一种跟车环境下汽车状态预测方法、能量管理方法及系统技术方案

本发明专利技术公开了一种跟车环境下汽车状态预测方法、能量管理方法及系统。该方法结合了Koopman算子理论和模型预测控制算法，在上层通过数据驱动的Koopman线性预测器准确预测车辆的状态，并将上层预测的负载需求功率用于下层混合储能系统的能量管理。其中，本发明专利技术根据不同跟车环境下采集的真实状态数据分别构建每一类跟车环境对应的Koopman模型，有效提高在复杂多类跟车环境下跟车车辆的状态预测精度；此外，将上层预测的负载需求功率反馈至下层，指导能量分配控制，保证跟车安全的同时降低了能量的消耗，进一步保证了下层能量分配的合理性。合理性。合理性。

【技术实现步骤摘要】
一种跟车环境下汽车状态预测方法、能量管理方法及系统


[0001]本专利技术属于汽车控制
，具体涉及一种跟车环境下汽车状态预测方法、能量管理方法及系统。

技术介绍

[0002]随着汽车行业的快速发展和对环保节能的要求日益提高，电动汽车作为一种富有极大发展前景的环保节能汽车，得到了越来越广泛的关注和应用。然而，电动汽车在行驶过程中仍然面临着能量密度不足、续航里程短、充电时间长等问题，这些问题的解决需要对电动汽车的能量管理系统进行深入研究和优化。尤其是在城市的跟车环境下，面临着频繁启停，给能量管理策略的规划带来了更大的挑战，即需要在保证跟车安全的同时降低能量的消耗，但是车辆的状态又不能被准确的预估，此时一个准确的车辆动力学模型的重要性是显而易见的。
[0003]在目前电动汽车的能量管理领域中，目前应用比较广泛的车辆纵向动力学建模公式如下：
[0004][0005]其中，m表示车身质量，v表示车辆的速度，a是车辆的加速度，F
com
是车辆的驱动力与制动力的合力，F是一些无法确定的扰动力，c
roll
是滚动阻力系数，ρ
air
是空气密度，A
f
为电动汽车正面面积，C
d
为气动阻力系数，δ为道路斜角，t表示时间。
[0006]研究发现以上模型并不能很好的应用于此类车辆跟随场景中，主要原因有三点：其一，在跟车环境中路况并不是一成不变的，因此此模型中的滚动阻力系数与道路斜角等参数并不是一个固定参数值，其实际上是时变的，会根据真实路况有所变化；其二，空气阻力这方面的参数在跟车环境下实际上还会与前车距离相关，当跟车距离较远时，空气阻力会变大，但是当距离较近时，空气阻力会由于前车的阻挡变小。其三，动力学系统中不能明确解释的扰动或其他不确定性的力是必然存在的，这也在另一方面反应了这类车辆动力学模型是不准确的。
[0007]即目前用于模型预测方法的公式建模的车辆动力学预测模型存在建模不够精确的问题，其中，在车辆实际的运行过程中不同路面状况、不同的车辆跟车环境以及未知的扰动均是不可忽略的参数，然而现有模型并未准确考虑上述因素，从而难以达到准确的预测未来状态的效果，影响了模型预测控制器的优化效果。

技术实现思路

[0008]本专利技术的目的是为了解决上述现有技术问题，构建更为精确的车辆动力学模型，能够准确的预测跟车车辆的状态，提供一种跟车环境下汽车状态预测方法、能量管理方法及系统。其中，本专利技术技术方案利用不同跟车环境下的真实状态数据构建Koopman线性预测器，克服了现有车辆动力学预测模型未考虑跟车环境不同带来的预测误差，此外，本专利技术技
术方案通过在上层结合模型预测控制方法设计了Koopman线性预测器，实现精确预测后，最终得到跟车车辆未来时刻的负载需求功率，并将负载需求功率传递给下层混合储能系统进行能量分配控制，即将负载需求功率在电池和超级电容之间进一步分配，优化了电池换电成本和混合储能系统的内部损耗。
[0009]为此，本专利技术提供如下技术方案：
[0010]本专利技术提供的一种跟车环境下汽车状态预测方法，包括以下步骤：
[0011]S1：采集跟车车辆在不同跟车环境下的真实状态数据；
[0012]S2：利用步骤S1采集的真实状态数据以及Koopman模型构建Koopman线性预测器，所述Koopman线性预测器的输入控制变量为跟车车辆的当前车速以及控制合力，所述控制合力为驱动力与制动力的合力，输出变量未来时刻跟车车辆的预测车速；
[0013]其中，基于每一类跟车环境下的真实状态数据分别计算出每一类跟车环境对应的Koopman模型中的系统矩阵、控制矩阵以及表征提升空间映射回原始状态空间的线性逼近矩阵；进而由各类跟车环境对应的Koopman模型构成所述Koopman线性预测器；
[0014]S3：利用所述Koopman线性预测器预测跟车车辆的车速，进而求解在动态安全行驶模型约束下的车辆控制优化问题得到未来时刻跟车车辆的控制合力。
[0015]再者，本专利技术还提供一种跟车环境下汽车能量管理方法，包括以下步骤：
[0016]S1：采集跟车车辆在不同跟车环境下的真实状态数据；
[0017]S2：利用步骤S1采集的真实状态数据以及Koopman模型构建Koopman线性预测器，所述Koopman线性预测器的输入控制变量为跟车车辆的当前车速以及控制合力，所述控制合力为驱动力与制动力的合力，输出变量未来时刻跟车车辆的预测车速；
[0018]其中，基于每一类跟车环境下的真实状态数据分别计算出每一类跟车环境对应的Koopman模型中的系统矩阵、控制矩阵以及表征提升空间映射回原始状态空间的线性逼近矩阵；进而由各类跟车环境对应的Koopman模型构成所述Koopman线性预测器；
[0019]S3：利用所述Koopman线性预测器预测跟车车辆的车速，进而求解在动态安全行驶模型约束下的车辆上层控制优化问题得到未来时刻跟车车辆的控制合力；
[0020]S4：基于所述未来时刻跟车车辆的控制合力得到跟车车辆的负载需求功率预测值，再将所述负载需求功率预测值反馈至下层混合储能系统进行能量分配控制。
[0021]进一步可选地，所述Koopman线性预测器的数学模型如下所示：
[0022]Y(k+1|k)＝S
s
s(k)+S
u
U(k)
[0023]自定义参数S
S
以及S
u
满足：
[0024][0025][0026]式中，A为系统矩阵，B为控制矩阵，C表征提升空间映射回原始状态空间的线性逼近矩阵，N
p1
为设置的跟车车辆的车速预测步长；T为矩阵转置符号，k表示时刻，Y(k+1|k)为当前k时刻对应的Koopman线性预测器的输出变量，U(k)为当前k时刻对应的由控制合力表
示的输入控制变量，存在：
[0027]Y(k+1|k)＝[y(k+1|k)，y(k+2|k)，...，y(k+N
P1P1
|k)]T
[0028]U(k)＝[u(k|k)，u(k+1|k)，...，u(k+N
p1
‑
1|k)]T
[0029]其中，y(k+1|k)，y(k+2|k)，y(k+N
p1
|k)表示基于当前k时刻的输入控制变量得到的k+1、k+2、k+N
p1
时刻的跟车车辆的预测车速，u(k|k)，u(k+1|k)，u(k+N
p1
‑
1|k)表示基于当前k时刻的输入控制变量中k+1、k+2、k+N
p1
‑
1时刻的控制合力。
[0030]进一步可选地，基于每一类跟车环境下的真实状态数据分别计算出每一类跟车环境对应的Koopman模型中的系统矩阵、控制矩阵以及表征提升空间映射回原始状态空间的线性逼近矩阵的过程是求解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跟车环境下汽车状态预测方法，其特征在于：包括以下步骤：S1：采集跟车车辆在不同跟车环境下的真实状态数据；S2：利用步骤S1采集的真实状态数据以及Koopman模型构建Koopman线性预测器，所述Koopman线性预测器的输入控制变量为跟车车辆的当前车速以及控制合力，所述控制合力为驱动力与制动力的合力，输出变量未来时刻跟车车辆的预测车速；其中，基于每一类跟车环境下的真实状态数据分别计算出每一类跟车环境对应的Koopman模型中的系统矩阵、控制矩阵以及表征提升空间映射回原始状态空间的线性逼近矩阵；进而由各类跟车环境对应的Koopman模型构成所述Koopman线性预测器；S3：利用所述Koopman线性预测器预测跟车车辆的车速，进而求解在动态安全行驶模型约束下的车辆控制优化问题得到未来时刻跟车车辆的控制合力。2.根据权利要求1所述的方法，其特征在于：所述Koopman线性预测器的数学模型如下所示：Y(k+1|k)＝S
s
s(k)+S
u
U(k)自定义参数S
S
以及S
u
满足：满足：式中，A为系统矩阵，B为控制矩阵，C表征提升空间映射回原始状态空间的线性逼近矩阵，N
p1
为设置的跟车车辆的车速预测步长；T为矩阵转置符号，k表示时刻，Y(k+1|k)为当前k时刻对应的Koopman线性预测器的输出变量，U(k)为当前k时刻对应的由控制合力表示的输入控制变量，存在：Y(k+1|k)＝[y(k+1|k)，y(k+2|k)，
…
，y(k+N
P1
|k)]
T
U(k)＝[u(k|k)，u(k+1|k)，
…
，u(k+N
p1
‑
1|k)]
T
；其中，y(k+1|k)，y(k+2|k)，y(k+N
p1
|k)表示基于当前k时刻的输入控制变量得到的k+1、k+2、k+N
p1
时刻跟车车辆的预测车速，u(k|k)，u(k+1|k)，u(k+N
p1
‑
1|k)表示当前k时刻的输入控制变量中k+1、k+2、k+N
p1
‑
1时刻的控制合力。3.根据权利要求1所述的方法，其特征在于：基于每一类跟车环境下的真实状态数据分别计算出每一类跟车环境对应的Koopman模型中的系统矩阵、控制矩阵以及表征提升空间映射回原始状态空间的线性逼近矩阵的过程是求解下述优化问题得到的解析解：映射回原始状态空间的线性逼近矩阵的过程是求解下述优化问题得到的解析解：其中，A为系统矩阵，B为控制矩阵，C表征提升空间映射回原始状态空间的线性逼近矩阵，||
·
||
F
表示矩阵的Frobenius范数；采集的任一类跟车环境下的真实状态数据表示为：X＝[x(1)，...，x(I)]，X
+
＝[x(2)，...，x(I+1)]，
U＝[u(1)，...，u(I)]，数据集X，X
+
均为采集的跟车环境下跟车车辆的车速数据集合，x()为跟车车辆的车速，U为控制合力的数据集，u()为控制合力，I对应时刻；利用提升函数ψ将数据X，X
+
转换为下述数据集：X
lift
＝[ψ(x(1))，...，ψ(x(I))]，所述优化问题的解析解为：所述优化问题的解析解为：所述优化问题的解析解为：表示矩阵的伪逆。4.根据权利要求1所述的方法，其特征在于：所述跟车环境的类别包括：湿滑路面、干燥路面...

【专利技术属性】
技术研发人员：陈彬，王淼奔，胡林，何果，张瑞，高凯，武悦，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：