基于能量效率的HEV多模式控制策略及判據研究＊

郭海龍 張永棟 張勝賓

（1.廣東交通職業(yè)技術學院,廣州 510650；2.華南理工大學,廣州 510641）

基于能量效率的HEV多模式控制策略及判據研究＊

郭海龍1，2張永棟1,2張勝賓1

（1.廣東交通職業(yè)技術學院,廣州 510650；2.華南理工大學,廣州 510641）

以某款混聯式HEV為研究對象，建立了車輛動力系統(tǒng)仿真模型及整車能量控制策略優(yōu)化模型。對比不同需求驅動轉矩下的整車能量轉換效率發(fā)現，在電池剩余電量及車速相同條件下，隨著駕駛人需求驅動轉矩的增加，HEV能量轉換效率呈現“凸拋物線”規(guī)律。基于該規(guī)律，形成了HEV能量控制策略動力性、平衡性和經濟性控制規(guī)則的劃分判據。

1 前言

整車驅動能量控制策略作為混合動力電動汽車（HEV）的核心技術之一，一直以來都是HEV研究的熱點和重點，國內外眾多學者對此進行了探討[1-3]。然而，目前相關研究更多的是關注HEV在不同車速、剩余電量（SOC）和動力系統(tǒng)需求轉矩或需求功率前提下，動力系統(tǒng)的優(yōu)化問題[4-9]，鮮有學者就“HEV需求驅動轉矩對整車能量效率影響”的問題進行分析，進而對能量控制策略進行細化研究?；诖?，以某款典型混聯式HEV為研究對象，通過建立HEV控制策略和控制策略優(yōu)化模型，選擇遺傳粒子群算法對HEV的能量控制策略進行優(yōu)化，并對不同駕駛員需求轉矩對動力系統(tǒng)的效率影響進行研究，以進一步揭示HEV能量轉換效率的內在規(guī)律，并提高HEV的能量轉換效率。

2 HEV仿真模型的建立

2.1 HEV動力系統(tǒng)結構及參數

研究對象為混聯式HEV，其動力系統(tǒng)主要由發(fā)動機、動力電池、發(fā)電機、電動機、行星齒輪變速機構等部分組成，圖1為動力系統(tǒng)結構簡圖，其中電動機與齒圈相連接將電驅動動力直接輸出，發(fā)電機與太陽輪連接，用來起動發(fā)動機或發(fā)電，發(fā)動機與行星架連接，動力一部分通過太陽輪帶動發(fā)電機發(fā)電，另一部分通過齒圈將燃油驅動動力輸出。齒圈作為油電驅動的疊加裝置，通過鏈條帶動中間軸，中間軸再將動力傳遞到主減速器和差速器，最終將動力傳遞到驅動輪。表1為混聯式HEV整車及動力學主要相關參數，包括動力傳動機構齒輪齒數及效率參數等。

圖1 行星齒輪式混聯HEV動力總成結構簡圖

表1 混聯式HEV整車主要參數

2.2 HEV整車建模

為了揭示HEV需求驅動轉矩與整車能量轉換效率之間的關系，需要建立研究對象的能量控制策略仿真模型，圖2為基于實車采集的試驗數據，運用MATLAB/Simulink、Cruise及ADVISOR軟件建立了混聯式HEV能量控制策略前向型整車仿真模型[10]，其中，模塊1為行星齒輪傳動機構機構模塊，用于計算不同驅動狀態(tài)下行星齒輪的傳動效率；模塊2為發(fā)動機實際輸出轉矩估算模塊，用于發(fā)動機優(yōu)化控制；模塊3為駕駛人操作模塊，包括加速及制動踏板行程、駕駛模式及擋位選擇等；模塊4為行駛狀況識別模塊，運用算法計算道路坡度和整車質量，輸出到模塊5；模塊5為駕駛人意圖辨識模塊，輸出駕駛人需求驅動轉矩或功率到模塊6；模塊6為控制策略優(yōu)化計算模塊，用于根據車輛狀態(tài)及駕駛人意圖，優(yōu)化得出動力系統(tǒng)各部件的工作點；模塊7為動力電池參數計算模塊，用于動力電池電壓、電流、SOC、溫度、效率等參數的仿真計算；模塊8為整車動力學和運動學計算模塊，用于仿真計算車速；模塊9為混合動力電動汽車能耗及廢氣排放計算模塊，輸出為HEV的能耗和排放數據，用來對控制策略的優(yōu)化結果進行評價。

圖2 混聯式混合動力汽車整車仿真模型

3 轉換效率與駕駛人需求驅動轉矩關系研究

基于所建立的車輛仿真模型，為對能量控制策略進行優(yōu)化計算，需建立優(yōu)化計算數學模型，并選擇優(yōu)化計算方法進行尋優(yōu)計算。

3.1 HEV優(yōu)化模型

行駛過程中，齒圈需求轉矩、轉速和功率為：

式中，Trrcq為齒圈需求驅動轉矩；Tr為齒圈需求轉矩；Nm為電動機轉速；ua為車速；i0為主減速器傳動比；Pr為齒圈需求功率。

由混聯式HEV行星齒輪關系可得如下參數關系式：

式中，Ng為發(fā)電機轉速；Ne為發(fā)動機轉速；p為行星齒輪特征參數；Tg為發(fā)電機轉矩；Tc為發(fā)動機轉矩；ηp為行星齒輪組效率；Tm為電動機轉矩；Pcrank為曲軸輸出功率；Pm為電動機功率；ηess_c為動力電池充電效率；ηess_dis為動力電池放電效率。

動力電池功率Pess在發(fā)電機和電動機不同功率條件下是不同的，如下：

式中，pg為發(fā)電機功率；ηg為發(fā)電機效率；ηm為電動機效率；ηess_dis為動力電池放電效率；ηess_c為動力電池充電效率。

式中，ηave為發(fā)動機的平均效率；為修正后的發(fā)動機效率。

發(fā)動機曲軸輸出功率Ptank與油箱輸出功率Pcrank的關系為：

考慮動力電池充放電狀態(tài)下，發(fā)動機油箱真正用于驅動汽車的輸出功率Ptank_t為：

整個系統(tǒng)的能量轉化率為：

式中，Pring_r為齒圈需求功率。

為了降低HEV的油耗，需要對發(fā)動機、電動機、發(fā)電機及動力電池的工作點進行優(yōu)化，使得整車綜合效率最高，故將優(yōu)化目標函數取為系統(tǒng)能量轉化率最大，即取優(yōu)化目標函數為能量轉化率的倒數最?。?/p>

發(fā)電機、電動機、發(fā)動機和動力電池的約束函數如下：

以上約束函數首先要求發(fā)動機、發(fā)電機和電動機的轉速和轉矩在可實現范圍內，其次要求電池充放電功率小于最大允許功率。

3.2 優(yōu)化方法研究

由式（11）和式（12）可知，混聯式HEV能量控制策略優(yōu)化目標函數過于復雜，無法求得其梯度信息，因此傳統(tǒng)優(yōu)化方法難于求解，仿生算法已被證明適合該類問題求解，其中遺傳算法具有群體進化特點，粒子群算法具有快速收斂優(yōu)點，可用于本優(yōu)化問題。

3.2.1 遺傳算法原理

遺傳算法是一種高效全局尋優(yōu)算法，其不借助優(yōu)化目標函數的梯度來尋優(yōu)。步驟如下：

a. 染色體編碼、譯碼。

假設某個體二進制碼為bkbk-1bk-2…b2b1，則可按式（13）解碼：

b.個體適應度檢測：為了計算每個個體遺傳到下一代的概率值，需要計算其目標函數適應度。

c.下一代個體形成。

選擇：假設M為種群個體數量，fi為個體i的適應度值，則該個體遺傳到下一代的概率為：

交叉：首先任意選擇個體2個，再選擇交叉位置，最后互換基因碼。

變異：對擬變異的個體任意基因位，將其基因碼進行翻轉，即形成型個體。

3.2.2 粒子群算法原理

粒子群算法通過模擬動物尋物來尋優(yōu)，精度高、收斂快是其主要優(yōu)點。算法將每個個體看作是一個沒有體積和質量的粒子，并在搜索空間飛行尋優(yōu)，其飛行速度由個體經驗和群體經驗進行動態(tài)調整。

一般來講，一個粒子群由m個粒子組成，其第i粒子是由3個N維向量組成：

其中，i=1,2,…,m。

基本PSO群算法的進化方程可描述為：

式中，t表示第t代；，為變速常數；，為相互獨立的隨機函數。

由式（15）可知，c1用來調節(jié)微粒向自身最好位置移動的步長，c2用來調節(jié)微粒向全局最好位置移動的步長。

3.2.3 遺傳算法和粒子群算法的對比研究

遺傳算法模擬生物進化來尋優(yōu)計算，其優(yōu)點是群體尋優(yōu)、不易陷入局部最優(yōu)、可應對復雜優(yōu)化問題等，缺點是效率較低。粒子群算法的粒子具有記憶功能，無交叉變異，僅可據自身速度尋優(yōu)；遺傳算法比較均勻地向最優(yōu)區(qū)域逼近，而粒子群算法的最優(yōu)微?？蓡蜗騻鬟f信息給其他微粒，因此可快速收斂?；诖?，可將二者結合，即用遺傳粒子群算法來對HEV能量控制策略進行高效、快速、全局尋優(yōu)，其核心思想是粒子群下一代微粒的位置和速度由上一代粒子進行遺傳雜交求得。

3.3 優(yōu)化結果

以SOC、車速、齒圈上的需求功率或轉矩為已知參數，以發(fā)動機、電動機、發(fā)電機工作點為優(yōu)化變量，以式（11）為優(yōu)化目標函數，以式（12）為約束函數，運用遺傳粒子群算法，進行尋優(yōu)計算。

表2為優(yōu)化工作點，即SOC從0.4～0.8以0.05等差遞增，車速從10～165以5遞增，齒圈上的需求轉矩從3～468以3遞增，可知需優(yōu)化工況點為44 928（9×32×156）個，其中每個優(yōu)化工況點，運行優(yōu)化程序1次。表3為優(yōu)化部分結果。

表2 優(yōu)化工況點

圖3為SOC=0.4時，發(fā)動機工況點優(yōu)化結果，由該MAP圖可知，在SOC不變情況下，發(fā)動機轉速和轉矩均隨車速和齒圈上需求功率的提高而提高，該MAP圖可用于HEV能量控制策略的直接查表運算，進而提高HEV的ECU運行速度。

表3 優(yōu)化結果部分數據

圖3 發(fā)動機轉速和轉矩優(yōu)化結果MAP圖

3.4 “凸拋物線”規(guī)律的發(fā)現及其意義

圖4橫坐標為SOC從0.4～0.8，車速從10～165km/h，齒圈上的需求轉矩從3～468 N·m共44 928個工況點組成的序列，縱坐標為相應的目標函數值f，由圖4a可知，在整個f值序列里，存在多個“U”形拋物曲線。圖4b是將其局部放大后的結果，可以明顯看出該曲線的特征，每一條“U”形拋物曲線均表示SOC和車速一定的前提下，不同齒圈需求轉矩或功率求得的最佳工作點相應的優(yōu)化目標函數f值，存在局部“極小值”，對于能量轉化效率而言，該曲線現狀取倒數，即為“凸拋物線”形曲線。

圖4 不同車速、需求轉矩條件下的f值序列及其局部放大圖

該“U”形拋物曲線規(guī)律的發(fā)現可用于HEV多模式能量控制策略的模式劃分，即取每條“U”形曲線的最低點作為該條曲線的最佳齒圈需求轉矩Trreq_per，并將該轉矩點作為經濟型模式的特征點，如圖4b中的實線圓圈，可取經濟型特征點和其右側“U”形曲線最高點之間的中間點作為平衡型轉矩Trreq_bal特征點，如圖4b中的虛線圓圈，從而形成動力型、經濟型、平衡型能量控制策略的控制規(guī)則，其中發(fā)動機控制工作點分別可由式（18）～式（22）求得，電動機及發(fā)電機可由式（2）～式（4）計算得到。

動力型模式：

經濟性模式：

平衡型模式：

由式（18）～式（22）可知，因為經濟型模式和平衡型模式均對齒圈上的轉矩進行了不同程度的限制，使得經濟型模式效率高而動力性低，動力性模式反之，平衡型模式介于二者之間。

4 結束語

以某款典型的混聯式HEV為研究對象，分析了動力系統(tǒng)結構及參數，基于實車采集的數據建立了MATLAB/Simulink仿真計算模型。結合研究對象，建立了HEV能量控制策略優(yōu)化模型，得出如下結論：

a. 在SOC及車速已知條件下，不同齒圈需求轉矩經過優(yōu)化所得的目標函數值不同，呈現“U”形拋物線曲線規(guī)律，即存在一個能量轉化效率最高的點。

b. 基于該“U”形曲線規(guī)律，形成了HEV能量控制策略動力性、平衡性和經濟性控制規(guī)則的劃分判據。

1 Al-Alawi BM，Bradley TH.Review of Hybrid,Plug-in Hybrid，and Electric Vehicle Market Modeling Studies.Renew Sustain Energy Rev 2013；21：190–203.

2 Chen Z，Xiong R，Wang C，et al.An on-Line Predictive Energy Management Strategy for Plug-in Hybrid Electric Vehicles to Counter the Uncertain Prediction of the Driving cycle[J].Applied Energy，2016..

3 Chen S， Hung Y，Wu C， et al. Optimal Energy Management of a Hybrid Electric Powertrain System Using Improved Particle Swarm Optimization[J].Applied Energy，2015，160：132145.

4 左義和，項昌樂，閆清東，等.基于動態(tài)規(guī)劃算法的混聯混合動力汽車控制策略［J］.吉林大學學報(工學版)，2011，41(4)：898–903.

5 王偉達，項昌樂，劉輝.混聯式混合動力系統(tǒng)多能源綜合控制策略[J].哈爾濱工業(yè)大學學報，2012，44(1)：138–143.

6 肖仁鑫，李濤，鄒敢，等.基于隨機動態(tài)規(guī)劃的混聯式混合動力汽車能量管理策略[J].汽車工程.2013(04)：317–321.

7 Xiong Weiwei，Zhang Yong，Yin Chengliang. Optimal Energy Management for Series-parallel Hybrid Electric Bus［J］.Energy Conversion and Management，2009，50：1730–1738.

8 Bianchi，Domenico，Rolando，Luciano，Serrao，Lorenzo，et al.A Rule-Based Strategy for a Series/parallel Hybrid Electric Vehicle:An Approach Based on Dynamic Programming[C].DSCC2010,United States:American Society of Mechanical Engineers,2010：507–514.

9 Joonyoung Park，Jonghan Oh，Youngkug Park，Kisang Lee.Optimal Power Distri-bution Strategy for Series-Parallel Hybrid Electric Vehicles[C]. Strategic Technology，The 1st International Forum on，2007，United States，IEEE，2007：37-43.

10 郭海龍.基于行駛狀況識別的混聯式HEV多模式能量控制策略研究［D］.廣州：華南理工大學.

Study on HEV’s Multi-Mode Control Strategy and Criteria Based on Energy Efficiency

Guo Hailong1,2,Zhang Yongdong1,2,Zhang Shengbin1
（1.Guangdong Communication Polytechnic,Guangzhou 510650;2.South China University of Technology,Guangzhou 510641）

Simulation model of vehicle driving system and energy control strategy optimization model have been built with a series-parallel HEV as research object.Vehicle energy conversion efficiency under different demanded driving torques was compared,which indicated that HEV energy conversion efficiency showed a“U”parabola rule with the increase of demand torque,under the same battery remaining capacity and vehicle speeds.Based on this rule,the division criteria of control rule for HEV energy strategy dynamic property,balance and economy was formed.

Parallel-series,HEV,Multi-mode energy control strategy,Genetic particle swarm algorithm,Demand driving torque,Energy conversion efficiency.

混聯式 HEV 多模式能量控制策略 遺傳粒子群算法 需求驅動轉矩 能量轉換效率

U469.7 文獻標識碼：A 文章編號：1000-3703（2017）12-0028-06

（1）廣東省優(yōu)秀青年教師培養(yǎng)項目（編號：YQ2013197）資助；（2）廣東省高等學校高層次人才項目（編號：2013-203）資助；（3）廣東省交通運輸廳節(jié)能減排項目（編號：節(jié)能-2014-06-002）資助。

（責任編輯簾 青）

修改稿收到日期為2017年9月1日。