英语原文共 15 页
能源155 (2018)838e852
基于速度预测的插电式混合动力商用车最优能量管理策略研究
沈培红，赵志国*，詹晓文，李景伟，郭秋义
同济大学汽车学院清洁能源汽车与动力系统国家工程实验室，上海市曹安路4800号，201804
文章信息
文章历史:2018年5月9日在线
关键词:PHECV 速度预测 马尔科夫模型 BP神经网络 EMS 货币政策委员会
摘要：插电式混合动力汽车的一个主要优点是燃油经济性高，这与插电式混合动力汽车的能源管理策略和行驶周期密切相关。本文提出了一种基于马尔可夫模型和反向传播神经网络的速度预测方法。在预测时间为3 s时，新欧洲驱动周期预测速度的均方根误差为0.1511m/s。并在混合动力公交车上进行了速度预测算法的车辆试验，验证了速度预测算法的可靠性和实时性。在此基础上，提出了一种结合速度预测的基于模型预测控制的能量管理策略。为了减少计算和内存负担，约束电池的充电状态，将一种基于充电的自适应等效消耗最小化策略应用到基于预测控制的能量管理策略中。通过仿真,提出了基于速度预测的能量管理策略改善燃油经济性3.11%和7.93%的插件混合动力商用车新欧洲行驶循环,而在全球协调轻型汽车测试过程,与自适应相比等效消费最小化策略和当量消费最小化策略分别改善了2.96%和11.02%。
copy;2018爱思唯尔有限公司
1 介绍
与传统混合动力汽车(HEV)相比，插电式混合动力汽车(PHEV)具有更大的电池容量和更长的行驶里程[1]。能源管理策略(Energy management strategies, EMS)是提高PHEV燃油经济性的关键[2]，与车辆的行驶周期密切相关[3]。EMS具有较好的燃油经济性，预测可以在较短的未来行驶周期预测中实时实现[4,5]。基于行驶周期预测的EMS主要基于速度预测，并且其燃油经济性优化潜力与系统的预测精度和实时性密切相关。
*通讯作者。同济大学汽车学院清洁能源自动化与动力系统国家工程实验室，上海市曹安路4800号，201804
电子邮箱:shenpeihong@tongji.edu.cn (P. Shen)， zhiguozhao@tongji.edu.cn (Z. Zhao)， 1532851@tongji.edu.cn (X. Zhan)， 1632821@tongji.edu.cn (J. Li)， 1731605@tongji.edu.cn (Q. Guo)。
https://doi.org/10.1016/j.energy.2018.05.064
0360 - 5442 /copy;2018爱思唯尔有限公司
1.1 文献综述
现有几种速度预测算法，可分为基于遥测传感器的速度预测算法和基于板载传感器的速度预测算法。参考文献中采用遥测传感器和全球定位系统(GPS)来预测未来的速度[6-9]。车辆的车载辅助设备(如GPS接收机和通用分组无线电业务模块)通过前车与控制中心之间的数据通信进行行车周期预测[10]。然而遥测或车载传感器不仅成本较高，而且相应的速度预测算法也增加了车辆控制策略的复杂性和计算负担。因此避免使用遥测或机载传感器更为可行。对于插电式混合动力商用车(PHECV)，如公交车和通勤车辆，其行驶周期比乘用车更固定。因此他们的历史驾驶周期数据可以通过使用机器学习方法应用于未来速度预测[11]。
在应用于速度预测的机器学习方法中，最常用的是马尔可夫模型和神经网络。张先生等人采用一阶齐次马尔可夫链的状态转移概率矩阵建立了主干线和高速公路的速度预测模型，预测精度为70.5%-90.1%[12]。将有限状态马尔可夫链应用于驱动周期预测算法的构建[13-16]，建立了一个多步马尔可夫预测模型来预测插电式混合动力公交车(HEB)近期的行驶速度序列[17]。谢先生等人采用马尔可夫链蒙特卡罗方法预测HEB在每个电流状态下的速度序列，并通过后处理算法调节预测结果的波动，当预测时间大于5 s时，预测精度大于0.416m/s[18]，利用人工神经网络和车辆导航系统，制定了一种基于位置的速度预测方法，平均预测误差小于1.11m/s[19]，建立径向基函数神经网络，根据车辆的历史速度预测短期车辆速度[20,21]，并得出预测结果与实际速度剖面较为接近，输出长度为10s时，均方根误差(RMSE)较小，为0.4396m/s[21]。谢先生等人从中国某二级公路上采集了弯道半径、坡度、行车速度等行驶参数，随后采用线性回归、多项式回归、反向传播(BP)神经网络和模糊神经网络对第85百分位速度进行预测，对预测精度进行了比较分析，结果表明，BP神经网络具有较高的预测精度和较低的约束条件[22]。Sun等人分别利用马尔可夫模型和神经网络采集了混合动力汽车的行驶速度数据，并对未来的速度进行了预测，预测时间为5 s的速度预测精度为2.2747m/s ~ 3.6678m/s，适用于城市测功机行车计划、公路燃油经济性试验等标准行驶周期[23]。
对于固定行驶周期的商用车，如公交车、通勤车辆，现有的速度预测方法采用马尔可夫模型或神经网络可以成功预测速度，但预测精度有待提高。此外，基于速度预测的插电式混合动力汽车(PHEV)或混合动力汽车(HEV)的EMS作为一种提高汽车燃油经济性的手段已经被许多研究人员所研究。
启发式EMS由于其良好的实时性、稳定性和鲁棒性，在混合动力汽车和插电式混合动力汽车中得到了广泛的应用。根据预测速度对PHEV基于规则的EMS参数进行了优化，使燃油经济性提高了7.14%[25]。刘等人基于GPS的地理信息系统预测的上山道路行驶周期，优化了PHEV的充电耗尽(CD)和充电维持(CS)策略[2]。陈等人采用动态邻域粒子群优化算法，根据预测速度对PHEV基于规则的EMS进行优化，使燃油经济性降低9.7%[5]。根据预测的行驶周期提出了多模式切换逻辑控制策略，针对某城市某公交线路的插入式HEB团队的燃油经济性改进[10]。将驱动周期预测与模糊逻辑控制策略相结合，优化插电式混合动力车发动机与电机之间的扭矩分布[26,27]。还对PHEV进行了模糊逻辑控制，然后根据预测速度采用遗传算法对隶属度函数参数和规则进行优化[14]，优化后的EMS使燃油成本和排放分别降低17%和14%。
与启发式EMS相比，瞬时最优EMS具有更好的燃油经济性。等效消费最小化策略(ECMS)作为一种基于Pontryagin极小原理的瞬时策略[28]，受到了人们的广泛关注。ECMS在最大限度地减少等效油耗的基础上，为发动机和电机分配功率。通常采用等效因子ECMS进行自适应。一些研究者将速度预测应用于自适应ECMS (AECMS)中，以获得更好的燃油经济性。利用速度预测器为ECMS实时等效因子自适应提供临时驱动信息，使HEV的油耗降低3%以上[21]。张等人基于识别驾驶行为并实时预测交通信息，为PHEV制定了一种改进的AECMS，节省了超过5%的燃油经济性[29]，并建立了一个其参数可以根据流量预览进行调整的ECMS[30]。为PHEV定义了一个在线实现的ECMS，该ECMS的控制集根据预测的速度由离线随机动态优化[16]。
由于预测层采用模型预测控制(model predictive control, MPC)进行优化，因此基于MPC的EMS比ECMS或AECMS更能提高燃油经济性，因为它在理论上是一种瞬时优化方法。MPC提供了一种预测方案，可以将未来的周期信息合并到各种EMS中[31]。此外，即使考虑各种约束，MPC也具有良好的在线优化效果和较高的鲁棒性[32]。因此研究人员对基于MPC的PHEV EMS越来越感兴趣，一些研究人员将速度预测纳入MPC以优化插电式混合动力车的燃油经济性，将随机MPC应用于PHEV的驱动周期预测自适应EMS中，降低了1.9%的燃油经济性[18]，并制定了一个基于MPC的EMS，带有一个多步马尔可夫链速度预测器，节省了超过50公里的旅行距离的燃料成本[17]。MPC的优化目标是将燃油消耗最小化，并跟踪全局目标荷电状态(SOC)轨迹，采用非线性MPC中的正向动态规划方法，为双模功率分割混合动力汽车开发了一种基于速度预测的实时EMS，提高了整车的效率[20]，同样也开发了一个基于DP的最短路径随机EMS，并结合一个已知的先验驱动周期，使得燃油经济性提高了11%[13]。
1.2 动机和创新
对于PHEV和HEV，基于速度预测的EMS具有良好的燃油经济性，这在很大程度上受速度预测精度的影响[8]。如上所述，现有的速度预测方法大多采用马尔可夫模型或神经网络，预测精度有待提高，为了提高速度预测精度，本研究开发了一种新的速度预测算法，利用马尔科夫模型预测速度，利用BP神经网络补偿速度预测误差，利用滤波平滑速度预测，仿真结果表明所提出的速度预测算法对新欧洲驱动周期具有较高的预测精度，实验结果表明该方法在给定线路的母线上测试是可行的。
此外，文献综述现有的基于速度预测的EMS表明，基于MPC的EMS可以提高燃油经济性。然而MPC模型的优化目标主要是最小化油耗，跟踪全局目标SOC轨迹。首先计算目标SOC轨迹，增加了计算量控制器的负担。对于PHEV，如果SOC较高，或行驶距离较短，则车辆应在CD模式下运行，另一方面，当SOC较低或行驶距离较长时，车辆应在CS模式下行驶。研究结果显示，基于MPC的EMS只有在行驶距离大于50公里时才会节省燃油成本，这比大多数典型或常见的行驶周期都要远[17]。因此，优化PHEV CS模式下基于速度预测的EMS至关重要。本研究的重点是CS模式的EMS。本研究创新性地将基于SOC的AECMS与MPC相结合，构建了一种基于速度预测的混合动力电动汽车EMS模型，以提高燃料经济性。提出了一种新的基于MPC的EMS框架，减少了计算和内存负担，提高了系统的实时性。
1.3 论文组织
本研究组织如下:第2节提出了一种基于马尔可夫模型和BP神经网络的速度预测改进方法。利用NEDC在给定路径的HEB上进行了仿真和车辆试验，验证了速度预测算法的准确性和有效性。在第3节中，根据实验测试数据构建了P2构型的PHECV模型。第4节给出了一种基于ems的最优速度预测方法，该方法将基于socket的AECMS与MPC相结合。在第5节中，使用NEDC和world Harmonized Light Vehicles Test Procedures (WLTP)对CS模式下PHECV基于速度预测的EMS、AECMS和ECMS仿真试验进行了比较和分析。最后，在第6节中得出结论。
2. 基于马尔可夫模型和BP神经网络的速度预测算法
对于给定路线的车辆，例如公交车和通勤车辆，可以使用数理统计和基于历史驾驶数据的机器学习方法预测未来的速度。机器学习方法，如马尔可夫模型和神经网络，已经在速度预测算法的开发中得到了应用[12-23];然而，驾驶周期预测的准确性需要改进。
2.1基于马尔可夫模型的速度预测算法
马尔可夫模型在自然科学和工程技术中得到了广泛的应用，可以有效地预测数据状态[33]。马尔可夫过程如式(1)所示，具有非后效性;车辆的未来状态具有很强的随机性和非后效性。例如，前一种驾驶状态对当前驾驶状态没有直接影响，因此车辆的驾驶状态具有马尔可夫特征[34]。采用马尔可夫过程对参考文献中的速度进行了预测。[12-18,23]，同样的，本研究最初利用马尔可夫过程来预测速度。
(1)
本文选择NEDC来说明基于马尔科夫的速度预测算法的发展。首先提取每一秒的速度和加速度作为驱动周期状态点，如图1所示。
在获得NEDC状态网络后，去掉没有状态点的网格，然后对其余网格进行编码，如表1所示。
图1:NEDC的驱动循环状态点
由于马尔可夫链的多步预测会导致误差累积，本研究将预测时间设置为5 s，预测时间相对较短，因此采用单步马尔可夫预测技术来降低预测误差。因此根据状态转移概率的表达式计算NEDC预测时间为1 s、2 s、3 s、4 s、5 s的状态转移概率矩阵，如式(2)所示。
(2)
其中为状态i到状态j的状态转换次数;Ni表示状态i到所有状态的状态转换次数;是状态i到状态j的转换概率。
预测状态根据当前状态确定，满足式(3)中状态转移条件，得到预测状态后，预测的速度和加速度
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
