應(yīng)用粒子群算法優(yōu)化模糊規(guī)則的自適應(yīng)多目標(biāo)控制策略

林歆悠 王召瑞

(1.福州大學(xué)機(jī)械工程及自動(dòng)化學(xué)院,福建福州 350108;2.汽車零部件先進(jìn)制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室(重慶理工大學(xué)),重慶 400054)

1 引言

為解決能源匱乏及環(huán)境污染兩大突出問(wèn)題,各國(guó)相繼開(kāi)始大力發(fā)展新能源汽車.其中,插電式混合動(dòng)力汽車(plug-in hybrid electric vehicle,PHEV)作為傳統(tǒng)混合動(dòng)力汽車向純電動(dòng)汽車的過(guò)渡車型,因其具有電池容量大、可外插充電、行駛里程長(zhǎng)等特點(diǎn),是目前新能源汽車的研究開(kāi)發(fā)熱點(diǎn)之一[1].而好的能量管理策略是PHEV具有良好性能的基礎(chǔ),因此建立有效、合理的能量管理策略具有重要的理論和現(xiàn)實(shí)意義[2-4].

針對(duì)所研究目標(biāo)的不同,如何最大限度的利用各動(dòng)力源的優(yōu)點(diǎn),彌補(bǔ)各動(dòng)力源的不足已成為評(píng)價(jià)能量管理策略優(yōu)劣的重要指標(biāo)[5].根據(jù)PHEV能量管理策略的實(shí)現(xiàn)方式,可以分為基于規(guī)則式的能量管理策略和基于優(yōu)化方法的能量管理策略[6-7].基于規(guī)則的策略其閾值大多數(shù)是根據(jù)工程經(jīng)驗(yàn)設(shè)定的,無(wú)法獲得全局最優(yōu).而粒子群(particle swarm optimization,PSO)算法是一種結(jié)構(gòu)簡(jiǎn)單、收斂速度較快并且能夠在個(gè)體性與社會(huì)性之間尋求平衡的隨機(jī)全局優(yōu)化算法.如何將兩者結(jié)合且運(yùn)用到汽車控制中正被越來(lái)越多的學(xué)者所研究[8-11].文獻(xiàn)[9]以電池荷電狀態(tài)(state of charge,SOC)、電機(jī)轉(zhuǎn)矩和整車需求功率為輸入,以影響到電池SOC和電機(jī)轉(zhuǎn)速以及發(fā)動(dòng)機(jī)高效工作區(qū)間的兩個(gè)曲線系數(shù)為輸出,構(gòu)建模糊控制器優(yōu)化系統(tǒng)的燃油經(jīng)濟(jì)性.不過(guò)該文獻(xiàn)并沒(méi)有考慮到整車的排放性,文獻(xiàn)[10-11]則以混合動(dòng)力汽車的燃油經(jīng)濟(jì)性與排放性作為優(yōu)化目標(biāo),利用粒子群算法對(duì)其隸屬度函數(shù)值和控制規(guī)則進(jìn)行優(yōu)化,仿真結(jié)果表明,通過(guò)優(yōu)化其油耗及排放均得到有效改善.

為了使汽車的控制策略能夠在線實(shí)時(shí)地運(yùn)用到整車控制中,越來(lái)越多人傾向于選擇基于瞬時(shí)的優(yōu)化方法.其中最典型的是等效油耗最小策略(equivalent consumption minimization strategy,ECMS).ECMS的核心是將電能消耗通過(guò)等效因子轉(zhuǎn)化成燃油消耗,然后在每個(gè)瞬時(shí)時(shí)刻選擇等效油耗最小的工作點(diǎn)作為當(dāng)前工作點(diǎn),實(shí)現(xiàn)動(dòng)力系統(tǒng)功率的合理分配[12].由于當(dāng)行駛工況以及車輛狀態(tài)變化時(shí),對(duì)應(yīng)的最優(yōu)油電等效因子是不同的,故需要依據(jù)行駛工況及車輛狀態(tài)的變化來(lái)動(dòng)態(tài)地改變等效因子,這便產(chǎn)生了自適應(yīng)等效油耗最小能量管理策略[13-15].文獻(xiàn)[13]利用神經(jīng)網(wǎng)絡(luò)規(guī)劃出一條參考電池SOC軌跡與反饋的SOC共同作用于等效因子,從而實(shí)現(xiàn)等效因子的動(dòng)態(tài)調(diào)節(jié),獲得全局范圍內(nèi)最優(yōu)的發(fā)動(dòng)機(jī)和電池能量分配,但它并沒(méi)有考慮比例積分(proportional integral,PI)系數(shù)對(duì)于等效因子的影響.文獻(xiàn)[14]則利用模糊PI控制器來(lái)動(dòng)態(tài)調(diào)整等效因子,仿真結(jié)果表明與傳統(tǒng)的ECMS相比其魯棒性與燃油經(jīng)濟(jì)性都有明顯的提高.文獻(xiàn)[15]是以兩個(gè)公交站牌為一部分將一段行駛里程分割成幾部分,利用PSO算法來(lái)優(yōu)化不同里程及不同SOC情況下各部分的等效因子,將優(yōu)化結(jié)果轉(zhuǎn)化為一張MAP用以實(shí)時(shí)控制.

為了改善一款插電式混合動(dòng)力汽車的燃油經(jīng)濟(jì)性和排放性,本文建立了基于油耗和排放優(yōu)化的多目標(biāo)優(yōu)化控制策略.為優(yōu)化自適應(yīng)等效油耗最小控制策略的控制效果,首先利用模糊比例積分來(lái)構(gòu)建等效因子優(yōu)化模型;隨后利用粒子群優(yōu)化算法優(yōu)化模糊隸屬度函數(shù)參數(shù)和模糊控制規(guī)則,以此來(lái)得到更為準(zhǔn)確的比例和積分系數(shù)用于調(diào)整等效因子以分配整車動(dòng)力.基于此,便形成了基于PSO-fuzzy的PHEV等效因子自適應(yīng)的多目標(biāo)優(yōu)化控制策略.

2 PHEV動(dòng)力系統(tǒng)結(jié)構(gòu)及工作模式劃分

2.1 車輛動(dòng)力系統(tǒng)結(jié)構(gòu)與建模

本文研究一款插電式混合動(dòng)力汽車,其動(dòng)力系統(tǒng)的結(jié)構(gòu)如圖1所示,主要部件包括發(fā)動(dòng)機(jī)、動(dòng)力電池、集成啟動(dòng)(integrated starter/generator,ISG)電機(jī)、離合器、電動(dòng)機(jī)、無(wú)級(jí)變速器(continuously variable transmission,CVT)和整車控制器等.

圖1 混合動(dòng)力系統(tǒng)結(jié)構(gòu)Fig.1 Hybrid electric power-train system structure

發(fā)動(dòng)機(jī)燃油消耗率與轉(zhuǎn)矩和轉(zhuǎn)速之間的關(guān)系采用數(shù)值插值法構(gòu)建,所得三維MAP如圖2所示.由此,發(fā)動(dòng)機(jī)的燃油消耗量Q可以表示為

圖2 發(fā)動(dòng)機(jī)油耗數(shù)值模型Fig.2 Engine fuel consumption model

式中:ρ為燃油密度,be為燃油消耗率,Pe為發(fā)動(dòng)機(jī)輸出功率,t為時(shí)間.

混合動(dòng)力汽車的電機(jī)既可以提供車輛行駛時(shí)所需要的驅(qū)動(dòng)力,也可以將制動(dòng)能量傳遞至蓄電池為其充電.電機(jī)在驅(qū)動(dòng)和制動(dòng)模式下的效率可以通過(guò)圖3所示的效率圖插值求得,即

圖3 電機(jī)效率數(shù)值模型Fig.3 Motor efficiency model

式中:ηm為電機(jī)效率,nm為電機(jī)轉(zhuǎn)速,Tm為電機(jī)轉(zhuǎn)矩.

鋰離子電池具有高能量比、循環(huán)壽命長(zhǎng)等優(yōu)勢(shì),作為本文蓄電池的選型.蓄電池的模型通過(guò)等效電路法獲得,其輸出電壓Ub和電流Ib為

式中:Uoc為電池開(kāi)路電壓,Rb為電池內(nèi)阻,Pb為電池功率.此外,式中的SOC均簡(jiǎn)寫(xiě)為S.

由式(3)可以看出,電池內(nèi)阻和電池開(kāi)路電壓都是電池SOC的函數(shù),SOC的計(jì)算為

式中:SOC0為電池SOC初始值,Qb為電池容量.電池效率與SOC和功率的關(guān)系如圖4所示.

圖4 電池充/放電效率數(shù)值模型Fig.4 Battery charging/discharging efficiency model

2.2 車輛工作模式劃分與切換策略

基于該款汽車傳動(dòng)系統(tǒng)的結(jié)構(gòu)特點(diǎn),在其實(shí)際運(yùn)行過(guò)程中根據(jù)動(dòng)力源的具體工作狀態(tài),可以劃分為5種不同的工作模式:純電動(dòng)、發(fā)動(dòng)機(jī)單獨(dú)驅(qū)動(dòng)、行車充電、混合驅(qū)動(dòng)和再生制動(dòng)模式.

為提高各動(dòng)力傳動(dòng)部件的效率,本文針對(duì)不同的工作模式,通過(guò)獲取CVT最優(yōu)速比和電機(jī)目標(biāo)轉(zhuǎn)矩來(lái)優(yōu)化系統(tǒng)效率.以純電動(dòng)模式為例,此模式下傳動(dòng)系統(tǒng)的效率為

式中:ηsys為系統(tǒng)效率,Pin為系統(tǒng)輸入功率,Pout為輸出功率.

傳動(dòng)系統(tǒng)的輸入功率和輸出功率分別為

式中:ηdis為電池放電效率,m為整車質(zhì)量,α為道路坡度,Cd為空氣阻力系數(shù),A為迎風(fēng)面積,v是車輛行駛速度,i0為主減速器傳動(dòng)比,icvt為CVT傳動(dòng)比,r為車輪半徑.

結(jié)合式(5)-(7),系統(tǒng)效率優(yōu)化目標(biāo)函數(shù)為

通過(guò)上述方法,求得純電動(dòng)模式下最優(yōu)CVT速比MAP和電機(jī)目標(biāo)轉(zhuǎn)矩MAP以及最優(yōu)系統(tǒng)效率MAP如圖5所示.

圖5 純電動(dòng)模式最優(yōu)系統(tǒng)效率MAPFig.5 Optimal system efficiency map under EV mode

將各個(gè)模式下的最優(yōu)系統(tǒng)效率MAP放置到同一個(gè)三維坐標(biāo)空間中,選取各個(gè)速度和加速度組成的坐標(biāo)對(duì)應(yīng)下使系統(tǒng)效率處于最大值的曲面.這樣,不同工作模式最優(yōu)系統(tǒng)效率MAP之間會(huì)產(chǎn)生多條交線,將交線水平投影到由速度和加速度構(gòu)成的平面上,即可得到驅(qū)動(dòng)時(shí)各個(gè)模式之間切換的邊界線,如圖6所示.

圖6 驅(qū)動(dòng)模式切換邊界線Fig.6 Switch boundary lines of drive modes

由此建立了混合動(dòng)力汽車的工作模式切換策略.該策略根據(jù)車速及其加速度確定能使混合動(dòng)力汽車處于系統(tǒng)效率最優(yōu)狀態(tài)下的工作模式,而各工作模式下具體的能量分配將在下一部分進(jìn)行描述.

3 多目標(biāo)優(yōu)化控制策略

隨著相關(guān)法律和法規(guī)對(duì)汽車環(huán)保性能提出越來(lái)越高的要求,本文綜合考慮混合動(dòng)力汽車的燃油經(jīng)濟(jì)性及其排放性能來(lái)建立多目標(biāo)優(yōu)化控制策略,來(lái)合理分配PHEV 各動(dòng)力部件之間的能量.燃油經(jīng)濟(jì)性的指標(biāo)為整車的燃油消耗量,排放指標(biāo)設(shè)置為HC,CO 和NOx的排放量.由此,建立所要優(yōu)化的價(jià)值函數(shù)J(u(t),t)如下:

式中:u(t)=[Tene]為控制變量,Te和ne分別為發(fā)動(dòng)機(jī)的轉(zhuǎn)矩和轉(zhuǎn)速,為瞬時(shí)燃油消耗率,表示發(fā)動(dòng)機(jī)瞬時(shí)HC排放率,表示瞬時(shí)CO排放率,表示瞬時(shí)NOx排放率,w1,w2,w3和w4分別為權(quán)重因子,t0和tf分別為行程初始時(shí)刻和終止時(shí)刻.

對(duì)于本文所研究的插電式混合動(dòng)力汽車而言,在某些情況下需要消耗燃油來(lái)維持電池的SOC值.因此采用ECMS方法將發(fā)動(dòng)機(jī)的實(shí)際油耗和電池的等效油耗兩部分之和作為最終的燃油消耗量,其計(jì)算為

初始等效因子s(t)的取值如下:

式中:ηchg為電池充電效率,分別為發(fā)動(dòng)機(jī)、電機(jī)和ISG電機(jī)的平均效率.

油耗、HC排放、CO排放和NOx排放4個(gè)優(yōu)化子目標(biāo)之間不可避免地存在著互斥關(guān)系,使得全部?jī)?yōu)化目標(biāo)難以同時(shí)實(shí)現(xiàn).因此在解決多目標(biāo)優(yōu)化問(wèn)題時(shí),需要依賴決策者對(duì)整車燃油經(jīng)濟(jì)性和排放性的偏好程度來(lái)設(shè)置各子目標(biāo)所占權(quán)重.本文將油耗優(yōu)化和3種尾氣排放量?jī)?yōu)化視為同樣重要的優(yōu)化目標(biāo),故各權(quán)重因子之間的差值不應(yīng)過(guò)大.此外,通過(guò)對(duì)比圖7中各污染物排放數(shù)據(jù),可以發(fā)現(xiàn)CO的排放速率明顯快于另外兩種排放物.為了遵循各排放優(yōu)化目標(biāo)同等對(duì)待的原則,將CO排放優(yōu)化子目標(biāo)的權(quán)重因子適當(dāng)調(diào)低.本文通過(guò)設(shè)置多組符合上述規(guī)則的權(quán)重因子,以價(jià)值函數(shù)的值作為權(quán)重因子選取的評(píng)判標(biāo)準(zhǔn).最后,選取一組較優(yōu)的結(jié)果作為最終的權(quán)重因子取值,分別為w1=0.3,w2=0.3,w3=0.1和w4=0.3.

圖7 不同發(fā)動(dòng)機(jī)轉(zhuǎn)速和轉(zhuǎn)矩下的3種污染物排放率Fig.7 Emission rates of the three kind of pollutants at different engine speeds and torques

于是,本文基于權(quán)重分配的多目標(biāo)優(yōu)化問(wèn)題便可轉(zhuǎn)化成單一目標(biāo)函數(shù)優(yōu)化,目標(biāo)函數(shù)為

式中f(u(t),t)表示燃油消耗率及各污染物排放率與控制變量之間的函數(shù)關(guān)系.為了便于控制策略的在線實(shí)施,上述函數(shù)關(guān)系分別根據(jù)圖2和圖7通過(guò)插值方法獲得實(shí)時(shí)油耗和排放,以簡(jiǎn)化計(jì)算過(guò)程的復(fù)雜程度.

4 PSO-fuzzy等效因子優(yōu)化模型

對(duì)于上述多目標(biāo)優(yōu)化問(wèn)題,關(guān)鍵是找到最佳的等效因子s(t),獲得電池與發(fā)動(dòng)機(jī)能量的實(shí)時(shí)最佳分配.此外,等效因子隨時(shí)間變化,如何實(shí)時(shí)確定等效因子將直接影響到整車的經(jīng)濟(jì)性能和排放性能.基于此,為獲得較準(zhǔn)確的等效因子,本節(jié)建立基于PSO-fuzzy的等效因子優(yōu)化模型.

4.1 等效因子優(yōu)化模型建立

將式(10)使用龐特亞金極小值原理構(gòu)建Hamilton函數(shù)為

式中λ(t)為拉格朗日乘子.為方便表達(dá),下文中的H(u(t),SOC(t),λ(t),t)統(tǒng)一簡(jiǎn)化為H.

根據(jù)極小值原理,λ(t)的正則方程表示為

電池功率Pb的計(jì)算為

結(jié)合式(14)-(15),式(13)可以改寫(xiě)為

于是結(jié)合式(10)與式(16),可將等效因子表示為

為保證電池充電的可持續(xù)性,結(jié)合參考SOC[16]與實(shí)時(shí)SOC對(duì)SOC進(jìn)行懲罰,目標(biāo)函數(shù)式(10)可改寫(xiě)為

價(jià)值函數(shù)(18)等號(hào)右半部分,第1項(xiàng)為燃油消耗產(chǎn)生的價(jià)值,第2項(xiàng)為油耗轉(zhuǎn)化為電能產(chǎn)生的價(jià)值,其余項(xiàng)為SOC的懲罰函數(shù),為了保證電池充電的持續(xù)性而產(chǎn)生的價(jià)值.結(jié)合式(18),根據(jù)哈密頓-雅可比-貝爾曼方程,最優(yōu)的拉格朗日乘子λ*(t)可由下式得出:

結(jié)合式(17)與式(19),等效因子可表示為

將上式用更為精確的PI控制器控制,如下式所示:

式中:s0為初始值(常數(shù)),Kp和Ki分別為PI控制器的比例系數(shù)及積分系數(shù).

4.2 模糊控制器設(shè)計(jì)

為提高充電可持續(xù)性和燃油經(jīng)濟(jì)性,需要對(duì)等效因子進(jìn)行實(shí)時(shí)在線調(diào)整.鑒于此,本文提出一種基于模糊PI控制器的新的自適應(yīng)律:將參考SOC與實(shí)時(shí)SOC的差值ΔSOC及其變化率dSOC作為模糊控制器的輸入,通過(guò)對(duì)2個(gè)輸入信號(hào)模糊化運(yùn)算,由模糊規(guī)則進(jìn)行模糊推理,最后解模糊化處理得到Kp和Ki系數(shù)兩個(gè)輸出.由于三角形隸屬度函數(shù)靈敏度高且運(yùn)算簡(jiǎn)單,故輸入輸出均采用三角形隸屬度函數(shù),并且定義語(yǔ)言變量的名稱分別為“負(fù)大(NB)、負(fù)小(NS)、零(ZR)、正小(PS)和正大(PB)”.由仿真模型運(yùn)行得知,輸入輸出的范圍分別為[-0.1,0.1]和[-3.8,3.8].

等效因子可以認(rèn)為是對(duì)電能“價(jià)格”的調(diào)控:如果等效因子過(guò)大,混合動(dòng)力汽車傾向于消耗更多的燃油,此時(shí)可認(rèn)為電能價(jià)格相對(duì)昂貴;反之,混合動(dòng)力汽車傾向于使用電能,此時(shí)的電價(jià)相對(duì)便宜.依此推理,當(dāng)ΔSOC＞0時(shí),即實(shí)際SOC小于參考SOC,此時(shí)應(yīng)該使電池電量消耗的慢些,應(yīng)該多使用燃油,即等效因子應(yīng)變大;當(dāng)ΔSOC＜0時(shí),實(shí)際SOC大于參考SOC,應(yīng)該多使用電能,即等效因子應(yīng)變小.又因?yàn)榈刃б蜃优cKp和Ki成正比,并且由于PI的特性,Kp對(duì)等效因子的影響大于Ki對(duì)等效因子的影響.同理dSOC的變化與ΔSOC類似,因此制定如表1-2所示的模糊控制規(guī)則.

表1 Kp的控制規(guī)則Table 1 Control rules of Kp

表2 Ki的控制規(guī)則Table 2 Control rules of Ki

4.3 基于PSO的模糊邏輯規(guī)則優(yōu)化

上述內(nèi)容利用模糊控制器調(diào)整Kp和Ki來(lái)調(diào)節(jié)等效因子,但不能保證控制效果.在這一章節(jié),采用PSO算法來(lái)優(yōu)化模糊控制器的隸屬度函數(shù)值及模糊規(guī)則,得到較佳的等效因子用于整車的能量分配,從而建立起自適應(yīng)多目標(biāo)優(yōu)化控制策略.

將PSO算法運(yùn)用到隸屬度函數(shù)和控制規(guī)則中的前提是對(duì)二者進(jìn)行編碼,由于兩輸入與兩輸出的范圍分別為[-0.1,0.1],[-3.8,3.8],即其模糊子集是關(guān)于論域中心對(duì)稱,故輸入需要確定的優(yōu)化參數(shù)為x1,x2,x3,x4和x5,輸出需要確定的優(yōu)化參數(shù)為x6,x7,x8,x9和x10,故需要優(yōu)化確定的論域參數(shù)為10個(gè),即粒子群位置參數(shù)的維數(shù)為10維.關(guān)于PSO算法的具體介紹,可以參考先前研究文獻(xiàn)[11],在此不做贅述.

由于文章篇幅有限,此處以輸入dSOC和ΔSOC,輸出Ki為例,展示PSO算法優(yōu)化前后的輸入及輸出規(guī)則變化.兩個(gè)輸入變量的規(guī)則變化如圖8所示,而輸出變量的規(guī)則變化如圖9所示.

圖8 PSO優(yōu)化前后輸入ΔSOC和dSOC的規(guī)則圖Fig.8 Rules of inputs before and after PSO optimization

圖9 PSO優(yōu)化前后輸出Ki的規(guī)則圖Fig.9 Rules of output before and after PSO optimization

5 驗(yàn)證及結(jié)果分析

為驗(yàn)證所提出的基于PSO-fuzzy的PHEV等效因子自適應(yīng)多目標(biāo)優(yōu)化控制策略的有效性,本文采用福州市實(shí)際行駛工況數(shù)據(jù)對(duì)其進(jìn)行仿真驗(yàn)證.該仿真工況根據(jù)不同的交通狀況分為5段,如圖10所示,并將該實(shí)際綜合工況的2倍長(zhǎng)度作為本次驗(yàn)證的運(yùn)行工況.

圖10 福州市實(shí)際行駛工況數(shù)據(jù)Fig.10 Data of actual driving cycle in Fuzhou city

在福州市實(shí)際工況下,PSO算法的輸入ΔSOC和dSOC以及輸出的優(yōu)化后的模糊控制器Kp和Ki系數(shù)如圖11所示.可以看出,在設(shè)定的范圍內(nèi),隨著輸入的不斷變化,PSO算法能夠?qū)崟r(shí)優(yōu)化控制器的Kp和Ki系數(shù).

圖11 PSO算法優(yōu)化結(jié)果Fig.11 Optimization results by PSO algorithm

隨后,將采用PSO-fuzzy優(yōu)化的等效因子結(jié)合到本文提出的多目標(biāo)優(yōu)化控制策略與未采用PSO優(yōu)化的基于模糊規(guī)則控制等效因子的多目標(biāo)優(yōu)化控制策略進(jìn)行對(duì)比仿真以驗(yàn)證本文方法的優(yōu)越性.圖12對(duì)比了在兩種控制策略下的SOC軌跡和等效燃油消耗量.由圖可知,當(dāng)?shù)刃б蜃咏?jīng)PSO優(yōu)化后,SOC軌跡的變化范圍縮小,即優(yōu)化后的控制策略能夠在一定程度上避免電池過(guò)度放電,從而更能保護(hù)電池.此外,經(jīng)過(guò)PSO優(yōu)化后的等效油耗為7.75 L,相比未經(jīng)PSO優(yōu)化的等效油耗8.52 L,燃油經(jīng)濟(jì)性提高了9.0%.因此本文所提出的控制策略優(yōu)化效果較為顯著.

圖12 PSO優(yōu)化前后的SOC等效油耗變化曲線Fig.12 SOC change and equivalent fuel consumption curves before and after PSO optimization

圖13為兩種策略控制下的發(fā)動(dòng)機(jī),電機(jī)及ISG電機(jī)的轉(zhuǎn)矩工作曲線對(duì)比結(jié)果.從圖中可以看出,在整段行駛工況的后半段,由于剩余電量的減少,基于一般模糊規(guī)則調(diào)整等效因子的控制策略更為頻繁地使發(fā)動(dòng)機(jī)及ISG電機(jī)參與工作.而經(jīng)過(guò)基于PSO優(yōu)化模糊規(guī)則來(lái)調(diào)整等效因子的控制策略則減少了發(fā)動(dòng)機(jī)及ISG電機(jī)的工作,更多地利用電能來(lái)滿足工況的需求,以此來(lái)調(diào)節(jié)發(fā)動(dòng)機(jī)的輸出轉(zhuǎn)矩,從而提高發(fā)動(dòng)機(jī)的燃油經(jīng)濟(jì)性.

圖13 轉(zhuǎn)矩工作曲線對(duì)比Fig.13 Comparison of torque working curves

圖14對(duì)比了兩種策略控制下的排放性結(jié)果.由圖可知,整個(gè)仿真工況中,在基于PSO-fuzzy的等效因子自適應(yīng)多目標(biāo)優(yōu)化控制策略下,PHEV的HC、CO和NOx排放量相比于采用一般模糊規(guī)則的控制策略均有一定程度的改善.其中,HC排放量降低了2.7%,CO排放量降低了2.9%,NOx的排放量降低了7.8%.

圖14 排放性優(yōu)化結(jié)果對(duì)比Fig.14 Comparison of emission optimization results

6 結(jié)論

本文以一款插電式混合動(dòng)力汽車為研究對(duì)象,建立了以等效因子為核心的綜合油耗優(yōu)化與排放性優(yōu)化的多目標(biāo)優(yōu)化控制策略.為了獲得較為精確的等效因子用于動(dòng)力部件之間的動(dòng)力分配,利用模糊比例積分構(gòu)建了等效因子優(yōu)化模型,并利用PSO算法優(yōu)化模糊隸屬度函數(shù)參數(shù)和模糊控制規(guī)則.最后,在福州市實(shí)際行駛工況數(shù)據(jù)下對(duì)本文所提出的等效因子自適應(yīng)多目標(biāo)優(yōu)化控制策略進(jìn)行了仿真驗(yàn)證.仿真試驗(yàn)結(jié)果表明,所提出的控制策略使得PHEV的燃油經(jīng)濟(jì)性和排放性得到了明顯改善.經(jīng)過(guò)PSO算法優(yōu)化的模糊控制策略與一般模糊控制策略相比,等效油耗降低了9.0%,HC排放量降低了2.7%,CO排放量降低了2.9%,NOx的排放量降低了7.8%.并且經(jīng)過(guò)優(yōu)化后的發(fā)動(dòng)機(jī)工作點(diǎn)更多的分布在高效區(qū)間,同時(shí)能夠使車輛在行駛過(guò)程中更加合理的分配發(fā)動(dòng)機(jī)、電動(dòng)機(jī)和ISG電機(jī)之間的轉(zhuǎn)矩.