融合工況識別的增程式電動(dòng)汽車模糊能量管理策略研究*

陳 勇，魏長銀，李曉宇，李彥林，劉彩霞，林霄喆

（1.河北工業(yè)大學(xué)機(jī)械工程學(xué)院，天津市新能源汽車動(dòng)力傳動(dòng)與安全技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津 300130；2.吉利汽車動(dòng)力總成研究院，寧波 471002）

前言

由于增程式電動(dòng)貨用汽車在節(jié)能與環(huán)保方面的優(yōu)勢，成為當(dāng)前研究的熱點(diǎn)，其燃油經(jīng)濟(jì)性和排放量很大程度上依賴于能量管理策略，引起眾多研究人員及學(xué)者的關(guān)注。

能量管理策略（EMS）通常是通過人為經(jīng)驗(yàn)設(shè)置合適的閾值，對多個(gè)動(dòng)力源進(jìn)行功率協(xié)調(diào)分配。然而由于閾值的設(shè)定只能是一組固定的參數(shù)，很難適應(yīng)工作條件變化下的非線性車輛系統(tǒng)，控制性能往往無法達(dá)到最優(yōu)，進(jìn)而提出許多優(yōu)化能量管理策略。具有代表性的EMS主要有基于規(guī)則能量管理策略（RB?EMS）和基于優(yōu)化能量管理策略 EMS。在基于規(guī)則的能量管理策略中，精確邏輯規(guī)則或模糊規(guī)則中的參數(shù)值主要由經(jīng)驗(yàn)或應(yīng)用優(yōu)化方法確定。雖然RB?EMS可以實(shí)時(shí)快速運(yùn)算，但其控制性能的提高有賴于工程師的經(jīng)驗(yàn)。在基于優(yōu)化的能量管理系統(tǒng)中，混合動(dòng)力系統(tǒng)的能量分配主要是為了使局部或全局的燃料消耗最小化。張幽彤等提出一種依據(jù)車輛定位信息和SOC下降值在線更新等效因子參數(shù)的自適應(yīng)能量管理策略，結(jié)果表明SOC控制和經(jīng)濟(jì)性均有較明顯提升。Serrao等分析了動(dòng)態(tài)規(guī)劃、龐特里亞金最小原理（PMP）和等效消耗最小化策略（ECMS），發(fā)現(xiàn)PMP在技術(shù)上不能實(shí)時(shí)應(yīng)用，需要離線采用打靶方法來調(diào)整協(xié)態(tài)變量。從計(jì)算的角度來看，ECMS和PMP的成本相同，因?yàn)橐獔?zhí)行的唯一操作是最小化哈密頓量或等效成本函數(shù)。Di等提出了一種基于隨機(jī)模型學(xué)習(xí)預(yù)測的駕駛員感知EMS方法。結(jié)果表明，該策略的性能優(yōu)于傳統(tǒng)的模型預(yù)測控制。Liu等基于道路信息預(yù)測上坡行駛條件，估計(jì)目標(biāo)SOC，建立了全局優(yōu)化的EMS模型。

基于全局優(yōu)化的EMS具有較好的燃油經(jīng)濟(jì)性和對行駛循環(huán)的適應(yīng)性，但計(jì)算復(fù)雜，很多算法無法在整車上實(shí)現(xiàn)。而規(guī)則的閾值是固定不變的，很難適應(yīng)車輛工作條件的變化或維持電池荷電狀態(tài)的穩(wěn)定，因而控制往往無法達(dá)到最優(yōu)。而模糊智能控制方法的應(yīng)用不依賴高精度數(shù)學(xué)模型，具有良好的實(shí)時(shí)性和魯棒性。因此在多動(dòng)力源系統(tǒng)能量管理策略的研發(fā)上具有廣泛的應(yīng)用前景。但其性能優(yōu)劣取決于模糊規(guī)則，而模糊規(guī)則的制定依賴于專家經(jīng)驗(yàn)，同時(shí)在設(shè)計(jì)時(shí)僅能對單一工況進(jìn)行優(yōu)化，而實(shí)際路況復(fù)雜多變，控制效果并不理想。

為了解決模糊控制器的設(shè)計(jì)優(yōu)化難、突變工況難適應(yīng)的問題，本文中提出基于改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò)工況識別自適應(yīng)模糊能量管理策略，以符合實(shí)際道路的中國貨車行駛工況為訓(xùn)練測試工況，通過硬件在環(huán)測試分析不同參數(shù)、不同算法對工況識別效果的影響，對比不同能量管理策略的控制效果，驗(yàn)證該策略的有效性。

1 增程式電動(dòng)汽車系統(tǒng)建模

1.1 整車仿真模型

圖1顯示了本文中的增程式電動(dòng)物流車結(jié)構(gòu)，車輛參數(shù)如表1所示。通過對車輪受力分析，建立車輛動(dòng)力學(xué)模型。

圖1 增程式電動(dòng)物流車構(gòu)型圖

路面提供的阻力轉(zhuǎn)矩與驅(qū)動(dòng)轉(zhuǎn)矩的關(guān)系如下：

式中：為傳動(dòng)系統(tǒng)效率；為主減速器傳動(dòng)比；、和為發(fā)動(dòng)機(jī)、驅(qū)動(dòng)電機(jī)和制動(dòng)轉(zhuǎn)矩；為空氣密度；為車速；其余參數(shù)含義如表1所示。

表1 車輛參數(shù)

1.2 發(fā)動(dòng)機(jī)模型

利用不同轉(zhuǎn)速和不同轉(zhuǎn)矩下的燃油消耗量臺架試驗(yàn)數(shù)據(jù)，通過三次多項(xiàng)式插值的方式得到發(fā)動(dòng)機(jī)效率MAP圖如圖2所示。根據(jù)MAP圖由轉(zhuǎn)矩和轉(zhuǎn)速查表得到發(fā)動(dòng)機(jī)當(dāng)前的燃油消耗率。為了便于數(shù)據(jù)處理將測試循環(huán)時(shí)間范圍~等間隔Δt（本文取1 s）分隔成個(gè)離散時(shí)間點(diǎn)t（=1，2，…，），并假設(shè)在Δt時(shí)間內(nèi)的平均油耗為t時(shí)刻對應(yīng)的實(shí)際工況當(dāng)成穩(wěn)態(tài)工況時(shí)的燃油消耗率，則當(dāng)測試工況運(yùn)行完后，燃油消耗計(jì)算公式為

圖2 發(fā)動(dòng)機(jī)效率MAP

式中：(t)和(t)為在測試時(shí)刻t對應(yīng)的工況下的發(fā)動(dòng)機(jī)角速度（rad/s）和轉(zhuǎn)矩（N·m）；為發(fā)動(dòng)機(jī)燃油消耗率。

1.3 電機(jī)系統(tǒng)模型

為了簡便計(jì)算，忽略電機(jī)的動(dòng)態(tài)特性，采用查表的方法獲取電機(jī)系統(tǒng)在驅(qū)動(dòng)與制動(dòng)能量回收狀態(tài)下的效率。如圖3所示，電機(jī)效率在0.7～0.95之間，而發(fā)動(dòng)機(jī)效率在0.10~0.35之間。電機(jī)效率明顯大于發(fā)動(dòng)機(jī)效率。因此，在設(shè)計(jì)能量管理策略時(shí)，盡量將發(fā)動(dòng)機(jī)工作點(diǎn)置于高效率區(qū)，并用動(dòng)力電池進(jìn)行補(bǔ)償。同時(shí)，驅(qū)動(dòng)電機(jī)應(yīng)該滿足：

圖3 電機(jī)效率MAP

式中：為輸出功率；為轉(zhuǎn)矩；為轉(zhuǎn)速；下標(biāo)mc表示電機(jī)；為效率。

1.4 動(dòng)力電池模型

動(dòng)力電池通過逆變器分別與電動(dòng)機(jī)和發(fā)電機(jī)相連，為電機(jī)供電或吸收電機(jī)產(chǎn)生的能量。建模一般采用內(nèi)阻模型，其中電池內(nèi)阻、開路電壓采用查表的形式獲取，充電內(nèi)阻、與SOC的關(guān)系如圖4所示。

圖4 電池充放電內(nèi)阻與開路電壓

動(dòng)力電池的電流與SOC的計(jì)算方法為

同時(shí)應(yīng)該滿足如下條件：

式中：是初始SOC；是電池開路電壓；是電池內(nèi)阻；是電池功率；是電池容量；=0.3；=0.8；是電池放電內(nèi)阻；是充電內(nèi)阻。

2 工況識別模糊能量管理策略

2.1 模糊控制器設(shè)計(jì)

為了降低增程式電動(dòng)汽車的能量消耗，本文設(shè)計(jì)了一種雙輸入單輸出的模糊控制器，所采用的模糊控制器如圖5所示，以整車所需功率和電池荷電狀態(tài)為輸入，增程器功率為輸出。通過模糊控制器控制規(guī)則的設(shè)計(jì)優(yōu)化發(fā)動(dòng)機(jī)的工作曲線，并且保持電池SOC的穩(wěn)定。該控制器主要由3部分組成：模糊化接口、模糊推理系統(tǒng)和解模糊接口。其中，模糊化接口用于將精確的輸入值轉(zhuǎn)換為模糊值，然后將其輸入到模糊推理系統(tǒng)中。這些模糊值在模糊推理系統(tǒng)中被劃分為不同的模糊子集，并根據(jù)所定義的規(guī)則庫用語言變量表示，這些語言值對應(yīng)于隸屬函數(shù)的取值范圍。最后，經(jīng)過模糊推理系統(tǒng)得到的結(jié)果輸入給解模糊接口，并將其轉(zhuǎn)換為精確的控制值輸入給執(zhí)行機(jī)構(gòu)。

圖5 模糊控制器基本結(jié)構(gòu)

本文所采用的模糊控制規(guī)則如表2所示，輸入變量與需求功率分別劃分為3個(gè)模糊子集｛L，M，H｝，輸出功率劃分為5個(gè)模糊子集｛VL，L，M，H，VH｝。

表2 模糊控制規(guī)則

模糊控制器輸入的隸屬度函數(shù)如圖6所示。

圖6 隸屬度函數(shù)

其中，梯形隸屬函數(shù)的計(jì)算公式如下：

式中：為隸屬度；、、、為轉(zhuǎn)折點(diǎn)橫坐標(biāo)。采用去質(zhì)心法解模糊，模糊輸出為

2.2 模糊控制器優(yōu)化

影響模糊控制器的性能主要為輸入輸出隸屬度函數(shù)的頂點(diǎn)坐標(biāo)，因此本文以9個(gè)頂點(diǎn)坐標(biāo)為優(yōu)化變量，電量保持階段燃油經(jīng)濟(jì)性為優(yōu)化目標(biāo)，所采用的遺傳算法為尋優(yōu)方法。

2.2.1 優(yōu)化變量

優(yōu)化變量為輸入、輸出隸屬度函數(shù)的頂點(diǎn)坐標(biāo)，頂點(diǎn)坐標(biāo)如圖6所示，表達(dá)式為

2.2.2 優(yōu)化目標(biāo)

為了避免電量對燃油經(jīng)濟(jì)性評估的影響，選擇在電量保持階段的燃油消耗量為優(yōu)化目標(biāo)，表達(dá)式為

式中：為目標(biāo)函數(shù)；ω(t)和T(t)為在測試時(shí)刻t時(shí)的發(fā)動(dòng)機(jī)角速度（rad/s）和轉(zhuǎn)矩（N·m）；為發(fā)動(dòng)機(jī)燃油消耗率。

2.2.3 改進(jìn)遺傳算法

遺傳算法流程如圖7所示，包含初始化、選擇、交叉、變異4個(gè)關(guān)鍵步驟。遺傳算法（GA）的第一步是從種群中選擇個(gè)體，并將個(gè)體送到交配池進(jìn)行遺傳重組。選擇過程有助于在子代產(chǎn)生池中選擇更好的個(gè)體。經(jīng)典GA經(jīng)常使用輪盤賭法進(jìn)行選擇。這種選擇方法的結(jié)果誤差較大，對收斂速度影響較大。為了解決該問題，采用選擇概率在輪盤賭方法的基礎(chǔ)上結(jié)合迭代數(shù)進(jìn)行自適應(yīng)調(diào)整的方法。選擇概率隨著進(jìn)化代數(shù)的增加而增加，這可以極大地促進(jìn)種群中適應(yīng)度較高個(gè)體的進(jìn)化，提高算法的收斂性。因此本文提出了自適應(yīng)選擇概率，其計(jì)算公式為

圖7 GA示意圖

式中：是進(jìn)化次數(shù)；是最大進(jìn)化次數(shù)。等式右側(cè)第1項(xiàng)為輪盤賭法選擇概率，第2項(xiàng)為隨進(jìn)化次數(shù)變換的選擇概率。

傳統(tǒng)GA使用固定的交叉率和突變率。交叉率越高，產(chǎn)生新個(gè)體的速度越快，有利于加快進(jìn)化速度。然而，較好的個(gè)體很快被破壞，使得算法難以實(shí)現(xiàn)全局收斂。如果交叉率很小，搜索過程將緩慢停滯。如果突變率很小，就不能有效地產(chǎn)生新的結(jié)構(gòu)個(gè)體。如果突變率很大，則遺傳算法成為純隨機(jī)搜索算法，無法收斂。因此，本文提出了自適應(yīng)交叉和變異，概率定義如下：

式中：和分別是最大和最小的交叉率；是變異率；是個(gè)體的最大適應(yīng)度；是平均適應(yīng)度。

2.3 IGA-BP工況識別的模糊能量管理策略

以燃油經(jīng)濟(jì)性為控制目標(biāo)設(shè)計(jì)優(yōu)化能量管理策略時(shí)，須在標(biāo)準(zhǔn)測試工況下進(jìn)行。但車輛實(shí)際運(yùn)行工況復(fù)雜，因此有必要對工況進(jìn)行有效識別后對能量管理策略進(jìn)行參數(shù)尋優(yōu)。選取歷史車速作為特征輸入，使用BP神經(jīng)網(wǎng)絡(luò)算法識別當(dāng)前工況類別。識別模型如圖8所示，數(shù)據(jù)經(jīng)過輸入層、隱含層和輸出層后輸出工況類別。從輸入層到隱含層的函數(shù)關(guān)系為

圖8 BP神經(jīng)網(wǎng)絡(luò)工況識別模型

式中：ω為第個(gè)輸入節(jié)點(diǎn)到第個(gè)隱含節(jié)點(diǎn)的權(quán)重；ω為第個(gè)隱含層節(jié)點(diǎn)閾值。

第個(gè)節(jié)點(diǎn)輸出可以定義為

式中：ω為第個(gè)隱含節(jié)點(diǎn)到輸出節(jié)點(diǎn)的權(quán)重；ω為個(gè)輸出節(jié)點(diǎn)閾值。

各層的權(quán)值會(huì)在迭代過程不斷修正直至網(wǎng)絡(luò)計(jì)算誤差達(dá)到預(yù)期，誤差計(jì)算方法為

采用梯度下降的方法學(xué)習(xí)出使網(wǎng)絡(luò)計(jì)算誤差最小的權(quán)值，計(jì)算公式為

式中為學(xué)習(xí)率，取值范圍在0?1之間。

為了提高BP神經(jīng)網(wǎng)絡(luò)工況識別性能，提出一種改進(jìn)遺傳優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)識別模型，如圖9所示。第一部分為優(yōu)化初始權(quán)值和閾值，以歷史工況為數(shù)據(jù)輸入、初始化參數(shù)和種群；以訓(xùn)練誤差為適應(yīng)度函數(shù)進(jìn)行遺傳算法操作；迭代出優(yōu)化的初始權(quán)值和閾值后，進(jìn)入第二部分BP神經(jīng)網(wǎng)絡(luò)工況識別模型的訓(xùn)練。

圖9 IGA?BP神經(jīng)網(wǎng)絡(luò)工況識別模型

本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)工況識別模糊能量管理策略框架如圖10所示，分為離線優(yōu)化和在線模糊實(shí)時(shí)控制兩個(gè)部分。離線優(yōu)化部分從中國貨車行駛工況中以100 s為滑動(dòng)窗口大小，1 s為時(shí)間窗采樣時(shí)間間隔，提取維數(shù)為100的訓(xùn)練樣本，以行駛工況類別（市區(qū)、市郊、高速）為訓(xùn)練輸入，訓(xùn)練識別模型。在包含3類工況的整個(gè)循環(huán)下，以電量保持階段的油耗為優(yōu)化目標(biāo)（如式（14）），改進(jìn)遺傳算法為尋優(yōu)方法，對3類工況下的模糊控制器參數(shù)（如式（13））進(jìn)行離線尋優(yōu)。將每類工況下的最優(yōu)參數(shù)下載到實(shí)時(shí)控制器中，以需求功率、SOC、工況類別為輸入，同時(shí)滿足各類決策約束后，模糊控制器選擇最優(yōu)控制參數(shù)輸出最佳決策。取3類行駛工況中部分?jǐn)?shù)據(jù)進(jìn)行測試，結(jié)果如圖11所示。從圖中可以看出該方法可以實(shí)時(shí)穩(wěn)定的識別出工況類別。

圖10 工況識別結(jié)果

圖11 神經(jīng)網(wǎng)絡(luò)工況識別的模糊能量管理策略框架

3 硬件在環(huán)測試與分析

3.1 硬件在環(huán)測試系統(tǒng)

利用硬件在環(huán)測試技術(shù)，構(gòu)建了增程式動(dòng)力系統(tǒng)測試平臺，如圖12所示。該平臺主要由NI板卡實(shí)時(shí)機(jī)、顯示器、上位機(jī)、USB?CAN、整車控制器、直流電源等構(gòu)成。在該測試平臺中，CAN通道與NI實(shí)時(shí)機(jī)相連，整車的動(dòng)力學(xué)模型在NI實(shí)時(shí)機(jī)中運(yùn)行，實(shí)際車輛的加載模型由除整車HCU和控制器模型外的所有原動(dòng)機(jī)部件組成，加載的模型具有I/O接口，可以實(shí)現(xiàn)主機(jī)和NI實(shí)時(shí)系統(tǒng)之間的連接和同步處理。此外，該框架還建立了一個(gè)實(shí)時(shí)數(shù)據(jù)跟蹤平臺，不僅有利于發(fā)現(xiàn)和解決測試過程中的問題，以提高控制策略開發(fā)效率，而且有利于改進(jìn)控制策略算法。

圖12 硬件在環(huán)測試系統(tǒng)

具體工作如下：利用自動(dòng)代碼生成工具生成標(biāo)準(zhǔn)C文件，利用Visual Studio編譯成可被實(shí)時(shí)機(jī)軟件能識別調(diào)用的dll文件；將上位機(jī)與下位機(jī)連接到相同的局域網(wǎng)，并設(shè)置好同樣的IP；在實(shí)時(shí)機(jī)軟件程序中新建一個(gè)項(xiàng)目，在實(shí)時(shí)機(jī)軟件中運(yùn)行程序進(jìn)行實(shí)時(shí)仿真。

3.2 不同參數(shù)對工況識別的影響

本小節(jié)對遺傳算法參數(shù)初始交叉率、初始變異率、BP神經(jīng)網(wǎng)絡(luò)參數(shù)隱含層數(shù)對工況識別效果的影響進(jìn)行分析。

為了探究不同初始交叉率與隱含層節(jié)點(diǎn)數(shù)對所提出控制策略的影響，以初始交叉率為0.3、0.4、0.5、0.6的條件下，設(shè)置隱含層數(shù)為3，4，…，9。通過圖13可以發(fā)現(xiàn)，初始交叉率取0.4、隱含層節(jié)點(diǎn)數(shù)為3、8、9時(shí)，相比于其它初始交叉率取值識別均方差最小，說明此時(shí)識別效果最佳。

圖13 不同初始交叉率在不同隱含層節(jié)點(diǎn)數(shù)下的識別均方差

初始變異率數(shù)值的選取對所提出的策略會(huì)有不同的影響，以初始交叉率為0.4，設(shè)置不同隱含層節(jié)點(diǎn)數(shù)，分析不同變異率下的識別效果。從圖14所示的結(jié)果中可以看出，當(dāng)初始變異率為0.06，隱含層節(jié)點(diǎn)數(shù)為3和8時(shí)識別均方誤差最小分別為0.031和0.021，而隱含層節(jié)點(diǎn)數(shù)越高，計(jì)算量越大，故隱含層節(jié)點(diǎn)數(shù)取為3。在不同交叉率和變異率下，隨隱含層節(jié)點(diǎn)數(shù)均方差呈現(xiàn)非線性。不同的隱含層節(jié)點(diǎn)數(shù)下最優(yōu)變異率與交叉率不同。

圖14 不同初始變異率在不同隱含層節(jié)點(diǎn)數(shù)下的識別均方差

3.3 不同算法對工況識別的影響

為驗(yàn)證所提出的IGA?BP工況識別方法的有效性，將其與基于BP工況識別方法進(jìn)行對比，并在不同隱含層節(jié)點(diǎn)和隱含層數(shù)下進(jìn)行驗(yàn)證。

為了對比BP和IGA?BP的識別效果，設(shè)置不同節(jié)點(diǎn)數(shù)和不同隱含層數(shù)進(jìn)行分析，結(jié)果如圖15所示。從圖15（a）可以看出，隱含層節(jié)點(diǎn)數(shù)為 3、4、5、6、8、9、10時(shí)，IGA?BP識別的均方差均大于BP，說明此時(shí)IGA?BP識別效果優(yōu)于BP，僅在隱含層節(jié)點(diǎn)數(shù)為7時(shí)不同。而兩者均從最佳識別效果時(shí)的隱含層數(shù)進(jìn)行比較時(shí)，BP在隱含層為4時(shí)最佳，識別均方差為0.314，而IGA?BP在隱含層為8時(shí)最佳，識別均方差為0.021。說明在最優(yōu)參數(shù)下IGA?BP工況識別效果優(yōu)于BP。由圖15（b）可以看出隨著隱含層數(shù)的增加，識別均方差先減小后增大，并在隱含層數(shù)為5時(shí)識別效果最佳。在不同的隱含層數(shù)下IGA?BP的識別效果均優(yōu)于BP。

圖15 不同算法比較

3.4 不同能量管理策略的對比分析

在中國貨車（GVW大于5 500 kg）行駛工況（CHTC?HT）下，開展了基于神經(jīng)網(wǎng)絡(luò)工況識別模糊（DPR?F）能量管理策略硬件在環(huán)測試，并與模糊（Fuzzy）能量管理策略、電量保持電量消耗（CD?CS）策略進(jìn)行了對比分析。

為探究3種策略在SOC控制性能方面的不同，對比分析了整個(gè)工況時(shí)間內(nèi)的SOC變化情況。從圖16可以看出，3種策略的SOC變化范圍均在29%?32%之內(nèi)，其中CD?CS策略的SOC變化范圍最?。?9.36%?30.91%），其次為模糊策略（29.00%?30.75%），最大的為自適應(yīng)模糊策略，其SOC變化范圍為29.07%?32.06%。3種策略的終止SOC分別為30.70%、30.64%和30.46%。經(jīng)過兩個(gè)循環(huán)1 h后與初始SOC相差最多的僅為0.7%，說明3種策略均能將SOC控制在合理的范圍之內(nèi)。圖17說明所提出的策略能夠保證該車在整個(gè)工況內(nèi)對車速良好的跟隨特性。

圖16 不同策略的SOC

圖17 跟隨車速

為了探究3種策略在影響整車舒適性的發(fā)動(dòng)機(jī)啟停控制方面的不同，對比分析了3種策略的發(fā)動(dòng)機(jī)轉(zhuǎn)速與轉(zhuǎn)速突變情況。對比圖18、圖19和圖20可以發(fā)現(xiàn)，自適應(yīng)模糊策略發(fā)動(dòng)機(jī)啟停頻次明顯低于模糊與規(guī)則策略，同時(shí)轉(zhuǎn)速瞬態(tài)變化幅度也較小。對啟停次數(shù)進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，規(guī)則策略為240次，模糊策略為51次，而自適應(yīng)模糊策略僅為28次。發(fā)動(dòng)機(jī)每啟停一次就需要完成從發(fā)電機(jī)到發(fā)動(dòng)機(jī)的動(dòng)態(tài)轉(zhuǎn)矩變化過程，這種頻次多的啟停會(huì)引起乘客因?yàn)槎秳?dòng)與噪聲感到不適。自適應(yīng)模糊策略啟停次數(shù)相比規(guī)則策略約降低88%，相比模糊策略約降低45%，表明大幅降低了增程器的瞬態(tài)轉(zhuǎn)矩變化過程次數(shù)，提高了整車燃油經(jīng)濟(jì)性和舒適性。

圖18 基于CD?CS策略下的發(fā)動(dòng)機(jī)轉(zhuǎn)速與轉(zhuǎn)矩

圖19 基于模糊策略下的發(fā)動(dòng)機(jī)轉(zhuǎn)速與轉(zhuǎn)矩

圖20 基于自適應(yīng)模糊策略下的發(fā)動(dòng)機(jī)轉(zhuǎn)速與轉(zhuǎn)矩

考慮到不同策略在發(fā)動(dòng)機(jī)工作點(diǎn)分布情況各異，將發(fā)動(dòng)機(jī)的工作散點(diǎn)分布到萬有特性曲線上進(jìn)行分析。從圖21可以看出，3種策略均工作在增程器效率最佳的工作曲線上。由于增程器僅根據(jù)策略提供相應(yīng)的功率即增程器轉(zhuǎn)速與車速解耦，因此，增程器工作點(diǎn)可取最佳工作曲線上。規(guī)則策略工作點(diǎn)范圍較廣，模糊策略工作點(diǎn)取值最窄，是因?yàn)樵撘?guī)則策略是采用功率跟隨的形式。自適應(yīng)模糊策略的隸屬度函數(shù)頂點(diǎn)坐標(biāo)會(huì)在不同工況下進(jìn)行調(diào)整，因此功率范圍會(huì)比模糊策略廣。

圖21 3種策略的發(fā)動(dòng)機(jī)工作點(diǎn)圖

為了探究所提出的能量管理策略對動(dòng)力電池性能的影響，提取了具有代表性的0?500 s的電流數(shù)據(jù)進(jìn)行分析。如圖22所示，自適應(yīng)模糊策略的電流波動(dòng)幅值最大，規(guī)則策略的電流波動(dòng)幅值最小，說明自適應(yīng)策略通過充分利用電池輸出功率調(diào)整增程器功率使整個(gè)儲(chǔ)能系統(tǒng)達(dá)到最優(yōu)經(jīng)濟(jì)性。

圖22 3種策略的動(dòng)力電池電流

為了驗(yàn)證所提出的控制策略的有效性，比較了在SOC保持均衡條件下的燃油消耗情況。結(jié)果如圖23所示，規(guī)則策略共消耗燃油3 301.8 g，折算百公里油耗為13.14 L/100 km；模糊能量管理策略消耗燃油3 235.5 g，折算百公里油耗為12.88 L/100 km；自適應(yīng)模糊策略消耗燃油2 981.9 g，折算百公里油耗為11.87 L/100 km。因此自適應(yīng)模糊策略相比于規(guī)則策略降低9.67%油耗，相比于模糊策略降低7.84%。

圖23 3種策略的燃油消耗量

為了探究所提出的能量管理策略對制動(dòng)能量回收性能的影響，以制動(dòng)能量回收效率為評價(jià)指標(biāo)分析了3種策略的性能，結(jié)果如表3所示，CD?CS的能量回收效率為46.74%，模糊策略為46.14%，自適應(yīng)模糊為46.73%。說明3種策略的制動(dòng)能量回收性能基本相同。

表3 3種策略的制動(dòng)能量回收效率

4 結(jié)論

本文以增程式電動(dòng)物流車為研究對象，提出了一種基于IGA?BP神經(jīng)網(wǎng)絡(luò)工況識別的自適應(yīng)模糊能量管理策略。采用在編碼方法、初始化方式、交叉和變異等方面進(jìn)行改進(jìn)的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閾值，利用CHTC?HT工況數(shù)據(jù)訓(xùn)練IGA?BP神經(jīng)網(wǎng)絡(luò)構(gòu)建工況識別模型；同時(shí)設(shè)計(jì)了以電池SOC和整車需求功率為輸入、發(fā)動(dòng)機(jī)功率為輸出的依據(jù)工況類別實(shí)時(shí)調(diào)整隸屬度函數(shù)頂點(diǎn)坐標(biāo)的自適應(yīng)模糊能量管理策略；最后通過硬件在環(huán)測試驗(yàn)證了所提出的神經(jīng)網(wǎng)絡(luò)工況識別自適應(yīng)模糊能量管理策略，結(jié)果表明該方法在燃油經(jīng)濟(jì)性和舒適性上表現(xiàn)了良好的性能，主要結(jié)論如下：

（1）基于IGA?BP神經(jīng)網(wǎng)絡(luò)工況識別方法的識別效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。其中不同變異率和交叉率下的識別效果（均方差）隨隱含層數(shù)呈現(xiàn)非線性變化。

（2）自適應(yīng)模糊策略啟停次數(shù)相比于規(guī)則策略降低了約88%，相比于模糊策略降低了約45%，表明大幅降低了增程器的瞬態(tài)轉(zhuǎn)矩變化次數(shù)；油耗相比于規(guī)則策略降低了約9.67%，相比于模糊策略降低約7.84%。說明該策略具有更好的整車舒適性和節(jié)能效果且不需要提前預(yù)知工況。