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 $v_r>v_1$ 时，为接近模式（包括模式2和模式4），当 $v_r<v_2$ 时，将远离模式切换为接近模式（包括模式1和模式3）。

3.1.3. Open and Exit of IEC based on driving intention

IEC遵循的前提和原则包括：考虑驾驶员意图、不干扰驾驶员操作、保证行车安全。 因此，是否激活 IEC 取决于驾驶员的意图和自我车辆的状态。 驾驶员的意图可以通过IEC开关位置、加速踏板行程、制动踏板行程和转向指示灯开关位置来识别。 自车状态包含当前档位、车速、横摆率、系统故障信息等。为了满足驾驶员的意图，IEC在其开关关闭时会退出，变速器档位置于自动档位。 非前进位置，或油门踏板行程大于设定阈值。 为防止干扰驾驶员操作，确保行车安全，当转弯灯亮、车辆转弯或变道或发生故障时，IEC将退出。 由此，建立了打开和退出IEC系统的公式为

3.2. Control method of motor’s torque

为了在保证实时性的同时考虑控制的最优性，提出了一种将优化规则与MPC方法相结合的优化转矩控制算法。 基于本车与前车的相对运动，设计了各模式下的扭矩优化规则。 利用MPC算法生成各模式下电机扭矩的优化系数，并利用该方法实时优化电机扭矩。

3.2.1. Control algorithm of vehicle-following movement based on MPC

(1) Dynamic modeling of vehicle-following system
跟驰系统动力学模型由本车纵向动力学模型和本车与前车相对运动运动学模型组成。 车辆纵向动力学简化模型为

采用频率响应法[28]辨识车辆纵向动态特性时，可得到如下传递函数：

本车与前车之间的运动学关系为

将相对运动运动学模型与车辆纵向动力学模型相结合，可以建立统一的跟驰系统纵向动力学模型：

系统状态变量定义为 $x=[d_r,v_r,a{]}^T$，定义受控变量为 $u=a_{des}$，则跟驰系统的纵向动力学模型为


represents interference input(代表干扰输入)。
进一步，由(11)式可得离散化方程为


表示离散状态方程的系数矩阵，$\eta (k)$ 表示当前时刻的干扰输入。
当忽略干扰输出时，系统输出为

(2) Cost function and constraint condition design
跟车控制算法的设计目标是行车安全、能源效率和乘坐舒适性。 一般情况下，驾驶员仅对跟随前车过程中较大的跟踪偏差做出反应，因此采用2-范数来量化指标[29]。 以相对距离误差和速度误差作为安全指标。 令 $w_d、w_v$ 分别表示距离和速度偏差的权重系数，则安全目标 $L_t$ 设计为

其中，$d_{des}=\tau \cdot v+d_0$ 表示所需的安全距离。
电动汽车的瞬时能耗随着加速度的增加而增加，因此采用纵向加速度作为能效指标。 则能量效率目标 $L_e$ 设计为

备注：可能不能这么简单的计算，纵向加速度不能作为能效指标，有些情况下大加速度对应的扭矩可能更节能，最多也就是舒适性的指标

乘坐舒适性的目标取决于驾驶员的感觉，包括驾驶员期望的距离和纵向加速度。 因此，约束条件设计为


表示状态变量的每个参数的最小值和最大值。
采用线性加权求和的方法，将多目标问题转化为具有多种指标的单目标问题。 成本函数表示为

(3) Solution to the predicted problem
首先，令 $k$ 和 $i$ 分别表示当前时间和预测时间增量，则建立跟车系统的预测模型为

不失一般性，令P表示预测时域的长度，式(18)可描述为


其次，将预测时域的所有代价函数通过线性加权转化为预测型，得到如下结果：


再次，将约束条件扩展到整个预测时域，转化为预测型。 由此得到式(21)：

最后，根据（19）和（20）建立了预测优化问题的二次规划，如式（19）所示。 (22)，这个问题可以通过Active Set Method [30]来解决。

3.2.2. Optimization rules of motor’s torque in each mode

电机扭矩的优化规则是IEC的关键步骤。 电机在各模式下的驱动和制动扭矩分别进行优化，实现节能。 为了保证驾驶安全并充分考虑驾驶意图，针对不同模式制定了不同的扭矩优化规则。
在待机模式下，电机的扭矩不受限制，仅输出原来需要的扭矩。

在远距离离开模式下，最大驱动扭矩受到部分限制，以避免不必要的大加速度。 当所需扭矩为负时，根据驾驶员的减速意图和安全情况增加电机制动。 电机转矩优化规则为

其中，$T_{max}$ 和 $T_{min}$ 分别是电机的最大驱动扭矩和最大制动扭矩，其值取决于电机的速度和电池组的充电状态。
远距离场景下的安全系数定义为 $C_f=(d_r-d_s)/(d_m-d_s)$，以量化远距离场景下两辆车的相对接近程度。 $K_{FD}$ 是远距离模式下驱动扭矩的修正系数，定义为 $C_f$ 的函数，以反映不同距离下对扭矩的不同限制程度。 $K_{LB}$ 是远距离模式下制动力矩的修正系数，定义为 $C_f$ 和制动踏板行程 $\beta$ 的函数，以反映不同相对距离和制动意图下电机制动的不同比例。 当 $\beta =0$ 时，$K_{LB}$ 成为滑行制动扭矩系数。 随着相对距离的减小，制动力矩增大，提高制动能量回收。
在远距离接近模式下，最大驱动扭矩会部分降低，以避免不必要的大加速度。 同时，限制扭矩的变化率，避免快速加速。 当所需扭矩为负时，根据驾驶员的减速意图和安全情况提前添加电机制动。 电机转矩优化规则为

其中，$K_{TC}$ 表示碰撞时间系数（TTC），定义为TTC的分段线性函数，用于量化驾驶的安全状况。 $K_{AB}$ 表示接近模式下制动力矩的修正系数，其含义与 $K_{LB}$ 类似。 为了实现更多的制动能量回收，$K_{AB}$ 的值设计得比 $K_{LB}$ 大。 $T_{cr}$ 代表扭矩变化率的极限，根据驾驶习惯设定。
在近距离离开模式下，最大驱动扭矩和扭矩输出的变化率受到部分限制，以避免不必要的大而快速的加速。 当所需扭矩为负时，根据驾驶员的减速意图和安全情况提前添加电机制动。 电机转矩优化规则为

其中，$K_{ND}$ 是近距离模式下驱动扭矩的修正系数，遵循由 $C_n$ 组成的分段线性函数。 $C_n$ 为近距离模式下的安全系数，定义为$C_n=d_r/d_s$，用于量化近距离模式下两辆车的相对接近程度。 $K_{ND}$ 用来反映近距离模式下不同距离电机扭矩的不同限制程度。 当 $C_n=1$ 时，$K_{ND}$ 设计与 $K_{FD}$ 相同，保证模式转换过程中扭矩的无缝连接和平滑过渡。 $K_{TS}$ 表示安全空间时间系数（TTS），定义为TTS的分段线性函数，用于量化近距离离开场景下的驾驶安全性。 TTS 定义为 $TTS=(d_s-d_r)/v_r$。

近距离接近模式下，四种场景中碰撞风险最大，因此直接切断电源并切换至制动模式。 同时，根据驾驶员的减速意图和安全情况提前添加电机制动。 上述设计机制的实施是为了在确保安全的同时增加能量回收。 电机转矩优化规则为

3.2.3. Extraction of torque optimization coefficients

扭矩优化系数的提取如图4 所示。基于MPC算法，建立了MPC控制器，并将其集成到电动汽车跟车运动仿真平台中。 根据本车与前车的相对运动，建立两车相对运动场景模型。 基于MPC可以计算出最佳扭矩，同时考虑行车安全和能源效率。 然后根据车辆相对运动状态与MPC控制器计算出的最优扭矩之间的关系，提取并拟合电机扭矩的优化系数。

4. Simulation and analysis

4.1. Simulation platform

在本节中，我们介绍在Matlab/Simulink环境中开发的电动汽车仿真平台，如图5所示。
该仿真平台由四个模型组成：驾驶员模型、雷达模型、IEC模型和车辆模型。 驱动器模型用于模拟驱动器操作并生成控制器的输入信号。 雷达模型用于模拟前车的相对速度和距离。 建立IEC模型来计算驱动电机的控制信号。 车辆模型包含虚拟总线模型、VCU（车辆控制器单元）模型、电池模型、电机模型、制动系统模型、主减速器模型和车辆动力学模型，如图5虚线圆角矩形框所示。 车辆动力学模型处理车辆的动态特性，用于计算速度和加速度。 该车辆模型，包括其控制策略，已经在实车上进行了测试。

整车主要技术参数如 表1 所示，电机外特性曲线如 图6 所示。

4.2. Simulation setting

为了验证所提出的控制策略的有效性，这里采用 Gipps 驾驶员模型 [31] 来模拟驾驶员的行为。 在仿真过程中，改变Gipps驾驶员模型的参数来模拟以下行为的不同驾驶特性。

4.2.1. Driving condition

利用中国城市驾驶循环（CUDC）[32]来比较 IEC 开启前后车辆的能耗，如 图7(a) 所示。 为了清楚地分析车辆速度和电机扭矩的变化曲线，设计了一个极端的行驶工况，包括大加速度和大减速度，如图 7（b） 所示。

4.2.2. Index of tracking capability and energy consumption

为了反映控制的跟踪能力，index S 定义为式（28）同时考虑速度误差和距离误差。

能量消耗 E 可计算为

4.3. Result and analysis

4.3.1. Result of the comparative statistics

在Matlab/Simulink环境下对中国城市工况下电动汽车的能耗进行了仿真。 为了展示不同驾驶特性下的节能效果，根据不同的 Gipps 驱动参数进行了90组仿真。 对比统计如图8所示，其中 IEC=0 表示 IEC 关闭，IEC=1 表示 IEC 开启。 图8（a） 显示了基于不同 Gipps 驱动器参数的能耗与跟踪能力的结果。 从图8可以看出，当 IEC 开启时，大多数情况都是节能的。 图8（b） 给出了基于不同 Gipps 驱动器参数和不同跟踪能力加权系数的节能百分比与跟踪能力的结果。 从图8可以看出，IEC 打开时可以达到4%以上的节能效果，90组模拟的平均节能百分比约为 9.6%。 本研究提出的技术与[23]研究的节能百分比进行了比较，如表2所示。

4.3.2. Analysis of result under CUDC condition

图9 所示为CUDC条件下的对比结果。 图9（a） 描绘了IEC启动前后车辆的速度曲线对比。 图 9(b) 显示了比较能耗的时间历史。 结果表明，当 IEC 开启时，车辆实现了更低的能耗。 图9 ( c) 和(d) 说明了能源消耗较少的原因。 电机的扭矩根据IEC模式的转变实现了不同程度的优化，如 图9（e） 所示，从而降低了能耗。 整个过程中车辆纵向加速度均在合理范围内，如 图9（f） 所示。 该驱动条件下的跟踪能力和能耗对比如 表3 所示。虽然跟踪能力略有下降，但能耗明显降低。 节能百分比约为7.1%。

4.3.3. Analysis of result under the extreme driving condition

在Matlab/Simulink环境下对电动汽车在大加减速度的极端行驶工况下的能耗进行了仿真。 这种驾驶条件下的一些详细比较结果如图10所示。图10（a） 显示了IEC启动前后车速的时程与之前车速的比较。 图 10(b) 描述了比较能耗的时间历史。 结果表明，当IEC开启时，车辆的能耗较低，从而导致跟踪性能较差。 图10（c）和（d） 说明了能源消耗较少的原因。 在此驱动条件下，电机扭矩根据IEC模式的切换实现不同程度的优化。 如图10（d） 所示，减少了电机的驱动扭矩，增加了电机的制动扭矩，从而减少了能耗。 该行驶工况下的跟踪能力和能耗对比如表4所示，节能百分比约为10.4%。

5. Experimental verification

经过策略开发和仿真分析，基于 dSPACE MicroAutobox 开发了快速控制原型。 在纯电动汽车上进行了实际交通环境下的实车实验，以评估控制策略。

5.1. Experimental setting

测试车辆为配备前向雷达的纯电动公交车，如 图 11 所示。行驶工况为位于中国南部的厦门市包含一段快车道的城市道路，如 图 12 所示试验道路总长约15.7公里。 为了比较和验证所提议的 IEC 的有效性，进行了几组测试。 每组测试均由同一驱动器在 IEC 分别打开和关闭的情况下进行。

5.2. Result and analysis

5.2.1. Result of the comparative statistics

共进行7组测试。 能耗结果如 表5 所示。车辆平均速度约为46 km/h。 IEC 关闭时平均能耗为 73.1 kWh/100 km，IEC 打开时平均能耗为 68.8 kWh/100 km。 受时变交通流的影响，每次测试的结果都存在差异。 7个测试组的平均节能百分比约为5.9%。

图13为IEC开启时的一组实验结果。 图13（a）和（b） 分别描述了自车速度和驾驶员对踏板的操作的时间历史，包括加速踏板行程（APS）和制动踏板行程（BPS）。 可见，车辆速度与驾驶员的加减速意图一致, 图13（c） 描绘了雷达检测到的与前车的相对距离。 随着相对距离和速度的变化，IEC的模式转换也随之发生，如图13（d） 所示。 图 13(e) 描绘了来自 VCU 和 IEC 的各自电机扭矩。 驱动扭矩的峰值部分降低，制动扭矩增加，这导致能量消耗减少，如图13（f） 所示。 由于无法从VCU和IEC获得电机能耗的测量值，因此采用电机扭矩乘以电机转速的方法得到电机功率。 本次测试电机能耗降低4.3%。

5.2.2. Analysis of detailed results under a typical section of driving condition

图 14 显示了 IEC 开启时驱动条件的一个典型部分的详细结果。 图14（a）和（b） 分别描绘了自我车辆速度和驾驶员对踏板的操作的时间历史。 车辆速度与APS和BPS一致，验证了驾驶意图没有受到干扰。 图14（c）和（d） 描绘了雷达检测到的与前车的相对距离和速度。 随着相对距离和速度的变化，IEC的模式转换也随之发生，如图14（f） 所示。 当本车的横摆率超过阈值，即变道或转弯时，IEC切换到待机模式。 图 14(g) 描绘了来自 VCU 和 IEC 的各自电机扭矩。 在不同的IEC模式下，驱动扭矩的峰值被部分降低，制动扭矩被不同程度地增加，这导致了较低的能耗，如图14（h） 所示。 从图14可以看出，整个过程符合驾驶员的意图，过渡过程中速度变化平稳。

6. Conclusion

本文充分利用车载前向雷达检测到的前车运动来提高电动汽车的能量效率。 根据本车与前车的相对运动情况，设计了四种相应的节能模式和电机扭矩优化策略。 我们提出的策略通过优化不同驾驶场景下的电机扭矩来实现预期的节能控制。 提出的基于驾驶安全评估的节能模式决策和过渡控制策略，保证了驾驶安全和驾驶意图。 所提出的用于电机扭矩优化的控制算法，集成了优化规则和MPC方法，在保证行驶安全性和乘坐舒适性的同时，实时优化电机功率。
仿真和实验结果证明了我们提出的策略的有效性。 节能效果与驾驶特性和交通状况有关。 CUDC条件下90组模拟的平均节能百分比约为9.6%。 实验公交车在城市实际交通条件下平均能耗降低5.9%。