混合動力汽車（HEV）預(yù)測能量管理策略設(shè)計案例目錄TOC\o"1-3"\h\u17760混合動力汽車（HEV）預(yù)測能量管理策略設(shè)計案例 145851.1控制問題及整體方案 1280011.2車速預(yù)報模型的建立 364521.2.1駕駛模式的模糊聚類分析 358181.2.2長短時記憶神經(jīng)網(wǎng)絡(luò)的設(shè)計 5102681.2.3模型參數(shù)優(yōu)化 7284871.3預(yù)測能量管理控制策略設(shè)計 972321.4仿真驗證與分析 11288261.4.1速度預(yù)報模型精度驗證與分析 11311491.4.2能量管理控制策略驗證與分析 17控制問題及整體方案在解決能量管理問題時，由于采用模型預(yù)測控制方法能夠在短時域內(nèi)進(jìn)行滾動優(yōu)化，其實時優(yōu)化效果較好，因此越來越受到廣大學(xué)者的關(guān)注和青睞。而在使用MPC方法時，預(yù)測模型的預(yù)測性能直接影響到最終的優(yōu)化效果。目前比較常用的預(yù)測模型有馬爾科夫鏈[61]、指數(shù)預(yù)測[62]、神經(jīng)網(wǎng)絡(luò)[63]和條件線性高斯[64]等模型。特別是，神經(jīng)網(wǎng)絡(luò)在處理大量數(shù)據(jù)時具有極強(qiáng)的非線性擬合能力。目前，有部分學(xué)者利用神經(jīng)網(wǎng)絡(luò)搭建集成學(xué)習(xí)模型[65,66]，有效地提升了預(yù)測性能和車輛的燃油經(jīng)濟(jì)性。而在預(yù)測過程中，預(yù)測域的大小也會影響預(yù)測精度。文獻(xiàn)[67]提出了一種考慮有效預(yù)測域的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，提高了車速的預(yù)測精度，同時降低了油耗。這些預(yù)測方法通常是使用單一的預(yù)測模型應(yīng)對多種駕駛條件，這會直接影響預(yù)測精度。文獻(xiàn)[68]提出了一種多模式預(yù)測模型，以適應(yīng)多種不同的駕駛條件，進(jìn)一步提高了燃油經(jīng)濟(jì)性。一般來說，神經(jīng)網(wǎng)絡(luò)模型內(nèi)部的超參數(shù)是基于經(jīng)驗來設(shè)定的。然而，在預(yù)測過程中這種超參數(shù)設(shè)置方法常常難以滿足網(wǎng)聯(lián)條件下的速度預(yù)測精度要求。因此，在網(wǎng)聯(lián)條件下，需要進(jìn)一步探索含有最佳超參數(shù)的預(yù)測模型，以用于能量管理策略的設(shè)計，進(jìn)而提高HEV的燃油經(jīng)濟(jì)性。本章以混聯(lián)式混合動力汽車為研究對象，為提高網(wǎng)聯(lián)場景下HEV的的燃油經(jīng)濟(jì)性，利用車輛內(nèi)部的物理條件限制以及網(wǎng)聯(lián)信息，設(shè)計網(wǎng)聯(lián)情況下的預(yù)測能量管理策略。首先，在混合動力汽車行駛過程中，為提高預(yù)測模型對多種駕駛模式的適應(yīng)性，采用聚類算法對網(wǎng)聯(lián)信息進(jìn)行聚類分析。其次，針對聚類后的網(wǎng)聯(lián)數(shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行離線訓(xùn)練，然后，為提高神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能，采用PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的超參數(shù)。在利用MPC方法來解決HEV在滾動時域內(nèi)的能量管理問題時，車輛的性能指標(biāo)函數(shù)通常帶有約束條件的非線性函數(shù)，為提高優(yōu)化過程中的收斂效率以及實時性，本文采用SQP算法來求解能量管理問題。所設(shè)計的能量管理策略框架如下圖3-1所示，主要步驟如下所述。圖3-1網(wǎng)聯(lián)單車情況下的預(yù)測能量管理策略設(shè)計框圖數(shù)據(jù)處理：利用V2I技術(shù)獲取所需要的歷史網(wǎng)聯(lián)信息，包括車輛速度，加速度以及車輛到下一個交通燈的距離信息，并采用模糊聚類算法對數(shù)據(jù)進(jìn)行分析，根據(jù)聚類分析得到多組數(shù)據(jù)集和聚類中心。訓(xùn)練和優(yōu)化過程：將(1)中所獲得的多組數(shù)據(jù)集用于多個長短時記憶神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，與此同時，為提高不同預(yù)測模型的預(yù)測精度，利用粒子群優(yōu)化算法對不同神經(jīng)網(wǎng)絡(luò)的超參數(shù)進(jìn)行優(yōu)化。其中優(yōu)化的超參數(shù)包括初始學(xué)習(xí)率(initiallearningrate,lr)、學(xué)習(xí)率下降因子(learningratedropfactor,lrdf)、批量大小(minibatch,mb)、神經(jīng)元個數(shù)(layerneurons,ls)，學(xué)習(xí)率下降周期(learningratedropperiod,lrdp)。求解能量管理問題：根據(jù)(2)中的優(yōu)化后的預(yù)測子模型，再結(jié)合車輛的動力學(xué)關(guān)系，即可得到車輛在短時域的整車需求轉(zhuǎn)矩，并利用SQP算法優(yōu)化滾動時域內(nèi)的車輛油耗。隨后，將優(yōu)化得到的控制序列的第一個值應(yīng)用于混合動力汽車控制當(dāng)中。伴隨著車輛的行駛，儲存車輛短時域的歷史信息，包括車輛速度、加速度以及到下一個交通燈的距離，并用于未來短時域的速度預(yù)測。同時，繼續(xù)使用SQP優(yōu)化控制量。車輛在行駛過程中，不斷重復(fù)該過程。車速預(yù)報模型的建立本文所設(shè)計的速度預(yù)測模型主要用于在線預(yù)測能量管理策略的設(shè)計，其離線訓(xùn)練過程主要由以下幾部分構(gòu)成。采集網(wǎng)聯(lián)信息數(shù)據(jù)樣本，樣本主要包括車輛的加速度、速度以及車輛到下一個交通燈的距離，并對其進(jìn)行標(biāo)準(zhǔn)化處理。對處理后的數(shù)據(jù)樣本，進(jìn)行模糊聚類分析，設(shè)置不同的聚類中心個數(shù)k、聚類中心點以及對應(yīng)的聚類樣本集個數(shù)k。利用k個長短時記憶神經(jīng)網(wǎng)絡(luò)，并將k個聚類后的數(shù)據(jù)集分別作為神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。在對所設(shè)計的速度預(yù)測模型進(jìn)行測試時，由于采用了多個神經(jīng)網(wǎng)絡(luò)作為預(yù)測子模型，所以需要根據(jù)樣本不斷地切換預(yù)測子模型。切換時，時利用聚類中心和樣本之間的歐氏距離，由此確定出哪一個歐氏距離最短，進(jìn)而確定在該時刻應(yīng)選擇哪個預(yù)測模型。通過不斷地測試便可得出最合理的聚類中心個數(shù)。為進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能，本文利用PSO對(3)中已經(jīng)得出的多個預(yù)測子模型的超參數(shù)分別進(jìn)行優(yōu)化。駕駛模式的模糊聚類分析一般來說，激進(jìn)的駕駛行為和保守的駕駛行為常常出現(xiàn)在汽車啟動和巡航階段，說明不同的駕駛意圖會導(dǎo)致不同的未來速度分布。然而，傳統(tǒng)的速度預(yù)測方法往往會忽略此特點，更加傾向于利用單一的預(yù)測模型來解決整個駕駛過程中的能量管理問題。因此，為解決這一問題，本研究利用聚類這一非監(jiān)督學(xué)習(xí)方法對歷史網(wǎng)聯(lián)信息進(jìn)行分析，進(jìn)而將短時域內(nèi)的工況特征根據(jù)相似度進(jìn)行分類。眾所周知，傳統(tǒng)的聚類分析屬于一種硬劃分，它把待處理的數(shù)據(jù)嚴(yán)格地劃分到了某一類當(dāng)中，具有“非此即彼”的特性。但是，實際當(dāng)中大多數(shù)的對象并沒有嚴(yán)格的屬性劃分?；诖?，利用模糊C均值聚類算法恰恰能夠得到樣本屬于各個級別的不確定程度，建立樣本對于類別的不確定性的描述，能更客觀地反映現(xiàn)實。模糊C均值聚類算法應(yīng)用過程中，首先需構(gòu)造目標(biāo)函數(shù)，并通過優(yōu)化該目標(biāo)函數(shù)進(jìn)而得到每一點對應(yīng)于聚類中心的隸屬度關(guān)系，從而對樣本數(shù)據(jù)進(jìn)行分類，最終得到相應(yīng)的聚類結(jié)果而在車輛行駛過程中，車輛速度、加速度以及車輛到下一個交通燈的距離是影響未來車速的主要因素。因此，對車輛速度、加速度以及車輛到下一個交通燈的距離進(jìn)行聚類分析是至關(guān)重要的。其模糊聚類流程如圖3-2所示。圖3-2模糊C均值聚類算法流程圖為便于理解模糊C均值聚類算法的原理以及求解過程，根據(jù)圖3-2中的流程圖將其所用到的公式作如下描述。若樣本數(shù)據(jù)量為m，以來描述，c表示聚類中心個數(shù)，可表達(dá)為c個類別，U為隸屬度矩陣，聚類中心點所對應(yīng)的坐標(biāo)可表示為，若用作為描述相對于的隸屬度，那么目標(biāo)函數(shù)表達(dá)式如下： (3-1)式中——加權(quán)參數(shù)，；——歐幾里得距離，可以用來衡量樣本點和聚類中心點之間的遠(yuǎn)近。歐幾里得距離和聚類中心、樣本點之間的關(guān)系如下： (3-2)式中——樣本特征數(shù)。模糊C均值聚類的最終目的是使得式(3-1)的目標(biāo)函數(shù)最小化，因此在每次更新隸屬度時要確保每一類的隸屬度之和為1，需要滿足的關(guān)系式如下： (3-3)每一個樣本對應(yīng)于每一類的隸屬度關(guān)系如下所示： (3-4)每個聚類中心計算公式如下： (3-5)利用公式(3-4)和(3-5)可以計算出聚類中心點，并隨著迭代次數(shù)的增加反復(fù)更新。由于該聚類中心數(shù)需要提前給定，故本研究中采用個數(shù)為1，2，3…10，其對預(yù)測模型的影響和聚類結(jié)果可見3.4.1節(jié)。長短時記憶神經(jīng)網(wǎng)絡(luò)的設(shè)計由于車輛速度、加速度以及車輛到下一個交通燈的距離都是和時間密切相關(guān)的一系列數(shù)值，而遞歸神經(jīng)網(wǎng)絡(luò)在解決這類時間序列分析問題上的效果俱佳。然而，在解決實際問題時，一般的遞歸神經(jīng)網(wǎng)絡(luò)常常會由于時間序列較長而呈現(xiàn)梯度消失的狀況，故無法保證預(yù)測過程中的預(yù)測精度。為了盡量避免這一現(xiàn)象的出現(xiàn)，本文采用遞歸神經(jīng)網(wǎng)路的一種變體作為預(yù)測模型，即長短時記憶神經(jīng)網(wǎng)絡(luò)。由于這種預(yù)測模型的內(nèi)部存在遺忘門，可以將歷史的多步狀態(tài)信息應(yīng)用到未來短時域的多步計算當(dāng)中，并且將無關(guān)的量剔除，提高了關(guān)鍵信息的利用價值。因此，長短時記憶神經(jīng)網(wǎng)絡(luò)相對于常規(guī)的遞歸神經(jīng)網(wǎng)絡(luò)而言，在處理時間序列問題上預(yù)測性能更佳。本文中的LSTM模型包含輸入層、輸出層、LSTM層和全連接層。長短時記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3-3所示。圖3-3長短時記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖在圖3-3中，X代表短時域內(nèi)長短時記憶神經(jīng)網(wǎng)絡(luò)的輸入信息，其中包含車輛速度、加速度以及車輛到下一個交通燈的距離。而神經(jīng)網(wǎng)絡(luò)的輸出是車輛在未來短時域的速度。而上圖中每一個虛線框中描述了神經(jīng)網(wǎng)絡(luò)內(nèi)部隱含層之間的關(guān)系，即長短時記憶單元。而圖中能夠儲存歷史狀態(tài)信息的ct是神經(jīng)網(wǎng)絡(luò)內(nèi)部的重要變量。該值的選取與輸入門、遺忘門以及輸出門密切相關(guān)，它們之間的關(guān)系如下所示。 (3-6) (3-7) (3-8) (3-9)式中——權(quán)重系數(shù)矩陣；——上一時刻隱含層值；——偏置矩陣；F——sigmoid函數(shù)。長短時記憶神經(jīng)網(wǎng)絡(luò)的工作過程如下所示。第一，把歷史時刻的輸入xt和隱含層的輸出ht-1復(fù)制為四部分，同時隨機(jī)為它們賦予權(quán)重，并結(jié)合式(3-6)至式(3-9)從而得到更新遺忘門、輸出門以及輸入門的狀態(tài)信息。第二，為有效地控制歷史信息以及保留有效的新的狀態(tài)信息，則有如下遺忘門和輸出門的關(guān)系。 (3-10)式中——矩陣間對應(yīng)元素乘積。第三，為控制記憶單元的信息到隱含層的輸出量，則有輸出們和記憶單元之間的關(guān)系如下： (3-11)模型參數(shù)優(yōu)化為了提高長短時記憶神經(jīng)網(wǎng)絡(luò)的預(yù)測性能，本文采用粒子群優(yōu)化算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)內(nèi)部的超參數(shù)。其中，優(yōu)化的超參數(shù)主要包括初始學(xué)習(xí)率，學(xué)習(xí)率衰減因子、學(xué)習(xí)率衰減周期、隱含神經(jīng)元個數(shù)以及批量大小?？紤]到樣本大小以及神經(jīng)網(wǎng)絡(luò)的的訓(xùn)練時間的問題，本研究中將最大迭代次數(shù)設(shè)置為50。需要注意的是，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中的數(shù)據(jù)集是根據(jù)模糊聚類算法得到的。那么，如果聚類得到k個數(shù)據(jù)集，就會對應(yīng)有k個長短時記憶神經(jīng)網(wǎng)絡(luò)模型，同樣就要利用PSO優(yōu)化k個LSTM的超參數(shù)。利用PSO優(yōu)化超參數(shù)的過程如圖3-4所示。圖3-4PSO優(yōu)化超參數(shù)流程圖利用PSO算法優(yōu)化過程中，首先，應(yīng)初始化粒子群參數(shù)，包括粒子維度，種群大小，迭代次數(shù)，加速常數(shù)以及慣性常數(shù)等。由于本文當(dāng)中優(yōu)化目標(biāo)為5個超參數(shù)，所以粒子維度為5，種群大小設(shè)置為20，迭代次數(shù)為50，兩個加速常數(shù)均設(shè)為2，慣性權(quán)重的最大值設(shè)為0.8，最小值為0.3，其在優(yōu)化過程中可根據(jù)式(3-12)不斷調(diào)整，粒子的初始速度和位置可根據(jù)rand函數(shù)隨機(jī)確定。 (3-12)式中——當(dāng)前慣性權(quán)重；——慣性權(quán)重最大值；——慣性權(quán)重最小值；——最大迭代次數(shù)；——當(dāng)前迭代次數(shù)。其次，在訓(xùn)練過程中，選擇訓(xùn)練集的損失函數(shù)作為適應(yīng)度函數(shù)值，即選擇均方誤差作為適應(yīng)度函數(shù)值，其表達(dá)形式如式(3-13)所示。 (3-13)式中——序列長度；——在時間時的車輛速度預(yù)測值；——在時間時的車輛速度真實值。隨著迭代次數(shù)的增加，其粒子速度和位置的更新表達(dá)式如式(3-14)和(3-15)所示。其速度和位置更新表達(dá)式如下所述： (3-14) (3-15)式中——當(dāng)前迭代次數(shù)；——當(dāng)前種群數(shù)；——當(dāng)前粒子數(shù)；——慣性權(quán)重；——加速常數(shù)； ——個體最優(yōu)值； ——全局最優(yōu)值。預(yù)測能量管理控制策略設(shè)計由于混合動力汽車的能量管理問題是十分復(fù)雜的，在求解過程當(dāng)中利用一般的優(yōu)化算法往往計算效率較低，而SQP算法在求解這類復(fù)雜問題時具備超線性收斂能力，因此本研究選取SQP算法來優(yōu)化能量管理策略中的能耗。在考慮交通燈場景的網(wǎng)聯(lián)單車情況下，為降低油耗進(jìn)而提高整車經(jīng)濟(jì)性，需要構(gòu)造燃油經(jīng)濟(jì)性指標(biāo)。其中，在本研究中，電能的消耗利用等效因子轉(zhuǎn)化為油耗。其綜合性能優(yōu)化指標(biāo)公式為： (3-16)式中——預(yù)測域時間步長；——控制量，即；——等效因子?？紤]到電池健康問題，電池SOC被限定在0.4和0.7之間，因此，等效因子可以被定義為： (3-17)車輛運(yùn)行過程之中，其內(nèi)部動力源轉(zhuǎn)矩的分配會受到車輛本身物理條件的限制，約束條件如下所示： (3-18)在優(yōu)化式(3-16)的性能指標(biāo)時，將其轉(zhuǎn)化為非線性規(guī)劃問題來進(jìn)行求解，其轉(zhuǎn)換形式如下： (3-19)式中——下降方向；——等式約束條件；——等式約束條件梯度；——不等式約束條件；——不等式約束條件梯度。下降方向作為優(yōu)化過程中的重要參數(shù)，需要利用如下式(3-20)進(jìn)行求解。 (3-20)式中——罰函數(shù)；其中，罰函數(shù)的求解表達(dá)式如下所示： (3-21)式中——拉格朗日乘子；——最優(yōu)點的乘子；其次，利用擬牛頓方法更新矩陣，BFGS的更新公式如下： (3-22)其中，是有關(guān)矩陣的拉格朗日函數(shù)，表達(dá)式如下： (3-23)作為收斂系數(shù)，其表達(dá)式如下： (3-24)在車輛駕駛過程中，通過SQP算法的不斷優(yōu)化整車動力源轉(zhuǎn)矩，便可以得到最優(yōu)的控制量，從而將其作用于整車。仿真驗證與分析速度預(yù)報模型精度驗證與分析關(guān)于k值的選擇問題，需要利用不同的k值對應(yīng)的聚類中心坐標(biāo)，并結(jié)合測試集數(shù)據(jù)來驗證不同k值所對應(yīng)的均方根誤差來得到，其詳細(xì)的訓(xùn)練過程可參考上一小節(jié)。聚類中心、子數(shù)據(jù)集和k個神經(jīng)網(wǎng)絡(luò)模型一旦確定，就可以根據(jù)PSO算法優(yōu)化超參數(shù)。待k個預(yù)測子模型的超參數(shù)優(yōu)化完成之后，就可以將其應(yīng)用于在線的能量管理策略當(dāng)中，由于實驗設(shè)備等資源較少，無法及時采集到交通燈的網(wǎng)聯(lián)信息，因此本研究采用2021年國際自動控制聯(lián)合會(IFAC)的交通數(shù)據(jù)。所采集的道路上有16個交通燈，其中包括車輛速度、加速度以及車輛到下一個交通燈的距離數(shù)據(jù)，一共有18728個數(shù)據(jù)集。該組數(shù)據(jù)由一輛HEV在同一條道路上行駛了9次所采集到的。其中，以前90%的數(shù)據(jù)作為訓(xùn)練集，后10%的數(shù)據(jù)作為測試集來驗證所提出的預(yù)測模型性能的優(yōu)劣。為驗證所提出的速度預(yù)測模型的性能，采用均方根誤差作為衡量預(yù)測精度的性能指標(biāo)。均方根誤差可根據(jù)公式(3-25)得到，均方根誤差如公式(3-26)所示。 (3-25) (3-26)式中——第個預(yù)測域；——第個預(yù)測域內(nèi)，實際速度和預(yù)測速度的平均誤差；——均方根誤差。本文中將速度預(yù)測模型的預(yù)測域設(shè)置為10s，在圖3-5給出了隨著聚類中心個數(shù)的變化，其測試集均方根誤差的變化。從圖中可以看出當(dāng)聚類中心個數(shù)小于5的時候，均方根誤差隨著k的增大而減小；當(dāng)k大于5的時候，均方根誤差隨著k的增大而增大。為此，可以作如下解釋：聚類中心的個數(shù)同每個聚類中心所對應(yīng)的數(shù)據(jù)集存在一定的制約關(guān)系。聚類中心的個數(shù)越多，相對應(yīng)的每個聚類中心所對應(yīng)的數(shù)據(jù)集內(nèi)的相關(guān)性越大，進(jìn)而提高預(yù)測精度。但是，如果聚類中心個數(shù)k較大的話，由聚類得到的數(shù)據(jù)集的個數(shù)就會越多，每一個聚類中心所對應(yīng)的樣本數(shù)量就會很少，這樣在訓(xùn)練的過程當(dāng)中會由于樣本過少出現(xiàn)過擬合的現(xiàn)象，同樣在測試集當(dāng)中的預(yù)測效果就會大打折扣。圖3-5均方根誤差隨聚類中心個數(shù)變化的結(jié)果圖為方便起見，這里只展示聚類中心個數(shù)為5時的結(jié)果，其目標(biāo)函數(shù)以及聚類數(shù)據(jù)集結(jié)果如圖3-6和圖3-7所示。圖3-6目標(biāo)函數(shù)隨迭代次數(shù)變化圖圖3-7聚類數(shù)據(jù)集結(jié)果從圖3-6中可以看出隨著迭代次數(shù)的增加，其目標(biāo)函數(shù)在逐漸減少，在迭代次數(shù)到達(dá)30次的時候，目標(biāo)函數(shù)逐漸收斂，并最后趨于穩(wěn)定，根據(jù)設(shè)置的最大迭代次數(shù)輸出聚類中心和對應(yīng)的數(shù)據(jù)集。從圖3-7中可以看出車輛在整條道路上行駛時加速度的大小多數(shù)處于5m/s2以下；其次，當(dāng)車輛到下一個交通燈的距離較遠(yuǎn)的時候車輛大部分處于高速狀態(tài)，說明車輛受交通燈的影響較??；而當(dāng)車輛距離下一個交通燈較近的時候，車速值分布較為均勻，說明會受到交通燈狀態(tài)的影響，例如，綠燈時車輛暢通無阻，車速較高，紅燈時，車輛速度相對較低。根據(jù)圖3-7得到的聚類中心坐標(biāo)以及對應(yīng)的數(shù)據(jù)集大小如表3-1所示。表3-1聚類中心坐標(biāo)及對應(yīng)的數(shù)據(jù)集大小類別聚類中心樣本大小第1類(16.4603，0.0490，2136)1089第2類(13.9058，0.0489，1164)3263第3類(13.1806，0.0201，703.8)4625第4類(4.1044，0.0175，89.4)6566第5類(10.7224，-0.0243，320.23)3185據(jù)圖3-5可知，令聚類中心個數(shù)k為5，對應(yīng)于最小的均方根誤差，其在測試集下的預(yù)測結(jié)果如圖3-8所示。圖3-8k為5時預(yù)測結(jié)果圖從圖3-8中可以看出，車輛在減速過0這一時間段以及到達(dá)最高速度后平穩(wěn)運(yùn)行這一區(qū)間預(yù)測誤差過大，鑒于此，考慮到神經(jīng)網(wǎng)絡(luò)內(nèi)部超參數(shù)對預(yù)測精度存在不同程度的影響，故采用PSO算法對神經(jīng)網(wǎng)絡(luò)內(nèi)部超參數(shù)進(jìn)行優(yōu)化。根據(jù)聚類過程中產(chǎn)生的5個聚類中心對應(yīng)的5個預(yù)測子模型，對每個模型分別進(jìn)行優(yōu)化，即可得出均方誤差的變化結(jié)果圖，即適應(yīng)度函數(shù)值隨迭代次數(shù)的變化，結(jié)果圖如圖3-9所示。圖3-9適應(yīng)度函數(shù)值隨迭代次數(shù)變化圖圖3-9中，c代表聚類的類別，例如，c=1代表第一個聚類數(shù)據(jù)集，對應(yīng)的樣本大小可在表3-1中查到，樣本數(shù)量為1089。優(yōu)化的主要參數(shù)包含初始學(xué)習(xí)率(lr)、學(xué)習(xí)率衰減因子(lrdf)、批量大小(mb)、神經(jīng)元個數(shù)(ls)以及學(xué)習(xí)率衰減周期(lrdp)這5個量，優(yōu)化后得到的超參數(shù)如表3-2所示。表3-2優(yōu)化后的超參數(shù)預(yù)測模型lslrmblrdflrdpk=12310.02271280.521149k=24480.0371640.407634k=32460.06141280.344250k=41510.0339640.670020k=53100.0213320.410248為驗證優(yōu)化后的超參數(shù)的預(yù)測性能的好壞，采用測試集數(shù)據(jù)進(jìn)行預(yù)測，其預(yù)測結(jié)果圖如圖3-10所示。圖3-10優(yōu)化超參數(shù)后的預(yù)測結(jié)果圖為清晰地描述超參數(shù)優(yōu)化對預(yù)測模型的精度的影響，分別采用條件線性高斯模型以及BP神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行對比，對比結(jié)果如表3-3所示。其中，CLG表示條件線性高斯模型，本文中采用了文獻(xiàn)[63]中的模型超參數(shù)。NH表示未優(yōu)化超參數(shù)的速度預(yù)測模型，采用了文獻(xiàn)[64]的超參數(shù)數(shù)值設(shè)置方法。表3-3不同預(yù)測模型的預(yù)測精度比較預(yù)測方法MAERMSEBP1.80521.8925CLG1.911.9303NH1.82331.85Proposedmethod1.51061.5432表3-3中的MAE指的是平均絕對誤差，計算公式如式(3-27)所示. (3-27)從表3-3中可以看出所設(shè)計的預(yù)測模型要比其他預(yù)測模型的平均絕對誤差和均方根誤差要小，表明其預(yù)測值更加接近實際值，同時擬合度更高。能量管理控制策略驗證與分析為驗證本章所設(shè)計的預(yù)測能量管理策略的有效性和實用性，在MATLAB仿真平臺上進(jìn)行測試。在圖3-10中(a)-(g)圖是利用所設(shè)計的預(yù)測能量管理策略結(jié)果圖，選取的預(yù)測域為10s。其中，a圖是車速曲線，b是車輛到下一個交通燈的距離信息。從圖b中可以看出有多個呈脈沖形式變化的區(qū)間，此時恰巧是車輛剛剛從一個交通燈通過后的情景。從電動機(jī)轉(zhuǎn)矩圖中可以看出整個行程中電動機(jī)的運(yùn)行時間較長，并且車輛在速度較低、動力需求較小的時候一般是由電動機(jī)來驅(qū)動車輛，這在一定程度上降低了油耗，減少了尾氣的排放。從c圖發(fā)動機(jī)轉(zhuǎn)矩變化曲線可以看出，在整個行駛過程中，發(fā)動機(jī)大部分處于高效區(qū)工作，在發(fā)動機(jī)工作的同時，也可以將多余的能量轉(zhuǎn)化為電能存儲在電池之內(nèi)。因此，只有在發(fā)動機(jī)工作的時候，發(fā)電機(jī)才會進(jìn)行發(fā)電，這種關(guān)系可以從發(fā)電機(jī)變化曲線中看出。從SOC的變化曲線可以看出在車速較低的時候基本上處于電動機(jī)單獨驅(qū)動模式；而在車輛減速的時候，車輛處于再生制動模式，此時電動機(jī)反轉(zhuǎn)，同時給電池充電；當(dāng)車速較高，動力需求較大的時候，發(fā)動機(jī)和電機(jī)同時驅(qū)車，此時電池的SOC變化比較平穩(wěn)。在SOC的變化曲線中，分別給出了四種預(yù)測能量管理策略的結(jié)果，其中，在行駛結(jié)束時，所提出的預(yù)測能量管理策略表現(xiàn)出的SOC值較高，其表現(xiàn)出了較好的性能。從燃油消耗變化曲線中可以看出發(fā)動機(jī)工作時，燃油消耗值平穩(wěn)上升。并且所提出的預(yù)測能量管理策略具有較高的燃油經(jīng)濟(jì)性。相對于其他幾種控制策略而言，所提出了控制策略的燃油經(jīng)濟(jì)性較高主要是由于預(yù)測模型能夠在短時域內(nèi)準(zhǔn)確地預(yù)測預(yù)測短時域動力需求。由于能夠得到最精確的動力需求，所以利用SQP算法便能得到最佳的控制量。其中BP-MPC、CLG-MPC和NH-MPC分別表示在基于BP神經(jīng)網(wǎng)絡(luò)、條件線性高斯模型以及未優(yōu)化超參數(shù)的速度預(yù)測模型來設(shè)計的預(yù)測能量管理策略。NH-MPC控制策略由于其預(yù)測模型超參數(shù)的設(shè)置具有隨機(jī)性和經(jīng)驗性，這也大大降低了優(yōu)化效果。而BP神經(jīng)網(wǎng)絡(luò)由于其只有一個預(yù)測模型，未經(jīng)過聚類算法對駕駛條件進(jìn)行分類，導(dǎo)致其燃油經(jīng)濟(jì)性較差。CLG-MPC是采用傳統(tǒng)的回歸分析類算法設(shè)計短時域的預(yù)測模型，故其燃油經(jīng)濟(jì)性要低于基于神經(jīng)網(wǎng)絡(luò)方法的預(yù)測能量管理策略。同時，為深入探究所提出的預(yù)測能量管理策略的有效性，表3-4給出了四種EMS在不同預(yù)測域下的優(yōu)化結(jié)果。為驗證所提預(yù)測能量管理策略的實時性，給出每個策略的運(yùn)行時間，由此可知，該策略的實時性較強(qiáng)。同時，由于所采用的預(yù)測模型采用多模型等原因，故同其他的控制策略相比運(yùn)行時間較長。為充分驗證所提策略的優(yōu)化效果，給出預(yù)測能量管理策略在四組網(wǎng)聯(lián)數(shù)據(jù)下的優(yōu)化結(jié)果，如圖3-13到圖3-16所示。表3-4第一組數(shù)據(jù)在不同預(yù)測域下的優(yōu)化結(jié)果預(yù)測域能量管理策略油耗(L/100km)運(yùn)行時間/(s)SOC終值5sProposedmethod3.391649.260.561NH-MPC3.441647.950.5615BP-MPC3.511612.350.5628CLG-MPC3.541615.580.56348sProposedmethod3.411686.970.5475NH-MPC3.431685.120.5481BP-MPC3.481656.720.5493CLG-MPC3.531651.790.549510sProposedmethod3.51735.360.5123NH-MPC3.541731.750.5128BP-MPC3.571712.500.517CLG-MPC3.651709.120.5175

圖3-11第一組網(wǎng)聯(lián)數(shù)據(jù)下四種控制策略的比較結(jié)果圖3-12第二組網(wǎng)聯(lián)數(shù)據(jù)四種控制策略的比較結(jié)果圖3-13第三組網(wǎng)聯(lián)數(shù)據(jù)下四種控制策略的比較結(jié)果

圖3-14第四組網(wǎng)聯(lián)數(shù)據(jù)下四種控制策略的比較結(jié)果圖3-15第五組網(wǎng)聯(lián)數(shù)據(jù)下四種控制策略的比較結(jié)果

表3-5四種預(yù)測能量管理策略仿真結(jié)果對比網(wǎng)聯(lián)數(shù)據(jù)能量管理策略油耗(L/100km)運(yùn)行時間(s)SOC終值第二組數(shù)據(jù)CLG-MPC3.371802.40.554BP-MPC3.3851805.20.553NH-MPC3.4071831.120.552Proposedmethod3.421832.350.550第三組數(shù)據(jù)CLG-MPC3.261820.590.59BP-MPC3.2111829.460.583NH-MPC3.1131848.080.581Proposedmethod3.041850.770.58第四組數(shù)據(jù)CLG-MPC3.451630.330.629BP-MPC3.3941645.880.627NH-MPC3.3081680.790.626Proposedmethod3.1891682.320.625第五組數(shù)