張丹紅,周加洋,蘇義鑫
(武漢理工大學(xué)自動化學(xué)院,湖北 武漢 430070)
汽車行駛過程中速度變化較大,經(jīng)常需要減速制動,可回收利用的制動能量是非常多的。傳統(tǒng)汽車在制動過程中,汽車的動能或勢能通過制動器的摩擦轉(zhuǎn)化為熱能而耗散掉,浪費了大量的制動能量。而混合動力電動車是燃油(氣)發(fā)動機動力與電動機動力兩種動力的組合,當(dāng)電子制動系統(tǒng)得到制動信號時,電機處于發(fā)電機狀態(tài),這樣可以使相當(dāng)一部分的動能轉(zhuǎn)化為電能[1],這一過程稱為混合動力電動汽車的再生制動。
在以往的制動能量回收的研究中,比較常見的再生制動能量回收策略有前、后輪理想制動力分配策略,前、后輪制動力比例分配策略,最優(yōu)能量回收策略[2-4]。這些控制策略能實現(xiàn)一定的能量回收,但沒能充分發(fā)揮電機的再生制動特性。
在保證制動安全性和舒適性的前提下,采用模糊邏輯的策略,在車輛制動過程中,使再生制動力矩和摩擦制動力矩合理分配,始終保持最佳的比例,同時盡可能多地發(fā)揮電機的再生制動特性,以便將更多的動能轉(zhuǎn)化為電能儲存在電池裝置中,這樣既可以節(jié)約能源,提高混合動力電動汽車的行駛里程;同時還可以耗費較少的燃油,減少有害氣體的排放,有良好的環(huán)保作用。
并不是所有的制動能量都可回收。在混合動力電動汽車上,只有驅(qū)動軸上的制動能量可沿著與之相連接的驅(qū)動系統(tǒng)傳送至儲能裝置。當(dāng)車的驅(qū)動輪在前輪,車輛制動時,為保證制動的安全性和舒適性,摩擦制動力矩必須起作用,即前輪要有再生制動力矩和摩擦制動力矩,而后輪僅有摩擦制動力矩。車輪上制動力矩的分配如圖1所示。
圖1 車輪上制動力矩的分配
在制動過程中,當(dāng)電池儲能裝置完全被充滿電時,再生制動系統(tǒng)就不再起作用,只有摩擦制動起作用以保證制動過程的順利進行。此外在制動過程中,必須保證駕駛員具有舒適性和安全性,與傳統(tǒng)汽車制動時的感覺一樣,摩擦制動力矩的參與是必不可少的。因此,制動力矩的合理分配是很關(guān)鍵的。采取模糊邏輯的策略,使電子制動控制系統(tǒng)合理地分配再生制動力矩和摩擦制動力矩,使兩者始終保持最佳的比例。
(1)行駛工況。不同行駛工況,HEV(hybrid-electrie vehicle)制動出現(xiàn)的頻率不同。
(2)制動安全性要求。當(dāng)電機提供的再生制動力矩不能滿足車輛制動力矩的要求時,應(yīng)通過制動控制器立即讓機械摩擦制動參與制動。
(3)驅(qū)動型式。制動時,并不是所有車輪上的制動能量都可回收,只有驅(qū)動輪上的部分制動能量能被回收[5]。
(4)電機類型。再生制動對電機的扭矩特性要求與驅(qū)動時對電機的動力特性要求相同。
(5)電池的SOC。SOC是描述電池剩余電量占額定電量的百分比,是描述電池充電狀態(tài)的一個重要參數(shù)。當(dāng)儲能器被充滿電或者充電電流過大時,無法回收制動能量。
采用Sugeno模糊推理模型,即T-S型模糊推理系統(tǒng),輸出變量為常系數(shù),可以直接推動執(zhí)行機構(gòu)。
模糊輸出變量為k,表示實際再生制動力矩占制動請求總力矩的比例。
根據(jù)上述影響再生制動能量回收的幾個因素,選取電池SOC作為模糊輸入變量之一。如果SOC值過大,再生制動部分起的作用就會較小;而SOC值過小,再生制動部分起的作用就會較大,因此SOC是影響再生制動能量回收的關(guān)鍵因素[6]。
此外,電機作為制動過程中的關(guān)鍵部件,在制動過程中處于發(fā)電狀態(tài)時,其能提供的最大制動力矩是定值,即一定類型、一定功率的電機能提供的最大制動力矩是定值。因此選取模糊輸入變量為T=Treq-Tmax,Treq為制動請求的總力矩(Treq的大小隨著不同的制動情況而變化),Tmax為電機能提供的最大制動力矩(Tmax為常量),該變量涉及到電機的再生制動力矩,能更好地利用電機的再生制動特性。
因此,選取的模糊輸入變量為:電池SOC、T。根據(jù)這兩個模糊輸入變量和輸出變量制定模糊規(guī)則,使車輛制動時能最大限度地發(fā)揮電機能量回收的特性。
在已有的研究中,選取制動時的車速、減速度以及制動強度的大小作為模糊輸入變量,能實現(xiàn)一定的能量回收[7-10],但沒有考慮到影響再生制動能量回收的關(guān)鍵因素,即電機的再生制動力矩,不能充分發(fā)揮電機的再生制動特性。筆者選取的模糊輸入變量,考慮了電機能提供的最大再生制動力矩,抓住了影響再生制動能量回收的關(guān)鍵要素。
輸入變量T的隸屬度函數(shù)如圖2所示。
圖2 T的隸屬度函數(shù)
圖2中,T的模糊論域為[-100,100],模糊集為{NB(負(fù)大),NS(負(fù)小),Z(零),PS(正小),PB(正大)}。
輸入變量SOC的隸屬度函數(shù)如圖3所示。
圖3 SOC的隸屬度函數(shù)
圖3中,SOC的模糊論域為[0,1],模糊集為{L(小),M(中),B(大)}。
輸出變量常系數(shù)k的值為{0.20,0.30,0.40,0.45,0.50,0.60,0.70,0.80},這些值是根據(jù)系統(tǒng)的大量輸入輸出測試數(shù)據(jù)以及實踐積累的數(shù)據(jù),通過辨識方法得到的。
采取 if x1is A1and x2is A2,then u=k的形式。模糊規(guī)則表如表1所示。
表1 模糊規(guī)則表
在Matlab/Simulink環(huán)境下搭建的模糊邏輯策略模型,如圖4所示。
其中:Treq為制動所需的總力矩;Tmax為電機能提供的最大制動力矩;T=Treq-Tmax;SOC為電池剩余電量占額定容量的比值;T、SOC為模糊控制器的輸入變量;k為模糊控制器的輸出變量;Treg-brake為制動過程中實際分配的再生制動力矩;Tfri-brake為分配的摩擦制動力矩。
圖4 模糊邏輯策略模型
在ADVISOR仿真環(huán)境中有已經(jīng)搭建好的混合動力電動汽車的部件模型,以及部件的參數(shù)設(shè)置。將圖4的模糊邏輯策略模型嵌入到ADVISOR軟件仿真環(huán)境中。
主要仿真參數(shù)為:選擇的混合動力電動汽車為并聯(lián)型,車質(zhì)量為656 kg,發(fā)動機的最大功率為41 kW,電機類型為永磁同步電機,額定功率為58 kW,能提供的最大力矩為400 N·m,儲能裝置為鉛酸蓄電池,額定容量為25 Ah。
仿真設(shè)定電池SOC的初始值為0.500,初始車速為50 km/h,制動減速至0,仿真觀察電池SOC的變化曲線,選擇CYC_UDDS工況來進行仿真分析。CYC_UDDS工況在估算車的性能時被廣泛采用,在研究車輛的制動性能以及HEV的再生制動能量回收時也被廣泛使用。因此,選用CYC_UDDS工況。
圖5為ADVISOR中原有的再生制動能量回收策略(比例制動策略,由車速來分配再生制動力矩和摩擦制動力矩)的SOC變化曲線,圖6為模糊邏輯策略的再生制動能量回收的SOC變化曲線。
圖5 ADVISOR中原有的再生制動能量回收策略的SOC變化曲線
圖6 模糊邏輯策略的再生制動能量回收的SOC變化曲線
由以上兩條SOC仿真曲線可知,制動減速過程中,ADVISOR中原有的再生制動能量回收策略的SOC值由初始值0.500升到0.585;模糊控制策略的再生制動能量回收的SOC值由初始值0.500升到0.610。對比可知,所給出的模糊邏輯策略能回收更多的能量。
HEV再生制動回收的電能可以減少燃油的使用,節(jié)約能源,提高汽車行駛里程,減少有害氣體的排放,有良好的環(huán)保作用;還可以減少機械剎車系統(tǒng)的損耗,提高整車能量的使用效率。因此,再生制動能量回收是混合動力電動汽車一個極其重要的研究方向。采取的模糊邏輯策略,在保證制動安全性和舒適性的前提下,合理地分配再生制動力矩和摩擦制動力矩,最大限度地發(fā)揮電機的再生制動特性,盡可能多地回收車輛制動時的能量。由以上兩條仿真曲線知,給出的模糊邏輯策略能更好地實現(xiàn)能量回收。
[1] 李興虎.混合動力汽車結(jié)構(gòu)與原理[M].北京:人民交通出版社,2009:32-98.
[2] 陳家新,江建中,江信堯.電動車能量再生控制及其可靠性研究[J].電氣傳動自動化,2002,24(6):30-33.
[3] 張毅,楊林,朱建新,等.電動汽車能量回饋的整車控制[J].汽車工程,2005,27(1):24-27.
[4] 舒紅,秦大同,胡建軍.混合動力汽車控制策略研究現(xiàn)狀及發(fā)展趨勢[J].重慶大學(xué)學(xué)報,2001,24(6):28-31.
[5] 劉皓春,全書海,王玉林.電動汽車驅(qū)動控制新技術(shù)[J].武漢汽車工業(yè)大學(xué)學(xué)報,1996,2l(3):10-13.
[6] 張世亮.車輛制動能量回收裝置的研究[J].機械設(shè)計與制造,1999,28(4):22-24.
[7] JOHNSON V H.Battery performance models in ADVISOR[J].Journal of Power Sources,2002,110(2):321-329.
[8] MOTOAMA S,UKI H,ISODA K.Effect of traction forcedistribution control on vehicle dynamics[J].Vehicle System Dynamics,1993(22):455-464.
[9] GEORGE F M.A fuzzy logic controller for ABS braking system[J].IEEE Transaction on Fuzzy Systems,1995,3(4):381-388.
[10] ZHANG J M,SONG B Y,CUI S M.Fuzzy logic approach to regenerative braking system[C]//IEEE 2009 International Conference on Intelligent Human-Machine System and Cybernetics. [S.l.]:[s.n.],2009:451-454.