王洪亮

（石家莊職業(yè)技術(shù)學(xué)院 信息工程系，河北 石家莊 050081）

當(dāng)前，世界各國都在致力于混合動力電動汽車（HEV）的研究，重點(diǎn)大多集中在基礎(chǔ)工程問題上.而有關(guān)行駛工況和動力分配方面存在的問題并沒有引起研究者足夠的重視.事實(shí)上，混合動力電動汽車對行駛工況非常敏感.豐田Prius和福特Focus的燃油消耗性研究證實(shí)了這一論斷的準(zhǔn)確性.通常，人們根據(jù)汽車的速度曲線來定義汽車的駕駛模式.盡管有一些研究定義了其中的一些參數(shù)，但對這些參數(shù)精確定義的研究工作仍然不足［1］.本文通過識別汽車行駛工況，根據(jù)工況的不同改變控制參數(shù)，采用模糊神經(jīng)網(wǎng)絡(luò)建立了混合動力電動汽車智能能量管理系統(tǒng).

1 并聯(lián)式HEV的控制策略

如果混合動力電動汽車能夠一直滿足駕駛者對轉(zhuǎn)矩的要求，則電池的SOC（State of charge，電池剩余量）應(yīng)該保持在一個限制區(qū)域內(nèi).電池的充／放電操作由汽車的運(yùn)轉(zhuǎn)模式?jīng)Q定：在再生制動和巡航駕駛模式下，電池處于充電狀態(tài)；在汽車加速，內(nèi)燃機(jī)的轉(zhuǎn)矩不能滿足要求而需要額外轉(zhuǎn)矩的情況下，電池處于放電狀態(tài).

1.1 并聯(lián)式混合動力電動汽車模型

由于內(nèi)燃機(jī)與電動機(jī)都與車輪通過機(jī)械裝置耦合在一起，所以并聯(lián)式混合動力電動汽車可以直接分配兩個動力源所產(chǎn)生的驅(qū)動力.在并聯(lián)式混合動力電動汽車中，內(nèi)燃機(jī)與電動機(jī)可以單獨(dú)或一起為汽車提供驅(qū)動轉(zhuǎn)矩.內(nèi)燃機(jī)提供的動力既可以驅(qū)動汽車，也可以通過電動機(jī)對電池進(jìn)行充電.本文所研究的混合動力電動汽車模型中，內(nèi)燃機(jī)提供主要動力，電動機(jī)提供輔助動力.圖1為利用CRUISE軟件建立的混合動力電動汽車模型.此模型為并聯(lián)式混合動力電動汽車，內(nèi)燃機(jī)的額定功率為110kW，額定轉(zhuǎn)速為2500r／min.電動機(jī)的額定功率為35kW，額定轉(zhuǎn)速為2000r／min.

圖1 混合動力電動汽車模型

1.2 內(nèi)燃機(jī)工作區(qū)域分析

為了保持電池的SOC，應(yīng)使內(nèi)燃機(jī)與電動機(jī)在適當(dāng)?shù)膮^(qū)域內(nèi)工作.控制內(nèi)燃機(jī)的工作區(qū)域是實(shí)現(xiàn)節(jié)能減排的最基本辦法.因此，在混合動力電動汽車的控制策略中，如何確定內(nèi)燃機(jī)的工作區(qū)域是最重要的.

混合動力電動汽車的轉(zhuǎn)矩平衡方程式為：Tm＋Te＝Treq，內(nèi)燃機(jī)需要在（β1Te.max，β2Te.max）的區(qū)域工作，其中，β1，β2為內(nèi)燃機(jī)工作區(qū)域參數(shù)；Treq為汽車所需轉(zhuǎn)矩；Te，Tm分別為內(nèi)燃機(jī)與電動機(jī)的轉(zhuǎn)矩.

如果Treq＞β2Te.max，則放電時，轉(zhuǎn)矩的平衡方程可由Tm，放電＋β2Te.max＝Treq來表示.其中，Tm，放電為電池放電時的電動機(jī)轉(zhuǎn)矩，Te.max為內(nèi)燃機(jī)的最大轉(zhuǎn)矩.

如果Treq＜β1Te.max，則充電時轉(zhuǎn)矩的平衡方程由公式 Tm，充電＋β1Te.max＝Treq來表示.其中，Tm，充電為電池充電時電動機(jī)的最大轉(zhuǎn)矩.

如果β1Te.max≤Treq≤β2Te.max，則僅由內(nèi)燃機(jī)為汽車提供動力.

1.3 行駛工況

圖2中，工況A和工況B為在北京市兩條路面環(huán)境差距比較大時采集的行駛工況圖.本文以這兩種工況作為神經(jīng)網(wǎng)絡(luò)識別的判別工況.

圖2 用于神經(jīng)網(wǎng)絡(luò)識別的判別工況

1.4 遺傳優(yōu)化

遺傳算法是基于自然選擇機(jī)制中適者生存、不適者被淘汰機(jī)制發(fā)展起來的優(yōu)化算法，具有適應(yīng)性強(qiáng)、平行處理等特點(diǎn)，適用于對混合動力電動汽車控制策略的優(yōu)化.本文即用遺傳算法來優(yōu)化控制策略中的參數(shù)β1和β2，將它們分別初始化為0.75和0.9；將適應(yīng)度函數(shù)定義為汽車的燃油消耗及廢氣排放量最小但能夠保持電池的SOC水平，其加權(quán)后的目標(biāo)方程為：

下角標(biāo)帶k的參數(shù)沒有采用優(yōu)化控制策略.定義燃油經(jīng)濟(jì)性和排放的等效重量因子w1＝0.5，w2＝w3＝w4＝w5＝0.25；SOCs是開始時的電池剩余電量，為0.7；SOCe是結(jié)束時的電池剩余電量；FC為油耗；HC為碳?xì)浠衔?；PM 為碳煙微粒；令W6＝10.利用遺傳算法對工況A下的控制參數(shù)進(jìn)行優(yōu)化后，得β1＝0.81，β2＝0.92.優(yōu)化結(jié)果見表1.

表1 行駛工況A下的優(yōu)化結(jié)果

在SOC保持初始數(shù)值的條件下，由表1知，采用遺傳算法優(yōu)化后的燃油經(jīng)濟(jì)性與排放都要優(yōu)于沒有采用遺傳算法優(yōu)化的情況.優(yōu)化后，燃油消耗降低4%，排放的NOx降低3.6%，CO降低1.2%，而PM與HC的排放量沒有變化.

采用遺傳算法對行駛工況B下的控制參數(shù)進(jìn)行優(yōu)化后，β1變?yōu)?.80，β2變?yōu)?.85.燃油經(jīng)濟(jì)性和排放的優(yōu)化結(jié)果見表2.

表2 行駛工況B下的優(yōu)化結(jié)果

在SOC保持初始數(shù)值的條件下，由表2發(fā)現(xiàn)，采用遺傳算法優(yōu)化后的燃油經(jīng)濟(jì)性與排放都優(yōu)于沒有采用遺傳算法優(yōu)化的情況.優(yōu)化后，燃油消耗降低1%，排放的NOx降低0.5%，而CO，PM與HC的排放量變化不大.

2 行駛工況的識別

模糊邏輯控制是以模糊集理論為基礎(chǔ)建立起來的控制理論，在很多領(lǐng)域的應(yīng)用中都取得了成功.模糊網(wǎng)絡(luò)采用一個輸入、輸出循環(huán)來代表復(fù)雜的非線性現(xiàn)象，模糊神經(jīng)系統(tǒng)包括很多連接在一起的神經(jīng)元.本文中模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)分為四層：第一層為輸入層，在這一層中，每一個神經(jīng)元為一個輸入?yún)?shù)，f（1）＝xi，其中xi表示輸入?yún)?shù)；第二層為模糊化層，可表示為：f（x）＝w1fk（2）＝μij＝exp其中w1表示權(quán)重系數(shù)，μij表示第二層輸出量，aij表示模糊化的計(jì)算參數(shù)，δij表示模糊化層節(jié)點(diǎn)數(shù)；第三層為隱藏層，以模糊化層的輸出作為輸入，并將輸出傳遞給外層的神經(jīng)元第四層為輸出層，可表示為：f（4）＝∑wijμij，其中wij表示神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)系數(shù).行駛模式參數(shù)見表3.

表3 驅(qū)動模式參數(shù)

3 仿真結(jié)果

圖3為行駛工況的模擬識別結(jié)果.表4給出了燃油消耗和排放的模擬結(jié)果.通過比較可以發(fā)現(xiàn)，考慮行駛工況后的燃油經(jīng)濟(jì)性與排放都要優(yōu)于沒有考慮行駛工況的情況，燃油消耗以及NOx的排放降低大約2%，CO降低1%，而PM與HC的排放量沒有太大的變化.

圖3 行駛工況的識別

表4 燃油消耗和排放的模擬結(jié)果

4 結(jié)束語

本系統(tǒng)使用模糊神經(jīng)網(wǎng)絡(luò)識別不同城市的行駛工況，并根據(jù)識別結(jié)果調(diào)節(jié)內(nèi)燃機(jī)的工作區(qū)域.模擬結(jié)果顯示，在識別行駛工況后可使內(nèi)燃機(jī)與電動機(jī)高效工作，并更好地實(shí)現(xiàn)節(jié)能減排.

［1］田毅，張欣，張良，等.神經(jīng)網(wǎng)絡(luò)工況識別的混合動力電動汽車 模糊控制策略 ［J］.控制理論與應(yīng)用，2011（3）：363－369.