基于模糊邏輯的HEV再生制動能量回收的研究

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。

1 制動力矩分配及影響制動的因素

1.1 制動力矩分配

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。

1.2 影響再生制動能量回收的關(guān)鍵因素

(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。

2 模糊控制器的設(shè)計

2.1 模糊語言變量的選取

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。

2.2 輸入變量的隸屬度函數(shù)選取

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。

2.3 模糊邏輯控制規(guī)則

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

3 模糊邏輯策略模型的建立

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

4 控制策略的仿真和分析比較

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。

5 結(jié)論

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.