基于模糊神經(jīng)網(wǎng)絡的智能能量管理策略研究——以混合動力電動汽車模型為例

王洪亮

（石家莊職業(yè)技術學院 信息工程系，河北 石家莊 050081）

當前，世界各國都在致力于混合動力電動汽車（HEV）的研究，重點大多集中在基礎工程問題上.而有關行駛工況和動力分配方面存在的問題并沒有引起研究者足夠的重視.事實上，混合動力電動汽車對行駛工況非常敏感.豐田Prius和福特Focus的燃油消耗性研究證實了這一論斷的準確性.通常，人們根據(jù)汽車的速度曲線來定義汽車的駕駛模式.盡管有一些研究定義了其中的一些參數(shù)，但對這些參數(shù)精確定義的研究工作仍然不足［1］.本文通過識別汽車行駛工況，根據(jù)工況的不同改變控制參數(shù)，采用模糊神經(jīng)網(wǎng)絡建立了混合動力電動汽車智能能量管理系統(tǒng).

1 并聯(lián)式HEV的控制策略

如果混合動力電動汽車能夠一直滿足駕駛者對轉矩的要求，則電池的SOC（State of charge，電池剩余量）應該保持在一個限制區(qū)域內.電池的充／放電操作由汽車的運轉模式?jīng)Q定：在再生制動和巡航駕駛模式下，電池處于充電狀態(tài)；在汽車加速，內燃機的轉矩不能滿足要求而需要額外轉矩的情況下，電池處于放電狀態(tài).

1.1 并聯(lián)式混合動力電動汽車模型

由于內燃機與電動機都與車輪通過機械裝置耦合在一起，所以并聯(lián)式混合動力電動汽車可以直接分配兩個動力源所產生的驅動力.在并聯(lián)式混合動力電動汽車中，內燃機與電動機可以單獨或一起為汽車提供驅動轉矩.內燃機提供的動力既可以驅動汽車，也可以通過電動機對電池進行充電.本文所研究的混合動力電動汽車模型中，內燃機提供主要動力，電動機提供輔助動力.圖1為利用CRUISE軟件建立的混合動力電動汽車模型.此模型為并聯(lián)式混合動力電動汽車，內燃機的額定功率為110kW，額定轉速為2500r／min.電動機的額定功率為35kW，額定轉速為2000r／min.

圖1 混合動力電動汽車模型

1.2 內燃機工作區(qū)域分析

為了保持電池的SOC，應使內燃機與電動機在適當?shù)膮^(qū)域內工作.控制內燃機的工作區(qū)域是實現(xiàn)節(jié)能減排的最基本辦法.因此，在混合動力電動汽車的控制策略中，如何確定內燃機的工作區(qū)域是最重要的.

混合動力電動汽車的轉矩平衡方程式為：Tm＋Te＝Treq，內燃機需要在（β1Te.max，β2Te.max）的區(qū)域工作，其中，β1，β2為內燃機工作區(qū)域參數(shù)；Treq為汽車所需轉矩；Te，Tm分別為內燃機與電動機的轉矩.

如果Treq＞β2Te.max，則放電時，轉矩的平衡方程可由Tm，放電＋β2Te.max＝Treq來表示.其中，Tm，放電為電池放電時的電動機轉矩，Te.max為內燃機的最大轉矩.

如果Treq＜β1Te.max，則充電時轉矩的平衡方程由公式 Tm，充電＋β1Te.max＝Treq來表示.其中，Tm，充電為電池充電時電動機的最大轉矩.

如果β1Te.max≤Treq≤β2Te.max，則僅由內燃機為汽車提供動力.

1.3 行駛工況

圖2中，工況A和工況B為在北京市兩條路面環(huán)境差距比較大時采集的行駛工況圖.本文以這兩種工況作為神經(jīng)網(wǎng)絡識別的判別工況.

圖2 用于神經(jīng)網(wǎng)絡識別的判別工況

1.4 遺傳優(yōu)化

遺傳算法是基于自然選擇機制中適者生存、不適者被淘汰機制發(fā)展起來的優(yōu)化算法，具有適應性強、平行處理等特點，適用于對混合動力電動汽車控制策略的優(yōu)化.本文即用遺傳算法來優(yōu)化控制策略中的參數(shù)β1和β2，將它們分別初始化為0.75和0.9；將適應度函數(shù)定義為汽車的燃油消耗及廢氣排放量最小但能夠保持電池的SOC水平，其加權后的目標方程為：

下角標帶k的參數(shù)沒有采用優(yōu)化控制策略.定義燃油經(jīng)濟性和排放的等效重量因子w1＝0.5，w2＝w3＝w4＝w5＝0.25；SOCs是開始時的電池剩余電量，為0.7；SOCe是結束時的電池剩余電量；FC為油耗；HC為碳氫化合物；PM 為碳煙微粒；令W6＝10.利用遺傳算法對工況A下的控制參數(shù)進行優(yōu)化后，得β1＝0.81，β2＝0.92.優(yōu)化結果見表1.

表1 行駛工況A下的優(yōu)化結果

在SOC保持初始數(shù)值的條件下，由表1知，采用遺傳算法優(yōu)化后的燃油經(jīng)濟性與排放都要優(yōu)于沒有采用遺傳算法優(yōu)化的情況.優(yōu)化后，燃油消耗降低4%，排放的NOx降低3.6%，CO降低1.2%，而PM與HC的排放量沒有變化.

采用遺傳算法對行駛工況B下的控制參數(shù)進行優(yōu)化后，β1變?yōu)?.80，β2變?yōu)?.85.燃油經(jīng)濟性和排放的優(yōu)化結果見表2.

表2 行駛工況B下的優(yōu)化結果

在SOC保持初始數(shù)值的條件下，由表2發(fā)現(xiàn)，采用遺傳算法優(yōu)化后的燃油經(jīng)濟性與排放都優(yōu)于沒有采用遺傳算法優(yōu)化的情況.優(yōu)化后，燃油消耗降低1%，排放的NOx降低0.5%，而CO，PM與HC的排放量變化不大.

2 行駛工況的識別

模糊邏輯控制是以模糊集理論為基礎建立起來的控制理論，在很多領域的應用中都取得了成功.模糊網(wǎng)絡采用一個輸入、輸出循環(huán)來代表復雜的非線性現(xiàn)象，模糊神經(jīng)系統(tǒng)包括很多連接在一起的神經(jīng)元.本文中模糊神經(jīng)網(wǎng)絡系統(tǒng)分為四層：第一層為輸入層，在這一層中，每一個神經(jīng)元為一個輸入?yún)?shù)，f（1）＝xi，其中xi表示輸入?yún)?shù)；第二層為模糊化層，可表示為：f（x）＝w1fk（2）＝μij＝exp其中w1表示權重系數(shù)，μij表示第二層輸出量，aij表示模糊化的計算參數(shù)，δij表示模糊化層節(jié)點數(shù)；第三層為隱藏層，以模糊化層的輸出作為輸入，并將輸出傳遞給外層的神經(jīng)元第四層為輸出層，可表示為：f（4）＝∑wijμij，其中wij表示神經(jīng)網(wǎng)絡節(jié)點系數(shù).行駛模式參數(shù)見表3.

表3 驅動模式參數(shù)

3 仿真結果

圖3為行駛工況的模擬識別結果.表4給出了燃油消耗和排放的模擬結果.通過比較可以發(fā)現(xiàn)，考慮行駛工況后的燃油經(jīng)濟性與排放都要優(yōu)于沒有考慮行駛工況的情況，燃油消耗以及NOx的排放降低大約2%，CO降低1%，而PM與HC的排放量沒有太大的變化.

圖3 行駛工況的識別

表4 燃油消耗和排放的模擬結果

4 結束語

本系統(tǒng)使用模糊神經(jīng)網(wǎng)絡識別不同城市的行駛工況，并根據(jù)識別結果調節(jié)內燃機的工作區(qū)域.模擬結果顯示，在識別行駛工況后可使內燃機與電動機高效工作，并更好地實現(xiàn)節(jié)能減排.

［1］田毅，張欣，張良，等.神經(jīng)網(wǎng)絡工況識別的混合動力電動汽車 模糊控制策略 ［J］.控制理論與應用，2011（3）：363－369.