基于模糊在線識別的并聯(lián)混合動力客車自適應控制策略

連靜，常靜，李琳輝，周雅夫，呂仁志，黃海洋，鄭寧安

(大連理工大學 工業(yè)裝備結構分析國家重點實驗室，運載工程與力學學部汽車工程學院，遼寧，大連 116024)

?

基于模糊在線識別的并聯(lián)混合動力客車自適應控制策略

連靜，常靜，李琳輝，周雅夫，呂仁志，黃海洋，鄭寧安

(大連理工大學 工業(yè)裝備結構分析國家重點實驗室，運載工程與力學學部汽車工程學院，遼寧，大連 116024)

針對一款并聯(lián)混合動力客車提出了一種基于模糊在線識別的自適應控制策略.基于自主研發(fā)的混合動力車數(shù)據(jù)采集監(jiān)控系統(tǒng)構建符合本地車輛實際行駛道路特點的典型工況，設計模糊工況識別算法對車輛實際行駛的工況類型進行在線識別.根據(jù)最小等效燃油消耗控制算法和電池電量平衡控制方法，結合工況識別的結果調(diào)用相應最優(yōu)控制參數(shù)，對發(fā)動機和電池的功率分配進行實時優(yōu)化計算，實現(xiàn)對整車的控制.實驗結果表明，所設計的模糊識別方法能夠較好地完成行駛工況類型的識別.基于此所提出的自適應控制方法能夠在滿足車輛需求功率和電池SOC維持在有效工作區(qū)間內(nèi)的前提下完成發(fā)動機和電池的最優(yōu)功率分配，顯著提高整車的燃油經(jīng)濟性.

混合動力車；行駛工況；模糊識別；控制策略

混合動力客車在滿足整車動力性能指標的前提下合理地分配各系統(tǒng)部件間的能量以獲得最佳性能所依靠最優(yōu)的能量管理策略是近年來研究的重點與熱點.Hui S等[1]利用自適應模擬退火方法，張昕等[2]利用遺傳算法，Sundstrom等[3]應用動態(tài)規(guī)劃優(yōu)化方法均對全局優(yōu)化控制策略進行了研究.但由于需提前知道包括道路工況等信息在內(nèi)的整個駕駛循環(huán)的信息等原因使全局優(yōu)化控制策略不能直接用于實車實時控制[4].而現(xiàn)有的瞬時優(yōu)化控制策略的核心是引入等效因子將每一時刻電池電量的消耗等效為相應的燃油消耗當量[5-6].Serrao等[7]提出在已知工況的條件下選擇一個較為準確的等效因子實現(xiàn)等效燃油消耗最小控制策略下的最優(yōu)能量分配.但在控制過程中未考慮實際道路循環(huán)工況的變化對等效因子的影響.Zhang Y等[8]等介紹了神經(jīng)網(wǎng)絡模式式識別方法對工況識別進行了研究，但此識別方法需要大量合適的訓練樣本才能得到相對準確的識別結果，并且在控制策略開發(fā)中所用的參考工況多數(shù)采用具有代表性的典型工況對混合動力控制策略進行開發(fā).例如Gurkaynak等[9]通過識別由HWFET和UDDS組合的典型工況來進行自適應控制.而由于車流狀況、駕駛習慣和道路網(wǎng)絡拓撲情況的不同，每個城市的車輛行駛工況特點也都不同，用其他地區(qū)的行駛工況來評價本地的燃油消耗量很難得到準確的評估結果.因此立足于真實的交通環(huán)境并構建本地實際行駛工況進行控制策略開發(fā)十分必要.

針對以上問題，文中以大連實際行駛道路工況為例，提出了一種基于模糊在線工況識別的自適應實時優(yōu)化控制策略.首先基于課題組自主研發(fā)的混合動力車數(shù)據(jù)采集監(jiān)控系統(tǒng)構建符合本地實際行駛道路特征的典型工況；其次，設計模糊識別算法對車輛實際行駛工況進行在線識別，結合最小等效燃油消耗控制算法和電池電量平衡控制方法，制定了工況自適應控制策略，實時優(yōu)化分配發(fā)動機和電機的功率，提高混合動力客車適應性、減小在線實時計算量的同時又能充分發(fā)揮自適應控制策略的優(yōu)勢.

1 典型工況構建與識別

1.1 構建4種典型工況

混合動力客車運行線路具有周期性強、重復性顯著的特點，所以構建符合本地實際道路特征的典型工況是提高混合動力車燃油經(jīng)濟性、實用性等綜合性能的關鍵.綜合考慮城市結構、道路類型及擁擠程度，可將城市工況劃分為Stopngo(市中心工況)、Urban(市內(nèi)較暢通工況)、Suburban(近郊區(qū)工況)、Rural(遠郊區(qū)工況)4種典型工況.

基于自主研發(fā)的混合動力車數(shù)據(jù)采集監(jiān)控系統(tǒng)，采用行程分析法對大連市混合動力客車原始運行數(shù)據(jù)進行長時間的采集[10]，采用主成分分析技術和聚類技術構建以上4種典型工況.每類行駛工況的構建步驟如下：① 從數(shù)據(jù)存儲軟件中提取采集到的混合動力客車運行的原始數(shù)據(jù)以車輛怠速狀態(tài)為節(jié)點進行運動學片段(車輛從一個怠速始點到下一個怠速始點之間的運行過程)的劃分；② 計算每一個運動學片段的特征值參數(shù)組成特征值參數(shù)矩陣，并運用Matlab軟件對特征參數(shù)進行主成分分析；③ 在上述主成分分析結果的基礎上，根據(jù)運動學片段特征值矩陣的特點，通過聚類技術將所有的運動學片段進行歸類分析，獲得該類工況的優(yōu)秀片段；④ 最后將這些優(yōu)秀片段進行先行疊加獲得該類行駛工況.所構建的4類典型工況如圖1所示.

1.2 行駛工況識別

1.2.1 行駛工況特征參數(shù)的選擇與提取

綜合考慮工況識別實時性、參數(shù)重疊及硬件條件限制等因素的影響，對特征參數(shù)進行分析篩選，選擇能夠代表其他大多數(shù)參數(shù)的平均速度vm、運行平均速度vmr、怠速時間百分比η、平均加速度aa和平均減速度ad作為特征參數(shù)進行行駛工況識別.由數(shù)據(jù)采集系統(tǒng)獲取車輛運行信息構建的典型工況是關于實時速度-時間的歷程，設置速度采樣時間間隔為1 s，由一定時間周期的速度-時間歷程提取每個周期內(nèi)的平均速度vm、運行平均速度vmr(km/h)、怠速時間百分比η、平均加速度aa(m/s2)和平均減速度ad(m/s2)這5個特征參數(shù)，其中，工況特征參數(shù)計算提取公式為

(1)

式中：i為速度不為0的時間；tacc和tdcc分別為加速及減速時間.

1.2.2 行駛工況模糊識別算法設計

① 模糊聚類中心矩陣.

基于系統(tǒng)優(yōu)化模糊集理論[11]，采用模糊識別算法進行行駛工況識別.

經(jīng)過行駛工況特征參數(shù)提取后的5個特征參數(shù)組成待識別的樣本矩陣，所以樣本具有5個指標，指標向量為[vmvmrηaaad]T.由于矩陣需要進行歸一化處理，所以矩陣中只有一組是不能實現(xiàn)歸一化處理的，則將標準工況4組參數(shù)加入，但是進行識別時只對第一組進行識別.待識別矩陣的指標特征值矩陣表示為

(2)

式中：xij為j指標i的特征值，i=1，2，…，5.

由于5個指標的特征值在量綱級上存在差異，需要對其進行歸一化處理

(3)

式中ximax、ximin分別為第i指標的最大特征值和最小特征值；rij為xij的歸一化值，范圍0≤rij≤1.

根據(jù)式(3)，代入式(2)從而計算出相對優(yōu)屬度矩陣

(4)

以4個類別的5個指標特征值作為該類的聚類中心，則可用模糊聚類中心矩陣表示4個類別的指標特征值.

(5)

式中：Sih為類別h指標i的特征值的歸一化數(shù)，0 ≤Sih≤1．

② 指標權重向量的計算.

在行駛工況特征參數(shù)選擇時，選取平均速度、平均加速度、平均減速度、運行平均速度和怠速時間百分比5個特征參數(shù)，以燃油經(jīng)濟性作為評價指標應用正交優(yōu)化方法分析5個參數(shù)的主次影響因素，然后采用極差分析法(R法或直觀分析法)對正交試驗結果進行處理分析以確定正交試驗因素的主次、各試驗因素的優(yōu)水平以及試驗范圍內(nèi)的最優(yōu)組合，最終可以確定對行駛工況影響程度順序依次為平均速度、怠速時間百分比、運行平均速度、平均減速度、平均加速度.在模糊識別中需考慮不同指標的權重，設它們權重以wi表示，則指標權向量為

[w1w2w3w4w5]，

并且指標各個指標的權重應該滿足

w1+w2+w3+w4+w5=1,

(6)

對每種指標權重需要進行設置，選取第4種工況作為標準工況，運用公式

分別計算另外3種工況與第4種工況的每一個指標的相似度.

依照上面的滿足條件用C#語言編寫迭代程序，每組進行3次試驗計算出相似系數(shù)，最終可以確定指標權向量為

[0.44 0.34 0.10 0.09 0.03].

③ 模糊識別矩陣.

將5個樣本根據(jù)m指標特征值，按照4個類別進行模糊識別，其模糊識別矩陣為

(7)

式中：uij為樣本j歸屬于h類的相對隸屬度，h=1～4.

由式(4)(5)及指標權重向量，可得

(8)

通過式(8)可計算出識別矩陣.

④ 工況類型的確定.

根據(jù)待識別矩陣應用類別特征值公式(9)得到所識別的樣本歸屬的相對類別特征值H(x)，由H(x)便可得到所識別的行駛工況歸屬的工況類別.

(9)

式中:μh(x)為樣本x對類別h(h=1～4)的相對隸屬度．

2 自適應控制策略

2.1 實時優(yōu)化控制

2.1.1 發(fā)動機燃油消耗

根據(jù)發(fā)動機轉(zhuǎn)速和發(fā)動機轉(zhuǎn)矩兩個控制參數(shù)由發(fā)動機MAP圖插值即可求得發(fā)動機每一瞬時的燃油消耗，又因為對于給定的發(fā)動機轉(zhuǎn)速nice、發(fā)動機轉(zhuǎn)矩Tice，發(fā)動機的輸出功率為

Pice(t)=nice(t)Tice(t)，

因此發(fā)動機每一瞬時的燃油消耗率可表示為

(10)

發(fā)動機MAP圖如圖2所示.

2.1.2 電池電能等效燃油消耗

對于電量維持型混合動力汽車，在每一瞬時向電機提供轉(zhuǎn)矩所消耗電池電量(不包括制動回收部分的電能)需要在車輛未來行駛過程中消耗一定量的燃油進行補償，因此需要建立電池消耗電量與補償這些電量所消耗燃油量的對應關系.在計算時引入等效因子feq_dis，feq_chg，此時電池電能的等效油耗可以表示為

(11)

式中：Pem(t)為電機的瞬時功率，Pem(t)>0表示電機處于放電狀態(tài)，Pem(t)<0表示電機處于發(fā)電狀態(tài)；feq_dis、feq_chg分別對應電池放電和充電時的等效因子；Qlbv為燃油低熱值；ηchg(Pem)、ηdis(Pem)分別為電池的充電和放電效率，ηem(Pem)為電機的效率.

(12)

在對電池電量進行燃油轉(zhuǎn)換計算時必需將制動系統(tǒng)回收的能量考慮在內(nèi)，由于車輛在行駛過程中制動回收的能量不斷變化，計算單位時間內(nèi)的制動回收能量時取一定行駛循環(huán)內(nèi)的平均制動回收能量進行計算，即

(13)

式中n為采樣數(shù)據(jù)量.為了簡化計算，取一定行駛循環(huán)的仿真結果進行初步估算.

由式(11)(13)可得電池電能的瞬時等效燃油消耗為

(14)

則總的瞬時燃油消耗可以表示為

(15)

(16)

2.1.3 求解瞬時輸出功率

當車輛運行時，首先根據(jù)行駛工況每一瞬時的車速求得發(fā)動機轉(zhuǎn)速及相應的整車需求功率，選取電機輸出功率為控制變量，則由約束公式(16)可求得滿足需求功率的所有發(fā)動機和電機工作點，并根據(jù)上述公式求得相應的燃油消耗率，通過優(yōu)化計算求取使瞬時燃油消耗總量最小的發(fā)動機和電機工作點作為當前時刻滿足行駛需求的功率輸出，對混合動力客車進行控制.

2.2 電池電量平衡控制策略

基于最小等效燃油消耗的瞬時優(yōu)化控制策略在對驅(qū)動功率進行分配時未考慮能否將電池SOC值維持在合理范圍內(nèi)，因此在控制時引入了電池電量維持策略.這里引入Paganell等[12]提出的懲罰函數(shù)的概念計算電池SOC值懲罰系數(shù)KSOC，根據(jù)當前行駛狀態(tài)下電池電量使用情況對SOC進行修正.設電池SOC值的上限值、下限值分別為BSOC_hi、BSOC_lo，實時獲取的電池電量狀態(tài)為BSOC(t).本文采用的懲罰函數(shù)是由3次曲線和4次曲線函數(shù)擬合而成的S形函數(shù)，可以通過修改系數(shù)對曲線形狀進行調(diào)整，從而將電池SOC維持在合理范圍內(nèi)，具體表達形式為

(17)

上述獲得的電池SOC懲罰系數(shù)KSOC通過與電機瞬時等效燃油消耗等式相乘后取目標函數(shù)的最低值時發(fā)揮作用，因此電池SOC修正后，電機的等效燃油消耗最終可以表示為

(18)

2.3 自適應控制策略

選取不同的電池充放電等效因子feq_chg、feq_dis數(shù)值對驗證參數(shù)變化對所構建的4種循環(huán)工況燃油經(jīng)濟性的影響，可以得到對應于4種循環(huán)工況最佳燃油經(jīng)濟性的4組電池等效因子feq_chg、feq_dis數(shù)據(jù)點，如表1所示，將離線優(yōu)化所得4組控制參數(shù)存儲于混合動力客車控制器中為車輛運行時在線識別工況及自適應控制調(diào)整控制參數(shù)做準備.

表1 標準工況控制參數(shù)優(yōu)化結果

當車輛實際運行于某一時刻時首先根據(jù)車輛行駛特征參數(shù)由行駛工況在線模糊識別系統(tǒng)辨別出當前工況屬于構建的4種典型工況中的哪一類，然后調(diào)用存儲在控制器中相應工況的最優(yōu)控制參數(shù)，以車輛運行瞬時總燃油消耗量最小為優(yōu)化目標函數(shù)對發(fā)動機和電池的控制參數(shù)進行實時優(yōu)化計算.當車輛運行于下一時刻時重復上述參數(shù)自適應調(diào)整過程，實現(xiàn)車輛運行中在線實時地根據(jù)行駛工況自適應調(diào)整控制參數(shù)，達到整車燃油經(jīng)濟性最佳的優(yōu)化控制目標.

3 仿真實驗分析

3.1 基于模糊算法的工況識別驗證

基于離線構建的大連市循環(huán)工況對模糊識別理論工況識別方法進行驗證，識別結果如圖3所示.其中class 1表示市中心區(qū)工況；class 2表示市內(nèi)較通暢區(qū)工況；class 3表示近郊區(qū)工況；class 4表示遠郊區(qū)工況.由圖3可以看出除了個別重合區(qū)域跳動比較大存在誤差之外，該方法能夠?qū)π旭傃h(huán)工況每一時刻所屬工況類型進行準確識別，由此可以驗證基于模糊識別理論的工況識別方法的可行性.4種典型工況所占比例的大小分別為：class 1情況為24%，class 2和class 3為4%和24%，Class 4為48%，符合大連地區(qū)實際行駛路況條件.

3.2 自適應控制仿真結果

針對基于模糊在線識別的自適應控制方法搭建仿真模型并將其導入Advisor仿真軟件整車控制模型的控制策略模塊，選用某并聯(lián)式混合動力城市客車，以BSOC(t)=0.7為初始值進行燃油經(jīng)濟性仿真計算，控制過程中應用電池電量平衡控制策略與未應用此控制策略時的電池SOC變化對比曲線分別如圖4中實線和虛線所示.

由此可知應用電池電量維持策略后整個行駛過程中，在仿真開始即混合動力客車起步時電池SOC基本呈下降趨勢，整車控制系統(tǒng)趨于使用電機控制車輛起步，此后電池SOC一直維持在0.7附近上下波動，并且仿真結束時SOC值與起初的SOC基本相等，從而證明了前面所述電池電量維持策略的有效性；而未加入電池平衡策略時的電池電量卻基本處于下降狀態(tài)，行車過程趨于使用電池能量為車輛提供行駛動力，雖然在一定程度有利于節(jié)省燃油消耗，但卻不利于維持整個過程中電池電量的穩(wěn)定和提高電池壽命.

與此對應的整個循環(huán)工況過程中混合動力客車的發(fā)動機和電機的實時輸出功率運行結果分別如圖5、圖6所示，總燃油消耗量變化軌跡曲線如圖7所示.通過計算比較可得，基于模糊在線識別的自適應控制策略在大連市循環(huán)工況下的油耗仿真結果與混合動力客車實際油耗30 L/100 km相比，提高了21%.實驗結果表明在滿足車輛需求功率和電池SOC維持在有效工作區(qū)間內(nèi)的前提下能夠較好完成發(fā)動機和電機的最優(yōu)功率分配，并能顯著提高整車的燃油經(jīng)濟性.

為進一步驗證基于模糊在線識別的自適應控制策略在節(jié)油潛力方面的有效性及可行性，以上述控制方法原理為基礎針對大連工況、美國城市循環(huán)行駛工況UDDS、新歐洲NEDC行駛循環(huán)、以及日本10～15模式道路循環(huán)標準為車輛的目標行駛工況分別進行仿真實驗，各行駛循環(huán)的百公里燃油消耗量對比結果如圖8所示.

由圖可以看出，與邏輯門限控制方法相比，本文所提出的自適應控制策略的燃油經(jīng)濟性在以上4種標準道路循環(huán)工況下燃油經(jīng)濟性分別改善了21.0%，16.7%，17.2%，17.0%；與實時優(yōu)化控制策略相比百公里油耗在上述工況下分別降低了8.8%，7.0%，6.6%，10.1%.由此可以看出，基于模糊在線識別的自適應控制策略可以有效降低并聯(lián)混合動力客車運行于各個行駛循環(huán)工況時的燃油消耗量，提高整車燃油經(jīng)濟性.

4 結 論

基于課題組自主研發(fā)的混合動力車數(shù)據(jù)采集監(jiān)控系統(tǒng)對并聯(lián)式混合動力客車控制策略進行了深入研究，提出了基于模糊在線識別的自適應控制策略.根據(jù)長時間采集的混合動力客車數(shù)據(jù)采用主成分分析技術和聚類技術構建了符合實際道路工況的4種典型行駛工況；設計了一種模糊識別方法對車輛運行工況進行在線識別；調(diào)用并實時更新與車輛當前行駛工況相對應的最優(yōu)控制參數(shù)用于實時優(yōu)化計算，進而得到發(fā)動機和電機控制參數(shù).實驗結果表明，文中所設計的模糊識別算法能夠?qū)π旭偣r進行準確識別，以此為基礎所制定的自適應控制策略優(yōu)化方法能夠在維持電池電量平衡的前提下顯著提高工況適應性和燃油經(jīng)濟性等綜合性能，具有廣闊的應用前景.

[1] Hui S.Multi-objective optimization for hydraulic hybrid vehicle based on adaptive simulated annealing genetic algorithm[J].Engineering Applications of Artificial Intelligence，2010，23(1):27-33.

[2] 張昕，宋建峰，田毅，等.基于多目標遺傳算法的混合動力電動汽車控制策略優(yōu)化[J].機械工程學報，2009，45(2):36-40.

Zhang Xin，Song Jianfeng，Tian Yi，et al.Multi-objective optimization of hybrid electric vehicle control strategy with genetic algorithm[J].Chinese Journal of Mechanical Engineering，2009，45(2):36-40.(in Chinese)

[3] Sundstr?m O，Ambühl D，Guzzella L.On implemen-tation of dynamic programming for optimal control problems with final state constraints[J].Oil &Gas Science and Technology-Revue de l’Institut Fran?ais du Pétrole，2010，65(1):91-102.

[4] G?kce K，Ozdemir A.An instantaneous optimization strategy based on efficiency maps for internal combustion engine/battery hybrid vehicles[J].Energy Conversion and Management，2014，81:255-269.

[5] Lian J，Han H，Li L，et al.Research on optimal control method of hybrid electric vehicles[J].Simulation，2013，89(9):1137-1146.

[6] Huang Y J，Yin C L，Zhang J W.Design of an energy management strategy for parallel hybrid electric vehicles using a logic threshold and instantaneous optimization method[J].International Journal of Automotive Technology，2009，10(4):513-521.

[7] Serrao L，Onori S，Rizzoni G.ECMS as a realization of Pontryagin’s minimum principle for HEV control[C]∥Proceedings of the 2009 Conference on American Control Conference.[S.l.]：IEEE，2009:3964-3969.

[8] Zhang Y，Lin W C，Chin Y K S.A pattern-recognition approach for driving skill characterization[J].IEEE Transactions on Intelligent Transportation Systems，2010，11(4):905-916.

[9] Gurkaynak Y，Khaligh A，Emadi A.Neural adaptive control strategy for hybrid electric vehicles with parallel powertrain[C]∥Proceedings of Vehicle Power and Propulsion Conference (VPPC).[S.l.]：IEEE，2010:1-6.

[10] Lian J，Zhou Y，Ma T，et al.Research on data monitoring system of hybrid electric vehicle[J].Sensor Letters，2011，9(5):2012-2016.

[11] Zimmermann H J.Fuzzy set theory and its applications[M].Boston: Kluwer Academic Publishers，2011.

[12] Paganelli G，Ercole G，Brahma A，et al.General supervisory control policy for the energy optimization of charge-sustaining hybrid electric vehicles[J].J SAE Review，2001，22(4):511-518.

(責任編輯：孫竹鳳)

Adaptive Control Strategy Based on Online Fuzzy Recognition for Parallel Hybrid Electric Vehicle

LIAN Jing，CHANG Jing，LI Lin-hui，ZHOU Ya-fu，Lü Ren-zhi，HUANG Hai-yang，ZHENG Ning-an

(School of Automotive Engineering，F(xiàn)aculty of Vehicle Engineering and Mechanics，State Key Laboratory of Structural Analysis for Industrial Equipment，Dalian University of Technology，Dalian，Liaoning，116024，China)

An adaptive control strategy based on online fuzzy recognition was put forward for a parallel hybrid vehicle.A typical driving cycle in line with the local actual vehicle driving road conditions was constructed based on the independent research and development of the hybrid data acquisition and monitoring system.And then a fuzzy recognition algorithm was designed to carry on the on-line identification of the vehicle real driving cycle type, some corresponding optimal control parameters were taken for the real-time optimization calculation of the motor and battery power allocation based on the minimal equivalent fuel consumption control algorithm and the battery balance control method, combining with the results of condition recognition to realize the control of the whole vehicle finally.The experiment results show that the designed fuzzy recognition method can fulfill the recognition of the working condition type well, and the proposed adaptive control strategy based on this method can complete the optimal power allocation between the engine and the battery under the premise of meeting the demand of vehicle power and battery SOC maintaining within the effective working range, and can significantly improve the fuel economy of the vehicle.

parallel hybrid electric vehicle;driving cycle;fuzzy recognition;control strategy

2014-05-15

國家自然科學基金資助項目(51107006，61203171，61473057)；博士后科學基金資助項目(2012M510799，2013T60278)；中央高?；究蒲袠I(yè)務費專項資金資助項目(DUT15LK13)

連靜(1980—)，女，副教授，E-mail：lianjing80@126.com.

李琳輝(1981—)，男，副教授，E-mail：40301213@qq.com.

U 469.72

A

1001-0645(2016)03-0264-07

10.15918/j.tbit1001-0645.2016.03.009