基于BP神經(jīng)網(wǎng)絡(luò)的PHEV油耗與排放研究

摘 要：文章以P1+P3結(jié)構(gòu)PHEV為研究對象，設(shè)計了基于BP神經(jīng)網(wǎng)絡(luò)算法的動力匹配控制來提高PHEV的輸出功率、降低排放及優(yōu)化燃油經(jīng)濟性。結(jié)果表明：在山路、城市、高速和郊區(qū)四種路況下進行實車測試，嵌入算法后P1+P3結(jié)構(gòu)PHEV的百公里油耗平均降低了0.61L，CO、CO2、HC、NOX排放分別降低了0.28g/km、0.198g/km、0.813g/km、0.021g/km，排放和燃油經(jīng)濟性均得到改善。

關(guān)鍵詞：PHEV P1+P3結(jié)構(gòu) BP神經(jīng)網(wǎng)絡(luò) 排放 油耗

1 前言

PHEV在續(xù)航里程、維護成本上優(yōu)于純電動汽車，在燃油經(jīng)濟性上優(yōu)于燃油汽車，有利于實現(xiàn)雙碳目標(biāo)[1]。本文以發(fā)動機轉(zhuǎn)速、節(jié)氣門開度、車速、當(dāng)前輸出功率和轉(zhuǎn)矩、擋位以及坡度為BP 神經(jīng)網(wǎng)絡(luò)的輸入層，用于工況識別，以輸出功率、輸出車速、節(jié)氣門開度和轉(zhuǎn)矩為輸出層，來實現(xiàn)PHEV動力參數(shù)的合理匹配，提高綜合性能。BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用在PHEV的變速箱優(yōu)劣性判別[2-3]、發(fā)動機轉(zhuǎn)矩估算[4]、道路坡度預(yù)測、尾氣排放、充電故障、電池荷電狀態(tài)（State of charge，SOC）估算[5-8]等方面。動力匹配是提高汽車傳動效率和響應(yīng)速度的關(guān)鍵，好的動力匹配能改善綜合性能和燃油經(jīng)濟性。

2 P1+P3結(jié)構(gòu)PHEV的動力系統(tǒng)設(shè)計

P1+P3結(jié)構(gòu)PHEV中電機、離合器2與E-CVT結(jié)合構(gòu)建后驅(qū)系統(tǒng)，W-DCT與離合器1、發(fā)動機構(gòu)建前驅(qū)系統(tǒng)。當(dāng)車輛在上坡或者高速行駛時采用前驅(qū)系統(tǒng)；當(dāng)車輛的速度小于60km/h時，采用后驅(qū)模式；當(dāng)車輛在下坡時啟動能量回收模式；當(dāng)車輛在上陡坡時，前驅(qū)和后驅(qū)系統(tǒng)同時工作。

3 基于BP神經(jīng)網(wǎng)絡(luò)的PHEV控制模型構(gòu)建及性能分析

3.1 研究對象描述

本文以中德汽車基地改款后的大眾邁騰GTE 2022款為研究對象，P1+P3結(jié)構(gòu)PHEV的前驅(qū)動力系統(tǒng)采用燃油發(fā)動機、后驅(qū)采用電動機，電機的動力源自電池系統(tǒng)，電機的輸出功率控制取決于電池管理系統(tǒng)和工作模塊的控制。根據(jù)道路環(huán)境分為城市道路、郊區(qū)道路、山路、高速公路四種類型。

3.2 基于BP神經(jīng)網(wǎng)絡(luò)的PHEV動力匹配方案

本文選擇發(fā)動機轉(zhuǎn)速、節(jié)氣門開度、車速、當(dāng)前輸出功率、當(dāng)前轉(zhuǎn)矩、檔位信息、道路信息這些特征參數(shù)用于BP神經(jīng)網(wǎng)絡(luò)的輸入層，實時功率、車速、轉(zhuǎn)矩、節(jié)氣門開度為隱含層，輸出功率、輸出車速、節(jié)氣門開度以及轉(zhuǎn)矩為輸出層。

3.3 模型構(gòu)建及參數(shù)確定

P1+P3結(jié)構(gòu)PHEV的模型設(shè)計包括前驅(qū)、后驅(qū)、電池系統(tǒng)和傳動系統(tǒng)四個方面的模型設(shè)計。

3.3.1 前驅(qū)動力模型和發(fā)動機參數(shù)

PHEV的前驅(qū)動力主要由發(fā)動機提供，發(fā)動機的輸出功率取決于位于車輛前面的發(fā)動機的目標(biāo)轉(zhuǎn)矩、目標(biāo)輸出功率、燃油效率，直接體現(xiàn)為發(fā)動機輸出的扭矩和扭矩加速度、轉(zhuǎn)速加速度。對發(fā)動機的輸出扭矩和燃油消耗進行數(shù)學(xué)模擬與實驗驗證，預(yù)測發(fā)動機的瞬時形態(tài)，發(fā)動機的轉(zhuǎn)矩和油耗預(yù)測如公式1和公式2所示。

（1）

其中，為時刻發(fā)動機的輸出扭矩，單位為N.m，和分別是最小和最大輸出扭矩，是節(jié)氣門的開度閾值，取值區(qū)間，和是轉(zhuǎn)速函數(shù)，可以通過查表獲得，其中是發(fā)動機的轉(zhuǎn)速，可以通過轉(zhuǎn)速表的值獲取，其燃油消耗滿足式3-2。

（2）

其中，耗油質(zhì)量，單位g，為查表函數(shù)，依據(jù)發(fā)動機的轉(zhuǎn)矩和轉(zhuǎn)速來確定發(fā)動機的實時燃油消耗。

3.3.2 后驅(qū)動力和電控系統(tǒng)

PHEV的后驅(qū)動力主要由電池驅(qū)動電機完成機械能和電能的轉(zhuǎn)化。電機建模以電壓、轉(zhuǎn)矩和功率的平衡方程及運行特性方程為數(shù)據(jù)基礎(chǔ)，電機模型的計算主要包括溫度、轉(zhuǎn)矩及輸出特性。

式中為電機的轉(zhuǎn)矩控制指令，為最大轉(zhuǎn)矩，是溫度變量，其中為電機溫度修正系數(shù)，為溫度常數(shù)，當(dāng)電機轉(zhuǎn)速中的最大扭矩。電機最大、最小電流分別為、，單位為A，電機溫度函數(shù)、功率和電流。

式中，和分別是扭矩和轉(zhuǎn)速，為實時電壓。

3.3.3 電池參數(shù)

電池模型包括電壓計算模塊、SOC計算模塊和溫度計算模塊，模型的輸入和輸出分別為負(fù)載電流和電池SOC值、電壓U、功率、電池溫度，預(yù)測如公式8所示的電池輸出功率。

其中，為充電熱速率系數(shù)，取值范圍為1.02～1.39，為電池內(nèi)阻，單位為Ω，：充電，：放電，電池充電過程中既然產(chǎn)生熱量那就會存在散熱情況，電池的空氣散熱量如3-10所示，為電池的散熱量，、和分別為電池的溫度、常溫、電池的熱阻。

3.4 動力匹配方案

P1+P3結(jié)構(gòu)PHEV系統(tǒng)中，離合器有全連接、半離合（半聯(lián)動）和全分開三種狀態(tài)。離合器在全合狀態(tài)下，輸入輸出轉(zhuǎn)矩、轉(zhuǎn)速相等，轉(zhuǎn)速和轉(zhuǎn)矩等值傳遞。其中，為離合器行程，單位：，為離合器的最大轉(zhuǎn)矩，單位為。

3.4.1 油電轉(zhuǎn)換模塊切換模式

油電轉(zhuǎn)換模塊根據(jù)加速模塊改變運行模式并將其運行模式反饋給綜合控制模塊，綜合控制模塊控制變速器輪速的變化，輪速控制會將輪速的變化反饋給電機控制，時鐘脈沖根據(jù)發(fā)動機和電機的轉(zhuǎn)速改變頻率并反饋給電機控制，以便電機輸出合理的轉(zhuǎn)矩和功率。BP神經(jīng)網(wǎng)絡(luò)根據(jù)加速模塊和綜合控制模塊匹配合理匹配發(fā)動機、電機的扭矩和功率，以便提高整車動力性能，降低油耗和排放。

3.4.2 發(fā)動機控制

發(fā)動機輸出轉(zhuǎn)矩能快速響應(yīng)目標(biāo)需求轉(zhuǎn)矩，當(dāng)發(fā)動機控制器接收到目標(biāo)需求轉(zhuǎn)矩后，通過PID控制方法把目標(biāo)轉(zhuǎn)矩信號轉(zhuǎn)化成相應(yīng)的節(jié)氣門開度信號，調(diào)整節(jié)氣門開度來實現(xiàn)發(fā)動機當(dāng)前轉(zhuǎn)矩向目標(biāo)轉(zhuǎn)矩的改變。

3.4.3 電機控制

電機的輸出轉(zhuǎn)矩通過PWM脈寬調(diào)制件對驅(qū)動電機的電壓進行調(diào)整，同時增加一個速度環(huán)進行調(diào)節(jié)，通過控制實際轉(zhuǎn)速和與目標(biāo)轉(zhuǎn)速的差進行控制。

3.4.4 離合器控制

離合器控制模塊的信息來自駕駛者的操作識別信號、路況信息、目標(biāo)轉(zhuǎn)矩和實際轉(zhuǎn)矩等信息，電子式離合器的傳動擬合基本由電磁場的強度來確定，當(dāng)電壓和電流同時增大時，發(fā)動機的工作效率在逐步上升。目標(biāo)轉(zhuǎn)矩與實時轉(zhuǎn)矩的比例增大時，降低擋位，增大電磁離合器的電流，加大主動盤和從動盤之間的嚙合力度，傳動力矩增大。

（10）

其中，和分別是主動盤和從動盤的半徑，為發(fā)動機在t時刻的工作效率，為主動盤和從動盤的轉(zhuǎn)速差值，前驅(qū)主離合器的摩擦系數(shù)，為t時刻前驅(qū)系統(tǒng)離合器的壓力、是前驅(qū)離合器的有效作用面積，為前驅(qū)從離合器的摩擦系數(shù)。

4 基于BP神經(jīng)網(wǎng)絡(luò)的PHEV運行結(jié)果分析

所采用的PHEV車長4627mm，寬1819mm，高1805mm，當(dāng)PHEV處于長時間減速時，提供輔助制動功率，給電池組回收更多的電能；同時，測試時間是PHEV從0Km/h到100Km/h的加速時間，當(dāng)車輛在60Km/h以內(nèi)，采用電機驅(qū)動，采用后驅(qū)控制模塊；當(dāng)車速高于60Km/h時采用發(fā)動機進行驅(qū)動，此時調(diào)用前驅(qū)系統(tǒng)控制模塊。

4.1 不同路況下發(fā)動機性能分析

通過使用循環(huán)駕駛試驗工況模擬車輛的實際工況，P1+P3結(jié)構(gòu)PHEV的實際輸出功率和目標(biāo)輸出功率測試如圖３所示，其曲線趨勢變化基本一致，方法有效。

4.2 燃油與排放測試

經(jīng)實車測試，嵌入算法和不嵌入算法的結(jié)果如表1所示：在百公里油耗和排放上均有所下降。

5 結(jié)論

基于神經(jīng)網(wǎng)絡(luò)的動力匹配控制方法與P1+P3結(jié)構(gòu)PHEV體系結(jié)構(gòu)相結(jié)合得到新的PHEV驅(qū)動系統(tǒng)，在四種道路的實車驗證中，百公里油耗平均降低0.61L，CO、CO2、HC、NOX排放分別降低了0.28g/km、0.198g/km、0.813g/km、0.021g/km，排放和燃油經(jīng)濟性均得到改善。

基金項目：2022年邵陽學(xué)院研究生科研創(chuàng)新項目“插電式混合動力汽車能源管理與動力匹配方案研究”（項目編號：CX2022SY047）。

參考文獻：

[1]倪潤宇，趙治國，高曉杰.新型插電式混合動力轎車能量管理策略優(yōu)化[J].同濟大學(xué)學(xué)報（自然科學(xué)版），2019，47（S1）：104-109.

[2]楊正才，黃兵鋒.基于BP神經(jīng)網(wǎng)絡(luò)的汽車變速箱試驗臺開發(fā)與試驗研究[J].機械傳動，2014，38（05）：81-85.

[3]杜常清，顏伏伍，楊平龍，等.基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)動機轉(zhuǎn)矩估計[J].汽車工程，2008（07）：588-591.

[4]陳柯序，李海波，趙小娟，等.基于BP神經(jīng)網(wǎng)絡(luò)的純電動汽車動力傳動系統(tǒng)效率建模及分析[J].機械設(shè)計與研究，2021，37（05）：180-185.

[5]趙鋼，孫豪賽，羅淑貞.基于BP神經(jīng)網(wǎng)絡(luò)的動力電池SOC估算[J].電源技術(shù)，2016，40（04）：818-819.

[6]付主木，趙瑞.PHEV電池電荷狀態(tài)估計設(shè)計及仿真[J].火力與指揮控制，2013，38（04）：140-144.

[7]張傳偉，李林陽，趙東剛.基于BP神經(jīng)網(wǎng)絡(luò)法估算動力電池SOC[J].電源技術(shù)，2017，41（09）：1356-1357+1368.

[8]蘇振浩，李曉杰，秦晉，等.基于BP人工神經(jīng)網(wǎng)絡(luò)的動力電池SOC估算方法[J].儲能科學(xué)與技術(shù)，2019，8（05）：868-873.