基于速度预测的插电式混合动力商用车最佳能量管理策略外文翻译资料
2022-08-09 19:56:39
英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
基于速度预测的插电式混合动力商用车最佳能量管理策略
摘要
插电式混合动力汽车的一个主要优点是其高燃油经济性，这与它们的能源管理策略和驾驶周期密切相关。在这项研究中，基于马尔可夫模型和反向传播神经网络，提出了一种改进的速度预测方法。当预测时间为3 s时，新欧洲行驶周期的预测速度的均方根误差为0.1511 m / s。此外，在混合动力电动客车上对速度预测算法进行了车辆测试，验证了可靠性和实时性。在此基础上，提出了一种结合速度预测的基于模型预测控制的能量管理策略。为了减轻计算和存储负担并限制电池的充电状态，将基于充电状态的自适应等效消耗最小化策略应用于基于预测控制的能量管理策略。通过仿真，拟议的基于速度预测的能源管理策略在新欧洲行驶周期中将插电式混合动力电动汽车的燃油经济性提高了3.11％和7.93％，而在全球协调轻型汽车测试中则为2.96％和11.02％这些程序分别与自适应等效消耗最小化策略和等效消耗最小化策略进行比较。
关键词：PHECV；速度预测；马尔可夫模型；BP神经网络；EMS；MPC
1 介绍
与传统的混合动力汽车（HEV）相比，插电式混合动力汽车（PHEV）具有更大的电池容量和更长的行驶里程[1]。能源管理策略（EMS）对于改善PHEV燃油经济性至关重要[2]，这与车辆的驾驶周期密切相关[3]。能够获得更好燃油经济性的预测性EMS可以在较短的未来驾驶周期预测中实时实施[4,5]。基于驾驶周期预测的EMS主要基于速度预测，而燃油经济性的优化潜力与系统的预测精度和实时性能密切相关。
1.1 文献评论
存在几种类型的速度预测算法，可以将其分为两种不同的类型，基于遥测传感器或基于车载传感器。参考[6-9]采用遥测传感器和全球定位系统（GPS）来预测未来的速度。车辆的车载辅助设备（例如GPS接收器和通用分组无线服务无线模块）允许通过先前车辆与控制中心之间的数据通信来预测行驶周期[10]。然而，遥测或车载传感器不仅成本更高，而且相应的速度预测算法也增加了车辆控制策略的复杂性和计算负担。因此，避免使用遥测或车载传感器更为可行。对于插电式混合动力电动汽车（PHECV），例如公共汽车和通勤车，其行驶周期比乘用车的行驶周期更固定。因此，可以使用机器学习方法将其历史驾驶周期数据应用于预测未来速度[11]。
在用于速度预测的机器学习方法中，通常使用Markov模型和神经网络。张等人采用一阶齐次马尔可夫链的状态转移概率矩阵建立主干道路和高速公路的速度预测模型，预测精度为70.5％-90.1％[12]。有限状态马尔可夫链被应用于参考文献中的驾驶循环预测算法的构建[13-16]。参考[17]建立了一个多步马尔可夫预测模型，以预测插电式混合动力公交车（HEB）的近期行驶速度。谢等人采用了马尔可夫链蒙特卡罗方法来预测每个当前状态下HEB的速度序列，并采用后处理算法来缓和预测结果的波动。当预测时间大于5 s时，预测精度大于0.416 m / s [18]。参考[19］利用人工神经网络和车辆导航系统制定了基于位置的速度预测方法，平均预测误差小于1.11 m / s。参考[20,21]建立了径向基函数神经网络，以根据车辆的历史速度来预测短期车辆速度。参考文献中的预测结果[21]接近实际速度曲线，当输出长度为10 s时，次均方根误差（RMSE）为0.4396 m / s。谢等人收集了中国二级公路的行驶参数，包括弯道半径，坡度和行驶速度。随后，使用线性回归，多项式回归，反向传播（BP）神经网络和模糊神经网络来预测第85个百分点的速度。对预测准确性进行了比较和分析；结果表明，BP神经网络具有较高的预测精度和较低的约束条件[22]。Sun等人分别使用马尔可夫模型和神经网络收集了混合动力汽车的行驶速度数据和预测的未来速度。对于标准行驶周期，例如城市测功机行驶时间表和高速公路燃油经济性测试，预测时间为5 s的速度预测精度介于2.2747 m / s至3.6678 m / s之间[23]。
对于具有固定行驶周期的商用车辆，例如公共汽车和通勤车辆，使用马尔可夫模型或神经网络的现有速度预测方法可以成功地预测速度，预测精度需要提高。另外，许多研究人员已经研究了用于PHEV或HEV的基于速度预测的EMS，作为提高车辆燃油经济性的一种手段。
启发式EMS具有良好的实时性能，稳定性和鲁棒性，因此经常被用于HEV或PHEV [24]。参考[25]根据预测的速度优化了PHEV的基于规则的EMS参数，从而使燃油经济性提高了7.14％。刘等人根据从GPS /地理信息系统获得的上坡道路上的预测行驶周期，优化了PHEV的电量消耗（CD）和电量维持（CS）策略[2]。陈等人运用动态邻域粒子群优化算法根据预测速度为PHEV优化基于规则的EMS，从而使燃油经济性降低了9.7％[5]。参考[10]根据预测的驾驶周期提出了一种多模式切换逻辑控制策略，目标是改善插入式HEB团队针对特定城市公交路线的燃油经济性。在参考文献中[26,27]，将驾驶周期预测与模糊逻辑策略结合起来，以优化PHEV的发动机和电动机之间的扭矩分配。参考[14]还提出了一种用于PHEV的模糊逻辑控制，然后根据预测的速度采用遗传算法对隶属函数参数和规则进行优化。优化的EMS使燃油成本和排放分别降低了17％和14％。
与启发式EMS相比，瞬时最佳EMS可以实现更好的燃油经济性。等效消费最小化策略（ECMS）作为即时策略已引起了广泛关注[28]，其最初源自庞氏最小原理。ECMS基于等效油耗的最小化立即为发动机和电动机分配动力。通常使用ECMS的当量因数进行适应。一些研究人员将速度预测应用于自适应ECMS（AECMS）中，以获得更好的燃油经济性。参考[21]利用速度预测器为ECMS的实时等效因子自适应提供临时驾驶信息，从而使混合动力汽车的燃油消耗降低了3％以上。张等人根据确定的驾驶行为和预测的实时交通信息，为PHEV制定了改进的AECMS，可节省超过5％的燃油经济性[29]。参考[30]建立了具有由流量预览调整的参数的ECMS。参考[16]为PHEV定义了一个在线实现的ECMS，其控制集通过离线随机动态编程根据预测的速度进行了优化。
由于模型预测控制（MPC）用于预测范围内的优化，因此基于MPC的EMS在理论上是一种即时优化方法，因此与ECMS或AECMS相比，能够更好地改善燃油经济性。MPC提供了一种预测方案，可以将未来的周期信息纳入各种EMS [31]。此外，即使考虑各种约束条件，MPC仍具有良好的在线优化效果和较高的鲁棒性[32]。因此，研究人员对用于PHEV的基于MPC的EMS越来越感兴趣。一些研究人员将速度预测合并到MPC中，以优化PHEV的燃油经济性。参考[18]在PHEV的驾驶周期预测自适应EMS中应用了随机MPC，从而使燃油经济性降低了1.9％。参考[17]用多步马尔可夫链速度预测器制定了基于MPC的EMS，从而节省了行驶50公里以上路程的燃油成本。MPC的优化目标是使燃料消耗最小化并跟踪总体目标充电状态（SOC）轨迹。参考[20]在非线性MPC中采用前向动态编程来开发基于实时速度预测器的EMS，用于双模式功率分配混合动力汽车，以提高车辆的效率。同样，参考文献[13]开发了一种基于DP的最短路径随机EMS，并结合了先验驾驶循环，将燃油经济性提高了11％。
1.2 目的与创新
对于插电式混合动力汽车和混合动力汽车，基于速度预测的EMS能够实现良好的燃油经济性，这受速度预测的准确性影响很大[8]。如前所述，大多数现有速度预测方法要么利用马尔可夫模型，要么利用神经网络，因此预测精度需要改进。为了提高预测精度，本研究开发了一种新颖的速度预测算法，该算法使用马尔可夫模型预测速度，使用BP神经网络补偿速度预测误差，并使用滤波来平滑速度预测。仿真时，提出的速度预测算法对新欧洲行驶周期（NEDC）表现出很高的准确性。实验结果还表明，当使用具有给定路线的公共汽车进行测试时，提出的速度预测方法是可行的。
此外，对现有基于速度预测的EMS的文献综述表明，基于MPC的EMS可以提高燃油经济性。尽管如此，MPC模型的优化目标主要是使燃料消耗最小化并跟踪全局目标SOC轨迹。应该先计算目标SOC轨迹，这会增加控制器的计算负担。对于PHEV，如果SOC高且行进距离短，则车辆应以CD模式行驶。另一方面，当SOC低或行驶距离长时，车辆应以CS模式行驶。根据参考文献[17]的研究结果，基于MPC的EMS仅在行进距离大于50 km（比大多数典型或常规驾驶周期远）的情况下才节省燃料成本。因此，对PHEVs的CS模式进行基于速度预测的EMS优化是至关重要的。这项研究的重点是CS模式EMS。这项研究创新地将基于SOC的AECMS与MPC结合在一起，为PHEV构建基于速度预测的EMS，以提高燃油经济性。此外，提出了一种新的基于MPC的EMS框架，以减轻计算和内存负担，从而提高了实时性能。
1.3 论文的组织
该研究的组织如下：在节2提出了一种基于马尔可夫模型和BP神经网络的速度预测方法。在给定路线的HEB上，利用NEDC进行仿真和车辆试验，测试了所提出的速度预测算法的准确性和有效性。在节3中，带有P2配置的PHECV的模型是根据实验测试数据建立的。节4 提出了基于最优速度预测的EMS，它将基于SOC的AECMS与MPC相结合。在节5中，使用NEDC和全球协调轻型车辆测试程序（WLTP）对CS模式下基于速度预测的EMS，AECMS和ECMS在PHECV上的仿真测试进行了比较和分析。最后，结论在节6中得出。
2 基于马尔可夫模型和BP神经网络的速度预测算法
对于具有给定路线的车辆（例如公共汽车和通勤车辆），可以使用数学统计和基于历史驾驶数据的机器学习方法来预测未来速度。诸如Markov模型和神经网络之类的机器学习方法先前已被用于速度预测算法的开发[12-23];但是，驾驶周期预测的准确性需要改进。
2.1 基于马尔可夫模型的速度预测算法
马尔可夫模型广泛用于自然科学和工程技术中，可以有效地进行状态预测[33]。马尔可夫过程可以用等式(1)表示，具有非后效属性；车辆的未来状态具有很强的随机性和非后效应。例如，先前的驾驶状态对当前的驾驶状态没有直接影响，因此，车辆的驾驶状态具有马尔可夫特征[34]。应用马尔可夫过程来预测速度，参考[12-18,23]，同样，本研究最初利用马尔可夫过程来预测速度。
在本研究中，选择NEDC来说明基于Markov的速度预测算法的发展。首先，将每秒的速度和加速度提取为行驶循环状态点，如图1。
图1 NEDC的驱动周期状态点
获取NEDC状态网络后，将删除没有状态点的网格。然后，对其余的网格进行编码，如下 剩余内容已隐藏，支付完成后下载完整资料
