楊世春,朱傳高,高 瑩,李 君

(吉林大學(xué),汽車(chē)動(dòng)態(tài)模擬國(guó)家重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)春 130022)

前言

混合動(dòng)力汽車(chē)控制策略主要解決的問(wèn)題是發(fā)動(dòng)機(jī)和電機(jī)的轉(zhuǎn)矩分配以及對(duì)電池SOC的控制,以實(shí)現(xiàn)發(fā)動(dòng)機(jī)和電機(jī)的有效工作,在保證車(chē)輛動(dòng)力性的前提下,達(dá)到節(jié)能、環(huán)保的目的。近年來(lái),模糊控制在混合動(dòng)力汽車(chē)控制策略中得到廣泛應(yīng)用[1-3],利用模糊控制器實(shí)現(xiàn)混合動(dòng)力汽車(chē)的轉(zhuǎn)矩分配,取得良好的控制效果。但是由于缺乏知識(shí)采集的手段,沒(méi)有規(guī)范及合理的建立方式,模糊控制器的隸屬度函數(shù)和模糊控制規(guī)則的選取和優(yōu)化通常尚須依賴于操作者或?qū)＜业慕?jīng)驗(yàn)。

本文中設(shè)計(jì)了某混合動(dòng)力汽車(chē)的模糊邏輯轉(zhuǎn)矩控制器,利用遺傳算法對(duì)該控制器進(jìn)行優(yōu)化,最后通過(guò)仿真驗(yàn)證了優(yōu)化結(jié)果的有效性。

1 模糊邏輯轉(zhuǎn)矩控制器設(shè)計(jì)

圖1為所研究的雙離合器單軸轉(zhuǎn)矩耦合并聯(lián)式混合動(dòng)力總成結(jié)構(gòu)圖,它包括:發(fā)動(dòng)機(jī)、兩個(gè)離合器、電動(dòng)機(jī)/發(fā)電機(jī)、自動(dòng)變速器和動(dòng)力電池組。其主要部件及參數(shù)如表 1所示。

表1 系統(tǒng)主要部件及參數(shù)

1.1 模糊邏輯轉(zhuǎn)矩控制器設(shè)計(jì)

本文中研究的并聯(lián)混合動(dòng)力總成主要?jiǎng)恿?lái)自發(fā)動(dòng)機(jī),電機(jī)為輔助動(dòng)力。在設(shè)計(jì)控制策略時(shí)要盡可能使發(fā)動(dòng)機(jī)在最優(yōu)曲線上運(yùn)行,只有當(dāng)電機(jī)輸出轉(zhuǎn)矩及電池SOC不足或過(guò)高而不能滿足整車(chē)需求轉(zhuǎn)矩時(shí),發(fā)動(dòng)機(jī)才偏離最優(yōu)曲線運(yùn)行,同時(shí)盡可能使電機(jī)高效工作,電池SOC在合理區(qū)間內(nèi)變化。

根據(jù)上述設(shè)計(jì)目標(biāo)和發(fā)動(dòng)機(jī)效率的高低,確定模糊轉(zhuǎn)矩控制器的輸入變量為:整車(chē)需求轉(zhuǎn)矩 Tr與當(dāng)前車(chē)速下發(fā)動(dòng)機(jī)最佳效率轉(zhuǎn)矩Te_opt的比值p和動(dòng)力電池的SOC,而模糊轉(zhuǎn)矩控制器的輸出變量為發(fā)動(dòng)機(jī)的轉(zhuǎn)矩系數(shù)r。發(fā)動(dòng)機(jī)的轉(zhuǎn)矩輸出按下式確定: Te=r×Te_opt。然后對(duì)由模糊控制器得到的發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩進(jìn)行調(diào)整,Te＜Te_min時(shí),Te=0,Tm=Tr; Te＞Te_max時(shí),Te=Te_max,Te+Tm=Tr,其中Te_opt、Te_max和 Te_min分別為發(fā)動(dòng)機(jī)最佳效率轉(zhuǎn)矩、最大轉(zhuǎn)矩和關(guān)閉轉(zhuǎn)矩。

模糊轉(zhuǎn)矩控制器框圖如圖 2所示,通過(guò)轉(zhuǎn)矩識(shí)別確定駕駛員的需求轉(zhuǎn)矩,與SOC同為輸入,經(jīng)模糊控制器后,再由轉(zhuǎn)矩調(diào)整分別得到發(fā)動(dòng)機(jī)轉(zhuǎn)矩和電機(jī)轉(zhuǎn)矩。

1.2 模糊規(guī)則的選取

為使模糊邏輯轉(zhuǎn)矩控制器能覆蓋所有的工況,混合動(dòng)力汽車(chē)需要有多種運(yùn)行模式,因而將整車(chē)需求轉(zhuǎn)矩 Tr與當(dāng)前車(chē)速下發(fā)動(dòng)機(jī)的最優(yōu)曲線轉(zhuǎn)矩Te_opt的比值p,分成5個(gè)模糊子集:NB、NS、OK、PS、PB,其論域確定為[-1.5,1.6]。根據(jù)SOC的范圍把它也分成5個(gè)模糊子集:z1、z2、z3、z4、z5,其論域?yàn)閇0,1]。發(fā)動(dòng)機(jī)的轉(zhuǎn)矩系數(shù) r也分為 5個(gè)模糊子集:A1、A2、A3、A4、A5,共論域?yàn)閇0,1.6]。p、SOC和r值各個(gè)隸屬度函數(shù)[3-4]如圖 3所示,輸入語(yǔ)言變量和輸出語(yǔ)言變量采用梯形和三角形的隸屬度函數(shù)。

在模糊推理中,與(AND)運(yùn)算采用取小,蘊(yùn)涵運(yùn)算采用Mamdani方法,結(jié)論合成采用累加法,非模糊化則采用面積重心法,建立相應(yīng)的隸屬函數(shù)和模糊規(guī)則。

2 遺傳算法優(yōu)化模糊控制器

由于模糊控制器本身的特點(diǎn),基于專家經(jīng)驗(yàn)建立的模糊控制隸屬函數(shù)不能實(shí)現(xiàn)其最優(yōu)的控制,因此利用遺傳算法,對(duì)前面設(shè)計(jì)的混合動(dòng)力汽車(chē)模糊控制器的隸屬函數(shù)進(jìn)行優(yōu)化[5]。

并聯(lián)式混合動(dòng)力參數(shù)優(yōu)化是一個(gè)典型的非線性約束優(yōu)化問(wèn)題,可表述為

其中優(yōu)化目標(biāo)函數(shù)f(x)為混合動(dòng)力系統(tǒng)的油耗和排放,約束條件gi(x)為一組非線性不等式,表示車(chē)輛的動(dòng)力性能指標(biāo)。優(yōu)化設(shè)計(jì)變量為混合動(dòng)力轉(zhuǎn)矩分配控制器的控制參數(shù),其上下限為]。

2.1 初始種群生成

圖 4為模糊變量的模糊劃分和各模糊子集的隸屬度函數(shù)[6],用 x1、x2、x3、x4、x5、x6、x7表示隸屬函數(shù)各個(gè)劃分點(diǎn)。因?yàn)檩斎胼敵隽康哪：`屬函數(shù)都要進(jìn)行編碼,所以由此生成一個(gè)長(zhǎng)度為 21的一維十進(jìn)制矩陣x1～x7,x8～x14,x15～x21,依次表示對(duì)p、SOC和r的隸屬函數(shù)劃分點(diǎn)。

初始種群由n個(gè)染色體組成,每個(gè)染色體的各位數(shù)字都是 0或 1的二進(jìn)制數(shù),在對(duì)模糊函數(shù)定義時(shí),每一個(gè)劃分點(diǎn)為十進(jìn)制數(shù),考慮編碼精度,使每一個(gè)變量的編碼精度不大于 0.1,定義每個(gè)十進(jìn)制數(shù)用 5位二進(jìn)制數(shù)來(lái)表示。這樣每個(gè)染色體的長(zhǎng)度就是21×5=105。

在運(yùn)算過(guò)程中,須將生成初始群體轉(zhuǎn)換為模糊控制器可識(shí)別的數(shù)據(jù),即將二進(jìn)制數(shù)轉(zhuǎn)換為十進(jìn)制數(shù)。由于每位的二進(jìn)制數(shù)隨機(jī)生成,在轉(zhuǎn)換成為十進(jìn)數(shù) x1～x7,x8～x14,x15～x21時(shí),不能保證 x1到 x7是增序排列。所以在完成十進(jìn)制轉(zhuǎn)換后,應(yīng)對(duì)生成的數(shù)字串進(jìn)行再排序。x1～x7、x8～x14、x15～x21分別表示不同輸入、輸出變量隸屬函數(shù)的劃分點(diǎn),由于各變量論域不同,所以在進(jìn)行十進(jìn)制轉(zhuǎn)換時(shí)對(duì)不同變量分別進(jìn)行轉(zhuǎn)換。

2.2 適應(yīng)度函數(shù)

選取控制系統(tǒng)的目標(biāo)函數(shù)作為原始適應(yīng)度函數(shù),而選取混合動(dòng)力汽車(chē)整個(gè)循環(huán)的油耗和排放為目標(biāo)函數(shù)值[7-8],分別以不同的權(quán)重來(lái)表示優(yōu)化目標(biāo),建立目標(biāo)函數(shù)為

式中:x為每一個(gè)染色體所對(duì)應(yīng)的序號(hào);FC、HC、NOx、CO分別為發(fā)動(dòng)機(jī)油耗和排放值;w1、w2、w3、w4分別為FC、HC、NOx、CO的權(quán)重值分別為各個(gè)參數(shù)所要優(yōu)化的目標(biāo)值;TDC為整個(gè)駕駛循環(huán)時(shí)間。用積分計(jì)算整個(gè)駕駛循環(huán)下的各目標(biāo)值。

為使遺傳算法能夠用來(lái)優(yōu)化模糊控制隸屬函數(shù),須確定遺傳操作中的適應(yīng)度函數(shù)。由式(2)可以看出,目標(biāo)函數(shù)值越小,表明結(jié)果越接近最優(yōu)。但在遺傳算法選擇操作中,適應(yīng)度值越大的個(gè)體越有機(jī)會(huì)遺傳到下一代。在此,對(duì)目標(biāo)函數(shù)值進(jìn)行排序,通過(guò)遺傳工具箱ranking函數(shù)將每個(gè)目標(biāo)函數(shù)值分配到適應(yīng)度函數(shù),以使最小的目標(biāo)函數(shù)值對(duì)應(yīng)到最大的適應(yīng)度函數(shù)值。

2.3 運(yùn)行參數(shù)設(shè)定

遺傳算法中需要選擇的運(yùn)行參數(shù)主要有個(gè)體編碼串長(zhǎng)度l、群體大小M、交叉概率 Pc、變異概率Pm和終止代數(shù)n等,如表2所示。

表2 運(yùn)行參數(shù)

2.4 約束條件

(1)SOC值的約束

在進(jìn)行適應(yīng)度值計(jì)算時(shí),如果以混合動(dòng)力系統(tǒng)的經(jīng)濟(jì)性作為優(yōu)化目標(biāo),適應(yīng)度函數(shù)中只包含油耗參數(shù)一項(xiàng)。油耗在動(dòng)力系統(tǒng)整個(gè)循環(huán)完成后計(jì)算。如果不對(duì)電池的SOC值進(jìn)行約束,優(yōu)化結(jié)果很容易出現(xiàn)SOC值在循環(huán)結(jié)束后為0的情況。

在此,對(duì)SOC在循環(huán)開(kāi)始和結(jié)束的差值ΔSOC進(jìn)行限制,使ΔSOC≤0.03。

(2)模糊控制器約束

在完成十進(jìn)制轉(zhuǎn)換后,x1～x7、x8～x14和 x15～x21中的最大值不得大于所對(duì)應(yīng)變量論域的最大值,其最小值不得小于所對(duì)應(yīng)變量論域的最小值。

(3)動(dòng)力性約束

表3為動(dòng)力性約束條件,其中Δtrace為仿真過(guò)程中,實(shí)際車(chē)速與測(cè)試循環(huán)要求車(chē)速的差值。

表3 動(dòng)力性能約束條件

3 仿真結(jié)果分析

3.1 NEDC循環(huán)下以經(jīng)濟(jì)性為目標(biāo)的優(yōu)化

僅以經(jīng)濟(jì)性能為優(yōu)化目標(biāo)時(shí),將式(2)中的權(quán)重值 w1定義為 1,其余都取 0。確定遺傳算法運(yùn)行參數(shù)后,在Matlab/Simulink環(huán)境下進(jìn)行仿真計(jì)算。

圖5為遺傳算法優(yōu)化過(guò)程目標(biāo)函數(shù)值的收斂曲線,由此確定了在第 80代中最優(yōu)結(jié)果,并確定了優(yōu)化后的模糊隸屬函數(shù),如圖 6所示。

將優(yōu)化后的結(jié)果重新在ADVISOR中進(jìn)行仿真計(jì)算,得出并聯(lián)式混合動(dòng)力系統(tǒng)各工作參數(shù)的圖表,并與優(yōu)化前的情況進(jìn)行比較,如圖 7～圖 10所示。由圖7(a)和圖7(b)中可以看出,優(yōu)化前后SOC值在整個(gè)循環(huán)過(guò)程中變動(dòng)不超過(guò)±0.005,滿足對(duì)SOC控制的要求。由圖8(a)、圖8(b)和圖9(a)、圖9 (b)中可以看出,電動(dòng)機(jī)的工作效率有提高,發(fā)動(dòng)機(jī)工作點(diǎn)明顯向所設(shè)定的發(fā)動(dòng)機(jī)工作最優(yōu)化曲線(圖10)靠近。表 4為模糊控制策略與遺傳算法優(yōu)化仿真結(jié)果。由表 4可知,在利用遺傳算法經(jīng)濟(jì)性優(yōu)化后,并聯(lián)式混合動(dòng)力系統(tǒng)的油耗可降低 4.57%,動(dòng)力性基本沒(méi)有變化,但CO和NOx的排放都有提高。

表4 仿真結(jié)果對(duì)比

3.2 多目標(biāo)優(yōu)化結(jié)果分析

根據(jù)式(2),兼顧經(jīng)濟(jì)性和排放性,設(shè)定權(quán)重為w1=w2=w3=w4=0.25,在NEDC循環(huán)下,利用遺傳算法進(jìn)行優(yōu)化。

確定適應(yīng)度函數(shù)后,根據(jù)上述確定遺傳算法運(yùn)行參數(shù),在Matlab/Simulink環(huán)境下進(jìn)行仿真計(jì)算。

圖11為遺傳算法優(yōu)化過(guò)程目標(biāo)函數(shù)值的收斂曲線,優(yōu)化后的模糊隸屬函數(shù)如圖 12所示。

將優(yōu)化后的結(jié)果重新在ADVISOR中進(jìn)行仿真計(jì)算,得出并聯(lián)式混合動(dòng)力系統(tǒng)各工作參數(shù)的圖表,并與優(yōu)化前的情況進(jìn)行比較,如圖7～圖9所示。由圖7(a)和圖7(c)中可以看出,優(yōu)化前后SOC初值和終值變動(dòng)不大,滿足控制要求。由圖 8(a)、圖8(c)和圖9(a)、圖9(c)可見(jiàn),發(fā)動(dòng)機(jī)工作點(diǎn)在低轉(zhuǎn)速下明顯下移,移向燃油效率較高的區(qū)域。同時(shí),對(duì)照NEDC測(cè)試循環(huán)和SOC曲線,在低速時(shí),發(fā)動(dòng)機(jī)關(guān)閉,完全由電機(jī)來(lái)驅(qū)動(dòng)車(chē)輛,在中低速時(shí),發(fā)動(dòng)機(jī)驅(qū)動(dòng)車(chē)輛,工作點(diǎn)趨近于最佳轉(zhuǎn)矩曲線,并且多余轉(zhuǎn)矩向電池充電。在加速和高速工況時(shí),發(fā)動(dòng)機(jī)和電機(jī)同時(shí)驅(qū)動(dòng)車(chē)輛。

由表 4可知,在利用遺傳算法多目標(biāo)優(yōu)化后,并聯(lián)式混合動(dòng)力系統(tǒng)的動(dòng)力性略有降低,油耗降低3.65%,排放參數(shù)中HC、CO和NOx都有明顯降低。

4 結(jié)論

(1)設(shè)計(jì)了雙離合器單軸轉(zhuǎn)矩耦合并聯(lián)混合動(dòng)力汽車(chē)轉(zhuǎn)矩分配模糊控制策略,針對(duì)建立在專家經(jīng)驗(yàn)基礎(chǔ)上的模糊控制不能實(shí)現(xiàn)最優(yōu)控制的問(wèn)題,采用遺傳算法實(shí)現(xiàn)轉(zhuǎn)矩分配模糊控制器的優(yōu)化。

(2)在NEDC循環(huán)下,應(yīng)用遺傳算法,在只考慮經(jīng)濟(jì)性條件下對(duì)模糊控制策略進(jìn)行優(yōu)化,油耗可以降低4.57%,但CO和NOx的排放都有提高。

(3)在NEDC循環(huán)下,應(yīng)用遺傳算法,綜合考慮經(jīng)濟(jì)性和排放性能的多目標(biāo)控制策略優(yōu)化,油耗可以降低3.65%,同時(shí)可以實(shí)現(xiàn)排放的降低。

[1] Lin Chan-Chiao,Peng Huei,Grizzle JW.Power Management Strategy for a Parallel Hybrid Electric Truck[C].Proceedings of the 2002 Mediterranean Control Conference,Lisbon,Portugal, July,2002.

[2] 彭?xiàng)?殷承良,張建武.基于模糊控制的并聯(lián)式混合動(dòng)力汽車(chē)制動(dòng)控制系統(tǒng)[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版),2007(4):756-761.

[3] Schouten Niels J,Salman Mutasim A,Kheir Naim A.Energy Management Strategies for Parallel Hybrid Vehicles Using Fuzzy Logic[J].Control Engineering Practice,2003(11):171-177.

[4] 童毅,張俊智,歐陽(yáng)明高.混合動(dòng)力汽車(chē)扭矩管理策略[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2003(8):33-36.

[5] Jin Yaochu,et al.Neural Network Based Fuzzy Identification and Its Application to Modeling and Control of Complex Systems[J]. IEEE Trnas.On Systmes,Man,and Cybernetics,1995,26(6): 990-997.

[6] Goldberg D E.Genetic Algorithms in Search Optimization＆Machine Learning.Reading[M].MA.Addison Wesley Publishing, 1989.

[7] Amir Poursamad,Morteza Montazeri.Deisgn of Genetic-fuzzy Control Strategy for Parallel Hybrid Electric Vehicles[J].ControlEngineering Practice,2008,16:861-873.

[8] Antonio Picclo,Lucio Ippolito,Vincen zo Galdi,etal.Optim ization of Energy Flow Management in Hybrid Electric Vehicles via Genetic Algorithms[C].2001 IEEE/ASME International Conference on Advanced Intelligent Mechatronics Proceedings 8-12, July 2001,Como,Italy.