基于KL散度工况识别的混合动力汽车队列的分层控制

针对混合动力汽车队列行驶过程中工况的适应性问题,提出了一种基于KL(Kullback-Leibler)散度工况识别的分层控制方法。上层控制器利用车—车通信技术,获取队列中前车状态信息,采用模型预测控制(MPC)算法,实现队列纵向控制,并计算出最优跟车车速;下层控制器基于典型工况,离线求解需求功率的转移概率矩阵,并通过Q-Learning算法训练最优Q表嵌入整车模型中;在行驶中以固定时间长度在线更新转移概率矩阵,采用KL散度进行工况识别,根据识别的工况类型,结合当前时刻车速、需求功率和电池荷电状态(SOC),通过在线查表实现转矩分配。结果表明:与未考虑工况识别策略相比,本策略的油耗降低了8.6%;与作为基准的动态规划(DP)相比,增加了4.8%;在与DP油耗基本保持相同的前提下,该策略离线仿真时间缩短21%,不仅能够在线应用,还能实时适应工况变化。

一种基于通信网络的车队控制方法

建立考虑车队间通讯网络影响的混合车队纵向控制模型.所得车队模型结合车队与通讯网络,可在很大程度上完善现有车队控制系统模型.利用李亚普诺夫方法和线性矩阵不等式LMI方法提出可保证车队稳定性的条件和相应的动态输出反馈控制算法.同时,获得可保证使车队稳定的丢包概率上限值.仿真试验表明,获得的控制方法不但可实现车队的稳定运行控制,而且比现有未考虑网络丢包的PID控制方法的车队控制效果得到较大改善.

智能网联混合动力汽车队列模型预测分层控制

提出了一种智能网联混合动力汽车队列的模型预测分层控制方法,有效提高了队列的安全性、燃油经济性和乘坐舒适性。首先,建立了可准确表征智能网联混合动力汽车队列行驶中多过程耦合特性的动力学模型。然后,针对智能网联混合动力汽车队列系统的非线性和混杂特征,构建了智能网联混合动力汽车队列的模型预测分层控制构架。上层控制器利用所建立的基于反馈校正的鲁棒预测模型,消除由于参数误差或车辆动态特性变化引起的模型失配现象,增强预测模型的准确性和鲁棒性,进而实现安全性、经济性和舒适性多目标协调控制和智能网联混合动力汽车队列期望加速度的在线优化;下层控制器利用队列中智能网联混合动力汽车多系统动态协调控制器,实现发动机和电机两个动力源的准确与协调控制。最后,试验结果表明:所提出的模型预测分层控制系统在提高队列中车辆的跟踪能力的同时,明显改善了车辆的燃油经济性和乘坐舒适性。

基于队列行驶的混合动力汽车节能预测控制方法研究

针对传统混合动力汽车控制方法不考虑队列行驶对车辆能量管理影响的问题,本文提出了基于队列行驶的混合动力汽车节能预测控制智能优化策略。通过建立混合动力汽车系统的降阶模型,并采用连续广义最小残量方法求解模型预测控制问题。运用计算机进行仿真,仿真结果验证了系统模型的有效性,以及所设计的模型预测控制算法大幅度提高混合动力汽车的燃油经济性的能力和实时控制性能。

基于深度强化学习的网联混合动力汽车队列控制

针对网联混合动力汽车队列具有混杂非线性、多动力源混合驱动等特点,提出基于深度强化学习的队列分层控制策略。首先,设计了队列模型预测控制器,基于车车通信获取的车辆状态求解约束条件下满足多性能目标的队列车辆最优期望加速度。其次,为提高车辆的燃油经济性,将发动机最优工作曲线和电池特性曲线作为专家知识嵌入深度强化学习算法中。然后,通过分析电池荷电状态、车辆车速以及车辆加速度对智能体动作值的影响来阐明基于深度强化学习(Deep Q network,DQN)的队列能量管理策略是如何根据动作值实现对队列中车辆多系统动力输出之间的协调控制。最后,设计了以电池荷电状态、瞬时燃油消耗率为自变量的奖励值函数,利用最小化损失函数,采用梯度下降法对DQN网络参数进行更新,通过深度强化学习算法实现网联混合动力汽车队列的能量管理控制。试验结果表明,所提出的队列控制策略可以动态规划出队列中车辆期望加速度,实时合理的分配发动机功率与电机功率,最终实现队列中车辆的节能行驶。