郭海龍 張永棟 張勝賓

（1.廣東交通職業(yè)技術學院,廣州 510650；2.華南理工大學,廣州 510641）

基于能量效率的HEV多模式控制策略及判據(jù)研究＊

郭海龍1，2張永棟1,2張勝賓1

（1.廣東交通職業(yè)技術學院,廣州 510650；2.華南理工大學,廣州 510641）

以某款混聯(lián)式HEV為研究對象，建立了車輛動力系統(tǒng)仿真模型及整車能量控制策略優(yōu)化模型。對比不同需求驅(qū)動轉(zhuǎn)矩下的整車能量轉(zhuǎn)換效率發(fā)現(xiàn)，在電池剩余電量及車速相同條件下，隨著駕駛?cè)诵枨篁?qū)動轉(zhuǎn)矩的增加，HEV能量轉(zhuǎn)換效率呈現(xiàn)“凸拋物線”規(guī)律?；谠撘?guī)律，形成了HEV能量控制策略動力性、平衡性和經(jīng)濟性控制規(guī)則的劃分判據(jù)。

1 前言

整車驅(qū)動能量控制策略作為混合動力電動汽車（HEV）的核心技術之一，一直以來都是HEV研究的熱點和重點，國內(nèi)外眾多學者對此進行了探討[1-3]。然而，目前相關研究更多的是關注HEV在不同車速、剩余電量（SOC）和動力系統(tǒng)需求轉(zhuǎn)矩或需求功率前提下，動力系統(tǒng)的優(yōu)化問題[4-9]，鮮有學者就“HEV需求驅(qū)動轉(zhuǎn)矩對整車能量效率影響”的問題進行分析，進而對能量控制策略進行細化研究。基于此，以某款典型混聯(lián)式HEV為研究對象，通過建立HEV控制策略和控制策略優(yōu)化模型，選擇遺傳粒子群算法對HEV的能量控制策略進行優(yōu)化，并對不同駕駛員需求轉(zhuǎn)矩對動力系統(tǒng)的效率影響進行研究，以進一步揭示HEV能量轉(zhuǎn)換效率的內(nèi)在規(guī)律，并提高HEV的能量轉(zhuǎn)換效率。

2 HEV仿真模型的建立

2.1 HEV動力系統(tǒng)結(jié)構(gòu)及參數(shù)

研究對象為混聯(lián)式HEV，其動力系統(tǒng)主要由發(fā)動機、動力電池、發(fā)電機、電動機、行星齒輪變速機構(gòu)等部分組成，圖1為動力系統(tǒng)結(jié)構(gòu)簡圖，其中電動機與齒圈相連接將電驅(qū)動動力直接輸出，發(fā)電機與太陽輪連接，用來起動發(fā)動機或發(fā)電，發(fā)動機與行星架連接，動力一部分通過太陽輪帶動發(fā)電機發(fā)電，另一部分通過齒圈將燃油驅(qū)動動力輸出。齒圈作為油電驅(qū)動的疊加裝置，通過鏈條帶動中間軸，中間軸再將動力傳遞到主減速器和差速器，最終將動力傳遞到驅(qū)動輪。表1為混聯(lián)式HEV整車及動力學主要相關參數(shù)，包括動力傳動機構(gòu)齒輪齒數(shù)及效率參數(shù)等。

圖1 行星齒輪式混聯(lián)HEV動力總成結(jié)構(gòu)簡圖

表1 混聯(lián)式HEV整車主要參數(shù)

2.2 HEV整車建模

為了揭示HEV需求驅(qū)動轉(zhuǎn)矩與整車能量轉(zhuǎn)換效率之間的關系，需要建立研究對象的能量控制策略仿真模型，圖2為基于實車采集的試驗數(shù)據(jù)，運用MATLAB/Simulink、Cruise及ADVISOR軟件建立了混聯(lián)式HEV能量控制策略前向型整車仿真模型[10]，其中，模塊1為行星齒輪傳動機構(gòu)機構(gòu)模塊，用于計算不同驅(qū)動狀態(tài)下行星齒輪的傳動效率；模塊2為發(fā)動機實際輸出轉(zhuǎn)矩估算模塊，用于發(fā)動機優(yōu)化控制；模塊3為駕駛?cè)瞬僮髂K，包括加速及制動踏板行程、駕駛模式及擋位選擇等；模塊4為行駛狀況識別模塊，運用算法計算道路坡度和整車質(zhì)量，輸出到模塊5；模塊5為駕駛?cè)艘鈭D辨識模塊，輸出駕駛?cè)诵枨篁?qū)動轉(zhuǎn)矩或功率到模塊6；模塊6為控制策略優(yōu)化計算模塊，用于根據(jù)車輛狀態(tài)及駕駛?cè)艘鈭D，優(yōu)化得出動力系統(tǒng)各部件的工作點；模塊7為動力電池參數(shù)計算模塊，用于動力電池電壓、電流、SOC、溫度、效率等參數(shù)的仿真計算；模塊8為整車動力學和運動學計算模塊，用于仿真計算車速；模塊9為混合動力電動汽車能耗及廢氣排放計算模塊，輸出為HEV的能耗和排放數(shù)據(jù)，用來對控制策略的優(yōu)化結(jié)果進行評價。

圖2 混聯(lián)式混合動力汽車整車仿真模型

3 轉(zhuǎn)換效率與駕駛?cè)诵枨篁?qū)動轉(zhuǎn)矩關系研究

基于所建立的車輛仿真模型，為對能量控制策略進行優(yōu)化計算，需建立優(yōu)化計算數(shù)學模型，并選擇優(yōu)化計算方法進行尋優(yōu)計算。

3.1 HEV優(yōu)化模型

行駛過程中，齒圈需求轉(zhuǎn)矩、轉(zhuǎn)速和功率為：

式中，Trrcq為齒圈需求驅(qū)動轉(zhuǎn)矩；Tr為齒圈需求轉(zhuǎn)矩；Nm為電動機轉(zhuǎn)速；ua為車速；i0為主減速器傳動比；Pr為齒圈需求功率。

由混聯(lián)式HEV行星齒輪關系可得如下參數(shù)關系式：

式中，Ng為發(fā)電機轉(zhuǎn)速；Ne為發(fā)動機轉(zhuǎn)速；p為行星齒輪特征參數(shù)；Tg為發(fā)電機轉(zhuǎn)矩；Tc為發(fā)動機轉(zhuǎn)矩；ηp為行星齒輪組效率；Tm為電動機轉(zhuǎn)矩；Pcrank為曲軸輸出功率；Pm為電動機功率；ηess_c為動力電池充電效率；ηess_dis為動力電池放電效率。

動力電池功率Pess在發(fā)電機和電動機不同功率條件下是不同的，如下：

式中，pg為發(fā)電機功率；ηg為發(fā)電機效率；ηm為電動機效率；ηess_dis為動力電池放電效率；ηess_c為動力電池充電效率。

式中，ηave為發(fā)動機的平均效率；為修正后的發(fā)動機效率。

發(fā)動機曲軸輸出功率Ptank與油箱輸出功率Pcrank的關系為：

考慮動力電池充放電狀態(tài)下，發(fā)動機油箱真正用于驅(qū)動汽車的輸出功率Ptank_t為：

整個系統(tǒng)的能量轉(zhuǎn)化率為：

式中，Pring_r為齒圈需求功率。

為了降低HEV的油耗，需要對發(fā)動機、電動機、發(fā)電機及動力電池的工作點進行優(yōu)化，使得整車綜合效率最高，故將優(yōu)化目標函數(shù)取為系統(tǒng)能量轉(zhuǎn)化率最大，即取優(yōu)化目標函數(shù)為能量轉(zhuǎn)化率的倒數(shù)最?。?/p>

發(fā)電機、電動機、發(fā)動機和動力電池的約束函數(shù)如下：

以上約束函數(shù)首先要求發(fā)動機、發(fā)電機和電動機的轉(zhuǎn)速和轉(zhuǎn)矩在可實現(xiàn)范圍內(nèi)，其次要求電池充放電功率小于最大允許功率。

3.2 優(yōu)化方法研究

由式（11）和式（12）可知，混聯(lián)式HEV能量控制策略優(yōu)化目標函數(shù)過于復雜，無法求得其梯度信息，因此傳統(tǒng)優(yōu)化方法難于求解，仿生算法已被證明適合該類問題求解，其中遺傳算法具有群體進化特點，粒子群算法具有快速收斂優(yōu)點，可用于本優(yōu)化問題。

3.2.1 遺傳算法原理

遺傳算法是一種高效全局尋優(yōu)算法，其不借助優(yōu)化目標函數(shù)的梯度來尋優(yōu)。步驟如下：

a. 染色體編碼、譯碼。

假設某個體二進制碼為bkbk-1bk-2…b2b1，則可按式（13）解碼：

b.個體適應度檢測：為了計算每個個體遺傳到下一代的概率值，需要計算其目標函數(shù)適應度。

c.下一代個體形成。

選擇：假設M為種群個體數(shù)量，fi為個體i的適應度值，則該個體遺傳到下一代的概率為：

交叉：首先任意選擇個體2個，再選擇交叉位置，最后互換基因碼。

變異：對擬變異的個體任意基因位，將其基因碼進行翻轉(zhuǎn)，即形成型個體。

3.2.2 粒子群算法原理

粒子群算法通過模擬動物尋物來尋優(yōu)，精度高、收斂快是其主要優(yōu)點。算法將每個個體看作是一個沒有體積和質(zhì)量的粒子，并在搜索空間飛行尋優(yōu)，其飛行速度由個體經(jīng)驗和群體經(jīng)驗進行動態(tài)調(diào)整。

一般來講，一個粒子群由m個粒子組成，其第i粒子是由3個N維向量組成：

其中，i=1,2,…,m。

基本PSO群算法的進化方程可描述為：

式中，t表示第t代；，為變速常數(shù)；，為相互獨立的隨機函數(shù)。

由式（15）可知，c1用來調(diào)節(jié)微粒向自身最好位置移動的步長，c2用來調(diào)節(jié)微粒向全局最好位置移動的步長。

3.2.3 遺傳算法和粒子群算法的對比研究

遺傳算法模擬生物進化來尋優(yōu)計算，其優(yōu)點是群體尋優(yōu)、不易陷入局部最優(yōu)、可應對復雜優(yōu)化問題等，缺點是效率較低。粒子群算法的粒子具有記憶功能，無交叉變異，僅可據(jù)自身速度尋優(yōu)；遺傳算法比較均勻地向最優(yōu)區(qū)域逼近，而粒子群算法的最優(yōu)微粒可單向傳遞信息給其他微粒，因此可快速收斂。基于此，可將二者結(jié)合，即用遺傳粒子群算法來對HEV能量控制策略進行高效、快速、全局尋優(yōu)，其核心思想是粒子群下一代微粒的位置和速度由上一代粒子進行遺傳雜交求得。

3.3 優(yōu)化結(jié)果

以SOC、車速、齒圈上的需求功率或轉(zhuǎn)矩為已知參數(shù)，以發(fā)動機、電動機、發(fā)電機工作點為優(yōu)化變量，以式（11）為優(yōu)化目標函數(shù)，以式（12）為約束函數(shù)，運用遺傳粒子群算法，進行尋優(yōu)計算。

表2為優(yōu)化工作點，即SOC從0.4～0.8以0.05等差遞增，車速從10～165以5遞增，齒圈上的需求轉(zhuǎn)矩從3～468以3遞增，可知需優(yōu)化工況點為44 928（9×32×156）個，其中每個優(yōu)化工況點，運行優(yōu)化程序1次。表3為優(yōu)化部分結(jié)果。

表2 優(yōu)化工況點

圖3為SOC=0.4時，發(fā)動機工況點優(yōu)化結(jié)果，由該MAP圖可知，在SOC不變情況下，發(fā)動機轉(zhuǎn)速和轉(zhuǎn)矩均隨車速和齒圈上需求功率的提高而提高，該MAP圖可用于HEV能量控制策略的直接查表運算，進而提高HEV的ECU運行速度。

表3 優(yōu)化結(jié)果部分數(shù)據(jù)

圖3 發(fā)動機轉(zhuǎn)速和轉(zhuǎn)矩優(yōu)化結(jié)果MAP圖

3.4 “凸拋物線”規(guī)律的發(fā)現(xiàn)及其意義

圖4橫坐標為SOC從0.4～0.8，車速從10～165km/h，齒圈上的需求轉(zhuǎn)矩從3～468 N·m共44 928個工況點組成的序列，縱坐標為相應的目標函數(shù)值f，由圖4a可知，在整個f值序列里，存在多個“U”形拋物曲線。圖4b是將其局部放大后的結(jié)果，可以明顯看出該曲線的特征，每一條“U”形拋物曲線均表示SOC和車速一定的前提下，不同齒圈需求轉(zhuǎn)矩或功率求得的最佳工作點相應的優(yōu)化目標函數(shù)f值，存在局部“極小值”，對于能量轉(zhuǎn)化效率而言，該曲線現(xiàn)狀取倒數(shù)，即為“凸拋物線”形曲線。

圖4 不同車速、需求轉(zhuǎn)矩條件下的f值序列及其局部放大圖

該“U”形拋物曲線規(guī)律的發(fā)現(xiàn)可用于HEV多模式能量控制策略的模式劃分，即取每條“U”形曲線的最低點作為該條曲線的最佳齒圈需求轉(zhuǎn)矩Trreq_per，并將該轉(zhuǎn)矩點作為經(jīng)濟型模式的特征點，如圖4b中的實線圓圈，可取經(jīng)濟型特征點和其右側(cè)“U”形曲線最高點之間的中間點作為平衡型轉(zhuǎn)矩Trreq_bal特征點，如圖4b中的虛線圓圈，從而形成動力型、經(jīng)濟型、平衡型能量控制策略的控制規(guī)則，其中發(fā)動機控制工作點分別可由式（18）～式（22）求得，電動機及發(fā)電機可由式（2）～式（4）計算得到。

動力型模式：

經(jīng)濟性模式：

平衡型模式：

由式（18）～式（22）可知，因為經(jīng)濟型模式和平衡型模式均對齒圈上的轉(zhuǎn)矩進行了不同程度的限制，使得經(jīng)濟型模式效率高而動力性低，動力性模式反之，平衡型模式介于二者之間。

4 結(jié)束語

以某款典型的混聯(lián)式HEV為研究對象，分析了動力系統(tǒng)結(jié)構(gòu)及參數(shù)，基于實車采集的數(shù)據(jù)建立了MATLAB/Simulink仿真計算模型。結(jié)合研究對象，建立了HEV能量控制策略優(yōu)化模型，得出如下結(jié)論：

a. 在SOC及車速已知條件下，不同齒圈需求轉(zhuǎn)矩經(jīng)過優(yōu)化所得的目標函數(shù)值不同，呈現(xiàn)“U”形拋物線曲線規(guī)律，即存在一個能量轉(zhuǎn)化效率最高的點。

b. 基于該“U”形曲線規(guī)律，形成了HEV能量控制策略動力性、平衡性和經(jīng)濟性控制規(guī)則的劃分判據(jù)。

1 Al-Alawi BM，Bradley TH.Review of Hybrid,Plug-in Hybrid，and Electric Vehicle Market Modeling Studies.Renew Sustain Energy Rev 2013；21：190–203.

2 Chen Z，Xiong R，Wang C，et al.An on-Line Predictive Energy Management Strategy for Plug-in Hybrid Electric Vehicles to Counter the Uncertain Prediction of the Driving cycle[J].Applied Energy，2016..

3 Chen S， Hung Y，Wu C， et al. Optimal Energy Management of a Hybrid Electric Powertrain System Using Improved Particle Swarm Optimization[J].Applied Energy，2015，160：132145.

4 左義和，項昌樂，閆清東，等.基于動態(tài)規(guī)劃算法的混聯(lián)混合動力汽車控制策略［J］.吉林大學學報(工學版)，2011，41(4)：898–903.

5 王偉達，項昌樂，劉輝.混聯(lián)式混合動力系統(tǒng)多能源綜合控制策略[J].哈爾濱工業(yè)大學學報，2012，44(1)：138–143.

6 肖仁鑫，李濤，鄒敢，等.基于隨機動態(tài)規(guī)劃的混聯(lián)式混合動力汽車能量管理策略[J].汽車工程.2013(04)：317–321.

7 Xiong Weiwei，Zhang Yong，Yin Chengliang. Optimal Energy Management for Series-parallel Hybrid Electric Bus［J］.Energy Conversion and Management，2009，50：1730–1738.

8 Bianchi，Domenico，Rolando，Luciano，Serrao，Lorenzo，et al.A Rule-Based Strategy for a Series/parallel Hybrid Electric Vehicle:An Approach Based on Dynamic Programming[C].DSCC2010,United States:American Society of Mechanical Engineers,2010：507–514.

9 Joonyoung Park，Jonghan Oh，Youngkug Park，Kisang Lee.Optimal Power Distri-bution Strategy for Series-Parallel Hybrid Electric Vehicles[C]. Strategic Technology，The 1st International Forum on，2007，United States，IEEE，2007：37-43.

10 郭海龍.基于行駛狀況識別的混聯(lián)式HEV多模式能量控制策略研究［D］.廣州：華南理工大學.

Study on HEV’s Multi-Mode Control Strategy and Criteria Based on Energy Efficiency

Guo Hailong1,2,Zhang Yongdong1,2,Zhang Shengbin1
（1.Guangdong Communication Polytechnic,Guangzhou 510650;2.South China University of Technology,Guangzhou 510641）

Simulation model of vehicle driving system and energy control strategy optimization model have been built with a series-parallel HEV as research object.Vehicle energy conversion efficiency under different demanded driving torques was compared,which indicated that HEV energy conversion efficiency showed a“U”parabola rule with the increase of demand torque,under the same battery remaining capacity and vehicle speeds.Based on this rule,the division criteria of control rule for HEV energy strategy dynamic property,balance and economy was formed.

Parallel-series,HEV,Multi-mode energy control strategy,Genetic particle swarm algorithm,Demand driving torque,Energy conversion efficiency.

混聯(lián)式 HEV 多模式能量控制策略 遺傳粒子群算法 需求驅(qū)動轉(zhuǎn)矩 能量轉(zhuǎn)換效率

U469.7 文獻標識碼：A 文章編號：1000-3703（2017）12-0028-06

（1）廣東省優(yōu)秀青年教師培養(yǎng)項目（編號：YQ2013197）資助；（2）廣東省高等學校高層次人才項目（編號：2013-203）資助；（3）廣東省交通運輸廳節(jié)能減排項目（編號：節(jié)能-2014-06-002）資助。

（責任編輯簾 青）

修改稿收到日期為2017年9月1日。