CN114074650A - 一种用于机电复合传动履带车辆的显式模型预测控制方法 - Google Patents

一种用于机电复合传动履带车辆的显式模型预测控制方法 Download PDF

Info

Publication number
CN114074650A
CN114074650A CN202110236557.5A CN202110236557A CN114074650A CN 114074650 A CN114074650 A CN 114074650A CN 202110236557 A CN202110236557 A CN 202110236557A CN 114074650 A CN114074650 A CN 114074650A
Authority
CN
China
Prior art keywords
control
energy management
energy
follows
vehicle
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.)
Pending
Application number
CN202110236557.5A
Other languages
English (en)
Inventor
刘辉
李训明
韩立金
崔星
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
China North Vehicle Research Institute
Original Assignee
Beijing Institute of Technology BIT
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, China North Vehicle Research Institute filed Critical Beijing Institute of Technology BIT
Priority to CN202110236557.5A priority Critical patent/CN114074650A/zh
Publication of CN114074650A publication Critical patent/CN114074650A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • 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
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Landscapes

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

Abstract

本发明公开了一种用于机电复合传动履带车辆的显式模型预测控制方法，其特征在于，包括步骤：(一)能量管理控制器状态变量定义方法的设计；(二)能量管理控制器状态变量更新方法的确定；(三)能量管理优化控制模型数学描述方法的确定；(四)能量管理优化控制模型权重因子确定方法的设计；(五)能量管理优化控制模型转换方法的确定；(六)能量管理优化控制问题求解方法的确定。本发明将能量管理优化控制问题建模为多参数二次规划问题，通过离线求解多参数规划问题得到基于模型预测控制能量管理策略的可以在线应用的显式控制律，有效改善了整车燃油经济性和整车控制策略实时性。

Description

一种用于机电复合传动履带车辆的显式模型预测控制方法
技术领域
本发明涉及电动车辆控制技术领域，尤其涉及一种用于机电复合传动履带车辆的显式模型预测控制方法。
背景技术
混合动力技术能显著改善车辆燃油经济性、动力性和排放性等性能，受到了国内外各学科领域的众多学者、研究机构、整车厂商的关注、研发与推广应用。混合动力车辆的能量管理与协调控制策略决定了如何在内燃机系统和电机系统之间合理分配驱动所需的功率，通过动力传动系统协同工作，从而达到最大燃油经济性和最小污染物排放的目的。为保证混合动力车辆高效运行、进一步提升其性能及加快我国混合动力车辆产业化、市场化进程，众多学者开展混合动力车辆的实时能量管理与协调控制策略研究。
为了最大程度的改善机电复合传动的燃油经济性和实时应用性，很多学者研究了基于模型预测控制(MPC)的能量管理策略，因为MPC适合解决机电复合传动这类具有多输入、多输出和多约束复杂耦合系统的优化控制问题。并且MPC允许控制器对目标函数进行在线优化。此外，MPC还具有处理时间延迟的能力。尽管MPC具有明显的优点，但由于MPC的在线优化过程需要大量的计算工作，因此其处理机电复合传动实时控制问题的能力有限，难以在工程应用中用于实时控制。与基于规则的能量管理策略相比，基于MPC的能量管理策略和基于A-ECMS能量管理策略在同时改善燃油经济性10％的同时，MPC比 A-ECMS计算速度慢15％左右。鉴于MPC相对于其他众多算法对设计混合动力车辆能量管理控制策略具有上述众多优点，因此学者们孜孜不倦的开展研究，努力提升MPC计算速度。
发明内容
本发明旨在提供一种用于机电复合传动履带车辆的显式模型预测控制方法，很好的解决了上述问题，其将能量管理优化控制问题建模为多参数二次规划问题，通过离线求解多参数规划问题得到基于模型预测控制能量管理策略的可以在线应用的显式控制律，有效改善了整车燃油经济性和整车控制策略实时性。
本发明的技术方案是一种用于机电复合传动履带车辆的显式模型预测控制方法，包括步骤：
(一)能量管理控制器状态变量定义方法的设计；
当前用于表征电池剩余电量的参数使用最多的为电池荷电状态，即SOC，但是该参数与双模混联式机电复合传动车辆的需求功率不能有效对应，并且电池在实际运行中的电压变化是无法准确模拟的，因此很难为车辆能量管理和控制提供准确的系统状态预测条件，导致存在较大的系统估计误差。SOE 表示电池剩余能量，与功率具有良好的线性关系，避免了SOC估计电池剩余电量的不足。SOE能够更有效地反映电池以往充放电状态对当前充放电的影响，更适合于机电复合传动车辆的能量管理控制。
SOE定义为电池剩余能量占总可用能量的百分比，数学表达式如下所示：
Figure RE-GDA0003431472750000021
式中，SOE为电池任何时刻的能量状态；Eremain为电池剩余的能量(kJ)；Econsume为消耗的电能；Ebat为电池的额定能量，其定义为电池最大容量和母线电压的乘积：Ebat＝Cmax·U。
(二)能量管理控制器状态变量更新方法的确定；
电池剩余能量与电机A和电机B的电功率关系如下所示：
Figure RE-GDA0003431472750000022
式中，PA_ele和PB_ele分别为电机A和电机B的电功率(kW)，正值表示放电功率，负值表示充电功率；Ts为采样时间(s)。
双模混联式机电复合传动整车驱动需求能量与电机A电功率、电机B电功率和发动机功率的关系如下所示：
E(k+1)＝E(k)-PA_ele·Ts+PB_ele·Ts+Peng·Ts (3)
式中，E为整车驱动需求能量(kJ)；Peng为发动机功率(kW)。
根据公式(2)和(3)，双模混联式机电复合传动车辆的状态预测模型如下所示：
x(k+1)＝A·x(k)+B·u(k) (4)
式中，X为系统状态变量；U为系统控制变量；A和B为状态空间方程系数矩阵；这些参数的具体表达式如下：
Figure RE-GDA0003431472750000031
系统输出方程如下所示：
Figure RE-GDA0003431472750000032
(三)能量管理优化控制模型数学描述方法的确定；
本发明中双模混联式机电复合传动车辆无法从外部电网吸收电能，所有能量均来源于化石燃料。电池能量变化趋势会对整车的燃油经济性产生影响。在保证车辆的动力性能的前提下，在能量管理优化控制目标函数中加入电池能量轨迹参考信号(SOEref)和驱动需求能量参考信号(Eref)，通过使用电池能量轨迹来调节车辆的燃油经济性。
基于模型预测控制的双模混联式机电复合传动车辆能量管理优化问题表达式如下所示：
Figure RE-GDA0003431472750000033
Figure RE-GDA0003431472750000034
优化目标函数中的权重矩阵和参考信号如下所示：
Figure RE-GDA0003431472750000035
(四)能量管理优化控制模型权重因子确定方法的设计；
整车需求的驱动能量参考信号表达式如下所示：
Eref＝α2·Pemax·Ts (9)
式中，Eref为整车参考驱动需求能量(kJ)；α为加速踏板开度；Pemax为发动机功率(kW)。
由于本发明中双模混联式机电复合传动车辆控制的一个目标是维持电池能量平衡，因此，将电池能量参考信号定义为常值，如下所示：
SOEref＝Constant (10)
电机A和电机B以及用电设备需要满足电功率平衡，因此，模型预测控制优化控制问题中功率输出变量的参考信号为：
Pele＝PA_ele+PB_ele (11)
式中，Pele为机电复合传动电功率需求(kW)。
(五)能量管理优化控制模型转换方法的确定；
双模混联式机电复合传动车辆能量管理优化问题表达式中的优化目标函数是二次函数，因此基于显式模型预测控制(EMPC，explicit model predictive control)的能量管理优化问题是一个多参数二次规划优化问题(mp-QP，multiparameter quadraticprogramming optimization problem)。
多参数规划的目标是在状态变量的取值范围内找到对应的最优控制变量，即将最优控制量表示为状态变量的显式函数。
优化目标函数可以写成标准的凸多参数二次规划问题，如下所示：
Figure RE-GDA0003431472750000041
(六)能量管理优化控制问题求解方法的确定。
在开始求解多参数二次规划问题之前，需要知道多面体集合X中的初始向量x0，使二次规划问题对x＝x0是可解的。通过求解线性规划(linear program，LP) 可以得到这样一个向量：
Figure RE-GDA0003431472750000042
如果该线性规划问题是不可解的，那么上述的二次规划问题对多面体集合X内的所有元素均是不可解的。否则，针对x＝x0时，二次规划问题是可解的，对应的最优解为z0，此解为唯一的，因为H＞0，也就独一无二的确定了一组主动约束满足
Figure RE-GDA0003431472750000043
其中
Figure RE-GDA0003431472750000044
和
Figure RE-GDA0003431472750000045
分别为G，S和W对应的行向量。
多参数二次规划可以通过一阶KKT(Karush-Kuhn-Tucker)最优条件求解，一阶KKT条件如下所示：
Figure RE-GDA0003431472750000051
式中，上标i表示第i行；
从式(20)的第一个方程可以得到控制变量如下所示：
z＝-H-1GTλ (21)
将上式代入式(20)的第二个方程可以得到互补松弛条件如下所示：
λi(-GiH-1GiTλi-Wi-Six)＝0 (22)
令
Figure RE-GDA0003431472750000052
和
Figure RE-GDA0003431472750000053
分别表示对应被动约束和主动约束的拉格朗日乘子，可以得到下式：
Figure RE-GDA0003431472750000054
从而，得到拉格朗日乘子如下所示：
Figure RE-GDA0003431472750000055
式中，
Figure RE-GDA0003431472750000056
和
Figure RE-GDA0003431472750000057
对应主动约束集；
Figure RE-GDA0003431472750000058
存在，因为
Figure RE-GDA0003431472750000059
的行是线性无关的；因而对所有的元素x∈CR0，存在λ是x的一个线性函数，其中CRO是所有向量x的集合，称为临界区域。将式(24)中的
Figure RE-GDA00034314727500000510
代入式(5-21)得到最优控制轨迹如下所示：
Figure RE-GDA00034314727500000511
上式中的变量z必须满足下面的约束条件：
Figure RE-GDA00034314727500000512
同时，式(24)中的拉格朗日乘子必须保持非负，如下所示：
Figure RE-GDA00034314727500000513
基于上述显式模型预测控制器求解算法，可以在状态变量X的各可行域内求解多参数二次规划问题，得到连续的分段仿射函数(PWA)形式的最优控制量，如下所示：
Figure RE-GDA00034314727500000514
对控制域进行划分，可以获得各个区域的控制律，根据不同预测步长下的显式模型预测控制器，将控制规律存储在查询表中。要想从控制律表格中得到与状态变量相对应的控制规律要采用顺序搜索、二叉搜索树和遍历搜索树等搜索算法来完成，本发明中优选的采用最简单的顺序搜索算法。
本发明提出了基于显式模型预测控制的双模混联式机电复合传动实时能量管理策略，该策略包括两部分：一是基于模型预测控制的能量管理策略设计，以及利用显式模型预测控制离线求解算法进行显式控制律的求解计算。二是基于显式模型预测控制的实时能量管理策略在双模混联式机电复合传动车辆上的实时应用，其最优控制指令通过转矩分配和协调控制策略实现。
本发明的有益效果是：
与现有技术相比，本发明将能量管理优化控制问题建模为多参数二次规划问题，提出了一种基于显式模型预测能量管理优化控制问题的求解算法，通过离线求解多参数规划问题得到基于模型预测控制能量管理策略的可以在线应用的显式控制律。
通过将本发明提出的基于EMPC的能量管理策略和基于原始规则能量管理策略进行对比，在驾驶循环工况一和驾驶循环工况二下仿真结果表明，基于 EMPC的能量管理策略比基于原始规则的能量管理策略燃油经济性分别提升 16.79％和22.04％。因此，本发明提出的基于EMPC能量管理策略的燃油经济性控制效果远优于基于规则的能量管理策略，由此可见，本发明提出的基于EMPC 的能量管理策略有效改善了整车燃油经济性。
工况一下EMPC消耗时间占Rule消耗时间的2.07％。工况二下EMPC消耗时间占Rule消耗时间的2.54％。基于EMPC的能量管理策略比基于规则的能量管理策略控制策略实时性分别提升97.9％和97.5％。EMPC能量管理策略花费的时间比规则策略要少得多。因而，从控制策略的实时性角度来讲，本发明提出的基于EMPC的能量管理策略的实时性能远优于基于规则的能量管理策略，由此可见，本发明提出的基于EMPC的能量管理策略有效改善了整车控制策略实时性。
附图说明
图1为实施例中机电复合传动履带车辆结构示意图；
图中：1发动机、2前传动齿轮箱、3率耦合机构总成、4a驱动电机A、 4b驱动电机B、5变速箱、6传动轴、7a功率汇流行星排A、7b功率汇流行星排B、8a侧传动行星排A、8b侧传动行星排B、9驱动轮、10转向电机、 11a转向差速机构A、11b转向差速机构B、12电气连接线、13功率分配控制器、14储能装置、15用电设备；
图2为本发明示意图；
图3为显式模型预测控制器求解算法；
图4为显式模型预测控制器最优控制律存储表；
图5为两种不同的驾驶循环工况及车速跟随曲线；
图6为工况一的发动机和电机转速曲线；
图中：(a)发动机转速曲线、(b)电机A转速曲线、(c)电机B转速曲线；
图7为工况二的发动机和电机转速曲线；
图中：(a)发动机转速曲线、(b)电机A转速曲线、(c)电机B转速曲线；
图8为工况一的发动机和电机转矩曲线；
图中：(a)发动机转矩曲线、(b)电机A转矩曲线、(c)电机B转矩曲线；
图9为工况二的发动机和电机转矩曲线；
图中：(a)发动机转矩曲线、(b)电机A转矩曲线、(c)电机B转矩曲线；
图10为两种驾驶循环工况的电池SOC和模式切换曲线；
图中：(a1)和(a2)分别表示工况一和工况二下的SOC曲线，(b1)和(b2)分别表示工况一和工况二下的模式切换曲线；
图11为在工况一基于DP、EMPC和Rule的能量管理策略控制下的发动机和电机工作点分布图；
图中：(a1)DP策略的发动机工作点、(a2)EMPC策略的发动机工作点、(a3) Rule策略的发动机工作点、(a4)DP策略的电机A工作点、(a5)EMPC策略的电机A工作点、(a6)Rule策略的电机A工作点、(a7)DP策略的电机B工作点、 (a8)EMPC策略的电机B工作点、(a9)Rule策略的电机B工作点；
图12为在工况二基于DP、EMPC和Rule的能量管理策略控制下的发动机和电机工作点分布图；
图中：(a1)DP策略的发动机工作点、(a2)EMPC策略的发动机工作点、(a3) Rule策略的发动机工作点、(a4)DP策略的电机A工作点、(a5)EMPC策略的电机A工作点、(a6)Rule策略的电机A工作点、(a7)DP策略的电机B工作点、 (a8)EMPC策略的电机B工作点、(a9)Rule策略的电机B工作点；
图13为工况一发动机工作点分布比例；
图14为工况二发动机工作点分布比例。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1-14所示，本发明提供了一种用于机电复合传动履带车辆的显式模型预测控制方法，图1为实施例中机电复合传动履带车辆结构示意图；
图中：1发动机、2前传动齿轮箱、3率耦合机构总成、4a驱动电机A、 4b驱动电机B、5变速箱、6传动轴、7a功率汇流行星排A、7b功率汇流行星排B、8a侧传动行星排A、8b侧传动行星排B、9驱动轮、10转向电机、 11a转向差速机构A、11b转向差速机构B、12电气连接线、13功率分配控制器、14储能装置、15用电设备；
本方法具体包括如下步骤：
步骤(一)：能量管理控制器状态变量定义方法；
当前用于表征电池剩余电量的参数使用最多的为电池荷电状态，即SOC，但是该参数与双模混联式机电复合传动车辆的需求功率不能有效对应，并且电池在实际运行中的电压变化是无法准确模拟的，因此很难为车辆能量管理和控制提供准确的系统状态预测条件，导致存在较大的系统估计误差。SOE 表示电池剩余能量，与功率具有良好的线性关系，避免了SOC估计电池剩余电量的不足。SOE能够更有效地反映电池以往充放电状态对当前充放电的影响，更适合于机电复合传动车辆的能量管理控制。
SOE定义为电池剩余能量占总可用能量的百分比，数学表达式如下所示：
Figure RE-GDA0003431472750000091
式中，SOE为电池任何时刻的能量状态；Eremain为电池剩余的能量(kJ)；Econsume为消耗的电能；Ebat为电池的额定能量，其定义为电池最大容量和母线电压的乘积：Ebat＝Cmax·U。
步骤(二)：能量管理控制器状态变量更新方法；
电池剩余能量与电机A和电机B的电功率关系如下所示：
Figure RE-GDA0003431472750000092
式中，PA_ele和PB_ele分别为电机A和电机B的电功率(kW)，正值表示放电功率，负值表示充电功率；Ts为采样时间(s)。
双模混联式机电复合传动整车驱动需求能量与电机A电功率、电机B电功率和发动机功率的关系如下所示：
E(k+1)＝E(k)-PA_ele·Ts+PB_ele·Ts+Peng·Ts (3)
式中，E为整车驱动需求能量(kJ)；Peng为发动机功率(kW)。
根据公式(2)和(3)，双模混联式机电复合传动车辆的状态预测模型如下所示：
x(k+1)＝A·x(k)+B·u(k) (4)
式中，X为系统状态变量；U为系统控制变量；A和B为状态空间方程系数矩阵；这些参数的具体表达式如下：
Figure RE-GDA0003431472750000093
系统输出方程如下所示：
Figure RE-GDA0003431472750000094
步骤(三)：能量管理优化控制模型数学描述方法；
本发明中双模混联式机电复合传动车辆无法从外部电网吸收电能，所有能量均来源于化石燃料。电池能量变化趋势会对整车的燃油经济性产生影响。在保证车辆的动力性能的前提下，在能量管理优化控制目标函数中加入电池能量轨迹参考信号(SOEref)和驱动需求能量参考信号(Eref)，通过使用电池能量轨迹来调节车辆的燃油经济性。
基于模型预测控制的双模混联式机电复合传动车辆能量管理优化问题表达式如下所示：
Figure RE-GDA0003431472750000101
优化目标函数中的权重矩阵和参考信号如下所示：
Figure RE-GDA0003431472750000102
步骤(四)：能量管理优化控制模型权重因子确定方法；
整车需求的驱动能量参考信号表达式如下所示：
Eref＝α2·Pemax·Ts (9)
式中，Eref为整车参考驱动需求能量(kJ)；α为加速踏板开度；Pemax为发动机功率(kW)。
由于本发明中双模混联式机电复合传动车辆控制的一个目标是维持电池能量平衡，因此，将电池能量参考信号定义为常值，如下所示：
SOEref＝Constant (10)
电机A和电机B以及用电设备需要满足电功率平衡，因此，模型预测控制优化控制问题中功率输出变量的参考信号为:
Pele＝PA_ele+PB_ele (11)
式中，Pele为机电复合传动电功率需求(kW)。
步骤(五)：能量管理优化控制模型转换方法；
双模混联式机电复合传动车辆能量管理优化问题表达式中的优化目标函数是二次函数，因此基于显式模型预测控制(EMPC,explicit model predictive control)的能量管理优化问题是一个多参数二次规划优化问题(mp-QP, multiparameter quadraticprogramming optimization problem)。
多参数规划的目标是在状态变量的取值范围内找到对应的最优控制变量，即将最优控制量表示为状态变量的显式函数。
优化目标函数可以写成标准的凸多参数二次规划问题，如下所示：
Figure RE-GDA0003431472750000111
步骤(六)：能量管理优化控制问题求解方法；
在开始求解多参数二次规划问题之前，需要知道多面体集合X中的初始向量x0，使二次规划问题对x＝x0是可解的。通过求解线性规划(linear program, LP)可以得到这样一个向量：
Figure RE-GDA0003431472750000112
如果该线性规划问题是不可解的，那么上述的二次规划问题对多面体集合X内的所有元素均是不可解的。否则，针对x＝x0时，二次规划问题是可解的，对应的最优解为z0，此解为唯一的，因为H＞0，也就独一无二的确定了一组主动约束满足
Figure RE-GDA0003431472750000113
其中
Figure RE-GDA0003431472750000114
和
Figure RE-GDA0003431472750000115
分别为G,S和W对应的行向量。
多参数二次规划可以通过一阶KKT(Karush-Kuhn-Tucker)最优条件求解，一阶KKT条件如下所示：
Figure RE-GDA0003431472750000116
式中，上标i表示第i行；
从式(20)的第一个方程可以得到控制变量如下所示：
z＝-H-1GTλ (21)
将上式代入式(20)的第二个方程可以得到互补松弛条件如下所示：
λi(-GiH-1GiTλi-Wi-Six)＝0 (22)
令
Figure RE-GDA0003431472750000121
和
Figure RE-GDA0003431472750000122
分别表示对应被动约束和主动约束的拉格朗日乘子，可以得到下式：
Figure RE-GDA0003431472750000123
从而，得到拉格朗日乘子如下所示：
Figure RE-GDA0003431472750000124
式中，
Figure RE-GDA0003431472750000125
和
Figure RE-GDA0003431472750000126
对应主动约束集；
Figure RE-GDA0003431472750000127
存在，因为
Figure RE-GDA0003431472750000128
的行是线性无关的；因而对所有的元素x∈CR0，存在λ是x的一个线性函数，其中CR0是所有向量x的集合，称为临界区域。将式(24)中的
Figure RE-GDA0003431472750000129
代入式(5-21)得到最优控制轨迹如下所示：
Figure RE-GDA00034314727500001210
上式中的变量z必须满足下面的约束条件：
Figure RE-GDA00034314727500001211
同时，式(24)中的拉格朗日乘子必须保持非负，如下所示：
Figure RE-GDA00034314727500001212
基于以上的理论分析结果，提出的求解多参数规划问题的算法主要步骤如图3所示。
基于上述显式模型预测控制器求解算法，可以在状态变量X的各可行域内求解多参数二次规划问题，得到连续的分段仿射函数(PWA)形式的最优控制量，如下所示：
Figure RE-GDA00034314727500001213
对控制域进行划分，可以获得各个区域的控制律，根据不同预测步长下的显式模型预测控制器，将控制规律存储在图4所示的查询表中。要想从控制律表格中得到与状态变量相对应的控制规律要采用顺序搜索、二叉搜索树和遍历搜索树等搜索算法来完成，本发明中优选采用是最简单的顺序搜索算法。
步骤(七)：整车经济性指标仿真结果比较
为了验证本发明所提出的基于显式模型预测控制的能量管理策略的有效性，根据双模混联式机电复合传动真实车辆的具体参数，采用本发明提出的控制算法，进行了仿真计算与分析。采用了三种基准比较算法：基于动态规划(DP)、基于显式模型预测控制(EMPC)和基于规则(Rule)的控制策略。基于DP的能量管理策略被普遍认为具有最优控制效果，但由于其计算复杂度较高，难以用于实时控制。因此，基于DP的能量管理策略经常被用作验证其他控制算法的基准算法。随着预测时域的增加，基于EMPC算法的能量管理策略在线优化计算时间呈指数增长。基于规则的能量管理策略是工程中广泛使用的一种控制算法，本发明实施例中也将其与EMPC算法进行了比较。由于基于规则的方法难以处理混合动力系统中复杂的耦合约束，只能通过牺牲综合性能来保证系统的正常运行，控制效果较差。基于优化的方法从控制结构上保证了这些复杂约束，能够达到最优控制效果。
在两个驾驶循环工况下，对双模混联式机电复合传动车辆不同的能量管理策略控制作用下的整车燃油经济性和控制策略实时性进行了对比分析，如表1所示。
电池初始SOC为65％，基于EMPC的能量管理策略的预测时域为5s。从表中数据可以看出，在驾驶循环工况一和驾驶循环工况二下，基于EMPC的能量管理策略比基于Rule的能量管理策略燃油经济性分别提升16.79％和 22.04％。因此，本发明提出的基于EMPC能量管理策略的燃油经济性控制效果远优于基于规则的能量管理策略，由此可见，本发明提出的基于EMPC的能量管理策略有效改善了整车燃油经济性。
从表中数据还可以得出，工况一下EMPC消耗时间占Rule消耗时间的 2.07％。工况二下EMPC消耗时间占Rule消耗时间的2.54％。基于EMPC的能量管理策略比基于Rule的能量管理策略控制策略实时性分别提升97.9％和 97.5％。EMPC能量管理策略花费的时间比Rule要少得多。因而，从控制策略的实时性角度来讲，本发明提出的基于EMPC的能量管理策略的实时性能远优于基于Rule的能量管理策略，由此可见，本发明提出的基于EMPC的能量管理策略有效改善了整车控制策略实时性。
表1 整车燃油经济性指标和策略运行时间指标仿真结果
Figure RE-GDA0003431472750000131
在两个不同的驾驶循环工况下验证了本发明所提出的能量管理策略的控制性能，如图5所示。由图可知，在三种能量管理策略控制下，双模混联式机电复合传动车辆在两种不同的驾驶循环工况内的速度跟踪性能都非常好，表明能量管理策略能够满足驾驶员的动力需求，同样机电复合传动车辆的动力性也得到了满足。车辆动力性得到满足是分析能量管理策略其他方面控制效果的前提条件。
在三种能量管理策略控制下，双模混联式机电复合传动车辆在两种不同的驾驶循环工况内的发动机、电机A和电机B的转速转矩特性曲线如图6-9 所示。由图可知，在两种驾驶循环工况下，基于DP的能量管理策略和基于 EMPC的能量管理策略都将发动机、电机A和电机B的转速和转矩特性曲线约束在了合理范围内，都满足部件特性约束。特别是基于EMPC的能量管理策略很好的处理了机电复合传动车辆复杂约束优化问题，这是由EMPC算法理论所决定的。DP算法是一种全局优化技术，基于DP的能量管理策略也能很好的处理机电复合传动约束问题，是在预先设定的求解域内搜索可行解。由图6和图7可知，基于Rule的能量管理策略导致发动机、电机A和电机B 的转速在某些时间点超出了合理范围。这是因为与基于DP的能量管理策略和基于EMPC的能量管理策略这两种优化策略相比，基于Rule的能量管理策略由于是设计者凭借工程经验制定的控制规则，因此，对机电复合传动车辆复杂约束问题处理能力较差。通过观察图6-9中电机A和电机B的特性曲线发现，基于DP的能量管理策略导致电机A和电机B的特性曲线大范围波动，这是由于DP算法充分利用机电复合传动车辆在EVT1和EVT2模式下可以利用电机A和电机B来调节发动机工作点达到改善燃油经济性的特性，通过全局优化求解能量管理控制问题得到电机A和电机B的特性趋势。由图可知，基于EMPC的能量管理策略能够很好的跟踪基于DP的能量管理策略控制趋势，充分利用电机A和电机B来调节发动机工作点达到改善燃油经济性的效果。
电池SOC轨迹曲线和模式切换曲线如图10所示。由图10(a1)和(a2)可知，在三种能量管理策略控制下，初始电池SOC等于终了SOC的约束条件均得到了满足，电池SOC被维持在参考值附近。在基于DP的能量管理策略控制下，电池SOC变化幅度较大，这正是全局优化算法在满足电池SOC约束的条件下能取得的控制效果，其目的同样是充分发挥电机辅助驱动与调节发动机工作点的作用来改善机电复合传动的燃油经济性，特别是针对驾驶循环工况一这类变化剧烈的工况。而在基于EMPC算法的能量管理策略控制下，为了调节发动机工作点，提高燃油经济性，电池SOC也出现了波动，这是合理的控制效果。由图10(b1)和(b2)可知，为了提高燃油经济性，基于DP的能量管理策略倾向于多次、频繁的进行模式切换，而从机电复合传动车辆能量管理策略实时应用的角度分析，频繁的模式切换不利于各动力部件的稳定工作，因此基于EMPC的能量管理策略和基于Rule的能量管理策略这两类面向工程实际应用的实时策略不倾向于机电复合传动车辆进行频繁的模式切换。
在三种能量管理策略控制下，双模混联式机电复合传动车辆在两种不同的驾驶循环工况内的发动机、电机A和电机B的工作点分布如图11-12所示。在两个驾驶循环工况内的发动机工作点在不同燃油消耗率区间范围的分布比例如图13和图14所示。由图可知看出，基于EMPC的能量管理策略能够较好的完成机电复合传动车辆能量管理控制分配，发动机工作点绝大多数分布在低燃油消耗率区域，电机工作点绝大部分分布在高效率区域，达到了预期控制效果。在驾驶循环工况一基于Rule的策略控制下，发动机工作点落在燃油消耗率区间(0,215g/kWh)、(0,225g/kWh)、(0,240g/kWh)的比例分别为3.83％、17.29％、29.92％，而在基于EMPC的策略控制下，在同样的燃油消耗率区间提高到了16.11％、34.50％、46.16％；在驾驶循环工况二基于Rule 的策略控制下，发动机工作点落在燃油消耗率区间(0,215g/kWh)、(0, 225g/kWh)、(0,240g/kWh)的比例分别为18.49％、37.99％、51.55％，而在基于EMPC的策略控制下，在同样的燃油消耗率区间提高到了19.45％、 42.07％、55.18％，从而说明基于EMPC的能量管理策略显著改善了燃油经济性。
图11和图12中，基于EMPC的能量管理策略导致电机个别工作点分布在了额定最大转矩约束范围以外，但是因为电机过载特性，使得电机可以短时间工作在超过额定转矩的峰值转矩，为了提高机电复合传动车辆的燃油经济性，电机峰值转矩是允许使用的，因此其结果也是合理的。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (7)

1.一种用于机电复合传动履带车辆的显式模型预测控制方法，其特征在于，包括步骤：
(一)能量管理控制器状态变量定义方法的设计；
(二)能量管理控制器状态变量更新方法的确定；
(三)能量管理优化控制模型数学描述方法的确定；
(四)能量管理优化控制模型权重因子确定方法的设计；
(五)能量管理优化控制模型转换方法的确定；
(六)能量管理优化控制问题求解方法的确定。
2.根据权利要求1所述的用于机电复合传动履带车辆的显式模型预测控制方法，其特征在于：在步骤(一)中，
采用SOE表示电池剩余能量，与功率具有良好的线性关系，SOE定义为电池剩余能量占总可用能量的百分比，数学表达式如下所示：
Figure RE-FDA0003431472740000011
式中，SOE为电池任何时刻的能量状态；Eremain为电池剩余的能量(kJ)；Econsume为消耗的电能；Ebat为电池的额定能量，其定义为电池最大容量和母线电压的乘积：Ebat＝Cmax·U。
3.根据权利要求1所述的用于机电复合传动履带车辆的显式模型预测控制方法，其特征在于：在步骤(二)中，
电池剩余能量与电机A和电机B的电功率关系如下所示：
Figure RE-FDA0003431472740000012
式中，PA_ele和PB_ele分别为电机A和电机B的电功率(kW)，正值表示放电功率，负值表示充电功率；Ts为采样时间(s)；
双模混联式机电复合传动整车驱动需求能量与电机A电功率、电机B电功率和发动机功率的关系如下所示：
E(k+1)＝E(k)-PA_ele·Ts+PB_ele·Ts+Peng·Ts (3)
式中，E为整车驱动需求能量(kJ)；Peng为发动机功率(kW)；
根据公式(2)和(3)，双模混联式机电复合传动车辆的状态预测模型如下所示：
x(k+1)＝A·x(k)+B·u(k) (4)
式中，X为系统状态变量；U为系统控制变量；A和B为状态空间方程系数矩阵；这些参数的具体表达式如下：
Figure RE-FDA0003431472740000021
系统输出方程如下所示：
Figure RE-FDA0003431472740000022
4.根据权利要求1所述的用于机电复合传动履带车辆的显式模型预测控制方法，其特征在于：在步骤(三)中，
在保证车辆的动力性能的前提下，在能量管理优化控制目标函数中加入电池能量轨迹参考信号(SOEref)和驱动需求能量参考信号(Eref)，通过使用电池能量轨迹来调节车辆的燃油经济性；
基于模型预测控制的双模混联式机电复合传动车辆能量管理优化问题表达式如下所示：
Figure RE-FDA0003431472740000023
优化目标函数中的权重矩阵和参考信号如下所示：
Figure RE-FDA0003431472740000024
5.根据权利要求1所述的用于机电复合传动履带车辆的显式模型预测控制方法，其特征在于：在步骤(四)中，
整车需求的驱动能量参考信号表达式如下所示：
Eref＝α2·Pemax·Ts (9)
式中，Eref为整车参考驱动需求能量(kJ)；α为加速踏板开度；Pemax为发动机功率(kW)；
将电池能量参考信号定义为常值，如下所示：
SOEref＝Constant (10)
电机A和电机B以及用电设备需要满足电功率平衡，因此，模型预测控制优化控制问题中功率输出变量的参考信号为:
Pele＝PA_ele+PB_ele (11)
式中，Pele为机电复合传动电功率需求(kW)。
6.根据权利要求1所述的用于机电复合传动履带车辆的显式模型预测控制方法，其特征在于：在步骤(五)中，
基于显式模型预测控制(EMPC,explicit model predictive control)的能量管理优化问题是一个多参数二次规划优化问题(mp-QP,multiparameter quadratic programmingoptimization problem)；
多参数规划的目标是在状态变量的取值范围内找到对应的最优控制变量，即将最优控制量表示为状态变量的显式函数；
优化目标函数可以写成标准的凸多参数二次规划问题，如下所示：
Figure RE-FDA0003431472740000031
7.根据权利要求1所述的用于机电复合传动履带车辆的显式模型预测控制方法，其特征在于：在步骤(六)中，
在开始求解多参数二次规划问题之前，需要知道多面体集合X中的初始向量x0，使二次规划问题对x＝x0是可解的；通过求解线性规划(linear program,LP)可以得到这样一个向量：
Figure RE-FDA0003431472740000032
如果该线性规划问题是不可解的，那么上述的二次规划问题对多面体集合X内的所有元素均是不可解的；否则，针对x＝x0时，二次规划问题是可解的，对应的最优解为z0，此解为唯一的，因为H＞0，也就独一无二的确定了一组主动约束满足
Figure RE-FDA0003431472740000033
其中
Figure RE-FDA0003431472740000034
和
Figure RE-FDA0003431472740000035
分别为G,S和W对应的行向量；
多参数二次规划可以通过一阶KKT(Karush-Kuhn-Tucker)最优条件求解，一阶KKT条件如下所示：
Figure RE-FDA0003431472740000041
式中，上标i表示第i行；
从式(20)的第一个方程可以得到控制变量如下所示：
z＝-H-1GTλ (21)
将上式代入式(20)的第二个方程可以得到互补松弛条件如下所示：
λi(-GiH-1GiTλi-Wi-Six)＝0 (22)
令
Figure RE-FDA0003431472740000042
和
Figure RE-FDA0003431472740000043
分别表示对应被动约束和主动约束的拉格朗日乘子，可以得到下式：
Figure RE-FDA0003431472740000044
从而，得到拉格朗日乘子如下所示：
Figure RE-FDA0003431472740000045
式中，
Figure RE-FDA0003431472740000046
和
Figure RE-FDA0003431472740000047
对应主动约束集；
Figure RE-FDA0003431472740000048
存在，因为
Figure RE-FDA0003431472740000049
的行是线性无关的；因而对所有的元素x∈CR0，存在λ是x的一个线性函数，其中CR0是所有向量x的集合，称为临界区域；将式(24)中的
Figure RE-FDA00034314727400000410
代入式(5-21)得到最优控制轨迹如下所示：
Figure RE-FDA00034314727400000411
上式中的变量z必须满足下面的约束条件：
Figure RE-FDA00034314727400000412
同时，式(24)中的拉格朗日乘子必须保持非负，如下所示：
Figure RE-FDA00034314727400000413
基于上述显式模型预测控制器求解算法，可以在状态变量X的各可行域内求解多参数二次规划问题，得到连续的分段仿射函数(PWA)形式的最优控制量，如下所示：
Figure RE-FDA00034314727400000414
对控制域进行划分，可以获得各个区域的控制律，根据不同预测步长下的显式模型预测控制器，将控制规律存储在查询表中；要从控制律表格中得到与状态变量相对应的控制规律要采用顺序搜索、二叉搜索树和遍历搜索树等搜索算法来完成。
CN202110236557.5A 2021-03-03 2021-03-03 一种用于机电复合传动履带车辆的显式模型预测控制方法 Pending CN114074650A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110236557.5A CN114074650A (zh) 2021-03-03 2021-03-03 一种用于机电复合传动履带车辆的显式模型预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110236557.5A CN114074650A (zh) 2021-03-03 2021-03-03 一种用于机电复合传动履带车辆的显式模型预测控制方法

Publications (1)

Publication Number Publication Date
CN114074650A true CN114074650A (zh) 2022-02-22

Family

ID=80282998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110236557.5A Pending CN114074650A (zh) 2021-03-03 2021-03-03 一种用于机电复合传动履带车辆的显式模型预测控制方法

Country Status (1)

Country Link
CN (1) CN114074650A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115987157A (zh) * 2023-02-23 2023-04-18 哈尔滨工业大学 基于线约束empc的电机弱磁控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115987157A (zh) * 2023-02-23 2023-04-18 哈尔滨工业大学 基于线约束empc的电机弱磁控制方法
CN115987157B (zh) * 2023-02-23 2023-07-25 哈尔滨工业大学 基于线约束empc的电机弱磁控制方法

Similar Documents

Publication Publication Date Title
Xiong et al. Towards a smarter hybrid energy storage system based on battery and ultracapacitor-A critical review on topology and energy management
Li et al. Real-time optimal energy management strategy for a dual-mode power-split hybrid electric vehicle based on an explicit model predictive control algorithm
Wang et al. Energy management strategy of hybrid energy storage system for electric vehicles based on genetic algorithm optimization and temperature effect
Pei et al. Dynamic programming-informed equivalent cost minimization control strategies for hybrid-electric vehicles
Wu et al. The SOC estimation of power Li-Ion battery based on ANFIS model
Lu et al. Optimal selection range of FCV power battery capacity considering the synergistic decay of dual power source lifespan
Chen et al. Power reserve predictive control strategy for hybrid electric vehicle using recognition-based long short-term memory network
Lv et al. Energy management of hybrid electric vehicles based on inverse reinforcement learning
CN114074650A (zh) 一种用于机电复合传动履带车辆的显式模型预测控制方法
Lü et al. Energy economy optimization and comprehensive performance improvement for PEMFC/LIB hybrid system based on hierarchical optimization
Shi et al. Model Predictive Control for Nonlinear Energy Management of a Power Split Hybrid Electric Vehicle.
CN114781176A (zh) 一种锂离子电池储能系统集总参数的等效电路参数辨识方法
Wang et al. Optimization of the powertrain and energy management control parameters of a hybrid hydraulic vehicle based on improved multi-objective particle swarm optimization
Tang et al. Energy management of a parallel hybrid electric vehicle with CVT using model predictive control
CN111516702B (zh) 一种混合动力车辆在线实时分层能量管理方法和系统
Chmielewski et al. Experimental evaluation of mathematical and artificial neural network modeling of energy storage system
CN105119285A (zh) 基于动态赋权的风储协调多目标优化控制方法
CN116581764A (zh) 一种用于可控负荷最优互动过程中的动态稳控方法
CN114291067B (zh) 基于预测的混合动力汽车凸优化能量控制方法及系统
Li et al. Hybrid modeling and predictive control of the power split and gear shift in hybrid electric vehicles
CN113492727B (zh) 一种基于empc的燃料电池混合动力系统控制方法
Chang et al. Research on adaptive two-point energy management strategy and optimization for range-extended electric vehicle
CN116244888A (zh) 基于mpc序列凸优化的混合电动无人机能源管理方法
Wang et al. Multi-objective optimization of phase change cooling battery module based on optimal support vector machineoptimal support Vector Machine
CN106684914A (zh) 一种提高电力弹簧调压性能的自适应pi控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication