行之知识产权综合服务平台

技术领域

本发明涉及一种网联智能电动车辆一体化建模与集成控制方法,特别涉及一种实时最优的网联智能电动车辆一体化建模与集成控制方法。

背景技术

随着全球经济的高速发展，能源和环境问题日益突出，节约能源、保护环境已成为世界各国共同面临的重大挑战。传统汽车对单一石油资源的依赖性导致石油短缺，其尾气排放也严重地污染着环境，研究新能源汽车相关技术已成为未来汽车工业的发展方向。美国、日本、欧盟等国家和地区都将发展安全经济和清洁的交通能源作为国家能源战略和汽车产业发展战略的重要内容。

北美国家推广的新型能源动力汽车主要采用混合动力系统，美国仍是最大的新能源轿车销售国，2014年累计销售12万辆。欧洲主要采用混合动力系统与插电式混合动力系统，开始应用在线快充系统(钛酸锂负极电池与超级电容)，推广数量约2500辆。日本主要以混合动力为主要技术路线，是世界上最大的混合动力轿车销售市场。

我国对新能源汽车产业的发展也做出了明确的支持。2010年国务院发布《关于加快培育和发展战略性新兴产业的决定》，确定将新能源汽车作为七大战略性新兴产业之一。2012年《节能与新能源汽车产业发展规划（2012―2020年）》提出以纯电驱动为新能源汽车发展和汽车工业转型的主要战略取向，当前重点推进纯电动汽车和插电式混合动力汽车产业化。《规划》提出到2015年，纯电动汽车和插电式混合动力汽车累计产销量达到50万辆；到2020年，纯电动汽车和插电式混合动力汽车生产能力达到200万辆，累计产销量超过500万辆。

汽车产业是当今时代世界经济的重要产业，近年来，新一轮科技革命和产业革命正向纵深发展，以互联网为代表的新一代信息技术与汽车产业的加速融合推动了汽车产品形态和分布的深刻变革，汽车已开始向大型移动智能终端的方向演变。汽车、信息、互联网等行业企业研究院所高校及各国政府纷纷加大对智能网联汽车发展的部署，产业发展呈现新的发展方向和趋势。在此背景下，传统汽车企业纷纷加快智能汽车的发展，大型互联网企业纷纷加速向智能汽车产业渗透和布局，汽车产业价值链正在智能化的推动下加快重塑。另一方面，面对环境和能源危机，建立绿色高效安全的智能车联网系统是世界各国实施节能减排的重要措施。相比于传统的内燃机车辆，具有更好经济性、排放和网联性能的电动车辆正成为智能车联网系统的重要组成部分。作为智能电动车辆联网系统的关键单元，电动车辆的一体化建模至关重要。考虑到车网环境的复杂多变性，网络内部大数据状态以及传统方法的缺点，基于模型的智能电动车辆网络管理和集成控制方法研究得到了国际学术界和工程界的广泛关注，对智能电动车辆联网技术的发展和普及具有重大的科学价值。另一方面，作为电动车辆的关键能量单元，动力电池的性能直接影响车辆的燃油经济性和动力性能。为了确保动力电池在极为复杂的车辆行驶环境下能够安全，可靠和高效地运行，需要对动力电池实施有效的实时管理。这类智能电动车辆联网系统的关键技术为：电动汽车系统建模技术、基于车路/车车协同的车辆智能驾驶技术和汽车自适应巡航控制技术等。本项目主要研究智能混合动力电动车辆和插电式混合动力电动车辆一体化建模和集成控制方法，综合考虑安全、节能和环保目标，对系统进行实时动态协同控制。与发达国家相比，现有的智能电动车辆系统仍存在以下问题：从技术性能看，系统实时性能和效率低下，体积和质量偏大，模块化程度不足；在产品集成度、可靠性和系统应用技术方面，仍然具有较大瓶颈。

发明内容

本发明的目的在于克服上述现有技术中不足提供一种采用实时最优控制导向的系统模型建立的性能可靠、效率高、成本低的网联智能电动车辆一体化建模与集成控制方法。

本发明的技术方案是这样实现的：一种网联智能电动车辆一体化建模与集成控制方法，该方法包括：（1）智能电动车辆模型自动优化配置；（2）基于车联网的智能电动车辆预测控制分析，建立新的评估模型一致有用性的指标体系；（3）综合车联网要素、通信延迟和变化工况与实时集成控制系统的关系，建立了随机系统框架下预测控制系统的稳定性和鲁棒性分析理论，权重模型参数自动调节；（4）以实际交通数据模拟变化工况，研究实时预测电池管理系统的有效性，研究模型误差和预测区间长短对系统性能的影响规律。

所述（1）中的智能电动车辆模型自动优化配置包括智能混合动力电动车辆拓扑结构设计、测试和理论分析方法；首先系统分析比较首先系统分析比较现存混合动力汽车拓扑结构的特点，然后分别建立它们的系统动力学模型，并分析其系统矩阵，探索其一般规律；最后利用发现的一般规律设计模型自动优化配置程序和软件，并利用软件得到所有可能的车辆配置，对它们进行系统分析，并进行参数优化配置。

所述（2）中建立新的评估模型一致有用性的指标体系，指标体系包括对模型复杂度、在训练和验证数据上的精度以及推广模型到车辆队列上的能力的综合评价；系统比较两个常用的集中参数车辆模型的一致有用性，运用先进的粒子群算法对模型参数进行优化配置。

所述（3中）综合车联网要素、通信延迟和变化工况与实时集成控制系统的关系，建立随机系统框架下预测控制系统的稳定性和鲁棒性分析理论，研究实时控制导向的智能电动车辆联网系统参数的解析化，即用光滑的解析函数描述模型参数对网联元素的相关性，使其在基于模型的实时集成控制系统中更为有用；基于实时最优的模型结构，设计先进的基于参数自动寻优的粒子群算法和模型预测控制相结合的两步优化算法，用于系统地比较不同控制系统的优化性能、鲁棒性能和效率，结合大量的测试数据，系统地分析和评估设计控制系统相对于变化的工况、通信延迟和车联网要素的鲁棒性。

所述（4）中以实际交通数据模拟变化工况，研究实时预测电池管理系统的有效性，是指采用实时最优控制导向的电池模型，利用实际道路交通数据模拟变化工况，对电池容量进行预测估计、对电池进行智能充放电，建立能够应用于实车实时控制的电池管理系统；建立电池寿命模型相对于高效可测参数的解析函数，通过优化拟合建立电池容量估计器，然后利用获得的估计器估计全体电池的容量值。

所述（4）中研究模型误差和预测区间长短对系统性能的影响规律，对跟车模型、交通流模型、周围车辆模型、道路坡度模型以及交通信号灯信息模型增加误差，探索模型误差对预测控制策略的影响；由于蓄电池的时间常数比发动机以及电机慢很多，预测区间的长短对蓄电池的影响比发动机以及电机大。

基于车联网的智能电动车辆预测控制分析,本项目拟采取预测控制算法对智能电动车辆进行一体化控制；车联网环境下，信息具有大数据特征，如何有效地利用这些数据对车辆的工况进行预测至关重要；知道车辆的工况后，对车辆的优化控制就可以运用全局优化算法动态规划求出全局最优量；但是由于我们不可能获得全部的车辆工况信息，我们只能采取区间优化策略即模型预测控制策略。模型预测控制的基本原理为：在每一个采样时刻，根据预测模型对系统未来代价函数进行预测，通过对未来预测区间内的性能指标进行优化，并根据实测对象的输出进行反馈校正，将控制策略设计转化为优化过程，通过求解相应预测区间的优化问题得到控制序列，并将序列的第一个控制量作用于系统，实现反馈控制，之后在下一个采样时刻，将预测区间向前推进一步，不断重复该过程。运用建立的混合动力汽车系统模型，公式化系统最优控制问题，通过快速数值方法求解最优控制问题，得到系统最优控制序列，应用序列的第一个控制量于系统，预测区间向前推进一步，重复上述过程。由全球定位系统采集车辆的位置信息，作为实时车辆状态反馈；由车载雷达测速装置采集前方车辆速度，用于跟踪控制。由智能交通系统采集交通信号信息以及实时路况信息，用于智能交通控制。由卡尔曼滤波器利用采集的蓄电池信息对蓄电池荷电状态进行估计。混合动力汽车的蓄电池目标荷电状态依据道路坡度信息设计，以回收更多的免费再生制动能量；最优控制的性能指标为发动机燃油经济性、系统约束为车辆安全间距、旋转系转速和转矩约束、蓄电池功率和荷电状态约束等。预测控制的输入量为发动机，电机以及摩擦制动力矩；节能原理为利用未来道路交通信息，尽量回收车辆减速再生制动能量和防止车辆遭遇红灯制动工况。

权重模型参数自动调节，采用粒子群算法自动调节权重系数。运用驾驶员特性决定车辆未来行驶工况，并探索跟车模型和道路坡度模型、交通流模型、周围车辆模型以及交通信号灯信息模型对混合动力汽车蓄电池荷电状态的影响规律。综合预测未来道路交通信息，对混合动力汽车的能量分配进行优化，探讨可进行实车控制的实时控制算法。

本发明的技术方案产生的积极效果如下：本发明采用实时最优控制导向的系统模型，利用实际道路交通数据模拟变化工况，对系统进行预测控制、对电池进行智能充放电，建立能够应用于实车实时控制的整车系统。另外，本发明的技术方案还有以下优点：

第一，本发明为集成式电动车辆系统，具有效率高、检测和控制精度高、成本低、稳定性强等特点。

第二，本发明的主控芯片为最新的DSP集成芯片，具有采样精度高、成本低等特点。

第三，本发明的智能电动车辆系统能够根据车辆未来工况进行自适应控制。

第四，本发明的参数在线估计算法，通过粒子群算法进行在线最优估计，提高了估计的精度和效率。

第五，本发明的鲁棒控制算法，通过模式识别工况，提高了控制的精度和时效。

附图说明

图1为本发明模型驱动的智能电动车辆研究技术方案图。

图2为本发明技术路线图。

图3为本发明系统控制策略流程图。

图4为本发明预测控制器结构图。

具体实施方式

图1为本发明技术方案图。即模型驱动的智能电动车辆研究。首先对两类不同拓扑结构的车辆进行大量的测试分析，从而建立两个多功能的数据库。然后，基于数据库，序列地针对车辆模型结构比较、模型参数最优解析化、车联网系统实时最优控制和电池实时管理系统等问题展开系统地研究。

图2为本发明技术路线图，采用系统理论建模、数值模拟优化仿真以及实验平台验证分析相结合的研究方法，运用基于模型的系统开发技术，走边开发边验证的技术路线。首先，在Matlab/Simulink上建立智能电动车辆自动优化配置软件；然后，整合建立电动车辆整车系统仿真模型，包括整车、发动机、电机、电池和变速器模型，并设计集成预测控制算法，包括顶层整车预测控制器和底层反馈控制器，对车联网要素(交通信号灯、交通流、周围车辆)进行预测分析；最后，在智能电动车辆实验平台上对设计的集成控制系统相对于车联网要素、通信延迟和变化工况的实时性、稳定性、鲁棒性进行分析。

图3为系统控制策略流程图。运用建立的混合动力汽车系统模型，公式化系统最优控制问题，通过快速数值方法求解最优控制问题，得到系统最优控制序列，应用序列的第一个控制量于系统，预测区间向前推进一步，重复上述过程。

图4为预测控制器结构图。由全球定位系统采集车辆的位置信息，作为实时车辆状态反馈。由车载雷达测速装置采集前方车辆速度，用于跟踪控制。由智能交通系统采集交通信号信息以及实时路况信息，用于智能交通控制。由卡尔曼滤波器利用采集的蓄电池信息对蓄电池荷电状态进行估计。混合动力汽车的蓄电池目标荷电状态依据道路坡度信息设计，以回收更多的免费再生制动能量。最优控制的性能指标为发动机燃油经济性、系统约束为车辆安全间距、旋转系转速和转矩约束、蓄电池功率和荷电状态约束等。预测控制的输入量为发动机，电机以及摩擦制动力矩。节能原理为利用未来道路交通信息，尽量回收车辆减速再生制动能量和防止车辆遭遇红灯制动工况。

网联智能电动车辆一体化建模与集成控制方法，如图1、2、3、4所示，该方法包括：（1）智能电动车辆模型自动优化配置；（2）基于车联网的智能电动车辆预测控制分析，建立新的评估模型一致有用性的指标体系；（3）综合车联网要素、通信延迟和变化工况与实时集成控制系统的关系，建立了随机系统框架下预测控制系统的稳定性和鲁棒性分析理论，权重模型参数自动调节；（4）以实际交通数据模拟变化工况，研究实时预测电池管理系统的有效性，研究模型误差和预测区间长短对系统性能的影响规律。

所述（1）中的智能电动车辆模型自动优化配置包括智能混合动力电动车辆拓扑结构设计、测试和理论分析方法；首先系统分析比较现存混合动力汽车拓扑结构的特点，从中选出两类拓扑结构，分析这两类拓扑结构的节能和网联性能。然后分别建立它们的系统动力学模型，并分析其系统矩阵，探索其一般规律；最后利用发现的一般规律设计模型自动优化配置程序和软件，并利用软件得到所有可能的车辆配置，对它们进行系统分析，并进行参数优化配置，搭建了智能电动车辆拓扑结构测试系统，优化配置车辆模型和规格参数，设计测试程序，建立车辆模型数据库。

基于车联网的智能电动车辆预测控制分析,本项目拟采取预测控制算法对智能电动车辆进行一体化控制。车联网环境下，信息具有大数据特征，如何有效地利用这些数据对车辆的工况进行预测至关重要。知道车辆的工况后，对车辆的优化控制就可以运用全局优化算法动态规划求出全局最优量。但是由于我们不可能获得全部的车辆工况信息，我们只能采取区间优化策略即模型预测控制策略。模型预测控制的基本原理为：在每一个采样时刻，根据预测模型对系统未来代价函数进行预测，通过对未来预测区间内的性能指标进行优化，并根据实测对象的输出进行反馈校正，将控制策略设计转化为优化过程，通过求解相应预测区间的优化问题得到控制序列，并将序列的第一个控制量作用于系统，实现反馈控制，之后在下一个采样时刻，将预测区间向前推进一步，不断重复该过程。运用建立的混合动力汽车系统模型，公式化系统最优控制问题，通过快速数值方法求解最优控制问题，得到系统最优控制序列，应用序列的第一个控制量于系统，预测区间向前推进一步，重复上述过程。由全球定位系统采集车辆的位置信息，作为实时车辆状态反馈。由车载雷达测速装置采集前方车辆速度，用于跟踪控制。由智能交通系统采集交通信号信息以及实时路况信息，用于智能交通控制。由卡尔曼滤波器利用采集的蓄电池信息对蓄电池荷电状态进行估计。混合动力汽车的蓄电池目标荷电状态依据道路坡度信息设计，以回收更多的免费再生制动能量。最优控制的性能指标为发动机燃油经济性、系统约束为车辆安全间距、旋转系转速和转矩约束、蓄电池功率和荷电状态约束等。预测控制的输入量为发动机，电机以及摩擦制动力矩。节能原理为利用未来道路交通信息，尽量回收车辆减速再生制动能量和防止车辆遭遇红灯制动工况。

所述（2）中建立新的评估模型一致有用性的指标体系，指标体系包括对模型复杂度、在训练和验证数据上的精度以及推广模型到车辆队列上的能力的综合评价；系统比较两个常用的集中参数车辆模型的一致有用性，运用先进的粒子群算法对模型参数进行优化配置。

所述（3）中综合车联网要素、通信延迟和变化工况与实时集成控制系统的关系，建立随机系统框架下预测控制系统的稳定性和鲁棒性分析理论，研究实时控制导向的智能电动车辆联网系统参数的解析化，即用光滑的解析函数描述模型参数对网联元素的相关性，使其在基于模型的实时集成控制系统中更为有用；基于实时最优的模型结构，设计先进的基于参数自动寻优的粒子群算法和模型预测控制相结合的两步优化算法，用于系统地比较不同控制系统的优化性能、鲁棒性能和效率，结合大量的测试数据，系统地分析和评估设计控制系统相对于变化的工况、通信延迟和车联网要素的鲁棒性。

所述（4）中以实际交通数据模拟变化工况，研究实时预测电池管理系统的有效性，是指采用实时最优控制导向的电池模型，利用实际道路交通数据模拟变化工况，对电池容量进行预测估计、对电池进行智能充放电，建立能够应用于实车实时控制的电池管理系统；建立电池寿命模型相对于高效可测参数的解析函数，通过优化拟合建立电池容量估计器，然后利用获得的估计器估计全体电池的容量值。

所述（4）中研究模型误差和预测区间长短对系统性能的影响规律，对跟车模型、交通流模型、周围车辆模型、道路坡度模型以及交通信号灯信息模型增加误差，探索模型误差对预测控制策略的影响；由于蓄电池的时间常数比发动机以及电机慢很多，预测区间的长短对蓄电池的影响比发动机以及电机大。

本发明采用系统理论建模、数值模拟优化仿真以及实验平台验证分析相结合的研究方法，运用基于模型的系统开发技术，走边开发边验证的技术路线。首先，在Matlab/Simulink上建立智能电动车辆自动优化配置软件；然后，整合建立电动车辆整车系统仿真模型，包括整车、发动机、电机、电池和变速器模型，并设计集成预测控制算法，包括顶层整车预测控制器和底层反馈控制器，对车联网要素(交通信号灯、交通流、周围车辆)进行预测分析；最后，在智能电动车辆实验平台上对设计的集成控制系统相对于车联网要素、通信延迟和变化工况的实时性、稳定性、鲁棒性进行分析。