混合動(dòng)力汽車(chē)的能量管理控制系統(tǒng)是一個(gè)非線性、多變量、時(shí)變、不可微的系統(tǒng)，是當(dāng)前混合動(dòng)力汽車(chē)領(lǐng)域研究的熱點(diǎn)和難點(diǎn)，直接影響混合動(dòng)力汽車(chē)的動(dòng)力性、經(jīng)濟(jì)性、舒適性及排放性能。

基于規(guī)則的控制方法已經(jīng)實(shí)現(xiàn)產(chǎn)業(yè)化應(yīng)用，而基于優(yōu)化的控制方法主要停留在理論研究階段。為了得到理論上的最優(yōu)解，一些學(xué)者將模型預(yù)測(cè)（model predictive control，MPC）和動(dòng)態(tài)規(guī)劃（dynamic programming，DP）結(jié)合起來(lái)?？紤]到計(jì)算的時(shí)間成本問(wèn)題，又有學(xué)者研究了可以獲得近似最優(yōu)解的等效燃油消耗最小原理（equivalent consumption minimization strategy，ECMS）或龐特亞金最小值原理（Pontryagin’s minimum strategy， PMP）。然而，MPC 和 DP 的組合算法、ECMS、PMP或這些算法的改進(jìn)方法，以及一些其它的基于優(yōu)化的控制算法，始終無(wú)法實(shí)現(xiàn)實(shí)時(shí)控制。而且，在使用這些方法求解的過(guò)程中，被控對(duì)象模型一般被不同程度的簡(jiǎn)化，比如忽略了駕駛員的駕駛意圖、實(shí)際道路情況、信號(hào)燈的影響以及車(chē)與車(chē)之間的相互影響等，所得到的最優(yōu)解并不是真正意義上的最優(yōu)解。

隨著智能交通系統(tǒng)的不斷發(fā)展，采用車(chē)聯(lián)網(wǎng)技術(shù)解決混合動(dòng)力汽車(chē)的實(shí)時(shí)優(yōu)化控制成為學(xué)者們關(guān)注的焦點(diǎn)。為此，本文提出一種基于V2X（vehicle to vehicle，車(chē)車(chē)通信，以及vehicle to infrastructure，車(chē)與交通設(shè)施通信，后統(tǒng)稱(chēng)為車(chē)聯(lián)網(wǎng)）的方法，從智能交通（intelligent traffic system，ITS）的角度，為解決混合動(dòng)力汽車(chē)的實(shí)時(shí)能量管理及優(yōu)化的問(wèn)題提供新的思路。

目前，分層控制的思想已經(jīng)較為成熟，可以用于描述復(fù)雜控制系統(tǒng)的邏輯結(jié)構(gòu)。本文設(shè)計(jì)一種分層控制器，上層控制器是車(chē)聯(lián)網(wǎng)控制層，用于求解最優(yōu)目標(biāo)車(chē)速。下層控制器是能量管理控制層，根據(jù)上層控制器的最優(yōu)目標(biāo)車(chē)速，得到發(fā)動(dòng)機(jī)、電機(jī)的最優(yōu)輸出功率。

一

基于 V2X的分層控制原理

本文采用的V2X 通信原理如圖1所示。

在車(chē)聯(lián)網(wǎng)環(huán)境下，汽車(chē)可以通過(guò)專(zhuān)用短距離通信（dedicated short range communication，DSRC）、射頻識(shí)別（radio frequency identification devices，RFID）、藍(lán)牙（Bluetooth）、Zig Bee、Wi-Fi或蜂窩網(wǎng)（cellular network）實(shí)現(xiàn)車(chē)車(chē)通信以及車(chē)與交通設(shè)施通信。為了方便計(jì)算，假設(shè)一條車(chē)道上有多輛同型號(hào)的混合動(dòng)力汽車(chē)，每輛車(chē)都配有通信裝置，都可以接收一定距離內(nèi)來(lái)自前車(chē)、后車(chē)、交通信號(hào)燈以及其它信號(hào)發(fā)送裝置的信號(hào)。

分層控制原理圖如圖2 所示。

本文設(shè)計(jì)的分層控制系統(tǒng)中，上層控制器集成模型預(yù)測(cè)算法和多目標(biāo)優(yōu)化算法，用于求解最優(yōu)目標(biāo)車(chē)速。其根據(jù)基于V2X 采集到的信息，進(jìn)行最優(yōu)目標(biāo)車(chē)速計(jì)算并將計(jì)算好的信息通過(guò)無(wú)線傳輸?shù)男问椒答伣o每輛車(chē)的駕駛員，駕駛員根據(jù)最優(yōu)目標(biāo)車(chē)速進(jìn)行加速或制動(dòng)。同時(shí)，車(chē)載無(wú)線通信裝置將加速和制動(dòng)踏板傳感器采集到的信號(hào)反饋給云端服務(wù)器。

下層控制器集成能量管理優(yōu)化算法，當(dāng)其接收到駕駛員請(qǐng)求轉(zhuǎn)矩或功率信息（加速和制動(dòng)踏板開(kāi)度及其變化率）之后，通過(guò)最優(yōu)控制算法求解當(dāng)前時(shí)刻發(fā)動(dòng)機(jī)、電機(jī)的最優(yōu)轉(zhuǎn)矩或功率以及變速箱速比等。最后將最優(yōu)控制指令通過(guò)無(wú)線傳輸發(fā)送給發(fā)動(dòng)機(jī)控制器、電機(jī)控制器、變速箱控制器以及動(dòng)力電池控制器等。各動(dòng)力部件控制器根據(jù)接收到的控制指令控制對(duì)應(yīng)的動(dòng)力部件執(zhí)行相關(guān)的輸出操作，并將動(dòng)力部件的實(shí)際輸出反饋給下層控制器進(jìn)行閉環(huán)修正。

車(chē)聯(lián)網(wǎng)的出現(xiàn)，為解決混合動(dòng)力汽車(chē)的實(shí)時(shí)優(yōu)化控制提供了可能性。其關(guān)鍵原因在于，基于車(chē)聯(lián)網(wǎng)的上層控制器和下層控制器均可以是外界的大型服務(wù)器或基于服務(wù)器的云計(jì)算，而大型服務(wù)器或云計(jì)算的運(yùn)算能力遠(yuǎn)遠(yuǎn)高于車(chē)載的單片機(jī)控制器，所以計(jì)算的時(shí)間成本較低。

二

上層控制器的數(shù)學(xué)描述

本文所設(shè)計(jì)的分層控制器分為兩層，為了實(shí)現(xiàn)控制器的功能，首先建立被控對(duì)象的數(shù)學(xué)模型。本文的研究對(duì)象中，上層控制器數(shù)學(xué)模型包含被控對(duì)象的動(dòng)力學(xué)方程、功率平衡方程以及目標(biāo)車(chē)速優(yōu)化模型，其目標(biāo)是在避免汽車(chē)遇到紅燈以提高其燃油經(jīng)濟(jì)性的前提下求解最優(yōu)目標(biāo)車(chē)速。

在汽車(chē)隊(duì)列中，任意一輛車(chē)的縱向動(dòng)力學(xué)模型如式（1）－（3）所示。

式中 xi 為第 i 輛車(chē)的狀態(tài)向量；si 為第 i 輛車(chē)的位置，用坐標(biāo)表述；vi 為第 i 輛車(chē)的速度，m/s；ui 為第i 輛車(chē)的控制變量，含義為任意時(shí)刻單位質(zhì)量牽引力或制動(dòng)力，N/kg；Mi第 i 輛車(chē)的質(zhì)量，kg；CD為控制阻力系數(shù)；ρa為空氣密度，kg/m3；Ai為第 i 輛車(chē)的迎風(fēng)面積，m2；μ為滾動(dòng)阻力系數(shù)；θ 為坡度，(°)。假設(shè) θ 很小，令 cosθ為 1，sinθ 為θ, g 為重力加速度，m/s2。

汽車(chē)的驅(qū)動(dòng)功率平衡方程如式（4）所示。

式中 Pireq 為驅(qū)動(dòng)需求功率，W。

假設(shè)一條車(chē)道上的汽車(chē)數(shù)量為 n，那么一段時(shí)間內(nèi) n輛車(chē)單位距離上消耗的總能量的最小值求解問(wèn)題可以用式（5）表示，式中的控制變量是單位質(zhì)量牽引力或制動(dòng)力ui。

式中m~ifuel為混合動(dòng)力汽車(chē)的等效燃油消耗率，g/s；H 為汽油的熱值，J/g ；T 為汽車(chē)行駛的時(shí)間，s；Si(T)為 T 時(shí)間段內(nèi)第 i 輛車(chē)行駛的距離，m；δt 為計(jì)算步長(zhǎng)，s；vimin、vimax分別為汽車(chē)行駛速度的最小和最大值，m/s；uimin、uimax 分別為控制變量的最小和最大值，N/kg。

在獲取最優(yōu)目標(biāo)車(chē)速之前，需要設(shè)定最優(yōu)目標(biāo)車(chē)速的初始值。本文基于交通信 號(hào)燈正時(shí)（signal phase and timing，SPAT），提出一種目標(biāo)車(chē)速初始值的計(jì)算公式，如式（9）所示。

式中 viobj 為第i 輛車(chē)的目標(biāo)車(chē)速，m/s；dia(td)為第 i 輛車(chē)的位置 si 與交通信號(hào)燈 a 的距離，m；Kw為信號(hào)燈的循環(huán)次數(shù)，取整數(shù)；tg、tr分別為綠燈和紅燈的持續(xù)時(shí)間，s；tc為一個(gè)紅綠燈周期的時(shí)間，s；td 為汽車(chē)行駛的時(shí)間，s。

由式（9）可知，當(dāng)信號(hào)燈為綠燈時(shí)，若汽車(chē)目標(biāo)車(chē)速初始值滿足設(shè)定的約束條件，其目標(biāo)車(chē)速的初始值選擇為最大的允許值。若不滿足此約束就意味著汽車(chē)需要在此綠燈時(shí)間段內(nèi)超速才能通過(guò)。在這種情況下，則從實(shí)際的角度出發(fā)，設(shè)定汽車(chē)減速，在行駛的過(guò)程中經(jīng)過(guò)一個(gè)紅燈時(shí)間窗口，并在下一個(gè)綠燈時(shí)間窗口通過(guò)。由于目標(biāo)車(chē)速設(shè)定有上限值和下限值，如果在接下來(lái)的綠燈時(shí)間窗口內(nèi)，目標(biāo)車(chē)速無(wú)可行解，則車(chē)輛必須在給定的紅燈時(shí)間窗口內(nèi)停車(chē)，等到下一個(gè)綠燈重新按照式（9）計(jì)算目標(biāo)車(chē)速的初始值。

為了提高汽車(chē)經(jīng)過(guò)信號(hào)燈時(shí)遇到綠燈的可能性，本文從交通信號(hào)燈正時(shí)的角度，設(shè)定綠燈的間隔時(shí)間小于原先的綠燈間隔時(shí)間。紅綠燈的選擇時(shí)機(jī)計(jì)算公式如式（12）所示。

三

最優(yōu)目標(biāo)車(chē)速的求解

汽車(chē)目標(biāo)車(chē)速的求解是一個(gè)多目標(biāo)優(yōu)化的問(wèn)題，求解目標(biāo)車(chē)速時(shí)，需要考慮汽車(chē)的油耗、車(chē)速跟隨、控制變量、車(chē)與車(chē)之間的相對(duì)距離等，故本文將目標(biāo)函數(shù)選取為4者的加權(quán)值之和。對(duì)于每輛車(chē)以及有限的時(shí)間段T，汽車(chē)在行駛時(shí)間 td 時(shí)的最優(yōu)目標(biāo)車(chē)速求解問(wèn)題可以用式（13）表示，該式的輸出量為當(dāng)前時(shí)刻汽車(chē)的目標(biāo)車(chē)速及其位置，即汽車(chē)的狀態(tài)變量。

式中 Vim 為第i 輛車(chē)當(dāng)前車(chē)速與目標(biāo)車(chē)速的差值，m/s；Sij為第 i 輛車(chē)和第 j 輛車(chē)的距離，m；δsi為時(shí)間段 T 內(nèi)第 i輛車(chē)的行駛距離，m；si(t)和sj(t)分別為第 i 輛車(chē)和第j 輛車(chē)在時(shí)間 t 時(shí)的位置，用坐標(biāo)表示；th為預(yù)先設(shè)定的前后兩車(chē)的間隔時(shí)間，s；S0 為預(yù)先設(shè)定的安全距離，m。ωi (i=1,2,3,4)為權(quán)值系數(shù)。

式（13）為優(yōu)化的主目標(biāo)函數(shù)，優(yōu)化的對(duì)象包含四個(gè)方面的權(quán)值之和，即第 i 輛車(chē)單位距離油耗、第 i 輛車(chē)車(chē)速與目標(biāo)車(chē)速的差值、控制變量（單位質(zhì)量牽引力或制動(dòng)力，更直接的因素為加速踏板開(kāi)度或制動(dòng)踏板開(kāi)度）、第 i 輛車(chē)與第 j 輛車(chē)之間的距離。關(guān)于權(quán)值ωi(i=1,2,3,4)的選取，需要遵循以下原則。

選取權(quán)值 ω1 和 ω2 為目標(biāo)車(chē)速范圍的函數(shù)。當(dāng)目標(biāo)車(chē)速范圍較大時(shí)，更多地關(guān)注燃油經(jīng)濟(jì)性而不是車(chē)速跟隨，此時(shí)，ω1 取較大值而ω2 取較小值；當(dāng)目標(biāo)車(chē)速范圍較小時(shí)，更多地關(guān)注車(chē)速跟隨而不是燃油經(jīng)濟(jì)性，此時(shí)，ω1取較小值而 ω2取較大值。選取 ω4 為前后車(chē)相對(duì)距離的函數(shù)，當(dāng)相對(duì)距離增加時(shí)，ω4 取較小值，當(dāng)相對(duì)距離減小時(shí)，ω4 取較大值。本文選取控制變量的權(quán)值 ω3為常數(shù)。

根據(jù)上述原則，目標(biāo)車(chē)速的范圍有兩方面的作用，其一是作為權(quán)值函數(shù)決定 ω1 和 ω2 的取值，其二是如果汽車(chē)的實(shí)際車(chē)速與最優(yōu)目標(biāo)車(chē)速相差太大，最優(yōu)目標(biāo)車(chē)速范圍可以保證汽車(chē)車(chē)速在限定的范圍之內(nèi)并且避免遇到紅燈停車(chē)。

另外，上述優(yōu)化問(wèn)題除了滿足式（14）－（18）的約束之外，還應(yīng)滿足式（1）所述的系統(tǒng)動(dòng)力學(xué)方程的約束。需要指出的是，最優(yōu)目標(biāo)車(chē)速與通過(guò)交通信號(hào)燈正時(shí)得到的目標(biāo)車(chē)速初始值的本質(zhì)不同之處在于，后者的求解原則是避免汽車(chē)等紅燈停車(chē)，沒(méi)有考慮發(fā)動(dòng)機(jī)的工作點(diǎn)，而式（13）所述的優(yōu)化問(wèn)題則權(quán)衡了汽車(chē)的燃油經(jīng)濟(jì)性、車(chē)速跟隨以及跟車(chē)距離等。

關(guān)于式（13）所示的典型的多目標(biāo)優(yōu)化問(wèn)題，常用的求解方法有動(dòng)態(tài)規(guī)劃、序列二次規(guī)劃、遺傳算法、粒子群算法、蟻群算法、模擬退火算法、近似模型或其它組合優(yōu)化算法等。本文選取多島遺傳算法進(jìn)行求解。

多島遺傳（multi-island genetic algorithm，MIGA）算法的本質(zhì)是在傳統(tǒng)遺傳算法的基礎(chǔ)上計(jì)算群體的適應(yīng)度值后將選擇、交叉和變異分別在每個(gè)島上進(jìn)行，每個(gè)島上定期會(huì)有一些群體按照給定的概率遷移到其他島上，然后繼續(xù)進(jìn)行傳統(tǒng)的選擇、交叉和變異操作，如果滿足條件則輸出最優(yōu)解，不滿足則繼續(xù)在多個(gè)島上分別進(jìn)行傳統(tǒng)的遺傳算法操作[21]。其優(yōu)化流程如圖3 所示。

本文設(shè)定多島遺傳算法總?cè)后w規(guī)模為 300，島數(shù)為30，總的進(jìn)化代數(shù)為150，島間遷移率為 0.4，遷移的間隔代數(shù)為 5，交叉率為 0.95，變異率為0.05。

由多島遺傳算法優(yōu)化之后，可以得到車(chē)輛當(dāng)前時(shí)刻的目標(biāo)車(chē)速及其位置。假設(shè)每輛車(chē)在每隔一段時(shí)間 T 都發(fā)送該車(chē)的位置和目標(biāo)車(chē)速信息到緊隨其后的一輛車(chē)，那么當(dāng)汽車(chē)的目標(biāo)車(chē)速序列以及前車(chē)位置信息都確定，最優(yōu)目標(biāo)車(chē)速軌跡可以通過(guò)模型預(yù)測(cè)得到。由于混合動(dòng)力系統(tǒng)是一個(gè)高度非線性的系統(tǒng)，所以本文選取非線性模型預(yù)測(cè)算法預(yù)測(cè)有限時(shí)間窗口內(nèi)的最優(yōu)車(chē)速序列，其理論部分不作贅述。

在車(chē)聯(lián)網(wǎng)概念出現(xiàn)之前，一般采用吉普斯跟車(chē)模型（Gipp’s car following model）求解最優(yōu)目標(biāo)車(chē)速。在吉普斯跟車(chē)模型中，不考慮交通信號(hào)燈的影響，其主要原理是在防止汽車(chē)碰撞的前提下，獲得最優(yōu)目標(biāo)車(chē)速。本文將基于吉普斯跟車(chē)模型的方法用作對(duì)比方法，吉普斯跟車(chē)模型的理論公式如式（19）所示。

四

下層控制器的數(shù)學(xué)描述

下層控制器主要是等效燃油消耗最小的優(yōu)化模型，其目標(biāo)是根據(jù)上層控制器得到的最優(yōu)目標(biāo)車(chē)速，計(jì)算每個(gè)采樣時(shí)刻發(fā)動(dòng)機(jī)和電機(jī)的最優(yōu)功率分配。由于動(dòng)態(tài)規(guī)劃、隨機(jī)動(dòng)態(tài)規(guī)劃等算法計(jì)算時(shí)間很長(zhǎng)，本文下層控制器采用的控制算法為自適應(yīng)等效燃油消耗最小原理（adaptive equivalent consumption minimization strategy，A-ECMS）。ECMS 是Gino Paganelli 基于啟發(fā)式經(jīng)驗(yàn)而提出并用于并聯(lián)混合動(dòng)力汽車(chē)優(yōu)化控制的方法。在介紹 ECMS原理之前，先介紹龐特亞金最小值原理（Pontryagin’s minimum strategy，PMP）。

PMP的優(yōu)化問(wèn)題可以用式（20）所示的漢密爾頓（Hamilton）方程表示。

式中 uil(t)是 t 時(shí)刻下層優(yōu)化模型的控制變量；λ(t)是 t 時(shí)刻系統(tǒng)的協(xié)狀態(tài)；SOC(state of charge)為動(dòng)力電池的荷電狀態(tài)；Voc 為動(dòng)力電池的開(kāi)路電壓，V；Pbat 為動(dòng)力電池功率，W；Req 為動(dòng)力電池等效電阻，?；I 為動(dòng)力電池電流，A；Qmax 為動(dòng)力電池的最大容量，A·h；uil*(t)為最優(yōu)控制變量，最優(yōu)控制變量是當(dāng)漢密爾頓函數(shù)取最小值時(shí)的控制變量的取值。

本文研究的是一款非插電式混合動(dòng)力汽車(chē)，動(dòng)力電池 SOC 變化范圍較小，可以近似認(rèn)為其電壓和內(nèi)阻特性不隨 SOC 而變化，因而可以將 ECMS 近似等同為 PMP，ECMS 的等效因子，近似等同為 PMP 的協(xié)狀態(tài)。然而，由于混合動(dòng)力系統(tǒng)的不連續(xù)性，PMP 協(xié)狀態(tài)的最優(yōu)軌跡方程沒(méi)有顯式解。所以PMP 的Hamilton 方程只是最優(yōu)控制的必要條件，理論上無(wú)法解決混合動(dòng)力汽車(chē)的最優(yōu)能量管理問(wèn)題。而 ECMS 的等效因子是一種近似的可以實(shí)現(xiàn)在線估計(jì)的協(xié)狀態(tài)，能夠解決混合動(dòng)力系統(tǒng)的優(yōu)化控制問(wèn)題。

由于 ECMS 和 PMP 的相似性，根據(jù)Hamilton 方程，可以用式（24）描述基于 ECMS 的優(yōu)化問(wèn)題。

式中meqv 為等效燃油消耗率，g/s；fp為懲罰函數(shù)；mfbat 為電池的等效燃油消耗率，g/s；s 為等效因子；γ 為單位階躍函數(shù)；ηel 為電能傳遞路徑的等效效率；ySOC 為標(biāo)準(zhǔn)化的 SOC；ISOC 為 SOC 的標(biāo)準(zhǔn)用量。SOCmin 和 SOCmax 分別為 SOC 的最小和最大值；SOCi(tf)和 SOCi(t0)分別為第i 輛車(chē)在最終時(shí)刻 tf 和初始時(shí)刻的 t0 時(shí)的 SOC；ε 為設(shè)定的絕對(duì)值足夠小的一個(gè)實(shí)數(shù)；Pibmin 和 Pibmax 分別為第 i輛車(chē)動(dòng)力電池的最小功率和最大功率，W。

等效因子對(duì)工況很敏感，故有必要設(shè)計(jì)一個(gè)可變的等效因子，滿足不同工況的需求。當(dāng)?shù)刃加拖淖钚≡淼牡刃б蜃?s 可變時(shí)，其實(shí)質(zhì)則變?yōu)樽赃m應(yīng)等效燃油消耗最小原理。等效因子的計(jì)算，可以使用很多優(yōu)化算法，如滑模控制、魯棒控制等。這些優(yōu)化算法不是本文的研究重點(diǎn)，故僅采用一個(gè)簡(jiǎn)單的線性迭代表達(dá)式，如式（33）所示。

式中 cp 為迭代步長(zhǎng)，s。

五

硬件在環(huán)仿真結(jié)果及分析

5.1 硬件在環(huán)仿真設(shè)置

由于車(chē)聯(lián)網(wǎng)涉及到宏觀交通領(lǐng)域的實(shí)時(shí)數(shù)據(jù)處理與反饋的問(wèn)題，數(shù)學(xué)模型比較復(fù)雜且內(nèi)含復(fù)雜的優(yōu)化算法，一般的服務(wù)器運(yùn)算速度緩慢，無(wú)法滿足實(shí)時(shí)控制的需求。為此，關(guān)于車(chē)聯(lián)網(wǎng)部分，本文采用美國(guó)克萊姆森大學(xué)的大型服務(wù)器 Palmetto（本文仿真采用的計(jì)算模塊為惠普的DL580，處理器為 24 核英特爾至強(qiáng) 7542，運(yùn)行內(nèi)存128 GB）來(lái)計(jì)算上層控制器的最優(yōu)目標(biāo)車(chē)速，并將優(yōu)化后的車(chē)速保存為數(shù)據(jù)格式文件，用于下層控制器的離線硬件在環(huán)仿真，硬件在環(huán)仿真環(huán)境為 dSPACE，仿真時(shí)間為300 s。
在測(cè)試程序中，設(shè)置車(chē)隊(duì)中有4 輛混合動(dòng)力車(chē)；1 號(hào)車(chē)到 4 號(hào)車(chē)的初始位置為 45.5666、30.2293、15.9196、 0.8724 m，規(guī)定汽車(chē)行駛方向?yàn)檎较?，位置坐?biāo)原點(diǎn)在汽車(chē)行駛方向的反方向（如圖1 所示）；初始車(chē)速為13.0047、14.1788、10.3730、10.0473m/s；模型預(yù)測(cè)的時(shí)間窗口為 10 s，計(jì)算的步長(zhǎng)為 0.5 s；設(shè)置信號(hào)燈數(shù)量為15，紅燈持續(xù)時(shí)間為45 s，綠燈持續(xù)時(shí)間為 25 s，兩個(gè)交通信號(hào)燈的距離為400 m；設(shè)置汽車(chē)的最大、最小車(chē)速分別為20 m/s 和0。設(shè)置每輛車(chē)的整車(chē)整備質(zhì)量為1500 kg，迎風(fēng)面積為2.25 m2，空氣阻力系數(shù)為0.3，發(fā)動(dòng)機(jī)功率為93 kW，電機(jī)的額定功率為 30 kW，峰值功率為 60 kW；設(shè)置初始等效因子為2.4。

5.2 硬件在環(huán)仿真結(jié)果

本文研究的是基于車(chē)聯(lián)網(wǎng)的混合動(dòng)力汽車(chē)的分層能量管理，上層控制器的目標(biāo)為輸出最優(yōu)目標(biāo)車(chē)速，下層控制器的目標(biāo)為最優(yōu)能量管理。為了驗(yàn)證本文控制器的控制效果，仿真結(jié)果分別從圖 4～7 以及表 1～2 所示的幾個(gè)方面進(jìn)行論述。
圖 4a～4d 分別為1 號(hào)車(chē)到4 號(hào)車(chē)的上層控制器最優(yōu)目標(biāo)車(chē)速、下層控制器的跟隨車(chē)速以及吉普斯模型目標(biāo)車(chē)速。分析可知，除了起步時(shí)誤差比較明顯之外，其余時(shí)間的跟隨車(chē)速與最優(yōu)目標(biāo)車(chē)速基本吻合，下層控制器能夠很好的跟隨上層控制器的最優(yōu)目標(biāo)車(chē)速，說(shuō)明下層控制器的能量管理控制方法是有效的、合理的。相比于吉普斯跟車(chē)模型得到的車(chē)速而言，本文提出的方法得到的最優(yōu)目標(biāo)車(chē)速明顯沒(méi)有出現(xiàn)大范圍的加速或減速，有效地避免了混合動(dòng)力汽車(chē)停車(chē)。基于本文提出的方法得到的 4 輛車(chē)的平均車(chē)速為 14.6323、14.3377、14.2729、 14.1014 m/s，而吉普斯模型得到的四輛車(chē)平均車(chē)速均為7.8504、7.5327、7.4699、7.1568 m/s，從而說(shuō)明了本文提出的方法可以使得混合動(dòng)力汽車(chē)在固定的時(shí)間段內(nèi)行駛較遠(yuǎn)的距離。另外，4 輛車(chē)的目標(biāo)車(chē)速的變化趨勢(shì)以及跟隨車(chē)速的變化趨勢(shì)都基本保持一致，說(shuō)明了每輛車(chē)與前、后車(chē)之間以及車(chē)輛與交通信號(hào)燈之間可以實(shí)現(xiàn)良好的通信，使得各車(chē)的相對(duì)距離大體保持不變，因而也可以體現(xiàn)出上層控制器能夠有效的避免車(chē)與車(chē)之間發(fā)生碰撞。各車(chē)在經(jīng)過(guò)紅綠燈時(shí)都會(huì)進(jìn)行相應(yīng)的加速或減速且各自車(chē)速均未超過(guò)限速，說(shuō)明交通信號(hào)燈對(duì)駕駛員駕駛行為有影響，但是駕駛員根據(jù)建議車(chē)速行駛，不會(huì)超速也不會(huì)過(guò)多踩剎車(chē)從而減少燃油消耗。

為驗(yàn)證下層控制控制器控制效果，本文引入基于規(guī)則的控制方法為對(duì)比方法，其原理為，當(dāng)控制變量滿足特定的條件時(shí)，執(zhí)行相應(yīng)的工作模式。本文基于規(guī)則的控制方法選取的控制變量為發(fā)動(dòng)機(jī)轉(zhuǎn)速、發(fā)動(dòng)機(jī)轉(zhuǎn)矩、電機(jī)轉(zhuǎn)矩以及動(dòng)力電池 SOC。圖 5a～5d 分別為1 號(hào)車(chē)到4 號(hào)車(chē)的動(dòng)力電池SOC 在基于規(guī)則、基于A-ECMS、基于 ECMS 3 種不同策略下的變化軌跡。由圖可知，不管下層控制器采用哪種控制策略，動(dòng)力電池的 SOC 都在合理的范圍內(nèi)變動(dòng)，從而再次驗(yàn)證了下層控制方法的合理性。整體而言，基于A-ECMS的控制方法動(dòng)力電池SOC變化范圍最小，基于 ECMS 控制方法動(dòng)力電池 SOC 變化范圍略大于基于 A-ECMS 控制方法時(shí)的 SOC 變化范圍，基于規(guī)則的 SOC 變化范圍最大。由此說(shuō)明，采用變等效因子的 A-ECMS 控制方法能夠更好的適應(yīng)工況的變化， ECMS 采用固定的等效因子，控制效果次之，但優(yōu)于基于規(guī)則的控制方法。另外，2、3、4 號(hào)車(chē)的 SOC 變化趨勢(shì)保持一致，但均與 1 號(hào)車(chē)的變化趨勢(shì)不同，原因是一號(hào)車(chē)是領(lǐng)隊(duì)車(chē)，2、3、4 號(hào)車(chē)是跟隨車(chē)，領(lǐng)隊(duì)車(chē)的車(chē)速與其他車(chē)輛無(wú)關(guān)，只取決于它與交通信號(hào)燈的距離以及交通信號(hào)燈正時(shí)，處于主動(dòng)加速或減速的地位，而跟隨車(chē)的車(chē)速信息除了與交通信號(hào)燈有關(guān)之外，還被動(dòng)的受控于前面車(chē)輛的實(shí)際跟隨車(chē)速。由于領(lǐng)隊(duì)車(chē)與跟隨車(chē)的車(chē)速上的差別，而汽車(chē)的型號(hào)及動(dòng)力電池初始 SOC 均相同，經(jīng)過(guò)能量管理控制策略的仿真，得到動(dòng)力電池 SOC 的變化趨勢(shì)也是領(lǐng)隊(duì)車(chē)與跟隨車(chē)不同，而跟隨車(chē)動(dòng)電池 SOC的變化趨勢(shì)大致相同。

由于 4 輛車(chē)的工作情況基本保持一致，故本文將其中的第 2 輛車(chē)基于 A-ECMS 和基于規(guī)則的下層控制方法得到的結(jié)果進(jìn)行對(duì)比。圖6a～6b 分別為發(fā)動(dòng)機(jī)和電機(jī)在基于 A-ECMS 和基于規(guī)則的控制方法下的輸出功率。此圖主要用于對(duì)比動(dòng)力部件在不同控制方法下的輸出功率以及動(dòng)力部件工作情況的合理性。由圖6a 可知，基于規(guī)則的控制方法下，發(fā)動(dòng)機(jī)工作的時(shí)間比較多，而基于A-ECMS 的控制方法時(shí)發(fā)動(dòng)機(jī)的工作時(shí)間大大減少。類(lèi)似地，由圖6b 可知，在基于規(guī)則的控制方法下，電機(jī)的工作時(shí)間比較少，而基于 A-ECMS 的控制方法時(shí)，電機(jī)的工作時(shí)間大大增多。由此可知，基于 A-ECMS 的控制方法是優(yōu)先使用電機(jī)驅(qū)動(dòng)然后使用發(fā)動(dòng)機(jī)驅(qū)動(dòng)，從而其燃油經(jīng)濟(jì)性比基于規(guī)則的控制算法高。

圖 7 為 4 輛混合動(dòng)力車(chē)的軌跡曲線，其中，與橫軸平行的實(shí)橫線表示紅燈窗口，實(shí)橫線之間的空白表示綠燈窗口。由圖7 可知，4 輛車(chē)在經(jīng)過(guò)紅綠燈時(shí)，均沒(méi)有遇到紅燈，從而驗(yàn)證了本文提出的信號(hào)燈正時(shí)方法可以有效的減少甚至避免汽車(chē)遇到紅燈，滿足本文上層控制器的設(shè)計(jì)原則。

表 1 從等效百公里油耗的角度表示不同控制算法的控制效果。該表為本文提出的基于V2X 以及基于Gipp’s 跟車(chē)模型的汽車(chē)最優(yōu)目標(biāo)車(chē)速計(jì)算方法求解時(shí)的混合動(dòng)力汽車(chē)等效百公里油耗。分析表 1 可知，對(duì)于同一輛混合動(dòng)力汽車(chē)，基于規(guī)則、ECMS、A-ECMS 的混合動(dòng)力汽車(chē)的油耗是依次降低的，相比于基于 ECMS 和基于規(guī)則的控制算法，基于 A-ECMS 時(shí)，4 輛車(chē)的平均油耗依次降低 10.3%， 14.8%。在相同的控制方法下，上層控制器采用 V2X時(shí)的等效百公里油耗低于采用 Gipp’s 跟車(chē)模型時(shí)的等效百公里油耗，下層控制器為A-ECMS、ECMS、基于規(guī)則時(shí)，油耗的平均降低幅度依次為 27.2%，28.2%，29.5%。由此驗(yàn)證了本文的上層控制器的合理性及優(yōu)越性。