馬 堯，張 偉，王新樹

（合肥工業(yè)大學 機械與汽車工程學院，安徽 合肥 230009）

在傳統(tǒng)汽車帶來的能源危機和環(huán)境污染問題越來越嚴重的背景下，新能源汽車得到了世界各國越來越廣泛的重視。但純電動汽車卻存在續(xù)駛里程短、成本高等缺點，影響了其產(chǎn)業(yè)化進程[1]。

增程式電動車安裝有可增加續(xù)駛里程的增程單元（包括發(fā)動機和ISG電機），可在電池虧電時與動力電池組一起為車輛提供動力。增程式電動車在很大程度上彌補了純電動汽車的不足，同時也具備電動車輛的各種優(yōu)點，具有很好的產(chǎn)業(yè)化前景。在確定好整車各部件參數(shù)后，增程式電動車控制策略的優(yōu)劣成為影響整車燃油經(jīng)濟性的一個重要因素，因此有必要對控制策略的關鍵參數(shù)進行優(yōu)化，以改善整車的燃油經(jīng)濟性。

蟻群算法是一種仿生類優(yōu)化算法，是由意大利學者M.Dorigo等人首先提出來的[2]。通過模擬蟻群在覓食過程中發(fā)現(xiàn)覓食最佳路徑的搜索機制的一種優(yōu)化算法。蟻群算法具有很好的魯棒性，同時易獲得全局最優(yōu)解。因此文中使用蟻群算法對某增程式電動中巴車控制策略的關鍵參數(shù)進行優(yōu)化，以期改善車輛的燃油經(jīng)濟性。

1 優(yōu)化目標和約束條件

增程控制策略中目前應用較多的有恒溫器控制和功率跟隨控制策略。恒溫器控制因發(fā)動機工作點是固定的，可以一直工作在較經(jīng)濟的點，其燃油經(jīng)濟性相比較而言較好，因此文中選用恒溫器控制策略來控制增程單元[3-4]。

1.1 優(yōu)化變量和優(yōu)化目標

恒溫器控制中，當 SOC降低到一個較低值SOCmin時，就會啟動發(fā)動機和增程發(fā)電機，為整車提供動力。然而增程器工作時能量傳遞的環(huán)節(jié)較多，且發(fā)動機效率一般較低，其工作效率一般低于直接使用電池中的電能，因此增程單元工作一段時間后，電池電量若回升到一個較高值SOCmax，控制器就會關停增程發(fā)動機。SOCmin和SOCmax的參數(shù)選擇是否合適對整車的燃油經(jīng)濟性影響較大，因此將這兩個參數(shù)作為優(yōu)化變量。

優(yōu)化是為了減少車輛的油耗，提高燃油經(jīng)濟性，而在不同的工況下，車輛的經(jīng)濟性能差別很大。文中采用連續(xù)的10個NEDC循環(huán)作為衡量車輛經(jīng)濟性的仿真工況，并以此為優(yōu)化目標。

1.2 約束條件

本次優(yōu)化的約束主要是來自設計目標對整車動力性能的要求，即

式中，Pspeed（v）為保證車輛最高車速要求所需的功率；Pi（v）為保證車輛爬坡度要求所需的功率；Pacc（v）為保證車輛加速性能要求所需的功率；η為傳動系統(tǒng)效率；Pemax為增程單元的最大功率；Pbmax為電池能提供的最大功率。

2 蟻群算法

基本蟻群算法一般包括兩個階段，即適應階段和協(xié)作階段。適應階段時，通過不斷積累信息，算法會對各候選解進行結(jié)構(gòu)調(diào)整，此時，各路徑上，若經(jīng)過的螞蟻越多，信息量就越大，這條路徑就越容易被算法選擇；在協(xié)作階段，各候選解之間則會通過信息交流以產(chǎn)生更優(yōu)的解。實際上，蟻群算法是一種智能多主體系統(tǒng)，得利于其自組織機制，其不需要對問題的各個方面都有詳盡的了解，這使其能具有較廣的應用范圍。其邏輯結(jié)構(gòu)如圖所示[5]。

為了便于應用蟻群算法對增程控制策略進行優(yōu)化，在基本算法的基礎上，參考相關文獻，總結(jié)出如下流程的優(yōu)化算法。

設優(yōu)化變量需要精確到 d，則將其分為 d+2層，分層進行優(yōu)化。每完成一層的尋優(yōu)后，螞蟻向下一層前進，并且螞蟻只能向較高的層前進，不能返回較低的層，用k來表示層數(shù)。

首先需要初始化各路徑的信息素，并將所有螞蟻的第一步都置為0。然后對螞蟻的前進路徑進行選擇，節(jié)點i的第n只螞蟻下一跳的目標節(jié)點j的選擇規(guī)則為

式中，q是隨機數(shù)；Q0是一個[0，1]上的常數(shù)；為殘留信息量；Sr表示需要按照式（3）來計算使用輪盤選擇法選擇去下一層中的城市所需的概率[6]。

式中，P（i，j）表示螞蟻從節(jié)點 i轉(zhuǎn)移到節(jié)點j的概率。

螞蟻在路徑上經(jīng)過后都需要對路徑上的殘留信息按式（4）進行局部更新。

式中，ρ 為（0，1）上一常數(shù)；τ0為一較小的值，用于初始化。

當各只螞蟻都按上述步驟完成循環(huán)后，就需要對路徑上的信息進行全局更新。首先計算出各只螞蟻對應的能量消耗量B（x）后，選擇出能量消耗最少的螞蟻 nmin，并對這只螞蟻的路徑按式（5）進行全局更新[6]。

式中，a為nmin在第k-1層的節(jié)點；b為nmin在第k層的節(jié)點；α 為（0，1）上的常數(shù)。

3 仿真模型建立

優(yōu)化對象為某增程式電動中巴車，其整車主要參數(shù)如表1所示。

表1 整車主要參數(shù)

其它相關參數(shù)，如驅(qū)動電機的效率曲線、發(fā)動機萬有特性曲線以及增程發(fā)電機參數(shù)等不在此列出。

為了方便仿真計算，利用上述參數(shù)在車輛動力性和經(jīng)濟性計算軟件CRUISE中建立整車模型，如圖2所示。

4 仿真結(jié)果分析

根據(jù)上文提到的蟻群算法流程，在 Matlab/Simulink中編寫M文件，并設置算法參數(shù)：螞蟻只數(shù)設為30只；Q0設為0.8；ρ設為0.8；τ0設為0.01；α 設為0.8。

按照設計經(jīng)驗將SOCmin的初始值設為30%，SOCmax的初始值設置為50%，在此初始值基礎上對優(yōu)化變量進行優(yōu)化，并得到優(yōu)化值為SOCmin=35.5802%，SOCmax=51.7191%。

為了驗證優(yōu)化的效果，分別在 CRUISE模型中對優(yōu)化前和優(yōu)化后進行仿真計算，仿真工況由連續(xù)10個NEDC工況組成，電池電量初始值設置為50%，仿真結(jié)果如圖3所示。

為了方便對比，利用式（6）將消耗的電能利用價格折算成油耗，同時為了更好地對比優(yōu)化前、后控制策略參數(shù)的變化對燃油經(jīng)濟性的影響，對關鍵結(jié)果進行整理，如表2所示。

式中，Bw為總的能量消耗，L；SOC為仿真結(jié)束時電池SOC值，%；W為電池總電量，kW·h；Ve為當前電價；Vf為當前油價。

表2 優(yōu)化前、后對比

由表中結(jié)果可以看出，優(yōu)化前、后總的能量消耗降低了8.27%，優(yōu)化效果顯著。

5 總 結(jié)

利用蟻群算法對某增程式電動中巴車控制策略的關鍵參數(shù)進行優(yōu)化，并利用 CRUISE軟件對優(yōu)化前、后進行對比仿真，仿真結(jié)果表明，經(jīng)過優(yōu)化，車輛的經(jīng)濟性能得到了明顯的提高。

[1]徐群群，宋珂，洪先建，等. 基于自適應遺傳算法的增程式電動汽車能量管理策略優(yōu)化[J]. 汽車技術，2012（10）：19-23.

[2]Colorni A，Dorigo M and Maniezzo V. Distributed optimization by antcolonies [A]. In：Proc. of 1st European Conf. Artificial Life [C]. Pans，F(xiàn)rance：Elsevier，1991，134-142.

[3]葉冬金. 增程式純電動車動力系統(tǒng)參數(shù)匹配及控制策略研究[D]. 長春：吉林大學，2012.

[4]呼和. 增程式純電動車動力系統(tǒng)參數(shù)匹配與優(yōu)化研究[D]. 長春：吉林大學，2012.

[5]段海濱. 蟻群算法原理及其應用[M]. 北京：科學出版社，2005.

[6]陳燁. 用于連續(xù)函數(shù)優(yōu)化的蟻群算法[J]. 四川大學學報（工程科學版），2004，36（6）：117-120.