CN114944075A - 基于交通流分类的混合动力汽车生态路径方法 - Google Patents
基于交通流分类的混合动力汽车生态路径方法 Download PDFInfo
- Publication number
- CN114944075A CN114944075A CN202210489435.1A CN202210489435A CN114944075A CN 114944075 A CN114944075 A CN 114944075A CN 202210489435 A CN202210489435 A CN 202210489435A CN 114944075 A CN114944075 A CN 114944075A
- Authority
- CN
- China
- Prior art keywords
- link
- traffic flow
- hybrid electric
- ecological path
- node
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005265 energy consumption Methods 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提出了基于交通流分类的混合动力汽车生态路径方法,包括以下步骤:根据驾驶员始发地及目的地位置,构建所在城市地图模型,以实现地图的路口和路段划分;读取城市各链路实时交通流数据,设置逻辑规格,根据速度因子对链路进行低中高分类,并对其配置特定的车辆循环工况;依据链路循环工况,利用改进发动机模型,通过间接方法计算各链路单位代价;构建生态路径混合整数非线性规划框架,利用改进Dijktra算法,跟踪候选路径结束节点的剩余能量,寻找生态路径。该方法考虑了实际交通流影响,更加符合车辆行驶的实际情况,通过将交通流分类并赋予不同工况,巧妙实现了交通流的动态解耦,实现了混合动力汽车生态路径选择和动力系统的能量管理协同优化且方法实时性更强。
Description
技术领域
本发明公开了一种基于交通流分类的混合动力汽车生态路径方法,属于混合动力汽车经济性路由领域。
背景技术
由于环境问题和汽油价格高涨,人们对使用电动汽车(EV)等替代能源的汽车越来越感兴趣。然而,考虑到目前电动汽车的电池容量水平,它们的采用受到全电动里程(AER)的限制。在这方面,插电式混合动力汽车提供了一个合适的替代方案,因为它们可以通过使用天然气和电力来克服里程限制。根据电池大小的不同,插电式混合动力汽车耗电可行驶20-70公里。此外,采用智能生态系统和动力系统控制策略可降低插电式混合动力汽车的能耗成本和碳排放。
传统的车辆路由算法寻求的是最短(最快)或最短路径,而生态路径算法寻求的是总能耗成本最小的路径。由于混合动力汽车存在双能源特点,路径选择与车辆驱动模式相互耦合,目前混合动力汽车的生态路径算法处理这种高度耦合关系均缺乏实时性,不适用于车辆实时性特点,距离现实应用较远。针对以上情况,亟待开发一种针对混合动力汽车的路径选择与车辆驱动模式相互耦合特点的生态路径方法,满足算法实时性。
发明内容
发明目的:本发明的目的在于针对混合动力汽车路径选择与车辆驱动模式相互耦合特点,开发一种生态路径方法寻求能耗成本最小的路径,满足实时性要求。
技术方案:为了解决上述问题,本发明提供一下技术方案:一种基于交通流分类的混合动力汽车生态路径方法,包括以下步骤:
步骤1:根据驾驶员始发地及目的地位置,构建所在城市地图模型,以实现地图的路口和路段划分;
步骤2:读取城市各链路实时交通流数据,设置逻辑规格,根据速度因子对链路进行低中高分类,并对其配置特定的车辆循环工况;
步骤3:依据链路循环工况,利用改进发动机模型,通过间接方法计算各链路单位代价;
步骤4:构建生态路径混合整数非线性规划框架,利用改进Dijktra算法,跟踪候选路径结束节点的剩余能量,寻找生态路径。其中:链路表示两路口之间的路段。
该方法能同时计算混合动力汽车能量最优路径(生态路径)的算法和在此路径上的最优动力系统控制策略。
进一步地,步骤1中,根据驾驶员始发地及目的地位置,获取该城市地图数据和实时交通流数据,相关数据可以通过地方实时数据库或者相关云平台获取,将地图建立为有向图其中节点表示城市每条路的路口,链路表示两路口i和j(两节点)之间的路段,即入/出节点i的节点集合分别定义为和 针对单起点-单目的地生态路径问题,在此起点节点和目的地节点分别用o和d表示。
式中,Sij是速度因子,表示每个链路上的标准化速度值,反应链路的拥塞程度。设置逻辑规格,根据速度因子对链路交通强度进行低中高分类,并对其配置特定的车辆循环工况。当Sij≤0.5时,链路(i,j)被归类为高交通强度链路,并将 NYC循环工况赋给该链路;当0.5<Sij<0.75时,链路(i,j)被归类为中交通强度链路,并将UDDS循环工况赋给该链路;当Sij≥0.75时,链路(i,j)被归类为低交通强度链路,并将HWFET循环工况赋给该链路。
进一步地,步骤3中,依据链路循环工况,利用美国密歇根大学的改进发动机模型(VESIM),通过间接方法计算各链路单位代价:
式中,是车辆在链路(i,j)的燃油消耗量,是车辆在链路(i,j)的电池电量消耗,dij是链路长度,和是混合动力汽车在电池耗尽(CD) 和电量保持(CS)模式下分别行驶1公里所使用的平均电能和汽油,针对步骤2 中的链路的配置周期,可计算三种交通流等级链路的和
进一步地,步骤4中,因电力价格便宜于汽油价格,在每条链路上都要求车辆先使用电,当电池电量到达设置的阈值后在发动机提供动力,即先CD再CS模式,在此构建生态路径混合整数非线性规划框架:
式中,cij是链路(i,j)的能耗成本,xij是一个二元决策变量,当xij=1时,表示经过链路(i,j),当xij=0时,表示不经过链路(i,j)。Cgas和Cele分别是汽油和电的单价;Ei是节点i的剩余电量;公式(6)是流量守恒约束,是布尔指示函数,车辆起始电量Eo≥0。
利用改进Dijktra算法,跟踪候选路径结束节点的剩余能量,寻找生态路径。改进改进Dijktra算法如下:
a)初始化,设置数组dist,保存起点o到其他节点最小能耗值,设置集合S,用于保存图中已找到最小能耗路径的节点,同时保存起点o到集合S;
b)遍历集合S中所有节点的Ei,找出Ei最大的节点,从起点至该节点链路即为能耗最小链路k;
c)顶点k的最短路径已找到,将顶点k加入集合k,并更新dist数组;
重复上述b、c步骤,直到所有顶点都在集合s中。
有益效果:本发明与现有技术相比:
1、考虑的实际交通流影响,更加符合车辆行驶的实际情况;
2、方法实时性更强;
3、巧妙的实现了交通流的动态解耦;
4、实现了混合动力汽车生态路径选择和动力系统的能量管理协同优化。
附图说明
图1(a)NYC工况;图1(b)UDDS工况;图1(c)HWFET工况;
图2是本发明实施例的基于交通流分类的混合动力汽车生态路径方法。
具体实施方式
下面结合附图对本发明作进一步说明:
以插电式混合动力汽车为对象按照图2的流程图对本发明进行详解。
第一步,步骤1中,根据驾驶员始发地及目的地位置,获取该城市地图数据和实时交通流数据,相关数据可以通过地方实时数据库或者相关云平台获取,将地图建立为有向图其中节点表示城市每条路的路口,链路表示两路口i和j(两节点)之间的路段,即入/出节点i的节点集合分别定义为和 针对单起点-单目的地生态路径问题,在此起点节点和目的地节点分别用o和d 表示。
式中,Sij是速度因子,表示每个链路上的标准化速度值,反应链路的拥塞程度。设置逻辑规格,根据速度因子对链路交通强度进行低中高分类,并对其配置特定的车辆循环工况。当Sij≤0.5时,链路(i,j)被归类为高交通强度链路,并将 NYC循环工况赋给该链路;当0.5<Sij<0.75时,链路(i,j)被归类为中交通强度链路,并将UDDS循环工况赋给该链路;当Sij≥0.75时,链路(i,j)被归类为低交通强度链路,并将HWFET循环工况赋给该链路,工况图如图1。
第三步,依据链路循环工况,利用美国密歇根大学的改进发动机模型 (VESIM),通过间接方法计算各链路单位代价:
式中,是车辆在链路(i,j)的燃油消耗量,是车辆在链路(i,j)的电池电量消耗,dij是链路长度,和是混合动力汽车在电池耗尽(CD) 和电量保持(CS)模式下分别行驶1公里所使用的平均电能和汽油,针对步骤2 中的链路的配置周期,可计算三种交通流等级链路的和
第四步,因电力价格便宜于汽油价格,在每条链路上都要求车辆先使用电,当电池电量到达设置的阈值后在发动机提供动力,即先CD再CS模式,在此构建生态路径混合整数非线性规划框架:
式中,cij是链路(i,j)的能耗成本,xij是一个二元决策变量,当xij=1时,表示经过链路(i,j),当xij=0时,表示不经过链路(i,j)。Cgas和Cele分别是汽油和电的单价;Ei是节点i的剩余电量;公式(6)是流量守恒约束,是布尔指示函数,车辆起始电量Eo≥0.
利用改进Dijktra算法,跟踪候选路径结束节点的剩余能量,寻找生态路径。改进改进Dijktra算法如下:
a)初始化,设置数组dist,保存起点o到其他节点最小能耗值,设置集合S,用于保存图中已找到最小能耗路径的节点,同时保存起点o到集合S;
b)遍历集合S中所有节点的Ei,找出Ei最大的节点,从起点至该节点链路即为能耗最小链路k;
c)顶点k的最短路径已找到,将顶点k加入集合k,并更新dist数组;重复上述b、c步骤,直到所有顶点都在集合s中。
为验证实际效果,在交通仿真工具SUMO中进行模拟对比,在此设置两个对照组,对照组一:普通驾驶员驾驶(IDM智能驾驶员模型),不提供任何生态路径算法控制,对照组二:经典的A*最短路径算法。建立南京江宁区地图,并将真实的交通数据导入其中,规定起始点选择南京南站,终点选择南京传媒学院,经过对比发现,本发明与对照组一相比平均能节能12.32%,相对于对照组二节能7.84%,同时算法实时性上可提高近50%左右。
Claims (6)
1.一种基于交通流分类的混合动力汽车生态路径方法,其特征在于:包括以下步骤:
步骤1:根据驾驶员始发地及目的地位置,构建所在城市地图模型,以实现地图的路口和路段划分;
步骤2:读取城市各链路实时交通流数据,设置逻辑规格,根据速度因子对链路进行低中高分类,并对其配置特定的车辆循环工况;
步骤3:依据链路循环工况,利用改进发动机模型,通过间接方法计算各链路单位代价;
步骤4:构建生态路径混合整数非线性规划框架,利用改进Dijktra算法,跟踪候选路径结束节点的剩余能量,寻找生态路径;
其中:链路表示两路口之间的路段。
3.根据权利要求1所述的一种基于交通流分类的混合动力汽车生态路径方法,其特征在于:步骤2中,通过地方实时数据库或者相关云平台获取城市各路段(链路)实时交通流数据,即每个链路(i,j)的车流平均速度和自由流动速度fij。对于每个链路(i,j):
式中,Sij是速度因子,表示每个链路上的标准化速度值,反应链路的拥塞程度。设置逻辑规格,根据速度因子对链路交通强度进行低中高分类,并对其配置特定的车辆循环工况。当Sij≤0.5时,链路(i,j)被归类为高交通强度链路,并将NYC循环工况赋给该链路;当0.5<Sij<0.75时,链路(i,j)被归类为中交通强度链路,并将UDDS循环工况赋给该链路;当Sij≥0.75时,链路(i,j)被归类为低交通强度链路,并将HWFET循环工况赋给该链路。
6.根据权利要求1所述的一种基于交通流分类的混合动力汽车生态路径方法,其特征在于:步骤4中,改进改进Dijktra算法如下:
a)初始化,设置数组dist,保存起点o到其他节点最小能耗值,设置集合S,用于保存图中已找到最小能耗路径的节点,同时保存起点o到集合S;
b)遍历集合S中所有节点的Ei,找出Ei最大的节点,从起点至该节点链路即为能耗最小链路k;
c)顶点k的最短路径已找到,将顶点k加入集合k,并更新dist数组;
d)重复上述b、c步骤,直到所有顶点都在集合s中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210489435.1A CN114944075A (zh) | 2022-05-06 | 2022-05-06 | 基于交通流分类的混合动力汽车生态路径方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210489435.1A CN114944075A (zh) | 2022-05-06 | 2022-05-06 | 基于交通流分类的混合动力汽车生态路径方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114944075A true CN114944075A (zh) | 2022-08-26 |
Family
ID=82907908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210489435.1A Pending CN114944075A (zh) | 2022-05-06 | 2022-05-06 | 基于交通流分类的混合动力汽车生态路径方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114944075A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120232783A1 (en) * | 2011-03-08 | 2012-09-13 | Navteq North America, Llc | Energy Consumption Profiling |
US9121722B1 (en) * | 2014-03-19 | 2015-09-01 | Ford Global Technologies, Llc | Trip partitioning based on driving pattern energy consumption |
CN106042963A (zh) * | 2016-06-17 | 2016-10-26 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 电气化交通网络和电力系统的协同优化方法与系统 |
CN106225800A (zh) * | 2016-08-04 | 2016-12-14 | 广东石油化工学院 | 基于实时路况信息的环境友好型车辆导航路径构建方法 |
CN114254811A (zh) * | 2021-12-01 | 2022-03-29 | 东南大学 | 插电式混合动力汽车路由方法、装置、车辆及存储介质 |
-
2022
- 2022-05-06 CN CN202210489435.1A patent/CN114944075A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120232783A1 (en) * | 2011-03-08 | 2012-09-13 | Navteq North America, Llc | Energy Consumption Profiling |
US9121722B1 (en) * | 2014-03-19 | 2015-09-01 | Ford Global Technologies, Llc | Trip partitioning based on driving pattern energy consumption |
CN106042963A (zh) * | 2016-06-17 | 2016-10-26 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 电气化交通网络和电力系统的协同优化方法与系统 |
CN106225800A (zh) * | 2016-08-04 | 2016-12-14 | 广东石油化工学院 | 基于实时路况信息的环境友好型车辆导航路径构建方法 |
CN114254811A (zh) * | 2021-12-01 | 2022-03-29 | 东南大学 | 插电式混合动力汽车路由方法、装置、车辆及存储介质 |
Non-Patent Citations (1)
Title |
---|
ARIAN HOUSHMAND: "Combined Eco-Routing and Power-Train Control of Plug-In Hybrid Electric Vehicles in Transportation Networks", 《IEEE》, pages 11287 - 11299 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Adaptive energy management strategy for fuel cell/battery hybrid vehicles using Pontryagin's Minimal Principle | |
Bozorgi et al. | A time and energy efficient routing algorithm for electric vehicles based on historical driving data | |
Thibault et al. | A unified approach for electric vehicles range maximization via eco-routing, eco-driving, and energy consumption prediction | |
CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
Fotouhi et al. | A review on the applications of driving data and traffic information for vehicles׳ energy conservation | |
CN110222907A (zh) | 电动汽车充电站规划方法及终端设备 | |
Li et al. | Energy management strategy for a series hybrid electric vehicle using improved deep Q-network learning algorithm with prioritized replay | |
CN105528498B (zh) | 网联智能电动车辆一体化建模与集成控制方法 | |
Abousleiman et al. | Energy-efficient routing for electric vehicles using metaheuristic optimization frameworks | |
Houshmand et al. | Eco-routing of plug-in hybrid electric vehicles in transportation networks | |
CN106225800A (zh) | 基于实时路况信息的环境友好型车辆导航路径构建方法 | |
Lin et al. | A trip distance adaptive real-time optimal energy management strategy for a plug-in hybrid vehicle integrated driving condition prediction | |
Joo et al. | Ant colony optimized routing strategy for electric vehicles | |
CN116358593B (zh) | 考虑非线性能耗的电动车辆路径规划方法、装置和设备 | |
Ben Abbes et al. | Route planning for electric vehicles | |
Zhou et al. | Multi-objective real-time energy management for series–parallel hybrid electric vehicles considering battery life | |
Caspari et al. | Optimal eco-routing for hybrid vehicles with powertrain model embedded | |
Naxin et al. | Optimization of HEV energy management strategy based on driving cycle modeling | |
CN114944075A (zh) | 基于交通流分类的混合动力汽车生态路径方法 | |
Zhang et al. | Multi-objective route search for electric vehicles using ant colony optimization | |
Kurtulus et al. | Model based route guidance for hybrid and electric vehicles | |
CN113050631B (zh) | 一种电动汽车三维路径规划方法 | |
CN115214607B (zh) | 一种插电式混合动力汽车能量管理方法 | |
Xie et al. | Control strategy of hybrid power system for Fuel Cell Electric Vehicle based on neural network optimization | |
Lei et al. | Hierarchical eco-driving control for plug-in hybrid electric vehicles under multiple signalized intersection scenarios |
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 |