基于KL散度工况识别的混合动力汽车队列的分层控制.pdfVIP

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-

摘要：

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

QQ

型工况，离线求解需求功率的转移概率矩阵，并通过-Learning算法训练最优表嵌入整车模型中；

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。

Q

混合动力汽车；汽车队列；工况识别；模型预测控制（MPC）算法；-Learning算法；KL

关键词：

（Kullback-Leibler）散度

Hierarchicalcontrolforhybridelectricvehicleplatoonbased

onKLdivergenceworkingconditionrecognition

Abstract:Ahierarchicalcontrolmethodwasproposedforadaptingtheworkingconditioninthedriving

processforhybrid-electric-vehicle(HEV)platoonbasedonaKullback-Leibler(KL)divergenceworkingcondition

recognitionalgorithm.Theupperlayercontrollerutilizedvehicle-vehiclecommunicationtechnology,obtained

stateinformationoftheleadingvehicleintheplatoon.ItadoptedtheModelPredictiveControl(MPC)algorithm,

achievedlongitudinalcontroloftheplatoon,andcalculatedtheoptimalspeedforthefollowingvehicle.Thelower

layercontroller,initiallybasedontypicalworkingconditions,solvedthetransitionprobabilitymatrixofdemanded

poweroffline.TrainedtheoptimalQ-tableoffline,embeddeditinthecompletevehiclemodelbytheQ-Learning

algorithm.Duringdriving,thetransitionprobabilitymatrixwasupdatedonlineatregularintervals,andKL

divergencewasusedtorecognitiontheworkingconditions.Accordingtotheidentifiedworkingconditionstypes,

收稿日期/Received：2023-07-15。修回日期/Revised：2023-09-03。

尹燕莉，等：基于KL散度工况识别的混合动力汽车队列的分层控制