淺析 丨能量管理控制策略與智能交通系統(tǒng)的結合

為了提高可獲得的出行信息水平，越來越多的研究將基于GPS、地理信息系統(tǒng)和歷史數據來進行工況預測，進而調整控制算法提高能量管理策略的應用效果。本文第2部分將介紹智能交通系統(tǒng)。針對實時計算量大的問題，本文第3部分將介紹基于云計算的能量管理策略優(yōu)化。

圖1、智能交通系統(tǒng)的示意

基于GPS智能手機的交通監(jiān)控系統(tǒng)監(jiān)督預測能量管理的架構可分為上層和下層。在上層，利用實時交通數據獲得的交通流速度計算出最優(yōu)的SOC軌跡。在下層，使用水平速度預測器來預測每一個滾動時域的未來行駛速度。上層和下層分別對應于長期擾動和短期擾動。需要注意的是，通過這種方法獲得的交通流速度將不同于實際車輛的速度，進而產生的SOC參考軌跡存在誤差。為了解決這一問題，將生成的SOC軌跡在每個控制層作為終端SOC參考值引入到模型預測控制層中，使得較低層級的模型預測控制反饋閉環(huán)為減小參考SOC值的誤差提供了一定的控制靈活性。詳細的控制方式如下：

（1）獲取實時交通數據和路徑信息，計算最優(yōu)電池SOC軌跡；

（2）預測當前控制層的短期未來速度分布；

（3）在給定參考SOC和預測速度序列的情況下，模型預測控制器計算最優(yōu)控制策略；

（4）將最優(yōu)控制策略的第一步應用于準靜態(tài)PHEV模型；

（5） 反饋系統(tǒng)狀態(tài)，更新系統(tǒng)約束，并在下一時刻重復計算過程。

圖2、監(jiān)督預測能量管理控制架構

圖3、交通數據反饋系統(tǒng)框架

除了交通狀況外，駕駛風格的監(jiān)控和校正可以顯著提高車輛經濟性。特別是，對于采用了Blended-type控制策略的PHEV而言，扭矩需求的微小偏差將觸發(fā)發(fā)動機起動，進而對車輛能量管理策略發(fā)生顯著的變化。可以結合行程信息和駕駛風格來獲得最佳車輛速度曲線，從而引導駕駛員以最小的能量消耗進行行駛。

通常，控制系統(tǒng)的在線計算能力可能成為這方面的限制因素?？紤]到動態(tài)規(guī)劃的計算量大和控制器成本問題，通過云計算處理交通信息獲取最佳策略是一個較為可行的解決方案，這種方案不僅可以保證模型準確性，計算結果還可以運用到類似條件的其他車輛。云計算和智能交通系統(tǒng)可以緩解在線計算壓力提供整體優(yōu)化。具體實施方式是：

（1）驅動程序將預定旅行目的地信息發(fā)送到云平臺上執(zhí)行密集型計算；

（2）在云中，服務器生成一條路徑，收集相關的交通和地理信息；

（3）通過一種利用精確的車輛和油耗模型來確定路線沿線最優(yōu)速度軌跡的空間域動態(tài)規(guī)劃算法來解決優(yōu)化問題；

（4）服務器將速度軌跡發(fā)送到與駕駛員通信的車輛。

圖4、云——車輛交互原理

■  測試評價過程針對能量管理控制策略的研究

■  能量管理控制策略未來發(fā)展趨勢分析

參考文獻

[1]·C·M·Martínez,·X·Hu,·D·Cao,·et·al.·Energy·Management·in·Plug-in·Hybrid·Electric·Vehicles·Recent·Progress·and·a·Connected·Vehicles·Perspective,IEEE·Trans·Veh·Technol 66(6),pp.4534-4549,2017

[2]·C·Sun,·S·J·Moura,·X·Hu,·Dynamic·Traffic·Feedback·Data·Enabled·Energy·Management·in·Plug-in·Hybrid·Electric·Vehicles,·IEEE·Transactions·on·Control·Systems·Technology,·vol.·23,·no.·3,·pp.·1075-1086,·MAY·2015

[3]·Engin·O,·Simona·O,·James·W,·et·al.·Cloud-Based·Velocity·Profile·Optimizationfor·Everyday·Driving:A·Dynamic-Programming-Based·Solution,·IEEE·Transactions·on·Intelligent·Transportation·Systems,·vol.·15,·no.·6,·pp.·2491-2505,·DECEMBER·2014