基于车联网技术的纯电动汽车转矩决策优化

A版基于车联网技术的纯电动汽车转矩决策优化谷靖孙俊张霏霏顾铮珉叶先军上海汽车集团股份有限公司技术中心，上海201804【摘要】首先建立对转矩决策优化算法的数学描述，然后基于模型预测控制算法框架将全局优化问题转化为局部优化问题，并采用动态规划算法对转矩决策优化问题进行求解，最后通过仿真对转矩决策优化算法进行验证。结果表明，对于所设定的仿真工况采用转矩决策优化算法可提高车辆能量利用效率达963。【ABSTRACT】FIRSTLY，AMATHEMATICDESCRIPTIONTOTHEPROBLEMOFDRIVINGTORQUEPLANNINGISGIVENANDMODELPREDICTIVECONTROLANDDYNAMICPROGRAMMINGAREEMPLOYEDTODERIVEALOCALOPTIMALSOLUTIONSIMULATIONRESUHSHOWSTHAT，THEENERGYEFFICIENCYOFTHEBATTERYELECTRICVEHICLECOULDBEIMPROVEDBY963USINGTARGETTORQUEPLANNINGUNDERTHESPECIFIEDDRIVINGCONDITION【关键词】纯电动汽车转矩决策优化车联网动态规划DOI103969JISSN10074554201506010引言随着车联网技术的发展，车辆控制系统可获知关于车辆、道路以及交通状况等信息，包括车辆的位置和速度、前方道路的坡度和曲率、交通信号灯的位置和状态切换时刻、与前车的相对距离和相对速度等。在此基础上，车辆控制系统可根据给定的行驶任务，优化车辆在各行驶阶段的总转矩功率需求和车速轨迹，即以更优化的控制策略针对驾驶员的部分不合理操作提出建议或进行纠正，从而提升车辆在整个行驶方面的经济性。戴姆勒克莱斯勒公司基于传统的自适应巡航系统，提出的预测巡航控制系统PCC的概念，代表了对这类问题研究的典型思路，其控制系统根据GPS导航，结合3D数字地图，提前获取前方道路坡度的信息，优化车辆的速度变化轨迹，从而提高车辆经济性。收稿日期20150303上海汽车201506由于行驶任务确定的总行驶距离一般较长，全局优化的计算量太大，因此已有研究大多基于模型预测控制MPC的框架，将全局优化问题转化为局部优化问题。每次仅考虑从当前的地点或时刻起始的一段空间或时间域上的优化问题。MPC算法得到的是局部最优解，也可称为全局次优解。在最优控制问题具体解法的选择上，有多点打靶法3J、动态规划算法J、启发式算法J、模糊算法以及专家系统等。根据不同的工况设定，具体的经济性提升效果大致在210之间。目前，在已经完成的对基于交通信号灯信息的能量决策优化问题的研究中，所使用的优化控制算法均比较简单，一般只是基于简单的逻辑规则，或是基于已经设定的某种行驶模式进行优化，虽然可以实现能效的提升，但其结果并非其最优解，还有优化潜力有待进一步发掘。本文以纯电动汽车为研究对象，考虑在城市3交通工况下的基于车联网技术的转矩决策优化问题，即基于车联网技术所提供的关于车辆道路、交通状况信息，优化车辆的总扭矩需求和车速轨迹，以提升纯电动汽车的能量利用效率。首先建立对转矩决策优化问题的数学描述。然后基于模型预测控制算法框架将全局优化问题转化为局部优化问题，并采用动态规划算法对转矩决策优化问题进行求解。最后通过仿真对所开发的算法进行验证。1转矩决策优化问题图1所示为典型的城市道路交通工况场景，包括道路坡度变化、车辆接近交通信号灯以及跟车工况。在坡度变化的路段上，为提高经济性车辆应充分利用自身的惯性，减小在上坡路段的驱动转矩和下坡路段的制动转矩输出。对于车辆接近交通信号灯的工况，由于信号灯的状态切换时刻已知，可以尽量使车辆在绿灯时到达并通过交通信号灯，减少停车等待时间，避免不合理的加减速操作。对于跟车工况，本文只考虑跟车的安全性，即保持与前车合理的安全距离和相对车速，因此可将跟车工况看作是对车速的上限约束。考虑到前车行为的随机性，本文在求解转矩决策优化问题时，先不考虑前车行为，得到优化结果之后，将目标车速与根据前车行为确定的车速上限进行比较，如果目标车速大于车速上限，则以车速上限作为目标车速，否则可以忽略前车的影响。因此，本文对转矩决策优化问题的研究中将忽略跟车工况，而只考虑道路坡度变化以及车辆接近交通灯两种工况。转矩决策优化问题属于最优控制问题，其数学描述包括目标函数、系统动态方程、初始状态以及状态和控制量约束条件。11目标函数由于道路坡度是道路位置的函数，故选择距离而非时间作为系统的自变量。转矩决策优化的目标是提升车辆的经济性，因此目标函数，显然要包含系统的能耗。不过，仅考虑系统能耗会使优化结果倾向于使车辆以很低的速度行驶，因此4图1典型的城市道路交通工况目标函数中还考虑了车辆的行驶时间，即FPDFDS1式中S为行驶任务对应的总行驶距离；P为电驱动系统的输入功率，即电池的输出功率；为行驶时间的权重系数，反映了时间消耗相对于系统能耗的权重。增大口会使车辆趋向于以更高的速度行驶，反之会使车速降低。值是驾驶员目标车速VTARG的函数，即3H2电驱动系统的输入功率P可表示为F，TOP叩M3【T09R，TS0式中TM、09和叼分别为电机的输出转矩、转速和效率。城市道路的坡度一般均比较小，则根据车辆纵向动力学模型，电机输出扭矩可表示为MGF一CDAPV2】R4式中M为整车质量为滚动阻力系数；C为风阻系数；为车辆迎风面积；P为空气密度；为车速；6为加速质量系数；R为轮胎半径。12系统动态方程系统动态方程可表示为DXFX,U,S5式中、“和S分别为系统的状态变量、控制输入和自变量。系统的动态方程基于车辆动力学模型，而动力学模型是以时间为自变量的，因此首先需要将其自变量由时间转换为距离，转换方法为一DSDDS一DT上海汽车2015066系统状态包括车辆速度与时间T，控制输入为电机转矩，即T7TM8根据车辆动力学模型，系统动态方程可展开为F【一MG，十一吉C1DT1【DS曼TCDTM12式中和分别为电机转矩的上下限，是电机转速车速的函数。为了提高车辆经济性，应尽量避免使用液压制动系统对车辆进行制动，本文的研究中认为电制动已经可以满足正常行驶过程中的制动力需求。92转矩决策优化的模型预测控制系统初始状态即为车辆当前的速度以及时间，为计算方便，每次求解转矩决策优化问题时，将距离S和时间清零，即R0YOI0010状态约束包括车辆的速度约束以及车辆到达交通信号灯所在位置的时间约束，即11【TMMSOT式中TJ和VMIN为车速的上下限；S,1为交通信号灯所在位置；和TRAIN是车辆到达交通信号灯所在位置的时间上下限。确定车速约束需要综合考虑驾驶员主观感受、交通法规以及道路状况等因素。首先，车速应该在正常行驶时驾驶员主观所能接受的范围内。其次，车速必须满足交通管理部门所设定的最高或最低速度限制。另外，在某些路段上需要根据道路状况对车速进行限制，比如在弯道处为了保证安全性或者在颠簸路面上为保证舒适性所作的车速限制等。时间约束需要考虑交通信号灯的状态切换时刻，即车辆应该在合适的时间范围内到达交通信号灯所在位置。在某些情况下，车辆接近交通信号灯时面临多种策略选择，比如车辆可以选择加速通过，或停车等待，甚至还可以减速缓行直至下一次绿灯时再通过。不同行驶策略对应的时间约束也不同。控制量的约束条件考虑电机的极限转矩输出能力，即上海汽车20150621模型预测算法本文采用模型预测控制MPC算法将转矩决策优化问题从总行驶任务上的全局优化转化为移动域上的局部优化问题。一方面可缩短优化域长度，减小计算量，便于算法的实时应用；另一方面，在实际道路行驶过程中交通工况的不确定性会对车辆的行驶造成干扰，转矩决策需要及时根据实际道路工况进行调整，而不可能按照全局最优解事先确定好的轨迹运行，因此全局优化反而不如局部优化更有意义。MPC算法的原理如图2所示，每次优化时控制系统仅考虑从车辆当前位置起始的一段距离上的优化问题，这段距离称为预测域长度S。得到优化结果后，只取预测域中前一段距离SC,O上的优化结果作为控制输出，并将预测域向后移动S，从而实现滚动优化，SAY称为预测周期。MPC算法得到的结果是局部最优解，也可称为全局的次优解。所选取的预测域长度S越大，所得结果越接近全局最优解，但对控制系统计算能力的要求也越高，预测域长度5的选择要综合考虑优化程度和计算复杂度。步长是对预测域离散化的最小尺度。预测周期5的选取决定了控制系统多大距离执行一次优化计算，预测周期较小可以使系统能更好地适应工况的变化，但同样对计算能力提出了更高的要求，因此，预测周期的选择同样要在优化效果和计算复杂度之间进行折衷。在MPC算法下，目标函数式1可写成JF。SFS13。一PV式13将目标函数分解为预测域0，S。和预测域之外S。，JS两个部分。在MPC算法中，每次5预重卅垂窖图2模型预测控制算法原理化距离M图3末态目标函数的设定由于，的计算是离线进行的，不受系统计算能力的制约，因此应该尽量选择较大的S，使末态目标函数值随末态车速的变化趋势不受5值的影响。优化时只考虑预测域上的工况，而预测域之外的3转矩决策优化问题的求解工况以末态目标函数的形式存在，即L，E314式中J表示末态目标函数，仅与系统预测域的末端状态有关。末态目标函数的存在使系统不仅仅考虑预测域上的优化，还考虑了预测域的系统末端状态对未来行驶过程的影响，因此末态目标函数的设定很重要。22末态目标函数末态目标函数反映了控制系统对预测域之后行驶工况的估计和判断。本文对预测域之后的行驶工况设定为道路坡度一直为0，且不存在交通信号灯的时间约束，车辆以预测域的末态车速为初始车速，行驶5的距离，如图3所示。以路段S，JSS。上的最优行驶策略所对应的目标函数作为预测域0，JS。的末态目标函数，即，。，FSSOPFL15不难看出，末态目标函数I，只是预测域末态车速的函数，且随着末态车速的增大而减小。车速直接对应车辆的动能，也就是说，车辆自身的动能也是系统的收益，如果末态车速较高，则意味着在未来的行驶过程中能耗较小，反之，在未来的行驶过程中需要消耗更多的能量。因此，末态目标函数的存在使控制系统倾向于维持较高的末态车速。6首先对系统动态方程进行离散化，设离散化步长为，预测域长度S。为个预测步长，即S。NAS16由式9推导系统状态转移方程，具体展开为TKLK式中OL是车辆纵向加速度，表示为TMKMGF一1G】18目标函数式14可表示为十S19如果预测域上无交通信号灯，则不需要考虑信号灯的时间约束，此时为一维动态规划问题。如果预测域中有交通信号灯，即S。S，则车辆必须要满足交通信号灯所设定的时间约束，因此，在0，S上系统需要考虑车速和时间两个状态，为二维动态规划问题，而在S，S。上则为一维动态规划问题。目标函数也相应改写为JD僧。JO1IS2O式中的项分别为，上P2030S的目标函上海汽车201506数、5S。上的目标函数和预测域末态目标函数，记第一项为，I，后两项之和为，。根据贝尔曼最优化原理，可先求解JSS。上的一维动态规划问题，其求解结果是，处车速的函数。将，看成是系统在0，S1上的末态目标函数，则系统目标函数可写成，L，S。D21这表明，在0，S。上的动态规划问题已经转化为在JSS。上的一维动态规划和0，S1上的二维动态规划两个子问题。下面只介绍二维动态规划算法的求解过程，一维动态规划算法的求解过程与之基本相同，且更加简单。式21的离散化形式为，A22，NS22式中SNAS。假设SJS。上的一维动态规划已经求解完成，即I，已知。记为从S位置开始的目标函数，即JLNT123动态规划的求解为逆序递推过程，按以下顺序进行。1求IN。一1时，即最后一步的最优解，一。TL1是系统状态一和T一的函数。一11，L一1MML，L，MDTEMD,NIL1TMIN，RMX”MINTEMD,NTL1TM，VNTLTNT1SIN，MAXJ24同时可得到每个系统状态对应的最优控制输入，也是系统状态的函数。TLDL一1TLD，。LLL一1，VL一1252逆序倒推，依次求解IF一20时的最优解JT以及对应的最优控制输入DL，T。L，TIHU“，F，N1DCMD，TRAINTMAX，J4。CUII,TI1S26上海汽车201506式中，T由，T根据系统状态转移方程式17得到。全部逆推求解过程完成之后，可以得到所有步骤下各系统状态对应的最优目标函数JVIT。和最优控制输入“VIT。然后由系统初始状态1；O，T。，结合系统状态转移方程，逐步正向递推求得各步骤下的最优控制输人和对应的系统状态。动态规划算法在每一步中均要计算所有状态，T在控制量输入下的目标函数，其中有很多不合理的状态和控制量的组合无法产生满足系统约束条件的有效解，但占用了大量的计算时间，是对系统计算资源的巨大浪费。对状态域和控制域进行缩减，剔除其中不合理状态和控制量，可以降低动态规划算法的计算量，从而提升算法效率。状态域缩减方法如图4所示。首先根据车辆当前的初始速度，考虑最大加速度和最大减速度的限制，得出车辆在每个位置的车速上下限。然后根据车速限值，以当前时刻为起始时刻，计算车辆到达每个位置的时间上下限，这个过程称为时间前向推算过程。在交通信号灯位置S处，如果前向推算所得的时间上下限与在交通信号灯处的时间约束有交集，则需要根据该时间交集继续正向推算S，S。上每个位置的时间上下限，此外还可根据该时间交集往回逆向推算S。之前的一段距离上每个位置的时间上下限。可以看出，通过状态域缩减法，可以在进行动态规划数值计算之前去掉很多不合理状态，尤其是时间状态，提高了计算效率。控制域缩减首先要考虑电机的极限转矩输出特性。电机极限转矩输出是电机转速车速的函数。对于每个速度状态，都可以通过查电机MAP图的方法确定电机转矩的上下限，从而限制控制输入量的选择范围。此外，为保证下一步骤的系统状态仍然位于由状态缩减法确定的系统状态范围内，也需要对控制输入量进行限制。4转矩决策优化问题的仿真研究本节通过仿真的方法来研究转矩决策优化算法对车辆经济性的提升效果。仿真研究对象为某7薹吾图4动态规划算法状态域缩减法微型纯电动汽车，其技术参数如表1所示。仿真的场景中包含了道路坡度变化和交通信号灯两种工况，其中道路坡度及路面海拔高度的变化如图5所示，车辆先后经过一个上坡路段和一个下坡路段，其余路段均为水平道路。交通信号灯位于400M处，其状态切换时刻以及其它仿真参数的设置如表2所示。表1纯电动汽车技术参数参数名称参数值整备质量KG8OO车轮滚动半径M03滚动阻力系数0008车辆迎风面积M14空气阻力系数04旋转质量换算系数103电机最大功率KW24电机最大扭矩NML0O电机最高转速RMIN7O00电池电压V3O0电池容量AH40首先分析车辆通过交通信号灯的策略选择问题，如图6所示。根据车辆初始速度计算每个阶段的车速上下限，前向推算计算每个阶段的时间上下限，得到车辆达到交通信号灯所在位置|S的时间窗T，363S，762S，与交通信号灯第1个允许通行时间窗0S，30S没有交集，因此直接考虑下一个允许通行时间窗60S，90S，显然，8车辆应该在60S，762S之间通过交通信号灯。然后进行逆向推算，进一步缩减时间状态域。旨枢避行驶距离M图5仿真工况道路坡度设置表2仿真工况参数设置参数名称参数值车辆初始速度KMH30最高速度限制KMH40最低速度限制KMH20预测域长度M4OO预测周期M2O0交通信号灯距离M4OO交通信号灯切换时刻S0，30，60，9040352520图6仿真工况下车辆通过交通信号灯策略分析为了比较转矩决策优化算法对车辆经济性的上海汽车201506提升效果，参考文献9模拟普通驾驶员的操作。图7所示为前600M距离上的仿真结果。在普通驾驶员操作下，车辆在前300M一直保持匀速行驶，至距离交通信号灯100M处驾驶员才考虑通过交通信号灯的策略问题，由于交通信号灯为红灯，驾驶员对车辆进行制动，以匀减速行驶直至车辆停在交通信号灯位置处，交通信号灯在第60S变为绿灯之后，车辆以恒定加速度加速至目标车速，之后保持匀速行驶。而转矩决策优化算法基于已知的道路坡度和交通信号灯状态切换时刻信息，优化了车辆总转矩需求和速度轨迹。车辆在上坡之前已经预先加速，而在上坡过程中驱动转矩并不大，车速较低。下坡路段车辆利用重力沿路面的分量实现加速，然后在交通信号灯刚好变为绿灯时通过了信号灯，避免了停车等待。然后车辆缓慢加速，最后维持匀速行驶。相对于普通驾驶员的操作，采用转矩决策优化之后的电机转矩变化更加平缓，没有大的驱动或制动转矩输出，从而减小了电机损耗功率。从累计能耗的变化过程可以看出，普通驾驶员操作下，车辆在5O150M之间的上坡路段上由于要维持匀速行驶，驱动转矩较大，能耗也较大；另外，普通驾驶员由于缺乏对交通信号灯状态切换时刻的预测，在交通信号灯前减速至停车等待，交通信号灯变为绿灯后，车辆从静止启动，同样需要消耗很多能量。普通驾驶员在这两处的不合理操作造成了能量的浪费。表3中列出了普通驾驶员与转矩决策优化算法对应的系统能耗及行驶时间的对比。从中可以计算出，采用转矩决策优化之后，相对于普通驾驶员的操作，系统能耗降低约96，而且车辆总行驶时间也降低了88。行驶时间的降低表明车辆对公共交通资源的占用也更小，意味着交通系统效能的提升。表3转矩决策优化算法仿真结果系统通过交通信号总行驶转矩决策方法能耗L【J灯的时刻S时间S普通驾驶员操作L10966000925O转矩决策优化算法1002760O98438上海汽车201506图7转矩决策优化算法仿真结果5结语基于车联网技术所提供的关于车辆、道路和交通状况的信息，可以对车辆在各行驶阶段的转矩需求和速度轨迹进行优化以提高车辆的经济性。本文综合考虑了前方道路坡度变化以及车辆接近交通信号灯等两种典型的城市交通工况场景。根据最优控制理论对转矩决策优化问题进行数学描述，设定了转矩决策优化问题的系统目标函数、动态方程、初始状态以及约束条件等。采用MPC算法将全局的转矩决策优化问题转化为移动预测域上的局部优化问题，即每次优化时只考虑从车辆当前位置起始的一定长度的预测域上的最优控制问题，并以末态目标函数的形式反映预测域之后的未来行驶工况。采用动态规划算法求解预测域上的最优控制问题。对转矩决策优化算法的仿真和试验研究表明下转第17页9图11试验后样件1仿真分析得出在满载、最大转向工况下，上支撑下端与弹簧最小间隙约12MM。2通过试验方法研究了上支撑蠕变量发现在持续恒定6400N的载荷下，上支撑蠕变量可达到107MM。在此蠕变量下，满载、最大转向工况时上支撑与弹簧盘有几大干涉风险。同时，通过蠕变试验对比，发现单纯提高上支撑抗蠕变性能对改善干涉问题作用不大。3对上支撑下端结构进行优化，在满载、最大转向工况下上支撑与弹簧盘最小间隙优化到5MM的安全间隙。同时为保证轴向刚度920NMM，调整样件胶料硬度至63D。4通过有限元分析以及台架试验，表明优化后耐久并无恶化，进一步验证了优化的有效性。参考文献1张立军，余卓平悬架橡胶元件隔振设计方法研究J振动与冲击，200332第海龙某型重卡橡胶减振器优化设计D湖南湖南大学，20113王强，周强橡胶隔振器蠕变特性研究J噪声与振动控制，200184刘展，祖景平ABAQUS66基础教程与实例详解M北京中国水利水电出版社，20085张彬，庄国华，曾向荣橡胶减振器蠕变的试验研究J噪声与振动控制，20088上接第9页转矩决策优化算法通过对道路工况的预测，优化车辆行驶策略，避免不合理的加减速操作，相对于普通驾驶员的操作提升了车辆的经济性。具体的经济性提升效果与行驶工况有关，在本文设定的仿真和试验工况下，车辆经济性提升了约910。参考文献1LATTEMANNF，NEISSK，TEENS，ETA1THEPREDICTIVECRUISECONTROLASYSTEMTOREDUCEFUELCONSUMPTIONOFHEAVYDUTYTRUCKSJSAEPAPER，200412TERWENS，BACKM，KREBSVPREDICTIVEPOWERTRAINCONTROLFORHEAVYDUTYTRUCKSCSALERNO，ITALYPROC4THIFACSYMPOSIUMONADVANCESINAUTOMOTIVECONTROL，200411051103PASSENBERGB，KOCKP，STURSBERGOCOMBINEDTIMEANDFUELOPTIMALDRIVINGOFTRUCKSBASEDONAHYBRIDMODELCBUDAPEST，HUNGARYPROCEUROPEANCONTROLCONFERENCE，200949554960上海汽车2015064RADKET，RO