一种动态规划算法模型预测控制在混合动力汽车控制策略中的应用

格式：pdf
大小：727.95 KB
文档页数：6

下载文档原格式

插电式混合动力汽车控制策略与建模

106机械设计与制造Machinery Design & Manufacture第3期2021年3月插电式混合动力汽车控制策略与建模宫唤春(燕京理工学院，北京065201)摘要：为了深入分析插电式混合动力汽车能量管理控制策略就需要建立准确的插电式混合动力汽车仿真测试模型，分析影响能量管理系统的因素。

利用M A T L A B/S I M U L I N K软件基于实验数据和理论模型相结合的方法对插电式混合动力汽车建模，根据插电式混合动力汽车传动系部件的工作特征对应建立各部件的数学模型，并建立了基于规则的能量管理控制策略对整车的动力性与经济性进行计算仿真验证，计算结果表明建立的插电式混合动力汽车仿真糢型和能量管理控制策略能够有效确保发动机处于高效区域运行并改善整车燃油经济性，控制策略可靠有效。

关键词:插电式混合动力汽车;建模;能量管理;控制策略中图分类号:T H16文献标识码:A文章编号：1001-3997(2021)03-0106-04Control Strategy and Modeling of Plug-in Hybrid Electric VehiclesGONG Huan-chun(Yanching Institute of Technology, Beijing 065201, China)Abstract ：/n order to deeply analyze the energy management control strategy o f plug-in hybrid vehicles, it is necessary to establish an accurate plug-in hybrid vehicle simulation test model and analyze the factors affecting the energy management systerruThe M A T L A B/S I M U L I N K software is used to model the p lu g—in hybrid vehicle based on the combination of experimented data and theoretical model. The mathematical model o f each component is established according to the working characteristics o f the powertrain o f the p lu g-in hybrid vehicle y and the basis is established. The energy management and control strategy o f the rule calculates and verifies the power and economy o f the vehicle. The calculation results show that the plug—in hybrid vehicle simulation model and energy management control strategy established in this paper can effectively ensure that the engine is running in an efficient area and improve the whole. Vehicle fu el economy, control strategy is reliableand effective.Key Words:Plug-in Hybrid Vehicle; Modeling; Energy Management; Control Strategyl引言插电式混合动力汽车(Plug-in Hybrid Electric Vehicle, P H E V)是基于传统混合动力汽车衍生出的一种车辆，该类型汽车可以直接接人电网进行充电，纯电动模式下续驶里程更远，同时统发动机更省油等优点，已经成为电动汽车领域重点研发的产品之一插电式混合动力汽车对动力传动系统的设计及能量管理系统控制等要求较高从而使得其工作模式与传动混合动力汽车相比更为复杂。

氢-汽油双燃料发动机切换点控制策略

氢-汽油双燃料发动机切换点控制策略氢-汽油双燃料发动机是一种能够在不同燃料之间自动切换的发动机。

这种发动机在不同行驶条件下可以自动切换使用汽油或氢气作为燃料，从而提高燃料效率和减少排放。

但是，如何确定在何时切换燃料是一个复杂的问题。

本文将介绍一种基于动态规划的氢-汽油双燃料发动机切换点控制策略。

动态规划是一种数学方法，用于在给定约束下寻找最优解。

对于氢-汽油双燃料发动机的切换点控制问题，最优解是指在一定的条件下选择切换的最佳燃料，以最大程度地提高燃料效率和减少排放。

我们假设氢和汽油的燃料成本和排放量是已知的。

燃料效率可以用每加仑燃料能够行驶的英里数来表示。

在给定的行驶条件下，我们需要确定切换燃料的最佳时机。

为了简化问题，我们假设发动机可以在任何时候切换燃料。

这意味着我们可以根据当前状态计算出在下一个时间段使用氢或汽油时的燃料效率和排放量。

使用动态规划方法解决此问题需要定义状态和决策变量。

我们定义状态为发动机当前使用的燃料和行驶的里程。

决策变量是下一个时间段使用的燃料。

在每个状态下，我们需要计算使用氢或汽油的燃料效率和排放量，并比较两种燃料的优劣。

为此，我们定义一个价值函数，用于评估每种燃料在不同状态下的优劣。

具体而言，我们假设存在一个价值函数V(i,m)，其中i表示发动机当前使用的燃料，m表示当前行驶的里程。

该函数可以表示为：V(i,m) = max{V(H,m+1)+C(H,i,m), V(G,m+1)+C(G,i,m) }其中，V(H,m+1)表示在使用氢燃料下的最优状态价值，V(G,m+1)表示在使用汽油燃料下的最优状态价值。

C(H,i,m)表示从当前状态使用氢燃料的成本（包括燃料成本和排放成本），C(G,i,m)表示使用汽油燃料的成本。

max{}表示选择燃料的最优解。

通过这个价值函数，我们可以计算每个状态下的最优决策。

为了确定最优解，我们可以使用动态规划算法，从末尾开始逐步计算每个状态下的最优解。

模型预测控制

极小化性能指标，即令
，得最优控制率：
根据滚动优化原理，只实施目前控制量u2(k)：
式中：
多步优化MAC旳特点: 优点: (i)控制效果和鲁棒性优于单步MAC算法简朴;
(ii)合用于有时滞或非最小相位对象。缺陷: (i)算法较单步MAC复杂;
(ii)因为以u作为控制量, 造成MAC算法不可防止地出现稳态误差.
第5章模型预测控制
5.3.1.2 反馈校正为了在模型失配时有效地消除静差，能够在模型预测值ym旳基础上附加一误差项e，即构成反馈校正（闭环预测）。
详细做法：将第k时刻旳实际对象旳输出测量值与预测模型输出之间旳误差附加到模型旳预测输出ym(k+i)上，得到闭环预测模型，用 yp(k+i)表达：
第5章模型预测控制
5.1 引言
一什么是模型预测控制(MPC)？
模型预测控制（Model Predictive Control）是一种基于模型旳闭环优化控制策略，已在炼油、化工、冶金和电力等复杂工业过程中得到了广泛旳应用。
其算法关键是:可预测过程将来行为旳动态模型，在线反复优化计
算并滚动实施旳控制作用和模型误差旳反馈校正。
2. 动态矩阵控制（DMC）旳产生：
动态矩阵控制(DMC, Dynamic Matrix Control)于1974年应用在美国壳牌石油企业旳生产装置上，并于1980年由Culter等在美国化工年会上公开刊登，
3. 广义预测控制（GPC）旳产生：
1987年，Clarke等人在保持最小方差自校正控制旳在线辨识、输出预测、最小方差控制旳基础上，吸收了DMC和MAC中旳滚动优化策略，基于参数模型提出了兼具自适应控制和预测控制性能旳广义预测控制算法。

基于DP-ECMS的插电式混合动力城市客车能量管理策略研究

基于DP-ECMS的插电式混合动力城市客车能量管理策略研究解少博;陈欢;刘通;魏朗【摘要】以一款气电型插电式混合动力城市客车(PHEV)为研究对象,针对能量管理中的最小能耗问题分别应用电量消耗电量维持(CD-CS)策略、动态规划(DP)、等效能耗最小化策略(ECMS)和自适应等效能耗最小化策略(A-ECMS)进行中国典型城市工况仿真.在对上述几种能量管理策略仿真结果分析的基础上,提出一种将动态规划与等效能耗最小化策略相结合的DP-ECMS策略.结果表明:DP-ECMS的能耗特性接近动态规划,同时具有等效能耗最小化策略的实时性特点,为PHEV的能量管理提供了参考.%Aiming at the issue of minimum energy consumption in energy management, four strategies of charge-depletion-charge-sustaining ( CD-CS ) , dynamic programming ( DP ) , equivalent consumption minimization strategy ( ECMS) and adaptive equivalent consumption minimization strategy ( A-ECMS) are adopted respectively to conduct a simulation on a gaseous plug-in hybrid electric bus with Chinese city driving cycle. On the basis of analy-sis on simulation results, a DP-ECMS strategy combining DP with ECMS strategy is put forward. The results indicate that DP-ECMS strategy has an energy consumption characteristic close to that of DP , with a real time feature of EC-MS, providing a good reference for the energy management of PHEV.【期刊名称】《汽车工程》【年(卷),期】2017(039)007【总页数】7页(P736-741,781)【关键词】PHEV;能量管理;动态规划;等效能耗最小化;DP-ECMS策略【作者】解少博;陈欢;刘通;魏朗【作者单位】长安大学汽车学院,西安 710064;北京理工大学,电动车辆国家工程实验室,北京 100081;长安大学汽车学院,西安 710064;长安大学汽车学院,西安710064;长安大学汽车学院,西安 710064【正文语种】中文在新能源汽车领域，插电式混合动力汽车(PHEV)既能像纯电动汽车一样节能减排，又能克服驾乘人员因车辆续驶里程不足而产生的焦虑，同时还可配置较小功率的发动机，其优点已受到全世界汽车生产厂家和研究机构的广泛关注。

hdm 控制算法

hdm 控制算法HDM 控制算法HDM（Hybrid Dynamic Model）控制算法是一种综合运动学和动力学模型的控制算法，广泛应用于机器人控制、自动驾驶、航空航天等领域。

该算法的特点是结合了传统的PID控制和模型预测控制（MPC），能够在保证系统稳定性的同时，实现高效的运动控制。

一、HDM控制算法的基本原理HDM控制算法的基本原理是将系统的运动学和动力学建模相结合，通过对系统状态的预测和控制，实现对系统的精确控制。

该算法的核心思想是通过建立系统的运动学和动力学模型，将系统的状态和输入进行转换，从而实现对系统状态的监测和调节。

二、HDM控制算法的关键步骤1. 建立系统的运动学和动力学模型：首先需要对系统进行建模，包括系统的几何结构、质量分布、惯性参数等。

通过建立系统的运动学和动力学模型，可以准确地描述系统的运动规律和力学特性。

2. 设计控制器：根据系统的运动学和动力学模型，设计控制器来实现对系统的控制。

常用的控制器包括PID控制器和MPC控制器，其中PID控制器用于实现系统的稳定性控制，而MPC控制器用于实现系统的优化控制。

3. 状态预测：通过对系统的运动学和动力学模型进行仿真，预测系统的状态随时间的演变。

通过预测系统的状态，可以及时调整控制器的输出，从而实现对系统状态的调节。

4. 控制器输出：根据系统的状态预测结果，调整控制器的输出。

控制器的输出作为系统的输入，通过控制器的调节，实现对系统的控制。

5. 系统响应分析：分析系统的响应特性，包括系统的稳定性、追踪性能、鲁棒性等。

通过对系统响应的分析，可以优化控制器的参数，提高系统的控制性能。

三、HDM控制算法的优势和应用领域1. 精确控制：HDM控制算法能够通过建立系统的运动学和动力学模型，实现对系统状态的精确控制。

通过对系统状态的预测和调节，可以实现对系统的精确控制，提高系统的运动性能和控制精度。

2. 高效控制：HDM控制算法将传统的PID控制和MPC控制相结合，既能保证系统的稳定性，又能实现系统的优化控制。

基于模型预测的纯电动汽车动力总成热管理策略

基于模型预测的纯电动汽车动力总成热管理策略1. 引言1.1 背景介绍随着全球对环境保护和能源可持续性的日益关注，纯电动汽车作为清洁能源汽车的代表之一，受到了越来越多的关注和推广。

纯电动汽车在使用过程中存在着热管理方面的挑战。

动力总成在工作过程中会产生大量热量，而过高或过低的温度会影响电池性能、电机效率以及车辆整体性能和安全。

如何有效地控制纯电动汽车的动力总成温度，提高能源利用效率，延长车辆寿命成为了当前研究的热点之一。

传统的热管理策略通常是基于经验和规则制定，存在着效率低下、控制精度不高等问题。

而基于模型预测的热管理策略则能够通过建立热力学模型和控制算法，根据实时数据进行预测和优化控制，实现动态调节系统的温度，提高系统的效率和性能。

本研究旨在基于模型预测技术，设计一种高效的纯电动汽车动力总成热管理策略，以提高车辆的能源利用效率，延长动力系统的寿命，推动纯电动汽车技术的进一步发展和应用。

1.2 研究目的研究目的是通过基于模型预测的方法，设计一种有效的纯电动汽车动力总成热管理策略。

具体目的包括：优化电池和电机的工作温度，提高系统效率和性能；延长电池和电机的使用寿命，减少系统能量损耗；提高车辆的安全性和稳定性，优化车辆的动力性能和行驶舒适性；降低能源消耗和排放，促进纯电动汽车的可持续发展。

通过研究动力总成热管理策略，旨在为纯电动汽车的技术进步和市场推广提供有效的支持和指导，推动新能源汽车的普及和发展。

深入探讨热管理系统的设计与优化，从而实现对纯电动汽车动力总成系统的有效控制和管理。

本研究旨在为纯电动汽车的热管理技术提升和创新提供理论支持和实践指导，为新能源汽车行业的发展做出积极贡献。

1.3 研究意义纯电动汽车作为未来绿色交通的重要发展方向，其热管理系统对整车性能和安全性具有至关重要的影响。

而基于模型预测的动力总成热管理策略，可以有效地提高电池系统的利用率，延长电池寿命，提高车辆续航里程，降低能源消耗，减少对环境的影响。

预测控制的原理方法及应用

预测控制的原理方法及应用1. 概述预测控制是一种基于模型的控制方法，通过使用系统动态模型对未来的系统行为进行预测，进而生成最优的控制策略。

预测控制广泛应用于各种工业自动化和控制系统中，包括机械控制、化工过程控制、交通流量控制等。

2. 预测模型的建立在预测控制中，首先需要建立系统的预测模型，以描述系统的行为。

根据系统的具体特征，可以选择不同的预测模型，包括线性模型、非线性模型和时变模型等。

预测模型的建立通常需要通过系统的历史数据进行参数估计，以获得最佳的模型效果。

3. 预测优化算法为了生成最优的控制策略，预测控制采用了各种优化算法。

其中，最常用的是模型预测控制（MPC）算法，它通过迭代优化的方式，逐步调整控制策略，以使系统的输出与期望输出尽可能接近。

MPC算法可以通过数学优化方法来求解，如线性规划、二次规划等。

此外，还有一些其他的优化算法可以用于预测控制，如遗传算法、粒子群优化算法等。

4. 预测控制的应用预测控制在各种领域都有广泛的应用，下面将介绍几个典型的应用领域。

4.1 机械控制在机械控制中，预测控制被广泛应用于运动轨迹控制、力控制等方面。

通过建立机械系统的预测模型，可以实现对机械系统的高精度控制，并提高系统的稳定性和性能。

4.2 化工过程控制化工过程控制是预测控制的另一个重要应用领域。

通过预测模型对化工过程进行建模，可以实现对反应过程、传输过程等的预测和控制。

预测控制可以提高化工过程的安全性和效率，并减少能源消耗。

4.3 交通流量控制交通流量控制是城市交通管理中的重要问题。

预测控制可以借助历史交通数据建立交通流量的预测模型，并根据预测结果进行交通信号控制。

通过优化交通信号的时序和配时，可以有效减少交通拥堵和排队长度，提高交通流量的运行效率。

5. 预测控制的优势和挑战预测控制相较于传统的控制方法具有一些显著的优势，但也面临一些挑战。

5.1 优势•预测控制可以通过建立系统动态模型，更准确地预测系统的未来行为，从而生成更优的控制策略。

强化学习算法中的模型预测控制方法详解(九)

强化学习算法中的模型预测控制方法详解强化学习作为一种人工智能算法，在近年来备受关注。

在强化学习中，模型预测控制方法是一种重要的技术手段，可以帮助智能体在未来状态下做出最优的决策。

本文将详细探讨模型预测控制方法在强化学习中的应用及原理。

1. 模型预测控制方法简介模型预测控制（Model Predictive Control, MPC）是一种基于模型的控制方法，它通过对系统的动态模型进行预测，来选择使系统性能最优化的控制输入。

在强化学习中，MPC方法可以用来预测智能体在不同动作下的奖励值，从而帮助智能体选择最优的行动策略。

2. MPC在强化学习中的应用MPC方法在强化学习中的应用主要体现在两个方面：一是在动态规划算法中的应用，二是在基于模型的强化学习中的应用。

在动态规划算法中，MPC方法可以通过对系统的状态转移进行建模，来预测未来状态下的奖励值。

通过不断迭代优化，智能体可以选择最优的行动策略，从而达到最大化累积奖励的目的。

在基于模型的强化学习中，MPC方法可以帮助智能体在学习过程中快速建立对环境的模型，并基于该模型进行决策。

通过对环境的模型进行预测，智能体可以在未来状态下做出最优的选择，从而提高学习效率和性能。

3. MPC方法的原理MPC方法的核心原理是通过对系统的状态转移进行建模，来预测未来状态下的奖励值。

其具体步骤包括：首先，建立对环境的动态模型，用来描述系统的状态转移规律；其次，根据动态模型对未来状态下的奖励值进行预测；最后，选择使系统性能最优的控制输入，以达到最大化累积奖励的目的。

在强化学习中，MPC方法通过对环境的模型进行预测，帮助智能体选择最优的行动策略。

在学习过程中，MPC方法可以帮助智能体快速建立对环境的模型，并基于该模型进行决策，从而提高学习效率和性能。

4. MPC方法的优势与局限MPC方法在强化学习中具有许多优势，例如可以帮助智能体快速建立对环境的模型，提高学习效率和性能；可以通过对环境的模型进行预测，帮助智能体选择最优的行动策略。

模型预测控制算法

模型预测控制算法
模型预测控制算法是一种基于模型的计算方法，主要用于控制系统建模和控制。

它提供了一种更加精确和高效的方法，可以有效地预测和控制系统的行为，从而提高系统的性能和可靠性。

模型预测控制算法的核心思想是根据输入信息来预测系统的行为，以此来调整系统的状态，从而实现目标控制。

它可以帮助控制工程师更加准确地估计系统输出值，从而更有效地控制系统。

模型预测控制算法的核心部分是建立一个预测模型，用于预测系统的行为。

这种模型可以是从实验数据中获得的，也可以是基于一些数学方程的模型。

在预测模型建立完成后，控制工程师需要根据系统的实际行为来调整模型的参数，以便使其输出更加准确。

模型预测控制算法也可以用来处理复杂的系统，比如生产流水线，机器人和自动驾驶汽车等。

在这些系统中，控制工程师可以利用预测模型来预测系统的行为，并调整系统的参数，以获得更加精确的控制。

总之，模型预测控制算法是一种强大的工具，可以帮助控制工程师更加有效地控制系统，从而提高系统的性能和可靠性。

它的应用范围非常广泛，可以应用于各种各样的控制系统，从而实现更加高效的控制。

《基于MPC的无人车轨迹快速跟踪算法研究》

《基于MPC的无人车轨迹快速跟踪算法研究》一、引言随着自动驾驶技术的快速发展，无人车成为了当今研究的热点。

为了实现无人车的精确、快速和稳定控制，轨迹跟踪算法的优化和改进显得尤为重要。

模型预测控制（MPC）作为一种先进的控制策略，在无人车轨迹跟踪领域得到了广泛的应用。

本文旨在研究基于MPC的无人车轨迹快速跟踪算法，以提高无人车的控制性能和行驶安全。

二、MPC算法概述MPC是一种基于模型的优化控制算法，它通过预测系统未来的动态行为，在约束条件下寻找最优控制策略。

在无人车轨迹跟踪中，MPC算法能够根据当前车辆状态和目标轨迹，预测未来一段时间内的车辆运动状态，并生成相应的控制指令，使车辆能够快速、准确地跟踪目标轨迹。

三、基于MPC的无人车轨迹跟踪算法1. 算法模型建立基于MPC的无人车轨迹跟踪算法需要建立车辆动力学模型和预测模型。

车辆动力学模型描述了车辆的运动学特性，包括车辆的转向、加速、制动等行为。

预测模型则根据车辆动力学模型和目标轨迹，预测未来一段时间内的车辆运动状态。

2. 控制器设计控制器是MPC算法的核心部分，它根据预测结果和约束条件，生成控制指令。

在无人车轨迹跟踪中，控制器需要根据当前车辆状态和目标轨迹，计算出一个最优的控制序列，使车辆能够快速、准确地跟踪目标轨迹。

3. 算法实现基于MPC的无人车轨迹跟踪算法需要实现以下几个步骤：首先，通过传感器获取车辆当前状态和目标轨迹；其次，建立车辆动力学模型和预测模型；然后，运用MPC算法计算出一个最优的控制序列；最后，将控制指令发送给执行器，控制车辆的运动。

四、算法优化与改进为了提高基于MPC的无人车轨迹跟踪算法的性能，可以采取以下措施：1. 优化预测模型：通过改进车辆动力学模型和预测算法，提高预测精度和速度。

2. 引入约束条件：在控制器设计中引入车辆的动力学约束、道路交通规则等约束条件，保证车辆的安全性和稳定性。

3. 实时调整控制参数：根据车辆的实际运行状态和道路环境，实时调整控制参数，使车辆能够更好地适应不同的道路条件和交通状况。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

值。只取预测时域内的最佳电机转矩序列的第一个值，不取剩下时刻的电机转矩序列，以减少计算量，提高运行速度。
3.2. SOC 参考轨迹及使用
在循环工况确定的情况下(如图 1 所示)，经过全局优化得到的 SOC 变化曲线具有一定的规律性，随着汽车行驶里程的增加，SOC 的变化为从初始 SOC 值缓慢下降直至 SOC 的最低门限值，如图 1 所示， SOC 下降平稳且围绕直线平稳波动。由于全局优化控制策略为混合动力汽车控制策略中最理想的控制方
Dynamical Systems and Control 动力系统与控制, 2018, 7(4), 282-286 Published Online October 2018 in Hans. /journal/dsc https:///10.12677/dsc.2018.74032
Keywords
Battery Charging State, Model Predictive Control, Dynamic Programming Algorithm, Optimization
一种动态规划算法模型预测控制在混合动力汽车控制策略中的应用
王琼，王晓侃
河南机电职业学院，河南新郑
Open Access
1. 绪论
安全、节能和环保是当今汽车工业重要的发展方向和热点研究领域。随着汽车生产量和保有量的激增，对交通、资源和环境造成了巨大压力。近年来，迫于资源和环境的压力，电动汽车成为全球汽车工业发展的热点。混合动力汽车的控制策略即将发动机的动力输出和电机的动力输出以一种最为合理的方式匹配到一块，要求在保证汽车动力需求的基础之上，尽量减少汽车的尾气排放和减小燃油消耗。文献[1]为保证车辆在坡度变化时能保持恒速下坡，根据给出的制动系统数学模型，采用自适应模型预测控制方法设计控制系统。文献[2]针对汽车系统的非线性和强耦合特性，探索了再生制动中能够有效保证车辆稳定性、提高控制精度和再生制动能量回收率的改进的非线性模型预测控制方法。文献[3]阐述了随机模型预测控制(SMPC)在先进混合动力系统车辆动力管理中的应用。文献[4]介绍了一种具有最优性和可扩展性的低复杂度电动汽车充电调度的模型预测控制方法。文献[5]基于模型预测控制的混合动力客车再生制动能量回收控制策略，在保证制动能量回收最大化的同时，保证了制动稳定性。本研究将提出一种动态规划算法模型预测控制在混合动力汽车控制策略，通过对模型预测控制在混合动力汽车控制策略的构建，将动态规划算法应用到模型预测控制上，对基于动态规划算法的模型预测控制和 SOC 参考轨迹的使用进行分析和研究。本研究通过利用动力电池 SOC 参考轨迹作为基于动态规划模型预测控制的状态参数约束条件，进行实时控制，同时对发动机和电动机的转矩进行优化处理，可以在很大程度上降低混合动力汽车的消耗，以实现节约能源和节能减排。
3.1. 动态规划在模型预测控制的求解
假设在模型预测控制系统的 k 时刻，其系统的预测时域为： k ~ k + p 。如果在该区间内通过基于动态规划算法的模型预测控制系统求解最佳电机转矩序列以及离散状态变量可以通过逆序求解每个时刻下的电机转矩最优值和最优指标值。在设计的预测时域内，可以得到最优指标函数为：
Figure 1. Power demand diagram under cyclic condition 图 1. 循环工况下的需求功率图 DOI: 10.12677/dsc.2018.74032 284 动力系统与控制
王琼，王晓侃
法，因此全局优化得到的 SOC 变化曲线可作为模型预测控制中 SOC 变化的约束条件，但是，由于全局优化必须提前获取整个循环工况的车车辆运行状态等信息，无法应用到实时控制中。因此，本文结合动态规划得到的 SOC 变化规律提出理论 SOC 变化曲线的使用。假定汽车到达目的地的行驶时间确定，根据动态规划的 SOC 变化规律， SOC 的变化基本上线性衰减，将 SOC 的理论变化轨迹定义为从车辆运行起点 SOC 的最高值线性减少到 SOC 的最低值，将理论 SOC 变化轨迹作为 SOC 参考轨迹，对模型预测控制进行约束，SOC 理论参考轨迹如图 1 所示。对于任意时刻 k 的参考 SOC 值可由以下公式计算可得：
st th th
Abstract
Good control strategy of hybrid electric vehicles can not only meet the power demand of vehicles, but also effectively save fuel and reduce emissions. In this paper, the construction of model predictive control (MPC) in hybrid electric vehicle (HEV) is proposed. The solving process and the use of reference trajectory are discussed for the application of MPC based on dynamic programming algorithm. The simulation results show that the control method can effectively reduce fuel consumption when the torque of engine and motor is reasonably distributed, and the effectiveness of the control strategy is verified.
王琼，王晓侃
究提出了模型预测控制在混合动力汽车的构建，针对基于动态规划算法在模型预测控制的应用论述了求解过程以及参考轨迹的使用。在某一特定工况下，对混合动力汽车进行了仿真，结果表明该控制方法在合理分配发动机和电动机的转矩时，可以有效降低燃油消耗的目的，进而验证了该控制策略的有效性。
关键词
电池荷电状态，模型预测控制，动态规划算法，优化
SOCr ( k ) = SOC0 −
k ( SOC0 − SOC f s
)
(3)
式(3)中， SOCr ( k ) 表示参考轨迹下 k 时刻的 SOC 值； SOC0 表示车辆运行初始状态的 SOC 值，可根据实际情况自行设定； SOC f 表示 SOC 的最低门限值； s 表示形式总里程的时长。获取 SOC 参考轨迹的主要作用在于限制实际运行下 SOC 在参考 SOC 轨迹下的波动，每一时刻 SOC 的参考值通过公式(3)计算可得，初始 SOC 值和终止 SOC 值可根据实际情况自行定义。通常情况下，初始 SOC 值应预留出一部分电量为车辆启动提供能量，因此应将初始 SOC 值下移一个微小量：
3. 基于动态规划在混合电动汽车模型预测控制的应用
通过使用研究的模型预测控制方法进行车辆未来时刻运行状态的预测，再结合动态规划算法，可以得到基于工况状态下电机转矩的最优序列，进而可以求解混合车辆行驶过程中的多阶段决策问题。当进行某一时域预测时，转态变量需要在一定的约束条件下进行优化控制，然后利用动态规划算法中设计的 SOC 变化规律，从而可以得到 SOC 的参考轨迹作为优化过程中的 SOC 约束条件。
2. 基于模型预测控制的混合动力汽车优化控制函数的设计
为了保证混合动力汽车工况行驶时，合理分配发动机和电机的转矩，以保证整车低整车的能耗和节约能源，提高车辆的行驶里程。本研究通过提出的基于模型预测控制的混合动力汽车控制策略进行整车优化控制。通过获取车辆行驶的前一时刻的运行速度和加速度等信息，结合当前时刻的运行速度和加速度，构建车辆运行状态的预测模型，进行车辆运行状态的预测，进而为预测时域内控制提供最优化信息。根据所计算预测的车辆未来时域内的车辆状态，进而计算车辆的需求转矩，采用特定的算法，在一定的约束条件下获取在预测时域内系统的电机转矩最优序列。将预测控制模型计算所得的最优电机转矩序列的第一个值附加给车辆，然后进入下一时刻，继续获取车辆历史速度、加速度等信息，预测下一时段的车辆运行状态，以修正上一时刻的预测值。最后，重复预测、优化、校正的步骤。
DOI: 10.12677/dsc.2018.74032 283 动力系统与控制
王琼，王晓侃
在进行动态规划的混合动力汽车控制策略构建时，其优化指标函数为：
= Jk
k+ p k
= L ( x (t ) , u (t )) ∑ f (t ) ∑
k
k+ p
(1)
式中， x ( t ) 表示 t 时刻蓄电池的 SOC 值的状态变量； u ( t ) 表示 t 时刻的电机转矩变量； L 表示某一时刻的指标函数；J k 表示总的指标函数；p ~ p + k 表示预测时域。f ( t ) 表示车辆在 t 时刻的瞬时燃油消耗量。
收稿日期：2018年9月1日；录用日期：2018年9月19日；发布日期：2018年9月26日
摘
要
良好的混合动力汽车控制策略，不仅能满足车辆的动力需求，而且能有效地节省燃油、减少排放。本研
文章引用: 王琼, 王晓侃. 一种动态规划算法模型预测控制在混合动力汽车控制策略中的应用 [J]. 动力系统与控制, 2018, 7(4): 282-286. DOI: 10.12677/dsc.2018.74032
k k+ p
(
)
(5)
式(4)中，h 为 SOC 的代价函数，具体表达公式如下：
0, SOC ( t ) ≥ SOCr ( t ) h ( SOC ( t ) ) = 2 α ( SOC ( t ) − SOCr ( t ) ) , SOC ( t ) < SOCr ( t )
(6)
∗ ∗ L ( SOC ( k ) , u ( k ) ) + J k Jk = ( k ) ) min ( SOC +1 ( SOC ( k + 1) ) u( k )