陳德海,王一棟
(江西理工大學電氣工程與自動化學院,江西 贛州 341000)
新能源汽車
基于雙模糊控制的混合動力汽車能量管理策略研究
陳德海,王一棟
(江西理工大學電氣工程與自動化學院,江西 贛州 341000)
以一種混聯(lián)式混合動力汽車的能量管理策略作為研究內容,以優(yōu)化其燃油經濟性和排放性能為目的,提出了一種基于雙模糊控制的能量管理策略。所設計的優(yōu)化模糊控制器應用在車輛驅動和制動兩種模式下,并把在MATLAB/SIMULINK中建立的模糊控制模型和在advisor中建立的車輛模型相互嵌套,進行聯(lián)合仿真。仿真結果表明,該控制策略可以有效改善車輛節(jié)能減排效果。
混合動力汽車;雙模糊控制;能量管理策略;聯(lián)合仿真
CLC NO.:TP29Document Code:AArticle ID:1671-7988 (2017)06-37-05
隨著傳統(tǒng)內燃機汽車保有量的迅猛增長,全球環(huán)境污染的日益嚴重與石油能源的日趨匱乏,世界各國都出臺了一系列節(jié)能減排的政策,大力發(fā)展清潔能源也隨之成為了當前的首要任務?;旌蟿恿ζ噾{借自身所擁有的兩個動力源(熱動力源和電動力源),在新能源汽車發(fā)展過程中擁有著不可替代的地位[1]。而能量管理策略作為混合動力汽車控制的核心內容,也是車輛實現(xiàn)減少尾氣排放和提高燃油經濟性的關鍵[2]。能量管理策略是在車輛滿足一定預期的條件下,對電動力源和熱動力源進行合理優(yōu)化分配,從而實現(xiàn)節(jié)能減排的目標[3]。
當前國內應用最多的是靜態(tài)邏輯門限控制策略[4],該策略基于車輛所選取的發(fā)動機穩(wěn)態(tài)效率圖(MAP)來分配混合動力系統(tǒng),但是其控制目標單一,沒有考慮行駛過程中的動態(tài)變化。瞬時優(yōu)化能量管理策略[5-6]具有良好的實時性,可以解決靜態(tài)邏輯門限控制策略的不足,它能夠獲得當前工況下的能量,并計算一組權值來設定在瞬時能量消耗比重。但該策略計算負荷非常大,算法過于復雜,且需要構建精確的車輛模型,很難具有實用性。全局優(yōu)化能量管理策略[7]綜合了最優(yōu)控制理論和最優(yōu)化方法,但其前提是預知車輛的所有工況,且計算量大,具有一定的局限性。模糊邏輯能量控制策略具有優(yōu)秀的魯棒性和自適應能力,是一種極其適合混合動力汽車能量管理的控制策略[8-11]。車輛行駛為一個非線性且需要快速反應的過程,而模糊控制可以通過類似于人類思維來表現(xiàn)難以精確定量的因素,且規(guī)避了傳統(tǒng)查表法的不足,在一定程度上提高了車輛控制的計算速度與精度。然而目前幾乎所有的研究都僅僅在車輛的驅動模式下應用到模糊控制。本文將模糊控制應用于混合動力汽車驅動與制動過程中的能量管理控制,并用遺傳算法對所設計的雙模糊控制器進行參數(shù)優(yōu)化,使該控制器的表現(xiàn)更符合實際操作者的行為,從而達到更好的控制效果。
1.1 車輛動力系統(tǒng)結構圖
混聯(lián)式混合動力車輛的動力系統(tǒng)包括:發(fā)動機、起動發(fā)電一體化電機(Integrated starter generator,ISG)、驅動電動機(Traction motor,TM)、離合器、變速器、減速器和蓄電池組等[12]。如圖1所示,該車輛的ISG電機轉子與發(fā)動機的曲軸直接聯(lián)結,TM 在離合器和變速器之間,作用在離合器輸出軸上,并通過減速器和發(fā)動機的輸出相耦合。
圖1 混合動力汽車動力系統(tǒng)結構
1.2 整車動力學模型
車輛以車速v行駛在坡度為α的道路上時,受到重力mg,滾動阻力Ff,空氣阻力Fw,爬坡阻力Fi,加速助力Fj和驅動力Fa的作用,如圖2所示。
圖2 車輛受力示意圖
依據(jù)牛頓第二定律可得以下動力學方程。
式(2)中,F(xiàn)f為滾動阻力系數(shù),CD為空氣阻力系數(shù),A為迎風面積,ρ為空氣密度,vr為相對速度,δ為汽車旋轉質量換算系數(shù)。
1.3 發(fā)動機模型
發(fā)動機將燃油的化學能轉化為動能和熱能,是混合動力汽車的熱動力源,也是車輛的主要能量來源和排放來源。
發(fā)動機轉矩、轉速計算公式:
其中,Treal為實際可提供轉矩,Te為發(fā)動機輸出轉矩,Tacc為加速轉矩,Toff為節(jié)氣門關閉時轉矩,Te-max為發(fā)動機最大轉矩,ωe為發(fā)動機角速度,ωrea為需求角速度。
排放計算公式[13]
式(6)中,HC為碳氫化合物,CO為一氧化碳,NOX為氮氧化合物,PM為粉塵顆粒,KT發(fā)動機溫度修正系數(shù)。
1.4 電機模型
電動機在車輛行駛過程中將根據(jù)需求轉矩的不同,作為電動機或發(fā)電機。
當 Tm-req>0時,電機作為電動機。
當 Tm-req<0時,電機作為發(fā)電機。
其中,Pm為電機功率,ωm為電機轉速,Tm為電機轉矩,ηm(ωm,Tm)為電機效率,Tm-req為電機需求轉矩,m為電機質量,r為電機轉子半徑,Tm-max為電機最大轉矩。
1.5 電池模型
SOC是蓄電池最為關鍵的指標,它可以充分衡量蓄電池的充放電能力,也是影響車輛控制的關鍵變量。
式中,Qmax為蓄電池最大放電量,Quse為蓄電池當前放電量,Iess為蓄電池充放電電流。
混聯(lián)式混合動力汽車具有兩個動力源,根據(jù)其系統(tǒng)方案可確定一下7種可能出現(xiàn)的車輛運行狀態(tài)[14],如表1所示。
表1 混合動力汽車運行狀態(tài)分類
如表1所示,發(fā)動機有驅動、怠速、停機三種狀態(tài),電機有驅動、充電、空轉三種狀態(tài),離合器有分離、結合兩種狀態(tài)(離合器滑膜忽略不計)。傳統(tǒng)能量管理策略會根據(jù)車輛的工況,讓車輛在這些狀態(tài)內不斷地切換。而當何時切換狀態(tài)的條件由一些事先設定的參數(shù)來控制,這些參數(shù)往往來自于經驗,如圖3所示。
圖3 狀態(tài)模式切換流程圖
文章將總需求轉矩Treq,電池SOC值和需求車速Vreq、總制動轉矩Tn,分別作為驅動模糊控制器和制動模糊控制器的輸入量,發(fā)動機輸出轉矩Te-out和電機輸出轉矩系數(shù)η,分別為輸出量。
電動機需求轉矩Tm-req由式(12)可得:
摩擦制動轉矩Tf-b由式(13)可得:
雙模糊控制器的控制原理如圖4所示。
圖4 雙模糊控制器原理框圖
3.1 變量模糊化
3.2 變量模糊區(qū)間劃分
文章根據(jù)均勻分割的方式,將輸入量Treq分為7個模糊子集,將SOC、Vreq、Tn、Te-out和η分為5個模糊子集,并用相應的語言名稱一一對應,如表2、3所示。
表2 Treq模糊子集劃分表
表3 SOC、Vreq、Tn、Te-out和η模糊子集劃分表
3.3 隸屬函數(shù)設計
本文在符合混合動力汽車動力控制系統(tǒng)的要求下,將三角形和梯形組合作為各個變量的隸屬函數(shù),以總需求轉矩Treq和SOC為例,具體如圖5、6所示。
圖5 Treq隸屬函數(shù)圖
圖6 SOC隸屬函數(shù)圖
3.4 模糊規(guī)則設計
針對驅動模糊控制器,輸入量Treq和SOC,分別有7個和5個模糊子集,則可設計35條模糊規(guī)則,同理,制動模糊控制器可設計125條模糊規(guī)則。
表3 驅動模糊控制器模糊規(guī)則
制動模糊控制器規(guī)則:
1)IF TnIS NVB, VreqIS VS, SOC IS VH,
THEN η IS VS.
2)IF TnIS NVB, VreqIS VS, SOC IS H,
THEN η IS VS.
3)IF TnIS NVB, VreqIS VS, SOC IS M,
THEN η IS S.
……
125 IF TnIS NVS, VreqIS VB, SOC IS VL,
THEN η IS VB.
根據(jù)模糊規(guī)則和隸屬函數(shù),等到驅動和制動模糊控制器的輸出量曲面圖,如圖7、8所示。
圖7 驅動模糊控制器輸出量曲面圖
圖8 制動模糊控制器輸出量曲面圖
3.5 變量清晰化
模糊控制器中的輸入量經過模糊規(guī)則的推理得到的也是模糊量,所以必須對其進行清晰化。以電機輸出轉矩系數(shù) η為例,利用centroid對其清晰化,公式如下。
得到清晰值η0后,利用式(14)對其轉化為實際輸出值。
為了驗證雙模糊控制器能夠達到預期的節(jié)能減排的目的,將在 MATLAB[15]環(huán)境下搭建的雙模糊控制器嵌套在Advisor中所建立的車輛模型中,然后對其進行聯(lián)合仿真。
在 advisor中將模糊控制策略設置在原車輛控制策略Control strategy模塊內。然后設置車輛各部件參數(shù),選取我國法定工況CYC-NEDC作為本文研究工況。
圖9和圖10為參數(shù)相同的混合動力汽車在相同工況下電機在不同能量控制策略下的工作效率分布圖,通過對比可知,在雙模糊控制下的電機擁有更好的工作效率,主要集中在0.6-0.85。
圖9 邏輯門限控制下電機的工作效率分布圖
圖10 雙模糊控制下電機的工作效率分布圖
圖11和12為參數(shù)相同的混合動力汽車在相同工況下發(fā)動機在不同能量控制策略下的工作效率分布圖。通過對比可知,在雙模糊控制下的發(fā)動機工作點較為集中,且主要集中在工作高效率區(qū)。
圖11 邏輯門限控制下發(fā)動機的工作效率分布圖
圖12 雙模糊控制下發(fā)動機的工作效率分布圖
圖13、14和圖15、16為參數(shù)相同的混合動力汽車在相同工況下,電池在不同能量控制策略下的充放電效率圖,通過對比可知,在雙模糊控制下的電池充放電效率較高,充電效率可高達0.9。
圖13 邏輯門限控制下電池充電效率圖
圖14 雙模糊控制下電池充電效率圖
圖15 邏輯門限控制下電池放電效率圖
圖16 雙模糊控制下電池放電效率圖
具體仿真結果如表4所示:
表4 不同能量管理策略仿真結果對比表
由表4可知,混合動力汽車在采用雙模糊控制策略的情況下能夠更好地節(jié)能減排,具有更佳的經濟性。
本文所設計的雙模糊能量管理控制策略利用 MATLAB環(huán)境下的advisor仿真軟件對其進行聯(lián)合仿真。結果表明,相同參數(shù)車輛在相同工況下采用雙模糊控制能量管理策略可以更好地降低廢氣排放和燃油消耗,提高了整車的系統(tǒng)效率,進一步優(yōu)化了節(jié)能減排效果。
[1] 趙治國,何 寧,朱 陽,等. 四輪驅動混合動力轎車驅動模式切換控制[J].機械工程學報.2011,47(4):100-109.
[2] 王磊,張 勇,舒 杰,等. 基于模糊自適應滑模方法的混聯(lián)式混合動力客車模式切換協(xié)調控制[J].機械工程學報,2012,48(14):119 -127.
[3] Sabri M F, Danapalasingam K A, Rahmat M F. A review on hybrid electric vehicles architecture and energy management strategies[J]. Renewable & Sustainable Energy Reviews, 2016, 53:1433-1442.
[4] 梁 龍,張 欣.并聯(lián)式混合動力汽車多能源動力總成控制單元的研究與開發(fā)[J]. 高技術通信.2003.26(4):92-96.
[5] Johnson V H, Wipke K B, Ransen D J. HEV control strategy for real time optimization of fuel economy and emissions [J]. SAE transactions, 2000, 109(3): 1677-1690.
[6] 李禮夫,曹明軒. 混聯(lián)式混合動力電動汽車動力系統(tǒng)能量控制策略瞬時優(yōu)化方法[J].自動控制與檢測, 2013,5:35-39.
[7] 云非. 混合動力客車動力系統(tǒng)設計[D]. 武漢:武漢理工大學,2008.
[8] 熊偉威. 混聯(lián)式混合動力客車能量優(yōu)化管理策略研究[D]. 上海:上海交通大學,2009.
[9] 劉金琨. 智能控制(第3版) [M]. 北京:電子工業(yè)出版社.2014.
[10] 石辛民,郝整清. 模糊控制及其MATLAB仿真[M]. 北京:清華大學出版社,2008.
[11] 陳德海,曹威鋒,付長勝.基于模糊神經網絡的混聯(lián)式混合動力汽車驅動系統(tǒng)工作狀態(tài)控制研究[J].江西理工大學學報,2014,35(5):56-61.
[12] 余志生. 汽車理論(第5版) [M]. 北京:機械工業(yè)出版社,2011.
[13] 曾小華,宮維鈞. Advisor 2002電動汽車仿真與再開發(fā)運用[M].北京:機械工業(yè)出版社,2014.
[14] 李永剛,解慶波,秦大同,等.基于工況識別的混合動力汽車能量管理策略優(yōu)化[J].機械傳動.2016,40(5):64-69.
[15] 歐陽明高,李建秋,楊福源,等.汽車新型動力系統(tǒng):構建、建模與控制[M]. 北京:清華大學出版社,2008.
Research on energy management strategy for HEV based on Double-Fuzzy control
Chen Dehai, Wang Yidong
( College of Electric Engineering and Automation, Jiangxi University of Science and Technology, Jiangxi Ganzhou 341000 )
In order to optimize the fuel economy and emission performance of a hybrid electric vehicle (HEV), the energy management research on HEV based on Double-Fuzzy controller designed in this strategy will be applied in both vehicle driving and braking modes, and the fuzzy control model established in MATLAB/SIMULINK and the vehicle model built in advisor are nested and collaboratively simulated. The simulation results show that the control strategy can effectively optimize the effect of vehicle energy saving and emission reduction.
hybrid electric vehicle (HEV); double-fuzzy control; energy management strategy (EMS); joint simulation
TP29
A
1671-7988 (2017)06-37-05
陳德海(1978—),副教授,就職于江西理工大學電氣工程與自動化學院。碩士研究生導師研究方向:控制論與工程、汽車電子、自動控制。
江西省自然科學項目基金(20151BAB206034)資助。
10.16638/j.cnki.1671-7988.2017.06.012