利用导航信息的电池能量管理

摘    要

本文提出了一种利用导航数据为混合动力电动汽车（HEV）推进系统分配充电状态（SOC）的控制策略。该算法根据在线行驶距离的函数动态定义和调整 SOC 目标，从而实现对电池中能量存储的主动管理。所提出的方法结合了道路阻力的变化，并遵守地理位置限制，包括超低排放区（uLEZ）。在涉及大范围中长途旅行的情况下，其预期优势尤为明显，这些旅行的特点是地形突变或必须以纯电动汽车 (EV) 模式运行。这种新颖的解决方案可显著提高驾驶性能和燃油经济性。

01  前    言

在过去十年中，混合动力汽车（HEV）和混合动力电动汽车（PHEV）的数量迅速增长。通过利用两种能源，混合动力汽车尽管发动机较小，却能实现类似或更好的性能。这意味着电力必须随时可用，以确保发挥最大性能。此外，由于具有再生能力，摩擦制动器的尺寸也在缩小。因此，在某些情况下，必须对 SOC 进行适当管理，以获得正负电扭矩缓冲。在地理围栏项目中，混合动力汽车预计将在某些 LEZ（低排放区）和 uLEZ（超低排放区）以电动模式（EV）行驶，这对动力总成管理产生了额外的限制。如果不考虑中长期工况，特别是在两侧电动汽车剩余里程有限的情况下，就不可能正确管理电池中储存的能量，以满足上述限制条件。地平线信息是有关周围环境和行驶路线的数据集合，可用于生成主动的 SOC 策略。

目前有几种先进的控制方法并已用于汽车应用，如动态编程（DP）、模型预测控制（MPC）、等效消耗最小化策略（ECMS）、庞特里亚金最小原理（PMP）和逆模型分配，适用于从巡航控制优化到发动机驱动、从混合动力分配到车厢温度等各种问题。说到在确定的范围内进行优化，动态编程及其变体是一种非常强大的方法，已有多位学者提出。基于分析和模拟的规则和启发式策略也已被提出，然而，它们在特定约束条件下的预测能力较弱。ECMS 和模型预测控制是针对一定范围内的约束优化提出最多的技术。上述大多数技术都需要一个受控系统的模型。有几种方法可以生成车辆纵向模型和捕捉发动机油耗。通常需要减少阶次，以尽量降低模型的复杂性，从而更好地进行控制设计，并减少内存和计算需求。

本文提出了 PHEV 车载优化算法的具体设计，该算法可生成动力总成控制所遵循的目标 SOC。这样既能优化燃油经济性和续航里程，又能满足特定的驾驶性能要求。该算法考虑了来自 ADASIS（高级驾驶员辅助系统接口规范）兼容平台的行程数据，并可能通过地平线重构器功能进行翻译，根据道路类型、坡度、预期车速和动力需求主动调整 SOC 水平。在现有研究的基础上，本文利用动态编程原理开发了一种算法，可在行程开始时或在特定时间间隔内生成复杂的取决于行驶距离的 SOC 目标函数。该算法利用简化的动力总成纵向模型，在降低计算功耗的同时，最大限度地减少了状态复杂性。文中介绍了具体的注意事项和附加功能，以实现一种接近量产的算法，能够处理各种情况和噪声源。

02  分配算法

所提出的算法将行程划分为以预期速度、坡度和道路类型（包括低排放区）为特征的路段（图 1）。对于每个路段，考虑到潜在的推进模式（电动、热力、组合、再生）和相应的能源需求，可能的电池充电状态（SOC）值网格被考虑在内（图 2）。在这一状态空间内，该算法会计算出一个最优的 SOC 轨迹，该轨迹既能最大限度地降低油耗，又能遵守各种约束条件，如最小/最大 SOC：电池 SOC 必须保持在允许的范围内；可行驶性：车辆速度必须满足各路段的最低要求（如限速）；LEZ 合规性：发动机操作可能会在指定区域受到限制。

图 1 算法输入和分段的可视化表示。从上到下依次为：速度限制、坡度数据、道路类型（LEZ 或非 LEZ）以及中断上一段的原因。曲线图是与起点距离的函数关系。

图 2 图形算法。

该算法可根据分段要求和约束条件动态启用/禁用热引擎，以提高牵引力或 SOC。路段之间的 SOC 转换取决于能源需求、离散化水平和再生潜力等因素。某些路段可能会根据路面阻力、类型和发动机能力，强制降低 SOC（如低排放区、能源密集型路段）或提高 SOC（如下坡再生）。通过在生成状态空间时考虑这些约束条件，该算法可以找到连接初始和最终 SOC 状态的最佳路径。这条路径，即 "最佳 SOC 线路"，可在遵守所有操作和法规要求的前提下，最大限度地降低整个行程的总油耗。

IO算法

分配算法将与前方路径有关的信息作为输入，这些信息可能是通往最终目的地的全程信息，也可能是前方一定距离内的信息，即地平线信息。具体来说，该算法需要以下一组输入。速度限制和坡度：道路速度限制和坡度信息，这是 ADASIS 平台常用的信息。请注意，如果需要特定的行为，可以在进入算法之前修改这些值。例如：提高对 SOC 限制和驾驶性能等特定限制的适应能力。LEZ/uLEZ 区域：从 ADASIS 平台或用户定义区域获得的电动汽车 (EV) 专用区域。地平线状态：表示平台是否提供可靠数据的标志。该算法生成混合动力控制器/监控器应跟踪的充电状态目标，以获得最佳/接近最佳性能。该算法还将当前的 SOC 水平和行程结束时所需的 SOC 作为输入。

主要算法

主要算法是生成带有相关边成本的图形，并跟踪最优解路径。该算法遵循动态编程原则，在此添加其伪代码以供参考：

1. Step 1: starting point

a. Current SOC = initial SOC

b. Current segment = initial segment

c. Cost to arrive at current segment = 02. Step

2: generate and solve the local graph

a. From current state of charge and current segment build the local graph

b. Compute cost to go to each next segment SOC (edge cost computation)

c. Store cheapest way to get to the next segment SOC and which is the cheapest neighbor

3. Condition 1: All possible SOC have been considered for the next segment?

a. No: go to Step 2 with the following conditions:

i. Current SOC = next SOC

ii. Cost to arrive at current node = cost to arrive at next node

b. Yes: evaluate Condition 2

4. Condition 2: all segments have been considered?

a. No: go to Step 2 with the following conditions

i. Current SOC = lower SOC of next segment

ii. Current segment = next segment

iii. Cost to arrive at current segment = cost to arrive at next node

b. Yes: go to Step 3

5. Step 3: extract solution

a. Go through the saved cheapest path and extract SOC

6. End

边缘成本计算

考虑到特定的功率分配（燃烧扭矩和电动扭矩之间的分配），每个边缘的成本计算为发动机在给定速度限制下驱动该区段所需的等效能量或燃料消耗。计算的高级框图如图 3 所示，每个步骤的说明如下。来自导航的数据：收集导航系统的数据，包括坡度、限速和道路类型（是否为低排放区）。分段：该算法将整个行程分为若干小段，即从行程的起点位置开始分段。在处理拓扑数据时，如果遇到不同的速度限制、坡度变化超过某个临界值或不同的道路类型，就会创建新的路段。如果生成的路段不能满足足够的能耗要求，则会对这些特征进行逻辑分组（见图 1 和 "分组 "部分）。纵向模型：车辆的特性，即纵向道路负载模型，用于计算每个路段所需的车轮等效能量。计算公式如下列公式所示。

混合动力系统：根据发动机和电动能力计算出特定路段的最大放电量和最大充电量。计算结果如下列公式所示。

航段的最大电量是由发动机的最大能量 () 扣除驱动航段所需的能量 () 后，使用特定转换系数 (δ) 转换为电荷，并根据效率 () 进行调整。发动机的最大能量由最大可用功率 () 计算出发动机的最大能量，并根据需要进行调整，以满足噪音、振动、电荷限制和主观指标的要求。

同样，最大放电量是以纯电动汽车驱动车段所需的等效 SOC 计算的，计算方法是使用特定转换系数（δ）将驱动车段所需的能量（）转换为电荷，并根据效率（）进行调整。

功率分配：使用推进系统模型计算发动机在每个选定功率分配条件下驱动每个分段所消耗的能量。这种计算方法可将 SOC 的变化转化为发动机的能量需求，同时考虑系统效率。该模型可作为预先计算的地图来实现，通过基于特定混合动力系统结构的静态优化来生成，其形式如下列公式所示。

总能量：发动机在每个航段的总能量或燃料消耗量是通过考虑发动机用于推进 （）和预期辅助负荷（），如下列公式所示。

如果更倾向于燃料指标，则可使用预先计算的发动机图谱将能量转换为等效燃料消耗量，如下列公式所示。这些映射可以通过在环路中使用扭矩监控器运行动力系统来生成。

在模型中，等式 1 至 6 体现了系统主要动态的简化物理表示。为了适应额外的限制或激发特定的行为反应，可以有策略地对这些等式进行修改。例如，要对电池充电能力施加主观限制，就必须对等式 2 进行有针对性的修改。

构建本地图表

本地图编码了 PHEV 在行程优化过程中的状态空间。每个节点代表一个行程段（路线的一个分段）和相应的 SOC 的组合。本算法中的有效边是指连续路段之间的 SOC 变化在等式 2 和 3 中计算的最大放电和充电的允许范围内。如果是 LEZ 区段，该算法只能使用具有以下特征的边缘。为了提高计算效率，最大和最小 SOC 变化都被离散化了。此外，图中的 SOC 值还受到整车最小和最大允许 SOC 限制的约束。进一步完善后，还可纳入其他电能消耗源，如等式 6 所示的辅助负载，前提是这些电能消耗源可以估算并映射到特定区段。如等式 6 和 7 所示，一条边的成本可以是该分段的能量消耗，也可以是发动机的燃料消耗。为了便于执行加速搜索算法，我们会为任何显示非正向权重的边分配一个小的正值，从而在整个图中保留正向的边权重。局部图的构建分为三个步骤，如图 4 所示：1.给定起始 SOC 值，在遵守电荷变化限制的前提下，确定后续区段中允许的所有可能 SOC 值。2. 将当前分段节点与后续分段中所有可能的 SOC 状态连接起来。3. 为每条边分配相当于发动机所需能量或燃料的成本。

图 4 本地图表

请注意，图 4 描述的是 SOC 的线性变化（均匀离散变化）。不过，非线性离散化可用于更有针对性的点生成，例如围绕特定 SOC 值改进策略。

进入下一分段的成本

在当前分段和 SOC（当前节点）的范围内，在指定 SOC（下一节点）过渡到下一分段的成本计算为到达当前节点的成本与连接当前节点和下一节点的边缘相关成本之和。为便于理解，图 4 以线性方式显示了成本，但成本的产生确实可能涉及到更复杂的函数，例如从考虑了预期发动机速度和负荷的发动机效率图中得出的函数。值得注意的是，预期车速、纵向模型数据和变速器行为都有助于成本计算。重复 "构建局部图形"，直到完成最后一段。最终图形的高级描述如图 2 所示。虽然所介绍的算法在大多数用例中都表现出了功效，但在某些情况下，仍有必要加入辅助功能，以实现最佳性能。为此，本节深入探讨了其他概念和功能，旨在开发一种更全面、更强大的策略。

分组

对于特别短的行程段，算法的离散粒度可能会阻碍单个行程段内足够的 SOC 变化。为了解决这个问题，我们将短路段分组，使整个分组的 SOC 变化幅度更大。这种方法保留了能源管理的机会，但必须谨慎选择，以避免违反单个区段内的约束条件。将短分段连接到相邻的较大分段上进行组合优化，可简化分析，但在利用本地充电机会方面可能灵活性较低。最重要的是，区分低排放区（LEZ）和非低排放区段至关重要，因为将它们组合在一起可能会导致在低排放区之前错过加油机会，并有可能违反区内电力推进的最低 SOC 要求。因此，LEZ 区段从不与非 LEZ 区段分组。相反，它们要么被单独优化，要么根据与区段能源需求相关的阈值与其他 LEZ 区段合并。图 5 是分组策略的高级说明。图 6 着重说明了分组策略的效果。随着定义短路段的阈值增加，算法创建的图形复杂度降低，但仍能捕捉到驱动行程初始部分所需的能量。通过比较图 6 中的左图和中图，我们不难发现这一点。进一步提高阈值可进一步简化图形，使其仅捕捉到行程的高级能量需求。

图 5 短片段分组逻辑。

再运行逻辑

该算法可能会在几种情况下找不到解决方案，例如，由于初始 SOC 较低而违反 LEZ 中的电动车驱动规定，无法满足预期高扭矩需求（发动机支持）的 SOC 要求，以及无法产生 SOC 缓冲以支持再生制动需求。在其中一种情况下，可采用以下解决方案：1) 生成专用标志。2) 向驾驶员提供建议的新速度，使其达到所需的充电水平。3) 更新 SOC 参考值，期望驾驶员遵循建议。该解决方案提供了一个稳健的 SOC 目标，即使驾驶员偏离了推荐速度，也能保持有效性。该算法利用所有可用信息优化 SOC 轨迹，确保在当时的驾驶条件下取得最佳结果。这种逻辑可以隐式实现，仅用于内部计算，也可以集成到另一种控制算法中，用于管理极端或不可行的驾驶情况。例如，它可以提醒驾驶员，实时提供建议速度，或建议在继续行驶前充电。新车速通过以下程序循环获得：1 以较低的预期速度重新运行算法，降低的幅度是一个校准参数。2 如果算法仍然无法找到解决方案，则进一步降低速度并重复执行。3 找到解决方案后，通知驾驶员满足所有限制条件所需的速度偏移（仅适用于重新运行时）。4 限制重新运行的次数，以避免在确实无法找到解决方案的情况下无限期执行。如果不可行性持续存在，算法应生成一个特定标志，并将其告知驾驶员。

03  完整功能

本节深入探讨了核心算法在更广泛的动力总成环境和特定运行条件下的行为。生成的 SOC 轨迹通过几个因素与动力总成控制器的其他部分进行交互：算法状态： 这包括触发算法重新运行的条件，例如严重偏离计划路线或意外的能源需求。图 6 说明了这些状态和转换。跟踪能力： 生成的 SOC 轨迹可作为实时监控和调整的参考。由于不可预见的情况而偏离该目标，会促使动力总成控制器采取纠正措施。动力总成通信： 该算法与其他动力总成组件交换信息，包括电池状态、发动机功率可用性和实时能耗。这种数据交换对于算法内的知情决策至关重要。

算法状态和流程

在地平线功能首次提供新的行程时，就会运行生成 SOC 参考的算法，然后才根据要求运行。参考图 7，状态变化的主要触发因素如下。1 如果在数据不可用的情况下请求生成 SOC，算法会等待（"准备就绪"）。2 只有当 SOC 参照就绪且当前位置可用时，才会启用 SOC 跟踪。3 当前位置丢失时，跟踪暂停，直到位置恢复。4 如果无法找到解决方案（达到最大迭代次数或速度变为负值），则等待条件更新，因为没有必要继续运行，而是在条件改变时再次运行。5 如果要求生成新的 SOC，但由于没有数据而无法计算，则暂停跟踪，直到获得新的 SOC 参考值。6 到达目的地后，停止算法。7 请注意，除非需要新的 SOC 参考值或当前位置丢失，否则算法不会考虑地平线数据状态。

图 7 整体算法状态流程

新的SOC分配请求

有几种情况可以触发新 SOC 参考生成：SOC 误差： 如果观察到预测 SOC 与实际 SOC 存在差异，就会触发局部重新优化过程，以保持轨迹的可行性并最大限度地降低油耗。这一机制代表了高层控制策略中的动态调整，可应对任何潜在的噪声源和差异。当 SOC 出现错误时，算法会根据更新的 SOC 值和可能从估算器中获得的修订纵向模型重新运行。这种方法与典型的模型预测控制（MPC）框架相似，在后者中，优化是在后退的视野中进行的，并在预定的时间间隔内进行重新规划。不过，如果算法遇到不可行性，且当前处于 "等待 "状态，那么只要当前的 SOC 偏离之前的预测，就会发出重新计算的请求。在这种情况下，新的运行将使用先前可用的地平线数据。路径改变：由于驾驶员或导航系统选择了新的路径，ADASIS 平台或地平线重构器功能每次更新地平线数据时，都会触发新的 SOC 生成。

新的纵向模型参数：与前一种情况类似，如果车辆参数发生变化，算法将根据更新的信息重新运行。新长度：如果地平线数据不包括整个行程，则每行驶一段设定距离，就会触发一个新的 SOC 目标生成请求。这样可以确保在优化过程中纳入有关剩余行程的新信息。地平线内的最大分段数由内存限制决定。Horizon 功能将持续监控这一限制，并在数据不足以覆盖整个行程时向算法发送标志。收到地平线发出的标记后，算法会采用更保守的方法来选择最终的 SOC 值。公式 8 详细说明了计算过程，图 8 展示了计算结果的 SOC 轨迹。是算法在水平长度结束时的最终目标 SOC，为当前 SOC，是行程目的地 SOC 目标和可用的地平线长度。该策略优先考虑在电池续航能力充足的情况下到达目的地。当车辆接近目的地时，地平线功能会收集更多有关剩余行程的数据。这样，该算法就能根据更新的信息重新运行目标生成过程，使用后退视界法进行持续优化。

图 9 提供了一个应用实例。当视野覆盖整个行程长度时，算法的 SOC 目标被定义为最终目标 SOC。当行程长于可用范围时，算法会相应调整内部 SOC 目标值。滞后：为防止不必要的算法重跑，采用了滞后机制。该机制允许实际 SOC 与最近更新的目标 SOC 趋同，然后再启动新的 SOC 生成。

图 9 较短地平线示例：左边是地平线覆盖全部行程的情况，右边是地平线只覆盖总行程一半的情况。

与动力总成控制的其他部分集成

与动力总成的无缝集成至关重要，因为所提出的算法依赖于互补功能来实现最佳性能。这些功能包括纵向车辆模型、道路负荷估算器和能量/燃料消耗模型。如前所述，核心算法会生成一个 SOC 参考值，作为整个行程中的高级指导。该参考值与行驶距离成函数关系，可提供预先计划的最佳电池使用策略。然而，直接和即时跟踪该参考值并不总是可行的。为解决这一问题，动力总成控制结构中的第二层应考虑动力总成状态和驾驶员需求，对动力总成执行器进行局部优化。

04  简化案例研究

为了展示算法的功能和行为，我们对特定场景进行了模拟。该算法在 Simulink 中作为状态流模型实现。生成的地平线数据代表了特定的测试案例，并针对每种情况绘制了相应的 SOC 网格和 SOC 曲线。显示的分段成本供参考。

爬坡

该测试模拟在旅行结束时遇到的陡峭上坡（距离起始位置 20 英里）。初始 SOC 设置为 60%，终点 SOC 目标值为 10%。地平线和相对分割的主要输入如图 11 所示。图 10 左侧显示了算法的网格和解决方案。值得注意的是，该算法能够策略性地保持充电，以确保行程在指定的 SOC 下结束。这种行为可归因于最后一段的高能量需求，在这一段中，发动机和电动机都需要提供足够的扭矩来维持速度限制。

起始SOC较低时的爬坡

该测试与前一个案例相同，但起始 SOC 更低，为 20%，并且使用相同的水平线数据，只是最后一段坡度增加到了 15%。图 10 的中心图显示了算法的网格和解决方案。该算法有效地认识到了在最后一段建立 SOC 以充分满足驾驶员需求的必要性。值得注意的是，第 5 个路段专门建立了放电连接。这一特点源于坡度较高，需要增加放电需求。在第 4 段启动充电的决定是基于发动机效率的考虑，与前几段相比，第 4 段的燃油经济性更佳。

图 10 爬坡测试案例。上图是算法内部生成的图形，并标明了边的成本。下图是距离的最优 SOC 函数。左侧是一段行程，包括终点的爬坡情况。中间是同样的爬坡测试，但起点 SOC 更低。右侧为穿越 LEZ 区域的行程。

图 11 爬坡测试案例的地平线数据和相对分割。

该测试模拟在行程终点（距离起始位置 17 英里）进入低排放区 (LEZ)。初始和最终 SOC 值分别设置为 30% 和 10%。地平线和相对分割的主要输入如图 12 所示。图 10 右侧显示了算法的网格和解决方案。该算法理解了建立 SOC 的必要性，以便在低排放区内仅使用电力行驶。需要强调的是，由于第 4 段和第 5 段存在低电压区，因此只有电动汽车驾驶这一种连接方式可用。边缘权重的变化归因于 SOC 的离散化，这就需要利用发动机来实现所选的精确 SOC 值。

05 车内应用注意事项

本节将简要讨论计算复杂性以及噪声和不确定性对算法性能的影响。

图 12 LEZ 测试案例的地平线数据和相对分割。

计算复杂性

为了便于分析，下面用高级伪代码概括了所提出的地平线 SOC 计算算法的全部内容：1 循环整个地平线数据集a 如果满足新分段的条件，则生成新分段b 计算分段的能源量和 SOC 约束条件c 如果满足分组条件，则将前一个分段纳入当前分段中2 对已创建的分段进行循环，并对每个分段循环计算每个可行的 SOC 值a 使用边连接每个顶点（SOC，线段）和可行的下一个顶点b 计算每条边的权重c 找到到达顶点的最便宜路径并存储此信息3 评估完所有顶点后，提取到目标顶点（SOC 目标，最后一段）的最便宜路径并转换为 SOC 值4 如果无法找到到达目标顶点的路径，则输出特定标志步骤 1：从地平线读取数据并生成分段离散化。这一步可以被视为独立的，因为它可以在一个单独的功能中执行，所产生的离散化也可以用于其他预测功能。第 2 步是策略的核心。该算法的复杂性可根据其带有记忆（存储最优路径）的动态编程（DP）方法和由两个离散状态定义的状态空间进行分析：充电状态和距离分割。请注意，该算法创建的是一个只有正代价的有向图，并寻找两个节点之间的最短路径。在创建顶点时，会计算其最短路径，因为对距离维度的图探索只有一个方向。两种状态分别被离散化为 n 层和 m 层，考虑到步骤 2 中的内循环，时间和空间复杂度均为 O(nm)。请注意，这与更通用的贝尔曼-福特-摩尔算法（Bellman-Ford-Moore algorithm）有相似之处。尽管理论复杂度如此之高，实际执行却具有显著优势。由于是一次性计算（或很少重新运行），而且 SOC 随时间发生的微小变化对整体轨迹的影响可以忽略不计，因此实际执行时间可以分割为若干处理器采样时间。这有效减轻了实际应用中的计算负担。

噪声影响

一些噪声因素和不确定因素会影响算法的性能。表 2 列出了简要概述。值得强调的是，如果由于初始 SOC 过低或最终 SOC 目标过高等因素导致解决方案不可行，"重新运行逻辑 "小节中概述的建议解决方案包括降低路段内的预期速度，并根据更新的预期道路阻力重新运行算法。值得注意的是，在这些情况下，算法会生成一个标志，动力总成控制主管可利用该标志通过适当的车辆-驾驶员接口与驾驶员进行沟通。一般来说，生产就绪软件的最佳行动方案可能取决于市场营销和客户期望等非技术因素，这超出了本文的讨论范围。

核心参数和校准

有几个参数可以调整，以改变算法的行为和计算需求，每个参数都能提供不同的权衡。表 1 列出了这些参数。表 1 校准参数和效果。

表 2 噪音来源、影响和嵌入式算法解决方案。

06  结论

本文介绍了一种基于行程信息主动调整车辆充电状态（SOC）的新型算法。该算法可实现高效的电力资源管理，在满足所需的行程终点 SOC、发动机限制和驾驶性能等约束条件的同时，最大限度地减少内燃机的使用。此外，本文还讨论了处理潜在不可行解决方案或有限数据可用性的支持逻辑。未来的工作重点是进一步简化算法，加强算法与混合动力控制软件其他部分的协调，最大限度地发挥协同效应。