基于前车运动的电动汽车智能节能控制策略(中文)

基于前车运动的电动汽车智能节能控制策略

abstract

现有的电动汽车驾驶辅助系统中，车载前向雷达主要用于主动安全控制，很少用于节能控制。 为了提高电动汽车的能源效率，提出一种基于前向雷达检测前车运动的电动汽车节能控制策略。 该策略采用了由三层组成的分层控制架构。 在上层，根据行车安全评估，将车辆的相对运动状态分为四种不同的场景。 中间层根据场景分类设计节能模式决策和过渡控制策略。 在底层，提出了电机的扭矩优化和协调控制策略，以提高能源效率，同时保证行驶安全性和乘坐舒适性。 基于模型预测控制（MPC）理论的优化控制算法旨在实时优化每种模式下的电机扭矩。 最后，我们提出的节能控制策略应用于电动公交车。 通过仿真和实验测试验证了所设计的节能控制策略的有效性。 结果表明，所提出的策略能够显着降低城市道路条件下电动汽车的能耗。

1. Introduction

近年来，新能源汽车受到汽车制造商和研究人员的广泛关注。 电动汽车是解决化石能源枯竭和车辆排放问题的一种有前途的解决方案[1]。 然而，考虑到目前电动汽车的电池存储容量不足，驾驶者担心没电的现象，即所谓的“里程焦虑”，是电动汽车广泛应用和未来发展的一大障碍。 汽车。 延长电动汽车的续驶里程已成为一项重大挑战。 因此，有效的节能策略对于提高电动汽车的能源效率和续驶里程至关重要。
以往的研究表明，快速加速或快速减速等激进的驾驶操作是高耗能行为[2]。 因此，车辆速度优化和最优速度控制是节能控制的重点研究领域。 巴特等人。 提出了一种动态驾驶策略，利用车辆的位置和实时交通信息，包括路段的平均速度和服务水平，来确定指定车辆的速度，从而减少频繁的加速或减速。 他们的结果表明，这种策略可以减少 10%–20% 的能源消耗 [3]。 格罗萨德等人。 采用类似的方法设计了电动汽车辅助驱动系统，确定并为车辆提供相应的行驶速度，也取得了理想的节能效果[4]。 Kuriyama和Miyatake将最优控制模型引入到节能驾驶辅助控制中。 在一定的道路和交通条件下，以能源消耗总量为规划目标，建立最优控制模型。 该方法求解出车辆在每一时刻的最优速度，从而绘制出最优速度曲线，为车辆在一定条件下的运行提供指导[5,6]。 门辛等人。 以车辆速度和加速度为控制变量，得到节能行驶曲线[7]。 莱恩等人。 利用控制分配在不同电机之间分配扭矩，以维持车辆运动并实现能源效率的提高[8]。 Nandi 使用多目标优化方法提出了一种舒适且最优的驾驶策略[9]。 类似的方法应用于混合动力电动汽车或分布式电动汽车并实现了多目标优化[10-13]。 可见，节能控制策略是电动汽车领域的研究热点之一。 尽管之前的努力，这些节能控制策略并未充分考虑交通环境的动态时变信息，例如前车的运动。 此外，智能电动汽车中的车载传感器，如前向雷达等，并未用于电动汽车的制动能量回收，因此仍有较大的节能潜力。
近年来，随着智能交通系统（ITS）和通信技术的发展，基于交通信息的车辆节能控制受到广泛关注，包括V2V和V2I通信、GIS和GPS等。 车辆运动和道路地形轮廓。 从 ITS 获得的信息可用于在燃油效率 [14]、车辆动态性能 [15] 和行驶稳定性/安全性 [16] 方面优化车辆控制。 引入了一种基于前方地形轮廓预览的节能控制策略，以优化前后电机之间的扭矩分配，作为节能的方法[17,18]。 郑等人。 提出了一种用于纯电动汽车节能的预测驾驶控制策略[19]。 基于V2I技术，连续交叉路口的最优速度策略有助于降低能耗。 罗等人。 提出一种基于遗传算法的最优车速咨询方法，仿真结果表明，该策略在降低能耗和路口通过时间方面具有显着优势[20]。 基于V2V技术，利用前车的运动信息来提高能源效率[21,22]。 贝叶斯网络用于预测前方车辆的未来运动并优化电动汽车的速度和功率输出[23-26]。 然而，这些技术的节能效果取决于外部通信设施或设备。 现有节能技术的主要缺点概括如下：没有充分考虑交通环境的动态时变信息，例如前车的运动。 尽管最近的许多研究都考虑了前车，但由于过度依赖外部通信设施，成本过高，且难以在短时间内得到应用。
为了进一步挖掘智能电动汽车的节能潜力，寻求一种基于现有车辆传感器的、经济有效的提高能源效率的方法，本文提出了一种电动汽车智能节能控制器（IEC）。 本文的主要贡献总结如下：我们提出了一种基于车载雷达检测前车运动的电动汽车智能节能控制策略，该策略最初用于车辆的主动安全。 为了在兼顾驾驶安全和驾驶意图的同时实现电动汽车节能的目标，根据驾驶场景分类设计了IEC模式决策和过渡控制策略。 为了实时优化电机各模式下的扭矩，设计了基于模型预测控制（MPC）理论的优化控制算法。 该方法充分考虑了能源效率、驾驶安全和驾驶意图等目标，并保证了IEC的实时性。
本文的其余部分组织如下：第二部分介绍了针对前行车辆运动的IEC系统的体系结构。 第三部分详细介绍了节能控制策略。 第四部分展示了Matlab/Simulink环境下的仿真结果。 第五部分给出了验证我们提出的 IEC 系统有效性的实验结果。 最后，第六部分得出结论。

2. Architecture of IEC system

IEC系统采用[27]中的分层控制架构，由三层组成，如图1所示。

上层为场景分析层，根据本车与前车的相对运动来评估行车安全。以安全距离和 IEC的工作范围作为场景分类的基础。 此外，还根据IEC开关、当前档位、加速踏板行程、制动踏板行程、转向灯和车辆横摆率等因素来识别驾驶员的意图。 驾驶意图用于确定是否应该打开或退出IEC。
在中间层，我们开发模式决策和转换控制策略。 根据雷达获取的本车与前车的相对距离和速度，将驾驶场景分为远距离开、远距接近、近距离开和近距接近四种状态，其中 远距离和近距离的分界线就是安全距离。 这四种状态分别对应四种节能模式。 根据本车和前车的运动状态进行模式转换。
最底层是扭矩控制层，设计优化规则和协调控制算法来优化各模式下的电机扭矩。 设计基于MPC方法的优化控制算法，以实现能源效率、行驶安全性和乘坐舒适性的目标。 设计电机扭矩优化规则，优化不同模式下的扭矩，增加制动能量回收。 该方法旨在保证IEC的实时性。

3. Energy-saving control strategy

3.1. Mode decision and transition control strategy based on scenario analysis

3.1.1. The classification of driving scenarios based on assessment of driving safety

驾驶安全评估是场景分类的重要依据，也是模式决策的前提。 本文采用车头时距（THW）来评估行车安全水平。 THW定义为两辆车经过同一地点的时间间隔，代表本车驾驶员在前车紧急制动时的最大反应时间。 基于THW的最小安全间距模型为

考虑驾驶员预警时间和制动减速度，建立最小安全间距模型为

考虑前车紧急制动，建立两车安全间距模型为

为了保证行车安全，安全距离 $d_s$ 应取式(1)~(3)中的最大值，表达式为

类似地，建立IEC的工作范围模型为

根据公式 (4) 和公式 (5) 得出安全距离和工作范围，将驾驶场景分为四种状态：远距离离开、远距离接近、近距离离开和近距离接近。 这四种场景分别对应四种模式，如图2 所示。

3.1.2. Mode transition control based on scenarios classification

如图3 所示，根据场景分类建立模式转换的逻辑关系。 区分远距离场景和近距离场景的条件是 $d_r>d_s$。 然而，为了防止频繁转换，在实际转换条件中引入了缓冲区。 当 $d_r>d_s+d_1$ 时，从远距离模式（包括模式1和模式2）切换到近距模式（包括模式3和模式4）。当$d_r<d_s-d_2$ 时，从远距离模式切换到近距离模式。 类似地，当 $v_r>$