馬 堯,張 偉,王新樹(shù)
(合肥工業(yè)大學(xué) 機(jī)械與汽車工程學(xué)院,安徽 合肥 230009)
在傳統(tǒng)汽車帶來(lái)的能源危機(jī)和環(huán)境污染問(wèn)題越來(lái)越嚴(yán)重的背景下,新能源汽車得到了世界各國(guó)越來(lái)越廣泛的重視。但純電動(dòng)汽車卻存在續(xù)駛里程短、成本高等缺點(diǎn),影響了其產(chǎn)業(yè)化進(jìn)程[1]。
增程式電動(dòng)車安裝有可增加續(xù)駛里程的增程單元(包括發(fā)動(dòng)機(jī)和ISG電機(jī)),可在電池虧電時(shí)與動(dòng)力電池組一起為車輛提供動(dòng)力。增程式電動(dòng)車在很大程度上彌補(bǔ)了純電動(dòng)汽車的不足,同時(shí)也具備電動(dòng)車輛的各種優(yōu)點(diǎn),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(dòng)車控制策略的優(yōu)劣成為影響整車燃油經(jīng)濟(jì)性的一個(gè)重要因素,因此有必要對(duì)控制策略的關(guān)鍵參數(shù)進(jìn)行優(yōu)化,以改善整車的燃油經(jīng)濟(jì)性。
蟻群算法是一種仿生類優(yōu)化算法,是由意大利學(xué)者M(jìn).Dorigo等人首先提出來(lái)的[2]。通過(guò)模擬蟻群在覓食過(guò)程中發(fā)現(xiàn)覓食最佳路徑的搜索機(jī)制的一種優(yōu)化算法。蟻群算法具有很好的魯棒性,同時(shí)易獲得全局最優(yōu)解。因此文中使用蟻群算法對(duì)某增程式電動(dòng)中巴車控制策略的關(guān)鍵參數(shù)進(jìn)行優(yōu)化,以期改善車輛的燃油經(jīng)濟(jì)性。
增程控制策略中目前應(yīng)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(dòng)機(jī)工作點(diǎn)是固定的,可以一直工作在較經(jīng)濟(jì)的點(diǎn),其燃油經(jīng)濟(jì)性相比較而言較好,因此文中選用恒溫器控制策略來(lái)控制增程單元[3-4]。
恒溫器控制中,當(dāng) SOC降低到一個(gè)較低值SOCmin時(shí),就會(huì)啟動(dòng)發(fā)動(dòng)機(jī)和增程發(fā)電機(jī),為整車提供動(dòng)力。然而增程器工作時(shí)能量傳遞的環(huán)節(jié)較多,且發(fā)動(dòng)機(jī)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(shí)間后,電池電量若回升到一個(gè)較高值SOCmax,控制器就會(huì)關(guān)停增程發(fā)動(dòng)機(jī)。SOCmin和SOCmax的參數(shù)選擇是否合適對(duì)整車的燃油經(jīng)濟(jì)性影響較大,因此將這兩個(gè)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(jì)性,而在不同的工況下,車輛的經(jīng)濟(jì)性能差別很大。文中采用連續(xù)的10個(gè)NEDC循環(huán)作為衡量車輛經(jīng)濟(jì)性的仿真工況,并以此為優(yōu)化目標(biāo)。
本次優(yōu)化的約束主要是來(lái)自設(shè)計(jì)目標(biāo)對(duì)整車動(dòng)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(dòng)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。
基本蟻群算法一般包括兩個(gè)階段,即適應(yīng)階段和協(xié)作階段。適應(yīng)階段時(shí),通過(guò)不斷積累信息,算法會(huì)對(duì)各候選解進(jìn)行結(jié)構(gòu)調(diào)整,此時(shí),各路徑上,若經(jīng)過(guò)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(huì)通過(guò)信息交流以產(chǎn)生更優(yōu)的解。實(shí)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(jī)制,其不需要對(duì)問(wèn)題的各個(gè)方面都有詳盡的了解,這使其能具有較廣的應(yīng)用范圍。其邏輯結(jié)構(gòu)如圖所示[5]。
為了便于應(yīng)用蟻群算法對(duì)增程控制策略進(jìn)行優(yōu)化,在基本算法的基礎(chǔ)上,參考相關(guān)文獻(xiàn),總結(jié)出如下流程的優(yōu)化算法。
設(shè)優(yōu)化變量需要精確到 d,則將其分為 d+2層,分層進(jìn)行優(yōu)化。每完成一層的尋優(yōu)后,螞蟻向下一層前進(jìn),并且螞蟻只能向較高的層前進(jìn),不能返回較低的層,用k來(lái)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(duì)螞蟻的前進(jìn)路徑進(jìn)行選擇,節(jié)點(diǎn)i的第n只螞蟻下一跳的目標(biāo)節(jié)點(diǎn)j的選擇規(guī)則為
式中,q是隨機(jī)數(shù);Q0是一個(gè)[0,1]上的常數(shù);為殘留信息量;Sr表示需要按照式(3)來(lái)計(jì)算使用輪盤(pán)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(diǎn) i轉(zhuǎn)移到節(jié)點(diǎn)j的概率。
螞蟻在路徑上經(jīng)過(guò)后都需要對(duì)路徑上的殘留信息按式(4)進(jìn)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(dāng)各只螞蟻都按上述步驟完成循環(huán)后,就需要對(duì)路徑上的信息進(jìn)行全局更新。首先計(jì)算出各只螞蟻對(duì)應(yīng)的能量消耗量B(x)后,選擇出能量消耗最少的螞蟻 nmin,并對(duì)這只螞蟻的路徑按式(5)進(jìn)行全局更新[6]。
式中,a為nmin在第k-1層的節(jié)點(diǎn);b為nmin在第k層的節(jié)點(diǎn);α 為(0,1)上的常數(shù)。
優(yōu)化對(duì)象為某增程式電動(dòng)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(guān)參數(shù),如驅(qū)動(dòng)電機(jī)的效率曲線、發(fā)動(dòng)機(jī)萬(wàn)有特性曲線以及增程發(fā)電機(jī)參數(shù)等不在此列出。
為了方便仿真計(jì)算,利用上述參數(shù)在車輛動(dòng)力性和經(jīng)濟(jì)性計(jì)算軟件CRUISE中建立整車模型,如圖2所示。
根據(jù)上文提到的蟻群算法流程,在 Matlab/Simulink中編寫(xiě)M文件,并設(shè)置算法參數(shù):螞蟻只數(shù)設(shè)為30只;Q0設(shè)為0.8;ρ設(shè)為0.8;τ0設(shè)為0.01;α 設(shè)為0.8。
按照設(shè)計(jì)經(jīng)驗(yàn)將SOCmin的初始值設(shè)為30%,SOCmax的初始值設(shè)置為50%,在此初始值基礎(chǔ)上對(duì)優(yōu)化變量進(jìn)行優(yōu)化,并得到優(yōu)化值為SOCmin=35.5802%,SOCmax=51.7191%。
為了驗(yàn)證優(yōu)化的效果,分別在 CRUISE模型中對(duì)優(yōu)化前和優(yōu)化后進(jìn)行仿真計(jì)算,仿真工況由連續(xù)10個(gè)NEDC工況組成,電池電量初始值設(shè)置為50%,仿真結(jié)果如圖3所示。
為了方便對(duì)比,利用式(6)將消耗的電能利用價(jià)格折算成油耗,同時(shí)為了更好地對(duì)比優(yōu)化前、后控制策略參數(shù)的變化對(duì)燃油經(jīng)濟(jì)性的影響,對(duì)關(guān)鍵結(jié)果進(jìn)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(shí)電池SOC值,%;W為電池總電量,kW·h;Ve為當(dāng)前電價(jià);Vf為當(dāng)前油價(jià)。
表2 優(yōu)化前、后對(duì)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。
利用蟻群算法對(duì)某增程式電動(dòng)中巴車控制策略的關(guān)鍵參數(shù)進(jìn)行優(yōu)化,并利用 CRUISE軟件對(duì)優(yōu)化前、后進(jìn)行對(duì)比仿真,仿真結(jié)果表明,經(jīng)過(guò)優(yōu)化,車輛的經(jīng)濟(jì)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(yīng)遺傳算法的增程式電動(dòng)汽車能量管理策略優(yōu)化[J]. 汽車技術(shù),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(dòng)車動(dòng)力系統(tǒng)參數(shù)匹配及控制策略研究[D]. 長(zhǎng)春:吉林大學(xué),2012.
[4]呼和. 增程式純電動(dòng)車動(dòng)力系統(tǒng)參數(shù)匹配與優(yōu)化研究[D]. 長(zhǎng)春:吉林大學(xué),2012.
[5]段海濱. 蟻群算法原理及其應(yīng)用[M]. 北京:科學(xué)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(xué)學(xué)報(bào)(工程科學(xué)版),2004,36(6):117-120.