采用安全態勢評估的PHEV節能控制策略

高建平,徐振海,雷朝陽,郗建國

(1.河南科技大學車輛與交通工程學院,471003,河南洛陽;2.河南科技大學機械裝備先進制造河南省協同創新中心,471003,河南洛陽)

面對能源危機和環境污染,改變能源使用結構、開發利用新型能源和相關節能技術,以減少對不可再生能源的依賴和環境污染已成為全球發展的共識[1]。發展新能源汽車,從交通和汽車工業的角度帶動并引領能源產業革命是當前汽車技術研究的熱點[2]。插電式混合動力汽車(PHEV)具有比普通混合動力汽車(HEV)更好的經濟性和排放性能,以及比純電動汽車(EV)更長的續駛里程,其控制策略作為保障多動力源協調工作的核心,直接影響整車動力性和經濟性[3]。

PHEV控制策略主要包括基于規則的和基于優化的控制策略,前者包括基于確定規則的和基于模糊規則的策略,后者包括基于全局優化的和基于實時優化的策略[4]。文獻[5]通過基于規則的策略分配發動機和復合電源之間的功率,由模型預測控制(MPC)實現對動力電池與超級電容之間的控制。文獻[6]通過不同車速的電力狀態轉移概率矩陣來預測車輛的用電需求,不僅將動力電池的電量限制在一定范圍內,而且降低了動力電池的峰值和平均充放電功率,降低了復合電源的整體損耗。文獻[7]利用模擬退火粒子群優化算法對HEV能量控制策略進行參數優化以實現最小油耗。隨著智能網聯技術的發展,毫米波雷達等無線傳感技術的可用性和可承受性越來越強,其獲得的駕駛環境數據正在變得可用,為整車控制的進一步優化提供了可能[8]。文獻[9]考慮到路面水平曲率的影響,利用動態規劃推導出不同曲率路面對應的最優恒定速度,以此達到節能的效果。文獻[10]將駕駛行為視為隨機擾動,用等效消耗最小化策略對隨機模型預測控制進行了改進。盡管這些策略在一定程度上改善了PHEV的經濟性,但均依賴于固定標準循環工況,與實際道路行駛存在一定的偏差,并且忽略了前方車輛運動狀態等信息動態時變的影響,而車輛在實際行駛時往往對前方車輛的運行狀態較為敏感,常常根據前車的狀態實時調整車速,因此在車輛節能性方面有待進一步優化。

為了進一步挖掘PHEV的節油能力,本文通過共用多傳感器獲取的駕駛行為特征和車間運動特征,結合模糊推理和數據驅動的方法,對當前行駛情景的安全態勢進行評估,以此得到一個安全態勢量化值。利用由多島遺傳算法(MIGA)和序列二次規劃算法(NLPQL)組成的組合優化算法,以實際道路行駛數據擬合的工況對關鍵控制參數進行優化。依托安全態勢量化值,將車輛行駛情景劃分為4種水平,通過在不同水平對電機進行不同程度的驅動轉矩限制和制動轉矩增大,既可以避免行駛過程中出現較大的加速度,又可以獲得更多的制動能量回收,實現安全性與經濟性的雙重效果提高。

1 基于模糊推理的安全態勢評估

當前大多數安全態勢評估方法通過計算單一的評價參數(碰撞時間TTC、車頭時距THW、碰撞距離DTC等),并與不同級別的默認閾值進行比較來確定其級別[11],而實際行駛過程中,安全態勢主要取決于駕駛員對車輛的操作以及周圍車輛的運行狀態,單一的評價參數無法描述其整個動態變化過程。因此,文中綜合考慮駕駛行為和車間運動特征進行安全態勢評估,如圖1所示,包括安全態勢的在線評估過程和隸屬度函數的離線確定過程。

圖1 安全態勢評估示意圖

若前車不存在或距離較遠時,其運行狀態對后車安全態勢的影響微乎其微,考慮到自適應巡航系統通常將安全時距設定為1.5～2.5 s[12],因此當兩車間的距離超過一定的閾值ds時,其安全態勢的量化值可視為0,此時車輛處于自由行駛模式(FD)。安全態勢評估的一般流程如圖2所示,其中,Ts為默認時距閾值,d0為最小安全距離,文中Ts=2.5 s,d0=4 m。

圖2 安全態勢評估的一般流程

1.1 評價參數的選取

實際行駛過程中,駕駛員的縱向駕駛行為體現在對加速踏板或制動踏板的操作上,以達到其期望的加速度ad,因此文中使用ad作為駕駛行為對當前行駛情景安全態勢影響的評價參數,其計算方式為

(1)

式中:m為整車質量;v為車速;Ta為驅動軸輸出轉矩;Tb為制動轉矩;Rw為車輪滾動半徑;g為重力系數;θ為道路坡度;ρ為空氣密度常數;A為迎風面積;Cd為空氣阻力系數;Cr為滾動阻力系數。

常用于描述車間運動特征的評價參數包括DTC、THW和TTC,計算式為

(2)

模糊推理時,每個變量均可以看作具有S(S≥2)個模糊集合,每個模糊集合表示不同的類別。文中模糊推理系統輸入變量以及輸出變量SS(安全態勢)的模糊集合類別如表1所示。

1.2 隸屬度函數的確定

傳統隸屬度函數確定方法大多依賴專家經驗,

表1 各變量模糊集合類別

在很大程度上受到人為的干擾[14]。模糊聚類確定隸屬度函數的方法是一種基于數據驅動的方法,其目的在于根據樣本數據內部的關聯性與相似性進行模糊聚類,之后利用常用的隸屬函數近似逼近各變量的隸屬度函數,可以有效避免人為因素的影響,因此文中運用模糊聚類法確定隸屬度函數。

1.2.1 建立行駛情景數據庫 由于安全態勢缺乏明確的定義,有必要在特定的駕駛條件下,通過大量的模擬實驗,創建一個行駛情景數據庫并量化安全態勢,以確定各變量的隸屬度函數。PreScan是一種汽車主動安全模擬平臺,可連接至第三方的汽車動力學模型和HIL模擬器/硬件,用于數據采集和自動化測試等活動[15]。文中聯合PreScan、Matlab與駕駛員模擬器以模擬真實的駕駛情景,如圖3所示,8名具有1～5年駕駛經驗的駕駛員進行了模擬實驗。

圖3 數據采集方案示意圖

考慮到模擬過程中行駛情景的數據量相當龐大,文中首先采用K均值聚類算法和平均意見得分法(MOS)對安全態勢進行標注量化,具體步驟如下。

步驟1將行駛數據劃分為N個集合,以集合中心表示整個集合。對于N的取值,較大的N可以更準確地近似安全態勢,但是觀察者無法在短時間內對MOS測試進行量化。反之,當N過低時,MOS測試的結果很平滑,但集合內部的差異性過大,量化的準確性下降。根據文獻[16],N=70能夠在MOS測試中得到合理且精確的量化結果。

步驟2觀察量化安全態勢。本文共征集了27名觀察者的觀察結果,其中,觀察設置如下:平穩跟車,得1分;潛在危險,需要駕駛員謹慎駕駛,得2分;危險行駛,需要駕駛員集中注意力并做好隨時制動的準備,得3分。

步驟3計算安全態勢得分的平均值。考慮到觀察者的駕駛經驗存在一定的差別,文中更注重那些經驗豐富的觀察者所給出的分數,計算式為

(3)

式中:Ski是第i個觀察者給出的第k組的分數;wi是第i個觀察者駕駛經驗的權重,3 a以上取wi=0.5,2～3 a取wi=0.3,1～2 a取wi=0.2。表2為所得到的各類中心和行駛情景安全態勢的量化值。

表2 各變量模糊集合類別

1.2.2 模糊聚類確定隸屬度函數 文中以ad為例,其隸屬度函數的確定過程如下。

(1)模糊聚類。①采用歐幾里得距離法[17]建立樣本間的相似關系。假定ad的數據為(ad,1,ad,2,…,ad,n)T,其中任意兩個元素ad,i與ad,j之間的相似系數為

(4)

式中δ為一個常數,定義如下

(5)

得到一個n維的相似矩陣Rs(rij=R(ad,i,ad,j))。

②計算Rs的模糊等價矩陣Re

(6)

③通過閾值λ得到等價矩陣Re的λ截矩陣Re,λ,并根據Re,λ對ad進行分類。若Re,λ(ad,i,ad,j)=1,則ad,i與ad,j屬于同一類,其中λ∈[0,1],根據分類數確定。

(2)利用三角形隸屬函數近似估計隸屬度函數。假定ad分為K類,即C1,C2,…,CK,其中,第h(1≤h≤K)個模糊集Ch包含Nh個元素。文中需要確定三角形的3個頂點(ah,0)、(bh,1)、(ch,0),計算式如下

(7)

則模糊集合Ch的隸屬度函數

(8)

(3)修正隸屬度函數。在確定C1的隸屬度函數時,通常認為當變量絕對小時,其絕對隸屬于C1,即隸屬度等于1,因此需要對其隸屬度函數進行修正,同樣CK也需要進行修正,修正方式分別如下

(9)

(10)

(a)期望加速度 (b)車頭時矩

(c)碰撞時間倒數 (d)安全態勢圖4 各變量模糊集的隸屬度函數

通過模糊聚類所確定的隸屬度函數如圖4所示,每個模糊集的隸屬函數都存在著明顯的不規則性和不對稱性,其原因在于駕駛員對外界環境感受有所差異,并且對外界環境的反應也具有不對稱性。圖5為模糊推理系統與MOS測試的結果對比,該模糊推理系統與MOS的輸出結果均方根誤差為0.050 8,輸出結果相近。

圖5 模糊推理系統結果與MOS測試結果的比較

2 基于安全態勢的節能控制策略

基于安全態勢評估的PHEV節能控制策略首先以實際工況對關鍵控制參數進行優化,以增強其工況適應性,之后根據安全態勢對電機轉矩進行修正,以避免出現較大的加速并增加制動能量回收,從而提高行駛安全性,并進一步提高整車經濟性。

2.1 關鍵控制參數優化

文中以某單軸并聯式PHEV為研究對象,其系統結構和主要技術參數分別如圖6和表3所示,其控制策略基于電池荷電狀態(SOC)分為電量消耗(CD)階段和電量維持(CS)階段,如表4所示。本文首先利用某城市實際行駛工況(見圖7)以整車綜合

圖6 單軸并聯式PHEV結構簡圖

表3 整車主要參數表

能耗為優化目標,以整車動力性為約束條件,以與能耗關系密切的關鍵控制參數為優化變量進行優化[18]。

圖7 某城市實際行駛工況

整車綜合性能優化模型為

(11)

表4 整車轉矩分配方式

注:SSOC為當前動力電池的SOC;KCD/CS為CD/CS模式切換系數;離合器狀態中0表示斷開,1表示接合;Treq為當前需求轉矩;TM_max為當前電機最大輸出轉矩;TICE_min、TICE_max分別為當前發動機的最小和最大輸出轉矩;TM、TICE分別為分配給電機和發動機的轉矩。

優化的關鍵控制參數包括CD與CS階段的模式切換系數KCD/CS,動力電池SOC的上、下限SSOC,H、SSOC,L,CD和CS階段離合器的結合車速VCD、VCS以及發動機工作轉矩上、下限修正系數EH、EL;動力性約束條件包括以20 km/h速度行駛時的最大爬坡度不小于30%,0到50 km/h的加速時間不大于5 s,0到100 km/h的加速時間不大于14 s,實際車速與期望車速差值的絕對值不大于3 km/h。優化算法選擇由MIGA和NLPQL組成的組合優化算法,優化前期充分發揮MIGA的全局搜索能力,優化后期借助NLPQL快速定位至最優區域,從而實現全局快速尋優,改善優化質量[19]。借助Isight優化平臺(如圖8所示)分別以新標歐洲循環測試(NEDC)工況、聯邦城市運行(FUDS)工況和實際工況對關鍵控制參數進行優化,結果如表5所示。

圖8 Isight組合優化平臺

優化變量FUDS工況NEDC工況實際工況SSOC,H0.9540.9260.893SSOC,L0.3420.3620.374KCD/CS0.4180.4250.442EH0.8930.7830.837EL0.4060.2510.141VCD88.389.684.4VCS30.134.226.8

2.2 電機轉矩修正

根據安全態勢量化值劃分了4種工作模式,通過在不同模式對電機轉矩進行不同程度的修正,以實現安全性與經濟性雙重效果提高,修正方式如下。

(1)自由行駛模式(工作模式1)。當處于自由行駛模式時,不需要考慮前車對自車安全性的影響,因此不對電機的輸出轉矩進行修正,僅輸出原始輸出轉矩,即

TFD=TM

(12)

式中TM為以實際工況優化后的電機輸出轉矩。

(2)平穩跟隨模式(工作模式2)。當處于平穩跟隨模式時,為了避免出現較大的加速度,需要對電機的最大驅動轉矩進行限制,同時根據制動意圖,增大電機的制動轉矩,以獲得更多的制動能量回收,即

(13)

式中:TM_max和TM_min分別為電機的最大驅動轉矩和最大制動轉矩;KD1和KB1分別為平穩跟隨模式的驅動轉矩和制動轉矩的修正系數,其中KD1隨著安全態勢的增大而減小,用于反映不同安全態勢下對驅動轉矩限制的不同程度;KB1隨著安全態勢的增大而增大,以提高制動能量回收。

(3)潛在危險模式(工作模式3)。當處于潛在危險模式時,不僅要避免出現較大的加速度,還要避免急加速的情況發生,也就是說既要限制電機的驅動轉矩,還要限制驅動轉矩的變化率。同時根據制動意圖,增大電機的制動轉矩,以獲得更多的制動能量回收,即

(14)

式中:KD2和KB2的定義分別與KD1和KB1類似,但KD2要比KD1略小,以增大對驅動轉矩的限制程度,并且為了保證在模式切換的過程中驅動轉矩無縫銜接和平滑過渡,KD2與KD1的值在模式切換臨界點需相等,同樣,KB2的值比KB1要略大,并且在模式切換臨界點需相等;a是轉矩變化率的限制參數。

(4)危險行駛模式(工作模式4)。當處于危險行駛模式時,兩車間的碰撞風險較大,自車需要直接切斷動力并進入制動模式,同時根據駕駛員減速意圖,主動增加電機制動轉矩以提高制動能量回收,即

(15)

式中:KB3為危險模式時的制動轉矩修正系數,反映制動能量回收的不同程度,定義與KB1和KB2類似。

3 驗證分析

為了更加準確真實地驗證提出的節能控制策略,采用“虛擬環境+真實控制器+真實駕駛員+虛擬被控對象”的HIL試驗方案,如圖9所示,自車由駕駛員操控,前車工況預先設定,其工況是實時采集的兩個校區(如圖10所示)之間的實際道路工況,如圖11所示,該實際道路工況全程共11.1 km,用時1 619 s。

圖9 HIL試驗方案示意圖

圖10 道路行駛路線

圖11 實際道路行駛工況

(1)關鍵控制參數優化。以上述3種工況優化關鍵控制參數后,試驗過程中動力電池的SOC變化如圖12所示。其中,以實際工況優化關鍵控制參數后的SOC下降更為平緩,原因在于其KCD/CS較大,使得車輛較早地進入CS階段,并且通過限制動力電池的SOC上、下限,使得SOC波動更加頻繁,但仍能保持在一定的范圍內,進入CS階段后,動力電池依然具有充放電的能力,從而可充分利用電能。

圖12 關鍵控制參數優化后的動力電池SOC變化曲線

圖13為以上述3種工況優化后的關鍵控制參數對發動機、驅動電機的轉矩分配結果。其中,以實際工況優化后的關鍵控制參數,其離合器結合轉速較小,使得發動機能夠更早地介入到工作,并且通過修正發動機工作的上下限,可以有效改善發動機轉矩頻繁變化的狀況,發動機工作在相對穩定的區域,使得其更加符合車輛的實際運行情況。

(a)實際工況

(b)FUDS工況

(c)NEDC工況圖13 優化后的關鍵控制參數對轉矩的分配結果

(2)電機轉矩修正。圖14為在以實際工況優化后的關鍵控制參數的基礎上增加電機轉矩修正的控制策略的動力電池SOC變化曲線,通過在不同的行駛情景對電機進行不同程度的驅動轉矩限制或制動轉矩增大,使得其SOC變化趨勢更為平緩。

圖14 有無電機轉矩修正的控制策略的SOC變化曲線

(a)期望加速度ad變化曲線

(b)車頭時距THW變化曲線

(c)碰撞時間倒數變化曲線

(d)安全態勢評估結果及工作模式劃分

(e)電機轉矩修正結果

(f)車速變化曲線圖15 130～230 s的安全態勢評估結果和電機轉矩修正結果

將試驗過程中的能耗換算為百公里的能耗結果如表6所示,可以看出通過實際工況優化關鍵控制參數,使得文中策略較以NEDC或FUDS工況優化后的能耗分別降低了6.69%、5.7%。通過根據安全態勢對電機轉矩進行修正,使得文中策略較以實際工況優化后的能耗降低了2.09%,經濟性得到進一步提高。

表6 試驗過程中的百公里能耗對比

4 結 論

(2)利用MIGA+NLPQL的組合優化算法,分別以NEDC工況、FUDS工況和實際工況對關鍵控制參數進行了優化。同時依托安全態勢量化值對電機轉矩進行了不同程度的驅動限制或制動增大,既有效避免了較大加速度的出現,又增多了制動能量回收。

(3)HIL試驗結果表明:通過實際工況優化關鍵控制參數,使得文中策略較以NEDC或FUDS工況優化后的能耗分別降低了6.69%、5.7%;通過根據安全態勢對電機轉矩修正,文中策略較以實際工況優化后的能耗進一步降低了2.09%,并且對車速控制具有一定的“削峰填谷”作用,從而可實現安全性與經濟性的雙重效果提高。