趙 勇， 謝金法*， 時(shí)佳威， 李豪迪

(1.河南科技大學(xué)車(chē)輛與交通工程學(xué)院，洛陽(yáng) 471003；2.同濟(jì)大學(xué)汽車(chē)學(xué)院，上海 201804)

燃料電池汽車(chē)是未來(lái)汽車(chē)發(fā)展的重要方向之一，對(duì)大質(zhì)量、長(zhǎng)續(xù)駛里程的中大型貨車(chē)尤為適用[1-2]。目前，燃料電池與蓄電池的電電混合系統(tǒng)對(duì)于貨車(chē)是一個(gè)有效的解決方案[3-4]。

行駛工況是影響汽車(chē)燃料經(jīng)濟(jì)性的重要因素，如果能夠針對(duì)不同行駛工況，制定相應(yīng)的能量管理策略，使得動(dòng)力分配更加合理，汽車(chē)的燃料經(jīng)濟(jì)性也可以隨之進(jìn)一步提高[5]。目前基于工況識(shí)別的混合動(dòng)力汽車(chē)識(shí)別方法主要有神經(jīng)網(wǎng)絡(luò)算法識(shí)別[6-7]、模糊控制器識(shí)別[8]和基于聚類(lèi)理論的識(shí)別[9]。其中，采用神經(jīng)網(wǎng)絡(luò)識(shí)別行駛工況時(shí)，必須預(yù)先提供大量訓(xùn)練數(shù)據(jù)，但是具備大量樣本數(shù)據(jù)在實(shí)際操作中較為困難，所以很難得到較高的識(shí)別準(zhǔn)確率；而模糊識(shí)別，由于其參數(shù)主要根據(jù)專(zhuān)家經(jīng)驗(yàn)設(shè)置，主觀性較強(qiáng)，不易得到較高識(shí)別精度；聚類(lèi)算法識(shí)別時(shí)，輸入?yún)?shù)的個(gè)數(shù)和聚類(lèi)中心初始值的選定均會(huì)對(duì)識(shí)別結(jié)果產(chǎn)生較大影響，不利于識(shí)別準(zhǔn)確率的穩(wěn)定性。因此，提高汽車(chē)運(yùn)行工況的識(shí)別精度和穩(wěn)定性，并建立一種滿足燃料電池混合動(dòng)力汽車(chē)(fuel cell hybrid vehicle, FCHV)不同運(yùn)行工況的能量管理策略越來(lái)越重要。

針對(duì)燃料電池混合動(dòng)力貨車(chē)，以中國(guó)重型商用車(chē)行駛工況-貨車(chē)工況(China heavy-duty commercial vehicle test cycle-truck, CHTC-HT)中高速、市郊和市區(qū)3種工況代表車(chē)輛的3種行駛工況作為仿真工況，采用遺傳算法優(yōu)化支持向量機(jī)(genetic algorithm-support vector machine,GA-SVM)識(shí)別算法，建立最優(yōu)的行駛工況識(shí)別模型，針對(duì)市區(qū)、市郊和高速公路工況分別設(shè)計(jì)模糊能量管理策略，并采用粒子群算法優(yōu)化其隸屬函數(shù)，從而使其具有更好的工況適應(yīng)性，以達(dá)到降低氫耗量并延長(zhǎng)蓄電池壽命的目的。

1 FCHV動(dòng)力系統(tǒng)結(jié)構(gòu)及整車(chē)參數(shù)

以某FCHV為研究對(duì)象，采用質(zhì)子交換膜燃料電池(proton exchange membrane fuel cell,PEMFC)與蓄電池的電電混合系統(tǒng)，動(dòng)力系統(tǒng)拓?fù)浣Y(jié)構(gòu)如圖1所示，整車(chē)主要參數(shù)如表1所示。

圖1 FCHV動(dòng)力系統(tǒng)拓?fù)浣Y(jié)構(gòu)Fig.1 Topological structure of FCHV power system

2 基于SVM的工況識(shí)別

2.1 3種典型工況的選擇

根據(jù)最新發(fā)布的CHTC-HT，包含市區(qū)、市郊和高速公路3種工況，該工況是針對(duì)中國(guó)實(shí)際道路狀況開(kāi)發(fā)的，較好地反映了中國(guó)貨車(chē)的實(shí)際運(yùn)行工況。選定CHTC-HT循環(huán)工況中的3種典型工況作為仿真道路行駛工況：工況1為市區(qū)主干道城市工況；工況2為市郊公路上中高速行駛的公路工況；工況3為高速公路上高速行駛的高速公路工況。特征工況如圖2所示。

表1 整車(chē)主要參數(shù)

圖2 市區(qū)、市郊和高速公路工況Fig.2 Urban, suburban and expressway conditions

工況的特征參數(shù)直接反映了循環(huán)工況的特征，由于工況特征選取過(guò)多會(huì)造成計(jì)算量變大，影響識(shí)別速度，而選取過(guò)少，會(huì)使得工況表述不準(zhǔn)確，影響識(shí)別精度。所以在滿足選取的特征參數(shù)能涵蓋此循環(huán)工況大部分特征的前提下，工況特征參數(shù)個(gè)數(shù)選取不宜過(guò)多或過(guò)少。根據(jù)以上原則及前人的研究成果，選取最能代表循環(huán)工況特征的3個(gè)參數(shù)，即最高速度、平均速度、怠速時(shí)間比例，作為評(píng)價(jià)所研究工況的變量，3種代表工況的特征參數(shù)如表2所示。

表2 行駛工況特征參數(shù)

為使樣本數(shù)量充足，將道路工況分成片段，每個(gè)片段為60 s，并且可以疊加，疊加選擇情況如圖3所示，1～15代表工況片段的序號(hào)。每類(lèi)行駛工況抽取120個(gè)樣本，共計(jì)360個(gè)樣本。

圖3 道路工況分段示意圖(工況3)Fig.3 Segmentation diagram of road working condition (working condition 3)

2.2 遺傳算法優(yōu)化的SVM識(shí)別算法

支持向量機(jī)(support vector machine，SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論發(fā)展而來(lái)的，通過(guò)訓(xùn)練學(xué)習(xí)樣本來(lái)建立高精度分類(lèi)模型，對(duì)于有限個(gè)樣本數(shù)據(jù)，支持向量機(jī)相比于其他機(jī)器學(xué)習(xí)方法有著更高的精度，目前，該模型還較少運(yùn)用到汽車(chē)行駛工況識(shí)別中，現(xiàn)采用支持向量機(jī)作為行駛工況的識(shí)別算法。

采用廣泛使用的高斯徑向基核函數(shù)作為支持向量機(jī)算法的核函數(shù)，懲罰因子C和參數(shù)g(RBF核函數(shù)中的方差)是影響識(shí)別精度的兩個(gè)重要參數(shù)。如果參數(shù)選擇不合理，識(shí)別模型可能出現(xiàn)過(guò)度擬合或擬合不夠的現(xiàn)象，從而對(duì)識(shí)別準(zhǔn)確率造成負(fù)面影響，所以有必要對(duì)這兩個(gè)參數(shù)進(jìn)行選擇，以達(dá)到更高的識(shí)別準(zhǔn)確率。

遺傳算法由于優(yōu)化時(shí)具有較強(qiáng)的魯棒性和全局搜索能力，因此被廣泛應(yīng)用。采用遺傳算法優(yōu)化支持向量機(jī)(GA-SVM)算法，尋找最佳的C和g，以獲得更高的識(shí)別精度。從而改善傳統(tǒng)交叉驗(yàn)證方法優(yōu)化時(shí)計(jì)算繁瑣、識(shí)別精度低的問(wèn)題。GA-SVM算法流程如圖4所示。

圖4 GA-SVM算法流程Fig.4 Flow chart of GA-SVM algorithm

對(duì)選取的3種典型工況以最高速度、平均速度、怠速時(shí)間比例3個(gè)特征參數(shù)作為GA-SVM算法的輸入?yún)?shù)，識(shí)別出的工況類(lèi)型作為輸出參數(shù)。為不失一般性，對(duì)于每種工況，在采集的特征樣本中隨機(jī)抽取90個(gè)作為訓(xùn)練集，剩余的30個(gè)作為測(cè)試集，建立識(shí)別模型，驗(yàn)證識(shí)別模型的精度。遺傳算法參數(shù)設(shè)置如表3所示。

分別使用交叉驗(yàn)證方法和遺傳算法對(duì)SVM行駛工況識(shí)別算法進(jìn)行優(yōu)化，獲得其對(duì)應(yīng)的最佳參數(shù)C和g，比較其優(yōu)化后的識(shí)別精度，以驗(yàn)證遺傳算法優(yōu)化的優(yōu)越性。結(jié)果表明，GA算法中，經(jīng)過(guò) 100 次迭代，尋得最優(yōu)粒子時(shí)的識(shí)別精度為 95.384 6%，對(duì)應(yīng)的最優(yōu)參數(shù)C=11.013 0，g=2.589 2。而交叉驗(yàn)證方法識(shí)別精度最高為89.230 8%，對(duì)應(yīng)的最優(yōu)參數(shù)C=73.516 7，g=1.319 5。由此可見(jiàn)，基于GA-SVM 算法的行駛工況識(shí)別精度相對(duì)于傳統(tǒng)算法優(yōu)化提高了6.153 8%。

表3 遺傳算法參數(shù)設(shè)置

2.3 識(shí)別周期對(duì)行駛工況識(shí)別精度的影響

由于識(shí)別周期(辨識(shí)駕駛模式的歷史時(shí)間長(zhǎng)度)對(duì)工況識(shí)別的準(zhǔn)確率會(huì)產(chǎn)生影響[10]，為了尋找識(shí)別準(zhǔn)確率更高的識(shí)別周期，基于MATLAB平臺(tái)編寫(xiě)工況識(shí)別程序，提取循環(huán)工況特征參數(shù)，隨機(jī)生成訓(xùn)練集及測(cè)試集，分別以識(shí)別周期T為30、60、90、120、150 s，采用遺傳算法進(jìn)行參數(shù)尋優(yōu)，比較優(yōu)化后不同識(shí)別周期下測(cè)試集的識(shí)別正確率。

通過(guò)遺傳算法對(duì)參數(shù)C和g尋優(yōu)，識(shí)別結(jié)果如表4所示。當(dāng)識(shí)別周期為30 s時(shí)，由于樣本長(zhǎng)度較短，不能很好地反映工況特征，識(shí)別正確率較低，當(dāng)識(shí)別周期為60 s及以上時(shí)，識(shí)別正確率均保持在較高水平，理論上都可以滿足工況識(shí)別的要求。

表4 不同識(shí)別周期的測(cè)試集識(shí)別準(zhǔn)確率

由于在參數(shù)尋優(yōu)過(guò)程中，采集的樣本均為確定工況的數(shù)據(jù)，不存在工況變換交叉區(qū)域的工況數(shù)據(jù)，且不考慮由于采樣周期引起的識(shí)別結(jié)果滯后現(xiàn)象；而實(shí)際識(shí)別系統(tǒng)是采用歷史數(shù)據(jù)來(lái)預(yù)測(cè)下一段工況的分類(lèi)，故在實(shí)際工況識(shí)別中，識(shí)別結(jié)果將會(huì)與實(shí)際工況產(chǎn)生一個(gè)識(shí)別周期的滯后時(shí)間，且在工況變換交叉區(qū)域的采樣數(shù)據(jù)為混合工況信息，會(huì)導(dǎo)致樣本信息不能完全代表某一工況，所以在實(shí)際工況識(shí)別應(yīng)用中，除了考慮SVM測(cè)試集的準(zhǔn)確率，還應(yīng)結(jié)合實(shí)際測(cè)試工況進(jìn)行進(jìn)一步驗(yàn)證。

從上述3個(gè)類(lèi)別的工況中，隨機(jī)選取若干典型工況組合形成一個(gè)大的測(cè)試工況“市區(qū)-市區(qū)-市郊-高速-市郊-市區(qū)”，分別以60、90、120、150 s為識(shí)別周期，進(jìn)行識(shí)別。識(shí)別結(jié)果如圖5所示。

圖5 測(cè)試工況在不同識(shí)別周期下的識(shí)別結(jié)果Fig.5 Recognition results of test conditions under different recognition cycles

由圖5可知，不同識(shí)別周期下大致都可識(shí)別出其工況，但是4種識(shí)別周期的識(shí)別結(jié)果相對(duì)于實(shí)際工況均有一定程度的滯后，隨著識(shí)別周期的增大，滯后越來(lái)越明顯，從這個(gè)層面來(lái)看，識(shí)別周期越小越好。由于60 s時(shí)識(shí)別周期較小，包含的信息較少，無(wú)法很好覆蓋該工況特征，在2 500 s處出現(xiàn)了較為明顯的錯(cuò)誤，會(huì)導(dǎo)致不必要的工況切換；在1 600～1 800 s，4種識(shí)別周期下都出現(xiàn)較明顯的識(shí)別錯(cuò)誤。通過(guò)分析可知，該階段為工況2和工況3變換階段，且工況3起始的速度、加速度等特征值與工況2相近，兩者對(duì)應(yīng)的能量管理策略最優(yōu)參數(shù)差距不大。識(shí)別周期為150 s時(shí)，由于其識(shí)別周期過(guò)長(zhǎng)，滯后效應(yīng)更加明顯，識(shí)別錯(cuò)誤時(shí)間更長(zhǎng)。

綜合以上分析，當(dāng)識(shí)別周期為90 s和120 s時(shí)，識(shí)別工況與實(shí)際工況的契合度最高，但是由于90 s時(shí)產(chǎn)生的滯后較120 s時(shí)短，識(shí)別結(jié)果更接近實(shí)際工況，因此采用90 s作為工況識(shí)別的識(shí)別周期，此時(shí)C取10.166 2，g取46.924 6。

3 模糊控制器設(shè)計(jì)及優(yōu)化

3.1 基于工況識(shí)別的能量管理策略

由于市區(qū)、公路、高速公路工況燃料電池貨車(chē)的需求功率差別較大，無(wú)工況識(shí)別的能量管理策略在不同工況下采取同一能量管理策略，不能針對(duì)不同工況達(dá)到自適應(yīng)控制的效果，故針對(duì)市區(qū)、公路、高速公路工況分別設(shè)計(jì)對(duì)應(yīng)的能量管理策略，并與GA-SVM工況識(shí)別模塊結(jié)合，在不同工況下動(dòng)態(tài)選擇對(duì)應(yīng)工況的能量管理策略，將會(huì)達(dá)到更好的控制效果。工況識(shí)別能量管理策略示意圖如圖6所示。

圖6 工況識(shí)別能量管理策略示意圖Fig.6 Schematic diagram of energy management strategy for condition identification

3.2 模糊控制器設(shè)計(jì)

能量管理策略的目的是保證動(dòng)力系統(tǒng)不同動(dòng)力源在整車(chē)需求功率和蓄電池電池荷電狀態(tài)(battery state of charge,SOC)處于不同狀態(tài)時(shí)，合理分配其功率輸出，使得燃料電池氫氣消耗量更低，蓄電池SOC避免劇烈波動(dòng)。其輸入輸出量之間的關(guān)系是非線性的，難以建立精確的數(shù)學(xué)模型，而模糊控制以其較高的自適應(yīng)性、良好的魯棒性，適用于燃料電池混合動(dòng)力系統(tǒng)的能量管理策略。

本文研究的PEMFC的效率圖如圖7所示。為了氫耗量較低，應(yīng)使質(zhì)子交換膜燃料電池系統(tǒng)盡可能在其高效率區(qū)間運(yùn)行，其高效率區(qū)間為[5 kW,65 kW]。

圖7 PEMFC效率圖Fig.7 Efficiency diagram of PEMFC

圖8 市區(qū)工況能量管理策略模型Fig.8 Energy management strategy model for urban conditions

為防止蓄電池過(guò)充與過(guò)放，且長(zhǎng)時(shí)間保證整車(chē)較高的動(dòng)力性能，確定蓄電池組的SOC的合理充放電范圍為[40%,80%]。

模糊控制器以蓄電池SOC、電機(jī)需求功率與燃料電池高效工作區(qū)間下限值(5 kW)的差值ΔP為輸入量；以比例系數(shù)K為輸出量。在市區(qū)運(yùn)行工況下，由于電機(jī)需求功率絕大部分不大于15 kW，故燃料電池輸出的最大功率可設(shè)定為15 kW，即燃料電池的輸出功率Pfc≤15 kW，Pfc=5+10K,K∈[0,1]。市區(qū)工況能量管理策略模型如圖8所示。

模糊控制隸屬函數(shù)如圖9所示，其中VS表示非常小；S表示較?。籑 表示適中；B表示較大；VB表示非常大。模糊規(guī)則如表5所示。

表5 模糊控制規(guī)則

圖9 模糊控制隸屬函數(shù)Fig.9 Fuzzy control membership function

在市郊運(yùn)行工況下，電機(jī)需求功率范圍為[0,45 kW]，在高速公路運(yùn)行工況下，電機(jī)需求功率范圍為[0,80 kW]，隸屬度函數(shù)及模糊規(guī)則制定與市區(qū)工況下類(lèi)似，不再贅述。

3.3 隸屬函數(shù)參數(shù)優(yōu)化

依靠經(jīng)驗(yàn)設(shè)計(jì)的模糊控制器帶有較大的主觀性，很難獲得最優(yōu)的性能，故需對(duì)其參數(shù)進(jìn)行優(yōu)化。粒子群算法具有搜索速度快、參數(shù)設(shè)置簡(jiǎn)單等優(yōu)點(diǎn)，對(duì)于隸屬函數(shù)參數(shù)較多且非線性尋優(yōu)的問(wèn)題較為適用。所以采用粒子群算法對(duì)隸屬函數(shù)進(jìn)行離線參數(shù)尋優(yōu)，并將優(yōu)化后的模糊控制器應(yīng)用于FCHV能量管理策略中。

優(yōu)化目標(biāo)是在保證汽車(chē)動(dòng)力性的前提下，使得整車(chē)的等效氫耗量和蓄電池SOC變化量最小，優(yōu)化目標(biāo)函數(shù)為

(1)

圖10 市區(qū)模糊控制器隸屬函數(shù)優(yōu)化結(jié)果Fig.10 Membership function optimization results of urban fuzzy controller

4 建模與仿真分析

4.1 仿真模型的建立

在Cruise中建立整車(chē)模型，在Simulink中建立燃料電池及能量管理策略的模型，然后通過(guò)Interface組件進(jìn)行聯(lián)合仿真。Cruise和Simulink之間的數(shù)據(jù)通信示意圖如圖11所示。

4.2 基于工況識(shí)別的仿真分析

為了對(duì)比分析，考慮無(wú)工況識(shí)別、基于傳統(tǒng)算法SVM工況識(shí)別和基于GA-SVM工況識(shí)別3種情況，分別針對(duì)以上3種情況以隨機(jī)測(cè)試工況“市區(qū)-市區(qū)-市郊-高速-市郊-市區(qū)”進(jìn)行仿真。采用工況識(shí)別時(shí)，將識(shí)別結(jié)果導(dǎo)入Simulink模型中，運(yùn)用if else模塊針對(duì)識(shí)別出的不同工況自適應(yīng)選擇其對(duì)應(yīng)的能量管理策略。蓄電池初始值SOC設(shè)定為0.6，蓄電池SOC上限和下限分別為0.8和0.4。

分別針對(duì)以上3種情況，進(jìn)行聯(lián)合仿真，車(chē)速跟隨情況如圖12所示，可以看出，3種情況下的實(shí)際跟隨車(chē)速與目標(biāo)車(chē)速都幾乎沒(méi)有差別，動(dòng)力性都可滿足要求。

無(wú)工況識(shí)別、傳統(tǒng)算法SVM工況識(shí)別及GA-SVM工況識(shí)別情況下的整車(chē)?yán)鄯e等效氫耗量和蓄電池SOC變化曲線如圖13、圖14所示。

圖12 車(chē)速跟隨情況Fig.12 Speed following

圖13 累積等效氫氣消耗量Fig.13 Cumulative equivalent hydrogen consumption

圖14 蓄電池SOC變化曲線Fig.14 SOC curve of storage battery

由圖13可知，測(cè)試工況的累積等效氫耗量在無(wú)工況識(shí)別時(shí)，傳統(tǒng)算法SVM工況識(shí)別時(shí)和GA-SVM工況識(shí)別時(shí)分別為1.239 2、1.158 0和1.142 8 kg，GA-SVM工況識(shí)別的情況下，相對(duì)于無(wú)工況識(shí)別時(shí)，累積等效氫耗量下降了7.78%；相對(duì)于傳統(tǒng)算法SVM工況識(shí)別時(shí)，累積等效氫耗量下降了1.31%。

由圖14可知，3種情況下蓄電池SOC都在合理范圍內(nèi)，起始階段為市區(qū)工況，平均需求功率小于燃料電池輸出功率，故SOC有一定上升趨勢(shì)，工況識(shí)別的上升幅度較無(wú)工況識(shí)別小，說(shuō)明在針對(duì)市區(qū)工況優(yōu)化的模糊控制策略對(duì)控制SOC變化有較好的效果。采用工況識(shí)別時(shí)，整個(gè)工況SOC變化更加平緩，變化量明顯減小，且GA-SVM工況識(shí)別相對(duì)于傳統(tǒng)算法工況識(shí)別的SOC變化量又有進(jìn)一步減少，有利于延長(zhǎng)蓄電池壽命。

5 結(jié)論

(1)針對(duì)CHTC-HT工況，對(duì)其中市區(qū)、市郊和高速公路工況的特征參數(shù)進(jìn)行提取分析，并采用傳統(tǒng)算法和遺傳算法優(yōu)化的支持向量機(jī)進(jìn)行工況識(shí)別，結(jié)果表明采用GA-SVM識(shí)別準(zhǔn)確率較傳統(tǒng)算法SVM準(zhǔn)確率提升6.153 8%。

(2)采用不同識(shí)別周期對(duì)測(cè)試工況進(jìn)行識(shí)別，識(shí)別周期為90 s時(shí)，識(shí)別準(zhǔn)確率最高，表明在實(shí)際工況識(shí)別中，識(shí)別周期過(guò)長(zhǎng)或過(guò)短，都不利于識(shí)別準(zhǔn)確率的提高。

(3)針對(duì)市區(qū)、市郊和高速工況的不同特點(diǎn)，設(shè)計(jì)相應(yīng)的能量管理策略，并采用粒子群算法優(yōu)化模糊控制器隸屬函數(shù)參數(shù)，得到3類(lèi)典型工況的模糊控制器的參數(shù)。

(4)將GA-SVM工況識(shí)別技術(shù)應(yīng)用到燃料電池混合動(dòng)力汽車(chē)的能量管理策略中。由仿真結(jié)果可知，相對(duì)于無(wú)工況識(shí)別的模糊能量管理策略，基于GA-SVM工況識(shí)別策略使累積等效氫耗量降低7.78%，與傳統(tǒng)算法優(yōu)化的SVM工況識(shí)別策略相比，累積等效氫耗量降低1.31%，表明本文提出的能量管理策略提升了汽車(chē)燃料經(jīng)濟(jì)性，且蓄電池SOC變化量降低，變化更平緩，提高了蓄電池壽命。