周 緯, 楊 林, 胡艷青, 周 維, 李中延

(上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院,上海 200240)

數(shù)據(jù)驅(qū)動(dòng)的插電式混合動(dòng)力客車能量管理策略

周 緯, 楊 林, 胡艷青, 周 維, 李中延

(上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院,上海 200240)

針對(duì)插電式混合動(dòng)力公交客車的能量管理優(yōu)化問題,提出了基于龐特里亞金極小值原理的兩類工況片段新特征參數(shù),其中非平衡狀態(tài)特征參數(shù)與轉(zhuǎn)速-扭矩分布相關(guān),平衡狀態(tài)特征參數(shù)與最優(yōu)控制相關(guān),并由此構(gòu)建了行駛工況數(shù)據(jù)庫.針對(duì)影響該類車輛能耗的關(guān)鍵階段——電能平衡階段,通過工況間的相似性,提出了含修正的數(shù)據(jù)驅(qū)動(dòng)的最優(yōu)等價(jià)因子估計(jì)方法,構(gòu)建了數(shù)據(jù)驅(qū)動(dòng)的能量?jī)?yōu)化管理策略.結(jié)果表明,該策略能使不同實(shí)際工況采用的等價(jià)因子和電池荷電狀態(tài)SOC軌跡接近于理論最優(yōu),較目前常用的規(guī)則策略能顯著地提升燃油經(jīng)濟(jì)性約5.72%,較同類研究能克服準(zhǔn)確預(yù)測(cè)車輛未來行駛工況的難題.

混合動(dòng)力公交客車; 能量管理策略; 數(shù)據(jù)驅(qū)動(dòng); 龐特里亞金極小值原理; 特征參數(shù)

近年來,插電式混合動(dòng)力公交客車(plug-in hybrid electric bus,PHEB)得到了快速發(fā)展.目前,PHEB普遍采用“電能消耗-電能維持”的能量管理策略.由于電池能量的限制,PHEB在其一天約200～300 km的行駛里程中,電能消耗階段的純電行駛里程一般僅約50 km.所以,PHEB實(shí)際上主要以電能維持的方式運(yùn)行,優(yōu)化此階段的能量管理策略是提高PHEB燃油經(jīng)濟(jì)性的關(guān)鍵.

在電能維持階段,已有研究中常用的優(yōu)化算法主要包括局部最優(yōu)的等效燃油消耗最小策略(equivalent consumption minimization strategy,ECMS)[1],以及全局最優(yōu)的龐特里亞金極小值原理(Pontryagin’s minimum principle,PMP)[2]和動(dòng)態(tài)規(guī)劃(dynamic programming,DP)等[3].其中,利用PMP和DP雖然能夠獲得最佳的燃油經(jīng)濟(jì)性,但需要預(yù)先知道整個(gè)行駛工況的信息[4].為此,針對(duì)通勤線路行駛工況隨機(jī)性的問題,Ichikawa等[5]通過k均值聚類的方法對(duì)每一路段的車速軌跡進(jìn)行分類,再利用馬爾科夫鏈預(yù)測(cè)下一路段的類別.Larsson等[6]根據(jù)道路上相近時(shí)間的歷史數(shù)據(jù)選擇典型工況,利用DP算法預(yù)先確定適合典型工況的優(yōu)化控制策略.Zeng等[7]采用基于道路片段的隨機(jī)動(dòng)態(tài)規(guī)劃方法,將油耗和電耗看作隨機(jī)變量,通過歷史數(shù)據(jù)估計(jì)兩者的分布.但這些方法只是從統(tǒng)計(jì)的角度使用歷史數(shù)據(jù),沒有充分利用各個(gè)行駛工況隱含的信息,難以針對(duì)實(shí)際工況進(jìn)行自適應(yīng)的優(yōu)化控制.

為此,本文將利用公交線路上車輛運(yùn)行的歷史數(shù)據(jù)構(gòu)建行駛工況數(shù)據(jù)庫,提出基于極小值原理的兩類新的特征參數(shù)來表征工況,并利用相似性原理在線識(shí)別車輛行駛工況,進(jìn)而建立數(shù)據(jù)驅(qū)動(dòng)的方法實(shí)現(xiàn)PHEB在電能平衡階段的能量?jī)?yōu)化管理.

1 基于PMP的能量管理優(yōu)化算法

本文以單軸并聯(lián)式混合動(dòng)力系統(tǒng)的PHEB為例進(jìn)行研究,系統(tǒng)結(jié)構(gòu)如圖1所示,具有純電驅(qū)動(dòng)、并聯(lián)驅(qū)動(dòng)和制動(dòng)能量回收等功能.表1是系統(tǒng)的主要參數(shù).

由于離合器結(jié)合過程中損失的能量遠(yuǎn)小于整車行駛過程中消耗的能量,因此本文在系統(tǒng)建模中忽略該部分能量損耗.在純電驅(qū)動(dòng)和并聯(lián)驅(qū)動(dòng)模式下:

圖1 并聯(lián)式混合動(dòng)力系統(tǒng)結(jié)構(gòu)示意圖Fig.1 System architecture of parallel hybrid electric vehicles表1 動(dòng)力系統(tǒng)部件的主要參數(shù)Tab.1 Power system components parameters

系統(tǒng)部件主要參數(shù)發(fā)動(dòng)機(jī)最大扭矩782N·m,最大功率162kWISG電機(jī)峰值轉(zhuǎn)矩700N·m,額定/峰值功率為50/100kW動(dòng)力電池鈦酸鋰電池,標(biāo)稱電壓489V,標(biāo)稱容量33AhAMT五檔變速箱后橋速比4.875

(1)

式中:nMG,TMG分別為電機(jī)轉(zhuǎn)速和轉(zhuǎn)矩;nICE,TICE分別為發(fā)動(dòng)機(jī)轉(zhuǎn)速和扭矩;n,T分別為驅(qū)動(dòng)車輛所需要的變速箱輸入端的轉(zhuǎn)速和扭矩.

(2)

式中,f1和f2是以實(shí)驗(yàn)數(shù)據(jù)制定的表格為基礎(chǔ)的查表函數(shù).

利用電池內(nèi)阻模型[8]計(jì)算電池電流I和功率PBP:

(3)

(4)

式中,UOC,R分別為電池的開路電壓和內(nèi)阻.

對(duì)于混合動(dòng)力系統(tǒng),在電能平衡階段可以認(rèn)為電池開路電壓和內(nèi)阻為定值[8].由極小值原理可以得到Hamilton函數(shù)為

(5)

式中:x為狀態(tài)變量;t為時(shí)間;u為控制變量;Hlow為燃料的低熱值;λ為拉格朗日乘子.

PHEB燃油消耗取極小值的必要條件為[9]

(6)

(7)

式中:SOC為電池的荷電狀態(tài),是混合動(dòng)力系統(tǒng)的狀態(tài)變量;PBP為混合動(dòng)力系統(tǒng)的控制變量.

根據(jù)Hamilton函數(shù)的形式,可以把拉格朗日乘子看作燃油能量和電能量的等價(jià)因子.由式(6)可見,電能平衡階段能量管理的最優(yōu)解是一個(gè)常量等價(jià)因子.但由于難以準(zhǔn)確獲取未來的行駛工況,該因子無法預(yù)先計(jì)算,應(yīng)用PMP時(shí)需要進(jìn)行自適應(yīng)的調(diào)整[10].

2 數(shù)據(jù)驅(qū)動(dòng)的最優(yōu)等價(jià)因子估計(jì)方法

公交車在公交線路上運(yùn)行時(shí),每天都會(huì)產(chǎn)生大量的行駛過程數(shù)據(jù),這些數(shù)據(jù)隱含著行駛工況的特征信息.通過數(shù)據(jù)驅(qū)動(dòng)的方式,從新的角度合理地分析與利用這些歷史數(shù)據(jù),可以避免從機(jī)理上構(gòu)建精確車輛行駛工況預(yù)測(cè)模型的困難.本文以上海市某條公交線路(共有22個(gè)站點(diǎn),約17 km)為例進(jìn)行研究,通過安裝在公交車上的車載信息采集終端獲取實(shí)時(shí)車速等信息.

2.1 基于PMP的行駛工況特征參數(shù)及數(shù)據(jù)庫

基于行駛工況的相似性進(jìn)行混合動(dòng)力汽車能量管理自適應(yīng)控制是目前較常用的思想[11],如何表征工況是首先需要解決的問題.在已有的研究中,一般采用車速軌跡統(tǒng)計(jì)得到的運(yùn)動(dòng)學(xué)統(tǒng)計(jì)特征參數(shù)(如平均車速等)[12],但這些參數(shù)與整車能耗并不直接相關(guān).考慮到PMP優(yōu)化的等價(jià)因子取決于整車轉(zhuǎn)速-扭矩的分布,所以,本文提出基于PMP計(jì)算的新特征參數(shù).計(jì)算時(shí),采用從起點(diǎn)到每個(gè)站點(diǎn)的路段構(gòu)建工況片段,包含從起點(diǎn)開始的所有工況信息.同時(shí),由于車輛運(yùn)動(dòng)學(xué)特征在先后順序上的差異并不影響最優(yōu)等價(jià)因子,因此該工況片段構(gòu)建方法可包容這種差異,從而減小數(shù)據(jù)庫中工況的數(shù)量.

定義3個(gè)參數(shù)序列:

a. 通過固定等價(jià)因子序列[λ1,λ2,…,λn]和PMP計(jì)算得到的當(dāng)前站點(diǎn)與起點(diǎn)間電池荷電量的變化量序列,即ΔSOC序列:

序列中:λ1～λn均勻分布在某一區(qū)間內(nèi),本文通過試算確定為2.08～2.18;tr=i表示當(dāng)前工況片段所處線路的編號(hào);st=j表示當(dāng)前站點(diǎn)的編號(hào),對(duì)于本文研究線路,j∈[2,3,…,22],j=1代表起點(diǎn)站;序列的個(gè)數(shù)n在下文中確定.

b. 工況片段所處的線路在電池SOC平衡時(shí)的最優(yōu)等價(jià)因子.

λ*|tr=i

c. 工況片段所處的線路根據(jù)最優(yōu)等價(jià)因子計(jì)算得到的每個(gè)站點(diǎn)與起點(diǎn)間的最優(yōu)ΔSOC序列.

其中,第一組參數(shù)序列直接體現(xiàn)了工況片段對(duì)于不同等價(jià)因子的敏感程度,稱為非平衡狀態(tài)特征參數(shù)(第一類特征參數(shù));第二、三組參數(shù)體現(xiàn)了工況片段和電能平衡階段最優(yōu)控制之間的聯(lián)系,稱為平衡狀態(tài)特征參數(shù)(第二類特征參數(shù)).通過這兩類新特征參數(shù),可以構(gòu)建該線路上公交車的行駛工況數(shù)據(jù)庫.

為了檢驗(yàn)非平衡狀態(tài)特征參數(shù)的合理性,可以比較按不同特征參數(shù)構(gòu)建出的相似工況的PMP最優(yōu)等價(jià)因子.將數(shù)據(jù)庫中每條線路拆分成21個(gè)片段,計(jì)算每個(gè)片段的11個(gè)運(yùn)動(dòng)學(xué)統(tǒng)計(jì)特征參數(shù)[13]和非平衡狀態(tài)特征參數(shù)(n=11),對(duì)原始線路按歐氏距離最小的原則逐一從庫中選擇最相似的片段來構(gòu)建工況.任選7條線路對(duì)比(見圖2)可見,非平衡狀態(tài)特征參數(shù)構(gòu)建的相似工況與實(shí)際工況的最優(yōu)等價(jià)因子普遍接近(平均偏差0.003 4),說明該參數(shù)更適合表征轉(zhuǎn)速-扭矩分布.平衡狀態(tài)特征參數(shù)的合理性將在下文進(jìn)行分析.

圖2 特征參數(shù)構(gòu)建的工況與實(shí)際工況的等價(jià)因子Fig.2 Equivalence factor between the real and parameter-based driving conditions

2.2 工況相似性的判斷

實(shí)現(xiàn)基于歷史工況信息的數(shù)據(jù)驅(qū)動(dòng)的PHEB能量?jī)?yōu)化管理,關(guān)鍵點(diǎn)之一在于如何從工況庫中識(shí)別出差異較小的工況片段.本文采用非平衡狀態(tài)特征參數(shù)進(jìn)行工況相似性的判斷,定義等價(jià)因子為λk時(shí),當(dāng)前工況(tr=m)與數(shù)據(jù)庫中某條線路(tr=i)對(duì)應(yīng)工況的“距離”為

(8)

則判斷工況相似的條件為

(9)

式中:δini為初始閾值,在下文討論;δadd=0.001k(k=0,1,2,3,…)為附加閾值.由于數(shù)據(jù)庫中并不一定存在滿足初始閾值條件的相似工況,k應(yīng)在保證有4個(gè)相似工況的前提下盡量小.

2.3 最優(yōu)等價(jià)因子的估計(jì)方法

定義當(dāng)前工況片段和相似工況片段之間的“能耗狀態(tài)差”為

(10)

式中:Um為數(shù)據(jù)庫中與當(dāng)前工況相似的工況集合;ΔSOC|tr=m,st=j為當(dāng)前處于第j個(gè)站點(diǎn)時(shí)的真實(shí)ΔSOC.

假設(shè):對(duì)于公交線路上兩個(gè)非平衡狀態(tài)特征參數(shù)相似的從起點(diǎn)到當(dāng)前站點(diǎn)的工況,若能耗狀態(tài)接近,則它們所在的完整工況的最優(yōu)等價(jià)因子接近.

對(duì)當(dāng)前工況,可在相似工況中選擇能耗狀態(tài)差絕對(duì)值最小的工況進(jìn)行最優(yōu)等價(jià)因子的估計(jì).

(11)

當(dāng)數(shù)據(jù)庫中的樣本較少或者當(dāng)前工況與數(shù)據(jù)庫樣本有一定差異時(shí),只能尋找到極少的相似工況,且能耗狀態(tài)差并不接近于0.但通過對(duì)相似工況集合中能耗狀態(tài)差與對(duì)應(yīng)最優(yōu)等價(jià)因子間的相關(guān)系數(shù)進(jìn)行統(tǒng)計(jì)分析(見圖3),可以發(fā)現(xiàn):

a.由于相似工況片段的最優(yōu)等價(jià)因子越大,越傾向于耗油,最優(yōu)ΔSOC*越大,式(10)定義的能耗狀態(tài)差越低,因此相關(guān)系數(shù)基本為負(fù)值.

b.相關(guān)系數(shù)絕對(duì)值在0.7以上的共占約76%,可以認(rèn)為兩者間存在良好的線性關(guān)系.

圖3 能耗狀態(tài)差與最優(yōu)等價(jià)因子間相關(guān)系數(shù)的分布Fig.3 Distribution of correlation coefficient between the energy consumption status difference and optimal equivalence factor

計(jì)算也發(fā)現(xiàn),對(duì)于單個(gè)工況,不同等價(jià)因子與PMP計(jì)算的ΔSOC在一定范圍內(nèi)總體呈近似線性的關(guān)系.因此,對(duì)于相似工況,最優(yōu)等價(jià)因子和最優(yōu)ΔSOC*之間也存在類似關(guān)系,只是由于工況并非完全相同,線性關(guān)系有一定減弱.故在當(dāng)前站點(diǎn)處,將相似工況最優(yōu)等價(jià)因子和能耗狀態(tài)差近似線性為

(12)

令能耗狀態(tài)差為0,則估計(jì)的最優(yōu)等價(jià)因子為

(13)

為了確定工況相似性判斷的兩個(gè)參數(shù)n和δini,利用數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行測(cè)試.針對(duì)第m條線路數(shù)據(jù),每到達(dá)一個(gè)站點(diǎn)時(shí),利用式(8)和式(9)從數(shù)據(jù)庫剩余線路中選擇相似的工況片段.假設(shè)從起點(diǎn)到當(dāng)前站點(diǎn)一直采用最優(yōu)等價(jià)因子,計(jì)算得到真實(shí)ΔSOC,再根據(jù)式(11)或式(12)進(jìn)行等價(jià)因子的估計(jì),則整條線路(22個(gè)站點(diǎn))等價(jià)因子估計(jì)的誤差為

(14)

數(shù)據(jù)庫中所有l(wèi)條線路等價(jià)因子估計(jì)的平均誤差為

(15)

表2為根據(jù)式(11)估計(jì)等價(jià)因子時(shí)不同參數(shù)組合的平均誤差.可見,當(dāng)n=4,δini=0.005時(shí),既能減少特征參數(shù)的數(shù)量,又能保證平均誤差處于較低的水平(0.006 5),故這是一組合適的參數(shù).而采用這組參數(shù),根據(jù)式(12)估計(jì)的等價(jià)因子平均誤差為ε=0.003 9,減小了約40%.圖4是兩種方法在每個(gè)站點(diǎn)處所有線路估計(jì)的絕對(duì)誤差分布.可見,根據(jù)式(12)估計(jì)的等價(jià)因子絕對(duì)誤差有顯著的減小.這一結(jié)果也驗(yàn)證了前述假設(shè)的合理性.

2.4 能耗狀態(tài)差側(cè)偏時(shí)的最優(yōu)等價(jià)因子估計(jì)修正

在實(shí)際的能量管理策略中,由于之前估計(jì)存在偏差等原因,可能導(dǎo)致能耗狀態(tài)差出現(xiàn)側(cè)偏(即恒大于0或恒小于0)的情況.首先針對(duì)前者進(jìn)行討論.根據(jù)上文的分析,若直接利用擬合的式(12)求能耗狀態(tài)差為0時(shí)的等價(jià)因子,則

(16)

圖4 每個(gè)站點(diǎn)等價(jià)因子估計(jì)的絕對(duì)誤差箱線圖Fig.4 Boxplot of the equivalence factors absolute error at each station

這意味著,當(dāng)真實(shí)ΔSOC大于所有相似工況的最優(yōu)ΔSOC*時(shí),式(12)的估計(jì)方法認(rèn)為通過更大的等價(jià)因子可以實(shí)現(xiàn)SOC的平衡.實(shí)際上,真實(shí)ΔSOC已經(jīng)偏高,更大的等價(jià)因子可能使真實(shí)ΔSOC更高,故此時(shí)需對(duì)式(12)進(jìn)行修正.

從全局和未來的角度考慮(圖5),真實(shí)ΔSOC偏高,意味著未來需要消耗的電量更多,即未來實(shí)際工況與相似工況的能耗狀態(tài)差需要更小(絕對(duì)值更大).因此,對(duì)單個(gè)站點(diǎn)進(jìn)行估計(jì),只需在線性擬合前,對(duì)能耗狀態(tài)差作出修正.定義“修正能耗狀態(tài)差”為

其中,修正值采用最相似工況的能耗狀態(tài)差,即

圖5 等價(jià)因子修正的原理圖Fig.5 Equivalence factor correction principle

對(duì)于能耗狀態(tài)差恒小于0的情況,作相似的處理,修正值小于0;對(duì)于正常的情況,可以認(rèn)為修正值等于0.針對(duì)連續(xù)估計(jì)的過程,需對(duì)修正值進(jìn)行累積,即到達(dá)第j個(gè)站點(diǎn)時(shí),修正能耗狀態(tài)差為

修正后,與最優(yōu)等價(jià)因子線性擬合的結(jié)果為

(20)

取修正能耗狀態(tài)差為0時(shí)的等價(jià)因子作為估計(jì)值,即

(21)

3 數(shù)據(jù)驅(qū)動(dòng)的能量管理策略與測(cè)試

基于前述研究,本文提出的一種數(shù)據(jù)驅(qū)動(dòng)的能量?jī)?yōu)化管理策略及其流程如圖6所示(見下頁).其中,為提高后續(xù)控制中的工況相似性,在車輛到達(dá)終點(diǎn)后,根據(jù)當(dāng)前工況與數(shù)據(jù)庫中已有工況的相似程度進(jìn)行數(shù)據(jù)庫的滾動(dòng)更新,并利用不同等價(jià)因子下的系統(tǒng)最優(yōu)控制MAP計(jì)算工況的兩類特征參數(shù).

圖6 數(shù)據(jù)驅(qū)動(dòng)的能量?jī)?yōu)化管理策略Fig.6 Data-driven optimized energy management strategy

為對(duì)能量管理策略進(jìn)行充分測(cè)試,對(duì)于采集到的93條線路數(shù)據(jù),依次以一條線路作為測(cè)試樣本,其余92條線路構(gòu)成行駛工況數(shù)據(jù)庫,總計(jì)進(jìn)行93條線路的測(cè)試.這樣,在最大化測(cè)試次數(shù)的同時(shí),保證當(dāng)前工況不包含在數(shù)據(jù)庫中.

行程開始時(shí)需要一個(gè)初始的等價(jià)因子.為了檢驗(yàn)修正后的等價(jià)因子估計(jì)方法(式(18)～(21))相對(duì)于修正前的方法(式(12)～(13))是否更有效,設(shè)置SOC初值為0.5,將初始等價(jià)因子設(shè)為待測(cè)工況的最優(yōu)等價(jià)因子(初值最優(yōu)),比較等價(jià)因子估計(jì)誤差(式(14))、SOC終值和SOC軌跡誤差的分布(見圖7和圖8).其中,SOC軌跡誤差為

(22)

式中,SOC*(t)為最優(yōu)的SOC軌跡.

可見,修正后估計(jì)方法的等價(jià)因子估計(jì)誤差小于0.015的比例更多且分布集中,SOC終值更接近于初值0.5,SOC軌跡誤差更接近于0.說明相同的初始等價(jià)因子條件下,修正后的方法能夠獲得更好的估計(jì)結(jié)果.

實(shí)際上,最優(yōu)等價(jià)因子不可能提前獲得,為明確初始等價(jià)因子的影響,將其設(shè)為數(shù)據(jù)庫中最優(yōu)等價(jià)因子的均值2.129 4 (定初值),采用修正后的等價(jià)因子估計(jì)方法,結(jié)果如圖9所示.

圖7 修正前等價(jià)因子估計(jì)方法的結(jié)果(初值最優(yōu))Fig.7 None correction method results (optimal initial value)

圖8 修正后等價(jià)因子估計(jì)方法的結(jié)果(初值最優(yōu))Fig.8 Correction method results (optimal initial value)

圖9 修正后等價(jià)因子估計(jì)方法的結(jié)果(定初值)Fig.9 Correction method results (constant initial value)

比較圖8與圖9可見,定初值修正后估計(jì)方法的等價(jià)因子估計(jì)誤差、SOC終值和SOC軌跡誤差分布稍遜于初值最優(yōu)時(shí)對(duì)應(yīng)的結(jié)果,但總體趨勢(shì)與之相近.說明,雖然初始等價(jià)因子對(duì)控制策略的優(yōu)化存在一定的影響,但本文方法仍能使策略接近于最優(yōu),且能應(yīng)用于PHEB的在線實(shí)時(shí)控制中.

引入基于門限值和發(fā)動(dòng)機(jī)最優(yōu)工作區(qū)間的規(guī)則控制策略作為對(duì)比,結(jié)果如圖10所示,SOC終值和SOC軌跡誤差的分布與等價(jià)因子估計(jì)的方法相比存在明顯差距.與圖9比較,說明本文方法在SOC控制方面明顯優(yōu)于規(guī)則控制策略.

圖10 規(guī)則控制策略的結(jié)果Fig.10 Rule-based control strategy results

將定初值修正后估計(jì)方法中等價(jià)因子估計(jì)誤差最小和最大的2個(gè)行駛工況,與PMP最優(yōu)控制和規(guī)則控制的SOC軌跡相比較,如圖11所示.當(dāng)?shù)葍r(jià)因子估計(jì)誤差較小時(shí),SOC軌跡與最優(yōu)軌跡非常接近(εsoc track=0.001 1);當(dāng)估計(jì)誤差最大時(shí),則存在一定偏差(εsoc track=0.035 1),這主要是由于該工況的最優(yōu)等價(jià)因子較大,而數(shù)據(jù)庫中相似工況較少.但規(guī)則控制策略的SOC軌跡與最優(yōu)軌跡間的偏差普遍較大(εsoc track分別為0.028 4和0.030 1).

圖12是對(duì)93條線路3種控制策略能耗結(jié)果的比較.可見,規(guī)則控制的等效油耗明顯偏高,而定初值修正后等價(jià)因子估計(jì)方法的等效油耗與最優(yōu)控制的結(jié)果非常接近(平均偏差為0.13%),具有良好的節(jié)油效果,并能適應(yīng)不同的行駛工況.經(jīng)統(tǒng)計(jì),與規(guī)則控制策略相比平均節(jié)油5.72%,最大節(jié)油9.93%.

圖11 不同控制策略的SOC軌跡Fig.11 SOC track of different control strategies

圖12 不同控制策略的能耗比較Fig.12 Comparison of energy consumptions between different control strategies

4 結(jié)論

針對(duì)影響插電式混合動(dòng)力公交客車能耗的關(guān)鍵階段——電能平衡階段,本文提出了數(shù)據(jù)驅(qū)動(dòng)的能量?jī)?yōu)化管理策略,通過對(duì)等價(jià)因子的近似最優(yōu)估計(jì),得到的實(shí)際SOC軌跡和等效油耗與PMP計(jì)算的全局最優(yōu)結(jié)果基本接近,且對(duì)于不同的工況具有良好的適應(yīng)能力,較目前常用的規(guī)則控制策略具有明顯優(yōu)勢(shì),可對(duì)不同工況平均降低油耗約5.72%.

a. 采用基于歷史數(shù)據(jù)構(gòu)建行駛工況數(shù)據(jù)庫的方法,從數(shù)據(jù)驅(qū)動(dòng)的角度挖掘歷史工況所蘊(yùn)含的信息,擺脫了對(duì)車輛未來行駛工況數(shù)據(jù)的依賴.

b. 比較常用的由車速軌跡統(tǒng)計(jì)得到的表征工況片段的運(yùn)動(dòng)學(xué)統(tǒng)計(jì)特征參數(shù),提出的基于PMP原理的非平衡狀態(tài)特征參數(shù),可更好地反映工況片段與整車能量消耗(轉(zhuǎn)速-扭矩分布)之間的關(guān)系;提出的平衡狀態(tài)特征參數(shù),可更好地反映工況片段與能量管理最優(yōu)控制之間的關(guān)系.在減少特征參數(shù)數(shù)量的同時(shí),為該類車輛能量?jī)?yōu)化控制提供了新的、更有效的工況特征表征方法.

c. 建立了以工況片段為基礎(chǔ)的數(shù)據(jù)驅(qū)動(dòng)的插電式混合動(dòng)力公交客車能量?jī)?yōu)化管理策略,通過非平衡狀態(tài)特征參數(shù)識(shí)別相似工況,通過平衡狀態(tài)特征參數(shù)進(jìn)行最優(yōu)等價(jià)因子的估計(jì),可對(duì)估計(jì)過程中的偏差作出在線修正,實(shí)現(xiàn)全局近似最優(yōu)的實(shí)時(shí)控制.

[1] 楊超,焦曉紅,李亮,等.面向公交客車應(yīng)用的插電式混合動(dòng)力實(shí)時(shí)優(yōu)化策略研究[J].機(jī)械工程學(xué)報(bào),2015,51(22):111-119.

[2] KIM N,CHA S W,PENG H.Optimal equivalent fuel consumption for hybrid electric vehicles[J].IEEE Transactions on Control Systems Technology,2012,20(3):817-825.

[3] LI L,YANG C,ZHANG Y H,et al.Correctional DP-based energy management strategy of plug-in hybrid electric bus for city-bus route[J].IEEE Transactions on Vehicular Technology,2015,64(7):2792-2803.

[4] 林歆悠,孫冬野,鄧濤.基于極小值原理的混聯(lián)混合動(dòng)力客車能量管理策略優(yōu)化[J].汽車工程,2012,34(10):865-870.

[5] ICHIKAWA S,YOKOI Y,DOKI S,et al.Novel energy management system for hybrid electric vehicles utilizing car navigation over a commuting route[C]∥Proceedings of 2004 IEEE of Intelligent Vehicles Symposium.Parma:IEEE,2004:161-166.

[6] LARSSON V,M?RDH L J,EGARDT B,et al.Commuter route optimized energy management of hybrid electric vehicles[J].IEEE transactions on intelligent transportation systems,2014,15(3):1145-1154.

[7] ZENG X R,WANG J M.A two-level stochastic approach to optimize the energy management strategy for fixed-route hybrid electric vehicles[J].Mechatronics,2016,38:93-102.

[8] KIM N,CHA S,PENG H.Optimal Control of Hybrid Electric Vehicles Based on Pontryagin’s Minimum Principle[J].IEEE Transactions on Control Systems Technology,2011,19(5):1279-1287.

[9] 劉豹,唐萬生.現(xiàn)代控制理論[M].北京:機(jī)械工業(yè)出版社,2000:983.

[10] CHASSE A,SCIARRETTA A,CHAUVIN J.Online optimal control of a parallel hybrid with costate adaptation rule[J].IFAC Proceedings Volumes,2010,43(7):99-104.

[11] HU Y Q,YANG L,YAN B,et al.An online rolling optimal control strategy for commuter hybrid electric vehicles based on driving condition learning and prediction[J].IEEE Transactions on Vehicular Technology,2016,65(6):4312-4327.

[12] 石琴,鄭與波,姜平.基于運(yùn)動(dòng)學(xué)片段的城市道路行駛工況的研究[J].汽車工程,2011,33 (3):256-261.

[13] WANG R,LUKIC S M.Review of driving conditions prediction and driving style recognition based control algorithms for hybrid electric vehicles[C]∥Proceedings of 2011 IEEE Vehicle Power and Propulsion Conference.Chicago,IL:IEEE,2011:1-7.

(編輯:丁紅藝)

Data-Driven Optimal Energy Management Strategy for Plug-in Hybrid Electric Buses

ZHOU Wei, YANG Lin, HU Yanqing, ZHOU Wei, LI Zhongyan

(SchoolofMechanicalEngineering,ShanghaiJiaoTongUniversity,Shanghai200240,China)

Two classes of new characteristic parameters based on Pontryagin’s minimum principle were proposed for the energy management optimization of plug-in hybrid electric buses and were used to build a driving condition database,in which non-equilibrium state characteristic parameters were related to the speed-torque distribution and equilibrium state characteristic parameters were related to the optimal control.A data-driven optimal equivalence factor estimation method with correction capability was also proposed and a data-driven energy management strategy was built through the driving condition similarity in the stage of charge sustaining,which is a key stage for the fuel consumption of buses.The results show that the strategy can make the equivalence factor andSOC(state of change) trajectory of different trips be close to the optimal.The new strategy improves the fuel economy by about 5.72% comparing with the rule-based strategy,and it can overcome the difficulty in accurately predicting future driving conditions.

plug-inhybridelectricbus;energymanagementstrategy;data-driven;Pontryagin’sminimumprinciple;characteristicparameters

1007-6735(2017)03-0241-08

10.13255/j.cnki.jusst.2017.03.007

2017-01-09

國家自然科學(xué)基金資助項(xiàng)目(51275291)

周緯(1992-),男,碩士研究生.研究方向:新能源汽車控制策略.E-mail:zhouweizw1992@163.com

楊林(1969-),男,教授.研究方向:內(nèi)燃機(jī)電子控制、汽車電子技術(shù)等.E-mail:yanglin@sjtu.edu.cn

U 469.7

A