CN112286212A - 一种车网协同节能控制方法 - Google Patents

一种车网协同节能控制方法 Download PDF

Info

Publication number
CN112286212A
CN112286212A CN202011584134.4A CN202011584134A CN112286212A CN 112286212 A CN112286212 A CN 112286212A CN 202011584134 A CN202011584134 A CN 202011584134A CN 112286212 A CN112286212 A CN 112286212A
Authority
CN
China
Prior art keywords
vehicle
time
time domain
formula
calculation
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
CN202011584134.4A
Other languages
English (en)
Other versions
CN112286212B (zh
Inventor
周辉
梁晟
董爱道
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.)
Guangdong Beilihua Innovative Energy Vehicle Technology Co ltd
Original Assignee
Bit Huachuang Electric Vehicle Technology Co ltd
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 Bit Huachuang Electric Vehicle Technology Co ltd filed Critical Bit Huachuang Electric Vehicle Technology Co ltd
Priority to CN202011584134.4A priority Critical patent/CN112286212B/zh
Publication of CN112286212A publication Critical patent/CN112286212A/zh
Application granted granted Critical
Publication of CN112286212B publication Critical patent/CN112286212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle

Abstract

本发明涉及一种车网协同节能控制方法，本方法采用分层计算，分为离线计算与在线计算两部分，远程数据平台负责复杂的离线计算任务，接收车辆采集的车辆信息与交通路网信息，计算能耗最低的最佳行驶路线，在滚动时域内计算短时间内的车辆最优行驶速度序列；车载智能网联控制器负责在线计算任务，预测车辆的行驶轨迹，从不同时间尺度出发降低车辆能耗。本发明通过双滚动时域预测的方法来降低控制延时对短时间尺度计算的时效性影响，为保证行驶速度远程计算的时效性，本发明采用双滚动时域优化架构的模型预测方法进行计算，并利用车载智能网联控制器对前车及车辆自身行驶状态进行预测，以降低通信延迟带来的计算误差。

Description

一种车网协同节能控制方法
技术领域
本发明属于智能网联电动汽车技术领域，涉及一种车网协同节能控制方法。
背景技术
近年来，城市交通随着经济的飞速增长面临着日益严重的问题，尤其是能源消耗的问题，使得我国政府不得不出台相关政策，推进新能源汽车产业化。同时，随着通信技术、计算机技术的不断进步，智能网联汽车已经从概念步入初步产业化阶段。车辆的网联化、智能化可以向车辆提供实时交通信息，从而计算行驶路线中能耗最低的行驶方式，实现车网协同下的节能控制，是在新能源汽车基础上进一步改善交通问题的有效手段。
公布号为CN111284489A的发明专利公开了“智能网联汽车随机预测巡航控制系统”，该专利所公开的技术是使用高斯过程回归和随机模型预测控制相组合的方法来处理基于不确定性信息并带有约束条件的预测巡航实时优化控制问题，实现了带有概率约束优化问题在线求解，从而达到节约汽车能耗的目的。
公布号为CN111439260A的发明专利公开了“面向个性化需求的网联商用柴油车巡航行驶优化控制系统”，其基于应用数据-机理混合的方法建立动力总成与后处理系统一体化降价模型，对于不同的个性化模式给出有针对性的表征优化目标的数学描述，利用多源网联预测信息，基于滚动时域优化车辆巡航实时控制算法及控制系统，从而达到节约汽车能耗的目的。
无论采用上述哪种节能控制方式，或者采用现有其他控制方法，车辆节能控制的智能网联化势必会带来数据量大、计算复杂、数据安全性及实时性难以保证的问题。特别是在基于滚动时域优化车辆控制算法时，除了要考虑降低车辆能耗的问题，也不可忽视因通信延迟造成计算误差偏大从而降低预测准确性的问题。上述提及的两个专利中，以及现有的其他控制方法都未解决远程数据传输的时效性问题，致使对车辆自身行驶状态以及前车的预测结果都存在较大的计算误差，有鉴于此，本案由此而生。
发明内容
鉴于上述现有技术中存在的不足，本发明所公开的车网协同节能控制方法是基于实时交通信息计算最佳行驶路线和短时间内的车辆最优行驶速度，从不同时间尺度出发达到降低车辆能耗的目的，并且着重考虑了远程数据的时效性问题，能够降低通信延迟带来的计算误差。
为了实现上述发明目的，本发明所采用的技术方案为：
一种车网协同节能控制方法，包括车载智能网联控制器以及远程数据平台；
所述车载智能网联控制器用于采集车辆周围交通环境信息以及车辆自身状态信息，并负责对车辆自身以及周围目标车辆的未来行驶状态进行预测，并将预测结果和实时采集数据上传至远程数据平台；
所述远程数据平台根据车辆出发地、目的地、交通路网实时信息，在考虑时间成本与能耗成本前提下规划实时最优行驶路径，远程数据平台基于车辆能耗预测模型，采用双滚动时域优化方法计算短时间内的最优车速序列，远程数据平台将优化后带有时间信息的计算结果以及规划的实时最优行驶路径发送给车载智能网联控制器；
所述双滚动时域优化方法中的第一个滚动时域优化是将接收到的当前实时信息为初值进行节能控制计算，第二个滚动时域优化是将接收到的预测信息为初值进行节能控制计算；
所述车载智能网联控制器接收到双滚动时域优化结果后，将优化结果的时间信息与当前时刻进行比较，将整个预测时域内、当前时刻之前的计算结果剔除，选取当前时刻开始后的一段时间内的行驶速度序列作为最终优化结果来执行。
进一步，所述远程数据平台在规划实时最优行驶路径时，以车辆出发地为起始点，以目的地为终点，搜索所有能够到达的路径，并将路径分为不同路段，计算每个路段所需时间成本和能耗成本，依据式（1）中的成本函数取最小值的路径为最佳行驶路径：
Figure 508203DEST_PATH_IMAGE001
式（1）
其中，Q1为能耗成本权重系数，Q2为时间成本权重系数，JE与Jt分别表示单个路段的能耗成本和时间成本，均为车速的函数。
进一步，所述车载智能网联控制器在对车辆自身的未来行驶状态预测时，是将上一个预测时域的最优车速序列作为自身车速的预测值，并根据当前真实车速对车辆自身预测结果进行修正；
所述车载智能网联控制器在对周围前车的未来行驶状态预测时，先利用历史车速信息构建轨迹转移矩阵，通过马尔可夫链模型对未来轨迹进行初步预测，并根据上一个预测时域对前车的车速预测值与当前真实车速的差值对前车预测结果进行修正。
进一步，所述第一个滚动时域优化计算时，是将接收到的当前时刻的实时数据与未来一段时间的预测值进行合并，合并后的数据作为车辆能耗预测模型的已知量，具体节能控制步骤为：
步骤1：将接收到的两组信息合并后，建立整车纵向动力学离散模型，k时刻的离散模型由式（2）所示：
Figure 680558DEST_PATH_IMAGE002
Figure 897913DEST_PATH_IMAGE003
Figure 104903DEST_PATH_IMAGE004
式（2）
其中，x为车速的状态量，u为输入量，i是传动比，m是汽车质量，r是车轮滚动半径，g是重力加速度，i θ 是道路坡度，C a 是风阻系数，Δt是离散化的时间周期，F是状态量的函数，G是输入量的函数，H为时变的剩余项，f是滚动阻力系数；
步骤2：将步骤1中的离散模型在有限时域中进行局部线性化后作为预测模型，线性化后的预测模型如式（3）所示：
Figure 497314DEST_PATH_IMAGE005
式（3）
其中，上述参数中的下标表示为：k时刻对k+i、k+i+1时刻的预测结果；其中，A、B、H、δx、 δu如式（4）所示：
Figure 219282DEST_PATH_IMAGE006
Figure 443590DEST_PATH_IMAGE007
Figure 239508DEST_PATH_IMAGE008
Figure 320596DEST_PATH_IMAGE009
Figure 733123DEST_PATH_IMAGE010
式（4）
上式参数中的下标“0”表示在式（2）中对应部分在预测时域开始时的近似值；
步骤3：用信息合并后的前车位置信息、当前道路的车速限制、电机外特性限制作为控制约束条件，约束条件如式（5）所示：
Figure 495543DEST_PATH_IMAGE011
Figure 473863DEST_PATH_IMAGE012
Figure 397957DEST_PATH_IMAGE013
式（5）
其中，T m 为驱动电机输出转矩，X t 为前车位置，v为车速；
步骤4：远程数据平台进行滚动时域优化时，建立代价函数J k ，代价函数由驱动能耗、附件能耗、舒适性组成，如式（6）所示：
Figure 297780DEST_PATH_IMAGE014
式（6）
其中，Q3为驱动能耗权重系数，Q4为附件能耗权重系数，Q5为舒适性权重系数，N为预测时域，P a 为附件平均功率，
Figure 411360DEST_PATH_IMAGE015
为步骤1中合并后的车速序列中k-1时刻的车速；
第一次滚动时域优化计算按式（7）进行：
Figure 447449DEST_PATH_IMAGE014
Figure 604761DEST_PATH_IMAGE016
Figure 991880DEST_PATH_IMAGE011
Figure 96102DEST_PATH_IMAGE012
Figure 783436DEST_PATH_IMAGE013
式（7）。
进一步，所述预测时域N大于数据交互过程中的总体时间延时。
进一步，所述第二个滚动时域优化计算时，所采用的预测模型与第一个滚动时域优化预测模型相同，第二个滚动时域优化按式（8）进行：
Figure 314911DEST_PATH_IMAGE017
Figure 923747DEST_PATH_IMAGE018
Figure 893977DEST_PATH_IMAGE019
Figure 639079DEST_PATH_IMAGE020
Figure 154505DEST_PATH_IMAGE021
式（8）
其中，j为取前车轨迹预测值时预估的通信时间延时，上述变量的上标p代表预测值。
进一步，所述车载智能网联控制器接收到的两次滚动优化结果在发生时间上有重叠时，以最后一次优化结果为准。
本发明通过车网实时通信与云计算技术，以节能为目的向驾驶员提供驾驶行为建议，实现基于实时交通信息的电动车辆节能控制功能。本发明公开的节能控制方法采用分层计算，从不同时间尺度出发降低车辆能耗，首先计算能耗最低的整体路径，然后在滚动时域内计算短时间内的车辆最优行驶速度序列，同时通过双滚动时域预测的方法来降低控制延时对短时间尺度计算的时效性影响。
本发明的控制方法分为离线计算与在线计算两部分，远程数据平台负责复杂的离线计算任务，接收车辆采集的车辆信息与交通路网信息，计算最佳行驶路线与短时间内的车辆最优行驶速度；车载智能网联控制器负责在线计算任务，预测车辆的行驶轨迹。为保证行驶速度远程计算的时效性，本发明采用双滚动时域优化架构的模型预测方法进行计算，并利用车载智能网联控制器对前车及车辆自身行驶状态进行预测，以降低通信延迟带来的计算误差。
附图说明
图1为本发明的车网协同节能控制方法的原理示意图。
具体实施方式
本实施例公开一种车网协同节能控制方法，其原理和内容如附图1所示，该控制方法主要涉及以下内容：最佳行驶路径规划、车辆自身及前车运动状态预测、车辆短时最优速度序列计算，上述内容分别由安装在车辆上的车载智能网联控制器和远程数据平台执行完成。其中，车载智能网联控制器用于采集车辆周围交通环境信息以及车辆自身状态信息，并负责对车辆自身以及周围目标车辆的未来行驶状态进行预测，并将预测结果和实时采集数据上传至远程数据平台。远程数据平台根据车辆出发地、目的地、交通路网实时信息，在考虑时间成本与能耗成本前提下规划实时最优行驶路径，远程数据平台基于车辆能耗预测模型，采用双滚动时域优化方法计算短时间内的最优车速序列，远程数据平台将优化后带有时间信息的计算结果以及规划的实时最优行驶路径发送给车载智能网联控制器。车载智能网联控制器接收到双滚动时域优化结果后，将优化结果的时间信息与当前时刻进行比较，将整个预测时域内、当前时刻之前的计算结果剔除，选取当前时刻开始后的一段时间内的行驶速度序列作为最终优化结果来执行。下面对各部分进行详细描述：
首先，目的地由驾驶员提前输入，在行程开始时由车载智能网联控制器将目的地发送到远程数据平台，车辆的当前位置由导航系统得到，并通过车载智能网联控制器发送到远程数据平台。远程数据平台实时接收交通路网信息，以车辆当前位置为起始点，以目的地为终点来搜索所有可能的路径，并将路径整体分为不同的路段，计算各路段所需的时间成本和能耗成本，并将两个成本相加，将下式（1）成本函数值最小的路径确定为最佳行驶路线。成本函数如式（1）所示。每隔一段时间，远程数据平台会根据交通信息与起始点信息的变化重新规划路线并发送给智能网联控制器。
Figure 250637DEST_PATH_IMAGE001
式（1）
其中，Q1为能耗成本权重系数，Q2为时间成本权重系数，JE与Jt分别表示单个路段的能耗成本和时间成本，均为车速的函数。式（1）所用到的车速均为当前路段中车辆的平均车速，由交通路网信息获得。
在车辆行驶过程中，通过车载网络采集车辆自身状态信息，通过车辆感知系统采集车辆周围的环境信息，车载智能网联控制器将上述信息汇总后进行车辆自身及前车运动状态的预测，具体预测方法如下：对车辆自身运动状态的预测：将上个预测时域的最优车速序列作为自身车速预测值，并根据当前真实车速对车辆自身预测结果进行修正；对车辆前车运动状态预测：先利用历史车速信息构建轨迹转移矩阵，通过马尔可夫链模型对未来轨迹进行初步预测，并根据上个预测时域对前车的车速预测值与感知系统识别出的当前真实车速的差值对前车预测结果进行修正。
完成上述预测后，车载智能网联控制器将实时信息与预测结果发送至远程数据平台，作为能耗最优预测控制的已知量。远程数据平台接收到上述数据后进行双滚动时域优化计算，其中，第一个滚动时域优化是将接收到的当前实时信息为初值进行节能控制计算，第二个滚动时域优化是将接收到的预测信息为初值进行节能控制计算，两次滚动时域的优化计算具体说明如下：
第一个滚动时域优化计算：是将接收到的当前时刻的实时数据与未来一段时间的预测值进行合并，合并后的数据作为车辆能耗预测模型的已知量，具体节能控制步骤为：
步骤1：将接收到的两组信息合并后，建立整车纵向动力学离散模型，k时刻的离散模型由式（2）所示：
Figure 696662DEST_PATH_IMAGE002
Figure 358588DEST_PATH_IMAGE003
Figure 231866DEST_PATH_IMAGE004
式（2）
其中，x为车速的状态量（车速v），u为输入量（驱动系统输出扭矩T m ）；i是传动比，m是汽车质量，r是车轮滚动半径，g是重力加速度，i θ 是道路坡度，C a 是风阻系数，Δt是离散化的时间周期；F是状态量的函数，G是输入量的函数，H为时变的剩余项，f是滚动阻力系数。
步骤2：步骤1中的模型为二次多项式函数，故采用其在有限时域中的局部线性化表达式作为预测模型。线性化后写为预测模型的形式，如式（3）所示：
Figure 815294DEST_PATH_IMAGE005
式（3）
其中，上述参数中的下标表示：k时刻对k+i、k+i+1时刻的预测结果；A、B、H、δx、δu如式（4）所示：
Figure 861747DEST_PATH_IMAGE006
Figure 581442DEST_PATH_IMAGE007
Figure 687938DEST_PATH_IMAGE008
Figure 758662DEST_PATH_IMAGE009
Figure 546489DEST_PATH_IMAGE010
式（4）
上式参数中的下标0表示在式（2）中对应部分在预测时域开始时的近似值。
步骤3：用信息合并后的前车位置信息、当前道路的车速限制、电机外特性限制作为控制约束条件，如式（5）所示：
Figure 933740DEST_PATH_IMAGE011
Figure 148820DEST_PATH_IMAGE012
Figure 441261DEST_PATH_IMAGE013
式（5）
其中，T m 为驱动电机输出转矩，X t 为前车位置，v为车速。
步骤4：远程数据平台进行滚动时域优化时，建立代价函数J k ，代价函数由驱动能耗、附件能耗、舒适性组成，如式（6）所示：
Figure 95097DEST_PATH_IMAGE014
式（6）
其中，Q3为驱动能耗权重系数，Q4为附件能耗权重系数，Q5为舒适性权重系数，N为预测时域，P a 为附件平均功率，
Figure 523804DEST_PATH_IMAGE015
为步骤1中合并后的车速序列中k-1时刻的车速。
综上，第一次滚动时域优化问题可由式（7）表示：
Figure 972103DEST_PATH_IMAGE014
Figure 17419DEST_PATH_IMAGE016
Figure 147049DEST_PATH_IMAGE011
Figure 492580DEST_PATH_IMAGE012
Figure 315042DEST_PATH_IMAGE013
式（7）。
利用上式进行节能控制过程中，为保证该方法的时效性，滚动优化的预测时域N应大于数据交互过程总体时间延时。
第二次滚动时域优化计算：第二个滚动时域优化计算时，所采用的预测模型与第一个滚动时域优化预测模型相同，第二个滚动时域优化按式（8）进行：
Figure 582076DEST_PATH_IMAGE017
Figure 325516DEST_PATH_IMAGE018
Figure 463237DEST_PATH_IMAGE019
Figure 518917DEST_PATH_IMAGE020
Figure 273247DEST_PATH_IMAGE021
式（8）
其中，j为取前车轨迹预测值时预估的通信时间延时，上式变量上标p代表预测值。
当车载智能网联控制器接收到双滚动时域优化结果后，应将整个预测时域内、当前时刻之前的计算结果剔除，取当前时刻开始后一段时间内行驶速度序列作为最终优化结果，将优化结果的时间信息与当前时刻进行比对，选择合适的预测结果作为控制输入。由于每次预估的通信延时（即第一次与第二次滚动优化的时间间隔）不一致，而第一次滚动优化的预测时域是定值，所以第一次与第二次滚动优化的结果可能会发生时间上的重叠；为保证控制方法的有效性，当多次滚动时域优化结果的时间重叠时，以最后一次优化的结果为准。

Claims (7)

1.一种车网协同节能控制方法，包括车载智能网联控制器以及远程数据平台，其特征在于：
所述车载智能网联控制器用于采集车辆周围交通环境信息以及车辆自身状态信息，并负责对车辆自身以及周围目标车辆的未来行驶状态进行预测，并将预测结果和实时采集数据上传至远程数据平台；
所述远程数据平台根据车辆出发地、目的地、交通路网实时信息，在考虑时间成本与能耗成本前提下规划实时最优行驶路径，远程数据平台基于车辆能耗预测模型，采用双滚动时域优化方法计算短时间内的最优车速序列，远程数据平台将优化后带有时间信息的计算结果以及规划的实时最优行驶路径发送给车载智能网联控制器；
所述双滚动时域优化方法中的第一个滚动时域优化是将接收到的当前实时信息为初值进行节能控制计算，第二个滚动时域优化是将接收到的预测信息为初值进行节能控制计算；
所述车载智能网联控制器接收到双滚动时域优化结果后，将优化结果的时间信息与当前时刻进行比较，将整个预测时域内、当前时刻之前的计算结果剔除，选取当前时刻开始后的一段时间内的行驶速度序列作为最终优化结果来执行。
2.根据权利要求1所述的一种车网协同节能控制方法，其特征在于：所述远程数据平台在规划实时最优行驶路径时，以车辆出发地为起始点，以目的地为终点，搜索所有能够到达的路径，并将路径分为不同路段，计算每个路段所需时间成本和能耗成本，依据式（1）中的成本函数取最小值的路径为最佳行驶路径：
Figure 614315DEST_PATH_IMAGE001
式（1）
其中，Q1为能耗成本权重系数，Q2为时间成本权重系数，JE与Jt分别表示单个路段的能耗成本和时间成本，均为车速的函数。
3.根据权利要求1所述的一种车网协同节能控制方法，其特征在于：所述车载智能网联控制器在对车辆自身的未来行驶状态预测时，是将上一个预测时域的最优车速序列作为自身车速的预测值，并根据当前真实车速对车辆自身预测结果进行修正；
所述车载智能网联控制器在对周围前车的未来行驶状态预测时，先利用历史车速信息构建轨迹转移矩阵，通过马尔可夫链模型对未来轨迹进行初步预测，并根据上一个预测时域对前车的车速预测值与当前真实车速的差值对前车预测结果进行修正。
4.根据权利要求1所述的一种车网协同节能控制方法，其特征在于：所述第一个滚动时域优化计算时，是将接收到的当前时刻的实时数据与未来一段时间的预测值进行合并，合并后的数据作为车辆能耗预测模型的已知量，具体节能控制步骤为：
步骤1：将接收到的两组信息合并后，建立整车纵向动力学离散模型，k时刻的离散模型由式（2）所示：
Figure 531456DEST_PATH_IMAGE002
Figure 576772DEST_PATH_IMAGE003
Figure 237561DEST_PATH_IMAGE004
式（2）
其中，x为车速的状态量，u为输入量，i是传动比，m是汽车质量，r是车轮滚动半径，g是重力加速度，i θ 是道路坡度，C a 是风阻系数，Δt是离散化的时间周期，F是状态量的函数，G是输入量的函数，H为时变的剩余项，f是滚动阻力系数；
步骤2：将步骤1中的离散模型在有限时域中进行局部线性化后作为预测模型，线性化后的预测模型如式（3）所示：
Figure 317512DEST_PATH_IMAGE005
式（3）
其中，上述参数中的下标表示为：k时刻对k+i、k+i+1时刻的预测结果；其中，A、B、H、δx、 δu如式（4）所示：
Figure 405554DEST_PATH_IMAGE006
Figure 938166DEST_PATH_IMAGE007
Figure 137066DEST_PATH_IMAGE008
Figure 71524DEST_PATH_IMAGE009
Figure 81200DEST_PATH_IMAGE010
式（4）
上式参数中的下标“0”表示在式（2）中对应部分在预测时域开始时的近似值；
步骤3：用信息合并后的前车位置信息、当前道路的车速限制、电机外特性限制作为控制约束条件，约束条件如式（5）所示：
Figure 101108DEST_PATH_IMAGE011
Figure 838120DEST_PATH_IMAGE012
Figure 627085DEST_PATH_IMAGE013
式（5）
其中，T m 为驱动电机输出转矩，X t 为前车位置，v为车速；
步骤4：远程数据平台进行滚动时域优化时，建立代价函数J k ，代价函数由驱动能耗、附件能耗、舒适性组成，如式（6）所示：
Figure 322508DEST_PATH_IMAGE014
式（6）
其中，Q3为驱动能耗权重系数，Q4为附件能耗权重系数，Q5为舒适性权重系数，N为预测时域，P a 为附件平均功率，
Figure 829713DEST_PATH_IMAGE015
为步骤1中合并后的车速序列中k-1时刻的车速；
第一次滚动时域优化计算按式（7）进行：
Figure 104836DEST_PATH_IMAGE014
Figure 13887DEST_PATH_IMAGE016
Figure 614632DEST_PATH_IMAGE011
Figure 343554DEST_PATH_IMAGE012
Figure 687948DEST_PATH_IMAGE013
式（7）。
5.根据权利要求4所述的一种车网协同节能控制方法，其特征在于：所述预测时域N大于数据交互过程中的总体时间延时。
6.根据权利要求4或5所述的一种车网协同节能控制方法，其特征在于：所述第二个滚动时域优化计算时，所采用的预测模型与第一个滚动时域优化预测模型相同，第二个滚动时域优化按式（8）进行：
Figure 199307DEST_PATH_IMAGE017
Figure 236533DEST_PATH_IMAGE018
Figure 452751DEST_PATH_IMAGE019
Figure 600835DEST_PATH_IMAGE020
Figure 218898DEST_PATH_IMAGE021
式（8）
其中，j为取前车轨迹预测值时预估的通信时间延时，上述变量的上标p代表预测值。
7.根据权利要求1所述的一种车网协同节能控制方法，其特征在于：所述车载智能网联控制器接收到的两次滚动优化结果在发生时间上有重叠时，以最后一次优化结果为准。
CN202011584134.4A 2020-12-29 2020-12-29 一种车网协同节能控制方法 Active CN112286212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011584134.4A CN112286212B (zh) 2020-12-29 2020-12-29 一种车网协同节能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011584134.4A CN112286212B (zh) 2020-12-29 2020-12-29 一种车网协同节能控制方法

Publications (2)

Publication Number Publication Date
CN112286212A true CN112286212A (zh) 2021-01-29
CN112286212B CN112286212B (zh) 2021-03-23

Family

ID=74426259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011584134.4A Active CN112286212B (zh) 2020-12-29 2020-12-29 一种车网协同节能控制方法

Country Status (1)

Country Link
CN (1) CN112286212B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113561993A (zh) * 2021-08-13 2021-10-29 苏州智加科技有限公司 车速规划方法、装置及电子设备
CN113610298A (zh) * 2021-08-06 2021-11-05 北京交通大学 考虑用户出行行为的用户出行能耗预测及路径推荐方法
CN113778106A (zh) * 2021-09-26 2021-12-10 上汽通用五菱汽车股份有限公司 轮式机器人节能轨迹规划方法、规划设备及可读存储介质
CN115344052A (zh) * 2022-10-17 2022-11-15 江苏天一航空工业股份有限公司 基于改进的群优化算法的车辆路径控制方法及控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106427990A (zh) * 2016-12-16 2017-02-22 上汽大众汽车有限公司 混合动力系统及其能量管理方法
CN108592930A (zh) * 2018-04-26 2018-09-28 浙江工业大学 基于大系统优化和车联网的新能源汽车智能辅助驾驶方法
US20190100110A1 (en) * 2017-09-29 2019-04-04 Nio Usa, Inc. Real-Time Nonlinear Receding Horizon Control of Batteries for Power Systems
CN111923896A (zh) * 2020-08-17 2020-11-13 大连民族大学 基于滚动动态规划的hev车辆能量管理方法
CN112092645A (zh) * 2020-08-18 2020-12-18 江苏大学 一种分布式驱动电动汽车的经济型横向稳定性控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106427990A (zh) * 2016-12-16 2017-02-22 上汽大众汽车有限公司 混合动力系统及其能量管理方法
US20190100110A1 (en) * 2017-09-29 2019-04-04 Nio Usa, Inc. Real-Time Nonlinear Receding Horizon Control of Batteries for Power Systems
CN108592930A (zh) * 2018-04-26 2018-09-28 浙江工业大学 基于大系统优化和车联网的新能源汽车智能辅助驾驶方法
CN111923896A (zh) * 2020-08-17 2020-11-13 大连民族大学 基于滚动动态规划的hev车辆能量管理方法
CN112092645A (zh) * 2020-08-18 2020-12-18 江苏大学 一种分布式驱动电动汽车的经济型横向稳定性控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHUNBO LEI 等: "Routing and Scheduling of Mobile Power Sources for Distribution System Resilience Enhancement", 《IEEE TRANSACTIONS ON SMART GRID》 *
曾思婕: "新能源汽车生态驾驶研究", 《公路与汽车》 *
林程 等: "双电机后驱车辆操纵稳定性分层混杂模型预测控制", 《机械工程学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610298A (zh) * 2021-08-06 2021-11-05 北京交通大学 考虑用户出行行为的用户出行能耗预测及路径推荐方法
CN113610298B (zh) * 2021-08-06 2024-04-05 北京交通大学 考虑用户出行行为的用户出行能耗预测及路径推荐方法
CN113561993A (zh) * 2021-08-13 2021-10-29 苏州智加科技有限公司 车速规划方法、装置及电子设备
CN113778106A (zh) * 2021-09-26 2021-12-10 上汽通用五菱汽车股份有限公司 轮式机器人节能轨迹规划方法、规划设备及可读存储介质
CN115344052A (zh) * 2022-10-17 2022-11-15 江苏天一航空工业股份有限公司 基于改进的群优化算法的车辆路径控制方法及控制系统

Also Published As

Publication number Publication date
CN112286212B (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN112286212B (zh) 一种车网协同节能控制方法
CN106740846B (zh) 一种双模式切换的电动汽车自适应巡航控制方法
CN110991757B (zh) 一种混合动力电动汽车综合预测能量管理方法
WO2021103625A1 (zh) 一种基于前车与自车互动的短期车速工况实时预测方法
CN111439260B (zh) 面向个性化需求的网联商用柴油车巡航行驶优化控制系统
CN104859650B (zh) 一种多时间尺度的车辆横摆稳定性滚动优化控制方法
CN110182215B (zh) 一种汽车经济性巡航控制方法及装置
US20190375407A1 (en) Ground Vehicle Control Techniques
US20090259355A1 (en) Power management of a hybrid vehicle
CN108284836A (zh) 一种车辆纵向跟随控制方法
CN103914985A (zh) 一种混合动力客车未来车速轨迹预测方法
CN109733378A (zh) 一种线下优化线上预测的转矩分配方法
CN113076641B (zh) 基于风险评估的智能车人机协同转向控制并行计算方法
Ding et al. An enhanced eco-driving strategy based on reinforcement learning for connected electric vehicles: Cooperative velocity and lane-changing control
CN113593275B (zh) 一种基于公交信号优先的交叉口网联自动驾驶方法
JP7016676B2 (ja) 車両制御装置及びその動作方法
CN115158094A (zh) 基于长短期soc规划的插电式混合动力汽车能量管理方法
Liu et al. Hierarchical speed planning and energy management for autonomous plug-in hybrid electric vehicle in vehicle-following environment
CN115534929A (zh) 基于多元信息融合的插电式混合动力汽车能量管理方法
Han et al. Hierarchical optimization of speed and gearshift control for battery electric vehicles using preview information
Kamal et al. Eco-driving using real-time optimization
You et al. Real-time energy management strategy based on predictive cruise control for hybrid electric vehicles
CN115140046A (zh) 一种车辆控制方法、系统、车辆控制器及云服务器
Dong et al. A hierarchical strategy for velocity optimization of connected vehicles with the existence of multiple traffic lights
Yeom Efficient self-driving strategy with preceding car following and road slopes based on learning predictive control

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
TR01 Transfer of patent right

Effective date of registration: 20210512

Address after: 526000 room 120, workshop (Building B) of Zhaoqing new area investment and Development Co., Ltd., No.1 Jinhua Road, north 8 District, Guicheng new town, Dinghu District, Zhaoqing City, Guangdong Province

Patentee after: Guangdong beilihua innovative energy vehicle technology Co.,Ltd.

Address before: 100081 No.19 Dongying Road, Zhaofeng industrial base, zhaoquanying Town, Shunyi District, Beijing

Patentee before: BIT HUACHUANG ELECTRIC VEHICLE TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210531

Address after: 100081 No.19 Dongying Road, Zhaofeng industrial base, zhaoquanying Town, Shunyi District, Beijing

Patentee after: BIT HUACHUANG ELECTRIC VEHICLE TECHNOLOGY Co.,Ltd.

Address before: 526000 room 120, workshop (Building B) of Zhaoqing new area investment and Development Co., Ltd., No.1 Jinhua Road, north 8 District, Guicheng new town, Dinghu District, Zhaoqing City, Guangdong Province

Patentee before: Guangdong beilihua innovative energy vehicle technology Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220426

Address after: 526000 No. 10-2, Keji 2nd Road, Zhaoqing new area, Dinghu District, Zhaoqing City, Guangdong Province

Patentee after: Guangdong beilihua innovative energy vehicle technology Co.,Ltd.

Address before: 100081 No.19 Dongying Road, Zhaofeng industrial base, zhaoquanying Town, Shunyi District, Beijing

Patentee before: BIT HUACHUANG ELECTRIC VEHICLE TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right