GA-BP工況識(shí)別的增程式電動(dòng)汽車能量管理策略優(yōu)化

白書(shū)杰,魏長(zhǎng)銀,陳勇*,,張建軍

(1.河北工業(yè)大學(xué) 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.河北工業(yè)大學(xué) 機(jī)械工程學(xué)院,天津 300130)

增程式電動(dòng)汽車具有低排放、低污染和長(zhǎng)續(xù)航的優(yōu)點(diǎn),在新能源汽車發(fā)展中被視為理想的過(guò)渡車輛。能量管理策略是增程式電動(dòng)汽車控制技術(shù)的核心,它可以直接影響電動(dòng)汽車的動(dòng)力性、燃油經(jīng)濟(jì)性、排放性等[1]。因此以改善燃油經(jīng)濟(jì)性為目標(biāo)對(duì)能量管理策略進(jìn)行優(yōu)化是增程式電動(dòng)汽車控制系統(tǒng)開(kāi)發(fā)中的重要環(huán)節(jié)。

一般規(guī)則能量管理策略(Rule-based power management,RB)包括 CD-CS、功率跟隨型等策略,CD-CS策略以SOC狀態(tài)制定策略,維持SOC在定值上下波動(dòng),Junqiu等[2]采用CD-CS控制策略,DP算法優(yōu)化多目標(biāo)參數(shù),著重研究CS部分,達(dá)到減少排放提高燃油效率的目的。功率跟隨策略以增程器為主要?jiǎng)恿υ?電池輔助驅(qū)動(dòng),鄧濤等[3]采用功率跟隨策略得到接近實(shí)際用車時(shí)的燃油消耗,有很大的參考意義。但上述策略大都以固定工況研究,無(wú)法適用復(fù)雜道路工況。近年來(lái),在規(guī)則策略的基礎(chǔ)上結(jié)合工況識(shí)別、車速預(yù)測(cè),使汽車在燃油經(jīng)濟(jì)性等方面有了長(zhǎng)足發(fā)展。能量管理策略又可分為基于交通信息采集和基于典型工況分析識(shí)別?；诮煌ㄐ畔⒉杉瑑煞N類型:一類利用GPS、ITS獲得交通信息,預(yù)知路況信息優(yōu)化的能量管理策略,此類方法對(duì)外部硬件設(shè)備要求較高,應(yīng)用范圍受到限制;另一類利用汽車行駛數(shù)據(jù)通過(guò)智能算法預(yù)測(cè)行駛工況,此類不需要外部設(shè)備,但計(jì)算量大、實(shí)時(shí)性不足[4]。熊演峰等[5]利用GPS定位,根據(jù)汽車出發(fā)地、目的地以及交通信息路徑規(guī)劃、預(yù)知工況并進(jìn)行能量分配;劉永剛等[6]考慮坡度對(duì)汽車動(dòng)力性的影響,利用GPS提供道路坡度信息,基于道路坡度提出能量管理策略優(yōu)化;劉永剛等[7]通過(guò)智能交通系統(tǒng)(ITS)遠(yuǎn)程通信收集道路信息和天氣信息等因素,綜合應(yīng)用于能量管理策略優(yōu)化;Xiang等[8]充分考慮當(dāng)前駕駛環(huán)境和車速,提出基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)車速預(yù)測(cè);方越棟[9]以混合動(dòng)力公交車為研究對(duì)象,利用GPS獲得歷史行駛數(shù)據(jù),建立與位置有關(guān)的非齊次馬爾科夫模型,描述路況預(yù)測(cè)行駛工況;Ji等[10]提出DOIP算法,綜合車輛行駛狀態(tài)和駕駛員行為,馬爾科夫模型學(xué)習(xí)車速到加速度轉(zhuǎn)移概率,深度模糊預(yù)測(cè)方法預(yù)測(cè)車速,混沌增強(qiáng)粒子群優(yōu)化算法在線智能實(shí)現(xiàn)最優(yōu)控制;Sun等[11]基于模型預(yù)測(cè)能量管理策略,根據(jù)預(yù)測(cè)精度、計(jì)算成本、燃油經(jīng)濟(jì)性對(duì)比廣義指數(shù)增長(zhǎng)、馬爾科夫鏈、人工神經(jīng)網(wǎng)絡(luò)3種車速預(yù)測(cè)方法,基于人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)整體性能最佳。工況識(shí)別方面,秦大同等[12]選擇20種典型循環(huán)工況提取特征參數(shù)與當(dāng)前行駛特征參數(shù)比對(duì)實(shí)現(xiàn)工況識(shí)別,利用粒子群算法離線優(yōu)化不同循環(huán)工況的能量管理策略關(guān)鍵參數(shù);Lei等[13]應(yīng)用聚類分析法對(duì)20種典型工況分類,通過(guò)特征參數(shù)相似度待識(shí)別工況歸類典型工況,以電池壽命和燃油經(jīng)濟(jì)性為優(yōu)化目標(biāo),提出動(dòng)態(tài)能量管理策略;Wang等[14]應(yīng)用特征向量表示當(dāng)前駕駛模式和4種典型駕駛模式,計(jì)算特征向量的歐氏距離,當(dāng)前駕駛模式為歐氏距離最小的典型模式,等效油耗法優(yōu)化能量管理策略,基于識(shí)別結(jié)果進(jìn)行在線調(diào)用參數(shù)匹配。上述工況識(shí)別方法,需要計(jì)算特征向量等,計(jì)算量大,識(shí)別過(guò)程復(fù)雜。

本文提出GA-BP工況識(shí)別方法,與上述方法相比,GA-BP工況識(shí)別對(duì)硬件的要求較低;直接以速度區(qū)間為輸入進(jìn)行工況識(shí)別,無(wú)需計(jì)算特征向量。文中以中國(guó)工況為訓(xùn)練樣本,市區(qū)、市郊、高速公路為工況類型,行駛速度區(qū)間為輸入進(jìn)行工況識(shí)別訓(xùn)練、檢驗(yàn)。對(duì)比BP神經(jīng)網(wǎng)絡(luò)工況識(shí)別和GA-BP工況識(shí)別,應(yīng)用GA-BP工況識(shí)別識(shí)別率和識(shí)別精度優(yōu)于BP工況識(shí)別能量管理策略。以能耗等效費(fèi)用為燃油經(jīng)濟(jì)性優(yōu)化指標(biāo),應(yīng)用果蠅算法優(yōu)化行駛工況識(shí)別下的規(guī)則能量管理策略參數(shù),可以合理分配增程式電動(dòng)汽車驅(qū)動(dòng)模式,盡可能使用純電動(dòng)模式,降低燃油消耗。

1 整車參數(shù)與模型

所研究的整車為某公司增程式電動(dòng)物流車,動(dòng)力系統(tǒng)結(jié)構(gòu)如圖1所示,參數(shù)如表1所示。

由于在動(dòng)力傳動(dòng)過(guò)程中存在轉(zhuǎn)矩的損失,驅(qū)動(dòng)電機(jī)的數(shù)學(xué)模型為:

(1)

(2)

式中：ωmc為驅(qū)動(dòng)電機(jī)輸出轉(zhuǎn)速;v為車速;r為車輪半徑;i為減速器傳動(dòng)比;Tmc為驅(qū)動(dòng)電機(jī)輸出扭矩;f(M)為整車損失扭矩,是車重的函數(shù);Δv為車速瞬時(shí)變化量;Tfd為減速器損失扭矩;Iwh、Ifd為車輪以及減速器的轉(zhuǎn)動(dòng)慣量;Pmc為驅(qū)動(dòng)電機(jī)輸出功率。

動(dòng)力電池組的數(shù)學(xué)模型為

(3)

Ubat=f(SOC)

(4)

Rin=f(SOC)

(5)

式中f(SOC)為SOC的查表函數(shù)。

當(dāng)電池充電時(shí)

(6)

當(dāng)電池放電時(shí)

(7)

式中：SOCbat為電池的電荷初值;n為電池的模塊數(shù);C為電池的容量;Ibat為電池的輸出電流;Ubat為電池的輸出電壓;Rin為電池的內(nèi)阻;Pbat為電池的輸出功率;ηbat為電池的充電效率。

驅(qū)動(dòng)電機(jī)效率圖如圖2所示。

圖2 驅(qū)動(dòng)電機(jī)效率圖

發(fā)動(dòng)機(jī)的數(shù)學(xué)模型為:

T=Tfc+Δωfc·Ifc

(8)

Pfc=f(T,ωfc)

(9)

式中：T為發(fā)動(dòng)機(jī)需求扭矩;Tfc為發(fā)動(dòng)機(jī)輸出扭矩;Δωfc為發(fā)動(dòng)機(jī)轉(zhuǎn)速瞬時(shí)變化量;Ifc為發(fā)動(dòng)機(jī)轉(zhuǎn)動(dòng)慣量;Pfc為發(fā)動(dòng)機(jī)需求功率;f(T,ωfc)為需求功率。發(fā)動(dòng)機(jī)萬(wàn)有特性曲線如圖3所示。

圖3 發(fā)動(dòng)機(jī)萬(wàn)有特性曲線

2 行駛工況識(shí)別

2.1 典型工況的選擇

2.1.1 典型行駛工況的選擇及目標(biāo)值的確定

行駛工況包含車輛行駛的環(huán)境、道路狀況、時(shí)間-速度關(guān)系等特征,具有代表性。

中國(guó)工況速度曲線包括市區(qū)、市郊、高速公路3種。以3種工況為識(shí)別類型,建立工況識(shí)別器,根據(jù)識(shí)別結(jié)果優(yōu)化、匹配能量管理策略參數(shù)。中國(guó)工況速度時(shí)間曲線如圖4所示,市區(qū)工況的區(qū)間為0～304 s,市郊工況的區(qū)間為305～1 197 s,高速公路工況的區(qū)間為1 198～1 800 s。

圖4 工況速度曲線

2.1.2 數(shù)據(jù)取樣

訓(xùn)練樣本的采樣時(shí)間間隔1 s,每100 s為一組數(shù)據(jù),速度區(qū)間可以重合疊加,比如,第一次取1～100 s,第二次取2～101 s以此類推。由于BP網(wǎng)絡(luò)訓(xùn)練需要大量數(shù)據(jù)樣本,速度區(qū)間重復(fù)疊加取樣能夠得到更多訓(xùn)練樣本;使訓(xùn)練樣本覆蓋工況更加全面,提高訓(xùn)練的可靠性。在工況切換時(shí),以兩種工況占有樣本時(shí)間區(qū)間的比例為界限。例如,從市區(qū)工況切換到市郊工況時(shí),當(dāng)有50%及以上速度為市區(qū)工況時(shí),訓(xùn)練識(shí)別為市區(qū)工況,反之為市郊工況。以取樣速度區(qū)間為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本,計(jì)算BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,并測(cè)試訓(xùn)練效果。每種工況數(shù)據(jù)樣本80%做訓(xùn)練樣本,20%做測(cè)試樣本。

2.2 BP神經(jīng)網(wǎng)絡(luò)工況識(shí)別

人工神經(jīng)網(wǎng)絡(luò)(ANN)優(yōu)越性在于一些問(wèn)題的機(jī)理或者數(shù)學(xué)模型難以表示的時(shí)候,ANN是優(yōu)先考慮的方法[15]。BP神經(jīng)網(wǎng)絡(luò)是反饋神經(jīng)網(wǎng)絡(luò),其算法信號(hào)向前傳輸,誤差反向傳輸[16]。每一迭代誤差反向傳輸經(jīng)過(guò)比較,不斷調(diào)整權(quán)系數(shù),直到最優(yōu)的權(quán)系數(shù)。BP神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱含層、輸出層3部分組成,輸入層和輸出層均是單層,隱含層可以是單層也可以是多層[17]。

文中分別使用BP神經(jīng)網(wǎng)絡(luò)和GA-BP進(jìn)行工況識(shí)別,以100 s速度區(qū)間為輸入,電動(dòng)汽車行駛工況類型為輸出,研究?jī)烧咧g的關(guān)系。表2是輸出工況類型與目標(biāo)值。

表2 典型工況及訓(xùn)練目標(biāo)值

神經(jīng)網(wǎng)絡(luò)單神經(jīng)元模型如圖5所示[15]。

圖5 神經(jīng)元模型

以xi(i=1,2,…,n)為輸入,y為輸出,ωi(i=1,2,…,n)為權(quán)值,θ為閾值,f(x)為激活函數(shù),輸入與輸出關(guān)系為

(10)

2.2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在訓(xùn)練時(shí)可以提高精度,但是需要大量的計(jì)算,效率不高,還可能導(dǎo)致過(guò)擬合使網(wǎng)絡(luò)的性能脆弱,泛化能力下降[18]。復(fù)雜的映射關(guān)系可以選擇多隱層,但是三層BP網(wǎng)絡(luò)可以解決大部分問(wèn)題。工況識(shí)別的BP網(wǎng)絡(luò)是對(duì)速度曲線和工況類型訓(xùn)練,單隱層能夠滿足需求。

速度取樣區(qū)間為100 s,輸出入層節(jié)點(diǎn)數(shù)選擇為100個(gè)。神經(jīng)網(wǎng)絡(luò)輸出結(jié)果是工況類型,所以輸出層節(jié)點(diǎn)數(shù)為1。

2.2.2 BP網(wǎng)絡(luò)識(shí)別分析

訓(xùn)練誤差e是理想輸出y與實(shí)際輸出u的差,可以表示訓(xùn)練效果,即

e=u-y

(11)

使用識(shí)別精度進(jìn)一比較GA-BP和BP工況識(shí)別效果。在BP算法中一般使用均方差(E)表示識(shí)別精度,即

(12)

均方差越小,識(shí)別精度越高。

過(guò)少隱含層節(jié)點(diǎn)數(shù)會(huì)降低BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)能力,增加節(jié)點(diǎn)個(gè)數(shù)可以提高精度,但是也會(huì)增加訓(xùn)練時(shí)間甚至導(dǎo)致過(guò)擬合[18]。沒(méi)有統(tǒng)一的表達(dá)式可以算出隱層節(jié)點(diǎn)數(shù),通用的準(zhǔn)則就是,在保證訓(xùn)練精度的情況下盡可能減少節(jié)點(diǎn)個(gè)數(shù)。

結(jié)合驗(yàn)公式和試錯(cuò)法[19]隱含層節(jié)點(diǎn)數(shù)在3～12范圍內(nèi)訓(xùn)練,比較分析并得到使識(shí)別精度最優(yōu)的隱含層節(jié)點(diǎn)數(shù)。由于BP網(wǎng)絡(luò)每次結(jié)果不同,對(duì)不同隱層節(jié)點(diǎn)數(shù)的BP網(wǎng)絡(luò)多次計(jì)算均方差并求平均可以更容易發(fā)現(xiàn)規(guī)律,結(jié)果如圖7所示。

圖7 BP測(cè)試識(shí)別結(jié)果

隨著隱含層節(jié)點(diǎn)數(shù)逐漸增加,均方差總體上不斷減小,當(dāng)節(jié)點(diǎn)數(shù)為8時(shí),均方差達(dá)到最小值,識(shí)別精度最高。節(jié)點(diǎn)數(shù)達(dá)到8以上時(shí),均方差變化值在0.02內(nèi)。綜上,使用BP網(wǎng)絡(luò)工況識(shí)別,隱含層節(jié)點(diǎn)數(shù)為8時(shí),可以達(dá)到最優(yōu)識(shí)別精度。

2.3 GA-BP工況識(shí)別

2.3.1 GA-BP

為了得到最優(yōu)的權(quán)值和閾值,采用遺傳算法優(yōu)化,首先優(yōu)化出較優(yōu)的初始權(quán)值和閾值。應(yīng)用遺傳算法優(yōu)化避免了BP算法收斂速度慢以及局部最優(yōu)情況的缺點(diǎn)。GA-BP工況識(shí)別流程如圖8所示。

圖8 GA-BP工況識(shí)別程序框圖

適應(yīng)度為誤差的函數(shù),表示對(duì)環(huán)境的適應(yīng)能力。以權(quán)值閾值對(duì)應(yīng)BP神經(jīng)網(wǎng)絡(luò)的識(shí)別誤差倒數(shù)的絕對(duì)值為適應(yīng)度,計(jì)算每一代種群個(gè)體適應(yīng)度。

選擇操作通過(guò)輪盤(pán)賭實(shí)現(xiàn)優(yōu)勝劣汰的自然法則,使更優(yōu)的個(gè)體保留下來(lái)的可能性大,但其他個(gè)體也有保留下來(lái)的可能。

為了防止陷入局部最優(yōu)解,變異和交叉是產(chǎn)生新的個(gè)體兩種方法。交叉是提高種群多樣性的主要方式,變異作為輔助方式[20]。變異概率過(guò)大可以提高收斂速度但是很難達(dá)到全局最優(yōu),變異概率在經(jīng)驗(yàn)值0.005～0.1[21]之間選擇,為了達(dá)到全局最優(yōu)并且盡可能提高收斂速度,選擇變異概率0.08。

2.3.2 GA-BP識(shí)別分析

利用GA-BP工況識(shí)別時(shí),對(duì)識(shí)別精度影響較大的參數(shù)是BP神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)和遺傳算法中的交叉概率。同樣采用多次計(jì)算并求平均值方法,得到圖9所示結(jié)果,不同曲線表示不同隱含層節(jié)點(diǎn)數(shù)。

圖9 GA-BP測(cè)試識(shí)別結(jié)果

當(dāng)隱含層節(jié)點(diǎn)數(shù)為8及以上時(shí),識(shí)別精度不滿足要求,圖9中給出節(jié)點(diǎn)數(shù)為3～7的結(jié)果。圖9中,隨著隱含層節(jié)點(diǎn)數(shù)增加,識(shí)別精度逐漸增高,有較明顯的分層。隱含層節(jié)點(diǎn)為3時(shí),識(shí)別精度先增大后減小的趨勢(shì)。當(dāng)交叉概率為0.7,隱含層節(jié)點(diǎn)數(shù)為3時(shí),識(shí)別精度最高。

2.4 工況識(shí)別測(cè)試結(jié)果對(duì)比分析

在識(shí)別工況時(shí)識(shí)別誤差e≤0.1時(shí),認(rèn)為識(shí)別是準(zhǔn)確的,以此計(jì)算識(shí)別正確率。選擇上述最佳參數(shù)的多次計(jì)算中識(shí)別精度最高的情況對(duì)比識(shí)別率、識(shí)別誤差等,比較、分析是否應(yīng)用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)工況識(shí)別的效果,如圖10和表3所示。其中樣本1～25為市區(qū)工況;樣本26～110是市郊工況;樣本111～160是高速公路工況。

圖10 測(cè)試識(shí)別誤差對(duì)比

表3 是否應(yīng)用GA優(yōu)化BP網(wǎng)絡(luò)工況識(shí)別對(duì)比

由圖10和表3可知,未應(yīng)用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)工況識(shí)別較多樣本的輸出值與期望值都存在較大誤差,最大誤差達(dá)到0.695 2;應(yīng)用GA-BP工況識(shí)別期望值與輸出值基本相符,最大誤差只有0.076 8。進(jìn)一步比較不同工況的識(shí)別最大誤差、均方差、識(shí)別率,應(yīng)用GA-BP工況識(shí)別的效果優(yōu)于未應(yīng)用GA優(yōu)化的BP網(wǎng)絡(luò)工況識(shí)別,且GA-BP識(shí)別工況率為99.99%。

3 工況識(shí)別的能量管理策略及優(yōu)化

基于規(guī)則的能量管理策略(Rule-based power management,RB)有易于實(shí)現(xiàn)并且運(yùn)行可靠性高等優(yōu)點(diǎn),本文以CD-CS控制策略為研究對(duì)象,著重研究保證電動(dòng)汽車動(dòng)力性同時(shí)盡可能使用純電動(dòng)驅(qū)動(dòng)模式,減少燃油消耗,以果蠅優(yōu)化算法離線優(yōu)化基于工況識(shí)別下能量管理策略的關(guān)鍵參數(shù)。

3.1 能量管理策略

增程式電動(dòng)汽車有3種驅(qū)動(dòng)模式,動(dòng)力電池驅(qū)動(dòng)的純電動(dòng)模式,電池和增程器混合驅(qū)動(dòng)模式、增程器單獨(dú)驅(qū)動(dòng)且電池充電模式。能量管理策略程序框圖如圖11和表4所示。當(dāng)電動(dòng)汽車起步時(shí),發(fā)動(dòng)機(jī)處于最佳功率工作點(diǎn)。

圖11能量管理策略程序框圖

表4 規(guī)則能量管理策略

電池驅(qū)動(dòng)純電動(dòng)模式:當(dāng)SOC>SOChigh且Pr

電池和增程器雙動(dòng)力混合驅(qū)動(dòng)模式:

當(dāng)SOClow≤SOC≤SOChigh且Plast≤Pr時(shí),雙動(dòng)力混合驅(qū)動(dòng),發(fā)動(dòng)機(jī)在發(fā)動(dòng)機(jī)輸出功率與上一時(shí)刻輸出功率相等。

當(dāng)SOC>SOChigh、Pr≥Pc-max、P≤Pr時(shí),電池和增程器共同驅(qū)動(dòng),發(fā)動(dòng)機(jī)處于最佳功率點(diǎn)。

增程器單獨(dú)驅(qū)動(dòng)且電池充電模式:

當(dāng)SOC

當(dāng)SOClow≤SOC≤SOChigh且Plast>Pr時(shí),增程器單獨(dú)驅(qū)動(dòng),發(fā)動(dòng)機(jī)輸出功率與上一時(shí)刻輸出功率相等,充電的功率為Plast-Pr

當(dāng)SOC>SOChigh、Pr≥Pc-max、P>Pr時(shí),增程器單獨(dú)驅(qū)動(dòng),充電的功率為P-Pr。

其中,SOChigh、SOClow分別為增程式電動(dòng)汽車驅(qū)動(dòng)模式電池SOC上、下限值;Pr為整車驅(qū)動(dòng)需要的功率;Pc-max為電池輸出的最大公率;P為發(fā)動(dòng)機(jī)工作時(shí)最佳功率點(diǎn);Pe為發(fā)動(dòng)機(jī)輸出功率;Plast為發(fā)動(dòng)機(jī)上一秒輸出功率;Pcharge為電池充電功率。

3.2 果蠅算法能量管理策略優(yōu)化模型

3.2.1 優(yōu)化變量

增程器工作開(kāi)關(guān)與動(dòng)力電池組的SOC值有密切關(guān)系,所以選擇SOC上下限值作為優(yōu)化變量如表5所示。電池的SOC初值設(shè)為0.50。

表5 能量管理策略優(yōu)化變量

3.2.2 優(yōu)化目標(biāo)

構(gòu)造代價(jià)函數(shù),以能耗費(fèi)用為優(yōu)化目標(biāo)指數(shù),尋求最優(yōu)能量管理策略參數(shù)。代價(jià)函數(shù)是整個(gè)工況中燃油消耗量以及耗電量的總費(fèi)用。能耗費(fèi)用越低,燃油經(jīng)濟(jì)性越好。建立優(yōu)化函數(shù):

minf(SOClow,SOChigh)=

(13)

式中：f(SOClow,SOChigh)為能耗費(fèi)用;Yfuel、YSOC分別為市場(chǎng)中燃油價(jià)格和用電價(jià)格,Yfuel=7元/L、YSOC=1元/(kW·h)。

3.2.3 優(yōu)化約束

為了保證車輛有足夠的動(dòng)力性和燃油經(jīng)濟(jì)性,建立如下約束條件:

1) 電動(dòng)機(jī)和發(fā)電機(jī)盡可能在高效率區(qū)域工作;

2) 為避免電池過(guò)放電,保證電池壽命,當(dāng)電池SOC值達(dá)到0.2時(shí)停止放電;

3) 電池最大輸出功率為2.5 kW。

3.2.4 果蠅優(yōu)化算法原理

果蠅優(yōu)化算法(FOA)是一種基于果蠅通過(guò)視覺(jué)和嗅覺(jué)覓食行為推演出尋求全局最優(yōu)的新方法。相對(duì)于其他優(yōu)化算法,FOA最大的特點(diǎn)是在坐標(biāo)軸內(nèi)采用橫、縱坐標(biāo)二維搜索,搜索方便簡(jiǎn)潔,且易于實(shí)現(xiàn)。嗅覺(jué)和視覺(jué)共同搜索既可以快速實(shí)現(xiàn)局部最優(yōu),又可以跳出局部最優(yōu),可以較快實(shí)現(xiàn)全局最優(yōu)[22]。

根據(jù)需要優(yōu)化的參數(shù),果蠅優(yōu)化算法步驟如下:

1) 隨機(jī)初始化果蠅群體位置:

(14)

(15)

2) 產(chǎn)生隨機(jī)搜尋方向與距離(利用果蠅個(gè)體的嗅覺(jué)搜索):

(16)

(17)

3) 由于無(wú)法得知食物的位置,先估計(jì)與原點(diǎn)的距離:

(18)

(19)

4)D1i和D2i作為SOC的上下限代入式(13)中,保留味道濃度最高的果蠅(即代價(jià)函數(shù)的最小值)。

5) 重復(fù)上述步驟,迭代尋優(yōu),將f(SOClow,SOChigh)最小值的個(gè)體保存。

4 仿真結(jié)果及分析

為了驗(yàn)證基于GA-BP工況識(shí)別的能量管理策略可以合理分配電動(dòng)汽車驅(qū)動(dòng)模式,改善燃油經(jīng)濟(jì)性,對(duì)增程式電動(dòng)汽車進(jìn)行建模仿真,仿真結(jié)果如圖12～圖17所示。其中,RB是未進(jìn)行工況識(shí)別的規(guī)則能量管理策略,BP-RB是BP工況識(shí)別的能量管理策略,GA-BP-RB是GA-BP工況識(shí)別的能量管理策略。

圖12 SOC變化曲線

圖13 發(fā)動(dòng)機(jī)輸出功率

圖14 發(fā)動(dòng)機(jī)工作點(diǎn)圖

圖15 驅(qū)動(dòng)電機(jī)工作點(diǎn)分布圖

圖16 電池輸出功率

圖17 整車需求功率

由圖12和圖13可知,使用GA-BP工況識(shí)別時(shí),當(dāng)電池電量充足且滿足動(dòng)力需求時(shí),電動(dòng)汽車進(jìn)入純電動(dòng)驅(qū)動(dòng)模式,增程器停止工作,降低油耗。并且增程模式下,SOC值圍繞定值波動(dòng),較好的保證了電池的壽命。圖14和圖15中,驅(qū)動(dòng)電機(jī)和發(fā)動(dòng)機(jī)長(zhǎng)時(shí)間工作在高效區(qū)域內(nèi),提高系統(tǒng)的工作效率。圖13中,在使用GA-BP工況識(shí)別時(shí),在增程器工作時(shí),發(fā)動(dòng)機(jī)大多以定值輸出功率。圖16中,電池首先充電,所以輸出功率為負(fù)。

使用BP工況識(shí)別時(shí),由圖14和圖15可以看出在高效率工作區(qū)域的工作點(diǎn)明顯少于GA-BP工況識(shí)別。發(fā)動(dòng)機(jī)輸出功率、SOC曲線和電池輸出功率與未使用工況識(shí)別類似,所以增程器均長(zhǎng)時(shí)間處于工作狀態(tài),未進(jìn)入純電動(dòng)模式。

進(jìn)一步對(duì)比圖16和圖17可清晰發(fā)現(xiàn),在使用GA-BP工況識(shí)別后電動(dòng)汽車行駛過(guò)程中整車需求功率與電池輸出功率曲線基本吻合,所以電動(dòng)車長(zhǎng)時(shí)間處于純電動(dòng)模式。

使用行駛工況識(shí)別的情況,需要計(jì)算完整運(yùn)行每一種工況的費(fèi)用和。表6所示為使用工況識(shí)別和未使用工況識(shí)別的能耗費(fèi)用對(duì)比。

表6 3種方式能耗費(fèi)用 元

由上述分析可知,只有使用基于GA-BP工況識(shí)別的能量管理策略時(shí),油耗降低電耗增多,總費(fèi)用低于其他兩種。而B(niǎo)P由于充電過(guò)多,油耗增高,所以中費(fèi)用略高。由此可見(jiàn),基于GA-BP工況識(shí)別的能量管理策略合理分配電動(dòng)汽車驅(qū)動(dòng)模式,盡可能使用純電動(dòng)模式,降低燃油消耗。

5 結(jié)論

本文針對(duì)增程式電動(dòng)汽車能量管理策略展開(kāi)研究,建立了增程式電動(dòng)汽車能量管理策略模型,提出基于GA-BP的工況識(shí)別方法,優(yōu)化規(guī)則能量管理策略參數(shù),并通過(guò)仿真進(jìn)行了驗(yàn)證與分析,所得結(jié)論如下:

1) 在BP工況識(shí)別中,隨著隱含層節(jié)點(diǎn)數(shù)增加,識(shí)別精度呈現(xiàn)先增大后減小的趨勢(shì),當(dāng)節(jié)點(diǎn)數(shù)為8時(shí),識(shí)別精度最優(yōu)。

2) 在GA-BP工況識(shí)別中,隨著隱含層節(jié)點(diǎn)數(shù)增加,識(shí)別精度逐漸增高,有較明顯的分層。隱含層節(jié)點(diǎn)為3時(shí),識(shí)別精度先增大后減小的趨勢(shì)。當(dāng)交叉概率為0.7,隱含層節(jié)點(diǎn)數(shù)為3時(shí),識(shí)別精度最高。

3) 基于GA-BP電動(dòng)汽車行駛工況識(shí)別方法識(shí)別率可達(dá)到99.99%,識(shí)別精度優(yōu)于未使用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)工況識(shí)別。

4) 分別與未使用工況識(shí)別能量管理策略、BP工況識(shí)別能量管理策略相比,GA-BP工況識(shí)別的能量管理策略可以合理分配電動(dòng)汽車工作模式,降低燃油消耗,總費(fèi)用低于其他兩種。