林歆悠，莫李平，羅 勇，張少博

(1.福州大學機械工程及自動化學院，福州 350002； 2.重慶理工大學，汽車零部件先進制造技術教育部重點實驗室，重慶 400054)

基于能量預測的增程式電動汽車分時混動能量管理策略?

林歆悠1，莫李平1，羅 勇2，張少博1

(1.福州大學機械工程及自動化學院，福州 350002； 2.重慶理工大學，汽車零部件先進制造技術教育部重點實驗室，重慶 400054)

本文中針對增程式電動車提出一種基于能量預測的分時混動能量管理策略。首先，根據(jù)靜態(tài)導航歷史數(shù)據(jù)，利用決策樹算法的原理分別設計了基于移動平均和基于突發(fā)事件的兩種能量預測算法；接著，對兩種預測算法分別進行測試，分析其特點；最后，根據(jù)模擬的歷史數(shù)據(jù)和未來數(shù)據(jù)，預測能量使用情況，分析預測精度，并比較分時混動能量管理策略在兩種預測算法下的能量分配情況。結(jié)果表明:無論對于循環(huán)初期SOC的漸增，中期的突變，還是末期的波動，基于移動平均預測都優(yōu)于基于突發(fā)事件的預測。

增程式電動汽車；能量預測；分時混動；移動平均；突發(fā)事件

前言

隨著混合動力汽車的普及，10%左右的實際節(jié)油率與30%左右的期望節(jié)油率還存在差距。另外隨著汽車越來越趨向于互聯(lián)，汽車眾多大數(shù)據(jù)平臺建設的逐漸完善，可收集歷史數(shù)據(jù)對車輛的行駛過程進行控制，使車輛更節(jié)能，更高效。

文獻[1]中利用隱式馬爾科夫鏈預測行駛路線，利用回歸樹預測行駛速度，并比較不同駕駛員(激進的和溫和的)和不同的駕駛條件下的能量消耗。文獻[2]中針對混合動力汽車行駛環(huán)境適應性的問題，提出一種適應于隨機多變的交通狀況和基于實時行駛工況預測的能量管理策略。采用1階齊次馬爾科夫鏈狀態(tài)轉(zhuǎn)移概率矩陣，對主干道和快速路建立了行駛工況特征參數(shù)預測模型。

文獻[3]中介紹了一款能進一步改善油耗，減小排放的軟件，它基于GPS信息，能使車輛在進入擁堵區(qū)之前提前充電，從而在該區(qū)域全電驅(qū)動。文獻[4]中利用GPS獲得的公交車運行歷史數(shù)據(jù)，通過適當?shù)碾x散化，建立了一個與位置有關的非齊次Markov車速轉(zhuǎn)移模型，用來描述路況和預測混合動力公交車的未來運行狀況，通過Markov動態(tài)優(yōu)化，得到了一個與位置有關的、依狀態(tài)反饋的混合動力公交車能量管理策略。文獻[5]中在確保車輛動力性的前提下，以氫耗最小為目標，開發(fā)基于預測控制的能量源混合度自適應控制策略，運用DERICT算法對其能量源的混合度進行優(yōu)化。

文獻[6]中指出，標準工況提供了一種簡單的方法來評估車輛消耗的能量，但在實際中，真正起決定作用的還是駕駛員，更重要的是其他車輛對駕駛員的影響，采用地圖和導航軟件ADAS-RP聯(lián)合Autonomie來預測用戶指定路線所消耗的能量。文獻[7]中通過預測行駛里程、需求能量、制動回收能量和持續(xù)時間來對車輛進行高階控制，降低車輛能耗，并針對不準確預測提供解決方案。文獻[8]中針對插電混動車闡述了一種基于需求能量預測的控制策略，首先，用神經(jīng)網(wǎng)絡模型來預測車輛的能量需求，接著，將能量由數(shù)學模型轉(zhuǎn)化為電池的SOC，最后用A-ECMS控制策略來追蹤SOC，并決定動力分配。

文獻[9]中用導航信息來預測可能的回收能量，并針對極端工況和丘陵地帶，故意耗盡電能和發(fā)動機一起為車輛提供高功率需求。文獻[10]中通過車輛與其他車輛和基礎設施交互，預測車輛未來60s的駕駛狀態(tài)，找到最接近的行駛工況，從而確定未來時間窗口內(nèi)的最優(yōu)能量分配。

另外，關于增程式電動車能量管理策略，主要根據(jù)電池SOC的狀況，目前主要有全時混動[11]和分時混動，前者全程開啟增程器并未考慮行駛工況的變化，后者可實現(xiàn)根據(jù)行程里程及工況分階段開啟增程器。

本文中針對增程式電動車提出一種基于能量預測的分時混動能量管理策略，以某一段里程為片段，根據(jù)歷史能量使用情況，利用決策樹算法來對未來這一片段的需求能量進行預測，比較基于移動平均和基于突發(fā)事件兩種預測方法的優(yōu)劣。

1 能量預測分時混動策略的制定

為了盡可能利用電網(wǎng)對增程式電動車充電，而在行程即將終結(jié)時盡量不使用APU，設計了一套基于能量預測的分時混動能量管理策略。

1.1 控制策略設計原理

基于能量預測的分時混動能量管理策略流程圖如圖1所示。圖中，Epred為車輛在設定的整個循環(huán)工況(cycle)中需要消耗的預測能量，Eused為隨著cycle的進行實際已經(jīng)消耗的能量，Ereq為完成剩余的cycle所需要的能量。通過Ereq和電池的可用能量Ebat的比較，設定不同的SOC閾值。對于能量預測的分時混動具體可分為以下3種情況。

圖1 基于能量預測的分時混動能量管理策略流程圖

(1)剩余需求能量小于電池的初始能量

當電池的初始能量Ebat大于預測能量Epred，又因為在某一cycle的初始階段，Eused從零開始逐漸增加，此階段即會出現(xiàn)Epred≤Ebat狀態(tài)，從而進入APU＿ON or APU＿OFF 1。隨著cycle的進行，Eused逐漸增大，直至Eused大于預測能量Epred，此時出現(xiàn)Ereq<0狀態(tài)，從而進入到APU＿ON or APU＿OFF 3。其SOC變化過程如圖2所示。當進入Ereq≤Ebat狀態(tài)時，電池有足夠的能量驅(qū)動車輛，而不用增程器提供額外的能量。車輛將運行在純電模式，車輛零排放而且運行效率比較高。

(2)剩余需求能量大于電池的初始能量

當電池的初始能量Ebat小于預測能量Epred，預測能量Epred大于或者等于整個cycle所消耗的最大能量時，在cycle的初始階段，即會出現(xiàn)Ereq＞Ebat狀態(tài)，從而進入APU＿ON or APU＿OFF 2。隨著cycle的進行，Eused逐漸增大，直至Ereq≤Ebat，從而進入到APU＿ON or APU＿OFF 1。其意義為:當電池中的能量不足以使車輛完成整個cycle時，增程器首先開啟并保證電池SOC在一個狹小的范圍內(nèi)波動，直到Ereq小于或等于Ebat。這個狹小SOC的范圍一般取在電池上端容量的20%以內(nèi)。滿足此規(guī)則下的SOC變化情況如圖3所示。

圖2 Ereq≤Ebat時SOC變化情況

圖5 Epred為30kW·h時的能量分配情況

圖6 Epred為50kW·h時的能量分配情況

圖7 Epred為20kW·h時的能量分配情況

圖3 Ereq＞Ebat時SOC變化情況

(3)剩余需求能量小于零

前面(1)和(2)兩種情況適用于某一cycle的預測能量Epred與實際使用的能量相差不大的情況下，即行駛cycle沒有明顯變化。但當駕駛員突然改變其習慣的cycle而行駛更長的里程或者改變其固有的循環(huán)工況，即由于駕駛員的行為發(fā)生突變而導致預測能量Epred可能遠小于實際使用的能量，而大于動力電池的初始能量Ebat時，滿足此條件下的SOC變化情況如圖4所示。首先，在cycle的初始階段，由于Ereq＞Ebat，而進入到APU＿ON or APU＿OFF 2；其次，隨著cycle的進行，Eused逐漸增大，直至Ereq≤Ebat，從而進入到APU＿ON or APU＿OFF 1；最后，由于Epred小于實際使用的能量，隨著Eused的繼續(xù)增大，直至Ereq<0，而進入到APU＿ON or APU＿OFF 3。為保證在cycle結(jié)束時，可利用廉價的電網(wǎng)對電池充電，將電池的SOC保持在一個低的范圍內(nèi)波動。

1.2 控制策略驗證

仿真驗證條件設置:NEDC工況運行300km，Ebat為25.2kW·h。由于其在NEDC工況下的能量消耗為45.6kW·h，故針對Epred假設3組數(shù)據(jù)，分別為30，50和20kW·h。在整車模型中對基于預測的分時混動能量管理策略進行驗證，所對應的能量分配情況分別如圖5～圖7所示。

圖4 Ereq<0時SOC變化情況

在圖5所示情況下，由于在cycle開始階段，Ereq＞Ebat，故SOC先在高帶波動；隨著Eused的增大，Ereq≤Ebat，故進入到純電動模式；Eused繼續(xù)增大，當Eused＞30kW·h時，Ereq<0，此時由于Epred過小，SOC進入低帶波動。而整個cycle中使用了兩個工作點

Pmid＿load和Plow＿load。

在圖6所示情況下，由于在cycle開始階段，Ereq＞Ebat，故SOC先在高帶波動。隨著Eused的增大，Ereq≤Ebat，故進入純電動模式，而由于Epred大于實際使用的能量，故純電動狀態(tài)維持到cycle結(jié)束。而整個cycle中使用了兩個工作點Ppeak＿load和Plow＿load。

在圖7所示情況下，由于在cycle開始階段，Ereq≤Ebat，故進入純電動模式；Eused繼續(xù)增大，當Eused＞20kW·h時，Ereq<0，此時由于預測過小，進入到低帶波動。而整個cycle中使用了兩個工作點Ppeak＿load和Plow＿load。

2 基于決策樹算法的能量預測

2.1 決策樹預測算法基本模型的建立

從一個目的地到另一個目的地，一個人每天可能行駛同樣的路線，但可能由于交通狀況和駕駛員的偶然因素使循環(huán)工況會略有變化，即車輛的能量需求可能在一定范圍內(nèi)波動。在智能網(wǎng)聯(lián)技術日臻成熟的背景下，整車控制器VCU能夠計算單位里程所使用的能量并將這些數(shù)據(jù)儲存在儲存器中，或經(jīng)由云端加工處理反饋給車輛。預測算法的功能是利用這些存儲的數(shù)據(jù)基于一定的規(guī)則預測給定里程所消耗的能量。預測模型設計的規(guī)則條件如下。

(1)以北京市平均通勤里程為例，其單程19.2km，每天往返約40km，而設計的增程式電動車純電里程為80km，且為避免頻繁充電，設定每個cycle為300km。

(2)如果過去的n個cycle駕駛員行駛同樣的路線，則他很可能在第n＋1個cycle行駛同樣的路線。

(3)如果駕駛員建立一個新的駕駛習慣，或者在新路線行駛至少4個cycle，駕駛員很可能在下個cycle行駛相同的路線。在新路線行駛少于4個cycle的可認為是突發(fā)事件。

一段行駛里程內(nèi)每300km的能量消耗作為初始數(shù)據(jù)集存儲在存儲器中，且數(shù)據(jù)集隨著每個cycle的完結(jié)而基于先進先出(first in first out，F(xiàn)IFO)規(guī)則進行更新，用數(shù)據(jù)集中的n個cycle的能量使用情況來預測下一個cycle的能量。

假設過去n個cycle的實際使用能量分別為X1，X2，X3，…，Xn，則n個cycle的平均使用能量Xavg＿n可表示為

在實際中，駕駛員可能在上一個cycle行駛NEDC工況，而在下一個cycle行駛CUDC工況，工況的變化必然引起所消耗能量的變化。定義較大的能量消耗偏差約束條件為

式中Xn＿new為上一個cycle的實際使用能量。

在實際中，即使同一條線路，駕駛員也不可能像賽車手一樣精準，在每個cycle中都會按照標準循環(huán)工況準確駕駛車輛。而在循環(huán)工況中的速度變化將影響車輛每個cycle的能量消耗。定義較小的能量消耗偏差為

它表征連續(xù)cycle過程中，駕駛員的能量使用模式。

為適應不同行駛工況的預測需求，分別設計了移動平均預測算法(mean algorithm，MA)和突發(fā)事件預測算法(sharp algorithm，SA)，由于篇幅關系，具體的算法從略，其實現(xiàn)的流程分別如圖8和圖9所示。

圖8 基于移動平均預測算法流程圖

圖9 基于突發(fā)事件預測算法流程圖

2.2 預測算法驗證

為驗證預測算法的可行性，這里以模擬駕駛員每個cycle都以不同的工況行駛的情況為例進行說明。設定約束條件如下:

(1)主記憶單元樣本個數(shù):10；

(2)初始主記憶單元:[10 10 10…10 10]；

(3)初始輔助記憶單元:[0，0，0]；

(4)未來連續(xù)10個cycle實際使用的能量:[10 20 30 40 50 40 30 20 10 10]。

圖10為兩種能量預測算法的驗證結(jié)果。由圖可見:由于從cycle12到cycle18，每個cycle消耗的能量都不同，基于移動平均的預測能量為其更新后的主記憶單元的平均值；而基于突發(fā)事件的預測算法識別出cycle12，cycle13和cycle14為突發(fā)事件，并將其存儲于輔助記憶單元，當以cycle15的使用能量作為輸入時，cycle15的使用能量和輔助記憶單元中的數(shù)據(jù)一并寫入主記憶單元，同時輔助記憶單元清零，而預測即為cycle12，cycle13，cycle14和cycle15的平均。

圖11為兩種算法預測能量與實際使用能量的偏差率。如果預測能量Epred小于實際使用的能量Eused，并且動力電池的能量Ebat小于實際使用的能量Eused，則電池的SOC將終結(jié)于SOC低帶波動；如果預測能量Epred大于實際使用的能量Eused，并且動力電池的能量Ebat小于實際使用的能量Eused，則電池的SOC必先經(jīng)過SOC高帶波動。從cycle12到cycle17，兩種算法的預測能量都低于實際使用的能量，使電池的SOC都將終結(jié)于SOC低帶波動。對于cycle18，由于基于突發(fā)事件的預測能量和實際使用能量相等，電池的SOC將先經(jīng)過高帶波動，最終以純電動模式終結(jié)cycle。對于cycle19和cycle20，兩種算法的預測能量都大于實際使用能量，如果實際使用的能量大于電池的能量，則電池的SOC先經(jīng)過高帶波動，然后進入純電動模式直至cycle完結(jié)；如果實際使用的能量小于電池的能量，且電池的能量大于預測能量，則電池的SOC整個cycle都處于純電動模式直至完結(jié)；如果實際使用的能量小于電池的能量，且電池的能量小于預測能量，則電池SOC必經(jīng)過高帶波動，可能終結(jié)于高帶波動或純電動模式。

圖10 兩種能量預測算法的驗證結(jié)果

圖11 兩種算法預測能量與實際能量的偏差率

3 能量管理策略仿真驗證

3.1 循環(huán)工況隨機化模擬

選定中國輕型車輛城市工況CUDC和新歐洲行駛工況NEDC進行仿真驗證。由于ΔEul設定為實際使用能量的10%，而CUDC和NEDC循環(huán)工況±10%的速度變化如圖12和圖13所示，故分別將6種工況在整車模型中運行400km，得到能量消耗隨里程而變化的關系；由于本文中所選cycle為300km，所以CUDC工況±10%的變化相當于±4.5kW·h，NEDC工況±10%的變化相當于±3.7kW·h。

圖12 CUDC工況隨機模擬

圖13 NEDC工況隨機模擬

初始主記憶單元的數(shù)據(jù)設計考慮到NEDC± 10%工況運行300km時的能量波動，如表1所示。考慮到NEDC工況漸增、NEDC工況到CUDC工況突變、CUDC工況漸增、CUDC工況漸減和NEDC工況波動，其表現(xiàn)如表2所示。并控制漸增，漸減，波動在±10%范圍內(nèi)變化。

表1 初始主記憶單元的參照樣本kW·h

基于移動平均和基于突發(fā)事件的預測結(jié)果如圖14所示。圖15為兩種算法預測能量與實際能量的偏差率。兩種預測在行駛工況發(fā)生突變時都存在預測滯后現(xiàn)象?；谝苿悠骄乃惴梢灶A測到初始階段的漸增，而基于突發(fā)事件的則不能。從cycle31到cycle37，兩種預測精確度幾乎相同。對于循環(huán)末期波動的預測，基于移動平均的預測精確度優(yōu)于基于突發(fā)事件的預測。

3.2 基于能量預測分時混動能量管理策略驗證

由圖15中選取cycle30和cycle42預測能量，如表3所示。將其代入所設計的分時混動能量管理策略中，cycle30中電池SOC和發(fā)動機功率分別如圖16和圖17所示，cycle42中電池SOC和發(fā)動機功率變化情況分別如圖18和圖19所示。

圖16 cycle30兩種預測及期望的SOC變化情況

圖17 cycle30兩種預測及期望發(fā)動機功率變化情況

表2 未來cycle的實際使用能量kW·h

圖14 兩種算法的預測結(jié)果

圖15 兩種算法預測能量與實際能量的偏差率

表3 典型對比事件

圖18 cycle42兩種預測及期望的SOC變化情況

圖19 cycle42兩種預測及期望發(fā)動機功率變化情況

功率，使APU再度開啟，最終SOC終結(jié)于低帶波動；由于基于突發(fā)事件的預測能量大于實際消耗的能量，使cycle終結(jié)時，SOC沒有降到其低限值。

4 結(jié)論

(1)對于初始階段的漸增漸變，基于移動平均的算法可預測到初始階段的漸增，而基于突發(fā)事件的則不能，基于移動平均的預測優(yōu)于基于突發(fā)事件的預測。

(2)對于突變，兩種算法都存在預測滯后現(xiàn)象。基于移動平均的預測精度略優(yōu)于基于突發(fā)事件的預測精度。

(3)對于循環(huán)末期的波動與漸變，基于移動平均的預測精度優(yōu)于基于突發(fā)事件的預測精度。

[1] MAGNUSON B，MALLORY M，F(xiàn)ABIEN B，et al.Improving fuel economy of thermostatic control for a series plugin-hybrid electric vehicle using driver prediction[C].SAE Paper 2016－01－1248.

[2] 張昕，王松濤，張欣，等.基于馬爾可夫鏈的混合動力汽車行駛工況預測研究[J].汽車工程，2014，36(10):1216－1236.

[3] BASSETT M，BRODS B，HALL J，et al.GPS based energy management control for plug-in hybrid vehicles[C].SAE Paper 2015－ 01－1226.

[4] 方越棟.基于隨機動力需求預測的并聯(lián)混合動力公交車能量管理策略[D].杭州:浙江大學，2015.

[5] 張賽.燃料電池轎車模型預測控制及能量源混合度優(yōu)化[D].上海:同濟大學，2014.

[6] KARBOWSKI D，PAGERIT S，CALKINS A.Energy consumption prediction of a vehicle along a user-specified real-world trip[C]. EVS26 International Battery，Hybrid and Fuel Cell Electric Vehicle Symposium，2012，Los Angeles，USA:1－12.

[7] QUIGLEY C.The use of vehicle navigation information and prediction of journey characteristics for the optimal control of hybrid and electric vehicles[C].SAE Paper 2011－01－1025.

[8] FENG Tianheng，YANG Lin，GU Qing，et al.A supervisory control strategy for plug-in hybrid electric vehicles based on energy demand prediction and route preview[J].IEEE Transactions on Vehicular Technology，2014，64(5):1691－1700.

[9] CHO B.Control of a hybrid electric vehicle with prediction journey estimation[D].Cranfield University，School of Engineering，2008. [10] DONATEO T，PACELLA D，LAFORGIA D.Development of an energy management strategy for plug-in series hybrid electric vehicle based on the prediction of the future driving cycles by ICT technologies and optimized maps[C].SAE Paper 2011－01－0892.

[11] VOLKAN S，METIN G，SETA B.A novel ECMS and combined cost map approach for high-efficiency series hybrid electric vehicle [J].IEEE Transactions on Vehicular Technology，2011，60(8): 3557－3570.

由圖16和圖17可見，對于cycle30，由于預測能量小于實際使用能量，使兩種預測的控制都在cycle末期出現(xiàn)低帶波動，相對應的發(fā)動機工作次數(shù)和工作時間都會增加。由圖18和圖19可見，對于cycle42由于基于移動平均的預測能量小于實際消耗的能量，在電池SOC達到最低限時，依然存在需求

Part-time Hybrid Energy Management Strategy for Range-extended Electric Vehicle Based on Energy Prediction

Lin Xinyou1，Mo Liping1，Luo Yong2＆Zhang Shaobo1
1.College of Mechanical Engineering and Automation，F(xiàn)uzhou University，F(xiàn)uzhou 350002； 2.Chongqing University of Technology，Key Laboratory of Advanced Manufacturing Technology for Automobile Parts，Ministry of Education，Chongqing 400054

A part-time hybrid energy management strategy based on energy prediction is proposed for rangeextended electric vehicle in this paper.Firstly according to static navigation data，two energy prediction algorithms based on moving average and emergency respectively are devised by utilizing the principle of decision tree algorithm. Then the two prediction algorithms are tested with their features analyzed respectively.Finally，according to historical and future data simulated，the situation of energy use is predicted，the accuracy of prediction is analyzed，and the energy distributions of part-time hybrid energy management strategy with two different prediction algorithms are compared.The results show that moving average-based prediction is better than emergency-based prediction no matter for the gradual increase of SOC in initial stage，its mutation in middle stage or its fluctuation in end stage.

range-extended electric vehicle；energy prediction；part-time hybrid；moving average；emergency

10.19562/j.chinasae.qcgc.2017.04.001

?國家自然科學基金(51505086)、重慶市基礎與前沿研究計劃項目(cstc2013jcyjA60004)和重慶市教委科學技術研究項目(KJ1500927)資助。

原稿收到日期為2016年7月15日。

莫李平，碩士研究生，E-mail:980900094＠qq.com。