呂少文 楊立越 金南旭 鄭春花

1(漢陽大學機械設計工程系 安山 15588)

2(中國科學院深圳先進技術研究院集成所 深圳 518055)

1 引 言

目前，能源消耗問題日益凸顯，降低車輛的能量消耗已經(jīng)成為科學研究的熱點之一。隨著智能交通技術的不斷完善，車與車及車與交通設施之間均可實現(xiàn)實時通信，不同車輛的車速和位置都能實時獲取[1-3]。這使得智能網(wǎng)聯(lián)汽車能夠根據(jù)當前的交通狀況主動調整速度，因此運行效率得到顯著提高[4-7]。

一些學者基于智能交通系統(tǒng)對車輛的速度進行了優(yōu)化。Kamal 等[8]根據(jù)道路地形、車輛動力學模型和燃料消耗特性信息，采用模型預測控制(Model Predictive Control，MPC)的方法，對一輛傳統(tǒng)燃油車的經(jīng)濟速度進行了控制。Mahler 等[9]開發(fā)了一種最佳預測性的速度規(guī)劃算法，該算法根據(jù)交通信號燈配時(Signal Phase and Timing，SPAT)信息來降低車輛的能耗。Kamal 等[10]考慮了車輛動力學模型以及 SPAT 信息，采用 MPC 算法對一輛傳統(tǒng)燃油車的速度進行優(yōu)化控制。但是，這些早期研究都是僅對一輛車的速度進行優(yōu)化控制。針對多車的交通場景，已有一些研究采用優(yōu)化類算法對多輛車的車速進行了控制。例如，在城市道路環(huán)境中，HomChaudhuri 等[11]提出了一種基于快速 MPC 的策略，提高了一組智能網(wǎng)聯(lián)汽車的燃油經(jīng)濟性。HomChaudhuri 等[12]和錢立軍等[13]為了提高車輛隊列的燃油效率，利用 MPC 優(yōu)化了智能網(wǎng)聯(lián)混合動力汽車隊列的車速。當交通暢通無阻時，該方法對車輛隊列的速度優(yōu)化效果較好；但當車輛隊列中車輛數(shù)量較多或整個交通相對擁擠時，車輛隊列的速度優(yōu)化會受到嚴重影響。

為了反映車輛的能量消耗，本研究需要準確的能量消耗模型。在多輛車交通場景的研究中，已有研究者[14-16]采用了由經(jīng)驗獲取的關系式作為能量消耗的模型。Li 等[17]、Wu 等[18]和 He 等[19]根據(jù)牽引力方程建立了能量消耗模型，但這些能量消耗模型均不夠具體，不能充分模擬實際的能耗值。在多輛車場景中，為避免車輛之間發(fā)生碰撞，需要考慮車輛間的跟車行為[20]。然而，考慮車輛間的跟車行為，將會使控制方法變得更加復雜。因此，如何在考慮跟車行為的同時，降低控制方法的復雜程度，仍是需要探索的問題。

本研究針對多車交通場景提出一種基于智能交通系統(tǒng)的車輛速度優(yōu)化控制方法。具體地，根據(jù) SPAT 信息以及車輛的能量消耗模型，以降低所有的能量消耗為目標，采用瞬時優(yōu)化的方法，對每一輛車的速度進行優(yōu)化控制。本文的貢獻是：①充分利用 SPAT 信息對每一輛車進行速度優(yōu)化，防止車輛在信號燈前停止，更有利于節(jié)能，且是實時優(yōu)化的，因此計算快、實時性好；②本文方法是依據(jù)完整的電動車動力學模型建立的能量消耗模型，而不是通常用經(jīng)驗獲取的數(shù)學關系式；③通過搭建聯(lián)合仿真平臺，簡化了控制方法，因為聯(lián)合仿真平臺自帶的跟車模型可以自動控制車輛間的安全距離。此外，為驗證本文方法的有效性，將本文方法與 3 個基準方法進行了比較。結果顯示，相比于基準方法 1、基準方法 2 和基準方法 3，本文方法的能量消耗分別降低了 14.32%、9.74%、73.72%，表明其在節(jié)能方面的有效性。

2 車輛能耗模型

車輛能耗模型能描述車輛行駛與車輛能源的消耗關系，本研究使用 Autonomie 軟件的車輛性能分析模型。Autonomie 是由美國阿貢國家實驗室開發(fā)的一款商業(yè)車輛性能分析軟件，所建立的車輛模型具有較高可信度。本研究選取的車輛是純電動車，Autonomie 模型如圖 1 所示，模型中能量流動如圖 2 所示。

由于電器附件的能量消耗與車速關系不大，所以本研究所建立的能量消耗模型未將其考慮在內。當車輛需要加速時，電池提供的能量通過電機和傳動裝置傳遞給車輪；當車輛需要制動時，部分制動力矩通過車輪和傳動裝置傳遞給電機，通過電機的發(fā)電機模式發(fā)電，進而給電池充電。

2.1 車輛需求功率模型

車輛在行駛過程中所需的牽引力如公式(1)所示：

圖1 電動車模型Fig. 1 Electric vehicle model

圖2 能量流動示意圖Fig. 2 Schematic diagram of energy flows in an electric vehicle

其中，F(xiàn)i為車輛的牽引力；i為車輛編號；ai為車輛的加速度； 為滾動阻力系數(shù)，該系數(shù)與車速之間的關系如圖 3 所示。本研究中相關的整車基本參數(shù)如表 1 所示。

2.2 電機模型

電動車行駛過程中電機需要輸出的轉矩如公式(2)～(4)所示：

圖3 滾動阻力系數(shù)Fig. 3 Rolling resistance coefficient

表1 整車基本參數(shù)Table 1 Parameters of the vehicle

由公式(4)和(3)可獲取電機的輸出功率，如公式(5)所示：

圖4 電機效率Fig. 4 Efficiency map of the motor

2.3 電池模型

電池等效電路模型(Equivalent Circuit Model，ECM)具有結構簡化、參數(shù)集中、易于識別、物理含義清晰等優(yōu)點，因此被廣泛用于電池荷電狀態(tài)(SOC)估計[21]。ECM 的結構有多種形式，因此選擇合適的模型結構和準確的模型參數(shù)非常重要[22]。本文采用二階 RC 等效電路模型(圖 5)來模擬電池的工作特性。與其他電池等效電路模型相比，二階 RC 等效電路模型具有更高的準確性[23]。

由于本文研究的是純電動車，電池 SOC 的計算模型可視為電動車的能量消耗模型。電池 SOC 的計算如公式(6)～(12)所示：

圖5 二階 RC 等效電路模型Fig. 5 Second order equivalent circuit diagram of the battery model

表2 電池的基本參數(shù)Table 2 Parameters of the battery

圖6 電池單元的不同變量與 SOC 之間的關系Fig. 6 Relationship between different variables of battery cell and SOC

3 基于智能交通的車輛群體速度優(yōu)化控制方法設計

本研究所提出的基于智能交通的車輛群體速度優(yōu)化控制方法以車輛能量消耗模型為依據(jù)，綜合考慮其他車輛及 SPAT 對車速的影響，通過瞬時優(yōu)化算法實時確定車輛的經(jīng)濟車速。當行駛中的車輛遇到紅色信號燈時，需要減速甚至停車，車輛的頻繁啟停會產(chǎn)生額外能量消耗。從 Vissim 軟件中可以實時讀取車輛的速度、車輛與信號燈等之間的距離以及 SPAT 信息，故可計算出目標速度區(qū)間。當車輛速度維持在速度區(qū)間內時，可以減少車輛停在信號燈前的次數(shù)。但在目標速度區(qū)間中，經(jīng)濟車速的確認需要進一步探討。本研究根據(jù) Autonomie 提供的具體車輛性能模型信息，計算 SOC 的變化量，進而從目標速度區(qū)間中確定經(jīng)濟車速，該過程有利于降低車輛群體能量消耗。另外，由于本研究考慮的是多輛車交通場景，所以本文方法需要考慮跟車行為來避免車輛間發(fā)生碰撞。圖 7 為基于智能交通的車輛群體速度優(yōu)化控制方法示意圖。

圖7 基于智能交通的車輛速度優(yōu)化控制方法示意圖Fig. 7 Schematic diagram of the speed optimization method based on intelligent transportation system

3.1 使用 SPAT 信息計算目標速度區(qū)間

3.2 從目標速度區(qū)間中選擇經(jīng)濟車速

對于本文研究所采用的電動車，當電動車 SOC 保持一個較高的狀態(tài)時，意味著電動車的能量消耗較低。利用電動車能量消耗模型(公式(6))，從實時目標速度區(qū)間中選擇實時經(jīng)濟車速，使電動車實時 SOC 保持最高狀態(tài)。以l為速度步長，對實時的目標速度區(qū)間進行劃分：

根據(jù)能量消耗模型可以發(fā)現(xiàn)，在已知車輛當前行駛速度時，車輛下一時刻選擇不同的車速，對應的能量消耗也是不同的。經(jīng)濟車速由公式(16)計算：

3.3 跟車模型

Vissim 是一種微觀的、基于時間間隔和駕駛行為的仿真建模工具，通常用于城市交通和公共交通運行建模[24]。在研究多輛車仿真場景時，姚佼等[25]和姚榮涵等[26]等利用 Vissim 軟件自帶的 Wiedemann74 跟車模型來控制跟車行為，避免車輛間發(fā)生碰撞。本研究自行搭建了 Vissim/Autonomie 聯(lián)合仿真平臺，利用 Vissim 軟件自帶的 Wiedemann74 跟車模型自動控制車輛間的安全距離，反映車輛間的相互影響，直接降低了研究的工作量[27]。另外，該聯(lián)合仿真平臺既可以考慮多輛車的智能交通場景，又可以建立完整的車輛動力學模型。

其中，d為安全距離；ax為停車時的平均車輛間距(取 2.0 m)；z為隨機因子(取[0,1]，平均值為 0.5、標準差為 0.15 的正態(tài)分布)；bxadd為安全距離附加部分(取 2.0)；bxmult為安全距離倍數(shù)部分(取 3.0)。

4 仿真驗證與分析

本研究搭建了 Vissim/Autonomie 聯(lián)合仿真平臺，并在該仿真平臺上將所提出的方法與 3 個基準方法進行比較，由此驗證其有效性。

4.1 交通場景模型

利用 Vissim 軟件中的 COM(Component Object Model)功能，可以實現(xiàn)車與車通信以及車與交通設施的通信，實現(xiàn)交通場景智能化。本研究所采用的交通場景如圖 8 所示，共包括 5 輛車、4 個十字路口和 4 組信號燈。實驗中，車輛依次駛入路網(wǎng)，并始終在單車道上行駛，最終穿過 4 個十字路口，依次駛離路網(wǎng)[28-29]。這里假設車輛不轉彎，所有車輛的行駛軌跡與圖 8 中的紅色路線保持一致，每輛車的總行駛距離都等于紅色路線長度[30]。其中，5 輛車依次進入路網(wǎng)的時間如表 3 所示。根據(jù)已有報道[12,14-15]對交通場景的描述，本研究所搭建的交通場景具體參數(shù)如表 3 所示。

圖8 交通場景Fig. 8 Traffic scene

4.2 仿真結果與分析

表3 交通場景具體參數(shù)Table 3 Specific parameters of the traffic scene

結合圖 9(a)、(b)、(c)可以看出，車輛停車的次數(shù)基本為 0。這是由于基準方法 1、2 和本文方法都考慮 SPAT，車輛遇到紅色信號燈時會提前控制車速，減少車輛停在信號燈前的次數(shù)。從圖 9(d)可以看出，在基準方法 3 的控制下，每輛車都存在停車現(xiàn)象。這是由于基準方法 3 未考慮 SPAT，只利用 Wiedeman74 跟車模型控制車速，當車輛遇到紅色信號燈時，需要停車。另外，從圖 9 可以看出，1、2 號車的速度軌跡與 3、4、5 號車的速度軌跡有較大區(qū)別。這主要是因為信號燈的影響：①1、2 號車在經(jīng)過第一個信號燈時，車輛可以調整車速順利通過當前信號燈周期的綠色信號燈；②3、4、5 號車在經(jīng)過第一個信號燈時，由于信號燈時間關系，即使車輛調整車速也無法順利通過當前信號燈周期的綠色信號燈，因此只能調整車速順利通過下一個信號燈周期的綠色信號燈。這導致了 1、2 號車的速度軌跡與 3、4、5 號車的速度軌跡有較大區(qū)別。在不同控制方法中，5 輛車的時間-位置關系如圖 10 所示。從圖 10(d)可以看出，基準方法 3 中的 5 輛車在信號燈前有多次停車現(xiàn)象，這是由于基準方法 3 未考慮 SPAT。而圖 10(a)、(b)、(c)中的車輛基本沒有出現(xiàn)在信號燈前停車的現(xiàn)象，這是由于本文方法、基準方法 1、2 都考慮了 SPAT。

圖9 不同控制方法中 5 輛車的速度軌跡Fig. 9 Speed trajectories for different methods

在不同控制方法的控制下，5 輛車的 SOC 軌跡如圖 11 所示?？梢钥闯?，本文方法中每輛車的電池 SOC 都是最高的，這意味著本文方法的能量消耗最少?；鶞史椒?3 中每輛車電池 SOC 都是最低的，這意味著基準方法 3 的能量消耗最多?；鶞史椒?1 和基準方法 2 的電池 SOC 高于基準方法 3，這是由于前兩種方法都考慮了 SPAT，從而降低了車輛停車次數(shù)，避免車輛頻繁的加減速，因此降低了車輛的能量消耗?；鶞史椒?1 和基準方法 2 的電池 SOC 低于本文方法，這是由于本文方法不但考慮了 SPAT，而且根據(jù)車輛能量消耗模型確定了經(jīng)濟車速，進一步降低了車輛的能量消耗。

在仿真結束時，不同的控制方法對應的每輛車電池 SOC 情況如表 4 所示，每種控制方法的仿真結果如表 5 所示?？梢钥闯觯啾扔诨鶞史椒?1、2 和 3，本文方法的能量消耗依次降低 14.32%、9.74%、73.72%。這是由于本文方法不但考慮了 SPAT 信息計算速度區(qū)間，而且考慮了能量消耗模型，選擇經(jīng)濟車速來降低車輛的能量消耗。這表明本文方法在降低能耗方面的有效性。同時，本文方法、基準方法 1、2 的停車時長遠小于基準方法 3，這是由于基準方法 3 未考慮 SPAT。這也表明考慮 SPAT 有利于降低車輛停車時長。另外，從“行駛時間均值”可以看出，本文方法所控制的車輛需要用更長的時間通過整個交通路網(wǎng)。這是由于本文方法只考慮了能耗，并沒有考慮時間成本。

圖10 不同控制方法中 5 輛車的行駛軌跡Fig. 10 Location trajectories for different methods

圖11 不同控制方法中 5 輛車的 SOC 軌跡Fig. 11 SOC trajectories for different methods

表4 不同車輛的電池最終 SOCTable 4 Final battery SOC of different vehicles

表5 不同控制方法的仿真結果Table 5 Simulation results for different control methods

5 討論與分析

本研究提出了一種基于智能交通的車輛速度優(yōu)化控制方法，具有一定優(yōu)勢。首先，與單個車輛的速度優(yōu)化控制研究[8-10]相比，本研究對多個車輛的速度進行了優(yōu)化控制。不僅考慮了周圍的車輛，而且還考慮了 SPAT 對車速的影響，這更具有現(xiàn)實意義。其次，本研究所采用的瞬時優(yōu)化方法計算快、實時性好。再者，多車輛交通場景的研究[11-13]需要考慮車輛間的跟車行為，這會使控制方法變得更加復雜，而本研究建立的 Vissim/Autonomie 仿真平臺自帶跟車模型，可以自動避免車輛發(fā)生碰撞，這簡化了控制方法的實現(xiàn)。最后，與已有研究[14-19]采用根據(jù)經(jīng)驗獲取的能量消耗模型相比，本文采用的是更具體的且經(jīng)過試驗驗證的車輛能耗模型，有利于模擬車輛實際的能耗值。 本文方法的不足之處是只考慮了能耗，并沒有考慮時間成本。如果在能耗的基礎上還考慮時間成本，那么需要在經(jīng)濟車速和最大允許車速之間進行權衡。另外，本文方法的收益之一是減少車輛停在信號燈前的次數(shù)，而純電動車在怠速時基本沒有能量消耗，所以節(jié)能效果存在一定折扣。燃油車在怠速時會產(chǎn)生能耗，因此將本文方法應用于燃油車，節(jié)能效果應該更加顯著。

6 結 論

本文以多智能網(wǎng)聯(lián)汽車的交通場景為研究對象，以降低車輛停車次數(shù)和能耗為目標，提出了基于智能交通的車輛速度優(yōu)化控制方法。本文方法以車輛的能量消耗模型為依據(jù)，綜合考慮其他車輛以及 SPAT 對車速的影響，通過瞬時優(yōu)化算法實時地確定車輛的經(jīng)濟車速。為驗證本文方法的有效性，搭建了 3 個基準方法，并在 Vissim/Autonomie 聯(lián)合仿真平臺上對幾種方法進行對比驗證。結果顯示，與基準方法 1、2 和 3 相比，本文方法能耗分別降低了 14.32%、9.74%、73.72%，驗證了其在節(jié)能方面的有效性。