智能网联电动汽车经济性巡航速度规划

doi:10.19562/j.chinasae.qcgc.2022.04.016

摘要/Abstract

摘要：

本文中在充分利用智能交通环境信息的前提下，提出一种基于滚动距离域近似动态规划的经济性巡航速度规划方法，实现了车辆在不同坡度道路上的经济性巡航，有效延长电动汽车的续航里程。首先，根据动态交通环境，设计了基于距离域的分段滚动形式，建立车速与道路坡度的映射关系；其次，采用了带有异步并行网络的近似动态规划算法，综合考虑安全性和通行效率，快速求解经济性巡航车速；最后，搭建智能网联汽车硬件在环仿真平台对所提方法进行了验证。结果表明，与传统定速巡航策略相比，本文中提出的方法在不增加通行时间的前提下，可有效降低车辆能耗，延长续航里程。

关键词: 网联电动汽车, 经济性驾驶, 近似动态规划, 能量管理

Abstract:

On the premise of sufficiently utilizing intelligent traffic environment information， an economical cruising speed planning method based on approximate dynamic programming in rolling distance domain is proposed in this paper， to enable vehicle achieve economic cruise on roads with different slopes， effectively extending the driving range of electric vehicles. Firstly， according to the dynamic traffic environment， the segmented rolling form based on distance domain is designed， and the mapping relationship between vehicle speed and road slope is established. Then， the approximate dynamic programming algorithm with asynchronous parallel network is adopted to rapidly calculate the economic cruising speed with concurrent considerations of safety and traffic efficiency. Finally， a hardware-in-the-loop simulation platform for intelligent connected vehicle is built to verify the method proposed. The results indicate that compared with traditional constant-speed cruise strategy， the proposed method effectively reduces the energy consumption and extends the driving range of vehicle without increasing its travel time.

Key words: network connected EV, economic driving, approximate dynamic programming, energy management

张哲,丁海涛,张袅娜,郭孔辉. 智能网联电动汽车经济性巡航速度规划[J]. 汽车工程, 2022, 44(4): 609-616.

Zhe Zhang,Haitao Ding,Niaona Zhang,Konghui Guo. Economic Cruising Speed Planning of Intelligent Network Connected Electric Vehicle[J]. Automotive Engineering, 2022, 44(4): 609-616.

图/表 15

图1

图2

图3

图4

图5

图6

表1

优化流程表"

基于距离域近似动态规划方法流程

1）根据前方道路信息及本车信息，设计分段距离域基本离散距离等信息。

2）车辆状态初始化；动作网络、评价全局网络及子网络权值、学习率及子系统更新时间等参数初始化；设定最小误差 $T c$ 及 $T a$ ；设定每次迭代次数。

3）由式（10）计算控制动作估计值 $u ? (k)$ 。

4）根据式（8）和状态方程计算回报值 $r (k)$ 和下一状态 $x ? (k + 1)$ 。

5）由式（13）计算全局评价网络值 $J ? (k)$ 和根据 $x ? (k + 1)$ 计算 $J ? (k + 1)$ 。

6）计算评价网络误差，子网络达到更新时间上传更新权值，根据式（18）更新全局评价网络误差。

7）更新最优值函数并求解近似最优解。

8）计算动作网络误差，根据式（12）更新动作网络。

9）如果 $e c < T c$ 并 $e a < T a$ 或达到最大迭代步，完成训练，输出动作值 $u (k)$ ，否则执行第3步。

10）根据输出 $u (k)$ 和 $x (k)$ 获得 $x (k + 1)$ ；循环更新状态。

表1

图7

表2

图8

图9

图10

图11

图12

表3

参考文献 21

1	郭露露，高炳钊，陈虹. 汽车经济性行驶优化［J］. 中国科学：信息科学，2016（5）：11.
	GUO Lulu， GAO Bingzhao， CHEN Hong. Optimal eco-driving control of vehicles［J］. Scientia Sinica Informationis， 2016（5）：11.
2	TIE S F， TAN C W. A review of energy sources and energy management system in electric vehicles［J］. Renewable & Sustainable Energy Reviews，2013， 20（4）： 82-102.
3	李升波，徐少兵，王文军，等. 汽车经济性驾驶技术及应用概述［J］. 汽车安全与节能学报， 2014， 5（2）： 121-131.
	LI Shengbo， XU Shaobing， WANG Wenjun， et al. Overview of ecological driving technology and application for ground vehicles［J］. Automotive Safety and Energy， 2014， 5（2）： 121-131.
4	XU S B， LI S B， CHENG B. Optimization for economical cruising strategy of continuously variable transmission vehicle using pseudo-spectral method［J］. Control Theory & Applications， 2014.
5	杨宁康，韩立金，刘辉，等.基于效率优化的混合动力车辆强化学习能量管理策略研究［J］.汽车工程，2021，43（7）： 1046-1056.
	YANG Ningkang， HAN Lijin， LIU Hui， et al. Research on efficiency optimization based energy management strategy for a hybrid electric vehicle with reinforcement learning［J］.Automotive Engineering， 2021，43（7）： 1046-1056.
6	李克强，陈涛，罗禹贡，等. 智能环境友好型车辆——概念、体系结构及工程实现［J］. 汽车工程， 2010，30（9）： 743-748.
	LI Keqiang， CHEN Tao， LUO Yugong， et al. Environmentally friendly intelligent vehicle： concept， architecture and implementation［J］. Automotive Engineering， 2010，30（9）： 743-748.
7	HANNAN M A， AZIDIN F A， MOHAMED A. Hybrid electric vehicles and their challenges： a review［J］. Renew Sustain Energy Rev， 2014， 29 ： 135–150.
8	付锐，张雅丽，袁伟.生态驾驶研究现状及展望［J］.中国公路学报，2019， 32（3）： 1-12.
	FU Rui， ZHANG Yali， YUAN Wei. Progress and prospect in research on eco-driving［J］. China Journal of Highway Transport， 2019， 32（3）： 1-12.
9	KAMAL M A S， 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.
10	LI S E， PENG H， LI K， et al. Minimum fuel control strategy in automated car-following scenarios［J］. IEEE Transactions on Vehicular Technology， 2012， 61（3）： 998-1007.
11	XU S， LI S E， ZHANG X， et al. Fuel-optimal cruising strategy for road vehicles with step-gear mechanical transmission［J］. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（6）： 3496-3507.
12	SAERENS B， BULCK E. Calculation of the minimum-fuel driving control based on Pontryagin's maximum principle［J］. Transportation Research Part D ：Transport & Environment， 2013， 24：89-97.
13	ZHUANG W C， QU Linghu， XU Shaobing， et al. Integrated energy-oriented cruising control of electric vehicle on highway with varying slopes considering battery aging［J］. Science China（Technological Sciences）， 2020，1（63），155-165.
14	HELLSTRO M E， IVARSSON M，ASLUND J， et al. Look-ahead control for heavy trucks to minimize trip time and fuel consumption［J］. IFAC Proceedings Volumes， 2007， 40（10）： 439-446.
15	DING Feng， JIN Hui. On the optimal speed profile for eco-driving on curved roads［J］. IEEE Transactions on Intelligent Transportation Systems， 2018， 19 （12）：1-11.
16	VAJEDI M， AZAD N L. Ecological adaptive cruise controller for plug-in hybrid electric vehicles using nonlinear model predictive control［J］. IEEE Transactions on Intelligent Transportation Systems， 2015， 17（1）： 113-122.
17	BAKIBILLAH A， KAMAL M， TAN C， et al. Fuzzy-tuned model predictive control for dynamic eco-driving on hilly roads［J］. Applied Soft Computing， 2020， 99.
18	GUO L， GAO B， YING G， et al. Optimal energy management for hevs in eco-driving applications using bi-level MPC［J］. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（8）： 2153-2162.
19	GUO L， CHEN H， LIU Q， et al. A computationally efficient and hierarchical control strategy for velocity optimization of on-road vehicles［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2019，1（49）：1-11.
20	HUANG Zhi， ZHONG Zhihua. A study on active handling stability control for electric vehicle with individual wheel driving［J］. Automotive Engineering，2005， 27（5）： 565-569.
21	CHEN H， GUO L， DING H， et al. Real-time predictive cruise control for eco-driving taking into account traffic constraints［J］. IEEE Transactions on Intelligent Transportation Systems， 2018， 20（3）：1-11.

车辆参数	数值
汽车质量/kg	1 700
迎风面积/m²	2.08
空气阻力系数	0.35
空气密度/（kg·m^-3）	1.205
车轮半径/m	0.33

控制方法	运行时间
ACC巡航	179.99 s
本文方法	179.45 s

[1]	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.
[2]	齐春阳,宋传学,宋世欣,靳立强,王达,肖峰. 基于逆强化学习的混合动力汽车能量管理策略研究[J]. 汽车工程, 2023, 45(10): 1954-1964.
[3]	解少博,屈鹏程,李嘉诚,王惠庆,郎昆. 跟驰场景中网联混合电动货车速度规划和能量管理协同控制的研究[J]. 汽车工程, 2022, 44(8): 1136-1143.
[4]	魏小栋,刘波,冷江昊,周星宇,孙超,孙逢春. 基于凸优化的燃料电池汽车节能驾驶研究[J]. 汽车工程, 2022, 44(6): 851-858.
[5]	陈勇,魏长银,李晓宇,李彦林,刘彩霞,林霄喆. 融合工况识别的增程式电动汽车模糊能量管理策略研究[J]. 汽车工程, 2022, 44(4): 514-524.
[6]	程夕明,胡薇,翟钧,罗荣华,张盼,徐野. 纯电动汽车低压电气系统效率研究[J]. 汽车工程, 2022, 44(4): 601-608.
[7]	李军求,刘吉威,朱超峰. 基于时变底盘构型的混动车辆能量管理研究[J]. 汽车工程, 2022, 44(12): 1866-1876.
[8]	杨宁康,韩立金,刘辉,张欣. 基于效率优化的混合动力车辆强化学习能量管理策略研究[J]. 汽车工程, 2021, 43(7): 1046-1056.
[9]	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.
[10]	韩立金,刘辉,刘聪,刘宝帅,张聪. 基于电池寿命预测控制的履带车辆能量管理[J]. 汽车工程, 2021, 43(5): 657-666.
[11]	胡杰,王明,刘迪,颜伏伍,曹恺. 基于交通信息的复合电源系统控制策略优化[J]. 汽车工程, 2021, 43(5): 675-682.
[12]	张昊,范钦灏,王巍,黄晋,王志. 基于强化学习的多燃烧模式混合动力能量管理策略[J]. 汽车工程, 2021, 43(5): 683-691.
[13]	陈龙,陈智星,徐兴,王峰,蔡英凤,张涛. 考虑发动机起停优化的PHEV能量管理策略[J]. 汽车工程, 2021, 43(3): 313-322.
[14]	张瑞亮,陈准,刘森海,范政武. 基于低通滤波的大功率型氢燃料电池重型货车自适应能量管理策略[J]. 汽车工程, 2021, 43(11): 1693-1701.
[15]	杨业, 张幽彤, 张彪, 胡韶奕. 基于等效因子优化的插电式混合动力客车自适应能量管理策略[J]. 汽车工程, 2020, 42(3): 292-298.