CN108365986B - 基于模型预测控制的混合动力车队协同能量管理方法 - Google Patents
基于模型预测控制的混合动力车队协同能量管理方法 Download PDFInfo
- Publication number
- CN108365986B CN108365986B CN201810123988.9A CN201810123988A CN108365986B CN 108365986 B CN108365986 B CN 108365986B CN 201810123988 A CN201810123988 A CN 201810123988A CN 108365986 B CN108365986 B CN 108365986B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- time
- model
- energy management
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000004891 communication Methods 0.000 claims abstract description 14
- 230000036541 health Effects 0.000 claims abstract description 11
- 239000000446 fuel Substances 0.000 claims description 21
- 230000032683 aging Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000006855 networking Effects 0.000 abstract description 6
- 230000015556 catabolic process Effects 0.000 abstract 2
- 238000006731 degradation reaction Methods 0.000 abstract 2
- 238000013459 approach Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/04—Network management architectures or arrangements
- H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及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,属于新能源汽车领域。该方法步骤为: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模型SOH;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。本发明算法复杂度低,可行性好;在代价函数中考虑了电池老化SOH模型,为能量管理提供了新思路,利用本发明可进一步实现智能网联车的更细化的能量管理策略。
Description
技术领域
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。
发明内容
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(HybridElectricVehicle)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[vi lb(k),vi ub(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vi lb(k)、vi ub(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;vi lb(k)、vi ub(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[vi lb(k),vi ub(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[vi lb(k)-vi ub(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[vi lb(k),vi ub(k)]使得车辆总是可以避免红灯停止的状态。其中vi lb(k)、vi ub(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[vi lb(k),vi ub(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。
Claims (7)
1.基于模型预测控制MPC的混合动力车队HEV协同能量管理方法,其特征在于:该方法包含以下步骤:
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。
2.根据权利要求1所述的基于模型预测控制的混合动力车队协同能量管理方法,其特征在于: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。
3.根据权利要求2所述的基于模型预测控制的混合动力车队协同能量管理方法,其特征在于:所述步骤S11具体为:
交通车状态
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。
4.根据权利要求2所述的基于模型预测控制的混合动力车队协同能量管理方法,其特征在于: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[vi lb(k),vi ub(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vi lb(k)、vi ub(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;vi lb(k)、vi ub(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[vi lb(k),vi ub(k)],从而车辆能通过绿灯区间,防止红灯区间的停止。
5.根据权利要求2所述的基于模型预测控制的混合动力车队协同能量管理方法,其特征在于: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。
6.根据权利要求1所述的基于模型预测控制的混合动力车队协同能量管理方法,其特征在于: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。
7.根据权利要求1所述的基于模型预测控制的混合动力车队协同能量管理方法,其特征在于: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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810123988.9A CN108365986B (zh) | 2018-02-07 | 2018-02-07 | 基于模型预测控制的混合动力车队协同能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810123988.9A CN108365986B (zh) | 2018-02-07 | 2018-02-07 | 基于模型预测控制的混合动力车队协同能量管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108365986A CN108365986A (zh) | 2018-08-03 |
CN108365986B true CN108365986B (zh) | 2019-06-21 |
Family
ID=63005139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810123988.9A Active CN108365986B (zh) | 2018-02-07 | 2018-02-07 | 基于模型预测控制的混合动力车队协同能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108365986B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109634281B (zh) * | 2018-12-20 | 2021-05-18 | 中南大学 | 一种列车系统建模与分布式协同控制方法 |
CN110194172A (zh) * | 2019-06-28 | 2019-09-03 | 重庆大学 | 基于增强型神经网络插电式混合动力乘用车能量管理方法 |
EP3772657B1 (en) * | 2019-08-08 | 2023-10-04 | ABB Schweiz AG | Device and method for performing a state of health estimation |
CN112757964A (zh) * | 2019-10-17 | 2021-05-07 | 郑州宇通客车股份有限公司 | 混合动力车辆参数配置方法及计算机可读介质 |
CN111199640B (zh) * | 2019-12-31 | 2022-02-01 | 新石器慧通(北京)科技有限公司 | 车辆编队的协同控制方法和装置 |
CN111261973B (zh) * | 2020-01-19 | 2022-09-23 | 重庆大学 | 基于模型预测控制的电动汽车整车电池热管理方法 |
CN111552185B (zh) * | 2020-05-19 | 2022-06-03 | 重庆大学 | 一种基于pmp的插电式混合动力汽车模型预测控制的能量管理方法 |
CN113147321B (zh) * | 2021-04-29 | 2022-09-09 | 重庆大学 | 一种车载空调与可再生制动协调控制方法 |
CN113538936B (zh) * | 2021-05-28 | 2022-07-22 | 东南大学 | 一种车路协同环境下的信号协同控制方法、装置及存储介质 |
CN113928330B (zh) * | 2021-10-21 | 2024-07-02 | 重庆大学 | 一种纯电动汽车速度轨迹优化控制方法 |
CN116381541B (zh) * | 2023-06-05 | 2023-10-20 | 苏州时代华景新能源有限公司 | 一种储能锂电池系统的健康评估方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104590247A (zh) * | 2014-12-09 | 2015-05-06 | 河南理工大学 | 基于交通信号灯信息的混合动力汽车节能预测控制方法 |
CN104859647A (zh) * | 2015-06-01 | 2015-08-26 | 河南理工大学 | 插电式混合动力汽车节能控制方法 |
CN105083276A (zh) * | 2015-06-01 | 2015-11-25 | 河南理工大学 | 基于分散控制的混合动力汽车节能预测控制方法 |
CN105528498A (zh) * | 2016-01-13 | 2016-04-27 | 河南理工大学 | 网联智能电动车辆一体化建模与集成控制方法 |
CN107577234A (zh) * | 2017-09-21 | 2018-01-12 | 合肥工业大学 | 一种驾驶员在环的汽车燃油经济性控制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110190972A1 (en) * | 2010-02-02 | 2011-08-04 | Gm Global Technology Operations, Inc. | Grid unlock |
CN102236342B (zh) * | 2010-04-30 | 2015-03-25 | 新奥科技发展有限公司 | 一种系统能效控制方法及控制系统 |
CN102236343B (zh) * | 2010-04-30 | 2015-12-02 | 新奥科技发展有限公司 | 一种泛能网系统及其控制方法 |
CN102069804B (zh) * | 2010-12-25 | 2013-09-04 | 浙江吉利汽车研究院有限公司 | 一种混合动力汽车行驶状态预测控制方法 |
US9581080B2 (en) * | 2012-12-21 | 2017-02-28 | Toyota Motor Engineering & Manufacturing North America, Inc. | Rate-based model predictive control method for internal combustion engine air path control |
-
2018
- 2018-02-07 CN CN201810123988.9A patent/CN108365986B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104590247A (zh) * | 2014-12-09 | 2015-05-06 | 河南理工大学 | 基于交通信号灯信息的混合动力汽车节能预测控制方法 |
CN104859647A (zh) * | 2015-06-01 | 2015-08-26 | 河南理工大学 | 插电式混合动力汽车节能控制方法 |
CN105083276A (zh) * | 2015-06-01 | 2015-11-25 | 河南理工大学 | 基于分散控制的混合动力汽车节能预测控制方法 |
CN105528498A (zh) * | 2016-01-13 | 2016-04-27 | 河南理工大学 | 网联智能电动车辆一体化建模与集成控制方法 |
CN107577234A (zh) * | 2017-09-21 | 2018-01-12 | 合肥工业大学 | 一种驾驶员在环的汽车燃油经济性控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108365986A (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108365986B (zh) | 基于模型预测控制的混合动力车队协同能量管理方法 | |
Xie et al. | Predictive vehicle-following power management for plug-in hybrid electric vehicles | |
Marmaras et al. | Simulation of electric vehicle driver behaviour in road transport and electric power networks | |
Chen et al. | Energy management for a power-split plug-in hybrid electric vehicle based on dynamic programming and neural networks | |
Liu et al. | Bi-level convex optimization of eco-driving for connected Fuel Cell Hybrid Electric Vehicles through signalized intersections | |
Amini et al. | Sequential optimization of speed, thermal load, and power split in connected HEVs | |
CN102126496B (zh) | 一种并联式混合动力管理控制系统及其管理控制方法 | |
Wu et al. | Hierarchical predictive control for electric vehicles with hybrid energy storage system under vehicle-following scenarios | |
Fotouhi et al. | A review on the applications of driving data and traffic information for vehicles׳ energy conservation | |
CN106427635B (zh) | 一种电动汽车 | |
CN104608764A (zh) | 车辆和动力传动系控制系统以及运转该系统的方法 | |
CN105083270A (zh) | 用于控制车辆的再生制动的方法和装置 | |
Zhang et al. | Cooperative control strategy for plug-in hybrid electric vehicles based on a hierarchical framework with fast calculation | |
CN112498334B (zh) | 智能网联混合动力汽车的鲁棒能量管理方法及系统 | |
CN115214606B (zh) | 一种插电式混合动力汽车能量管理方法 | |
Du et al. | Hierarchical energy management control of connected hybrid electric vehicles on urban roads with efficiencies feedback | |
Huang et al. | Energy saving performance improvement of intelligent connected PHEVs via NN-based lane change decision | |
Ye et al. | An imitation learning-based energy management strategy for electric vehicles considering battery aging | |
Li et al. | A cloud-based eco-driving solution for autonomous hybrid electric bus rapid transit in cooperative vehicle-infrastructure systems: A dynamic programming approach | |
Yang et al. | Variable optimization domain-based cooperative energy management strategy for connected plug-in hybrid electric vehicles | |
Kazemi et al. | Utilizing situational awareness for efficient control of powertrain in parallel hybrid electric vehicles | |
Vaidya et al. | Automated reservation mechanism for charging connected and autonomous EVs in smart cities | |
Zhang et al. | An optimal vehicle speed planning algorithm for regenerative braking at traffic lights intersections based on reinforcement learning | |
Liu et al. | Analytical greedy control and Q-learning for optimal power management of plug-in hybrid electric vehicles | |
Gong et al. | A Benchmark Study for Real-Time Optimal Control of Connected HEVs: Design, Integration and Evaluation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |