陳曉龍 焦曉紅

摘 要：針對網(wǎng)聯(lián)混合動(dòng)力汽車跟馳場景下能量管理控制中燃油經(jīng)濟(jì)性和駕駛安全性綜合優(yōu)化問題，利用車-車及車-路通信，設(shè)計(jì)了一種基于前車速度預(yù)測-本車速度規(guī)劃的預(yù)測能量管理控制策略。前車速度預(yù)測器由長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建，神經(jīng)網(wǎng)絡(luò)內(nèi)部超參數(shù)通過粒子群優(yōu)化算法離線優(yōu)化確定；基于預(yù)測的前車速度，求解以跟車距離、車速度、加速度及直接影響駕駛舒適性的車輛沖擊度為成本函數(shù)的優(yōu)化問題獲得預(yù)測域內(nèi)本車的速度規(guī)劃；進(jìn)一步利用序列二次規(guī)劃算法求解車輛燃油經(jīng)濟(jì)性和駕駛安全性綜合優(yōu)化的能量管理控制問題，得到最優(yōu)功率分配控制策略。多種駕駛工況下的仿真驗(yàn)證了所提出的預(yù)測控制策略的有效性及車輛安全跟馳下較好的燃油經(jīng)濟(jì)性。

關(guān)鍵詞：混合動(dòng)力汽車; 速度預(yù)測器; 速度規(guī)劃; 能量管理；優(yōu)化控制

中圖分類號： U469.7? 文獻(xiàn)標(biāo)識碼： A? DOI：10.3969/j.issn.1007-791X.2023.01.005

0 引言

汽車的智能化、電動(dòng)化和網(wǎng)聯(lián)化已經(jīng)成為當(dāng)前的重要研究領(lǐng)域［1］。利用車-車 （Vehicle to Vehicle， V2V） 通信以及車-路（Vehicle to Infrastructure， V2I）所得到的網(wǎng)聯(lián)信息，能夠有效地降低事故發(fā)生率和尾氣排放量，進(jìn)而提高車輛的經(jīng)濟(jì)性能和節(jié)能性能。另一方面，智能網(wǎng)聯(lián)技術(shù)的飛速發(fā)展，為高質(zhì)量的新能源汽車能量管理控制策略的設(shè)計(jì)提供了新技術(shù)。目前，新能源汽車主要分為三類，包括燃料電池汽車、純電動(dòng)汽車、混合動(dòng)力汽車［2-3］。燃料電池汽車、純電動(dòng)汽車由于各自的瓶頸問題在應(yīng)用推廣上目前受到限制?；旌蟿?dòng)力汽車（Hybrid Electric Vehicle， HEV）由于其內(nèi)部存在多個(gè)動(dòng)力源，使其在續(xù)航里程上明顯優(yōu)于純電動(dòng)汽車，同時(shí)，也能減少有害氣體的排放［4-5］。因此，HEV受到青睞。

混合動(dòng)力汽車行駛過程中良好的燃油經(jīng)濟(jì)性主要依賴于其有效的能量管理控制策略。能量管理策略主要由兩大類構(gòu)成，基于規(guī)則［6-7］和優(yōu)化［8］的控制策略。基于規(guī)則的控制策略應(yīng)用較為廣泛，這主要得益于此種策略的設(shè)計(jì)較為簡單及實(shí)時(shí)性較強(qiáng)。但是基于規(guī)則的控制策略不能保證燃油經(jīng)濟(jì)性的最優(yōu)。為此，大量的研究開發(fā)轉(zhuǎn)向了基于優(yōu)化的能量管理策略。該策略又可以分為全局優(yōu)化和瞬時(shí)優(yōu)化兩種控制策略。其中基于全局優(yōu)化的動(dòng)態(tài)規(guī)劃算法可以實(shí)現(xiàn)最佳的燃油經(jīng)濟(jì)性。但是因其計(jì)算效率低且駕駛條件要求完全已知，導(dǎo)致該算法無法應(yīng)用到實(shí)時(shí)的能量管理控制策略當(dāng)中?；谒矔r(shí)優(yōu)化方法主要包含等效燃油消耗最小策略 （Equivalent Consumption Minimization Strategy， ECMS）及模型預(yù)測控制（Model Predictive Control， MPC）策略。在設(shè)計(jì)ECMS時(shí)需要考慮等效因子的自適應(yīng)性，而車輛行駛過程中由于受到眾多因素的影響使得最佳等效因子難以獲取，導(dǎo)致在實(shí)時(shí)應(yīng)用過程中無法實(shí)現(xiàn)最優(yōu)燃油經(jīng)濟(jì)性［9］。

基于瞬時(shí)優(yōu)化的MPC方法［10］可以采用滾動(dòng)優(yōu)化方式不斷優(yōu)化短時(shí)域內(nèi)的油耗，進(jìn)而有效地提高燃油經(jīng)濟(jì)性，同時(shí)實(shí)時(shí)性良好。因此，基于MPC的控制策略在解決網(wǎng)聯(lián)場景下的能量管理問題時(shí)更具有效性和實(shí)用性，進(jìn)而近年來呈現(xiàn)出許多研究成果。例如，文獻(xiàn)［11］采用了隨機(jī)模型預(yù)測控制策略將跟車場景下的能量管理問題轉(zhuǎn)化為一列二次規(guī)劃子問題求解，有效地降低了油耗。文獻(xiàn)［12］提出了一種多目標(biāo)的預(yù)測能量管理策略，實(shí)現(xiàn)了良好的經(jīng)濟(jì)性、環(huán)保性以及跟車安全性。 文獻(xiàn)［13］提出了一種改進(jìn)的模型預(yù)測控制策略，通過整合V2V和V2I信息，在提高預(yù)測精度和優(yōu)化速度序列的同時(shí)實(shí)現(xiàn)了能量的最優(yōu)分配。

然而，基于MPC的能量管理控制策略保證燃油經(jīng)濟(jì)性逼近全局最優(yōu)的重要因素是其速度預(yù)測模型的高精度，控制策略良好的實(shí)時(shí)性在于有限域內(nèi)優(yōu)化求解算法的實(shí)時(shí)性。為此，學(xué)者們主要在這兩個(gè)方面進(jìn)行了開發(fā)研究，以獲得實(shí)際中可實(shí)時(shí)實(shí)現(xiàn)的更逼近全局最優(yōu)的管理控制策略。

基于此，本文為網(wǎng)聯(lián)混合動(dòng)力汽車跟馳場景設(shè)計(jì)了一種基于前車速度預(yù)測-本車速度規(guī)劃的預(yù)測能量管理控制策略。該研究主要側(cè)重于保證管理控制策略有限預(yù)測域內(nèi)所用到的本車速度預(yù)報(bào)的高精度。因此，先利用長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）和V2I獲取的網(wǎng)聯(lián)信息構(gòu)建前車速度預(yù)測器，為了提高預(yù)測精度，神經(jīng)網(wǎng)絡(luò)內(nèi)部超參數(shù)通過粒子群優(yōu)化（Particle Swarm Optimization， PSO）算法離線優(yōu)化確定；預(yù)測域內(nèi)本車速度預(yù)報(bào)根據(jù)預(yù)測的前車速度和V2V信息及綜合優(yōu)化跟車各項(xiàng)指標(biāo)成本函數(shù)的速度規(guī)劃算法得到。而預(yù)測域內(nèi)最優(yōu)控制求解算法直接采用了實(shí)時(shí)性良好的一種序列二次規(guī)劃算法［11］。

3 仿真驗(yàn)證與分析

3.1 速度預(yù)報(bào)模型精度驗(yàn)證與分析

本文采用2021年IFAC E-CoSM會議提出的挑戰(zhàn)問題的交通數(shù)據(jù)。該數(shù)據(jù)集中包含26個(gè)交通燈，其中共包括車輛速度、加速度以及車輛到下一個(gè)交通燈的距離數(shù)據(jù)，共有18 728個(gè)數(shù)據(jù)集樣本。其中，以前90%的數(shù)據(jù)作為訓(xùn)練集，后10%的數(shù)據(jù)作為測試集來驗(yàn)證所提出的預(yù)測模型性能的優(yōu)劣。首先，采用PSO算法對其超參數(shù)進(jìn)行優(yōu)化，并將均方差作為算法的適應(yīng)度函數(shù)，適應(yīng)度函數(shù)值隨迭代次數(shù)的變化結(jié)果如圖7所示。

為驗(yàn)證優(yōu)化后的預(yù)測模型的預(yù)測性能好壞，采用測試集數(shù)據(jù)進(jìn)行預(yù)測，并選擇預(yù)測域?yàn)?0 s，其預(yù)測結(jié)果圖如圖8所示。本文中將均方根誤差（Root Mean Square Error， RMSE）以及平均絕對誤差（Mean Absolute Error， MAE）作為預(yù)測性能的評價(jià)指標(biāo)，其計(jì)算公式如下：

e1=∑tft=t01m∑mi=1（v′i－vi）2tf－t0，（38）

e2=∑tft=t01m∑mi=1|v′i－vi|tf－t0 ，（39）

式中，e1為均方根誤差，e2為平均絕對誤差，m為預(yù)測域長度，t0和tf是初始時(shí)間和終止時(shí)間，v′i和vi分別是實(shí)際速度和預(yù)測速度。

為清晰地描述超參數(shù)優(yōu)化對預(yù)測模型的精度的影響，分別采用文獻(xiàn)［15］中的條件線性高斯模型（Conditional Linear Gauss， CLG）、未優(yōu)化超參數(shù)的LSTM模型以及BP神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行對比，對比結(jié)果如表3所示，結(jié)果顯示所提出的預(yù)測模型具有最佳的預(yù)測性能。其中，未優(yōu)化超參數(shù)的速度預(yù)測模型采用了文獻(xiàn)［16］的超參數(shù)設(shè)置方法。

3.2 能量管理策略結(jié)果驗(yàn)證與分析

圖9給出了一組前車駕駛工況以及本車的跟車情況。

從圖9（a）可以看出在大多數(shù)加速情況下本車車速是小于前車車速的，減速情況下本車車速略高于前車車速，這表明本車一直能保持良好的跟車狀態(tài)。從圖9（b）中可以看出，前車到交通燈的距離由0驟然上升表示前車剛剛經(jīng)過一個(gè)交通燈，正駛近另一個(gè)交通燈。圖9（c）和圖9（d）給出了前車通過交叉路口時(shí)交通燈的狀態(tài)以及交通燈的持續(xù)時(shí)間，從中可以看出在前車通過交叉路口時(shí)，交通燈大多數(shù)處于綠燈狀態(tài)，此時(shí)本車速度不為0，且一直處于加速狀態(tài)，根據(jù)式（26）判斷此時(shí)完全可以通過路口；而當(dāng)交通燈處于紅燈狀態(tài)時(shí)，交通燈的持續(xù)時(shí)間均不超過5 s，此時(shí)本車處于停車等待狀態(tài)，而前車的車速較低，待本車通過交叉路口之后依然能夠保證跟車狀態(tài)。從圖9（e）可以看出兩車間距較大的時(shí)候車輛多處于車速較高的巡航狀態(tài)，主要是因?yàn)楫?dāng)車速較高的時(shí)候，為防止追尾需拉大車間距，這樣可以有效地增加駕駛安全性。相反，當(dāng)車速較低的時(shí)候，發(fā)生追尾的風(fēng)險(xiǎn)較低，所以可以適當(dāng)縮小兩車之間的車間距。綜合這幾個(gè)圖來看，本車在行駛過程當(dāng)中一直保持較高的駕駛安全性。

為驗(yàn)證所提策略的有效性，本文給出了兩種控制策略作為比較，第一種策略為基于規(guī)則的方法；第二種策略為文獻(xiàn)［11］中的跟馳能量管理策略。以圖9的駕駛工況作為測試工況，圖10給出了本車SOC變化曲線，可以看出由這幾種控制策略得到的SOC終值相差不大，基本上都處于0.47左右。圖11是三種控制策略的燃油消耗對比圖，可以看出所提出的能量管理策略具有較好的控制效果，同時(shí)油耗也是最低的，且其油耗要比基于規(guī)則的控制策略產(chǎn)生的油耗低得多。

為進(jìn)一步驗(yàn)證所設(shè)計(jì)的能量管理策略的可行性與適應(yīng)性，在三個(gè)駕駛工況下進(jìn)行了仿真測試 ，這三種駕駛工況下本車的油耗以及SOC終值見表4。

從表4中可以看出，所提出的跟馳場景下的預(yù)測能量管理策略在三種駕駛工況下仍能保持較高的適應(yīng)性，且其燃油經(jīng)濟(jì)性高于其他兩種預(yù)測能量管理策略。 例如，在第一種工況中，所提出的方法比其他兩種方法的燃油經(jīng)濟(jì)性提升11%和6%。同時(shí)，在多種駕駛工況下，這三種策略的SOC終值相差不大。

4 結(jié)論

本文以混聯(lián)式HEV為研究對象，提出了一種網(wǎng)聯(lián)跟馳場景下的預(yù)測能量管理策略。通過對前車速度、加速度以及交通燈等網(wǎng)聯(lián)信息的采集，構(gòu)建了基于LSTM的前車速度預(yù)測模型。在預(yù)測模型設(shè)計(jì)中，采用PSO算法進(jìn)一步優(yōu)化了LSTM模型的超參數(shù)，提高了預(yù)測性能。然后，針對跟馳場景下的駕駛安全性問題，設(shè)計(jì)了基于前車速度預(yù)測的本車速度規(guī)劃算法。最后，針對混合動(dòng)力汽車的能量管理問題，采用了序列二次規(guī)劃算法在短時(shí)域內(nèi)對控制量尋優(yōu)。仿真結(jié)果表明，所設(shè)計(jì)的這種預(yù)測能量管理策略，不僅保證了跟車時(shí)的駕駛安全性，而且實(shí)現(xiàn)了良好的燃油經(jīng)濟(jì)性。

參考文獻(xiàn)

［1］ 馬建， 劉曉東， 陳軼嵩， 等. 中國新能源汽車產(chǎn)業(yè)與技術(shù)發(fā)展現(xiàn)狀及對策［J］. 中國公路學(xué)報(bào)， 2018， 31（8）： 1-19.

MA J， LIU X D， CHEN Y S， et al. Current situation and countermeasures of Chinas new energy vehicle industry and technology development［J］. China Journal of Highway and Transport， 2018， 31（8）： 1-19.

［2］ ZHANG X， PENG H， SUN J. A near-optimal power management strategy for rapid component sizing of multimode power split hybrid vehicles［J］. IEEE Transactions on Control Systems Technology， 2014， 23（2）： 609-618.

［3］ QI X， WU G， BORIBOONSOMSIN K， et al. Development and evaluation of an evolutionary algorithm based online energy management system for plug-in hybrid electric vehicles［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 18（8）： 2181-2191.

［4］ LI L， YAN B， YANG C. Application oriented stochastic energy management for plug-in hybrid electric bus with AMT［J］. IEEE Transactions on Vehicular Technology， 2015， 65（6）： 4459-4470.

［5］ CHEN Z， LI L， YAN B. Multimode energy management for plug-in hybrid electric buses based on driving cycles prediction［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（10）： 2811-2821.

［6］ LI C， LIU G. Optimal fuzzy power control and management of fuel cell/battery hybrid vehicles［J］. Journal of Power Sources， 2009， 192（2）： 525-533.

［7］ 李萍， 朱曉璐， 焦曉紅. 基于智能優(yōu)化規(guī)則的并聯(lián)混合動(dòng)力汽車能量管理策略［J］. 燕山大學(xué)學(xué)報(bào)， 2019， 43（6）： 547-553.

LI P， ZHU X L， JIAO X H. Parallel hybrid electric vehicle energy management strategy based on intelligent optimization rules［J］. Journal of Yanshan University， 2019， 43（6）： 547-553.

［8］ MAINO C， MISUL D， MUSA A， et al. Optimal mesh discretization of the dynamic programming for hybrid electric vehicles［J］. Applied Energy， 2021， 292： 116920.

［9］ LEI Z， QIN Q， HOU L， et al. An adaptive equivalent consumption minimization strategy for plug-in hybrid electric vehicles based on traffic information［J］. Energy， 2020， 190： 116409.

［10］ 景遠(yuǎn)， 焦曉紅. 基于交通信息和模型預(yù)測控制的混合動(dòng)力汽車能量管理策略綜述［J］. 燕山大學(xué)學(xué)報(bào)， 2019， 43（4）： 320-330.

JING Y， JIAO X H. Review on energy management strategies for hybrid electric vehicles based on traffic information and model predictive control［J］. Journal of Yanshan University， 2019， 43（4）： 320-330.

［11］ PU Z， JIAO X， YANG C， et al. An adaptive stochastic model predictive control strategy for plug-in hybrid electric bus during vehicle-following scenario［J］. IEEE Access， 2020， 8： 13887-13897.

［12］ HU X， ZHANG X， TANG X， et al. Model predictive control of hybrid electric vehicles for fuel economy， emission reductions， and inter-vehicle safety in car-following scenarios［J］. Energy， 2020， 196：117101.

［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： 120273.

［14］ JIAO X， SHEN T. SDP policy iteration-based energy management strategy using traffic information for commuter hybrid electric vehicles［J］. Energies， 2014， 7（7）： 4648-4675.

［15］ MOSER D， SCHMIED R，WASCHL H，et al. Flexible spacing adaptive cruise control using stochastic model predictive control［J］. IEEE Transactions on Control Systems Technology， 2017， 26（1）： 114-127.

［16］ ZHANG Z， HE H， GUO J， et al. Velocity prediction and profile optimization based real-time energy management strategy for plug-in hybrid electric buses［J］. Applied Energy， 2020， 280： 116001.

Predictive energy management control for connected hybrid electric vehicles in car-following scenario

CHEN Xiaolong， JIAO Xiaohong

（School of Eletric Engineering， Yanshan University， Qinhuangdao， Hebei 066004， China）

Abstract：

A predictive energy management strategy is designed based on the preceding vehicle′s speed prediction and the ego vehicle′s speed planning by using vehicle-vehicle and vehicle-road communication to solve the comprehensive optimization problems of fuel economy and driving safety in the following scenario of connected hybrid electric vehicles. The preceding vehicle speed predictor is constructed by long short-term memory network， whose hyper-parameters are optimized by particle swarm optimization. Based on the preceding vehicle′s predictive velocity， the ego vehicle′s speed in the forecasted domain is planned to solve the optimization problem by taking the following distance， velocity， acceleration， and vehicle impact affecting driving comfort as the cost function. Furthermore， the sequential quadratic programming algorithm solves the energy management control problem of the comprehensive optimization of vehicle fuel economy and driving safety to derive the optimal power distribution control strategy. Simulations under various driving conditions verify the effectiveness of the proposed predictive control strategy and better fuel economy during the safe following.

Keywords： hybrid electric vehicle; speed predictor; speed planning; energy management; optimization control