基于駕駛意圖云模型識別的混合動力汽車A-ECMS的構建

鄧 濤，羅遠平

（1. 重慶交通大學 機電與車輛工程學院，重慶 400074，中國；2. 重慶交通大學 航空學院，重慶 400074，中國）

能量管理策略是混合動力汽車(hybrid electric vehicle, HEV)的關鍵技術，其主要分為兩類，一類是以工程經驗為依據的規則控制策略，另一類是以不同目標為優化對象的優化控制策略[1]。基于規則的控制策略[2]比較簡單，實用性強，但規則制定主要依靠人的經驗，控制效果往往差強人意。基于優化的控制策略如動態規劃[3]、極小值原理[4]、模型預測控制[5]等需要提前預知整個行駛工況，以便對整個行駛工況的轉矩分配進行優化，獲得全局最優解。因而這類控制策略計算量大，難以用于實際。而以瞬時轉矩分配為優化對象的等效燃油消耗最小策略(equivalent consumption minimization strategy, ECMS)[6]通過構造一個等效因子將電能等效為燃油，并以最小等效燃油消耗為目標得到瞬時的最優轉矩分配方案，不僅可以獲得接近于全局最優的控制效果，而且也減少了計算量，是最有可能運用于實際的優化控制策略。等效因子對工況及其敏感，因此ECMS需要實時調節等效因子來提高其普適性。等效因子的調節一般可分為3類[7]：基于工況預測調節[8]、基于充電狀態（state of charge，SOC）反饋調節[9]、基于駕駛模式識別調節[10]。由于實際運行工況復雜多變，很難有算法能對未來工況實現精準預測，這也就限制了基于工況預測調節等效因子的實用性。而基于SOC反饋調節會使SOC波動頻率增大，會導致電池壽命減少。

駕駛模式識別是指識別具有相似統計性質的行駛工況[11]，統計變量不同，對駕駛模式定義也不同。若以油門踏板開度及其變化率等駕駛員操作數據作為統計變量，則駕駛模式被定義為駕駛意圖，是駕駛員發揮主觀能動性對實際狀況做出正確預判的體現。已有研究成果表明能量管理和轉矩分配要符合駕駛員意圖[12-13]。

但駕駛意圖是采用自然語言進行描述的定性概念，往往具有一定的不確定性（隨機性和模糊性），而采集的識別參數都是定量數據。因此，需要將這些定量數據與定性概念相互映射。于是，有人提出以模糊數學來解決這一問題。混合動力電動汽車如高建平等[14]對駕駛風格及加速意圖進行模糊識別，再將識別的駕駛風格和加速意圖識別作為輸入，模糊輸出轉矩修正系數k對需求轉矩進行修正；孫瀚文等[15]采用模糊控制器識別駕駛員操作意圖，結合行駛工況對SOC 進行動態控制，合理選擇電動汽車(electrical vehicle, EV) 或者混合動力電動汽車(hybrid electric vehicle, HEV)模式切換點的方法，取得了較好的節油效果。

模糊識別雖能較好將定量數據轉換為定性的駕駛意圖，但其隸屬度函數的確定嚴重依賴專家經驗，具有很強的主觀性，而云模型在模糊數學基礎上增加了對隸屬度的隨機性描述，突破了單一隸屬度的限制，能更好地實現定性概念和定量數據的相互轉換[16-17]。

因此，本文采用云模型識別駕駛員意圖，并以此來調節等效因子，制定基于駕駛員意圖識別(driver intention recognition，DIR)的自適應等效燃油消耗最小策略(adaptive-ECMS, A-ECMS)，以期達到優化SOC軌跡、降低燃油消耗的目的。

1 駕駛意圖云模型識別

1.1 云模型簡介

云模型的3個數字特征分別為期望Ex、熵En、超熵He[16]。

1.1.1 正向云發生器

正向云發生器（forward cloud generator, FCG）是指定性概念向定量數值的轉換算法，即由云模型的3個數字特征產生統計變量論域上的數值，示意圖如圖1所示。

其具體步驟如下：

1) 生成一個正態隨機數En′i，En′I～N(En, He2)；

2) 對一個給定數值xi，計算其對該模型隸屬度

3) 完成一次定性概念到定量數值的轉換，(xi，μi)稱為云模型中的一個云滴；

1.1.2 逆向云發生器

逆向云發生器 (backward cloud generator, BCG)是正向云發生器的反過程，示意圖如圖2所示。

其具體步驟如下：

1) 對一組樣本{x1，x2，x3，…，xn}，計算其平均值則期望Ex= x；

2) 計算上述樣本方差；

上述云發生器均為一維云發生器算法，類似于正態分布，其也可推廣至二維，三維甚至更高維數的云發生器算法。

1.2 駕駛意圖識別

1.2.1 駕駛意圖分類

駕駛意圖可采用速度、加速度、加速踏板開度及其變化率進行識別。駕駛意圖的分類編號如圖3所示。

1.2.2 駕駛意圖云模型識別

通過云模型對駕駛意圖進行識別，首先需要產生各意圖下相應的云模型特征參數。按照逆向云發生器具體步驟，采集各個工況下的駕駛意圖識別參數。駕駛意圖一般采用踏板開度及其變化率進行識別[13]，但考慮到正常駕駛時，駕駛員產生的駕駛意圖在一部分程度上也取決于車輛行駛狀態（如車速，加速度）；因此本文采用加速踏板開度α及其變化率α'、制動踏板開度β及其變化率β'，車速v、加速度a作為駕駛意圖識別參數。此外，由于工況數量眾多，可采用K-means聚類算法對工況進行聚類，選取各個類別最具代表性的工況進行研究[18]。

根據文獻[18]對工況進行聚類分析，得到的代表性工況分別為城市道路循環工況(urban dynamometer driving schedule, UDDS)、美國激烈駕駛工況(US06)、新歐洲駕駛周期(new european driving cycle, NEDC)、聯邦測試程序(federal test procedure, FTP)、紐約城市工況(New York city cycle, NYCC)和高速路燃油經濟性測試工況(highway fuel economy test，HWFET)。利用SimuLink軟件建立起混合動力汽車前向仿真模型在這些工況下仿真，以1s為采樣間隔，實時采集駕駛意圖識別參數。在前向仿真模型中，駕駛員模型采用比例積分微分(proportion integration differentiation, PID)控制輸出加速踏板開度信號，示意圖如圖4所示。

加速踏板開度計算公式為：

式中：Treq為需求轉矩，Temax、Tmmax分別為當前轉速下發動機和電機所能輸出的最大轉矩，Tbr_max為車輛能提供的最大制動轉矩。

將采集的數據用K-means聚類，劃分意圖類別。但在對數據進行駕駛意圖聚類時，由于車速值相對于踏板開度值比較大，造成聚類結果對車速比較敏感，從而無法對駕駛意圖進行正確分類，因而在對駕駛意圖進行聚類之前需對采集的數據歸一化處理。本文中采用研究對象車輛設計的最高車速vmax作為歸一化工具，歸一化后的車速為

定義聚類得到的各類意圖樣本

其中：I代表各類意圖，ni為第i類樣本點數量，j為不同駕駛意圖識別參數編號。采用逆向云發生器BCG便可產生相應的云模型特征參數：

采用正向云發生器算法識別駕駛意圖，對實時輸出的意圖識別參數歸一化后計算其隸屬度ui，由于正向云發生器中熵是按照正態分布隨機產生的，使得隸屬度ui不穩定。此時應該多次生成隸屬度并計算其平均值，得到一個具有穩定傾向的ui，即

選取最大隸屬度對應的意圖作為識別結果，可得到實時駕駛意圖識別的駕駛意圖編號為

2 基于駕駛意圖云模型識別的A-ECMS

能量管理主要有3個要素：需求轉矩、模式切換以及扭矩分配。在前向仿真模型中需求轉矩可由駕駛員模型計算得出，而模式切換和扭矩分配主要由控制策略實現。基于駕駛意圖云模型識別的A-ECMS策略根據駕駛意圖調整等效因子，使得ECMS策略能適應不同工況，從而實現最佳轉矩分配和工作模式的選擇。

對目標數據樣本做處理后，就可以進行數據的綜合分析，從而得到電機下沉的趨勢。綜合分析的考慮因素和原理如下：

2.1 等效燃油消耗最低（ECMS）策略

ECMS策略下需構建實時目標成本函數為

式中：m′eqv為等效燃油消耗率；s為等效因子；Pbatt為電池端功率；Qihv為燃油熱值；m′e為發動機瞬時燃油消耗率。

當前時刻最優轉矩分配為

若令ωe為發動機轉速，ωm為電機轉速；則ECMS策略還需同時滿足以下條件：

在ECMS策略中，等效因子s對工況極為敏感。若s偏大，控制策略會偏向于使用燃油，導致油耗增加而使SOC上升；反之，控制策略偏向用電，導致電耗增加而使SOC下降[11]。由于本文研究對象為并聯混合動力汽車，需要終了SOC與初始SOC保持一致。因此，可通過離線仿真找到工況對應的最優s值，使得終了SOC與初始SOC保持一致。

2.2 基于駕駛意圖云模型識別的A-ECMS

該策略的基本思路是在各典型工況下進行離線仿真，獲取個工況下的最佳等效因子以及意圖識別參數，再對意圖識別參數進行處理后采用逆向云發生器獲取各類意圖的云模型特征參數，構建識別所需的云模型。在識別各典型工況意圖后，對各個工況下的等效因子進行加權平均，獲取各意圖對應的等效因子，建立基于駕駛意圖的等效因子查詢表，通過實時識別駕駛意圖匹配合適的等效因子，控制策略的示意圖如圖5所示。

6種典型工況用ECMS策略離線仿真得到對應工況的最佳等效因子：s_c(1),s_c(2),…,s_c(6)，具體結果如表1所示。由于等效因子的本質是油電轉換的平均效率[19]，考慮到某一工況下各意圖對該工況最優等效因子的貢獻不盡相同，故可以采用加權平均的方式求得各個意圖對應的等效因子。

表1 各典型工況最佳等效因子

在確定權重時，依據代表工況下各數據點對應的意圖得出某一工況下意圖i的時間占比P_i(k)，考慮到最優等效因子是針對特定工況，是綜合了特定工況下個時刻的轉矩需求和運行時間，故在采用時間占比來確定權重時應同時考慮工況長度。將6個典型工況并聯構造一個組合工況，且令T為該工況長度，則第k個典型工況與組合工況中的長度比值為

某一意圖對應的等效因子為

由于停車時不管汽車是處于熄火狀態還是停車充電狀態，等效因子都沒有作用于能量管理，因而沒有對停車意圖賦予相應的等效因子。經加權平均后得到各意圖對應的等效因子查詢表如表2所示。在識別駕駛意圖后可通過查表匹配等效因子，同時，為了保證SOC能維持穩定，引入懲罰函數對匹配后的等效因子進行修正，從而獲得該意圖下的最優轉矩分配。

表2 各意圖等效因子查詢表

3 仿真分析

為驗證所提出策略的有效性，本文采用更加接近真實行駛過程的前向仿真方式進行仿真分析。以并聯式混合動力汽車為研究對象，在SimuLink中建立整車前向仿真模型如圖6所示。混合動力系統結構如圖7所示，整車參數如表3所示。

表3 整車與動力系統參數表

新歐洲行駛循環（New European Drive Cycle，NEDC)下汽車大部分處于平穩運行，即汽車處于勻加速或勻速運動，使得評判駕駛意圖識別結果比較直觀。而且，NEDC工況也是中國工業和信息化部進行油耗測試的標準工況。在NEDC工況下進行基于駕駛員意圖識別DIR的A-ECMS仿真分析，得到此工況下的駕駛意圖識別結果如圖8所示。

由圖8可知：基于云模型的駕駛意圖識別能很好的識別駕駛意圖，如高速巡航與低速續航。在各個穩定行駛階段，駕駛意圖也能保持不變，說明了該識別算法的穩定性。

由于所提出算法在等效因子的選取上采用了基于SOC反饋的懲罰函數進行修正，因此，在NEDC工況下進行基于駕駛員意圖識別DIR和SOC反饋的A-ECMS仿真。對于后者，選取6個典型工況的等效因子的平均值作為其初始等效因子。

圖9為2種自適應策略的SOC對比結果。所提出策略的SOC終值為0.574，100 km油耗為3.73 L，SOC反饋的A-ECMS的SOC終 值 為0.573，100 km油耗為3.78 L。在SOC終值相同的情況下，前者的燃油經濟性提高了1.3%。此外，后者在整個工況后段有幾處SOC波動頻率也明顯大于前者。

為驗證復雜工況下基于駕駛意圖識別的A-ECMS的有效性，選擇組合后的工況進行仿真分析。由于工況數量眾多，各工況組合數量更是十分龐大，因此選用代表性工況組合形成的工況進行仿真分析，以便驗證該策略對工況的適應性。選用隨機組合工況FTP +HWFET + NEDC + NYCC + UDDS + US06如圖10所示，在該工況下進行有DIR的ECMS策略與無DIR的ECMS策略的仿真，并將仿真結果進行對比分析。圖11為組合工況下基于DIR的A-ECMS的等效因子變化結果，圖12為兩種策略的SOC結果對比。

可以看出，在510～800、3 240～4 050和5 540～5 800 s這幾個階段，此時最高車速基本維持在40 km/h左右，屬于低速行駛且汽車啟停頻繁。傳統ECMS策略經離線尋優得到最優等效因子，策略總體偏向用油，使得SOC增長過高，沒有發揮電機響應快、低速恒轉矩的優勢。而基于DIR的A-ECMS策略在意圖識別與懲罰函數的雙重作用下，策略偏向于用電，SOC呈下降趨勢，比較符合理想的車輛動力裝置運行特性。

在2 500 ～ 3 300、4 100 ～ 4 400和6 500 ～ 6 900 s這幾個階段，汽車處于中高速持續運行，傳統ECMS策略的SOC處于快速下降過程，這是先前的SOC增長過高引起的，ECMS策略在知曉整個工況的前提下需要控制電能在此處消耗。而基于DIR的A-ECMS策略在這些時段SOC波動幅度不大，不僅有利于延長電池使用壽命，也很好地發揮了發動機中高速高效率的優勢。此外，從整體上看，基于DIR的A-ECMS策略的SOC穩定性控制效果要明顯優于傳統ECMS。從具體數值上看，基于DIR的A-ECMS與傳統ECMS的SOC終值分別為0.600 8和0.604 8，兩者相差不大，控制效果相似。

圖13為兩種策略的發動機和電機功率分配。在低速工況階段，基于DIR的A-ECMS策略更多的使用電機驅動，減少了發動機的啟停次數，使發動機的工作時間更為集中。在中高速工況階段，ECMS策略相較于基于DIR的A-ECMS策略更多的使用電機功率，進一步映證了ECMS策略在中高速工況階段SOC快速下降這一現象。

兩種策略在組合工況下仿真得到的電機和發動機的實施效率對比如圖14所示。

可以看出：在整個行駛過程中，基于DIR的A-ECMS策略控制下的發動機更多的工作在高效率區間。而二者的電機效率相差不大，只是在高轉速工況下基于DIR的A-ECMS策略控制的電機效率較低，這是因為在高轉速工況下電機與發動機處于聯合驅動模式，為使發動機保持在高工作效率區間以及避免更多的油電轉化，基于DIR的A-ECMS策略將更多的功率分配給了發動機。在自定義組合工況下，傳統ECMS策略的100 km油耗為3.64 L，基于DIR的A-ECMS策略的100 km油耗為3.62 L，燃油經濟性略有提高。

4 結 論

1）采用K-means聚類算法對典型工況下的駕駛意圖識別參數進行無監督學習，生成各駕駛意圖的云模型樣本。以樣本為基礎，進一步生成意圖識別云模型，提出駕駛意圖云模型識別方法。

2）采用加權平均的方法計算各意圖下的最優等效因子，生成等效因子查詢表。對實時識別的駕駛意圖在線匹配等效因子，并以SOC懲罰函數對匹配的等效因子進行修正，建立基于駕駛意圖識別的A-ECMS策略，實現實時最優轉矩分配。

3）分別在NEDC工況與隨機組合工況下驗證基于駕駛意圖識別的A-ECMS策略的控制效果。仿真結果表明，在NEDC工況下，燃油經濟性相比于基于SOC反饋的A-ECMS策略提高了1.3%。在隨機組合工況下也能取的近似于ECMS策略的控制效果且SOC穩定性控制效果更好。同時，該策略使能量管理能符合駕駛意圖，為進一步制定個性化控制策略，提高其對不同駕駛員的適應性奠定了基礎。