張冰戰(zhàn) 朱昊 康谷峰 李開放 朱茂飛

（1.合肥工業(yè)大學(xué)，合肥 230009；2.汽車技術(shù)與裝備國(guó)家地方聯(lián)合工程研究中心，合肥 230009；3.合肥學(xué)院，合肥 230601）

主題詞：插電式混合動(dòng)力汽車 實(shí)時(shí)交通信息 車速預(yù)測(cè) 能量管理策略 模型預(yù)測(cè)控制

1 前言

插電式混合動(dòng)力汽車（Plug-in Hybrid Electric Vehicle，PHEV）能量管理策略通過(guò)實(shí)現(xiàn)發(fā)動(dòng)機(jī)和電機(jī)功率或轉(zhuǎn)矩的合理分配，提高整車的燃油經(jīng)濟(jì)性，同時(shí)滿足其動(dòng)力需求[1]。在當(dāng)前對(duì)控制策略的研究中，基于規(guī)則的能量管理策略最常使用，但其過(guò)于依賴工程師的開發(fā)經(jīng)驗(yàn)，且對(duì)工況的實(shí)時(shí)適應(yīng)性不足，無(wú)法達(dá)到經(jīng)濟(jì)性最優(yōu)[2]?；趦?yōu)化的管理策略分為全局最優(yōu)和局部最優(yōu)2 種：局部最優(yōu)策略可以實(shí)現(xiàn)瞬時(shí)的最佳經(jīng)濟(jì)性，但無(wú)法保證完整行程內(nèi)經(jīng)濟(jì)性最優(yōu)[3]；全局優(yōu)化策略需要提前確定整個(gè)行駛工況，要求比較嚴(yán)苛[4]。

近年來(lái)，學(xué)者們將研究重點(diǎn)從實(shí)現(xiàn)全局最優(yōu)向預(yù)測(cè)時(shí)域內(nèi)滾動(dòng)優(yōu)化的預(yù)測(cè)控制策略轉(zhuǎn)變，實(shí)現(xiàn)該策略的控制效果需要對(duì)未來(lái)車速進(jìn)行準(zhǔn)確預(yù)測(cè)。楊亞聯(lián)等[5]根據(jù)工況數(shù)據(jù)建立了高階馬爾可夫車速預(yù)測(cè)模型，相比一階馬爾可夫預(yù)測(cè)模型，預(yù)測(cè)精度有所提高，但仍存在模型建立較復(fù)雜、實(shí)用性差等不足。謝浩等[6]采用遺傳算法和粒子群算法對(duì)反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行優(yōu)化，單個(gè)模型預(yù)測(cè)精度得到提高，但基于預(yù)測(cè)結(jié)果仍難以獲得理想的車速擬合結(jié)果。Baker 等[7]對(duì)未來(lái)車速進(jìn)行預(yù)測(cè)時(shí)，以歷史車速信息和經(jīng)度作為輸入，預(yù)測(cè)精度有所提高。連靜等[8]充分考慮了駕駛員對(duì)未來(lái)車速變化趨勢(shì)的影響，預(yù)測(cè)精度有所提高，并將預(yù)測(cè)模型嵌入模型預(yù)測(cè)控制策略。

本文針對(duì)動(dòng)態(tài)規(guī)劃需先確定行程工況的缺點(diǎn)，提出一種結(jié)合實(shí)時(shí)交通數(shù)據(jù)進(jìn)行車速預(yù)測(cè)的方法，以采集到的車速信息和交通流密度信息作為輸入，選擇均方根誤差最小作為目標(biāo)，得到未來(lái)一段時(shí)間內(nèi)的車速，應(yīng)用動(dòng)態(tài)規(guī)劃（Dynamic Programing，DP）方法求出階段性的最優(yōu)解并向后循環(huán)推進(jìn)，進(jìn)而使用基于模型預(yù)測(cè)控制（Model Predictive Control，MPC）的方法完成能量管理策略的搭建。

2 整車模型

2.1 車輛架構(gòu)及參數(shù)

通過(guò)對(duì)PHEV各種架構(gòu)的分析，選用插電式并聯(lián)混合動(dòng)力汽車，驅(qū)動(dòng)系統(tǒng)架構(gòu)如圖1所示。該驅(qū)動(dòng)系統(tǒng)由發(fā)動(dòng)機(jī)、電機(jī)、動(dòng)力電池、轉(zhuǎn)矩耦合器、變速器、主減速器等部件組成。

2.2 關(guān)鍵動(dòng)力部件模型

在ADVISOR/Simulink軟件環(huán)境下，將試驗(yàn)數(shù)據(jù)融入理論建模方法，分別建立發(fā)動(dòng)機(jī)、電機(jī)、電池和整車縱向動(dòng)力學(xué)模型。這種建模方法在提高模型準(zhǔn)確性的同時(shí)可以簡(jiǎn)化建模過(guò)程，為后續(xù)能量管理策略研究奠定基礎(chǔ)[9]。

2.2.1 發(fā)動(dòng)機(jī)模型

本文利用試驗(yàn)獲得的發(fā)動(dòng)機(jī)燃油消耗率等數(shù)據(jù)建立發(fā)動(dòng)機(jī)模型。發(fā)動(dòng)機(jī)燃油消耗率be取決于發(fā)動(dòng)機(jī)的即時(shí)扭矩和轉(zhuǎn)速：

式中，Te為發(fā)動(dòng)機(jī)輸出扭矩；ne為發(fā)動(dòng)機(jī)轉(zhuǎn)速。

根據(jù)三者間關(guān)系得到的發(fā)動(dòng)機(jī)燃油消耗率MAP圖如圖2所示。

圖2 發(fā)動(dòng)機(jī)燃油消耗率MAP圖

發(fā)動(dòng)機(jī)效率為：

式中，b(Te,ne)為發(fā)動(dòng)機(jī)瞬時(shí)燃油消耗率；Hu為燃油熱值。

發(fā)動(dòng)機(jī)效率曲線如圖3所示。

圖3 發(fā)動(dòng)機(jī)效率曲線

2.2.2 電機(jī)模型

在插電式并聯(lián)混合動(dòng)力汽車中，電機(jī)不僅提供驅(qū)動(dòng)力，而且在汽車下長(zhǎng)坡、緊急制動(dòng)等減速工況下可進(jìn)行能量回收。電機(jī)的充放電效率可根據(jù)電機(jī)輸入和輸出功率間的關(guān)系獲得：

式中，nm為電機(jī)轉(zhuǎn)速；Tm為電機(jī)轉(zhuǎn)矩；Im為電機(jī)內(nèi)部電流；Um為電機(jī)內(nèi)部電壓。

Tm>0 時(shí)，電機(jī)作為電動(dòng)機(jī)使用，由式（3）可得電機(jī)的驅(qū)動(dòng)效率，Tm<0 時(shí)，電機(jī)作為發(fā)電機(jī)使用，由式（3）可得電機(jī)的制動(dòng)效率，且驅(qū)動(dòng)效率和制動(dòng)效率關(guān)于轉(zhuǎn)矩為0的直線對(duì)稱。電機(jī)效率曲線如圖4所示。

圖4 電機(jī)效率曲線

2.2.3 動(dòng)力電池模型

本文對(duì)電池組的關(guān)注重點(diǎn)在于其輸入輸出特性，因此在仿真軟件中建立簡(jiǎn)單的內(nèi)阻模型即可。其等效電路如圖5所示。

圖5 電池等效電路示意

電池荷電狀態(tài)（State of Charge，SOC）變化的傳遞公式為：

式中，ISOC,0為電池組荷電狀態(tài)初始值；C為電池容量；ηba為電池充放電效率；Iba為電池內(nèi)部電流。

2.2.4 整車縱向動(dòng)力學(xué)模型

本文針對(duì)PHEV 能量管理策略的研究?jī)H關(guān)注汽車的動(dòng)力性與燃油經(jīng)濟(jì)性，不需要考慮汽車的復(fù)雜受力狀況，只考慮汽車的縱向受力情況，如圖6所示。

圖6 整車縱向受力示意

汽車的行駛動(dòng)力學(xué)方程為：

式中，F(xiàn)t=Tw/r為驅(qū)動(dòng)力；Fw=CDAv2/21.15 為空氣阻力；Ff=mgfcosα為滾動(dòng)阻力；Fj=δm·dv/dt為加速阻力；Fi=mgsinα為坡度阻力；Tw為車輪轉(zhuǎn)矩；r為車輪滾動(dòng)半徑；CD為空氣阻力系數(shù)；A為汽車迎風(fēng)面積；v為車速；m為汽車滿載質(zhì)量；g為重力加速度；f為滾動(dòng)阻力系數(shù)；α為道路坡度角；δ為旋轉(zhuǎn)質(zhì)量換算系數(shù)。

可得汽車行駛過(guò)程中的車輪轉(zhuǎn)矩為：

車輪轉(zhuǎn)速為：

3 基于實(shí)時(shí)交通信息的車速預(yù)測(cè)方法

高精度的車速預(yù)測(cè)可實(shí)現(xiàn)短期預(yù)測(cè)時(shí)域內(nèi)的全局最優(yōu)控制，對(duì)制定高效的PHEV 能量管理策略至關(guān)重要[10]。由于只考慮歷史車速信息作為輸入時(shí)預(yù)測(cè)精度較低，本文在復(fù)雜道路工況基礎(chǔ)上，通過(guò)交通流建模的方式獲取車速、交通流量等實(shí)時(shí)交通信息，將歷史車速和實(shí)時(shí)交通信息結(jié)合進(jìn)行未來(lái)車速的預(yù)測(cè)[11]。

3.1 基于VISSIM的交通流建模

交通路網(wǎng)作為交通運(yùn)行的必要場(chǎng)景，其復(fù)雜度直接影響到車輛與周圍交通環(huán)境的相對(duì)關(guān)系。本文采用VISSIM 實(shí)現(xiàn)交通流模型構(gòu)建，模擬車輛在所建立的交通環(huán)境下的行駛狀態(tài)，獲取實(shí)時(shí)交通信息，為后續(xù)車速預(yù)測(cè)提供數(shù)據(jù)來(lái)源[12]。以合肥工業(yè)大學(xué)屯溪路校區(qū)到翡翠湖校區(qū)之間的實(shí)時(shí)環(huán)境作為對(duì)象，建立城市道路交通網(wǎng)絡(luò)。

考慮到該環(huán)境下多為高架道路行駛，模型中設(shè)定行人不參與交通行為，簡(jiǎn)化建模和數(shù)據(jù)采集的流程。道路總長(zhǎng)約為14 km，其中包括了城市道路、高架道路、十字路口等道路元素，根據(jù)實(shí)際考察設(shè)定了車流量、期望速度、期望加速度、信號(hào)燈切換原則等，具體建模流程圖7所示。

圖7 交通流模型建立流程

考慮到行駛過(guò)程中支路車輛會(huì)向主干道行駛，根據(jù)考察結(jié)果確定主干道不同地點(diǎn)處的支路情況以及支路車流量信息，以此為根據(jù)設(shè)定道路車流量信息，確保模型貼合真實(shí)交通情況，最終建立的路網(wǎng)模型如圖8 所示，箭頭所包括范圍為同一類型道路。其中，城市道路存在交叉路口和道路交匯處，直線段后半部分為高架道路，弧線部分由前半部的高架道路和后半部的城市道路組成，高架道路存在多個(gè)出口，城市道路較為復(fù)雜，存在多個(gè)交叉路口，影響交通流量。

圖8 路網(wǎng)平面圖及部分三維圖

在模型中設(shè)立監(jiān)測(cè)點(diǎn)來(lái)采集不同時(shí)刻的車流密度、車輛平均速度和車輛平均加速度等信息。由于將車流密度定義為100 m范圍內(nèi)的車輛數(shù)量，且要考慮到車道數(shù)以及不同道路情況的影響，將車流密度進(jìn)行規(guī)則化，以-1表示道路暢通，0表示道路車流量正常，1表示道路擁堵。由于設(shè)置路況較為復(fù)雜，收集到的數(shù)據(jù)需要進(jìn)行相應(yīng)處理，得到最終交通信息數(shù)據(jù)集。根據(jù)采集到的數(shù)據(jù)以及數(shù)據(jù)處理結(jié)果，得到仿真結(jié)果如圖9、圖10所示。

圖10 交通流模型車流密度分布

3.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模

在徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)中，在網(wǎng)絡(luò)結(jié)構(gòu)的輸入層存放輸入信號(hào)數(shù)據(jù)的節(jié)點(diǎn)。隱含層的節(jié)點(diǎn)數(shù)量根據(jù)具體需解決的問(wèn)題動(dòng)態(tài)改變，輸出層一般為簡(jiǎn)單的線性函數(shù)，對(duì)輸入模式作出響應(yīng)，RBF隱含層神經(jīng)元模型如圖11所示。

圖11 RBF隱含層神經(jīng)元模型

首先確定輸入和輸出，選用當(dāng)前時(shí)刻的交通流量和車速信息、歷史車速信息作為輸入，以預(yù)測(cè)的車速作為輸出，預(yù)測(cè)復(fù)雜道路情況下的車速情況，再將交通流模型數(shù)據(jù)中70%的數(shù)據(jù)作為樣本進(jìn)行模型訓(xùn)練。最后建立RBF 神經(jīng)網(wǎng)絡(luò)模型，通過(guò)對(duì)實(shí)時(shí)交通信息樣本的學(xué)習(xí)訓(xùn)練，建立基于實(shí)時(shí)交通信息和預(yù)測(cè)車速之間的非線性映射關(guān)系，即車速預(yù)測(cè)模型：

式中，F(xiàn)net為生成的徑向基神經(jīng)網(wǎng)絡(luò)模型；Fnewrbe為構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)函數(shù)；xtrain為輸入的實(shí)時(shí)交通信息向量；ytrain為輸出的未來(lái)預(yù)測(cè)車速向量；sspr為徑向基函數(shù)的擴(kuò)展速度，缺省值為1。

RBF神經(jīng)網(wǎng)絡(luò)車速預(yù)測(cè)模型如圖12所示。

圖12 RBF神經(jīng)網(wǎng)絡(luò)車速預(yù)測(cè)模型示意

3.3 車速預(yù)測(cè)和結(jié)果分析

在RBF 神經(jīng)網(wǎng)絡(luò)車速預(yù)測(cè)模型建立過(guò)程中，發(fā)現(xiàn)影響預(yù)測(cè)結(jié)果的是所選擇的交通信息時(shí)間長(zhǎng)度和sspr，故針對(duì)這2 個(gè)影響因素對(duì)多步預(yù)測(cè)進(jìn)行研究。選定一定時(shí)間長(zhǎng)度范圍的歷史車速和實(shí)時(shí)交通流密度，求出不同時(shí)間長(zhǎng)度下所對(duì)應(yīng)的sspr，通過(guò)訓(xùn)練得到適應(yīng)性強(qiáng)的預(yù)測(cè)模型。其誤差和方差計(jì)算公式為：

式中，e、eRMSE分別為任意時(shí)刻預(yù)測(cè)時(shí)域和整體預(yù)測(cè)過(guò)程的均方根誤差；th、tp分別為預(yù)測(cè)模型的輸入歷史時(shí)長(zhǎng)和預(yù)測(cè)時(shí)域時(shí)長(zhǎng)；vi,p為i時(shí)刻下的預(yù)測(cè)車速；vi,r為i時(shí)刻下的實(shí)際車速；N為預(yù)測(cè)工況的循環(huán)長(zhǎng)度；ej為j時(shí)刻下的預(yù)測(cè)誤差。

綜合分析車速的多步預(yù)測(cè)過(guò)程，考慮到預(yù)測(cè)時(shí)域越長(zhǎng)，預(yù)測(cè)精度越低，經(jīng)過(guò)仿真分析，選取歷史時(shí)長(zhǎng)為10 s，預(yù)測(cè)時(shí)域?yàn)? s進(jìn)行仿真。為了驗(yàn)證該預(yù)測(cè)方法的準(zhǔn)確性，本文對(duì)僅基于歷史車速的傳統(tǒng)車速預(yù)測(cè)方法和基于實(shí)時(shí)交通信息的車速預(yù)測(cè)方法進(jìn)行對(duì)比驗(yàn)證。由于輸入的不同，sspr有所變化，根據(jù)不同的輸入，得到其最優(yōu)值進(jìn)行預(yù)測(cè)，其結(jié)果如圖13所示。

圖13 車速預(yù)測(cè)結(jié)果對(duì)比

由圖13可以看出，在未考慮車輛密度的情況下，僅依賴歷史的實(shí)際車速進(jìn)行預(yù)測(cè)，在車流密度突然變化的情況下，預(yù)測(cè)誤差較大。在第350～650 s 區(qū)間內(nèi)路段車流密度變化，導(dǎo)致車輛加減速時(shí)，結(jié)合車流密度的輸入，基于實(shí)時(shí)交通信息的車速預(yù)測(cè)方法預(yù)測(cè)更為準(zhǔn)確。為對(duì)預(yù)測(cè)結(jié)果進(jìn)行更加合理的評(píng)價(jià)，采用均方根誤差作為指標(biāo)進(jìn)行評(píng)價(jià)，結(jié)果如表1所示，由表1可以看出，相較于僅考慮歷史車速的車速預(yù)測(cè)方法，結(jié)合車流密度的實(shí)時(shí)交通信息的預(yù)測(cè)方法預(yù)測(cè)精度大幅提升，達(dá)到了13.5%。

表1 車速預(yù)測(cè)指標(biāo)

4 基于車速預(yù)測(cè)的能量管理策略

將徑向基神經(jīng)網(wǎng)絡(luò)車速預(yù)測(cè)模型嵌入模型預(yù)測(cè)控制中，制定基于實(shí)時(shí)交通信息的模型預(yù)測(cè)控制（Model Predictive Control based on Traffic，MPCT）能量管理策略，根據(jù)得到的車速預(yù)測(cè)模型預(yù)測(cè)未來(lái)短期內(nèi)的車速信息，利用整車縱向動(dòng)力學(xué)模型求解整車需求轉(zhuǎn)矩，采用動(dòng)態(tài)規(guī)劃算法在一定的約束條件下求解該時(shí)域內(nèi)最優(yōu)電機(jī)轉(zhuǎn)矩序列和最優(yōu)擋位傳動(dòng)比序列；把計(jì)算得到的最優(yōu)控制序列的第1個(gè)值施加給車輛，更新汽車的行駛狀態(tài)，計(jì)算出下一時(shí)刻的SOC；進(jìn)入下一時(shí)刻，再次獲取當(dāng)前實(shí)時(shí)交通信息，預(yù)測(cè)未來(lái)短期的車速信息，校正上一時(shí)刻的預(yù)測(cè)值，進(jìn)行車速預(yù)測(cè)、滾動(dòng)優(yōu)化和反饋校正，直至行程終止。其求解流程如圖14所示。

圖14 基于實(shí)時(shí)交通信息的MPC能量管理策略求解流程

4.1 基于實(shí)時(shí)交通信息的MPC能量管理策略

混合動(dòng)力汽車的能量管理問(wèn)題是在多種約束條件下對(duì)汽車行駛過(guò)程中的功率進(jìn)行合理分配，達(dá)到燃油消耗量最小的典型多階段決策問(wèn)題[13]。本文采用動(dòng)態(tài)規(guī)劃方法對(duì)汽車的能量管理問(wèn)題進(jìn)行優(yōu)化求解，實(shí)現(xiàn)全局最優(yōu)。選擇動(dòng)力電池SOC 作為該動(dòng)態(tài)規(guī)劃方法的狀態(tài)變量，第k階段的狀態(tài)變量表達(dá)式為：

式中，ISOC,k為k階段動(dòng)力電池的荷電狀態(tài)。

PHEV 能量管理策略的目標(biāo)是合理分配發(fā)動(dòng)機(jī)和電機(jī)的轉(zhuǎn)矩，轉(zhuǎn)矩的不同分配情況導(dǎo)致消耗的電量不同[14]。本文選取電機(jī)轉(zhuǎn)矩Tm和變速器擋位Y作為控制變量：

式中，uk為第k階段的控制變量；Tm,k為第k階段電機(jī)輸出轉(zhuǎn)矩；Yk為第k階段變速器擋位。

本文選取每一階段的燃油消耗量作為代價(jià)函數(shù)，行程中總的燃油消耗量為動(dòng)態(tài)規(guī)劃的目標(biāo)函數(shù)：

式中，Qk為第k階段發(fā)動(dòng)機(jī)的燃油消耗量。

在整個(gè)過(guò)程的任一階段，將控制變量作用于整車能量管理系統(tǒng)，電池SOC將會(huì)轉(zhuǎn)變?yōu)橄乱粋€(gè)階段的對(duì)應(yīng)狀態(tài)，將控制變量和狀態(tài)變量代入即可求得動(dòng)態(tài)規(guī)劃方法的狀態(tài)轉(zhuǎn)移方程：

式中，Δt為系統(tǒng)在離散過(guò)程中選擇的時(shí)間的離散度。

相比較于傳統(tǒng)MPC 策略，考慮交通信息的MPC 策略的目標(biāo)在于利用交通信息改善車速預(yù)測(cè)精確度，根據(jù)可靠的未來(lái)車速信息計(jì)算整車的需求轉(zhuǎn)矩，在發(fā)動(dòng)機(jī)和電機(jī)之間進(jìn)行合理功率分配，既能夠滿足行駛需求，也能讓發(fā)動(dòng)機(jī)始終工作在最優(yōu)工作區(qū)域內(nèi)。首先將歷史車速和交通流密度作為車速預(yù)測(cè)模型的輸入，得到預(yù)測(cè)時(shí)域內(nèi)的車速信息，計(jì)算預(yù)測(cè)時(shí)域內(nèi)的整車需求轉(zhuǎn)矩，然后根據(jù)當(dāng)前SOC和整車需求轉(zhuǎn)矩，采用動(dòng)態(tài)規(guī)劃方法求解最優(yōu)的電機(jī)轉(zhuǎn)矩和傳動(dòng)比序列，以此為基礎(chǔ)更新車輛的行駛信息并計(jì)算下一時(shí)刻的SOC，最后進(jìn)入下一時(shí)刻，重復(fù)該過(guò)程，直到結(jié)束。

4.2 動(dòng)態(tài)規(guī)劃方法

預(yù)測(cè)時(shí)域內(nèi)汽車的優(yōu)化控制是一個(gè)非線性有約束的全局優(yōu)化問(wèn)題，選擇SOC 為狀態(tài)變量，電機(jī)輸出轉(zhuǎn)矩和變速器傳動(dòng)比為控制變量，發(fā)動(dòng)機(jī)燃油消耗量作為目標(biāo)函數(shù)，在預(yù)測(cè)時(shí)域[k,k+tp]內(nèi)建立優(yōu)化求解模型：

整車驅(qū)動(dòng)系統(tǒng)各部件都有可行的工作范圍，出于對(duì)這些部件的保護(hù)以及部件本身參數(shù)的限制，需要為其增加一些限制條件：

式中，Tmmin、Tmmax分別為電機(jī)的最小、最大轉(zhuǎn)矩；nmmin、nmmax分別為電機(jī)的最小、最大轉(zhuǎn)速；Temin、Temax分別為發(fā)動(dòng)機(jī)的最小、最大轉(zhuǎn)矩；nemin、nemax分別為發(fā)動(dòng)機(jī)的最小、最大轉(zhuǎn)速；ISOC,min、ISOC,max分別為動(dòng)力電池SOC的最小、最大值；nm,k為第k階段電機(jī)轉(zhuǎn)速；Te,k、ne,k分別為第k階段發(fā)動(dòng)機(jī)轉(zhuǎn)矩、轉(zhuǎn)速；。

預(yù)測(cè)時(shí)域內(nèi)的狀態(tài)轉(zhuǎn)移方程為式（15）。對(duì)于模型預(yù)測(cè)控制系統(tǒng)的第k階段，在預(yù)測(cè)時(shí)域[k,k+tp]內(nèi)，以采用動(dòng)態(tài)規(guī)劃算法求解電機(jī)最優(yōu)轉(zhuǎn)矩序列為例說(shuō)明模型預(yù)測(cè)控制的具體求解過(guò)程[15]，如圖15所示。在預(yù)測(cè)時(shí)域內(nèi)的每一時(shí)刻遍歷求出所有狀態(tài)變量和控制變量的可行解并記錄保存，再根據(jù)初始條件求出該時(shí)域內(nèi)的最優(yōu)控制序列并施加于汽車。

圖15 預(yù)測(cè)時(shí)域內(nèi)的求解過(guò)程

4.3 仿真結(jié)果分析

為驗(yàn)證本文所提出的能量管理策略的有效性，利用MALTAB/Advisor 平臺(tái)進(jìn)行仿真分析。車輛主要參數(shù)如表2所示。

表2 車輛主要參數(shù)

設(shè)定初始SOC為0.7，終止SOC為0.45，輸入的歷史交通信息時(shí)長(zhǎng)為10 s，預(yù)測(cè)時(shí)域?yàn)? s，仿真工況為所采集到的實(shí)際道路工況，將所設(shè)計(jì)的MPCT能量管理策略與基于電量保持-電量消耗（Charge Depletion-Charge Sustaining，CS-CD）的規(guī)則策略、基于動(dòng)態(tài)規(guī)劃的優(yōu)化能量管理策略和基于MPC的能量管理策略進(jìn)行對(duì)比，4種策略的仿真結(jié)果如圖16～圖18所示。

由圖16 可以看出，實(shí)際的車速與目標(biāo)車速基本保持一致，跟隨的車速誤差值在2 km/h 范圍內(nèi)，表明所提出的能量管理策略能夠很好地實(shí)現(xiàn)整車控制功能。

由圖17可以看出：實(shí)際工況前期車輛速度較低，且伴隨著相應(yīng)的減速制動(dòng)情況，基于DP和基于MPC的能量管理策略可有效實(shí)現(xiàn)制動(dòng)能量回收，基于CD-CS 的策略在制動(dòng)能量回收方面效果不理想；隨著工況中期處于高速路段，SOC下降速度變快，基于CD-CS策略對(duì)電量利用率不高，SOC 下降緩慢，其余3 種策略的發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩很大，電機(jī)轉(zhuǎn)矩為負(fù)，處于發(fā)電機(jī)模式，為動(dòng)力電池充電，電池的SOC 出現(xiàn)輕微上升，MPCT 策略的能量回收效率更高；工況后期道路情況復(fù)雜，CD-CS 策略完全依賴于發(fā)動(dòng)機(jī)工作，相比于MPC 策略，MPCT 的策略更多依賴于電動(dòng)機(jī)實(shí)現(xiàn)驅(qū)動(dòng)；在整個(gè)實(shí)時(shí)工況中，DP算法的SOC 終值最低，相比于MPC 策略，MPCT 的策略在電量利用上有所提升，滿足動(dòng)力要求的同時(shí)減少了燃油消耗量，可看出MPCT策略的優(yōu)異性。

圖17 不同策略下的SOC變化曲線

由圖18可以看出，CD-CS策略的燃油消耗量最高，且隨著道路交通復(fù)雜程度變化，其燃油消耗量增加也越多，通過(guò)曲線態(tài)勢(shì)可以看出，MPCT 策略比MPC 策略更優(yōu)異，與DP 策略相接近，前期處于高速道路時(shí)，燃油消耗量基本持平，當(dāng)進(jìn)入市區(qū)道路后，MPCT 策略的燃油消耗量曲線位于MPC策略曲線下方，可見(jiàn)MPCT策略在復(fù)雜道路工況下的能量分配更為優(yōu)異，對(duì)燃油的消耗更少，驗(yàn)證了其有效性。

圖18 不同策略下的燃油消耗曲線

考慮混合動(dòng)力汽車的特性，采用等效燃油消耗方法將電量消耗轉(zhuǎn)換為燃油消耗量，以此作為對(duì)比不同策略下的PHEV 的百公里燃油消耗量的評(píng)價(jià)指標(biāo)。本文選用燃油等效因子進(jìn)行等效燃油消耗量計(jì)算[16]，考慮工況、發(fā)動(dòng)機(jī)和發(fā)電機(jī)效率等因素，選取燃油等效因子為3，即1 L燃油消耗量約對(duì)應(yīng)3 kW·h耗電量，根據(jù)SOC和電池總?cè)萘窟M(jìn)行耗電量與燃油消耗量的轉(zhuǎn)換，計(jì)算百公里燃油消耗量，如表3所示。由表3可以看出，對(duì)于道路實(shí)際工況，CD-CS 策略的百公里等效燃油消耗量最高，DP策略的百公里等效燃油消耗量最低。

表3 不同策略下的燃油消耗量對(duì)比

5 結(jié)束語(yǔ)

本文針對(duì)插電式混合動(dòng)力汽車建立了一種基于實(shí)時(shí)交通信息的MPC 能量管理策略，首先基于VISSIM 軟件搭建了道路交通模型，采集實(shí)時(shí)道路交通信息，建立基于RBF 神經(jīng)網(wǎng)絡(luò)的車速預(yù)測(cè)模型，根據(jù)均方根誤差最小原則選取網(wǎng)絡(luò)參數(shù)，通過(guò)實(shí)時(shí)交通信息與車速數(shù)據(jù)的融合，得到更加精確的車速預(yù)測(cè)結(jié)果，與基于歷史車速信息的車速預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析，驗(yàn)證了該預(yù)測(cè)模型的有效性，同時(shí)驗(yàn)證本文能量管理策略的有效性，在實(shí)時(shí)道路工況下，整車燃油經(jīng)濟(jì)性相比較于MPC 策略提高了9.5%。