智能網聯場景下純電動客車車速規劃算法研究

齊善威

摘 要：文章針對智能網聯場景，在考慮交通信號燈SPAT信息的基礎上，采用MPC模型預測控制算法對隊列行駛的純電動客車進行實時車速規劃，實現了車輛交通路口前不停車跟馳行駛，同時保證了車隊中各個車輛的行駛安全性、能耗經濟性、駕駛平順性及乘坐舒適性。

關鍵詞：智能網聯汽車;經濟車速規劃;模型預測控制算法

Abstract： In this paper， the model predictive control algorithm is used for real-time vehicle speed planning for pure electric vehicles in the intelligent and connected scenario， and the traffic signal timing information is fully considered in the process. As a result， the MPC strategy can not only ensure that vehicles dont stop in front of traffic lights， but also improve the driving safety， energy consumption economy， driving comfort and riding comfort of each vehicle in the fleet.

前言

隨著智能交通領域不斷發展，電動化、智能化、網聯化和共享化成為未來汽車發展的必然趨勢。在城市交通環境中，車輛大部分處于列隊跟馳行駛狀態，因此搭建合理的跟車模型對提升車輛經濟性和安全性具有重大意義。目前，研究人員為解決該問題建立了諸多模型，包括最優車速模型（OVM）[1]、廣義力模型（GFM）[2]和全速差模型（FVDM）[3]等，但這些模型均只以行駛安全性為目標，并未結合SPAT信息對能耗經濟性和交通暢通性進行綜合優化。在多目標優化問題求解過程中，模型預測控制（MPC）由于局部最優、實時應用和魯邦性好等優點，廣泛應用于各研究領域中[4]。本文基于智能網聯場景，結合V2I和V2V通信獲取的車輛行駛信息以及交通信號燈正時信息，采用MPC算法針對列隊行駛的純電動汽車進行經濟車速規劃，旨在全面提升車輛綜合行駛性能。

1 車輛縱向動力學模型

本文在進行車速規劃時，僅考慮車輛的縱向動力學特征，忽略其振動特性和操縱穩定性。在純電動汽車行駛過程中，由動力電池提供驅動力來克服滾動阻力、空氣阻力、坡度阻力和加速阻力[5]，其需求功率計算方法如公式（1）所示。此外，純電動汽車制動時還可以進行制動能量回收，為保護動力電池，設定最大回收功率為30kW。

式中，ηT為整車效率，取0.95;m為整車質量，取13000kg;g為重力加速度;f為滾動阻力系數，取0.1;i為道路坡度，考慮到城市交通環境中道路坡度較小，坡度值取0;Cd為空氣阻力系數，取0.65;A為迎風面積，取8m2;u為行駛速度;δ為旋轉質量換算系數，取1.07;du/dt為加速度。

2 經濟車速范圍規劃

在進行車速規劃時，首先需要結合當前路段的SPAT信息和車輛行駛位置信息對經濟車速范圍進行計算，保證車隊各車輛均能夠不停車通過交通路口，提高行駛經濟性和交通暢通性[6]。其車速范圍的上下限計算公式如下所示。

式中，角標i代表車隊中第i輛車; 和 分別為經濟車速范圍上限和下限;k為當前時刻車輛行駛時間，k0為前方交通信號燈初始相位;di為車輛到信號燈的距離;tg為綠燈維持時間，tr為紅燈維持時間，tc為交通信號燈的一個循環周期，該循環以紅燈-綠燈的順序進行，本文將黃燈閃爍時間并入紅燈等待時間中;Kw為前方信號燈當前時刻的循環次數; 為城市工況下客車的最高車速;mod（k-k0，tc）為取余函數。

3 MPC車速規劃

在確定各個車輛的經濟車速范圍后，采用MPC策略對預測時域內的車速進行細致規劃，本文預測時域選擇為5s。MPC策略實施時分為狀態預測、滾動優化和反饋校正三大部分，首先根據經濟車速可選范圍將預測時域內的車速可達狀態進行離散，本文將其離散為20個節點;然后在滾動時域內采用動態規劃算法對目標函數進行求解尋優，得到5s內的最優加速度序列和車速序列，其優化過程中狀態變量為行駛車速，控制變量為加速度;最后提取預測時域內的第1秒車速作為該車輛下一時刻的引導車速，同時將預測時域內5s車速規劃結果通過V2V通信傳遞至后車，為后車確定安全車間距提供參考。通過不斷重復上述過程，實現了車速規劃的滾動優化和反饋調節。其滾動時域內的目標函數如公式（6）所示。

式中共分為四部分，從左到右依次代表能耗經濟性、行駛安全性、交通暢通性和行駛平順性的評價指標，其中T為預測時域長度，t為時間變量;ωp（p=1，2，3，4）為各性能指標計算項對應的權值系數;Sij為第i輛車和第j輛車實際車間距同理想跟車距離Sd之間的差值，Si和Sj分別為車i和其相鄰前車j所處的位置。

公式（9）為優化算法的約束條件，a為行駛加速度，上標min和max分別代表相應變量的最小和最大限值。

4 仿真驗證

本文選取4輛型號相同的純電動客車組成一個車隊，對單車道車輛跟馳行為進行研究，忽略車輛換道和超車行為。對其進行仿真時，假定紅燈持續時間為40s，綠燈持續時間為18s;兩個交通信號燈之間間隔500m;車輛初始車速、初始車間距及信號燈初始相位隨機產生;相鄰兩車期望車間距為12m;道路最高車速為18m/s，最低車速為0m/s;加/減速度絕對值不超過1.5m/s2;仿真時長為500s。其仿真結果如下圖所示，圖1中紅色水平線代表紅燈的持續階段，相鄰紅線之間的空白區域為綠燈持續階段。

5 結論

從仿真結果可以看出，采用MPC策略進行車速規劃可

以保證車隊中所有純電動汽車均能夠不停車通過交通路口，其車速變化平穩，車間距均在5m以上。可見MPC策略不僅可以提升交通環境暢通性，還能夠充分保證車輛的行駛安全性、能耗經濟性、駕駛平順性和乘坐舒適性，對提高智能網聯場景下車隊行駛性能具有重要價值。

參考文獻

[1] Bando M， Hasebe K， Nakayama A， et al. Dynamical Model of Traffic Congestion and Numerical Simulation[J]. Physical Review E， 1995， 51（2）：1035-1042.

[2] Helbing D， Tilch B. Generalized Force Model of Traffic Dynamics[J]. Physical Review E， 1998， 58（1）：133-138.

[3] Liu L，Zhang N. A New Car Following Model Considering the Accele -ration of Leading Car[C]//International Conference on E-Product E-Service and E-Entertainment. IEEE， 2010：1-4.

[4] Xie S，Hu X，Liu T，et al. Predictive Vehicle-Following Power Manage -ment for Plug-In Hybrid Electric Vehicles[J]. Energy， 2019， 166： 701-714.

[5] 余志生著.汽車理論[M].北京：機械工業出版社，2008.

[6] HomChaudhuri B，Vahidi A，Pisu P. Fast Model Predictive Control- Based Fuel Efficient Control Strategy for a Group of Connected Vehicles in Urban Road Conditions [J]. IEEE Transactions on Control Systems Technology， 2017， 25（2）：760-767.

10.16638/j.cnki.1671-7988.2020.07.010