PHEV轉(zhuǎn)矩的自適應(yīng)神經(jīng)模糊推理系統(tǒng)分配策略

郭翠玲

（商丘職業(yè)技術(shù)學(xué)院機(jī)電工程系，河南 商丘 476000）

1 引言

與傳統(tǒng)燃油汽車(chē)相比，混合動(dòng)力汽車(chē)具有更高的燃油經(jīng)濟(jì)性和更低的污染物排放，對(duì)緩解環(huán)境問(wèn)題和能源危機(jī)具有重要作用?；旌蟿?dòng)力汽車(chē)能量管理與轉(zhuǎn)矩分配決定了車(chē)輛的使用成本和尾氣組成[1]，因此研究混合動(dòng)力汽車(chē)能量管理問(wèn)題具有重要意義。

混合動(dòng)力汽車(chē)能量管理策略是根據(jù)車(chē)輛狀態(tài)和動(dòng)力源特性，通過(guò)分配發(fā)動(dòng)機(jī)和電機(jī)轉(zhuǎn)矩獲得最好的燃油經(jīng)濟(jì)性與排放性能。能量管理策略可分為基于規(guī)則、基于瞬時(shí)優(yōu)化和基于全局優(yōu)化三類(lèi)，基于規(guī)則的管理策略通過(guò)設(shè)定多個(gè)門(mén)限值劃分各部件工作區(qū)域，達(dá)到提高車(chē)輛運(yùn)行效率的目的[2]，此類(lèi)方法優(yōu)點(diǎn)是原理簡(jiǎn)單、魯棒性強(qiáng)，缺陷是過(guò)于依賴(lài)工程經(jīng)驗(yàn)，無(wú)法適應(yīng)工況變化；基于瞬時(shí)優(yōu)化方法以每一控制周期內(nèi)等效燃油消耗最小為目標(biāo)，實(shí)現(xiàn)瞬時(shí)的轉(zhuǎn)矩最優(yōu)分配[3]，例如等效燃油最小法[4]、最小功率損失法等，此類(lèi)方法優(yōu)點(diǎn)是可用于實(shí)時(shí)控制，不受循環(huán)工況的制約，缺點(diǎn)是計(jì)算量大且難以保證全局最優(yōu)；基于全局優(yōu)化方法在全局范圍內(nèi)尋找轉(zhuǎn)矩最優(yōu)分配方法，包括動(dòng)態(tài)規(guī)劃[5-6]、線性規(guī)劃[7]等方法，優(yōu)點(diǎn)是可以實(shí)現(xiàn)真正的全局最優(yōu)分配，缺點(diǎn)是無(wú)法應(yīng)用于實(shí)時(shí)控制。

針對(duì)并聯(lián)式混合動(dòng)力汽車(chē)能量分配問(wèn)題，使用迭代動(dòng)態(tài)規(guī)劃方法實(shí)現(xiàn)了能量最優(yōu)分配，使用自適應(yīng)神經(jīng)模糊推理系統(tǒng)將最優(yōu)控制律轉(zhuǎn)化為可用于實(shí)時(shí)控制的控制律，實(shí)現(xiàn)了減小燃油消耗和較少尾氣有毒氣體含量的目的。

2 并聯(lián)混合動(dòng)力系統(tǒng)建模與換擋策略

2.1 并聯(lián)混合動(dòng)力系統(tǒng)仿真模型

以一款同軸并聯(lián)混合動(dòng)力汽車(chē)為研究對(duì)象，其動(dòng)力系統(tǒng)結(jié)構(gòu)，如圖1所示。從圖中可以看出，其動(dòng)力系統(tǒng)主要由柴油發(fā)動(dòng)機(jī)、變速器、動(dòng)力電池、驅(qū)動(dòng)電機(jī)、主減速器等組成[8]。除此之外，系統(tǒng)仿真模型還需建立車(chē)輛動(dòng)力學(xué)模型和駕駛員模型。

圖1 PHEV動(dòng)力系統(tǒng)Fig.1 Power System of PHEV

（1）發(fā)動(dòng)機(jī)模型。使用數(shù)值查表法建立發(fā)動(dòng)機(jī)模型，通過(guò)發(fā)動(dòng)機(jī)臺(tái)架實(shí)驗(yàn)，測(cè)得發(fā)動(dòng)機(jī)在不同轉(zhuǎn)速下的穩(wěn)態(tài)轉(zhuǎn)矩和燃油消耗率，使用插值法建立發(fā)動(dòng)機(jī)模型為：

（2）驅(qū)動(dòng)電機(jī)模型。動(dòng)力系統(tǒng)使用電機(jī)為永磁同步電機(jī)，使用臺(tái)架實(shí)驗(yàn)建立電機(jī)模型為 ηm=ψ2（Tm，ωm），式中 ηm為電機(jī)工作效率，Tm為電機(jī)轉(zhuǎn)矩，ωm為電機(jī)轉(zhuǎn)速。驅(qū)動(dòng)電機(jī)功率和轉(zhuǎn)矩模型為：

式中：τm—時(shí)間常數(shù)；Tmd—電機(jī)目標(biāo)轉(zhuǎn)矩；Pmax—電機(jī)峰值功率，Tm＞0時(shí)為電動(dòng)機(jī)模式，Tm＜0時(shí)為發(fā)電機(jī)模式。

（3）電池模型。使用Raint模型建立電池模型，根據(jù)此模型得到電池電量變化量與輸出功率的對(duì)應(yīng)關(guān)系為：

式中：S（t）—t時(shí)刻SOC值；Ub—電池開(kāi)路電壓；Rb—等效內(nèi)阻；Qb—電池容量；Pb—電池輸出功率。

（4）自動(dòng)變速器模型。系統(tǒng)使用的變速器為電控機(jī)械式自動(dòng)變速器，變速器起著“減速增矩”的作用，分為5檔變速箱，1檔為爬坡檔，2～5檔為“D 檔”，后退和空擋分別為“R”和“N”。將換擋過(guò)程認(rèn)為是瞬間完成，建立減速器模型為：

式中：Ta-in—變速器輸入軸轉(zhuǎn)矩；Ta-out—變速器輸出軸轉(zhuǎn)矩；ηg—變速器傳動(dòng)效率；ig—轉(zhuǎn)速比，是檔位 Gear的函數(shù)，Gear∈［2，3，4，5］表示前進(jìn)檔位。

（5）主減速器模型。主減速器是具有固定傳動(dòng)比的減速器，起到減速增矩作用，工作過(guò)程中齒輪嚙合存在相對(duì)滑動(dòng)造成功率損失，主減速器模型為：

式中：Tfd-out—主減速器輸出轉(zhuǎn)矩；Tfd-in—主減速器輸入轉(zhuǎn)矩；ωfd-in—主減速器輸入端轉(zhuǎn)速；ωfd-out—主減速器輸出端轉(zhuǎn)矩；i0—傳動(dòng)比；ηfd—傳動(dòng)效率。

（6）車(chē)輛縱向動(dòng)力學(xué)模型。車(chē)輛在驅(qū)動(dòng)力矩、制動(dòng)力矩、行駛阻力共同作用下運(yùn)動(dòng)，根據(jù)牛頓第二定律，有：

式中：Ft—驅(qū)動(dòng)力；Ff—滾動(dòng)阻力；Fi—坡度阻力；Fw—空氣阻力；Fj—慣性阻力。在此給出Ft、Fw、Fj表達(dá)式：

式中：Tbrk—制動(dòng)力矩；Rw—車(chē)輪半徑；CD—空氣阻力系數(shù)；A—迎風(fēng)面積；ρ—空氣密度；v—車(chē)速；m—整車(chē)質(zhì)量；δ—旋轉(zhuǎn)質(zhì)量換算系數(shù)。

（7）駕駛員模型。使用PID控制建立駕駛員模型，將實(shí)際車(chē)速與給定車(chē)速的誤差作為控制器輸入，將加速踏板和制動(dòng)踏板開(kāi)度作為控制器輸出，即：

式中：v（t）—實(shí)際車(chē)速；vcyc（t）—給定循環(huán)工況車(chē)速；kp、ki、kd—比例、積分、微分系數(shù)；pdriver∈［-1.1］—控制器開(kāi)度，pdriver＜0 時(shí)表示制動(dòng)器開(kāi)度，pdriver＞0時(shí)表示加速器開(kāi)度。

2.2 換擋策略

由自動(dòng)變速器模型可知，變速器的轉(zhuǎn)速比是檔位Gear函數(shù)，在此對(duì)換擋策略進(jìn)行明確，進(jìn)而可以確定變速器的轉(zhuǎn)速比。由于加速踏板開(kāi)度和車(chē)速能夠反應(yīng)駕駛員意圖和車(chē)輛當(dāng)前狀態(tài)，使用此二參數(shù)作為換擋依據(jù)。根據(jù)優(yōu)化目標(biāo)不同，換擋策略可分為最佳動(dòng)力性換擋和最佳經(jīng)濟(jì)性換擋，最佳動(dòng)力性換擋是以牽引力最大為目標(biāo)，此時(shí)車(chē)輛盡可能晚地?fù)Q擋，保證車(chē)輛在低檔位獲得較大的驅(qū)動(dòng)力；最佳經(jīng)濟(jì)性換擋是以車(chē)輛燃油消耗最小為目標(biāo)，此時(shí)車(chē)輛盡可能早地?fù)Q擋，使用高擋位獲得最佳燃油經(jīng)濟(jì)性。以3檔與4檔間切換為例進(jìn)行介紹，換擋曲線，如圖2所示。

以加速踏板開(kāi)度為0.5為例，3檔升4檔時(shí)，最佳動(dòng)力性換擋車(chē)速vu1小于最佳經(jīng)濟(jì)性換擋車(chē)速vu2；當(dāng)4檔降3檔時(shí)，最佳動(dòng)力性換擋車(chē)速vd2大于最佳經(jīng)濟(jì)性換擋車(chē)速vd1。為了兼顧經(jīng)濟(jì)性和動(dòng)力性，引入系數(shù)對(duì)換擋車(chē)速進(jìn)行修正，為：

式中：vua、vda—修正后升檔和降檔車(chē)速；λ—修正系數(shù)，用于調(diào)整動(dòng)力性和經(jīng)濟(jì)性側(cè)重點(diǎn)。

圖2 換擋曲線Fig.2 Gear Shifting Diagram

3 能量管理問(wèn)題建模與求解

3.1 能量管理問(wèn)題建模

在車(chē)輛循環(huán)工況已知的情況下，通過(guò)合理分配發(fā)動(dòng)機(jī)轉(zhuǎn)矩和電機(jī)轉(zhuǎn)矩，能夠獲得最好的燃油經(jīng)濟(jì)性和排放性能，因此從本質(zhì)上講，混合動(dòng)力汽車(chē)的能量管理問(wèn)題是一類(lèi)最優(yōu)控制問(wèn)題。

（1）狀態(tài)轉(zhuǎn)移方程。選擇電池SOC作為系統(tǒng)狀態(tài)變量，即x（k）=S（k），驅(qū)動(dòng)電機(jī)轉(zhuǎn)矩作為控制變量，即 u（k）=Tmd（k），根據(jù)式（2）和式（3）可變換出狀態(tài)轉(zhuǎn)移方程，記為：

（2）建立目標(biāo)函數(shù)。設(shè)定的優(yōu)化目標(biāo)為提高燃油經(jīng)濟(jì)性、降低尾氣污染物含量，同時(shí)還要保證行程結(jié)束時(shí)電池電量的穩(wěn)定，因此目標(biāo)函數(shù)由以上3部分組成，即：

式中：J—目標(biāo)函數(shù)；t0、tf—駕駛循環(huán)起止時(shí)刻；Lc（）—燃油消耗代價(jià)函數(shù)；bCO（t）、bHC（t）、bNO（t）—t時(shí)刻尾氣中 CO、HC、NO 化合物的排放值；OCO、OHC、ONO—三類(lèi)化合物的期望排放值，參考GB17691-2005給出；s（t0）、s（tf）—起始時(shí)刻和終止時(shí)刻電池 SOC 值；α、β、χ、ζ—對(duì)應(yīng)項(xiàng)的優(yōu)化系數(shù)。

發(fā)動(dòng)機(jī)燃油消耗率模型通過(guò)臺(tái)架實(shí)驗(yàn)建立了查表函數(shù)，是非連續(xù)模型且占用了較大的存儲(chǔ)空間。當(dāng)發(fā)動(dòng)機(jī)轉(zhuǎn)速固定時(shí)，燃油消耗率與轉(zhuǎn)矩成近似線性，因此使用二次多項(xiàng)式進(jìn)行數(shù)據(jù)擬合，記為：

圖3 燃油消耗率擬合曲線Fig.3 The Curve of Fuel Consumption After Fitting

不同轉(zhuǎn)速下燃油消耗率的擬合曲線，如圖3所示。優(yōu)化模型的約束條件包括電池電量約束、發(fā)動(dòng)機(jī)轉(zhuǎn)矩和轉(zhuǎn)速約束、電機(jī)轉(zhuǎn)矩和轉(zhuǎn)速約束，為：

式中：下標(biāo)max與min—對(duì)應(yīng)項(xiàng)最大值和最小值。

3.2 迭代動(dòng)態(tài)規(guī)劃求解方法

相比于動(dòng)態(tài)規(guī)劃算法，迭代動(dòng)態(tài)規(guī)劃無(wú)需求解HJB方程，適用于高維度、非線性控制控制問(wèn)題，其基本思路[9]為：將控制過(guò)程等分為若干時(shí)間段，在每個(gè)時(shí)間段起點(diǎn)上將狀態(tài)變量網(wǎng)格化離散化，將控制變量代入每個(gè)網(wǎng)格點(diǎn)，對(duì)比目標(biāo)函數(shù)值，將獲得最優(yōu)目標(biāo)函數(shù)值的狀態(tài)變量和控制變量進(jìn)行存儲(chǔ)；而后將控制域收縮，重新生成控制量代入網(wǎng)格點(diǎn)計(jì)算目標(biāo)函數(shù)值，再次挑選出最優(yōu)狀態(tài)變量和控制變量，直至達(dá)到最大迭代次數(shù)，如圖4所示。

圖4 迭代動(dòng)態(tài)規(guī)劃原理示意圖Fig.4 Principle Illustration of Iteration Dynamic Programming

參考圖4給出迭代動(dòng)態(tài)規(guī)劃算法步驟：

（1）時(shí)間離散化，即將控制過(guò)程在時(shí)間軸上進(jìn)行P等分，每段時(shí)長(zhǎng)為 L=（tf-t0）/P；

（2）空間離散化。在每個(gè)時(shí)間段起點(diǎn)上設(shè)置一個(gè)中心控制變量u0和控制域r，以u(píng)0為中心將控制域等分為N份，離散控制變量為u0，…，N-1 式中N取為奇數(shù)。根據(jù)時(shí)間和空間劃分，得到了N×P維控制變量矩陣UN×P；

（3）以x0維系統(tǒng)初始狀態(tài)變量，將控制變量矩陣UN×P施加于系統(tǒng)狀態(tài)方程，得到狀態(tài)變量矩陣；

（4）從最后一時(shí)間段（即tf-L～tf）開(kāi)始，在每個(gè)狀態(tài)變量網(wǎng)格點(diǎn)上施加S個(gè)控制變量，S為控制變量離散化后的可行值數(shù)量，計(jì)算每個(gè)網(wǎng)格點(diǎn)施加不同控制量的目標(biāo)函數(shù)值，記錄使每個(gè)網(wǎng)格點(diǎn)的目標(biāo)函數(shù)達(dá)到最優(yōu)的控制變量；

（5）回退到前一時(shí)間段（即tf-2L～tf-L），同樣的，在每個(gè)狀態(tài)變量網(wǎng)格點(diǎn)上施加S個(gè)控制變量，當(dāng)系統(tǒng)轉(zhuǎn)移狀態(tài)沒(méi)有落在網(wǎng)格點(diǎn)上時(shí)，選取最優(yōu)網(wǎng)格點(diǎn)作為轉(zhuǎn)移值，計(jì)算每個(gè)網(wǎng)格點(diǎn)施加不同控制量的目標(biāo)函數(shù)值，記錄使每個(gè)網(wǎng)格點(diǎn)的目標(biāo)函數(shù)J達(dá)到最優(yōu)的控制變量；

（6）重復(fù)（5）直至回退到t0～t0+L時(shí)段，保存每個(gè)網(wǎng)格點(diǎn)上取得最優(yōu)目標(biāo)函數(shù)值的控制變量；

（7）從第1時(shí)段開(kāi)始，依次向最后時(shí)段搜索，查找出使當(dāng)前時(shí)段目標(biāo)函數(shù)達(dá)到最優(yōu)的控制變量，記其為當(dāng)前時(shí)段的最優(yōu)控制變量u*；

（8）控制域收縮，設(shè)定收縮因子?∈（0，1），則控制變量可行域r的迭代方法為：

式中：i—迭代次數(shù)。

（9）使用（7）中的最優(yōu)控制量u*代替（2）中的初始控制量u0，并跳轉(zhuǎn)至（2）繼續(xù)進(jìn)行迭代，直至算法達(dá)到最大迭代次數(shù)，輸出最后得到的最優(yōu)控制變量u*。

將迭代動(dòng)態(tài)規(guī)劃算法應(yīng)用于混合動(dòng)力汽車(chē)能量分配時(shí)，需要對(duì)目標(biāo)函數(shù)變形，以1314s的CCBC中國(guó)典型城市公交工況駕駛循環(huán)為例，如圖5所示。

圖5 中國(guó)典型城市公交循環(huán)Fig.5 China Typical City Bus Driving Cycle

將1314s的駕駛循環(huán)以1s為步長(zhǎng)進(jìn)行劃分，則全局目標(biāo)函數(shù)J與第k時(shí)間段的瞬時(shí)目標(biāo)函數(shù)Jk分別為：

在循環(huán)工況已知的情況下，根據(jù)汽車(chē)動(dòng)力學(xué)方程可計(jì)算得到車(chē)輛的需求轉(zhuǎn)矩Tdem，使用迭代動(dòng)態(tài)規(guī)劃求解混合動(dòng)力汽車(chē)能量?jī)?yōu)化模型，得到驅(qū)動(dòng)電機(jī)最優(yōu)轉(zhuǎn)矩分配值，使用式（15）計(jì)算得到發(fā)動(dòng)機(jī)最優(yōu)轉(zhuǎn)矩分配值，此時(shí)完成了轉(zhuǎn)矩分配。

4 實(shí)時(shí)能量管理策略

使用迭代動(dòng)態(tài)規(guī)劃算法得到的控制律是全局意義下最優(yōu)，且與時(shí)間相關(guān)的控制序列，無(wú)法應(yīng)用于車(chē)輛實(shí)時(shí)控制，為了解決這一問(wèn)題，使用自適應(yīng)神經(jīng)模糊推理系統(tǒng)建立最優(yōu)控制律與車(chē)輛狀態(tài)之間的非線性映射關(guān)系，將最優(yōu)控制律關(guān)于時(shí)間的關(guān)聯(lián)關(guān)系轉(zhuǎn)化為控制律關(guān)于車(chē)輛狀態(tài)的關(guān)聯(lián)關(guān)系，從而將最優(yōu)控制律應(yīng)用于車(chē)輛實(shí)時(shí)控制。

4.1 自適應(yīng)神經(jīng)模糊推理系統(tǒng)原理

自適應(yīng)神經(jīng)模糊推理系統(tǒng)將神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)優(yōu)點(diǎn)與模糊系統(tǒng)的邏輯推理相結(jié)合，常用模糊推理系統(tǒng)有Mamdani型和Sugeno型，考慮到Sugeno型模糊推理系統(tǒng)具有計(jì)算效率高、可擴(kuò)展性強(qiáng)等優(yōu)點(diǎn)，使用Sugeno型模糊推理系統(tǒng)。自適應(yīng)神經(jīng)模糊推理系統(tǒng)具有5層結(jié)構(gòu)，以兩輸入單輸出系統(tǒng)為例，如圖6所示。圖中方形節(jié)點(diǎn)為自適應(yīng)節(jié)點(diǎn)，圓形節(jié)點(diǎn)為固定節(jié)點(diǎn)。

自適應(yīng)神經(jīng)模糊推理系統(tǒng)第一層為輸入層，用來(lái)對(duì)輸入變量模糊化，使用的隸屬度函數(shù)為高斯函數(shù)；第二層用來(lái)計(jì)算對(duì)應(yīng)規(guī)則的激勵(lì)強(qiáng)度；第三層對(duì)所有規(guī)則的激勵(lì)強(qiáng)度進(jìn)行歸一化；第四層用來(lái)計(jì)算每條模糊規(guī)則的實(shí)際輸出值；第五層用來(lái)計(jì)算模糊推理的結(jié)果。每層之間的輸入輸出關(guān)系可參考文獻(xiàn)[10]，這里不再詳細(xì)給出。

圖6 自適應(yīng)神經(jīng)模糊推理系統(tǒng)結(jié)構(gòu)圖Fig.6 The Architecture of Adaptive Neuro Fuzzy Inference System

4.2 自適應(yīng)神經(jīng)模糊推理系統(tǒng)控制器設(shè)計(jì)

為了建立最優(yōu)控制律與車(chē)輛狀態(tài)間的非線性映射關(guān)系，接合前文自適應(yīng)神經(jīng)模糊推理系統(tǒng)原理，設(shè)計(jì)控制器。選擇車(chē)速v、電池荷電狀態(tài)S、駕駛員需求轉(zhuǎn)矩Tdem、檔位Gear作為控制器輸入，控制器輸出為最優(yōu)控制律u*（也即驅(qū)動(dòng)電機(jī)最優(yōu)轉(zhuǎn)矩Tm）。

控制器的訓(xùn)練過(guò)程與結(jié)果嚴(yán)重影響控制器的性能，自適應(yīng)神經(jīng)模糊推理系統(tǒng)控制器的訓(xùn)練流程，如圖7所示。

圖7 訓(xùn)練流程Fig.7 Training Flow

動(dòng)力電池最佳工作區(qū)域?yàn)椋?.45，0.65］，以0.05為間隔，使用迭代動(dòng)態(tài)規(guī)劃方法分別獲得以 SOC=0.45，0.50，0.55，0.60，0.65 為初值情況下的最優(yōu)控制律，以SOC初值為0.45，0.55，0.60，0.65時(shí)為訓(xùn)練樣本，以SOC初值為0.5時(shí)為測(cè)試樣本。以均方誤差最小為參數(shù)訓(xùn)練目標(biāo)，誤差定義為：

經(jīng)訓(xùn)練后，自適應(yīng)神經(jīng)模糊推理系統(tǒng)對(duì)測(cè)試樣本的均方誤差值為0.056，說(shuō)明自適應(yīng)神經(jīng)模糊推理系統(tǒng)擬合的最優(yōu)控制律與車(chē)輛狀態(tài)間非線性映射關(guān)系具有較高精度，可以應(yīng)用于車(chē)輛實(shí)時(shí)控制。

5 仿真驗(yàn)證與分析

使用MATLAB/Simulink軟件搭建混合動(dòng)力系統(tǒng)仿真模型，電池電量初值為0.55，以圖5給出的1314s中國(guó)典型城市公交循環(huán)為驗(yàn)證工況，根據(jù)此駕駛循環(huán)，依據(jù)式（6）和式（7）可計(jì)算出車(chē)輛的需求轉(zhuǎn)矩Tdem，而后使用迭代動(dòng)態(tài)規(guī)劃得到驅(qū)動(dòng)電機(jī)最優(yōu)轉(zhuǎn)矩，通過(guò)式（15）得到發(fā)動(dòng)機(jī)轉(zhuǎn)矩，從而完成轉(zhuǎn)矩分配。將轉(zhuǎn)矩分配結(jié)果按照車(chē)輛的實(shí)時(shí)狀態(tài)施加于車(chē)輛仿真模型，得到車(chē)速仿真結(jié)果與期望車(chē)速，如圖8所示。

圖8 車(chē)速跟蹤曲線Fig.8 The Vehicle Velocity Tracking Curve

從圖8中可以看出，車(chē)輛的實(shí)際仿真車(chē)速與期望車(chē)速誤差較小，經(jīng)計(jì)算車(chē)速偏差最大值為1.89km/h，車(chē)速偏差的存在是因?yàn)槭褂米赃m應(yīng)神經(jīng)模糊推理系統(tǒng)對(duì)最優(yōu)控制律與車(chē)輛狀態(tài)進(jìn)行擬合時(shí)必然存在擬合誤差。車(chē)速偏差較小也說(shuō)明了使用自適應(yīng)神經(jīng)模糊推理系統(tǒng)將與時(shí)間關(guān)聯(lián)的最優(yōu)控制律轉(zhuǎn)化為可實(shí)時(shí)用于控制的最優(yōu)控制律是可行的。能量?jī)?yōu)化后的發(fā)動(dòng)機(jī)轉(zhuǎn)速、電機(jī)轉(zhuǎn)速、轉(zhuǎn)矩分配結(jié)果，如圖9所示。

圖9 轉(zhuǎn)矩分配結(jié)果Fig.9 Torque Distribution Result

由圖9（a）可知，發(fā)動(dòng)機(jī)幾乎全部工作在轉(zhuǎn)速1200rmp以上，避免了發(fā)動(dòng)機(jī)工作在低速或怠速狀態(tài)。由于驅(qū)動(dòng)電機(jī)低速大轉(zhuǎn)矩、動(dòng)態(tài)響應(yīng)快等優(yōu)點(diǎn)，驅(qū)動(dòng)電機(jī)適合工作在低轉(zhuǎn)速區(qū)域，對(duì)比圖5與圖9（d），在低轉(zhuǎn)速情況下，驅(qū)動(dòng)電機(jī)工作在恒轉(zhuǎn)矩狀態(tài)為汽車(chē)提供全部動(dòng)力。當(dāng)車(chē)輛制動(dòng)時(shí)，首先使用再生制動(dòng)，當(dāng)再生制動(dòng)不滿足制動(dòng)力要求時(shí)使用機(jī)械制動(dòng)，如圖中1288s時(shí)車(chē)輛由60km/h減速，電機(jī)轉(zhuǎn)矩為負(fù)即工作在發(fā)電機(jī)模式。以上分析表明設(shè)計(jì)的控制器控制過(guò)程合理，符合車(chē)輛駕駛規(guī)律。

為了進(jìn)一步驗(yàn)證能量管理策略的優(yōu)越性，分別使用這里方法、基于規(guī)則的能量管理方法、等效燃油消耗最小控制策略、迭代動(dòng)態(tài)規(guī)劃法等四種方法對(duì)混合動(dòng)力進(jìn)行控制，其在迭代動(dòng)態(tài)規(guī)劃方法是無(wú)法應(yīng)用于實(shí)時(shí)控制的全局最優(yōu)規(guī)劃方法，以此方法規(guī)劃結(jié)果作為參考。四種方法得到的百公里燃油消耗量和尾氣排放結(jié)果，如表1所示。

表1 不同方法控制結(jié)果Tab.1 Control Result of Different Method

從表1中可以看出，1314的CCBC工況最佳百公里油耗參考值為24.28L，使用這里的控制方法油耗為25.19L/100km，比參考值增加了3.75%；而基于規(guī)則控制策略和等效燃油消耗最小的百公里油耗分別為29.87L、26.18L，比控制方法分別增加了18.56%、3.93%。另外，控制方法的三類(lèi)有害氣體排放量也明顯小于另外兩種方法，充分證明了設(shè)計(jì)的控制方法能夠有效進(jìn)行轉(zhuǎn)矩分配，達(dá)到節(jié)省油耗和減少有害氣體排放的目的。這是因?yàn)槭褂玫鷦?dòng)態(tài)規(guī)劃方法得到了最優(yōu)控制律，即轉(zhuǎn)矩最優(yōu)分配方案，而后使用自適應(yīng)神經(jīng)模糊推理系統(tǒng)探索最優(yōu)控制律與車(chē)輛狀態(tài)間的非線性關(guān)系，實(shí)時(shí)了最優(yōu)控制律的實(shí)時(shí)控制?？刂品椒ㄖ耘c真實(shí)的最優(yōu)控制還有一定差距，這是由自適應(yīng)神經(jīng)模糊推理系統(tǒng)的擬合精度導(dǎo)致的。

6 結(jié)論

研究了并聯(lián)式混合動(dòng)力汽車(chē)的能量分配問(wèn)題，提出了迭代動(dòng)態(tài)規(guī)劃與自適應(yīng)神經(jīng)模糊推理系統(tǒng)相結(jié)合的能量分配方法，經(jīng)過(guò)驗(yàn)證得出了以下結(jié)論：（1）迭代動(dòng)態(tài)規(guī)劃方法可以實(shí)現(xiàn)混合動(dòng)力汽車(chē)能量的最優(yōu)分配；（2）使用自適應(yīng)神經(jīng)模糊推理系統(tǒng)探索最優(yōu)控制律與車(chē)輛狀態(tài)關(guān)系，可以將最優(yōu)控制律應(yīng)用于實(shí)時(shí)控制。