王喜明

(廈門金龍聯(lián)合汽車工業(yè)有限公司，福建廈門 361023)

目前，關(guān)于混合動力車輛動力系統(tǒng)參數(shù)優(yōu)化的研究大多集中在各種優(yōu)化方法上，并且是基于功能性的能量管理策略進行的［1－3］。但是，對混合動力車輛來說，動力系統(tǒng)參數(shù)、能量管理策略、目標(biāo)工況對車輛性能的影響彼此之間是相互耦合的［4－6］。所以，基于同一功能性能量管理策略對不同動力系統(tǒng)組合方案的性能評價是不公平的，也是不合理的。為保證對每一動力系統(tǒng)組合方案性能的公平評價，本文提出基于最優(yōu)化能量管理策略的混合動力系統(tǒng)參數(shù)優(yōu)化方法，借助專業(yè)平臺Isight對PHB混合動力系統(tǒng)參數(shù)進行優(yōu)化研究。

1 PHB混合動力系統(tǒng)參數(shù)優(yōu)化

本文PHB采用單軸串并聯(lián)構(gòu)型(如圖1所示)，混合動力系統(tǒng)由發(fā)動機、ISG電機、離合器和主驅(qū)動電機構(gòu)成，通過離合器的分離與結(jié)合來實現(xiàn)串聯(lián)和并聯(lián)模式的切換。

圖1 單軸串并聯(lián)混合動力系統(tǒng)構(gòu)型

1.1 優(yōu)化變量及約束條件

PHB動力電池組的容量因受車輛設(shè)計指標(biāo)所限，此外因單軸串并聯(lián)混合動力系統(tǒng)結(jié)構(gòu)對ISG電機的特殊性要求，本文只對發(fā)動機額定功率Pe，r、主驅(qū)動電機峰值功率PTM，m和主減速比i0進行優(yōu)化，如式(1)所述。將優(yōu)化變量的原始值上下浮動20%作為上下限值，優(yōu)化變量的相應(yīng)取值區(qū)間分別是［113.6，170.4］，［128，192］和［5.10，7.64］。

在PHB動力系統(tǒng)參數(shù)優(yōu)化過程中，以車輛動力性指標(biāo)和動力電池組SOC終值為約束條件，分別為:最高車速≥70 km/h，0～50 km/h加速時間≤20 s，15 km/h爬坡度指標(biāo)≥12%，動力電池組SOC終值落在［0.28，0.35］內(nèi)。

1.2 集成優(yōu)化平臺架構(gòu)設(shè)計

Isight是Dassault/Simulia公司的一款基于參數(shù)的多學(xué)科設(shè)計優(yōu)化工具，有效地融合了數(shù)字技術(shù)、推理技術(shù)和探索技術(shù)，是集設(shè)計自動化、集成化和優(yōu)化功能于一身的智能優(yōu)化軟件平臺。

本文基于Isight搭建混合動力系統(tǒng)集成優(yōu)化平臺結(jié)構(gòu)(如圖2所示)，通過Isight自帶的Matlab接口模塊調(diào)用Matlab/Simulink環(huán)境下的PHB模型，并對模型中混合動力系統(tǒng)的優(yōu)化參數(shù)進行修改。然后，在Isight的驅(qū)動下，用全局最優(yōu)算法程序與PHB模型對車輛經(jīng)濟性和動力性進行仿真求解，并將求解結(jié)果反饋給Isight，如此反復(fù)直至完成預(yù)設(shè)迭代步數(shù)或達到預(yù)設(shè)精度。

圖2 混合動力系統(tǒng)集成優(yōu)化平臺結(jié)構(gòu)圖

1.3 組合優(yōu)化算法設(shè)計

目前，對于單目標(biāo)優(yōu)化問題，Isight采用數(shù)值型優(yōu)化算法和探索型優(yōu)化算法。數(shù)值型優(yōu)化算法優(yōu)點在于能夠快速找到局部最優(yōu)點，但它的全局尋優(yōu)能力較弱［7－9］。探索型優(yōu)化算法能夠找到全局最優(yōu)點但其后期尋優(yōu)效率較低，局部尋優(yōu)效果不佳［10－12］。

序列二次規(guī)劃法(NLPQL)是數(shù)值型優(yōu)化算法，二次連續(xù)規(guī)劃法(SQP)作為NLPQL的核心算法，能和一個非常穩(wěn)健的算法一起運用實現(xiàn)先全局后局部、先粗后精的尋優(yōu)過程。多島遺傳算法(MIGA)是探索型優(yōu)化算法，繼承了傳統(tǒng)遺傳算法(GA)的基本思想，并兼具有“小生境”技術(shù)，在解決“多谷”或“多峰”等全局優(yōu)化問題時具有很大的優(yōu)勢。本文為提高尋優(yōu)的效率，改善優(yōu)化尋優(yōu)質(zhì)量，通過MIGA算法和SQP算法有機結(jié)合來充分發(fā)揮這兩種算法的優(yōu)點，彌補彼此的不足。圖3為MIGA和SQP組合優(yōu)化算法的尋優(yōu)過程。

圖3 組合優(yōu)化流程

先通過MIGA對混合動力系統(tǒng)優(yōu)化變量進行全局動態(tài)尋優(yōu)，在初步全局尋優(yōu)后，Isight自動定位最優(yōu)區(qū)域，繼而用SQP對優(yōu)化變量進行局部梯度尋優(yōu)，以此確定最優(yōu)解。

2 混合動力系統(tǒng)參數(shù)優(yōu)化結(jié)果

將Matlab/Simulink環(huán)境下的PHB模型和Matlab/Simulink環(huán)境下執(zhí)行最優(yōu)能量管理的算法集成到Isight中，其頂層封裝界面如圖4所示。

圖4 基于Isight混合動力系統(tǒng)集成優(yōu)化平臺頂層封裝界面

PHB混合動力系統(tǒng)的優(yōu)化目標(biāo)是車輛燃油經(jīng)濟性，優(yōu)化規(guī)程中車輛燃油經(jīng)濟性分布如圖5所示，其對應(yīng)的迭代過程如圖6所示。

圖5 目標(biāo)函數(shù)值分布圖

圖6 燃油經(jīng)濟性迭代過程

從圖6可以看出，PHB的燃油經(jīng)濟性隨著迭代次數(shù)的增加整體呈下降趨勢，并逐步收斂，但仍會不時地出現(xiàn)上下波動，這體現(xiàn)了組合優(yōu)化算法很強的全局搜索、局部搜索能力。在迭代優(yōu)化過程中，與目標(biāo)函數(shù)值分布相對應(yīng)的是采樣點在搜索域中的分布，如圖7所示。目標(biāo)函數(shù)值分布圖和優(yōu)化變量在采樣空間的分布圖能更充分地體現(xiàn)組合優(yōu)化算法同時兼顧全局和局部搜索的優(yōu)勢。

圖7 采樣點在搜索域中的分布圖

PHB混合動力系統(tǒng)優(yōu)化前后的優(yōu)化變量、車輛燃油經(jīng)濟性和SOC終值對比情況見表1。在實際應(yīng)用中，由于受到零部件資源的限制，需考慮零部件資源獲取的便捷性，最終選擇與優(yōu)化結(jié)果比較接近的參數(shù)組合，對應(yīng)的車輛燃油經(jīng)濟性相比優(yōu)化前提高了4.41%，而優(yōu)化結(jié)果對應(yīng)的車輛燃油經(jīng)濟性相比優(yōu)化前則能提高4.92%。

表1 優(yōu)化變量、燃油經(jīng)濟性和SOC終值優(yōu)化前后對比

3 結(jié)束語

本文提出了基于最優(yōu)化能量管理策略的混合動力系統(tǒng)參數(shù)優(yōu)化方法，解決了對不同動力系統(tǒng)組合方案性能評價的公平性和合理性問題?；贗sight構(gòu)建了PHB混合動力系統(tǒng)集成優(yōu)化平臺，將探索型優(yōu)化算法MIGA和數(shù)值型優(yōu)化算法SQP組合應(yīng)用設(shè)計了組合優(yōu)化算法，提高了優(yōu)化效率。

修改稿日期:2018－07－02