CN113071508B - 一种dcps架构下的车辆协同能量管理方法和系统 - Google Patents

一种dcps架构下的车辆协同能量管理方法和系统 Download PDF

Info

Publication number
CN113071508B
CN113071508B CN202110628283.4A CN202110628283A CN113071508B CN 113071508 B CN113071508 B CN 113071508B CN 202110628283 A CN202110628283 A CN 202110628283A CN 113071508 B CN113071508 B CN 113071508B
Authority
CN
China
Prior art keywords
vehicle
speed
control
vehicle speed
optimal
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
Application number
CN202110628283.4A
Other languages
English (en)
Other versions
CN113071508A (zh
Inventor
张旭东
郭凌雄
邹渊
徐冰
康铁宇
赵志颖
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.)
Beijing Institute of Technology BIT
Beijing North Vehicle Group Corp
China North Vehicle Research Institute
Original Assignee
Beijing Institute of Technology BIT
Beijing North Vehicle Group Corp
China North Vehicle Research Institute
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 Beijing Institute of Technology BIT, Beijing North Vehicle Group Corp, China North Vehicle Research Institute filed Critical Beijing Institute of Technology BIT
Priority to CN202110628283.4A priority Critical patent/CN113071508B/zh
Publication of CN113071508A publication Critical patent/CN113071508A/zh
Application granted granted Critical
Publication of CN113071508B publication Critical patent/CN113071508B/zh
Active 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明涉及一种DCPS架构下的车辆协同能量管理方法和系统。该车辆协同能量管理方法在分布式CPS架构下，依据获取的面向距离域的控制导向模型，采用伪谱法对目标里程进行速度规划，确定最优参考车速后，再根据面向距离域的控制导向模型构建显示控制率模型，然后采用显示控制率模型，以最优参考车速、当前车速和初始车速为输入确定最优控制量，最后根据最优控制量实时有效的对车辆的能量进行精确管理。

Description

一种DCPS架构下的车辆协同能量管理方法和系统
技术领域
本发明涉及车辆控制领域，特别是涉及一种DCPS架构下的车辆协同能量管理方法和系统。
背景技术
现有能量管理技术状态规划模块及其内嵌模型通常是基于时间域提供状态参考，然而在实际应用中，车辆必然会在某些时刻受到外界未知因素的干扰从而使得车辆实际运行状态与规划状态存在偏差，这种偏差将导致在偏差时刻之后车辆原先所规划的状态参考将不符合实际应用场景，需要重新规划，这种重复规划必然导致车载或云端设备计算资源的大量浪费。针对上述问题，本方案设计一种基于空间域的控制导向模型构建方式并设计相应的状态规划方法。
此外，虽然基于模型预测控制（MPC）方法已经大量的应用于插电式混合动力车辆能量管理技术，然而MPC实时解算能力对于MPC的在线实时应用效果具有很大的影响。现在很多方法是通过调用动态规划算法(Dynamic Programming, DP)、序列二次规划算法(SQP)、凸优化算法(CP)、C/GMRES算法等优化算法作为MPC的求解器，完成最优控制序列的求解。但是，随着优化问题的复杂，即优化问题中状态量或者控制量的增加，上述算法的计算效率很大程度上无法满足实时性的要求，并且这种在线优化的模式也给车载控制单元带来了极大的计算负担。针对此问题，结合第一段所述状态规划方法，本方案设计一种DCPS架构下面向空间域的显性模型预测控制器，该控制器将车载控制单元原有的在线计算负担转至云端，充分缓解车载控制器计算压力，旨在实现稳定的实时能量管理。
发明内容
为解决现有技术中存在的上述问题，本发明提供了一种DCPS架构下的车辆协同能量管理方法和系统。
为实现上述目的，本发明提供了如下方案：
一种DCPS架构下的车辆协同能量管理方法，包括：
获取面向距离域的控制导向模型和目标里程；
依据所述面向距离域的控制导向模型，采用伪谱法对所述目标里程进行速度规划，确定最优参考车速；所述最优参考车速为使车辆行驶至目标位置时耗费能量最少的车速；
根据所述面向距离域的控制导向模型构建显示控制率模型；
获取车辆的当前车速和车辆的初始车速；
采用所述显示控制率模型，以所述最优参考车速、所述当前车速和所述初始车速为输入确定最优控制量；所述最优控制量为控制车速达到所述最优参考车速的控制量；
根据所述最优控制量实时对车辆的能量进行管理。
优选地，所述面向距离域的控制导向模型的构建过程为：
获取车辆动力系统中物理量间的关系和车辆纵向动力学；
根据所述车辆动力系统中物理量间的关系确定车辆的驱动转矩；
根据所述车辆纵向动力学和所述驱动转矩确定车辆的轮边牵引力；
根据所述轮边牵引力和车辆质量确定车辆的加速度；
根据所述加速度得到设定时间段的车速更新方程；
根据所述车速更新方程构建面向距离域的控制导向模型。
优选地，所述面向距离域的控制导向模型为：
Figure 100002_DEST_PATH_IMAGE001
;
其中，
Figure 530840DEST_PATH_IMAGE002
是
Figure 100002_DEST_PATH_IMAGE003
时刻的系统状态变量，
Figure 716971DEST_PATH_IMAGE004
为
Figure 100002_DEST_PATH_IMAGE005
时刻的系统状态变量，
Figure 125955DEST_PATH_IMAGE006
，
Figure 100002_DEST_PATH_IMAGE007
为
Figure 391677DEST_PATH_IMAGE005
时刻的车速，
Figure 341048DEST_PATH_IMAGE008
是
Figure 584947DEST_PATH_IMAGE005
时刻的系统控制变量；
Figure 100002_DEST_PATH_IMAGE009
、
Figure 899254DEST_PATH_IMAGE010
和
Figure 100002_DEST_PATH_IMAGE011
均为系数矩阵。
优选地，所述依据所述面向距离域的控制导向模型，采用伪谱法对所述目标里程进行速度规划，确定最优参考车速，具体包括：
采用所述面向距离域的控制导向模型，以目标里程内各路段的行驶距离和各路段的最高限速为输入，输出最优参考车速序列；
依据所述最优参考车速序列生成最优速度曲线。
优选地，所述根据所述面向距离域的控制导向模型构建显示控制率模型，具体包括：
根据所述面向距离域的控制导向模型构建MPC优化问题；
依据所述MPC优化问题确定状态变量的所有取值和与状态变量的所有取值间对应的最优控制变量间的映射关系；所述映射关系即为显示控制率模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的车辆协同能量管理方法，在分布式CPS架构下，依据获取的面向距离域的控制导向模型，采用伪谱法对目标里程进行速度规划，确定最优参考车速后，再根据面向距离域的控制导向模型构建显示控制率模型，然后采用显示控制率模型，以最优参考车速、当前车速和初始车速为输入确定最优控制量，最后根据最优控制量实时有效的对车辆的能量进行精确管理。
对应于上述提供的DCPS架构下的车辆协同能量管理方法，本发明还提供了如下技术方案：
一种DCPS架构下的车辆协同能量管理系统，包括：
第一获取模块，用于获取面向距离域的控制导向模型和目标里程；
最优参考车速确定模块，用于依据所述面向距离域的控制导向模型，采用伪谱法对所述目标里程进行速度规划，确定最优参考车速；所述最优参考车速为使车辆行驶至目标位置时耗费能量最少的车速；
显示控制率模型构建模块，用于根据所述面向距离域的控制导向模型构建显示控制率模型；
第二获取模块，用于获取车辆的当前车速和车辆的初始车速；
最优控制量确定模块，用于采用所述显示控制率模型，以所述最优参考车速、所述当前车速和所述初始车速为输入确定最优控制量；所述最优控制量为控制车速达到所述最优参考车速的控制量；
能量管理模块，用于根据所述最优控制量实时对车辆的能量进行管理。
优选地，还包括控制导向模型构建模块；所述控制导向模型构建模块包括：
获取单元，用于获取车辆动力系统中物理量间的关系和车辆纵向动力学；
驱动转矩确定单元，用于根据所述车辆动力系统中物理量间的关系确定车辆的驱动转矩；
轮边牵引力确定单元，用于根据所述车辆纵向动力学和所述驱动转矩确定车辆的轮边牵引力；
加速度确定单元，用于根据所述轮边牵引力和车辆质量确定车辆的加速度；
车速更新方程确定单元，用于根据所述加速度得到设定时间段的车速更新方程；
控制导向模型构建单元，用于根据所述车速更新方程构建面向距离域的控制导向模型。
优选地，所述最优参考车速确定模块具体包括：
车速序列生成单元，用于采用所述面向距离域的控制导向模型，以目标里程内各路段的行驶距离和各路段的最高限速为输入，输出最优参考车速序列；
曲线生成单元，用于依据所述最优参考车速序列生成最优速度曲线。
优选地，所述显示控制率模型构建模块具体包括：
MPC优化问题构建单元，用于根据所述面向距离域的控制导向模型构建MPC优化问题；
映射关系确定单元，用于依据所述MPC优化问题确定状态变量的所有取值和与状态变量的所有取值间对应的最优控制变量间的映射关系；所述映射关系即为显示控制率模型。
一种可读存储介质，所述可读存储介质中存储有运行程序；所述运行程序用于执行上述提供的DCPS架构下的车辆协同能量管理方法。
因本发明提供的上述车辆协同能量管理系统和可读存储介质所实现的技术效果与上述提供的车辆协同能量管理方法相同，因此，在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的分布式信息物理系统架构（DCPS）的结构示意图；
图2为本发明提供的车辆协同能量管理方法的流程图；
图3为本发明实施例提供的云服务器层的计算流程图；
图4为本发明实施例提供的最优参考速度曲线图；
图5为本发明提供的车辆协同能量管理系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种DCPS架构下的车辆协同能量管理方法和系统，以提高能量管理的效率和准确度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供的车辆协同能量管理方法和系统，主要是基于分布式信息物理系统架构（Distributed Cyber-physical System，DCPS）范围内设计的一种基于最优速度规划的在线实时能量协同管理方法和系统。
CPS是一个多资源集成系统，可以有效地利用计算资源和物理环境信息。CPS技术为复杂的系统控制问题提供了令人满意的性能，并已广泛用于云计算，电池管理系统，大数据中心等许多领域。本发明设计的用于连接通过插电进行充电的混合动力汽车（PHEV）的DCPS框架，打破了用户端与流量系统之间由于计算资源有限所带来的交互障碍。所设计的DCPS架构如图1所示，其中包含三个部分：云服务器层，状态信息层和实时控制层。
云服务器层：这是DCPS的最重要组成部分。它属于网络系统，包含DCPS系统使用的云网络资源，计算硬件平台和高速通信方法。云硬件平台为每个入网车辆分配私有云IP地址和存储空间。具体来说，云分为私有云和公共云。专用部分专门用于存储不同车辆的信息，并建立相应的车辆模型（例如，控制模型，驾驶员模型和其他专用信息）。公共部分用于处理公共交通信息（例如，动态交通图，统计交通流量，拥堵预测）。所有云数据将根据指定的架构进行重组，以促进所有车辆信息的交互和协调。
状态信息层：此层充当网络系统和物理世界之间的桥梁。其中主要包含服务的特定物理对象（入网车辆）、路基设备（基站，V2I设备）和现场环境信息。每个入网车辆作为CPS下的分布式个人，可以从GPS，路面管理系统，智能城市的基站等多个来源收集信息，并有助于提高驾驶舒适性和安全性。
实时控制层：作为移动控制单元，主要是指为实现基于服务对象的实时最优控制而实施的最终控制过程。实时控制层位于车载控制系统中，主要用于存储控制规律或实际驾驶场景中推荐的计算出的最佳控制。具体来说，它根据驾驶员的驾驶要求确定合适的运行模式并适当地管理能量流，同时，将从各个入网车辆的车载控制器(VCU)水平轴风力发电机垂直轴风发送到云服务的协同控制要求。
在所提出的分布式物理系统框架内，开展实时能量管理策略设计。该策略包括：在云服务器层实现车辆旅途的最优速度规划以及最优控制率离线求解，进而这将传统车辆中原本应由车载控制器（VCU）进行的大量在线计算负担转移至云端，有效降低了车载端的计算负担。其次，充分利用状态信息层的环境交互、数据收集、状态识别等功能，完成车载端与云端的稳定通信与交互。最终，通过状态信息层将所获取的最优速度参考与离线控制率传输给车辆的实时控制器，从而实现在线实时的云-环境-车协同能量管理。
本发明基于DCPS架构的整体设计构思为：构建面向距离域的控制导向模型——>通过伪谱法完成最优速度参考的获取——>基于最优速度参考构造模型预测控制问题——>通过离线计算的方式（云端计算）获取模型预测问题的显性控制率——>在实际应用中以最优参考速度、车辆当前速度以及初始速度为输入，获取实时的最优控制量。
基于该设计构思，本发明提供的车辆协同能量管理方法，如图2所示，包括：
步骤100：获取面向距离域的控制导向模型和目标里程。
步骤101：依据面向距离域的控制导向模型，采用伪谱法对目标里程进行速度规划，确定最优参考车速。最优参考车速为使车辆行驶至目标位置时耗费能量最少的车速，即行驶完整个目标里程耗费能量最少的速度。
步骤102：根据面向距离域的控制导向模型构建显示控制率模型。
步骤103：获取车辆的当前车速和车辆的初始车速。
步骤104：采用显示控制率模型，以最优参考车速、当前车速和初始车速为输入确定最优控制量。最优控制量为控制车速达到最优参考车速的控制量。
步骤105：根据最优控制量实时对车辆的能量进行管理。
在DCPS的云服务器层中，本发明提供的车辆协同能量管理方法的具体计算流程如图3所示。
在传统的能源管理参考计划中，通常是基于时间进行能量管理，对实际驾驶条件的任何调整都会改变总驾驶时间，剩余行程路线中的纵断面不能在相应时间用作目标值。结果，需要连续重新规划速度参考轨迹，否则在驾驶条件发生变化的时刻之后对应的规划速度将失去其有效性。这种反复的优化浪费了计算资源，不适合实时应用。另外，由于连接的车辆数量众多，并且计算和数据存储量很大，因此每辆车的云计算资源也很宝贵，不应浪费。基于现有技术中存在的这一缺陷，本发明提供的面向距离域的控制导向模型的构建过程为：
获取车辆动力系统中物理量间的关系和车辆纵向动力学。
根据车辆动力系统中物理量间的关系确定车辆的驱动转矩。
根据车辆纵向动力学和驱动转矩确定车辆的轮边牵引力。
根据轮边牵引力和车辆质量确定车辆的加速度。
根据加速度得到设定时间段的车速更新方程。
根据车速更新方程构建面向距离域的控制导向模型。该面向距离域的控制导向模型为：
Figure 658131DEST_PATH_IMAGE001
;
其中，
Figure 20979DEST_PATH_IMAGE002
是
Figure 384965DEST_PATH_IMAGE003
时刻的系统状态变量，
Figure 542277DEST_PATH_IMAGE004
为
Figure 991712DEST_PATH_IMAGE005
时刻的系统状态变量，
Figure 689410DEST_PATH_IMAGE006
，
Figure 376743DEST_PATH_IMAGE007
为
Figure 236115DEST_PATH_IMAGE005
时刻的车速，
Figure 907268DEST_PATH_IMAGE008
是
Figure 148936DEST_PATH_IMAGE005
时刻的系统控制变量；
Figure 221934DEST_PATH_IMAGE009
、
Figure 252207DEST_PATH_IMAGE010
和
Figure 269711DEST_PATH_IMAGE011
均为系数矩阵。
下面以面向的是插电式功率分流混合动力车辆为例，对本发明上述提供的构建面向距离域的控制导向模型的构建过程予以说明：
插电式功率分流混合动力车辆的动力系统内部的相关物理量关系可以表示为：
Figure 43632DEST_PATH_IMAGE012
；
其中，
Figure DEST_PATH_IMAGE013
为发动机的转速，
Figure 767874DEST_PATH_IMAGE014
为行星架的转速，
Figure DEST_PATH_IMAGE015
为电机2的转速，
Figure 765786DEST_PATH_IMAGE016
为太阳轮的转速，
Figure DEST_PATH_IMAGE017
为齿圈的转速，
Figure 473848DEST_PATH_IMAGE018
为电机1的转速，
Figure DEST_PATH_IMAGE019
为发动机的转矩，
Figure 848197DEST_PATH_IMAGE020
为行星架的转矩，
Figure DEST_PATH_IMAGE021
为电机2的转矩，
Figure 958105DEST_PATH_IMAGE022
为太阳轮的转矩，
Figure DEST_PATH_IMAGE023
为齿圈的转矩，
Figure 222575DEST_PATH_IMAGE024
是行星轮系的传动比，
Figure DEST_PATH_IMAGE025
和
Figure 152354DEST_PATH_IMAGE026
是太阳轮和齿圈的齿数，
Figure DEST_PATH_IMAGE027
是行星轮系的传动效率，
Figure 595974DEST_PATH_IMAGE028
是牵引力矩，
Figure DEST_PATH_IMAGE029
是主减速比，
Figure 560388DEST_PATH_IMAGE030
和
Figure DEST_PATH_IMAGE031
是力矩耦合器的传动比和传动效率。
联立上述公式可得驱动转矩
Figure 165681DEST_PATH_IMAGE028
，表示为：
Figure 520439DEST_PATH_IMAGE032
；
结合车辆纵向动力学根据上述确定的驱动转矩
Figure 439854DEST_PATH_IMAGE028
可知，轮边牵引力
Figure DEST_PATH_IMAGE033
可以被表示为：
Figure 993195DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
为轮胎半径，
Figure 769390DEST_PATH_IMAGE036
为t时刻的轮边制动力。
因此车辆加速度
Figure DEST_PATH_IMAGE037
可以被表示为：
Figure 945199DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE039
是车辆质量，
Figure 465042DEST_PATH_IMAGE040
和
Figure DEST_PATH_IMAGE041
分别是车辆在t时刻下的车速及加速度，
Figure 997524DEST_PATH_IMAGE042
是重力加速度，
Figure DEST_PATH_IMAGE043
是滚动阻力系数，
Figure 210199DEST_PATH_IMAGE044
是道路坡度，A是迎风面积，
Figure DEST_PATH_IMAGE045
是空气阻力系数，
Figure 601866DEST_PATH_IMAGE046
是空气密度。
综上，从
Figure DEST_PATH_IMAGE047
时刻到下一时刻
Figure 925400DEST_PATH_IMAGE048
的车速更新方程可以被表示为：
Figure DEST_PATH_IMAGE049
其中，
Figure 594279DEST_PATH_IMAGE050
，
Figure DEST_PATH_IMAGE051
。
由于车辆控制信号在每一个控制时刻才发挥作用，因此在两个控制时刻间隔内（k时刻和k+1时刻间）车辆加速度视为常数，因此其时间间隔可以被表示为，
Figure 977856DEST_PATH_IMAGE052
；
其中，
Figure DEST_PATH_IMAGE053
为两个控制时刻内车辆所形式的距离。
联立公式
Figure 710014DEST_PATH_IMAGE054
、
Figure DEST_PATH_IMAGE055
和
Figure 571660DEST_PATH_IMAGE056
，下一时刻的车速的平方可以被表示为，
Figure DEST_PATH_IMAGE057
因此，控制导向模型被设计为具有以下状态空间形式的约束线性离散距离系统，
Figure 219679DEST_PATH_IMAGE058
；
其中，
Figure DEST_PATH_IMAGE059
是
Figure 508578DEST_PATH_IMAGE060
时刻的系统状态变量，
Figure DEST_PATH_IMAGE061
为
Figure 343679DEST_PATH_IMAGE062
时刻的系统状态变量，
Figure DEST_PATH_IMAGE063
为
Figure 602490DEST_PATH_IMAGE062
时刻的车速，
Figure 308278DEST_PATH_IMAGE064
是
Figure 705762DEST_PATH_IMAGE062
时刻的系统控制变量；
Figure DEST_PATH_IMAGE065
、
Figure 565176DEST_PATH_IMAGE066
和
Figure DEST_PATH_IMAGE067
均为系数矩阵，其分别被表示为：
Figure 503045DEST_PATH_IMAGE006
，
Figure 63340DEST_PATH_IMAGE068
，
Figure DEST_PATH_IMAGE069
Figure 694041DEST_PATH_IMAGE070
，
Figure DEST_PATH_IMAGE071
。
因此，实现了面向距离域的控制导向模型构建。
基于上述构建得到的面向距离域的控制导向模型，本发明路线中的能耗基本上是由伪谱法（Pseudospectral method，PM）规划的。PM应用Legendre-Gauss-Radau搭配方案来近似所有连续状态并操纵变量，因为它们表现出刚性衰减和代数稳定性。确定所有Legendre-Gauss-Radau并置点后，通过Lagrange插值多项式近似这些点处的状态变量和操作变量。通过对近似求微分，可以得到Legendre-Gauss-Radau并置点处状态变量的一阶微分，从而在Lagrange插值多项式和系统状态方程之间建立相等的约束。最终，如果模型连续性好，则PM将最优控制问题（OCP）转换为标准非线性规划（NLP）问题，并具有很高的计算效率。
基于此路线规划方法（伪谱法），上述步骤101，具体包括：
采用面向距离域的控制导向模型，以目标里程内各路段的行驶距离和各路段的最高限速为输入，输出最优参考车速序列。
依据最优参考车速序列生成最优速度曲线。
下面以具体实例对本发明提供的最优速度曲线的生成过程进行说明。
例如，目标里程总长度为4500m，分为3个路段，3个路段的限速分别为60km/h、80km/s和40km/h，将以上路况条件作为输入，即可获取最优速度曲线（如图4中所示的三角灰色实线），并将该最优速度曲线作为能量管理策略下层中实时控制器的状态参考。其中，图4中，黑色虚线表示极限车速，灰色实线表示给定车速。
进一步，在本发明中，显性模型预测（EMPC）包括两个阶段，第一阶段是训练阶段，第二阶段是控制率的在线应用。
在训练阶段：基于所设计的控制导向模型，构建优化问题。EMPC的实质是在MPC的基础上通过离线计算的方式求解基于MPC的优化问题，并将所获取的求解结果保存在控制map中形成控制率，从而避免了MPC在线滚动优化所带来的巨大计算负担。因此，本发明提供的上述步骤102具体包括：
根据面向距离域的控制导向模型构建MPC优化问题。该优化为题为：
Figure 34893DEST_PATH_IMAGE072
。
其中，
Figure DEST_PATH_IMAGE073
作为优化代价中的轨迹跟踪项即为速度规划模块获取的最优速度序列，
Figure 510873DEST_PATH_IMAGE074
是预测域长度，Q和R是权重系数矩阵，x代表的就是建模时选定的系统状态量，u代表的就是建模时选定的系统控制量。
为了避免在每个采样瞬时进行在线优化，MPC问题可以被表达为多参数二次规划问题(Multi-parametric Quadratic Programming，mp-QP)如下，
Figure DEST_PATH_IMAGE075
。
其中，
Figure 987991DEST_PATH_IMAGE076
是指未来第N步情况下，系统状态变量的值。
Figure DEST_PATH_IMAGE077
是指未来第i步情况下，系统状态变量的值。例如，假设车辆的一段6s工况序列为[1,2,3,5,6,3.5]m/s，当前情况车辆状态为v=1m/s，则当N=5时，
Figure 55173DEST_PATH_IMAGE076
=3.5m/s。同理，当i=3时，
Figure 432057DEST_PATH_IMAGE077
=5m/s。此外，
Figure 914991DEST_PATH_IMAGE078
也同理，其代表的是第i步系统控制变量的值。
依据MPC优化问题确定状态变量的所有取值和与状态变量的所有取值间对应的最优控制变量间的映射关系。映射关系即为显示控制率模型。即，通过将
Figure 449878DEST_PATH_IMAGE080
视为参数向量，目标即是离线求解并寻找所有状态变量（本发明中，该状态变量优选为车速）取值范围内与之对应的最优控制变量，并将这种映射关系进行显性表达，即寻找每个状态变量可能的取值与其所对应的最优控制变量间的显性映射关系，并将这种显性关系以控制率的形式进行存储。关于此多参数二次规划问题的求解过程是已经存在的，因此不再赘述。
在实际应用阶段：在每个采样瞬时，将伪谱法获取的最优参考车速、当前车辆速度以及初始车速作为索引，输入上述所获取的显式控制率模型中，输出最优的控制量（
Figure 360065DEST_PATH_IMAGE081
）。反复迭代，实现实时的最优能量管理。
综上，DCPS架构中云服务器层的功能为，通过离线计算的方式，以所构建的基于距离的控制导向模型为基础，以该系统所有状态变量（速度v）及其取值范围，以及所有控制变量及其取值范围（发动机转矩T e ，电机1转矩
Figure DEST_PATH_IMAGE082
和轮边制动力
Figure 409929DEST_PATH_IMAGE083
）为输入，获取最优显式控制率。在实际应用中，通过将伪谱法获取的最优参考车速、当前车辆速度以及初始车速作为模块输入，通过顺序搜索法从控制率中获取最优控制量，实现在线实时的能量精确管理。
优选地，对应于上述提供的DCPS架构下的车辆协同能量管理方法，本发明还提供了一种DCPS架构下的车辆协同能量管理系统，如图5所示，该系统包括：第一获取模块500、最优参考车速确定模块501、显示控制率模型构建模块502、第二获取模块503、最优控制量确定模块504和能量管理模块505。
其中，第一获取模块500用于获取面向距离域的控制导向模型和目标里程。
最优参考车速确定模块501用于依据面向距离域的控制导向模型，采用伪谱法对目标里程进行速度规划，确定最优参考车速。最优参考车速为使车辆行驶至目标位置时耗费能量最少的车速。
显示控制率模型构建模块502用于根据面向距离域的控制导向模型构建显示控制率模型。
第二获取模块503用于获取车辆的当前车速和车辆的初始车速。
最优控制量确定模块504用于采用显示控制率模型，以最优参考车速、当前车速和初始车速为输入确定最优控制量。最优控制量为控制车速达到最优参考车速的控制量。
能量管理模块505用于根据最优控制量实时对车辆的能量进行管理。
进一步，本发明提供的车辆协同能量管理系统还包括控制导向模型构建模块。该控制导向模型构建模块包括：获取单元、驱动转矩确定单元、轮边牵引力确定单元、加速度确定单元、车速更新方程确定单元和控制导向模型构建单元。
其中，获取单元用于获取车辆动力系统中物理量间的关系和车辆纵向动力学。
驱动转矩确定单元用于根据车辆动力系统中物理量间的关系确定车辆的驱动转矩。
轮边牵引力确定单元用于根据车辆纵向动力学和驱动转矩确定车辆的轮边牵引力。
加速度确定单元用于根据轮边牵引力和车辆质量确定车辆的加速度。
车速更新方程确定单元用于根据加速度得到设定时间段的车速更新方程。
控制导向模型构建单元用于根据车速更新方程构建面向距离域的控制导向模型。
进一步，上述提供的最优参考车速确定模块501具体包括：车速序列生成单元和曲线生成单元。
其中，车速序列生成单元用于采用面向距离域的控制导向模型，以目标里程内各路段的行驶距离和各路段的最高限速为输入，输出最优参考车速序列。
曲线生成单元用于依据最优参考车速序列生成最优速度曲线。
进一步，上述提供的显示控制率模型构建模块502具体包括：MPC优化问题构建单元和映射关系确定单元。
其中，MPC优化问题构建单元用于根据面向距离域的控制导向模型构建MPC优化问题。
映射关系确定单元用于依据MPC优化问题确定状态变量的所有取值和与状态变量的所有取值间对应的最优控制变量间的映射关系。映射关系即为显示控制率模型。
此外，本发明还提供了一种可读存储介质，改可读存储介质中存储有用于执行上述提供的DCPS架构下的车辆协同能量管理方法的运行程序。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种DCPS架构下的车辆协同能量管理方法，其特征在于，包括：
获取面向距离域的控制导向模型和目标里程；
依据所述面向距离域的控制导向模型，采用伪谱法对所述目标里程进行速度规划，确定最优参考车速；所述最优参考车速为使车辆行驶至目标位置时耗费能量最少的车速；
根据所述面向距离域的控制导向模型构建显示控制率模型；
获取车辆的当前车速和车辆的初始车速；
采用所述显示控制率模型，以所述最优参考车速、所述当前车速和所述初始车速为输入确定最优控制量；所述最优控制量为控制车速达到所述最优参考车速的控制量；
根据所述最优控制量实时对车辆的能量进行管理；
所述面向距离域的控制导向模型的构建过程为：
获取车辆动力系统中物理量间的关系和车辆纵向动力学；
根据所述车辆动力系统中物理量间的关系确定车辆的驱动转矩；
根据所述车辆纵向动力学和所述驱动转矩确定车辆的轮边牵引力；
根据所述轮边牵引力和车辆质量确定车辆的加速度；
根据所述加速度得到设定时间段的车速更新方程；
根据所述车速更新方程构建面向距离域的控制导向模型；
所述面向距离域的控制导向模型为：
Figure DEST_PATH_IMAGE001
;
其中，
Figure DEST_PATH_IMAGE002
是
Figure DEST_PATH_IMAGE003
时刻的系统状态变量，
Figure DEST_PATH_IMAGE004
为
Figure DEST_PATH_IMAGE005
时刻的系统状态变量，
Figure DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE007
为
Figure 938078DEST_PATH_IMAGE005
时刻的车速，
Figure DEST_PATH_IMAGE008
是
Figure 461595DEST_PATH_IMAGE005
时刻的系统控制变量；
Figure DEST_PATH_IMAGE009
、
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE011
均为系数矩阵。
2.根据权利要求1所述的DCPS架构下的车辆协同能量管理方法，其特征在于，所述依据所述面向距离域的控制导向模型，采用伪谱法对所述目标里程进行速度规划，确定最优参考车速，具体包括：
采用所述面向距离域的控制导向模型，以目标里程内各路段的行驶距离和各路段的最高限速为输入，输出最优参考车速序列；
依据所述最优参考车速序列生成最优速度曲线。
3.根据权利要求1所述的DCPS架构下的车辆协同能量管理方法，其特征在于，所述根据所述面向距离域的控制导向模型构建显示控制率模型，具体包括：
根据所述面向距离域的控制导向模型构建MPC优化问题；
依据所述MPC优化问题确定状态变量的所有取值和与状态变量的所有取值间对应的最优控制变量间的映射关系；所述映射关系即为显示控制率模型。
4.一种DCPS架构下的车辆协同能量管理系统，其特征在于，包括：
第一获取模块，用于获取面向距离域的控制导向模型和目标里程；
最优参考车速确定模块，用于依据所述面向距离域的控制导向模型，采用伪谱法对所述目标里程进行速度规划，确定最优参考车速；所述最优参考车速为使车辆行驶至目标位置时耗费能量最少的车速；
显示控制率模型构建模块，用于根据所述面向距离域的控制导向模型构建显示控制率模型；
第二获取模块，用于获取车辆的当前车速和车辆的初始车速；
最优控制量确定模块，用于采用所述显示控制率模型，以所述最优参考车速、所述当前车速和所述初始车速为输入确定最优控制量；所述最优控制量为控制车速达到所述最优参考车速的控制量；
能量管理模块，用于根据所述最优控制量实时对车辆的能量进行管理；
还包括控制导向模型构建模块；所述控制导向模型构建模块包括：
获取单元，用于获取车辆动力系统中物理量间的关系和车辆纵向动力学；
驱动转矩确定单元，用于根据所述车辆动力系统中物理量间的关系确定车辆的驱动转矩；
轮边牵引力确定单元，用于根据所述车辆纵向动力学和所述驱动转矩确定车辆的轮边牵引力；
加速度确定单元，用于根据所述轮边牵引力和车辆质量确定车辆的加速度；
车速更新方程确定单元，用于根据所述加速度得到设定时间段的车速更新方程；
控制导向模型构建单元，用于根据所述车速更新方程构建面向距离域的控制导向模型；
所述面向距离域的控制导向模型为：
Figure 828729DEST_PATH_IMAGE001
;
其中，
Figure 847367DEST_PATH_IMAGE002
是
Figure 838326DEST_PATH_IMAGE003
时刻的系统状态变量，
Figure 114718DEST_PATH_IMAGE004
为
Figure 551122DEST_PATH_IMAGE005
时刻的系统状态变量，
Figure 704892DEST_PATH_IMAGE006
，
Figure 774741DEST_PATH_IMAGE007
为
Figure 584434DEST_PATH_IMAGE005
时刻的车速，
Figure 627126DEST_PATH_IMAGE008
是
Figure 261501DEST_PATH_IMAGE005
时刻的系统控制变量；
Figure 125421DEST_PATH_IMAGE009
、
Figure 920945DEST_PATH_IMAGE010
和
Figure 138300DEST_PATH_IMAGE011
均为系数矩阵。
5.根据权利要求4所述的DCPS架构下的车辆协同能量管理系统，其特征在于，所述最优参考车速确定模块具体包括：
车速序列生成单元，用于采用所述面向距离域的控制导向模型，以目标里程内各路段的行驶距离和各路段的最高限速为输入，输出最优参考车速序列；
曲线生成单元，用于依据所述最优参考车速序列生成最优速度曲线。
6.根据权利要求4所述的DCPS架构下的车辆协同能量管理系统，其特征在于，所述显示控制率模型构建模块具体包括：
MPC优化问题构建单元，用于根据所述面向距离域的控制导向模型构建MPC优化问题；
映射关系确定单元，用于依据所述MPC优化问题确定状态变量的所有取值和与状态变量的所有取值间对应的最优控制变量间的映射关系；所述映射关系即为显示控制率模型。
7.一种可读存储介质，其特征在于，所述可读存储介质中存储有运行程序；所述运行程序用于执行如权利要求1-3任意一项所述DCPS架构下的车辆协同能量管理方法。
CN202110628283.4A 2021-06-07 2021-06-07 一种dcps架构下的车辆协同能量管理方法和系统 Active CN113071508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110628283.4A CN113071508B (zh) 2021-06-07 2021-06-07 一种dcps架构下的车辆协同能量管理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110628283.4A CN113071508B (zh) 2021-06-07 2021-06-07 一种dcps架构下的车辆协同能量管理方法和系统

Publications (2)

Publication Number Publication Date
CN113071508A CN113071508A (zh) 2021-07-06
CN113071508B true CN113071508B (zh) 2021-08-20

Family

ID=76617156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110628283.4A Active CN113071508B (zh) 2021-06-07 2021-06-07 一种dcps架构下的车辆协同能量管理方法和系统

Country Status (1)

Country Link
CN (1) CN113071508B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114859721B (zh) * 2022-05-09 2023-06-20 电子科技大学 一种大时滞成型系统双模经济模型预测鲁棒控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110341690A (zh) * 2019-07-22 2019-10-18 北京理工大学 一种基于确定性策略梯度学习的phev能量管理方法
CN111284489A (zh) * 2020-03-24 2020-06-16 吉林大学 智能网联汽车随机预测巡航控制系统
CN111367172A (zh) * 2020-02-28 2020-07-03 华南理工大学 一种基于逆向深度强化学习的混动系统能量管理策略
CN111959492A (zh) * 2020-08-31 2020-11-20 重庆大学 一种网联环境下考虑换道行为的hev能量管理分层控制方法
CN112249099A (zh) * 2020-09-27 2021-01-22 北京交通大学 一种基于预测控制的高速列车节能运行曲线在线计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6952138B2 (en) * 2001-09-12 2005-10-04 Telefonaktiebolaget Lm Ericsson (Publ) Generation of a phase locked loop output signal having reduced spurious spectral components

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110341690A (zh) * 2019-07-22 2019-10-18 北京理工大学 一种基于确定性策略梯度学习的phev能量管理方法
CN111367172A (zh) * 2020-02-28 2020-07-03 华南理工大学 一种基于逆向深度强化学习的混动系统能量管理策略
CN111284489A (zh) * 2020-03-24 2020-06-16 吉林大学 智能网联汽车随机预测巡航控制系统
CN111959492A (zh) * 2020-08-31 2020-11-20 重庆大学 一种网联环境下考虑换道行为的hev能量管理分层控制方法
CN112249099A (zh) * 2020-09-27 2021-01-22 北京交通大学 一种基于预测控制的高速列车节能运行曲线在线计算方法

Also Published As

Publication number Publication date
CN113071508A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
Jinquan et al. A novel MPC-based adaptive energy management strategy in plug-in hybrid electric vehicles
Sciarretta et al. Energy-efficient driving of road vehicles
US8190318B2 (en) Power management systems and methods in a hybrid vehicle
Li et al. Intelligent environment-friendly vehicles: Concept and case studies
CN105216782B (zh) 基于能量预测的插电式混合动力汽车能量管理方法
Singh et al. Fuzzy logic and Elman neural network tuned energy management strategies for a power-split HEVs
Zhang et al. Route planning and power management for PHEVs with reinforcement learning
Ouddah et al. From offline to adaptive online energy management strategy of hybrid vehicle using Pontryagin’s minimum principle
Zhao et al. Energy control of plug-in hybrid electric vehicles using model predictive control with route preview
Vajedi et al. Intelligent power management of plug–in hybrid electric vehicles, part I: Real–time optimum SOC trajectory builder
Tang et al. Hierarchical energy management strategy based on adaptive dynamic programming for hybrid electric vehicles in car-following scenarios
Shi et al. Multi-objective tradeoff optimization of predictive adaptive cruising control for autonomous electric buses: A cyber-physical-energy system approach
Zhou et al. A two-term energy management strategy of hybrid electric vehicles for power distribution and gear selection with intelligent state-of-charge reference
Yu et al. Model predictive control for connected hybrid electric vehicles
CN112721907A (zh) 一种考虑道路坡度的网联混合动力汽车高效能量管理方法
CN114312845A (zh) 基于地图数据的深度强化学习型混合动力汽车控制方法
CN113071508B (zh) 一种dcps架构下的车辆协同能量管理方法和系统
Hu et al. Optimal energy efficient control of pure electric vehicle power system based on dynamic traffic information flow
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
Yu et al. Model predictive control of hybrid electric vehicles for improved fuel economy
Guo et al. Deep reinforcement learning-based hierarchical energy control strategy of a platoon of connected hybrid electric vehicles through cloud platform
Li et al. A comparative study of energy-oriented driving strategy for connected electric vehicles on freeways with varying slopes
Ruan et al. A modularized electric vehicle model-in-the-loop simulation for transportation electrification modeling and analysis
Alzorgan Look-ahead information based optimization strategy for hybrid electric vehicles
You et al. Real-time energy management strategy based on predictive cruise control for hybrid electric vehicles

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