智能網(wǎng)聯(lián)混合動力汽車能量管理研究綜述

唐小林,郎陳佳,鄭林洋,甘炯鵬,李 越,李 成

(1.重慶大學(xué) 機械與運載工程學(xué)院, 重慶 400044;2.縱目科技(重慶)有限公司, 重慶 400204;3.重慶電子工程職業(yè)學(xué)院,智能制造與汽車學(xué)院, 重慶 401331)

0 引言

隨著全球能源危機和環(huán)境污染問題的日益嚴(yán)峻,車輛領(lǐng)域也在致力于對傳統(tǒng)汽車進行電氣化改造,以減少汽車對能源的消耗和對環(huán)境的污染。其中,混合動力汽車(hybrid electric vehicle,HEV)可被視為一種理想的過渡產(chǎn)品,其技術(shù)路線更為成熟,能有效減少汽車油耗和污染排放[1]。常見的混合動力汽車需將內(nèi)燃機與一個或多個電動機和電池組結(jié)合在一起,如何制定不同動力源間的能量分配成為了關(guān)鍵問題[2]。因此,研究人員提出了基于能量管理策略(energy management strategy,EMS)的控制方法。高效的能量管理策略對提升內(nèi)燃機和電動機的能耗經(jīng)濟性有著重要影響,能使之達到效率、性能和減排之間的最佳平衡[3]。

在混合動力汽車技術(shù)研究取得進步的同時,人工智能與通信技術(shù)方興未艾。隨著新一代信息與通信技術(shù)的智能網(wǎng)聯(lián)汽車(intelligent and connected vehicle,ICV)的提出[4],汽車智能化的發(fā)展進入了新的維度。車輛、交通設(shè)施、網(wǎng)絡(luò)通信與云計算等技術(shù)的融合,創(chuàng)造了一個動態(tài)互聯(lián)的智能交通系統(tǒng)(intelligent transport system,ITS),不僅提高了通行效率與行車安全,也為出行提供了更好的體驗。伴隨著智能交通與EMS的融合,混合動力汽車可以從動態(tài)的、數(shù)據(jù)驅(qū)動的能量管理系統(tǒng)中受益,為最大限度地提高能源效率、減少排放和優(yōu)化混合動力汽車的整體性能開辟了新途徑[5]。

基于上述研究,圍繞混合動力汽車能量管理策略的研究現(xiàn)狀,對經(jīng)典的能量管理策略做了相關(guān)回顧和分析,并重點對基于智能網(wǎng)聯(lián)環(huán)境下的混合動力汽車能量管理研究進行了深入的闡述,歸納和分析了單車和多車場景下的能量管理策略,最后對未來研究的方向做出了展望,可為該領(lǐng)域的研究者提供一定的參考。

1 經(jīng)典能量管理策略研究概述

混合動力汽車的能量管理策略通常以燃油經(jīng)濟性、排放性、電池荷電狀態(tài)(state of charge,SOC)、乘坐舒適性等指標(biāo)為優(yōu)化目標(biāo),研究車輛行駛過程中,在滿足動力性的情況下,如何協(xié)調(diào)發(fā)動機和其他動力源之間的功率分配問題,從而實現(xiàn)能源的有效利用及延長部件的使用壽命。

經(jīng)典的能量管理策略研究已經(jīng)較為成熟,按控制方法可以分成3類：基于規(guī)則、基于優(yōu)化、基于學(xué)習(xí)的策略,如圖1所示。其中,基于規(guī)則的EMS是最簡單實用的,它依靠預(yù)先確定的規(guī)則集來決策能量管理問題,但無法最優(yōu)地適應(yīng)不斷變化的駕駛條件或駕駛員行為,優(yōu)化效果不理想?；谌謨?yōu)化的EMS可以達到全局最優(yōu)的效果,但需要提前知道運行工況的全部信息且有著復(fù)雜的數(shù)學(xué)模型和算法,無法實時響應(yīng)。而基于瞬時優(yōu)化的EMS可進行實時控制,但優(yōu)化效果有所下降。總的來說,基于規(guī)則和優(yōu)化的控制策略都需要在實時響應(yīng)、計算效率和自適應(yīng)性之間進行取舍。隨著機器學(xué)習(xí)的進步,基于學(xué)習(xí)的EMS逐漸發(fā)展起來,學(xué)習(xí)型控制策略是一類基于傳統(tǒng)強化學(xué)習(xí)算法(reinforcement learning,RL)或深度強化學(xué)習(xí)算法(deep reinforcement learning,DRL)的能量管理策略,可以通過試錯學(xué)習(xí)來獲得近似全局最優(yōu)的優(yōu)化效果,訓(xùn)練好的策略模型則有著更好的實時性。從總體上看,傳統(tǒng)強化學(xué)習(xí)算法普遍存在對工況的適應(yīng)性差、離散誤差大、“維數(shù)災(zāi)難”等問題[6-7],但隨著結(jié)合傳統(tǒng)強化學(xué)習(xí)和深度學(xué)習(xí)的DRL算法的出現(xiàn),又一次掀起了研究強化學(xué)習(xí)的熱潮。

圖1 傳統(tǒng)能量管理策略分類框圖

當(dāng)前,由于傳統(tǒng)的EMS無法獲得實時交通信息,大多基于歷史數(shù)據(jù)信息進行訓(xùn)練,面對未曾見到的場景及突發(fā)狀況,如陌生道路、極端天氣、道路限速等,其適應(yīng)性明顯不足,如表1所示。此外,研究方法還可以按主要的原創(chuàng)性貢獻分為以下幾類：① 改進原有算法或引入新型算法;② 不同算法之間的結(jié)合應(yīng)用;③ 融合更多的環(huán)境信息,提高工況適應(yīng)性。實際上,除了從算法層面和硬件層面不斷增加混合動力汽車能量管理策略與車載控制器匹配的可能性,還可以在EMS中結(jié)合實時環(huán)境信息數(shù)據(jù)作為狀態(tài)輸入,將有利于進行更準(zhǔn)確、高效的控制[8]。

2 智能網(wǎng)聯(lián)云控系統(tǒng)概述

近年來,面對日益復(fù)雜的交通場景以及智能汽車的感知、決策與控制問題,李克強院士團隊基于新一代信息與通信技術(shù),提出了以云控平臺為核心、面向智能網(wǎng)聯(lián)汽車與交通的一體化應(yīng)用系統(tǒng)[9]。在車輛、交通基礎(chǔ)設(shè)施和其他利益相關(guān)者之間通過統(tǒng)一的通信標(biāo)準(zhǔn)來進行數(shù)據(jù)交換,從而提高交通效率,改善交通環(huán)境,優(yōu)化交通管理。

智能網(wǎng)聯(lián)云控系統(tǒng)由云控平臺、網(wǎng)聯(lián)式智能汽車、路側(cè)基礎(chǔ)設(shè)施、通信網(wǎng)、資源平臺組成[10],構(gòu)成體系如圖2所示。

1) 云控平臺：云控平臺是一個滿足車路云實時通信與計算的協(xié)同應(yīng)用平臺,具有中心云、區(qū)域云和邊緣云的3級構(gòu)造,并隨著級別的增加,其算力和服務(wù)區(qū)域逐漸增大。

2) 網(wǎng)聯(lián)式智能汽車：作為服務(wù)的實體對象,智能網(wǎng)聯(lián)汽車能與其他實體(包括其他車輛、基礎(chǔ)設(shè)施組件和基于云的系統(tǒng))之間進行數(shù)據(jù)交換和交互,滿足網(wǎng)聯(lián)化交互需求。

3) 路側(cè)基礎(chǔ)設(shè)施：通常指部署在公路、十字路口、停車設(shè)施沿線等位置的各種傳輸設(shè)備。它們形成了一個基礎(chǔ)設(shè)施組件網(wǎng)絡(luò),與車輛和后端系統(tǒng)協(xié)調(diào)工作,以支撐云控系統(tǒng)對整個智能交通體系的全面掌控,實現(xiàn)高效和智能的交通運營。

4) 通信網(wǎng)：通過標(biāo)準(zhǔn)化的通信機制,實現(xiàn)人-車-路-云的泛化互聯(lián)。其中,網(wǎng)聯(lián)化通信技術(shù)包括專用短程通信(dedicates short range communication,DSRC)和蜂窩網(wǎng)絡(luò)技術(shù)。其中DSRC是專為車聯(lián)網(wǎng) (vehicle-to-everything,V2X)通信而設(shè)計的無線通信技術(shù),可實現(xiàn)車輛與基礎(chǔ)設(shè)施組件之間的低延遲和高可靠性通信。V2X通信技術(shù)可以與ITS中的各種元素進行信息交換,包括與其他車輛(vehicle-to-vehicle,V2V)、行人(vehicle-to-pedestrian,V2P)和交通基礎(chǔ)設(shè)施(vehicle-to-infrastructure,V2I)通信來獲取周圍車輛和行人的運動狀態(tài)及意圖[11]。

5) 資源平臺：為云控系統(tǒng)提供服務(wù)所需的綜合性數(shù)據(jù)平臺,包括高精度地圖、實時交通、天氣數(shù)據(jù)等。

在網(wǎng)聯(lián)云控環(huán)境中,這些模塊的串聯(lián)集成可以構(gòu)建人-車-路-云的高效互聯(lián)。車輛不再作為一個信息“孤島”,它可以實現(xiàn)多車交互、人車交互以及車輛與智能交通設(shè)施之間的交互。通過全球定位系統(tǒng)(global positioning system,GPS)可以確定被控車輛和其他車輛的位置;車輛之間的距離可以使用車載雷達或激光雷達傳感器測量,而被控制車輛的速度可以使用速度傳感器計算;V2V通信技術(shù)允許從前方車輛獲取狀態(tài)信息,包括其速度、位置及加速度情況;同樣,V2I技術(shù)可以檢索前方交通燈的狀態(tài)信息,如它們的當(dāng)前狀態(tài)和剩余時間。

這種數(shù)據(jù)交互與EMS的融合能使其做出實時最優(yōu)的能量管理決策[12]。同時,對混合動力汽車能量管理策略的研究也從單車場景下的節(jié)能優(yōu)化逐漸延伸至多車場景下的協(xié)同節(jié)能優(yōu)化。

3 智能網(wǎng)聯(lián)環(huán)境下的能量管理策略

3.1 單車場景下的能量管理

該場景下,混合動力汽車能量管理策略研究主要可分為節(jié)能路徑規(guī)劃、節(jié)能車速規(guī)劃和電池SOC規(guī)劃3個方面。

3.1.1節(jié)能路徑規(guī)劃下的能量管理

節(jié)能路徑也被稱為生態(tài)路由[13],旨在找到從起點到目的地之間、滿足環(huán)境和能耗要求的最優(yōu)路徑。其主要特點是：利用網(wǎng)絡(luò)通信提供的外部交通信息來動態(tài)選擇最節(jié)能的路線,從而減少因交通延誤或道路狀況不佳而造成的能源損失和排放問題,相關(guān)研究的主要特征如表2所示。

表2 基于路徑規(guī)劃的能量管理研究及其主要特征

關(guān)于節(jié)能路徑規(guī)劃下的能量管理研究,主要可以分為以下3類：

1) 考慮道路關(guān)鍵節(jié)點的小范圍規(guī)劃。該類節(jié)能路徑規(guī)劃主要集中在對交通信號燈路口的信息進行有效利用,避免車輛在路口的起停和等待動作。研究表明,路徑中的交通信號燈等待時間可能引起不必要的停車和延誤,是影響車輛燃油經(jīng)濟性的重要因素[14]。針對這一問題,Zhou等[15]以總能耗和行駛時間為優(yōu)化目標(biāo),提出了一種考慮十字路口信號信息的動態(tài)路線規(guī)劃方法,建立了一個多目標(biāo)0～1整數(shù)規(guī)劃模型求解最優(yōu)路線,將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題,并驗證了該方法的有效性。Liu等[16]利用大量歷史數(shù)據(jù)建立能耗模型,并且考慮路段擁擠程度和交通信號燈造成的時延,研究不同類型車輛之間的路徑協(xié)同,提高了連續(xù)交通流的能源經(jīng)濟性。

2) 考慮車流擁堵狀況的路徑規(guī)劃。該類節(jié)能路徑規(guī)劃主要通過實時交通數(shù)據(jù)避開擁堵路段,以實現(xiàn)車輛的節(jié)能。為避開擁堵地區(qū),Sebai等[17]結(jié)合實時交通事件、道路拓?fù)浣Y(jié)構(gòu)以及充電站位置并從歷史軌跡數(shù)據(jù)中提取信息,通過交通流預(yù)測來規(guī)劃節(jié)能路徑。Salahdine等[18]提出了一種基于機器學(xué)習(xí)的智能交通擁堵預(yù)測系統(tǒng),運用實時反饋的車流量數(shù)據(jù),應(yīng)用長短時記憶網(wǎng)絡(luò)(long-short term memory,LSTM)模型對短期內(nèi)的車流擁堵進行預(yù)測,從而動態(tài)更新路線,以避免堵車,降低能量損耗和等待時間。Xu等[19]提出了一種基于RL的EMS和生態(tài)路由的聯(lián)合算法,研究了交通流量對計算時間和節(jié)能效果的影響。

3) 考慮實際應(yīng)用可能的路徑規(guī)劃。該類路徑規(guī)劃主要考慮研究與真實情況的適應(yīng)性,使研究更符合實際。針對傳統(tǒng)EMS的設(shè)計大多基于標(biāo)準(zhǔn)工況,結(jié)果與實際應(yīng)用情況存在差異的問題,Wu等[20]提出了一種考慮交通信息和乘客數(shù)量的基于深度確定性策略梯度算法(deep deterministic policy gradient,DDPG)的混合動力公交EMS,運用公開的數(shù)據(jù)集,通過交通仿真軟件生成包含車速、車流量、車密度等交通信息的駕駛工況,并利用這些信息動態(tài)調(diào)整駕駛循環(huán)工況,同時還考慮了由于公交乘客數(shù)量變化而帶來的車輛荷載質(zhì)量變化的影響。Zhang等[21]針對PHEV設(shè)計了一種基于功率管理的路徑規(guī)劃控制方案,并以豐田普銳斯為車輛模型,通過仿真研究驗證了在不同通航范圍的城市中策略的有效性。在此基礎(chǔ)上,Chen等[22]針對其復(fù)雜的動力系統(tǒng)以及多變的行駛工況,提出了一種基于優(yōu)化Dijkstra路徑規(guī)劃算法和深度Q網(wǎng)絡(luò)相結(jié)合的能量管理策略,考慮了車輛動力學(xué)限制的情況,通過控制車輛的工作模式實現(xiàn)了車輛的節(jié)能。

3.1.2節(jié)能車速規(guī)劃下的能量管理

節(jié)能車速規(guī)劃也可稱為生態(tài)駕駛[23],其概念強調(diào)在給定的駕駛情況下找到最優(yōu)車速軌跡,從而減少其加減速次數(shù)和不必要的空轉(zhuǎn),進一步提高燃油經(jīng)濟性,相關(guān)研究的主要特征如表3所示。

表3 基于車速規(guī)劃的能量管理研究及其主要特征

現(xiàn)有的節(jié)能車速規(guī)劃下的能量管理可以分為以下2類：

1) 基于經(jīng)濟性駕駛的節(jié)能速度規(guī)劃。該類車速規(guī)劃主要是跟蹤由經(jīng)濟性駕駛得到的最優(yōu)速度軌跡。Maadi等[24]以信號燈時序信息來優(yōu)化路口通過隊列,設(shè)計了一種速度引導(dǎo)算法,通過實時環(huán)境數(shù)據(jù)更新來調(diào)整計劃速度,從而減少能源損耗。Chavhan等[25]則同時考慮了舒適性和節(jié)能的目的,利用動態(tài)交通信息來控制行駛速度。Chen等[26]提出了一種基于DRL的混合動力汽車綜合控制策略,出發(fā)前已知行駛過程,并獲取路線的經(jīng)緯度、海拔等信息,在基于全局信息的情況下,預(yù)先得到規(guī)劃的速度軌跡,提高了燃油經(jīng)濟性。Shen等[27]利用ITS獲得待定路段的交通流速度,并結(jié)合其他道路條件、速度限制、坡度信息等以龐德里亞金極小值原理(pontryagin maximum principle,PMP)規(guī)劃經(jīng)濟車速。

2) 基于預(yù)測的節(jié)能速度規(guī)劃。通過V2X技術(shù),車輛可以獲取更多信息,從而對未來交通狀況進行合理預(yù)測以規(guī)劃車速軌跡。此外,預(yù)測精度對策略的表現(xiàn)也有重要的影響。Amini等[28]提出了一種基于數(shù)據(jù)驅(qū)動的時空速度和功率負(fù)荷預(yù)測策略,利用V2I技術(shù)考慮了多個信號交叉口的主干道交通信息,對交叉口排隊過程進行建模,提高短程預(yù)測車速的精度。Lee等[29]提出了一種基于RL的自動駕駛電動汽車節(jié)能速度規(guī)劃策略,通過評估道路坡度和與前車的安全距離等約束條件,實時學(xué)習(xí)和修改車速軌跡,其最優(yōu)性能達到了93.8%。Dong等[30]通過V2X技術(shù)來獲取制動意圖,建立一個上層基于距離的動態(tài)規(guī)劃算法(dynamic programming,DP)規(guī)劃能量最優(yōu)制動軌跡,下層基于模型預(yù)測控制器的雙層控制方案,保證車輛制動舒適性、安全性,并提高了能源利用效率。

3.1.3電池SOC規(guī)劃下的能量管理

電池SOC規(guī)劃下的能量管理現(xiàn)有研究主要集中在維持或達到某一SOC水平的自車規(guī)劃。該類研究主要是通過考慮行程距離以及交通狀況來合理規(guī)劃SOC參考軌跡。

針對處于智能交通場景下的情景,Lin等[31]基于速度預(yù)測結(jié)果以及行程距離,提出了一種自適應(yīng)參考SOC軌跡的規(guī)劃方法,用來指導(dǎo)不同驅(qū)動方式下的功率分配,以此實現(xiàn)較好的燃油經(jīng)濟性。在此基礎(chǔ)上,Min等[32]基于V2I信息交互,針對PHEV提出了一種在線SOC規(guī)劃的引導(dǎo)式預(yù)測能量管理策略,上層采用神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)給出實時SOC參考軌跡,下層采用模型預(yù)測控制(model predictive control,MPC)指導(dǎo)功率分配。Wang等[33]利用GPS和ITS信息,考慮車輛在通勤路線中的關(guān)鍵位置節(jié)點信息,對駕駛路線進行預(yù)測與識別,規(guī)劃出最佳參考SOC水平軌跡,用來指導(dǎo)對電池電量的合理利用。同時,Jia等[34]利用綠燈優(yōu)化速度咨詢(green light optimized speed advisory,GLOSA)通過GPS收集車輛當(dāng)前位置,并由路邊交通云控信號機收集交通燈相位信息,為駕駛員提供最佳速度建議,在不同SOC水平下,考慮了排放性能的同時,減小了燃油消耗。

此外,網(wǎng)聯(lián)云控平臺還可以將車輛的SOC信息及時傳入云端,對充電網(wǎng)絡(luò)進行調(diào)度,減輕同時接入過多車輛對電網(wǎng)造成沉重負(fù)荷所導(dǎo)致的能量損耗增加,同時實現(xiàn)大規(guī)?；旌蟿恿ζ嚦潆姷暮侠碚{(diào)度,減小充電等待時間,提高充電網(wǎng)絡(luò)利用率。

3.2 多車協(xié)同場景下的能量管理

隨著車輛數(shù)目的增多,交通環(huán)境也變得越來越復(fù)雜,EMS的設(shè)計不再只單純考慮一輛車,而是出現(xiàn)了更復(fù)雜的交通環(huán)境,如跟車場景、隊列行駛場景等[35-36]。而多車協(xié)同的能量管理是指對雙車或隊列車輛的能源消耗和分配進行協(xié)調(diào)和優(yōu)化,其能量管理構(gòu)架如圖3所示。它允許各車輛之間通信及共享信息,并協(xié)調(diào)它們的能源使用,以實現(xiàn)共同的目標(biāo),如降低整體消耗,最大限度地減少對環(huán)境的影響,并最大限度地提高通行效率[37]。

3.2.1跟車場景

車輛跟隨場景下的能量管理主要可以分為基于自適應(yīng)巡航控制(adaptive cruise control,ACC)和基于預(yù)測巡航控制(predictive cruise control,PCC)的能量管理,具體差別在于駕駛條件的不同,相關(guān)研究的主要特征如表4所示。

1) 基于自適應(yīng)巡航控制(ACC)的能量管理。與傳統(tǒng)ACC只考慮行駛安全性不同,融合ACC的EMS利用傳感器監(jiān)測前方車輛的距離和相對速度,為控制系統(tǒng)提供實時信息。通過對距離的準(zhǔn)確感知,實時調(diào)整車輛的速度和加速度,保持安全舒適的跟隨距離。Li 等[38]利用V2V通訊優(yōu)勢,提出了一種協(xié)同ACC方法,并基于近似動態(tài)規(guī)劃(approximate dynamic programming,ADP)和數(shù)據(jù)驅(qū)動的能耗模型,設(shè)計了基于學(xué)習(xí)的控制器,抑制了不必要的速度波動,同時顯著提高了車輛在跟馳情況下的燃油經(jīng)濟性。Gao等[39]通過V2X技術(shù)上傳周邊交通環(huán)境和相關(guān)車輛的狀態(tài)信息,在云中進行計算,實現(xiàn)自動跟馳控制,并在車輛端采用基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(radial basis function neyral network,RBF-NN)的近似全局優(yōu)化來提供預(yù)測域內(nèi)的最優(yōu)控制序列。Luo等[40]考慮前車約束和交通信號的影響,在跟車過程中的最優(yōu)安全距離不僅對駕駛安全性至關(guān)重要,而且對駕駛性能產(chǎn)生影響。Zhu等[41]基于交通信息,提出了一種基于最優(yōu)跟車距離的等效消耗最小策略(equivalent consumption minimization strategy,ECMS),規(guī)劃自車的速度和加速度,并將理想的跟車距離跟蹤誤差控制在0.5 m以內(nèi)。Zhang等[42]提出了一種基于分層強化學(xué)習(xí)的深度融合ACC能量管理框架,通過規(guī)劃車輛的跟車距離以及SOC軌跡來控制車輛的動力分配,通過在真實GPS數(shù)據(jù)構(gòu)建的跟車場景中進行訓(xùn)練,降低燃油消耗和計算負(fù)擔(dān)。

2) 基于預(yù)測巡航控制(PCC)的能量管理。在實踐中,精確匹配最佳速度軌跡往往具有挑戰(zhàn)性。為了解決這個問題,結(jié)合未來駕駛條件,Asadi等提出了預(yù)測巡航控制的概念[43]。預(yù)測巡航控制是基于地圖信息以及自適應(yīng)巡航控制,通過獲取前方道路限速、曲率、坡度等信息,主動實現(xiàn)對車速、擋位等的最優(yōu)控制。利用未來交通中的信號燈信息,Nie等[44]提出了一種實時動態(tài)PCC系統(tǒng)。該系統(tǒng)考慮了前方車輛的約束和紅綠燈的影響,采用2層MPC算法,一層基于信號相位和時序(signal phase and timing,SPaT),以優(yōu)化在綠燈間隔期間不停車通過信號交叉口的加速度,另一層側(cè)重于車輛跟蹤,使用自定義可變時距(variable time headway,VTH)策略來保持安全的行車距離。Yang等[45]基于智能交通系統(tǒng)背景下提出了一種新的節(jié)能分層策略,通過獲取車輛信息對前方車輛進行生態(tài)速度軌跡規(guī)劃,同時考慮了車輛的橫向和縱向動力學(xué),在保證降低燃油消耗的同時保持良好的跟車性能和穩(wěn)定性。陳曉龍等[46]針對智能網(wǎng)聯(lián)混合動力汽車跟馳場景下的燃油經(jīng)濟性和駕駛安全性協(xié)同優(yōu)化問題,利用V2V/V2I通信技術(shù),設(shè)計了一種基于前車速度預(yù)測-自車速度規(guī)劃的預(yù)測能量管理策略,利用LSTM和序列二次規(guī)劃算法分別解決預(yù)測和控制問題,在多種駕駛工況下驗證了策略的有效性。

3.2.2隊列場景

隊列駕駛是指一串車輛以相同的速度與期望的車輛間距在道路上編隊行駛,能減少每輛車的空氣阻力,從而降低能量消耗[47]。然而,隊列中各車輛之間的各種信息快速傳遞和共享是制約車隊速度和間距控制的難點之一[48],相關(guān)研究的主要特征如表5所示。

表5 隊列場景下的能量管理研究及其主要特征

針對網(wǎng)聯(lián)環(huán)境下,混合動力汽車隊列如何控制車速與間隔距離來保證最優(yōu)通行效率、燃油經(jīng)濟性的問題,Guo等[49]在成本函數(shù)中考慮車隊總功率,用一種多目標(biāo)非線性模型預(yù)測控制系統(tǒng)(nonlinearity model predictive control,NMPC)來求解每輛車的最優(yōu)經(jīng)濟車速。在此基礎(chǔ)上,Ye等[50]在考慮下游交通信號燈、車隊以及車輛動力系統(tǒng)的情況下,基于圖的軌跡規(guī)劃算法(graph-based trajectory planning algorithm,GTPA)學(xué)習(xí)下一時刻最優(yōu)車速,建立了一個隊列預(yù)測模型,并在微觀交通仿真軟件上進行了驗證。唐小林等[51]以功率分流式混合動力汽車車隊為研究對象,利用V2V 以及V2I 通信獲取實時交通信息,設(shè)計了一種分層控制策略,上層采用MPC規(guī)劃隊列未來速度軌跡,下層控制系統(tǒng)根據(jù)該最優(yōu)車速對混合動力汽車實施實時能量管理策略,獲得了較好的燃油經(jīng)濟性?？紤]到如何解決隊列中車輛突發(fā)狀況對整個車隊穩(wěn)定性造成的影響,雷鴻博等[52]針對巡航車隊通信中斷場景,設(shè)計了一種協(xié)作式自適應(yīng)巡航控制(cooperative adaptive cruise control,CACC)與ACC模式切換方法,避免了通信中斷后碰撞的發(fā)生,保證了巡航車隊的穩(wěn)定性。Ma等[53]提出了生態(tài)協(xié)同自適應(yīng)巡航控制(ecological cooperative adaptive cruise control,e-CACC),通過不同驅(qū)動工況下的仿真,證明該策略具有更好的串穩(wěn)定性、跟隨性能和節(jié)能性能。

隨著自動駕駛的發(fā)展,將會出現(xiàn)人類駕駛員車輛與自動駕駛車輛共同存在的情形,考慮到隊列中穿插了不同類型車輛構(gòu)成的異質(zhì)車隊,He等[54]利用V2V和V2I通信共享信息,提出了適用于自動化領(lǐng)隊的基于加速的咨詢(acceleration-based advi-sory, ABA)策略和適用于人工領(lǐng)隊車隊的逐步速度建議(stepwise speed advisory,SSA)策略,全面考慮了能源消耗的異質(zhì)性。隊列場景下的能量管理相對于跟隨場景更加復(fù)雜,對車輛間的實時通信有很高要求,如何對道路、車輛、交通設(shè)施協(xié)同控制,考慮不同動力類型之間的協(xié)同控制也是需要解決的問題。

4 未來發(fā)展趨勢

當(dāng)前,由于復(fù)雜的交通環(huán)境和多樣化的控制要求,對混合動力汽車的能量管理技術(shù)有了更高的要求。隨著網(wǎng)聯(lián)通信以及智能化技術(shù)的快速發(fā)展,為智能網(wǎng)聯(lián)混合動力汽車的節(jié)能減排研究提供了新的可能,其能量管理策略未來可能的工作重點如下：

1) 升級高效和自適應(yīng)的優(yōu)化新算法

智能交通中的能量管理策略依賴于先進的優(yōu)化算法,對能量分配和路線規(guī)劃進行智能決策。無論是單車場景還是多車場景,都需在車輛實際運行過程中進行能量管理,對能量管理策略的實時性表現(xiàn)提出了非常高的要求。一方面要求V2I、V2V、V2P信息交互過程中,車輛能夠及時獲取相關(guān)信息,另一方面要求車輛在獲得這些信息后,能夠迅速準(zhǔn)確地做出決策,并將控制指令下發(fā)給執(zhí)行機構(gòu),達到降低能耗、提高通行效率等一系列優(yōu)化目標(biāo)。

整個過程中信息的傳遞都是毫秒級的,如車輛SOC規(guī)劃、節(jié)能車速規(guī)劃、車輛自適應(yīng)巡航等場景,信息能否實時傳遞,直接影響到研究車輛能否按照能量管理策略規(guī)劃的參考速度、參考SOC等關(guān)鍵信息運行,從而直接關(guān)系能量管理策略的表現(xiàn)。然而,現(xiàn)有的算法在計算復(fù)雜性、可擴展性和對動態(tài)交通條件的適應(yīng)性方面仍存在局限性,實時性、可靠性得不到保障,這也是為什么只有基于規(guī)則的能量管理策略和ECMS可以做到實車應(yīng)用的原因。

未來的研究可以探索開發(fā)更高效和自適應(yīng)的優(yōu)化算法來處理復(fù)雜的能源管理問題,并實現(xiàn)實時決策。同時降低算法所需的計算資源,使EMS的智能算法更通用、可靠,更容易被部署至實際車輛上。

2) 探索環(huán)境真實性應(yīng)用的新方案

現(xiàn)有網(wǎng)聯(lián)環(huán)境下的節(jié)能控制大多基于理想仿真環(huán)境,具有實車實驗的研究結(jié)果較少,面對真實場景的驗證還存在著許多限制。

仿真環(huán)境中理想的路面附著條件、道路坡度、交通狀況等,與實際駕駛環(huán)境存在很大差別。將研究車輛設(shè)置在理想環(huán)境下運行,一方面是因為只需考慮少量因素就能降低現(xiàn)有車輛的整體能耗,另一方面是因為考慮過多的因素會顯著增加策略的計算時間。當(dāng)高效的優(yōu)化算法以及性價比合適的高算力車載芯片出現(xiàn)之后,考慮車輛實際動力學(xué)、道路速度限制、天氣情況、車輛質(zhì)量變化、道路突發(fā)狀況等一系列真實因素的策略和現(xiàn)有能量管理策略相比,必然具有更好的表現(xiàn)。

此外,智能交通系統(tǒng)、車聯(lián)網(wǎng)和云控系統(tǒng)等先進技術(shù)從理論模擬過渡到有形的現(xiàn)實領(lǐng)域還需要一定的時間,V2X通信實現(xiàn)、信號延遲以及數(shù)據(jù)處理等問題需要逐一解決,這對網(wǎng)聯(lián)車輛的可靠性、安全性至關(guān)重要。因此,需要探索交通環(huán)境基礎(chǔ)設(shè)施的改進方案以及學(xué)術(shù)成果的產(chǎn)業(yè)化應(yīng)用,加快將這些先進的控制系統(tǒng)帶入真實場景中,提高節(jié)能策略在面對現(xiàn)代交通的復(fù)雜動態(tài)時,既具有適應(yīng)性,又具有可持續(xù)性。

3) 尋求多車協(xié)同優(yōu)化的新方法

隨著網(wǎng)絡(luò)技術(shù)的不斷發(fā)展和自動駕駛的普及,多車多任務(wù)的協(xié)同優(yōu)化方法還需要深入的探討和研究。在電動化、智能化、共享化的發(fā)展背景下,隨著智能網(wǎng)聯(lián)車輛的增加,車輛和其他設(shè)備間的信息交互越發(fā)緊密,但必然要經(jīng)歷智能化車輛和非智能車輛長期共存的階段,另外,車輛之間結(jié)構(gòu)的差異也使優(yōu)化過程不盡相同。由于智能和非智能車輛的混合交通,使行車環(huán)境和優(yōu)化目標(biāo)日趨復(fù)雜,在模型建立、求解等過程中必須考慮到同質(zhì)交通場景和異質(zhì)交通場景的差別,這對多車協(xié)同優(yōu)化的安全性以及最終的優(yōu)化效果具有很大影響。需將技術(shù)創(chuàng)新、專業(yè)知識、數(shù)據(jù)共享和監(jiān)管支持結(jié)合在一起,創(chuàng)造一種融合多種交通場景、多種車輛類型的綜合方法來塑造未來的多車交互優(yōu)化系統(tǒng)。

5 結(jié)束語

本文重點對在單車場景和多車場景下的智能網(wǎng)聯(lián)混合動力汽車能量管理策略的研究現(xiàn)狀及其方法類別進行了深入的分析和系統(tǒng)的調(diào)研。另外,還對智能網(wǎng)聯(lián)混合動力汽車能量管理策略的未來工作重點進行了展望,認(rèn)為未來基于智能網(wǎng)聯(lián)的能量管理策略應(yīng)朝著更高效和自適應(yīng)的優(yōu)化算法方向發(fā)展,并探索環(huán)境真實性應(yīng)用的新方案,以及尋求多車協(xié)同優(yōu)化的新方法等。