《Energies》:Hierarchical Eco-Driving Control Strategy for Fuel-Cell Hybrid Electric Vehicles Under Multiple Signalized-Intersection Scenarios
编辑推荐:
车辆与万物互联(V2X)信息可支持信号化交通中的节能车辆运行。本文提出了一种顺序分层生态驾驶策略,用于燃料电池混合动力汽车(FCHEV)在规定的信号相位和道路速度设置下通过多个信号交叉口。上层采用基于A*的启发式自适应图搜索,在离散化的时
车辆与万物互联(V2X)信息可支持信号化交通中的节能车辆运行。本文提出了一种顺序分层生态驾驶策略,用于燃料电池混合动力汽车(FCHEV)在规定的信号相位和道路速度设置下通过多个信号交叉口。上层采用基于A*的启发式自适应图搜索,在离散化的时间-距离图中进行。一种基于电机功率需求的无量纲数值排名分数,在零加速度边近似下以每条候选边的平均速度进行评估,将近似动力总成负载信息引入节点排名。该分数遵循所提供的数值实现,既不是边积分能量也不是等效氢成本;因此,上层程序不声称继承标准A*或加权A*的可容许性、最优性或有界次优性保证。下层采用基于双延迟深度确定性策略梯度(TD3)的能量管理策略,该策略惩罚原始等效氢成本、荷电状态(SOC)偏差、燃料电池退化增量以及电池退化增量。报告中的仿真显示,在测试场景中,原始等效氢成本低于基线策略,而终端SOC校正揭示了校正等效氢成本、SOC调节和基于模型的部件退化指标之间的场景依赖性权衡。结果支持在所报告确定性仿真设置下实现实用的多目标平衡,而非在每个单独指标上均表现出优越性。
**论文解读:燃料电池混合动力汽车在多信号交叉口场景下的分层生态驾驶控制策略**
**研究背景与问题**
城市交通环境中,信号交叉口频繁的加速、减速和停车显著增加了车辆能耗和动力总成负荷。车联网(V2X)通信技术能够提供信号相位与配时(SPaT)信息,支持车辆提前调整速度轮廓,从而减少不必要的制动和加速,提升能效。针对燃料电池混合动力汽车(FCHEV),其长续航里程、高能量转换效率和适应可变功率需求的优势使其成为可持续交通的候选方案,但多信号交叉口场景下的连续优化面临高维问题:同时优化车辆运动轨迹和功率分配会产生巨大的计算需求。现有研究虽在单交叉口和多交叉口生态驾驶方面取得进展,但大多集中于纯电动或传统混合动力车辆,且未充分联合考虑能量经济性、荷电状态(SOC)调节和部件退化(如燃料电池和电池寿命)的多目标平衡。为此,研究人员提出了一种顺序分层生态驾驶策略,旨在分离速度规划与能量管理,降低计算复杂度,并在多信号交叉口场景下实现多目标协调。
**研究内容与结论**
研究人员开发了一种针对FCHEV通过多个信号交叉口的顺序分层生态驾驶控制框架。上层采用基于A
*的启发式自适应图搜索,在离散化的时间-距离图中生成符合信号窗口和道路速度限制的参考速度轨迹,并引入基于电机功率需求的无量纲排名分数,提供近似动力总成负载信息以指导节点优先级排序。下层采用基于双延迟深度确定性策略梯度(TD3)的能量管理策略(EMS),协调燃料电池和电池功率,同时考虑原始等效氢成本、SOC偏差、燃料电池退化增量和电池退化增量。仿真结果表明,在测试场景中,所提策略在原始等效氢成本上低于基线策略,但终端SOC校正揭示了场景依赖性的权衡:在场景1中,基于网格的策略(DP)获得更低的原始等效氢成本,而所提策略维持SOC接近参考值并改善部件健康指标;在场景2中,所提策略降低了原始等效氢成本和终端SOC偏差,但校正后等效氢成本略高于基线;在场景3中,所提策略在原始和校正等效氢成本以及燃料电池退化指标上均更优,但伴随更高的电池退化指标。该研究强调了多目标平衡而非单一指标优越性的重要性,为FCHEV在多信号交叉口下的实际应用提供了可行方案。论文发表在《Energies》。
**主要关键技术方法**
本研究采用的关键技术方法包括:(1)基于A
*的启发式自适应图搜索,在离散化时间-距离图中构建节点和边,通过方向性邻域筛选规则减少搜索空间,并利用基于电机功率需求的无量纲排名分数引入近似动力总成负载信息;(2)基于双延迟深度确定性策略梯度(TD3)的能量管理策略,采用多层感知机作为演员和评论家网络,通过状态(包括SOC、燃料电池功率、电池电流等)和动作(燃料电池功率指令)以及奖励函数(负缩放瞬时成本,包含等效氢成本、SOC偏差、退化增量)进行训练;(3)用于对比的基于模型预测控制(MPC)的速度规划器和基于网格的动态规划(DP)能量管理基准。所有方法均基于同一FCHEV部件模型,在Python 3.7环境中实现仿真。
**研究结果**
**4.1 仿真设置**
研究人员设置了三个确定性交通信号场景:场景1作为训练路线,包含5个信号交叉口,总距离约3.5 km;场景2和3用于跨场景评估,具有不同的红绿灯时长和初始相位。上层速度规划与MPC基规划器比较,下层能量管理与基于网格的DP策略比较。性能指标包括原始等效氢成本、终端SOC校正后等效氢成本、路径求解时间及部件退化指标。
**4.2 性能分析**
在场景1中,考虑部件退化惩罚(Consider_SOH)的策略与无退化惩罚(Without_SOH)相比,燃料电池和电池的终端剩余健康状态(SOH)更高,表明退化项可减少计算出的短周期退化积累。与标准A
*规划器相比,改进的A
*规划器将路径求解时间从0.04 s缩短至0.02 s,但原始等效氢成本增加约3.35%。所提策略(改进A
*+TD3)的原始等效氢成本(617.80 g/100 km)低于基线策略,但高于基于网格的DP策略(_DP和I__DP)。所提策略维持终端SOC接近参考值,并改善了燃料电池剩余SOH轨迹,揭示了原始等效氢成本、SOC调节和部件健康指标之间的权衡。
**4.3 跨场景评估**
在场景2中,直接将场景1训练的TD3策略应用于新场景,所提策略的原始等效氢成本降低10.66%(从810.2降至723.8 g/100 km),电池和燃料电池退化指标分别从12.3降至9.8和从7.4降至0.9,终端SOC更接近参考值(0.604 vs 0.615),但SOC校正后等效氢成本略高于基线。在场景3中,所提策略的原始等效氢成本降至基线的75.63%(从1052.8降至796.2 g/100 km),校正后成本仍更低,燃料电池退化指标从13.7降至1.7,但电池退化指标从13.7增至16.0,表明功率分配中电池参与度增加以换取更低的氢成本和燃料电池退化。
**讨论与结论**
本研究开发了一种针对FCHEV通过多个信号交叉口的顺序分层生态驾驶策略。上层采用基于A
*的启发式自适应图搜索生成符合信号窗口的参考轨迹,下层基于TD3的EMS协调能量经济性、SOC调节和部件退化。在三个确定性场景中,所提策略实现了多目标平衡,但退化结果仅为基于模型的短周期健康趋势,而非部件寿命延长的直接证据。当前框架限于确定性场景,未包含动态约束下的轨迹生成或在线重规划。未来工作将聚焦动态可行性、在线重规划、重复周期老化验证、多种子策略评估和基于帕累托的多目标优化评估。