周維 梁偉銘 蔡俊 應(yīng)天杏 楊林

（1.上海交通大學(xué)，上海 200240；2.上海汽車集團(tuán)股份有限公司，上海 201804）

主題詞：智能網(wǎng)聯(lián)新能源汽車 能量管理 仿真軟件

1 前言

為解決當(dāng)前汽車帶來的能源危機(jī)、環(huán)境污染、交通擁堵等問題，將新能源汽車（New Energy Vehicle，NEV）與智能網(wǎng)聯(lián)汽車（Intelligent and Connected Vehicle，ICV）特性融為一體的智能網(wǎng)聯(lián)新能源汽車（Intelligent and Con?nected&New Energy Vehicle，IC&NEV）已逐漸成為汽車技術(shù)發(fā)展的焦點(diǎn)[1]?，F(xiàn)有研究已表明，車輛能耗除與車輛動力系統(tǒng)拓?fù)浣Y(jié)構(gòu)、參數(shù)相關(guān)外，還與車輛周圍實(shí)時(shí)交通環(huán)境相關(guān)，基于車路環(huán)境信息的車輛自適應(yīng)能量管理控制策略（Energy Management Strategy,EMS）研究已成為IC&NEV的一項(xiàng)關(guān)鍵技術(shù)。然而，IC&NEV屬于車輛、能源、交通、電子信息、人工智能和控制等多學(xué)科交叉領(lǐng)域，其研究面臨著技術(shù)分散度大、集成難度高等問題[2-3]。針對此問題，研究人員亟需一款I(lǐng)C&NEV能量管理控制策略仿真軟件，以降低實(shí)車道路測試的成本與風(fēng)險(xiǎn)。

根據(jù)側(cè)重內(nèi)容不同，現(xiàn)有與IC&NEV研發(fā)相關(guān)的軟件可分3類：車輛動力系統(tǒng)仿真軟件，如Advisor 2002、AVL Cruise、CarSim和PSAT等[4]，此類軟件由于缺乏對智能交通系統(tǒng)（Intelligent Transportation System，ITS）信息或車聯(lián)網(wǎng)（Vehicle to Everything，V2X）信息的支持，制定出的能量管理控制策略多為規(guī)則策略，若道路環(huán)境工況發(fā)生變化，不能確?？刂撇呗跃邆渥赃m應(yīng)性；ICV仿真軟件，如PreScan、PanoSim、IPG CarMaker等，此類軟件多側(cè)重ICV無人駕駛技術(shù)的研發(fā)，如感知、決策、執(zhí)行等；ITS仿真軟件，如SUMO、VISSIM、S-Paramics、Trans?Modeler、Visum、TransCAD等，此類軟件多側(cè)重于道路拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)、紅綠燈優(yōu)化控制、交通流控制研究等。

可見，能將車輛動力系統(tǒng)信息與ITS/V2X信息進(jìn)行融合研究的仿真軟件較為匱乏。為此，本文基于統(tǒng)一建模語言（Unified Modeling Language，UML）面向?qū)ο缶幊?，采用?chuàng)建者（Builder）設(shè)計(jì)模式，結(jié)合MATLAB、PostgreSQL和SUMO（Simulation of Urban MObility）等軟件，開發(fā)出一款I(lǐng)C&NEV仿真軟件，用于IC&NEV能量管理控制策略研究。

2 IC&NEV仿真軟件設(shè)計(jì)思想

為便于IC&NEV仿真軟件使用及二次開發(fā)、維護(hù)，本文基于UML面向?qū)ο缶幊膛cBuilder設(shè)計(jì)模式進(jìn)行模塊化建模。

2.1 UML面向?qū)ο缶幊?/h3>

面向?qū)ο缶幊淌前讶蝿?wù)分解成相互獨(dú)立的對象（Object），然后通過各對象之間的組合和通信來模擬實(shí)際問題[5]。UML則是一種描述、構(gòu)造和文檔化系統(tǒng)制品的可視化語言。采用UML類圖對程序中各類（對象）進(jìn)行描述，可使軟件易使用、易維護(hù)。

根據(jù)車輛動力系統(tǒng)組成，IC&NEV可分為智能網(wǎng)聯(lián)電動汽車、智能網(wǎng)聯(lián)混合動力汽車、智能網(wǎng)聯(lián)燃料電池電動汽車等。盡管這些車輛動力系統(tǒng)的拓?fù)浣Y(jié)構(gòu)不同，但都是由車身、電機(jī)、動力電池等部件組成，這些部件就是一個個對象，如圖1所示。通過對這些對象的組合，就可構(gòu)造出不同類型的車。此外，這些動力系統(tǒng)各子部件也有多種類型，如電機(jī)可以分為感應(yīng)電機(jī)、永磁同步電機(jī)等。此時(shí)，可對各具體、相似對象的共性屬性（Property）、共性方法（Method）進(jìn)行抽象，形成一個類（Class），如電機(jī)類、動力電池類。

圖1 面向?qū)ο筌囕v動力學(xué)建模思想

2.2 Builder設(shè)計(jì)模式

Builder設(shè)計(jì)模式將一個復(fù)雜對象的構(gòu)建與它的表示分離，使得同樣的構(gòu)建過程可以創(chuàng)建不同的表示。在Builder設(shè)計(jì)模式中[5]，首先需要指揮者（Director）類來指導(dǎo)對象的構(gòu)建過程，其次，需要具體的Builder類，用于制造不同的產(chǎn)品（Product）。在Builder設(shè)計(jì)模式中，Builder為Director提供構(gòu)造產(chǎn)品的抽象接口，該接口使得Director可以隱藏具體產(chǎn)品的表示和內(nèi)部構(gòu)造，同時(shí)也對用戶隱藏了該產(chǎn)品是如何裝配的。

3 IC&NEV仿真軟件具體設(shè)計(jì)

3.1 IC&NEV軟件架構(gòu)設(shè)計(jì)

IC&NEV仿真軟件主要采用SUMO、PostgreSQL、MATLAB進(jìn)行聯(lián)合開發(fā)。其中，SUMO負(fù)責(zé)交通建模，PostgreSQL負(fù)責(zé)構(gòu)建地理信息系統(tǒng)（Geographic Information System，GIS）數(shù)據(jù)庫，MATLAB進(jìn)行車輛動力學(xué)建模與相關(guān)控制算法研究，三者的關(guān)系如圖2所示。在邏輯結(jié)構(gòu)上，該仿真軟件由3層結(jié)構(gòu)組成，如圖3所示。其中，通信接口通過java數(shù)據(jù)庫連接（Java DataBase Connectivity，JDBC）接口獲取 PostgreSQL 的GIS信息，通過TCP/IP接口（即TraCI接口）獲取SUMO中的實(shí)時(shí)ITS、V2X信息。

圖2 IC&NEV仿真軟件組成

圖3 IC&NEV仿真軟件架構(gòu)示意

3.2 智能交通建模

SUMO是一款開源的微觀道路交通仿真軟件[6]。SUMO中有3種常見的交通建模方法[7]：使用XML文件手動建模；采用JOSM軟件，使用OPenStreetMap編輯器創(chuàng)建交通路網(wǎng)文件，相比于手工建模，該方法建模速度快，且與實(shí)際路網(wǎng)較為吻合；使用一些開源交通場景，如Luxemburg、TAPASCologne、Bologna等。

3.3 GIS數(shù)據(jù)庫建立

為便于使用MATLAB對SUMO中的車輛進(jìn)行在線優(yōu)化控制研究，建立交通模型后，本文通過Python編程語言對交通模型中路網(wǎng)等文件數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建路網(wǎng)GIS數(shù)據(jù)庫，具體流程如圖4所示。通過JDBC接口，MATLAB中的車輛動力學(xué)模型很容易獲取到Post?greSQL中的GIS數(shù)據(jù)[8]。

圖4 通過Python創(chuàng)建GIS數(shù)據(jù)庫的流程

3.4 車輛動力學(xué)建模

以動力電池模型構(gòu)建為例，闡述使用UML面向?qū)ο蠼７椒ā?/p>

3.4.1 動力電池基本原理

當(dāng)前，用于整車動力學(xué)建模的動力電池模型可分為準(zhǔn)靜態(tài)模型和動態(tài)模型。

a.準(zhǔn)靜態(tài)模型

Rint模型是當(dāng)前應(yīng)用最為廣泛的動力電池準(zhǔn)靜態(tài)模型，它將動力電池等效為1個理想電壓源與1個電阻串聯(lián)的電路，由基爾霍夫電壓定律可得：

式中，UOC為開路電壓；Ri為動力電池內(nèi)阻；Ub為電池端電壓；Ib為電流。

由式（1）可得：

式中，Pbatt為t時(shí)刻電池的輸出功率。

b.動態(tài)模型

Thevenin模型[9]是當(dāng)前最簡單、實(shí)用的動力電池動態(tài)模型。相比于Rint模型，該模型考慮了電壓在充、放電流激勵下的突變性與漸變性特點(diǎn)。由基爾霍夫電壓和電流定律可得：

式中，R0為歐姆內(nèi)阻；C1、R1分別為極化電容、電阻；UC為極化電阻兩端電壓。

由式（3）可得：

如果電池荷電狀態(tài)（SOC）初始值為SOC(t0)，采用安時(shí)積分法[10]，則當(dāng)前時(shí)刻的SOC為：

式中，η為庫倫效率；Qbatt為電池額定容量。

3.4.2 動力電池UML類圖

由3.4.1節(jié)可知，Rint模型與Thevenin模型具有相同之處，如：共同的屬性，計(jì)算過程中都需要電池開路電壓、額定容量、電流等參數(shù)；共同的方法，都是基于基爾霍夫定律與安時(shí)積分法計(jì)算當(dāng)前SOC。與此同時(shí)，也有不同之處，如：不同的屬性，Thevenin模型需要有極化電阻、電容參數(shù)；不同的方法，Rint模型與Thevenin模型電流計(jì)算公式不同。

針對相同之處，可設(shè)計(jì)Battery基類，來概括這些共有的屬性（如動力電池開路電壓、額定容量等）和共有的方法（如計(jì)算當(dāng)前SOC函數(shù)Cal_Battery_SOC()）。由于不確定具體采用的動力電池模型種類，所以在Battery類中，這些方法都必須是抽象的（Abstract）。在基類Battery中只申明，將定義置于子類Rint與Thevenin中完成，各類之間的關(guān)系如圖5所示。

圖5 動力電池模型UML類圖

3.5 基于Builder設(shè)計(jì)模式的軟件組成

針對當(dāng)前交通系統(tǒng)正處于由非智能網(wǎng)聯(lián)向完全智能網(wǎng)聯(lián)過渡的過程，該軟件平臺設(shè)計(jì)了3種主要研究場景：NEV非智能網(wǎng)聯(lián)下的能量管理優(yōu)化控制研究；基于行駛工況自適應(yīng)的IC&NEV能量管理優(yōu)化控制研究；基于自主模擬駕駛的IC&NEV能量管理優(yōu)化控制研究。圖6所示分別為這3種研究場景下的數(shù)據(jù)計(jì)算流程示意。

由圖6可知，這3種研究場景下的計(jì)算流程都可固定，十分適合采用Builder設(shè)計(jì)模式。圖7所示為基于Builder設(shè)計(jì)模式設(shè)計(jì)出的IC&NEV仿真軟件UML類圖。其中，VehicleTechnician類是Director，用于指導(dǎo)IC&NEV的構(gòu)建過程，VehicleBuilder是抽象的Builder類，在實(shí)際使用中，需要對其具體化，用來定義不同類型的Vehicle，如構(gòu)建電動汽車（Electric Vehicle，EV）類的稱為EVBuilder、構(gòu)建混合動力汽車（Hybrid Electric Vehicle，HEV）類的稱為HEVBuilder。這些類大致相似，但細(xì)節(jié)與具體車輛類型相關(guān)。

圖6 3種不同研究場景的計(jì)算流程

圖8所示為基于Builder的設(shè)計(jì)模式在MATLAB軟件平臺上開發(fā)出的IC&NEV仿真軟件各個類文件的組織結(jié)構(gòu)。其中：PostgreSQL類屬于MATLAB與Post?greSQL的接口函數(shù)；SUMO_TraCI是MATLAB與SUMO進(jìn)行數(shù)據(jù)通信的類，是對A F Acosta、J E Espinosa等人[11]所提供的TraCI4Matlab軟件包進(jìn)行面向?qū)ο蟾膶懚鴣淼摹Ｍㄟ^SUMO_TraCI，MATLAB中的車輛動力學(xué)模型可以實(shí)時(shí)獲取目標(biāo)車在SUMO交通仿真場景中的GPS信息、ITS信息、V2X信息等；與此同時(shí)，也可改變目標(biāo)車的駕駛行為，如車速、車輛變道以及行駛路徑等。

圖7 基于Builder設(shè)計(jì)模式的IC&NEV仿真軟件UML類圖

圖8 MATLAB中IC&NEV仿真軟件各個類文件的組織結(jié)構(gòu)

3.6 基礎(chǔ)算法集成

為便于后續(xù)研發(fā)，該仿真軟件集成了兩個基礎(chǔ)算法，即參數(shù)辨識算法和能量管理優(yōu)化控制算法。

3.6.1 參數(shù)辨識算法

當(dāng)前，參數(shù)辨識方法主要分為經(jīng)典系統(tǒng)辨識方法和現(xiàn)代系統(tǒng)辨識算法[12]。其中，遺傳算法（Genetic Algo?rithm，GA）作為一種現(xiàn)代辨識算法[13]，對全局有較好的辨識精度，被選為本平臺參數(shù)辨識的算法。

3.6.2 能量管理優(yōu)化控制策略算法

動力系統(tǒng)拓?fù)浣Y(jié)構(gòu)與動力系統(tǒng)部件確定后，能量管理控制策略是決定NEV燃油經(jīng)濟(jì)性的關(guān)鍵因素。當(dāng)前，NEV能量管理優(yōu)化控制策略可分為基于規(guī)則的控制策略和基于優(yōu)化算法的控制策略[14]。其中，DP算法[15-16]能指導(dǎo)規(guī)則控制策略的制定，也能作為不同控制策略燃油經(jīng)濟(jì)性的評判基準(zhǔn)。因此，DP算法被選為本平臺能量管理優(yōu)化控制研究的基礎(chǔ)算法。

4 基礎(chǔ)應(yīng)用案例研究

基于該仿真軟件，本文給出3個基礎(chǔ)應(yīng)用案例：動力電池參數(shù)辨識，用于驗(yàn)證模型的準(zhǔn)確性；某燃料電池汽車（Fuel Cell Electric Vehicle，F(xiàn)CEV）能量管理策略全局優(yōu)化，用于驗(yàn)證DP算法對規(guī)則策略制定的指導(dǎo)；某EV軌跡主動優(yōu)化，用于探討車路協(xié)同控制的效果。

4.1 參數(shù)辨識（以動力電池為例）

新能源汽車在運(yùn)行中，由于不同電池組存在制造不一致性、不同程度老化的等問題，導(dǎo)致動力電池實(shí)際參數(shù)與廠家提供的理論數(shù)據(jù)有所偏差。因此，在對車輛進(jìn)行仿真前，需要采集實(shí)車數(shù)據(jù)，對廠家提供的理論數(shù)據(jù)進(jìn)行校核、修正。本文選擇某混合動力汽車動力電池進(jìn)行參數(shù)辨識。

在不考慮溫度影響的條件下，分別選取Rint模型與Thevenin模型采用GA對動力電池參數(shù)進(jìn)行辨識。辨識結(jié)果如圖9所示，其中R模型表示基于廠家提供的理論參數(shù)數(shù)據(jù)采用Rint模型進(jìn)行仿真；GA-R模型表示基于實(shí)車采集的數(shù)據(jù)采用Rint模型進(jìn)行辨識、仿真；GA-RC模型表示基于實(shí)車采集的數(shù)據(jù)采用RC模型進(jìn)行辨識、仿真。

從仿真結(jié)果可看出，GA-R模型與GA-RC模型相比于R模型，仿真結(jié)果均更為接近實(shí)際采集的數(shù)據(jù)?？梢?，經(jīng)過參數(shù)辨識后的模型，其計(jì)算結(jié)果能逼近于實(shí)際數(shù)據(jù)，可較好地反映動力電池的動、靜態(tài)特性。

4.2 能量管理控制策略（以某FCEV為例）

本文選擇某FCEV，其系統(tǒng)拓?fù)浣Y(jié)構(gòu)見文獻(xiàn)[17]，主要參數(shù)如表1所示。結(jié)合該仿真軟件，采用DP算法對其能量管理控制策略進(jìn)行研究。

圖9 實(shí)車采集數(shù)據(jù)與R、GA-R、GA-RC模型對比分析

表1 某FCEV部分參數(shù)

考慮到燃料電池系統(tǒng)（Fuel Cell System，F(xiàn)CS）頻繁啟停會帶來其壽命的衰減，因此，本文選擇FCS常開控制策略?？紤]到FCS功率存在瞬時(shí)特性，建立狀態(tài)空間數(shù)學(xué)方程：

約束條件：

性能指標(biāo)：

式中，N為總的仿真步長；PF為FCS指示功率；U為FCS指令功率；m˙H2為氫氣消耗率；SOCmax、SOCmin分別為最大、最小SOC；Pbatt,max、Pbatt,min分別為電池的最大、最小輸出功率。

計(jì)算結(jié)果如圖10所示。由圖10可知，在NEDC工況下，百公里氫氣消耗為1.332 kg，F(xiàn)CS工作點(diǎn)主要分布在3個區(qū)域：SOC大于平衡時(shí)的數(shù)值時(shí)，F(xiàn)CS工作點(diǎn)分布在7.5 kW附近（區(qū)域A）；SOC小于平衡時(shí)的數(shù)值，而整車需求功率為正時(shí)，F(xiàn)CS工作點(diǎn)分布在14～17.5 kW范圍內(nèi)（區(qū)域B）；SOC小于平衡時(shí)的數(shù)值，且整車處于制動階段時(shí)，F(xiàn)CS工作點(diǎn)分布在12.5 kW附近（區(qū)域C）。據(jù)此，可對NEDC工況下該車輛控制規(guī)則策略進(jìn)行優(yōu)化。

圖10 NEDC工況下SOC軌跡與FCS最優(yōu)工作點(diǎn)分布

4.3 車路協(xié)同優(yōu)化控制（以EV通過紅綠燈路口優(yōu)化為例）

在城市道路上，受紅綠燈間隔性的影響，車輛經(jīng)常不得不在紅綠燈路口頻繁起停，不僅導(dǎo)致車輛能耗增加，甚至還帶來了交通擁堵。隨著V2X、ITS技術(shù)的發(fā)展，車輛可預(yù)知前方車輛信息、前方紅綠燈信息，從而可結(jié)合自身動力系統(tǒng)的特性，對其運(yùn)動軌跡進(jìn)行規(guī)劃，減少車輛在紅綠燈路口的頻繁起停。

基于本軟件平臺，本文對某單電機(jī)、固定擋位的EV通過紅綠燈路口的軌跡行為進(jìn)行優(yōu)化，車輛主要參數(shù)如表2所示。

表2 某EV部分參數(shù)

圖11所示為在SUMO中搭建的虛擬交通場景，設(shè)置了3個紅綠燈。根據(jù)牛頓運(yùn)動定律以及車輛縱向動力學(xué)公式，建立狀態(tài)空間模型：

式中，xh、vh、ah、Ts分別為車輛里程、速度、加速度以及采樣步長。

圖11 SUMO中建立的虛擬交通場景示意

優(yōu)化目標(biāo)為使車輛從Node 0到Node 10所消耗的能量最小，考慮到對時(shí)間的約束，因此性能優(yōu)化指標(biāo)定義為：

式中，tf、w1、w2分別為里程時(shí)間、時(shí)間權(quán)重系數(shù)和能耗權(quán)重系數(shù)。

采用DP算法對式（10）進(jìn)行求解，計(jì)算結(jié)果如圖12所示。由圖12可知，經(jīng)過優(yōu)化的車輛除在第1個紅綠燈路口停車外，在其他路口均順利通行，而沒有優(yōu)化軌跡控制策略的車輛，在3個紅綠燈路口均需停車等待。軌跡優(yōu)化后，該車輛百公里能耗由10.44 kW·h降至7.68 kW·h，節(jié)約了26.5%的能量，而行駛時(shí)間由274 s減少到266 s，節(jié)約了2.92%的行駛時(shí)間。

圖12 EV軌跡優(yōu)化結(jié)果分析

5 結(jié)束語

針對當(dāng)前IC&NEV能量管理優(yōu)化控制研究基礎(chǔ)軟件匱乏問題，本文基于UML面向?qū)ο缶幊?，采用Builder設(shè)計(jì)模式，結(jié)合MATLAB、PostgreSQL、SUMO 3款基礎(chǔ)軟件，開發(fā)出IC&NEV仿真軟件。測試結(jié)果表明，該仿真軟件能夠輔助IC&NEV動力系統(tǒng)優(yōu)化控制研究。

此外，由于采用了UML面向?qū)ο蠼５拈_放、封閉設(shè)計(jì)原則，使得該軟件不僅具備二次開發(fā)能力，還特別適合多車協(xié)同優(yōu)化控制研究?；谠撥浖窈髮?個領(lǐng)域展開深入研究：基于ITS/V2X信息的IC&NEV能量管理優(yōu)化控制策略研究；基于自主模擬駕駛IC&NEV的能量管理優(yōu)化控制研究；從非智能網(wǎng)聯(lián)到完全智能網(wǎng)聯(lián)過渡的不同交通場景中，多車協(xié)同優(yōu)化控制研究。