基于时变底盘构型的混动车辆能量管理研究

doi:10.19562/j.chinasae.qcgc.2022.12.008

摘要/Abstract

摘要：

本文旨在依托实车试验数据，对混合动力分布式驱动重型车辆的时变构型能量管理策略进行研究。首先，依据实车试验数据采用动态规划算法求得能耗最优底盘构型，并通过训练长短时记忆（LSTM）神经网络完成3类典型场景下的构型优化；接着，基于规则判断提出RULE_LSTM算法，其匹配准确率在全局工况下比LSTM神经网络能耗最优构型提高11.76%，构型切换频繁程度降低了33.3%；然后，基于交通流完成长尺度工况信息预测，实现最优底盘构型匹配和参考SOC轨迹生成，基于径向基神经网络生成短尺度工况预测序列供给后续算法输入；最后，通过采用时变构型实现控制变量优化，同时引入强转速变化率约束和SOC参考轨迹引导，实现引导型多APU预测能量管理策略。结果表明，上述措施使燃油消耗分别降低了10.60%、3.95%、2.06%。

关键词: 混合动力分布式驱动重型车辆, 能耗优化, 底盘构型, 能量管理策略

Abstract:

This paper aims to study the time-varying configuration energy management strategy for hybrid distributed drive heavy vehicles based on real vehicle test data. Firstly， based on the real vehicle test data and by using the dynamic programming algorithm， the chassis configuration with optimal energy consumption is found， and the long short-term memory （LSTM） neural network is trained to complete the configuration optimization in three typical scenes. Then， the RULE_LSTM algorithm is proposed based on rule judgment. Its matching accuracy is 11.76% higher than that using LSTM network configuration with optimal energy consumption， and its frequency of configuration switching is reduced by 33.3%. Next， based on traffic flow the prediction on long-scale operating condition information is completed and the optimal chassis configuration matching and reference SOC trajectory generation are fulfilled. Based on radial basis function neural network， a short-scale operating condition prediction sequence is generated as the input of the subsequent algorithm. Finally， time-varying configuration is adopted to optimize the control variables， meanwhile the strong speed change rate constraint and SOC reference trajectory guidance are also introduced to implement the guided multi-APU predictive energy management strategy. The results show that with above-mentioned measures taken， the fuel consumption is reduced by 10.60%， 3.95%， and 2.06% respectively.

Key words: hybrid distributed drive heavy vehicles, energy consumption optimization, chassis configuration, energy management strategy

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.

Junqiu Li,Jiwei Liu,Chaofeng Zhu. Research on Energy Management of Hybrid Electric Vehicle Based on Time-Varying Chassis Configuration[J]. Automotive Engineering, 2022, 44(12): 1866-1876.

图/表 23

图1

图2

表1

图3

图4

表2

图5

图6

表3

图7

表4

图8

图9

表5

不同预测时域均方根误差"

预测时域 $H p$ /s	均方根误差RMSE/（km·h^-1）
5	0.640 0
10	0.838 6
15	1.189 3

表5

表6

图10

图11

图12

图13

图14

图15

图16

图17

参考文献 20

1	RAHMAN I， VASANT P M， SINGH B S M， et al. On the performance of accelerated particle swarm optimization for charging plug-in hybrid electric vehicles［J］. Alexandria Engineering Journal， 2016， 55（1）：419-426.
2	LI S， HE H， ZHAO P. Energy management for hybrid energy storage system in electric vehicle： a cyber-physical system perspective［J］. Energy， 2021， 230（4）：120890.
3	IQBAL M， RAMADAN H S， BECHERIF M. Health-aware frequency separation method for online energy management of fuel cell hybrid vehicle considering efficient urban utilization［J］. International Journal of Hydrogen Energy， 2021，46（29）： 16030-16047
4	HOU J， SONG Z. A hierarchical energy management strategy for hybrid energy storage via vehicle-to-cloud connectivity［J］. Applied Energy， 2020， 257：113900.1-113900.9.
5	LI Y， TAO J， HAN K. Rule and Q-learning based hybrid energy management for electric vehicle［C］. 2019 Chinese Automation Congress （CAC）， 2019.
6	ZHOU S， CHEN Z. Model prediction and rule based energy management strategy for hybrid energy storage system［C］. 2019 IEEE 3rd International Electrical and Energy Conference （CIEEC）. IEEE， 2019.
7	LIAN R， PENG J， WU Y， et al. Rule-interposing deep reinforcement learning based energy management strategy for power-split hybrid electric vehicle［J］. Energy， 2020， 197：117297.
8	吕志梁. 插电式混合动力汽车能量管理研究［D］.杭州：浙江大学， 2014.
	LV Z L. Research on power management of PHEV［D］. Hangzhou：Zhejiang University，2014.
9	YANG C， LIU K， JIAO X， et al. An adaptive firework algorithm optimization-based intelligent energy management strategy for plug-in hybrid electric vehicles［J］. Energy， 2022， 239.
10	WANG W， GUO X， YANG C， et al. A multi-objective optimization energy management strategy for power split HEV based on velocity prediction［J］. Energy， 2022， 238.
11	HOU S， GAO J， ZHANG Y， et al. A comparison study of battery size optimization and an energy management strategy for FCHEVs based on dynamic programming and convex programming［J］. International Journal of Hydrogen Energy， 2020， 45（41）.
12	REZAEI A， BURL J B， ZHOU B， et al. A new real-time optimal energy management strategy for parallel hybrid electric vehicles［J］. IEEE Transactions on Control Systems Technology， 2017：1-8.
13	HE H， WANG Y， HAN R， et al. An improved MPC-based energy management strategy for hybrid vehicles using V2V and V2I communications［J］. Energy， 2021，225.
14	UEBEL S， MURGOVSKI N， SJÖBERG J， et al. A 2-level MPC for energy management including velocity control of hybrid electric vehicle［J］. IEEE Transactions on Vehicular Technology， 2019， 68（6）.
15	GUO J， HE H， PENG J， et al. A novel MPC-based adaptive energy management strategy in plug-in hybrid electric vehicles［J］. Energy， 2019， 175：378-392.
16	张洁丽.基于模型预测控制的插电式混合动力客车能量管理策略研究［D］.北京：北京理工大学，2016.
	ZHANG J L. Energy management strategy for a plug-in hybrid electric bus based on model predictive control［D］. Beijing： Beijing Institute of Technology，2016.
17	SUN C， MOURA S J， HU X， et al. Dynamic traffic feedback data enabled energy management in plug-in hybrid electric vehicles［J］. IEEE Transactions on Control Systems Technology， 2015， 23（3）：1075-1086.
18	LARSSON V， JOHANNESSON L， EGARDT B. Analytic solutions to the dynamic programming subproblem in hybrid vehicle energy management［J］. IEEE Transactions on Vehicular Technology， 2014， 64（4）：1458-1467.
19	胡新辰. 基于LSTM的语义关系分类研究［D］. 哈尔滨：哈尔滨工业大学， 2014.
	HU X C. Research on semantic relation classification based on LSTM［D］. Harbin ：Harbin Institute of Technology，2014.
20	ZHENG C， GUO N， SHEN J， et al. A hierarchical energy management strategy for power-split plug-in hybrid electric vehicles considering velocity prediction［J］. IEEE Access， 2018：1-1.

参数	数值
整车质量/kg	55 000
空气密度常数	1.2
迎风面积/m²	7.2
空气阻力系数	0.5
滚动半径/m	0.6

工况	底盘构型	成本/元	匹配构型
某城市低速工况	1	1.697 6	构型1
	2	1.709 5
	3	1.724 8
某高速工况	1	23.752 7	构型2
	2	23.045 7
	3	25.048 7
某颠簸道路爬坡工况	1	35.714 4	构型3
	2	35.820 3
	3	31.727 4

工况尺度	更新节点	对应构型
固定300 s LSTM	1、300、600、900	构型1
	1 200	构型3
	1 500	构型1
	1 800	构型3
	2 100、2 400、2 700、3 000、3 300、3 600、 3 900	构型2
	4 200、4 500、4 800	构型3
	5 100、5 400、5 700	构型1
变尺度 RULE_LSTM	1、300、600	构型1
	920、1 200、1 500、1 880、2 025	构型3
	2 045、2 345、2 645、2 945、3 245、3 545、 3 845	构型2
	4 313、4 445、4 745、5 045	构型3
	5 154、5 454、5 754	构型1

径向基神经网络输入	均方根误差RMSE/（km·h^-1）
原始工况信息	0.894 8
原始工况信息+主成分分析工况特征	0.838 6

[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]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	金辉, 张子豪. 基于自适应动态规划的HEV能量管理研究综述^*[J]. 汽车工程, 2020, 42(11): 1490-1496.
[10]	林歆悠, 夏玉田, 李雪凡, 林海波. 燃料电池汽车行驶里程自适应ECMS策略[J]. 汽车工程, 2019, 41(7): 750-756.
[11]	姚堤照, 谢长君, 曾甜, 黄亮. 基于多模糊控制的电电混合汽车能量管理策略^*[J]. 汽车工程, 2019, 41(6): 615-624.
[12]	解少博，刘通，李会灵，辛宗科. 基于马尔科夫链的并联PHEB预测型能量管理策略研究[J]. 汽车工程, 2018, 40(8): 871-877.
[13]	解少博，辛宗科，李会灵，刘通，魏朗. 插电式混合动力公交车电池配置和能量管理策略协同优化的研究[J]. 汽车工程, 2018, 40(6): 625-.