FCHT车队的分层协同生态驾驶:在多山地形中平衡空气动力学优势与动能利用

《International Journal of Hydrogen Energy》:Hierarchical cooperative eco-driving of FCHT platoon: Balancing aerodynamic benefits and kinetic utilization on hilly terrains

【字体: 大 中 小 】 时间:2026年07月11日 来源:International Journal of Hydrogen Energy 9.2

编辑推荐:

  何华强|叶映楠|张子宇|吴金伟|孙浩宇|张博中国南京航空航天大学能源与动力工程学院,江苏南京210016摘要通过燃料电池混合动力卡车编队来实现重型运输的脱碳具有高效性,但在多坡路面上协调动力系统控制与多智能体规划则面临挑战。本文提出了一种分层式生态驾驶框架,将序贯分布式模型预测控

  何华强|叶映楠|张子宇|吴金伟|孙浩宇|张博中国南京航空航天大学能源与动力工程学院,江苏南京210016摘要通过燃料电池混合动力卡车编队来实现重型运输的脱碳具有高效性,但在多坡路面上协调动力系统控制与多智能体规划则面临挑战。本文提出了一种分层式生态驾驶框架,将序贯分布式模型预测控制与基于学习的能量管理相结合。领头车利用空间域优化器充分利用道路地形;跟随车则采用变间距DMPC来平衡减阻与动量需求,并保持至少10米的最小间距以避免热尾流问题。在组件层面,软 Actor-Critic算法在等效能耗最小化策略中自适应调节等效因子。仿真结果显示,与传统定速巡航相比,空间规划器可使领头车的能耗降低34.25%。整个编队的氢气消耗总量可减少32.89%。值得注意的是,变间距策略通过动态平衡空气动力学耦合与运动稳定性,比固定间距DMPC基准方案还能额外节省6%的能耗。引言目前仍高度依赖化石燃料的商业公路运输行业亟需实现脱碳,以缓解日益严重的全球能源危机和大气污染问题[1]。电气化动力系统已成为实现可持续出行的核心手段[2]。在各类技术中,氢燃料电池因其较高的能量密度、快速的加注能力以及零排放特性,在重型应用领域尤为突出。因此,燃料电池混合动力卡车为长途运输的脱碳提供了可行路径,有效解决了纯电动汽车存在的续航焦虑和充电时间过长的问题[3]。能量管理策略是提升FCHT效率的关键,它负责协调燃料电池组与电池之间的能量分配。现有的能量管理策略通常可分为基于规则、基于优化以及基于学习三类[4]。虽然基于规则的方法具有较高的实用性和较低的计算成本,但由于缺乏理论上的最优性,其性能往往不尽如人意[5]、[6]。全局优化策略,如动态规划与庞特里亚金最小原理,虽可作为重要参考,但存在计算成本高且需要先验知识的问题[7]、[8]。而包括模型预测控制与等效能耗最小化策略在内的实时优化方法则提供了更可行的解决方案[9]、[10]。近年来,强化学习因能够高效优化复杂价值函数而备受关注[11]。像软Actor-Critic这样的算法在连续动作空间中表现出色,能够满足动态驾驶环境下的适应性需求[12]。除了内部动力系统管理之外,生态驾驶还通过优化纵向速度曲线来管理动能,从而减少不必要的制动和再加速损失,进一步提升车辆效率[13]。对于重型卡车而言,这在占长途运输大部分时间的巡航阶段尤为重要,因为这一阶段对车辆重量、道路坡度以及交通干扰极为敏感。近期的一些单车研究在预测性巡航控制与速度-能量协同优化方面取得了显著进展。例如,通过整合道路坡度预判、档位或模式规划以及分层优化框架,人们为重型卡车开发出了模型预测生态驾驶与预测性巡航控制方法,这些方法在典型驾驶循环下能带来显著的能耗降低效果[14]、[15]、[16]。现有研究还进一步考虑了前车的状态或速度轨迹,发现在跟车场景下这些方法能进一步提升燃油经济性并提高实时可行性[17]、[18]、[19]。在重型卡车应用中,实验及硬件在环验证也逐步开展,证明了生态驾驶策略的实际应用潜力[20]。然而,目前针对单车生态驾驶的研究仍受到孤立优化局限性的制约[21]。这类以单个车辆为中心的方法往往忽视了车联网环境所带来的协作可能,也无法实现多个智能体之间运动状态的同步。因此,孤立的速度规划会导致系统整体效率不佳,无法充分利用多车协同带来的节能机会,这就凸显出亟需建立能够协调整个车队运动目标的协作控制框架[23]。卡车编队为提升重型货运运输的能源效率提供了重要机遇。通过缩小车距,编队能让后续车辆利用前车的尾流效应,从而降低空气阻力与能耗[24]。现有研究已证实卡车编队的节能潜力,但实际收益很大程度上取决于道路环境、车距设定以及运行条件等因素[25]。因此,近年来的研究逐渐从单纯降低空气阻力转向解决串稳定性、干扰抑制以及异构编队协调等更为复杂的难题。例如,针对起伏路面的编队控制策略已在提升安全性与燃油经济性方面取得双重成效[26]。此外,还有研究人员提出了稳健的切换控制方法,以便在通信延迟或中断情况下保持编队稳定[27]、[28]。数据驱动与基于学习的方法也被用于应对车辆特性差异、非线性车辆动力学以及计算效率等问题[29]、[30]。最近,分散式预测生态协作控制与多层预测能量管理进一步提升了联网电动车辆的节能潜力,为协作式生态驾驶与能量管理策略提供了有力参考[31]、[32]。这些进展为重型车辆的以能源效率为核心的编队控制奠定了坚实基础。然而,编队中的车辆差异性会显著影响控制优化的效果;例如,在不同重量的卡车所面临的坡道行驶条件下,理论上最理想的速度曲线存在很大差异。另一方面,为最大程度利用尾流效应降低阻力,又必须尽量缩小车距。因此,在让异构编队在起伏路面上行驶时,控制上存在着固有的权衡。总之,针对具有不同负载特性的编队,最佳的生态驾驶策略仍缺乏深入研究,而且目前也缺乏系统化的框架来协同优化编队层面的运动控制与动力系统能量管理。为填补编队协调与复杂地形之间的空白,本文提出了一种适用于在起伏路面上行驶的FCHT编队的新型分层式协作生态驾驶框架。本研究的主要创新点与科学贡献如下:•分离式空间域运动优化:为了解决多坡路面上连续速度规划与离散换档之间的强非线性耦合问题以及由此带来的高计算负担,本文设计了一种空间域生态驾驶规划器。该方法以特定动能作为状态变量,并结合外部基于效率的换档计划,巧妙地避免了时域公式中存在的时域范围问题,同时能够充分利用道路坡度预判信息。•针对异构编队的变间距DMPC策略:为了解决异构卡车编队中减阻与动能利用之间的矛盾,本文为跟随车辆提出了变间距DMPC策略。该策略将与间距相关的空气动力学模型嵌入到空间域预测控制器中,使跟随车辆能够根据道路坡度与运动状态动态调整车距,而非始终保持固定距离。•基于学习的自适应能量管理策略:为了解决传统实时能量管理策略在复杂且地形多变的多车巡航场景下适应性不足的问题,本文设计了基于SAC的算法。该深度强化学习算法能够在线自适应调节ECMS中的等效因子,从而实现车队整体氢能使用效率与电池SOC可持续性之间的协同优化。本文的其余部分结构如下:第2节介绍FCHT动力系统建模与卡车动力学模型;第3节提出一种新的分布式MPC框架,详细描述了领头车与跟随车的两种不同预测控制方法;第4节介绍了智能能量管理策略;第5节对仿真结果进行分析;第6节对全文进行总结。章节节选FCHT动力系统与纵向动力学的系统建模本节阐述了本研究中所分析的重型FCHT的架构配置与物理建模方法。为确保生态驾驶策略的准确性,本研究建立了包含多源动力系统与纵向车队动力学的耦合模型。空间域分布式预测控制方法在FCHT编队中,车辆之间的空气动力学与动力学耦合会显著影响整体能耗。为了解决复杂的多车优化问题,本文提出了序贯分布式模型预测控制框架。首先,领头车根据空间域预判信息制定速度优化方案;随后,跟随车在考虑跟车安全因素的同时,优化自身的速度曲线。基于学习的自适应能量管理策略如3.3节所述,ECMS的关键在于等效因子的选择,其数值大小会直接影响实际应用中的电池SOC平衡与整体能源效率。虽然在特定驾驶条件下,可以通过穷举搜索找到能够最佳平衡SOC的等效因子值,但这种方法并不能保证能源效率的最优化。鉴于现实驾驶条件的不可预测性,预先定义等效因子值显然并不理想。结果与分析本节对所提出的编队生态驾驶控制器的有效性进行了验证与分析。首先评估了领头车速度规划策略的性能,接着分析了跟随车速度规划的效果,最后考察了该控制器在各种驾驶场景下的泛化能力。所有仿真均在配备Intel Core i7-13700KF CPU(3.40 GHz)的台式计算机上,通过MATLAB/CasADi软件完成。结论本研究旨在解决在起伏路面上行驶的FCHT编队如何在提升能源效率、保障跟车安全以及延长动力系统寿命之间实现协同优化的难题。主要研究结论如下:(1)空间域速度优化能够有效利用道路地形特征,降低高功率牵引需求,从而使领头车的净能耗较传统定速巡航降低34.25%。在多种控制措施的协同作用下……CRediT作者贡献说明何华强:写作——审稿与编辑、写作——初稿撰写、可视化、验证、软件工具、方法论设计。叶映楠:写作——审稿与编辑、写作——初稿撰写、验证、项目指导。张子宇:写作——审稿与编辑、项目指导、研究调查。吴金伟:软件工具、形式化分析。孙浩宇:可视化、验证。张博:项目指导、形式化分析。利益冲突声明作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号