网联混合动力汽车跟驰场景的预测能量管理控制_陈晓龙.pdf

第 47 卷 第 1 期燕山大学学报Vol.47 No.12023 年 1 月Journal of Yanshan UniversityJan 2023文章编号:1007-791X(2023)01-0043-11网联混合动力汽车跟驰场景的预测能量管理控制陈晓龙，焦晓红*(燕山大学 电气工程学院，河北 秦皇岛 066004)收稿日期:2022-04-08责任编辑:温茂森基金项目:国家自然科学基金资助项目(61973265)作者简介:陈晓龙(1997-)，男，河北承德人，硕士研究生，主要研究方向为混合动力汽车能量管理;通信作者:焦晓红(1966-)，女，山西太原人，博士，教授，博士生导师，主要研究方向为非线性系统、时滞系统的鲁棒自适应控制理论及其在电力系统、混合动力系统及机械系统中的应用，Email:jiaoxh ysueducn。摘要:针对网联混合动力汽车跟驰场景下能量管理控制中燃油经济性和驾驶安全性综合优化问题，利用车车及车路通信，设计了一种基于前车速度预测本车速度规划的预测能量管理控制策略。前车速度预测器由长短时记忆神经网络构建，神经网络内部超参数通过粒子群优化算法离线优化确定;基于预测的前车速度，求解以跟车距离、车速度、加速度及直接影响驾驶舒适性的车辆冲击度为成本函数的优化问题获得预测域内本车的速度规划;进一步利用序列二次规划算法求解车辆燃油经济性和驾驶安全性综合优化的能量管理控制问题，得到最优功率分配控制策略。多种驾驶工况下的仿真验证了所提出的预测控制策略的有效性及车辆安全跟驰下较好的燃油经济性。关键词:混合动力汽车;速度预测器;速度规划;能量管理;优化控制中图分类号:U4697文献标识码:ADOI:103969/jissn1007-791X2023010050引言汽车的智能化、电动化和网联化已经成为当前的重要研究领域 1。利用车-车(Vehicle toVehicle，V2V)通 信 以 及 车-路(VehicletoInfrastructure，V2I)所得到的网联信息，能够有效地降低事故发生率和尾气排放量，进而提高车辆的经济性能和节能性能。另一方面，智能网联技术的飞速发展，为高质量的新能源汽车能量管理控制策略的设计提供了新技术。目前，新能源汽车主要分为三类，包括燃料电池汽车、纯电动汽车、混合动力汽车 2-3。燃料电池汽车、纯电动汽车由于各自的瓶颈问题在应用推广上目前受到限制。混合动力汽车(Hybrid Electric Vehicle，HEV)由于其内部存在多个动力源，使其在续航里程上明显优于纯电动汽车，同时，也能减少有害气体的排放 4-5。因此，HEV 受到青睐。混合动力汽车行驶过程中良好的燃油经济性主要依赖于其有效的能量管理控制策略。能量管理策略主要由两大类构成，基于规则 6-7 和优化 8 的控制策略。基于规则的控制策略应用较为广泛，这主要得益于此种策略的设计较为简单及实时性较强。但是基于规则的控制策略不能保证燃油经济性的最优。为此，大量的研究开发转向了基于优化的能量管理策略。该策略又可以分为全局优化和瞬时优化两种控制策略。其中基于全局优化的动态规划算法可以实现最佳的燃油经济性。但是因其计算效率低且驾驶条件要求完全已知，导致该算法无法应用到实时的能量管理控制策略当中。基于瞬时优化方法主要包含等效燃油消 耗 最 小 策 略(EquivalentConsumptionMinimization Strategy，ECMS)及 模 型 预 测 控 制(Model Predictive Control，MPC)策略。在设计ECMS 时需要考虑等效因子的自适应性，而车辆行驶过程中由于受到众多因素的影响使得最佳等效因子难以获取，导致在实时应用过程中无法实现最优燃油经济性 9。基于瞬时优化的 MPC 方法 10 可以采用滚动44燕山大学学报2023优化方式不断优化短时域内的油耗，进而有效地提高燃油经济性，同时实时性良好。因此，基于MPC 的控制策略在解决网联场景下的能量管理问题时更具有效性和实用性，进而近年来呈现出许多研究成果。例如，文献 11采用了随机模型预测控制策略将跟车场景下的能量管理问题转化为一列二次规划子问题求解，有效地降低了油耗。文献 12提出了一种多目标的预测能量管理策略，实现了良好的经济性、环保性以及跟车安全性。文献 13 提出了一种改进的模型预测控制策略，通过整合 V2V 和 V2I 信息，在提高预测精度和优化速度序列的同时实现了能量的最优分配。然而，基于 MPC 的能量管理控制策略保证燃油经济性逼近全局最优的重要因素是其速度预测模型的高精度，控制策略良好的实时性在于有限域内优化求解算法的实时性。为此，学者们主要在这两个方面进行了开发研究，以获得实际中可实时实现的更逼近全局最优的管理控制策略。基于此，本文为网联混合动力汽车跟驰场景设计了一种基于前车速度预测-本车速度规划的预测能量管理控制策略。该研究主要侧重于保证管理控制策略有限预测域内所用到的本车速度预报的高精度。因此，先利用长短时记忆神经网络(Long Short-Term Memory，LSTM)和 V2I 获取的网联信息构建前车速度预测器，为了提高预测精度，神经网络内部超参数通过粒子群优化(ParticleSwarm Optimization，PSO)算法离线优化确定;预测域内本车速度预报根据预测的前车速度和 V2V信息及综合优化跟车各项指标成本函数的速度规划算法得到。而预测域内最优控制求解算法直接采用了实时性良好的一种序列二次规划算法 11。1网联混合动力汽车系统模型11混合动力汽车动力链模型本文将混联式混合动力汽车作为研究对象 14，其动力系统结构如图 1 所示。该混动车型的动力传动系统主要由发动机、电动机、蓄电池、发电机和行星齿轮构成。行星齿轮由太阳齿轮、过桥齿轮和环形齿轮构成，使其在运行过程中具有无级变速特性。图 1混联式混合动力汽车传动系统结构图Fig1Transmission system structure of series-parallelhybrid electric vehicle假设在行星齿轮中，各齿轮之间的啮合连接属于刚性连接关系，则它们之间的转速和转矩之间关系可以作如下表达:(r+s)c=rr+ss，(1)Tr=rr+sTcTs=sr+sTc，(2)式中，Tr是齿圈转矩，Ts是太阳轮转矩，Tc是过桥齿轮转矩，r是齿圈转速，s是太阳轮转速，c是过桥齿轮转速，r是齿圈半径，s是太阳轮半径。假设在动力传动系统当中，行星齿轮与各动力源之间也属于刚性连接关系，则行星齿轮与各动力源之间的转速关系如下:c=e，r=m，s=g，(3)式中，m是电动机转速，e是发动机转速，g是发电机转速。根据动力系统的传动关系，可以得到电动机转速和车速之间的关系如下:m=gftirev，(4)式中，v 是车速，gf指的是终端差分轴的传动比。车辆在正常行驶过程中，不考虑其横向和垂直方向上的变化，其受到的力主要是驱动力以及行驶阻力。驱动力一般是由各动力源所提供的动力转矩给到驱动轮的力，行驶阻力主要包含空气第 1 期陈晓龙 等网联混合动力汽车跟驰场景的预测能量管理控制45阻力以及坡度阻力，车辆的纵向动力学模型为Mv=fTdTbrrMg(cos+sin)12ACdv2，(5)式中，f是齿轮传动效率，Td是牵引力转矩，Tbr是制动转矩，g 是重力加速度，是坡度，A 是迎风面积，Cd是空气阻力系数，为空气密度，是滚动阻力系数，M 是整车质量。考虑网联场景下的预测能量管理问题，其优化目标主要包含油耗和电耗，二者可以由以下方程来进行描述:?mf=f(e，Te)Tee105/36，(6)?me=Pe/HL，(7)式中，Te是发动机转矩，f(e，Te)的是燃油消耗速率，是等效因子，Pe是电池总功率，HL是燃料的低热值。混合动力汽车的电池是动力传动系统的重要组成部分。而在车辆在行驶过程中电池不仅存在充电过程，还包含放电过程。但对于面向能量管理控制问题的动力电池模型，电池可以等效为一个电压源和一个电阻串联而成的物理模型，即如图 2 所示的等效电路。图 2电池等效电路图Fig2Battery equivalent circuit diagram根据基尔霍夫电压定律以及能量守恒可以得到电池总功率 Pe为Pe=Pb+Ibb，(8)式中，Pb是电池输出功率，Ib是电池电流，b是电池内阻。电池电流的计算公式为Ib=Uoc+U2oc 4bPb2b，(9)式中，Uoc是电池的开路电压。电池的输出功率由电动机放电功率和发电机发电功率决定，详细的计算公式为Pb=kmmTmm+kggTgg，(10)式中，k=1 时电池处于放电状态，k=1 时电池处于充电状态。电池的荷电状态是描述电池放电能力的物理量，其在数值上等于电池剩余电荷量与额定容量的比值。通常情况下，电池的荷电状态是无法直接得到的，只能利用开路电压、电路电流以及电阻来近似得出。荷电状态可以由以下公式描述:nSOC=IbQb=PbQbUoc，(11)式中，Qb是电池最大容量。HEV 的相关参数如表 1 所示。表 1混合动力汽车的相关参数Tab1elevant parameters of hybrid electric vehicle部件参数数值整车重量1 450 kg车胎半径0298 2 m迎风面积38 m2空气阻力系数033滚动阻力系数0015空气密度1293 kg/m3电池容量65 Ah发动机最大输出功率50 kW发动机转动惯量01 kgm2发电机最大输出功率30 kW发电机转动惯量0026 5 kgm2电动机最大输出功率50 kW电动机转动惯量0035 kgm212跟驰场景下各种性能指标描述车辆处于跟驰场景时，需要考虑与前车的安全距离，以保证车辆的安全驾驶。图 3 为跟驰场景示意图。根据 V2V 技术可以实时获取两车的车间距 s，同时结合 V2I 技术获得交通灯的位置信息，进而计算出前车到交通灯的距离 drg。具体的安全性能各指标11 的描述如下。由于本文设计的是跟驰场景下的能量管理策略，即考虑的是本车前面始终有前车存在、且本车的速度是受到前车的驾驶状态影响的。因此，会存在一个最大车间距的物理量来表示本车速度与前车的行驶状态有关。同时，为避免跟驰场景中出现碰撞现象，须给出最小的车间距指标。为此，最大和最小的跟车距离计算公式如下:smax=1+2v+3v2，(12)46燕山大学学报2023smin=1+2v+3v2，(13)式中，v 是本车的车速，1，2，3是最大跟车距离成本系数，1，2，3是最小跟车距离成本系数。图 3跟驰场景示意图Fig3Schematic diagram of car following scene利用最小和最大跟车距离可计算出最优车间距离的上下限，其计算公式如下:ssupopt=smax+(1)sminsinfopt=(1)smax+smin，(14)式中，ssupopt是最优车间距离上限，sinfopt是最优车间距离下限，是调整系数。针对跟驰场景下的驾驶安全问题，设计跟车安全的成本函数 JS为JS=nk=1(Js(k)+Jv(k)+Ja(k)+Jj(k)，(15)式中，n 是预测域长度，Js是跟车安全距离成本，Jv是跟车速度成本，Ja是跟车加速度成本，Jj是本车冲击度成本。跟车速度和跟车加速度的成本函数表现形式如下所示:Jv=g1v2，(16)Ja=g2a2，(17)式中，g1和 g2分别为相对速度和加速度成本系数。跟驰场景中关于跟车安全距离成本函数为Js=+ssminf1tanssinfoptsminsinfopt2()sminssinfoptssinfopt+ssupopt2sinfoptsssupoptf2(sssupopt)2ssupoptssmaxf3(sssupopt)2+f3(ssmax)2ssmax，(18)式中，f1，f2，f3是相对距离的成本系数。车辆冲击度作为跟车过程中的重要性能指标，直接影响到驾驶员的驾驶舒适性，假设本文中的最大冲击度不高于 6 m/s3，其成本函数为Jj=hj2|j|2 m/s30|j|2 m/s3，(19)式中，h 为冲击度成本系数。在跟驰场景下，由道路交规、车辆型号及车辆控制性能可调参数的经验值等决定的跟车性能指标中的各个参数11 见表 2。2能量管理控制策略设计本文的能量管理控制策略框图如图 4 所示，利用 V2V 和 V2I 获取网联信息，建立前车速度预测模型，并设计本车速度规划算法，规划跟车的速度轨迹，同时分配各个动力源之间的转矩。表 2跟车场景下的指标参数Tab2Index parameters in the following scenario参数数值最小车间距离 1/m2最小车间距离 2/m05最小车间距离 3/m0062 5最大车间距离 1/m10最大车间距离 2/m1最大车间距离 3/m0082 5调整系数 06采样时间 Ts/s1相对距离的成本系数 f102相对距离的成本系数 f22相对距离的成本系数 f3100相对速度成本系数 g1001相对加速度成本系数 g2001冲击度成本系数 h01第 1 期陈晓龙 等网联混合动力汽车跟驰场景的预测能量管理控制47图 4能量管理控制策略的结构框图Fig4Diagram of energy management strategy21基于前车速度预测的本车速度规划本文所设计的速度预测模型主要用于在线预测能量管理策略中对本车速度的预报。为方便能量管理策略的设计，需要先设计好前车速度预测模型以及本车速度规划算法，其设计过程包括:1)采集网联信息数据样本，样本主要包括前车的加速度 ap、速度 vp以及前车到下一个交通灯的距离 drg，并对其进行标准化处理。2)构建长短时记忆神经网络，将标准化处理过后的数据集作为神经网络的输入，进而训练神经网络模型。为进一步提高神经网络模型的预测性能，本文利用粒子群优化算法对神经网络模型的超参数进行优化。3)根据得到的优化后的前车预测模型，设计本车速度规划算法，对本车短时域内的车速 vf进行规划。211长短时记忆神经网络的设计由于前车速度、加速度以及前车到下一个交通灯的距离都是和时间密切相关的一系列值，而递归神经网络在解决这类时间序列分析问题上效果较好。然而，在解决实际问题时，一般的递归神经网络常常会由于时间序列较长而呈现梯度消失的状况，故无法保证预测时的预测精度。为了尽量避免这一现象的出现，本文采用它的一种变体 长短时记忆神经网络作为预测模型。本研究中 LSTM 模型包含输入层、输出层、LSTM 层和全连接层。长短时记忆神经网络结构如图 5所示。在图5 中，X 代表短时域内长短时记忆神经网络的输入信息，其中包含前车车速、加速度以及前车到下一个交通灯的距离，h 为历史短时域的时间域长度，p 为预测域长度。而神经网络的输出是车辆在未来短时域的速度。图 5LSTM 结构图Fig5Structure of LSTM212模型参数优化为了提高长短时记忆神经网络的预测性能，本文采用 PSO 算法来优化神经网络内部的超参数。其中，优化的超参数包括初始学习率，学习率衰减因子、学习率衰减周期、隐含神经元个数以及批量大小，同时也是优化时的粒子。考虑到样本大小以及神经网络的训练时间的问题，本文中将最大迭代次数设置为 50，利用 PSO 算法优化超参数的流程如图 6 所示。利用 PSO 算法优化过程中，首先，应初始化粒子群参数，包括粒子维度、种群大小、迭代次数、加速常数以及惯性常数等。由于本文中优化目标为5 个超参数，所以粒子维度为 5，种群大小设置为20，迭代次数为 50，两个加速常数均设为 2，惯性权重的最大值设为 08，最小值为 03，其在优化过程中可根据式(20)不断调整，粒子的初始速度和位置可根据 rand 函数随机确定:wnow=(wmaxwmin)(Mt)/M+wmin，(20)式中，wnow是当前惯性权重，wmax是惯性权重最大值，wmin是惯性权重最小值，M 是最大迭代次数，t是当前迭代次数。48燕山大学学报2023在训练过程中，将训练集的损失函数均方误差作为适应度函数值，其表达形式为fit=loss=1TTt=1(v(t)v(t)2，(21)式中，T 为序列长度，v(t)为车辆速度预测值，v(t)为车辆速度真实值。图 6PSO 优化超参数流程图Fig6Flow chart of optimizing hyper-parameters by PSO随着迭代次数的增加，其粒子速度和位置的更新表达式为vij(t+1)=wvij(t)+c1r1 pij(t)xij(t)+c2r2 pgi(t)xij(t)，(22)xij(t+1)=xij(t)+vij(t+1)，(23)式中，i 是当前种群数，j 是当前粒子数，w 是惯性权重，c1、c2是加速常数，pij(t)是个体最优值，pgi(t)是全局最优值，vij是粒子速度，xij是粒子位置。213本车速度规划在本车车速规划过程中，将前车短时域内的速度作为求解本车最优目标车速的成本函数的输入量，并不断输出短时域内本车加速度，进而求解本车车速。在进行速度规划时，本车车速会受到最大加速度 amax以及最小加速度 amin的限制，计算公式分别为amax=a+jmaxTs，(24)amin=a jmaxTs，(25)式中，amax是车辆的最大加速度，amin是车辆的最小加速度，Ts是控制周期，为 001s，jmax是最大冲击度，为 20m/s3。详细的速度规划算法的执行步骤为:Step1设置预测时域，最大冲击度 jmax，初始化前车状态以及本车的状态。Step2设置跟车安全性最小成本 JS_min，并根据最大冲击度初始化车辆最大加速度和最小加速度。Step3根据前车当前加速度 ap，判断前车是否处于制动状态，进而判断本车是否需要制动，若需要制动，则计算本车的最小加速度。Step4根据 Step2 中计算出的最大加速度，初始化最优的加速度值，并判断其是否小于最小加速度，若成立，则结束，否则继续执行 Step5。Step5计算整车需求转矩，并判断此时的转矩是否在合理范围之内。Step6计算本车当前迭代步的行驶距离，并根据前车速度预测模型预测出的前车车速，计算前车的行驶距离以及加速度，进而计算当前迭代步驾驶安全性成本。Step7根据预测出的前车短时域内的速度，循环计算本车在短时域内总的驾驶安全性成本 JS。Step8判断车辆速度是否小于 0，若小于 0，则跳出速度规划流程，否则继续 Step9。Step9终止条件的判断:若驾驶安全性成本小于最小的安全性成本 JS_min，则结束算法，否则，返回 Step5。Step10输出最优结果。为实现最佳的跟车效果以及驾驶安全性，需要在前车通过交叉路口时判断本车是否具备通过交叉口的条件。若此时交通灯状态为红灯，则本车无法通过交通灯，需立即减速;若此时交通灯状态为绿灯，需根据式(26)计算出通过交通灯所需第 1 期陈晓龙 等网联混合动力汽车跟驰场景的预测能量管理控制49的时间，进而来判断车辆是否能通过交叉路口:tr=2damaxv(k)=0dv(k)v(k)0，(26)式中，amax为车辆允许通过的最大加速度，v(k)为本车在时刻 k 时的车速，d为本车到交通灯距离。22预测能量管理策略设计针对跟驰场景下车辆的燃油经济性以及驾驶安全性问题，设计本车的综合成本函数为J=tk=1(JE(k)+JS(k)，(27)式中，JE为综合能耗指标，是与跟车距离有关的权重因子。当跟车距离较大的时候，本车驾驶安全性受前车的影响较小，设自适应因子 为随跟车距离变化的小于 1 的数;反之，当跟车距离较小的时候，设 为大于 1 的数值。随跟车距离而变化的自适应关系为=e01(s(k)smax(k)07smax(k)s(k)107smax(k)s(k)07smax(k)e01(s(k)smax(k)07smax(k)s(k)。(28)在本文中，考虑到电池的荷电状态的实时变化，将电能的消耗利用等效因子转化为油耗。其综合能耗指标公式为JE=tk=1(m(u(k)+Pele(u(k)，(29)式中，t 是预测域时间步长，本文中设置为 5 s，u(k)是控制量，在这里指的是电动机转矩和发电机转速，是等效因子。考虑到电池健康问题，电池 SOC 被限定在04 和07 之间，因此，等效因子可以被定义为=0001SOC076SOC+504SOC071 000SOC04。(30)车辆运行过程之中，其内部动力源转矩的分配会受到车辆本身物理条件的限制，约束条件如下所示:we，min we we，maxwm，min wm wm，maxTe，min(we)Te Te，max(we)Tm，min(wm)Tm Tm，max(wm)Tg，min(wg)Tg Tg，max(wg)vmin(k)v(k)vmax(k)amin(k)a(k)amax(k)，(31)在优化式(27)时，考虑到混合动力汽车系统内部的复杂性，采用序列二次规划算法来解决优化问题，即将短时域内的能量管理问题转化为非线性规划问题来进行求解，其转换形式如下:minJ(kn)Tdn+12dnHndn，(32)式中，d 为下降方向，Hn为正定矩阵。下降方向作为优化过程中的重要参数，需要利用如下式进行求解。(x，)=J(k)c(k)1+g(k)1，(33)式中，为罚函数。罚函数的求解表达式为n=n1n1(+)11+2n1(+)1，(34)式中，为拉格朗日乘子，为最优点的乘子，是罚参数。在求解式(32)过程中需要不断利用拟牛顿方法来更新正定矩阵，拟牛顿法的更新公式如下:Hn+1=HnHnsnsTnHnsTnHnsn+znzTnsTnznsn=kn+1knyn=La(kn+1，n+1，n+1)La(kn，n，n)zn=nyn+(1n)Hnsn，(35)其中，La(kn，n，n)是有关矩阵 Hn的拉格朗日函数，表达式如下:La(k，)=g(k)iEihi(k)iEigi(k)，(36)n作为收敛系数，其表达式如下:50燕山大学学报2023n=1sTnyn02sTn08sTnHnsnsTnHnsnsTnynsTnyn02sTnHnsn。(37)最后，在车辆驾驶过程中，利用此算法不断优化整车需求转矩，便可以得到最优的控制量，即发电机转速和电动机转矩，进而将其作用于车辆内部的动力系统。3仿真验证与分析31速度预报模型精度验证与分析本文采用 2021 年 IFAC E-CoSM 会议提出的挑战问题的交通数据。该数据集中包含 26 个交通灯，其中共包括车辆速度、加速度以及车辆到下一个交通灯的距离数据，共有 18 728 个数据集样本。其中，以前 90%的数据作为训练集，后 10%的数据作为测试集来验证所提出的预测模型性能的优劣。首先，采用 PSO 算法对其超参数进行优化，并将均方差作为算法的适应度函数，适应度函数值随迭代次数的变化结果如图 7 所示。图 7适应度函数值变化图Fig7Diagram of variation of fitness function为验证优化后的预测模型的预测性能好坏，采用测试集数据进行预测，并选择预测域为 10 s，其预测结果图如图 8 所示。本文中将均方根误差(oot Mean Square Error，MSE)以及平均绝对误差(Mean Absolute Error，MAE)作为预测性能的评价指标，其计算公式如下:e1=tft=t01mmi=1(vi vi)()2tf t0，(38)e2=tft=t01mmi=1|vi vi|()tf t0，(39)式中，e1为均方根误差，e2为平均绝对误差，m 为预测域长度，t0和 tf是初始时间和终止时间，vi和 vi分别是实际速度和预测速度。图 8预测结果图Fig8Forecast result graph为清晰地描述超参数优化对预测模型的精度的影响，分别采用文献 15中的条件线性高斯模型(Conditional Linear Gauss，CLG)、未优化超参数的 LSTM 模型以及 BP 神经网络模型来进行对比，对比结果如表 3 所示，结果显示所提出的预测模型具有最佳的预测性能。其中，未优化超参数的速度预测模型采用了文献 16的超参数设置方法。表 3不同预测模型的预测精度Tab3Prediction accuracy of different prediction modelsm/s预测方法e2e1BP181189CLG191193LSTM182185提出的预测模型15316332能量管理策略结果验证与分析图 9 给出了一组前车驾驶工况以及本车的跟车情况。第 1 期陈晓龙 等网联混合动力汽车跟驰场景的预测能量管理控制51图 9跟驰结果曲线Fig9Car-following result curve从图 9(a)可以看出在大多数加速情况下本车车速是小于前车车速的，减速情况下本车车速略高于前车车速，这表明本车一直能保持良好的跟车状态。从图 9(b)中可以看出，前车到交通灯的距离由 0 骤然上升表示前车刚刚经过一个交通灯，正驶近另一个交通灯。图 9(c)和图 9(d)给出了前车通过交叉路口时交通灯的状态以及交通灯的持续时间，从中可以看出在前车通过交叉路口时，交通灯大多数处于绿灯状态，此时本车速度不为 0，且一直处于加速状态，根据式(26)判断此时完全可以通过路口;而当交通灯处于红灯状态时，交通灯的持续时间均不超过 5 s，此时本车处于停车等待状态，而前车的车速较低，待本车通过交叉路口之后依然能够保证跟车状态。从图 9(e)可以看出两车间距较大的时候车辆多处于车速较高的巡航状态，主要是因为当车速较高的时候，为防止追尾需拉大车间距，这样可以有效地增加驾驶安全性。相反，当车速较低的时候，发生追尾的风险较低，所以可以适当缩小两车之间的车间距。综合这几个图来看，本车在行驶过程当中一直保持较高的驾驶安全性。为验证所提策略的有效性，本文给出了两种控制策略作为比较，第一种策略为基于规则的方法;第二种策略为文献 11中的跟驰能量管理策略。以图 9 的驾驶工况作为测试工况，图 10 给出了本车 SOC 变化曲线，可以看出由这几种控制策略得到的 SOC 终值相差不大，基本上都处于 047左右。图 11 是三种控制策略的燃油消耗对比图，可以看出所提出的能量管理策略具有较好的控制效果，同时油耗也是最低的，且其油耗要比基于规则的控制策略产生的油耗低得多。图 10SOC 曲线Fig10SOC curve图 11燃油消耗对比图Fig11Fuel consumption comparison chart为进一步验证所设计的能量管理策略的可行性与适应性，在三个驾驶工况下进行了仿真测试，这三种驾驶工况下本车的油耗以及 SOC 终值见表 4。52燕山大学学报2023表 4不同工况、不同控制策略下燃油消耗值表Tab4Fuel consumption under different operatingconditions and different control strategies驾驶工况能量管理策略油耗(L/100km)SOC 终值第一种工况第二种工况第三种工况基于规则的方法33054文献 11的方法313054本文方法295054基于规则的方法334053文献 11的方法325053本文方法298053基于规则的方法342058文献 11的方法332058本文方法308057从表 4 中可以看出，所提出的跟驰场景下的预测能量管理策略在三种驾驶工况下仍能保持较高的适应性，且其燃油经济性高于其他两种预测能量管理策略。例如，在第一种工况中，所提出的方法比其他两种方法的燃油经济性提升 11%和6%。同时，在多种驾驶工况下，这三种策略的SOC 终值相差不大。4结论本文以混联式 HEV 为研究对象，提出了一种网联跟驰场景下的预测能量管理策略。通过对前车速度、加速度以及交通灯等网联信息的采集，构建了基于 LSTM 的前车速度预测模型。在预测模型设计中，采用 PSO 算法进一步优化了 LSTM 模型的超参数，提高了预测性能。然后，针对跟驰场景下的驾驶安全性问题，设计了基于前车速度预测的本车速度规划算法。最后，针对混合动力汽车的能量管理问题，采用了序列二次规划算法在短时域内对控制量寻优。仿真结果表明，所设计的这种预测能量管理策略，不仅保证了跟车时的驾驶安全性，而且实现了良好的燃油经济性。参考文献 1马建，刘晓东，陈轶嵩，等 中国新能源汽车产业与技术发展现状及对策 J 中国公路学报，2018，31(8):1-19MA J，LIU X D，CHEN Y S，et al Current situation andcountermeasures of Chinas new energy vehicle industry andtechnology development J China Journal of Highway andTransport，2018，31(8):1-19 2ZHANG X，PENG H，SUN J A near-optimal power managementstrategy for rapid component sizing of multimode power split hybridvehicles J IEEE Transactions on Control Systems Technology，2014，23(2):609-618 3 QI X，WU G，BOIBOONSOMSIN K，et al Development andevaluation of an evolutionary algorithm based online energymanagement system for plug-in hybrid electric vehicles J IEEETransactions on Intelligent Transportation Systems，2016，18(8):2181-2191 4LI L，YAN B，YANG C Application oriented stochastic energymanagement for plug-in hybrid electric bus with AMT J IEEETransactionsonVehicularTechnology，2015，65(6):4459-4470 5CHEN Z，LI L，YAN B Multimode energy management for plug-in hybrid electric buses based on driving cycles prediction JIEEE Transactions on Intelligent Transportation Systems，2016，17(10):2811-2821 6LI C，LIU G Optimal fuzzy power control and management of fuelcell/battery hybrid vehicles J Journal of Power Sources，2009，192(2):525-533 7李萍，朱晓璐，焦晓红 基于智能优化规则的并联混合动力汽车能量管理策略 J 燕山大学学报，2019，43(6):547-553LI P，ZHU X L，JIAO X H Parallel hybrid electric vehicleenergy management strategy based on intelligent optimization rules J Journal of Yanshan University，2019，43(6):547-553 8 MAINOC，MISULD，MUSAA，etalOptimalmeshdiscretization of the dynamic programming for hybrid electricvehicles J Applied Energy，2021，292:116920 9 LEI Z，QIN Q，HOU L，et alAn adaptive equivalentconsumption minimization strategy for plug-in hybrid electricvehicles basedontrafficinformation J Energy，2020，190:116409 10景远，焦晓红 基于交通信息和模型预测控制的混合动力汽车能量管理策略综述 J 燕山大学学报，2019，43(4):320-330JING Y，JIAO X H eview on energy management strategies forhybrid electric vehicles based on traffic information and modelpredictive control J Journal of Yanshan University，2019，43(4):320-330 11PU Z，JIAO X，YANG C，et al An adaptive stochastic modelpredictive control strategy for plug-in hybrid electric bus duringvehicle-followingscenario JIEEEAccess，2020，8:13887-13897 12HU X，ZHANG X，TANG X，et al Model predictive control of第 1 期陈晓龙 等网联混合动力汽车跟驰场景的预测能量管理控制53hybrid electric vehicles for fuel economy，emission reductions，and inter-vehicle safety in car-following scenarios J Energy，2020，196:117101 13HE H，WANG Y，HAN，et al An improved MPC-basedenergy management strategy for hybrid vehicles using V2V andV2I communications J Energy，2021，225:120273 14 JIAOX，SHENTSDPpolicyiteration-basedenergymanagement strategy using traffic information for commuter hybridelectric vehicles J Energies，2014，7(7):4648-4675 15MOSE D，SCHMIED，WASCHL H，et al Flexible spacingadaptive cruise control using stochastic model predictive control J IEEE Transactions on Control Systems Technology，2017，26(1):114-127 16ZHANG Z，HE H，GUO J，et al Velocity prediction and profileoptimization based real-time energy management strategy for plug-inhybridelectricbuses J AppliedEnergy，2020，280:116001Predictive energy management control for connected hybrid electricvehicles in carfollowing scenarioCHEN Xiaolong，JIAO Xiaohong(School of Eletric Engineering，Yanshan Universi