智能网联环境下的混合动力汽车分层能量管理

文/孙静霞，山东交通职业学院

1 引言

混合动力汽车的能量管理控制方法直接影响整车的动力性、经济性、舒适性和排放，是混合动力汽车领域研究的重点和难点。目前，已经实现产业化应用的是基于规则的控制方法，但这种控制方法依赖专家经验，不具备良好的工况适应性，因此，学者们重点研究了基于优化的控制方法。

2 上层控制器的数学模型

本文中设计的分层控制系统中，上层控制器基于交通信号灯正时计算目标车速的范围，基于快速模型预测算法，求解给定时间窗口的最优目标车速序列。

本文中利用交通信号灯正时求解目标车速的范围，避免混合动力汽车红灯停车。当下一路口为绿灯且满足最高行驶车速约束时，汽车可提高其行驶车速至不超过最大允许车速的最大可能值以保证在红灯到来之前经过某一交叉路口，或者降低行驶车速保证经过交叉路口时该路口刚好由红灯变为下一个绿灯。当下一路口为红灯时，汽车须减速以保证在经过该路口时刚好由红灯变为绿灯，或者在下一个绿灯结束之前经过该交叉路口。为了在尽可能避免红灯停车的基础上减少汽车行驶的时间，汽车目标车速的初始值一般设定为目标车速范围的上限。

3 下层控制器的数学模型

本文中设计的下层控制器集成能量管理优化算法，利用接收到的驾驶员加速和制动信息，计算当前时刻动力部件的最优转矩或功率分配，然后将最优控制指令发送给动力部件控制器。各动力部件控制器根据控制指令控制动力部件执行相关操作，并将其实际输出反馈给下层控制器进行闭环修正。为在保证实时控制的基础上实现混合动力汽车最优转矩分配，本文中采用一种基于 Willans Line方法的等效燃油消耗最小策略。WL-ECMS 的基本原理是在控制系统建模时，基于发动机和电机的 Willans Line 模型，将依赖于查表的参数近似规则化，从而将基于搜索的 ECMS 算法简化为与基于规则类似的算法，在保证近似最优解的前提下大大节省时间成本。

4 试验结果与分析

4.1 试验设置

采用美国克莱姆森大学的大型服务器 Palmetto(本次试验采用计算模块为 HP DL580，处理器为 24核 Intel Xeon7542，RAM为 128G) 计算上层控制器的最优目标车速，用于下层能量管理控制方法的硬件在环试验。本次硬件在环试验，发动机及与其同轴耦合的 ISG 电机为实物，其余部件均采用 dSPACE 模拟。采用 dSP ACE Micro-Au tobox 作为控制器原型，与主机连接；采用 CLP11 04AD /DA 板通过 CAN 总线连接 Autobox 与 AVL 试验台架，传输发动机和 ISG 电机控制指令并反馈其实际输出值至 dSPACE仿真模型。将控制代码编译并下载到 Autobox 后，进行实时的硬件在环试验，试验时间设置为 450s。

在测试程序中，设置车队中有 10 辆同型号的混合动力车且都在同一条车道上运行；汽车的初始位置为［1211099885706045. 566630. 229315. 91960. 8724］，单位为 m；初始车速为［14. 5161516. 316. 712. 0813. 004714. 178810. 373012. 0473］，单位为 m / s；模型预测的时间窗口为 6s，计算的步长为0.5s；设置信号灯数量为15，红灯持续时间为40s，绿灯持续时间为15s，两个交通信号灯的距离为 500m；设置汽车的最大、最小车速分别为 20m / s 和 0。设置每辆车的整车整备质量为 1 750kg，迎风面积为2. 36m2，空气阻力系数为 0. 32，滚动阻力系数为0. 015，道路坡度为 0，发动机功率为 103kW，电机的额定功率为 40 kW，峰值功率为 80kW。

4.2 仿真与试验结果

采用 F—MPC 的上层控制器最优预测车速与采用 MPC 的最优预测车速大致相同，从而验证了本文中的上层控制方法控制效果良好。由下层控制器的车速跟随曲线可知，基于 WL—ECMS 的下层控制器的跟随车速与上层控制器的最优预测车速基本一致，说明基于 WL-ECMS 的下层控制器可以保证良好的车速跟随，实现混合动力汽车基本的能量管理。

5 结语

上层控制器基于 F-MPC 与基于 MPC 得到的最优车速曲线基本保持一致。对于一个时间步长，程序的计算时间降低到 MPC的 7. 2% ，且上层控制器采用 F-MPC 与采用 MPC 时的百公里油耗相差较小。下层控制器采用 WL-ECMS 时动力电池SOC 波动在合理的范围内，车速跟随误差较小，百公里油耗接近基于 ECMS的百公里油耗。对于一个时间步长，基于 WL-ECMS 下层能量管理控制方法 的计算时间降低到ECMS 的1.48% 。采用基于车联网的控制方法求解最优目标车速，混合动力汽车在经过交通信号灯时可以有效的避免红灯停车。