CN113561793B - 一种动态约束的智能燃料电池汽车能量管理策略 - Google Patents

Abstract

本发明涉及一种动态约束的智能燃料电池汽车能量管理策略，速度优化模块按时间序列更新状态变化，采用快速投影梯度法得到当前时刻k的最优安全速度v。同时，判断当前所处交通环境对目标车的影响，根据最小安全距离模型，确保车辆在行驶过程中的安全。能量管理模块利用MPC建立多目标控制函数，依据当前规划的速度v，控制车辆的电流、电压、SoC状态，实现以最小成本代价满足车辆正常运行的功率需求P。最后将车辆输出速度作为k+1时刻的输入重新规划速度曲线，反复迭代此过程。本发明利用庞特里亚金最小值原理和MPC模型预测算法协同控制整个车辆系统，在预测范围内迅速做出反应，避免在突发情况下额外的能量消耗，提高了能量的利用率和电池的使用寿命。

Description

一种动态约束的智能燃料电池汽车能量管理策略

技术领域

本发明属于混合电源系统能量管理技术领域，具体地指一种智能燃料电池汽车能量管理策略。

背景技术

传统汽车虽然技术成熟，但其对石油等自然资源的依赖程度大，并且对环境造成很大污染。燃料电池混合动力汽车(Fuel cell hybrid electric vehicle,FCHEV)选择燃料电池和储能源作为动力源，以氢能为燃料，无空气污染，是解决这些问题的理想选择。对于混合动力汽车来说，选择与动力系统相匹配的能量管理策略对各个能量源进行有效协调，使其能够尽可能的工作在高效区，提高动力系统的效率以及各个能量源的利用率，大幅提高锂电池的使用寿命，降低氢气的消耗。

以往的研究多依赖于离散实验数据进行全局离线或在线优化，其能够实现在行驶周期的全局最优，有较好的燃油经济性。但是，真实行车环境中有很多的不确定性，因此采用离线或全局优化的方法是不能够达到应用要求的。在实际驾驶过程中，环境因素，如：道路坡度、路面附着系数、交通流等，对能量管理策略有很大的影响，因此需要将这些因素考虑进去，并且实现动态实时优化过程至关重要。

发明内容

针对上述现有技术的不足之处，本发明提出了一种动态交通约束的智能燃料电池汽车能量管理策略，考虑道路坡度、路面附着系数以及前后车辆的干扰，对能量管理进行实时更新，提高能量的利用率、减少对电池的损伤以及提高燃油经济性。

为了实现上述目的，本发明提出的一种动态约束的智能燃料电池汽车能量管理策略,其特点在于：在速度优化模块中，车辆在预测范围内，结合动态交通环境和道路信息，使用快速投影梯度法实时优化最优速度轨迹；能量管理控制模块中，根据此速度实时分配行驶需求功率，以扭矩的形式输出驱动力，再将车辆输出的实时速度反馈到速度优化模块，不断调整优化当前速度轨迹，反复迭代。具体包括如下内容：

1)车辆纵向动力学模型：

在时域模型中，状态量为x＝[s v]^T，其中s为车辆随时间的行驶位移，v为车辆行驶速度，综上所述，车辆纵向动力学状态方程可以描述为：

其中u＝F_t，F_t为车辆驱动力，F_t＝F_f+F_i+F_w+F_j，F_f为滚动阻力，F_i为坡度阻力，F_W为空气阻力，F_j为加速阻力。

2)最小安全距离速度约束模型

在车辆行驶过程中，为确保车辆运行状态下的行车安全，前后车须保持一定的安全距离，因此建立以下车辆速度约束模型。

当前车和后车制动停车后，若要保证不发生追尾碰撞，则ΔS₁和ΔS₂须满足ΔS₂>0，ΔS₁>0，则有：

L₁-S_X+S_A＞0

L₀+S_X-S_B＞0

其中，L₁为目标车辆与前车的最小行车安全距离，L₀为目标车辆与后车的最小行车安全距离，S_A为前车制动距离，S_X为目标车制动距离，S_B为后车制动距离；ΔS₁分别为前车与目标车之间的停车距离，ΔS₂为后车与目标车之间的停车距离。

本发明考虑在保证车辆不碰撞的情况下，前车和后车同时紧急制动，则目标车的速度约束范围可以描述为：

其中Vx为目标车速度，V_B为后车速度，V_A为前车速度。

由于在坡度路段存在重力分量对车辆加速度产生影响，因此在上坡时，a_x＝g(μcosα+sinα)；下坡时，a_x＝g(μcosα-sinα)，其中a_X为目标车辆制动加速度，a_A为前车制动加速度，a_B为后车制动加速度，μ为路面附着系数，α为路面坡度角。

3)车辆系统能量模型

为了使电池能量输出最小化，当驱动力F_t为负时，能量消耗是不变的；当驱动力F_t为正时，电池输出能量。因此在一段预测时间T内，能量消耗E_t可以描述为：

其中功率P(t)为：

4)求解速度最优控制问题

为了求解最优速度，本发明采用庞特里亚金最小值原理，故基于时间的MPC优化控制问题转化为以下形式：

s.t x'(t)＝f(x,u)

T_min≤T_w.k≤T_max

其中，L为积分成本λ_P和λ_V为权重系数，v_des为期望速度，T_w.k为输出扭矩，T_min为最小扭矩，T_max为最大扭矩。

在解决优化控制问题OCP过程中。基于各自一阶最优性条件的投影梯度法来实现，因此，需要定义哈密顿量：

H(t,x(t),u(t),λ(t))＝L(t,x(t),u(t))+λ^T(t)f(t+t_k,x(t),u(t))π

其中，λ为伴随状态，t_k为采样实例。

5)能量管理控制策略

在设计能量管理策略过程中，本发明使用离散时间系统状态空间模型，在此模型中，车辆系统的所有状态是可测量的，在k时刻有状态测量值x(k)，状态量x(k)被定义为控制量为/>其中i_fc为燃料电池电流，SoC为荷电状态，u_fc为燃料电池电压，i_bat为锂电池电流。根据预测控制基本原理，有约束的MPC优化问题可以描述为：

进一步将有约束的MPC优化问题转换为以下QP问题进行求解：

满足：C_uΔU(k)≥b(k+1|k)

其中H为Hessian矩阵，ΔU(k)是控制增量序列；G为中间矩阵变量，Cu为约束矩阵。将求解得到的ΔU(k)作为下一时刻即k+1时刻的控制增量，通过DC变换器完成k+1时刻燃料电池与锂电池间的功率匹配。

有益效果：

本发明提出的一种动态交通约束的燃料电池智能汽车的能量管理策略，在考虑动态交通状况及道路坡度等干扰的情况下，还考虑了车辆间的安全约束。通常的动态交通系统，一般采用离线数据或基于智能车间的通信，能取得一定的节能优势。但是，目前不能完全的普及智能车辆，因此本系统考虑传统车辆及司机驾驶行为对智能车产生约束，具有普遍性和可行性。

与现有技术相比，本发明的有益效果在于：

1、本发明是一种集速度轨迹优化和模型预测的能量管理策略，设计了一种基于庞特里亚金最小值原理的动态交通约束的速度优化方法。

2、本发明使用高效的投影梯度算法和自适应线性搜索策略，能够很好的解决非线性最优控制问题，其快速响应特别适用于实时轨迹优化。

3、本发明能够在预测范围内提前指导更新能量管理控制系统，使得提高能量的利用效率，同时也避免了短时间频繁更新造成的计算负担。

附图说明

图1为本发明的原理图。

图2为本发明的车辆系统结构图。

图3为本发明的最小安全距离模型示意图。

图4为本发明实施例的速度优化图。

图5为本发明实施例的迭代时间图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细描述。

实施例1：本发明的原理图如图1所示，展示了本发明的工作原理，核心是通过图中所示速度优化控制模块进行实时的局部速度优化，能量管理控制模块依此速度进行合理的功率分配，具体为速度优化模块结合道路信息并利用最小安全距离模型在预测范围内实时优化最优速度，能量管理控制模块根据此速度并结合电池系统和牵引系统实时分配行驶需求功率，以扭矩的形式输出驱动力给燃料电池汽车，再将车辆输出的实时速度反馈到速度优化模块，不断调整优化当前速度轨迹。

本发明车辆结构图如图2所示，包括燃料电池系统、DC变换器、锂电池、电机控制器、牵引系统和能量管理系统，依据上述结构实现智能的燃料电池汽车的能量管理。

本发明最小安全距离模型如图3所示，展示了此模型的约束过程。

本发明提出的动态交通约束的智能燃料电池汽车的能量管理策略，速度优化模块按时间序列更新状态变化，采用快速投影梯度法得到当前时刻k的最优安全速度v。同时，判断当前所处交通环境对目标车的影响，根据最小安全距离模型，确保车辆在行驶过程中的安全性。能量管理模块利用MPC建立多目标控制函数，依据当前规划的速度v，控制车辆的电流、电压、SoC等状态，实现以最小的成本代价满足车辆正常运行的功率需求P。最后将车辆输出速度作为k+1时刻的输入重新规划速度曲线，反复迭代此过程。

第一步：速度规划模块求解最优速度轨迹

速度优化控制器根据当前所处交通环境和能量管理控制器的反馈状态进行速度轨迹优化。

根据交通状态，确定合理的预测范围，不能太小，增加系统的计算负担；也不能太长，以免预测不准确。

预测控制器将预测得到的当前k时刻的交通状态信息发布给速度控制器，使其计算当前的能量输出。

在速度优化模块，预测未来的交通状态目的是尽量减少电池的能量输出，即电动机的输入能量。因此，建立当前预测范围内的能量消耗模型：

其中功率P(t)为：

其中F_t为牵引力，可以根据纵向系统动力学得到：

F_t＝F_f+F_i+F_w+F_j

其中F_f为滚动阻力，F_i为坡度阻力，F_W为空气阻力，F_j为加速阻力。

得到当前k时刻的能量输出后，下一步需要计算最佳的速度和驱动力的匹配。因此，将功率指令传递给优化控制器。根据庞特里亚金最小值原理，将上述基于时间的优化控制问题(OCP)转化为以下形式：

s.t x'(t)＝f(x,u)

T_min≤T_w.k≤T_max

其中，L为积分成本λ_P和λ_V为权重系数，v_des为期望速度，T_w.k为输出扭矩，T_min为最小扭矩，T_max为最大扭矩。在上述优化目标函数中，对状态量、控制量做出约束限制，避免超出范围而得不到最优解。

在寻优过程中，需要实时的判断周围的交通环境和道路坡度。当道路上仅有目标车行驶时，根据预测范围内的道路坡度、路面附着系数实时调整驾驶状态。同时，还需要考虑道路的速度限界。

行驶过程中当有车辆干扰时，为确保安全，需要考虑最小安全距离模型：

当前车和后车制动停车后，若要保证不发生追尾碰撞，则ΔS₁和ΔS₂须满足ΔS₂>0,ΔS₁>0。则有：

L₁-S_X+S_A＞0

L₀+S_X-S_B＞0

其中，L₁为目标车辆与前车的最小行车安全距离，L₀为目标车辆与后车的最小行车安全距离，S_A为前车制动距离，S_X为目标车制动距离，S_B为后车制动距离；ΔS₁分别为前车与目标车之间的停车距离，ΔS₂为后车与目标车之间的停车距离。

本发明考虑在保证车辆不碰撞的情况下，前车和后车同时紧急制动，则目标车的速度约束范围可以描述为：

其中Vx为目标车速度，V_B为后车速度，V_A为前车速度。由于在坡道处存在重力分量对车辆加速度产生影响，因此在上坡时，a_x＝g(μcosα+sinα)；下坡时，a_x＝g(μcosα-sinα)，其中a_X为目标车辆制动加速度，a_A为前车制动加速度，a_B为后车制动加速度，μ为路面附着系数，α为路面坡度角。

当周围车辆与目标车辆距离大于最小安全距离时，不会对目标车辆产生影响，因此目标车仅受道路坡度、路面附着系数和道路限速的影响。只有当周围车辆接近最小安全距离时，才会触发最小安全距离模型。分以下两种情况讨论：

1)考虑前车的干扰，后车不产生影响。当前车与目标车的距离大于L₁时，前车对目标车不产生影响，目标车保持原有速度行驶；当前车即将驶入安全距离L₁时，前车对目标车开始产生影响，目标车调整自身的行驶状态，确保与前车不发生碰撞。

2)考虑后车的干扰，前车不产生影响。当后车与目标车的距离大于L₀时，后车对目标车不产生影响，目标车保持原有速度行驶；当后车逐渐驶入安全距离L₀时，后车对目标车开始产生影响，目标车调整自身的行驶状态，确保与后车不发生碰撞。

第二步：能量管理控制器根据能量管理策略进行能量管理

根据MPC算法，在设计的能量管理控制系统中，本发明使用离散时间系统状态空间模型作为其模型预测，状态量x(k)被定义为控制量为其中i_fc为燃料电池电流，SoC为荷电状态，u_fc为燃料电池电压，i_bat为锂电池电流

系统中，锂电池的荷电状态由以下关系式得出：

其中SoC_init为SoC初始值，Q_bat为电池容量，i_bat为电池电流。

在此控制模型中，系统的所有状态是可测量的，在k时刻有状态测量值x(k)，根据预测控制基本原理，有约束的MPC优化问题可以描述为：

最后，将以上约束MPC优化问题转换为以下QP问题进行求解：

满足：C_uΔU(k)≥b(k+1|k)

其中H为Hessian矩阵，ΔU(k)是控制增量序列；G为中间矩阵变量，Cu为约束矩阵。将求解得到的ΔU(k)作为下一时刻即k+1时刻的控制增量，通过DC变换器完成k+1时刻燃料电池与锂电池间的功率匹配。

最后为了评价控制策略的综合性能，本发明主要从电池退化、氢气消耗、电池电荷状态三个性能指标进行评价。

$_global＝$_Δfc+$_H2+$_Δbat+$_charge

其中，$_Δfc为燃料电池退化成本，$_H2为氢气消耗成本，$_Δbat锂电池退化成本，$_charge是充电惩罚成本，$_global是全局成本。

如图4为本实施例中车辆的速度曲线。在初始阶段，车辆与前后车之间的距离分别为100m和50m，前车速度21m/s，后车速度20m/s，目标车速度20.3m/s。0～1000m范围内，各车辆保持自车速度行驶。在900m附近，后车由于加速，使得速度增大，与目标车之间的距离逐渐缩小，因此目标车开始逐渐加速，与后车保持同步。2000m后，后车又开始减速，与目标车间距开始扩大，对目标车的影响逐渐减弱，直至2500m左右，对目标车完全不产生影响，目标车继续按照巡航速度向前行驶。

采用上述方法对其进行能量管理，图5显示了采用GRAMPC快速求解工具时的优化计算时间，结果表明每次优化求解时间小于1ms，说明采用本方法可以快速的对车辆速度优化，这对于车辆在实际道路中实时优化至关重要。可以保证能量管理策略的快速实施，提高了能量的利用率和电池的使用寿命。

本领域的技术人员容易理解，以上实施例只为说明本发明的技术构思及特点，目的在于让相关技术人员能够了解本发明的内容并据以实施，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种动态约束的智能燃料电池汽车能量管理策略，其特征在于：速度优化模块按时间序列更新目标车辆状态变化，采用快速投影梯度法得到当前时刻k的最优安全速度v，同时，判断当前所处交通环境对目标车辆的影响，根据最小安全距离模型，确保目标车辆在行驶过程中的安全性；能量管理模块利用MPC建立多目标控制函数，依据当前规划的速度v，控制目标车辆的电流、电压、SoC状态，根据速度v实时分配燃料电池功率和锂电池功率；最后将目标车辆输出速度作为k+1时刻的输入反馈到速度优化模块重新规划速度曲线，反复迭代此过程；

包括如下步骤：

(1)建立车辆纵向动力学模型

其中u＝F_t，F_t为车辆驱动力，x为车辆系统状态量，x＝[s v]^T，其中s为车辆随时间的行驶位移，v为车辆行驶速度；

(2)建立车辆系统能量模型

为了使电池能量输出最小化，当车辆驱动力F_t为负值时，能量消耗是不变的；当车辆驱动力F_t为正值时，电池输出能量，在一段预测时间T内，能量消耗E_t描述为：

其中功率P(t)为：

(3)建立车辆速度优化目标函数

得到当前k时刻的能量输出后，需要计算最佳的速度和车辆驱动力的匹配，根据庞特里亚金最小值原理，将基于时间的优化控制问题转化为以下形式：

s.t

T_min≤T_w.k≤T_max

其中，L为积分成本，λ_P和λ_V为权重系数，v_des为期望速度，T_w.k为输出扭矩，T_min为最小扭矩，T_max为最大扭矩；

为了考虑外界交通环境对管理策略的影响与行车安全，在所述步骤(3)中优化问题加入最小安全距离模型对目标车辆速度形成约束，最小安全距离模型为：

当目标车辆的前车和后车制动停车后，若要保证不发生追尾碰撞，则ΔS₁和ΔS₂须满足ΔS₂>0,ΔS₁>0，ΔS₁为前车与目标车之间的停车距离，ΔS₂为后车与目标车之间的停车距离，则有：

L₁-S_X+S_A＞0

L₀+S_X-S_B＞0

其中，L₁为目标车辆与前车的最小行车安全距离，L₀为目标车辆与后车的最小行车安全距离，S_A为前车制动距离，S_X为目标车制动距离，S_B为后车制动距离；

在保证车辆不碰撞的情况下，前车和后车同时紧急制动，则目标车的速度约束范围描述为：

其中Vx为目标车速度，V_B为后车速度，V_A为前车速度；

由于在坡道处存在重力分量对车辆加速度产生影响，因此在上坡时，a_x＝g(μcosα+sinα)；下坡时，a_x＝g(μcosα-sinα)，其中a_X为目标车辆制动加速度，a_A为前车制动加速度，a_B为后车制动加速度，μ为路面附着系数，α为路面坡度角；

(4)建立能量管理控制模型

根据MPC算法，使用离散时间系统状态空间模型作为其模型预测，k时刻的状态量x(k)被定义为控制量为/>其中i_fc为燃料电池电流，SoC为荷电状态，u_fc为燃料电池电压，i_bat为锂电池电流；

在离散时间系统状态空间模型中，车辆系统的所有状态是可测量的，在k时刻有状态测量值x(k)，根据预测控制基本原理，有约束的MPC优化问题描述为：

其中ΔU(k)是控制增量序列，将求解得到的ΔU(k)作为下一时刻即k+1时刻的控制增量，通过DC变换器完成k+1时刻燃料电池与锂电池间的能量分配。

2.根据权利要求1所述的一种动态约束的智能燃料电池汽车能量管理策略，其特征在于：所述车辆驱动力F_t由下式得到：

F_t＝F_f+F_i+F_w+F_j

其中F_f为滚动阻力，F_i为坡度阻力，F_W为空气阻力，F_j为加速阻力。

3.根据权利要求1所述的一种动态约束的智能燃料电池汽车能量管理策略，其特征在于：所述能量管理控制模型中，电池的荷电状态为：

其中SoC_init为SoC初始值，Q_bat为电池容量，i_bat为电池电流。

4.根据权利要求1所述的一种动态约束的智能燃料电池汽车能量管理策略，其特征在于：所述能量管理控制模型中将有约束的MPC优化问题转换为以下QP问题进行求解：

满足：C_uΔU(k)≥b(k+1|k)

其中H为Hessian矩阵，ΔU(k)是控制增量序列；G为中间矩阵变量，/>Cu为约束矩阵，将求解得到的ΔU(k)作为下一时刻即k+1时刻的控制增量，通过DC变换器完成k+1时刻燃料电池与锂电池间的功率匹配。