基于实时路况信息的插电式混合动力汽车预测性能量管理算法研究
陈渠1 殷承良1 张建龙1 秦文刚2 1. 200240;2. ( 上海交通大学,汽车电子控制技术国家工程实验室,上海 联合汽车电子有限公司,上海 201206)
【摘要】为提高插电式混合动力汽车的燃油经济性,对基于实时路况信息的预测性能量管理算法展开研究。根据实时路况信息采用能耗分配法规划全局SOC参考轨迹,利用自适应等效燃油消耗最小策略( A-ECMS)跟随目标SOC轨迹实现能量管理。以上海市某行驶工况数据进行仿真,结果表明:全局SOC参考轨迹可在低、高速区间合理分配电量,真实SOC轨迹与参考轨迹变化趋势一致,燃油经济性较电量消耗-电量维持( CD-CS)策略提高7.65%,接近动态规划( DP)算法的全局最优解。主题词:插电式混合动力汽车 预测性能量管理策略 实时路况 能耗分配法U469.72 A 10.19620/j.cnki.1000-3703.20190511中图分类号: 文献标识码: DOI:
Research on Predictive Energy Management Algorithm of PHEV Based on Real-Time Traffic Information
Chen Qu1, Yin Chengliang1, Zhang Jianlong1, Qin Wengang2 1. National Engineering Laboratory for Automotive Electronic Control Technology, Shanghai Jiao Tong University, Shanghai ( 200240; 2. United Automotive Electronic Systems Co., Ltd., Shanghai 201206) Abstract In order to improve the fuel economy of plug- in hybrid electric vehicle, the researchers study a predictive【 】energy management algorithm based on real- time traffic information. Energy consumption distribution method is used to plan a global reference trajectory based on the real- time traffic information, and Adaptive Equivalent Fuel SOC Consumption Minimization Strategy (A- ECMS) is used to follow the target trajectory to achieve energy management. SOC The simulation is carried out based on the data of a driving condition in Shanghai. The result shows that: the global SOC reference trajectory could reasonably distribute power at low speed and high speed separately, the trend of real SOC trajectory is consistent with that of the reference trajectory, and the fuel economy is 7.65% higher than that of CD- CS strategy, which is close to the global optimal solution of Dynamic Programming (DP).
Key words: PHEV, Predictive energy management strategy, Real- time traffic, Energy consumption distribution method 1 前言
Plug- in
能量管理策略是插电式混合动力汽车(
Hybrid Electric Vehicle,PHEV)
的核心技术之一[1]。基于规则的管理策略主要依据工程经验或试验数据反复调试控制阈值,较易实现,鲁棒性好,但依赖于经验水平,且工况适应性差[2]。基于全局优化的能量管理策略,如
Dynamic Programming,DP)
动态规划( 算法,需预知行驶工况信息,且计算时间长,难以用于实车控制[3]。等效燃
Equivalent Fuel Consumption
油 消 耗 最 小 策 略(
Minimization Strategy,ECMS)
是一种瞬时优化策略,将电池电量消耗等效为燃油消耗,合适的等效系数可使
ECMS
作为次优解,获得接近全局最优解的控制效果[4],
其关键是最优等效因子的确定。随着汽车智能化、网联化的发展,汽车部件及系统
Intelligent Transport
控制策略可与智能交通系统(
System,ITS)
相结合[5]。将实时车况信息、道路信息及交
PHEV
通信息等整合到 能量管理策略中,可大幅提升工
ITS况适应性,从而改善燃油经济性[6]。目前 尚未完全
GPS
普及,地图开发平台依托大量的车载 接收机、手机
APP)
位置应用程序( 、道路测速仪等传送数据,可使开发者实时获取免费路况信息,所以有必要研究基于现有
PHEV
可实时获取的路况信息的 能量管理算法。
P2 PHEV
本文以某款 构型 为研究对象,首先从地图开发平台获取相关路况信息,构建能耗分配法规划全
State of Charge,SOC)
局荷电状态( 参考轨迹,建立自适
Adaptive Equivalent Fuel
应等效燃油消耗最小策略(
Consumption Minimization Strategy,A- ECMS)
实时跟踪目标SOC参考轨迹实现能量管理,最后采集上海市某段路径实车速度与对应实时路况信息,验证算法有效性。
2 PHEV整车模型2.1 整车主要参数
P2 PHEV 1
本文采用的 构型 整车结构如图 所示[7], 1
动力及传动系统参数如表 所示。
换算系数;为时间;为车轮滚动半径。t r
发动机和电机的扭矩和转速关系为:
Tw = ηT R( i)(Te + Tm)+ Tb 2)
(
ωe = ωm = ωw R( i) 3)
(式中, ηT为变速器与驱动桥的总传动效率; R(i) 为变速器第i挡速比与主减速比的乘积; Te 为发动机输出扭矩; Tm为电机输出扭矩; Tb为摩擦制动器的制动扭矩; ωw为车轮转速; ωe为发动机转速; ωm为电机转速。
2.2 发动机和电机模型
PHEV
本文重点研究 的稳态能量管理策略,主要涉及发动机的燃油经济性,在保证精度的同时,为提高仿真模型运行速度并降低运算成本,本文发动机和电机模2 3
型均采用查表方式进行建模,分别如图 和图 所示。
矩Tm ≥0
时,电池处于放电状态,当Tm < 0
时,电池处于充电状态。3.1 SOC轨迹规划3.1.1
路况信息获取地图服务供应商依托终端设备回传的数据可实现
1 min 100 m
路况信息的 更新和 精度表达,而开发者可
1 min
使用的路况信息为 内平均路况信息,可较精准地反映实时交通路况。本文基于国内某地图服务供应商
Web Application Programming
的 服务应用程序接口(
Interface,API), HTTP)
通过超文本传输协议( 或超文本
HTTPS)
传输安全协议( 请求获取实时路况信息。
5
如图 所示,起点O到终点D称为路径,一条路径可以根据不同的道路名称划分成不同的一级路段,每
1, 2,
个一级路段又根据不同拥堵等级(畅通为 缓行为
3, 4,
拥堵为 严重拥堵为 将其定义为路况指数)划分成不同的二级路段。开发者可使用的路况信息包括路径和一、二级路段的行驶距离和时间,以及二级路段路况指数。
式中, s 、t 分别为地图平台返回的第y个一级路段的y y距离和时间。
3.1.2
能耗分配法本文仅研究剩余电量无法满足纯电动行驶全部里
[8] -
程的情况。文献 表明,混合模式与电量消耗 电量维
CD-CS)
持( 模式相比,能够在相同的油耗水平下使用更少的电池能量。其他学者基于SOC跟随的实时控制算法中,所跟随的SOC轨迹基本为基于里程线性变化的SOC参考轨迹[9-11]。[12]
文献 表明, SOC的下降趋势与速度具有明显的正相关性。由于电机的效率区间比发动机大,所以
PHEV
在实际控制过程中,在满足功率需求的前提下,希望拥堵路段利用纯电动行驶,高速路段起动发动机使用混合模式运行。本文提出能耗分配法规划全局SOC
参考曲线,根据路况信息对电量进行全局分配,在拥堵
1),
路段分配更多电量使用纯电动行驶。结合式( 分配思路如下:
a.
根据路段平均速度平方与距离的乘积,反比例分配电量:
ΔSOCtotal
= SOCstart - SOCend 8) ( Σi
ˉ ˉ n s v -s v
ΔSOC i k ΔSOCtotal 9) = = 1 Σi · (
k1 ( 1) ˉ n- n sv
= 1 i
ΔSOCtotal
式中, 为电池剩余SOC; SOCstart 、SOCend 分别为路径起点、终点SOC; ΔSOC
为第k个二级路段根据路k1段平均速度平方与距离的乘积反比例分配的电量; n为
ˉ
二级路段的总数; s 、v 分别为第k个二级路段的距离k k和平均速度。
当距离相同时,路段k平均速度越小,分配电量的占比越大,车辆更倾向于纯电动行驶。
b.
根据路况指数与距离的乘积,正比例分配电量: sc ·
ΔSOC ΔSOCtotal 10) = Σi k k k2 sc ( n
= 1 i i
ΔSOC
式中, 为第k个二级路段根据路况指数与距离的k2乘积正比例分配的电量; c 为第k个路段的路况指数。k当距离相同时,路段ck越大,分配电量占比越大,车辆更倾向于纯电动行驶。
c.
按比例调节分配的总电量: {
ΔSOC
= α1· ΔSOC
+ α2· ΔSOC k k1 k2
( α1 + α2 = 1 11) ΔSOC
式中, 为第k个路段分配的总SOC; α1 和 α2 分别
为平均速度和路况指数的能耗分配系数,可以采用遍历的方法规划最优SOC轨迹。
3.2 A-ECMS算法
ECMS t
算法在每个时刻 使发动机的实际油耗率ṁ e
(根据发动机稳态模型插值求得)和电动机消耗电量的等效油耗率ṁ 的总和 ṁ 最小 。
[13] m eq s(t)本文建立自适应等效因子 计算 ṁ : m
Pb( t) ṁ = s( t)[ 1- ] 12) λ +( λ) ηchar Pb( t)
( m ηdisHlhv Hlhv kI∫ ) kpΔSOC ΔSOCdt 13) s( t = + + (
1+ sgn[ Pb( t)] λ= 14)
(
2
ΔSOC
= SOCref( t) - SOC( t) 15)
(式中, Hlhv为汽油质量热值常数; ηdis 和 ηchar 分别为电池充电和放电效率; s0为等效因子常数部分; kp 为比例系数; kI 为积分系数; SOCref(t) 为当前时刻SOC目标值; SOC(t)为当前时刻SOC。
13) 15) SOC(t)>SOCref(t)
由式( 、式( 可知:当 时,等效因子减小,在满足需求功率的条件下增大用电量; SOC(t) 当 时,等效因子增大,在满足需求功率的条件下发动机发电,保证工作在高效区间;当SOC( t )= SOCref(t) ΔSOC=0 时,即 时,等效因子不变,保持上一时刻的控制策略。 系统约束条件为: Pemin( t) ≤ Pe( ≤ Pemax( ì t) t) ï Pmmin( t) ≤ Pm( ≤ Pmmax( 16) t) t) í ( ï SOCmin ≤ ≤ SOCmax SOC( t) î 式中, Pemin( t) 、Pemax( t) 分别为t时刻发动机最小和最大扭矩; Pmmin( t) 、Pmmax( t) 为t时刻电机最小和最大扭矩; SOCmin 和 SOCmax 为电池最小和最大SOC约束。 4 仿真分析4.1 测试工况采集 On Board 通 过 车 辆 车 载 自 动 诊 断 系 统( Diagnostics,OBD) 5 min 接口采集实车速度,每 记录路况信息,且新数据覆盖之前未行驶路段的路况数据,如 7 图 所示。t0时刻车辆位于起点O,保存起点O到终点 5 min D的路况信息, 后的 t1时刻车辆行驶到 O1 处,更新 O1到终点D的路况信息,以此类推,直至车辆到达终 8 点。某次采集的实际车速和路况信息如图 所示。 8 从图 可以看出:路段平均速度相同时,路况指数变大,实际行车速度下降,说明出现拥堵;平均速度不相同的两个路段,平均速度较小的路段对应的实际车速较 小。结合路况指数和平均速度可较好地预测实际行车速度,为能耗分配法提供了理论基础。 4.2 仿真及结果分析 PHEV 基于地图信息的 预测性能量管理策略控制 9 流程如图 所示,其中 vref 为实际车速, βγ、分别为油门踏板和制动踏板开度, T opt、T opt分别为最优的发动机扭 e m 矩和电机扭矩。以地图开发平台实时路况信息作为能耗分配法的输入,规划全局SOC参考曲线,输入等效因子自适应模块,根据当前SOC与规划SOC的差值,实时 s(t), A- ECMS 调整等效因子 最后基于 控制策略完成仿真验证。当平均速度能耗分配系数α1 = 0.6 时,可得最优结果。能耗分配法规划的全局SOC参考曲线与真实SOC 10 曲线对比如图 所示。在低速阶段,能耗分配法规划的SOC下降斜率绝对值大于高速段,能分配较多的电量,且SOC参考值小于真实SOC值,经过自适应控制模块,等效因子减小,在满足需求功率的条件下尽可能以纯电行驶;在高速阶段, SOC参考值大于真实SOC值,等效因子变大,在满足需求功率的条件下发动机发电且保证工作在高效区间。结果表明,能耗分配法利用地图信 息规划的全局SOC参考轨迹可以在低速和高速区间合理分配电量,同时,真实SOC曲线与全局SOC参考轨迹 A-ECMS变化趋势保持一致,说明 算法可较好地跟踪目标SOC轨迹,按预设电量分配情况进行控制。11 12 CD- CS A- ECMS 图 和图 所示分别为 策略和 CD-CS 算法的发动机扭矩随时间变化曲线。传统 策略先进入电量消耗模式,当SOC减小到临界值再起动发动机进入电量维持模式,造成整车燃油经济性较差。能耗分配法根据路况信息提前进行全局电量分配,确保低速阶段有充足电量进行纯电动行驶,在高速阶段,分配的电量较少,进入混合模式驱动车辆,确保发动机工作在 13 高效区,提高了整车燃油经济性。图 所示为发动机 MAP CD-CS A-ECMS 工作点分布 图,与 策略相比, 策略有更多工作点分布在最佳效率曲线内。 CD- CS A- ECMS DP 2 、 和 策略仿真结果如表 所示。 DP分别用线性SOC、能耗分配法规划的SOC和 求得的 A- ECMS 最优SOC轨迹作为SOC参考曲线对 进行仿真。以能耗分配法规划的全局SOC轨迹为跟踪目标虽 DP 2.63%, 相较于 算法的燃油消耗量优化效果下降了 但 DP 算法需要提前获取实车路谱,无法满足实时性要求。 PHEV 本文设计了基于实时路况信息的 预测性能量管理算法。首先根据实时路况信息建立能耗分配法规划全局SOC参考轨迹,预测每个路段的电量分配,然 A- ECMS 后建立 策略,以真实SOC值与SOC参考值的 PI 偏差作为 控制的输入,自适应调整等效因子,使真实SOC跟随目标SOC参考轨迹实现能量管理。最后以上海市某段路径行驶工况数据进行仿真,结果表明:全局 SOC参考轨迹可在低、高速路段合理分配电量,真实SOC SOC轨迹与 参考轨迹变化趋势保持一致,该策略 CD- CS 7.65%, DP 燃油经济性较 策略提高 接近 全局最优解。参考文献[1] , , .苏岭 曾育平 秦大同 插电式混合动力汽车能量管理策[J]. , 2017, 40(2):略研究现状和发展趋势 重庆大学学报10-15. [2] Anbaran S A, Idris N R N, Jannati M, et al. Rule- Based Supervisory Control of Split-Parallel Hybrid Electric Vehicle [C]// Energy Conversion, IEEE, 2014: 7-12. [3] Zhou W, Yang L, Cai Y, et al. Dynamic Programming for New Energy Vehicles Based on Their Work Modes Part I: Electric Vehicles and Hybrid Electric Vehicles[J]. Journal of Power Sources, 2018, 406: 151-166. [4] Kim N, Rousseau A, Lee D. A Jump Condition of PMPBased Control for PHEVs[J]. Journal of Power Sources, 2011, 196(23): 10380-10386. [5] Vaa T, Penttinen M, Spyropoulou I. Intelligent Transport Systems and Effects on Road Traffic Accidents: State of the Art[J]. Iet Intelligent Transport Systems, 2007, 1(2): 81-88. [6] , , , . PHEV王旭 杜光乾 黄勇 等 考虑交通信息的 电量消耗[J]. (轨迹预测与跟随算法研究 重庆理工大学学报 自然科), 2018, 32(8): 1-7.学[7] , , , . DL-MOPSO石琴 仇多洋 吴冰 等 基于 算法的等效燃油[J]. , 2018, 40消耗最小能量管理策略优化研究 汽车工程(9): 13-21. [8] Sharer P B, Rousseau A, Karbowski D, et al. Plug- in Hybrid Electric Vehicle Control Strategy: Comparison between EV and Charge- Depleting Options[J]// SAE Technical Paper 2008- 01-0460, 2008. [9] . PHEV韩彪 基于成本分析的 参数匹配及其控制策略研[D]. : , 2016.究 长春 吉林大学[10] .乔俊林 插电式并联混合动力汽车模型控制策略研究[D]. : , 2012.重庆 重庆大学[11] , , , .舒红 聂天雄 邓丽君 等 插电式并联混合动力汽车模[J]. , 2011, 34(5): 36-41.型预测控制 重庆大学学报[12 ] .贺晓 基于出行特征预测的插电式混合动力汽车控制策[D]. : , 2018.略研究 长春 吉林大学[13] , .陈鑫 薛剑波 基于预测控制的插电式混合动力汽车智( )[J]. , 2018(10): 34-40.能能量管理英文 汽车技术 (责任编辑 斛畔) 2019 6 13修改稿收到日期为 年 月 日。