基于交通信息和模型预测控制的混合动力汽车能量管理策略综述
2019-02-24焦晓红
景 远,焦晓红
(1.东北大学秦皇岛分校 实验教育中心,河北 秦皇岛 066004;2.燕山大学 电气工程学院,河北 秦皇岛 066004)
0 引言
随着近代汽车工业的飞速发展,随之而来的两大问题——能源危机和环境污染已经成为不容忽视的问题。在这种背景下,世界各国都致力于改善传统内燃机汽车。电动汽车、混合动力汽车因此得到了大力的发展。目前,多数发达国家的新能源汽车发展已经取得了很大的进展,日本、美国等国家都推出了各类混合动力汽车。我国的新能源汽车研究虽起步较晚,经过近年来的发展,也有不少国产的混合动力汽车已经投入使用[1]。
混合动力汽车是电动汽车的一种,它有两种或以上的动力装置,例如发动机和电动机。所以混合动力汽车融合了传统燃油汽车和纯电动汽车的优点,既能够改善汽车的燃油经济性,又弥补了纯电动汽车续航里程短这一缺点。虽然目前我国市场上已经有批量生产的电动汽车,但是电池寿命和充电站没有普及等问题在一定程度上限制了其发展,针对电动汽车的研究主要集中在电池管理、电机控制和用电经济性方面[2-4]。目前混合动力汽车仍然是新能源汽车发展的主要方向。
在混合动力汽车发展的过程中,其驱动系统的构成、电池寿命、能量管理等问题都是决定混合动力汽车性能的关键技术[5]。其中,能量管理是混合动力汽车的核心问题。由于存在两种或以上的动力源,能量如何在动力源之间进行分配极为重要。能量管理策略直接决定着混合动力汽车的燃油经济性、排放、车辆的驾驶性等指标。
混合动力汽车的能量管理发展到现在,技术已经相对比较成熟。比较早的能量管理策略是基于规则的控制方法[6-11],接着基于优化算法的能量管理策略也得到广泛应用[12-21]。随着智能交通系统迅速发展,车速、位置、道路坡度等交通信息的采集变得更加方便。为弥补传统的基于规则和优化算法的能量管理策略实时交通信息的缺失导致的灵活性差、无法适应多种工况、难以实现在线控制等方面的不足,交通信息已经广泛应用于混合动力汽车的能量管理策略,并取得了显著的效果。近年来,对传统算法的改进[22-33]、交通信息采集和预测[34-60]以及模型预测控制(MPC)[61-68]大量应用在混合动力汽车能量管理上,使得混合动力汽车的燃油经济性、驾驶性、实时控制等方面有了显著的提高和发展。
混合动力汽车驱动系统构成的不同导致了其能量管理策略并不具备通用性,根据驱动系统的不同组成形式,混合动力汽车可分为串联式[11,16,22,30,62]、并联式[7-10,12,24,27-28,42,54,58]和混联式[19,51-52]。根据能否外接电源从电网充电,混合动力汽车还可分为插电式[10,14,27,37,50,66]和非插电式[7-9,11-12,15-16,19,22,24,28-31,36,42,45,48-49,51-52,54,58,61-62]。不同类型的混合动力汽车的能量管理策略各不相同,例如,非插电式混合动力汽车的控制目标一般包括维持电池电量(SOC)稳定,插电式混合动力汽车由于装有大容量电池可从电网获得电能,所以其能量管理策略的设计不再以维持SOC稳定为目标,而是更依赖于工况、行驶里程等因素,电池健康管理往往是能量管理策略的控制目标之一。
本文主要概括了混合动力汽车能量管理问题的发展,总结了多年来能量管理策略应用的方法,对这些方法进行了简单的梳理和分类,并主要讨论了近年来能量管理策略的主要发展方向和解决的问题,重点总结了基于交通信息的能量管理策略的应用,最后指出了混合动力汽车能量管理策略未来发展的主要趋势。
1 混合动力汽车能量管理问题概述
混合动力汽车的关键性技术主要包括能量管理、驱动系统及控制、车载动力电池及控制等方面。其中能量管理策略是混合动力汽车的极为重要的技术,它能够直接影响整车燃油消耗、排放、驾驶性等方面,必须清楚混合动力汽车驱动系统运行模式,才能设计出有效的能量管理策略,达到预期的控制目标。
简单来说,混合动力汽车的能量管理解决的就是车辆在行驶过程中总功率在不同动力装置之间的分配问题,最优的分配方案才能获得良好的燃油经济性、驾驶性等。不同的驱动系统结构、控制目标等都直接导致了能量管理策略的不同。目前应用的能量管理控制方法主要包括两种,一种是基于规则的能量管理策略[6-11],其规则的制定主要是针对发动机、电机的运行模式和电池电量,通过经验或历史数据制定合理的规则,一般来说要达到使得发动机主要运行在高效区的目标。另一种是基于优化算法的能量管理策略[12-21],这种能量管理策略又包括全局最优策略[12-15]和瞬时最优策略[16-21],一般多以提高燃油经济性、减小排放、保证驾驶性等为主要的控制目标,通过解决最优控制问题给出最佳的功率或转矩的分配方案。
2 混合动力汽车能量管理基本策略
2.1 基于规则的能量管理策略
静态逻辑门限值控制和模糊控制属于基于规则的能量管理策略,这种方法发展最早,相对其他控制方法来说比较简单实用,目前国内外不少混合动力汽车仍然采用这种控制方法。
一般来说,静态逻辑门限值控制策略以整车的燃油经济性为控制目标,通过门限值的设定,使发动机始终运行在高效区。1987年,J.R.Bumby和I.Forster最先提出了逻辑门限控制方法[6],在文章中,作者针对节省油耗和使用电能代替石油燃料这两个不同的控制目标,研究了静态逻辑门限值的设置。文献[7]以并联式混合动力汽车为研究对象,在动态规划(DP)算法的基础上设计了一种基于规则的监督式控制器,目的是提高整车燃油经济性。文献[8]针对带无级变速器(CVT)的并联式混合动力汽车,提出了基于逻辑门限方法的能量管理策略,实现了混合动力汽车驱动系统工作模式的动态切换,提供了转矩分配方案及CVT速比,有效地提高了汽车的燃油经济性。
模糊控制凭借其针对不确定系统的良好的鲁棒性,在面对混合动力汽车驱动系统这样复杂的非线性系统时显示出了其优势。Hyeoun-Dong Lee和Seung-Ki Sul在1998年将模糊控制用于混合动力汽车的能量管理策略[9],文献中模糊控制的规则由作者基于大量实验数据根据经验总结出,利用这种控制方法有效地减小了排放。文献[10]以插电式混合动力汽车为研究对象,设计了一种结合动态规划算法的基于模糊控制器的能量管理办法,文章考虑了多种工况,使得控制器更具通用性,能够适用于不同路况。文献[11]考虑了模糊控制器隶属函数的影响,讨论了3种不同形状的隶属函数在混合动力汽车能量管理问题中的应用。
基于规则的能量管理策略因其简单易实现性得到了广泛的应用,但是这种控制方法也有明显的局限性。因为其规则的制定多依赖于经验和静态数据,灵活性差,不能适用于多种工况,无法保证全局最优。
2.2 基于优化算法的能量管理策略
基于优化算法的能量管理策略一般将混合动力汽车能量管理问题抽象为带有约束条件的非线性最优控制问题。一般来说,在规定了系统状态量和控制输入量、输出量之后,这个最优化问题由优化的性能函数、状态变量的动态约束方程及状态变量和控制输入量的物理约束条件这三元素组成。
能量管理优化问题的性能函数为
minJ=∑g(x(k),u(k),ω(k)),
其中,J是能量管理问题的目标函数,根据优化目标的不同而不同。一般来说混合动力汽车的能量管理问题常以提高燃油经济性、减小排放、保证可驾驶性等为目标。近几年来,减小计算时间、实现实时控制也是常见的控制目标。
状态变量的动态约束方程为
x(k+1)=f(x(k),u(k),ω(k)),
其中,x是系统的状态量,u是控制输入,ω是随机干扰。随机干扰量视具体情况而定,也可没有。
物理限制条件为
xmin≤x≤xmax,umin≤u≤umax,
由于x、u本身具有物理含义,这些变量物理含义所限制的其取值范围就是能量管理问题中的物理约束条件。
由于实际系统的非线性、时变性、不确定性等,在解决该问题的过程中,系统建模和求带有约束条件的非线性方程的最优解都比较复杂,是能量管理问题中的难点。
基于优化算法的能量管理策略根据其最优解的不同,又可分为全局最优的能量管理策略和瞬时最优的能量管理策略。
动态规划(DP)、庞特里亚金极小值原理(PMP)等算法是较早应用在能量管理问题中的基于全局优化的方法[12-15],这些优化方法能够得到全局最优解,但是对驾驶工况信息要求较高,一般要求驾驶工况完全已知,这也成了限制其发展的主要原因。由于实际驾驶中工况不能提前预知,所以这类能量管理办法难以实现实时控制。但因其能获得全局最优解,基于全局最优的能量管理算法可以作为其他能量管理办法的评价标准。
Chan-Chiao Lin等人在文献[12]中首先应用基于规则的控制算法和DP算法,分别给出了能量管理方案,接着作者深入分析DP算法的结果,并将其与基于规则的控制算法相结合,提出了改进的能量管理方法。文献[13]将能量管理中复杂的非线性系统优化问题分别近似成线性系统和二次函数的形式,应用DP求解,大大节省了DP的计算时间。文献[14]改进了传统PMP算法,提出了一种新的分段线性近似算法,不仅减小了油耗,还大大节省了传统算法的计算时间,实现了实时控制。文献[15]以通勤车为研究对象,针对其路况信息基本固定的特点,设计了一种基于在线自学习的PMP能量管理策略,这种算法能够适应通勤车路况信息时变的情况。
基于瞬时优化的能量管理策略应用最广泛的是等效燃油消耗最小(ECMS)的能量管理办法[16-21]。相对于全局优化方法,这种方法对工况的依赖度明显降低,可以利用这种算法研究实现实时控制的方法,但它的缺点是无法保证全局最优。文献[16]考虑了由电池和超级电容组成的串联式混合动力汽车,用修正过的ECMS解决能量管理问题。文献[17]提出了将自适应算法和ECMS相结合的新算法(AECMS)。文献[18]提出了一种结合基于规则控制和ECMS算法的能量管理策略(rule-ECMS),以单轴并联混合动力汽车为研究对象,并将计算结果与基于规则的能量管理策略相比较,仿真结果显示rule-ECMS算法不论在城区路况还是高速路都显著提高了混合动力汽车的燃油经济性。文献[19]在离线状态下进行能量分配,并将结果储存,在实际行车过程中按照不同工况调用。文献[20]的优化目标是保证混合动力汽车的驾驶性,将车辆挡位变化、发动机运行模式变化和车轮转矩作为驾驶性的衡量指标,采用ECMS的能量管理策略,间接提高了车辆的燃油经济性。文献[21]以插电式串联混合动力公交车为研究对象,提出了一种在线ECMS的能量管理策略,以实现电池与发动机功率的最优分配。
3 混合动力汽车能量管理改进策略
混合动力汽车的能量管理发展到现在,待优化协调的问题还很多,但技术从某种程度上来说已经相对比较成熟,想要开发出新的优化算法获得更优的分配方案极为困难。所以近年来,科学家在能量管理问题的研究方向主要是传统优化方法的改进[22-33]、利用定位巡航系统(GPS)和智能交通系统(ITS)采集的交通信息的应用[34-60]、模型预测控制的应用[61-68]等方面。
3.1 传统优化算法改进
在优化算法改进方面,前文中已经给出了一些例子[12-21],类似的研究还有很多。
3.1.1 基于规则能量管理策略的改进
基于规则的能量管理策略虽然简单易实现,但其规则的制定一般依赖于经验,所以不能适用于各种工况,得不到全局最优解。关于基于规则的能量管理办法的改进一般集中在规则制定方法上,例如采用遗传算法(GA)等智能算法使规则不再是不变的,而是随着工况或其他因素随时更新、改变,以适应多种路况[22-24]。文献[22]在传统基于规则能量管理策略的基础上提出了一种新型的基于规则的能量管理控制策略(XOS)。文献[23]提出了一种基于模糊控制的能量管理策略,主要考虑城区路况,目的是进一步提高燃油经济性并维持SOC平衡。文章中使用DP算法计算多个驾驶工况得到最优能量分配方案,通过分析这些结果优化了模糊控制器的规则制定。文献[24]考虑到制动能量回收的问题,设计了双模糊能量管理策略,模糊控制器的规则通过GA算法优化,最后采用DP算法算出最优的能量分配方案。
3.1.2 基于优化算法的改进
全局优化算法因其能得到全局最优解在混合动力汽车能量管理中应用十分广泛,但因其对驾驶工况极度依赖,一般要求工况信息完全已知,且计算量大,计算时间长,难以实现实时控制,所以对全局优化算法的改进也主要集中在以上缺点[25-29]。文献[25]的主要目的是提高混合动力车的燃油经济性并尽量减小电池数量和尺寸,文章提出了一种基于DP的全局优化方法,针对安装电子变速传动系统(EVT)的混合动力汽车,用GA算法优化系统参数,并采用离散DP方法解决能量管理问题。文献[26]以由小型发动机、铅酸电池和超级电容器组成的混合动力汽车为研究对象,首先使用DP算法计算不同驾驶工况的能量管理问题,建立了基于机器学习的模型,然后采用神经网络算法(NN)训练以得到与DP算法结果尽量接近的最优解。文献[27-28]以缩短DP算法运行时间为目的,[27]通过结合GA算法实现,[28]则通过重新设计基于DP的递归方程来实现。文献[29]提出了一种基于离散DP和PMP的能量管理策略,这种方法能够缩短动态规划算法的计算时间,有利于实现在线控制。
瞬时优化算法相对于全局优化算法有着计算量相对较小,恰当利用可以实现在线控制,且对工况信息依赖度小的优点,但是又无法保证得到全局最优解,针对这一缺点,科学家也做了很多尝试[30-33]。文献[30]以串联混合动力汽车为研究对象,目标是提高整车燃油经济性并维持SOC稳定,提出了一种基于自适应ECMS的能量管理策略。文章规定了ECMS等效因子的范围,用于推导自适应等效因子。仿真结果显示这种能量管理办法显著提高了燃油经济性并利于实现实时控制。文献[31]以维持电池电量和提高燃油经济性为目标,基于ECMS提出了一种新型实时能量管理策略,这种方法不需要预知驾驶工况,通过在每一采样时间计算并减小等效燃油的方式提高燃油经济性。通过在不同工况的情况下与传统ECMS、AECMS和传统基于规则的能量管理策略的仿真结果作比较,发现这种新型的实时能量管理办法在燃油经济性上体现了其优越性。文献[32]针对四驱混合动力汽车提出了一种基于遗传算法的ECMS控制策略,GA算法用于优化ECMS的关键参数。文献[33]提出了一种改进的ECMS算法,以DP算法得到的全局最优分配方案为输入求等效因子,最终达到了转矩最优分配的目的。
3.2 融合交通信息的能量管理策略
交通信息对混合动力汽车的能量管理有很大的影响。随着全球定位系统(GPS)、智能交通系统(ITS)等技术的发展,道路信息的提取和使用逐渐被引入混合动力汽车能量管理。通过智能交通系统获得的交通信息错综复杂,需要选取提炼可用的信息应用在能量管理问题中,交通信息的高度的随机性、非线性等都是其应用的强大阻碍。而且如何利用这些历史数据或实时数据预测未来相关交通信息并提高预测准确度也是不小的挑战。为了适应交通信息应用中的随机性、预测性的问题,一些可以解决随机问题的最优控制算法和思想例如随机动态规划(SDP)和模型预测控制(MPC)等逐渐被引入混合动力汽车的能量管理来解决相关问题。同时,其他可用于随机预测的方法,例如NN、GA,尤其是马尔可夫链模型在未来信息预测中被多次应用。近年来,结合了交通信息的HEV能量管理方法在未来信息预测、工况识别等方向都取得了重大的进展,在实现在线实时控制上进行了深入的研究和探索。
3.2.1 交通信息的采集和应用
文献[34-50]充分利用交通信息,发展了多种算法如基于逻辑门限方法、NN算法、PSO算法等在未来交通信息预测模型、基于工况识别的混合动力汽车能量管理方面的应用。
文献[34]为了填补现有驾驶工况只包含速度信息而缺失道路坡度信息的空白,提出了一种基于多维马尔可夫链的驾驶工况合成办法,使用该方法合成的驾驶工况不仅有速度信息,还包括了加速度和道路坡度信息,在混合动力汽车能量管理策略的开发和测试中起到了重要的作用。文献[35-36]结合ITS采集的交通信息,随时更新ECMS的等效因子,提出了基于AECMS的能量管理办法。文献[37]在应用智能交通系统(ITS)采集的历史数据基础上建立完整的驾驶工况模型,并用DP算法进行能量分配。文献[38]将能量管理问题考虑为双层控制问题,上层根据道路信息和车辆动态计算总能耗,下层根据总能耗进行能量分配。文献[39]以通勤车为研究对象,通过采集历史数据得到行驶路线预测模型,并用DP算法给出最佳能量分配方案。
在交通信息预测方面,速度预测是目前研究较集中的方向之一。文献[40-41]主要考虑了车速预测的问题。文献[40]的主要目标是给出有效可用尽量准确的速度预测方法。车速的准确预测在混合动力汽车能量管理问题中十分重要,由于实际行程的车速无法提前预知,导致了多数能量管理策略只能给出离线的最优能量分配方案而无法实现在线控制。尽量准确地预测实际行车时的车速有利于推动实现能量管理策略的在线控制。文中用神经网络算法、指数增长算法和马尔可夫链分别进行了速度预测。3种方法都是基于大量历史数据来预测未来车速,其中指数增长法相对较简单,在已知初始车速的前提下通过不断调整指数系数获得未来车速预测模型。马尔可夫链预测方法通过分析车速的历史数据计算转移概率,获得了未来车速的概率分布,神经网络方法则通过利用神经网络算法对历史数据进行训练来获得未来车速。文章最终证明神经网络算法的速度预测相对准确。文献[41]提出了两种速度预测方法,分别是卷积神经网络方法(CNN)和多层感知器(MLP)方法,建立了基于车速历史数据的速度预测模型。
道路坡度信息对混合动力汽车的能量管理策略设计也有着巨大的影响。文献[42-43]考虑到道路坡度对插电式混合动力汽车电池的巨大影响,综合利用导航提供的道路坡度信息,提出了基于道路坡度信息的能量管理策略。文献[44]不仅以提高混合动力汽车的燃油经济性为研究目标,还考虑到了排放问题。文章首先建立了道路坡度模型,研究了道路坡度对燃油经济性和排放性的影响。智能交通系统提供的道路坡度信息能够提前采集并及时传送到控制器,实现实时在线控制。其次,在处理排放问题中,文章借鉴了选择性催化还原系统(SCR)的方法,在移除氮氧化合物的同时防止在排气管产生氨泄漏。最后文章通过给出最优的转矩分配方案提高了燃油经济性。通过标准驾驶周期的仿真验证,在考虑道路坡度的前提下,文中提出的控制方法不仅有效提高了非插电式混合动力汽车的燃油经济性,减小了排放,还实现了在线控制。
在工况识别方面,文献[45]提出了一种融合基于GA算法的K均值(K-means)聚类方法(KGA)和ECMS算法的能量管理策略。其中KGA均值算法用于驾驶工况辨识。通过对比这种方法和传统ECMS方法的结果,发现这种方法可以保证发动机基本运行在高效区,并能够提高燃油经济性。文献[46-47]设计了基于工况识别的能量管理策略。文献[46]选取了20个典型工况,利用PSO算法对关键参数优化,所得优化结果建立了数据库方便调用。文献[47]考虑到混合动力汽车电池电量在某些工况片段下降过快的问题,有针对性地选择了23个典型工况并将其分类,以提高燃油经济性为目标,用模拟退火粒子群算法对各类工况下能量管理策略的关键参数离线优化并建立数据库,提出了基于工况识别的能量管理策略。文献[48]提出了一种基于驾驶模式识别的能量管理办法,文章使用聚类分析方法对20个典型工况分析并分类,建立了驾驶模式识别模型,接着以提升电池寿命和燃油经济性为控制目标,用PSO算法解决能量管理问题。文献[49]目的是设计出在PNs环境下通用的能量管理办法,提出了一种融合了GPS和基于规则的混合动力汽车能量管理办法。文献[50]以插电式混合动力通勤车为研究对象,考虑到通勤车路况相对固定的特点,提出一种可实现在线控制的预测控制模型减小油耗。路线预测模型通过反向传播的NN算法得到,GA算法和PSO算法在预测模型中用来提高预测的准确性,最后采用基于DP的预测控制算法解决能量管理问题。
在交通信息采集方面,智能交通系统(ITS)发挥了重大的作用。它提供的车速、道路坡度、位置等信息使能量管理问题更加适用于多种工况,扩展了能量管理策略的适用范围,增加了其灵活性,也带来了更大的挑战。
3.2.2 基于马尔可夫链的未来交通信息预测问题
智能交通系统采集的历史数据和实时数据的主要用途之一是未来交通信息的预测。混合动力汽车的能量管理策略的控制目标对驾驶工况有较强的依赖性,不同工况的车辆燃油经济性往往是不同的。由于实际行车中驾驶工况未知,能量管理策略控制目标可能无法达成或是效果不尽人意,所以建立有效的预测模型能够减小混合动力汽车能量管理对驾驶工况的依赖度,并利于实现实时控制。近年来,在相关技术的辅助下,车速预测模型[40,51-52]、驱动模式预测模型[53]、驾驶员行为预测模型[54-59]等都在能量管理问题中发挥了作用。在未来信息预测中,最广泛应用的随机预测方法是马尔可夫链的方法[40,51-60]。
文献[51]以通勤车为研究对象,用实际测得的速度替换固定的驾驶路况车速信息,将平均速度用马尔可夫过程表示,通过随机动态规划(SDP)解决能量管理问题。文献[52]在[51]的基础上,提出了修正的SDP算法,大大提高了发动机效率。文献[53]研究了混合动力汽车的运行模式对能量管理策略的影响。由于动力源不唯一,混合动力汽车拥有多种运行模式,在多数研究中混合动力汽车的运行模式往往通过给定的固定参数进行简单判别,与车辆的实际运行情况有一定差距。文章充分考虑实际行车中运行模式的随机性,将HEV运行模式表示为一个可控的马尔可夫链模型,使得能量管理策略的设计更加贴近实际情况。文章以提高车辆的燃油经济性为控制目标,用车辆长期运行的平均油耗作为衡量指标,设计了一种多目标优化的能量管理策略,用Pareto控制思想计算最优控制率并与动态规划的结果作比较,仿真结果显示这种能量管理策略的车辆燃油消耗与动态规划算法的燃油消耗相同。此外,文章还研究了混合动力汽车不同系统如发动机、电动机和电池之间在整车燃油经济性和电池寿命的影响,提供了一种基于适用对象需求的多控制目标实现的方法。
驾驶员作为车辆行驶中的实际操作者,其行为模式对能量管理策略的影响不容忽视。不少混合动力汽车能量管理策略的研究中都考虑到了驾驶员行为,一般将其表示为车辆的总需求功率或者总需求转矩。文献[54]以并联HEV为研究对象,提出了一种基于速度预测和加强学习的能量管理策略。模糊编码和最近邻法用于车速预测,马尔可夫链则用于学习功率需求,得到其转移概率。文献[55]将驾驶员行为和HEV驱动系统运行模式用马尔可夫链表示,提出了一种基于PMP优化方法的混合动力汽车能量分配方法,计算了能量管理问题全局最优解。文献[56]提出了一种基于规则的运行模式预测的方法,实现了实时给出发动机和电机转矩分配方案,并结合修正制定规则以达到提高混合动力汽车燃油经济性的目的。在修正规则制定过程中主要应用的就是基于马尔可夫链的学习方法。文献[57]提出了一种基于随机模型预测控制(SMPC)的能量管理办法,用马尔可夫过程表示加速度变化,进一步得到HEV未来需求转矩预测模型,采用DP算法在有限时域内滚动求解能量管理问题。文献[58]以变速器前置式单轴转矩耦合并联式混合动力汽车为研究对象,考虑到未来工况的不确定性,将总需求转矩用马尔可夫链表示,通过SDP算法解决能量管理问题。文献[59]以插电式并联混合动力公交车为研究对象,为改善驱动系统运行模式频繁切换带来的燃油损耗问题,综合实际公交车行驶路况建立了基于马尔可夫链的驾驶员行为模型,提出了一种随机模型预测的能量管理办法。文献[60]综合分析了大量城市路况并分类,建立了基于马尔可夫链的制动转矩需求模型。
3.3 基于模型预测控制的能量管理策略
模型预测控制(MPC)因其具有较强的鲁棒性是近年来被广泛应用在混合动力汽车能量管理策略的一种控制方法。这种方法通过一些动态参数的在线提炼,将能量管理问题中整个驾驶周期的全局最优控制转化为预测区域内的局部优化控制,通过不断滚动优化更新下一时间域参数获得最优结果[69]。模型预测控制的思想常常结合交通信息,用于建立交通信息预测模型,以弥补实际中未来路况信息未知的不足,并与其它优化算法结合,计算能量管理问题[57,61-68]。在应用MPC实现实时控制时,往往因为在预测时间域内在线计算时间较长无法迅速获得下一时间域的更新后的参数而无法实现在线控制,这也是目前MPC在混合动力汽车能量管理问题中的一个挑战,需要更好的方法解决。
文献[61]以混合动力车队为研究对象,提出了一种结合道路坡度信息的MPC能量管理办法。文献[62]以串联式混合动力汽车为模型,提出一种随机模型预测控制(SMPC),将总需求功率视为随机变量。仿真结果显示这种能量管理策略在油耗、发动机效率等方面效果突出。文献[63]同样应用SMPC进行能量分配,作者考虑到驾驶员对车辆动态的影响,将驾驶员行为处理为随机变量并建模,并引入自学习机制,以适应不同的驾驶行为。文献[64]以带有行星齿轮的混合动力汽车为研究目标,利用行星齿轮可以充分发挥串联式和并联式混合动力汽车的优点,既增加了车辆运行模式又节省了空间,同时由于驱动系统的复杂性也给能量管理策略的设计带来了巨大的挑战。文章以提高整车燃油经济性为控制目标,将能量管理问题表述为带有约束条件的非线性最优控制问题。为了对比线性时变模型预测控制(LIV-MPC)和非线性模型预测控制(NMPC)的控制效果,文章设计了两种目标函数,分别是二次型的目标函数和考虑到电池寿命的非线性目标函数。在仿真验证过程中文章用了大量不同的固定驾驶周期,仿真结果显示NMPC的燃油经济性提升效果显著。文献[65]在利用随机模型预测控制解决混合动力汽车的能量管理问题时将驾驶员行为考虑进来,提出了一种基于驾驶员行为模型的自学习随机模型预测控制方法。文章将驾驶员行为用车辆的总功率需求表示,建立了基于马尔可夫链的功率需求模型,并在随机模型预测控制解决能量分配问题中利用了二次规划,使用二次规划方法使随机模型预测在解决高维状态量的模型时体现了其优越性。文中以串联式混合动力汽车为研究对象,在迭代计算过程中根据实时道路信息不断更新功率需求信息,得到了电池和发动机之间的最优功率分配方案。由于在能量管理问题中考虑了基于马尔可夫链的驾驶员行为模型,提高了模型预测控制的预测能力。通过在固定的驾驶周期和实际驾驶周期的仿真试验,验证了这种考虑驾驶员行为的自学习模型预测控制在油耗和电池效率方面的优越性。文献[66]将混合动力汽车的实时能量分配问题表示为非线性滚动优化问题,提出了一种基于广义最小残余算法的在线迭代方法,得到的结果并非全局最优,而是在每个规定时间范围内的最优解。文献[67]提出了一种基于非线性MPC的算法,具体通过结合高斯伪谱方法和MPC,将混合动力汽车能量管理的最优控制问题表述为非线性规划(NLP)问题,给出了最优转矩分配方案,跟传统欧拉方法相比,这种能量管理办法明显缩短了计算时间。文献[68]同样提出了一种基于非线性MPC的能量管理办法,通过使用DP算法在预测区域内滚动解决优化问题计算具体的能量管理问题,这种方法在燃油经济性方面展现了其优越性。
3.4 其他优化算法在能量管理中的应用
除上述优化算法外,近年来HEV能量管理还用过一些其他方法和思想。例如,文献[70]注意到了发动机有其最大功率点(MP)和最高效率(ME)点,因此设计了一种极值追踪方法(ESP)来追踪发动机的MP和ME,这种方法采用自适应递归最小二乘法(ARLS)确定在线模型,目的是确定发动机运行模式及性能的变化。文献[71]充分考虑到混合动力汽车发动机运行在高效区的优点,结合了固定高效区(CHER)和动态高效区(DHER)的控制方法,最大程度地发挥了两者的作用。文献[72]定义了一组瞬时优化目标函数,分别以减小燃油消耗、降低排放和维持SOC稳定为目标,应用变可行域(Varying-domain)优化方法的思想将多目标优化问题转化为非线性规划问题,最后用GA算法解决了优化问题。文献[73]以燃料电池混合动力汽车为研究对象,设计了一种双层控制的能量管理策略,上层控制考虑了路况信息形成车辆动态方程,目标是提高燃油经济性,下层控制主要解决燃料电池和蓄电池间的能量分配问题,并尽量减少氢气消耗,达到维持燃料电池寿命和减少氧气不足现象的目的。文献[74]通过模拟退火算法和粒子群算法的结合,提出了一种基于多工况优化混合动力汽车动力系统与控制策略参数的方法,这种方法优化出的参数可适用于多种工况。文献[75]应用了一种基于带宽控制算法,并结合了占空比控制策略,以减少能量储存单元的消耗和提高燃油经济性为目标,针对串联混合动力汽车设计了能量管理策略,在求解能量管理问题时还用到了并行模式的多目标遗传算法(MOGA)。
另外,还有某些能量管理办法只针对特定的车型或动力装置设计,并不具备通用性。例如,文献[76]以四驱HEV车队为研究对象,提出了一种车联网环境下的分层能量管理控制方法。上层控制器主要基于MPC建立最优目标车速预测模型求解HEV期望车速,下层控制器采用DP进行全局能量管理优化。文献[77]设计了一种针对Atkinson发动机的能量管理办法。文献[78]针对混联HEV中常用的无刷双机械端口电机(BLDD-PM),在充分研究该机器数学模型的基础上设计了相关的能量管理办法。文献[79]针对一种不含离合器的Ravigneaux齿轮传动装置的混联式混合动力汽车设计了能量管理策略,重点是这种驱动结构的建模和其在节能方面的评估。
4 总结与展望
本文全面概述了混合动力汽车能量管理技术的发展,总结了基于规则和优化算法的能量管理策略的特点及缺陷,分析了近年来能量管理策略的发展方向,并重点总结了基于交通信息提取及预测的混合动力汽车能量管理策略。混合动力汽车相关技术发展到现在,已经取得了重大进步。但是,其燃油经济性、可驾驶性、安全性、舒适度等方面都还有很大的提升空间。近年来我国的混合动力汽车发展迅速,多种能量管理方法已经在仿真和实验中实现了在线控制,但是距离生产和投入使用还有较大差距。混合动力汽车能量管理控制策略尚缺乏与系统构型和参数的有效结合和匹配,而插电式混合动力汽车的能量管理策略多为电力消耗-电力维持型(CD-CS),无法适应多种工况[80]。在实际行车环境中,不同的驾驶工况、目标函数及系统动态方程的确定、优化算法的选择等方面都直接影响混合动力汽车能量管理的控制目标达成。考虑到目前混合动力汽车能量管理面临的挑战,未来混合动力汽车的能量管理策略发展方向主要集中在以下几方面。
一是进一步优化控制目标,例如提高燃油经济性,减小排放,保证驾驶性等。虽然混合动力汽车的能量管理策略一直以提高燃油经济性和减小排放等为控制目标并取得了不错的成效,但是随着各国对节能减排标准的不断提高,对汽车控制的要求也相应提高,能量管理策略相关技术也需要进一步研究和开发。
二是交通信息进一步的提取和利用。道路交通信息的合理使用对HEV的能量管理有很大的影响。虽然随着GPS、ITS等技术的发展,提取交通信息已经容易实现,但是由于交通信息的复杂性和非线性,如何选取有针对性的信息并合理建模仍然是研究热点。
三是对未来信息的准确预测。车辆的整个行驶周期在能量管理问题中占据重要的地位。在实际行车过程中,未来信息如车速、路况、需求功率等不可能提前预知,所以对未来信息的预测极为重要。目前已经有学者提出多种预测方法,取得了不小的进展。但是为了获得最优的能量分配方案,更加准确的未来信息预测方法仍需要开发。
四是实现实时在线控制。目前不少能量管理策略在仿真实验中都能实现在线控制,但是距离实际生产还有一定的差距,优化算法的改进、计算时间的减小等都需要投入精力继续研究。