基于分层式控制的混合动力汽车生态驾驶研究

doi:10.19562/j.chinasae.qcgc.2023.04.003

摘要/Abstract

摘要：

智能交通系统技术的发展为进一步提高车辆驾驶性能带来了新的机遇。插电式混合动力汽车的生态驾驶涉及到3个问题，分别为如何利用动态交通信息对纵向行驶速度进行规划，动力电池SOC全局最优快速规划，以及动力系统实时能量管理。为此，本文中设计了一种结合通精度模型的兼顾计算效率与求解精度的分层式控制策略。上层控制融合了动态交通信号灯信息，通过对车辆行驶速度优化提高了驾驶舒适性，中层则通过对动力系统模型拟合近似，利用凸优化算法实现了SOC快速全局最优规划，为消除拟合模型产生的误差，下层则基于原始非线性模型，通过反馈控制，构建了一种自适应等效燃油消耗最小值策略（A-ECMS）。结果表明，车辆的驾驶舒适性相比于没有速度优化的策略提升了75.92%，且燃油经济性相比于两种常用的基于线性规划的策略分别提升了7.39%与10.91%。

关键词: 智能交通系统, 插电式混合动力汽车, 生态驾驶, 分层式控制

Abstract:

The development of intelligent transportation system technology provides a great opportunity to further improve the driving performance of automotive vehicles. The eco-driving of plug-in hybrid electric vehicles （PHEV） involves three issues， namely， how to use dynamic traffic information for longitudinal driving speed planning， optimal rapid planning of global battery state of charge （SOC）， and the real-time energy management of the power system. This paper devises a hierarchical control strategy that combines the accuracy model with both calculation efficiency and solution accuracy to solve these problems. In the upper control layer， dynamic traffic light signal information is incorporated into the velocity optimization process to improve driving comfort. In the middle control layer， the SOC fast global optimal planning is realized based on the convex optimization by fitting the powertrain model. Finally， in order to eliminate the error caused by the fitting model， based on the original nonlinear model， an adaptive equivalent consumption minimization strategy （A-ECMS） is established in the lower control layer through feedback control. The results show that the driving comfort is improved by 75.92% compared with the strategy without optimization in velocity， and the fuel economy is improved by 7.39% and 10.91% respectively compared with that of two often used linear programming-based energy management strategies （EMSs）.

Key words: intelligent transportation system, plug-in hybrid electric vehicles, eco-driving, hierarchical control

李亚鹏,唐小林,胡晓松. 基于分层式控制的混合动力汽车生态驾驶研究[J]. 汽车工程, 2023, 45(4): 551-560.

Yapeng Li,Xiaolin Tang,Xiaosong Hu. Study on Eco-driving of PHEVS Based on Hierarchical Control Strategy[J]. Automotive Engineering, 2023, 45(4): 551-560.

图/表 23

表1

图1

图2

表2

表3

整车主要参数［21］"

空气阻力系数 c_d	0.7
风阻面积 A_f/m²	7.54
空气密度 $ρ$ /（kg·m^-3）	1.183 9
重力加速度 g /（m·s^-2）	9.81
滚动阻力 c_r	0.007
整车质量 m_veh /kg	14 661
车轮有效半径 r_we /m	0.509
主减速比 i₀	4.7
惯性质量 J_veh /（kg·m²）	41.8
附加功率 P_aux /kW	7

表3

图3

图4

图5

图6

图7

图8

图9

图10

表4

图11

图12

图13

图14

表5

图15

图16

图17

图18

参考文献 22

1	张彬，邹渊，张旭东，等.基于TD3-PER的混合动力履带车辆能量管理［J］.汽车工程，2022， 44（9）： 1400-1409.
	ZHANG B， ZOU Y， ZHANG X D， et al. Energy management strategy based on TD3-PER for hybrid electric vehicle［J］. Automotive Engineering， 2022， 44（9）： 1400-1409.
2	IOANNOU P A， CHIEN C C. Autonomous intelligent cruise control［J］. IEEE Transactions on Vehicular Technology， 1993， 42（4）： 657-672.
3	DEY K C， YAN L， WANG X J， et al. A review of communication， driver characteristics， and controls aspects of cooperative adaptive cruise control （CACC）［J］. IEEE Transactions on Intelligent Transportation System， 2016， 17（2）： 491-509.
4	郭景华，李文昌，王靖瑶，等.智能电动汽车自适应巡航与再生制动多目标协同控制［J］.汽车工程，2020， 42（12）： 1638-1646.
	GUO J H， LI W C， WANG J Y， et al. Multi-objective integrated adaptive cruise and regenerative braking control of intelligent electric vehicle［J］. Automotive Engineering， 2020， 42（12）： 1638-1646.
5	李兴坤，郑旭光，王国晖，等.重型商用车预见性自适应巡航控制策略研究［J］.汽车工程，2022， 44（5）： 649-655.
	LI X K， ZHENG X G， WANG G H， et al. Research on control strategy of predictive adaptive cruise control of heavy duty commercial vehicle［J］. Automotive Engineering， 2022， 44（5）： 649-655.
6	彭理群，王依婷，马育林，等.面向混合自动驾驶车流的协同自适应巡航控制［J］.汽车工程，2022， 44（8）： 1153-1161.
	PENG L Q， WANG Y T， MA Y L， et al. Cooperated adaptive cruise control for mixed autonomous traffic flow［J］. Automotive Engineering， 2022， 44（8）： 1153-1161.
7	RAHMAN M， CHOWDHURY M， KHAN T， et al. Improving the efficacy of car-following models with a new stochastic parameter estimation and calibration method［J］. IEEE Transactions on Intelligent Transportation System， 2015， 16（5）： 2687-2699.
8	LI L， WANG X Y， SONG J. Fuel consumption optimization for smart hybrid electric vehicle during a car-following process［J］. Mechanical System and Signal Processing， 2017， 87： 17-29.
9	DIB W， CHASSE A， MOULIN P， et al. Optimal energy management for an electric vehicle in eco-driving applications［J］. Control Engineering Practice， 2014， 29： 299-307.
10	ZENG X， WANG J. A parallel hybrid electric vehicle energy management strategy using stochastic model predictive control with road grade preview［J］. IEEE Transactions on Control System Technology， 2015， 23（6）： 2416-2423.
11	ASADI B， VAHIDI A. Predictive cruise control： utilizing upcoming traffic signal information for improving fuel economy and reducing trip time［J］. IEEE Transactions on Control Systems Technology， 2011， 19（3）： 707-714.
12	KAMAL M， MUKAI M， MURATA J， et al. Model predictive control of vehicles on urban roads for improved fuel economy［J］. IEEE Transactions on Control Systems Research， 2018， 16（3）： 831-841.
13	SHAO Y L， SUN Z X. Eco-approach with traffic prediction and experimental validation for connected and autonomous vehicles［J］. IEEE Transactions on Intelligent Transportation System， 2021， 22（3）： 1562-1572.
14	SHAO Y L， SUN Z X. Optimal eco-approach control with traffic prediction for connected vehicles［C］. Proceedings of the ASME 11th Annual Dynamic Systems and Control Conference， 2018， 2：1-10.
15	SHAO Y L， ZULKEFLI M A M， SUN Z X， et al. Evaluating connected and autonomous vehicles using a hardware-in-the-loop testbed and a living lab［J］. Transportation Research Part C： Emerging Technologies， 2019， 102： 121-135.
16	LI Y P， TANG X L， GRZESIAK L， et al. The role and application of convex modeling and optimization in electrified vehicles［J］. Renewable and Sustainable Energy Reviews， 2022， 153： 1-12.
17	张风奇，胡晓松，许康辉，等.混合动力汽车模型预测能量管理研究现状与展望［J］.机械工程学报， 2019， 55（10）： 86-108.
	ZHANG F Q， HU X S， XU K H， et al. Current status and prospects for model predictive energy management in hybrid electric vehicles［J］. Journal of Mechanical Engineering， 2019， 55（10）： 86-108.
18	JOHANNESSON L， MURGOVSKI N， JONASSON E， et al. Predictive energy management of hybrid long-haul trucks［J］. Control Engineering Practice， 2015， 41： 83-97.
19	MURGOVSKI N， EGARDT B， NILSSON M. Cooperative energy management of automated vehicles［J］. Control Engineering Practice， 2016， 57： 84-98.
20	GHANDRIZ T， JACOBSON B， MURGOVSKI N， et al. Real-time predictive energy management of hybrid electric heavy vehicles by sequential programming［J］. IEEE Transactions on Vehicular Technology， 2021， 70（5）： 4113-4128.
21	LI Y P， WANG F， TANG X L， et al. Convex optimization-based predictive and bi-level energy management for plug-in hybrid electric vehicles［J］. Energy， 2022， 257： 1-13.
22	TANG X L， DUAN Z W， HU X S， et al. Improving ride comfort and fuel economy of connected hybrid electric vehicles based on traffic signals and real road information［J］. IEEE Transactions on Vehicular Technology， 2021， 70： 3101-3113.

信号灯编号		1	2	3	4
SPaT	红灯t_r	48	60	77	83
SPaT	绿灯t_g	26	30	36	44

	行驶时间/s	最大速度/（m·s^-1）	平均速度/（m·s^-1）	加速度RMSE
速度有优化	1 683	14.5	8.613 8	0.202 2
速度无优化	1 551	15	9.346 1	0.839 8

项目	燃油消耗/g	SOC终值
本文策略	741.39	0.301 4
线性规划1	800.55	0.335 2
线性规划2	832.21	0.352 5

[1]	李捷,吴晓东,许敏,刘永刚. 基于强化学习的城市场景多目标生态驾驶策略[J]. 汽车工程, 2023, 45(10): 1791-1802.
[2]	陈欣宇,钱立军,王其东. 考虑时延的信号交叉口生态驾驶控制[J]. 汽车工程, 2022, 44(7): 960-968.
[3]	刘志超,郑天雷,柳邵辉,龚慧明. 插电式混合动力乘用车能耗和续驶里程评价方法研究[J]. 汽车工程, 2022, 44(2): 161-170.
[4]	钱立军,陈健,吴冰,宣亮,陈晨,陈亮亮. 考虑驾驶员操作误差的混合动力汽车队列生态驾驶控制[J]. 汽车工程, 2021, 43(7): 1037-1045.
[5]	解少博,张康康,张乾坤,罗慧冉. 考虑电池电-热-放电深度的并联PHEV能量管理策略研究[J]. 汽车工程, 2021, 43(6): 791-798.
[6]	张岩, 段炼, 袁侠义, 江亮, 徐仰汇, 兰凤崇. 插电式混合动力汽车低SOC能量流试验研究^*[J]. 汽车工程, 2020, 42(5): 688-693.