關(guān)明義， 徐 巖， 高會敏

(1.北京博科測試系統(tǒng)股份有限公司，北京101102；2. 中國兵器科學(xué)研究院，北京100089)

串聯(lián)式混合動力客車控制策略優(yōu)化

關(guān)明義1， 徐 巖2， 高會敏1

(1.北京博科測試系統(tǒng)股份有限公司，北京101102；2. 中國兵器科學(xué)研究院，北京100089)

混合動力客車通常包含發(fā)動機與蓄電池組兩種動力源，如何對其輸出功率進(jìn)行分配，使系統(tǒng)總能耗達(dá)到最小是控制策略中需要關(guān)注的問題.針對客車行駛的特點，結(jié)合行駛工況的主客觀識別，運用動態(tài)規(guī)劃的方法對車輛動力系統(tǒng)中各部件的需求功率進(jìn)行分配，并進(jìn)行了系統(tǒng)仿真.仿真結(jié)果表明，與開關(guān)控制策略模式相比，該方法能夠有效提高混合動力汽車的燃料經(jīng)濟性.

混合動力客車；控制策略；能量管理；工況識別；動態(tài)規(guī)劃

混合動力車輛在燃料經(jīng)濟性上的優(yōu)勢，來源于動力系統(tǒng)中發(fā)動機與蓄電池組兩種動力源輸出功率的合理分配，其分配的依據(jù)一般取決于蓄電池組的荷電狀態(tài)(SOC)、功率需求、車速等車輛的行駛狀態(tài)特性.因此，功率的合理分配及SOC的正確管理對提高車輛的燃料經(jīng)濟性有十分重要的意義.

目前常用的混合動力客車控制策略有兩種：一種是基于蓄電池組SOC的控制策略；另一種是基于道路工況的控制策略.基于蓄電池組SOC的控制策略中包括開關(guān)型與功率跟隨型等，其控制相對簡單，但對不同工況的適應(yīng)性不好，在頻繁變化的工況下燃料經(jīng)濟性有所降低.基于道路工況的控制策略是根據(jù)未來道路工況及當(dāng)前車輛狀態(tài)實時進(jìn)行能量優(yōu)化[1]，而這種控制策略的難點在于如何準(zhǔn)確及低成本的預(yù)測未來的道路工況.

針對混合動力客車在城市公共交通的應(yīng)用，本文提出了一種結(jié)合行駛工況主客觀識別的控制方法，通過對當(dāng)前行駛參數(shù)進(jìn)行道路工況識別，結(jié)合當(dāng)前時間下車輛的平均行駛狀態(tài)，估計未來一段時間內(nèi)車輛的行駛工況，并計算出車輛的功率需求，從而調(diào)整電池組的SOC，減少充電時間與充電次數(shù)，降低能量損失，以達(dá)到提高整車的經(jīng)濟性的目的.

1 結(jié)合循環(huán)模式的能量管理策略的建立

本文針對串聯(lián)式混合動力客車的行駛工況，提出了一種結(jié)合行駛工況識別的控制策略，這種策略中設(shè)定了不同的典型循環(huán)工況及對應(yīng)的控制策略參數(shù)，并且允許用戶自定義不同時間段內(nèi)車輛的行駛路況.以預(yù)先定義的行駛路況為基礎(chǔ)，結(jié)合車輛行駛的特征參數(shù)[2-3]，利用動態(tài)規(guī)劃法，對發(fā)電機組功率和電池系統(tǒng)的輸出功率進(jìn)行動態(tài)分配.

1.1 特征參數(shù)的選取

通過對客車行駛狀況的分析，本策略中將道路的路況分為如下3種：順暢、緩行、擁堵.每輛客車在投運前駕駛員通過自己主觀感受選擇適用于當(dāng)前線路的行駛狀況，作為路況判斷的依據(jù)之一.參數(shù)選取如公式(1)所示.

p0∈{C1,C2,C3}，

(1)

式中：p0表示對當(dāng)前時刻路況的預(yù)測；C1,C2,C3分別依次表示當(dāng)前行駛時刻預(yù)定義的3種路況預(yù)期.

1.2 運用模糊邏輯的方法對行駛工況進(jìn)行預(yù)測

本文通過兩層判斷來實現(xiàn)對行駛工況的預(yù)測.由于引入了主觀變量p0，首先直接驗證p0的準(zhǔn)確性可以大大減少運算時間，根據(jù)客車的行駛特點及對特征參數(shù)的分析，平均速度與停車時間比兩個參數(shù)對辨識工況的權(quán)重較大，本文在第一層對工況的預(yù)測中對p0的驗證邏輯如下表1所示.

表1 基于對p0的驗證對工況的預(yù)測

若以上驗證結(jié)論為真，則直接預(yù)測工況C，若不成立，則進(jìn)行第二層判斷.

本文模糊邏輯識別基于多數(shù)規(guī)則創(chuàng)建，滿足如下規(guī)則：

(1) 3種工況下特征參數(shù)是固定的，在不滿足于第一層判斷邏輯時對循環(huán)模式特征的6個參數(shù)進(jìn)行規(guī)則判斷.

(2) 判斷基于多數(shù)規(guī)則，即若6個參數(shù)中有4個滿足同一工況條件，或滿足工況條件情況為3、2、1或3、1、1、1時，判斷輸出工況為此多數(shù)工況.

(3) 當(dāng)6個參數(shù)滿足工況條件為3、3或2、2、2時，即多數(shù)規(guī)則無法滿足時，按照參數(shù)對確定工況影響程度進(jìn)行排序，取相同工況條件參數(shù)影響程度順序號之和最小的工況為輸出工況.若順序和相同，則輸出工況為相同工況條件中最小順序號所在的工況.經(jīng)研究，這6個參數(shù)的影響程度依次為：1-平均速度、2-平均運行時速度、3-最大速度、4-停車時間比、5-平均加速度、6-平均減速度.

1.3 串聯(lián)式混合動力系統(tǒng)的最優(yōu)控制數(shù)學(xué)模型

在串聯(lián)式混合動力系統(tǒng)中，發(fā)動機-發(fā)電機組與蓄電池組兩部分對車輛提供能量，包括滿足工況要求需要的能量與自身其余電氣等系統(tǒng)所需要的能量兩部分.其中發(fā)動機的模型為靜態(tài)模型，其燃料消耗量在萬有特性圖中進(jìn)行二維查表運算得出.發(fā)電機的效率認(rèn)為是常數(shù)，電機效率通過MAP圖查表得出.蓄電池組在整個工況循環(huán)中可視為能量緩沖裝置，對蓄電池組充放電的過程認(rèn)為是能量的過渡，不影響系統(tǒng)的整體能量消耗.

基于以上，車輛需求的總功率公式如下：

Preq(t)=PAPU(t)+Pbat(t)，

(2)

式中：PAPU表示發(fā)動機-發(fā)電機組的輸出功率；Pbat表示蓄電池組中能量變化所等效的功率變化.

發(fā)動機-發(fā)電機組的輸出功率應(yīng)滿足以下方程：

PAPUmin≤PAPU(t)≤PAPUmax.

(3)

蓄電池組模型中的SOC是由庫倫計數(shù)法計算得出的，在t時刻的SOC(t)可以用以下公式計算得出：

(4)

式中：SOCi表示初始時刻蓄電池組的荷電狀態(tài)；Cap(T)與ηbat(I(t)，T)分別代表蓄電池組溫度為T時的電池容量和庫倫效率.

由于要保證電池的使用壽命，因此電池充放電需要嚴(yán)格限制，且循環(huán)前后荷電狀態(tài)不變，即需滿足以下方程組：

(5)

式中：Imin表示蓄電池組理論允許最大放電電流，且Imin<0；Imax表示蓄電池組理論允許最大充電電流，且Imax>0；T為整個循環(huán)的總時間.

對式(4)進(jìn)行微分，可得電池狀態(tài)方程為

(6)

定義損耗后的電池電流為Is(k,i,j)，則式(6)可簡化為

(7)

式中：Cap表示蓄電池組的最大容量.

同理，式(5)可變化為

(8)

式中：Ismin表示蓄電池組實際允許最大充電電流，且Ismin<0；Ismax表示蓄電池組實際允許最大放電電流，且Ismax>0.

在整個循環(huán)期間，發(fā)動機的燃料消耗量為

(9)

式中：fe-line(Pice)表示發(fā)動機輸出功率為Pice時，經(jīng)濟運行點的燃料消耗率.

綜上，基于燃料經(jīng)濟性的條件下，串聯(lián)式混合動力的最優(yōu)化問題可表述為：找到滿足功率需求條件式(2)，約束條件式(3、8)時，找到使經(jīng)濟性指標(biāo)式(9)最小時Pice的值，其中狀態(tài)方程為(7).

1.4 運用動態(tài)規(guī)劃法對功率進(jìn)行分配

在本文中，控制變量為SOC值，控制目標(biāo)為整個循環(huán)中使燃料的消耗量最小.對上一節(jié)最優(yōu)化數(shù)學(xué)控制模型進(jìn)行離散化處理，轉(zhuǎn)成一個可以分成多個階段的決策問題，此問題即可通過動態(tài)規(guī)劃的方法來進(jìn)行求解.

由于使用動態(tài)規(guī)劃法時每個離散化的節(jié)點對應(yīng)的運算階次很多，導(dǎo)致運算時間長，系統(tǒng)效率較低，故本文采用了一種順推型式的動態(tài)規(guī)劃算法，在對運算結(jié)果影響較小的情況下減少了運算次數(shù).順推型動態(tài)規(guī)劃算法單次計算示意圖如下圖1所示.

圖1 順推式動態(tài)規(guī)劃算法單次計算示意圖

將整個循環(huán)時間 [0,T]分成N份，單位時間為Δt，將蓄電池組SOC值變化范圍[SOCmin,SOCmax]分成M份，單位變化量為ΔS.在循環(huán)過程的某時刻，當(dāng)SOC為SOC(k,i)，以最大電流Ismin充電時，經(jīng)過單位時間Δt后，SOC值變?yōu)镾OC(k+1,j)，此過程中SOC變化量為m×ΔSOC.

根據(jù)本文的優(yōu)化設(shè)計目標(biāo)，需要將全局優(yōu)化進(jìn)行多階的分步計算，最終將每一階段到終止?fàn)顟B(tài)的累計最小能耗作為規(guī)劃目標(biāo)，采用遞歸調(diào)用的方式，從終止?fàn)顟B(tài)逆推至初始狀態(tài)求解.建立基本遞歸方程如下：

Jmin(k,j)=min{Jmin(k+1,j)+fuel(k,i,j)}，

(10)

式中：Jmin(k,j)表示從節(jié)點SOC(k,j)到終止?fàn)顟B(tài)SOC(T)的最小累計油耗；fuel(k,i,j)表示從節(jié)點SOC(k,i)變化到節(jié)點SOC(k+1,j)時發(fā)動機的燃料消耗.

由式(10)可得第N-1步基本遞歸方程為

Jmin(N-1,j)=min{fuel(N-1,i,SOC(T))}.

(11)

將Jmin(k,j)對應(yīng)系統(tǒng)狀態(tài)SOC(k,j)存儲為沿時間方向的序列.計算最優(yōu)序列如下：

(12)

式中：U表示能量分配序列；argmin函數(shù)表示使{Jmin(k+1,j)+fuel(k,i,j)}達(dá)到最小值時自變量的取值.

式(11)表示節(jié)點SOC(k,j)在發(fā)動機燃料消耗最小的序列上，且經(jīng)過節(jié)點SOC(k,j*).將式(7)離散化可得

(13)

式中：Is(k,i,j)表示SOC從SOC(k,i)變化到SOC(k+1,j)時蓄電池組的電流，可得

(14)

同理，當(dāng)蓄電池組放電時，可得：

(15)

由此可得i的取值范圍為：

j+mc×ΔSOC≤i≤j+md×ΔSOC.

(16)

依次計算出Is(k,i,j)，I(k,i,j)，PAPU(k,i,j).判斷PAPU(k,i,j)是否滿足約束條件式(3)，若滿足，則i為可行節(jié)點，記為i∈Sk，并計算fuel(k,i,j)、Jmin(k,i)和(k,j*)；否則i為不可行節(jié)點，記為i?Sk.然后取k=k-1繼續(xù)計算下一步或取i=i±ΔSOC重新計算.

2 仿真計算結(jié)果

文中采用Advisor軟件并結(jié)合MATLAB/Simulink環(huán)境針對某型號串聯(lián)式混合動力客車進(jìn)行整車仿真.仿真中各主要動力系統(tǒng)模型均為準(zhǔn)靜態(tài)模型，因此利用穩(wěn)態(tài)試驗條件下獲得的輸入輸出數(shù)據(jù)建立部件模型，忽略其動態(tài)響應(yīng)過程.仿真選用工況為中國典型城市道路工況.仿真結(jié)果如下圖2—圖4所示.控制策略優(yōu)化后電機及發(fā)動機的工作點如下圖5、圖6所示.

通過仿真得出，在改進(jìn)后控制策略模式下整車燃料消耗率為25.33kg/100km，開關(guān)模式下的燃料消耗率為27.68kg/100km.

圖2 發(fā)動機效率

圖3 蓄電池組的SOC

圖4 蓄電池組輸出功率

圖5 控制策略優(yōu)化后電機的工作點

圖6 控制策略優(yōu)化后發(fā)動機的工作點

3 結(jié) 論

1)證明了基于燃料經(jīng)濟性的控制策略優(yōu)化是有效的，通過仿真計算得出控制策略優(yōu)化后燃料經(jīng)濟性提高8.49%

2)通過仿真比較得出，在優(yōu)化后的控制策略中，發(fā)動機起動后，蓄電池組則發(fā)揮其負(fù)荷均衡作用，以平衡路面需求功率和發(fā)電機組輸出功率，保證發(fā)動機以單點恒功率方式在較高的效率點工作.該控制策略下電池的SOC變化相對更加平穩(wěn)[6]，對電池壽命提高有很大幫助.

3)從仿真結(jié)果看出，發(fā)動機始終維持在一個較高的效率范圍內(nèi)工作，電機的工作效率點也大多接近較高區(qū)域.

4)本文所提出的控制策略是基于燃?xì)饨?jīng)濟型而建立的，但經(jīng)過仿真發(fā)現(xiàn)，SOC變化區(qū)間也有所降低，這對提高電池的壽命也有幫助.

研究表明，在對混合動力客車控制策略進(jìn)行優(yōu)化時，應(yīng)用主觀與客觀相結(jié)合的方式進(jìn)行未來工況預(yù)測是行之有效的，研究結(jié)果對實際車輛的優(yōu)化提出了理論依據(jù).

[1] Johannesson L， Pettersson S，Bo Egardt．Predictive energy management of a 4QT series-parallel hybrid electric bus[J]．Control Engineering Practice,2009,17(12)：1440-1453．

[2] Ericsson E．Variability in urban driving patterns[J]．Transportation Research Part D,2000，5(5)：337-354．

[3] 朱道偉，謝 輝，嚴(yán) 英，等．基于道路工況自學(xué)習(xí)的混合動力城市客車控制策略動態(tài)優(yōu)化[J]．機械工程學(xué)報,2010，46(6)：33-38．

[4] 白東明．基于工況識別的CNG混合動力公交車控制策略優(yōu)化研究[D]．長春：吉林大學(xué)，2014．

[5] 趙春陽.基于行駛工況辨識的混合動力客車控制策略研究[D].長春：吉林大學(xué)，2015.

[6] 范 狄．基于電池荷電狀態(tài)的混合動力公交客車控制策略研究[D]．長春：吉林大學(xué)，2015．

Optimization of Control Strategy for Hybrid Electric Bus

GUAN Ming-yi1, XU Yan2, GAO Hui-min1

(1.BBK Test Systems Co., Ltd., Beijing 101102, China;2.Ordnance Science Institute of China, Beijing 100089, China)

There are two kinds of energy sources, usually one engine and a set of batteries, in a hybrid electric bus. The problems of how to distribute the output power between the two sources and how to minimize the total energy consumption need to be concerned in the control strategy. According to the driving characteristics of the bus and the subjective-objective recognition for the driving cycles, the dynamic programming method is used to allocate the required power for each part of the power system. The result of simulation analysis indicates that the proposed method can effectively improve the fuel economy of the bus compared with a switch-mode control strategy.

hybrid electric bus; control strategy; energy management; driving cycle recognition; dynamic optimization

1009-4687(2017)02-0050-05

2017-3-14

關(guān)明義(1984-)，男，工程師.

TK421.8

A