CN115743117A - 一种基于扰动观测的智能网联电动车队协同生态驾驶方法 - Google Patents

Abstract

本发明涉及一种基于扰动观测的智能网联电动车队协同生态驾驶方法，基于扰动观测的智能网联电动车队协同生态驾驶方法，首先根据车辆自身参数建立电动汽车的纵向动力学模型和功率模型；然后构建基于模型预测控制的车队参考轨迹优化问题，采用改进的PSO算法获得最优解；最后利用自抗扰控制技术，分别设计跟踪微分器、扩张状态观测器以及非线性状态误差反馈律，估计集总扰动并发送给领头车辆。本发明相比于其他方法多考虑了参数不确定性和外部干扰，主要利用模型预测控制和自抗扰控制技术，保证电动车队安全行驶的同时，降低车辆队列的整体能耗。

Description

一种基于扰动观测的智能网联电动车队协同生态驾驶方法

技术领域

本发明涉及一种针对智能网联电动车队的基于扰动观测的智能网联电动车队协同生态驾驶方法，属于生态驾驶技术领域。

背景技术

随着能源和环境问题的日益严重，电动汽车得到了空前的发展，智能网联电动车辆将成为解决交通拥堵、交通安全、交通污染等问题的新的突破口。智能网联汽车是以先进的车辆装备为核心，结合现代通讯和互联网技术，实现车与x智能信息交换和共享，具备复杂环境感知、智能决策、协同控制等功能，实现安全、高效、舒适、节能行驶。它的优点是能够形成有效的队形，使得车辆间保持较小的纵向间距，从而达到提高道路通行能力，减少燃料消耗，减少尾气排放的有利效果。

在车辆队列控制过程中，内部稳定性和弦稳定性是两个重要的性能指标，但是当车辆前方扰动较大时，满足队列稳定性的车队仍然可能发生车辆碰撞，需要设计更好的控制器来保证车辆安全。因此，为了更大程度地提升电动车队的稳定性和能源经济性，本申请提出了一种基于扰动观测的智能网联电动车队协同生态驾驶方法。

发明内容

为了克服现有研究的不足，本发明提供了一种基于扰动观测的智能网联电动车队协同生态驾驶方法，相比于其他方法多考虑了参数不确定性和外部干扰，主要利用模型预测控制和自抗扰控制技术，保证电动车队安全行驶的同时，降低车辆队列的整体能耗。

一种基于扰动观测的智能网联电动车队协同生态驾驶方法的具体步骤如下：

步骤一、建模

步骤1.1、由车辆自身参数建立电动汽车i的纵向动力学模型为：

其中，p_i，v_i，u_i分别为电动汽车i的位置、速度和控制输入；T_d(t)是车辆i的集总扰动，式中u_i(t)和T_d(t)可表示为：

式中F_i(t)和F_i，r(t)为牵引力和总阻力，m_i是车辆i的质量。F_i，r(t)可用下式表示为：

式中C_d(d_i(t))，A_i，v，μ_i和θ(p_i(t))分别是与车辆间距d_i(t)有关的阻力系数、车头正面面积、滚动阻力系数和与位置相关的道路坡度，ρ和g分别是空气密度和重力加速度。

车辆间距d_i(t)定义为：

d_i(t)＝p_i-1(t)-p_i(t)-L_i

其中，L_i是车辆i的长度。

此外，阻力系数C_d可以表示为：

其中，C_d(d_i(t))是车辆i的额定阻力系数，c₁和c₂是拟合参数。

步骤1.2、电动汽车功率模型

电动汽车i的输出功率P_i，e(t)可以表示为：

其中η_i，t和η_i，r分别是电动汽车的机械传输效率和能源制动回收效率。

步骤二、选择控制目标

车辆i的期望位置

和速度

定义如下：

其中d表示相邻车辆之间的期望间距。

跟随车辆i的位置误差和速度误差定义为：

步骤2.1、内部稳定性

当领头车辆的加速度为0时，所有跟随车辆都停留在所需位置，并最终达到与领头车辆相同的速度，即：

其中i＝1，2，...，N

步骤2.2、弦稳定性条件为：

步骤2.3、能源经济性

时间t到t+T的总能耗表示为：

步骤三：基于模型预测控制的车队参考轨迹优化

步骤3.1、带补偿因子的带阻函数表示为：

其中，

日

z_l，z_u∈R⁺分别为区间的上下界，c是补偿因子。

步骤3.2、构建基于模型预测控制的车队参考轨迹优化问题

领头车辆的离散纵向动力学模型表示为：

式中Δt为离散时间间隔。

令x_0，ref＝[p_0，ref，v_0，ref]^T，进一步获得：

x_0，ref(k+1)＝A₀x_0，ref(k)+B₀u_0，ref(k)

其中，

假设所有跟随车辆都停留在车辆队列中的期望位置，跟随车辆i的参考位置、参考速度和参考控制输入表示为：

令N_P和N_c分别为预测范围和控制范围，车辆i在预测范围内的代价函数可表示为：

其中，ω₁、ω₂是权重参数，v_l和v_u是车辆队列的期望速度带[v_l，v_u]的上下限。因此，车辆队列在预测范围内的成本函数可以得到为：

给定车辆队列的预测变量和成本函数后，车队参考轨迹问题可以表述为：

并满足

其中F_i，ref(n|k)和P_i，ref，e(n|k)可表示为：

步骤四、自抗扰控制器设计

具体地，自抗扰控制器包括三个部分，分别是跟踪微分器，扩张状态观测器以及非线性状态误差反馈律。

首先，跟踪微分器具体表达如下：

式中，r₀，h₀为速度因子，滤波因子；fhan为最速综合函数，其表达式如下：

fhan(x₁，x₂，r₀，h₀)＝-r₀[a/d₀-sign(a)]s₂-r₀sign(a)，

其中，

然后，使用ESO对电动汽车的扰动T_i，d(t)进行估计。令T_i，d(t)为电动汽车i的一个状态变量w_i(t)，给出电动汽车i的扩张状态观测器具体表达式如下：

式中，e_i为电动汽车i位置的估计偏差；

为系统状态变量p_i的预测值；

为系统状态变量v_i的预测值；

为扰动T_i，d(t)的估计值

B_i是补偿因子；β₁、β₂、β₃是观测器参数；fal是非线性函数，其具体表达式为：

最后，给出电动汽车i轨迹跟踪的非线性状态误差反馈率u_i如下：

与现有技术相比，本发明的有益效果在于：

本发明相比于其他控制方法，考虑了车辆的集总阻力，并设计了一个自抗扰控制器，将所观测值前馈补偿到控制器中，进一步提高了系统的抗扰性。

本发明方法能够有效地提高车辆队列的燃油经济性，并保证车辆队列的内部稳定性和弦稳定性。

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，下面将对实施例或现有技术描述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为本发明基于扰动观测的智能网联电动车队协同生态驾驶方法的实施流程图；

图2为本发明预测范围内预测变量的定义；

图3为本发明所使用自抗扰控制技术的结构图；

图4为本发明行驶路段仿真示意图；

图5为本发明本控制方法下的位置、间距误差、速度和控制输入仿真结果图。

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。

一种基于扰动观测的智能网联电动车队协同生态驾驶方法实施流程图参考图1，具体步骤如下：

步骤一、建模

步骤1.1、由车辆自身参数建立电动汽车i的纵向动力学模型为：

其中，p_i，v_i，u_i分别为电动汽车i的位置、速度和控制输入；T_d(t)是车辆i的集总扰动。

其中u_i(t)和T_d(t)可表示为：

式中F_i(t)和F_i，r(t)为牵引力和总阻力，m_i是车辆i的质量。F_i，r(t)可用下式表示为：

在上式中C_d(d_i(t))，A_i，v，μ_i和θ(p_i(t))分别是与车辆间距d_i(t)有关的阻力系数、车头正面面积、滚动阻力系数和与位置相关的道路坡度。ρ和g分别是空气密度和重力加速度。

车辆间距d_i(t)定义为：

d_i(t)＝p_i-1(t)-p_i(t)-L_i

其中：L_i是车辆i的长度。

此外，阻力系数C_d可以表示为：

其中，C_d(d_i(t))是车辆i的额定阻力系数，C₁和C₂是拟合参数。

步骤1.2、电动汽车功率模型

电动汽车i的输出功率P_i，e(t)可以表示为：

其中，η_i，t和η_i，r分别是电动汽车的机械传输效率和能源制动回收效率。

步骤二、选择控制目标

为了提高道路通行能力，将使用恒定间距策略来调节车辆间距，这需要领头车辆的信息来确保车辆队列的弦稳定性。车辆i的期望位置

和速度

定义如下：

其中d表示相邻车辆之间的期望间距。

跟随车辆i的位置误差和速度误差定义为：

步骤2.1、内部稳定性

当领头车辆的加速度为0时，所有跟随车辆都停留在所需位置，并最终达到与领头车辆相同的速度，即：

其中i＝1，2，...，N

步骤2.2、弦稳定性条件定义为：

对于任意ε＞0，存在一个δ＞0满足以下式子，

步骤2.3、能源经济性

时间t到t+T的总能耗表示为：

步骤三：基于模型预测控制的车队参考轨迹优化

本步骤旨在基于MPC优化车队的参考轨迹，以降低车辆队列的整体能耗。为此，首先假设车辆队列是一个刚体，其中所有跟随车辆都处于车队的期望位置；其次，基于MPC构建了车队参考轨迹优化问题，其中考虑了乘员舒适度要求、车队行驶效率、车辆队列的物理限制；最后，采用改进的粒子群(PSO)算法快速求解优化问题。

步骤3.1、带补偿因子的带阻函数表示为：

其中，

且

z_l，z_u∈R⁺分别为区间的上下界，c是补偿因子。在优化问题中，当带阻函数

作为代价函数的一部分，如果参数

c适当设置，z可以被约束在区间[z_l，z_u]。

步骤3.2、构建基于模型预测控制的车队参考轨迹优化问题

领头车辆的离散纵向动力学模型表示为：

式中Δt为离散时间间隔。

令x_0，ref＝[p_0，ref，v_0，ref]^T，进一步获得：

x_0，ref(k+1)＝A_ox_o，ref(k)+B₀u_0，ref(k)

其中，

假设所有跟随车辆都停留在车辆队列中的期望位置，跟随车辆i的参考位置、参考速度和参考控制输入表示为：

令N_P和N_c分别为预测范围和控制范围，在构建时刻k的车队参考轨迹优化问题之前，预测范围内的一些预测变量定义如图2所示，车辆i在预测范围内的代价函数可表示为：

其中，ω₁、ω₂是权重参数，v_l和v_u是车辆队列的期望速度带[v_l，v_u]的上下限。因此，车辆队列在预测范围内的成本函数可以得到为：

给定车辆队列的预测变量和成本函数后，车队参考轨迹问题可以表述为：

并满足

其中F_i，ref(n|k)和P_i，ref，e(n|k)可表示为：

在构建的车队参考轨迹优化问题中，u_0，ref(：|k)＝[u₀(0|k)，u₀(1|k)，...，u₀(N_P-1|k)]表示待优化的未知预测控制变量，

表示使成本函数F(k)最小化的最优预测控制变量。采用改进的PSO算法快速获得最优解。

步骤四、自抗扰控制器设计

具体地，自抗扰控制器包括三个部分，分别是跟踪微分器，扩张状态观测器以及非线性状态误差反馈律，该控制器的具体结构图如图3所示。

首先，跟踪微分器具体表达如下：

式中，r₀，h₀为速度因子，滤波因子；fhan为最速综合函数，其表达式如下：

fhan(x₁，x₂，r₀，h₀)＝-r₀[a/d₀-sign(a)]s₂-r₀sign(a)，

其中，

然后，使用ESO对电动汽车的扰动T_i，d(t)进行估计。令T_i，d(t)为电动汽车i的一个状态变量w_i(t)，电动汽车i的扩张状态方程如下：

在上式中，u_i(t)＝F_i(t)/m_i，y_i(t)为电动汽车i的输出。

给出电动汽车i的扩张状态观测器具体表达式如下：

式中，e_i为电动汽车i位置的估计偏差；

为系统状态变量p_i的预测值；

为系统状态变量v_i的预测值；

为扰动T_i，d(t)的估计值

B_i是补偿因子；β₁、β₂、β₃是观测器参数；fal是非线性函数，其具体表达式为：

最后，给出电动汽车i轨迹跟踪的非线性状态误差反馈率u_i如下：

在本实施例中考虑了具有一个领头车辆和五个跟随车辆的车辆队列。车辆的参数分别为：τ分别为0.38，0.45，0.2，0.3，0.25和0.40，m分别为7182，7200，7100，7300，7150和7250，L分别为10，11，9.8，10.5，10.2，9.6，μ_i分别为0.003，0.0032，0.0031，0.0033，0.0032，0.0031，A_i，v分别为10，10，10，10，10，10，C_i，d分别为0.8，0.83，0.81，0.82，0.8，0.81。重力加速度和空气密度分别设置为9.8和1.29；离散时间间隔Δt＝0.001s；优化问题中的预测范围和控制范围设置为N_P＝40和N_c＝0.1；车队加速度的上下界分别设置为u_0，min＝-2m/s²和u_0，max＝2m/s²；权重参数设置为ω₂＝1.6，ω₂＝1；跟踪控制器参数r₀＝100000000，h₀＝0.001二观测器参数设置为β₁＝100、β₂＝300、β₃＝1000；非线性状态误差反馈率参数设置为β₁＝5.5、β₂＝0.2、α₁＝0.75、α₂＝1.5、δ＝0.02；仿真中使用的行驶路段如图4所示。

队尾车辆的初始位置设置为0，其他跟随车辆以及领头车辆的初始位置按照步骤1中的位置误差公式计算。不同车辆的位置、间距误差、速度和控制输入变化如图5所示。可以看出，在本发明提出的生态驾驶方法控制下，控制输入随时间逐渐减小到零，见图5(d)，随着时间的推移，当领头车辆的加速度为0时，所有跟随车辆都将停留在所需位置，如图5(a)，并最终达到与图5(c)中的领头车辆相同的速度，同时车辆的间距误差始终为0，也就是满足了车辆队列的内部稳定性和弦稳定性，同时，车辆能耗的变化也并未超出预期。

以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (5)

1.一种基于扰动观测的智能网联电动车队协同生态驾驶方法，其特征在于：包括以下步骤：

步骤一：由车辆自身参数建立电动汽车i的纵向动力学模型和功率模型；

步骤二：确定控制目标；

步骤三：构建基于模型预测控制的车队参考轨迹优化问题，采用改进的PSO算法获得最优解；

步骤四：利用自抗扰控制技术，分别设计跟踪微分器、扩张状态观测器以及非线性状态误差反馈律，估计集总扰动并发送给领头车辆。

2.根据权利要求1所述的一种基于扰动观测的智能网联电动车队协同生态驾驶方法，其特征在于：所述步骤一具体包括：

1.1.建立电动汽车i的纵向动力学模型：

其中，p_i，v_i，u_i分别为电动汽车i的位置、速度和控制输入，T_d(t)是车辆i的集总扰动，式中u_i(t)和T_d(t)可表示为：

式中F_i(t)和F_i，r(t)为牵引力和总阻力，m_i是车辆i的质量，F_i，r(t)可用下式表示为：

式中C_d(d_i(t))，A_i，v，μ_i和θ(p_i(t))分别是与车辆间距d_i(t)有关的阻力系数、车头正面面积、滚动阻力系数和与位置相关的道路坡度，ρ和g分别是空气密度和重力加速度；

车辆间距d_i(t)定义为：

d_i(t)＝p_i-1(t)-p_i(t)-L_i

L_i是车辆i的长度，

阻力系数C_d可以表示为：

其中，C_d(d_i(t))是车辆i的额定阻力系数，c₁和c₂是拟合参数；

1.2.建立电动汽车的功率模型

电动汽车i的输出功率P_i，e(t)表示为：

其中η_i，t和η_i，r分别是电动汽车的机械传输效率和能源制动回收效率。

3.根据权利要求1或2所述的一种基于扰动观测的智能网联电动车队协同生态驾驶方法，其特征在于：步骤二具体包括：

车辆i的期望位置

和速度

定义如下：

其中d表示相邻车辆之间的期望间距，

跟随车辆i的位置误差和速度误差定义为：

2.1.内部稳定性

当领头车辆的加速度为0时，所有跟随车辆都停留在所需位置，并最终达到与领头车辆相同的速度，即：

其中i＝1，2，..，N

2.2.弦稳定性条件为：

2.3.能源经济性

时间t到t+T的总能耗表示为：

4.根据权利要求3所述的一种基于扰动观测的智能网联电动车队协同生态驾驶方法，其特征在于：步骤三具体包括：

3.1.带补偿因子的带阻函数表示为：

其中，

且

z_l，z_u∈R⁺分别为区间的上下界，c是补偿因子，

3.2.构建基于模型预测控制的车队参考轨迹优化问题

领头车辆的离散纵向动力学模型表示为：

式中Δt为离散时间间隔，

令x_0，ref＝[p_0，ref，v_0，ref]^T，进一步获得：

x_0,ref(k+1)＝A₀x_0,ref(k)+B₀u_0,ref(k)

其中，

假设所有跟随车辆都停留在车辆队列中的期望位置，跟随车辆i的参考位置、参考速度和参考控制输入表示为：

令N_P和N_c分别为预测范围和控制范围，车辆i在预测范围内的代价函数可表示为：

其中，ω₁、ω₂是权重参数，v_l和v_u是车辆队列的期望速度带[v_l,v_u]的上下限，车辆队列在预测范围内的成本函数可以得到为：

给定车辆队列的预测变量和成本函数后，车队参考轨迹问题表述为：

并满足

其中F_i，ref(n|k)和P_i，ref，e(n|k)可表示为：

5.根据权利要求1或4所述的一种基于扰动观测的智能网联电动车队协同生态驾驶方法，其特征在于：所述步骤四具体包括：

跟踪微分器具体表达如下：

式中，r₀，h₀为速度因子，滤波因子；fhan为最速综合函数，其表达式如下：

fhan(x₁,x₂,r₀,h₀)＝-r₀[a/d₀-sign(a)]s₂-r₀sign(a)，

其中，

使用ESO对电动汽车的扰动T_i，d(t)进行估计，令T_i，d(t)为电动汽车i的一个状态变量w_i(t)，给出电动汽车i的扩张状态观测器具体表达式如下：

式中，e_i为电动汽车i位置的估计偏差；

为系统状态变量p_i的预测值；

为系统状态变量v_i的预测值；

为扰动T_i，d(t)的估计值

B_i是补偿因子；β₁、β₂、β₃是观测器参数；fal是非线性函数，具体表达式为：

给出电动汽车i轨迹跟踪的非线性状态误差反馈率u_i如下：

Images