多源信息融合的車速預(yù)測方法及整車能量管理

潘龍帥，高建平，宋 哲，郗建國

(河南科技大學(xué) 車輛與交通工程學(xué)院，河南 洛陽 471003)

0 引言

雙行星排功率分流式混合動力汽車(power split hybrid electric vehicle，PS-HEV)的結(jié)構(gòu)緊湊并能實現(xiàn)發(fā)動機(jī)與負(fù)載的完全解耦，因此具有較好的應(yīng)用前景，其能量管理策略是PS-HEV節(jié)能的關(guān)鍵技術(shù)，直接影響整車的動力性和經(jīng)濟(jì)性[1]。整車能量管理策略主要分為基于規(guī)則經(jīng)驗和基于優(yōu)化算法兩種。其中，規(guī)則類控制策略的節(jié)能潛力不僅受制于工程師的開發(fā)經(jīng)驗，而且嚴(yán)格依賴于具體的行駛工況，原始規(guī)則制定的參數(shù)可能不太適合未知的旅途條件[2]。因此，優(yōu)化類能量管理策略對進(jìn)一步提升整車的燃油經(jīng)濟(jì)性和旅途適應(yīng)性具有重大的意義，而該方法在很大程度上依賴于對未來車速的準(zhǔn)確預(yù)測。文獻(xiàn)[3]采用動態(tài)規(guī)劃(dynamic programming，DP)理論，針對特定工況進(jìn)行了最優(yōu)功率分配及換擋規(guī)則求解，顯著提高了燃油經(jīng)濟(jì)性。然而，動態(tài)規(guī)劃依賴于未來的全局工況已知，不具備實時性。文獻(xiàn)[4]通過融合汽車歷史車速和經(jīng)度等信息對未來車速進(jìn)行預(yù)測。文獻(xiàn)[5]通過基于數(shù)據(jù)的方法，充分考慮了駕駛員對未來車速變化趨勢的影響，將車速預(yù)測結(jié)果應(yīng)用于模型預(yù)測控制策略。文獻(xiàn)[6]對比分析了指數(shù)預(yù)測、馬爾可夫鏈預(yù)測以及人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法，驗證了車速預(yù)測精度對提升燃油經(jīng)濟(jì)性的有效性。這些用于優(yōu)化能量管理策略的未來車速預(yù)測方法，主要是基于自車的歷史車速信息來進(jìn)行預(yù)測，簡化了交通系統(tǒng)的多因素特征，忽略了前方車輛運(yùn)動狀態(tài)以及駕駛員意圖等信息動態(tài)時變的影響。然而，汽車在行駛過程中，前方車輛的運(yùn)行狀態(tài)及駕駛員當(dāng)前的意圖需求，在很大程度上決定了未來車速的序列分布。

基于上述分析，本文針對該新型雙行星排PS-HEV系統(tǒng)機(jī)構(gòu)，首先，采用模糊推理系統(tǒng)對駕駛員的駕駛意圖進(jìn)行識別，并滾動提取固定時間窗口內(nèi)的車速序列特征參數(shù)，以進(jìn)行主成分及相關(guān)性分析，以此得到能保留原始數(shù)據(jù)主要信息的關(guān)鍵因子，并通過毫米波雷達(dá)獲取車間運(yùn)動特征信息。其次，將上述影響未來車速序列分布的關(guān)鍵信息進(jìn)行融合，以此進(jìn)行未來短期內(nèi)的車速預(yù)測。最后，建立基于模型預(yù)測控制的能量管理策略，并在預(yù)測時域內(nèi)采用動態(tài)規(guī)劃算法進(jìn)行最優(yōu)控制量求解，實現(xiàn)各動力源最優(yōu)轉(zhuǎn)矩分配。

1.發(fā)動機(jī)；2.前鎖止離合器LC1；3.前太陽輪S1；4.前行星架C1；5.前齒圈R1；6.后齒圈R2；7.后鎖止離合器LC2；8.模式離合器；9.后行星架C2；10.輸出軸；11.后太陽輪S2。

1 功率分流混合動力車輛模型

該功率分流混合動力系統(tǒng)采用雙行星排結(jié)構(gòu)，其示意圖見圖1。發(fā)動機(jī)通過扭轉(zhuǎn)減震器與前行星架C1相連，電機(jī)1和電機(jī)2分別與前太陽輪S1和后太陽輪S2相連，系統(tǒng)輸出軸與后行星架C2相連，雙行星排之間通過前齒圈R1和后太陽輪S2相連。前鎖止離合器LC1和后鎖止離合器LC2分別作用于前太陽輪S1及后齒圈R2。前鎖止離合器LC1用來決定電機(jī)1是否工作，發(fā)動機(jī)的鎖止通過扭轉(zhuǎn)減振器的鎖止來實現(xiàn)。后行星架C2與后齒圈R2之間設(shè)有模式離合器，當(dāng)處于分離狀態(tài)時，后行星排各部分之間為相對自由轉(zhuǎn)動；當(dāng)處于接合狀態(tài)時，后行星排為整體轉(zhuǎn)動，前者主要適用于中低速工況，后者主要適用于中高速工況。表1為整車和動力部件參數(shù)。

表1 整車和動力部件參數(shù)

2 多源信息融合的車速預(yù)測

預(yù)測時域內(nèi)的車速直接決定了預(yù)測時域內(nèi)車輛的運(yùn)動狀態(tài)，最優(yōu)轉(zhuǎn)矩分配策略會根據(jù)預(yù)測期內(nèi)的車速序列和車輛狀態(tài)來進(jìn)行。因此，通過預(yù)測得到一個相對準(zhǔn)確的車速序列，對模型預(yù)測控制的效果有很大影響[7]。本文選取未來短時域內(nèi)的車速作為預(yù)測量，并考慮車、路、人等信息動態(tài)時變的影響，依托經(jīng)遺傳算法優(yōu)化的反向傳播(back propagation,BP)網(wǎng)絡(luò)預(yù)測模型，以提高短時域車速預(yù)測的準(zhǔn)確性與合理性。

駕駛員是交通系統(tǒng)中的重要對象，而駕駛意圖又作為駕駛員的動態(tài)反饋，影響著未來車速序列的分布，因此，本文首先采用模糊推理系統(tǒng)對駕駛員駕駛意圖進(jìn)行識別。加速踏板的開度代表了此時車輛的負(fù)荷需求，也簡單反映了車輛加速需求的緊急程度，但僅靠開度參數(shù)不能夠全面反映加速需求的特征，同時引入加速踏板開度變化率對加速意圖緊急程度進(jìn)行識別。加速意圖輸入變量的隸屬度函數(shù)曲線見圖2。圖2a為加速踏板開度隸屬度函數(shù)，從圖2a中可以看出：其論域取[0，100]，模糊子集為PS(正小)、PM(正中)、PB(正大)，下文相同的集合不再說明。圖2b為加速踏板開度變化率隸屬度函數(shù)，從圖2b中可以看出：其論域取[-60，60]，模糊子集為NB(負(fù)大)、NS(負(fù)小)、Z(基本不變)、PS、PB。圖3為加速意圖輸出變量的隸屬度函數(shù)曲線，從圖3中可以看出：其論域取[0，1.0]，模糊子集為平緩、一般、緊急。表2為駕駛員加速意圖識別的模糊推理規(guī)則表。

(a) 加速踏板開度隸屬度函數(shù)

(b) 加速踏板開度變化率隸屬度函數(shù)

圖3 加速意圖輸出變量的隸屬度函數(shù)曲線

表2 駕駛員加速意圖識別的模糊推理規(guī)則表

制動意圖識別同樣采用模糊推理系統(tǒng)，輸入變量為制動踏板開度及制動踏板開度變化率。制動意圖輸入變量的隸屬度函數(shù)曲線見圖4。圖4a為制動踏板開度隸屬度函數(shù)，從圖4a中可以看出：其論域取[0,100]，模糊子集為Z、PS、PM、PB。圖4b為制動踏板開度變化率隸屬度函數(shù)，從圖4b中可以看出：其論域取[-10，10]，模糊子集為NB、NS、Z、PS、PB。制動意圖輸出變量的隸屬度函數(shù)曲線如圖5所示，其論域取[-1.0，0]，模糊子集為NB、NM、NS、Z。表3為駕駛員制動意圖識別的模糊推理規(guī)則表。

以城市道路循環(huán)工況(urban dynamometer driving schedule，UDDS)進(jìn)行駕駛員駕駛意圖識別，并將加速度值按照不同的意圖分類歸一化為(-1,1)，與模糊推理值進(jìn)行對比。圖6為駕駛意圖模糊推理識別。根據(jù)圖6a，可以得到圖6b中駕駛意圖隸屬的真實值。由圖6b可以看出：駕駛意圖模糊推理值與真實值變化趨勢一致，且兩者的均方根誤差(root mean square error，RMSE)僅為0.051，能夠?qū)︸{駛意圖進(jìn)行有效識別。

(a) 制動踏板開度隸屬度函數(shù)

(b) 制動踏板開度變化率隸屬度函數(shù)

圖5 制動意圖輸出變量的隸屬度函數(shù)曲線

表3 駕駛員制動意圖識別的模糊推理規(guī)則表

(a) UDDS局部工況曲線

(b) 識別結(jié)果對比

車輛在實際運(yùn)行過程中，自車車速很大程度上取決于前方車輛的運(yùn)動狀態(tài)[8-9]。采用毫米波雷達(dá)可有效獲取前方車輛運(yùn)動狀態(tài)信息(相對車速、相對距離)，常用來描述車輛間運(yùn)動特征的評價參數(shù)包括跟車時距THW和避撞時間TTC，其計算公式分別為：

(1)

(2)

其中：△d為兩車之間相對距離；vF為自車速度；vr為兩車之間的相對速度。本文選擇THW和TTC的倒數(shù)作為車速預(yù)測輸入?yún)?shù)。

將一段連續(xù)的自車歷史車速序列數(shù)據(jù)轉(zhuǎn)化為少量具有代表性的關(guān)鍵因子，不僅可以保留原始數(shù)據(jù)的主要信息，而且能簡化預(yù)測模型結(jié)構(gòu)[10]。為確保信息的完整性，本文首先選取12個運(yùn)動學(xué)片段特征參數(shù)對其進(jìn)行描述，如表4所示。

表4 運(yùn)動學(xué)片段特征參數(shù)

選取包含紐約城市循環(huán)工況、美國西弗吉尼亞大學(xué)開發(fā)的郊區(qū)工況和洲際工況，以及高速公路燃油經(jīng)濟(jì)性測試循環(huán)工況的綜合工況，以120 s為固定取樣時長，1 s時長為滾動量進(jìn)行運(yùn)動學(xué)片段劃分，并對獲得的運(yùn)動學(xué)片段進(jìn)行主成分分析，以找到能夠區(qū)分工況差異性的關(guān)鍵特征參數(shù)，結(jié)果如表5所示。

根據(jù)表5的結(jié)果，選取累計貢獻(xiàn)率已達(dá)到80%的前4個主成分代表原始變量進(jìn)行分析，并進(jìn)行特征參數(shù)與主成分間的相關(guān)性分析[11]，從而選取具有代表性的平均速度、怠速時間、加速時間和減速時間4個關(guān)鍵因子。同時，車速序列數(shù)據(jù)具有連貫性，鄰近的車速信息對預(yù)測時域內(nèi)的車速預(yù)測具有指引作用[10]，本文將選擇的4個關(guān)鍵因子以及臨近的5 s車速數(shù)據(jù)共同作為預(yù)測模型輸入。

表5 主成分分析結(jié)果

圖7 數(shù)據(jù)采集平臺方案

本文以上述信息(12個參數(shù))作為預(yù)測模型輸入，并采用遺傳算法對BP網(wǎng)絡(luò)結(jié)構(gòu)權(quán)閾值進(jìn)行個體尋優(yōu)計算，從而將個體包含的最優(yōu)權(quán)閾值信息賦值于網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)模型見文獻(xiàn)[10],不在本文詳述。采用上述4種工況為訓(xùn)練集，UDDS工況為驗證集，并聯(lián)合PreScan軟件、MATLAB軟件及駕駛員模擬器，通過模擬真實的駕駛情景為預(yù)測模型提供數(shù)據(jù)支持，數(shù)據(jù)采集平臺方案見圖7。

為驗證該車速預(yù)測方法的準(zhǔn)確性，文中對僅基于自車歷史車速序列的傳統(tǒng)車速預(yù)測方法(方法1)、基于多源信息融合的車速預(yù)測方法(方法2)與本文方法(方法3)進(jìn)行了不同預(yù)測時域的對比驗證。圖8a和圖8b是方法1和方法2在預(yù)測時域為10 s的對比結(jié)果。由圖8a和圖8b可以看出：當(dāng)車速較低時，方法1和方法2會出現(xiàn)過估計現(xiàn)象。為克服這一不足，方法3對當(dāng)前采取的車速序列進(jìn)行判斷，若序列段末尾車速值為0 km·h-1時，將預(yù)測時域內(nèi)的預(yù)測車速全部轉(zhuǎn)化為0 km·h-1。圖8c為方法3的預(yù)測結(jié)果，從圖8c中可以看出：在怠速時刻，預(yù)測車速為0 km·h-1，更加符合實際情況。

(a) 僅基于自車歷史車速序列的傳統(tǒng)車速預(yù)測方法

(b) 基于多源信息融合的車速預(yù)測方法

(c) 改進(jìn)后的車速預(yù)測方法

為進(jìn)一步合理對比評價預(yù)測結(jié)果，選擇均方根誤差作為評價指標(biāo)。表6為3種方法預(yù)測未來5 s、10 s、15 s和20 s的車速均方根誤差對比情況。由表6可以看出：基于多源信息融合的車速預(yù)測方法(方法2)，相對于僅采用自車歷史車速序列的傳統(tǒng)車速預(yù)測方法(方法1)，在不同預(yù)測時域精度都有所提高，其中，在預(yù)測時域為10 s時，方法2相對于方法1的精度提升最大，為22.42%。通過對方法2的進(jìn)一步改進(jìn)，方法3相對于方法1，精度又得到了進(jìn)一步的提升，在20 s時，精度提升了30.27%，說明基于多源信息融合的車速預(yù)測方法，相較于僅采用自車歷史車速序列的傳統(tǒng)車速預(yù)測方法精度得到提升。

3 基于模型預(yù)測控制的能量管理策略

表6 預(yù)測方法評價指標(biāo)

模型預(yù)測控制(model predictive control，MPC)的機(jī)理為：在每一個采樣時刻，首先根據(jù)當(dāng)前測量值和預(yù)測模型，對未來一段時域內(nèi)的輸出進(jìn)行預(yù)測；其次，對控制時域內(nèi)的優(yōu)化問題進(jìn)行求解以得到最優(yōu)控制序列，并將控制序列的第1元素作用于被控對象；最后，根據(jù)新的數(shù)據(jù)信息刷新優(yōu)化問題并重新求解[12]。

PS-HEV的預(yù)測控制策略旨在滿足各部件的約束下，根據(jù)當(dāng)前車輛駕駛需求，對發(fā)動機(jī)、電機(jī)1、電機(jī)2與制動系統(tǒng)之間進(jìn)行功率的合理分配。功率分流裝置使得發(fā)動機(jī)與行駛工況實現(xiàn)解耦，通過調(diào)節(jié)2個電機(jī)，就可以既滿足行駛需求，又使發(fā)動機(jī)始終運(yùn)行在最優(yōu)工作區(qū)[13]。本文基于MPC的能量管理策略架構(gòu)見圖9。

圖9 基于MPC的能量管理策略架構(gòu)

進(jìn)行有限預(yù)測時域內(nèi)的最優(yōu)控制量求解是模型預(yù)測控制器的關(guān)鍵，可將面向控制的系統(tǒng)模型表述為：

(3)

其中：x為狀態(tài)向量；u為控制向量；y為輸出向量；σ為系統(tǒng)觀測輸入向量；f為系統(tǒng)狀態(tài)轉(zhuǎn)移函數(shù)；g為系統(tǒng)輸出函數(shù)。本文選取SOC作為狀態(tài)變量，發(fā)動機(jī)轉(zhuǎn)矩為控制變量，車速和需求轉(zhuǎn)矩為系統(tǒng)觀測輸入變量。狀態(tài)變量SOC的離散表達(dá)式為：

(4)

其中：Voc、rbatt和Cbatt分別為電池開路電壓、內(nèi)阻以及最大容量；Pbatt為電回路負(fù)載功率。

在每一采樣時刻k，預(yù)測時域內(nèi)的優(yōu)化目標(biāo)函數(shù)為：

(5)

其中：KSOC和km為加權(quán)因子；p為預(yù)測時域；SOCr為期望的電池SOC參考值；mf為發(fā)動機(jī)燃油消耗率。

優(yōu)化求解的約束條件為各動力源轉(zhuǎn)矩、轉(zhuǎn)速及電池SOC上下限，由于預(yù)測時域相對較小，可采用DP算法對每一階段的決策進(jìn)行求解[14-15]。

4 仿真測試及結(jié)果分析

以國家標(biāo)準(zhǔn)《中國汽車行駛工況》中的CLTC-C工況進(jìn)行仿真分析，電池SOC初始值與參考值皆為60%，控制時域設(shè)置為3 s，預(yù)測時域為10 s，采樣間隔為1 s。參考文獻(xiàn)[16]的研究內(nèi)容，對該整車系統(tǒng)所搭建的規(guī)則控制策略進(jìn)行控制參數(shù)優(yōu)化，通過兩種控制策略的對比，驗證本文所提出的預(yù)測能量管理策略對整車燃油經(jīng)濟(jì)性的改善。

圖10為在預(yù)測能量管理策略下的車速跟蹤圖。由圖10可以看出：實際車速與目標(biāo)車速基本保持一致，跟隨誤差絕對值保持在3 km·h-1內(nèi)，說明所提出的預(yù)測能量管理策略能很好地實現(xiàn)整車控制功能。圖11為兩種策略下的電池SOC變化對比。在整個運(yùn)行過程中，SOC值被限定在參考值附近波動，預(yù)測能量管理策略終了時的SOC為0.56，而參數(shù)優(yōu)化后規(guī)則控制策略終了時的SOC為0.54，說明本文的預(yù)測能量管理策略相較于參數(shù)優(yōu)化后的規(guī)則策略能夠更有效地保證電池的充放電平衡。圖12為預(yù)測能量管理策略與參數(shù)優(yōu)化后的規(guī)則控制策略在整個工況下的發(fā)動機(jī)輸出功率對比情況，圖13為兩種策略局部800～1 200 s時的發(fā)動機(jī)輸出功率對比情況。由圖13可以看出：預(yù)測能量管理策略相比于優(yōu)化后的規(guī)則控制策略，發(fā)動機(jī)輸出功率波動更加平緩，且預(yù)測能量管理策略下的發(fā)動機(jī)開閉次數(shù)為10次，而優(yōu)化后的規(guī)則控制策略為18次，預(yù)測能量管理策略降低了因發(fā)動機(jī)過多的開閉次數(shù)而造成的不必要的整車燃油消耗。

圖10 預(yù)測能量管理策略下的車速跟蹤圖

圖11 兩種策略下的電池SOC變化對比

圖12 整個工況下的發(fā)動機(jī)輸出功率對比

圖13 800～1 200 s發(fā)動機(jī)輸出功率對比

圖14 CLTC-C工況下的燃油消耗量對比

圖14為本文預(yù)測能量管理策略和參數(shù)優(yōu)化后的規(guī)則控制策略在CLTC-C工況下的燃油消耗量對比情況。由圖14可以看出：兩種策略的燃油消耗量分別為1.75 L和2.46 L，說明本文預(yù)測能量管理策略的燃油經(jīng)濟(jì)性最好。表7為兩種策略分別在CLTC-C工況、新歐洲行駛循環(huán)(new European driving cycle,NEDC)工況及UDDS工況下的燃油消耗量對比。從表7中可以看出：在3種仿真工況下，本文預(yù)測能量管理策略的燃油消耗量都比優(yōu)化后的規(guī)則控制策略低。相較于優(yōu)化后的規(guī)則控制策略,本文預(yù)測能量管理策略的燃油消耗量在3種工況下分別降低了28.53%、23.40%和26.42%，說明本文所提出的預(yù)測能量管理策略能夠進(jìn)一步改善整車燃油經(jīng)濟(jì)性。

表7 不同能量管理策略下燃油消耗量對比

5 結(jié)論

(1)本文提出了基于多源信息融合的車速預(yù)測方法，首先，對駕駛員駕駛意圖進(jìn)行模糊推理識別；其次，對歷史固定時間窗的運(yùn)動信息進(jìn)行關(guān)鍵運(yùn)動特征參數(shù)提取，得到能夠代表原始信息的關(guān)鍵因子；最后，通過雷達(dá)傳感器獲取車間運(yùn)動特征信息，通過融合不同影響因素的信息，從而使車速預(yù)測更具合理性。

(2)通過分析對比仿真結(jié)果，驗證了車速預(yù)測方法的有效性，精確度較傳統(tǒng)的車速預(yù)測方法在不同的預(yù)測時域都有所提升，同時也驗證了本文預(yù)測能量管理策略的有效性。在3種典型工況下，燃油消耗相比于參數(shù)優(yōu)化后的規(guī)則控制策略，分別降低了28.53%、23.40%和26.42%。