楊世春,朱傳高,高 瑩,李 君
(吉林大學,汽車動態(tài)模擬國家重點實驗室,長春 130022)
混合動力汽車控制策略主要解決的問題是發(fā)動機和電機的轉(zhuǎn)矩分配以及對電池SOC的控制,以實現(xiàn)發(fā)動機和電機的有效工作,在保證車輛動力性的前提下,達到節(jié)能、環(huán)保的目的。近年來,模糊控制在混合動力汽車控制策略中得到廣泛應用[1-3],利用模糊控制器實現(xiàn)混合動力汽車的轉(zhuǎn)矩分配,取得良好的控制效果。但是由于缺乏知識采集的手段,沒有規(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。
本文中設計了某混合動力汽車的模糊邏輯轉(zhuǎn)矩控制器,利用遺傳算法對該控制器進行優(yōu)化,最后通過仿真驗證了優(yōu)化結(jié)果的有效性。
圖1為所研究的雙離合器單軸轉(zhuǎn)矩耦合并聯(lián)式混合動力總成結(jié)構(gòu)圖,它包括:發(fā)動機、兩個離合器、電動機/發(fā)電機、自動變速器和動力電池組。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)
本文中研究的并聯(lián)混合動力總成主要動力來自發(fā)動機,電機為輔助動力。在設計控制策略時要盡可能使發(fā)動機在最優(yōu)曲線上運行,只有當電機輸出轉(zhuǎn)矩及電池SOC不足或過高而不能滿足整車需求轉(zhuǎn)矩時,發(fā)動機才偏離最優(yōu)曲線運行,同時盡可能使電機高效工作,電池SOC在合理區(qū)間內(nèi)變化。
根據(jù)上述設計目標和發(fā)動機效率的高低,確定模糊轉(zhuǎn)矩控制器的輸入變量為:整車需求轉(zhuǎn)矩 Tr與當前車速下發(fā)動機最佳效率轉(zhuǎn)矩Te_opt的比值p和動力電池的SOC,而模糊轉(zhuǎn)矩控制器的輸出變量為發(fā)動機的轉(zhuǎn)矩系數(shù)r。發(fā)動機的轉(zhuǎn)矩輸出按下式確定: Te=r×Te_opt。然后對由模糊控制器得到的發(fā)動機輸出轉(zhuǎn)矩進行調(diào)整,Te<Te_min時,Te=0,Tm=Tr; Te>Te_max時,Te=Te_max,Te+Tm=Tr,其中Te_opt、Te_max和 Te_min分別為發(fā)動機最佳效率轉(zhuǎn)矩、最大轉(zhuǎn)矩和關閉轉(zhuǎn)矩。
模糊轉(zhuǎn)矩控制器框圖如圖 2所示,通過轉(zhuǎn)矩識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)動機轉(zhuǎn)矩和電機轉(zhuǎn)矩。
為使模糊邏輯轉(zhuǎn)矩控制器能覆蓋所有的工況,混合動力汽車需要有多種運行模式,因而將整車需求轉(zhuǎn)矩 Tr與當前車速下發(fā)動機的最優(yōu)曲線轉(zhuǎn)矩Te_opt的比值p,分成5個模糊子集: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個模糊子集:z1、z2、z3、z4、z5,其論域為[0,1]。發(fā)動機的轉(zhuǎn)矩系數(shù) r也分為 5個模糊子集:A1、A2、A3、A4、A5,共論域為[0,1.6]。p、SOC和r值各個隸屬度函數(shù)[3-4]如圖 3所示,輸入語言變量和輸出語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)運算采用取小,蘊涵運算采用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,建立相應的隸屬函數(shù)和模糊規(guī)則。
由于模糊控制器本身的特點,基于專家經(jīng)驗建立的模糊控制隸屬函數(shù)不能實現(xiàn)其最優(yōu)的控制,因此利用遺傳算法,對前面設計的混合動力汽車模糊控制器的隸屬函數(shù)進行優(yōu)化[5]。
并聯(lián)式混合動力參數(shù)優(yōu)化是一個典型的非線性約束優(yōu)化問題,可表述為
其中優(yōu)化目標函數(shù)f(x)為混合動力系統(tǒng)的油耗和排放,約束條件gi(x)為一組非線性不等式,表示車輛的動力性能指標。優(yōu)化設計變量為混合動力轉(zhuǎn)矩分配控制器的控制參數(shù),其上下限為]。
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)各個劃分點。因為輸入輸出量的模糊隸屬函數(shù)都要進行編碼,所以由此生成一個長度為 21的一維十進制矩陣x1~x7,x8~x14,x15~x21,依次表示對p、SOC和r的隸屬函數(shù)劃分點。
初始種群由n個染色體組成,每個染色體的各位數(shù)字都是 0或 1的二進制數(shù),在對模糊函數(shù)定義時,每一個劃分點為十進制數(shù),考慮編碼精度,使每一個變量的編碼精度不大于 0.1,定義每個十進制數(shù)用 5位二進制數(shù)來表示。這樣每個染色體的長度就是21×5=105。
在運算過程中,須將生成初始群體轉(zhuǎn)換為模糊控制器可識別的數(shù)據(jù),即將二進制數(shù)轉(zhuǎn)換為十進制數(shù)。由于每位的二進制數(shù)隨機生成,在轉(zhuǎn)換成為十進數(shù) x1~x7,x8~x14,x15~x21時,不能保證 x1到 x7是增序排列。所以在完成十進制轉(zhuǎn)換后,應對生成的數(shù)字串進行再排序。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,由于各變量論域不同,所以在進行十進制轉(zhuǎn)換時對不同變量分別進行轉(zhuǎn)換。
選取控制系統(tǒng)的目標函數(shù)作為原始適應度函數(shù),而選取混合動力汽車整個循環(huán)的油耗和排放為目標函數(shù)值[7-8],分別以不同的權(quán)重來表示優(yōu)化目標,建立目標函數(shù)為
式中:x為每一個染色體所對應的序號;FC、HC、NOx、CO分別為發(fā)動機油耗和排放值;w1、w2、w3、w4分別為FC、HC、NOx、CO的權(quán)重值分別為各個參數(shù)所要優(yōu)化的目標值;TDC為整個駕駛循環(huán)時間。用積分計算整個駕駛循環(huán)下的各目標值。
為使遺傳算法能夠用來優(yōu)化模糊控制隸屬函數(shù),須確定遺傳操作中的適應度函數(shù)。由式(2)可以看出,目標函數(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,適應度值越大的個體越有機會遺傳到下一代。在此,對目標函數(shù)值進行排序,通過遺傳工具箱ranking函數(shù)將每個目標函數(shù)值分配到適應度函數(shù),以使最小的目標函數(shù)值對應到最大的適應度函數(shù)值。
遺傳算法中需要選擇的運行參數(shù)主要有個體編碼串長度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 運行參數(shù)
(1)SOC值的約束
在進行適應度值計算時,如果以混合動力系統(tǒng)的經(jīng)濟性作為優(yōu)化目標,適應度函數(shù)中只包含油耗參數(shù)一項。油耗在動力系統(tǒng)整個循環(huán)完成后計算。如果不對電池的SOC值進行約束,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SOC在循環(huán)開始和結(jié)束的差值ΔSOC進行限制,使ΔSOC≤0.03。
(2)模糊控制器約束
在完成十進制轉(zhuǎn)換后,x1~x7、x8~x14和 x15~x21中的最大值不得大于所對應變量論域的最大值,其最小值不得小于所對應變量論域的最小值。
(3)動力性約束
表3為動力性約束條件,其中Δtrace為仿真過程中,實際車速與測試循環(huán)要求車速的差值。
表3 動力性能約束條件
僅以經(jīng)濟性能為優(yōu)化目標時,將式(2)中的權(quán)重值 w1定義為 1,其余都取 0。確定遺傳算法運行參數(shù)后,在Matlab/Simulink環(huán)境下進行仿真計算。
圖5為遺傳算法優(yōu)化過程目標函數(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中進行仿真計算,得出并聯(lián)式混合動力系統(tǒng)各工作參數(shù)的圖表,并與優(yōu)化前的情況進行比較,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值在整個循環(huán)過程中變動不超過±0.005,滿足對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,電動機的工作效率有提高,發(fā)動機工作點明顯向所設定的發(fā)動機工作最優(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)濟性優(yōu)化后,并聯(lián)式混合動力系統(tǒng)的油耗可降低 4.57%,動力性基本沒有變化,但CO和NOx的排放都有提高。
表4 仿真結(jié)果對比
根據(jù)式(2),兼顧經(jīng)濟性和排放性,設定權(quán)重為w1=w2=w3=w4=0.25,在NEDC循環(huán)下,利用遺傳算法進行優(yōu)化。
確定適應度函數(shù)后,根據(jù)上述確定遺傳算法運行參數(shù),在Matlab/Simulink環(huán)境下進行仿真計算。
圖11為遺傳算法優(yōu)化過程目標函數(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中進行仿真計算,得出并聯(lián)式混合動力系統(tǒng)各工作參數(shù)的圖表,并與優(yōu)化前的情況進行比較,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初值和終值變動不大,滿足控制要求。由圖 8(a)、圖8(c)和圖9(a)、圖9(c)可見,發(fā)動機工作點在低轉(zhuǎn)速下明顯下移,移向燃油效率較高的區(qū)域。同時,對照NEDC測試循環(huán)和SOC曲線,在低速時,發(fā)動機關閉,完全由電機來驅(qū)動車輛,在中低速時,發(fā)動機驅(qū)動車輛,工作點趨近于最佳轉(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,發(fā)動機和電機同時驅(qū)動車輛。
由表 4可知,在利用遺傳算法多目標優(yōu)化后,并聯(lián)式混合動力系統(tǒng)的動力性略有降低,油耗降低3.65%,排放參數(shù)中HC、CO和NOx都有明顯降低。
(1)設計了雙離合器單軸轉(zhuǎn)矩耦合并聯(lián)混合動力汽車轉(zhuǎn)矩分配模糊控制策略,針對建立在專家經(jīng)驗基礎上的模糊控制不能實現(xiàn)最優(yōu)控制的問題,采用遺傳算法實現(xiàn)轉(zhuǎn)矩分配模糊控制器的優(yōu)化。
(2)在NEDC循環(huán)下,應用遺傳算法,在只考慮經(jīng)濟性條件下對模糊控制策略進行優(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,應用遺傳算法,綜合考慮經(jīng)濟性和排放性能的多目標控制策略優(yōu)化,油耗可以降低3.65%,同時可以實現(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] 彭棟,殷承良,張建武.基于模糊控制的并聯(lián)式混合動力汽車制動控制系統(tǒng)[J].吉林大學學報(工學版),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,歐陽明高.混合動力汽車扭矩管理策略[J].清華大學學報(自然科學版),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.