榮盤祥++王子旭++高生宇

摘要：純電動(dòng)車作為一種節(jié)能環(huán)保的交通工具已成為各國(guó)研發(fā)的熱點(diǎn)，純電動(dòng)車的續(xù)航能力問(wèn)題是電動(dòng)車發(fā)展中的重要因素，針對(duì)電動(dòng)車在使用過(guò)程中由于受電池有限電量的限制以及外界環(huán)境因素的影響，導(dǎo)致電動(dòng)車的續(xù)航能力短的問(wèn)題，依據(jù)電動(dòng)車工作原理結(jié)合BP神經(jīng)網(wǎng)絡(luò)技術(shù)，通過(guò)綜合分析電動(dòng)車驅(qū)動(dòng)策略和電動(dòng)車工作模式，提出一種新的基于BP神經(jīng)網(wǎng)絡(luò)充放電控制策略-使用LabVIEW結(jié)合駕駛仿真平臺(tái)建立了電動(dòng)車仿真模型，并進(jìn)行仿真實(shí)驗(yàn).通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了基于BP神經(jīng)網(wǎng)絡(luò)控制策略的合理性，達(dá)到了提高電動(dòng)車的續(xù)航能力的目的.

關(guān)鍵詞：純電動(dòng)車；充放電控制；BP神經(jīng)網(wǎng)絡(luò)

DOI：10.15938/j.jhust.2015.05.016

中圖分類號(hào)：U469. 72

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1007-2683（2015）05-0080-05

0 引言

電動(dòng)車動(dòng)力電池組的性能直接關(guān)系到電動(dòng)車的各種性能及電動(dòng)車的使用壽命，因此必須對(duì)電動(dòng)車電池組中存儲(chǔ)的電能進(jìn)行有效利用以提高電動(dòng)車性能降低電動(dòng)車運(yùn)行成本.由于電動(dòng)車在運(yùn)行過(guò)程中受到多方面不確定的因素的影響，因?yàn)樯窠?jīng)網(wǎng)絡(luò)可以學(xué)習(xí)和儲(chǔ)存大量的輸入和輸出設(shè)置的映射關(guān)系，它不需要揭示的映射關(guān)系的數(shù)學(xué)表達(dá).因此本文提jl的基于BP神經(jīng)網(wǎng)絡(luò)的純電動(dòng)車電池充放電控制策略可以更好的應(yīng)對(duì)電動(dòng)車在運(yùn)行過(guò)程中遇到的各種不確定因素.

1 充放電控制策略分析

電動(dòng)車充放電控制策略實(shí)際上是根據(jù)電池當(dāng)前SOC狀態(tài)和駕駛員的操作行為以及車輛的當(dāng)前狀態(tài)對(duì)電池進(jìn)行充放電控制，從而達(dá)到對(duì)電動(dòng)車車速的控制.由于電動(dòng)車的運(yùn)行受到電池狀態(tài)的影響與限制，因此駕駛員操作電動(dòng)車以一定的狀態(tài)運(yùn)行時(shí)，充放電控制系統(tǒng)會(huì)根據(jù)電池當(dāng)前的狀態(tài)確定能不能滿足駕駛員的操作.如果在電池允許的工作范圍內(nèi)則滿足駕駛員對(duì)車輛的操作，否則充放電管理系統(tǒng)會(huì)按照自己的判斷給出對(duì)車輛的控制信號(hào).

1.1 充放電控制系統(tǒng)結(jié)構(gòu)與控制策略

純電動(dòng)車充放電控制系統(tǒng)結(jié)構(gòu)圖如圖1所示，其中電池組狀態(tài)監(jiān)測(cè)模塊用于監(jiān)測(cè)并顯示電池組的狀態(tài)參數(shù)，充放電控制模塊是算法處理與發(fā)送控制指令的機(jī)構(gòu)，該模塊通過(guò)串行總線接收電池檢測(cè)模塊的實(shí)時(shí)電池狀態(tài)信息和駕駛員操作信息，并按照指定的方法進(jìn)行推理和計(jì)算，能夠給出滿足電動(dòng)車動(dòng)力性能和平穩(wěn)性能的最佳控制命令，

純電動(dòng)車充放電控制系統(tǒng)的主要任務(wù)就是結(jié)合駕駛員的操作指令以及電池當(dāng)前的狀態(tài)信息，在實(shí)現(xiàn)整車動(dòng)力性能的前提下達(dá)到節(jié)能的目的.其具體日標(biāo)是：低耗能、響應(yīng)快、實(shí)時(shí)性好、限制電池SOC的范圍等，本文提出的控制策略的輸入主要有加速踏板行程K_acc，制動(dòng)踏板行程K_bre以及SOC.輸出為電池輸出功率Pout.電池輸出功率首先取決于駕駛員的操作命令同時(shí)受到到電池當(dāng)前狀態(tài)的影響，電池SOC直接影響電池的最大輸出功率.電動(dòng)車在正常行駛過(guò)程中電池soc和電池輸出功率以及電機(jī)輸出功率要滿足以下約束條件，儲(chǔ)能系統(tǒng)SOC約束：為了延長(zhǎng)電池的壽命，車輛在行駛過(guò)程中電池SOC盡量要保持在一定的范圍之內(nèi)，即：

在制動(dòng)過(guò)程中，如果SOC太高，為了防止電池過(guò)充就不能對(duì)電能進(jìn)行回收.同樣如果SOC太低，再繼續(xù)放電則會(huì)造成電池過(guò)放，從而影響電池壽命和電動(dòng)車的動(dòng)力性能.因此電池的SOC -般應(yīng)保持在[0.2，0.9].

功率約束：為了滿足駕駛員對(duì)車輛的動(dòng)力性能要求，一般情況下電動(dòng)車的輸出功率P_out都會(huì)等于駕駛員的請(qǐng)求功率P_req，如果電池當(dāng)前能輸出的最大功率P_soc不能滿足駕駛員的請(qǐng)求功率則輸出功率應(yīng)等于電池當(dāng)前支持最大輸出功率，即：

綜合以上分析本文給出的純電動(dòng)車的充放電控制流程圖如圖2所示.因?yàn)殡姵氐妮敵龉β使β逝c電池當(dāng)前SOC值以及電池效率有關(guān)，考慮到計(jì)算的復(fù)雜和參數(shù)難以估計(jì)，所以會(huì)導(dǎo)致時(shí)效性較差，而且難以應(yīng)用到實(shí)際的控制系統(tǒng)中去.為此本文通過(guò)離線仿真的方法將充放電控制策略的控制規(guī)律提取出來(lái)，這些控制規(guī)律的集合可以作為一組多輸入單輸出的非線性映射.因?yàn)樯窠?jīng)網(wǎng)絡(luò)能夠以最小的精確度切近任何復(fù)雜的非線性映射集合，并且神經(jīng)網(wǎng)絡(luò)的最大特點(diǎn)是有很強(qiáng)的學(xué)習(xí)能力和歸納總結(jié)能力.因此可以通過(guò)訓(xùn)練相應(yīng)的神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)本文所提出的充放電控制策略.

1.2 基于神經(jīng)網(wǎng)絡(luò)的充放電控制策略

1.2.1 神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)

只要BP神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的點(diǎn)數(shù)合理，那么該神經(jīng)網(wǎng)絡(luò)就具有模擬任何復(fù)雜的非線性映射的功能，基于神經(jīng)網(wǎng)絡(luò)的這種特點(diǎn)，本文所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示，該神經(jīng)網(wǎng)絡(luò)是一個(gè)含有2個(gè)隱含層的4層BP神經(jīng)網(wǎng)絡(luò)，其中SOC、Kbre、Kacc作為該神經(jīng)網(wǎng)絡(luò)的輸入層，P_out作為該網(wǎng)絡(luò)的輸出層，在本文中隱含層的神經(jīng)元的個(gè)數(shù)的確定采用試湊法確定，輸出層神經(jīng)元可以表達(dá)為

式中：P_out是神經(jīng)網(wǎng)絡(luò)控制器的輸出，代表電池的輸出功率；W_j表示隱含層的第j個(gè)神經(jīng)元和輸出層的神經(jīng)元之間的鏈接權(quán)值； 表示輸出神經(jīng)元的閾值；n表示隱含層神經(jīng)元的數(shù)目；.廠為采用的s型激活函數(shù)；在神經(jīng)網(wǎng)絡(luò)隱含層中的第j個(gè)神經(jīng)元的輸出值y_j，可表示為

式中：X_i（t）（i=1，2，3）表示SOC、K_bre、K_acc三個(gè)輸入信號(hào)；w_ij（i=1，2，3；j=1，…，n）表示輸入層到隱含層的鏈接權(quán)值；b_j為隱含層第j個(gè)神經(jīng)元的閥值.

1.2.2 訓(xùn)練樣本獲取與網(wǎng)絡(luò)訓(xùn)練

神經(jīng)網(wǎng)絡(luò)性能的好壞與訓(xùn)練該神經(jīng)網(wǎng)絡(luò)所用的樣本有著密切的關(guān)系，因此訓(xùn)練樣本一定要具有代表性，在選擇樣本時(shí)一定要照顧樣本的多樣性和均勻性.因?yàn)殡S著網(wǎng)絡(luò)輸入神經(jīng)元的個(gè)數(shù)的增加，所需要的訓(xùn)練樣本數(shù)會(huì)迅速增加，如果在選擇樣本時(shí)不按照一定的規(guī)律而是隨意選擇，這樣很容易會(huì)出現(xiàn)樣本冗余，過(guò)量的冗余樣本不僅不會(huì)提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，更重要的是因?yàn)闃颖拘畔⒑窟^(guò)多從而導(dǎo)致網(wǎng)絡(luò)出現(xiàn)過(guò)擬合現(xiàn)象，

因此，在本文中首先在多個(gè)行駛工況中均勻地設(shè)置不同的SOC值（例如SOC從0.2變化到0.8，間隔為0.1）和加速踏板行程（例如K_acc的值從0變化到10，間隔為1.0）以及有無(wú)制動(dòng)動(dòng)作.在本文中神經(jīng)網(wǎng)絡(luò)的輸出Pou，可以選用瞬時(shí)優(yōu)化能量管理策略求出最優(yōu)的電池輸出功率Pprov作為控制規(guī)則，該規(guī)則的輸入與輸出與神經(jīng)網(wǎng)絡(luò)的輸入與輸出相對(duì)應(yīng)，將求出的所有控制規(guī)則作為該網(wǎng)絡(luò)的訓(xùn)練樣本，因?yàn)樵摌颖镜倪x取是基于均勻設(shè)置SOC值以及加速踏板行程，所有該樣本是一個(gè)多樣性較好的均勻的離散樣本，

為了加快神經(jīng)網(wǎng)絡(luò)的收斂，同時(shí)避免神經(jīng)網(wǎng)絡(luò)的各個(gè)輸入輸出數(shù)據(jù)的量綱差異，因此，需要對(duì)輸入和輸出數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化.本文對(duì)輸入與輸出的數(shù)據(jù)限定在[0，1]范圍內(nèi)，在[0，1]范圍內(nèi)的網(wǎng)絡(luò)輸入和輸出值的換算公式為：式中：x_i為網(wǎng)絡(luò)輸入或者輸出數(shù)據(jù)；x_min為所有訓(xùn)練樣本的輸入、輸出最小值；x_max為該樣本輸入、輸出數(shù)據(jù)最大值.

用以上方法得到訓(xùn)練樣本之后，可以借助MATLAB編寫程序建立本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.收斂速度慢過(guò)慢和訓(xùn)練時(shí)間過(guò)長(zhǎng)等是標(biāo)準(zhǔn)BP網(wǎng)絡(luò)在訓(xùn)練過(guò)程中常見的問(wèn)題，為了在較短的時(shí)間內(nèi)得到收斂速度，本文使用了Levenberg-Marquardt算法進(jìn)行訓(xùn)練.因?yàn)樵撍惴ㄒ环矫嫒诤狭烁咚挂慌ｎD法局部收斂性的優(yōu)點(diǎn)，另一方面又融合梯度下降法的全局特性.

為了驗(yàn)證文中所提出的神經(jīng)網(wǎng)絡(luò)的收斂性，本文借助Matlab中的Simulink工具對(duì)該神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真分析.對(duì)文中提到的算法構(gòu)成的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真比較，在本文中假設(shè)需要逼近的非線性函數(shù)為：sm（x）+cos（x），我們使用文中提到的三層神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行逼近仿真，可以得到仿真圖和誤差曲線圖如圖4和圖5所示.

由圖4和圖5可知，該神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)1400次的訓(xùn)練后仿真結(jié)果誤差為0.01.所以本文所選用的神經(jīng)網(wǎng)絡(luò)逼近非線性函數(shù)的效果是比較理想的，由此可知該神經(jīng)網(wǎng)絡(luò)完全可以滿足本文的需要.

2 實(shí)驗(yàn)仿真與結(jié)果分析

為了驗(yàn)證本文所提出的BP神經(jīng)網(wǎng)絡(luò)在電動(dòng)車充放電控制的有效性，本文以LabVIEW為核心開發(fā)的電池模擬測(cè)試系統(tǒng)結(jié)合模擬駕駛系統(tǒng)和智能充放電機(jī)系統(tǒng)建立的純電動(dòng)汽車模型.將以上得到的神經(jīng)網(wǎng)絡(luò)控制器應(yīng)用到充放電控制系統(tǒng)中去，在搭建的純電動(dòng)車仿真環(huán)境中針對(duì)不同的形式工況進(jìn)行仿真研究，并在相同的工況下比較基于該神經(jīng)網(wǎng)絡(luò)控制算法與傳統(tǒng)控制算法下電池組電荷狀態(tài)變化曲線以及電池輸出功率和期望輸出功率的對(duì)比圖如圖6和圖7所示.

由圖6可見，在相同的工況下基于BP神經(jīng)網(wǎng)絡(luò)的充放電控制策略的SOC曲線的最終值為0.583，而基于傳統(tǒng)方式的控制策略下的SOC曲線的最終值為0.575，所以可以有效提高電動(dòng)車的續(xù)航能力.同時(shí)從該仿真結(jié)果中可以看出，在相同的工況下，基于神經(jīng)網(wǎng)絡(luò)的控制策略可以有效避免電池瞬間較大的放電電流，從而可以很好的保護(hù)電池提高電池的壽命，這是傳統(tǒng)的控制方法不能達(dá)到的效果.因此，可以驗(yàn)證本文所提出的基于BP神經(jīng)網(wǎng)絡(luò)的純電動(dòng)車充放電控制策略的有效性以及相對(duì)于傳統(tǒng)控制策略的優(yōu)越性.

由圖7可見，電池的實(shí)際輸出功率和期望輸出功率大致相同，但是還存在一定的誤差.綜合分析產(chǎn)生誤差的原因有以下可能因素：首先從圖中可以看出功率期望輸出相比于實(shí)際輸出有一定的滯后時(shí)間；其次誤差產(chǎn)生的可能原因是本文選取的樣本不夠理想或者樣本數(shù)量還不夠大；最后南于本文所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的個(gè)數(shù)是通過(guò)試湊法得到的，所以該神經(jīng)網(wǎng)絡(luò)還有待進(jìn)一步優(yōu)化和完善.

3 結(jié)語(yǔ)

針對(duì)純電動(dòng)汽車?yán)m(xù)航能力短的問(wèn)題提出一種基于BP神經(jīng)網(wǎng)絡(luò)的動(dòng)力電池充放電控制策略，在Matlab中實(shí)現(xiàn)該算法，并通過(guò)以LabVIEW為核心開發(fā)的純電動(dòng)車模型進(jìn)行仿真，仿真結(jié)果說(shuō)明了本控制策略相比傳統(tǒng)的控制策略在提高電動(dòng)車的續(xù)航能力上有了較大的提高，通過(guò)仿真實(shí)驗(yàn)進(jìn)一步驗(yàn)證了該控制策略的有效性。

本文在實(shí)驗(yàn)室中是在一種理想的環(huán)境下的實(shí)驗(yàn)只考慮到了駕駛員的操作，但是外界環(huán)境因素也會(huì)對(duì)動(dòng)力電池性能產(chǎn)生一定的影響.因此在實(shí)際應(yīng)用中應(yīng)該考慮電動(dòng)車所處的濕度、溫度等環(huán)境因素，所以如何將該控制算法應(yīng)用到實(shí)車控制將是本文下一步需要重點(diǎn)研究的內(nèi)容.