CN107577234B - 一种驾驶员在环的汽车燃油经济性控制方法 - Google Patents

Abstract

本发明公开了一种驾驶员在环的汽车燃油经济性控制方法，其特征是：所述汽车为智能网联混合动力汽车，所述控制方法为考虑驾驶员随机误差的分层控制方法；所述分层控制方法中的上层控制方法是基于驾驶员随机误差以及基于智能网联环境下所获取的状态信息计算最优目标车速，所述状态信息包括周围车辆状态信息和交通信号灯状态信息；所述分层控制方法中的下层控制方法是基于自适应等效燃油消耗最小原理计算混合动力汽车的最优能量分配。本发明控制方法能够得到与理想情况十分接近的预测车速，获得更优的燃油经济性。

Description

一种驾驶员在环的汽车燃油经济性控制方法

技术领域

本发明属于智能网联汽车及新能源汽车控制领域，尤其涉及一种驾驶员在环的智能网联混合动力汽车的燃油经济性控制方法。

背景技术

智能网联汽车搭载先进的传感器、控制器、执行器及现代通信设备，能实现与周边车辆及交通设施的信息交互，提供节能、安全、环保、舒适及快捷的交通出行方式，是全球公认的汽车行业未来发展方向之一。

在智能网联环境下，可通过全球定位系统获取车辆的位置信息，通过雷达或者激光雷达获取车辆之间的相对位置信息，通过车速传感器测量车辆的绝对车速信息，通过车-车通信(vehicle to vehicle,V2V)实现各车之间的信息传递，通过传感器或车与交通设施(vehicle to infrastructure,V2I)之间的信息交互，获取交通信号灯状态信息。可利用V2V及V2I获取的位置信息、相对位置信息、车速信息和交通信号灯状态信息，以燃油经济性和交通流畅性为目标，以安全性为保障，设计随机模型预测控制算法，预测最优目标车速，并通过V2I传输给智能车辆队列。在城市工况中，能通过减少加减速的次数来提高车辆的燃油经济性，这也是主流预测控制算法的基本目标。此外，可利用车辆与下一交通信号灯之间的距离、当前信号灯的状态及剩余持续时间，以减少红灯停车次数为目标，计算目标车速的参考值。结合交通信号灯的多车辆协同模型预测控制是当前智能网联汽车研究方向的重要分支。国内钱立军教授课题组研究了基于分层控制的混合动力汽车燃油经济性控制及全局优化，但并未考虑智能网联环境下的多车协同及车与交通设施协同。国外的Asadi等结合交通信号灯信息，设计了模型预测控制算法优化联网汽车的车速，Kamal和Mahler等也进行了类似的研究，这类研究方法可以提高车辆的燃油经济性，然而针对的是单车，同样未考虑智能网联环境下的多车协同。Pisu博士课题组及Vahidi博士课题组进行了多车协同及车与交通设施协同的相关研究，包含智能网联车辆队列的分层控制、快速预测控制及基于交通流模型的控制等。然而，以上的研究都未考虑驾驶员随机误差对车辆预测控制的影响，因为驾驶员的执行有误差，车辆的行驶状态便会偏离预测的最优值。

现有的车联网预测控制文献中一般研究高度自动化的无人驾驶车辆，不考虑驾驶员的干预。对于高度自动化的无人驾驶车辆，可假设车辆完全执行最优的车速指令，而对于驾驶员辅助型的无人驾驶车辆，当驾驶员参与驾驶时，不可能完全执行最优建议车速。

发明内容

本发明是为了弥补现有技术的不足之处，研究驾驶员在环的智能网联混合动力汽车，提供一种驾驶员在环的燃油经济性控制方法，以提高随机模型预测方法的准确性，提高汽车的燃油经济性，加快计算的速度，保证交通的流畅性，保障车辆的安全性。

为了解决以上技术问题，本发明所采用的技术方案如下：

本发明驾驶员在环的汽车燃油经济性控制方法的特点是：所述汽车为智能网联混合动力汽车，所述控制方法为考虑驾驶员随机误差的分层控制方法；所述分层控制方法中的上层控制方法是基于驾驶员随机误差以及基于智能网联环境下所获取的状态信息计算最优目标车速，所述状态信息包括周围车辆状态信息和交通信号灯状态信息；所述分层控制方法中的下层控制方法是基于自适应等效燃油消耗最小原理计算混合动力汽车的最优能量分配。

本发明驾驶员在环的汽车燃油经济性控制方法的特点也在于：所述上层控制方法是按如下步骤实现：

步骤1：以常规整车纵向动力学模型为基础，建立考虑驾驶员随机误差的整车纵向动力学模型

如式(1)，所述驾驶员随机误差采用马尔科夫过程描述；

式(1)中，角标i指代车辆i；x_i为智能网联环境下所获取的车辆i的状态信息，是关于车辆i的状态向量，包含车辆i的车速v_i和车辆i位置s_i；

为x_i的一阶导数；

为车辆i的实际加速度，以

为控制变量；m_i为车辆i的车辆整备质量；C_D为空气阻力系数；ρ_a为空气密度；A_fi为车辆i的迎风面积；f为滚动阻力系数；g为重力加速度；θ为道路坡度；

为车辆i的理想加速度；

为具有随机性的车辆i的随机加速度，所述随机加速度是考虑驾驶员随机误差的加速度；v_imin和v_imax分别为城市道路条件下的最低限速和最高限速；u_imin和u_imax分别为城市道路的最小和最大加速度；

步骤2：以整车纵向动力学模型为基础，基于能量守恒原理建立混合动力汽车油耗模型如式(2)；

式(2)中，S_i为车辆i的行驶里程；t_f为终止时刻；E表示求期望的函数；

为车辆i的燃油消耗率；Δt为迭代步长；η_ieff为车辆i的驱动效率；H_LHV为汽油的热值；P_ieff为车辆i的有效牵引功率；η_irec为车辆i的能量回收效率；η_ig为车辆i的变速箱传动效率；η_if为车辆i的主减速器传动效率；η_iw为车辆i的车轮传动效率；P_{ie_in}为车辆i的发动机消耗功率；P_{ie_out}为车辆i的发动机输出功率；P_{im_in}为车辆i的电机输入功率；P_{im_out}为车辆i的电机输出功率；P_{ibat_in}为车辆i的电池输入功率；P_{ibat_out}为车辆i的电池输出功率；

步骤3：以所述整车纵向动力学模型和混合动力汽车油耗模型为基础，进行多目标优化，建立随机模型预测的优化模型如式(3)；所述多目标包括车辆i的燃油消耗率

车辆i的车速v_i，跟车距离S_ij以及车辆i的实际加速度

式(3)中ω₁、ω₂、ω₃、ω₄为权值系数；角标j指代车辆j；s_j为车辆j的车辆位置；v_j为车辆j的车速；S₀为理想相对距离；T为预测的时间窗口；跟车距离S_ij是指车辆i和车辆j之间的相对距离与理想相对距离的差值；t_h为车头时距；

在式(3)所表征的优化模型中，目标车速v_itarget为未知变量，为获得目标车速v_itarget需要利用交通信号灯正时确定目标车速范围求解模型，进而确定目标车速v_itarget；所述交通信号灯正时为智能网联环境下获取的交通信号灯状态信息，是指交通信号灯出现红灯和绿灯的时机及持续的时间；所述目标车速范围求解模型如式(4)：

式(4)中，v_ih为目标车速上限值；v_il为目标车速下限值；d_ia为车辆i与交通信号灯a的距离；K_w为t时刻信号灯正在循环的次数；t_g为绿灯持续时间；t_r为红灯持续时间；t_c为信号灯循环周期，等于红灯持续时间和绿灯持续时间之和；

步骤4：通过对驾驶员随机误差进行离散化，将式(3)表征的优化模型转变为式(5)所示的随机模型预测目标函数；

式(5)中，N_sc为离散的驾驶员随机误差值的数量；p_l为当前路径发生的概率，p_l的值为该路径上每一个节点发生概率的乘积；在将驾驶员随机误差离散后，随机生成与离散的驾驶员随机误差对应的概率转移矩阵，用于计算每一条路径发生的概率；

利用式(5)所表征的随机模型预测目标函数获得关于车辆i的燃油消耗率

车辆i的车速v_i、跟车距离S_ij以及车辆i的实际加速度

的最优值，将车辆i的车速v_i的最优值作为最优目标车速，完成驾驶员在环的汽车燃油经济性控制。

本发明驾驶员在环的汽车燃油经济性控制方法的特点也在于：所述路径是指在将驾驶员随机误差离散化后形成的从根节点到叶节点的方案树中的路径，所述根节点为当前时刻的驾驶员随机误差值，所述叶节点为模型预测时间窗口结束时可能出现的驾驶员随机误差值。

与现有技术相比，本发明有益效果体现在：

1、本发明控制方法采用马尔科夫过程描述驾驶员随机误差，并将驾驶员随机误差离散化，得到随机模型预测目标函数，得到最优目标车速，完成驾驶员在环的经济性控制。采用本发明控制方法，可以在保证计算速度的前提下，为解决智能网联汽车驾驶员随机误差及干扰提供参考，提高最优目标车速预测的准确性。

2、本发明控制方法考虑驾驶员随机误差，可以得到与理想情况更为接近的优化车速曲线，进而得到与理想情况更为接近的燃油经济性。相比于已有方法，本发明控制方法得到的燃油经济性可提高1.6％。

3、本发明控制方法可以实现良好的基本性能。采用本发明提供的控制方法，可以实现智能网联环境下车辆之间与交通信号灯的协同控制，减少混合动力汽车红灯停车次数，提高交流流畅性；避免车辆发生碰撞，保障安全性；避免车辆闯红灯，保证自动驾驶车辆不违反交通规则；保障动力电池荷电状态在理想范围内波动，避免过充或过放。

附图说明

图1为本发明中分层控制模型图；

图2为本发明中目标车速范围计算示意图；

图3为本发明中驾驶员随机误差概率转移矩阵图；

图4a、图4b、图4c和图4d为本发明控制方法的基本性能图；

图5a、图5b、图5c和图5d为本发明控制方法与对比方法及理想情况的控制效果比较图；

图6为本发明控制方法的燃油经济性对比图；

具体实施方式

本实施例中驾驶员在环的汽车燃油经济性控制方法是：汽车为智能网联混合动力汽车，控制方法为如图1所示的考虑驾驶员随机误差的分层控制方法；分层控制方法中的上层控制方法是基于驾驶员随机误差以及基于智能网联环境下所获取的状态信息计算最优目标车速，状态信息包括周围车辆状态信息和交通信号灯状态信息，即上层控制系统为考虑驾驶员随机误差的车速预测层；分层控制方法中的下层控制方法是基于自适应等效燃油消耗最小原理计算混合动力汽车的最优能量分配，即下层控制系统为能量管理层。

本实施例中上层控制方法是按如下步骤实现：

步骤1：以常规整车纵向动力学模型为基础，建立考虑驾驶员随机误差的整车纵向动力学模型

如式(1)，驾驶员随机误差采用马尔科夫过程描述；

式(1)中，角标i指代车辆i；x_i为智能网联环境下所获取的车辆i的状态信息，是关于车辆i的状态向量，包含车辆i的车速v_i和车辆i位置s_i；

为x_i的一阶导数；

为车辆i的实际加速度，以

为控制变量；m_i为车辆i的车辆整备质量；C_D为空气阻力系数；ρ_a为空气密度；A_fi为车辆i的迎风面积；f为滚动阻力系数；g为重力加速度；θ为道路坡度；

为车辆i的理想加速度；

为具有随机性的车辆i的随机加速度，随机加速度是考虑驾驶员随机误差的加速度；v_imin和v_imax分别为城市道路条件下的最低限速和最高限速；u_imin和u_imax分别为城市道路的最小和最大加速度。

步骤2：以整车纵向动力学模型为基础，基于能量守恒原理建立混合动力汽车油耗模型如式(2)，利用车辆有效牵引功率除以车辆驱动效率和汽油的热值的乘积得到燃油消耗率。

式(2)中，S_i为车辆i的行驶里程；t_f为终止时刻；E表示求期望的函数；

为车辆i的燃油消耗率；Δt为迭代步长；η_ieff为车辆i的驱动效率；H_LHV为汽油的热值；P_ieff为车辆i的有效牵引功率；η_irec为车辆i的能量回收效率；η_ig为车辆i的变速箱传动效率；η_if为车辆i的主减速器传动效率；η_iw为车辆i的车轮传动效率；P_{ie_in}为车辆i的发动机消耗功率；P_{ie_out}为车辆i的发动机输出功率；P_{im_in}为车辆i的电机输入功率；P_{im_out}为车辆i的电机输出功率；P_{ibat_in}为车辆i的电池输入功率；P_{ibat_out}为车辆i的电池输出功率；燃油消耗最小化问题的实质是一个求解期望的问题，因为车辆实际的加速度与驾驶员随机误差相关，并且每一个特定的驾驶员随机差都有一定的概率，因此，燃油消耗问题其实质为所有可能方案的期望值问题。

步骤3：以整车纵向动力学模型和混合动力汽车油耗模型为基础，进行多目标优化，建立随机模型预测的优化模型如式(3)；多目标包括车辆i的燃油消耗率

车辆i的车速v_i，跟车距离S_ij以及车辆i的实际加速度

同样的，由于控制变量，即车辆的实际加速度的随机性，随机模型预测的优化模型本质上也是一个求解期望的问题。

式(3)中ω₁、ω₂、ω₃、ω₄为权值系数；角标j指代车辆j；s_j为车辆j的车辆位置；v_j为车辆j的车速；S₀为理想相对距离；T为预测的时间窗口；跟车距离S_ij是指车辆i和车辆j之间的相对距离与理想相对距离的差值；t_h为车头时距。

在式(3)所表征的优化模型中，目标车速v_itarget为未知变量，如图2所示，为获得目标车速v_itarget需要利用交通信号灯正时确定目标车速范围求解模型，进而确定目标车速v_itarget；交通信号灯正时为智能网联环境下获取的交通信号灯状态信息，是指交通信号灯出现红灯和绿灯的时机及持续的时间；目标车速范围求解模型如式(4)，当车辆i的车速处于[v_il,v_ih]的范围内时，车辆可以在当前的绿灯时间窗口内顺利通过交通信号灯所在的位置；

式(4)中，v_ih为目标车速上限值；v_il为目标车速下限值；d_ia为车辆i与交通信号灯a的距离；K_w为t时刻信号灯正在循环的次数；t_g为绿灯持续时间；t_r为红灯持续时间；t_c为信号灯循环周期，等于红灯持续时间和绿灯持续时间之和；由式(4)可见，当交通信号灯为绿灯且满足车速范围约束时，目标车速取值为城市道路条件下的最大允许值；否则，目标车速的取值则为目标车辆与交通信号灯之间的距离除以从当前时刻到下一个绿灯出现所需要的时间；如果当前交通信号灯为红灯，目标车速的取值为其与交通信号灯的距离除以信号灯变为绿灯所需要的时间。

ω₁、ω₂、ω₃和ω₄的取值为：

其中，v_irange为车辆i的目标车速范围的长度，ω₁，ω₃和ω₄均为目标车速范围长度的函数；随着目标车速范围长度的增大，油耗项的权值系数会增大而车速和加速度项的权值系数会减小；这就意味着，当目标车速范围很大时，优化的重点会倾向于燃油经济性，反之同理；ω₂主要是安全时间的函数，依据相邻车辆的位置、车速实时调整安全性系数，可以最大限度的保证车辆的安全；当目标车速范围的长度很小时，ω₁，ω₃和ω₄均可依据实际需要取值为合理的常数，例如，当目标车速范围小于10m/s时，ω₁，ω₃和ω₄可分别取值为100、300及5000。

步骤4：通过对驾驶员随机误差进行离散化，将式(3)表征的优化模型转变为式(5)所示的随机模型预测目标函数；

式(5)中，N_sc为离散的驾驶员随机误差值的数量；p_l为当前路径发生的概率，p_l的值为该路径上每一个节点发生概率的乘积；在将驾驶员随机误差离散后，随机生成与离散的驾驶员随机误差对应的概率转移矩阵，用于计算每一条路径发生的概率。

利用式(5)所表征的随机模型预测目标函数获得关于车辆i的燃油消耗率

车辆i的车速v_i、跟车距离S_ij以及车辆i的实际加速度

的最优值，将车辆i的车速v_i的最优值作为最优目标车速，完成驾驶员在环的汽车燃油经济性控制。

本发明控制方法中，在随机模型预测目标函数中第一项优化的是每一辆车的单位距离的油耗；第二项优化的是车辆之间相对距离与理想相对距离的差值；第三项优化的是最优目标车速与目标车速的差值，这一方式有效减少红灯停车的次数进而提高交通流畅性；第四项优化的是汽车的实际加速度，有效减少加减速的次数以提高燃油经济性和纵向舒适性。

本发明控制方式涉及随机模型预测，随机模型预测的求解为求解期望的过程，但求解期望过程耗时长，不利于实时应用；本发明控制方法首先将驾驶员的随机误差离散化，并随机生成与驾驶员随机误差对应的概率转移矩阵，用于计算每一条路径发生的概率；采用基于方案树的随机模型预测来描述考虑驾驶员在环的模型预测问题；其路径指在将驾驶员随机误差离散化后形成的从根节点到叶节点的方案树中的路径，根节点为当前时刻的驾驶员随机误差值，叶节点为模型预测时间窗口结束时可能出现的驾驶员随机误差值。

由于本发明中的随机模型预测目标函数中的车辆之间的相对距离是一个软约束，为了更进一步保证车辆的安全，在实际工程应用中应考虑物理约束，可以是在控制算法中嵌套安全算法，即车辆相对距离达到特定值时，触发安全算法，随机模型预测算法失效，安全算法基于协同式自适应巡航控制设计，即基于车辆之间的交互信息，控制车辆的相对距离在理想值附近波动且不低于临近安全距离；在实际应用中的安全算法需要硬件设备的支持，包含雷达、激光雷达、镭射、摄像头等。

在实际应用时，离散后的驾驶员随机误差和概率转移矩阵可以通过基于试验的数据分析法得到，将离散后的驾驶员随机误差选择为出现概率最大的值，概率转移矩阵取决于驾驶员的系统误差；本实施例中假定驾驶员误差可以测量，因为理想加速度和实际加速度可以测量；下一时刻的驾驶员误差是随机的，其取值取决于当前时刻的驾驶员误差和对应的概率转移矩阵。

本实施例中随机模型预测目标函数采用常规优化方法进行求解，例如，序列二次规划或者基于序列二次规划，也可以选择根据控制系统结构二次开发的近似快速求解算法；式(2)中的驱动效率和能量回收效率通过下层整车模型实时计算并反馈给上层控制器；通过求解随机模型预测目标函数得到优化目标的最优值，即得到最优目标车速；

本发明作为驾驶员在环的汽车燃油经济性控制方法，在上层控制器中充分考虑驾驶员随机误差，为实现驾驶员在环的经济性控制，当上层控制系统得到最优目标车速之后，下层控制系统按常规方式根据最优目标车速，以燃油经济性优化为目标，以动力电池电荷均衡为约束，进行混合动力汽车能量管理，即发动机、电机之间的能量分配；由于自适应等效燃油消耗最小原理算法(adaptive-equivalent consumption minimization strategy,A-ECMS)具备搜索局部最优解的良好性能且具备可以自适应保持电荷均衡的优势，因此采用A-ECMS算法按式(6)进行能量管理控制：

其中，

为混合动力汽车燃油消耗率；

为A-ECMS优化控制算法的控制变量，本实施例中取为动力电池功率P_bat；

为混合动力汽车发动机燃油消耗率；

为混合动力汽车动力电池等效燃油消耗率；δt为下层整车模型的仿真步长；s^eqv(t)为t时刻的时变等效因子；s^eqv(t+1)为t+1时刻的时变等效因子；s^eqv(t-1)为t-1时刻的时变等效因子；γ为单位阶跃函数；η_el(P_bat)为电驱动系统效率；H_LHV为汽油的热值；c_p为等效因子的迭代步长；SOC为动力电池的荷电状态；SOC(0)为动力电池荷电状态的初始值；SOC(t)为动力电池t时刻荷电状态的值；SOC(t_f)为动力电池荷电状态的终值；ε为用来约束荷电状态波动的最够小的变量；SOC_min和SOC_max分别为动力电池荷电状态的下限和上限；P_bmin和P_bmax分别为动力电池的最小和最大允许功率；混合动力汽车的等效燃油消耗率

与上层控制器计算的整车燃油消耗率

不同；混合动力汽车的等效燃油消耗率是基于整车模型计算的，而上层控制器的整车燃油消耗率是基于近似油耗模型计算的；最终用于评价控制算法优劣的油耗采用高精度整车模型计算，并且将电荷消耗转化为燃油消耗。

关于本发明控制方法与对比方法的仿真结果比如：

下层控制器中使用的整车模型从高精度Autonomie仿真软件中导出，整车模型中的基于规则的控制策略被替换为本发明方法中对应的A-ECMS控制策略；整车模型的基本参数如表1所示；

表1

仿真结果对应的仿真环境设置为：仅考虑一条单车道，此车道上有4辆完全相同的智能网联混合动力汽车，且每隔500米有一个交通信号灯。汽车的初始位置随机产生，且间隔为15～20m；汽车的初始车速随机产生，且间隔为10～15m/s。理想相对距离设定为8m,车头时距设定为1.5s；为模拟拥堵的城市交通环境，交通信号灯正时选择为SPAT4015，SPAT4015的含义为，红灯和绿灯持续时间均随机产生，红灯平均持续时间为40s，绿灯平均持续时间为15s；上层控制系统中，最大车速设定为20m/s，最小车速设定为0；最大加速度设定为1.5m/s²。不考虑道路坡度；模型预测时间窗口设定为3s，步长为0.5s；随机模型预测目标函数中各项系数分别为ω₁＝100,ω₂＝800,ω₃＝300，ω₄＝5000；驾驶员随机误差离散值共有8个，且在-0.1～0.1m/s²中均匀分布，对应的概率转移矩阵如图3所示。

图4a、图4b、图4c和图4d为本实施例中控制方法基本性能评价的仿真结果，图4a为车辆轨迹图，在图4a中各段不连续的水平实线为红灯时间窗口，水平实线之间的间隔区域为绿灯时间窗口，图4a示出在400s的仿真时间内，由1号车、2号车、3号车及4号车组成的汽车车队连续通过9个交通信号灯，没有遇到红灯，显然控制方法可以避免汽车红灯停车，提高交通流畅性；各车的轨迹之间没有交叉，说明本实施例控制方法可以有效的避免车辆碰撞，保证汽车行驶安全；各车的轨迹与红灯时间窗口没有交点，说明本控制方法可以保证车辆不闯红灯；图4b描述相邻车辆的相对距离，图4b中所示三条曲线分别是1号车和2号车之间的相对距离、2号车和3号车之间的相对距离，以及3号车和4号车之间的相对距离，图4b示出经过初始段的调节，相邻车辆的相对距离很快调节到理想的相对距离，在整个仿真时间段，车辆的相对距离维持在理想相对距离8m左右波动并且大于零，说明在整个仿真时间段内，汽车没有发生碰撞；图4c为汽车的车速曲线，图4c示出车队中各车辆的车速曲线形状非常接近且表现出类似的变化趋势，说明本控制方法可以保证车辆之间的协同工作。各车的车速始终大于零说明车辆在经过交通信号灯时没有停车；为了描述A-ECMS下层控制方法的基本性能，图4d中四条曲线分别示出了车队中各车辆的SOC曲线，动力电池SOC的波动在合理的范围内，且仿真前后动力电池SOC的波动不超理想值的2％。

为验证本发明提供的控制方法的优势，图5a、图5b、图5c和图5d描述了本发明控制方法与对比方法及理想情况的车速对比，图5a、图5b、图5c及图5d依次为1号车、2号车、3号车和4号车分别采取本发明控制方法、对比方法及理想情况下的车速曲线图，其中曲线a为各车采用本发明控制方法的车速曲线图，曲线b为各车采用对比方法的车速曲线图，曲线c为理想情况的车速曲线图。对比方法为：考虑驾驶员随机误差，但是控制系统不处理此随机误差，即车辆完全接收包含驾驶员随机误差的加速度指令而控制系统不处理此随机加速度。理想情况为：不考虑驾驶员随机误差且控制系统内没有驾驶员随机误差。如图5a、图5b、图5c和图5d所示，与对比方法相比，本控制方法对应的车速与理想情况的更为接近；本控制方法不断调节实际的输出加速度，使其尽可能在理想情况附近波动，因而本发明控制方法得到的车速曲线在局部的调整比对比方法要多，对比方法未能调整有误差的控制指令，相比于对比方法，本发明控制方法得到的车速偏离理想情况较小。

图6描述了本发明控制方法、对比方法及理想情况对应的燃油经济性。图6示出本发明控制方法得到的燃油经济性与理想情况下的燃油经济性差距更小；这是由于本发明控制方法得到的车速与理想情况下的车速更为接近；本发明控制方法对应的4辆汽车的平均油耗为5.06L/100km，相比于对比方法得到的5.16L/100km，燃油经济性提高了1.94％。

本实施例是在驾驶员随机误差在-0.1～0.1m/s²得到的，随着驾驶员随机误差范围的增大，本发明控制方法相比于对比方法的有效效果将更明显。

Claims (1)

1.一种驾驶员在环的汽车燃油经济性控制方法，其特征是：所述汽车为智能网联混合动力汽车，所述控制方法为考虑驾驶员随机误差的分层控制方法；所述分层控制方法中的上层控制方法是基于驾驶员随机误差以及基于智能网联环境下所获取的状态信息计算最优目标车速，所述状态信息包括周围车辆状态信息和交通信号灯状态信息；所述分层控制方法中的下层控制方法是基于自适应等效燃油消耗最小原理计算混合动力汽车的最优能量分配；

所述上层控制方法是按如下步骤实现：

步骤1：以常规整车纵向动力学模型为基础，建立考虑驾驶员随机误差的整车纵向动力学模型

如式(1)，所述驾驶员随机误差采用马尔科夫过程描述；

式(1)中，角标i指代车辆i；x_i为智能网联环境下所获取的车辆i的状态信息，是关于车辆i的状态向量，包含车辆i的车速v_i和车辆i位置s_i；

为x_i的一阶导数；

为车辆i的实际加速度，以

为控制变量；m_i为车辆i的车辆整备质量；C_D为空气阻力系数；ρ_a为空气密度；A_fi为车辆i的迎风面积；f为滚动阻力系数；g为重力加速度；θ为道路坡度；

为车辆i的理想加速度；

为具有随机性的车辆i的随机加速度，所述随机加速度是考虑驾驶员随机误差的加速度；v_imin和v_imax分别为城市道路条件下的最低限速和最高限速；u_imin和u_imax分别为城市道路的最小和最大加速度；

步骤2：以整车纵向动力学模型为基础，基于能量守恒原理建立混合动力汽车油耗模型如式(2)；

式(2)中，S_i为车辆i的行驶里程；t_f为终止时刻；E表示求期望的函数；

为车辆i的燃油消耗率；Δt为迭代步长；η_ieff为车辆i的驱动效率；H_LHV为汽油的热值；P_ieff为车辆i的有效牵引功率；η_irec为车辆i的能量回收效率；η_ig为车辆i的变速箱传动效率；η_if为车辆i的主减速器传动效率；η_iw为车辆i的车轮传动效率；P_{ie_in}为车辆i的发动机消耗功率；P_{ie_out}为车辆i的发动机输出功率；P_{im_in}为车辆i的电机输入功率；P_{im_out}为车辆i的电机输出功率；P_{ibat_in}为车辆i的电池输入功率；P_{ibat_out}为车辆i的电池输出功率；

步骤3：以所述整车纵向动力学模型和混合动力汽车油耗模型为基础，进行多目标优化，建立随机模型预测的优化模型如式(3)；所述多目标包括车辆i的燃油消耗率

车辆i的车速v_i，跟车距离S_ij以及车辆i的实际加速度

式(3)中ω₁、ω₂、ω₃、ω₄为权值系数；角标j指代车辆j；s_j为车辆j的车辆位置；v_j为车辆j的车速；S₀为理想相对距离；T为预测的时间窗口；跟车距离S_ij是指车辆i和车辆j之间的相对距离与理想相对距离的差值；t_h为车头时距；

在式(3)所表征的优化模型中，目标车速v_itarget为未知变量，为获得目标车速v_itarget需要利用交通信号灯正时确定目标车速范围求解模型，进而确定目标车速v_itarget；所述交通信号灯正时为智能网联环境下获取的交通信号灯状态信息，是指交通信号灯出现红灯和绿灯的时机及持续的时间；所述目标车速范围求解模型如式(4)：

式(4)中，v_ih为目标车速上限值；v_il为目标车速下限值；d_ia为车辆i与交通信号灯a的距离；K_w为t时刻信号灯正在循环的次数；t_g为绿灯持续时间；t_r为红灯持续时间；t_c为信号灯循环周期，等于红灯持续时间和绿灯持续时间之和；

步骤4：通过对驾驶员随机误差进行离散化，将式(3)表征的优化模型转变为式(5)所示的随机模型预测目标函数；

式(5)中，N_sc为离散的驾驶员随机误差值的数量；p_l为当前路径发生的概率，p_l的值为该路径上每一个节点发生概率的乘积；在将驾驶员随机误差离散后，随机生成与离散的驾驶员随机误差对应的概率转移矩阵，用于计算每一条路径发生的概率；

利用式(5)所表征的随机模型预测目标函数获得关于车辆i的燃油消耗率

车辆i的车速v_i、跟车距离S_ij以及车辆i的实际加速度

的最优值，将车辆i的车速v_i的最优值作为最优目标车速，完成驾驶员在环的汽车燃油经济性控制；

所述路径是指在将驾驶员随机误差离散化后形成的从根节点到叶节点的方案树中的路径，所述根节点为当前时刻的驾驶员随机误差值，所述叶节点为模型预测时间窗口结束时可能出现的驾驶员随机误差值。

Images