張冰戰(zhàn), 蔣 通, 李開放

(合肥工業(yè)大學 汽車與交通工程學院,安徽 合肥 230009)

混合動力汽車(hybrid electric vehicle，HEV)由于其節(jié)能、低排放等優(yōu)點引起了汽車產(chǎn)業(yè)的極大關(guān)注,已成為目前新能源汽車研發(fā)領(lǐng)域的熱點之一[1]。

為了能夠充分發(fā)揮混合動力汽車的節(jié)油潛力、協(xié)調(diào)動力源間的動力分配,高效合理的控制策略成為了目前國內(nèi)外混合動力汽車研究的核心之一[2]。為此,相關(guān)學者進行了大量研究。文獻[3]采用學習向量量化(learning vector quantization,LVQ)神經(jīng)網(wǎng)絡識別工況,結(jié)合動態(tài)規(guī)劃(dynamic programming,DP)的結(jié)果,提取不同工況下的功率均衡控制規(guī)則對整車進行控制;文獻[4]應用遺傳算法優(yōu)化后的K均值聚類分析對行駛工況進行識別,結(jié)合等效燃油最小能量管理策略(equivalent consumption minimization strategies,ECMS)實現(xiàn)各個工況下的發(fā)動機和電機功率的實時優(yōu)化分配;文獻[5]采用模糊識別算法進行行駛工況的在線識別,并根據(jù)最小等效油耗控制算法和電池電量平衡控制方法調(diào)用相應的最優(yōu)控制參數(shù),實現(xiàn)了發(fā)動機和電池功率的實時優(yōu)化計算。從以上研究可以看出,研究人員在開發(fā)控制策略時均希望通過考慮行駛工況來改善車輛的燃油經(jīng)濟性。因此如何有效識別車輛的行駛工況成為制定合理混合動力汽車控制策略的關(guān)鍵。

本文在已有研究的基礎(chǔ)上,綜合考慮行駛工況和行駛模式2類行駛特征對車輛燃油經(jīng)濟性的影響,構(gòu)建了行駛特征的預測模型。以某HEV為研究對象,研究了DP算法下的全局最優(yōu)控制策略,在此基礎(chǔ)上結(jié)合車輛行駛特征的預測,解決了全局最優(yōu)控制策略的在線應用問題。

1 標準行駛工況的選取

在HEV方面,國際上研究人員通常借鑒美國環(huán)保局提供的11種典型(faclity specific,FS)行駛工況[6],分別為高速(Freeway)6種、高速匝道(Freeway-Ramp)、本地(Local)、主干道(Arterial)3種。根據(jù)便利性(facility)和服務性(level of service)將Freeway工況分為6種子工況,分別為A、B、C、D、E、F,其中A代表最好的駕駛環(huán)境,F代表最差的駕駛環(huán)境;類似地,Arterial工況被分為3種子工況,分別為AB、CD、EF。本文同樣以此11種工況作為標準,且為方便描述,將它們依次記作A、B、C、D、E、F、Ramp、Local、AB、CD、EF工況。

2 基于DP算法的最優(yōu)控制策略

2.1 DP算法模型

HEV的控制本質(zhì)上是一個在一定約束條件下油耗與排放的最優(yōu)控制問題[7]。在行駛工況已知的前提下,車輪需求轉(zhuǎn)矩和傳動系統(tǒng)需求轉(zhuǎn)速是確定的，因此選取系統(tǒng)狀態(tài)變量和控制變量為:

x(k)=SOC(k)

(1)

u(k)=(Tm(k),R(k))

(2)

其中,x(k)為系統(tǒng)k階段狀態(tài)變量;u(k)為系統(tǒng)k階段控制變量;SOC(k)為系統(tǒng)k階段電池SOC;Tm(k)為k階段的電機轉(zhuǎn)矩;R(k)為系統(tǒng)k階段的傳動比。狀態(tài)變量傳遞函數(shù)為:

(3)

其中,I(k+1)為系統(tǒng)k+1階段的電流;C為電池的容量。本文所研究的全局最優(yōu)控制策略以燃油消耗最小為目的,不考慮其排放。因此定義階段代價函數(shù)如下:

L(x(k),u(k))=Qfuel(k)

(4)

其中,Qfuel(k)為系統(tǒng)k階段的油耗。

為保證良好的駕駛性能,在代價函數(shù)中加入了換擋約束。附加代價函數(shù)Ls(k)為:

Ls(k)=|shift(k)|

(5)

其中,shift(k)可取1、-1、0,分別代表升擋、降擋、保持原擋。k階段目標函數(shù)為:

(6)

其中,λ為正的加權(quán)益子,需要經(jīng)過大量的試驗反復調(diào)整。最優(yōu)目標函數(shù)和邊界約束條件分別為:

fk=min(Jk,N)

(7)

(8)

根據(jù)最優(yōu)目標函數(shù),DP算法在其邊界約束條件下進行離線最優(yōu)軌跡的求解。

2.2 標準工況的離線最優(yōu)軌跡求解

2.2.1HEV結(jié)構(gòu)及主要參數(shù)

本文的研究對象為某單軸并聯(lián)式HEV,其動力系統(tǒng)結(jié)構(gòu)如圖1所示。其中發(fā)動機與電機同軸相連,離合器閉合時,發(fā)動機與電機轉(zhuǎn)速相同。整車及零部件主要參數(shù)見表1所列。

圖1 HEV動力系統(tǒng)結(jié)構(gòu)

表1HEV整車及零部件參數(shù)

部件參數(shù)數(shù)值整備質(zhì)量/kg800迎風面積/m21.9整車風阻系數(shù)0.25滾動半徑/m0.275傳動系統(tǒng)傳動比11.106 6,5.617 5,3.231 0,2.760 6,2.270 1 排量/L1.0峰值功率/kW50發(fā)動機峰值功率時轉(zhuǎn)速/(r·min-1)5 700峰值轉(zhuǎn)矩/(N·m)89.5峰值轉(zhuǎn)矩時轉(zhuǎn)速/(r·min-1)4 800電機峰值轉(zhuǎn)矩/(N·m)46.5峰值功率/kW49電池容量/(A·h)6.0標稱電壓/V144

2.2.2 標準工況離線最優(yōu)軌跡

根據(jù)整車及部件參數(shù)和DP算法原理,通過Matlab編程實現(xiàn)其離線最優(yōu)軌跡的求解。在Matlab/Simulink中搭建了全局最優(yōu)控制器“DP-Strategy”,如圖2所示。將此控制器嵌入ADVISOR整車模型中進行聯(lián)合仿真,為了充分考察HEV的燃油經(jīng)濟性,設定仿真時電池SOC始末值均為0.7。

分別對11種FS標準工況應用DP算法求解離線全局最優(yōu)控制變量序列,為下文搭建的在線控制策略做準備。標準工況Arterial CD仿真結(jié)果及各標準工況的油耗如圖3所示。在圖3d中,1為基于規(guī)則的電機輔助控制策略;2為全局最優(yōu)控制策略。

圖2 DP-Strategy控制器Simulink模型

圖3 標準工況Arterial CD仿真結(jié)果及各標準工況油耗

結(jié)合圖3a的車速可以看出，圖3b、圖3c比較符合工況的需求。由圖3d可知,相比于基于規(guī)則的電機輔助控制策略,應用本文所設計的全局最優(yōu)控制策略車輛燃油經(jīng)濟性均有不同程度的提高,其中提高幅度最大為38.0%(工況CD),最小為9.0%(工況A)。這說明基于DP算法的全局最優(yōu)控制策略通用性良好,且在各標準工況下車輛燃油經(jīng)濟性均得到了提高,可以作為在線控制策略研究的基礎(chǔ)。

3 行駛特征預測模型

3.1 行駛工況預測模型

3.1.1 行駛工況特征參數(shù)的選取

本文假設未來1～2 min內(nèi)車輛行駛工況不發(fā)生變化[8],以上述11種標準行駛工況為標準數(shù)據(jù)庫,為了能對各種工況類別進行準確地預測,經(jīng)過研究[9-10],本文選取的工況特征參數(shù)見表2所列。表2中，速度單位為km/h，加速度單位為m/s2，下文同。

表2 工況特征參數(shù)

3.1.2 行駛工況預測模型

文獻[8]發(fā)現(xiàn),若選取的工況采樣時間太小,則可能無法正確包含循環(huán)工況的特征信息;而若選取的采樣時間太大,則在實時控制時計算量太大。當特征參數(shù)采樣時間長度接近或超過3 min時能夠較好地反映當前行駛工況[11],因此本文選擇ΔT為150 s,并且可以疊加[12],預測時間為1 s。

本文采用運算方便、實用性較強的Euclid貼近度進行行駛工況的預測,將與當前工況最為類似的標準工況作為未來一段時間的行駛工況類別。設Si(i=1,2,…,11)為標準數(shù)據(jù)庫中的樣本，M為待識別的樣本即車輛實際行駛工況,則Si與M之間的Euclid 貼近度σ(為了消除各特征參數(shù)的量綱、數(shù)量大小以及變化幅度對貼近度比較的影響,利用min-max標準化函數(shù)對原始數(shù)據(jù)進行標準化)表示為：

(9)

其中,n為循環(huán)工況特征參數(shù)數(shù)量。

根據(jù) Euclid 貼近度公式計算出的Si與M兩者之間的貼近度,若存在σ(Si,M)=max{σ(S1,M),σ(S2,M),…,σ(S11,M)},則認為M的工況類別屬于標準工況Si。

3.2 行駛模式預測模型

3.2.1 行駛模式分類

行駛模式是駕駛員對短期內(nèi)道路環(huán)境的一種反映,是汽車的一種重要狀態(tài)。在一個較長的行駛工況中,根據(jù)具體的時段、天氣等差異,短時間工況內(nèi)會呈現(xiàn)不同的運動特征。本文將行駛模式定義為5個類型[13],見表3所列。

表3 行駛模式類型

3.2.2 BP神經(jīng)網(wǎng)絡

反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡是一種誤差逆向傳播算法訓練的前饋神經(jīng)網(wǎng)絡,具有任意復雜的模式分類和優(yōu)良的多維函數(shù)映射能力,目前被廣泛使用。本文采用的3層BP神經(jīng)網(wǎng)絡結(jié)構(gòu)示意圖如圖4所示。其中,I表示網(wǎng)絡的輸入層,H表示隱含層,O表示網(wǎng)絡的輸出層;X為網(wǎng)絡的輸入,Y為網(wǎng)絡的輸出。

圖4 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

3.2.3 行駛模式預測模型設計

針對11種標準工況,根據(jù)文獻[14],選取了6個特征參數(shù)用來描述[t-ΔTDT,t]內(nèi)車輛的運動特征,分別為該時間段內(nèi)的平均車速、最大車速、最小車速、平均加速度、t-ΔTDT時刻的車速及t時刻的車速。將此6個特征參數(shù)作為模型的輸入,以相應的行駛模式類型作為輸出。另外,本文對行駛模式的類型進行二進制編碼[15]。

為了確定最佳的ΔTDT值,本文采用試湊法對ΔTDT進行了試驗,試驗結(jié)果如圖5所示。其中,網(wǎng)絡的測試工況數(shù)據(jù)有11種:① UDDS;② HWFET;③ US06;④ SC03;⑤ LA92;⑥ IM240⑦ Rep05;⑧ NY City;⑨ HL07;⑩ Unif01;Arb02。

圖5 不同采樣時間窗口的精度

綜合考慮不同時間窗口下訓練精度和測試精度結(jié)果,最終選取最佳采樣時間ΔTDT=9 s。

4 綜合在線控制策略

4.1 離線最優(yōu)軌跡的在線應用控制模型

本文對電機轉(zhuǎn)矩和傳動系統(tǒng)傳動比進行在線控制模型的設計。采用BP神經(jīng)網(wǎng)絡方法,分別對11種標準工況下離線最優(yōu)軌跡進行擬合,以期達到離線最優(yōu)策略的控制效果。本文設計的基于BP神經(jīng)網(wǎng)絡的在線控制模型示意圖如圖6所示。

(a) 電機轉(zhuǎn)矩在線控制模型

(b) 傳動比在線控制模型圖6 在線控制模型

其中,電機轉(zhuǎn)矩在線控制模型的輸入為行駛工況、車速、電池SOC、需求轉(zhuǎn)矩、行駛模式和傳動比;傳動比在線控制模型的輸入為行駛工況、車速、電池SOC和需求轉(zhuǎn)矩。

4.2 基于離線最優(yōu)軌跡的綜合在線控制策略

將建立的行駛特征預測模型與電機轉(zhuǎn)矩、傳動比在線控制模型相結(jié)合,設計了基于行駛特征預測及離線最優(yōu)軌跡的綜合在線能量管理策略,以實現(xiàn)在汽車實際行駛中對動力系統(tǒng)能量的實時優(yōu)化分配。本文在線控制策略示意圖如圖7所示。

在線控制策略下,當車輛開始運行時，工況類別預測模型會預測下一階段的工況類別,行駛模式預測模型會預測短期內(nèi)的行駛模式,從而觸發(fā)相應行駛狀態(tài)下的電機在線控制模型和傳動比在線控制模型,進而實時地合理分配發(fā)動機與電機之間的動力,滿足駕駛需求、提高能量利用率,從而降低油耗。

圖7 在線控制策略示意圖

5 仿真及結(jié)果分析

將本文設計的Simulink綜合在線控制策略模型嵌入到ADVISOR整車模型中,采用構(gòu)造的組合車輛行駛工況(NEDC+HWFET+UDDS+LA92)進行控制策略的合理性檢驗,仿真結(jié)果如圖8所示。因為仿真測試工況的時間較長,在整個測試工況下行駛模式和傳動比變化較多,所以只給出了部分測試工況的行駛模式和傳動比分配圖,如圖8c、圖8d;圖8f中,在線策略指本文設計的綜合在線控制策略,電機輔助指基于規(guī)則的電機輔助控制策略。

從圖8a可以看出,制定的綜合在線控制策略進行仿真時,工況跟隨狀況良好。

圖8仿真結(jié)果

由圖8b～圖8d可知,制定的行駛工況預測方法、行駛模式預測結(jié)果和傳動比的分配均較合理,達到了預期效果。

由圖8e可知,本文控制策略的需求轉(zhuǎn)矩分配較合理，在擁堵工況和城市工況(3 000～3 500 s)電機能主動回收能量;在郊區(qū)工況和高速路工況(1 500 ～ 1 800 s)車輛能更好地協(xié)調(diào)電機和發(fā)動機之間的轉(zhuǎn)矩分配,充分發(fā)揮了電機的輔助驅(qū)動作用。

從圖8f可以看出,在1 300 s附近電池SOC曲線迅速下降,這是由于此時車輛急加速,其需求功率突然增大,電機立即開始工作,而后發(fā)動機迅速啟動并工作于其最大轉(zhuǎn)矩附近,為車輛提供動力的同時也給蓄電池充電,從而電池SOC開始回升;另外,電池SOC末值回到0.70,相比于基于規(guī)則的電機輔助控制策略 SOC末值的0.68,更接近動態(tài)規(guī)劃的結(jié)果,說明本文所設計的策略電池電量保持能力更好。

對于選用的組合測試工況,2種控制策略的仿真初始SOC值均為0.70,基于規(guī)則的電機輔助控制策略油耗為每百公里3.40 L,SOC末值為0.68;而在線控制策略油耗為每百公里3.20 L,SOC末值為0.70。電池SOC通過插值擬合修正之后[16],2種策略的油耗分別為每百公里3.46、3.20 L,油耗下降了7.51%。

綜上所述,采用本文在線控制策略能夠根據(jù)行駛特征的變化,實時地調(diào)整HEV各動力源的扭矩分配,同時在保證電池荷電狀態(tài)平衡的基礎(chǔ)上,使發(fā)動機工作在高效率區(qū),從而達到降低汽車燃油消耗的目的。

6 結(jié) 論

本文基于DP理論研究了全局最優(yōu)控制策略;根據(jù)車輛行駛特征對HEV燃油經(jīng)濟性的影響,提出了HEV行駛特征預測方法;將車輛的行駛特征預測與全局最優(yōu)控制策略相結(jié)合,以整車燃油經(jīng)濟性為目標,同時兼顧電池SOC平衡,實現(xiàn)了全局最優(yōu)策略的在線應用;最后在Matlab/Simulink平臺上進行策略驗證,證實了本文制定的在線控制策略在保證電池SOC平衡和燃油經(jīng)濟性方面都有較優(yōu)的表現(xiàn)。

后續(xù)的研究工作是將控制策略應用于實車道路試驗中，根據(jù)試驗結(jié)果控制策略進行改進。