本发明公开了一种基于路况预测的双电机电动汽车智能能量管理方法，包括信息采集模块、行驶模式决策模块、速度优化模块和扭矩分配模块；信息采集模块实时采集周围环境及本车状态信息，为行驶模式决策模块提供数据支撑；行驶模式决策模块利用采集的交通流动态信息，对行驶模式进行决策；速度优化模块针对不同模式，考虑场景约束、动力学/能耗模型、未来前方交通流预测信息，进行车辆速度规划，使其满足能耗少、驾驶性好、通勤时间短和车辆跟踪性能好的目标；扭矩分配模块根据车辆当前所处环境与车辆自身状态，查表得出双电机最优效率的扭矩分配系数，将需求动力分配给前后两个电机，满足车辆动力需求和能耗最少两个目标。
1.一种基于路况预测的双电机电动汽车智能能量管理方法，其特征在于：包括信息采集模块、行驶模式决策模块、速度优化模块和扭矩分配模块；
所述信息采集模块实时采集周围环境及本车状态信息，为行驶模式决策模块提供数据支撑，具体方法如下：S101：通过车载系统的CAN通信、传感器和自身携带的高精度地图，获取当前本车纵向速度、本车位置信息；
S102：通过网联系统中V2X通信技术，获取前方车辆纵向速度、前方车辆当前位置、前方红绿灯时序信息；
所述行驶模式决策模块利用采集的交通流动态信息，对行驶模式进行决策，具体方法如下：S201：将车辆行驶模式分为非跟车模式、保持模式和跟车模式；
S202：根据本车与前车相对速度、本车与前车相对距离定义前后车时距；
S203：设定前后车时距阈值，判定本车与前车相前后车时距与阈值的关系，确定车辆当前所处行驶模式；
所述速度优化模块针对不同模式，考虑场景约束、动力学/能耗模型、未来前方交通流预测信息，进行车辆速度规划，使其满足能耗少、驾驶性好、通勤时间短和车辆跟踪性能好的目标；
所述速度优化模块中包括建立车辆动力学模型与能耗模型，车辆动力学模型如式(1a)和(1b)所描述：式中，v(t)为行驶速度，s(t)为行驶距离，M为车重，Ft(t)为驱动力，Fb(t)为制动力，为空气阻力，crg＝fcos(α(s(t)))+sin(α(s(t)))为由于滚动阻力和坡度阻力导致的车辆加速度，与道路坡度α相关；
车辆能耗损失如式(2)所描述，其能量消耗主要是由空气阻力、滚动阻力和坡度阻力造成的：对于智能交通系统中的速度轨迹最优问题，其目标是找到降低能耗的最优车速，通过T优化控制策略找到最优驱动力或者制动力u＝[Ft，Fb] ，t′＝[t，t+T]，目标函数基本形式选为式(3)所描述；
式(4)描述了具体的目标函数L，其中与能耗相关的权重因子为ω1，与车辆通勤时间/驾驶性相关的权重因子为ω2，与制动力相关的权重因子为ω3；
考虑非跟车场景中无前车的单个红绿灯场景，通过交通时空图分析得：当车辆在信号灯走廊上行驶时，如果保持当前速度不能在绿灯阶段内通过路口，最好提前加速或减速；设驾驶员期望的速度为vr，剩余绿灯时间为tr，车辆到下一个路口的距离为d，假设前车在前方距离但不接近主车γ处，在预测时域内其平均速度为vf，avg(t)，定义主车的最大允许车速vp(t)为：vp(t)＝min{vr，vf，avg(t)}‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(5)给出两种行车策略：第1种：如果车辆保持当前最大允许速度不能在绿等时间段内通过路口，即vptr≤d，则车辆将在路口停车或提前减速，在下一个绿灯阶段内通过路口；第2种：反之，车辆将保持或提高其平均速度(v(t)≤vp)，在绿灯时间段内通过路口；
上述行车策略还包括终端约束，涉及到时间tf，位置sf，速度vf终值；速度轨迹问题可以表述为一个固定终端时间和状态约束的最优控制问题，即综上所述，优化问题(3)中的相关约束总结如下：
v(t)＝v0，s(t)＝s0‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(6b)υmin(t)≤v(t)≤vmax(t)‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(6c)ub≤Ft(t)≤ua，0≤Fb(t)≤uc‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(6d)其中，vmin和vmax是由车辆本身性能限制、道路限速其他交通信息决定的速度限制；
所述扭矩分配模块根据车辆当前所处环境与车辆自身状态，查表得出双电机最优效率的扭矩分配系数，将需求动力分配给前后两个电机，满足车辆动力需求和能耗最少两个目标。
2.根据权利要求1所述的一种基于路况预测的双电机电动汽车智能能量管理方法，其特征在于：所述步骤S202的具体方法为：设定前后车时距Tc阈值Tcmax1和Tcmax2，其中Tc＞Tcmax1代表车辆与前车间距较大，且两者相对速度较小；Tc＜Tcmax2车辆与前车间距较小，且两者相对速度较大，本车速度比前车速度快；
所述步骤S203的具体方法为：当时距Tc≥Tcmax1时，工作模式处于非跟车模式；当时距Tcmax2≤Tc≤Tcmax1时，工作模式处于保持模式；当时距Tc＜Tcmax2时，工作模式处于跟车模式。
3.根据权利要求1或2所述的一种基于路况预测的双电机电动汽车智能能量管理方法，其特征在于：所述速度优化模块具体方法如下：S301：针对非跟车模式，通过控制车辆驱动力和制动力，优化车辆速度，使其满足能耗少、驾驶性好、通勤时间短的目标；
S302：针对跟车模式，利用采集的交通流动态信息，对车辆前方一段时间或距离内的交通流未来动态行为进行预测；
S303：针对跟车模式，通过控制车辆驱动力和制动力，优化车辆速度，使其满足能耗少、通勤时间短、车辆跟踪性能好的目标；
S304：求解车辆驱动力和制动力需求，将其传递给扭矩分配模块。
一种基于路况预测的双电机电动汽车智能能量管理方法
技术领域
[0001] 本发明属于电动汽车节能控制技术领域，具体涉及一种基于路况预测的双电机电动汽车智能能量管理方法。
背景技术
[0002] 节能减排是汽车永恒的主题，随着控制、传感、通信和执行器技术的快速发展，汽车电动化与智能化为促进汽车低碳清洁提供了前所未有的机遇。新能源汽车产业发展规划(2021‑2035年)明确指出，“要推动新能源汽车与智能交通、自动驾驶汽车的产业融合”。在当前的智能交通系统(Intelligent Traffic System,ITS)和车联网环境下，车辆可以充分
感知和理解复杂的交通环境、道路地理信息等，以此为背景，汽车节能控制技术不仅可以获取车辆的自身状态，也可以得到车辆行驶的道路(如坡度、曲率、限速等)和交通(拥堵状况、交通灯位置和时序等)信息。综上所述，在智能交通和汽车智能化大背景下，以更多智能道路信息和优化方法为基础的电动车能量管理技术，已经成为汽车智能化领域的热点研究方
向之一。
[0003] 纯电动汽车动力传动系统方法一般采用“单电机+减速器”，其优势在于系统结构简单、控制技术成熟。但单电机驱动系统存在以下问题：若选用功率较小的单电机，则一般难以满足汽车工作区间对其性能的要求；若选用功率较大的电机，则在复杂城市工况整车
需求功率较小的情况下，又会始终工作在电机低效区。因此，多动力源耦合传动系统方案应运而生，而其中双电机动力系统因其可以灵活调整工作状态，结构空间分布难度较小等优
点被普遍关注。
发明内容
[0004] 本发明提出一种基于路况预测的双电机电动汽车智能能量管理方法，目的在于针对技术背景中现有技术的不足，通过利用车联网环境下本车驾驶状态信息和周围环境信息
等道路交通流的动态信息，考虑双电机能耗、驾驶性、通勤时间和车辆跟踪性能等因素，分别在非跟车场景和跟车场景下，提出相应目标函数和车辆速度优化方式，使得电动车辆总
能耗最小；另外，得到车辆的动力需求后，通过查表获得最优效率的扭矩分配系数方式，从而分配前、后电机扭矩，在保证整车动力性的基础上提高经济性。
[0005] 本发明的技术方案是：一种基于路况预测的双电机电动汽车智能能量管理方法，包括信息采集模块、行驶模式决策模块、速度优化模块和扭矩分配模块；
[0006] 所述信息采集模块实时采集周围环境及本车状态信息，为行驶模式决策模块提供数据支撑，具体方法如下：
[0007] S101：通过车载系统的CAN通信、传感器和自身携带的高精度地图，获取当前本车纵向速度、本车位置信息；
[0008] S102：通过网联系统中V2X通信技术，获取前方车辆纵向速度、前方车辆当前位置、前方红绿灯时序信息；
[0009] 所述行驶模式决策模块利用采集的交通流动态信息，对行驶模式进行决策，具体方法如下：
[0010] S201：将车辆行驶模式分为非跟车模式、保持模式和跟车模式；
[0011] S202：根据本车与前车相对速度、本车与前车相对距离定义前后车时距；
[0012] S203：设定前后车时距阈值，判定本车与前车相前后车时距与阈值的关系，确定车辆当前所处行驶模式；
[0013] 所述速度优化模块针对不同模式，考虑场景约束、动力学/能耗模型、未来前方交通流预测信息，进行车辆速度规划，使其满足能耗少、驾驶性好、通勤时间短和车辆跟踪性能好的目标；
[0014] 所述扭矩分配模块根据车辆当前所处环境与车辆自身状态，查表得出双电机最优效率的扭矩分配系数，将需求动力分配给前后两个电机，满足车辆动力需求和能耗最少两
个目标。
[0015] 进一步地，步骤S202的具体方法为：设定前后车时距Tc阈值Tcmax1和Tcmax2，其中Tc＞Tcmax1代表车辆与前车间距较大，且两者相对速度较小；Tc＜Tcmax2车辆与前车间距较小，且两者相对速度较大，本车速度比前车速度快；
[0016] 进一步地，步骤S203的具体方法为：当时距Tc≥Tcmax1时，工作模式处于非跟车模式；当时距Tcmax2≤Tc≤Tcmax1时，工作模式处于保持模式；当时距Tc＜Tcmax2时，工作模式处于跟车模式。
[0017] 进一步地，速度优化模块具体方法如下：
[0018] S301：针对非跟车模式，通过控制车辆驱动力和制动力，优化车辆速度，使其满足能耗少、驾驶性好、通勤时间短的目标；
[0019] S302：针对跟车模式，利用采集的交通流动态信息，对车辆前方一段时间或距离内的交通流未来动态行为进行预测；
[0020] S303：针对跟车模式，通过控制车辆驱动力和制动力，优化车辆速度，使其满足能耗少、通勤时间短、车辆跟踪性能好的目标；
[0021] S304：求解车辆驱动力和制动力需求，将其传递给扭矩分配模块。
[0022] 本发明获得的有益效果是：速度优化问题求解过程中引入了道路交通流的动态信息，解决了非跟车场景和跟车场景的能量优化问题；下层扭矩分配方法用于双电机电动汽
车分布式独立驱动方案中，滚动优化并能获取最优效率的分配系数，解决分布式双电机电
动汽车在分层能量管理方法。
附图说明
[0023] 图1为根据车联网信息进行车辆行驶模式决策的流程图；
[0024] 图2为本发明双电机电动汽车分布式独立驱动结构示意图。
[0025] 具体实施方法
[0026] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实
施例，都应属于本发明保护的范围。
[0027] 一种基于路况预测的双电机电动汽车智能能量管理方法，包括信息采集模块、行驶模式决策模块、速度优化模块和扭矩分配模块；
[0028] 所述信息采集模块实时采集周围环境及本车状态信息，为行驶模式决策模块提供数据支撑，具体方法如下：
[0029] S101：通过车载系统的CAN通信、传感器和自身携带的高精度地图，获取当前本车纵向速度、本车位置信息；
[0030] S102：通过网联系统中V2X通信技术，获取前方车辆纵向速度、前方车辆当前位置、前方红绿灯时序信息；
[0031] 如图1所示，行驶模式决策模块利用采集的交通流动态信息，对行驶模式进行决策，具体方法如下：
[0032] S201：将车辆行驶模式分为非跟车模式、保持模式和跟车模式；
[0033] S202：根据本车与前车相对速度、本车与前车相对距离定义前后车时距；
[0034] S203：设定前后车时距阈值，判定本车与前车相前后车时距与阈值的关系，确定车辆当前所处行驶模式；
[0035] 所述速度优化模块针对不同模式，考虑场景约束、动力学/能耗模型、未来前方交通流预测信息，进行车辆速度规划，使其满足能耗少、驾驶性好、通勤时间短和车辆跟踪性能好的目标；
[0036] 所述扭矩分配模块根据车辆当前所处环境与车辆自身状态，查表得出双电机最优效率的扭矩分配系数，将需求动力分配给前后两个电机，满足车辆动力需求和能耗最少两
个目标。
[0037] 进一步地，步骤S202的具体方法为：设定前后车时距Tc阈值Tcmax1和Tcmax2，其中Tc＞Tcmax1代表车辆与前车间距较大，且两者相对速度较小；Tc＜Tcmax2车辆与前车间距较小，且两者相对速度较大，本车速度比前车速度快；
[0038] 进一步地，步骤S203的具体方法为：当时距Tc≥Tcmax1时，工作模式处于非跟车模式；当时距Tcmax2≤Tc≤Tcmax1时，工作模式处于保持模式；当时距Tc＜Tcmax2时，工作模式处于跟车模式。
[0039] 进一步地，速度优化模块具体方法如下：
[0040] S301：针对非跟车模式，通过控制车辆驱动力和制动力，优化车辆速度，使其满足能耗少、驾驶性好、通勤时间短的目标；
[0041] S302：针对跟车模式，利用采集的交通流动态信息，对车辆前方一段时间或距离内的交通流未来动态行为进行预测；
[0042] S303：针对跟车模式，通过控制车辆驱动力和制动力，优化车辆速度，使其满足能耗少、通勤时间短、车辆跟踪性能好的目标；
[0043] S304：求解车辆驱动力和制动力需求，将其传递给扭矩分配模块。
[0044] 根据车联网信息决策车辆工作模式的方法是：路况预测信息由车载全球定位系统(GPS)、地理信息系统(GIS)和智能交通系统(ITS)采集得到：红绿灯时序信息，本车车速vh，前车车速vp，前后车相对距离Δs。定义以下变量：前后车相对速度Δv＝vp‑vh，前后车时距其中时距的概念和一般驾驶经验相吻合，反映了前后车的动态安全情况：当本车车
速较高时，要保证相同的安全时距，跟车的距离应该相应增大；反之，当车速较低时，跟车的距离可以相应减小。
[0045] 行使模式决策模块中，不同工作模式下的速度优化过程如下：
[0046] 1)建立车辆动力学模型与能耗模型
[0047] 在速度优化问题中考虑的车辆动力学方程如式(1)所描述。
[0048]
[0049]
[0050] 式中，v(t)为行驶速度，s(t)为行驶距离。M为车重，Ft(t)为驱动力，Fb(t)为制动力， 为空气阻力，crg＝fcos(α(s(t)))+sin(α(s(t)))为由于滚动阻力和坡度阻力导致的车辆加速度，与道路坡度α相关。
[0051] 车辆能耗损失如式(2)所描述，其能量消耗主要是由空气阻力、滚动阻力和坡度阻力造成的。
[0052]
[0053] 对于智能交通系统中的速度轨迹最优问题，其目标是找到降低能耗的最优车速，T
通过优化控制策略找到最优驱动力或者制动力u＝[Ft，Fb] ，t′＝[t，t+T]，目标函数基本形式选为式(3)所描述。
[0054]
[0055] 式(4)描述了具体的目标函数L，其中与能耗相关的权重因子为ω1，与车辆通勤时间/驾驶性相关的权重因子为ω2，与制动力相关的权重因子为ω3。
[0056]
[0057] 2)非跟车场景中速度优化
[0058] 考虑非跟车场景中无前车的单个红绿灯场景，通过交通时空图分析得：当车辆在信号灯走廊上行驶时，如果保持当前速度不能在绿灯阶段内通过路口，最好提前加速或减
速。设驾驶员期望的速度为vr，剩余绿灯时间为tr，车辆到下一个路口的距离为d，假设前车在前方距离γ处(但不接近主车)，在预测时域内其平均速度为vf，avg(t)，定义主车的最大允许车速vp(t)为：
[0059] vp(t)＝min{vr，υf，avg(t)}‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(5)[0060] 给出两种行车策略：(1)如果车辆保持当前最大允许速度不能在绿等时间段内通过路口，即vptr≤d，则车辆将在路口停车或提前减速，在下一个绿灯阶段内通过路口；(2)反之，车辆将保持或提高其平均速度(v(t)≤vp)，在绿灯时间段内通过路口。
[0061] 上述行驶策略还包括终端约束，涉及到时间tf，位置sf，速度vf终值。速度轨迹问题可以表述为一个固定终端时间和状态约束的最优控制问题，即
[0062] 综上所述，优化问题(3)中的相关约束总结如下：
[0063]
[0064] v(t)＝v0，s(t)＝s0‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(6b)[0065] υmin(t)≤v(t)≤υmax(t)‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(6c)[0066] ub≤Ft(t)≤ua，0≤Fb(t)≤uc‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(6d)[0067] 其中，vmin和vmax是由车辆本身性能限制、道路限速其他交通信息决定的速度限制。
[0068] 3)跟车场景中基于交通流预测的速度优化
[0069] 在跟车场景下，假设车联网环境下的信息均可以精确获得，延迟忽略不计。应用可使用较少参数表示汽车跟随行为，并且描述真实交通流许多特征的智能驾驶模型(Intelligent Driver Model，IDM)进行前方交通流预测。具体方法是：通过首车共享的速度信息，利用未来的交通状态公式获得临近前车的未来轨迹。而为了使用预测的交通信息，可以利用交通流预测数据来预测前面交通流的未来平均速度。具体来说，在第k个预测步长中，平均速度可以估计为：
[0070]
[0071] 为了提高道路容量，设置vr(k)＝v(k)。
[0072] 上述行驶策略除了满足非跟车场景中的约束，还需要本车与前车保持安全跟车距离等。假设本车和前车的最大减速度均为ah，maxbr＝ap，maxbr＝g，那么在发生事故时，两车的行驶距离分别为：
[0073]
[0074]
[0075] 其中，vp为临近前车的速度，则避免碰撞的最小安全距离可计算为：
[0076] ssafe＝max(vhTr，sh，br‑sp，br)‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(9)[0077] 因此，在时间步长k处的距离的约束为：
[0078] sh(k)≤sp(k)‑ssafe(k)‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(10)[0079] 扭矩分配模块中，以双电机电动汽车分布式独立驱动方案为例，扭矩分配方法如下：
[0080] 如图2所示，采用双电机电动汽车分布式独立驱动方案，具有驱动前轴电机和驱动后轴电机，其中，电机与车轴的连接方式均为通过减速器连接。前后电机各有与整车控制单元VCU通过CAN总线相连的控制器MCU_F和MCU_R，控制调配前后轴扭矩分配，同样与整车控
制单元VCU通过CAN总线相连的还有电池管理系统BMS，上述控制单元均通过电池包进行供
电。
[0081] 前后轴电机均为永磁同步电机，通过其等效率曲线和峰值外特性曲线，在不同转速下通过最小二乘法拟合出扭矩‑效率MAP，前、后轴电机的拟合MAP分别为：
[0082]
[0083] 其中，ηf与ηr分别表示前后轴电机效率，Tef和Ter分别表示前后轴电机扭矩，mf1、mf2、mf3和mr1、mr2、mr3分别表示前、后轴电机扭矩‑效率曲线的系数。
[0084] 基于双电机综合最优效率的扭矩分配问题可转化为前后轴扭矩分配系数λ的确定问题，系数λ定义为前后电机扭矩分配系数，即前电机扭矩与总需求电机扭矩之比，即λ＝Tf/T
[0085] 目标函数：双电机总效率最高，数学描述为：
[0086] maxη(Tef，Ter)＝λη(Tef)+(1‑λ)ηr(Ter)‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(12)[0087] 约束条件：
[0088] Tef+Ter＝Te
[0089] Tef≤Tefmax
[0090] Ter≤Termax‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(13)[0091] 其中，η(Tef，Ter)是双电机总效率。
[0092] 由于需要基于电动车当前所处工况而适应性分配电动车的前后轴扭矩，根据前后电机效率MAP、所需电机扭矩以及当前车速，判断前后轴扭矩分配系数λ具体值。采用的是通过标定实验预先获得的需求扭矩‑车速‑前后轴扭矩分配系数MAP，在使用过程中根据该映射关系，以及对应的需求扭矩和车速即可查表获得具有最佳效率的扭矩分配系数。
[0093] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
