文摘

精确的预测未来车辆信息可以提高混合动力电动汽车的控制效率。如今,大多数预测模型使用以前的车辆信息来预测未来的驾驶速度,不能反映司机和环境的影响。在这篇文章中,一个实时能源管理策略(EMS)提出了基于driver-action-impact MPC系列混合动力电动汽车。拟议的EMS由两个模块组成:速度预测模块和实时MPC模块。在速度预测模块中,长期短期记忆(LSTM)神经网络模型,训练有素的交通数据来源于一个虚拟驾驶模拟器,采用预测未来驾驶信息通过使用司机操作信息和当前车辆的速度。获得未来的驾驶速度视为实时MPC模块的输入,输出控制变量作用于底层控制器的组件通过求解一个标准的二次规划(QP)问题。与基于规则的策略相比,平均减少了5.6%的燃料消耗。EMS实时计算的有效性是通过半实物试验验证和验证平台。

1。介绍

如今,全球能源危机等问题集中,空气污染,和健康问题带来严峻挑战的发展车辆(1]。对传统燃油汽车,发动机排放的要求已成为近年来更严格的(2],它带来了巨大的时间和经济压力燃料汽车的研究和发展。对于纯电动汽车,等因素高初始成本,短练习场,长时间充电凸显了他们的局限性3]。混合动力电动汽车(hev)被认为是能够帮助人类应对能源危机和污染有关的挑战考虑传统燃油汽车和纯电动汽车的优势。典型的混合动力汽车采用内燃机(ICE),能源存储源(ESS)、电机(s)和逆变器(s) (4]。

因为混合动力车有多个能源和操作模式,其发展的主要挑战是协调多个能源和转换器,以及功率流控制的机械和电气路径。能量管理策略(EMS),作为混合动力汽车的大脑,起着至关重要的作用在提高能源效率和动态响应的车辆,所以它变得困难,近年来亨德拉病毒研究的热点。现有EMS大致可分为基于规则的策略,文中针对策略(5),如图所示1。


图1
分类的EMS戊肝病毒。

基于规则的能量管理策略广泛应用于实践,因为他们可以很容易地开发并能够操作相当可靠的(6]。基于规则的策略的概念是定义的操作状态提前混合系统,使系统操作根据预设规则。这些规则通常是基于启发式、直觉、人类知识和数学模型。基于规则的控制器可能会进一步被subcategorized成确定性规则策略和模糊规则的策略(7]。

确定性规则策略可以分为恒温器(开/关)策略,权力追随者策略,修改权力跟随者的策略,和状态机策略(8]。建立确定性规则通常是基于地图和效率曲线的部件,如发动机,汽车,动力电池。和一系列确定性规则建立控制模式切换和能量分布,使电源组件工作在高效区尽可能和维护SOC的相对稳定的条件下满足电力需求。

模糊规则控制器一般来源于确定性规则控制器(9]。因为它的鲁棒性和适应性,模糊逻辑系统(FLS)是作为一个强大的工具来应对不确定的动力学特征和未知非线性通过使用语言知识表示和相应的模糊规则(10]。因此,它是更适合复杂的非线性时变系统,如戊肝病毒。可以进一步分为传统模糊策略,自适应(11,12),和预测(13)战略。

据报道,文中针对策略实现业绩目标的优化代价函数代表效率和排放驱动周期,屈服于全局最优操作点(5]。文中针对策略可以分为两类:离线(全球)优化策略和在线实时优化策略。

离线(全球)意味着优化问题解决的前提下行驶循环已知条件和电力需求。常用的算法,包括线性规划(LP),动态规划(DP)、遗传算法(GA)和粒子群优化(PSO) (9]。这些方法可以保证全局最优的解决方案。然而,由于大量的计算和需要知道整个周期提前开车,他们几乎不能应用于实时但通常用作基准和其他控制策略与参考。

在线(实时)文中针对策略减少全局优化问题转化为一系列的局部优化问题,从而减少相关的计算负担(9]。虽然结果不佳与全局优化相比,在线优化不需要未来的驾驶信息,以便它可以实时实现。在线优化方法包括等效消费最小化策略(ecm),人工神经网络(ANN),鲁棒控制,模型预测控制(MPC) (14- - - - - -16]。除此之外,在线故障诊断导致显著增加系统的可靠性,追踪错误在运行时系统中已被广泛应用于对安全性要求苛刻的应用,如混合动力汽车汽车电力系统(17- - - - - -20.]。

近年来,模型预测控制(MPC),作为一个最有效的方法来处理多变量约束控制问题,引起了学者们的极大关注,已广泛应用于汽车工业。在MPC,未来推动信息的前提和MPC的性能和实用性是高度依赖于未来的驾驶信息的预测的准确性。如今,大多数预测模型使用以前的车辆信息来预测未来的驾驶速度(21- - - - - -24),这很容易实现和分析。然而,由于交通系统是一个综合系统由人、车辆、道路、环境,司机在中间起着关键作用的复杂环境和车辆之间的联系。建立的预测模型只使用历史数据不能反映速度司机和环境的影响,从而减少预测精度。

因此,在本文中,一个实时能源管理策略提出了基于driver-action-impact MPC。以下是本文的主要贡献:(1)长期短期记忆(LSTM)神经网络模型,训练有素的交通数据来源于一个虚拟驾驶模拟器,采用预测未来的驾驶速度使用司机操作信息和当前的行驶速度;(2)结合LSTM速度预测模型,建立了实时MPC-based能量管理策略,和更好的燃油消耗的结果与基于规则的策略;(3)实时计算的EMS的有效性是通过半实物试验验证平台。

本文的组织结构如下:在部分2,速度预测模型基于LSTM神经网络模型建立和训练。节3的数学模型和优化问题,并给出了系列戊肝病毒。介绍了一个基于driver-action-impact EMS MPC,仿真结果显示和分析。实现半实物试验验证实时系统的控制效率部分4。最后,给出了结论部分5。

2。基于LSTM网络速度预测模型

2.1。LSTM网络结构

基本的神经网络、多层感知器(MLP)神经网络已经被广泛应用于车辆速度预测,因为他们在处理数据效率高25,26]。然而,当训练中长期规划,网络权值和阈值的调整仅是与当前的数据集和与前一组数据无关,所以传统的延时不能反映时间序列数据的连续性问题,如速度预测问题。

作为一种特殊的递归神经网络(RNN),长期短期记忆(LSTM)网络避免标准RNN的长期依赖,都取得了极大的成功在处理时间序列问题,如语音识别,语言建模、翻译、轨迹预测,照片,和视频处理27- - - - - -33]。

自1997年提出的Hochreiter和。施密德胡贝尔表示LSTM细胞,LSTM网络已被许多研究人员(修改和推广34]。大多数LSTM网络可分为两大类:LSTM-dominated网络和集成LSTM网络,这两个网络的和受欢迎的分类结构如图2。LSTM-dominated网络专注于优化内部LSTM细胞之间的连接,并集成LSTM网络主要注意整合的有利特性不同的组件(30.]。


图2
LSTM网络的分类。

虽然有许多不同的网络,一个标准的LSTM细胞的基本结构几乎是一样的,如图3。黑色箭头表示矢量传输,黄色框代表一层神经网络,和一个LSTM细胞神经网络有四个交互层。粉色圆圈代表逐点的操作,如向量加法和乘法。σ和双曲正切代表乙状结肠和双曲正切函数,分别定义在方程(1)。


图3
标准LSTM细胞结构。

LSTM的细胞单元由三个门:一个输入,一个输出门,门和忘记。LSTM细胞状态的关键信息C。忘记门层是用来决定哪些信息被丢弃在前面的细胞状态Ct1,输入栅极层是用来决定哪些值更新细胞状态,和输出门层是用来控制输出ht基于当前C细胞状态t和输入xt。通过使用这些有三门,LSTM细胞中可以忘记或添加信息状态,从而避免传统RNN的梯度消失问题:

2.2。收购的训练数据集

数据集的基础训练神经网络,以及数据是否可以使用合理与否直接决定了预测结果的质量。然而,实际道路测试耗时和昂贵的;此外,有一些安全风险当车辆仍在发展阶段。

驾驶模拟器是一种可行的解决方案来消除风险,降低成本,加速车辆发展(35]。在本文中,基于虚拟现实(VR),驾驶模拟器是用来获取操作数据不同的司机,道路,和环境。驾驶模拟器是由视觉模拟实验室北京理工学院(点)之前36),系统架构如图4。


图4
模拟器的系统架构。

系统的建立以来,我们进行了很多驾驶数据收集的工作不同的驱动程序和不同的环境中,如图5。这些数据包括车辆状态数据,如速度,加速度,转向半径、速度、转向角和驾驶员的操纵数据,如踏板和方向盘角信号。收集到的数据进行分类和记录根据不同的驾驶习惯和环境条件。


图5
驾驶场景。
2.3。LSTM速度预测模型基于驱动程序的行为

为了反映的影响对车辆的司机的行动速度,开幕式和变化率的油门和刹车踏板以及当前车辆的速度选择LSTM网络作为输入,输出是预测未来5时刻的速度值,如图6。


图6
速度预测模型。

大量的收敛速度和精度的比较后,本文传统LSTM网络模型提出了图3使用。和这个模型的基本参数如下:input_size预计的数量特征的输入向量。output_size大小的输出向量。hidden_size是每个LSTM隐层的节点数。和num_layers复发性层的数量。因为输入和输出的数量是5,因此,input_size和output_size选为5。接下来的两个参数的选择是通过重复精度的比较,最后,hidden_size和num_layers将50和1,分别。

通过时间(BPTT)反向传播算法训练网络,如图7(37]。亚当优化器是利用优化模型学习速率为0.001 (38]。迭代设置为500。


图7
BPTT算法。

针对车辆研究的特殊性,不同驾驶员的驾驶数据条件下的稳定行驶在城市道路和郊区道路选择形式网络训练集,如图8。


图8
驾驶数据集。

训练后,标准HWFET行驶循环用于验证速度预测模型的准确性。结果如图所示9。每秒平均误差和均方根误差(RSME)的预测结果LSTM网络和三层MLP网络进行比较,如表所示1。


图9
预测的结果。
表1
每秒平均误差和RSME预测结果。

可以看出,从LSTM网络预测结果的准确性明显优于3 - layer MLP网络。结果表明,建立LSTM速度预测模型基于驾驶员的车辆的速度行动是可行的预测,这对预测控制奠定了基础。

3所示。混合动力汽车实时根据Driver-Action-Impact MPC EMS系列

3.1。系列混合动力系统模型

本文一系列戊肝病毒是由一套内燃机发电机能(EGS),一个电池组,和两个驱动电机。动力系统配置图中可以看到10。这个系统的规格表2。发动机和发电机阻尼器连接,和EGS是汽车的主要能量来源。作为唯一能源存储设备,电池组与直流总线连接通过一个直流/直流转换器。车辆控制单元(联邦)和集成的逆变器是用来控制这些组件,使他们能够以更高的效率,同时满足功率运行要求。这两个电机驱动车轮两侧通过还原剂。


图10
混合动力汽车的配置系列。
表2
主电源组件的基本参数。

忽视这些电源组件的复杂动态特性,建立了动力系统的数学模型基础上的权力平衡,可以编写如下: 在哪里P要求的事情是需要动力的力量,P棉絮电池组的力量,P创EGS的放电功率,P非常贴切两个电机的总功率,P英格发动机的功率, 和ne是发电机的转矩和转速的发动机,分别。P要求的事情来自司机的意图,根据速度预测模型2所需的电力可以被预测的速度,计算如下: 在哪里Ff(t)是牵引力,Pf(t)是牵引力,Fj(t)是加速阻力,Fα(t)是空气阻力,Fr(t)是滚动阻力, (t车辆的速度,δ是旋转质量换算系数,米是汽车的质量,CD空气阻力系数,ρ是空气密度,一个额叶迎风面积的车辆。

电池的电荷状态(SOC)为混合动力电动汽车是一个非常重要的变量。为了反映电池组的动态响应特征以及满足实时计算的要求,采用电阻模型。SOC的方程P棉絮可以写成 在哪里 改变的速度吗 ,我棉絮是当前的电池组,问棉絮电池组的容量,U缴纳是开路电压,Rint电池组的内部阻力。

考虑所有功率组件,SOC可以编写如下基于方程(2),(3),(4)和(5):

3.2。问题制定货币政策委员会

MPC的基本原则是让最优控制变量在一个有限的滚动时域预测模型,滚动优化,反馈补偿(39]。根据动力系统模型在前一节中,可以使用以下开发预测模型方程:

状态变量x、控制输入u、输入扰动 ,和输出变量y在这个问题被定义为 在哪里 表示燃料消耗,可以通过查找引擎的表。

约束如下:

在优化问题,成本函数合理与否直接决定了质量的控制。戊肝病毒研究系列,EMS的核心是减少燃料消耗和维护稳定的电池SOC的基础上满足电力需求和约束。此外,为了限制的力量的波动EGS在优化过程中,控制变量的变化速率是有限的。需要的实际计算,成本函数离散 在哪里N是预测地平线长度;问,Z,和R代表美国的惩罚权重、输入和输出,分别;和(k+我|k)代表的预测值我th时间在当前采样时间k。

这个系统是线性化的预测模型和离散使用一阶泰勒公式,见方程(11)。未来国家的轨迹将会获得的离散模型,方程(12):

其中,

通过插入方程(12)到原始目标函数方程(10)和忽略了常数项,原优化问题可以转化为一个标准的二次规划(QP)问题: 那里的海赛矩阵H是对称的和积极的或semipositive定。P梯度向量。 是一个 单位矩阵。U马克斯和U最小值都是列矩阵组成的上限和下限的控制变量,分别。

上面所示的QP问题是解决障碍的方法,一个特定的内点算法,采用牛顿法平等约束问题的序列或序列马条件的修改版本(40]。的显式表达式屏障法是为了简洁起见没有报道。

3.3。基于Driver-Action-Impact MPC实时EMS

在本节中,一个实时基于driver-action-impact模型预测控制的能量管理策略,在图所示的框架11。可以看出,EMS主要由两部分组成:一个速度预测模块和MPC控制模块。速度预测模块利用踏板信号来自实际司机和车辆的速度信号来预测未来的电力需求通过LSTM神经网络。MPC控制模块输出的控制变量作用于底层控制器的功率组件优化后解决上面提到的QP问题。在MPC,一系列的控制变量是通过优化计算在当前样本时,滚动优化和反馈补偿是通过将第一个控制变量应用到车辆,并在下一次重复的过程。


图11
实时EMS的框架基于driver-action-impact MPC。
3.4。EMS的仿真结果

为了更好地评估EMS的性能,计算机模拟实现两个标准的驾驶周期:EUDC和反独联。结果的速度,力量和扭矩的主要动力组件,电池的SOC和引擎的操作点如图12。


图12
仿真结果的EMS EUDC和udd驾驶循环。

可以看出,基于driver-action-impact MPC的EMS可以按照需求无论在速度稳定或强烈的驾驶环境。功率和扭矩曲线显示每个主电源组件的功率和扭矩。可以看出,EGS可以更好地满足电力需求的汽车平稳驾驶条件下几乎不需要额外的电池供电。同时,当需求功率变化时突然,电池起缓冲作用,避免这种情况的输出功率EGS不足或过度时,瞬时功率突变发生。在仿真中,参考电池SOC值设置为0.6。可以看出,控制策略可以稳定SOC设置值为0.6时,除了过去制动充电模式。

从操作的数据点在图的底部的引擎12,可以看出,引擎可以工作在最佳的燃油消耗曲线由于前后动力系统的解耦,从而实现有效的控制引擎。与基于规则的EMS相比,燃油消耗平均减少了5.6%,导致更好的燃油经济性。

4所示。实验结果

半实物仿真技术(边境)进行系统级测试的嵌入式系统全面、成本效益和可重复的方式(41]。仿真测试平台,包括一个真实的车辆控制单元(联邦),汽车模拟器,可以通信总线和信号阅读设备是建立评估EMS的实时性能。这个平台的原理图如图13。联邦,由重点实验室开发的车辆传动应用于现实的车辆控制,携带EMS提出了部分3.3。设计的快速成型产品OpenECU M220πInnovo公司作为汽车模拟器接收控制信号从联邦和输出状态信号通过CAN总线组件所有的力量。Kvaser叶轻v2的高速USB接口可以和PC校准软件PiSnoop用于数据监测和控制参数的在线标定。


图13
摘要半实物仿真测试平台的原理图EMS。

测试平台的图片如图14。采样间隔设置为0.01秒,结果实时仿真实验测试平台如图所示15。相比之下,结果显示在图12,硬件实时计算的结果基本上是与离线计算机仿真结果一致。


图14
仿真测试平台。

图15
权力的结果,旋转速度,速度,和SOC的实时测试。

在实际道路测试,CAN总线时总是引起时变延迟有很多通信总线上的节点(42]。本文中的通信节点测试平台不到真正的车辆。因此,延迟几乎可以被忽略。

算法的计算时间在每一步都是一个重要的标准来演示复杂控制技术水平。在仿真实验中,控制变量的输出时间监视PiSnoop是稳定在8女士,这表明设计的EMS可以满足实时计算的要求。

5。结论

本文基于driver-action-impact MPC的实时能量管理策略提出了混合动力汽车系列。在这种方法中,长期短期记忆(LSTM)神经网络模型,训练有素的交通数据来源于一个虚拟驾驶模拟器,采用预测未来的驾驶速度。为了开发MPC-based策略,一个非线性优化问题考虑燃料消耗和SOC的电池,和EMS的结果在不同的驾驶周期进行了讨论。与基于规则的策略相比,减少5.6%的燃料消耗通过EMS。验证实时计算的效率,EMS是嵌入到一个边境测试平台,和结果表明,设计的EMS可以满足实时计算的要求。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。