神經遺傳增程式電動汽車控制策略

張裊娜， 李昊林， 李彥陽， 周長哲

(長春工業(yè)大學 電氣與電子工程學院， 吉林 長春 130012)

?

神經遺傳增程式電動汽車控制策略

張裊娜， 李昊林*， 李彥陽， 周長哲

(長春工業(yè)大學 電氣與電子工程學院， 吉林 長春 130012)

結合恒溫控制和功率跟隨控制策略, 在增程器開關啟動時以動力電池的SOC和APU的需求功率作為判斷條件。采用模糊規(guī)則，依據(jù)汽車荷電狀態(tài)和駕駛員踏板開度建立APU需求功率模型。需求功率和功率閾值判斷條件與荷電狀態(tài)和電量閾值判斷條件相結合，實現(xiàn)了不同狀態(tài)下的增程器開關控制。通過Cruise仿真在FTP75工況下得出在不同功率閾值、電量閾值情況下電動汽車油耗的數(shù)值，采用神經網絡遺傳算法實現(xiàn)對燃油消耗率函數(shù)值的尋優(yōu)。

增程式電動汽車; 控制策略; 神經網絡遺傳算法; 燃油消耗率

0 引 言

目前，電動汽車續(xù)航能力不足且充電時間長問題的存在使得電動車行業(yè)的發(fā)展受到了阻礙，而增程式電動汽車的良好性能可以有效的規(guī)避上述問題，因此，在未來汽車行業(yè)的發(fā)展過程中，增程式電動汽車得到了各廠家的普遍重視，其中雪佛蘭Vol、寶馬i3REx、凱德拉克ELR等型號都是增程式電動車的代表車型。典型的增程式電動汽車的動力結構如圖1所示。

圖1 增程式電動汽車的動力系統(tǒng)結構

其中車輛的動力系統(tǒng)主要包括動力電池、充電裝置、驅動電機、電機控制器等[1-3]。

增程式電動汽車的工作模式可以分為純電動模式和增程模式兩種，當車載動力電池電量充足時提供汽車行駛的全部電能，該階段電動汽車純電動模式運行。當動力電池的SOC值小于預先設定的電量閾值時，由發(fā)動機、電動機及PWM整流器構成的APU將會開啟工作,為動力電池提供電能實現(xiàn)電動汽車的有效續(xù)航[4-5]。

增程式電動汽車的控制策略將發(fā)動機脫離驅動車輪的功能，只是實現(xiàn)對動力電池的充電功能，因此,可以將發(fā)動機的工作點控制在最優(yōu)的工作區(qū)域。目前行業(yè)中常采用增程式電動汽車的控制策略包括恒溫式控制策略、功率跟隨式控制策略以及結合兩種控制優(yōu)勢的恒溫+跟隨式控制策略，這種控制策略可以有效緩解恒溫式控制策略對電池使用壽命的損害，同時又可以規(guī)避功率跟隨式控制策略對發(fā)動機的頻繁啟動，在一定程度上降低了增程式電動汽車的油耗[6-9]。

1 基于模糊控制的需求功率預測建模

恒溫+跟隨式控制策略中需要在電動汽車運行過程中對增程器需求功率進行預測，以便與功率閾值進行對比,從而實現(xiàn)控制增程器的有效開關。文中采取雙輸入單輸出的模糊控制規(guī)則，以動力電池SOC和整車的需求功率作為輸入，APU的需求功率作為輸出，模糊規(guī)則的推理方法采用Mandani法。

對其中動力電池荷電狀態(tài)連續(xù)取值范圍為：

SOC=[SOCmin，SOCmax]=[0.2，0.9]

離散的取值范圍為：

SOC={2,3,4,5,6,…,9}

對應量化因子K1的計算公式為：

動力電池荷電狀態(tài)的模糊子集定為{VL,SL,LO,NM,HI,SH,VH},其隸屬度函數(shù)如圖2所示。

整車需求功率連續(xù)取值范圍為：

Pmot=[Pmotmin，Pmotmax]=[-20，90]

離散的取值范圍為：

Pmot={-2,-1,0,…,9}

對應的量化因子K2的計算公式為：

通過以上兩個譯文比較可以發(fā)現(xiàn)，原譯文語言直白，但語言死板，邏輯稍遜；參考譯文是一個隱含的因果句，語言優(yōu)美，符合漢語表達習慣，較為準確地表達了原文意義。在具體翻譯過程中，要對所處的情景進行具體分析，這便構成了靈活運用“權”的前提，仔細比較，靈活取舍，行權便是為了更好的行經，這樣讀者讀譯文時便會身臨其境，如讀原文一般。

整車需求功率的模糊子集定為{RB,RS,ZE,FS,FM,FB,FVB,FEB}，其隸屬度函數(shù)如圖3所示。

圖2 動力電池荷電狀態(tài)隸屬度函數(shù)

圖3 整車需求功率隸屬度函數(shù)

增程器需求功率的離散取值范圍為：

Papu={0,1,…,7}

通過比例因子K3得到連續(xù)的輸出

Papu=[Papumin，Papumax]=[0，35]

對應的比例因子K3的計算公式為：

增程器需求功率的模糊子集定為{ES,VS,SM,MI,BG,VB,EB,VEB}，其隸屬度函數(shù)如圖4所示。

圖4 增程器需求功率隸屬度函數(shù)

根據(jù)增程式電動汽車的仿真實驗和實際測試結果制定模糊控制規(guī)則，其部分模糊規(guī)則如圖5所示。

圖5 增程式電動汽車APU功率預測模糊規(guī)則

將上述APU功率預測的模糊算法嵌入到Matlab/Simulink中的模糊控制模塊，在Matlab的環(huán)境下，利用Cruise汽車仿真軟件建立增程式電動汽車的模型，測試的循環(huán)工況為國際通常進行油耗測試的美國市區(qū)模擬測試循環(huán)工況(FTP75)，設定動力電池的初始荷電狀態(tài)為0.6，采用恒溫+功率跟隨式控制策略，增程器的電量閾值設定SOC上限值為90，SOC下限值為30，功率閾值上限值設定為30，功率下限值設定為15,當動力電池的荷電狀態(tài)超出電量閾值時，可以實現(xiàn)增程器開啟，使發(fā)動機為動力電池充電，實現(xiàn)電動汽車的續(xù)航行駛，另外車輛可以準確跟隨循環(huán)工況，證明通過模糊規(guī)則建立的功率需求預測模塊可以準確實現(xiàn)功能，為增程器功率判斷提供參考。

2 基于神經網絡遺傳算法對電量閾值的優(yōu)化

電量閾值上限值與下限值的確定直接影響到增程式電動汽車行駛過程中的油耗，但參數(shù)之間存在著復雜的非線性耦合關系，因此，通過常規(guī)的建模方法很難找出汽車百公里油耗與增程器電量閾值之間的函數(shù)關系，對于這種問題文中通過神經網絡結合遺傳算法的方式進行最優(yōu)化求解，利用神經網絡的非線性擬合能力和遺傳算法的非線性尋優(yōu)能力來對百公里油耗的最優(yōu)值進行計算。

2.1 BP神經網絡訓練

通過Cruise仿真平臺對電量閾值SOCmax、SOCmin不同取值情況下的百公里油耗進行測試，在FTP75工況下共測得32組數(shù)據(jù)，用該組輸入輸出數(shù)據(jù)訓練BP神經網絡，并使得訓練后的網絡能夠擬合非線性函數(shù)輸出，保存訓練好的神經網絡用于計算遺傳算法下個體的適應度。根據(jù)系統(tǒng)2個輸入?yún)?shù)和1個輸出參數(shù)的數(shù)據(jù)特點，確定BP神經網絡的結構為2-3-1，取函數(shù)的32組輸入輸出數(shù)據(jù)，從中隨機取得22組數(shù)據(jù)作為數(shù)據(jù)訓練網絡，10組數(shù)據(jù)測試網絡的性能，網絡訓練好后用于預測非線性函數(shù)的輸出，神經網絡在訓練完成后預測輸出與期望輸出的輸出圖像如圖6所示。

圖6 BP神經網絡預測輸出與期望輸出的對比

從BP神經網絡預測結果可以看出，該BP神經網絡可以近似準確預測非線性函數(shù)輸出，因此，可以將神經網絡預測輸出近似看作是函數(shù)實際輸出。

2.2 基于遺傳算法的函數(shù)尋優(yōu)

BP神經網絡對函數(shù)進行非線性擬合，并將訓練后的BP神經網絡預測結果作為個體適應度值，通過遺傳算法的選擇、交叉和變異操作尋求函數(shù)的全局最優(yōu)值。在遺傳算法中個體采用實數(shù)編碼方式，考慮到尋優(yōu)的函數(shù)有2個輸入?yún)?shù)，取遺傳個體長度為2，當遺傳算法中適應度越小，個體篩選結果最優(yōu)。遺傳算法參數(shù)設置為：種群規(guī)模為20，進化代數(shù)為100代，交叉概率為0.4，變異概率取0.2。在Matlab中通過遺傳算法的操作之后，得到優(yōu)化后的電量上限閾值為80.011 8，下限閾值為28.952 7。

3 優(yōu)化結果的經濟性能仿真驗證

增程式電動汽車經濟性能的評價指標是考慮到純電動模式下的續(xù)航里程，以及增程模式下的耗油量和排放量。因此在對增程式電動汽車的經濟性能仿真時，對電量閾值的設定直接決定了汽車行駛過程中純電動模式與增程模式的分配比例。純電動模式所占比例越大，則電動車的耗油量越小，但同時動力電池荷電狀態(tài)又直接影響到電池的使用壽命和整車性能。因此，文中在保證電動汽車行駛性能的基礎上配置電量閾值，以實現(xiàn)百公里油耗最低。通過上述神經-遺傳算法優(yōu)化出的最優(yōu)電量閾值SOCmax為80.012，SOCmin為28.953,通過Matlab與Cruise的聯(lián)合仿真在FTP75工況下由不同算法優(yōu)化出不同閾值情況下的百公里油耗見表1。

表1 不同算法優(yōu)化出不同閾值情況下的百公里油耗

4 結 語

在滿足增程式電動汽車的整車性能的基礎上，以提高整車經濟性為目的建立控制策略，首先在Matlab中利用模糊規(guī)則建立增程器需求功率預測模型，采用恒溫+功率跟隨式控制策略通過判斷增程器需求功率、動力電池的荷電狀態(tài)與設定功率閾值及電量閾值的比較決定增程器開關，此外通過神經-遺傳算法來對閾值進行優(yōu)化，實現(xiàn)燃油消耗性能最優(yōu)的組最優(yōu)解，通過Cruise與Matlab建立聯(lián)合仿真模型來驗證該種控制方法的控制性能，結果表明,對比于某論文中采取的遺傳算法優(yōu)化結果，該種方法實現(xiàn)了增程式電動汽車百公里油耗的降低。

[1] 申彩英，李孟柯，胥帆.增程式電動車動力系統(tǒng)參數(shù)匹配與仿真研究[J].汽車實用技術,2013(9):20-25.

[2] 于浩.串聯(lián)式混合動力汽車輔助動力單元及其控制系統(tǒng)仿真研究[M].北京:北京理工大學出版社，2006:63-71.

[3] 申彩英.串聯(lián)混合動力汽車能量優(yōu)化管理策略研究[D].天津:天津大學，2010.

[4] 朱正禮.并聯(lián)式混合動力轎車動力系統(tǒng)性能匹配與優(yōu)化研究[D].上海:上海交通大學，2004.

[5] 麻友良，陳全世.混合動力電動汽車的發(fā)展[J].公路交通科技，2001,18(1):78-80.

[6] 周蘇，牛繼高，陳風祥，等.增程式電動汽車動力系統(tǒng)設計與仿真研究[J].汽車工程，2011,33(11):924-929.

[7] 張洪延，董煒江.增程式電動汽車的設計與控制[J].汽車工程學報，2014,4(5):342-352.

[8] 宋柯，章桐.增程式純電驅動汽車的動力系統(tǒng)研究[J].汽車技術,2011，7:13-14.

[9] 程方曉，李騰飛，王旭.電動汽車電池建模及放電管理研究[J].長春工業(yè)大學學報,2016，37(2):159-164.

Neural networks and genetic extended-range control for electric vehicle

ZHANG Niaona, LI Haolin*, LI Yanyang, ZHOU Changzhe

(School of Electrical & Electronic Engineering, Changchun University of Technology, Changchun 130012， China)

Constant thermostatic control is combined with power follow control to turn on a range extenderswitch with battery SOC and APU required power as judgement conditions. Fuzzy rule is applied to build the APU required power model based on the chargestate of vehicles and pedal opening. The required power & power threshold is combined with charge state & charge threshold to control the range extender switch for different operations. Both the power threshold and charge threshold are obtained with Cruise simulation under FTP75 conditions, and Neural Network Genetic Algorithm is used to optimize the fuel consumption function.

extended-range electric vehicle； control strategy； neural networks and eenetic algorithm； fuel consumption rate.

10.15923/j.cnki.cn22-1382/t.2017.1.09

2016-09-22

吉林省省級經濟結構戰(zhàn)略調整引導資金專項項目(2014Y126)； 長春市科技局重大科技攻關計劃基金資助項目(14KG095)

張裊娜(1972-)，女，漢族，吉林長春人，長春工業(yè)大學教授，博士，主要從事非線性系統(tǒng)控制、故障診斷方向研究,E-mail:zhangniaona@163.com. *通訊作者：李昊林(1993-)，男，漢族，吉林白山人，長春工業(yè)大學碩士研究生，主要從事新能源汽車巡航控制與建模仿真方向研究,E-mail:842378030@qq.com.

U 463.6

A

1674-1374(2017)01-0048-05