文摘

环保驾驶概要文件算法可以使用额外的信息,以创建建议或限制在司机的能力。他们增加车辆的自主权,但目前它们的用法与自治所需的驱动程序。由于这个原因,在本文中,环保驾驶的挑战是翻译成两层为纯电动汽车设计最优控制器。这个控制器是面向确保可用的能量就足以完成要求,添加限速控制能耗率。所需的机电模型暴露和分析。成本函数优化对应的需要根据司机的行为,每一趟车,和传达信息。本文提出的最优控制器是一个非线性模型预测控制器(NMPC)关联到一个一维的非线性优化问题。两种算法的组合允许增加约50%的自治的一个限制30%的速度和加速能力。同时,算法能够保证最后一个自治与1.25%的误差传感器和致动器噪声的存在。

1。介绍

越来越多的电动汽车在市场上引起了加速发展的硬件和软件为了建立客户车辆更具吸引力。即使电动汽车仍有挑战克服如充电时间,自主权,标准化的流程,费用,或回收过程,其中一个方面凸显了其效果在自治之间的平衡生态驾驶概要和性能。目前,司机负责使之间的平衡都根据所需的自主权,1]。然而,有一些工具可以提高司机的能力估计的自治车辆根据他目前的行动。两个最代表驾驶报警系统和环保驾驶概要文件优化器(2]。

驾驶报警系统是一种算法能够体贴的外部变量更新估计自治的价值。这种算法需要相同的数据集和动态模型和其他高级驾驶员辅助系统(ADAS)已经在市场中实现3]。所需的动态模型的纵向车辆数据和电池模型。根据外部电流数据关于天气,道路,交通,等等,加速度剖面估计基于加速度的历史数据集概要文件在相同的条件下。加速度概要文件转换成电力需求,它被发送到SoC(电荷状态)的估计量。SoC估计使用电力需求概要和电池动态模型来决定是否有足够的能量来完成旅行。

驾驶报警系统所需的外部信息如下:(我)地形参数。(2)天气条件。(3)开车的概要文件。(iv)交通条件。(v)速度限制。

这些参数可以确定司机的能力遵守速度参考。

在[4- - - - - -6),所有信息从不同的来源获得,如谷歌地图和Wunderground.com基于历史数据的区间估计。这是其中一个最简单的算法提出评估当前的旅游配置做出现实的自治的评估。基于数据的估计提出了(6)不使用交通行为和不能够区分不同的用户提出的平均速度。换句话说,它是不能够使用的历史数据驱动行为。即使算法有那些局限性,它能够减少的自治功能的估计误差天气/路况。该算法显示减少的自治估计从12%到64%在某些天气条件;这不能由其他同时代的估计算法。这个结果取决于旅行的条件。基于数据的估计提出了(5)能够增加使用的变量数量为了考虑驱动配置文件和交通状况,但由于它们之间可能的组合数,计算时间限制,不可能继续减少自主权的不确定性。

,如前所述,这种可能性估计范围打开可能量化道路和司机操作的效率。结果是,“环保驾驶概要文件优化器”出现。这种算法能够利用这些信息分析驾驶报警系统为了找到最佳的方式来减少整体能源消耗。建议驾驶限制速度或加速度命令来确保完成旅行。驾驶模式,这些限制是活跃的叫做“生态模式。”的我nternal combustion and electric vehicles are sensitive to speed commands optimizations but the electric vehicles show the highest potential with a range improvement of 18% in front of the 7% achieved by internal combustion vehicles with same speed commands optimizations [7]。这是由于热量和摩擦造成的损失的比例在内燃机不是比得上电动车损失相同的现象。换句话说,电动汽车的权力链更有效率比内燃机汽车;电动汽车的效率更敏感的损失是由于外部因素如速度剖面。

由于这种潜力,在平行于自治估计,速度剖面优化器出现。例如,在[8)的宏观表示精力充沛的行为是用来喂养一个模糊控制器。该控制器的目的是评估的外部参数旅行和电池电荷状态(SoC)来确定当它是可能的扩展范围。控制器操纵速度/加速度限制通过驾驶模式选项:动态(运动),经济或eco-dynamic(生态模式)。结果,即使权力链损失和装备损失并不认为,“自适应操作模式”提出的模糊控制器能够增加10%左右。

模糊控制器规则描述很敏感。出于这个原因,一个控制器,使用非线性模型的机电行为电动汽车可以提高控制信号的分辨率。例如,在[9),制定一个最优控制。本文以五个模型考虑:车辆纵向动力学模型,基于效率电动机/逆变器模型有限元分析获得的地图(有限元分析)模型辅助动力的消费来源,液压制动器模型,和电池模型。动态规划算法代价函数提出有三个组件:电池的力量,旅行所需的时间,以及速度的平滑概要文件。除此之外,有两个常量值必须由用户提出为了达到一个平衡之间的旅行时间和速度的平滑概要文件。算法能够节省14.8%的SoC在19公里的旅行城市和高速公路的速度资料的结合。这个算法是一个离线的方法;然后更高数量的SoC能得救如果提出了一种闭环控制器由于控制器能够实时应对外部干扰。然后,编译时间必须被考虑。完成问题的动态规划需要细分为了优化问题划分为子问题容易解决。子问题的数量(n),可能状态的数目(N)在每个子问题将描述解决方案的复杂性O(n,N)。然后,两个选项可以探索处理动态问题的复杂性。一方面,大量的子问题(n)要求将决议可以优化算法。例如,在[10),能源保存的数量相比,穿越的数量分割(n)找到所需分割的最优值。另一方面,可能状态的数目在每个子问题(N)是减少为了保持可接受的复杂性和分辨率之间的平衡。这种分析可以扩展到其他类型的最优控制器;例如,在[11),同样的能源管理问题是登上但电池模型的简化,提出了避免内部阻力之间的关系和开路电压与充电的状态。因此,电荷状态的动态在每个子问题可以忽略使用内部阻力和开路电压的平均值。这个近似达到减少编译时间80%和95%之间,而不影响超过1%的能量花在旅行时算法。

生态驾驶由离线优化的潜力就像前面提到的不便减少离线技术。开环优化没有考虑可能出现的干扰等沿输送流量和灯。由于这个原因,一个闭环技术等技术提出了(10探讨了。本文混合动力汽车的能量管理优化以及两种速度概要文件类型:新欧洲行驶循环(NEDC)和城市测力计开车进度(udd)。提出了二层MPC为了减少计算时间和简化混合最优问题。在外部循环,介绍了维子空间方法来优化速度轨迹,同时提高了计算效率。内部循环,一个明确的解决方案的最优转矩的两国能源和能源分裂Pontryagin提出的齿轮换挡规律的最低数值方法的原理和组合。即使大力结果之间的不可比性这纸和最新的论文提出由于混合动力汽车的本质,本文允许确定在线技术的可行性。此外,比较之间的纸制造离线和在线技术允许确定闭环方法能够节省相同数量的能量作为开环技术但也能够考虑的干扰。出于这个原因,只有闭环技术能够把这些结果从模拟真正的产品市场。

提出了一个环保驾驶优化器闭环架构面向两轮电动车因为那些导致严格的尺寸电池大小和车辆性能之间的平衡。节2理论机电模型,介绍了合成所需的控制器。节3,获得所需的电力需求概要测试提到和解释。在部分4和5开环最优控制器提出及其扩展闭环技术暴露。节6敏感性测试,提出了确保闭环控制器的行为提出,同时,介绍了一个附加的优化,以确保成本函数的权重也同步所需的自主权,司机。节7,结果得到的控制器,最后,在部分8结论和未来的工作。

2。建模

2.1。力学模型

在[12),初步研究等的机械需求动态模型的状态数代表能源消耗所需。本节代表这个最初研究的结论和机械研究与电气连接的概念。本文认为城市速度剖面;由于这个原因,在纵轴滑动可以省略(13]。由于这一假说,每个车轮的角速度可以忽略作为一种新的状态和纵向运动不会依赖于纵向速度的关系及其等效角速度(14]。这将是求和的结果的力量x设在;横向动力学也省略了集中精力充沛的要求。在图1,报告涉及的道路因素和力量。应用牛顿第二定律的运动沿x设在,纵向动态描述如下: 在哪里后轮的有效半径,滚动阻力,气动力与x设在、重量、坡角,和银行的角度。

2.1.1。部队参与能源损失

根据(15),最相关的相反力量的纵向运动车辆如下:(我)气动力。(2)滚动阻力的力量。(3)坡的路。(一)气动力:它可以表示为 在哪里是空气密度、阻力系数、前区,车辆速度、风速、空气和车辆方向之间的角度。在一般条件下,气动力会导致20%到40%的能源费用在一辆摩托车上根据摩托车底盘,空气的速度,和车辆速度和空速之间的角度16]。气动力必须分离的影响x设在和y设在。那些大小将取决于风向的夹角和车辆速度矢量方向。(b)滚动阻力的力量:它可以表示为 在哪里是两个路的摩擦系数,车辆的法向力,的斜率是。路的摩擦系数取决于道路的状态。例如,一个新的沥青[0.01,0.008]和冰冻的沥青是[0.001,0.00082]。这变异系数15%的自治会导致一个错误估计(16]。摩托车是一个多体平台;还有一个负载在前面和后方帧之间交换引起的加速和刹车。然而,正常峰值力被认为是计算滚动阻力由于支持力移情的频率高于精力充沛的动力。(c)斜率的道路:当道路提出了一种边坡介质或长途,负载交流不容忽视。在这种情况下,负载交换没有动态但它创建一个重量组件x设在和y设在,影响和横向运动动态向前发展。方程描述了这种效应 在哪里是质量和重力。

2.2。汽车的损失

存在各种各样的汽车和各种展览特别有用的特征为特定工业使用。电动汽车行业,电动马达需要属性,如维护成本低,设计简单,效率高,可减轻的控制技术与最小额外的电子设备。

之间的同步电机和感应电动机、同步电动机由于其缺乏突出显示速度方差faceto负荷变化及其在中低效率高速度。这些特征导致了交通运输行业最常用的电动马达的同步电机由于盈利的方式,他们可以很容易地控制。在一个特定的方式,使用BLDC(无刷直流电)因为他们改善转矩重量比,降低更多的维护成本,并允许增加更多的效率值相比,刷马达(17]。

无刷直流电机效率行为可以确定最优操作点的电动汽车。为了提出一个最佳点作为优化目标,提出了一种稳态效率的理论分析。在无刷直流电机,稳定状态可以被定义为的效率 在哪里η是效率,它被定义为输出功率的关系在输入功率的系统。输出功率是所描述的机械功率电动机获得的,换句话说,产品之间的电磁的扭矩和电动机的角速度 。输入功率是描述为电动机的输出功率和损失。电动机,将损失 , ,和 。他们是焦耳损失(也称为铁损),核心的损失,在转子磁铁和磁的损失。

2.2.1。磁损耗

磁涡流损耗造成的损失无刷机器的永久磁铁通常被忽视的(18]。因为最基本的气隙磁场通常与转子同步旋转和时间谐波绕组的电流波形分布通常是小, 。

2.2.2。焦耳的损失

焦耳损失造成的损失库珀在绕组的电阻率。当电流穿过导体材料,材料的电阻率反对当前的运动。因此,生产和电力的一部分热量消散。

他们可以表达为19,20.] 在哪里 , , , , , , , , , , , ,和铜的电阻率(Ohm.m),定子外径(m),定子内径(m),气隙磁通密度(T)的磁通密度在定子齿(T),磁通密度在定子轭(T)槽填充因子,纹理因子,钢管的数量对,定子叠片的长度(米)、端绕组的长度(米),基本绕组因素,和基本电流密度(/ m),的负载转矩可以表示“ 。” 在哪里是机械磁铁角的一半。

2.2.3。核心的损失

核心损失出现在磁芯由于交变磁化由于电场和磁场之间的非完备同步。他们是磁滞损耗之和(由于磁化率和退磁率)之间的区别和涡流损失(由于法拉第定律效应在纹理电动机结构引起的磁场)。核心的损失被定义为(21] 在哪里 , ,和在转子磁轭由于涡流损失和损失在牙体和齿尖由磁滞和涡流引起的。他们可以表示为 在哪里 , , , ,和转子轭的数量、频率、极数对,转子轭的平均半径,转子轭的面积的脸。 , , , ,和电阻率和平均渗透率的转子轭材料,的大小我th谐波电枢的通量密度波,通量密度的峰值在牙齿或牙齿,和电平均杆过渡角弧度。最后 ,α,β,是常数获得核心损失数据的曲线拟合测量正弦激励。这表示需要三个查找表,磁通密度作为定子电流的函数以定子轭,转子轭,气隙。

2.3。逆变器的损失

半导体所造成的损失在逆变器出现在每一个当前流量情况:(我)传导:当电流从下水道到源漏源电阻(2)屏蔽:当一个最低传导电流的一部分能够穿过阻塞二极管(3)开关:当门开始感到兴奋或停止

因为当前能够穿过阻塞二极管最小,这个功率损耗是被忽视的。

这些损失可以分为两种情况(图2)[22]。第一个是当电流从电源到电机(Id)。在这种情况下,每个半导体表示为损失 在哪里 , , , ,和阻力的漏源极、漏极电流的能量消散在时间的兴衰引起的内部参数和开关频率。

第二种情况是当电流从电动机到电源(如果有)。在这种情况下,每个半导体表示为损失

沿着二极管传导损失所描述的电力消耗的电压降在二极管在饱和政权和二极管电阻由于通过二极管的反向电流 。

2.4。电池的损失

电池模型有足够的能力来表示电荷状态(SoC)动态图所示3(23]。

开路电压(SoC)的函数,串联电阻和RC组件描述频率响应。这个模型是RC电压的状态和SoC。输入电流和输出电压的输出 。表示前面所示的电路的数学方程

为了获得真实数据,参数获得LIR18650 2600 mAh锂电池使用和理想串行/并行关系(24)是用于获得的模型参数45啊72 v的电池。

最后,锂电池组模型如图4。

系列和相似的数量需要完成包装。

电池的损失将由合成系列功率耗散引起的阻力和合成RC电路的电压。

3所示。电力需求概要文件

电力需求概要文件驱动周期紧密相关。速度驱动周期是一组数据,试图代表共同平均速度剖面车辆在某些特征。目前用于比较不同车辆之间的污染排放。我们考虑驱动器的电力需求将翻译周期(速度值)的能源电动汽车遵循所需的参考。这种转换将取决于车辆的电特性和外部力量作用在车辆(部分2),因为这些元素将描述每一步的能量损耗和转矩需求时间。在这篇文章中,例如,一个72 v, 50啊电池被选为电子设备;同时,电机的标称功率3 kW。电特性和道路的旅游特色,如风速、风向、斜率将决定所需的功率跟踪速度剖面描述由一个驱动循环。重要的是要注意,不同的属性等电动汽车的重量,前面的区域,或电力设备功能将被要求做速度参考值之间的翻译(驱动周期)和电力需求概要文件。

有两种驱动周期:(我)模态周期:它们是由直线加速度和恒速引用。最常用的模态周期是欧洲标准NEDC / WLTC和10 - 15日本循环模式。(2)瞬态循环更好的表示平均速度是动态的。最具代表性的瞬态循环是ftp - 75和阿耳特弥斯周期。

那些驱动周期有不同的版本描述车辆的行为在不同的环境中。例如,阿耳特弥斯循环有四个版本:城市,农村,150年高速公路,高速公路130。由于研究的目的是代表一个城市的环境,四个电力需求概要文件被选择:(我)NREL 3班:小型车辆速度介于0到70公里/小时(2)NREL类6:中型车辆与速度剖面在0和80公里之间(3)WLTC类1:小型车辆与速度剖面在0和70公里之间(iv)WLTC二班:中型车辆速度介于0到90公里/小时

在所有情况下,风速等外部条件和边坡剖面是相同的结果具有可比性。在边坡剖面的情况下,实际的数据来自谷歌地图在输送从巴黎到布鲁塞尔。

4所示。开环控制器

第一种方法的最优控制器是一种开环控制器。控制器假设状态是完全已知的,没有任何噪音。然后,在这种情况下,GPS信号不是必需的。

4.1。动态模型

电动汽车是建模为一个粒子在一维的轴。车辆的运动是力量的总和的结果只应用于身体和纵向部队被认为是。该模型用于描述系统的动态 州在哪里 ; 是汽车的纵向速度,旅行的距离,是能量。输入是 ; 描述了牵引和制动扭矩。描述了控制输入(失去)。 代表了几何抽象查找表测量电动机的效率。

4.2。状态和控制约束

在最优控制有两个约束:(我)力的物理约束描述的最大数量可以由机械结构: (2)设计描述模型的可行域约束状态。如果这个可行域之外,美国的行为不能被复制的车辆在一个真正的考验。这些都是

约束(19)的可行域限制它也避免了过阻尼行为。约束(20.)有关物理限制电机中描述(18)。最后,约束(21)是一个可用的物理限制数量的能源电池。

4.3。边界条件

边界条件描述最优问题的主要目标。在这种情况下,主要目标是来自位置“A”(初始条件等于零)位置“B”代表 。同时,车辆速度是零的初始值和最终值是固定的;也就是说,

4.4。成本函数

因此,完整的优化问题

(描述的成本函数最优问题23)使用三个方面。第一项(24)搜索优化能源消耗的发动机。第二项(25)负责确保足够的能源消耗的速度完成旅行与可用的能源,和上学期是速度跟踪。上学期(26)不修改,因为它代表司机在车辆控制能力和优化级别不会被修改。

在(23), 是由(16)。

同时,所需的重量增加或减少成本函数的效率的影响。具体地说,使用规范化的能量状态,使其具有可比性的速度,然后呢是指导效率的额外重量组件成本函数。这最后一项是获得之间的关系(8)和(9)。这些数据可以计算所需的能源量根据每个每公里值,以确保自治从开始所需的距离。所需的能源量每公里叫做能量估计系数。

5。闭环控制器

传感器、执行器和外部扰动引起错误的开环控制器参考跟踪,和闭环控制器需要减少他们的影响。

在这种情况下,一个NMPC(非线性模型预测控制器)。这个NMPC预测地平线和一个控制层(相当于10 s)。这些值是选择编译之间保持一个平衡时间和所需的时间从旅行需求获得一个重要的信息。

成本函数的主要目的是完成旅行。因为这个原因,两种反馈信号包括:能源控制反馈信号和评估反馈信号。(我)能源评估反馈信号所需的数据来验证NMPC的能量估计系数在每个迭代。这个信息是由能量和距离从系统状态数据与噪音。(2)能源控制反馈信号所需的数据NMPC来估计系统的行为预测地平线。这些数据是由系统噪声的三个州。

NMPC是一个离散的控制器。出于这个原因,它需要一个离散系统模型: 是一个模型的离散版本由(16),我们有

NMPC中描述的算法1此外,在图5的通量数据表示。环保驾驶控制器由三个主要元素,平衡所需的NMPC自主权和司机跟随参考速度的能力,找到所需的两个街区价值:优化和能量估计系数块。

NMPC需要描述的离线数据表1和2初始状态,速度参考值,道路坡度值提出最优转矩值。这个值被添加到执行器的噪音结果使用纵向车辆动态块更新状态值。当测量数据准备;传感器的噪声添加到美国价值观和他们回到NMPC能量估计系数块。能量估计系数块考虑距离所需的驱动程序和当前状态一段时间后相当于预测地平线确定能量估计系数需要完成旅行。最后,优化块使用这个系数优化价值和调整能源消费和复制过程,直到完成旅行。机械车辆特征如表所示1。电气车辆特征如表所示2。

6。灵敏度分析的环保驾驶的平衡

中描述的算法(1)和方程(23),成本函数需要一个重量 。这个参数将决定偏好之间的环保驾驶算法最限制速度剖面和最少的限制速度剖面。

这个测试将有助于确定参数的范围来验证这个参数的变化的影响是正确的。换句话说,成本函数的行为逻辑与变异。此外,测试的目的是确定所需的一维的非线性优化问题的特点块称为“优化。”In order to represent the results, the variables chosen are as follows:(我)速度信号:最小、最大和平均速度信号的值将决定限制提出的最优控制器。(2)电动机的效率:由于电动机效率的几何表示包含在成本函数,参数的增大必须提高效率或至少保持在最高效率值转矩/速度常数。(3)能量信号:这是所需的变量测量的结果控制器。它的减少将定义的参数。(iv)自治的预期:为了表示控制器的最终结果,每公里的成本是用来估计最后一个自治与每个获得的价值。

中给出的速度资料部分3用于比较变量的行为效率,速度,能源,和自治值是变量。所有速度概要文件分为两个版本,中期(如图所示)和低速版本中,为了在每个情况下分析结果。为了使所有的测试相比,目标是10公里的路程。另外,因为在成本函数价值可以增加效率组件的重量没有减少体重的速度,值没有一个介于0和1之间。在这个测试评估范围从0到5为了找到稳定,证明最终的结果的范围内。

平均速度是如图6。在这个图中,平均速度(y设在)评估在每个速度剖面,而值为变量(x设在)为了验证这个系数变化的影响。有两个数据平均速度,因为所有的速度资料分为城市输送组件和农村输送组件。的价值增加导致偏好的控制器最优速度值与转矩的数量在每一个步骤。这就是为什么所有的平均速度速度资料涉及到一个值接近7 (m / s)在高农村档案组件,用高速值仍存在优化的速度剖面,这就是为什么即使在平均速度减少,它高于农村的平均速度分量,停止和低速的数量值。换句话说,最大值减少和最小速度值增强保持平均速度值接近最优值。同时,可行速度区最优值时减少值是增强。

效率值获得如图7。在这个图中,城市农村输送输送组件和组件之间的分离是用来说明情况的增加系数是有效的或者不是。可以看到,在高速的价值观,变化引起强烈的积极影响由于高速价值观有更强的影响总比低速电机效率值。相反,在低速版本的速度概要文件(的情况下),平均速度是接近最优速度值变化没有显著的影响。

覆盖所需的能源价值10公里的输送速度剖面如图8。以来的平均效率增加,所需的能量减少。这一分析是很重要的决定所需的能量估计系数优化 。一段时间后等于预测地平线,能量估计系数值检查为了优化它,如果它改变了由外部噪声的影响。然后,初始能量估计系数相比,所需的能量估计系数完成旅行和一个新的价值导向的减少都是通过优化之间的区别。从这个分析,它可以强调提出了一种非线性函数值没有当地的最佳点。这个分析的目的是选择一个一维的优化方法和所需的算法来解决这个问题。

能量价值和最终的距离(10公里)允许预测这些条件下的自治。这是显示在图9。效率在图7表明,算法的最大潜力在高速资料但自治值在低速概要文件获得的信息将被用作一个限制由于交通规则。在低速概要文件,获得最高自治变异从0到2.5。同时,提出如果速度变化值优于2.5之后不能在正常交通条件。由于这个原因,在电动汽车以外的一个自治环境,范围从0到2.5。

总之,改进算法能够获得超过50%的自治与限制车辆的最大和最小速度值的30%左右。即使速度剖面提出的控制器无法使用在所有流量情况下,值从0到2.5能够改善自治的现实情况。同时,该算法可以扩展的可用性研究的行为由自主车辆以降低速度剖面的局限性。每公里的能量系数能够表示效率所需的驱动程序为了完成旅行;然后它是用来发现开车环保驾驶和自由之间的平衡。最后,由于非线性函数描述的能量每公里没有理想点,一个一维的算法可以使用关注编译时间。

7所示。结果

实验用图表示10包括重新创建一个城市驾驶任务轮廓一起旅行。司机负责提出所需的自主权和能量计算每公里。选择的速度剖面是NREL类6驱动周期由史密斯牛顿从NREL实验室25),因为它是设计为电动汽车在城市环境中。速度剖面是重复,直到完成目标距离的车辆。

重要的是要注意,只有汽车损失由控制器,但考虑到电池,驱动,电机损失是用来表示真实的行为。控制器没有考虑电池和驱动程序损失,因为这些损失与速度成正比。结果,他们的最小化会导致车辆的临界转速降低。

干扰是一个均匀分布的信号。将其添加到转矩信号控制器代表执行机构提出的噪声;在这种情况下,它将决定速度剖面之间的误差估计和司机由于火光,提出的速度剖面的变化方向,或其他外部原因。由于这种分析,自治之间的错误估计所需的驱动程序和获得的自治估计进行了比较。致动器噪声的最大价值是最大扭矩值的10%。同时,信号不均匀分布与最后一个代表了测量噪声。它的最大值是1%的最大可能值的状态。

自治值要求司机沿着测试提出了从17公里到160公里,即使车辆之间为近年来设计具有类似特征的根据用户手册80公里和100公里。最初的SoC是从20%降至100%。控制器能够完成旅行的距离的最大误差为1.25%;所需的自治总是不大于90%的自治估计的最大价值没有噪声的初始估计。

表3探讨了在三个速度的优化概要文件区域:“MaxA”、“MaxNA”和“最小值。”“MaxA”是指最大承认的值算法;然后 。“MaxNA”是指最大值价值承认通过灵敏度分析后的算法。这个值允许保持一些控制了司机的速度值;然后 。“最小值”是指最低承认的值算法;然后 。换句话说,大力优化不是。可以看到,该算法能够提高自治没有拿走所有控制在60%的司机速度剖面。在一个假设的情况是不重要的保留一些控制车辆因为外部障碍完全控制(如全自动车辆的环境),自治的理论优化显著增加。

为了研究一个特定的情况下,一次100公里的城市提出了速度剖面二班。车辆的当前SoC是80%;这意味着车辆可以覆盖大约60公里处没有任何优化和141公里,如果车辆司机提出的完全忽略了速度剖面和它在其最优速度值 。

与 ,内部控制器(NMPC)能够增加自主车辆的66%左右,保持68%的相关性之间的司机提出的速度剖面和一个提出的控制器(图11)。速度剖面提出的控制器往往避免最小和最大速度值的速度剖面由加速度限制司机提出的。因此,车辆和所需的转矩的平均值在旅行更接近最优值根据电动机特性。在实际实现中,一些停止可能所需的驱动程序。它会导致一个错误的估计公里所需的能量;这就是为什么外部控制器是必需的。在这个实验中,外部控制器是有限的降低噪声添加模拟之间的测量误差和意想不到的变化速度剖面所描述的司机和速度剖面估算考虑。

我们可以看到在图12错误造成的干扰措施或错误的执行器信号导致的能量估计错误。因为该算法有助于确定系数必须完成旅行,估计往往是高于或低于所需的系数估计由于扰动的影响。因此,不需要限制强加在速度剖面。出于这个原因,外部控制器检查所需的能量每公里为了确保最后一个的估计是一致的(在过去的样本计算时间)。我们可以看到在图13每公里的情况下,能源是最后一个相比明显不同,控制器需要区别两种信号正确价值两个步骤:(我)恢复能量损失在过去错误的估计带来更强的限制(2)重新计算最优系数与新能源每公里措施减少的速度限制

结果信号描述过阻尼行为的峰值103.5%的最终价值。稳定时间是4迭代步骤和需要注意的是,每次迭代对应于1000秒。最后,车辆能够完成0.06%的旅行与最后一个SoC和最后一个自治误差为0.1%(100米)。旅行时间的模拟是3.8小时,这两个控制回路的仿真时间不超过35%的样品时间在每种情况下。这活跃系数修正方法确保了自治估计是尽可能接近最初的估计(图14)。

8。结论和未来的工作

在这篇文章中,一个在线环保驾驶速度概要提出了优化的方法;这优化器由一个NMPC,它提出了一个动态速度限制基于距离所需的驱动程序。这个速度限制提出的控制器能够节省两倍的能量闭环方法相比,在艺术的状态由于事实即使NMPC所需的动态系统是面向快速编译,它考虑了电动机效率的行为。此外,估计动态系统考虑了电池和逆变器效率的行为以及热性能。同时,它与第二个优化循环计数减少交通造成的外部扰动的影响,错误的措施,或错误的控制信号对这些节能功能。发达控制器增加了自治从15%到50%左右(根据司机提出的速度剖面)的限制速度和加速度(保持速度和加速度值低于70%的司机提出的最大值);但是这个算法是最重要的方法,由于外部优化循环,它探测使用速度优化,以确保一个自治自治之间的误差估计和自主性得到低于1.25%也没有考虑初始SoC但条件是自治的要求低于90%的自治估计的最大值在最初的估计。这种方法旨在确保车辆完成旅行的能力,即使面对变量条件。为了确保开发算法的可用性在实际的交通情况下,三个语句进行了探讨。首先,体重相关环保驾驶行为是有限的结果显示敏感性测试的范围系数可以扩展到研究的行为由自主车辆。第二,司机从不妥协的自由;然后优化速度剖面不是强加速度剖面之间的差异提出的司机和速度优化概要文件被认为是噪声的能量估计系数算法。最后,外部优化更新样品时间与预测地平线,确保平衡系数( )是最优的完成旅行的最低速度限制,即使和致动器的信号可能存在错误的措施。然而,该算法将需要一个额外步骤的速度剖面识别,确保结果出现在本文甚至提出了一些测试时,一个扩展交通状况测试必须执行确保内部和外部优化在所有可能的情况下行为是一致的。

数据可用性

使用的外部数据(如书籍、期刊、会议论文)来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。