CN104859647B - 插电式混合动力汽车节能控制方法 - Google Patents

Abstract

本发明公开了一种基于道路交通信息的插电式混合动力汽车节能控制方法，从全球定位系统和智能交通系统获取实时道路坡度、前方车辆交通信息及下一充电站信息；建立插电式混合动力汽车自由度数学模型为预测未来车辆状态的依据；定义汽车电量消耗和电量维持阶段能量管理最优控制问题，提供求解最优控制量的函数方程；进行实时反馈最优控制，求解最优控制量，实现蓄电池充放电最优分配，根据车辆行驶工况在线调整优化插电式混合动力汽车能量流动，获得插电式混合动力汽车系统最优性能，运用行星齿轮机构作为电子无极变速器，使发动机工作于高效区域，运用道路交通信息，预测目标蓄电池荷电状态，在线调整插电式混合动力汽车能量流动，达到节能减排目标。

Description

插电式混合动力汽车节能控制方法

技术领域

本发明涉及一种基于道路交通信息的实时最优的插电式混合动力汽车节能控制方法。

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，插电式混合动力汽车目前已被产业化。与传统汽车相比，插电式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。由于插电式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；利用大容量蓄电池储存的电能辅助发动机驱动或者电动模式运行，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，插电式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。

插电式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。插电式混合动力汽车具有电量消耗和电量维持两个阶段。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算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算法的实际应用问题。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。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插电式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插电式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，并产业化插电式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：

一种插电式混合动力汽车节能控制方法，其特征在于：包括以下步骤：

步骤1)信息采集：由全球定位系统采集车辆的位置信息和充电站位置信息，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测定；

步骤2)车辆建模：行星齿轮式混联插电式混合动力汽车包含五大动态部件：它们是发动机、蓄电池、两个发电电动一体机和车轮；行星齿轮作为既有速度耦合器的作用又有电子无极变速器作用的动力分配装置，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，如式(1)所示；

x＝[ω_eng p ω_M/G2 x_SOC]^T

u＝[τ_eng τ_M/G2 τ_M/G1 τ_brake]^T

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；

车辆的燃油经济性评价采用威兰氏线性模型,如式(4)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：插电式混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测插电式混合动力车辆状态以及道路交通信息，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；

插电式混合动力汽车不同于一般混合动力汽车，其蓄电池容量保证车辆纯电动状态续航30km，利用基础设施充电站进行快速充电，其有比一般混合动力汽车更好的燃油经济性；

电量维持阶段的最优控制问题定义如式(5)所示：

subject to τ_M/G2min≤τ_M/G2(τ|t)≤τ_M/G2max (5)

τ_M/G1min≤τ_M/G1(τ|t)≤τ_M/G1max

0≤τ_brake(τ|t)≤τ_brakemax

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(6)所示：

L_CS＝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+w_lL_l

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

L_f＝-ln(ω_eng)-ln(ω_engmax-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_battmin)-ln(P_battmax-P_batt)

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

L_l＝-ln(p_p-p-l_p-d_min)

式中SOC_d是目标蓄电池荷电状态，其值由下一充电站的位置信息决定，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，w_k和w_l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，参数p_p，v_p，d_min和l_p分别是预测区间内前方车辆位置，速度，最小车间距和车长，预测区间内由于车辆的惯性，假设前方车辆加速度一定，如果前行车速度大于最大值或者小于一定值，则前行车加速度为0，如果前方遭遇交通信号灯红灯，则假定一辆速度为0的前行车停在交通信号灯位置处，车辆的启动和停止速度模式采用实验曲线，运用实际驾驶员的特性测取，障碍函数用于处理系统状态约束，电量维持阶段的控制策略通过评价函数第一项和第四项控制蓄电池的放电速率，需求功率的满足尽量使用蓄电池功率，不足部分由发动机补充，发动机工作时使其工作于其高效区域附近，

电量消耗阶段的最优控制问题定义如式(7)所示：

subject to τ_M/G2min≤τ_M/G2(τ|t)≤τ_M/G2max (7)

τ_M/G1min≤τ_M/G1(τ|t)≤τ_M/G1max

0≤τ_brake(τ|t)≤τ_brakemax

评价函数定义如式(8)所示：

L_CD＝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+w_lL_l+w_mL_m

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

L_f＝-ln(ω_eng)-ln(ω_engmax-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_battmin)-ln(P_battmax-P_batt)

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

L_l＝-ln(p_p-p-l_p-d_min)

L_m＝P_batt

电量消耗阶段的控制策略通过评价函数第一项和最后一项控制蓄电池的放电速率，需求功率的满足尽量使用蓄电池功率，不足部分由发动机补充，发动机工作时使其工作于其高效区域附近；

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，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、道路坡度信息、下一充电站位置信息实时状态信号，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。

本发明由于采取以上技术方案，其具有以下优点：

1)本发明能够利用道路坡度信息，下一充电站信息，前方交通状况，对插电式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)结合插电式混合动力汽车的特点，本发明能够对蓄电池的充放电进行最优安排，实现能量实时最优的目标。

3)提出了插电式混合动力汽车的泛化三自由度模型，为插电式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插电式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插电式混合动力汽车驱动系统结构示意图。

图2是基于道路交通信息的插电式混合动力汽车节能预测控制方法流程图。

图3是基于跟车模型的混合动力汽车节能预测控制器结构图。

具体实施方式

本发明公开了一种基于道路交通信息的插电式混合动力汽车节能控制方法，包括以下步骤：从全球定位系统和智能交通系统获取实时道路坡度、前方车辆交通信息以及下一充电站信息作为系统输入；建立插电式混合动力汽车3自由度数学模型作为预测未来车辆状态的依据；定义插电式混合动力汽车电量消耗(CD)和电量维持(CS)阶段能量管理最优控制问题，提供求解最优控制量的函数方程；进行实时反馈最优控制，求解最优控制量，实现蓄电池充放电的最优分配。本发明考虑前车模型为改进的惯性模型，将交通信号灯信息模型和车辆启动及停止模型融入系统模型，采用一种基于道路交通信息的插电式混合动力汽车节能预测控制方法，根据实际的车辆行驶工况在线调整优化插电式混合动力汽车能量流动，进而可以获得插电式混合动力汽车系统最优性能。该方法运用行星齿轮机构作为电子无极变速器，使发动机工作于其高效区域。同时，运用道路交通信息，预测目标蓄电池荷电状态，在线调整插电式混合动力汽车能量流动，达到节能减排的目标。另外，本发明不同于传统的动态规划优化控制方法(需要车辆未来全部行驶工况),可应用于实际车辆的实时控制，为插电式混合动力汽车能量管理系统中央控制器性能提高提供了一种新途径。

如图1所示，在图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。结构图中包含插电式混合动力汽车包含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，图1所示为系统硬件。

如图2所示，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。

如图3所示，图3为本发明具体控制方法的整个过程。由全球定位系统通过车辆位置查询得到车辆所在位置的道路坡度以及下一充电站信息。目标蓄电池荷电状态发生器根据道路坡度信息和下一充电站位置信息产生目标蓄电池荷电状态。由智能交通系统获得前方车辆位置，速度和交通信息。测取的车辆状态，道路坡度信息，前方车辆位置和速度以及交通信息，目标蓄电池荷电状态，目标车辆速度输入模型预测控制器，模型预测控制器根据车辆系统模型，求解最优控制问题，得到最优控制量，并作用于车辆。

如图所示，本发明公开的一种基于道路交通信息的插电式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，第六步为是否满足目标判断；其特征在于：包括以下步骤：

步骤1)信息采集：

由全球定位系统采集车辆的位置信息和充电站位置信息，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测定。

步骤2)车辆建模：行星齿轮式混联插电式混合动力汽车包含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：

x＝[ω_eng p ω_M/G2 x_SOC]^T

u＝[τ_eng τ_M/G2 τ_M/G1 τ_brake]^T

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是发电电动一体机1，发电电动一体机2，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是发电电动一体机1，第一发电电动一体机2和第二发动机的角转速度。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1，第二发电电动一体机2，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。

车辆的燃油经济性评价采用威兰氏线性模型,如式(4)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：插电式混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测插电式混合动力车辆状态以及道路交通信息，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四点。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，对插电式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，前方有车辆的情况下，传统的固定车间距的控制算法现在还是主流，车间距离在最小值以上浮动的控制策略，提高了车辆速度变化的自由度，使混合动力汽车燃油经济性的提高有了可能。第三，本控制策略考虑模型误差，驾驶员启动和停止车辆特性，交通信号灯信息，前行车惯性模型，充电站间距，预测区间长短等不确定信息，能够运用于实时最优控制。第四，控制策略能够对蓄电池的充放电进行最优安排，使车辆到达充电站时恰好蓄电池的荷电状态达到最小值。上述四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。

预测模型在已在上部分论述。

电量维持阶段的最优控制问题定义如式(5)所示：

subject to τ_M/G2min≤τ_M/G2(τ|t)≤τ_M/G2max (5)

τ_M/G1min≤τ_M/G1(τ|t)≤τ_M/G1max

0≤τ_brake(τ|t)≤τ_brakemax

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(6)所示：

L_CS＝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+w_lL_l

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

L_f＝-ln(ω_eng)-ln(ω_engmax-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_battmin)-ln(P_battmax-P_batt)

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

L_l＝-ln(p_p(t)+v_p(t)×(τ-t)-p(t)-l-d_min) (6)

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，w_k和w_l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。参数p_p，v_p，d_min和l_p分别是预测区间内前方车辆位置，速度，最小车间距和车长。预测区间内由于车辆的惯性，假设前方车辆加速度一定。如果前行车速度大于最大值或者小于一定值，则前行车加速度为0。如果前方遭遇交通信号灯红灯，则假定一辆速度为0的前行车停在交通信号灯位置处。车辆的启动和停止速度模式采用实验曲线，运用实际驾驶员的特性测取。预测区间内假设前方车辆速度一定。障碍函数用于处理系统状态约束等。电量维持阶段的控制策略通过评价函数第一项和第四项控制蓄电池的放电速率，需求功率的满足尽量使用蓄电池功率，不足部分由发动机补充，发动机工作时使其工作于其高效区域附近。

电量消耗阶段的最优控制问题定义如式(7)所示：

subject to τ_M/G2min≤τ_M/G2(τ|t)≤τ_M/G2max (7)

τ_M/G1min≤τ_M/G1(τ|t)≤τ_M/G1max

0≤τ_brake(τ|t)≤τ_brakemax

评价函数定义如式(8)所示：

L_CD＝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+w_lL_l+w_mL_m

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

L_f＝-ln(ω_eng)-ln(ω_engmax-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_battmin)-ln(P_battmax-P_batt)

L_k＝-ln(τ_eng)-ln(τ_engmax(ω_eng)-τ_eng) (8)

L_l＝-ln(p_p(t)+v_p(t)×(τ-t)-p(t)-l-d_min)

L_m＝P_batt

电量消耗阶段的控制策略通过评价函数第一项和最后一项控制蓄电池的放电速率，需求功率的满足尽量使用蓄电池功率，不足部分由发动机补充，发动机工作时使其工作于其高效区域附近。

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，道路坡度信息，下一充电站位置信息等实时状态信号，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。

实施例：以行星齿轮式混联插电式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，第三步为公式化最优控制策略，第四步为在线最优控制。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：由全球定位系统采集车辆的位置信息和充电站位置信息，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4信息对蓄电池荷电状态进行估计测定。

步骤2)车辆建模：行星齿轮式混联插电式混合动力汽车包含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。

x＝[ω_eng p ω_M/G2 x_SOC]^T

u＝[τ_eng τ_M/G2 τ_M/G1 τ_brake]^T

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。

式中s₁，s₂，s₃，s₄，s₅和s₆是形函数参数。

车辆的燃油经济性评价采用威兰氏线性模型,如式(4)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：

插电式混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测插电式混合动力车辆状态以及道路交通信息，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四点。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，对插电式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，前方有车辆的情况下，传统的固定车间距的控制算法现在还是主流，车间距离在最小值以上浮动的控制策略，提高了车辆速度变化的自由度，使混合动力汽车燃油经济性的提高有了可能。第三，本控制策略考虑模型误差，驾驶员启动和停止车辆特性，交通信号灯信息，前行车惯性模型，充电站间距，预测区间长短等不确定信息，能够运用于实时最优控制。第四，控制策略能够对蓄电池4的充放电进行最优安排，使车辆到达充电站时恰好蓄电池4的荷电状态达到最小值。上述四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。预测模型在已在上部分论述。

电量维持阶段的最优控制问题定义如式(5)所示。

subject to τ_M/G2min≤τ_M/G2(τ|t)≤τ_M/G2max (5)

τ_M/G1min≤τ_M/G1(τ|t)≤τ_M/G1max

0≤τ_brake(τ|t)≤τ_brakemax

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(6)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+w_lL_l

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

L_f＝-ln(ω_eng)-ln(ω_engmax-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_battmin)-ln(P_battmax-P_batt)

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

L_l＝-ln(p_p(t)+v_p(t)×(τ-t)-p(t)-l-d_min) (6)

式中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。w_x，w_y，w_z，w_d，w_e，w_f，w_g，w_h，w_i，w_j，w_k和w_l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。参数p_p，v_p，d_min和l_p分别是预测区间内前方车辆位置，速度，最小车间距和车长。预测区间内由于车辆的惯性，假设前方车辆加速度一定。如果前行车速度大于最大值或者小于一定值，则前行车加速度为0。如果前方遭遇交通信号灯红灯，则假定一辆速度为0的前行车停在交通信号灯位置处。车辆的启动和停止速度模式采用实验曲线，运用实际驾驶员的特性测取。预测区间内假设前方车辆速度一定。障碍函数用于处理系统状态约束等。电量维持阶段的控制策略通过评价函数第一项和第四项控制蓄电池4的放电速率，需求功率的满足尽量使用蓄电池4功率，不足部分由发动机1补充，发动机1工作时使其工作于其高效区域附近。

电量消耗阶段的最优控制问题定义如式(7)所示。

subject to τ_M/G2min≤τ_M/G2(τ|t)≤τ_M/G2max (7)

τ_M/G1min≤τ_M/G1(τ|t)≤τ_M/G1max

0≤τ_brake(τ|t)≤τ_brakemax

评价函数定义如式(8)所示。

L_CD＝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+w_lL_l+w_mL_m

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

L_f＝-ln(ω_eng)-ln(ω_engmax-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_battmin)-ln(P_battmax-P_batt)

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

L_l＝-ln(p_p(t)+v_p(t)×(τ-t)-p(t)-l-d_min)

L_m＝P_batt

电量消耗阶段的控制策略通过评价函数第一项和最后一项控制蓄电池4的放电速率，需求功率的满足尽量使用蓄电池4功率，不足部分由发动机补充，发动机1工作时使其工作于其高效区域附近。

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，以及下一充电站位置等实时状态信号，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。

本发明同样适用于其他形式插电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插电式混合动力汽车驱动系统一致，在此不再赘述。

Claims (1)

1.一种插电式混合动力汽车节能控制方法，其特征在于：包括以下步骤：

步骤1)信息采集：由全球定位系统采集车辆的位置信息和充电站位置信息，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测定；

步骤2)车辆建模：行星齿轮式混联插电式混合动力汽车包含五大动态部件：它们是发动机、蓄电池、两个发电电动一体机和车轮；行星齿轮作为既有速度耦合器的作用又有电子无极变速器作用的动力分配装置，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，如式(1)所示；

$\stackrel{\·}{x}=f(x,u)$

x＝[ω_eng p ω_M/G2 x_SOC]^T

u＝[τ_eng τ_M/G2 τ_M/G1 τ_brake]^T

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

${\mathrm{\τ}}_{resist}=r_{w}mg\left(\mathrm{\μ}cos\right(\mathrm{\θ})+sin(\mathrm{\θ}\left)\right)+\frac{1}{2}{\mathrm{\ρC}}_D{\mathrm{Ar}}_w{\left(\frac{{\mathrm{\ω}}_{M/G2}}{g_f}{r}_w\right)}^2$

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

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：

$\mathrm{\θ}\left(p\right)=\frac{s_1}{1+e^{\left(s_3\right(p-s_2\left)\right)}}+\frac{s_4}{1+e^{\left(s_6\right(p-s_5\left)\right)}}+...---\left(3\right)$

式中s₁，s₂，s₃，s₄，s₅和s₆是形函数参数；

车辆的燃油经济性评价采用威兰氏线性模型,如式(4)所示：

${\stackrel{\·}{m}}_f=\frac{{\mathrm{a\τ}}_{eng}{\mathrm{\ω}}_{eng}+{\mathrm{b\ω}}_{eng}+{\mathrm{c\ω}}_{eng}^3}{h+{\mathrm{k\ω}}_{eng}+{\mathrm{l\ω}}_{eng}^2}---\left(4\right)$

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：插电式混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测插电式混合动力车辆状态以及道路交通信息，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；

插电式混合动力汽车不同于一般混合动力汽车，其蓄电池容量保证车辆纯电动状态续航30km，利用基础设施充电站进行快速充电，其有比一般混合动力汽车更好的燃油经济性；

电量维持阶段的最优控制问题定义如式(5)所示：

$\begin{array}{cc}\min imize& J=\underset{t}{\overset{t+T}{\∫}}{L}_{CS}\left(x\right(\mathrm{\τ}\left|t\right),u\left(\mathrm{\τ}\right|t))d\mathrm{\τ}\\ subjectto& {\mathrm{\τ}}_{M/G2\min }\≤{\mathrm{\τ}}_{M/G2}\left(\mathrm{\τ}\right|t)\≤{\mathrm{\τ}}_{M/G2\max }\\ & {\mathrm{\τ}}_{M/G1\min }\≤{\mathrm{\τ}}_{M/G1}\left(\mathrm{\τ}\right|t)\≤{\mathrm{\τ}}_{M/G1\max }\\ & 0\≤{\mathrm{\τ}}_{brake}\left(\mathrm{\τ}\right|t)\≤{\mathrm{\τ}}_{brake\max }\end{array}---\left(5\right)$

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(6)所示：

L_CS＝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+w_lL_l

$L_x={\stackrel{\·}{m}}_f$

$L_y=\frac{1}{2}{(\frac{r_w}{g_f}{\stackrel{\·}{\mathrm{\ω}}}_{M/G_2}+gsin(\mathrm{\θ}\left)\right)}^2$

$L_z=\frac{1}{2}{(v-v_d)}^2$

$L_d=\frac{1}{2}{(x_{SOC}-{\mathrm{SOC}}_d(p\left)\right)}^2$

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

L_f＝-ln(ω_eng)-ln(ω_engmax-ω_eng)

L_g＝-ln(ω_M/G2)-ln(ω_M/G2max-ω_M/G2)

$L_h=\frac{1}{2}{\left({\mathrm{\τ}}_{brake}\right)}^2$

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

L_j＝-ln(P_batt-P_battmin)-ln(P_battmax-P_batt)

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

L_l＝-ln(p_p-p-l_p-d_min)

$a_p\left(\mathrm{\τ}\right)=\frac{a_p\left(t\right)}{(1+e^{-{\mathrm{\β}}_1\left(v_p\right(\mathrm{\τ})-v_{min})})(1+e^{{\mathrm{\β}}_2\left(v_p\right(\mathrm{\τ})-v_{max})})}---\left(6\right)$

$p_p=v_p\left(t\right)+\frac{1}{2}{a}_p\left(\mathrm{\τ}\right){\mathrm{\τ}}^2$

式中SOC_d是目标蓄电池荷电状态，其值由下一充电站的位置信息决定，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，w_k和w_l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，参数p_p，v_p，d_min和l_p分别是预测区间内前方车辆位置，速度，最小车间距和车长，预测区间内由于车辆的惯性，假设前方车辆加速度一定，如果前行车速度大于最大值或者小于一定值，则前行车加速度为0，如果前方遭遇交通信号灯红灯，则假定一辆速度为0的前行车停在交通信号灯位置处，车辆的启动和停止速度模式采用实验曲线，运用实际驾驶员的特性测取，障碍函数用于处理系统状态约束，电量维持阶段的控制策略通过评价函数第一项和第四项控制蓄电池的放电速率，需求功率的满足尽量使用蓄电池功率，不足部分由发动机补充，发动机工作时使其工作于其高效区域附近，

电量消耗阶段的最优控制问题定义如式(7)所示：

$\begin{array}{cc}\min imize& J=\underset{t}{\overset{t+T}{\∫}}{L}_{CS}\left(x\right(\mathrm{\τ}\left|t\right),u\left(\mathrm{\τ}\right|t))d\mathrm{\τ}\\ subjectto& {\mathrm{\τ}}_{M/G2\min }\≤{\mathrm{\τ}}_{M/G2}\left(\mathrm{\τ}\right|t)\≤{\mathrm{\τ}}_{M/G2\max }\\ & {\mathrm{\τ}}_{M/G1\min }\≤{\mathrm{\τ}}_{M/G1}\left(\mathrm{\τ}\right|t)\≤{\mathrm{\τ}}_{M/G1\max }\\ & 0\≤{\mathrm{\τ}}_{brake}\left(\mathrm{\τ}\right|t)\≤{\mathrm{\τ}}_{brake\max }\end{array}---\left(7\right)$

评价函数定义如式(8)所示：

L_CD＝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+w_lL_l+w_mL_m

$L_x={\stackrel{\·}{m}}_f$

$L_y=\frac{1}{2}{(\frac{r_w}{g_f}{\stackrel{\·}{\mathrm{\ω}}}_{M/G_2}+gsin(\mathrm{\θ}\left)\right)}^2$

$L_z=\frac{1}{2}{(v-v_d)}^2$

$L_d=\frac{1}{2}{(x_{SOC}-{\mathrm{SOC}}_d(p\left)\right)}^2$

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

L_f＝-ln(ω_eng)-ln(ω_engmax-ω_eng)

L_g＝-ln(ω_M/G2)-ln(ω_M/G2max-ω_M/G2)

$L_h=\frac{1}{2}{\left({\mathrm{\τ}}_{brake}\right)}^2$

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

L_j＝-ln(P_batt-P_battmin)-ln(P_battmax-P_batt)

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

L_l＝-ln(p_p-p-l_p-d_min)

L_m＝P_batt

$a_p\left(\mathrm{\τ}\right)=\frac{a_p\left(t\right)}{(1+e^{-{\mathrm{\β}}_1\left(v_p\right(\mathrm{\τ})-v_{\min })})(1+e^{{\mathrm{\β}}_2\left(v_p\right(\mathrm{\τ})-v_{max})})}---\left(8\right)$

$p_p=v_p\left(t\right)+\frac{1}{2}{a}_p\left(\mathrm{\τ}\right){\mathrm{\τ}}^2$

电量消耗阶段的控制策略通过评价函数第一项和最后一项控制蓄电池的放电速率，需求功率的满足尽量使用蓄电池功率，不足部分由发动机补充，发动机工作时使其工作于其高效区域附近；

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，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、道路坡度信息、下一充电站位置信息实时状态信号，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。