CN111923896A - 基于滚动动态规划的hev车辆能量管理方法 - Google Patents

基于滚动动态规划的hev车辆能量管理方法 Download PDF

Info

Publication number
CN111923896A
CN111923896A CN202010827027.3A CN202010827027A CN111923896A CN 111923896 A CN111923896 A CN 111923896A CN 202010827027 A CN202010827027 A CN 202010827027A CN 111923896 A CN111923896 A CN 111923896A
Authority
CN
China
Prior art keywords
vehicle
energy management
control
speed
hev
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.)
Granted
Application number
CN202010827027.3A
Other languages
English (en)
Other versions
CN111923896B (zh
Inventor
赵秀春
张涛
葛平淑
张龙
张立发
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Minzu University
Original Assignee
Dalian Minzu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Minzu University filed Critical Dalian Minzu University
Priority to CN202010827027.3A priority Critical patent/CN111923896B/zh
Publication of CN111923896A publication Critical patent/CN111923896A/zh
Application granted granted Critical
Publication of CN111923896B publication Critical patent/CN111923896B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/15—Control strategies specially adapted for achieving a particular effect
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/10—Weight
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/15—Road slope, i.e. the inclination of a road segment in the longitudinal direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Hybrid Electric Vehicles (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)

Abstract

基于滚动动态规划的HEV车辆能量管理方法,属于混合动力汽车领域，为了解决混合动力电动汽车跟车控制与能量管理综合问题，S1.通过跟踪控制器对车辆位置与速度跟踪控制，使车辆与前车保持在安全车距内，S2.响应于车辆位置与速度跟踪控制，HEV车辆能量管理获取实时驾驶工况，S3.根据HEV车辆油耗模型离散化控制目标，确定约束条件，S4.响应于实时驾驶工况和通过滚动动态规划算法确定发动机与蓄电池功率分配，使燃油消耗降至最低，效果是本发明所采用的方法具有良好的燃油经济性。

Description

基于滚动动态规划的HEV车辆能量管理方法
技术领域
本发明属于混合动力汽车领域，涉及一种基于滚动动态规划的HEV车辆能量管理方法。
背景技术
近年来，能源与环保问题越来越受到全球的关注，汽车保有量的不断增加导致能源消耗与环境污染日益加剧，同时也使得城市拥堵现象越来越严重[1]。混合动力电动汽车具备传统汽车和纯电动汽车两者的优点，既能够缓解纯电动汽车电池续航里程的问题，又能够有效地降低燃油汽车的能耗与污染问题，是目前解决能源危机与环境污染的有效途径之一。混合动力电动汽车的能量管理策略直接影响着车辆性能和燃油经济性，而车辆驾驶工况是车辆动力性和燃油经济性的重要影响因素，对能量管理起着至关重要的作用。在实际驾驶环境中，车辆的工况循环和速度变化往往是未知的，给混合动力电动汽车的控制与能量管理带来了挑战。
目前，混合动力电动汽车的能量管理控制策略的研究主要分为基于规则和基于优化的控制算法两大分支[2]。基于规则的控制策略主要是根据车辆的不同转矩、车速、电池电量SOC或发动机效率Map图，进行工作模式划分，制定规则进行切换控制[3-4]。该策略控制算法简单且规则容易实现，但无法适应不同工况和实时动态变化的需求，因而往往通过结合其他智能控制算法比如模糊控制、神经网络相结合以获得更好的鲁棒性和适应性，但在实际驾驶条件下，仍无法保证最佳的控制性能[5-7]。因此，更多的研究开始关注并探索基于优化的能量管理控制策略。基于既定的工况循环或已知的速度规划，动态规划算法(Dynamicprogramming，DP)以其公认的全局最优性被广泛应用于混合动力能量管理控制，但由于实际的驾驶循环往往都是未知的且其计算负担较高而受到制约，而难以进行实时控制而多用于评价或固定路线的能量管理[8-10]。为了改善DP在实际应用中的局限性，也进行了各种改进与探索[11-12]。另一方面，为了更好的实现实时优化控制，模型预测控制被普遍采用[13-14]。比如，文献[13，14]分别采用模型预测算法根据驾驶员意图对转矩分配或功率需求进行瞬时预测控制，虽然能够实现实时优化，但其预测控制效果基于初始状态的选择，且无法实现全局最优。上述能量管理研究文献都针对单个车辆，但实际道路上车辆并不是独立行使，往往是在车流中跟随前方车辆行驶，而跟车行驶时的车速和能耗不仅取决于道路工况，还受前车行驶模式和速度变化的影响。车辆跟车行驶控制方面已有数十年的深入系统研究，最常见的跟车控制技术就是自适应巡航控制ACC(Adaptive cruise control)，让车辆与前车保持给定的安全距离，也可根据前车速度和交通流信息的预测，适当地调整车辆的间距，实现可变间距自适应巡航控制[15-17]。ACC属于单车控制技术，已在很多中高档汽车中使用。近年来，自动驾驶车辆技术引发了多车辆协同跟车控制技术，出现了大量关于协作自适应巡航控制和车辆队列控制的研究文献[18-21]，但这并不在本文研究范围之内。上述跟车控制研究仅限于传统内燃机车辆，不适用于混合动力电动汽车，因为其中没有考虑能量管理问题。混合动力汽车跟车控制问题已受到学者们的关注。关于混合动力电动汽车跟车控制中的能量管理研究并不多见，文献[22]提出基于规则的混合动力电动汽车能量管理与自适应巡航控制方法，该算法简单易实现，但无法保证性能最优；文献[23，24]针对同一问题，分别给出一种带学习功能的随机模型预测控制方法和基于牛顿优化方法的预测自适应巡航控制方法，文献[25]给出解决混合动力电动汽车能量管理与自适应巡航控制的动态规划和在线查表方法。需要指出的是，这些结果存在几方面的不足，难以适应实际道路应用需要。主要表现在：1)他们属于单个车辆跟车控制和能量管理，没有考虑前方车辆的影响；2)未考虑道路坡度和载荷变化；3)参数较多，计算负担较重。
发明内容
本发明为了解决混合动力电动汽车跟车控制与能量管理综合问题，其技术方案是：
一种基于滚动动态规划的HEV车辆能量管理方法：
S1.通过跟踪控制器对车辆位置与速度跟踪控制，使车辆与前车保持在安全车距内，
S2.响应于车辆位置与速度跟踪控制，HEV车辆能量管理获取实时驾驶工况，
S3.根据HEV车辆油耗模型离散化控制目标，确定约束条件，
S4.响应于实时驾驶工况和通过滚动动态规划算法确定发动机与蓄电池功率分配，使燃油消耗降至最低。
进一步的，步骤S4包括如下步骤：
(1)在安全距离内进行初始化并定义时间及状态存储空间；
(2)获取N个阶段内车辆i在安全车距内车速轨迹的车辆速度vi(k)和功率Pi(k)，k＝N,N-1,......,1，；
(3)对于阶段k对应的车辆速度vi(k)和功率Pi(k),考虑阶段状态约束ΔSOC(k)max(min)和SOCj(k)∈[SOCkmin,SOCkmax]，计算所有状态转移ΔSOC的所对应的Pbatt(k),结合Pi(k)计算Peng(k)，由发动机燃油消耗率-功率关系查表得到阶段成本Jij(k),结合上一阶段成本Jj(k+1)计算成本函数最优值Jk＝min[Jij(k)+Jj(k+1)]；
(4)使阶段k＝k-1，重复步骤(3)直到k＝1，得到成本函数最低的最优控制和状态；
(5)以成本函数最低的最优控制和状态作为安全车距内的控制输入，滚动执行步骤(2)～步骤(5)。
进一步的，发动机的功率Peng由发动机转矩和转速计算得到
Peng＝Tengωeng (13)
式中，ωeng与Teng分别表示发动机的转速和转矩；
根据(13)，HEV车辆油耗模型为
Figure BDA0002636584520000031
式中，
Figure BDA0002636584520000032
表示油耗率与发动机转速、功率之间的函数关系；
离散化控制目标为：
Figure BDA0002636584520000033
约束条件满足：
SOC(k+1)＝f(SOC(k),Peng(k),k)，k＝0,1,...N-1 (47)
Figure BDA0002636584520000034
(·)min与(·)max分别表示最小、最大值；SOC表示电池荷电状态，Peng和Pbatt分别表示发动机的功率和电池功率，ωeng表示发动机的转速；
考虑采样时间内ΔSOC(k)的约束，减少状态空间和计算量以实现实时控制；
Figure BDA0002636584520000035
Figure BDA0002636584520000041
进一步的，车辆的动力学模型表示为
Figure BDA0002636584520000042
Figure BDA0002636584520000043
式中，
Figure BDA0002636584520000044
b3＝g，w＝μcosθ+sinθ，w表示道路坡度和路面情况，空气阻力由车辆行驶的速度、空气阻力系数CD、空气密度ρ和车辆的迎风面积A决定，mi、si、vi分别为当前车辆的质量、位置和速度，Fi为车辆的牵引力或制动力，μ为滚动阻力系数，g为重力加速度，θ表示道路坡度。
进一步的，由(5)可得，
Figure BDA0002636584520000045
进一步的，跟踪控制器设计包括：
1)设计观测器
2)补偿控制器设计
3)动态面控制器设计
进一步的，
1)设计观测器：
Figure BDA0002636584520000046
式中，k0为观测器增益，且k0＞0；
定义辅助变量
Figure BDA0002636584520000047
则
Figure BDA0002636584520000048
将(16)代入上式得，
Figure BDA0002636584520000049
进一步的，
2)补偿控制器设计
驱动力由两部分构成
Fi＝Fdsc-Fw (19)
式中，Fdsc表示DSC控制器输出，Fw为克服道路坡度与路面阻力的补偿控制；将(19)代入(5)得，
Figure BDA0002636584520000051
针对观测到的路面状况，设计补偿控制器
Figure BDA0002636584520000052
定义观测器误差
Figure BDA0002636584520000053
对(22)求导，
Figure BDA0002636584520000054
Figure BDA0002636584520000055
结合(16)、(15)得
Figure BDA0002636584520000056
将(21)、(22)代入(20)，则
Figure BDA0002636584520000057
因此(5)转化为
Figure BDA0002636584520000058
Figure BDA0002636584520000059
进一步的，
3)动态面控制器设计
首先，定义第一动态面为位置误差
Z1＝δi＝si-(sq-da-l) (27)
则，
Figure BDA0002636584520000061
取虚拟控制量
Figure BDA0002636584520000062
其中，k1＞0；
Figure BDA0002636584520000063
α通过一阶滤波，
Figure BDA0002636584520000064
其中，T为时间常数，T＞0；
定义滤波误差
e＝αf-α (31)
对其求导得
Figure BDA0002636584520000065
然后，定义第二动态面
Z2＝vi-αf (33)
将(33)、(31)、(29)代入(28)，
Figure BDA0002636584520000066
将(34)、(29)、(30)、(31)代入(32)得
Figure BDA0002636584520000067
Figure BDA0002636584520000071
设计DSC控制器
Figure BDA0002636584520000072
其中，k2＞0；
对(33)求导，并将(36)、(25)代入得
Figure BDA0002636584520000073
Figure BDA0002636584520000074
定义Lyapunov函数
Figure BDA0002636584520000075
对(38)求导，并将(24)，(34)，(35)，(37)代入得
Figure BDA0002636584520000076
根据杨式不等式，
Figure BDA0002636584520000081
因此，
Figure BDA0002636584520000082
有益效果：本发明将HEVs的跟车控制与能量管理相结合，提出一种基于安全距离的HEVs车辆跟踪与能量管理控制方法。首先考虑了由坡度、载荷变动建立了HEVs车辆跟车系统的非线性模型，并基于安全距离，提出一种基于道路观测器的动态面控制(Dynamicsurface control，DSC)进行车辆跟踪控制。然后，结合跟踪控制下工况循环，采用滚动动态规划算法(Dynamic programming，DP)进行混合动力电动汽车能量实时优化控制。最后，通过仿真研究进行验证。
附图说明
图1HEV控制系统示意图。
图2PSHEV功率关系示意图。
图3发动机燃油消耗率示意图。
图4发动机燃油消耗率-功率曲线示意图。
图5HEV车辆位置曲线示意图。
图6HEV车辆速度曲线示意图。
图7速度工况曲线示意图。
图8SOC变化曲线示意图。
图9功率分配曲线示意图。
具体实施方式
混合动力电动汽车(Hybrid electric vehicles，HEVs)的能量管理问题至关重要，而混合动力电动汽车的跟车控制不仅涉及跟车效果及安全性，也影响着能量的高效利用。本文将HEVs的跟车控制与能量管理相结合，提出一种基于安全距离的HEVs车辆跟踪与能量管理控制方法。首先考虑了由坡度、载荷变动建立了HEVs车辆跟车系统的非线性模型，并基于安全距离，提出一种基于道路观测器的动态面控制(Dynamic surface control，DSC)进行车辆跟踪控制。然后，结合跟踪控制下工况循环，采用滚动动态规划算法(Dynamicprogramming，DP)进行混合动力电动汽车能量实时优化控制。最后，通过仿真研究进行验证。
本发明旨在针对混合动力电动汽车跟车控制与能量管理综合问题，考虑有无前车的工况和道路坡度和载荷变化，提出基于安全距离的车辆跟车动态面控制(Dynamicsurface control，DSC)方法，然后针对安全距离的驾驶工况，给出混合动力电动汽车实时能量优化管理的滚动动态规划算法。本发明主要创新点和贡献如下：
1)考虑道路坡度和载荷变动化，基于非线性车辆动态模型设计的跟踪控制器可保证车辆跟踪控制性能，同时，使基于滚动动态规划的能量管理可适应道路坡度的变化；
2)考虑前车对行驶工况的影响，所设计的车辆跟踪控制器自动设定驾驶工况循环，无需工况预测和规划；
3)基于安全距离的滚动动态规划算法，解决了存储空间有限和在线计算负担大的问题，可实现实时能量优化管理。
本发明组织结构如下：第1节给出HEV跟车系统、能量管理模型及控制目标，第2节是基于安全车距的跟车控制器设计、稳定性分析以及能量管理动态规划方法，第3节为仿真验证，第4节是本发明总结。
1系统模型与问题描述
考虑如图1所示的HEVs车辆跟踪系统，其中，si、sq、vi、vq分别为当前车辆i与前车q的位置和速度，假设车辆已经配备了V2V等无线通信及传感装置，能够获得前方车辆的状态信息(车辆的位置、速度)。
1)HEV车辆动力学模型
HEV车辆的纵向动力模型如下:
Figure BDA0002636584520000091
Figure BDA0002636584520000092
式中，mi、si、vi分别为当前车辆的质量、位置和速度，Fi为车辆的牵引力或制动力，Fa为车辆行驶过程中的空气阻力，Fr为滚动阻力，Fg为坡道阻力。其中，空气阻力由车辆行驶的速度、空气阻力系数CD、空气密度ρ和车辆的迎风面积A决定。
Figure BDA0002636584520000101
滚动阻力为：
Fr＝μmig cosθ (3)
式中，μ为滚动阻力系数，g为重力加速度，θ表示道路坡度。
车辆的坡道阻力为：
Fg＝mig sinθ (4)
综合(1)-(4)，车辆的动力学模型表示为
Figure BDA0002636584520000102
Figure BDA0002636584520000103
式中，
Figure BDA0002636584520000104
b3＝g，w＝μcosθ+sinθ，w表示道路坡度和路面情况，未知且不确定，为了方便研究往往假定道路情况不变，忽略了道路坡度和路面变化的影响，本发明则将其视为系统的扰动项，并通过控制器设计对其观测补偿更加符合实际情况，同时也更能体现道路坡度对于HEV汽车能量消耗的影响。
理想的车间距定义为
da＝sq-si-li (6)
式中，da为理想的车间距，即以当前车速下制动且能保证不与前车相撞的最小安全距离，sq表示汽车位置，li表示车辆的长度。
注1：文献中理想的车间距da多采用固定值[20,26]，并不能很好的适应车速的变化；而文献[24，27]中采用基于车速变化而设定da，往往由于车速实时变化使安全距离不断变化，从而影响控制性能，本发明理想车间距da基于道路限速决定，通过智能交通系统获得当前道路限速并依据限速确定安全车距既不会频繁变动，也更符合交通法规和实际情况。
2)HEV功率能量模型
考虑Power-split HEV，其结构如图2所示，从功率平衡的角度，车辆i的功率Pi由电池功率和发动机功率共同提供，即
Pi(k)＝Peng(k)+Pbatt(k)
Peng＝Tengωeng
Pbatt＝Tm1ωm1ηm1+Tm2ωm2ηm2 (7)
其中，Peng和Pbatt分别表示发动机的功率和电池功率，电池功率为正表示电池正在放电，而为负则代表电池正处在充电状态。ωm1，ωm2，ωeng与Tm1，Tm2，Teng分别表示电动机1与电动机2的转速；ηm1，ηm2为电机效率。
由行星轮机构的运动关系，其转速满足：
ωs＝-αωr+(1+α)ωc
ωm1＝-αεωreq+(1+α)ωeng
ωm2＝εωreq (8)
式中，ωr，ωc，ωs分别表示齿圈、太阳轮和行星架的转速，分别和发动机、电机1和电机2相连，α为齿圈相对于太阳轮的传动比，ωreq为车轮转速，ε为主减速器的传动比，其转矩关系为：
Figure BDA0002636584520000111
Figure BDA0002636584520000112
式中，Treq为车轮转矩。
根据电池内阻模型，电池的功率Pbatt为
Pbatt＝V·Ibatt
Figure BDA0002636584520000113
求解(10)，
Figure BDA0002636584520000114
由于相同功率下，电池电压越大其电流越小。因此忽略较大取值，电池的SOC动态表示为：
Figure BDA0002636584520000121
式中，Ibatt为电池电流，Voc表示电池输出电压，Rbatt为电池的内阻，Qbatt表示电池电量。
发动机的功率Peng由发动机转矩和转速计算得到
Peng＝Tengωeng (13)
式中，ωeng与Teng分别表示发动机的转速和转矩。
发动机的燃油消耗率为发动机的转速ωeng和转矩Teng的函数，通常由发动机台架试验获得，图3为Advisor中发动机油耗map图。
Figure BDA0002636584520000122
式中，
Figure BDA0002636584520000123
为燃油消耗率。
因此，对于一定工况循化下的功率需求，根据HEV功率平衡与行星机构运动关系，可以通过发动机的转矩和转速控制进行HEV车辆的能量优化管理。
3)本发明目标
本发明的控制目标是将车辆跟踪控制与混合动力电动汽车能量管理相结合，设计控制器实现安全距离内HEV车辆的跟踪控制保证车辆的安全性，同时通过跟踪控制为HEV车辆的能量管理提供准确的实时工况信息以保证优化的能量管理，即满足以下两点要求：
1)跟踪稳定性：考虑了实际的交通状况，即车辆有前车的情况下进行基于安全车距da下的车辆跟踪控制，设计控制器跟踪前车速度vq，即vi→vq，并保证车辆的位置跟踪误差δi＝si-(sq-da-l)收敛于零，即
Figure BDA0002636584520000124
2)燃油经济性：以前方车辆速度轨迹vq作为当前HEV车辆的驾驶工况，在安全车距da内，对HEV车辆i进行实时能量优化管理，即在满足系统约束条件下，使HEV车辆的燃油消耗成本最低，即
Figure BDA0002636584520000131
注2：在实际的交通状况下，若没有前方车辆，则采取虚拟车辆代替前车，以当前道路限速作为虚拟车辆的车速，以当前限速下的理想车距为安全距离。以当前限速下的理想车距为安全距离确定前车位置，既保证车辆的行驶安全性，也更符合实际的道路交通状况；车辆以当前限速为参考车速，可使车辆更接近于能耗高效区间，既有利于节省能耗，又能够提高道路的交通效率。
2基于安全车距的车辆跟踪与能量管理
考虑存在前方行驶车辆的实际道路交通状况，将HEV车辆的车辆跟踪与能量管理控制相结合。首先采用DSC设计基于安全车距的跟踪控制器进行车辆位置与速度的跟踪控制，在保证车辆安全驾驶的同时为HEV车辆能量管理提供实时驾驶工况；然后在安全距离内基于以前车位移与速度，应用滚动动态规划算法对发动机与蓄电池功率优化分配，使能量消耗最小。
2.1基于安全车距的车辆DSC跟踪控制
为实现更好的跟踪效果并为能量管理提供准确的工况信息，在设计DSC控制器前，首先对路面情况进行观测。
1)观测器的设计
由(5)可得，
Figure BDA0002636584520000132
设计观测器如下：
Figure BDA0002636584520000133
式中，k0为观测器增益，且k0＞0。
定义辅助变量
Figure BDA0002636584520000134
则
Figure BDA0002636584520000135
将(16)代入上式得，
Figure BDA0002636584520000136
2)补偿控制器设计
驱动力由两部分构成
Fi＝Fdsc-Fw (19)
式中，Fdsc表示DSC控制器输出，Fw为克服道路坡度与路面阻力的补偿控制。
将(19)代入(5)得，
Figure BDA0002636584520000141
针对观测到的路面状况，设计补偿控制器
Figure BDA0002636584520000142
定义观测器误差
Figure BDA0002636584520000143
对(22)求导，
Figure BDA0002636584520000144
在城市工况下道路坡度通常比较平缓，因此
Figure BDA0002636584520000145
结合(16)(15)得，
Figure BDA0002636584520000146
将(21)、(22)代入(20)，则
Figure BDA0002636584520000147
因此，系统(5)转化为
Figure BDA0002636584520000148
Figure BDA0002636584520000149
3)动态面控制器设计
首先，定义第一动态面为位置误差
Z1＝δi＝si-(sq-da-l) (27)
则，
Figure BDA0002636584520000151
取虚拟控制量
Figure BDA0002636584520000152
其中，k1＞0。
Figure BDA0002636584520000153
α通过一阶滤波，
Figure BDA0002636584520000154
其中，T为时间常数，T＞0。
定义滤波误差
e＝αf-α (31)
对其求导得
Figure BDA0002636584520000155
然后，定义第二动态面
Z2＝vi-αf (33)
将(33)、(31)、(29)代入(28)，
Figure BDA0002636584520000156
将(34)、(29)、(30)、(31)代入(32)得
Figure BDA0002636584520000157
Figure BDA0002636584520000161
设计DSC控制器
Figure BDA0002636584520000162
其中，k2＞0。
对(33)求导，并将(36)、(25)代入得
Figure BDA0002636584520000163
Figure BDA0002636584520000164
定义Lyapunov函数
Figure BDA0002636584520000165
对(38)求导，并将(24)，(34)，(35)，(37)代入得
Figure BDA0002636584520000166
根据杨式不等式，
Figure BDA0002636584520000171
因此，
Figure BDA0002636584520000172
为了保证系统的跟踪稳定性，引入下列引理。
引理1:对于非线性系统，存在正定函数V满足下列微分不等式：
Figure BDA0002636584520000173
其中，V＞0，C≥0，对于t0，V(t)满足不等式：
Figure BDA0002636584520000174
即V(t)以指数收敛率
Figure BDA0002636584520000178
最终一致收敛于
Figure BDA0002636584520000179
则系统最终一致有界。
根据引理1，对于非线性系统(14)，存在正定函数(38)，根据(41)只要
Figure BDA0002636584520000175
则
Figure BDA0002636584520000176
其中，
Figure BDA0002636584520000177
则系统最终一致有界。
注3：按照(44)适当的选择观测器增益、滤波器时间常数和控制器参数能够使得
Figure BDA00026365845200001710
足够大，
Figure BDA00026365845200001711
足够小，使观测器误差和系统跟踪误差足够小；基于车辆非线性动态模型，对道路情况w进行观测补偿，使DSC跟系统能够更好的适应道路变化，具有更好的跟踪性能；同时，既无需进行速度预测也考虑了道路坡度对HEV车辆能量管理的影响，为HEV的能量管理提供了保障。
2.2基于滚动DP的HEV能量管理
将车辆跟踪控制与HEV能量管理相结合，既保证了车辆的跟踪安全性，又为当前HEV车辆提供了工况循环信息。因此，本节采用动态规划策略在安全车距内对HEV车辆进行能量优化管理，使HEV在满足各种约束条件下，通过优化发动机与蓄电池功率合理分配使系统的性能指标即燃油消耗降至最低。
根据发动机功率与转矩之间的关系(13)，HEV车辆油耗模型(14)转化为
Figure BDA0002636584520000181
式中，
Figure BDA0002636584520000182
表示油耗率与发动机转速、功率之间的函数关系。图4为基于Advisor车辆参数转化后的不同转速下车辆油耗模型。
离散化控制目标为：
Figure BDA0002636584520000183
约束条件满足：
SOC(k+1)＝f(SOC(k),Peng(k),k)k＝0,1,...N-1 (47)
Figure BDA0002636584520000184
式中，(·)min与(·)max分别表示最小、最大值。
考虑采样时间内ΔSOC(k)的约束，进一步减少状态空间和计算量，以实现实时控制。
Figure BDA0002636584520000185
Figure BDA0002636584520000191
滚动DP算法的计算过程如下：
1)在安全距离内进行初始化并定义时间及状态存储空间；
2)根据跟踪控制器保证安全距离内的N个阶段内当前车辆i的车速轨迹得到车辆速度和功率vi(k)，Pi(k)，k＝N,N-1,......,1,N为阶段的总数
3)对于阶段k,对应的vi(k),Pi(k),考虑阶段状态约束ΔSOC(k)max(min)和SOCj(k)∈[SOCkmin,SOCkmax]，计算所有状态转移ΔSOC的所对应的Pbatt(k),然后结合Pi(k)计算Peng(k)，由图4中发动机燃油消耗率-功率关系查表得到阶段成本Jij(k),结合上一阶段成本Jj(k+1)计算成本函数最优值Jk＝min[Jij(k)+Jj(k+1)]；
4)进入到下一阶段k＝k-1，重复(3)直到k＝1，找到成本函数最低的最优控制和状态；
5)以优化结果作为安全车距内的控制输入，滚动执行整个优化过程。
注4：上一节基于观测器补偿的DSC控制器为安全距离内为动态规划算法提供了准确的驾驶工况循环，保证了能量管理的有效性；在安全车距内考虑单位步长内电池SOC变化的约束，使得HEV能量管理的状态空间和控制空间大大缩减，减少了计算负担，更有利于HEV能量管理的实时性。
3仿真研究
对HEV车辆跟踪与能量管理进行仿真研究，并与Advisor中的能量管理控制结果进行比较，验证所采用控制策略的有效性。
3.1DSC车辆跟踪控制仿真验证
考虑跟车行驶的工况，HEV车辆参数如表1中所示，假设前车按照ECE城市工况循环行驶，总距离约为1km，其最高限速为50km/h，道路最大坡度为15度，车辆安全距离设为30m。DSC跟踪控制器参数根据(45)分别选为：k0＝0.5、k1＝2、k2＝30、T＝1，仿真结果如图5-6所示。
表1 HEV车辆主要参数
Figure BDA0002636584520000201
图5为车辆跟踪的位置曲线，显然具有较好的位置跟踪性能，且能始终保持稳定的车间距。图6中，两种控制器均能实现较好速度跟踪，但通过局部放大可以看出具有补偿控制器的DSC控制能够更快的适应实时的速度变化，具有更好的适应性和跟踪控制效果。
3.2能量管理优化仿真
基于跟踪控制的车速工况与功率需求，应用滚动动态规划算法进行数值仿真研究。
图7为车速工况与功率需求曲线，由图可以看出车辆在加速过程中的功率大于零且逐渐增加；当车辆速度减少时，车辆功率为负，处于再生制动状态。在图8中，HEV车辆电池SOC随着行驶工况与电池能量的消耗与回收而发生变化。图9为基于跟踪工况下的HEV功率分配曲线。当车速较低时，HEV所需的功率主要由电池通过电动机提供，随着车辆速度与功率需求的进一步增加，发动机和电动机共同工作提供能量，当车速下降时，HEV通过再生制动进行能量回收。表2为采用该策略与Advisor中的能量管理策略的燃油消耗的对比，百公里油耗提高了约12％，由此可以看出本发明所采用的方法具有良好的燃油经济性。
4结论
本发明研究了混合动力电动汽车的车辆跟踪与能量管理控制。考虑在有前车的道路工况下，基于安全车距设计了具有观测补偿的动态面跟踪控制算法为HEV车辆能量管理提供了驾驶工况，并在安全距离内对HEV采用滚动动态规划算法进行能量管理，考虑单位步长内电池SOC变化的约束进一步缩小对SOC状态空间，更有利于车辆的安全控制和实时的能量优化管理。
参考文献
1 Li L,Wang X Y,Song J.Fuel consumption optimization for smart hybridelectric vehicle during a car-following process.Mechanical Systems and SignalProcessing,2017,87:17-29.
2 Zhao X C,Guo G.Survey on energy management strategies for hybridelectric vehicles.Actaautomatic sincia,2016,42(3):321-334.
(赵秀春,郭戈.混合动力电动汽车能量管理策略研究综述.自动化学报,2016.42(3):321-334)
3 Li X,Evangelou S.Torque-leveling threshold-changing rule-basedcontrol for parallel hybrid electric vehicles.IEEE Transactions on VehicularTechnology,2019,68(7):6509-6523.
4 Anbaran S A,Idris N R N,Jannati M,Aziz M J,Alsofyani I.Rule-basedsupervisory control of split-parallel hybrid electric vehicle.In:Proceedingsof the 2014 IEEE Conference on Energy Conversion.Johor Bahru:IEEE,2014.7-12.
5 Denis N,Dubois M R,Desrochers A.Fuzzy-based blended control for theenergy management of a parallel plug-in hybrid electric vehicle.IETIntelligent Transport Systems,2015,9(1):30-37.
6 Murphey Y L,Park J,Chen Z H,Kuang M L,Masrur M A,Phillips AM.Intelligent hybrid vehicle power control Part I:machine learning of optimalvehicle power.IEEE Transactions on Vehicular Technology,2012,61(8):3519-3530.
7 Zhang R D and Tao J L.GA-based fuzzy energy management system forFC/SC-powered HEV considering H2 consumption and load variation.IEEETransactions on Fuzzy Systems,2018,26(4):1833-1843.
8 Liu J C,ChenY Z,Zhan J Y,Shang F.Heuristic dynamic programmingbased online energy management strategy for plug-in hybrid electricvehicles.IEEE Transactions on Vehicular Technology,2019,68(5):4479-4493.
9 Chang Y.Research on energy management strategy of parallel hybridelectric multiple unit based on dynamic programming.Internal combustionengine and parts,2019.8:114-119.
(常远.基于动态规划的并联混合动力动车组能量管理策略研究.内燃机与配件,2019.8:114-119)
10 Larsson V,Johannesson M L,Egardt B,Karlsson S.Commuter routeoptimized energy management of hybrid electricvehicles.IEEE Transactions onIntelligent Transportation Systems,2014,15(3):1145-1154.
11 Ko J,Ko S,Son H,Yoo B,Cheon J,Kim H.Development of brake systemand regenerative braking cooperative control algorithm for automatic-transmission-based hybrid electric vehicles.IEEE Transactions on VehicularTechnology,2015,64(2):431-440.
12 Lee H,Cha S W,Kim H,Kim S J.Energy management strategy of hybridelectric vehicle using stochastic dynamic programming,SAE Technical Paper2015-01-0019,Detroit,USA,2015.
13 Zeng X R,Wang J M.A parallel hybrid electric vehicle energymanagement strategy using stochastic model predictive control with road gradepreview.IEEE Transactions on Control Systems Technology,2015,23(6):2416-2423.
14 Di Cairano S,Bernardini D,Bemporad A,Kolmanovsky IV.Stochastic MPCwith learning for driver-predictive vehicle control and its application toHEV energy management.IEEE Transactions on Control Systems Technology,2014,22(3):1018-1031.
15 Moon S,Moon I,&Yi K.Design,tuning,and evaluation of a full-rangeadaptive cruise control system with collision avoidance.Control EngineeringPractice,2017(5):442-455.
16 Amoozadeh M,Deng H,Chuah C N,etal.Platoon management withcooperative adaptive cruise control enabled by VANET.Veh.Commun.,2015,2(2):110-123.
17 Kamal M A S,Smart dr.,etal.Intelligent hybrid electric vehicle ACCwith coordinated control of tracking of a vehicle using model predictivecontrol for improving traffic flow.IEEE Trans.Intell.Transp.Syst.,2014,15(2):878-888.
18 Stankovic S S,Stanojevic M J,Siljak D D.Decentralized overlappingcontrol of a platoon of vehicles.IEEE Transactions on Control SystemsTechnology,2000,8(5):816-832.
19 Wang C,Nijmeijer H.String stable heterogeneous vehicle platoonusing cooperative adaptive cruise control.In:Proceedings of the 18thInternational Conference on Intelligent Transportation Systems.Las Palmas,Spain:IEEE,2015,1977-1982.
20 Yue W,Wang L Y,Guo G.Event-triggered platoon control of vehicleswith time-varying delay and probabilistic faults.Mechanical Systems andSignal Processing,2017,87:96-117.
21 Zheng Y,Li S E,Wang J Q,Cao D P,Li K Q.Stability and scalabilityof homogeneous vehicular platoon:study on the influence of information flowtopologies.IEEE Transactions on Intelligent Transportation Systems,2016,17(1):14-26.
22 Luo Y,Chen T,and Li K.Multi-objective decoupling algorithm foractive distance control of intelligent hybrid electricvehicle.Mech.Syst.Signal Process.,2015,64-65:29-45.
23 Di Cairano S,Bernardini D,Bemporad A,Kolmanovsky IV.Stochastic MPCwith learning for driver-predictive vehicle control and its application toHEV energy management.IEEE Transactions on Control Systems Technology,2014,22(3):1018-1031.
24 Tajeddin S,Vajedi M,Azad N.A newton/GMRES approach to predictiveecological adaptive cruise control of a plug-in hybrid electric vehicle incarfollowing scenarios.IFAC-Papers Online,2016,49(21):59-65.
25 Luo Y,Chen T,Zhang S W,Li K Q.Intelligent hybrid electric vehicleACC with coordinated control of tracking ability,fuel economy,and ridecomfort.IEEE Transactions on Intelligent Transportation Systems,2015,16(4):2303-2308.
26 Ge Guo,Wei Yue.Autonomous platoon control allowing range-limitedsensors.IEEE Transactions on Vehicular Technology,2012,61(7):2901-2912.
27 Wang Q,Guo G.Platoon speed receding horizon dynamic programmingand nonlinear control.Actaautomatic sincia,2019,45(5):888-896.
(王琼,郭戈.车队速度滚动时域动态规划及非线性控制.自动化学报,2019.45(5):888-896)
Z.Qu,D.M.Dawson,S.Y.Lim,and J.F.Dorsey.A new class of robust controllaws for tracking of robots.Int.J.Robot.Res.,1994,13(4):355-363

Claims (9)

1.一种基于滚动动态规划的HEV车辆能量管理方法，其特征在于：
S1.通过跟踪控制器对车辆位置与速度跟踪控制，使车辆与前车保持在安全车距内，
S2.响应于车辆位置与速度跟踪控制，HEV车辆能量管理获取实时驾驶工况，
S3.根据HEV车辆油耗模型离散化控制目标，确定约束条件，
S4.响应于实时驾驶工况和通过滚动动态规划算法确定发动机与蓄电池功率分配，使燃油消耗降至最低。
2.如权利要求1所述的基于滚动动态规划的HEV车辆能量管理方法，其特征在于：
步骤S4包括如下步骤：
(1)在安全距离内进行初始化并定义时间及状态存储空间；
(2)获取N个阶段内车辆i在安全车距内车速轨迹的车辆速度vi(k)和功率Pi(k)，k＝N,N-1,......,1，；
(3)对于阶段k对应的车辆速度vi(k)和功率Pi(k),考虑阶段状态约束ΔSOC(k)max(min)和SOCj(k)∈[SOCkmin,SOCkmax]，计算所有状态转移ΔSOC的所对应的Pbatt(k),结合Pi(k)计算Peng(k)，由发动机燃油消耗率-功率关系查表得到阶段成本Jij(k),结合上一阶段成本Jj(k+1)计算成本函数最优值Jk＝min[Jij(k)+Jj(k+1)]；
(4)使阶段k＝k-1，重复步骤(3)直到k＝1，得到成本函数最低的最优控制和状态；
(5)以成本函数最低的最优控制和状态作为安全车距内的控制输入，滚动执行步骤(2)～步骤(5)。
3.如权利要求2所述的基于滚动动态规划的HEV车辆能量管理方法，其特征在于：
发动机的功率Peng由发动机转矩和转速计算得到
Peng＝Tengωeng (13)
式中，ωeng与Teng分别表示发动机的转速和转矩；
根据(13)，HEV车辆油耗模型为
Figure FDA0002636584510000021
式中，
Figure FDA0002636584510000022
表示油耗率与发动机转速、功率之间的函数关系；
离散化控制目标为：
Figure FDA0002636584510000023
约束条件满足：
SOC(k+1)＝f(SOC(k),Peng(k),k)，k＝0,1,...N-1 (47)
Figure FDA0002636584510000024
(·)min与(·)max分别表示最小、最大值；SOC表示电池荷电状态，Peng和Pbatt分别表示发动机的功率和电池功率，ωeng表示发动机的转速；
考虑采样时间内ΔSOC(k)的约束，减少状态空间和计算量以实现实时控制；
Figure FDA0002636584510000025
Figure FDA0002636584510000026
4.如权利要求3所述的基于滚动动态规划的HEV车辆能量管理方法，其特征在于：
车辆的动力学模型表示为
Figure FDA0002636584510000027
Figure FDA0002636584510000028
式中，
Figure FDA0002636584510000029
b3＝g，w＝μcosθ+sinθ，w表示道路坡度和路面情况，空气阻力由车辆行驶的速度、空气阻力系数CD、空气密度ρ和车辆的迎风面积A决定，mi、si、vi分别为当前车辆的质量、位置和速度，Fi为车辆的牵引力或制动力，μ为滚动阻力系数，g为重力加速度，θ表示道路坡度。
5.如权利要求4所述的基于滚动动态规划的HEV车辆能量管理方法，其特征在于:
由(5)可得，
Figure FDA0002636584510000031
6.如权利要求5所述的基于滚动动态规划的HEV车辆能量管理方法，其特征在于:
跟踪控制器设计包括：
1)设计观测器
2)补偿控制器设计
3)动态面控制器设计
7.如权利要求6所述的基于滚动动态规划的HEV车辆能量管理方法，其特征在于:
1)设计观测器：
Figure FDA0002636584510000032
式中，k0为观测器增益，且k0＞0；
定义辅助变量
Figure FDA0002636584510000033
则
Figure FDA0002636584510000034
将(16)代入上式得，
Figure FDA0002636584510000035
8.如权利要求7所述的基于滚动动态规划的HEV车辆能量管理方法，其特征在于:
2)补偿控制器设计
驱动力由两部分构成
Fi＝Fdsc-Fw (19)
式中，Fdsc表示DSC控制器输出，Fw为克服道路坡度与路面阻力的补偿控制；
将(19)代入(5)得，
Figure FDA0002636584510000041
针对观测到的路面状况，设计补偿控制器
Figure FDA0002636584510000042
定义观测器误差
Figure FDA0002636584510000043
对(22)求导，
Figure FDA0002636584510000044
Figure FDA0002636584510000045
结合(16)、(15)得
Figure FDA0002636584510000046
将(21)、(22)代入(20)，则
Figure FDA0002636584510000047
因此(5)转化为
Figure FDA0002636584510000048
Figure FDA0002636584510000049
9.如权利要求8所述的基于滚动动态规划的HEV车辆能量管理方法，其特征在于:
3)动态面控制器设计
首先，定义第一动态面为位置误差
Z1＝δi＝si-(sq-da-l) (27)
则，
Figure FDA00026365845100000410
取虚拟控制量
Figure FDA0002636584510000051
其中，k1＞0；
Figure FDA0002636584510000052
α通过一阶滤波，
Figure FDA0002636584510000053
其中，T为时间常数，T＞0；
定义滤波误差
e＝αf-α (31)
对其求导得
Figure FDA0002636584510000054
然后，定义第二动态面
Z2＝vi-αf (33)
将(33)、(31)、(29)代入(28)，
Figure FDA0002636584510000055
将(34)、(29)、(30)、(31)代入(32)得
Figure FDA0002636584510000056
Figure FDA0002636584510000061
设计DSC控制器
Figure FDA0002636584510000062
其中，k2＞0；
对(33)求导，并将(36)、(25)代入得
Figure FDA0002636584510000063
Figure FDA0002636584510000064
定义Lyapunov函数
Figure FDA0002636584510000065
对(38)求导，并将(24)，(34)，(35)，(37)代入得
Figure FDA0002636584510000066
根据杨式不等式，
Figure FDA0002636584510000071
因此，
Figure FDA0002636584510000072
CN202010827027.3A 2020-08-17 2020-08-17 基于滚动动态规划的hev车辆能量管理方法 Expired - Fee Related CN111923896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010827027.3A CN111923896B (zh) 2020-08-17 2020-08-17 基于滚动动态规划的hev车辆能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010827027.3A CN111923896B (zh) 2020-08-17 2020-08-17 基于滚动动态规划的hev车辆能量管理方法

Publications (2)

Publication Number Publication Date
CN111923896A true CN111923896A (zh) 2020-11-13
CN111923896B CN111923896B (zh) 2021-08-20

Family

ID=73310596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010827027.3A Expired - Fee Related CN111923896B (zh) 2020-08-17 2020-08-17 基于滚动动态规划的hev车辆能量管理方法

Country Status (1)

Country Link
CN (1) CN111923896B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112286212A (zh) * 2020-12-29 2021-01-29 北京理工华创电动车技术有限公司 一种车网协同节能控制方法
CN112434377A (zh) * 2020-12-04 2021-03-02 中车大连机车车辆有限公司 一种机车动力电池组参数设计及评价方法
CN112668239A (zh) * 2020-12-30 2021-04-16 山东交通学院 一种基于对抗学习的混合动力卡车队列经验传授方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102616239A (zh) * 2012-04-11 2012-08-01 清华大学 一种混合动力汽车换挡过程动态协调控制方法
CN103863084A (zh) * 2012-12-11 2014-06-18 福特全球技术公司 行程导向的能量管理管制
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
US20200164865A1 (en) * 2018-11-23 2020-05-28 Hyundai Motor Company Clutch control method for hybrid vehicle with dual clutch transmission
CN111267831A (zh) * 2020-02-28 2020-06-12 南京航空航天大学 一种混合动力车辆智能变时域模型预测能量管理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102616239A (zh) * 2012-04-11 2012-08-01 清华大学 一种混合动力汽车换挡过程动态协调控制方法
CN103863084A (zh) * 2012-12-11 2014-06-18 福特全球技术公司 行程导向的能量管理管制
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
US20200164865A1 (en) * 2018-11-23 2020-05-28 Hyundai Motor Company Clutch control method for hybrid vehicle with dual clutch transmission
CN111267831A (zh) * 2020-02-28 2020-06-12 南京航空航天大学 一种混合动力车辆智能变时域模型预测能量管理方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434377A (zh) * 2020-12-04 2021-03-02 中车大连机车车辆有限公司 一种机车动力电池组参数设计及评价方法
CN112434377B (zh) * 2020-12-04 2023-09-15 中车大连机车车辆有限公司 一种机车动力电池组参数设计及评价方法
CN112286212A (zh) * 2020-12-29 2021-01-29 北京理工华创电动车技术有限公司 一种车网协同节能控制方法
CN112668239A (zh) * 2020-12-30 2021-04-16 山东交通学院 一种基于对抗学习的混合动力卡车队列经验传授方法
CN112668239B (zh) * 2020-12-30 2022-11-15 山东交通学院 一种基于对抗学习的混合动力卡车队列经验传授方法

Also Published As

Publication number Publication date
CN111923896B (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
Chu et al. Predictive cruise control using high-definition map and real vehicle implementation
CN110135632B (zh) 基于路径信息的phev自适应最优能量管理方法
Shi et al. Pontryagin’s minimum principle based fuzzy adaptive energy management for hybrid electric vehicle using real-time traffic information
Tang et al. Improving ride comfort and fuel economy of connected hybrid electric vehicles based on traffic signals and real road information
CN103471605B (zh) 使用荷电态消耗比识别环保路线的方法
Lee et al. Model-based reinforcement learning for eco-driving control of electric vehicles
CN102991503B (zh) 用于控制车辆的方法
CN111923896A (zh) 基于滚动动态规划的hev车辆能量管理方法
CN111867911A (zh) 车辆控制方法和设备
Geng et al. A cascaded energy management optimization method of multimode power-split hybrid electric vehicles
CN105946857A (zh) 基于智能交通系统的并联phev能量管理方法
Sharma et al. Optimal eco-driving of a heavy-duty vehicle behind a leading heavy-duty vehicle
Vajedi et al. Intelligent power management of plug–in hybrid electric vehicles, part II: real–time route based power management
Zhang et al. Predictive energy management strategy for electric vehicles based on estimation of preceding vehicle future movements
Liu et al. Economic adaptive cruise control for a power split hybrid electric vehicle
Koehler et al. Energy-efficient torque distribution for axle-individually propelled electric vehicles
Guo et al. Energy management of HEVs based on velocity profile optimization.
Vajedi et al. Traction-motor power ratio and speed trajectory optimization for power split PHEVs using route information
Wu et al. A deep reinforcement learning based hierarchical eco-driving strategy for connected and automated HEVs
Hou et al. Speed planning and energy management strategy of hybrid electric vehicles in a car-following scenario
Obereigner et al. A two-layer approach for ecodriving under traffic
Katsargyri et al. Path dependent receding horizon control policies for hybrid electric vehicles
Gong et al. Benchmark study on real-time energy optimization of hevs under connected environment
Naqvi et al. Development strategies of integrated electronic control units in IoEVs for mobility energy efficiency: A comprehensive review
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
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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210820