基于粒子群算法的復(fù)合儲能式系統(tǒng)控制優(yōu)化

徐大雨，林慕義, 2，陳 勇, 2

(1.北京信息科技大學(xué) 機(jī)電工程學(xué)院，北京 100192；2.北京電動車輛協(xié)同創(chuàng)新中心，北京 100192)

引言

裝載機(jī)作為工程車輛之一，經(jīng)常工作在非常惡劣復(fù)雜的環(huán)境中，使其在運行的過程中需要消耗大量的資源。如何在裝載機(jī)運行和維護(hù)的過程中消耗更少的資源成為了研究的重點。

復(fù)合儲能式混合動力系統(tǒng)裝載機(jī)可以在滿足所需動力的前提下，提高整車的燃油經(jīng)濟(jì)性。但是由于系統(tǒng)結(jié)構(gòu)復(fù)雜，使系統(tǒng)控制器的控制策略達(dá)到最佳成為了至關(guān)重要的一環(huán)[1]。曹萬倉等[2]利用模糊控制原理，設(shè)計了液壓混合動力裝載機(jī)的制動能量回收模糊控制策略，分析了在制動過程中該策略對再生制動轉(zhuǎn)矩和電液制動轉(zhuǎn)矩再分配的變化狀況，證明了在保證安全的情況下，該策略在制動過程中提高了制動能量回收；劉洋等[3]根據(jù)蓄能器SOC、車速等車輛相關(guān)參數(shù)建立了模糊控制器的控制規(guī)則，并制定了系統(tǒng)的相關(guān)控制策略，使整車的燃油經(jīng)濟(jì)性得到了有效地提升；曹海岐等[4]認(rèn)為復(fù)合儲能系統(tǒng)原有的依靠專家經(jīng)驗的模糊控制器存在主觀盲目性，利用遺傳算法對模糊控制器的隸屬度函數(shù)進(jìn)行優(yōu)化，結(jié)果表明，整車的燃油經(jīng)濟(jì)性明顯提高。

本研究利用粒子群算法對混合動力復(fù)合儲能式裝載機(jī)的傳統(tǒng)模糊控制器進(jìn)行優(yōu)化設(shè)計。然后，將優(yōu)化后的控制策略運用到系統(tǒng)的仿真模型中進(jìn)行仿真分析，以求不損失裝載機(jī)動力的前提下，提高整車的燃油經(jīng)濟(jì)性。

1 復(fù)合儲能系統(tǒng)結(jié)構(gòu)分析及仿真建模

1.1 結(jié)構(gòu)分析

混合動力復(fù)合儲能式系統(tǒng)主要由柴油發(fā)動機(jī)系統(tǒng)、液壓驅(qū)動系統(tǒng)、電驅(qū)驅(qū)動系統(tǒng)3種供能系統(tǒng)組成，其中，柴油發(fā)動機(jī)系統(tǒng)是整個系統(tǒng)最主要的供能系統(tǒng)，為裝載機(jī)在各種工況下提供主要動力來源；電驅(qū)驅(qū)動系統(tǒng)是裝載機(jī)的第二供能系統(tǒng)，依托電動機(jī)，主要為車內(nèi)的各種車載電子設(shè)備提供能量，必要時也會輔助柴油發(fā)動機(jī)系統(tǒng)為裝載機(jī)提供所需的動力；液壓驅(qū)動系統(tǒng)主要由高、低壓蓄能器組成液壓蓄能器組，為裝載機(jī)在鏟裝和升舉過程中提供能量[5]，復(fù)合儲能式裝載機(jī)系統(tǒng)的結(jié)構(gòu)如圖1所示。

1.電磁離合器1 2.電磁離合器2 3.電磁離合器34.鎖止機(jī)構(gòu) 5.行星齒輪機(jī)構(gòu) 6.電磁離合器47.電磁離合器5 8.二次元件 9.蓄能器圖1 復(fù)合儲能式系統(tǒng)結(jié)構(gòu)圖

1.2 裝載機(jī)典型作業(yè)工況

裝載機(jī)在作業(yè)時常用工況有4種，亦為本研究所需識別的工況，即“I”形工況、“L”形工況、“T” 形工況與“V”形工況，如圖2所示。

a) “I”形

b) “L”形

c) “T”形

d) “V”形圖2 裝載機(jī)典型作業(yè)工況

“I”形工況，又稱穿梭工況，即裝載機(jī)的行進(jìn)路線垂直于運輸車的行進(jìn)路線;“L”形工況，裝載機(jī)作業(yè)開始前與運輸車的側(cè)面成垂直狀態(tài)，而物料又與裝載機(jī)、運輸車形成直角三角形狀態(tài);“T”形工況，物料與運輸車在一條水平線上，同時裝載機(jī)的行進(jìn)方向垂直于這條水平線;“V”形工況，即裝載機(jī)初始位置的前方垂直于物料，而運輸車則停在與物料呈60°角的方向上。

其中，“V”形工況是復(fù)合儲能式裝載機(jī)最常見的工況也是工作效率最高的工況，所以，本研究選取“V”形工況作為代表來進(jìn)行試驗分析。

1.3 整車后向仿真模型

本研究根據(jù)模型的相關(guān)數(shù)學(xué)公式進(jìn)行各子系統(tǒng)模型的搭建，然后將各子系統(tǒng)封裝組合，最終組成復(fù)合儲能系統(tǒng)裝載機(jī)的整車后向仿真模型,如圖3所示。

圖3 整車后向Simulink仿真模型

2 基于粒子群算法優(yōu)化模糊控制器

2.1 模糊控制策略及工作原理

本研究的復(fù)合儲能式系統(tǒng)模糊控制策略的結(jié)構(gòu)原理，如圖4所示。裝載機(jī)根據(jù)外部工況計算出所需要的轉(zhuǎn)矩，根據(jù)需求轉(zhuǎn)矩Td、蓄能器SOC(蓄能器儲能系統(tǒng)狀態(tài))以及電池SOC(電池荷電狀態(tài))等參數(shù)，決定實際輸出的最優(yōu)轉(zhuǎn)矩并輸入給發(fā)動機(jī)系統(tǒng)；接著根據(jù)裝載機(jī)的需求轉(zhuǎn)矩以及實際輸入給發(fā)動機(jī)系統(tǒng)的轉(zhuǎn)矩進(jìn)行判斷，將系統(tǒng)所需電機(jī)轉(zhuǎn)矩輸入給電驅(qū)動系統(tǒng)，將所需的補足轉(zhuǎn)矩輸入給蓄能器系統(tǒng)，兩系統(tǒng)通過發(fā)動機(jī)系統(tǒng)的反饋進(jìn)行必要的輔助工作，并將兩系統(tǒng)的實時狀態(tài)輸入給模糊控制器，以便根據(jù)實際外部工況進(jìn)行必要的模糊判斷處理工作[6]。

圖4 控制策略原理圖

2.2 粒子群算法優(yōu)化模糊控制器

模糊控制器的特點就是具有良好的適應(yīng)能力和較好的魯棒性。本研究的復(fù)合儲能式系統(tǒng)，將需求轉(zhuǎn)矩、蓄能器SOC以及電池SOC作為模糊控制器的輸入量，以發(fā)動機(jī)實際輸出轉(zhuǎn)矩作為輸出量。但由于原有模糊控制器主要依靠專家經(jīng)驗來制定模糊控制規(guī)則，存在一定的主觀盲目性，在一些特殊的工況下不能做到最優(yōu)控制，導(dǎo)致控制器不能達(dá)到需求的效果，有必要將控制器進(jìn)一步優(yōu)化[7]。基于所需的工況下，通過粒子群算法優(yōu)化模糊控制器的模糊控制規(guī)則，可以達(dá)到最優(yōu)控制的效果，如圖5所示。

圖5 模糊推理結(jié)構(gòu)圖

粒子群算法具有良好的全局搜索能力而且操作簡單，收斂速度較快。粒子群算法中每一個粒子都代表著一個可能解，通過粒子的行為以及群體內(nèi)交互信息的可能性來實現(xiàn)問題求解的智能性。粒子群算法是通過粒子不斷地進(jìn)行迭代運算，并在這個過程中搜尋每一次迭代中粒子的個體極值以及整個粒子群的全局最優(yōu)解，不斷更新粒子的位置和速度進(jìn)行多次的迭代運算，直至找到滿足所需條件的最優(yōu)解。本研究粒子更新位置及速度公式如下[8]：

vi,j(t+1)=w×vi,j(t)+c1×rand1[pi,j(t)-

xi,j(t)]+c2×rand2[pi,j(t)-xi,j(t)]

(1)

xi,j(t+1)=xi,j(t)+vi,j(t+1)

(2)

式中，i為粒子群中的粒子，i=1,2,…,N,N為粒子數(shù)；

j為維度j=1,2，…，D；w為慣性權(quán)重，用來勘測和平衡，決定了粒子速度的繼承程度，w=1；c1,c2為學(xué)習(xí)因子，c1=c2=2；rand為0到1上的隨機(jī)數(shù)；x為粒子的位置；p為粒子在運動過程中的最優(yōu)位置；v為粒子的位置變化率即粒子的運動速度。

2.3 粒子群模糊系統(tǒng)設(shè)計

1) 隸屬度函數(shù)的選取

本研究在模糊控制系統(tǒng)中采用三輸入單輸出的模糊控制器，輸入為需求轉(zhuǎn)矩(demandtorque)，蓄能器SOC(accumulator SOC)，電池SOC(battery SOC)，輸出為發(fā)動機(jī)轉(zhuǎn)矩(enginetorque)，且輸入輸出均采用Trimple型隸屬度函數(shù)[9]，如式(3)所示：

(3)

式中，u為隸屬度函數(shù)隨機(jī)變量；u1，u2為模糊變量。

2) 定義模糊規(guī)則

本研究提出的基于粒子群算法優(yōu)化的模糊其中，輸入量demandtourque，accumulator SOC以及battery SOC的論域為[0，max(demandtourque)]，[0，max(accumulator SOC)]，[0，max(battery SOC)]，輸出量的論域為[0，max(enginetorque)]，語言值均為{NB，NS，0，PS，PB}[10]，推理系統(tǒng)的基本架構(gòu)如圖6所示。

2.4 粒子群算法優(yōu)化流程

粒子群優(yōu)化流程如圖7所示。

步驟1，將上述已經(jīng)設(shè)定好的需求轉(zhuǎn)矩、蓄能器SOC、電池SOC、發(fā)動機(jī)轉(zhuǎn)矩隸屬度函數(shù)參數(shù)和模糊規(guī)則編碼作為粒子群算法的搜索空間[11]；

步驟2，初始化粒子群，設(shè)置最大迭代次數(shù)，本研究最大迭代次數(shù)為50，隨機(jī)生成粒子群初始位置xi,j與速度vi,j，如式(4)、式(5)所示，N=200；

xi,j=rand(N,D)×(xi,j max-xi,j min)+xi,j min

(4)

vi,j=rand(N,D)×(vi,j max-vi,j min)+vi,j min

(5)

步驟3，選取適應(yīng)度函數(shù)并定義，將粒子群體中個體粒子位置最優(yōu)解pbest與粒子群體中全局位置最優(yōu)解gbest進(jìn)行初始化；

步驟4，根據(jù)式(1)、式(2)，將粒子群中所選取的粒子的位置和速度進(jìn)行更新，并計算粒子的適應(yīng)度值，若粒子i所計算的的適應(yīng)度值優(yōu)于自身的最優(yōu)解pbest，則更新當(dāng)前位置，同理，也可以更新群體的全局位置最優(yōu)解gbest；

步驟5，判斷是否到達(dá)設(shè)定的最大的迭代次數(shù)，若達(dá)到，則輸出相應(yīng)的優(yōu)化結(jié)果，否則回到步驟4繼續(xù)運行[12]。

3 優(yōu)化結(jié)果與仿真分析

3.1 優(yōu)化結(jié)果

圖8～圖12為輸入量需求轉(zhuǎn)矩Td、蓄能器SOC、電池SOC以及輸出量發(fā)動機(jī)轉(zhuǎn)矩Te的隸屬度函數(shù)圖。經(jīng)過粒子群算法優(yōu)化后的隸屬度函數(shù)曲線已經(jīng)變得很不均勻，這樣可以更好的實現(xiàn)全局最優(yōu)控制，目標(biāo)性更強，更容易將控制策略達(dá)到最優(yōu)，進(jìn)而提高裝載機(jī)整車燃油經(jīng)濟(jì)性。

圖9 蓄能器SOC隸屬度函數(shù)圖

圖10 電池SOC隸屬度函數(shù)圖

圖11 發(fā)動機(jī)轉(zhuǎn)矩隸屬度函數(shù)圖

圖12為粒子群算法優(yōu)化后的模糊控制規(guī)則曲面圖，優(yōu)化后的發(fā)動機(jī)轉(zhuǎn)矩曲面變化較為平緩，說明優(yōu)化的有效性，為進(jìn)一步降低裝載機(jī)燃油消耗提供了可能。

圖12 發(fā)動機(jī)轉(zhuǎn)矩模糊控制規(guī)則曲面

3.2 仿真分析

將優(yōu)化好的模糊控制器輸出到Workspace，將控制策略輸入到整車后向仿真Simulink模型，進(jìn)行仿真，優(yōu)化前后的蓄能器SOC、電池SOC燃油消耗量的仿真數(shù)據(jù)對比，如圖13～圖15所示。

由圖13、圖14可以看出，模糊控制器經(jīng)過粒子群算法優(yōu)化后，蓄能器SOC以及電池SOC的數(shù)值均有升高，而且電池SOC升高幅度尤為明顯。由此可以說明，優(yōu)化后的模糊控制器可以有效的提高整車的能量回收率。

圖13 優(yōu)化前、后蓄能器SOC對比

圖14 優(yōu)化前、后電池SOC對比

由圖15可以看出，優(yōu)化后的整車燃油消耗量Q有明顯的降低，將優(yōu)化前、后的蓄能器SOC、電池SOC以及整車燃油消耗量的平均值進(jìn)行對比，如表1所示，優(yōu)化后蓄能器SOC及電池SOC的均值均有提高，并且整車的平均燃油消耗有明顯的降低。

圖15 優(yōu)化前、后燃油消耗量對比

表1 優(yōu)化前后方案對比

最后將優(yōu)化前、后的整車燃油消耗的平均值通過式(6)節(jié)油率公式計算，得到優(yōu)化后的整車節(jié)油率為18.79%，證明了模糊控制器優(yōu)化的有效性。

(6)

式中,ρ—— 節(jié)油率

Q0—— 優(yōu)化前油耗量

Q1—— 優(yōu)化后油耗量

4 硬件在環(huán)試驗及分析

4.1 試驗臺架基本原理

本研究使用在MATLAB/Simulink軟件基礎(chǔ)上開發(fā)的dSPACE硬件在環(huán)仿真系統(tǒng)進(jìn)行試驗，如圖16所示。依據(jù)研究對象的數(shù)學(xué)模型在MATLAB/Simulink軟件中搭建Simulink模型，并對其有效性進(jìn)行離線仿真測試驗證。該試驗主要目的是驗證經(jīng)過粒子群算法優(yōu)化后的復(fù)合儲能式系統(tǒng)控制效果，具體表現(xiàn)為將采集到的“V”形工況下的燃油消耗量與仿真時的對應(yīng)結(jié)果進(jìn)行一致性對比。

圖16 制動能量回收試驗臺架

4.2 試驗結(jié)果分析

由圖17可見，由于試驗中試驗設(shè)備存在振動，所以試驗曲線具有一定的波動，即試驗與仿真之間有一定誤差，但從整體上看，結(jié)果基本一致，再次驗證了基于粒子群算法優(yōu)化復(fù)合儲能式混合動力系統(tǒng)控制器的有效性，使復(fù)合儲能式混合動力系統(tǒng)裝載機(jī)的燃油經(jīng)濟(jì)性得到有效提升。

圖17 “V”形工況下的燃油消耗量試驗與仿真對比

5 結(jié)論

本研究基于粒子群算法對混合動力復(fù)合儲能系統(tǒng)進(jìn)行控制優(yōu)化，結(jié)果表明：

(1) 經(jīng)過粒子群優(yōu)化后的模糊控制器，適應(yīng)性和目標(biāo)性更強，最優(yōu)輸出轉(zhuǎn)矩更加平穩(wěn)，控制效果更好；

(2) 粒子群算法優(yōu)化后的復(fù)合儲能系統(tǒng)中各子系統(tǒng)性能都有提升，而且整車的燃油消耗量有明顯的下降，有效地提升了系統(tǒng)的燃油經(jīng)濟(jì)性，證明了粒子群算法對復(fù)合儲能系統(tǒng)控制優(yōu)化的有效性。