1，ω_M/G2和ω_eng是第一发电电动一体机，第二发电电动一体机和发动机的角转速度，g_f是主减速器速比，I_M/G1，I_M/G2，I_w和I_eng是第一发电电动一体机，第二发电电动一体机，车轮和发动机的转动惯量，r_w是车轮半径，参数ρ，C_D，A，m，g，μ和θ是空气密度，空气阻力系数，迎风面积，车辆质量，重力加速度，滚动阻力系数和道路坡度，参数p为车辆位置，x_SOC为蓄电池荷电状态，V_OC，R_batt和Q_batt是蓄电池开路电压，内阻和容量，蓄电池功率P_batt由式(2)计算，

P_batt＝τ_M/G1ω_M/G1+τ_M/G2ω_M/G2                    (2)，

道路坡度模型由S型函数分段线性近似，如式(3)所示，

式中s₁，s₂，s₃，s₄，s₅和s₆是形函数参数，

大信息量的实际道路坡度信息通过计算机进行分段线性拟合，变为连续可导函数，道路坡度信息的数学模型采用S形函数分段线性近似，道路坡度模型通过车辆动力学方程中的坡道阻力导入预测控制模型中，分四阶段建立道路坡度的通用数学模型：单一上坡和下坡模型、上下坡模型、不规则连续道路坡度模型和实际道路坡度模型；

上坡模型的S形函数由下式表达：

下坡模型的S形函数由下式表达：

上下坡模型的S形函数由下式表达：

车辆的燃油经济性评价采用威兰氏线性模型,如式(7)所示：

式中m_f为燃油消耗率，参数a，b，c，h，k和l为常数；

步骤3)公式化控制策略：

混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测混合动力车辆状态，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，所以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，采用它来作为实际的控制量，

模型预测控制为：在每一个采样时刻，根据预测模型对系统未来代价函数进行预测，通过对未来预测区间内的性能指标进行优化，并根据实测对象的输出进行反馈校正，将控制策略设计转化为优化过程，通过求解相应预测区间的优化问题得到控制序列，并将序列的第一个控制量作用于系统，实现反馈控制，之后在下一个采样时刻，将预测区间向前推进一步，不断重复该过程，其包括三部分：预测模型，滚动优化和反馈控制，通过对未来系统输入的预测实现对系统的实时最优控制；最优控制问题定义如式(8)所示。

subject toτ_M/G2min≤τ_M/G2(τ|t)≤τ_M/G2max            (8)，

τ_M/G1min≤τ_M/G1(τ|t)≤τ_M/G1max

0≤τ_brake(τ|t)≤τ_brake max

式中T为预测区间，τ_M/G2max，τ_M/G2min，τ_M/G1max，τ_M/G1min和τ_brakemax为控制量约束，评价函数定义如式(9)所示，

L＝w_xL_x+w_yL_y+w_zL_z+w_dL_d+w_eL_e+w_fL_f+w_gL_g+w_hL_h+w_iL_i+w_jL_j+w_kL_k

L_x＝.m_f

L_e＝-ln(x_SOC-SOC_min)-ln(SOC_max-x_SOC) 

L_f＝-ln(ω_eng)-ln(ω_eng max-ω_eng)

L_g＝-ln(ω_M/G2)-ln(ω_M/G2max-ω_M/G2)

L_i＝-ln(ω_M/G1-ω_M/G1min)-ln(ω_M/G1max-ω_M/G1)

L_j＝-ln(P_batt-P_batt min)-ln(P_batt max-P_batt)               (9)，

L_k＝-ln(τ_eng)-ln(τ_engmax(ω_eng)-τ_eng)

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_g，w_h，w_i，w_j和w_k是权重系数，SOC_min,SOC_max,ω_engmax,ω_M/G2max,ω_M/G1min,ω_M/G1max,P_battmin,P_battmax，τ_engmax为参数约束.τ_engmax随状态变化的控制量约束，障碍函数用于处理系统状态约束；

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，由于其只需有限几次迭代就计算出数值方程的最优解，这种方法的在线性能很好，而且由于其基于哈密顿方程，这种解法的稳定性得到保证，解法具体来说，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，测取车速，发动机转速，蓄电池荷电状态实时状态信号，其次，利用全球定位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，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；

步骤5)权重参数调节：

权重参数为步骤3)中评价函数内的权重系数，采用粒子群算法自动调节权重系数，具体来说，粒子群算法中的粒子为各项权重系数，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个极值来更新自己，第一个就是粒子本身所找到的最优解，这个解叫做个体极值，另一个极值是整个种群目前找到的最优解，这个极值是全局极值；

步骤6)目标满足判断：

满足目标的标准为汽车的燃油经济性收敛到最优值，具体来说，迭代上一次和本次燃油经济性误差在±％5内即认为满足目标。