楊亞聯(lián),葉 盼,胡曉松,蒲 斌,洪 亮,張 喀
(1.重慶大學,機械傳動國家重點實驗室,重慶 400044; 2.北京理工大學機械與車輛學院,北京 100081)
2016108
基于DP優(yōu)化的ISG型速度耦合混合動力汽車模糊控制策略的研究*
楊亞聯(lián)1,葉 盼1,胡曉松2,蒲 斌1,洪 亮1,張 喀1
(1.重慶大學,機械傳動國家重點實驗室,重慶 400044; 2.北京理工大學機械與車輛學院,北京 100081)
為增進混合動力汽車中模糊控制能量管理策略設計的合理性,運用動態(tài)規(guī)劃算法,對ISG型速度耦合混合動力汽車進行性能全局優(yōu)化,通過分析動態(tài)規(guī)劃算法的控制結果,提取設計參數(shù),擬定模糊控制規(guī)則和模糊控制策略,設計了相應的模糊控制器。建立基于Matlab/Simulink仿真模型,對動態(tài)規(guī)劃算法和模糊控制策略的仿真結果進行對比,結果表明,所設計的模糊控制策略達到了預期的效果,采用的方法合理有效。
混合動力汽車;模糊控制;動態(tài)規(guī)劃;ISG
隨著人類社會發(fā)展對可持續(xù)的節(jié)能、環(huán)保需求逐漸提高,清潔能源汽車中混合動力汽車由于具有良好的性價比,在產品開發(fā)中得到了日益廣泛的關注?;旌蟿恿ζ噦鲃酉到y(tǒng)中有多個動力源,整車性能的提升有賴于對動力源中能量流的有效管理。
目前混合動力汽車能量管理策略主要包括基于邏輯或規(guī)則的控制策略、瞬時優(yōu)化控制策略和全局最優(yōu)控制策略。其中,基于邏輯規(guī)則的控制策略包括基于邏輯門限控制策略、模糊控制策略和神經網絡等控制策略[1]?;谶壿嬕?guī)則的控制器可實施性強,其中模糊控制策略易于實現(xiàn)非線性控制,魯棒性好,得到了廣泛的應用[2-4],但模糊控制規(guī)則的制定需要專家經驗和對系統(tǒng)的大量深入分析或實驗,規(guī)則的擬定也缺乏一種系統(tǒng)的設計指導方法;瞬時優(yōu)化控制策略雖然能得到接近優(yōu)化的控制性能,但控制復雜,計算量大[5-6];全局最優(yōu)控制策略雖然能得到混合動力系統(tǒng)的最優(yōu)性能,但必須預知行駛循環(huán)[7-9]。因此局限了瞬時優(yōu)化和全局最優(yōu)控制策略的實際應用,但通過對全局最優(yōu)控制策略仿真結果的分析有助于混合動力系統(tǒng)能量管理策略的設計[10-11]。
本文中采用動態(tài)規(guī)劃算法對ISG型速度耦合混合動力系統(tǒng)的性能進行優(yōu)化,并通過分析動態(tài)規(guī)劃算法的仿真結果,提取設計參數(shù),擬定模糊控制規(guī)則和模糊控制策略,為ISG速度耦合混合動力傳動模糊控制器的設計提出了一種有效的方法。
1.1 混合動力系統(tǒng)結構
一種ISG速度耦合混合動力傳動系統(tǒng)的結構如圖1所示。系統(tǒng)中采用行星排進行動力的速度耦合,其中發(fā)動機接齒圈,ISG電機接太陽輪,通過行星架輸出動力,在電機和發(fā)動機之間,布置有單向離合器和濕式多片離合器。
圖1 ISG型速度耦合混合動力系統(tǒng)結構圖
該混合動力系統(tǒng)的運行模式主要包括純電動、行車充電、發(fā)動機單獨驅動、行車助力和再生制動等5種模式。當系統(tǒng)在純電動驅動時,由于單向離合器鎖止了發(fā)動機的反轉,電機通過太陽輪傳遞動力,由行星架輸出,在制動過程中,通過行星齒輪機構回收制動能量,并能不受發(fā)動機反拖轉矩的影響,提升了系統(tǒng)能量回收率。在混合動力驅動模式中,當離合器脫開時,電機可以通過行星輪系調整發(fā)動機的工作點,當離合器接合時,發(fā)動機和電機固接成整體,系統(tǒng)變換成為并聯(lián)型常規(guī)ISG混合動力傳動。因此,該系統(tǒng)在保持ISG混合動力系統(tǒng)特點的基礎上進一步提升了其性能。
1.2 控制系統(tǒng)框架結構
本文中采用了便于工程應用的模糊控制策略,其原理結構如圖2所示。
圖2 速度耦合混合動力系統(tǒng)模糊控制框架
為獲得良好的整車燃油經濟性,需要在滿足汽車行駛功率和需求轉矩的情況下,合理地分配發(fā)動機和電機的轉矩。為此,如圖2所示,系統(tǒng)通過參數(shù)插值求取發(fā)動機的最佳轉矩,并將車速、加速度、電池SOC等信號輸入模糊控制器得到發(fā)動機轉矩分配系數(shù)k,當前條件下的發(fā)動機最佳轉矩和分配系數(shù)k的乘積即為發(fā)動機所分配的轉矩,而電機轉矩分配計算需要考慮濕式多片離合器接合和斷開兩種情況:
(1) 濕式多片離合器接合的情況下系統(tǒng)為常規(guī)ISG混合動力系統(tǒng)。
Tm=Tc-Te
(1)
(2) 濕式多片離合器分離的情況下,可以建立單排行星齒輪機構特性方程式[12]:
ωm+αωe-(1+α)ωc=0
(2)
同時,根據(jù)功率平衡,可以得出電機的轉矩為
Tm=(pc-pe)/ωm
(3)
式中:Te,Tm和Tc分別為發(fā)動機、電機和行星架輸出端的轉矩;ωe,ωm和ωc分別為發(fā)動機、電機和行星架輸出端的轉速;pe和pc分別為發(fā)動機、行星架輸出端的功率;α為齒圈與太陽輪齒數(shù)比。
2.1 最優(yōu)問題闡述
利用動態(tài)規(guī)劃原理,為了獲取在一定循環(huán)狀況下混合動力系統(tǒng)的優(yōu)化能量管理策略,將已知循環(huán)工況劃分為N個階段(即網格化),對于每一步長都對應一個狀態(tài),并計算狀態(tài)轉換過程中的油耗Jk,通過多階段的決策,實現(xiàn)設定循環(huán)工況下油耗最低,該過程可由如下尋優(yōu)目標函數(shù)模型來表示:
x(k+1)=f(x(k),u(k))
(4)
Jk=fuel(k)
(5)
(6)
式中:x(k)為表征車輛運行狀態(tài)的狀態(tài)變量,如當前的發(fā)動機轉速ωe、電池荷電狀態(tài)SOC(k)等;u(k)為控制變量,如發(fā)動機的油門開度Theta(k)和電機轉矩Tm(k)等;Jk為狀態(tài)轉移過程中發(fā)動機的燃油消耗量;fuel(k)是與第k階段有關的油耗函數(shù)。動態(tài)規(guī)劃算法要解決的就是在滿足一定的約束條件下,求解目標函數(shù)的極值。
本混合動力系統(tǒng)中應滿足的約束條件為
(7)
式中:下標min和max分別表示變量的最小和最大值。
2.2 附加代價函數(shù)
在全局尋優(yōu)的過程中,須考慮狀態(tài)變量的一個合理選擇,仿真過程中,須考慮電池荷電狀態(tài)SOC值處于合適的區(qū)間。為此,在目標函數(shù)中加入SOC值的懲罰項。
Lb(k)=β(SOC(k)-SOCdes)2
(8)
式中:β為電池SOC懲罰系數(shù);SOCdes為目標SOC值。
另外,在混合動力汽車實際運行中,若直接用上述目標函數(shù)求解,可能會出現(xiàn)汽車短時間內頻繁換擋的不合理現(xiàn)象。為此加入換擋懲罰項以限制頻繁換擋。
Lg(k)=γ|g(k+1)-g(k)|
(9)
式中:γ為換擋懲罰值;g(k)為AMT變速器擋位。
2.3 目標函數(shù)建立
在初始目標函數(shù)中,加入代價函數(shù),并結合貝爾曼最優(yōu)化原理[13],目標函數(shù)可以描述為如下方程:
L(x(k),u(k))=fuel(k)+Lb(k)+Lg(k)
(10)
對于第N階段:
JN(x(N))=0
(11)
故對于第N-1階段:
(12)
對于第k階段,其中0≤k (13) 此時,在約束條件下求解上述目標函數(shù)最小時系統(tǒng)的油耗和相應的控制變量,即求對應各階段混合動力系統(tǒng)的能量管理策略。 2.4 動態(tài)規(guī)劃算法仿真結果 表1為ISG型速度耦合混合動力汽車的運行參數(shù)。 表1 混合動力汽車運行參數(shù) 圖3 UDDS工況仿真結果圖 結合圖1所示的ISG型速度耦合混合動力系統(tǒng)結構與上述的DP優(yōu)化算法,基于Matlab/Simulink建立了系統(tǒng)仿真模型,選取道路循環(huán)UDDS工況進行仿真,得到了如圖3所示的仿真結果。 仿真結束時,電池SOC恢復到仿真開始時的水平,混合動力汽車的百公里油耗為5.312 9L。 3.1 設計參數(shù)提煉 能量管理模糊控制策略主要設計參數(shù)[14]如表2所示。 表2 模糊控制策略所需主要參數(shù)表 Pemax,SOCmin,SOCmax和SOCopt等可以根據(jù)發(fā)動機和電池的性能試驗等來確定,其中Pemax=72kW,SOCmin=0.2,SOCmax=0.8,SOCopt則是SOC為0.55~0.7之間的區(qū)域,此時電池的充放電效率較高。取SOC初始值0.6。 3.2 輸入輸出隸屬度函數(shù)的建立 圖4 汽車運行模式與速度、加速度關系 根據(jù)DP算法在UDDS與NEDC工況下的仿真結果,可以得到如圖4所示的汽車運行模式與速度、加速度關系。在制定模糊控制策略時,根據(jù)圖4來制定輸入變量的隸屬度函數(shù)等,有助于使混合動力系統(tǒng)在實際控制過程中按照類似于DP算法仿真下的運行狀態(tài)運行,以提高整車的燃油經濟性。 根據(jù)圖4,可以得出該混合動力系統(tǒng)純電動模式的汽車車速上限vev大致為50km/h,純電動模式的加速度上限aevmax大致為0.7m/s2。純電動模式的加速度一般規(guī)律如圖4中的模式界限曲線。 由此,建立模糊控制策略輸入變量車速和加速度的隸屬度函數(shù),在此隸屬度函數(shù)選取梯形函數(shù)。車速的模糊子集定義為{PTS,PS,PM,PB,PTB};加速度的模糊子集定義為{PMS,PTS,PS,PM,PB,PTB}。論域則根據(jù)循環(huán)工況中最大車速與最大加速度設置。具體的隸屬度函數(shù)如圖5和圖6所示。 圖5 車速隸屬度函數(shù) 圖6 加速度隸屬度函數(shù) 電池SOC隸屬度函數(shù)如圖7所示,定義其模糊子集為{PTS,PS,PM,PB},論域為[0,1]。 圖7 電池SOC隸屬度函數(shù) 圖8為混合動力汽車在DP算法仿真時發(fā)動機工作點分布。由圖可知,在混合動力系統(tǒng)運行過程中,發(fā)動機絕大部分工作點分布在發(fā)動機最佳燃油經濟性曲線附近,設k值表示發(fā)動機工作點轉矩相對相同轉速最佳燃油經濟性曲線上轉矩的比值,則DP優(yōu)化控制策略中發(fā)動機的工作點大致在k值為[0.88,1.06]的范圍內。考慮到模糊控制策略的特點,將范圍適度放寬,定為[0.85,1.1]。 圖8 DP算法下發(fā)動機工作點 同時,根據(jù)對DP運算結果的分析得出:當加速度較大時,發(fā)動機會以更大的功率輸出以滿足驅動汽車的要求;當車速較高而加速度不大時,發(fā)動機傾向于降低輸出功率以達到油耗與效率的平衡。故此處將[0.85,1.1]劃分為3個區(qū)域。考慮到當電池SOC過高時,須使電池放電;當汽車需求功率過大時,須使發(fā)動機提供更大的功率。故建立如圖9所示輸出變量k的隸屬度函數(shù),其模糊子集定義為{O,PS1,PS2,PS3,PM1,PM2,PM3,PB},論域為[0,1.5]。 圖9 輸出變量隸屬度函數(shù) 3.3 模糊控制規(guī)則 為避免過分依賴人的經驗,以DP算法的運算結果為基礎,根據(jù)發(fā)動機、電機在汽車運行過程的工作規(guī)律,得出模糊控制規(guī)則,如下所示。 其中,規(guī)則①表示汽車的運行狀態(tài)處于純電動工作模式的論域內,汽車以純電動模式運行;規(guī)則②與規(guī)則①的區(qū)別在于電池的SOC過低,汽車以行車充電模式運行;規(guī)則③表示電池SOC較低,不滿足純電動運行條件,汽車以行車充電模式運行;規(guī)則④表示電池SOC適中,為避免電池過充,適當降低發(fā)動機輸出;規(guī)則⑤和規(guī)則⑥表示電池SOC過高而又不滿足純電動運行模式,降低發(fā)動機輸出,迫使電池放電;規(guī)則⑦表示汽車當前以行車助力模式運行。 3.4 模糊控制策略結果分析 采用上述的模糊控制器,在UDDS循環(huán)工況下對上述ISG速度耦合混合動力系統(tǒng)性能進行了仿真,結果如圖10所示。 圖10 UDDS循環(huán)工況下仿真結果 仿真結束時電池SOC為0.529,整個循環(huán)過程,電池SOC維持在理想的工作區(qū)間;混合動力汽車在該循環(huán)工況下的等效100km油耗為5.615 4L,對比動態(tài)規(guī)劃算法的結果,相差5.69%。 為驗證模糊控制策略在其他循環(huán)下的控制效果,選取與《GB/T 19233—2008輕型汽車燃料消耗量試驗方法》所采用的循環(huán)工況一致的NEDC循環(huán)進行仿真,結果如圖11所示。 圖11 模糊控制策略仿真結果 仿真結束時電池SOC為0.663 1,整個循環(huán)過程,電池SOC也維持在理想的工作區(qū)間;混合動力汽車在該循環(huán)工況下的等效100km油耗為5.725 7L,而采用DP優(yōu)化后的等效100km油耗為5.509 2L,常規(guī)車的實測油耗為8.53L/100km,數(shù)據(jù)對比如表3所示。說明對不同控制循環(huán)同樣取得了良好的效果。 表3 NEDC循環(huán)工況下仿真結果對比 通過表3的數(shù)據(jù)對比,表明所設計的模糊控制策略有良好的實際效果。 (1) 本文中采用動態(tài)規(guī)劃的方法,將ISG速度耦合混合動力系統(tǒng)的全局優(yōu)化問題轉變?yōu)槎嚯A段的決策問題。 (2) 基于DP優(yōu)化的結果,在不同車速和加速度下純電動工況點分析,建立了純電動工況的論域;對不同工況下DP優(yōu)化控制時發(fā)動機萬有特性上工作點的分布,建立了發(fā)動機的最佳驅動轉矩論域,并設計了相應變量的模糊隸屬度函數(shù)和模糊控制規(guī)則,設計了模糊控制器。 (3) 通過在UDDS和NEDC工況下模糊控制器的性能仿真,UDDS下油耗為5.615 4L/100km,相對DP全局優(yōu)化結果相差5.69%,在NEDC工況下,系統(tǒng)采用模糊控制,燃油消耗為5.725 7L/100km,相對于DP運算結果,相差3.93%;相對常規(guī)車,油耗減少了32.8%,說明了控制的適用性和有效性。 [1] 舒紅.并聯(lián)型混合動力汽車能量管理策略研究[D].重慶:重慶大學,2008. [2] SCHOUTENA N J, SALMAN M A, KHEIR N A. Energy management strategies for parallel hybrid vehicles using fuzzy logic[J]. Control Engineering Practice,2003,11(2):171-177. [3] LI S G, SHARKH S M, WALSH F C, et al. Energy and battery management of a plug-in series hybrid electric vehicle using fuzzy logic[J]. IEEE Transactions on Vehicular Technology,2011,60(8):3571-3585. [5] 王鋒,冒曉建,卓斌.ISG并聯(lián)混合動力轎車最優(yōu)轉矩分配策略[J].重慶大學學報,2008,31(5):499-504. [6] LIU J, PENG H. Modeling and control of a power-split hybrid vehicle[J]. IEEE Transactions on Control Systems Technology,2008,16(6):1242-1251. [7] PéREZ L, BOSSIO G, MONITRE D, et al. Optimization of power management in an hybrid electric vehicle using dynamic programming[J]. Mathematics and Computers in Simulation,2006,73(1):244-254. [8] JOHANNESSON L, ?SBOG?RD M, BO E. Assessing the potential of predictive control for hybrid vehicle powertrains using stochastic dynamic programming[J]. IEEE Transactions on Intelligent Transportation Systems,2007,8(1):71-83. [9] LIU J, PENG H. Integrated thermal and energy management of plug-in hybrid electric vehicles[J]. Journal of Power Sources,2012,216(15):237-248. [10] LIU Jinming. Modeling configuration and control optimization of power-split hybrid vehicles[D]. USA: The University of Michigan,2007. [11] LIN C, PENG H, GRIZZLE J W, et al. Power management strategy for a parallel hybrid electric truck[J]. IEEE Transactions on Control Systems Technology,2003,11(6):839-849. [12] 陳家瑞.汽車構造[M].北京:人民交通出版社,2006. [13] BERTSEKAS D P. Dynamic programming and optimal control[M]. USA: Athena Scientific,2005. [14] 于永濤.混聯(lián)式混合動力車輛優(yōu)化設計與控制[D].長春:吉林大學,2010. A Research on the Fuzzy Control Strategy for a Speed-coupling ISG HEVBased on Dynamic Programming Optimization Yang Yalian1, Ye Pan1, Hu Xiaosong2, Pu Bin1, Hong Liang1& Zhang Ka1 1.ChongqingUniversity,StateKeyLaboratoryofMechanicalTransmission,Chongqing400044; 2.SchoolofMechanicalEngineering,BeijingInstituteofTechnology,Beijing100081 In order to improve the design rationality of fuzzy energy management strategy for a hybrid electric vehicle (HEV), dynamic programming (DP) algorithm is used for a global optimization on the performance of a speed coupling ISG HEV. Then by analyzing the control results of DP algorithm with design parameters extracted, the rule and strategy of fuzzy control are worked out and a corresponding fuzzy controller is designed. Finally a simulation model is set up based on Matlab/Simulink, and the simulation results with DP algorithm and fuzzy control strategy are compared. The results show that the fuzzy control strategy designed achieves the expected results and the design method is reasonable and effective. HEV; fuzzy control; dynamic programming; ISG *國家自然科學基金(51075411)資助。 原稿收到日期為2014年1月5日,修改稿收到日期為2014年3月27日。3 模糊控制策略設計
4 結論