并聯(lián)式混合動力汽車模糊控制策略優(yōu)化

黃稟通，朱建軍，周忠偉，陳登攀

（太原理工大學(xué)機(jī)械與運(yùn)載工程學(xué)院，山西 太原 030024）

1 引言

并聯(lián)式混合動力電動汽車可應(yīng)對不同運(yùn)行工況的需求，調(diào)配整車各動力源之間的能量流分布[1]。如何實(shí)現(xiàn)綜合優(yōu)化的經(jīng)濟(jì)和排放性能的能量管理策略是針對并聯(lián)式驅(qū)動系統(tǒng)的研究熱點(diǎn)。

在實(shí)際問題中，并聯(lián)式驅(qū)動系統(tǒng)結(jié)構(gòu)及控制形式較為復(fù)雜，存在大量的復(fù)雜因素，難以用數(shù)學(xué)模型精確描述。模糊控制具有較強(qiáng)的魯棒性及實(shí)時(shí)性[2]，將模糊控制與并聯(lián)式驅(qū)動策略相結(jié)合，可以有效提升整車性能[3]。

模糊控制器隸屬度及模糊規(guī)則的制定主要依賴于操作者的經(jīng)驗(yàn)，具有一定局限性，因此需要對模糊控制進(jìn)行優(yōu)化以保證控制效果。作為高效的全局性搜索算法，遺傳算法被廣泛應(yīng)用于復(fù)雜非線性系統(tǒng)。文獻(xiàn)[4-6]分別以裝備超級電容的分離軸式、雙軸并聯(lián)式、單軸并聯(lián)式混動汽車為原型，將遺傳算法應(yīng)用于模糊隸屬度的優(yōu)化之中并在ECE 及NEDC 工況下進(jìn)行驗(yàn)證，得出優(yōu)化后的模糊控制可以進(jìn)一步提升驅(qū)動系統(tǒng)性能，改善整車燃油經(jīng)濟(jì)性及動力性。文獻(xiàn)[7-8]分別以并聯(lián)式PHEV 和差速耦合混動汽車為模型優(yōu)化模糊規(guī)則，并于UDDS 工況下驗(yàn)證了優(yōu)化后模糊控制器的有效性。上述文獻(xiàn)均采用遺傳算法對并聯(lián)式混動汽車隸屬度函數(shù)或模糊規(guī)則進(jìn)行優(yōu)化，未曾考慮動力系統(tǒng)參數(shù)對并聯(lián)式整車性能的影響。

為進(jìn)一步提升模糊控制能量管理策略性能，以某并聯(lián)式混合動力汽車為原型，在MATLAB/Simulink 平臺建立了一種三輸入單輸出的模糊驅(qū)動控制器，并利用遺傳算法實(shí)現(xiàn)模糊規(guī)則及整車動力性參數(shù)的優(yōu)化，最后在HIL（Hardware-in-the-loop）測試平臺下驗(yàn)證了優(yōu)化策略的有效性。

2 模糊邏輯轉(zhuǎn)矩控制策略設(shè)計(jì)

2.1 并聯(lián)式混動汽車結(jié)構(gòu)

單軸并聯(lián)式系統(tǒng)動力總成，如圖1 所示。主要包括：發(fā)動機(jī)、ISG 電機(jī)、動力電池組、動力傳動裝置及控制系統(tǒng)。HCU（整車控制器）通過控制EMS（發(fā)動機(jī)管理系統(tǒng)）、MCU（電機(jī)控制系統(tǒng)）、BMS（電機(jī)管理系統(tǒng)）、TCU（變速器管理系統(tǒng)）決定各部件工作模式及工作狀態(tài)。離合器分離時(shí)，電機(jī)通過變速箱傳遞動力獨(dú)立驅(qū)動，離合器接合時(shí)，電機(jī)與發(fā)動機(jī)共同驅(qū)動車輛行駛，制動時(shí)電機(jī)作為發(fā)電機(jī)為動力電池組充電。其動力系統(tǒng)的基本參數(shù)，如表1 所示。

圖1 并聯(lián)式混合動力汽車結(jié)構(gòu)Fig.1 Configuration of the Hybrid Vehicle

表1 整車主要部件參數(shù)Tab.1 Main Component Parameters of the Vehicle

2.2 模糊控制器的設(shè)計(jì)

并聯(lián)式混合動力汽車存在多動力源能量流協(xié)調(diào)的問題，利用模糊邏輯理論制定驅(qū)動策略，使發(fā)動機(jī)盡可能在良好運(yùn)行工況下工作，以實(shí)現(xiàn)需求功率在多個動力源之間的合理分配，模糊控制策略的工作原理，如圖2 所示。

圖2 模糊控制策略工作原理Fig.2 The Principle of Fuzzy Control Strategy

模糊控制規(guī)則的制定直接關(guān)乎模糊控制器性能的優(yōu)劣，搭建模糊控制器遵循的準(zhǔn)則為：（1）若整車需求轉(zhuǎn)矩較小且電池組SOC 處于中高水平時(shí)，由電機(jī)單獨(dú)驅(qū)動車輛行駛。若此時(shí)SOC 水平較低，則由發(fā)動機(jī)驅(qū)動汽車行駛，同時(shí)帶動電機(jī)發(fā)電，為動力電池組進(jìn)行充電以維持電量平衡。（2）若整車需求扭矩偏小且SOC水平較高時(shí)，則僅由發(fā)動機(jī)驅(qū)動以避免電池過充，若SOC 水平較低，則發(fā)動機(jī)利用驅(qū)動車輛外的富余轉(zhuǎn)矩通過電機(jī)向動力電池組充電。（3）若整車需求轉(zhuǎn)矩偏大，則由發(fā)動機(jī)單獨(dú)驅(qū)動以保證發(fā)動機(jī)在高效區(qū)工作，若SOC 水平較低，則發(fā)動機(jī)參與發(fā)電以保證電池荷電狀態(tài)平衡。（4）若整車需求轉(zhuǎn)矩較大，則由發(fā)動機(jī)和電機(jī)聯(lián)合工作為整車提供驅(qū)動力，若此時(shí)SOC 水平偏低，則電機(jī)適當(dāng)減小動力輸出以避免動力電池組的過放損害。

模糊轉(zhuǎn)矩控制器的3 個輸入變量分別為整車需求轉(zhuǎn)矩與當(dāng)前轉(zhuǎn)速下發(fā)動機(jī)最大轉(zhuǎn)矩的比值Tload，電機(jī)轉(zhuǎn)速M(fèi)otorspeed及電池的SOC 值，1 個輸出變量為發(fā)動機(jī)轉(zhuǎn)矩系數(shù)k[9]，如圖3 所示。輸入輸出量隸屬度函數(shù)形狀設(shè)定為梯形，Tload模糊子集定義為｛HX，X，Z，D，HD｝；電池SOC 的模糊子集定義為｛D，ZD，ZS，G｝；電機(jī)轉(zhuǎn)速M(fèi)otorspeed的模糊子集定義為｛D，Z，G｝；輸出量k 的模糊子集定義為｛HX，X，ZD，D｝。在分別確定輸入及輸出量的模糊子集及隸屬度函數(shù)后，制定出模糊控制規(guī)則查詢表，模糊控制器曲面觀測圖，如圖4 所示。

圖3 輸入輸出變量隸屬度函數(shù)Fig.3 Membership Functions of Input and Output Variables

圖4 模糊控制器曲面觀測圖Fig.4 Surface Observation Map of Fuzzy Controller

3 基于遺傳算法的控制策略優(yōu)化

3.1 待優(yōu)參數(shù)的選取

并聯(lián)式系統(tǒng)控制策略優(yōu)化時(shí)不僅應(yīng)考慮模糊規(guī)則的影響，還應(yīng)考慮動力匹配參數(shù)的耦合效果，采用遺傳算法對兩者同時(shí)優(yōu)化。

3.1.1 能量管理策略參數(shù)

采用全局性優(yōu)化算法對驅(qū)動模糊控制器的隸屬度及規(guī)則函數(shù)一同優(yōu)化，存在計(jì)算維度大、過早收斂等問題，因此僅對模糊規(guī)則進(jìn)行優(yōu)化。相對于二進(jìn)制編碼方式，十進(jìn)制代碼編碼長度大幅縮短，計(jì)算效率顯著提升，因此采用十進(jìn)制編碼[10-11]?；谀：?guī)則的完備性和一致性，將輸出變量k 的模糊子集｛HX，X，ZD，D｝分別編碼為1，2，3，4。以Motorspeed=D 為例進(jìn)行分析，規(guī)則對應(yīng)編碼為3211，3221，3332，4432，4432，如表2 所示。

表2 模糊控制規(guī)則Tab.2 The Fuzzy Control Rules

3.1.2 動力系統(tǒng)參數(shù)的選擇

整車性能受較多動力系統(tǒng)參數(shù)的影響，全部參數(shù)優(yōu)化并不現(xiàn)實(shí)，選取對整車性能影響較大的主減速器速比i0及純電動工作模式行駛車速閾值Vl作為目標(biāo)優(yōu)化量[12]。

3.2 遺傳算法流程

以模糊控制規(guī)則及動力系統(tǒng)參數(shù)為優(yōu)化對象，考慮整車經(jīng)濟(jì)性和排放性建立優(yōu)化目標(biāo)函數(shù)。優(yōu)化具體流程如下：

（1）輸入混聯(lián)式混合動力汽車發(fā)動機(jī)、電機(jī)、電池組、傳動系、駕駛員模塊等基本參數(shù)并搭建模糊驅(qū)動控制策略；

（2）設(shè)定系統(tǒng)優(yōu)化目標(biāo)函數(shù)，確立目標(biāo)函數(shù)中的各項(xiàng)權(quán)重系數(shù)。

（3）將遺傳算法嵌入到混動汽車控制策略模型之中，創(chuàng)建種群，計(jì)算適應(yīng)度并排序選取其中適應(yīng)度高的100 個個體作為初始種群。

（4）父代種群代入整車模型計(jì)算個體適應(yīng)度值，等級排序后經(jīng)過選擇、交叉變異運(yùn)算生成子代種群。

（5）判斷新種群是否滿足終止條件，滿足即執(zhí)行終止程序，解碼得到目標(biāo)空間中的參數(shù)最優(yōu)解，并輸出優(yōu)化結(jié)果，否則返回第4 步。

優(yōu)化流程，如圖5 所示。

圖5 遺傳算法流程Fig.5 Process of Genetic Algorithm

3.3 約束條件

汽車動力性指標(biāo)主要有：最高車速、最大爬坡度、加速時(shí)間。具體約束項(xiàng)，如表3 所示。

表3 動力性約束指標(biāo)Tab.3 Dynamic Constraint Index

采用“罰函數(shù)”法對約束條件進(jìn)行處理[13]，“罰函數(shù)”通過對非可行解施加懲罰，以此來減少違反約束個體在下一代群體中的生存概率，加快其淘汰速率。

3.4 目標(biāo)函數(shù)

為使油耗和排放量綜合最小化，引入權(quán)值系數(shù)構(gòu)建目標(biāo)函數(shù)[14]，其目標(biāo)函數(shù)為：

式中：ω1～ω4—優(yōu)化子目標(biāo)的權(quán)重因子；f（t）—油耗值；c（t）—CO 排放值；h（t）—HC 排放值；n（t）—NOx排放值；Fobj、Cobj、Hobj、Nobj—油耗及排放對應(yīng)的優(yōu)化目標(biāo)值；μm—懲罰因子，取μm=50，m—動力性約束條件個數(shù)，g1（x）=110km/h-Vmax；g2（x）=20s-t；g3（x）=30%-i。

3.5 運(yùn)行參數(shù)設(shè)定

表4 遺傳算法運(yùn)行參數(shù)Tab.4 Operation Parameters of Genetic Algorithm

在MATLAB 平臺上采用遺傳算法對模糊規(guī)則及整車動力性參數(shù)進(jìn)行優(yōu)化，在通過多次算法測試后，發(fā)現(xiàn)種群大多在40 代后趨于平穩(wěn)，因此選取遺傳算法的終止進(jìn)化代數(shù)為50。遺傳算法交叉概率通常?。?.4～0.99），變異概率通常取（0.001～0.1）[15]，為提升全局搜索效果及收斂效率，選取較高的變異率并設(shè)定為0.1，為保留優(yōu)秀基因的結(jié)構(gòu)，選取適中的交叉率為0.8。具體參數(shù)選定，如表4 所示。

4 測試結(jié)果及分析

通過硬件在環(huán)HIL 仿真測試系統(tǒng)對混動汽車模糊控制策略的有效性進(jìn)行了驗(yàn)證。

硬件在環(huán)仿真實(shí)驗(yàn)系統(tǒng)各部分組成及功能如下：混動系統(tǒng)模型包含整車控制模塊和底層控制模塊，整車控制包括整車需求轉(zhuǎn)矩計(jì)算、工作模式判定、各部件起動需求判斷及模糊控制策略等，底層控制模塊包含EMS、MCU、BMS、TCU 四部分，用于直接控制目標(biāo)部件的工作模式及工作狀態(tài)，如MCU 用于控制電機(jī)工作狀態(tài)、工作模式（驅(qū)動或發(fā)電）及電機(jī)轉(zhuǎn)矩需求[16]。將控制策略模型通過ECUCoder 代碼生成工具編譯為C 語言并移植到控制器硬件中，整車控制器RapidECU-S1 主處理器采用MPC5674F，工作電壓為32V，工作環(huán)境為（-40～105）℃，具有4 路CAN 接口、1 路RS232 串行通信接口、1 路RS485 串行通信接口。混動臺架主要由發(fā)動機(jī)、電動機(jī)、電池、離合器、變速箱等部分組成，整車控制器與臺架之間通過CAN 總線進(jìn)行通信。臺架及控制器的上位機(jī)平臺用于數(shù)據(jù)交互、監(jiān)測信號變化及存儲記錄數(shù)據(jù)。測試系統(tǒng)架構(gòu)，如圖6 所示。

圖6 測試架構(gòu)圖Fig.6 The Framework of Test

C-WTVC 重型商用車循環(huán)工況運(yùn)行時(shí)間持續(xù)1800s，總運(yùn)行里程為20.51km，平均車速為40.9km/h，最高車速為87.8km/h，選擇C-WTVC 為測試工況并將SOC 初始值設(shè)定為0.8，驗(yàn)證模糊控制策略的有效性。利用遺傳算法優(yōu)化后的模糊控制器規(guī)則表，如表5 所示。

利用遺傳算法得到控制策略參數(shù)最優(yōu)解，在優(yōu)化結(jié)果中，車速閾值Vl=14.7，主減速器速比i0=5.8。與原方案相比，主減速器速比減小，相應(yīng)的主減速器總成減小，有利于整車輕量化的目標(biāo)。優(yōu)化前后控制策略仿真結(jié)果對比，如表6 所示。

優(yōu)化后整車燃油消耗降低了2.7%，HC、CO、NOx分別降低了2.4%、5.6%、0.9%，通過遺傳算法優(yōu)化，整車燃油消耗量有所降低，且各排放值都有不同程度的降低。

遺傳算法尋優(yōu)前后發(fā)動機(jī)工作點(diǎn)，如圖7 所示。通過對比可得，矩形框圖內(nèi)工作點(diǎn)顯著增多，證明優(yōu)化后部分工作點(diǎn)轉(zhuǎn)移至低油耗區(qū)域，有利于減少整車能量損耗。此外，優(yōu)化后發(fā)動機(jī)在高效區(qū)域內(nèi)的工作點(diǎn)分布更為集中，最大限度的發(fā)揮了發(fā)動機(jī)的工作特性，且多數(shù)工作點(diǎn)分布在中低油耗區(qū)域及最經(jīng)濟(jì)油耗線附近，有效的提升了整車燃油使用效率。

表5 優(yōu)化后的模糊控制規(guī)則Tab.5 Optimized Fuzzy Control Rules

表6 優(yōu)化前后結(jié)果對比Tab.6 Results Compared Before and After Optimization

圖7 優(yōu)化前后發(fā)動機(jī)工作點(diǎn)圖Fig.7 Engine Operating Point Profiles before and After Optimization

模糊控制策略優(yōu)化前后電池組的變化曲線，如圖8 所示。CWTVC 循環(huán)后SOC 終值由0.32 增加到0.36，相較原策略，使用遺傳算法優(yōu)化后的模糊控制策略能將電池組SOC 約束在一個更小的變化范圍之內(nèi)，有利于減少動力電池組能量損耗，提升整車的續(xù)航里程并能夠延長動力電池組循環(huán)使用壽命。

圖8 優(yōu)化前后SOC 曲線Fig.8 SOC Profiles Before and After Optimization

5 結(jié)論

針對并聯(lián)式混合動力系統(tǒng)能量管理的多變量、非線性、強(qiáng)耦合等特點(diǎn)，建立并聯(lián)式混合動力汽車的模糊轉(zhuǎn)矩分配策略，采用遺傳算法對模糊規(guī)則及動力性參數(shù)進(jìn)行優(yōu)化，并在HIL 平臺中驗(yàn)證了優(yōu)化后模糊控制策略的有效性。（1）在C-WTVC 工況下對優(yōu)化前后的策略進(jìn)行測試，對比原策略結(jié)果可得，優(yōu)化后的策略燃油經(jīng)濟(jì)性改善2.7%，CO 排放降低了5.6%，HC 和NOx排放性都有不同程度的改善，此外，優(yōu)化后主減速器的傳動比下降，有助于減小動力總成的體積及重量。（2）優(yōu)化后發(fā)動機(jī)在高效區(qū)域內(nèi)的工作點(diǎn)增加，且集中分布于低油耗區(qū)及最佳油耗曲線周圍，最大限度的改善了發(fā)動機(jī)的工作環(huán)境。同時(shí)，優(yōu)化后的策略能夠減小循環(huán)過后動力電池組SOC 值的變化量，有助于增加電池組的使用壽命。從而驗(yàn)證了基于遺傳算法優(yōu)化并聯(lián)式混合動力電動汽車模糊控制策略的可靠性。