金　燕，解振方，陳佳彬，陳爾言

(浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江 杭州 310023)

基于預(yù)測(cè)的PHEV動(dòng)力分配模糊邏輯控制策略

金燕，解振方，陳佳彬，陳爾言

(浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江 杭州 310023)

摘要：汽車(chē)運(yùn)行工況對(duì)并聯(lián)混合動(dòng)力汽車(chē)燃油經(jīng)濟(jì)性具有重要影響，在用馬爾科夫預(yù)測(cè)方法預(yù)測(cè)并聯(lián)混合動(dòng)力汽車(chē)在未來(lái)一定時(shí)間內(nèi)的運(yùn)行狀態(tài)的基礎(chǔ)上，提出根據(jù)預(yù)測(cè)出的狀態(tài)利用模糊邏輯控制策略,來(lái)實(shí)現(xiàn)發(fā)動(dòng)機(jī)和電機(jī)之間的最優(yōu)轉(zhuǎn)矩分配，使發(fā)動(dòng)機(jī)工作在最佳工作點(diǎn)，電池SOC值保持在預(yù)期范圍內(nèi).該策略克服了動(dòng)態(tài)規(guī)劃等全局最優(yōu)控制策略需要預(yù)知全程路況信息的缺點(diǎn)，具有很好的實(shí)時(shí)性和魯棒性.Advisor仿真結(jié)果表明：該方法和傳統(tǒng)的模糊邏輯控制策略和邏輯門(mén)限控制策略相比,能更好地改善汽車(chē)燃油經(jīng)濟(jì)性.

關(guān)鍵詞：馬爾科夫預(yù)測(cè)；模糊邏輯控制器；Advisor；燃油經(jīng)濟(jì)性

中圖分類(lèi)號(hào)：TP18

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1006-4303(2015)01-0097-06

PHEV power distribution fuzzy logic control strategy based on prediction

JIN Yan, XIE Zhenfang, CHEN Jiabin, CHEN Eryan

(College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China)

Abstract:Driving cycles have a significant influence on fuel economy of parallel hybrid electric vehicles(PHEV). In this paper, a method is put forward based on Markov prediction for parallel hybrid electric vehicles’ future driving cycles. According to the predicted results, a fuzzy logic strategy is used to achieve optimal torque distribution between the engine and the motor, making the engine work at optimal operating point, and keep the value of battery SOC within the expected range. According to rolling optimization features of predictive control strategy, the control strategy presented here overcomes the shortcomings of the global optimal control strategy which needs to predict the full traffic information and thus has a good real-time performance and robustness. Advisor simulation software was used to analyze the performances of hybrid vehicles by using this control strategy and existing typical control strategies respectively. The simulation results show this control strategy improves vehicle fuel economy compared to the existing typical fuzzy logic control strategy and logic threshold control strategy.

Keywords:Markov prediction; fuzzy logic controller; Advisor; fuel economy

為提高石油等不可再生能源的使用效率，以及減少汽車(chē)尾氣污染物的排放，混合動(dòng)力汽車(chē)作為傳統(tǒng)汽車(chē)向純電動(dòng)汽車(chē)的過(guò)度車(chē)型越來(lái)越受到人們重視[1].如何提高混合動(dòng)力汽車(chē)的燃油經(jīng)濟(jì)性，是人們現(xiàn)在面臨的主要問(wèn)題.混合動(dòng)力汽車(chē)的動(dòng)力分配控制策略一般分為基于規(guī)則和基于最優(yōu)理論兩大類(lèi)，基于規(guī)則的控制策略有邏輯門(mén)限控制策略和模糊邏輯控制策略等[2].基于規(guī)則的控制策略控制簡(jiǎn)單，容易實(shí)現(xiàn)，適用性強(qiáng)，但不能適應(yīng)工況的動(dòng)態(tài)變化，無(wú)法保證車(chē)輛燃油經(jīng)濟(jì)性最優(yōu)[3].基于最優(yōu)理論的控制策略有動(dòng)態(tài)規(guī)劃(Dynamic programming,DP)[4]、模型預(yù)測(cè)控制(Model predictive control,MPC)[5]、等效油耗最小控制策略(Equivalent consumption minimisation strategy,ECMS)[6]等.最優(yōu)理論控制策略實(shí)現(xiàn)了真正意義上的最優(yōu)化，但計(jì)算量大，動(dòng)態(tài)規(guī)劃方法需要預(yù)知整個(gè)路況的信息[7]，所以該方法實(shí)現(xiàn)困難，難以普及.近年來(lái)，國(guó)內(nèi)外研究者發(fā)現(xiàn)，不同的汽車(chē)行駛工況對(duì)混合動(dòng)力汽車(chē)的性能影響很大[8].如果能預(yù)測(cè)出汽車(chē)未來(lái)的運(yùn)行的狀態(tài)，并根據(jù)未來(lái)的狀態(tài)對(duì)汽車(chē)的控制策略做出調(diào)整，將會(huì)很大提高汽車(chē)的經(jīng)濟(jì)性能.根據(jù)汽車(chē)運(yùn)行工況的隨機(jī)性，提出用馬爾科夫預(yù)測(cè)模型[9]對(duì)汽車(chē)未來(lái)一定時(shí)間內(nèi)的狀態(tài)進(jìn)行預(yù)測(cè)，并根據(jù)預(yù)測(cè)的結(jié)果調(diào)整模糊邏輯控制器的控制規(guī)則，使發(fā)動(dòng)機(jī)的輸出轉(zhuǎn)矩盡量在發(fā)動(dòng)機(jī)最優(yōu)轉(zhuǎn)矩附近，電池的荷電狀態(tài)(State of charge, SOC)維持在充放電效率最高的區(qū)域內(nèi).最后，在Advisor2002仿真軟件中將該控制策略模塊嵌入到某并聯(lián)混合動(dòng)力汽車(chē)模型中進(jìn)行仿真.

1馬爾科夫預(yù)測(cè)原理

馬爾科夫預(yù)測(cè)過(guò)程的特性是系統(tǒng)在時(shí)刻t0所處的狀態(tài)為已知的條件下，過(guò)程在時(shí)刻t>t0所處狀態(tài)的條件分布與過(guò)程在時(shí)刻t0之前所處的狀態(tài)無(wú)關(guān).設(shè)隨機(jī)過(guò)程{Zm,Tn},條件概率滿足

P{Tn+1=Zm+1|T0=Z0,T1=Z1,…,Tn=Zn}

=P{Tn+1=Zm+1|Tn=Zn}

(1)

則稱{Zm,Tn}為馬爾可夫鏈[10]，馬爾可夫鏈?zhǔn)菭顟B(tài)、時(shí)間都是離散量的馬爾可夫過(guò)程，其中Tn(n=0,1,2，…)為離散的時(shí)間集合，Zm(m=0,1,2，…,i,j，…)為對(duì)應(yīng)的狀態(tài)空間集合.條件概率為

Pij=P{Tn+1=Zj|Tn=Zi}

(2)

稱為馬爾可夫鏈{Zm,Tn}在時(shí)刻n的一步轉(zhuǎn)移概率，簡(jiǎn)稱為轉(zhuǎn)移概率.式(2)中Zi，Zj為不同時(shí)刻的狀態(tài).式(2)表示如果系統(tǒng)在n時(shí)刻為狀態(tài)Zi，則在下一時(shí)刻，即n+1時(shí)刻為狀態(tài)Zj的概率.由不同狀態(tài)的轉(zhuǎn)移概率所組成的的矩陣稱為馬爾可夫鏈的一步狀態(tài)轉(zhuǎn)移概率矩陣P，其表達(dá)式為

(3)

馬爾科夫預(yù)測(cè)的原理就是根據(jù)當(dāng)前狀態(tài)和狀態(tài)轉(zhuǎn)移概率矩陣來(lái)預(yù)測(cè)出未來(lái)某一刻的狀態(tài).其具體的方法是假設(shè)某系統(tǒng)的狀態(tài)集為Z={Z1,Z2,…,Zm},Pij表示系統(tǒng)在狀態(tài)Zi一次轉(zhuǎn)移到狀態(tài)Zj的概率.如果當(dāng)前狀態(tài)為Zi，根據(jù)一步狀態(tài)轉(zhuǎn)移概率矩陣，若

Pij=max{Pi1Pi2…Pim}

(4)

則Zj為預(yù)測(cè)到的下一時(shí)刻的狀態(tài).

2用馬爾科夫預(yù)測(cè)混合動(dòng)力汽車(chē)未來(lái)運(yùn)行狀態(tài)

根據(jù)馬爾科夫預(yù)測(cè)方法的特性，將其運(yùn)用到預(yù)測(cè)混合動(dòng)力汽車(chē)未來(lái)運(yùn)行狀態(tài)是可行的，其可行性已有研究者對(duì)其進(jìn)行了驗(yàn)證[11].該研究者者通過(guò)對(duì)汽車(chē)在CYC_UDDS工況下的不同間隔時(shí)間段的工況相關(guān)性進(jìn)行分析，發(fā)現(xiàn)間隔時(shí)間越短，工況相關(guān)性越大，間隔時(shí)間越長(zhǎng)，工況相關(guān)性越小，從而證明了汽車(chē)在CYC_UDDS工況中下一時(shí)刻的運(yùn)行狀態(tài)僅與當(dāng)前時(shí)刻運(yùn)行狀態(tài)有關(guān)，而與之前汽車(chē)的運(yùn)行狀態(tài)無(wú)關(guān)，符合馬爾科夫的定義.在用馬爾科夫進(jìn)行預(yù)測(cè)前，需要對(duì)預(yù)測(cè)對(duì)象的狀態(tài)進(jìn)行劃分.混合動(dòng)力汽車(chē)是由發(fā)動(dòng)機(jī)和電機(jī)(電池供電)兩種動(dòng)力源進(jìn)行驅(qū)動(dòng)的，所以混合動(dòng)力汽車(chē)的運(yùn)行狀態(tài)一般分為車(chē)輛停止運(yùn)行(記為狀態(tài)Z1)、發(fā)動(dòng)機(jī)給電池充電(記為狀態(tài)Z2)、發(fā)動(dòng)機(jī)獨(dú)立驅(qū)動(dòng)(記為狀態(tài)Z3)、電機(jī)獨(dú)立驅(qū)動(dòng)(記為狀態(tài)Z4)、發(fā)動(dòng)機(jī)和電機(jī)聯(lián)合驅(qū)動(dòng)(記為狀態(tài)Z5)和車(chē)輛制動(dòng)時(shí)發(fā)動(dòng)機(jī)通過(guò)電機(jī)給電池充電(記為狀態(tài)Z6)等6個(gè)狀態(tài)[12].混合動(dòng)力汽車(chē)運(yùn)行狀態(tài)是根據(jù)汽車(chē)的發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩、電機(jī)的輸出轉(zhuǎn)矩和汽車(chē)的需求轉(zhuǎn)矩來(lái)劃分的，劃分方法如表1所示.

表1　混合動(dòng)力汽車(chē)狀態(tài)表

汽車(chē)運(yùn)行狀態(tài)劃分好后，根據(jù)前面所述的馬爾科夫預(yù)測(cè)原理可求各狀態(tài)間的轉(zhuǎn)移概率Pij為

(5)

式中：Cij為系統(tǒng)在t時(shí)刻由狀態(tài)Zi(i=1,2,…,5)轉(zhuǎn)向t+1時(shí)刻狀態(tài)Zj(j=1,2,…,5)的頻率；Ci為系統(tǒng)的中出現(xiàn)Zi的總頻率.例如，設(shè)發(fā)動(dòng)機(jī)獨(dú)立提供驅(qū)動(dòng)力為狀態(tài)Z1，電機(jī)獨(dú)立提供驅(qū)動(dòng)力為狀態(tài)Z2.P12表示在某一時(shí)刻t為狀態(tài)Z1且下一時(shí)刻t+1為狀態(tài)Z2出現(xiàn)的次數(shù)除以總共出現(xiàn)狀態(tài)Z1的次數(shù)，即狀態(tài)Z1轉(zhuǎn)移到狀態(tài)Z2的概率.由此可求出其它狀態(tài)的轉(zhuǎn)移概率，進(jìn)而可求得一步狀態(tài)轉(zhuǎn)移概率矩陣為

(6)

根據(jù)一步狀態(tài)轉(zhuǎn)移概率矩陣和當(dāng)前的狀態(tài)便可求出未來(lái)預(yù)測(cè)時(shí)間內(nèi)的狀態(tài)，設(shè)當(dāng)前狀態(tài)為1，若

P1j=max{P11P12P13P14P15}

(7)

則狀態(tài)Zj={j=1,2,…,5}為下一時(shí)刻混合動(dòng)力汽車(chē)的狀態(tài).在Matlab/Simulink中，用S-Function函數(shù)編寫(xiě)馬爾科夫預(yù)測(cè)程序，在仿真開(kāi)始時(shí)刻首先生成一步狀態(tài)轉(zhuǎn)移概率矩陣，圖1為當(dāng)前狀態(tài)為1時(shí)的一步狀態(tài)轉(zhuǎn)移概率的預(yù)測(cè)模型.

圖1　當(dāng)前狀態(tài)為1時(shí)的狀態(tài)轉(zhuǎn)移求解模型Fig.1　State transition model for solving when state 1

隨著時(shí)間的增加，一步狀態(tài)轉(zhuǎn)移概率矩陣不斷的更新，且轉(zhuǎn)移概率矩陣都是從汽車(chē)起始運(yùn)行時(shí)刻開(kāi)始計(jì)算的，所以轉(zhuǎn)移概率矩陣會(huì)逐步趨于穩(wěn)定.預(yù)測(cè)到的汽車(chē)未來(lái)狀態(tài)每K(K=1,2,3,…,n)秒周期性輸出.根據(jù)預(yù)測(cè)到的結(jié)果可對(duì)下面的模糊邏輯規(guī)則作出調(diào)整，如當(dāng)預(yù)測(cè)到未來(lái)K秒內(nèi)狀態(tài)多為電機(jī)驅(qū)動(dòng)汽車(chē)或者發(fā)動(dòng)機(jī)與電機(jī)聯(lián)合驅(qū)動(dòng)汽車(chē)時(shí)，就要保證K秒后電池有足夠的電量，則當(dāng)前時(shí)刻就要多使用發(fā)動(dòng)機(jī)驅(qū)動(dòng)汽車(chē).若當(dāng)預(yù)測(cè)到未來(lái)K秒內(nèi)狀態(tài)多為發(fā)動(dòng)機(jī)獨(dú)立提供驅(qū)動(dòng)力并同時(shí)向電池充電或者制動(dòng)時(shí)電機(jī)充當(dāng)發(fā)電機(jī)給電池充電時(shí)，則當(dāng)前時(shí)刻就要多使用電機(jī)驅(qū)動(dòng)汽車(chē)，以保證電池電量始終維持在預(yù)期范圍內(nèi).

3模糊邏輯控制策略

3.1模糊邏輯控制原理

模糊控制的過(guò)程主要有三個(gè)主要步驟：模糊化過(guò)程、模糊推理、反模糊化計(jì)算.模糊化過(guò)程是將輸入的確定變量轉(zhuǎn)換成模糊量.模糊推理是將轉(zhuǎn)換后的模糊量按照一定的模糊語(yǔ)言規(guī)則推出一個(gè)新的近似模糊判斷結(jié)論.反模糊化計(jì)算是將模糊推理得到的結(jié)論變換成確定量輸出[13].選擇雙軸并聯(lián)混合動(dòng)力汽車(chē)作為研究對(duì)象，其動(dòng)力總成結(jié)構(gòu)示意圖如圖2所示.

圖2　并聯(lián)式混合動(dòng)力汽車(chē)結(jié)構(gòu)Fig.2　Parallel hybrid electric vehicle structure

根據(jù)模糊邏輯控制基本原理，制定相應(yīng)的模糊控制規(guī)則，優(yōu)化發(fā)動(dòng)機(jī)的輸出轉(zhuǎn)矩和電池SOC值.利用馬爾科夫預(yù)測(cè)方法預(yù)測(cè)到汽車(chē)未來(lái)運(yùn)行狀態(tài)后進(jìn)一步合理分配發(fā)動(dòng)機(jī)和電機(jī)的轉(zhuǎn)矩，使汽車(chē)在滿足整車(chē)需求轉(zhuǎn)矩的情況下，減小電池SOC值的波動(dòng)幅度.

3.2模糊控制器的設(shè)計(jì)

圖3為在Simulink環(huán)境中搭建的模糊邏輯控制策略模塊圖，其中模糊邏輯控制模塊的四個(gè)輸入分別為汽車(chē)未來(lái)K秒內(nèi)狀態(tài)、整車(chē)需求轉(zhuǎn)矩F、整車(chē)需求轉(zhuǎn)矩與發(fā)動(dòng)機(jī)最優(yōu)輸出轉(zhuǎn)矩差ΔT和電池SOC值，輸出為發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩的調(diào)整系數(shù)Tw.發(fā)動(dòng)機(jī)的最優(yōu)轉(zhuǎn)矩是根據(jù)需求轉(zhuǎn)速利用插值法獲得的.然后根據(jù)4個(gè)輸入值制定相應(yīng)的模糊控制規(guī)則.若調(diào)整后的發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩大于整車(chē)的需求轉(zhuǎn)矩，則多余的轉(zhuǎn)矩驅(qū)動(dòng)發(fā)電機(jī)給電池充電.反之，不足的轉(zhuǎn)矩由電機(jī)提供[14].

圖3　Simulink環(huán)境下的模糊邏輯控制策略模塊圖Fig.3　Fuzzy logic control strategy module figure in simulink environmrnt

整車(chē)需求轉(zhuǎn)矩F的取值為零或非零兩種狀態(tài).轉(zhuǎn)矩差ΔT的模糊范圍為{T1,T2,T3,T4,T5,T6,T7,T8,T9}，論域?yàn)閇-80,20],隸屬度函數(shù)如圖4所示.電池SOC的模糊范圍為{S1,S2,S3,S4,S5},論域?yàn)閇0,1]，隸屬度函數(shù)如圖5所示.汽車(chē)未來(lái)K時(shí)刻內(nèi)的狀態(tài)取單值{Z1,Z2,Z3,Z4,Z5,Z6},其對(duì)應(yīng)的值分別為[1,2,3,4,5,6]，其中狀態(tài)1為車(chē)輛停止運(yùn)行，狀態(tài)2為發(fā)動(dòng)機(jī)給電池充電，狀態(tài)3為發(fā)動(dòng)機(jī)獨(dú)立驅(qū)動(dòng)，狀態(tài)4為電機(jī)獨(dú)立驅(qū)動(dòng)，狀態(tài)5為發(fā)動(dòng)機(jī)和電機(jī)聯(lián)合驅(qū)動(dòng)，狀態(tài)6為車(chē)輛制動(dòng)時(shí)發(fā)動(dòng)機(jī)通過(guò)電機(jī)給電池充電.發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩的調(diào)整系數(shù)Tw的模糊范圍為{K1,K2,K3,K4,K5,K6,K7,K8,K9,K10,K11,K12}，論域?yàn)閇0,1]，隸屬度函數(shù)如圖6所示.

圖4　轉(zhuǎn)矩差ΔT的隸屬度函數(shù)Fig.4　The membership function of torque difference ΔT

圖5　電池SOC的隸屬度函數(shù)Fig.5　The membership function of SOC

圖6　調(diào)整系數(shù)Tw的隸屬度函數(shù)Fig.6　The membership function of adjustment factor Tw

輸入語(yǔ)言變量和輸出語(yǔ)言變量均采用梯形和三角形的隸屬度函數(shù)，此種隸屬度函數(shù)運(yùn)算簡(jiǎn)單，方便調(diào)整參數(shù).模糊控制器的核心部分是模糊控制規(guī)則的制定，模糊控制規(guī)則的基本格式為：If輸入變量1的狀態(tài)and輸入變量2的狀態(tài)andthen輸出變量的模糊狀態(tài).在此模糊控制器中與運(yùn)算采用最小法，去模糊化運(yùn)算采用區(qū)域重心法等.所制定的模糊控制規(guī)則如下，由于控制規(guī)則比較多,所以只列出了部分規(guī)則.

IfFis0andSOCisS3thenTwisK1

IfFis0andSOCisS2and未來(lái)狀態(tài)isZ2thenTwisK5

IfFisnot0andΔTisT1andSOCisS1and未來(lái)狀態(tài)isZ1thenTwisK6

IfFisnot0andΔTisT1andSOCisS1and未來(lái)狀態(tài)isZ2thenTwisK9

IfFisnot0andΔTisT1andSOCisS4and未來(lái)狀態(tài)isZ2thenTwisK6

IfFisnot0andΔTisT1andSOCisS5and未來(lái)狀態(tài)isZ1thenTwisK1

IfFisnot0andΔTisT1andSOCisS5and未來(lái)狀態(tài)isZ2thenTwisK3

……

IfFisnot0andΔTisT9andSOCisS1and未來(lái)狀態(tài)isZ1thenTwisK11

IfFisnot0andΔTisT9andSOCisS5and未來(lái)狀態(tài)isZ5thenTwisK8

控制規(guī)則的主要方法：

1) 若需求轉(zhuǎn)矩F為零，則汽車(chē)可能處于停止或制動(dòng)狀態(tài)，若電池SOC值很低，并且未來(lái)K時(shí)刻需要電機(jī)提供更多的驅(qū)動(dòng)力，則發(fā)動(dòng)機(jī)應(yīng)輸出一部分轉(zhuǎn)矩給電池充電，以保證未來(lái)電機(jī)的正常工作.若電池的SOC值在正?；蛘咂叻秶鷥?nèi)，無(wú)論未來(lái)汽車(chē)處于什么狀態(tài)，發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩為零.

2) 在需求轉(zhuǎn)矩F為非零狀態(tài)下，判斷需求轉(zhuǎn)矩與發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩差ΔT的狀態(tài)，若轉(zhuǎn)矩差ΔT很小，即汽車(chē)不需要很大的驅(qū)動(dòng)力，電池SOC值很高，未來(lái)K時(shí)刻內(nèi)的狀態(tài)以發(fā)動(dòng)機(jī)驅(qū)動(dòng)為主時(shí)，為使發(fā)動(dòng)機(jī)工作在高效率區(qū)，此刻關(guān)閉發(fā)動(dòng)機(jī)，僅以電機(jī)驅(qū)動(dòng)汽車(chē)，若未來(lái)K時(shí)刻需要電機(jī)提供更多的驅(qū)動(dòng)力，則發(fā)動(dòng)機(jī)應(yīng)輸出一部分轉(zhuǎn)矩給電池充電.若電池SOC值很低或者在正常范圍內(nèi)時(shí)，且未來(lái)K時(shí)刻內(nèi)需要電機(jī)提供驅(qū)動(dòng)力時(shí)，則相應(yīng)的調(diào)整發(fā)動(dòng)機(jī)的輸出轉(zhuǎn)矩，保持電池在預(yù)期的范圍內(nèi)，并在需要電機(jī)提供驅(qū)動(dòng)力時(shí)有足夠的電量供給電機(jī)，若未來(lái)K時(shí)刻內(nèi)的狀態(tài)以發(fā)動(dòng)機(jī)驅(qū)動(dòng)為主時(shí)，則此刻關(guān)閉發(fā)動(dòng)機(jī).

3) 若轉(zhuǎn)矩差ΔT很大，即汽車(chē)需要很大的驅(qū)動(dòng)力，若電池SOC值很高，未來(lái)K時(shí)刻內(nèi)的狀態(tài)以發(fā)動(dòng)機(jī)驅(qū)動(dòng)為主時(shí)，此時(shí)保持發(fā)動(dòng)機(jī)工作在高效率區(qū)即可.若未來(lái)K時(shí)刻需要電機(jī)提供更多的驅(qū)動(dòng)力，此刻除了要保持發(fā)動(dòng)機(jī)工作在高效率區(qū)，還要保證電池有足夠的電量，以滿足未來(lái)電機(jī)的驅(qū)動(dòng).若電池SOC值很低或者在正常范圍內(nèi)，未來(lái)K時(shí)刻內(nèi)的狀態(tài)以發(fā)動(dòng)機(jī)驅(qū)動(dòng)為主時(shí)，此時(shí)車(chē)輛的需求轉(zhuǎn)矩由發(fā)動(dòng)機(jī)提供，不必向電池提供額外的轉(zhuǎn)矩.若未來(lái)K時(shí)刻需要電機(jī)提供更多的驅(qū)動(dòng)力，則發(fā)動(dòng)機(jī)除了要滿足車(chē)輛的需求轉(zhuǎn)矩外還要向電池充電，以滿足未來(lái)電機(jī)有足夠的驅(qū)動(dòng)力驅(qū)動(dòng)車(chē)輛.

4) 如需求轉(zhuǎn)矩與發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩差ΔT為零或大于零，表示整車(chē)的需求轉(zhuǎn)矩等于或大于發(fā)動(dòng)機(jī)的最優(yōu)轉(zhuǎn)矩，此時(shí)應(yīng)使發(fā)動(dòng)機(jī)工作在最優(yōu)轉(zhuǎn)矩范圍內(nèi)，剩余的轉(zhuǎn)矩由電機(jī)的輸出轉(zhuǎn)矩提供，若此時(shí)電池的SOC值很高，無(wú)論未來(lái)K時(shí)刻車(chē)輛處于什么運(yùn)行狀態(tài)，保持發(fā)動(dòng)機(jī)最優(yōu)輸出轉(zhuǎn)矩不變.若此時(shí)電池的SOC值很低，無(wú)論未來(lái)K時(shí)刻車(chē)輛處于什么運(yùn)行狀態(tài)，應(yīng)少量增大發(fā)動(dòng)機(jī)的輸出轉(zhuǎn)矩，保持電池在預(yù)期的范圍內(nèi).

5) 上述僅僅部分主要的控制規(guī)則，將輸入輸出的模糊范圍劃分多個(gè)區(qū)域，是為了提高控制規(guī)則的細(xì)化程度，根據(jù)不同的狀況使發(fā)動(dòng)機(jī)的輸出轉(zhuǎn)矩有更多的選擇，進(jìn)而提高汽車(chē)整體經(jīng)濟(jì)性能.

4仿真分析

為了驗(yàn)證所設(shè)計(jì)的控制策略的有效性，在Matlab/Simulink軟件中搭建馬爾科夫預(yù)測(cè)模塊和模糊邏輯控制模塊，并將其嵌入到Advisor2002仿真軟件中進(jìn)行仿真.選取雙軸并聯(lián)式混合動(dòng)力汽車(chē)模型作為仿真車(chē)型，主要的仿真參數(shù)見(jiàn)表2.汽車(chē)的行駛工況選擇典型的CYC_UDDS工況.

表2　主要部件的仿真參數(shù)

圖7　三種控制策略下的SOC值Fig.7　The SOC of three control strategies

圖8　CYC_UDDS工況下預(yù)測(cè)汽車(chē)運(yùn)行狀態(tài)的各種數(shù)據(jù)輸出圖Fig.8　Predict HEV various data output figure under the CYC_UDDS condition

圖7為三種控制策略仿真后的電池SOC的變化曲線圖.其中傳統(tǒng)模糊邏輯控制策略是指不考慮汽車(chē)未來(lái)狀態(tài)，僅以整車(chē)需求轉(zhuǎn)矩、整車(chē)需求轉(zhuǎn)矩差與發(fā)動(dòng)機(jī)最優(yōu)轉(zhuǎn)矩差和電池SOC值作為輸入變量的模糊控制策略.圖中的橫坐標(biāo)表示時(shí)間，縱坐標(biāo)表示電池的SOC值.三種控制策略的SOC值的初始值都為0.7，都最終降到0.63左右，表明電池在三種控制策略下的消耗量都是相同的，且都使電池SOC值保持在高充放電效率范圍內(nèi).圖8為在CYC_UDDS工況下預(yù)測(cè)汽車(chē)運(yùn)行狀態(tài)各種數(shù)據(jù)輸出圖，其中圖8(a)為在整個(gè)CYC_UDDS工況下車(chē)輛的電機(jī)輸出轉(zhuǎn)矩曲線圖，圖8(b)為在該工況下的發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩曲線圖，圖8(c)為車(chē)輛的需求轉(zhuǎn)矩曲線圖，圖8(a,b,c)中的橫坐標(biāo)表示時(shí)間，縱坐標(biāo)表示轉(zhuǎn)矩值.圖8(d)為在CYC_UDDS工況下馬爾科夫預(yù)測(cè)出的汽車(chē)未來(lái)狀態(tài)圖.圖8(e)為在CYC_UDDS工況下基于邏輯門(mén)限控制策略下的汽車(chē)運(yùn)行狀態(tài)圖.圖8(d,e)中的橫坐標(biāo)表示時(shí)間，縱坐標(biāo)表示汽車(chē)運(yùn)行狀態(tài).根據(jù)馬爾科夫預(yù)測(cè)原理滾動(dòng)優(yōu)化的特點(diǎn)，從圖8(d,e)可以看出：在整個(gè)工況前400 s兩種狀態(tài)相差比較大，但隨著時(shí)間的增加，馬爾科夫預(yù)測(cè)出的狀態(tài)逐漸趨近基于邏輯門(mén)限控制策略下的汽車(chē)運(yùn)行狀態(tài).通過(guò)對(duì)圖8的觀察，采用馬爾科夫預(yù)測(cè)理論來(lái)預(yù)測(cè)汽車(chē)未來(lái)狀態(tài)的方法基本符合表1中對(duì)混合動(dòng)力汽車(chē)未來(lái)狀態(tài)的劃分.

CYC_UDDS工況下3種控制策略的百公里燃油消耗量的仿真結(jié)果見(jiàn)表3,從表3中可以看出：馬爾科夫預(yù)測(cè)結(jié)合模糊邏輯控制策略相比邏輯門(mén)限控制策略將汽車(chē)的百公里燃油消耗減少了17.2%，相比于傳統(tǒng)模糊邏輯控制策略減少了2%.在電池消耗量相同的情況下，燃油消耗的減少說(shuō)明了采用馬爾科夫預(yù)測(cè)與模糊邏輯控制相結(jié)合的控制策略的有效性和提高了汽車(chē)燃油經(jīng)濟(jì)性.

為驗(yàn)證所設(shè)計(jì)的控制策略能夠適用于多種工況下，又分別選擇CYC_WVUSUB，CYC_NurembergR36和CYC_MANHATTAN三種工況進(jìn)行仿真，仿真結(jié)果見(jiàn)表3.從表3中可以看出：在這三種工況下，馬爾科夫預(yù)測(cè)結(jié)合模糊邏輯控制策略的百公里燃油消耗量都少于另外兩種控制策略，從而驗(yàn)證了馬爾科夫預(yù)測(cè)結(jié)合模糊邏輯控制策略適用于多種工況.

表3三種控制策略分別在三種不同工況下的百公里燃油消耗量

Table 3The fuel consumption under the different control strategy and condition

工況百公里燃油消耗量/L馬爾科夫模糊邏輯邏輯門(mén)限SOCCYC_UDDSCYC_WVUSUBCYC_NurembergR36CYC_MANHATTAN4.85.38.19.44.95.48.39.75.86.28.910.70.630.620.650.65

5結(jié)論

運(yùn)用馬爾科夫預(yù)測(cè)理論預(yù)測(cè)汽車(chē)未來(lái)一定時(shí)間段內(nèi)汽車(chē)的運(yùn)行的狀態(tài)，并與汽車(chē)的需求轉(zhuǎn)矩、車(chē)輛需求轉(zhuǎn)矩與發(fā)動(dòng)機(jī)轉(zhuǎn)矩差和電池的SOC作為模糊邏輯控制器的輸入變量，通過(guò)制定相應(yīng)的模糊邏輯控制策略，提高了汽車(chē)的燃油效率.模糊邏輯控制策略實(shí)現(xiàn)了發(fā)動(dòng)機(jī)和電機(jī)之間轉(zhuǎn)矩合理分配，并使電池的SOC值始終保持在高充放電效率范圍內(nèi).根據(jù)仿真結(jié)果也證明了運(yùn)用馬爾科夫預(yù)測(cè)理論來(lái)預(yù)測(cè)汽車(chē)未來(lái)運(yùn)行狀態(tài)的可行性.

參考文獻(xiàn)：

[1]肖湘寧,陳征,劉念.可再生能源與電動(dòng)汽車(chē)充放電設(shè)施在微電網(wǎng)中的集成模式與關(guān)鍵問(wèn)題[J].電工技術(shù)學(xué)報(bào),2013，28(2)：1-14.

[2]SANJAKA G W, ALI E. Classification and review of control strategies for plug-in hybrid electric vehicles [J]. IEEE Transactions on Vehicular Technology,2011,60(1):111-122.

[3]YANG Lianghui, HE Hongwen, SUN Fengchun, et al. Research of fuzzy logic control strategy for engine start/stop in dual-clutch hybrid electric vehicle[J]. Seventh International Conference on Fuzzy Systems and Knowledge Discovery,2010,6(8):912-917.

[4]肖仁鑫,李濤,鄒敢,等.基于隨機(jī)動(dòng)態(tài)規(guī)劃的混聯(lián)式混合動(dòng)力汽車(chē)能量管理策略[J].汽車(chē)工程,2013,35(4):317-322.

[5]舒紅,鄭軍,胡明輝,等.基于模型預(yù)測(cè)控制的混合動(dòng)力汽車(chē)下坡再生制動(dòng)策略[J].汽車(chē)工程,2013,35(9):775-780.

[6]GENG B, JAMESK M, SUN D. Energy management control of microturbine-powered plug-in hybrid electric vehicles using the telemetry equivalent consumption minimization strategy[J]. IEEE Transactions on Vehicular Technology,2011,60(9):4238-4248.

[7]張炳力,張平平,趙韓,等.基于離散動(dòng)態(tài)規(guī)劃的PHEV燃油經(jīng)濟(jì)性全局最優(yōu)控制水[J].汽車(chē)工程,2010,32(11):923-927.

[8]田毅,張欣,張昕,等.計(jì)及行駛工況影響的混合動(dòng)力汽車(chē)控制策略[J].汽車(chē)工程,2010,32(8):659-663.

[9]周勇有.基于馬爾科夫預(yù)測(cè)的混合動(dòng)力汽車(chē)控制策略:[D].吉林:吉林大學(xué),2009.

[10]葉圣永,王曉茹,周曙,等.基于馬爾可夫鏈蒙特卡羅方法的電力系統(tǒng)暫態(tài)穩(wěn)定概率評(píng)估[J].電工技術(shù)學(xué)報(bào),2012,27(6):168-174.

[11]張巖.面向混合動(dòng)力汽車(chē)能量管理策略的汽車(chē)運(yùn)行工況多尺度預(yù)測(cè)方法[D].吉林:吉林大學(xué),2013.

[12]倪成群,趙強(qiáng),張幽彤.插電式混合動(dòng)力客車(chē)電能消耗階段控制策略的研究[J].汽車(chē)工程,2014,36(1):12-16.

[13]曾國(guó)偉，趙國(guó)軍，邢海瀟，等.基于模糊控制技術(shù)的電梯群控系統(tǒng)設(shè)計(jì)[J].浙江工業(yè)大學(xué)學(xué)報(bào)，2009,37(1):115-118.

[14]WU Jian, ZHANG Chunheng, CUI Ningxia. Fuzzy energy management strategy for a hybrid electric vehicle based on driving cycle recognition[J]. International Journal of Automotive Technology,2012,13(7):1159-1167.

(責(zé)任編輯：劉巖)

作者簡(jiǎn)介：金燕(1964—)，女，浙江紹興人，副教授，研究方向?yàn)樽詣?dòng)化檢測(cè)和控制、混合動(dòng)力汽車(chē)控制策略等，E-mail:jya@zjut.edu.cn.

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61273116)

收稿日期：2014-09-30