CN104590247A - 基于交通信号灯信息的混合动力汽车节能预测控制方法 - Google Patents

Abstract

本发明公开了一种基于交通信号灯信息的混合动力汽车节能预测控制方法，从全球定位系统和智能交通系统获取实时道路坡度和交通信号灯信息作为系统输入；建立混合动力汽车数学模型作为预测未来车辆状态的依据；定义混合动力汽车能量管理最优控制问题，提供求解最优控制量的函数方程；实时反馈最优控制求解最优控制量；在满足混合动力汽车蓄电池电量平衡及各部件转速转矩物理极限约束的情况下，根据实际的车辆行驶工况在线调整优化混合动力汽车能量流动，获得混合动力汽车系统最优性能，用行星齿轮机构作为电子无极变速器，使发动机始终工作于最佳工作点，用道路交通信息，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

基于交通信号灯信息的混合动力汽车节能预测控制方法

技术领域

本发明涉及一种实时最优的混合动力汽车控制方法，特别涉及一种基于交通信号灯信息的混合动力汽车节能预测控制方法。

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法以及日本学者大塚敏之提出的C/GMRES快速解法。这两种方法的结合解决了模型预测控制这种先进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。同时利用道路交通信息，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，需要设计出一种基于道路交通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交通信号灯信息进行实时预测的基于交通信号灯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：一种基于交通信号灯信息的 混合动力汽车节能预测控制方法，包括确定交通信号灯信息模型、车辆建模、公式化控制策略、在线最优控制、权重参数调节、是否满足目标判断；其特征在于：具体包括以下步骤：

步骤1)确定交通信号灯信息模型：

选定观测地点，架设摄像机；录取符合要求的视频画面，连接摄像机和带视频采集卡的电脑设备，在信息采集软件界面设置好通讯端口和摄像机格式、时间信息，打开检测器开始检测，将检测文件存盘，提取需要的结果；将交通信号灯的时变信息转化为假想前行车的行驶模式，红灯表示前行车静止，绿灯表示前行车定速行驶，通过这种方式将交通信息模型化，公式化；

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，2个电机和车轮5大动态部件，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，列写系统动力学方程，对动力学方程解耦，最终获得系统的状态空间模型，如式(1)所示：

x＝f(x,u)

x＝[x₁ v x_SOC]^T

u＝[u₁ P_batt]

$f(x,u)=\left[\begin{array}{c}\\ v\\ u_1\left(t\right)-\frac{1}{2}\mathrm{\ρ}{C}_{D}A{v}^2/m-\mathrm{g\μ}-g\sin \left(\mathrm{\θ}\left(x_1\right)\right)\\ -\frac{V_{\mathrm{OC}}-\sqrt{V_{\mathrm{OC}}^2-4P_{\mathrm{batt}}{R}_{\mathrm{batt}}}}{2R_{\mathrm{batt}}{Q}_{\mathrm{batt}}}\end{array}\right]---\left(1\right)$

式中，x为状态量，u为控制量，x₁为车辆位置，v为车辆速度，x_SOC为蓄电池荷电状态，u₁为车辆加减速度的控制量，P_batt是蓄电池功率，参数ρ，C_D，A，m，g，μ和θ是空气密度，空气阻力系数，车辆迎风面积，车辆质量，重力加速度，滚动阻力系数和道路坡度，V_OC，R_batt和Q_batt是蓄电池开路电压，内阻和容量；

车辆的燃油经济性评价采用威兰氏线性模型,如式(2)所示：

.m_f(t)＝.m_f(P_req(t)-P_batt(t))≈c_f(P_req(t)-P_batt(t))        (2) 

式中m_f为燃油消耗率，参数P_req为车辆需求功率，c_f为常数参数；

步骤3)公式化控制策略：基于交通信号灯信息的混合动力汽车能量管理模型预测最优控制策略的步骤为：首先确定交通信号灯信息模型，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，采用尽量使用蓄电池能量的控制策略，以更好地利用混合动力汽车蓄电池容量大的特点，回收更多的免费再生制动能量；第二，运用两种模型预测控制器切换的策略解决交通信号灯信息模型不连续的问题。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。本方法考虑路口红绿灯剩余时间，路口限制速度等条件，综合平衡车辆燃油经济性和安全性实现最优控制；

定速行驶时的第一最优控制问题定义如式(3)所示：

$\begin{array}{cc}\min \mathrm{imize}& J_{\mathrm{opt}1}={\∫}_t^{t+T}{L}_{\mathrm{opt}1}(x\left(\mathrm{\τ}\right|t),u\left(\mathrm{\τ}\right|t))\mathrm{d\τ}\end{array}$

subject to P_battmin≤P_batt(τ|t)≤P_battmax        (3) 

u_1min≤u₁(τ|t)≤u_1max

式中T为预测区间；u_1min，u_1max，P_batmin和P_batmax为控制量约束；

评价函数定义如式(4)所示：

L_opt1＝w_xL_x+w_yL_y+w_zL_z+w_dL_d+w_eL_e+w_fL_f

$L_x={(u_1-\frac{1}{2}\mathrm{\ρ}{C}_{D}A{v}^2/m-\mathrm{g\μ})}^2$

L_y＝(v-v_d)²

$L_z=c_f({\mathrm{mu}}_{1}v-P_{\mathrm{batt}})/(1+e^{(-\mathrm{\β}({\mathrm{mu}}_{1}v-P_{\mathrm{batt}}))})---\left(4\right)$

L_d＝(x_SOC-SOC_d)²

L_e＝(mu₁v-P_bat)²

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

式中w_x，w_y，w_z，w_d，w_e和w_f是权重系数，β为常数参数。SOC_min和SOC_max为参数约束，障碍函数用于处理系统状态约束，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；

及时通过交通信号灯的第二最优控制问题定义如式(5)所示：

$\begin{array}{cc}\min \mathrm{imize}& J_{\mathrm{opt}2}={\∫}_t^{t+T}{L}_{\mathrm{opt}2}(x\left(\mathrm{\τ}\right|t),u\left(\mathrm{\τ}\right|t))\mathrm{d\τ}\end{array}$

subject to P_battmin≤P_batt(τ|t)≤P_battmax     (5) 

u_1min≤u₁(τ|t)≤u_1max

式中T为预测区间，u_1min，u_1max，P_batmin和P_batmax为控制量约束，

评价函数定义如式(6)所示：

L_opt2＝w_x2L_x2+w_y2L_y2+w_z2L_z2+w_d2L_d2+w_e2L_e2+w_f2L_f2+w_g2L_g2+w_h2L_h2

$L_{x2}={(u_{12}-\frac{1}{2}\mathrm{\ρ}{C}_{D}A{v}^2/m-\mathrm{g\μ})}^2$

L_y2＝(v-v_d)²

$L_{z2}=c_f({\mathrm{mu}}_{1}v-P_{\mathrm{batt}})/(1+e^{(-\mathrm{\β}({\mathrm{mu}}_{1}v-P_{\mathrm{batt}}))})---\left(6\right),$

L_d2＝(x_SOC-SOC_d)²

L_e2＝(mu₁v-P_bat)²

L_f2＝-ln(x_SOC-SOC_min)-ln(SOC_max-x_SOC) 

$L_{g2}=\frac{1}{1+\exp (-\mathrm{\α}(T_d-\mathrm{\τ}))}{((T_d-\mathrm{\τ})v-(X_d-x_1))}^2$

$L_{h2}=\frac{1}{1+\exp (-\mathrm{\α}(T_d-\mathrm{\τ}))}\exp (-k\left(\frac{X_d-x_1}{v}\right))$

式中w_x2，w_y2，w_z2，w_d2，w_e2，w_f2，w_g2和w_h2是权重系数，w₁，w₂，w₃和w₄是权重系数，T_d和X_d为信号灯由红变绿或者由绿变红的时间点，交通信号灯的位置；

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；

第一最优控制问题和第二最优控制问题的切换依据车辆能否在绿灯阶段通过交通信号灯的结果，如能通过，则求解第一最优控制问题，否则求解第二最优控制问题，选择及时通过交通信号灯的车辆速度；

在每个采样时刻，首先测取蓄电池荷电状态等实时状态信号，其次确定交通信号灯时变信息，并制作表格，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)本方法考虑路口红绿灯剩余时间，路口限制速度等条件，综合平衡车辆燃油经济性和安全性实现最优控制。

2)采用尽量使用蓄电池能量的控制策略，以更好地利用混合动力汽车蓄电池容量大的特点，回收更多的免费再生制动能量。

3)混合动力汽车的各种运行模式：电动模式，再生制动模式，发动机充电模式，发动机电动机无级变速混合驱动模式，均可利用所提出算法实现。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是基于交通信号灯信息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个电机和车轮。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个电机。逆变器电气耦合蓄电池和2个电机。通过对系统机械耦合和电气耦合解耦获得独立的1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1是本发明行星齿轮式混联式混合动力驱动系统结构示意图，主要包括：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是揭示了整个控制方法的过程。首先确定交通信号灯信息模型。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；本方法，第一步为确定交通信号灯信息模型，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，第六步为是否满足目标判断；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)确定交通信号灯信息模型：

选定观测地点，架设摄像机；录取符合要求的视频画面；连接摄像机和带视频采集卡的电脑设备；在信息采集软件界面设置好通讯端口和摄像机格式，时间等信息；打开检测器开始检测；将检测文件存盘；提取需要的结果。将交通信号灯的时变信息转化为假想前行车的行驶模式。红灯表示前行车静止，绿灯表示前行车定速行驶。通过这种方式将交通信息模型化，公式化。

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4，2个电机和车轮。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。

x＝f(x,u)

x＝[x₁ v x_SOC]^T

u＝[u₁ P_batt]

$f(x,u)=\left[\begin{array}{c}\\ v\\ u_1\left(t\right)-\frac{1}{2}\mathrm{\ρ}{C}_{D}A{v}^2/m-\mathrm{g\μ}-g\sin \left(\mathrm{\θ}\left(x_1\right)\right)\\ -\frac{V_{\mathrm{OC}}-\sqrt{V_{\mathrm{OC}}^2-4P_{\mathrm{batt}}{R}_{\mathrm{batt}}}}{2R_{\mathrm{batt}}{Q}_{\mathrm{batt}}}\end{array}\right]---\left(1\right)$

式中，x为状态量，u为控制量。x₁为车辆位置。v为车辆速度。x_SOC为蓄电池4荷电状态。u₁为车辆加减速度的控制量。P_batt是蓄电池4功率。参数ρ，C_D，A，m，g，μ和θ是空气密度，空气阻力系数，车辆迎风面积，车辆质量，重力加速度，滚动阻力系数和道路坡度。V_OC，R_batt和Q_batt是蓄电池4开路电压，内阻和容量。

步骤3)公式化控制策略

基于交通信号灯信息的混合动力汽车能量管理模型预测最优控制策略的步骤为：首先确定交通信号灯信息模型，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，采用尽量使用蓄电池4能量的控制策略，以更好地利用混合动力汽车蓄电池4容量大的特点，回收更多的免费再生制动能量。第二，运用两种模型预测控制器切换的策略解决交通信号灯信息模型不连续的问题。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。本方法考虑路口红绿灯剩余时间，路口限制速度等条件，综合平衡车辆燃油经济性和安全性实现最优控制。

预测模型在已在上部分论述。

定速行驶时的第一最优控制问题定义如式(3)所示：

$\begin{array}{cc}\min \mathrm{imize}& J_{\mathrm{opt}1}={\∫}_t^{t+T}{L}_{\mathrm{opt}1}(x\left(\mathrm{\τ}\right|t),u\left(\mathrm{\τ}\right|t))\mathrm{d\τ}\end{array}$

subject to P_battmin≤P_batt(τ|t)≤P_battmax      (3) 

u_1min≤u₁(τ|t)≤u_1max

式中T为预测区间。u_1min，u_1max，P_batmin和P_batmax为控制量约束。

评价函数定义如式(4)所示：

L_opt1＝w_xL_x+w_yL_y+w_zL_z+w_dL_d+w_eL_e+w_fL_f

$L_x={(u_1-\frac{1}{2}\mathrm{\ρ}{C}_{D}A{v}^2/m-\mathrm{g\μ})}^2$

L_y＝(v-v_d)²

$L_z=c_f({\mathrm{mu}}_{1}v-P_{\mathrm{batt}})/(1+e^{(-\mathrm{\β}({\mathrm{mu}}_{1}v-P_{\mathrm{batt}}))})---\left(4\right)$

L_d＝(x_SOC-SOC_d)²

L_e＝(mu₁v-P_bat)²

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

式中w_x，w_y，w_z，w_d，w_e和w_f是权重系数。β为常数参数。SOC_min和SOC_max为参数约束。障碍函数用于处理系统状态约束。SOC_d是目标蓄电池4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。

及时通过交通信号灯的第二最优控制问题定义如式(5)所示：

$\begin{array}{cc}\min \mathrm{imize}& J_{\mathrm{opt}2}={\∫}_t^{t+T}{L}_{\mathrm{opt}2}(x\left(\mathrm{\τ}\right|t),u\left(\mathrm{\τ}\right|t))\mathrm{d\τ}\end{array}$

subject to P_battmin≤P_batt(τ|t)≤P_battmax      (5) 

u_1min≤u₁(τ|t)≤u_1max

式中T为预测区间，u_1min，u_1max，P_batmin和P_batmax为控制量约束；

评价函数定义如式(6)所示：

L_opt2＝w_x2L_x2+w_y2L_y2+w_z2L_z2+w_d2L_d2+w_e2L_e2+w_f2L_f2+w_g2L_g2+w_h2L_h2

$L_{x2}={(u_{12}-\frac{1}{2}\mathrm{\ρ}{C}_{D}A{v}^2/m-\mathrm{g\μ})}^2$

L_y2＝(v-v_d)²

$L_{z2}=c_f({\mathrm{mu}}_{1}v-P_{\mathrm{batt}})/(1+e^{(-\mathrm{\β}({\mathrm{mu}}_{1}v-P_{\mathrm{batt}}))})$

L_d2＝(x_SOC-SOC_d)²

L_e2＝(mu₁v-P_bat)²

L_f2＝-ln(x_SOC-SOC_min)-ln(SOC_max-x_SOC) 

$L_{g2}=\frac{1}{1+\exp (-\mathrm{\α}(T_d-\mathrm{\τ}))}{((T_d-\mathrm{\τ})v-(X_d-x_1))}^2$

$L_{h2}=\frac{1}{1+\exp (-\mathrm{\α}(T_d-\mathrm{\τ}))}\exp (-k\left(\frac{X_d-x_1}{v}\right))---\left(6\right)$

式中w_x2，w_y2，w_z2，w_d2，w_e2，w_f2，w_g2和w_h2是权重系数。w₁，w₂，w₃和w₄是权 重系数，T_d和X_d为信号灯由红变绿或者由绿变红的时间点，交通信号灯的位置。

步骤4)在线最优控制模块：

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；

第一最优控制问题和第二最优控制问题的切换依据车辆能否在绿灯阶段通过交通信号灯的结果。如能通过，则求解最优控制问题1，否则求解最优控制问题2，选择及时通过交通信号灯的车辆速度。在每个采样时刻，首先，测取蓄电池4荷电状态等实时状态信号，其次，确定交通信号灯时变信息，并制作表格，其次，确定发动机1最优工作线，并制作表格，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)

1.一种基于交通信号灯信息的混合动力汽车节能预测控制方法，包括确定交通信号灯信息模型、车辆建模、公式化控制策略、在线最优控制、权重参数调节、是否满足目标判断；其特征在于：具体包括以下步骤：

步骤1)确定交通信号灯信息模型：

选定观测地点，架设摄像机；录取符合要求的视频画面，连接摄像机和带视频采集卡的电脑设备，在信息采集软件界面设置好通讯端口和摄像机格式、时间信息，打开检测器开始检测，将检测文件存盘，提取需要的结果；将交通信号灯的时变信息转化为假想前行车的行驶模式，红灯表示前行车静止，绿灯表示前行车定速行驶，通过这种方式将交通信息模型化，公式化；

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，2个电机和车轮5大动态部件，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，列写系统动力学方程，对动力学方程解耦，最终获得系统的状态空间模型，如式(1)所示：

x＝f(x,u)

x＝[x₁ v x_SOC]^T

u＝[u₁ P_batt] 

式中，x为状态量，u为控制量，x₁为车辆位置，v为车辆速度，x_SOC为蓄电池荷电状态，u₁为车辆加减速度的控制量，P_batt是蓄电池功率，参数ρ，C_D，A，m，g，μ和θ是空气密度，空气阻力系数，车辆迎风面积，车辆质量，重力加速度，滚动阻力系数和道路坡度，V_OC，R_batt和Q_batt是蓄电池开路电压，内阻和容量；

车辆的燃油经济性评价采用威兰氏线性模型,如式(2)所示：

.m_f(t)＝.m_f(P_req(t)-P_batt(t))≈c_f(P_req(t)-P_batt(t))  (2) 

式中m_f为燃油消耗率，参数P_req为车辆需求功率，c_f为常数参数；

步骤3)公式化控制策略：基于交通信号灯信息的混合动力汽车能量管理模型预测最优控制策略的步骤为：首先确定交通信号灯信息模型，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，采用尽量使用蓄电池能量的控制策略，以更好地利用混合动力汽车蓄电池容量大的特点，回收更多的免费再生制动能量；第二，运用两种模型预测控制器切换的策略解决交通信号灯信息模型不连续的问题。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。本方法考虑路口红绿灯剩余时间，路口限制速度等条件，综合平衡车辆燃油经济性和安全性实现最优控制；

定速行驶时的第一最优控制问题定义如式(3)所示：

subject to P_battmin≤P_batt(τ|t)≤P_battmax  (3) 

u_1min≤u₁(τ|t)≤u_1max

式中T为预测区间；u_1min，u_1max，P_batmin和P_batmax为控制量约束；

评价函数定义如式(4)所示：

L_opt1＝w_xL_x+w_yL_y+w_zL_z+w_dL_d+w_eL_e+w_fL_f

L_y＝(v-v_d)²

L_d＝(x_SOC-SOC_d)²

L_e＝(mu₁v-P_bat)²

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

式中w_x，w_y，w_z，w_d，w_e和w_f是权重系数，β为常数参数。SOC_min和SOC_max为参数约束，障碍函数用于处理系统状态约束，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；

及时通过交通信号灯的第二最优控制问题定义如式(5)所示：

subject to P_battmin≤P_batt(τ|t)≤P_battmax  (5) 

u_1min≤u₁(τ|t)≤u_1max

式中T为预测区间，u_1min，u_1max，P_batmin和P_batmax为控制量约束，

评价函数定义如式(6)所示：

L_opt2＝w_x2L_x2+w_y2L_y2+w_z2L_z2+w_d2L_d2+w_e2L_e2+w_f2L_f2+w_g2L_g2+w_h2L_h2

L_y2＝(v-v_d)²

L_d2＝(x_SOC-SOC_d)²  (6)，

L_e2＝(mu₁v-P_bat)²

L_f2＝-ln(x_SOC-SOC_min)-ln(SOC_max-x_SOC) 

式中w_x2，w_y2，w_z2，w_d2，w_e2，w_f2，w_g2和w_h2是权重系数，w₁，w₂，w₃和w₄是权重系数，T_d和X_d为信号灯由红变绿或者由绿变红的时间点，交通信号灯的位置；

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；

第一最优控制问题和第二最优控制问题的切换依据车辆能否在绿灯阶段通过交通信号灯的结果，如能通过，则求解第一最优控制问题，否则求解第二最优控制问题，选择及时通过交通信号灯的车辆速度；

在每个采样时刻，首先测取蓄电池荷电状态等实时状态信号，其次确定交通信号灯时变信息，并制作表格，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。