基于實時路況信息的插電式混合動力汽車預測性能量管理算法研究

陳渠 殷承良 張建龍 秦文剛

（1.上海交通大學，汽車電子控制技術國家工程實驗室，上海 200240；2.聯合汽車電子有限公司，上海 201206）

主題詞：插電式混合動力汽車 預測性能量管理策略 實時路況 能耗分配法

1 前言

能量管理策略是插電式混合動力汽車（Plug-in Hybrid Electric Vehicle，PHEV）的核心技術之一[1]。基于規則的管理策略主要依據工程經驗或試驗數據反復調試控制閾值，較易實現，魯棒性好，但依賴于經驗水平，且工況適應性差[2]。基于全局優化的能量管理策略，如動態規劃（Dynamic Programming，DP）算法，需預知行駛工況信息，且計算時間長，難以用于實車控制[3]。等效燃油消耗最小策略（Equivalent Fuel Consumption Minimization Strategy，ECMS）是一種瞬時優化策略，將電池電量消耗等效為燃油消耗，合適的等效系數可使ECMS作為次優解，獲得接近全局最優解的控制效果[4]，其關鍵是最優等效因子的確定。

隨著汽車智能化、網聯化的發展，汽車部件及系統控制策略可與智能交通系統（Intelligent Transport System，ITS）相結合[5]。將實時車況信息、道路信息及交通信息等整合到PHEV能量管理策略中，可大幅提升工況適應性，從而改善燃油經濟性[6]。目前ITS 尚未完全普及，地圖開發平臺依托大量的車載GPS 接收機、手機位置應用程序（APP）、道路測速儀等傳送數據，可使開發者實時獲取免費路況信息，所以有必要研究基于現有可實時獲取的路況信息的PHEV能量管理算法。

本文以某款P2 構型PHEV 為研究對象，首先從地圖開發平臺獲取相關路況信息，構建能耗分配法規劃全局荷電狀態（State of Charge，SOC）參考軌跡，建立自適應等效燃油消耗最小策略（Adaptive Equivalent Fuel Consumption Minimization Strategy，A-ECMS）實時跟蹤目標SOC參考軌跡實現能量管理，最后采集上海市某段路徑實車速度與對應實時路況信息，驗證算法有效性。

2 PHEV整車模型

2.1 整車主要參數

本文采用的P2 構型PHEV 整車結構如圖1 所示[7]，動力及傳動系統參數如表1所示。

圖1 PHEV動力傳動系統結構

表1 PHEV整車參數

不考慮車輛的振動和操縱穩定性時，車輛的縱向動力學表達式為：

式中，Tw為需求扭矩；m為整車質量；g為重力加速度；fr為滾動阻力系數；θ為坡道角度；CD為空氣阻力系數；ρd為空氣密度；A為迎風面積；v為車速；δ為旋轉質量換算系數；t為時間；r為車輪滾動半徑。

發動機和電機的扭矩和轉速關系為：

式中，ηT為變速器與驅動橋的總傳動效率；R（i）為變速器第i擋速比與主減速比的乘積；Te為發動機輸出扭矩；Tm為電機輸出扭矩；Tb為摩擦制動器的制動扭矩；ωw為車輪轉速；ωe為發動機轉速；ωm為電機轉速。

2.2 發動機和電機模型

本文重點研究PHEV的穩態能量管理策略，主要涉及發動機的燃油經濟性，在保證精度的同時，為提高仿真模型運行速度并降低運算成本，本文發動機和電機模型均采用查表方式進行建模，分別如圖2和圖3所示。

圖2 發動機有效比油耗特性

圖3 電機特性

2.3 電池模型

SOC是整車能量管理的重要變量，直接影響需求扭矩在發動機和電機之間的分配。本文將動力電池簡化為如圖4所示的等效電路模型，可得：

式中，I為電池電流；U0為電池開路電壓；R為電池內阻；Pb為電池充、放電功率；ηm為電池充、放電效率；Q為電池容量；SOC（k）為k時刻荷電狀態。當電機輸出扭矩Tm≥0 時，電池處于放電狀態，當Tm＜0 時，電池處于充電狀態。

圖4 電池模型

3 預測性能量管理算法

3.1 SOC軌跡規劃

3.1.1 路況信息獲取

地圖服務供應商依托終端設備回傳的數據可實現路況信息的1 min 更新和100 m 精度表達，而開發者可使用的路況信息為1 min 內平均路況信息，可較精準地反映實時交通路況。本文基于國內某地圖服務供應商的Web 服務應用程序接口（Application Programming Interface，API），通過超文本傳輸協議（HTTP）或超文本傳輸安全協議（HTTPS）請求獲取實時路況信息。

如圖5 所示，起點O到終點D稱為路徑，一條路徑可以根據不同的道路名稱劃分成不同的一級路段，每個一級路段又根據不同擁堵等級（暢通為1，緩行為2，擁堵為3，嚴重擁堵為4，將其定義為路況指數）劃分成不同的二級路段。開發者可使用的路況信息包括路徑和一、二級路段的行駛距離和時間，以及二級路段路況指數。

圖5 路況說明

以聯合汽車電子有限公司為起點，上海交通大學（閔行校區）為終點獲取的路況信息如圖6 所示，含有9個一級路段和181個二級路段。第y個一級路段的平均速度為：

式中，sy、ty分別為地圖平臺返回的第y個一級路段的距離和時間。

3.1.2 能耗分配法

本文僅研究剩余電量無法滿足純電動行駛全部里程的情況。文獻[8]表明，混合模式與電量消耗-電量維持（CD-CS）模式相比，能夠在相同的油耗水平下使用更少的電池能量。其他學者基于SOC跟隨的實時控制算法中，所跟隨的SOC軌跡基本為基于里程線性變化的SOC參考軌跡[9-11]。

圖6 路況信息

文獻[12]表明，SOC的下降趨勢與速度具有明顯的正相關性。由于電機的效率區間比發動機大，所以PHEV 在實際控制過程中，在滿足功率需求的前提下，希望擁堵路段利用純電動行駛，高速路段起動發動機使用混合模式運行。本文提出能耗分配法規劃全局SOC參考曲線，根據路況信息對電量進行全局分配，在擁堵路段分配更多電量使用純電動行駛。結合式（1），分配思路如下：

a.根據路段平均速度平方與距離的乘積，反比例分配電量：

式中，ΔSOCtotal為電池剩余SOC；SOCstart、SOCend分別為路徑起點、終點SOC；ΔSOCk1為第k個二級路段根據路段平均速度平方與距離的乘積反比例分配的電量；n為二級路段的總數；sk、vˉk分別為第k個二級路段的距離和平均速度。

當距離相同時，路段k平均速度越小，分配電量的占比越大，車輛更傾向于純電動行駛。

b.根據路況指數與距離的乘積，正比例分配電量：

式中，ΔSOCk2為第k個二級路段根據路況指數與距離的乘積正比例分配的電量；ck為第k個路段的路況指數。

當距離相同時，路段ck越大，分配電量占比越大，車輛更傾向于純電動行駛。

c.按比例調節分配的總電量：

式中，ΔSOCk為第k個路段分配的總SOC；α1和α2分別為平均速度和路況指數的能耗分配系數，可以采用遍歷的方法規劃最優SOC軌跡。

3.2 A-ECMS算法

ECMS算法在每個時刻t使發動機的實際油耗率（根據發動機穩態模型插值求得）和電動機消耗電量的等效油耗率的總和最小[13]。

本文建立自適應等效因子s（t）計算：

式中，Hlhv為汽油質量熱值常數；ηdis和ηchar分別為電池充電和放電效率；s0為等效因子常數部分；kp為比例系數；kI為積分系數；SOCref（t）為當前時刻SOC目標值；SOC（t）為當前時刻SOC。

由式（13）、式（15）可知：當SOC（t）＞SOCref（t）時，等效因子減小，在滿足需求功率的條件下增大用電量；當SOC（t）＜SOCref（t）時，等效因子增大，在滿足需求功率的條件下發動機發電，保證工作在高效區間；當SOC（t）=SOCref（t）時，即ΔSOC=0時，等效因子不變，保持上一時刻的控制策略。

系統約束條件為：

式中，Pemin（t）、Pemax（t）分別為t時刻發動機最小和最大扭矩；Pmmin（t）、Pmmax（t）為t時刻電機最小和最大扭矩；SOCmin和SOCmax為電池最小和最大SOC約束。

4 仿真分析

4.1 測試工況采集

通過車輛車載自動診斷系統（On Board Diagnostics，OBD）接口采集實車速度，每5 min 記錄路況信息，且新數據覆蓋之前未行駛路段的路況數據，如圖7 所示。t0時刻車輛位于起點O，保存起點O到終點D的路況信息，5 min 后的t1時刻車輛行駛到O1處，更新O1到終點D的路況信息，以此類推，直至車輛到達終點。某次采集的實際車速和路況信息如圖8所示。

從圖8 可以看出：路段平均速度相同時，路況指數變大，實際行車速度下降，說明出現擁堵；平均速度不相同的兩個路段，平均速度較小的路段對應的實際車速較小。結合路況指數和平均速度可較好地預測實際行車速度，為能耗分配法提供了理論基礎。

圖7 路況信息更新說明

圖8 仿真工況

4.2 仿真及結果分析

基于地圖信息的PHEV 預測性能量管理策略控制流程如圖9 所示，其中vref為實際車速，β、γ分別為油門踏板和制動踏板開度，分別為最優的發動機扭矩和電機扭矩。以地圖開發平臺實時路況信息作為能耗分配法的輸入，規劃全局SOC參考曲線，輸入等效因子自適應模塊，根據當前SOC與規劃SOC的差值，實時調整等效因子s（t），最后基于A-ECMS 控制策略完成仿真驗證。當平均速度能耗分配系數α1=0.6 時，可得最優結果。

圖9 控制策略流程

能耗分配法規劃的全局SOC參考曲線與真實SOC曲線對比如圖10 所示。在低速階段，能耗分配法規劃的SOC下降斜率絕對值大于高速段，能分配較多的電量，且SOC參考值小于真實SOC值，經過自適應控制模塊，等效因子減小，在滿足需求功率的條件下盡可能以純電行駛；在高速階段，SOC參考值大于真實SOC值，等效因子變大，在滿足需求功率的條件下發動機發電且保證工作在高效區間。結果表明，能耗分配法利用地圖信息規劃的全局SOC參考軌跡可以在低速和高速區間合理分配電量，同時，真實SOC曲線與全局SOC參考軌跡變化趨勢保持一致，說明A-ECMS算法可較好地跟蹤目標SOC軌跡，按預設電量分配情況進行控制。

圖10 SOC軌跡

圖11 和圖12 所示分別為CD-CS 策略和A-ECMS算法的發動機扭矩隨時間變化曲線。傳統CD-CS策略先進入電量消耗模式，當SOC減小到臨界值再起動發動機進入電量維持模式，造成整車燃油經濟性較差。能耗分配法根據路況信息提前進行全局電量分配，確保低速階段有充足電量進行純電動行駛，在高速階段，分配的電量較少，進入混合模式驅動車輛，確保發動機工作在高效區，提高了整車燃油經濟性。圖13 所示為發動機工作點分布MAP圖，與CD-CS策略相比，A-ECMS策略有更多工作點分布在最佳效率曲線內。

圖11 CD-CS算法發動機扭矩

圖12 A-ECMS算法發動機扭矩

圖13 發動機工作點分布

CD-CS、A-ECMS 和DP 策略仿真結果如表2 所示。分別用線性SOC、能耗分配法規劃的SOC和DP 求得的最優SOC軌跡作為SOC參考曲線對A-ECMS 進行仿真。以能耗分配法規劃的全局SOC軌跡為跟蹤目標雖相較于DP算法的燃油消耗量優化效果下降了2.63%，但DP算法需要提前獲取實車路譜，無法滿足實時性要求。

表2 不同策略百公里油耗對比

5 結束語

本文設計了基于實時路況信息的PHEV 預測性能量管理算法。首先根據實時路況信息建立能耗分配法規劃全局SOC參考軌跡，預測每個路段的電量分配，然后建立A-ECMS 策略，以真實SOC值與SOC參考值的偏差作為PI控制的輸入，自適應調整等效因子，使真實SOC跟隨目標SOC參考軌跡實現能量管理。最后以上海市某段路徑行駛工況數據進行仿真，結果表明：全局SOC參考軌跡可在低、高速路段合理分配電量，真實SOC軌跡與SOC參考軌跡變化趨勢保持一致，該策略燃油經濟性較CD-CS 策略提高7.65%，接近DP 全局最優解。