基于车联网的混合动力汽车的分层能量管理控制方法

摘要

本发明公开了一种基于车联网的混合动力汽车的分层能量管理控制方法，上层控制器利用交通信号灯正时求解目标车速的范围并设定混合动力汽车的目标车速为此车速范围的上限，提出一种快速模型预测算法预测给定时间窗口内的最优目标车速序列。本发明相比现有技术具有以下优点：本发明一种基于车联网的混合动力汽车的分层能量管理控制方法预测最优目标车速，基于交通信号灯正时，有效的避免混合动力汽车红灯停车或碰撞，采用快速模型预测获取最优目标车速序，保证预测数据精度及混合动力汽车燃油经济性的前提下降低模型预测的时间成本，有效的提高程序的执行效率。

权利要求

1.一种基于车联网的混合动力汽车的分层能量管理控制方法，其特征在于，包括如下步骤：步骤(1)、基于车联网环境，混合动力汽车通过专用短距离通信(DSRC)、射频识别(RFID)、蓝牙、ZIGBEE或WI-FI进行车与车通信以及车与交通实施通信；

步骤(2)、建立上层控制器数学模型，包括如下步骤：

(21)建立整车纵向动力学模型；

(22)利用交通信号灯正时，获取目标车速的范围并设定混合动力汽车的目标车速为此车速范围的上限；

(23)基于混合动力汽车的目标车速，采用快速模型预测算法预测给定时间窗口的最优目标车速序列；

(24)将最优目标车速序列通过无线传输形式反馈给每辆车的驾驶员，驾驶员根据最优目标车速序列进行加速或者制动；

2.根据权利要求1所述的基于车联网的混合动力汽车的分层能量管理控制方法：还包括下述步骤：步骤(3)、下层控制器根据加速或制动信息，获取当前时刻发动机和电机的最优转矩或功率分配，并将最优转矩或功率分配指令通过无线传输发送给发动机控制器、电机控制器、变速箱控制器以及动力电池控制器；

步骤(4)、各动力部件控制器根据接收到的控制指令控制对应的动力部件执行相关的输出操作，并将动力部件的实际输出反馈给下层控制器进行闭环修正。

3.根据权利要求1或2所述的基于车联网的混合动力汽车的分层能量管理控制方法，其特征在于，步骤(21)中建立的整车纵向动力学模型，如公式(1)：式(1)中，xi为第i辆车的状态向量；si为第i辆车的位置，用坐标表述；vi为第i辆车的速度，单位为m/s；ui为第i辆车的控制变量，也就是任意时刻单位质量牵引力或制动力，单位为N/kg；Mi第i辆车的质量，单位为kg；CD为控制阻力系数；ρa为空气密度，单位为kg/m3；Afi为第i辆车的迎风面积，单位为m2；μ为滚动阻力系数；θ为坡度；

4.根据权利要求1或2所述的基于车联网的混合动力汽车的分层能量管理控制方法，其特征在于：步骤(22)中，利用交通信号灯正时，获取目标车速的范围的上限和下限并设定目标车速为此范围的上限，如公式(2)：式(2)中，vil为目标车速的下限，单位为m/s；vih为目标车速的上限，单位为m/s；dia(td)为第i辆车的位置si与交通信号灯a的距离，单位为m；Kw为信号灯的循环次数，取整数；tg、tr分别为红灯和绿灯的持续时间，单位为s；tc为一个红绿灯周期的时间，单位为s；td为汽车行驶的时间，单位为s；vimax为第i辆混合动力汽车行驶速度的最大值，单位为m/s；viobj为混合动力汽车目标车速，单位为m/s；

5.根据权利要求4所述的基于车联网的混合动力汽车的分层能量管理控制方法，其特征在于：根据目标车速的范围，得到t时刻第i辆车的控制变量ui(t)的约束条件，如式(3)所示，控制变量ui(t)满足约束条件，目标车速viobj即被限定在[vil，vih]的范围内，混合动力汽车可避免红灯停车；

式(3)中，uimin、uimax分别为控制变量的最小和最大值，单位为N/kg；δt为计算步长，单位为s；ai(t)为当前时刻第i辆车的纵向加速度，单位为m/s2；ui(t)为t时刻第i辆车的控制变量，单位为N/kg；

6.根据权利要求4所述的基于车联网的混合动力汽车的分层能量管理控制方法，其特征在于：包括如下步骤：Step4A：建立快速模型预测的优化函数，并采用二次规划算法求解模型预测的优化函数，所述快速模型预测的优化函数，如用式(5)表示：式(5)中，T为给定的时间窗口，单位为s；Sij为第i辆车和第j辆车的距离，单位为m；αi(i＝1,2,3)为权值系数，uid(t)为理想控制变量，单位为N/kg；si(t)和sj(t)分别为第i辆车和第j辆车在时间t时的位置，用坐标表示；th为预先设定的前后两车的间隔时间，单位为s；S0为预先设定的安全距离，单位为m；vimin为汽车行驶速度的最小值，单位为m/s；n为车队中混合动力汽车的数量；

Step4B：将混合动力汽车的纵向动力学模型转化为线性形式的混合动力汽车纵向动力学模型，如式(6)所示，式(6)中，Ai(xi)为与状态相关的参数矩阵；Bi为一个常数列矩阵；k为时间步长，单位为s；

Step4C：将step4A中所述的快速模型预测的优化函数转化成二次规划形式的模型预测的优化函数，如式(7)所示，式(7)中，yi为包含目标车速及理想控制变量的状态变量；Qi为对角阵；yiobj为状态变量的目标值，Pi、qi、Ci、bi均为与状态变量相关的系数矩阵；

Step4D:获取step4C所述的二次规划形式的模型预测的优化函数的拉格朗日求解公式，如式(8)所示，式(8)中，λi和υi为拉格朗日乘子；

Step4D1：获取拉格朗日求解公式的一阶库恩-塔克(KKT)最优条件方程，如式(9)所示，式(9)中，si为松弛变量；γi和Si分别为拉格朗日乘子νi和松弛变量si主对角线元素组成的列向量；e为单位列向量；

Step4D2：采用牛顿迭代法求解一阶库恩-塔克最优条件方程，牛顿迭代法的迭代方程如式(10)所示：式(10)中，[Δyi Δλi Δνi Δsi]T为所述牛顿迭代法优化变量的搜索方向；βi为所述牛顿迭代法的迭代步长，所述迭代步长可以保证拉格朗日乘子和松弛变量为正值；

牛顿迭代法优化变量的搜索方向的求解方程如式(11)所示，

式(11)中，Ryi、Rλi、Rυi、Rsi位库恩-塔克条件的残差；

Step4D3将牛顿迭代法中优化变量的搜索方向的求解方程经过线性变化简化为简化方程，如(12)所示，T

式(12)的搜索方向为[Δyi Δλi]；Wi为与松弛变量相关的变换矩阵；

Step4D4：采用基于乔里斯基(Cholesky)因式分解的方程求解简化方程的搜索方向，基于乔里斯基(Cholesky)因式分解得到的方程，如式(13)所示，Step4E根据所述牛顿迭代法的迭代方程(10)以及Step4D4的乔里斯基(Cholesky)因式分解得到的方程式(13)求解最优状态变量yi；

Step4F根据最优状态变量yi求解给定时间窗口的最优目标车速序列。

说明书

基于车联网的混合动力汽车的分层能量管理控制方法

技术领域

[0001] 本发明涉及一种混合动力汽车能量管理控制方法，尤其涉及的是一种基于车联网的混合动力汽车的分层能量管理控制方法。

背景技术

[0002] 混合动力汽车的能量管理控制方法直接影响整车的动力性、经济性、舒适性及排放，是混合动力汽车领域研究的重点和难点。目前，已经实现产业化应用的是基于规则的控制方法，然而，基于规则的控制方法依赖专家经验，不具备良好的工况适应性，因此，学者们重点研究了基于优化的控制方法。

[0003] 基于优化的控制方法主要包含全局优化和瞬时优化两种。在全局优化算法中，动态规划(dynamic programming,DP)、二次规划(quadratic programming,QP)以及古典变分法(classical variational method,VP)等方法都需要已知循环工况，而在汽车实际行驶的过程中，循环工况是未知的。其中，基于贝尔曼原理逆向寻优的动态规划是搜索能力最好的全局优化算法，但程序结构十分复杂，而且在线寻优需要采用模型预测(model predictive control，MPC)算法获取循环工况，增加了计算的时间成本，不满足实车应用的要求，而且研究表明，传统的模型预测算法只能用于“足够慢”的动态系统中，对于在线优化的混合动力系统并不适用。为了节省程序运行的时间，学者们研究了基于极小值原理的瞬时优化算法，如等效燃油消耗最小原理(equivalent consumption minimization strategy,ECMS)及庞特亚金极小值原理(Pontryagin’s minimum strategy,PMP)等，这些算法可以获得近似的全局最优解而且不需要已知循环工况。然而，相对于车载单片机的运算能力，这些算法依然无法实现实时控制。目前的混合动力汽车能量管理研究的对象只是一辆车，即能量管理优化算法只能保证单辆车的经济性最优，对于交通系统中多辆混合动力汽车能量管理优化问题，目前尚无相关报导。除此之外，目前针对单辆混合动力汽车能量管理及优化的控制算法不考虑交通信号的的影响以及车与车之间的相互影响，此时的能量管理最优解与实际情况下的最优解有一定的差距。

[0004] 随着智能交通系统的不断发展，采用车联网技术解决智能交通系统中多辆混合动力汽车的实时优化控制成为可能。基于车联网的混合动力汽车分层能量管理控制方法，可以为解决多辆混合动力汽车的实时能量管理及优化的问题提供新的思路。

发明内容

[0005] 本发明的目的在于克服现有技术的不足，提供一种基于车联网的混合动力汽车的分层能量管理控制方法。

[0006] 为了解决上述技术问题，本发明采用如下技术方案：一种基于车联网的混合动力汽车的分层能量管理控制方法，包括如下步骤：

[0007] 步骤(1)、基于车联网环境，混合动力汽车通过专用短距离通信(DSRC)、射频识别(RFID)、蓝牙、ZIGBEE或WI-FI进行车与车通信以及车与交通实施通信；

[0008] 步骤(2)、建立上层控制器数学模型数学模型，包括如下步骤：

[0009] (21)建立整车纵向动力学模型

[0010] (22)利用交通信号灯正时，获取目标车速的范围并设定混合动力汽车的目标车速为此车速范围的上限；

[0011] (23)基于混合动力汽车的目标车速，采用快速模型预测算法预测给定时间窗口的最优目标车速序列；

[0012] (24)将最优目标车速序列通过无线传输形式反馈给每辆车的驾驶员，驾驶员根据最优目标车速序列进行加速或者制动；

[0013] 步骤(3)、下层控制器根据加速或制动信息，获取当前时刻发动机和电机的最优转矩或功率分配，并将最优转矩或功率分配指令通过无线传输发送给发动机控制器、电机控制器、变速箱控制器以及动力电池控制器；

[0014] 步骤(4)、各动力部件控制器根据接收到的控制指令控制对应的动力部件执行相关的输出操作，并将动力部件的实际输出反馈给下层控制器进行闭环修正。

[0015] 作为上述方案的进一步优化，步骤(21)中建立的整车纵向动力学模型，如公式(1)：

[0016]

[0017] 式(1)中，xi为第i辆车的状态向量；si为第i辆车的位置，用坐标表述；vi为第i辆车的速度，单位为m/s；ui为第i辆车的控制变量，也就是任意时刻单位质量牵引力或制动力，单位为N/kg；Mi第i辆车的质量，单位为kg；CD为控制阻力系数；ρa为空气密度，单位为kg/m3；Afi为第i辆车的迎风面积，单位为m2；μ为滚动阻力系数；θ为坡度；

[0018] 作为上述方案的进一步优化，步骤(22)中，利用交通信号灯正时，获取目标车速的范围的上限和下限并设定目标车速为此范围的上限，如公式(2)：

[0019]

[0020] 式(2)中，vil为目标车速的下限，单位为m/s；vih为目标车速的上限，单位为m/s；dia(td)为第i辆车的位置si与交通信号灯a的距离，单位为m；Kw为信号灯的循环次数，取整数；tg、tr分别为红灯和绿灯的持续时间，单位为s；tc为一个红绿灯周期的时间，单位为s；td为汽车行驶的时间，单位为s；vimax为第i辆混合动力汽车行驶速度的最大值，单位为m/s；viobj为混合动力汽车目标车速，单位为m/s；

[0021] 作为上述方案的进一步优化，根据目标车速的范围，得到t时刻第i辆车的控制变量ui(t)的约束条件，如式(3)所示，控制变量ui(t)满足约束条件，目标车速viobj即被限定在[vil，vih]的范围内，混合动力汽车可避免红灯停车；

[0022]

[0023] 式(3)中，uimin、uimax分别为控制变量的最小和最大值，单位为N/kg；δt为计算步长，单位为s；ai(t)为当前时刻第i辆车的纵向加速度，单位为m/s2；ui(t)为t时刻第i辆车的控制变量，单位为N/kg；

[0024] 基于车联网的混合动力汽车的最优目标车速序列的预测方法，包括如下步骤：

[0025] Step4A：建立快速模型预测的优化函数，并采用二次规划算法求解模型预测的优化函数，所述快速模型预测的优化函数，如用式(5)表示：

[0026]

[0027] 式(4)中，T为给定的时间窗口，单位为s；Sij为第i辆车和第j辆车的距离，单位为m；αi(i＝1,2,3)为权值系数，uid(t)为理想控制变量，单位为N/kg；；si(t)和sj(t)分别为第i辆车和第j辆车在时间t时的位置，用坐标表示；th为预先设定的前后两车的间隔时间，单位为s；S0为预先设定的安全距离，单位为m；vimin为汽车行驶速度的最小值，单位为m/s；n为车队中混合动力汽车的数量；

[0028] Step4B：将混合动力汽车的纵向动力学模型转化为线性形式的混合动力汽车纵向动力学模型，如式(6)所示，

[0029]

[0030] 式(6)中，Ai(xi)为与状态相关的参数矩阵；Bi为一个常数列矩阵；k为时间步长，单位为s；

[0031] Step4C：将step4A中所述的模型预测的优化函数转化成二次规划形式的模型预测的优化函数，如式(7)所示，

[0032]

[0033] 式(7)中，yi为包含目标车速及理想控制变量的状态变量；Qi为对角阵；yiobj为状态变量的目标值，Pi、qi、Ci、bi均为与状态变量相关的系数矩阵；

[0034] Step4D:获取step4C所述的二次规划形式的模型预测的优化函数的拉格朗日求解公式，如式(8)所示，

[0035]

[0036] 式(8)中，λi和υi为拉格朗日乘子；

[0037] Step4D1：获取拉格朗日求解公式的一阶库恩-塔克(KKT)最优条件方程，如式(9)所示，

[0038]

[0039] 式(9)中，si为松弛变量；γi和Si分别为拉格朗日乘子νi和松弛变量si主对角线元素组成的列向量；e为单位列向量；

[0040] Step4D2：采用牛顿迭代法求解一阶库恩-塔克最优条件方程，牛顿迭代法的迭代方程如式(10)所示：

[0041]

[0042] 式(10)中，[Δyi Δλi Δνi Δsi]T为所述牛顿迭代法优化变量的搜索方向；βi为所述牛顿迭代法的迭代步长，所述迭代步长可以保证拉格朗日乘子和松弛变量为正值；

[0043] 牛顿迭代法优化变量的搜索方向的求解方程如式(11)所示，

[0044]

[0045] 式(11)中，Ryi、Rλi、Rυi、Rsi位库恩-塔克条件的残差；

[0046] Step4D3将牛顿迭代法中优化变量的搜索方向的求解方程经过线性变化简化为简化方程，如(12)所示，

[0047]

[0048] 式(12)的搜索方向为[Δyi Δλi]T；Wi为与松弛变量相关的变换矩阵；

[0049] Step4D4：采用基于乔里斯基(Cholesky)因式分解的方程求解简化方程的搜索方向，基于乔里斯基(Cholesky)因式分解得到的方程，如式(13)所示，

[0050]

[0051] Step4E根据所述牛顿迭代法的迭代方程(10)以及Step4D4的乔里斯基(Cholesky)因式分解得到的方程式(13)求解最优状态变量yi；

[0052] Step4F根据最优状态变量yi求解给定时间窗口的最优目标车速序列。

[0053] 相比现有技术，本发明提供的一种基于车联网的混合动力汽车的分层能量管理控制方法的有益效果体现在：

[0054] 1、本发明的一种基于车联网的混合动力汽车的分层能量管理控制方法，将车联网技术引入到混合动力汽车的能量管理，从宏观的角度，通过车车通信及车与信号灯通信，控制交通信号灯的状态及时间间隔，以交通流中各混合动力车消耗的总能量最小为目标，得到每一辆车最优的车速序列。本发明的控制方法可以解决宏观的交通领域一个混合动力汽车队列，即多辆混合动力汽车燃油消耗最优的问题。

[0055] 2、本发明的一种基于车联网的混合动力汽车的分层能量管理控制方法采用车联网技术，充分考虑并实时传输驾驶员的驾驶意图、真实路面条件、坡度、汽车载荷以及车与车之间的相互影响，在降低燃油消耗的同时，可以避免车辆之间的碰撞，提高其行驶安全性。

[0056] 3、本发明的一种基于车联网的混合动力汽车的分层能量管理控制方法，设计的分层控制器结构有效的提高程序的执行效率。上层控制器基于交通信号灯正时可以有效的避免混合动力汽车红灯停车。利用实时的车车通信及车与信号灯通信的数据，采用快速模型预测获取最优目标车速序，保证预测数据精度的前提下降低模型预测的时间成本，便于实时控制。

[0057] 4、本发明的一种基于车联网的混合动力汽车的分层能量管理控制方法，避免混合动力汽车红灯停车，采用快速模型预测(F-MPC)实现与MPC相近的最优车速预测及燃油经济性，且每一时间步长的相对计算时间由MPC的100降低到7.2；本发明提出的WL-ECMS能量管理控制方法实现良好的车速跟随，百公里油耗与ECMS相当，且每一时间步长的相对计算时间由ECMS的100降低到1.48。本发明的研究方法为解决混动力汽车实时能量管理及优化提供新的思路。

附图说明

[0058] 图1是本发明的一种基于车联网的混合动力汽车的分层能量管理控制的原理图。

[0059] 图2(a)-图2(j)分别是一号车-十号车采用本发明的一种基于车联网的混合动力汽车的分层能量管理控制方法的车速轨迹示意图。

[0060] 图3(a)-图3(j)分别是一号车-十号车的在基于规则、基于WL-ECMS、基于ECMS的控制策略下的动力电池SOC轨迹示意图。

[0061] 图4为是一号车-十号车的运动轨迹曲线示意图。

具体实施方式

[0062] 下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

[0063] 图1是本发明的一种基于车联网的混合动力汽车的分层能量管理控制的原理图。一种基于车联网的混合动力汽车的分层能量管理控制方法，包括如下步骤

[0064] 步骤(1)、基于车联网环境，混合动力汽车通过射频识别、蓝牙、ZIGBEE、或WI-FI进行车与车通信以及车与交通实施通信；

[0065] 在车联网环境下，汽车通过专用短距离通信(dedicated  short range communication,DSRC)、射频识别(radio frequency identification devices,RFID)、蓝牙(Bluetooth)、ZIGBEE、Wi-Fi或蜂窝网(cellular network)等无线通信方法实现车车通信以及车与交通设施通信。每辆车都配有通信模块，都可以接收一定距离内来自前车、后车、交通信号灯以及其它信号发送装置的信号。

[0066] 步骤(2)、上层控制器基于交通信号灯正时计算目标车速的上限值和下限值。根据基于车车通信以及车与信号灯通信获取的信息，采用快速模型预测算法，求解最优目标车速并将计算好的最优车速发送给驾驶员，驾驶员根据最优目标车速进行加速或制动。

[0067] 建立上层控制器数学模型，包括如下步骤：

[0068] (21)建立整车纵向动力学模型

[0069] (22)利用交通信号灯正时，获取目标车速的范围并设定混合动力汽车的目标车速为此车速范围的上限；

[0070] 交通信号灯正时是指交通信号灯的相位和每个相位出现的时机，相位指的是交通信号灯的状态，即红灯或绿灯(本优选实施例中不考虑黄灯)，信号灯的时机是指红灯或绿灯持续出现的时刻以及持续的时间。

[0071] (23)基于混合动力汽车的目标车速，采用快速模型预测算法预测给定时间窗口的最优目标车速序列；

[0072] (24)将最优目标车速序列通过无线传输形式反馈给每辆车的驾驶员，驾驶员根据最优目标车速序列进行加速或者制动。

[0073] 步骤(3)、下层控制器根据加速或制动信息，获取当前时刻发动机和电机的最优转矩或功率分配，并将最优转矩或功率分配指令通过无线传输发送给发动机控制器、电机控制器、变速箱控制器以及动力电池控制器；

[0074] 步骤(4)、各动力部件控制器根据接收到的控制指令控制对应的动力部件执行相关的输出操作，并将动力部件的实际输出反馈给下层控制器进行闭环修正。

[0075] 其中，步骤(21)中获取上层控制器中集成的纵向动力学模型，如公式(1)：

[0076]

[0077] 式(1)中，xi为第i辆车的状态向量；si为第i辆车的位置，用坐标表述；vi为第i辆车的速度，单位为m/s；ui为第i辆车的控制变量，也就是任意时刻单位质量牵引力或制动力，单位为N/kg；Mi第i辆车的质量，单位为kg；CD为控制阻力系数；ρa为空气密度，单位为kg/m3；Afi为第i辆车的迎风面积，单位为m2；μ为滚动阻力系数；θ为坡度；

[0078] 混合动力汽车的纵向动力学模型主要用于求解汽车的状态变量，即任意时刻的汽车位置及其速度，在其它条件不变的情况下，汽车的位置和速度是由其牵引力或者制动力决定的，对于任意给定的汽车牵引力或者制动力，可以通过牛顿第二定律即可求解汽车的速度，对速度积分即可求解其形式的距离，即其位置。

[0079] 利用交通信号灯正时，获取目标车速的范围的上限和下限并设定目标车速为此范围的上限，如公式(2)：

[0080]

[0081] 式(2)中，vil为目标车速的下限，单位为m/s；vih为目标车速的上限，单位为m/s；dia(td)为第i辆车的位置si与交通信号灯a的距离，单位为m；Kw为信号灯的循环次数，取整数；tg、tr分别为红灯和绿灯的持续时间，单位为s；tc为一个红绿灯周期的时间，单位为s；td为汽车行驶的时间，单位为s；vimax为第i辆混合动力汽车行驶速度的最大值，单位为m/s；viobj为混合动力汽车目标车速，单位为m/s；

[0082] 上述的目标车速viobj的范围求解是基于交通信号灯正时，利用交通信号的正时，可以充分避免混合动力汽车在经过红绿灯时遇到红灯，即避免混合动力汽车红灯停，从而减少其燃油消耗。

[0083] 根据目标车速的范围，得到t时刻第i辆车的控制变量ui(t)的约束条件，如式(3)所示，控制变量ui(t)满足约束条件，目标车速viobj即被限定在[vil，vih]的范围内，混合动力汽车可避免红灯停车；

[0084]

[0085] 式(3)中，uimin、uimax分别为控制变量的最小和最大值，单位为N/kg；δt为计算步长，单位为s；ai(t)为当前时刻第i辆车的纵向加速度，单位为m/s2；ui(t)为t时刻第i辆车的控制变量，单位为N/kg；

[0086] 此公式(3)中，第i辆车的当前时刻的纵向加速度的范围可以由车速范围的函数表示，而纵向加速度也是控制变量的函数，因此，可以由车速范围得到控制变量的约束条件。

[0087] 红灯和绿灯统称为交通信号灯状态，交通信号灯的状态可以用式(4)表示，[0088]

[0089] 所述信号灯状态的求解公式中， 表示的是td除以tc所得到的余数。

[0090] 本发明还公开了一种基于车联网的混合动力汽车的的最优目标车速序列的预测方法。基于车联网的混合动力汽车的分层能量管理控制方法，基于交通信号灯正时获取的混合动力汽车目标车速，采用快速模型预测算法(F-MPC)预测给定时间窗口内的最优目标车速序列，具体包括如下步骤：

[0091] Step4A：建立快速模型预测的优化函数，并采用二次规划算法求解模型预测的优化函数，所述快速模型预测的优化函数，如用式(5)表示：

[0092]

[0093] 式(5)中，T为给定的时间窗口，单位为s；Sij为第i辆车和第j辆车的距离，单位为m；αi(i＝1,2,3)为权值系数，uid(t)为理想控制变量，单位为N/kg；；si(t)和sj(t)分别为第i辆车和第j辆车在时间t时的位置，用坐标表示；th为预先设定的前后两车的间隔时间，单位为s；S0为预先设定的安全距离，单位为m；vimin为汽车行驶速度的最小值，单位为m/s；n为车队中混合动力汽车的数量；

[0094] 混合动力汽车的最优目标车速与实际车速和目标车速的差值、车与车之间的相对距离以及实际控制变量与理想控制变量的差值有关系，因此最优车速的求解可以理解以跟随问题，即实际车速接近目标车速、车与车之间的相对距离保持不变、控制变量与理想控制变量接近是，混合动力汽车的实际输出车速就是最优车速，因此快速模型预测的优化函数可以用上述式(5)表示。

[0095] Step4B：将混合动力汽车的纵向动力学模型转化为线性形式的混合动力汽车纵向动力学模型，如式(6)所示，

[0096]

[0097] 式(6)中，Ai(xi)为与状态相关的参数矩阵；Bi为一个常数列矩阵；k为时间步长，单位为s；

[0098] Step4C：将step4A中所述的模型预测的优化函数转化成二次规划形式的模型预测的优化函数，如式(7)所示，

[0099]

[0100] 式(7)中，yi为包含目标车速及理想控制变量的状态变量；Qi为对角阵；yiobj为状态变量的目标值，Pi、qi、Ci、bi均为与状态变量相关的系数矩阵；

[0101] Step4D:获取step4C所述的二次规划形式的模型预测的优化函数的拉格朗日求解公式，如式(8)所示，

[0102]

[0103] 式(8)中，λi和υi为拉格朗日乘子；

[0104] Step4D1：获取拉格朗日求解公式的一阶库恩-塔克(KKT)最优条件方程，如式(9)所示，

[0105]

[0106] 式(9)中，si为松弛变量；γi和Si分别为拉格朗日乘子νi和松弛变量si主对角线元素组成的列向量；e为单位列向量；

[0107] Step4D2：采用牛顿迭代法求解一阶库恩-塔克最优条件方程，牛顿迭代法的迭代方程如式(10)所示：

[0108]

[0109] 式(10)中，[Δyi Δλi Δνi Δsi]T为所述牛顿迭代法优化变量的搜索方向；βi为所述牛顿迭代法的迭代步长，所述迭代步长可以保证拉格朗日乘子和松弛变量为正值；

[0110] 牛顿迭代法优化变量的搜索方向的求解方程如式(11)所示，

[0111]

[0112] 式(11)中，Ryi、Rλi、Rυi、Rsi位库恩-塔克条件的残差；

[0113] Step4D3将牛顿迭代法中优化变量的搜索方向的求解方程经过线性变化简化为简化方程，如(12)所示，

[0114]

[0115] 式(12)的搜索方向为[Δyi Δλi]T；Wi为与松弛变量相关的变换矩阵；

[0116] Step4D4：采用基于乔里斯基(Cholesky)因式分解的方程求解简化方程的搜索方向，基于乔里斯基(Cholesky)因式分解得到的方程，如式(13)所示，

[0117]

[0118] Step4E根据所述牛顿迭代法的迭代方程(10)以及Step4D4的乔里斯基(Cholesky)因式分解得到的方程式(13)求解最优状态变量yi；

[0119] Step4F根据最优状态变量yi求解给定时间窗口的最优目标车速序列。

[0120] 下层控制器利用接收到的驾驶员加速和制动信息，获取当前时刻动力部件的最优转矩或功率分配，然后将最优控制指令发送给动力部件控制器。各动力部件控制器根据控制指令控制动力部件执行相关操作，并将其实际输出反馈给下层控制器进行闭环修正。

[0121] 下层控制器根据上层控制器得到的最优车速，进行混合动力汽车的能量管理。

[0122] 为了实现混合动力汽车近似的实时最优能量管理，本实施例采用一种简化的ECMS控制方法，即WL-ECMS。WL-ECMS的基本原理是利用发动机和电机的Willans Line模型，将依赖于插值和查表的ECMS搜索方法近似规则化，从而将基于搜索的ECMS算法简化为与基于规则类似的算法，大大降低了程序的复杂性以节省计算的时间成本。

[0123] 发动机Willans-Line模型如式(14)所示。

[0124] Pef＝aePem+be  (14)

[0125] 式(14)中，Pef和Pem分别为燃油燃烧功率和发动机有效功率，单位为W；ae和be分别为代表发动机指示效率的倒数以及摩擦损失的回归系数，均为发动机转速的函数。

[0126] 电机的Willans-Line模型如式(15)所示。

[0127]

[0128] 式(15)中，Pme、Pmm分别为动力电池功率及电机有效功率，单位为W；am1和bm1分别为电机有效功率大于零时的回归系数；am2和bm2为电机有效功率小于零时的回归系数。am1、bm1、am2、bm2均为电机转速的函数。

[0129] 在任意采样时刻，基于Willans Line的混合动力汽车驱动模式能量管理控制策略可以用式(16)表示，该式将基于ECMS的能量管理控制策略简化为与基于规则类似的控制策略。

[0130]

[0131] 式(16)中， 为电机最优有效输出功率，单位为W； 和 分别为电机和发动机的最优输出功率，单位为W；Preq为驾驶员请求功率，单位为W。

[0132] 纯电动模式和混合动力模式均为稳态模式，混合动力汽车的驱动模式在纯电动模式和混合动力模式之间切换时，驾驶员请求功率的临界点即为纯电动模式需求功率与混合动力模式需求功率相等的点。当整车需求功率小于临界功率时，混合动力汽车的驱动模式为纯电动模式；反之，则为混合动力模式。

[0133] 本发明的一种基于车联网的混合动力汽车的分层能量管理控制方法，采用美国克莱姆森大学的大型服务器Palmetto(本优选实施例采用计算模块为HP DL580，处理器为24核Intel Xeon7542，RAM为505G)来计算上层控制器的最优目标车速，并将优化后的车速保存为Matlab数据格式，用于下层能量管理控制方法的离线硬件在环试验，试验平台为dSPACE，试验时间为450s。

[0134] 在测试程序中，设置车队中有10辆同型号的混合动力车且都在同一条车道上；汽车的初始位置为[121 109 98 85 70 60 45.5666 30.2293 15.9196 0.8724]，单位为m；初始车速为[14.5 16 15 16.3 16.7 12.08 13.0047 14.1788 10.373012.0473]，单位为m/s；模型预测的时间窗口为6s，计算的步长为0.5s；设置信号灯数量为15，红灯持续时间为40s，绿灯持续时间为15s，两个交通信号灯的距离为500m；设置汽车的最大、最小车速分别为20m/s和0。设置每辆车的整车整备质量为1750kg，迎风面积为2.36m2，空气阻力系数为
0.32，滚动阻力系数为0.015，道路坡度为0，发动机功率为103kW，电机的额定功率为40kW，峰值功率为80kW。设置[b0,b1,b2,b3]＝[0.1569,0.0245,-7.415×10-4,5.975×10-5]，[c0,c1,c2]＝[0.07224,0.09681,1.075×10-3]。

[0135] 参见图2(a)-图2(j)，图2(a)-图2(j)分别是一号车-十号车采用本发明的一种基于车联网的混合动力汽车的分层能量管理控制方法的车速轨迹示意图。图中包含上层控制器采用F-MPC和MPC的最优车速对比以及上层控制为F-MPC且下层控制器为WL-ECMS时的车速跟随曲线。由图2(a)-图2(j)可知，采用F-MPC的上层控制器最优预测车速与采用MPC的最优预测车速大致相同。另外，对于一个时间步长，上层控制器的相对计算时间由MPC的100降低到F-MPC的7.2，计算时间成本大幅度降低。验证了本实施例提出的F-MPC可以在大幅降低计算时间、实现实时控制的基础上实现与MPC相近的控制效果。由下层控制器的车速跟随曲线可知，基于WL-ECMS的下层控制器的跟随车速与上层控制器的最优预测车速基本保持一致，说明基于WL-ECMS的下层控制器可以保证良好的车速跟随，实现混合动力汽车基本的能量管理。

[0136] 参见图3(a)-图3(j)，图3(a)-图3(j)分别是一号车-十号的在基于规则-、基于WL-ECMS、基于ECMS的的控制策略策略下动力电池SOC轨迹示意图。由图可知，在三种不同的下层控制方法下，动力电池SOC的波动范围始终保持在合理的范围内，说明三种下层能量管理控制方法均能实现混合动力汽车动力电池的均衡，实现混合动力汽车基本的能量管理。对比每个子图中不同的下层控制方法下的SOC轨迹可知，整体而言，当下层控制方法依次为基于规则、基于WL-ECMS、基于ECMS时，动力电池SOC波动范围依次减小，当下层控制方法依次为WL-ECMS与基于ECMS时，SOC的波动范围相当。说明基于WL-ECMS的下层控制方法可以实现与基于ECMS相当的能量均衡控制效果，且二者的控制效果均优于基于规则的控制方法。此外，对于一个时间步长，相对计算时间由基于ECMS的100降低到基于WL-ECMS的1.48，计算时间成本大幅度降低。

[0137] 参见图4，图4为是一号车-十号车的运动轨迹曲线示意图。图中，与横轴平行的实横线表示红灯时间窗口，两个红灯时间窗口中间的空白区域表示绿灯时间窗口。由图可知，在本实施例设定的试验方案下，混合动力汽车经过交通信号灯时遇到的均为绿灯。因此，本实施例本发明专利基于的车联网的上层控制器可以有效的避免混合动力汽车红灯停车。另外，十辆车的轨迹曲线没有交点，说明本实施例的基于的车联网的上层控制器可以有效的避免混合动力汽车发生碰撞。

[0138] 表1混合动力汽车百公里油耗

[0139]

[0140] 表1分别为十辆混合动力汽车在不同上层和下层控制方法下的百公里油耗。由表1可知，当上层控制器采用F-MPC或MPC时，基于WL-ECMS的平均百公里油耗相对于ECMS的平均百公里油耗升高率仅为2.26％或3.57％。当下层控制器采用WL-ECMS或者ECMS时，基于F-MPC的平均百公里油耗相对于基于MPC的平均百公里升高率仅为0.96％或2.25％。

[0141] 通过本优选实施例可以得到，本发明的本发明的一种基于车联网的混合动力汽车的分层能量管理控制方法：上层控制器基于F-MPC与基于MPC得到的最优车速轨迹基本保持一致，对于一个时间步长，上层控制器的相对计算时间由MPC的100降低到F-MPC的7.2，且上层控制器采用F-MPC与采用MPC时的百公里油耗相差较小。下层控制器采用WL-ECMS时动力电池SOC波动在合理的范围内，车速跟随误差较小，百公里油耗接近基于ECMS的百公里油耗。对于一个时间步长，基于WL-ECMS下层能量管理控制方法的相对计算时间可以由ECMS的100降低到1.48。通过本发明的一种基于车联网的混合动力汽车的分层能量管理控制方法，求解最优目标车速，混合动力汽车在经过交通信号灯时可以有效的避免红灯停车。

[0142] 本发明的一种基于车联网的混合动力汽车的分层能量管理控制方法，基于F-MPC预测最优车速的上层控制器以及基于WL-ECMS的下层控制器均能在大幅度的降低程序运行时间、实现实时控制的前提下，保证混合动力汽车良好的燃油经济性。本发明的一种基于车联网的混合动力汽车的分层能量管理控制方法，为解决混合动力汽车的实时能量管理及优化提供新的思路。

[0143] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

[0144] 此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。