智能网联混合动力车辆速度规划的多目标协同控制研究

doi:10.19562/j.chinasae.qcgc.2021.07.001

摘要/Abstract

摘要：

考虑车辆的行驶安全性、机动性、能耗经济性、舒适性和电池老化等多重目标，以弯道场景为例对智能网联混合动力客车的速度进行实时规划。首先，以车辆速度和动力电池SOC作为状态变量，加速度和发动机-发电机组输出功率作为控制变量，以混合动力客车的能量消耗成本、电池老化成本、机动性成本和舒适性成本的加权和最小化为目标函数。其次，以弯道行驶安全性、动力系统和电池系统的物理特性等为约束，实施基于模型预测的多目标协同控制，并应用动态规划算法求解滚动空间域内的多目标优化问题，从而实现实时的速度规划和能量分配。同时，分析机动性和舒适性赋予不同权重对性能的影响。结果表明：（1）考虑电池老化的控制策略可以在不影响车辆动力性和机动性的情况下，使电池老化成本降低25.8%，综合成本降低2.3%；（2）提高机动性成本的权重因子能够缩短行驶时间，但会引起综合成本的增加；（3）提高舒适性权重因子可以减少速度波动，同时降低综合成本。

关键词: 智能网联混合动力汽车, 速度规划, 多目标优化, 能量管理, 电池老化, 模型预测控制

Abstract:

Considering the multiple objectives of vehicle safety， mobility， energy consumption economy， comfortability as well as battery aging， this paper conducts real?time speed planning for intelligent connected hybrid electric buses in the curve road scenario. Firstly， the objective function aims for minimizing the total weighted cost associated with energy consumption， battery aging， mobility and comfortability where the speed and battery state?of?charge are chosen as state variables， and the acceleration and engine?generator?unit output power are chosen as control variables. Then， the multi?objective coordinated control based on model prediction is implemented while satisfying the constraints of curve driving safety and the physical characteristics of powertrain and battery system. Moreover， the dynamic programming algorithm is applied to solve the multiple optimization problem over the preview horizon to realize real?time speed planning and energy allocation. At the same time， different weights of mobility and comfortability on performance are discussed. The results show that （1） the control strategy considering the battery aging can lower the aging cost and total cost by 25.8% and 2.3% respectively without affecting the vehicle power and mobility；（2） Improving the weight of mobility cost shortens the driving time， but raises the total cost；（3） Improving the weight of comfortability can constrain the speed fluctuation， and reduce the total cost.

Key words: intelligent connected hybrid vehicles, speed planning, multiple objective optimization, energy management, battery aging, model predictive control

解少博,罗慧冉,张乾坤,张康康. 智能网联混合动力车辆速度规划的多目标协同控制研究[J]. 汽车工程, 2021, 43(7): 953-961.

Shaobo Xie,Huiran Luo,Qiankun Zhang,Kangkang Zhang. Research on Multiple Objective Coordinated Control of Speed Planning for Intelligent Connected Hybrid Electric Vehicles[J]. Automotive Engineering, 2021, 43(7): 953-961.

图/表 21

图 1

表 1

图 2

图 3

图 4

图 5

图 6

图 7

图 8

表 2

图 9

图 10

表 3

不同期望行驶时间的结果对比"

$t e x p e c t$ /s	气耗量/m³	电耗量/（kW·h）	电池老化成本/元	综合成本/元	平均车速/（km·h^-1）
5	0.61	0.20	0.21	2.61	56.71
6.5	0.38	0.65	0.39	2.29	54.47
7	0.54	0.14	0.15	2.24	52.01
7.5	0.51	0.14	0.13	2.13	50.24
8	0.45	0.26	0.11	1.98	47.10

表 3

图 11

图 12

表 4

不同机动性权重因子的结果对比"

$λ$	气耗量/m³	电耗量/（kW·h）	电池老化成本/元	综合成本/元	平均车速/（km·h^-1）
0.1	0.45	0.27	0.12	2.01	50.17
1	0.41	0.43	0.20	2.08	52.29
3	0.54	0.14	0.15	2.24	52.01
4	0.56	0.14	0.15	2.32	52.10
10	0.55	0.14	0.15	2.30	52.08

表 4

图 13

图 14

表 5

不同舒适性权重因子的结果对比"

$β$	气耗量/m³	电耗量/（kW·h）	电池老化成本/元	综合成本/元	平均车速/（km·h^-1）
0.5	0.32	0.87	0.37	2.25	51.54
3.5	0.56	0.14	0.15	2.32	52.98
5	0.54	0.14	0.15	2.24	52.01
10	0.41	0.45	0.21	2.09	52.49
40	0.42	0.35	0.19	2.03	51.28

表 5

图 15

图 16

参考文献 18

1	KIM Y， FIGUEROA⁃SANTOS M， PRAKASH N， et al. Cooptimization of speed trajectory and power management for a fuelcell/battery electric vehicle ［J］. Applied Energy， 2020， 260： 114254.
2	ZENG X， WANG J. Globally energy⁃optimal speed planning for road vehicles on a given route ［J］. Transportation Research Part C：Emerging Technologies， 2018， 93： 148-160.
3	KAMAL M A， MUKAI M， MURATA J， et al. Ecological vehicle control on roads with up⁃down slopes ［J］. IEEE Transactions on Intelligent Transportation Systems， 2011， 12（3）： 783-794.
4	DING F， JIN H. On the optimal speed profile for eco⁃driving on curved roads ［J］. IEEE Transactions on Intelligent Transportation Systems， 2018， 19（12）： 4000-4010.
5	LI S E， XU S， HUANG X， et al. Eco⁃departure of connected vehicles with V2X communication at signalized intersections ［J］. IEEE Transactions on Vehicular Technology， 2015， 64（12）： 5439-5449.
6	GONDER J， MARKEL T. Energy management strategies for plugin hybrid electric vehicles ［C］. SAE Paper 2007-01-0290.
7	HE H， TANG H， WANG X， et al. Global optimal energy management strategy research for a plug⁃in series⁃parallel hybrid electric bus by using dynamic programming ［J］. Mathematical Problems in Engineering， 2013， Article ID： 708261.
8	KIM N， CHA S W， PENG H， et al. Optimal control of hybrid electric vehicles based on Pontryagin’s minimum principle ［J］. IEEE Transactions on Control Systems and Technology， 2011， 19（5）： 1279-1287.
9	SERRAO L， ONORI S， RIZZONI G. ECMS as a realization of Pontryagin’s minimum principle for HEV control ［C］. American Control Conference， 2009： 3964-3969.
10	XIE S， HU X， LIU T， et al. Predictive vehicle⁃following power management for plug⁃in hybrid electric vehicles ［J］. Energy， 2019， 166： 701-714.
11	LIU T， HU X， LI S E， et al. Reinforcement learning optimized look⁃ahead energy management of a parallel hybrid electric vehicle［J］. IEEE/ASME Transactions on Mechatronics， 2017， 22（4）： 1497-1507.
12	XU S， PENG H. Design and comparison of fuel⁃saving speed planning algorithms for automated vehicles ［J］. IEEE Access， 2018， 6： 9070-9080.
13	解少博，陈欢，刘通，等. 基于DP-ECMS的插电式混合动力城市客车能量管理策略研究［J］. 汽车工程， 2017， 39（7）： 736-741.
	XIE S， CHEN H， LIU T， et al. A research on energy management strategy for a plug⁃in hybrid electric bus based on DP⁃ECMS strategy ［J］. Automotive Engineering， 2017， 39（7）： 736-741.
14	JOHNSON V H. Battery performance models in ADVISOR ［J］. Journal of Power Sources， 2002， 110（2）： 321-329.
15	WANG J， LIU P， HICKS⁃GARNER J， et al. Cycle⁃life model for graphite⁃LiFePO₄ cells ［J］. Journal of Power Sources， 2011， 196（8）： 3942-3948.
16	TANG L， RIZZONI G， ONORI S. Energy management strategy for HEVs including battery life optimization ［J］. IEEE Transactions on Transportation Electrification， 2015， 1（3）： 211-222.
17	SERRAO L， ONORI S， SCIARRETTA A， et al. Optimal energy management of hybrid electric vehicles including battery aging ［C］. American Control Conference， IEEE， 2011： 2125-2130.
18	曼弗雷德·米奇克，亨宁·瓦伦托维兹. 汽车动力学［M］. 5版. 北京：清华大学出版社， 2019.
	MANFRED M， WALLENTOWITZ H. Vehicle dynamics ［M］. 5th. Beijing： Tsinghua University Press， 2019.

参数	数值
长×宽×高/mm	11 980×2 500×3 200
前/后悬/mm	2 585/3 295
前/后轮距/mm	2 053/1 830
轴距/mm	6 100
整备质量/kg	14 500
轮边减速器减速比	13.9

考虑电池老化与否	气耗量/m³	电耗量/（kW·h）	电池老化成本/元	综合成本/元	平均车速/（km·h^-1）
否	0.41	0.44	0.31	2.19	52.29
是	0.44	0.33	0.23	2.14	52.20

[1]	熊萌,张栋,尤国建,孙添飞,盛凯,魏学哲. 电动汽车无线充电高效高利用率磁芯的多目标优化设计[J]. 汽车工程, 2023, 45(9): 1740-1752.
[2]	王明,唐小林,杨凯,李国法,胡晓松. 考虑预测风险的自动驾驶车辆运动规划方法[J]. 汽车工程, 2023, 45(8): 1362-1372.
[3]	高锋,冯德福,胡秋霞. 面向NMPC运动规划系统的数值优化加速技术[J]. 汽车工程, 2023, 45(8): 1438-1447.
[4]	林程, 汪博文, 吕沛原, 宫新乐, 于潇. 面向变曲率道路的自动驾驶汽车换道博弈运动规划与协同控制研究[J]. 汽车工程, 2023, 45(7): 1099-1111.
[5]	李军, 周伟, 唐爽. 基于自适应拟合的智能车换道避障轨迹规划[J]. 汽车工程, 2023, 45(7): 1174-1183.
[6]	查云飞,吕小龙,陈慧勤,易迎春,王燕燕. 基于路面附着系数估计的车辆轨迹跟踪控制[J]. 汽车工程, 2023, 45(6): 1010-1021.
[7]	邹渊,孙文景,张旭东,温雅,曹万科,张兆龙. 面向时间敏感网络的车载以太网网络架构多目标优化[J]. 汽车工程, 2023, 45(5): 746-758.
[8]	贺伊琳,马建,杨舒凯,郑威,薛启帆. 融合预瞄特性的智能电动汽车稳定性模型预测控制研究[J]. 汽车工程, 2023, 45(5): 719-734.
[9]	周兵,魏佳宝,柴天,吴晓建,王鹤. 基于最优方法的碰后辅助驾驶控制策略[J]. 汽车工程, 2023, 45(4): 561-571.
[10]	张彬,邹渊,张旭东,孙逢春,吴喆,孟逸豪. 混动履带式无人平台轨迹跟踪控制研究[J]. 汽车工程, 2023, 45(4): 579-587.
[11]	张紫微,郑玲,李以农,乔旭强,郑浩,王戡. 考虑前车运动不确定性的多目标自适应巡航控制[J]. 汽车工程, 2023, 45(3): 361-371.
[12]	刘晋霞,梁志豪,王强,温明星. TTR汽车等效燃油消耗最小的能量管理策略研究[J]. 汽车工程, 2023, 45(2): 285-292.
[13]	贺林,徐子昂,黄春荣,龚超,李书华,石琴. 线控转向系统转角预测滑模控制算法研究[J]. 汽车工程, 2023, 45(12): 2200-2208.
[14]	胡丹丹,尹鹏飞,牛国臣,赵金聚. 非结构化道路下离轴式拖挂车辆主动避障控制研究[J]. 汽车工程, 2023, 45(12): 2318-2329.
[15]	段志勇,马菁. 锂电池热管-液冷板式冷却结构多目标优化[J]. 汽车工程, 2023, 45(11): 2047-2057.