一种网联环境下考虑换道行为的HEV能量管理分层控制方法技术

本发明专利技术涉及一种网联环境下考虑换道行为的HEV能量管理分层控制方法，属于新能源汽车领域。该方法包括1)考虑换道行为的经济驾驶车速决策方法：根据车‑车通讯、车‑路侧设备通讯提供的网联信息，预测前方车辆信息，采用混杂MPC决策最优换道行为和最优速度；2)能量管理优化控制方法：基于HEV模型，通过跟踪优化的速度轨迹，对HEV进行能量分配，获得优化控制量。本发明专利技术从车速和动力系统优化两个维度，以节省能源并提高交通效率，为设计安全、节能、高效、智能的混合动力汽车奠定基础。本发明专利技术可以广泛应用于不同类型混合动力汽车经济驾驶和能量管理中。

【技术实现步骤摘要】
一种网联环境下考虑换道行为的HEV能量管理分层控制方法
本专利技术属于新能源汽车领域，涉及一种网联环境下考虑换道行为的HEV能量管理分层控制方法。
技术介绍
智能化、网联化及电动化是未来汽车的发展趋势。随着智能网联技术的快速发展，融合网联信息为混合动力汽车的节能控制提供了有力的支撑。经济驾驶作为节能控制的有效方式，受到了广泛的关注。将其融入能量管理，有助于提升整车经济性和交通效率。经济驾驶是在不同交通场景下结合交通信息(如：交通信号灯、交通约束)规划优化车速，以提升交通效率和车辆经济性，实现方式有多种，如：经济驾驶ACC。而在网联环境下，可以获取更多的交通信息(如：周围车辆信息、交通信号灯)，为开发适应性强的经济驾驶策略提供了有效的途径。能量管理策略是混合动力汽车(HEV)的核心技术，直接决定了整车经济性和动力性。然而，由于实际工况的不确定性，设计鲁棒性强的能量管理策略极具挑战。其性能与车速、需求功率有关，行驶工况受到外部交通环境(如：周围车辆、交通信号等)的影响，呈现动态变化特性。因此，考虑动态交通信息，对能量管理进行优化，提升整车经济性和算法的适应性。因此，在网联环境下，通过车-车通讯、车-路侧设备通讯获取交通信息和车辆状态，对主车速度进行优化，通过融合经济驾驶决策与能量管理策略，考虑换道行为对主车能量管理性能的影响，从纵向和横向运动控制两个维度，对能量管理实施双层优化，进一步提升整车经济性和交通效率。尤其在城市工况下，若前方交通流量较大(车辆行驶速度较慢)，仅通过纵向控制难以保证交通效率和整车经济性。现有的技术方案中均未考虑换道行为(横向控制)对能量管理性能的影响，这极大地限制了能源效率的进一步提升。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种网联环境下考虑换道行为的混合动力汽车(HEV)能量管理分层控制方法，针对目前网联环境下混合动力汽车能量管理均未考虑换道行为对其的影响，算法控制自由度低(仅有纵向控制)，无法充分发挥能量管理的节能潜力，节能效果的提升受到一定的限制，尤其在交通流量较大的情况下(如前方车辆行驶较慢)的问题，从纵向和横向运动控制两个维度，融合经济驾驶和能量管理策略，实现对网联环境下混合动力汽车动力系统的分层节能控制，提高交通效率和车辆的经济性。为达到上述目的，本专利技术提供如下技术方案：一种网联环境下考虑换道行为的混合动力汽车能量管理分层控制方法，适用于单轴并联式混合动力汽车，该方法包括以下步骤：步骤一：考虑换道行为的经济驾驶决策方法1、网联环境下周围车辆速度预测方法：通过车-车通讯、车-路侧设备通讯获取前方车辆信息和交通信息，据此，采用链条神经网络预测周围车辆状态(如：本车道前方车辆速度、目标车道车辆速度)。链条神经网络的基本原理是(如图1所示)：链条神经网络由多个单步预测网络逐一连接构成，给定第一个单步预测网络的输入后(如V和u)，产生第一次预测输出。并作为下一个单步预测网络的输入，依次进行下一步的预测，直至期望的预测步长。此外，每个单步预测网络的输入除了保留首次预测的输入量，还逐渐增加前几次的预测输出，单步预测网络的输入量随着预测步长的增加而增加。网络训练时，需对每一个单步预测网络进行训练，若需要获得一个预测p步的链条神经网络，则应训练p个不同的神经网络。预测时，应用训练好的网络对测试数据依次进行预测，以完成多步预测。这为经济驾驶决策提供车辆的预测信息。具体流程如下：1)基于VISSIM建立交通流模型，获取交通信息(如：交通信号灯状态)和前方车辆信息；2)以获得的多组信息为训练数据，采用链条神经网络获得训练模型；3)以新的样本为输入数据，利用训练模型预测前方车辆速度和目标车道车辆速度。2、考虑换道行为的经济驾驶车速决策方法运用跟车和换道模型模拟多车道交通场景，跟车采用智能驾驶员(IDM)模型，换道采用MOBIL模型，以此为基础，综合考虑交通状况(交通流等)，建立交通流模型，以驾驶效率、跟车安全性及换道安全性为目标函数，以本车道车辆速度范围、跟车安全距离、换道安全距离等为约束条件，采用混杂MPC决策最优换道行为和最优速度，获得最优速度轨迹。经济驾驶的目标函数如式(1)所示，其具体步骤如下所示。1)根据换道和跟车模型，建立模拟多车道交通场景的交通流模型；2)建立优化问题，采用混杂MPC构建考虑换道行为的经济驾驶决策问题，包括设置目标函数、约束条件，换道行为设置为离散变量，状态取值δ∈{0,1}，其中1代表主车换道，0代表主车不换道。优化目标函数如式(1)所示：其中，第一项和第二项描述了车辆驾驶效率(包含最小化燃油消耗和行驶时间)，第三项描述了跟车的安全性，第四项描述了换道的安全性，w1、w2、w3、w4为相应的权重因子，vref为目标车速，采用经验法设置；vc,0(k)表示主车速度，ac,0(k)表示主车加速度，λc,0表示与主车相关的参数，αf为常数，分别表示主车与前车的车头时距，车头时距参考值，αcm(k)表示根据当前时刻交通流的可调参数，dm,n(k)表示车辆(m,n)距主车的纵向距离；下标m，n表示在第m车道上的第n辆车，且其数值在预测时域保持不变，m取值为{l,r,c}表示左边车道、右边车道及当前车道，下标(c,0)表示在当前车道的主车。约束条件如式(2)～(6)所示：主车速度范围为：0≤vc,0(k)≤vmax(2)加速度范围为：-amin≤ac,0(k)≤amax(3)在跟车行驶场景下，主车与前车最小距离满足以下条件：xc,1(k)-xc,0(k)≥t0vc,0(k)+r0(4)在车辆换道时，对m∈{1,r}，其中，θm,n(k)描述了车辆(m,n)和(c,0)是否在同一车道，如式(6)所示：为建立多车换道交通流模型，需建立换道和跟车模型，具体如下：换道模型：如图2所示，为换道示意图，采用MOBIL模型作为换道模型，如式(7)所示：式中，a、分别为主车换道前、后加速度，下标f,nf分别为处于当前车道和目标车道(换道后)的跟随车辆，p为换道礼貌因子，数值在[0,1]之间；Δath加速度安全阈值；此外，换道后跟随车辆加速度需满足如下安全性约束条件：其中，当asafe＜0，表示安全限制；跟车模型：采用智能驾驶员模型(IDM)，如式(9)和(10)所示：其中，s(t)、v(t)分别为跟随车辆的位移和速度，amax、amin分别为加速度最大值和最小值，s0为停车时最小间距，vd为目标车速，hd为车头时距，vp(t)为前车速度，δd(t)、δ(t)分别为前后车目标间距，前后车净距离(前车尾部距本车车首)，q为可调参数。3)求解上述由(1)～(10)构成的优化问题，决策出主车最优换道行为和最优车速。步骤二：考虑换道行为的混合动力汽车能量管理优化方法在上层控制器给定最优速本文档来自技高网...

【技术保护点】
1.一种网联环境下考虑换道行为的HEV能量管理分层控制方法，其特征在于，该方法包括经济驾驶车速决策方法和能量管理优化控制方法两部分；/n1)考虑换道行为的经济驾驶车速决策方法：根据车-车通讯、车-路侧设备通讯提供的网联信息，预测前方车辆信息，采用混杂MPC决策最优换道行为和最优速度；/n2)能量管理优化控制方法：基于HEV模型，通过跟踪优化的速度轨迹，对HEV进行能量分配，获得优化控制量。/n

【技术特征摘要】
1.一种网联环境下考虑换道行为的HEV能量管理分层控制方法，其特征在于，该方法包括经济驾驶车速决策方法和能量管理优化控制方法两部分；
1)考虑换道行为的经济驾驶车速决策方法：根据车-车通讯、车-路侧设备通讯提供的网联信息，预测前方车辆信息，采用混杂MPC决策最优换道行为和最优速度；
2)能量管理优化控制方法：基于HEV模型，通过跟踪优化的速度轨迹，对HEV进行能量分配，获得优化控制量。


2.根据权利要求1所述的HEV能量管理分层控制方法，其特征在于，所述经济驾驶决策车速方法包括：由本车道前方预测速度和其它车道预测车速，根据换道模型和跟车模型，结合经济驾驶车速决策所要求的目标函数和约束条件，求解获得最优换道行为和最优车速轨迹，实现对上层经济车速的决策；
预测车速通过融合网联信息，采用链条神经网络进行预测；换道模型和跟车模型分别采用MOBIL模型和智能驾驶员模型，以模拟交通流，并且用于确定主车的约束条件；经济车速决策的目标函数：在预测时域内，由驾驶效率，经济性、换道安全性、跟车安全性加权重因子之和构成，得到考虑交通效率、安全性、经济性的统一的目标函数；约束条件包含：车速范围、加速度范围、跟车距离及主车与目标车道车辆的车间距。


3.根据权利要求2所述的HEV能量管理分层控制方法，其特征在于，所述经济驾驶决策车速方法具体包括以下步骤：
S101：根据换道和跟车模型，建立模拟多车道交通场景的交通流模型；
S102：建立优化问题，采用混杂MPC构建考虑换道行为的经济驾驶决策问题，包括设置目标函数、约束条件，换道行为设置为离散变量，状态取值δ∈{0,1}，其中1表示主车换道，0表示主车不换道；
优化目标函数如式(1)所示：



其中，w1、w2、w3、w4为相应的权重因子，vref为目标车速；vc,0(k)表示主车速度，ac,0(k)表示主车加速度，λc,0表示与主车相关的状态参数，αf为常数，分别表示主车与前车的车头时距，车头时距参考值，αcm(k)表示根据当前时刻交通流的可调参数，dm,n(k)表示车辆(m,n)距主车的纵向距离；下标m，n表示在第m车道上的第n辆车，且其数值在预测时域保持不变，m取值为{l,r,c}表示左边车道、右边车道及当前车道，下标(c,0)表示在当前车道的主车；
约束条件如式(2)～(6)所示：
主车速度范围为：
0≤vc,0(k)≤vmax(2)
加速度范围为：
-amin≤ac,0(k)≤amax(3)
在跟车行驶场景下，主车与前车最小距离满足以下条件：
xc,1(k)-xc,0(k)≥t0vc,0(k)+r0(4)
在车辆换道时，对m∈{1,r}，



其中，θm,n(k)描述了车辆(m,n)和(c,0)是否在同一车道，如式(6)所示：



为建立多车换道交通流模型，需建立换道和跟车模型，具体如下：
换道模型：采用MOBIL模型作为换道模型，如式(7)所示：



式中...

【专利技术属性】
技术研发人员：胡晓松，张风奇，唐小林，李佳承，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50