尹安東 趙 韓 張 輝

合肥工業(yè)大學(xué),合肥,230009

0 引言

目前,混合動(dòng)力汽車(chē)(hybrid electric vehicle,HEV)的控制策略主要有邏輯門(mén)限值控制策略、瞬時(shí)優(yōu)化控制策略、全局優(yōu)化控制策略和模糊控制策略等[1-2]。模糊控制策略魯棒性強(qiáng)、實(shí)時(shí)性好,具有很強(qiáng)的實(shí)用性,但模糊控制策略隸屬度函數(shù)和模糊控制規(guī)則的選取主要依靠專(zhuān)家經(jīng)驗(yàn),一般情況下無(wú)法獲得全局最優(yōu),因此需要對(duì)模糊控制策略進(jìn)行優(yōu)化,以獲得最優(yōu)的控制性能。

HEV控制策略優(yōu)化是復(fù)雜的非線性優(yōu)化問(wèn)題,很難用傳統(tǒng)的一些優(yōu)化方法來(lái)求解。近年來(lái)涌現(xiàn)出的智能優(yōu)化方法,如遺傳算法、蟻群算法和粒子群算法等,能夠在搜索過(guò)程中自動(dòng)獲取和積累有關(guān)搜索空間的知識(shí),實(shí)現(xiàn)在復(fù)雜空間中的有效搜索[3]。遺傳算法(genetic algorithms,GA)是一種具有很強(qiáng)全局尋優(yōu)能力的仿真算法,但未利用系統(tǒng)中的反饋信息,降低了求解效率[4-5];蟻群算法(ant colony algorithms,ACA)是一種新型的模擬進(jìn)化算法,重點(diǎn)始于組合優(yōu)化問(wèn)題的求解,但存在收斂較慢的問(wèn)題[6-7]。故筆者采用集遺傳算法和蟻群算法優(yōu)點(diǎn)的遺傳-蟻群算法(geneticant colony algorithm,GACA),對(duì)并聯(lián)式混合動(dòng)力電動(dòng)客車(chē)(parallel hybrid electric bus,PHEB)的混合動(dòng)力系統(tǒng)模糊控制器的隸屬度函數(shù)和模糊控制規(guī)則進(jìn)行優(yōu)化,并運(yùn)用MATLAB/Advisor進(jìn)行實(shí)例PHEB性能仿真分析。

1 PHEB模糊控制策略設(shè)計(jì)

1.1 PHEB混合動(dòng)力系統(tǒng)工作模式分析

鑒于城市客車(chē)?？空军c(diǎn)多、車(chē)速不高、起步、停車(chē)十分頻繁等特點(diǎn),結(jié)合超級(jí)電容具有在短時(shí)間內(nèi)可大電流充放電、循環(huán)壽命長(zhǎng)、充放電效率高等優(yōu)勢(shì),在傳統(tǒng)燃油城市客車(chē)結(jié)構(gòu)基礎(chǔ)上,設(shè)計(jì)了一種超級(jí)電容和柴油發(fā)動(dòng)機(jī)混合的并聯(lián)式混合動(dòng)力系統(tǒng)。鑒于超級(jí)電容的輔助動(dòng)力作用,混合動(dòng)力系統(tǒng)的發(fā)動(dòng)機(jī)工作點(diǎn)范圍可向其最佳燃油經(jīng)濟(jì)性曲線的上下兩側(cè)進(jìn)行適當(dāng)拓展,如圖1所示的Ⅱ區(qū)域。為了充分發(fā)揮并聯(lián)式混合動(dòng)力系統(tǒng)的優(yōu)勢(shì),PHEB在不同的行駛工況下,具有多種不同的控制模式:

(1)汽車(chē)在啟動(dòng)和低速行駛時(shí),為避免發(fā)動(dòng)機(jī)處在高油耗率區(qū),由超級(jí)電容放電驅(qū)動(dòng)電機(jī),實(shí)現(xiàn)純電驅(qū)動(dòng)模式。

(2)當(dāng)汽車(chē)在加速或爬坡等大負(fù)荷情況下,或發(fā)動(dòng)機(jī)的工作點(diǎn)位于如圖1所示的Ⅰ區(qū)域時(shí),進(jìn)入發(fā)動(dòng)機(jī)和電機(jī)混合驅(qū)動(dòng)模式。

(3)當(dāng)汽車(chē)勻速行駛時(shí),發(fā)動(dòng)機(jī)單獨(dú)驅(qū)動(dòng),并根據(jù)超級(jí)電容的荷電狀態(tài)(state of charge,SOC)值來(lái)確定是否對(duì)其充電。若發(fā)動(dòng)機(jī)工作在相對(duì)經(jīng)濟(jì)區(qū)間(Ⅱ區(qū)域),則超級(jí)電容不工作;若發(fā)動(dòng)機(jī)的工作點(diǎn)位于如圖1所示的Ⅲ區(qū)域,并且超級(jí)電容的SOC值低于預(yù)先設(shè)定的下限值,則發(fā)動(dòng)機(jī)在提供整車(chē)所需功率的同時(shí)向超級(jí)電容充電,直到超級(jí)電容SOC值超過(guò)預(yù)先設(shè)定的上限值為止。

圖1 發(fā)動(dòng)機(jī)萬(wàn)有特性圖

(4)汽車(chē)減速/制動(dòng)時(shí),電機(jī)作為發(fā)電機(jī)運(yùn)轉(zhuǎn),把驅(qū)動(dòng)輪的動(dòng)能轉(zhuǎn)化為電能,并通過(guò)功率轉(zhuǎn)換器給超級(jí)電容充電,實(shí)現(xiàn)再生制動(dòng)能量的回收。

1.2 PHEB模糊控制策略設(shè)計(jì)

1.2.1 模糊控制器的設(shè)計(jì)

鑒于PHEB混合動(dòng)力系統(tǒng)結(jié)構(gòu)特點(diǎn),設(shè)計(jì)一種模糊控制器,結(jié)構(gòu)如圖2所示。該結(jié)構(gòu)主要由3個(gè)模塊組成:①轉(zhuǎn)矩轉(zhuǎn)化模塊,計(jì)算整車(chē)的需求轉(zhuǎn)矩與當(dāng)前轉(zhuǎn)速下發(fā)動(dòng)機(jī)最優(yōu)輸出轉(zhuǎn)矩的差值ΔT;②模糊推理模塊,它是模糊控制器的核心部分[8],由兩個(gè)輸入量(整車(chē)需求轉(zhuǎn)矩與發(fā)動(dòng)機(jī)最佳轉(zhuǎn)矩之差ΔT以及超級(jí)電容當(dāng)前SOC值)和一個(gè)輸出量(發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩 T)構(gòu)成;③轉(zhuǎn)矩修正模塊,根據(jù)模糊推理器的輸出,最后轉(zhuǎn)化為發(fā)動(dòng)機(jī)的實(shí)際輸出轉(zhuǎn)矩Te。

圖2 PHEB模糊控制器結(jié)構(gòu)示意圖

1.2.2 隸屬函數(shù)

輸入變量ΔT和SOC的論域分別為[-3,3]和[1,7],輸出變量 Te的論域?yàn)閇1,7]。輸入變量ΔT和SOC均定義為5個(gè)模糊子集,ΔT描述為{NB(負(fù)大)、NS(負(fù)小)、ZO(零)、PS(正小)、PB(正大)};SOC 描述為{S(小)、RS(較小)、M(中等)、RB(較大)、B(大)},輸入變量 ΔT 和SOC 的隸屬函數(shù)分別如圖3和圖4所示。根據(jù)發(fā)動(dòng)機(jī)的效率曲線圖,將輸出變量 Te定義為7個(gè)模糊子集,Te描述為{VS(極小)、S(小)、RS(較小)、M(中等)、RB(較大)、B(大)、VB(極大)},輸出變量Te的隸屬函數(shù)如圖5所示。

圖3 輸入變量ΔT的隸屬函數(shù)

圖4 輸入變量SOC的隸屬函數(shù)

圖5 輸出變量Te的隸屬函數(shù)

1.2.3 模糊控制規(guī)則

模糊推理的規(guī)則建立原則是,在保證超級(jí)電容充放電平衡的情況下,盡量使發(fā)動(dòng)機(jī)工作在最優(yōu)曲線附近。在確定各輸入、輸出變量模糊子集和隸屬度函數(shù)后,就可以列寫(xiě)出模糊控制規(guī)則,如表1所示。

表1 Te的模糊控制規(guī)則表

1.3 PHEB控制策略優(yōu)化目標(biāo)

PHEB優(yōu)化目標(biāo)就是在滿足汽車(chē)動(dòng)力性能的基礎(chǔ)上,盡量使PHEB的等效燃料消耗量最小。PHEB控制策略優(yōu)化問(wèn)題是一個(gè)典型的非線性約束優(yōu)化問(wèn)題[9],其數(shù)學(xué)模型可以表述為

其中,F(x)為等效燃料消耗量;f(x)為優(yōu)化目標(biāo)函數(shù),其約束條件 gr(x)(r=1,2,…,M)是一組非線性不等式約束,這里主要是滿足PHEB的性能要求,即加速時(shí)間、最大爬坡度、0～50km/h的加速時(shí)間和超級(jí)電容組SOC的平衡等要求。針對(duì)實(shí)例PHEB的性能技術(shù)要求,約束條件設(shè)計(jì)如下:①最高車(chē)速g1(x)≥80km/h;②最大爬坡度g2(x)≥20%;③0～50km/h的加速時(shí)間g3(x)≤30s;④超級(jí)電容SOC初始值和終值之差g4(x)≤0.5%。

2 基于GACA的模糊控制策略優(yōu)化

2.1 GACA的基本思路

鑒于遺傳算法具有大范圍全局搜索的能力,蟻群算法具有正反饋尋優(yōu)等優(yōu)點(diǎn),采用集遺傳算法和蟻群算法優(yōu)點(diǎn)的GACA。GACA的基本思路是以PHEB等效燃料消耗量為優(yōu)化目標(biāo),首先利用遺傳算法產(chǎn)生較優(yōu)解,并留下初始信息素分布;然后在有一定初始信息素分布的情況下,利用蟻群算法尋求最優(yōu)解,充分發(fā)揮遺傳算法與蟻群算法在尋優(yōu)搜索中各自的優(yōu)勢(shì)。

2.2 遺傳算法規(guī)則

2.2.1 編碼以及群體初始化

采用浮點(diǎn)數(shù)編碼方法進(jìn)行編碼,將優(yōu)化問(wèn)題的實(shí)際參數(shù)構(gòu)成染色體編碼。初始群體中的個(gè)體是隨機(jī)產(chǎn)生的,通過(guò)編碼隨機(jī)產(chǎn)生 N個(gè)個(gè)體形成初始群體。

2.2.2 適應(yīng)度函數(shù)

適應(yīng)度函數(shù)可等價(jià)于蟻群算法過(guò)程中的目標(biāo)函數(shù),并將約束加入到適應(yīng)度函數(shù)中[10]。

2.2.3 選擇方法

采用最佳個(gè)體保留策略和賭盤(pán)輪法相結(jié)合的選擇方法,即在群體交叉之前選出最佳個(gè)體,直接遺傳到子代群體中,其余個(gè)體采用賭盤(pán)輪法來(lái)選擇。

2.3 蟻群算法規(guī)則

2.3.1 信息素的初始值設(shè)置

通過(guò)遺傳算法得到了一定的路徑信息素,把信息素的初始值τS設(shè)置為

式中,τC為具體求解問(wèn)題給定的一個(gè)信息素常數(shù);τG為遺傳算法求解結(jié)果轉(zhuǎn)換的信息素值。

2.3.2 路徑選擇

在節(jié)點(diǎn)i的第k只螞蟻選擇下一跳節(jié)點(diǎn)j的規(guī)則:

式中,τij(t)為t時(shí)刻在i、j連線上的信息素量;ηij(t)為與τij(t)對(duì)應(yīng)的啟發(fā)式信息;α、β分別為調(diào)節(jié)信息素強(qiáng)度τ和啟發(fā)式信息η相對(duì)重要性的參數(shù);S為螞蟻可行路徑節(jié)點(diǎn)集合(t)為t時(shí)刻第k只螞蟻由位置i轉(zhuǎn)移到位置j的概率。

2.3.3 信息素的更新

信息素的更新采用局部更新和全局更新相結(jié)合的策略。局部更新可避免螞蟻在上次更好的路徑有限相鄰區(qū)域內(nèi)搜索,全局更新對(duì)歷史最優(yōu)解路徑上的信息素進(jìn)行更新。當(dāng)?shù)趉只螞蟻成功地完成從i到j(luò)的一跳,信息素按照式(4)進(jìn)行更新:

當(dāng)所有的螞蟻完成了一次循環(huán)后,選擇出目標(biāo)函數(shù)值最小的路徑,再按照式(6)進(jìn)行全局信息素更新,以達(dá)到較快收斂于最優(yōu)解的目的:

式中,θ為全局信息素?fù)]發(fā)系數(shù),0≤θ＜1;Δτij(t+n)為蟻群完成一次循環(huán)后的信息素修改值。

2.4 GACA優(yōu)化流程

基于GACA的控制策略優(yōu)化流程如下:①隨機(jī)產(chǎn)生1組實(shí)數(shù)編碼;②根據(jù)遺傳算法進(jìn)行若干次迭代,依據(jù)目標(biāo)函數(shù),生成初始信息素分布;③根據(jù)式(3)初始信息素分布,在源節(jié)點(diǎn)放置m只螞蟻,每只螞蟻依據(jù)狀態(tài)轉(zhuǎn)移概率選擇下一跳節(jié)點(diǎn);④螞蟻完成一步后,根據(jù)式(4)進(jìn)行局部信息素更新;⑤所有的螞蟻完成1次循環(huán)后,根據(jù)式(6)進(jìn)行全局信息素更新;⑥若滿足結(jié)束條件,即循環(huán)次數(shù)Tc≥Tmax則循環(huán)結(jié)束并輸出最優(yōu)解,否則跳轉(zhuǎn)到步驟 ⑤。

2.5 基于GACA的PHEB模糊控制策略優(yōu)化

將GACA和模糊控制相結(jié)合,利用GACA優(yōu)化PHEB模糊控制器的隸屬函數(shù)和模糊控制規(guī)則,以期得到最優(yōu)的模糊控制策略。在已設(shè)計(jì)的PHEB模糊控制器(圖2)的基礎(chǔ)上進(jìn)行GACA優(yōu)化,建立優(yōu)化模型,如圖6所示。通過(guò)GACA對(duì)已建立的糊控制器的控制變量進(jìn)行調(diào)整優(yōu)化,從而得到最優(yōu)的兩個(gè)輸入控制變量(整車(chē)需求轉(zhuǎn)矩與發(fā)動(dòng)機(jī)最佳轉(zhuǎn)矩之差 ΔT、超級(jí)電容當(dāng)前SOC值)以及一個(gè)輸出控制變量(發(fā)動(dòng)機(jī)的實(shí)際輸出轉(zhuǎn)矩Te)的隸屬函數(shù)和模糊控制規(guī)則。

圖6 基于遺傳-蟻群算法的控制策略優(yōu)化模型

3 基于實(shí)例的PHEB模糊控制策略優(yōu)化

3.1 實(shí)例PHEB主要技術(shù)參數(shù)

實(shí)例PHEB車(chē)型是在傳統(tǒng)燃油城市公交車(chē)基礎(chǔ)上改裝而成的,采用由超級(jí)電容和柴油發(fā)動(dòng)機(jī)組成并聯(lián)式混合動(dòng)力系統(tǒng)。根據(jù)城市公交車(chē)的運(yùn)行狀況以及道路條件,確定實(shí)例的PHEB主要參數(shù),如表2所示。

表2 PHEB主要技術(shù)參數(shù)表

3.2 基于Advisor的實(shí)例PHEB仿真模型建立

首先利用MATLAB/Simulink建立發(fā)動(dòng)機(jī)、電機(jī)、超級(jí)電容等主要部件的仿真模型,并在Advisor平臺(tái)上進(jìn)行整車(chē)模型的二次開(kāi)發(fā)。然后在MATLAB/Simulink環(huán)境下建立基于GACA的模糊控制模塊,并嵌入到Advisor整車(chē)仿真模型中,得到整體封裝后的基于GACA模糊控制策略的PHEB整車(chē)仿真模型,如圖7所示。其中,優(yōu)化后的模糊控制模塊的輸入控制變量ΔT和SOC及輸出控制變量Te的隸屬度函數(shù)分別如圖8～圖10所示。

圖7 基于GACA的模糊控制策略優(yōu)化的PHEB整車(chē)仿真模型

圖8 優(yōu)化后的輸入變量ΔT的隸屬函數(shù)

圖9 優(yōu)化后的輸入變量SOC的隸屬函數(shù)

圖10 優(yōu)化后的輸出變量Te的隸屬函數(shù)

3.3 實(shí)例PHEB仿真結(jié)果分析

在基于GACA模糊控制策略優(yōu)化的PHEB整車(chē)模型(圖7)中,輸入實(shí)例PHEB基本數(shù)據(jù)(表2),在中國(guó)典型城市公交循環(huán)工況下進(jìn)行仿真分析[11]。結(jié)果表明:與優(yōu)化前相比,優(yōu)化后的發(fā)動(dòng)機(jī)工作點(diǎn)控制在效率較高的區(qū)域內(nèi)(圖11),且超級(jí)電容SOC值的變化控制在較小的范圍內(nèi)(圖12)。

3.4 實(shí)例的PHEB道路測(cè)試結(jié)果分析

基于GACA優(yōu)化的模糊控制策略,經(jīng)硬件在環(huán)驗(yàn)證試驗(yàn),并與實(shí)例PHEB實(shí)車(chē)道路測(cè)試結(jié)果進(jìn)行比較,結(jié)果及分析如表3所示。表3中,誤差表示優(yōu)化后的仿真值與實(shí)車(chē)測(cè)試值的相對(duì)誤差。

圖11 基于Advisor的發(fā)動(dòng)機(jī)工作點(diǎn)的分布

圖12 基于GACA優(yōu)化前后S OC值變化曲線

表3 優(yōu)化后的仿真值與測(cè)試值比較

實(shí)例PHEB測(cè)試結(jié)果表明:基于GACA優(yōu)化的模糊控制策略能夠滿足整車(chē)動(dòng)力性能指標(biāo)要求;優(yōu)化后百公里的等效燃料消耗量仿真值為28.2L,比優(yōu)化前百公里的等效燃料消耗量仿真值31.4L降低了10.2%;實(shí)車(chē)測(cè)試的百公里等效燃料消耗量為29.0L,比同類(lèi)車(chē)型的傳統(tǒng)燃油客車(chē)的百公里燃料消耗量36.2 L降低了19.9%;與實(shí)車(chē)測(cè)試值相比,優(yōu)化后的各項(xiàng)指標(biāo)仿真值的相對(duì)誤差均小于3%。

4 結(jié)論

(1)基于超級(jí)電容的PHEB動(dòng)力系統(tǒng)的結(jié)構(gòu)特點(diǎn),設(shè)計(jì)了分別以整車(chē)需求轉(zhuǎn)矩與發(fā)動(dòng)機(jī)最佳轉(zhuǎn)矩之差值以及超級(jí)電容荷電狀態(tài)為輸入,以發(fā)動(dòng)機(jī)轉(zhuǎn)矩為輸出的模糊控制器。采用集遺傳算法和蟻群算法優(yōu)點(diǎn)的GACA,對(duì)PHEB的混合動(dòng)力系統(tǒng)模糊控制器的隸屬度函數(shù)和模糊控制規(guī)則進(jìn)行優(yōu)化。

(2)實(shí)例PHEB仿真分析和實(shí)車(chē)道路測(cè)試表明:基于GACA優(yōu)化的模糊控制策略能將PHEB的發(fā)動(dòng)機(jī)控制在最佳燃油經(jīng)濟(jì)性曲線附近,且超級(jí)電容SOC值的變化在較小的范圍內(nèi);在滿足動(dòng)力性能指標(biāo)要求的情況下,基于GACA優(yōu)化的PHEB等效燃料消耗量的仿真值比優(yōu)化前降低了10.2%;實(shí)車(chē)測(cè)試的百公里等效燃料消耗量比同類(lèi)車(chē)型的傳統(tǒng)燃油客車(chē)的百公里燃料消耗量36.2L降低了19.9%,從而驗(yàn)證了基于GACA優(yōu)化的模糊邏輯控制策略的可行性,為新能源汽車(chē)的混合動(dòng)力系統(tǒng)控制策略設(shè)計(jì)和優(yōu)化提供了一種新途徑。

[1]陳清泉,朱家璉,田光宇.現(xiàn)代電動(dòng)汽車(chē)技術(shù)[M].北京:北京理工大學(xué)出版社,2007.

[2]Farzad R S.Control Strategies for Hybrid Electric Vehicles:Evolution,Classification,Comparison,and Future Trends[J].IEEE T ransactions on Vehicular Technology,2007(5):2393-2404.

[3]吳劍.并聯(lián)式混合動(dòng)力汽車(chē)能量管理策略優(yōu)化研究[D].濟(jì)南:山東大學(xué),2008.

[4]Morteza M G,Amir P,Babak G.Application of Genetic Algorithm for Optimization of Control Strategy in Parallel Hybrid Electric Vehicles[J].Journal of the Franklin Institute,2006,343(4/5):420-435.

[5]朱傳高.并聯(lián)混合動(dòng)力汽車(chē)遺傳模糊控制策略的優(yōu)化研究[D].長(zhǎng)春:吉林大學(xué),2009.

[6]趙義武,牛慶銀,王憲成.遺傳算法與蟻群算法的融合研究[J].科學(xué)技術(shù)與工程,2010,10(16):4017-4020.

[7]劉彥鵬.蟻群優(yōu)化算法的理論研究及其應(yīng)用[D].杭州:浙江大學(xué),2007.

[8]資新運(yùn),杜常清,張?jiān)鼋?等.混合動(dòng)力汽車(chē)模糊邏輯轉(zhuǎn)矩管理策略仿真混合動(dòng)力汽車(chē)模糊邏輯轉(zhuǎn)矩管理策略仿真[J].武漢理工大學(xué)學(xué)報(bào),2008,30(4):561-564.

[9]吳靜波,張承寧,鄒淵,等.基于遺傳蟻群算法的履帶式混合動(dòng)力車(chē)輛控制策略參數(shù)優(yōu)化[J].車(chē)用發(fā)動(dòng)機(jī),2009(3):44-48.

[10]浦金歡,殷承良,張建武.遺傳算法在混合動(dòng)力汽車(chē)控制策略優(yōu)化中的應(yīng)用[J].中國(guó)機(jī)械工程,2005,16(7):648-652.

[11]中國(guó)國(guó)家標(biāo)準(zhǔn)化管理委員會(huì).GB/T 19754-2005.重型混合動(dòng)力電動(dòng)汽車(chē)能量消耗量試驗(yàn)方法[S].北京:中國(guó)標(biāo)準(zhǔn)出版社,2005.