【《混合动力汽车（HEV）预测能量管理策略设计案例》8800字】

混合动力汽车（HEV）预测能量管理策略设计案例目录TOC\o"1-3"\h\u17760混合动力汽车（HEV）预测能量管理策略设计案例 145851.1控制问题及整体方案 1280011.2车速预报模型的建立 364521.2.1驾驶模式的模糊聚类分析 358181.2.2长短时记忆神经网络的设计 5102681.2.3模型参数优化 7284871.3预测能量管理控制策略设计 972321.4仿真验证与分析 11288261.4.1速度预报模型精度验证与分析 11311491.4.2能量管理控制策略验证与分析 17控制问题及整体方案在解决能量管理问题时，由于采用模型预测控制方法能够在短时域内进行滚动优化，其实时优化效果较好，因此越来越受到广大学者的关注和青睐。而在使用MPC方法时，预测模型的预测性能直接影响到最终的优化效果。目前比较常用的预测模型有马尔科夫链[61]、指数预测[62]、神经网络[63]和条件线性高斯[64]等模型。特别是，神经网络在处理大量数据时具有极强的非线性拟合能力。目前，有部分学者利用神经网络搭建集成学习模型[65,66]，有效地提升了预测性能和车辆的燃油经济性。而在预测过程中，预测域的大小也会影响预测精度。文献[67]提出了一种考虑有效预测域的神经网络预测模型，提高了车速的预测精度，同时降低了油耗。这些预测方法通常是使用单一的预测模型应对多种驾驶条件，这会直接影响预测精度。文献[68]提出了一种多模式预测模型，以适应多种不同的驾驶条件，进一步提高了燃油经济性。一般来说，神经网络模型内部的超参数是基于经验来设定的。然而，在预测过程中这种超参数设置方法常常难以满足网联条件下的速度预测精度要求。因此，在网联条件下，需要进一步探索含有最佳超参数的预测模型，以用于能量管理策略的设计，进而提高HEV的燃油经济性。本章以混联式混合动力汽车为研究对象，为提高网联场景下HEV的的燃油经济性，利用车辆内部的物理条件限制以及网联信息，设计网联情况下的预测能量管理策略。首先，在混合动力汽车行驶过程中，为提高预测模型对多种驾驶模式的适应性，采用聚类算法对网联信息进行聚类分析。其次，针对聚类后的网联数据，采用神经网络模型进行离线训练，然后，为提高神经网络模型的预测性能，采用PSO算法优化神经网络的超参数。在利用MPC方法来解决HEV在滚动时域内的能量管理问题时，车辆的性能指标函数通常带有约束条件的非线性函数，为提高优化过程中的收敛效率以及实时性，本文采用SQP算法来求解能量管理问题。所设计的能量管理策略框架如下图3-1所示，主要步骤如下所述。图3-1网联单车情况下的预测能量管理策略设计框图数据处理：利用V2I技术获取所需要的历史网联信息，包括车辆速度，加速度以及车辆到下一个交通灯的距离信息，并采用模糊聚类算法对数据进行分析，根据聚类分析得到多组数据集和聚类中心。训练和优化过程：将(1)中所获得的多组数据集用于多个长短时记忆神经网络的训练，与此同时，为提高不同预测模型的预测精度，利用粒子群优化算法对不同神经网络的超参数进行优化。其中优化的超参数包括初始学习率(initiallearningrate,lr)、学习率下降因子(learningratedropfactor,lrdf)、批量大小(minibatch,mb)、神经元个数(layerneurons,ls)，学习率下降周期(learningratedropperiod,lrdp)。求解能量管理问题：根据(2)中的优化后的预测子模型，再结合车辆的动力学关系，即可得到车辆在短时域的整车需求转矩，并利用SQP算法优化滚动时域内的车辆油耗。随后，将优化得到的控制序列的第一个值应用于混合动力汽车控制当中。伴随着车辆的行驶，储存车辆短时域的历史信息，包括车辆速度、加速度以及到下一个交通灯的距离，并用于未来短时域的速度预测。同时，继续使用SQP优化控制量。车辆在行驶过程中，不断重复该过程。车速预报模型的建立本文所设计的速度预测模型主要用于在线预测能量管理策略的设计，其离线训练过程主要由以下几部分构成。采集网联信息数据样本，样本主要包括车辆的加速度、速度以及车辆到下一个交通灯的距离，并对其进行标准化处理。对处理后的数据样本，进行模糊聚类分析，设置不同的聚类中心个数k、聚类中心点以及对应的聚类样本集个数k。利用k个长短时记忆神经网络，并将k个聚类后的数据集分别作为神经网络的输入，训练神经网络模型。在对所设计的速度预测模型进行测试时，由于采用了多个神经网络作为预测子模型，所以需要根据样本不断地切换预测子模型。切换时，时利用聚类中心和样本之间的欧氏距离，由此确定出哪一个欧氏距离最短，进而确定在该时刻应选择哪个预测模型。通过不断地测试便可得出最合理的聚类中心个数。为进一步提高神经网络模型的预测性能，本文利用PSO对(3)中已经得出的多个预测子模型的超参数分别进行优化。驾驶模式的模糊聚类分析一般来说，激进的驾驶行为和保守的驾驶行为常常出现在汽车启动和巡航阶段，说明不同的驾驶意图会导致不同的未来速度分布。然而，传统的速度预测方法往往会忽略此特点，更加倾向于利用单一的预测模型来解决整个驾驶过程中的能量管理问题。因此，为解决这一问题，本研究利用聚类这一非监督学习方法对历史网联信息进行分析，进而将短时域内的工况特征根据相似度进行分类。众所周知，传统的聚类分析属于一种硬划分，它把待处理的数据严格地划分到了某一类当中，具有“非此即彼”的特性。但是，实际当中大多数的对象并没有严格的属性划分。基于此，利用模糊C均值聚类算法恰恰能够得到样本属于各个级别的不确定程度，建立样本对于类别的不确定性的描述，能更客观地反映现实。模糊C均值聚类算法应用过程中，首先需构造目标函数，并通过优化该目标函数进而得到每一点对应于聚类中心的隶属度关系，从而对样本数据进行分类，最终得到相应的聚类结果而在车辆行驶过程中，车辆速度、加速度以及车辆到下一个交通灯的距离是影响未来车速的主要因素。因此，对车辆速度、加速度以及车辆到下一个交通灯的距离进行聚类分析是至关重要的。其模糊聚类流程如图3-2所示。图3-2模糊C均值聚类算法流程图为便于理解模糊C均值聚类算法的原理以及求解过程，根据图3-2中的流程图将其所用到的公式作如下描述。若样本数据量为m，以来描述，c表示聚类中心个数，可表达为c个类别，U为隶属度矩阵，聚类中心点所对应的坐标可表示为，若用作为描述相对于的隶属度，那么目标函数表达式如下： (3-1)式中——加权参数，；——欧几里得距离，可以用来衡量样本点和聚类中心点之间的远近。欧几里得距离和聚类中心、样本点之间的关系如下： (3-2)式中——样本特征数。模糊C均值聚类的最终目的是使得式(3-1)的目标函数最小化，因此在每次更新隶属度时要确保每一类的隶属度之和为1，需要满足的关系式如下： (3-3)每一个样本对应于每一类的隶属度关系如下所示： (3-4)每个聚类中心计算公式如下： (3-5)利用公式(3-4)和(3-5)可以计算出聚类中心点，并随着迭代次数的增加反复更新。由于该聚类中心数需要提前给定，故本研究中采用个数为1，2，3…10，其对预测模型的影响和聚类结果可见3.4.1节。长短时记忆神经网络的设计由于车辆速度、加速度以及车辆到下一个交通灯的距离都是和时间密切相关的一系列数值，而递归神经网络在解决这类时间序列分析问题上的效果俱佳。然而，在解决实际问题时，一般的递归神经网络常常会由于时间序列较长而呈现梯度消失的状况，故无法保证预测过程中的预测精度。为了尽量避免这一现象的出现，本文采用递归神经网路的一种变体作为预测模型，即长短时记忆神经网络。由于这种预测模型的内部存在遗忘门，可以将历史的多步状态信息应用到未来短时域的多步计算当中，并且将无关的量剔除，提高了关键信息的利用价值。因此，长短时记忆神经网络相对于常规的递归神经网络而言，在处理时间序列问题上预测性能更佳。本文中的LSTM模型包含输入层、输出层、LSTM层和全连接层。长短时记忆神经网络结构如图3-3所示。图3-3长短时记忆神经网络结构图在图3-3中，X代表短时域内长短时记忆神经网络的输入信息，其中包含车辆速度、加速度以及车辆到下一个交通灯的距离。而神经网络的输出是车辆在未来短时域的速度。而上图中每一个虚线框中描述了神经网络内部隐含层之间的关系，即长短时记忆单元。而图中能够储存历史状态信息的ct是神经网络内部的重要变量。该值的选取与输入门、遗忘门以及输出门密切相关，它们之间的关系如下所示。 (3-6) (3-7) (3-8) (3-9)式中——权重系数矩阵；——上一时刻隐含层值；——偏置矩阵；F——sigmoid函数。长短时记忆神经网络的工作过程如下所示。第一，把历史时刻的输入xt和隐含层的输出ht-1复制为四部分，同时随机为它们赋予权重，并结合式(3-6)至式(3-9)从而得到更新遗忘门、输出门以及输入门的状态信息。第二，为有效地控制历史信息以及保留有效的新的状态信息，则有如下遗忘门和输出门的关系。 (3-10)式中——矩阵间对应元素乘积。第三，为控制记忆单元的信息到隐含层的输出量，则有输出们和记忆单元之间的关系如下： (3-11)模型参数优化为了提高长短时记忆神经网络的预测性能，本文采用粒子群优化算法来优化神经网络内部的超参数。其中，优化的超参数主要包括初始学习率，学习率衰减因子、学习率衰减周期、隐含神经元个数以及批量大小。考虑到样本大小以及神经网络的的训练时间的问题，本研究中将最大迭代次数设置为50。需要注意的是，神经网络在训练过程中的数据集是根据模糊聚类算法得到的。那么，如果聚类得到k个数据集，就会对应有k个长短时记忆神经网络模型，同样就要利用PSO优化k个LSTM的超参数。利用PSO优化超参数的过程如图3-4所示。图3-4PSO优化超参数流程图利用PSO算法优化过程中，首先，应初始化粒子群参数，包括粒子维度，种群大小，迭代次数，加速常数以及惯性常数等。由于本文当中优化目标为5个超参数，所以粒子维度为5，种群大小设置为20，迭代次数为50，两个加速常数均设为2，惯性权重的最大值设为0.8，最小值为0.3，其在优化过程中可根据式(3-12)不断调整，粒子的初始速度和位置可根据rand函数随机确定。 (3-12)式中——当前惯性权重；——惯性权重最大值；——惯性权重最小值；——最大迭代次数；——当前迭代次数。其次，在训练过程中，选择训练集的损失函数作为适应度函数值，即选择均方误差作为适应度函数值，其表达形式如式(3-13)所示。 (3-13)式中——序列长度；——在时间时的车辆速度预测值；——在时间时的车辆速度真实值。随着迭代次数的增加，其粒子速度和位置的更新表达式如式(3-14)和(3-15)所示。其速度和位置更新表达式如下所述： (3-14) (3-15)式中——当前迭代次数；——当前种群数；——当前粒子数；——惯性权重；——加速常数； ——个体最优值； ——全局最优值。预测能量管理控制策略设计由于混合动力汽车的能量管理问题是十分复杂的，在求解过程当中利用一般的优化算法往往计算效率较低，而SQP算法在求解这类复杂问题时具备超线性收敛能力，因此本研究选取SQP算法来优化能量管理策略中的能耗。在考虑交通灯场景的网联单车情况下，为降低油耗进而提高整车经济性，需要构造燃油经济性指标。其中，在本研究中，电能的消耗利用等效因子转化为油耗。其综合性能优化指标公式为： (3-16)式中——预测域时间步长；——控制量，即；——等效因子。考虑到电池健康问题，电池SOC被限定在0.4和0.7之间，因此，等效因子可以被定义为： (3-17)车辆运行过程之中，其内部动力源转矩的分配会受到车辆本身物理条件的限制，约束条件如下所示： (3-18)在优化式(3-16)的性能指标时，将其转化为非线性规划问题来进行求解，其转换形式如下： (3-19)式中——下降方向；——等式约束条件；——等式约束条件梯度；——不等式约束条件；——不等式约束条件梯度。下降方向作为优化过程中的重要参数，需要利用如下式(3-20)进行求解。 (3-20)式中——罚函数；其中，罚函数的求解表达式如下所示： (3-21)式中——拉格朗日乘子；——最优点的乘子；其次，利用拟牛顿方法更新矩阵，BFGS的更新公式如下： (3-22)其中，是有关矩阵的拉格朗日函数，表达式如下： (3-23)作为收敛系数，其表达式如下： (3-24)在车辆驾驶过程中，通过SQP算法的不断优化整车动力源转矩，便可以得到最优的控制量，从而将其作用于整车。仿真验证与分析速度预报模型精度验证与分析关于k值的选择问题，需要利用不同的k值对应的聚类中心坐标，并结合测试集数据来验证不同k值所对应的均方根误差来得到，其详细的训练过程可参考上一小节。聚类中心、子数据集和k个神经网络模型一旦确定，就可以根据PSO算法优化超参数。待k个预测子模型的超参数优化完成之后，就可以将其应用于在线的能量管理策略当中，由于实验设备等资源较少，无法及时采集到交通灯的网联信息，因此本研究采用2021年国际自动控制联合会(IFAC)的交通数据。所采集的道路上有16个交通灯，其中包括车辆速度、加速度以及车辆到下一个交通灯的距离数据，一共有18728个数据集。该组数据由一辆HEV在同一条道路上行驶了9次所采集到的。其中，以前90%的数据作为训练集，后10%的数据作为测试集来验证所提出的预测模型性能的优劣。为验证所提出的速度预测模型的性能，采用均方根误差作为衡量预测精度的性能指标。均方根误差可根据公式(3-25)得到，均方根误差如公式(3-26)所示。 (3-25) (3-26)式中——第个预测域；——第个预测域内，实际速度和预测速度的平均误差；——均方根误差。本文中将速度预测模型的预测域设置为10s，在图3-5给出了随着聚类中心个数的变化，其测试集均方根误差的变化。从图中可以看出当聚类中心个数小于5的时候，均方根误差随着k的增大而减小；当k大于5的时候，均方根误差随着k的增大而增大。为此，可以作如下解释：聚类中心的个数同每个聚类中心所对应的数据集存在一定的制约关系。聚类中心的个数越多，相对应的每个聚类中心所对应的数据集内的相关性越大，进而提高预测精度。但是，如果聚类中心个数k较大的话，由聚类得到的数据集的个数就会越多，每一个聚类中心所对应的样本数量就会很少，这样在训练的过程当中会由于样本过少出现过拟合的现象，同样在测试集当中的预测效果就会大打折扣。图3-5均方根误差随聚类中心个数变化的结果图为方便起见，这里只展示聚类中心个数为5时的结果，其目标函数以及聚类数据集结果如图3-6和图3-7所示。图3-6目标函数随迭代次数变化图图3-7聚类数据集结果从图3-6中可以看出随着迭代次数的增加，其目标函数在逐渐减少，在迭代次数到达30次的时候，目标函数逐渐收敛，并最后趋于稳定，根据设置的最大迭代次数输出聚类中心和对应的数据集。从图3-7中可以看出车辆在整条道路上行驶时加速度的大小多数处于5m/s2以下；其次，当车辆到下一个交通灯的距离较远的时候车辆大部分处于高速状态，说明车辆受交通灯的影响较小；而当车辆距离下一个交通灯较近的时候，车速值分布较为均匀，说明会受到交通灯状态的影响，例如，绿灯时车辆畅通无阻，车速较高，红灯时，车辆速度相对较低。根据图3-7得到的聚类中心坐标以及对应的数据集大小如表3-1所示。表3-1聚类中心坐标及对应的数据集大小类别聚类中心样本大小第1类(16.4603，0.0490，2136)1089第2类(13.9058，0.0489，1164)3263第3类(13.1806，0.0201，703.8)4625第4类(4.1044，0.0175，89.4)6566第5类(10.7224，-0.0243，320.23)3185据图3-5可知，令聚类中心个数k为5，对应于最小的均方根误差，其在测试集下的预测结果如图3-8所示。图3-8k为5时预测结果图从图3-8中可以看出，车辆在减速过0这一时间段以及到达最高速度后平稳运行这一区间预测误差过大，鉴于此，考虑到神经网络内部超参数对预测精度存在不同程度的影响，故采用PSO算法对神经网络内部超参数进行优化。根据聚类过程中产生的5个聚类中心对应的5个预测子模型，对每个模型分别进行优化，即可得出均方误差的变化结果图，即适应度函数值随迭代次数的变化，结果图如图3-9所示。图3-9适应度函数值随迭代次数变化图图3-9中，c代表聚类的类别，例如，c=1代表第一个聚类数据集，对应的样本大小可在表3-1中查到，样本数量为1089。优化的主要参数包含初始学习率(lr)、学习率衰减因子(lrdf)、批量大小(mb)、神经元个数(ls)以及学习率衰减周期(lrdp)这5个量，优化后得到的超参数如表3-2所示。表3-2优化后的超参数预测模型lslrmblrdflrdpk=12310.02271280.521149k=24480.0371640.407634k=32460.06141280.344250k=41510.0339640.670020k=53100.0213320.410248为验证优化后的超参数的预测性能的好坏，采用测试集数据进行预测，其预测结果图如图3-10所示。图3-10优化超参数后的预测结果图为清晰地描述超参数优化对预测模型的精度的影响，分别采用条件线性高斯模型以及BP神经网络模型来进行对比，对比结果如表3-3所示。其中，CLG表示条件线性高斯模型，本文中采用了文献[63]中的模型超参数。NH表示未优化超参数的速度预测模型，采用了文献[64]的超参数数值设置方法。表3-3不同预测模型的预测精度比较预测方法MAERMSEBP1.80521.8925CLG1.911.9303NH1.82331.85Proposedmethod1.51061.5432表3-3中的MAE指的是平均绝对误差，计算公式如式(3-27)所示. (3-27)从表3-3中可以看出所设计的预测模型要比其他预测模型的平均绝对误差和均方根误差要小，表明其预测值更加接近实际值，同时拟合度更高。能量管理控制策略验证与分析为验证本章所设计的预测能量管理策略的有效性和实用性，在MATLAB仿真平台上进行测试。在图3-10中(a)-(g)图是利用所设计的预测能量管理策略结果图，选取的预测域为10s。其中，a图是车速曲线，b是车辆到下一个交通灯的距离信息。从图b中可以看出有多个呈脉冲形式变化的区间，此时恰巧是车辆刚刚从一个交通灯通过后的情景。从电动机转矩图中可以看出整个行程中电动机的运行时间较长，并且车辆在速度较低、动力需求较小的时候一般是由电动机来驱动车辆，这在一定程度上降低了油耗，减少了尾气的排放。从c图发动机转矩变化曲线可以看出，在整个行驶过程中，发动机大部分处于高效区工作，在发动机工作的同时，也可以将多余的能量转化为电能存储在电池之内。因此，只有在发动机工作的时候，发电机才会进行发电，这种关系可以从发电机变化曲线中看出。从SOC的变化曲线可以看出在车速较低的时候基本上处于电动机单独驱动模式；而在车辆减速的时候，车辆处于再生制动模式，此时电动机反转，同时给电池充电；当车速较高，动力需求较大的时候，发动机和电机同时驱车，此时电池的SOC变化比较平稳。在SOC的变化曲线中，分别给出了四种预测能量管理策略的结果，其中，在行驶结束时，所提出的预测能量管理策略表现出的SOC值较高，其表现出了较好的性能。从燃油消耗变化曲线中可以看出发动机工作时，燃油消耗值平稳上升。并且所提出的预测能量管理策略具有较高的燃油经济性。相对于其他几种控制策略而言，所提出了控制策略的燃油经济性较高主要是由于预测模型能够在短时域内准确地预测预测短时域动力需求。由于能够得到最精确的动力需求，所以利用SQP算法便能得到最佳的控制量。其中BP-MPC、CLG-MPC和NH-MPC分别表示在基于BP神经网络、条件线性高斯模型以及未优化超参数的速度预测模型来设计的预测能量管理策略。NH-MPC控制策略由于其预测模型超参数的设置具有随机性和经验性，这也大大降低了优化效果。而BP神经网络由于其只有一个预测模型，未经过聚类算法对驾驶条件进行分类，导致其燃油经济性较差。CLG-MPC是采用传统的回归分析类算法设计短时域的预测模型，故其燃油经济性要低于基于神经网络方法的预测能量管理策略。同时，为深入探究所提出的预测能量管理策略的有效性，表3-4给出了四种EMS在不同预测域下的优化结果。为验证所提预测能量管理策略的实时性，给出每个策略的运行时间，由此可知，该策略的实时性较强。同时，由于所采用的预测模型采用多模型等原因，故同其他的控制策略相比运行时间较长。为充分验证所提策略的优化效果，给出预测能量管理策略在四组网联数据下的优化结果，如图3-13到图3-16所示。表3-4第一组数据在不同预测域下的优化结果预测域能量管理策略油耗(L/100km)运行时间/(s)SOC终值5sProposedmethod3.391649.260.561NH-MPC3.441647.950.5615BP-MPC3.511612.350.5628CLG-MPC3.541615.580.56348sProposedmethod3.411686.970.5475NH-MPC3.431685.120.5481BP-MPC3.481656.720.5493CLG-MPC3.531651.790.549510sProposedmethod3.51735.360.5123NH-MPC3.541731.750.5128BP-MPC3.571712.500.517CLG-MPC3.651709.120.5175

图3-11第一组网联数据下四种控制策略的比较结果图3-12第二组网联数据四种控制策略的比较结果图3-13第三组网联数据下四种控制策略的比较结果

图3-14第四组网联数据下四种控制策略的比较结果图3-15第五组网联数据下四种控制策略的比较结果

表3-5四种预测能量管理策略仿真结果对比网联数据能量管理策略油耗(L/100km)运行时间(s)SOC终值第二组数据CLG-MPC3.371802.40.554BP-MPC3.3851805.20.553NH-MPC3.4071831.120.552Proposedmethod3.421832.350.550第三组数据CLG-MPC3.261820.590.59BP-MPC3.2111829.460.583NH-MPC3.1131848.080.581Proposedmethod3.041850.770.58第四组数据CLG-MPC3.451630.330.629BP-MPC3.3941645.880.627NH-MPC3.3081680.790.626Proposedmethod3.1891682.320.625第五组数