基于能耗预测的网联电动公交车生态驾驶优化策略

doi:10.19562/j.chinasae.qcgc.2025.05.005

摘要/Abstract

摘要：

电动公交车的动力系统及能耗特性与传统内燃机公交车存在显著差异，传统公交车的节能驾驶策略并不完全适用于电动公交车。本文综合考虑电动公交车经过信号交叉口时的信号配时、前车信息能耗特性和乘客舒适性，提出一种基于能耗预测的网联电动公交车生态驾驶深度强化学习模型。首先，采集纯电动公交车自然驾驶数据，考虑电动公交车的制动能量回收特性，利用车辆动力学建立能耗基本模型，构建系统辨识模型对能耗基本模型中的未知参数进行辨识和估计；其次，剖析车辆进出信号交叉口时不同信号相位对速度模式的影响，确定能够精确描述交通环境信息的状态变量，以构建的能耗模型为基础，综合考虑安全、效率、节能和舒适性构建奖励函数，基于SAC（soft actor critic）算法构建电动公交车进出信号交叉口的生态驾驶策略优化模型；最后，将本文构建的生态驾驶策略与经典交叉口通行策略GLOSA进行对比验证。结果表明，本文提出的生态驾驶策略在划分的4种交通情境下均可保证车辆的安全性，在通行时间平均仅增长7.29%的情况下，舒适性平均提高21.96%，能耗平均降低24.47%。

关键词: 生态驾驶策略, 网联电动公交车, 深度强化学习, 乘客舒适性, 能耗预测, 信号交叉口

Abstract:

The power system and energy consumption characteristics of electric buses significantly differ from those of traditional buses with internal combustion engines， and conventional eco-driving strategies cannot fully adapt to electric buses. An energy consumption prediction-based deep reinforcement learning model is proposed for eco-driving of connected electric buses， taking into account of signal timing， information from preceding vehicles， energy consumption characteristics and comfort of passengers. Firstly， natural driving data from battery electric buses is collected， and a basic energy consumption model is established using vehicle dynamics， considering the regenerative braking characteristics of electric buses. A system identification model is then constructed to identify and estimate the unknown parameters in the basic energy consumption model. Next， the impact of different signal phases on speed patterns when entering and exiting signalized intersections is analyzed， and state variables that accurately describe traffic environment information are determined. Based on the constructed energy consumption model， a reward function is developed， considering safety， efficiency， energy conservation， and comfort. An optimization model for eco-driving strategies at signalized intersections for electric buses is established using the SAC（soft actor critic） algorithm. Finally， the proposed strategy is compared with the classic intersection passage strategy GLOSA. The results show that the proposed eco-driving strategy ensures vehicle safety across the four defined traffic scenarios. Despite an average increase in travel time of only 7.29%， the strategy enhances comfort by an average of 21.96% and reduces energy consumption by an average of 24.47%.

Key words: eco-driving strategy, connected electric bus, deep reinforcement learning, passenger comfort, energy consumption prediction, signalized intersection

潘应久,郗毅,刘延森,房文鹏,张文珊. 基于能耗预测的网联电动公交车生态驾驶优化策略[J]. 汽车工程, 2025, 47(5): 839-850.

Yingjiu Pan,Yi Xi,Yansen Liu,Wenpeng Fang,Wenshan Zhang. An Energy Consumption Prediction-Based Optimization Strategy for Eco-driving of Connected Electric Buses[J]. Automotive Engineering, 2025, 47(5): 839-850.

图/表 15

表1

数据参数说明"

参数	数据描述	实例
记录日期	记录日期	2022-09-07 07：39：25：472
经度	公交车所处位置的经度	113.366 3
纬度	公交车所处位置的纬度	22.920 88
车速/（ $k m ? h - 1$ ）	公交车实时车速	20.428 57
电压/ $V$	电池电压	596
电流/ $A$	电池电流	18.5
CAN里程/ $k m$	公交车累计里程	254 779.3

表1

图1

图2

表2

图3

图4

图5

表3

主要仿真参数"

参数	含义	取值
$E m a x$ /（W·h）	最大电池容量	48 300
$m / k g$	车辆质量	12 400
$v m a x / (k m ? h - 1)$	最高车速	40
$a m a x / (m ? s - 2)$	最大加速度	2.5
$d m a x / (m ? s - 2)$	最大减速度	2.5
$l / m$	交叉口信号范围	300
$t o p e n$	通行信号相位持续时间比	0.466 7
$t c y c l e$	交通信号灯周期时长	90
$D / s$	仿真步长	1

表3

表4

生态驾驶算法相关参数"

主要参数	数值
学习率	0.000 3
折现系数	0.99
重放缓冲区容量	100 000
样本批次大小	256
Actor网络层数	4
Critic网络层数	4
隐藏层神经元数量	256
$f 1$ ， $f 2$ ， $f 3$ ， $f v$ ， $β 1$ ， $β 2$ ， $β 3$ ， $α 1$ ， $α 2$ ， $α 3$ ， $α 4$	-1，1，-1，0.8，-100，-100， -100，1，0.5，3，1

表4

表5

4种交通情境信息"

交通情境	信号控制状态	剩余时间/s	初始车速/（ $k m ? h - 1$ ）
交通情境1	绿灯	15	34.54
交通情境2	绿灯	35	30.87
交通情境3	红灯	23	33.06
交通情境4	红灯	33	30.32

表5

图 6

图 7

图8

图9

表 6

生态驾驶算法对比结果"

参数	控制策略	交通情境
参数	控制策略	情境1	情境2	情境3	情境4
前车最小距离/ $m$	本文方法	5.33	23.63	7.31	8.73
前车最小距离/ $m$	GLOSA	2.50	27.49	2.50	2.50
加速度绝对值平均值/ $(m · s - 2)$	本文方法	0.24	0.08	0.31	0.29
加速度绝对值平均值/ $(m · s - 2)$	GLOSA	0.31	0.07	0.54	0.46
能源消耗率/ （ $k W · h · k m - 1$ ）	本文方法	0.95	0.50	0.81	0.89
能源消耗率/ （ $k W · h · k m - 1$ ）	GLOSA	1.35	0.61	1.24	1.05
通行时间/ $s$	本文方法	81	42	48	55
通行时间/ $s$	GLOSA	77	37	45	53
节能率/%	本文方法对比GLOSA	29.63	18.33	34.68	15.24

表 6

参考文献 28

1	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 R， ZHANG Y L， YUAN W. Progress and prospect in research on eco-driving［J］. China Journal of Highway and Transport， 2019， 32（3）： 1-12.
2	胡永辉，金旭峰，王亦兵，等. 智能网联混行动力异构交通流生态驾驶［J］. 中国公路学报， 2022， 35（3）： 15-27.
	HU Y H， JIN X F， WANG Y B， et al. Eco-driving of connected and automated vehicles in mixed and power-heterogeneous traffic flow［J］. China Journal of Highway and Transport， 2022，35（3）：15-27.
3	ZHAI C， CHEN C， YANG X， et al. Ecological driving for connected and automated vehicles at unsaturated intersections considering queue effects［J］. IEEE Transactions on Vehicular Technology， 2022， 71（12）： 1-13.
4	YU M， LONG J. An eco-driving strategy for partially connected automated vehicles at a signalized intersection［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（9）： 15780-15793.
5	HAN J， VAHIDI A， SCIARRETTA A. Fundamentals of energy efficient driving for combustion engine and electric vehicles： an optimal control perspective［J］. Automatica （Oxford）， 2019， 103： 558-572.
6	孟竹，邱志军. 节能导向的信号交叉口生态驾驶策略研究［J］. 交通信息与安全， 2018， 36（2）： 76-84， 92.
	MENG Z， QIU Z J. A study of eco-driving strategy at signalized intersections［J］. Journal of Transport Information and Safety， 2018， 36（2）： 76-84， 92.
7	FENG Y， YU C， LIU H X. Spatiotemporal intersection control in a connected and automated vehicle environment［J］. Transportation Research Part C： Emerging Technologies， 2018， 89： 364-383.
8	STAHLMANN R， MOELLER M， BRAUER A， et al. Exploring GLOSA systems in the field： technical evaluation and results［J］. Computer Communications， 2018， 120： 112-124.
9	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.
	CHEN X Y， QIAN L J， WANG Q D. Eco-driving control at signalized intersections with consideration of time delay［J］. Automotive Engineering， 2022， 44（7）： 960-968.
10	袁伟，张雅丽，王虹霞，等. 纯电动公交车交叉口节能驾驶策略［J］. 中国公路学报， 2021， 34（7）： 54-66.
	YUAN W， ZHANG Y L， WANG H X， et al. Energy-saving driving technique for pure electric buses in intersection［J］. China Journal of Highway and Transport， 2021，34（7）：54-66
11	钱立军，陈健，吴冰，等. 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.
	QIAN L J， CHEN J， WU B， et al. Eco⁃driving control for hybrid electric vehicle platoon with consideration of driver operation error［J］. Automotive Engineering， 2021， 43（7）： 1037-1045.
12	刘显贵，王晖年，洪经纬，等. 网联环境下信号交叉口车速控制策略及优化［J］. 交通运输系统工程与信息， 2021， 21（2）： 82-90.
	LIU X G， WANG H N， HONG J W， et al. Speed control strategy and optimization of signalized intersection in network environment［J］. Journal of Transportation Systems Engineering and Information Technology， 2021， 21（2）： 82-90.
13	钱立军，陈健，赵丰，等. 基于快速随机模型预测控制的网联混合车队生态驾驶策略研究［J］. 汽车工程， 2024， 46（9）：1587-1599.
	QIAN L J， CHEN J， ZHAO F， et al. Research on fast stochastic model predictive control-based eco-driving strategy for connected mixed platoons［J］. Automotive Engineering，，2024， 46（9）：1587-1599.
14	SHI J， QIAO F， LI Q， et al. Application and evaluation of the reinforcement learning approach to eco-driving at intersections under infrastructure-to-vehicle communications［J］. Transportation Research Record， 2018， 2672（25）： 89-98.
15	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.
16	庄伟超，丁昊楠，董昊轩，等. 信号交叉口网联电动汽车自适应学习生态驾驶策略［J］. 吉林大学学报（工学版）， 2023， 53（1）： 82-93.
	ZHUANG W C， DING H N， DONG H X， et al. Learning based eco-driving strategy of connected electric vehicle at signalized intersection［J］. Journal of Jilin University （Engineering and Technology Edition）， 2023， 53（1）：82-93.
17	BAI Z， HAO P， SHANGGUAN W， et al. Hybrid reinforcement learning-based eco-driving strategy for connected and automated vehicles at signalized intersections［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（9）： 15850-15863.
18	LI J， WU X， XU M， et al. Deep reinforcement learning and reward shaping based eco-driving control for automated HEVs among signalized intersections［J］. Energy， 2022， 251： 123924.
19	辛琪，王嘉琪，杨文科，等. 信控路段混行交通生态驾驶深度强化学习模型［J］. 交通运输系统工程与信息， 2024， 24（3）： 127-139.
	XIN Q， WANG J Q， YANG W K， et al. Eco-driving under mixed autonomy at signalized intersection：a deep reinforcement learning model［J］. Journal of Transportation Systems Engineering and Information Technology， 2024， 24（3）：127-139.
20	ZHOU M， YU Y， QU X. Development of an efficient driving strategy for connected and automated vehicles at signalized intersections： a reinforcement learning approach［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 21（1）： 433-443.
21	张健，姜夏，史晓宇，等. 基于离线强化学习的交叉口生态驾驶控制［J］. 东南大学学报（自然科学版）， 2022， 52（4）： 762-769.
	ZHANG J， JIANG X， SHI X Y， et al. Offline reinforcement learning for eco-driving control at signalized intersections［J］. Journal of Southeast University（Natural Science Edition）， 2022， 52（4）： 762-769.
22	李捷，吴晓东，许敏，等. 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.
	LI J， WU X D， XU M， et al. Reinforcement learning based multi-objective eco-driving strategy in urban scenarios［J］. Automotive Engineering， 2023， 45（10）： 1791-1802.
23	WEGENER M， KOCH L， EISENBARTH M， et al. Automated eco-driving in urban scenarios using deep reinforcement learning［J］. Transportation Research Part C： Emerging Technologies， 2021， 126.
24	FIORI C， MONTANINO M， NIELSEN S， et al. Microscopic energy consumption modelling of electric buses： model development， calibration， and validation［J］. Transportation Research Part D： Transport and Environment， 2021， 98.
25	PAN Y J， FANG W P， GE Z Z， et al. A hybrid on-line approach for predicting the energy consumption of electric buses based on vehicle dynamics and system identification［J］. Energy， 2024， 290.
26	KYONGSU Y， JINTAI C. Nonlinear brake control for vehicle CW/CA systems［J］. IEEE/ASME Transactions on Mechatronics， 2001， 6（1）： 17-25.
27	徐哲，刘豪，党威，等. 汽车制动舒适性控制研究综述［J］. 科学技术与工程， 2022， 22（17）： 6790-6801.
	XU Z， LIU H， DANG W， et al. Review on automotive braking comfort control［J］. Science Technology and Engineering， 2022， 22（17）：6790-6801.
28	KRAUSS S， WAGNER P， GAWRON C. Metastable states in a microscopic model of traffic flow［J］. Physical Review E， 1997， 55（5）： 5597-5602.

[1]	刘佳慧,邹渊,孙巍,孟逸豪,路潇然,李圆圆. 基于混合深度强化学习的ICV任务卸载与资源分配[J]. 汽车工程, 2025, 47(1): 35-43.
[2]	姚福星,孙超,兰云港,卢兵,王博,于海洋. 基于混合专家模型的智能网联汽车换道决策方法[J]. 汽车工程, 2024, 46(5): 882-892.
[3]	陈欣宇,陈健,钱立军,王其东. 交通信号与网联汽车速度协同优化方法研究[J]. 汽车工程, 2024, 46(12): 2267-2278.
[4]	耿小虎,付尧,王杰,雷雨龙,刘卫东,王玉海,刘科. 考虑不同时域的商用车预见性巡航控制[J]. 汽车工程, 2024, 46(11): 2046-2058.
[5]	姜俊昭,杨文豪,彭彬,郭婷,徐业凯,王国卓. 基于能耗加权策略的燃料电池汽车续驶里程预测[J]. 汽车工程, 2023, 45(12): 2357-2365.
[6]	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.
[7]	胡林,周登辉,黄晶,杜荣华,张新. 考虑信号灯和能耗的电动车最优路径规划[J]. 汽车工程, 2021, 43(5): 641-649.
[8]	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.
[9]	郭景华,李文昌,罗禹贡,陈涛,李克强. 基于深度强化学习的驾驶员跟车模型研究[J]. 汽车工程, 2021, 43(4): 571-579.
[10]	高振海,闫相同,高菲,孙天骏. 仿驾驶员DDPG汽车纵向自动驾驶决策方法[J]. 汽车工程, 2021, 43(12): 1737-1744.
[11]	周楠, 陈刚. 机器人驾驶车辆深度强化学习换挡策略^*[J]. 汽车工程, 2020, 42(11): 1473-1481.
[12]	胡林, 钟远兴, 黄晶, 杜荣华, 张新. 考虑信号交叉口延时的最优车辆路径规划算法^*[J]. 汽车工程, 2018, 40(10): 1223-1229.