混合動(dòng)力汽車(chē)模糊控制策略?xún)?yōu)化*

李 軍，朱亞洲，紀(jì) 雷，徐楊蛟

(重慶交通大學(xué)機(jī)電與汽車(chē)工程學(xué)院，重慶 400074)

2016002

混合動(dòng)力汽車(chē)模糊控制策略?xún)?yōu)化*

李 軍，朱亞洲，紀(jì) 雷，徐楊蛟

(重慶交通大學(xué)機(jī)電與汽車(chē)工程學(xué)院，重慶 400074)

本文中基于自適應(yīng)模糊邏輯算法研究了某款并聯(lián)混合動(dòng)力電動(dòng)汽車(chē)的動(dòng)力傳動(dòng)系統(tǒng)控制策略，以最小化油耗和排放為目標(biāo)，在Matlab/Simulink平臺(tái)上建立相應(yīng)的控制系統(tǒng)模型，并采用遺傳算法對(duì)模糊控制規(guī)則進(jìn)行離線(xiàn)優(yōu)化。結(jié)果表明，采用遺傳算法優(yōu)化的模糊控制策略具有較好的控制效果，混合動(dòng)力汽車(chē)的燃油經(jīng)濟(jì)性和排放得到有效改善。

混合動(dòng)力汽車(chē)；控制策略?xún)?yōu)化；模糊控制；遺傳算法

前言

混合動(dòng)力汽車(chē)能量管理策略一直是汽車(chē)領(lǐng)域研究的熱點(diǎn)，但目前實(shí)現(xiàn)商業(yè)化的只有依據(jù)工程經(jīng)驗(yàn)設(shè)計(jì)的邏輯門(mén)限能量管理策略。模糊控制策略具有非線(xiàn)性、魯棒性和實(shí)時(shí)性的特點(diǎn)，增加了模糊決策因素，符合人的思維邏輯，應(yīng)用在混合動(dòng)力汽車(chē)中比較合適[1-2]。控制規(guī)則的確定是模糊控制器的關(guān)鍵設(shè)計(jì)之一，但以往根據(jù)專(zhuān)家經(jīng)驗(yàn)制定的控制規(guī)則具有一定的主觀性，很難達(dá)到全局最優(yōu)的控制效果。因此，如何對(duì)已制定的控制規(guī)則進(jìn)行優(yōu)化，是混合動(dòng)力汽車(chē)模糊能量管理策略研究的重要方向之一[3]。

遺傳算法是根據(jù)自然選擇和遺傳機(jī)制構(gòu)造的搜索算法。該算法能夠應(yīng)用于各類(lèi)非線(xiàn)性問(wèn)題的優(yōu)化，具有全局性、并行性和魯棒性等優(yōu)點(diǎn)，比較適合于應(yīng)用在模糊控制策略的優(yōu)化中[4-8]。本文中以某傳統(tǒng)汽車(chē)為原型，進(jìn)行并聯(lián)式混合動(dòng)力汽車(chē)動(dòng)力系統(tǒng)部件選型和參數(shù)匹配，并在此基礎(chǔ)上研究模糊能量控制系統(tǒng)，然后采用遺傳算法對(duì)模糊控制規(guī)則進(jìn)行離線(xiàn)優(yōu)化，最后對(duì)優(yōu)化前后的控制策略進(jìn)行對(duì)比仿真。

1 模糊邏輯控制策略的設(shè)計(jì)

1.1 并聯(lián)混合動(dòng)力汽車(chē)主要結(jié)構(gòu)參數(shù)

本文中的研究對(duì)象為某款混合動(dòng)力汽車(chē)，它具有電機(jī)單獨(dú)驅(qū)動(dòng)、發(fā)動(dòng)機(jī)單獨(dú)驅(qū)動(dòng)、行車(chē)充電、混合驅(qū)動(dòng)和再生制動(dòng)等工作模式。其主要參數(shù)如表1所示。

1.2 模糊控制器的設(shè)計(jì)

為實(shí)現(xiàn)對(duì)該車(chē)能量的優(yōu)化管理，本文中設(shè)計(jì)了能量管理系統(tǒng)的模糊控制策略，并采用遺傳算法對(duì)模糊控制器的控制規(guī)則進(jìn)行多目標(biāo)離線(xiàn)優(yōu)化。其模糊控制器的2個(gè)輸入變量為電池的SOC值和整車(chē)需求轉(zhuǎn)矩與當(dāng)前轉(zhuǎn)速下發(fā)動(dòng)機(jī)的最優(yōu)轉(zhuǎn)矩的差值ΔT，輸出變量為系數(shù)k。模糊控制器輸入、輸出變量的模糊子集和隸屬度函數(shù)采用三角形和梯形相結(jié)合的方式。ΔT的5個(gè)模糊子集分別為{NB,NS,M,PS,PB}；電池SOC的5個(gè)模糊子集分別為{VL,L,N,H,VH}；輸出量k的5個(gè)模糊子集分別為{VS,S,M,B,VB}。

表1 主要部件的仿真參數(shù)

在確定各輸入、輸出變量模糊子集和隸屬度函數(shù)后，編寫(xiě)出模糊控制規(guī)則，見(jiàn)表2。

表2 模糊控制規(guī)則表

制定模糊控制規(guī)則的主要依據(jù)如下：

(1) 當(dāng)汽車(chē)速度低于某一最低速度值時(shí)，由電機(jī)單獨(dú)提供驅(qū)動(dòng)轉(zhuǎn)矩；

(2) 當(dāng)整車(chē)需求轉(zhuǎn)矩大于當(dāng)前轉(zhuǎn)速下發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩的最大值時(shí)，電機(jī)提供補(bǔ)充轉(zhuǎn)矩輔助驅(qū)動(dòng)；

(3) 在給定轉(zhuǎn)速下，當(dāng)發(fā)動(dòng)機(jī)工作于需求轉(zhuǎn)矩且效率較低時(shí)，發(fā)動(dòng)機(jī)關(guān)閉，電機(jī)提供需求轉(zhuǎn)矩；

(4) 當(dāng)電池SOC比較低時(shí)，電機(jī)利用發(fā)動(dòng)機(jī)輸出的額外轉(zhuǎn)矩給電池充電；

(5) 當(dāng)發(fā)動(dòng)機(jī)工作在高效區(qū)間時(shí)，僅由發(fā)動(dòng)機(jī)提供轉(zhuǎn)矩。

在模糊推理運(yùn)算中，與和蘊(yùn)涵運(yùn)算采用最小法，或運(yùn)算采用最大法，結(jié)論合成采用累加法，輸出解模糊采用面積質(zhì)心法。

2 遺傳算法優(yōu)化模糊控制器

2.1 用于控制規(guī)則優(yōu)化的遺傳算法

對(duì)模糊控制器控制規(guī)則優(yōu)化的遺傳算法可表示為

GA=(C，J，P0，M，Φ，Γ，Ψ，T)

(1)

式中：C為個(gè)體的編碼方法；J為個(gè)體適應(yīng)度評(píng)價(jià)函數(shù)；P0為初始種群；M為種群大小；Φ，Γ和Ψ分別為選擇算子、交叉算子和變異算子；T為遺傳算法的終止條件。遺傳算法流程如圖1所示。

圖1 遺傳算法流程

2.2 控制規(guī)則編碼

遺傳算法優(yōu)化模糊控制規(guī)則首先須解決的是規(guī)則編碼問(wèn)題。十進(jìn)制編碼染色體長(zhǎng)度短，運(yùn)算速度快、精度高，不產(chǎn)生不可行解，并且對(duì)于變異操作的種群穩(wěn)定性好，因此本文中選擇十進(jìn)制整數(shù)編碼[9]。

模糊控制器采用雙輸入單輸出模型，每個(gè)輸入量和輸出量都含有5個(gè)模糊子集，共有25條控制規(guī)則。為保證控制規(guī)則的完整性和一致性，只對(duì)輸出量值編碼。采用十進(jìn)制整數(shù)，將輸出變量k的變量值{VS,S,M,B,VB}依次編碼為1，2，3，4，5，如表2所示的25條控制規(guī)則的編碼依次為33111，…，55544，由此產(chǎn)生一個(gè)有25個(gè)染色體組成的個(gè)體。

2.3 目標(biāo)函數(shù)

本文中控制策略的優(yōu)化目標(biāo)是使油耗和排放量最小化。其目標(biāo)函數(shù)為

(2)

式中：ω1～ω4為優(yōu)化目標(biāo)的權(quán)重因子；H為油耗值；X為CO排放值；Y為HC排放值；Z為NOx排放值；下標(biāo)“targ”為它們對(duì)應(yīng)的目標(biāo)值。

式中的4個(gè)目標(biāo)是相互影響的，單個(gè)目標(biāo)函數(shù)達(dá)到最優(yōu)時(shí)其他目標(biāo)函數(shù)不一定最優(yōu)，采用加權(quán)法建立目標(biāo)函數(shù)，從而將多目標(biāo)優(yōu)化問(wèn)題轉(zhuǎn)化為單目標(biāo)優(yōu)化問(wèn)題[10]。表3為采用的自定義目標(biāo)值，其中排放量值參考EURO Ⅴ排放標(biāo)準(zhǔn)。

表3 油耗和排放目標(biāo)值

2.4 初始種群的產(chǎn)生

初始群體的特性對(duì)計(jì)算結(jié)果和效率有重要影響。標(biāo)準(zhǔn)遺傳算法是按預(yù)定或隨機(jī)方法產(chǎn)生一組初始解群體，具有一定盲目性，產(chǎn)生的控制規(guī)則個(gè)體可能極不合理，影響著進(jìn)化的進(jìn)度和精度。借鑒文獻(xiàn)[9]中的穩(wěn)態(tài)繁殖思想，將表1中的模糊控制規(guī)則作為母體，每位編碼按0～0.3的概率為-1,按0.3～0.6的概率為+1,大于0.6的概率不變，產(chǎn)生30個(gè)個(gè)體，從中選擇19個(gè)，加上母體共20個(gè)，組成初始種群。

2.5 選擇、交叉和變異過(guò)程

選擇算子的作用是從當(dāng)前代的群體中選擇出一些比較優(yōu)良的個(gè)體，并將其復(fù)制到下一代群體中。本文中采用比例選擇算子，每個(gè)個(gè)體被選中的概率與其適應(yīng)度的大小成正比。設(shè)群體大小為M，個(gè)體i的適應(yīng)度為Fi，則個(gè)體i被選中的概率pis為

(3)

根據(jù)整數(shù)編碼的特點(diǎn)，交叉算法選擇均勻交叉，即兩個(gè)配對(duì)個(gè)體的每個(gè)基因座上的基因都以相同的交叉概率進(jìn)行交換，形成兩個(gè)新的個(gè)體。均勻交叉的主要過(guò)程：①隨機(jī)產(chǎn)生一個(gè)與個(gè)體編碼串長(zhǎng)度相等的屏蔽字W=w1w2…wj…wL，其中wj非0即1，L為個(gè)體編碼串長(zhǎng)度；②當(dāng)wj為0時(shí)，2個(gè)子代第j個(gè)基因座上基因值保持不變；當(dāng)wj為1時(shí)，2個(gè)子代分別繼承兩父代交叉后的第j個(gè)基因座上基因值。

變異操作選擇基本位變異，對(duì)個(gè)體的每一個(gè)基因座，以變異率指定其為變異點(diǎn)。對(duì)于每個(gè)指定的變異點(diǎn)，采用隨機(jī)進(jìn)行加1或減1的變異方法，如果該基因值為最小值或最大值則分別只進(jìn)行加1或減1操作，即

(4)

3 結(jié)果分析

為驗(yàn)證優(yōu)化后控制策略的有效性，基于美國(guó)再生能源實(shí)驗(yàn)室在Matlab/Simulink軟件環(huán)境下開(kāi)發(fā)的電動(dòng)汽車(chē)仿真軟件ADVISOR2002，建立并聯(lián)混合動(dòng)力汽車(chē)仿真模型。同時(shí)為驗(yàn)證優(yōu)化控制策略的工況適應(yīng)性，選擇兩個(gè)典型工況進(jìn)行仿真分析，即歐洲駕駛循環(huán)(NEDC)和美國(guó)城市道路循環(huán)(UDDS)。

分別運(yùn)用ADVISOR和Matlab軟件進(jìn)行參數(shù)仿真和離線(xiàn)優(yōu)化。首先以專(zhuān)家經(jīng)驗(yàn)建立的模糊控制策略對(duì)混合動(dòng)力汽車(chē)系統(tǒng)進(jìn)行仿真，然后采用遺傳算法對(duì)模糊控制器控制規(guī)則進(jìn)行多目標(biāo)優(yōu)化，遺傳算法運(yùn)行參數(shù)選擇如表4所示。

表4 遺傳算法運(yùn)行參數(shù)

兩種工況下控制策略?xún)?yōu)化前后仿真結(jié)果對(duì)比情況如表5和表6所示。由表可見(jiàn)，優(yōu)化后車(chē)輛的百公里油耗和排放量都有所降低，其中NEDC工況下百公里油耗下降了7.01%，排放值分別下降了1.17%(HC)，1.04%(CO)和5.42%(NOx)；UDDS工況下百公里油耗下降了3.0%，排放值分別下降了1.27%(HC)，1.42%(CO)和0.56%(NOx)。

表5 NEDC工況下優(yōu)化前后仿真結(jié)果

表6 UDDS工況下優(yōu)化前后仿真結(jié)果

圖2 NEDC工況下優(yōu)化前后發(fā)動(dòng)機(jī)效率分布

兩種工況下優(yōu)化前后發(fā)動(dòng)機(jī)的效率分布分別如圖2和圖3所示。由圖2可見(jiàn)，NEDC工況下優(yōu)化后的發(fā)動(dòng)機(jī)效率在前一段仿真時(shí)間有明顯提高，這主要是因?yàn)檫@段時(shí)間汽車(chē)運(yùn)行工況較復(fù)雜，根據(jù)經(jīng)驗(yàn)制定的控制策略無(wú)法達(dá)到最優(yōu)控制；由圖3可見(jiàn)，UDDS工況下優(yōu)化后發(fā)動(dòng)機(jī)的工作點(diǎn)分布范圍相對(duì)更加集中，整體效率提高。

圖3 UDDS工況下優(yōu)化前后發(fā)動(dòng)機(jī)效率分布

兩種工況下仿真過(guò)程中蓄電池SOC變化情況分別如圖4和圖5所示。優(yōu)化前后SOC的初始值都為0.7，NEDC工況下優(yōu)化前后的SOC結(jié)束值分別為0.684和0.693，UDDS工況下優(yōu)化前后的SOC結(jié)束值分別為0.712和0.705。不同工況下優(yōu)化前后SOC變化范圍都較小，保證了電池的充放電平衡。

圖4 NEDC工況下蓄電池SOC變化曲線(xiàn)

圖5 UDDS工況下蓄電池SOC變化曲線(xiàn)

兩種工況下遺傳算法優(yōu)化過(guò)程目標(biāo)函數(shù)值的變化曲線(xiàn)分別如圖6和圖7所示。圖6中采用遺傳算法優(yōu)化到25代左右時(shí)，目標(biāo)函數(shù)變化已經(jīng)很小，約30代以后目標(biāo)函數(shù)基本不再變化；圖7中目標(biāo)函數(shù)在約18代以后就基本不再變化。兩種工況下仿真優(yōu)化后的結(jié)果比較合理，已達(dá)到全局最優(yōu)解目標(biāo)。

圖6 NEDC工況下目標(biāo)函數(shù)收斂曲線(xiàn)

圖7 UDDS工況下目標(biāo)函數(shù)收斂曲線(xiàn)

兩種工況下采用遺傳算法優(yōu)化后的模糊控制規(guī)則分別見(jiàn)表7和表8。其中表7中優(yōu)化后運(yùn)行工況更多地集中在發(fā)動(dòng)機(jī)高效區(qū)間，即M集合內(nèi)。

表7 NEDC工況仿真優(yōu)化后的模糊控制規(guī)則表

表8 UDDS工況仿真優(yōu)化后的模糊控制規(guī)則表

4 結(jié)論

(1) 針對(duì)某并聯(lián)式混合動(dòng)力汽車(chē)，設(shè)計(jì)了能量管理系統(tǒng)模糊控制策略，并采用十進(jìn)制遺傳算法對(duì)模糊控制器的控制規(guī)則進(jìn)行多目標(biāo)離線(xiàn)優(yōu)化。

(2) 分別在NEDC工況和UDDS工況下對(duì)優(yōu)化前后的控制策略進(jìn)行了仿真分析，其中NEDC工況優(yōu)化后百公里油耗下降了7.01%，UDDS工況下百公里油耗下降了3.0%，兩種工況優(yōu)化后的排放值也都有不同程度的降低。仿真結(jié)果表明，針對(duì)不同工況下模糊控制策略的優(yōu)化，遺傳算法有較好的適應(yīng)能力，能夠在一定程度上改善并聯(lián)混合動(dòng)力汽車(chē)的油耗和排放。

[1] LI Chunyan, LIU Guoping. Optimal Fuzzy Power Control and Management of Fuel Cell/battery Hybrid Vehicles[J]. Journal of Power Sources,2009,192(2):525-533.

[2] 吳曉剛,王旭東,毛亮.ISG型混合動(dòng)力汽車(chē)能量管理模糊控制的研究[J].汽車(chē)工程,2011,33(7):558-562.

[3] 朱元,田光宇,等.混合動(dòng)力汽車(chē)能量管理策略的四步驟設(shè)計(jì)方法[J].機(jī)械工程學(xué)報(bào),2004,40(8):127-133.

[4] PALADINI Vanessa, DONATEO Teresa, dE RISI Arturo, et al. Super-capacitors Fuel-cell Hybrid Electric Vehicle Optimization and Control Strategy Development[J]. Energy Conversion and Management,2007,48(11):3001-3008.

[5] AMIRI Meisam, ESFAHANIAN Mohsen, HAIRI-YAZDI Mohammad Reza, et al. Minimization of Power Losses in Hybrid Electric Vehicles in View of the Prolonging of Battery Life[J]. Journal of Power Sources,2009,190(2):372-379.

[6] POURSAMAD Amir, MONTAZERI Morteza. Design of Genetic-fuzzy Control Strategy for Parallel Hybrid Electric Vehicles[J]. Control Engineering Practice,2008,16(7):861-873.

[7] 張昕,宋建峰,等.基于多目標(biāo)遺傳算法的混合動(dòng)力電動(dòng)汽車(chē)控制策略?xún)?yōu)化[J].機(jī)械工程學(xué)報(bào),2009,45(2):36-40.

[8] 楊世春,朱傳高,等.并聯(lián)式混合動(dòng)力汽車(chē)遺傳模糊控制策略的研究[J].汽車(chē)工程,2011,33(2):106-111.

[9] 邵克勇,張鴻雁,李飛,等.一種基于GA的模糊控制規(guī)則優(yōu)化新方法[J].化工自動(dòng)化及儀表,2011,38(3):261-264.

[10] 浦金歡,殷承良,張建武.遺傳算法在混合動(dòng)力汽車(chē)控制策略?xún)?yōu)化中的應(yīng)用[J].中國(guó)機(jī)械工程,2005,16(7):648-651.

[11] 喬孟麗,張景元,溫瑩瑩.一種基于遺傳算法的模糊控制規(guī)則的優(yōu)化方法[J].計(jì)算機(jī)測(cè)量與控制,2006,14(10):1349-1351.

Optimization of Fuzzy Control Strategy for Hybrid Electric Vehicle

Li Jun, Zhu Yazhou, Ji Lei & Xu Yangjiao

SchoolofMechatronics&AutomotiveEngineering,ChongqingJiaotongUniversity,Chongqing400074

Based on adaptive fuzzy logic algorithm, the control strategy for the power transmission system of a parallel hybrid electric vehicle (PHEV) is studied. A corresponding control system model is built and an off-line optimization on fuzzy control rule is conducted by using genetic algorithm, with minimizing fuel consumption and emissions as objective. The results show that the fuzzy control strategy optimized with genetic algorithm has better control effects, with the fuel consumption and emission of the PHEV effectively improved.

HEV; control strategy optimization; fuzzy control; genetic algorithm

*國(guó)家自然科學(xué)基金(51305472)和重慶市自然科學(xué)基金重點(diǎn)項(xiàng)目(CSTC2013yykfB0184)資助。

原稿收到日期為2014年7月10日，修改稿收到日期為2014年8月27日。