摘 要：混合動力電動汽車其中一個非常重要的技術是控制策略，文章對混合動力汽車控制策略進行了分類及分析，指出混合動力汽車的控制策略的缺點和不足，需要進一步優(yōu)化，整車性能會受到動力系統(tǒng)匹配參數(shù)和控制策略參數(shù)二者的共同影響，提出一種結合了遺傳算法和模擬退火算法二者的優(yōu)化算法。

關鍵詞：混合動力電動汽車；控制策略；優(yōu)化

1 概述

對于不同類型的混合動力汽車，已經(jīng)研究出來很多不同種類的控制策略，但是對于所有類型的混合動力汽車來說，控制策略的參數(shù)優(yōu)化有著很大的共通。一般情況下，都是根據(jù)以往的經(jīng)驗來設定一套大概的值，然后進行參數(shù)的微調(diào)找到最合適的參數(shù)。然而這種嘗試的辦法很難鎖定最佳的參數(shù)搭配方案，因此在參數(shù)優(yōu)化的過程中就使用優(yōu)化算法來解決問題。

2 控制策略的分類

2.1 基于規(guī)則的能量管理策略

2.1.1 邏輯門限值控制方法。通過閾值的設置來限制發(fā)動機的有效工作范圍，控制發(fā)動機和電池在高效率范圍內(nèi)工作。該算法簡單易實現(xiàn)，應用較普遍。此種策略中要提前設置閾值，所以造成控制系統(tǒng)較難隨時匹配實際的情況和參數(shù)的改變，同時也忽略了電機的效率情況，所以這種靜態(tài)控制策略并不是最優(yōu)的。

2.1.2 基于模糊控制的智能型控制策略。該策略來源于人類的思維方式，提取被控系統(tǒng)的定性和定量信息，通過推理來控制一些很難模型化的系統(tǒng)。由于不能夠模型化，所以設計者通過自己以往的經(jīng)驗來提煉規(guī)則。

2.2 瞬時優(yōu)化控制策略

對于不同的功率分配以及地點，該策略實時監(jiān)控發(fā)動機和電動機的消耗燃油量和排放量，通過這些數(shù)據(jù)得到最適合該混合動力系統(tǒng)的工作模式以及地點。該策略目前并未廣泛使用。

2.3 全局優(yōu)化控制策略

全局最優(yōu)控制策略是根據(jù)最優(yōu)化方法和最優(yōu)控制理論而得到的策略，用于分配混合驅動動力。若想使用該策略最重要的前提是清楚汽車的行程，由于這一點的限制，該策略目前尚未投入實用階段。所以，可以說全局最優(yōu)控制策略僅僅稱得上是一種控制策略設計的方法。

3 參數(shù)優(yōu)化算法

3.1 遺傳算法概述

遺傳算法實質上是一種高效并行在全局范圍內(nèi)進行搜索的方法，該方法借鑒了生物界的自然選擇規(guī)律和自然遺傳機制[2]。該方法的搜索不需要提供梯度信息便可以自己得到搜索空間范圍內(nèi)的信息并進行疊加。在處理空間問題參數(shù)的時候，要先將空間問題參數(shù)進行編碼才能進行，也就是把這些參數(shù)轉換成遺傳空間內(nèi)的特定染色體或個體，他們是根據(jù)基因以某些特定的結構形成的。下一步使用選擇、交叉和變異等遺傳算子，模擬生物種群在大自然環(huán)境中的自然選擇過程，優(yōu)勝劣汰從而進化，直到將要求解的集合收斂于最優(yōu)狀態(tài)。

3.2 模擬退火算法概述

模擬退火算法的原理是固體退火，固體退火指的是加熱固體使其溫度足夠高，然后慢慢的降溫，加熱溫度升高的過程中，固體內(nèi)部粒子的排列沒有順序，使得內(nèi)能增大，慢慢降溫的過程中粒子呈有序排列，當?shù)竭_常溫的時候回到穩(wěn)定的基態(tài)，此時內(nèi)能達到最小值[3]。使用該原理來模擬解決組合優(yōu)化問題，將內(nèi)能E模擬為目標函數(shù)值f，溫度T看做控制參數(shù)t，就演化為我們所使用的模擬退火算法。模擬退火算法是一種隨機組合優(yōu)化方法，它是在局部搜索算法的基礎之上演變而來的。模擬退火算法以一定的概率選擇區(qū)域內(nèi)費用值大的狀態(tài)，這也是其區(qū)別于局部搜索的地方。當初始溫度足夠高而溫度下降的足夠慢時，該算法完全能夠收斂到全局最優(yōu)值。當系統(tǒng)溫度較高時該算法能夠使之避免局部最優(yōu)，而且當系統(tǒng)在溫度下降到接近全局最優(yōu)點的時，該算法能夠極大地避免此時接受次優(yōu)解的情況出現(xiàn)。

3.3 組合優(yōu)化算法的編程

遺傳算法的優(yōu)勢是具有很高的在全局范圍內(nèi)進行搜索能力，然而當進化群體中存在為數(shù)不多的幾個個體，它們相較于剩余其他個體具有很高的適應函數(shù)值，不用經(jīng)過幾次迭代這些個體便會占據(jù)整個種群，此時就會將進化過程收斂，而并不是真正的收斂，也就是所謂的“過早收斂”，這是遺傳算法的不足之處。而模擬退火算法在局部范圍內(nèi)的搜索能力具有極大的優(yōu)勢，所以在這里將遺傳算法和模擬退火算法進行結合，將模擬退火算法演變，做為遺傳算法中的一個獨立算子看待，整個算法的具體過程是：首先隨機分散的抽取出個體組成一組最初的群體，然后使用普通的遺傳算子得到一組新的個體，在這些個體中進行篩選出一些較優(yōu)秀的個體，單獨使用模擬退火算法處理，從而得到這些優(yōu)秀個體鄰域內(nèi)的新的個體，存在一定的可能性是這些新的個體比原來的個體要好，所以防止了少數(shù)優(yōu)秀個體占據(jù)種群的情況發(fā)生，解決了算法過早收斂的問題，又極大的加快了種群的進化速度。如圖1所示，是遺傳算法和模擬退火算法相結合的組合優(yōu)化算法流程圖。

文章使用遺傳算法和模擬退火算法相結合的組合優(yōu)化算法求解，選取的設計變量定為動力系統(tǒng)匹配參數(shù)和控制策略參數(shù)，目標函數(shù)選取為燃油經(jīng)濟性和排放，以加速性能、爬坡性能、荷電狀態(tài)校正為約束。圖2所示為優(yōu)化流程圖。

4 結束語

文章對混合動力汽車控制策略進行了分類及分析，指出混合動力汽車的控制策略的缺點和不足，需要進一步的優(yōu)化。文章在詳細論述遺傳算法和模擬退火算法的基礎之上，提出了將兩種算法相結合的組合優(yōu)化算法。

參考文獻

[1]劉明輝.混合動力客車整車控制策略及總成參數(shù)匹配研究[D].吉林大學，2006，4.

[2]雷英杰，張善文，李續(xù)武，等.Matlab-遺傳算法工具箱及應用[M].西安：西安電子科技大學出版社，2005，4.

作者簡介：張文康（1994，09-），男，漢族，安徽省蚌埠市，本科，安徽農(nóng)業(yè)大學，主要研究方向：汽車安全控制及新能源汽車。

潘文章（1994，06-），男，漢族，浙江省湖州市，本科，安徽農(nóng)業(yè)大學，主要研究方向：汽車安全控制及新能源汽車。