融合駕駛風(fēng)格識別的插電式混合動力汽車自適應(yīng)控制策略

李奎良，林歆悠

(福州大學(xué)機械工程及自動化學(xué)院，福建 福州 350108)

0 引言

插電式混合動力汽車(plug-in hybrid electric vehicle，PHEV)因其電池容量大、外部充電、續(xù)航里程長等優(yōu)點而越來越受歡迎[1].然而，擁有良好的能量管理策略是 PHEV 性能的基礎(chǔ).事實上，能量管理策略不僅受交通環(huán)境的影響[2]，而且與駕駛方式也有很大關(guān)系[3].研究表明，喜歡提高駕駛速度和加速度的駕駛員會經(jīng)歷25%至68%的油耗增加[4].因此開展駕駛風(fēng)格識別的研究和基于識別的駕駛風(fēng)格設(shè)計能量管理策略具有重要意義.

許多學(xué)者研究了駕駛方式對傳統(tǒng)車或PHEV燃油經(jīng)濟性的影響[5].在文獻[6]中，在線部分執(zhí)行所涉及的能量管理策略，將駕駛員的駕駛風(fēng)格納入等效消耗最小化策略(ECMS)中.文獻[7]使用模糊邏輯控制器將典型的駕駛循環(huán)分類為不同的駕駛模式，并識別實時駕駛模式.實現(xiàn)駕駛員風(fēng)格識別的第一步是提取特征參數(shù).影響駕駛風(fēng)格的因素很多，如駕駛員的性格特征、駕駛條件、環(huán)境因素等[8]，而識別駕駛類型的常用方法是機器學(xué)習(xí)和基于規(guī)則的算法.文獻[9]提出一種支持向量機方法來識別駕駛風(fēng)格并將駕駛員分為兩類：激進型和溫和型.通過K-means聚類對駕駛風(fēng)格進行聚類，在此基礎(chǔ)上采用支持向量機算法對駕駛風(fēng)格進行識別，縮短了識別時間，提高了駕駛風(fēng)格的識別率，同樣，Wang等[10]提出一種半監(jiān)督支持向量機識別方法來提高10%左右的分類準確率.在文獻[11]中，卷積神經(jīng)網(wǎng)絡(luò)用于提取特征參數(shù)，還使用 CNN 對智能手機收集的加速度數(shù)據(jù)提取有關(guān)駕駛風(fēng)格、車輛、環(huán)境和人類特征的知識.在文獻[12]中，使用K-最近鄰(KNN)、神經(jīng)網(wǎng)絡(luò)和隨機森林等幾種方法將駕駛風(fēng)格分為正常駕駛和激進駕駛，結(jié)果表明具有前向選擇的KNN取得了良好的性能.文獻[13]設(shè)計了一種基于模糊邏輯的駕駛風(fēng)格識別系統(tǒng)，對不同的駕駛風(fēng)格進行分類，控制魯莽駕駛,進而減少交通事故的發(fā)生.

盡管已有一些學(xué)者將駕駛風(fēng)格融合到能量管理控制策略的研究中，但大多數(shù)對駕駛風(fēng)格的分類過于簡單，這使得設(shè)計EMS的連續(xù)控制過程變得不靈活.本研究搭建模糊邏輯和神經(jīng)網(wǎng)絡(luò)識別模型，將駕駛風(fēng)格分為6類，提出融合駕駛風(fēng)格識別的ECMS控制策略，實現(xiàn)基于駕駛風(fēng)格的等效因子自適應(yīng)調(diào)整.

1 PHEV主要零部件

圖1 插電式混合動力汽車結(jié)構(gòu)Fig.1 Plug-in hybrid electric vehicle structure

PHEV的動力系統(tǒng)結(jié)構(gòu)如圖1所示，發(fā)動機和電機可單獨驅(qū)動，也可混合驅(qū)動，混合驅(qū)動的最優(yōu)轉(zhuǎn)矩分配即可達到最優(yōu)的燃油經(jīng)濟性.

結(jié)合PHEV的縱向動力學(xué)特性，汽車在行駛時受到的總阻力矩可表達如下：

Tf_all=Tf+Ti+Tw+Tj=mgrfcosα+

(1)

其中：Tf_all為整車的總阻力矩；Tf、Ti、Tw、Tj分別為滾動阻力矩、坡度阻力矩、空氣阻力矩和加速阻力矩；m為整車的質(zhì)量；α為所行駛的工況坡度；ρair是空氣密度；Cd是空氣阻力系數(shù)；Acar為車輛的前擋風(fēng)面積；r是車輪的半徑；δeng為汽車的旋轉(zhuǎn)質(zhì)量換算系數(shù)；g為重力加速度；v為車速；t為時間.

2 駕駛風(fēng)格識別算法

考慮到不同的駕駛風(fēng)格對車輛的燃油經(jīng)濟性和排放性能也有很大影響，在本研究中，將駕駛風(fēng)格融入到能量管理控制策略的制定中，以促進插電式混合動力汽車的燃油經(jīng)濟性和排放性能.駕駛風(fēng)格的識別主要分為駕駛風(fēng)格數(shù)據(jù)的采集和駕駛風(fēng)格識別算法的應(yīng)用，模糊控制不需要建立精確的數(shù)學(xué)模型且有較強的魯棒性，能夠解決一些非線性的數(shù)學(xué)求解問題，因而可以應(yīng)用到駕駛風(fēng)格的識別中，而神經(jīng)網(wǎng)絡(luò)基于歷史數(shù)據(jù)的訓(xùn)練過程中，能夠建立出駕駛風(fēng)格的識別模型從而識別不同的駕駛風(fēng)格，因而采用該兩種方法進行駕駛風(fēng)格的識別，并通過后面的仿真分析結(jié)果確定最優(yōu)的駕駛風(fēng)格識別方法.

2.1 駕駛風(fēng)格數(shù)據(jù)的采集

對于駕駛風(fēng)格識別數(shù)據(jù)的獲取，首先選擇多名實驗人員進行問卷調(diào)查，問卷上均是關(guān)于其駕駛習(xí)慣的相關(guān)問題，并根據(jù)回答對測試者進行評分.而后依據(jù)評分選擇一名駕駛行為最激進的人來進行模擬駕駛試驗，在駕駛界面上選定運行工況，記錄相應(yīng)的數(shù)據(jù).同理，選擇一名最溫和的實驗員來模擬駕駛試驗，以此來采集溫和型駕駛風(fēng)格的識別數(shù)據(jù).

具體操作如圖2所示，駕駛員在仿真界面上根據(jù)兩車的相對距離踩下油門或剎車踏板，此時測試平臺上的數(shù)據(jù)采集傳感器根據(jù)駕駛員的駕駛行為動態(tài)記錄對應(yīng)的數(shù)據(jù)，將得到的數(shù)據(jù)進行相應(yīng)的平滑處理，并進行駕駛工況的劃分，提取出相應(yīng)的特征參數(shù).記錄出相關(guān)的特征參數(shù)數(shù)據(jù)，而車速、加速度和油門開度是影響駕駛風(fēng)格的3個重要因素.

圖2 駕駛風(fēng)格數(shù)據(jù)的采集Fig.2 Collection of driving style data

2.2 基于模糊專家算法的駕駛風(fēng)格識別

考慮到油門開度變化率可以最好地反映駕駛員對車輛動力需求的緊迫性，結(jié)合節(jié)氣門開度平均值和節(jié)氣門開度標準差，進一步精確識別駕駛風(fēng)格[14].節(jié)氣門開度平均值及其標準差被視為模糊控制器的輸入.通過分析所獲得的數(shù)據(jù)可進行如下設(shè)計.節(jié)氣門開度平均值及其標準差的范圍為：[0,0.8],[0,0.4]，對應(yīng)的論域為：小(S)，中(M),大(B),選擇的隸屬函數(shù)類型為梯形和三角形的組合.輸出的是駕駛員風(fēng)格，駕駛風(fēng)格根據(jù)其激進風(fēng)格和溫和型風(fēng)格分為六種類型，如下所示，Slevel={-3，-2，-1，1，2，3}.平均油門開度均值及其標準差隸屬函數(shù)如圖3 所示.模糊推理算法采用常用的Mamdani法,而去模糊化則采用面積重心法將模糊推理結(jié)果轉(zhuǎn)化為實際控制量[15].

圖3 模糊控制器輸入量及輸出量的隸屬度函數(shù)Fig.3 Membership function of the input and output of the fuzzy controller

表1 駕駛風(fēng)格識別的模糊推理規(guī)則 Tab.1 Fuzzy reasoning rules for driving style recognition (%)

車輛的節(jié)氣門開度均值和節(jié)氣門開度均方差越大，則代表車輛加速度越大且相互之間的波動也越大，即代表其急加速急減速的次數(shù)較多，也就是說駕駛風(fēng)格越偏向激進型.歸納的駕駛風(fēng)格識別的模糊推理規(guī)則如表1所示，圖4為其相對應(yīng)的模糊規(guī)則map圖.

2.3 基于神經(jīng)網(wǎng)絡(luò)的駕駛風(fēng)格識別

為了采用神經(jīng)網(wǎng)絡(luò)算法識別出不同駕駛風(fēng)格類型，首先引入K-means算法將駕駛員風(fēng)格類別進行劃分，將駕駛風(fēng)格類型分為6類.具體操作如下：分別提取溫和型，激進型駕駛員的行駛數(shù)據(jù)，得到出他們各自的節(jié)氣門開度均值，并計算出節(jié)氣門開度均方差，并將其作為劃分駕駛風(fēng)格類別的特征參數(shù)，將駕駛風(fēng)格等級劃分為Slevel={1，2，3，4，5，6}，Slevel=6，代表駕駛員操作風(fēng)格最為激進，分類結(jié)果如圖5.

圖4 駕駛員風(fēng)格識別模糊規(guī)則Fig.4 Fuzzy rules for driver style recognition

圖5 K-means駕駛風(fēng)格分類結(jié)果Fig.5 K-means driving style classification results

根據(jù)分類的結(jié)果，以此作為分類依據(jù)，用于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)訓(xùn)練，從而實現(xiàn)實時分類駕駛風(fēng)格類別.BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成[16].將輸出結(jié)果和期望結(jié)果之間的誤差經(jīng)中間層反饋給輸入層，通過各網(wǎng)絡(luò)層神經(jīng)元的權(quán)值和閾值可以根據(jù)誤差的大小進行調(diào)節(jié)，最終使得輸出結(jié)果不斷逼近于期望值.將節(jié)氣門開度和節(jié)氣門均方差作為神經(jīng)網(wǎng)絡(luò)的輸入層，輸出結(jié)果為6種不同程度的駕駛風(fēng)格類別，神經(jīng)網(wǎng)絡(luò)識別如下.

1) 各網(wǎng)絡(luò)層神經(jīng)元個數(shù)的確定.將2個典型的特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，故輸入層的神經(jīng)元個數(shù)為2，即Nin=2,共構(gòu)建了6種駕駛風(fēng)格類別，因此神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元個數(shù)為6，Nout=6，即隱含層的神經(jīng)元個數(shù)一般參考經(jīng)驗公式,即:取α=6，計算得Nh=10.

(2)

2) 選擇神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)，訓(xùn)練函數(shù).分別選擇Tansig函數(shù)和Purelin函數(shù)作為隱含層和輸出層的激勵函數(shù)，公式如下.

(3)

圖6 駕駛風(fēng)格神經(jīng)網(wǎng)絡(luò)識別模型Fig.6 Driving style neural network recognition model

綜合考慮所采用的BP神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度、權(quán)值數(shù)量和駕駛風(fēng)格識別的分類情況，最終選擇Trainlm函數(shù)作為訓(xùn)練函數(shù).

3) 迭代次數(shù)為1 000次，訓(xùn)練目標性能為10-6.駕駛風(fēng)格神經(jīng)網(wǎng)絡(luò)識別模型如圖6所示.

3 融合駕駛風(fēng)格的自適應(yīng)控制策略

通過自定義的監(jiān)督控制策略，混合動力系統(tǒng)中的動力分配可以按照最優(yōu)化燃料經(jīng)濟性進行動力系統(tǒng)的分配.采用融合駕駛風(fēng)格識別的最小等效燃油消耗控制策略(ECMS)進行能量的分配.

3.1 ECMS的制定

ECMS是一種實時方法，無需使用有關(guān)未來的信息，將全局優(yōu)化問題簡化為瞬時最小化問題.在數(shù)學(xué)上，混合動力系統(tǒng)在燃油經(jīng)濟性方面的優(yōu)化控制問題可以概括為

(4)

對于求解方程(4)使用龐特里亞金極小原理(PMP)構(gòu)造Hamilton函數(shù)求解[17],如下：

(5)

其中：λ(t)是拉格朗日乘數(shù).基于 PMP，共態(tài)方程表示如下：

(6)

(7)

其中:SOCf代表行程結(jié)束時電池的 SOC 值；SOCobj是目標 SOC 值；SOCmin、SOCmax分別是電池的最小值和最大值.動力電池的功率由下式得到：

Pb(t)=IbVoc

(8)

式中：Voc表示電池的開路電壓.結(jié)合式(6)和(8)，則式 (5) 可改寫為：

(9)

結(jié)合等式(6)和(9),s(t)可以表示為:

(10)

對于 PHEV，ECMS的關(guān)鍵是找到最佳的等效因子s(t)以獲得電池和發(fā)動機能量的最佳實時分配.然而，在標準 ECMS 中，等效因子是恒定的，不能適應(yīng)不同駕駛員，因此要針對不同駕駛風(fēng)格來相應(yīng)調(diào)整等效因子，以實現(xiàn)等效因子隨著駕駛風(fēng)格的變化而變化，提高整車控制策略對于不同駕駛員的適應(yīng)性.

3.2 融合駕駛風(fēng)格的A-ECMS制定

為了獲得最小總?cè)加拖?，有必要使控制策略的制定適應(yīng)個體駕駛員.因此，本研究提出融合駕駛風(fēng)格的自適應(yīng)ECMS(AECMS)的制定.對于電荷可持續(xù)性，等效因子通常根據(jù)SOC與其參考值的偏差(SOC(t)-SOCr)進行自適應(yīng)調(diào)整.自適應(yīng)等效因子的表達式如下：

(11)

將式(11)用更為精確的PI 控制器控制，如下式所示：

(12)

為了確定實時等效因子的系數(shù)，將考慮駕駛風(fēng)格的參考SOC與實時SOC的差值及其變化率作為模糊控制器的輸入.對兩個輸入信號的模糊化，以及基于模糊規(guī)則的模糊推理，最終推理出比例系數(shù)和積分系數(shù)兩個輸出.由于三角隸屬函數(shù)靈敏度高、計算簡單，因此輸入輸出均采用三角隸屬函數(shù)，定義的語言變量為“負大(NB)、負小(NS)、零(ZR)、正小(PS)、正大(PB)”.輸入和輸出字段為[-0.1,0.1]和[-1,1]，模糊控制規(guī)則如表2和表3所示.

表2 Kp模糊推理規(guī)則Tab.2 Kp fuzzy inference rules

表3 Ki模糊推理規(guī)則 Tab.3 Ki fuzzy inference rules

4 實驗驗證及結(jié)果分析

圖7 NYCC行駛工況Fig.7 NYCC driving conditions

基于MATLAB/Simulink，搭建適用PHEV性能的仿真模型，采用NYCC工況，針對本研究提出的融合駕駛風(fēng)格的自適應(yīng)控制策略進行驗證,如圖7所示.

圖8(a)展示了駕駛員在ECMS控制策略、模糊邏輯識別駕駛風(fēng)格的自適應(yīng)ECMS(AECMS_FLC)和神經(jīng)網(wǎng)絡(luò)識別駕駛風(fēng)格的自適應(yīng)ECMS(AECMS_NN)控制策略下，SOC隨PHEV行駛的變化.由圖可知，常規(guī)ECMS控制策略的SOC曲線在行駛整段路程后，SOC值較低，當(dāng)融合駕駛風(fēng)格識別后的ECMS后，SOC值有明顯的提升，此時更能保護電池，延長使用壽命.圖8(b)展示了3種控制策略的油耗(Q)情況，由圖可知，融合駕駛風(fēng)格的控制策略，因為能夠可以根據(jù)駕駛員的駕駛風(fēng)格對控制策略進行自適應(yīng)地調(diào)整，因而在行駛里程結(jié)束時，油耗有明顯的降低，而神經(jīng)網(wǎng)絡(luò)識別駕駛風(fēng)格對應(yīng)的控制策略效果更好.圖9(a)展示了時間不變ECMS的等效因子與所提出的融合駕駛風(fēng)格識別的自適應(yīng)ECMS控制策略在行駛工況下的變化圖.從圖中可以發(fā)現(xiàn),自適應(yīng)ECMS控制策略的等效因子隨著時間的延續(xù)而不斷發(fā)生變化，具有更好的適應(yīng)性.圖9(b)展示3種控制策略的HC、CO、NOx總排放曲線圖.

圖8 3種不同控制策略的SOC曲線變化和油耗圖Fig.8 SOC curve change and fuel consumption curve of three different control strategies

圖9 3種控制策略的等效因子變化圖和總排放曲線圖Fig.9 Equivalent factor change and total emission curve of three control strategies

表4 3種控制策略經(jīng)濟性、排放性對比Tab.4 Comparison of economy and emission of three control strategies

表4為3種控制策略下燃油經(jīng)濟性和排放性的對比.由表4看出，融合駕駛風(fēng)格的自適應(yīng)控制策略的綜合性能有了明顯的提升，其中神經(jīng)網(wǎng)絡(luò)駕駛風(fēng)格識別的自適應(yīng)控制策略性能最佳，相比時間不變的ECMS控制策略，油耗(Q)降低10.5%，HC、CO、NOx總排放降低11%.

5 結(jié)語

考慮到駕駛員駕駛風(fēng)格對汽車性能影響，故而將駕駛風(fēng)格融入到混合動力汽車的能量管理策略中，使得制定的控制策略能夠根據(jù)不同的駕駛風(fēng)格做出自適應(yīng)的調(diào)整，從而提升整車性能.將模糊邏輯、神經(jīng)網(wǎng)絡(luò)識別模型識別出的駕駛風(fēng)格類別融合到ECMS控制策略的制定，提出融合駕駛風(fēng)格的自適應(yīng)ECMS，相比不考慮駕駛風(fēng)格的控制策略，考慮駕駛風(fēng)格影響的控制策略在燃油經(jīng)濟性、排放性能有顯著的提升.取一段工況使用所指定的能量管理策略，仿真結(jié)果表明，融合駕駛風(fēng)格識別的策略在燃油經(jīng)濟性方面最高提升了10.5%，汽車的HC、CO、NOx總排放最高降低了11%,發(fā)動機電機工作點更好地運行在最佳區(qū)域中.