劉靈芝，張冰戰(zhàn)，蔣 通

（1.安徽交通職業(yè)技術(shù)學(xué)院 汽車(chē)與機(jī)械工程系，合肥 230051，中國(guó)；2.合肥工業(yè)大學(xué) 汽車(chē)與交通工程學(xué)院，合肥 230009，中國(guó)；3.安徽省數(shù)字化設(shè)計(jì)與制造重點(diǎn)實(shí)驗(yàn)室，合肥工業(yè)大學(xué)，合肥 230009，中國(guó)）

隨著全球能源緊張，生態(tài)環(huán)境惡化，人們環(huán)保意識(shí)逐步增強(qiáng)，發(fā)展節(jié)能環(huán)保型汽車(chē)是汽車(chē)產(chǎn)業(yè)的發(fā)展趨勢(shì)。插電式混合動(dòng)力汽車(chē)(plug-in hybrid electric vehicle, PHEV)電池容量大，能夠滿(mǎn)足市場(chǎng)對(duì)純電動(dòng)模式的需求。但是，PHEV的控制比較復(fù)雜，涉及到多個(gè)動(dòng)力源及多種工作模式。為了優(yōu)化車(chē)輛動(dòng)力性、經(jīng)濟(jì)性、排放性及系統(tǒng)效率，控制策略的制定需綜合考慮各動(dòng)力部件的工作特性及車(chē)輛的行駛工況[1-2]。

國(guó)內(nèi)外學(xué)者已經(jīng)做了大量的這方面的研究工作。H. Tian等[3]利用極小值原理求解電池荷電狀態(tài)（state of charge，SOC）的最優(yōu)軌跡，并采用神經(jīng)網(wǎng)絡(luò)在線(xiàn)規(guī)劃電池SOC軌跡，基于模糊規(guī)則的控制策略跟隨此規(guī)劃的軌跡，實(shí)現(xiàn)了能量在線(xiàn)分配；C. Yang等[4]應(yīng)用DP算法通過(guò)對(duì)不同行駛里程下能量管理策略的研究，獲得了不同行駛里程下的最佳能量管理策略；P. Tulpule等[5]采用等效燃油最小策略和基于DP算法的最優(yōu)策略研究了行駛里程和電池的電量對(duì)汽車(chē)燃油經(jīng)濟(jì)性的影響，發(fā)現(xiàn)當(dāng)兩者均較大時(shí)，2種策略的經(jīng)濟(jì)性相近；詹森等[6]根據(jù)等效燃油最小理論獲得典型工況的等效燃油系數(shù)與油耗的關(guān)系及對(duì)應(yīng)的功率分配，并通過(guò)工況識(shí)別，實(shí)現(xiàn)了對(duì)動(dòng)力系統(tǒng)功率的實(shí)時(shí)分配。以上研究中，基于規(guī)則的控制策略由于控制規(guī)則固定導(dǎo)致控制效率和燃油經(jīng)濟(jì)性不高；基于全局優(yōu)化的控制策略對(duì)工況依賴(lài)性強(qiáng)，無(wú)法在線(xiàn)實(shí)施；而基于瞬時(shí)優(yōu)化的控制策略只與當(dāng)前路況有關(guān)且易于實(shí)現(xiàn)，所以廣受青睞。

本文提出了一種基于最優(yōu)SOC軌跡跟隨的自適應(yīng)等效燃油最小策略。對(duì)車(chē)輛行駛工況采用反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)算法進(jìn)行預(yù)測(cè)識(shí)別；同時(shí)針對(duì)基于傳統(tǒng)等效燃油最小理論無(wú)法保證電池電量平衡的問(wèn)題，提出利用動(dòng)態(tài)規(guī)劃（dynamic programming，DP）算法獲取的最優(yōu)SOC軌跡進(jìn)行修正。最后，通過(guò)當(dāng)前電池SOC狀態(tài)和工況識(shí)別結(jié)果采用插值法得到實(shí)時(shí)的等效燃油因子，實(shí)現(xiàn)了基于工況自適應(yīng)的等效燃油最小策略的實(shí)時(shí)應(yīng)用。

1 行駛工況識(shí)別研究

1.1 標(biāo)準(zhǔn)工況選擇

行駛過(guò)程一般可分為城市、郊區(qū)和高速等工況[7-9]。采用初選行駛工況集，再由聚類(lèi)分析得到標(biāo)準(zhǔn)工況。將行駛工況分為5類(lèi)：工況1─城郊擁堵工況；工況2─城郊工況；工況3─一般高速工況；工況4─城市擁堵工況；工況5─平均車(chē)速較高且無(wú)怠速的高速工況。各標(biāo)準(zhǔn)工況如圖1所示。

1.2 特征參數(shù)選取

根據(jù)研究[10-11]，本文選取平均車(chē)速vave、最大車(chē)速vmax、最大減速度amax、平均減速度aave、加速時(shí)間比ra、停車(chē)次數(shù)nstop、車(chē)速為15 和30 km/h的時(shí)間比r15-30、車(chē)速為30 和50 km/h的時(shí)間比r30-50、車(chē)速v＞70 km/h的時(shí)間比r70作為工況識(shí)別的特征參數(shù)。選取的5類(lèi)標(biāo)準(zhǔn)工況所提取的特征參數(shù)如表1所示。

表1 5種標(biāo)準(zhǔn)工況的特征參數(shù)

1.3 基于BP神經(jīng)網(wǎng)絡(luò)的工況識(shí)別模型

神經(jīng)網(wǎng)絡(luò)、模式識(shí)別和模糊推理通常被用來(lái)對(duì)行駛工況進(jìn)行識(shí)別[12]，其中BP神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣泛。

本文采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為9-11-5，輸入層的神經(jīng)元數(shù)目為9，分別對(duì)應(yīng)工況的9個(gè)特征參數(shù)；輸出層神經(jīng)元數(shù)目為5，對(duì)應(yīng)網(wǎng)絡(luò)的輸出5類(lèi)標(biāo)準(zhǔn)工況；隱含層選取11個(gè)神經(jīng)元。具體的設(shè)置為：隱含層的激勵(lì)函數(shù)為tansig，輸出層的激勵(lì)函數(shù)為purelin，訓(xùn)練函數(shù)為trainlm，網(wǎng)絡(luò)迭代次數(shù)為5000，訓(xùn)練目標(biāo)性能為1×10-6。

網(wǎng)絡(luò)訓(xùn)練的輸入數(shù)據(jù)為每一個(gè)短工況的特征參數(shù)，其中采樣時(shí)間Δt選取180 s，按照[1～Δt]、[2～Δt+1]…[n-1～Δt+n] 方式截取短工況提取特征參數(shù)。而定義網(wǎng)絡(luò)的輸出結(jié)果為二進(jìn)制編碼形式，即以[0 0 0 0 1] 表示工況1，[0 0 0 1 0] 表示工況2, ……，基于以上選定的網(wǎng)絡(luò)參數(shù)，設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)，并進(jìn)行訓(xùn)練。建立的行駛工況識(shí)別網(wǎng)絡(luò)模型，網(wǎng)絡(luò)的性能變化如圖2所示。

從圖2可以看出，當(dāng)網(wǎng)絡(luò)迭代次數(shù)達(dá)到9時(shí)，最終性能為9.71×10-8，達(dá)到了預(yù)期的要求。行駛工況識(shí)別網(wǎng)絡(luò)模型建立好之后，需要模型的識(shí)別精度進(jìn)行驗(yàn)證。所謂識(shí)別精度是指將要檢驗(yàn)的樣本數(shù)據(jù)輸入網(wǎng)絡(luò)，網(wǎng)絡(luò)輸出的工況類(lèi)別，然后將網(wǎng)絡(luò)的輸出工況類(lèi)別和期望的輸出類(lèi)別作比較，統(tǒng)計(jì)網(wǎng)絡(luò)識(shí)別出的工況類(lèi)別的正確率?；诖朔椒?，本文選取工況構(gòu)建選取的19個(gè)典型工況作為測(cè)試工況，共得到19 269個(gè)特征參數(shù)的測(cè)試樣本，期望輸出為經(jīng)過(guò)聚類(lèi)分析的5種類(lèi)型工況，將所有測(cè)試樣本輸入到模型中，其中網(wǎng)絡(luò)正確識(shí)別出的樣本數(shù)為17 728個(gè)，最終的網(wǎng)絡(luò)測(cè)試精度為92%，基于BP神經(jīng)網(wǎng)絡(luò)的識(shí)別測(cè)試結(jié)果如圖3所示。

2 基于動(dòng)態(tài)規(guī)劃（DP）算法的SOC最優(yōu)軌跡規(guī)劃

2.1 整車(chē)結(jié)構(gòu)及關(guān)鍵部件參數(shù)

選擇并聯(lián)式混合動(dòng)力系統(tǒng)作為研究對(duì)象，其結(jié)構(gòu)如圖4所示，整車(chē)及關(guān)鍵部件主要參數(shù)如表2所列。

表2 整車(chē)及關(guān)鍵部件參數(shù)

2.2 PHEV動(dòng)態(tài)規(guī)劃問(wèn)題分析

PHEV能量分配的最優(yōu)化問(wèn)題可用動(dòng)態(tài)規(guī)劃（dynamic programing, DP）算法求解，電機(jī)轉(zhuǎn)矩Tm(k)和傳動(dòng)系傳動(dòng)比i(k)為控制變量，電池的荷電狀態(tài)SOC(k)作為狀態(tài)變量，且滿(mǎn)足電池的初始和結(jié)束狀態(tài)電量平衡SOC(1) = SOC(N)，SOC在[0.2，0.4]。電池SOC狀態(tài)轉(zhuǎn)移方程為：

其中：Ibat為電池組電流，ηbat為電池組充放電效率，C為電池容量。

最佳燃油消耗量定為目標(biāo)函數(shù)，考慮到駕駛舒適性，在目標(biāo)函數(shù)中加入了換擋約束。

k階段目標(biāo)函數(shù)定義為k階段至N-1階段所有代價(jià)函數(shù)之和的最小值，其公式為

“念到您現(xiàn)在所肩的責(zé)任的重大，我便連孺慕之思都不敢道及，希望您能原諒我，只要您知道我是真心敬慕您，我便夠快活的了。”

其中，第k階段代價(jià)函數(shù)為

其中：Qfuel(k)為第k階段的燃油消耗量；Rs(k)為定義的換擋約束函數(shù)；r(k)為第k階段的檔位；α為換擋約束因子。

2.3 基于DP算法的電池SOC最優(yōu)軌跡求解

DP算法逆向計(jì)算從第N階段向前計(jì)算直至第1階段，每一階段都在約束條件下搜索最優(yōu)目標(biāo)函數(shù)及對(duì)應(yīng)的最優(yōu)解。正向計(jì)算從第1階段開(kāi)始，在給定的初始狀態(tài)下，通過(guò)插值獲得每個(gè)階段最優(yōu)解，即可獲得整個(gè)循環(huán)工況的最優(yōu)解。根據(jù)DP算法的求解過(guò)程計(jì)算最佳的電池SOC序列，圖5為工況1和工況5的結(jié)果。

3 瞬時(shí)等效消耗最低控制策略（ECMS）燃油因子研究

3.1 基于ECMS的PHEV問(wèn)題分析

瞬時(shí)等效消耗最低控制策略（equivalent consumption minimization strategy，ECMS）理論通過(guò)引入等效燃油因子，將電耗轉(zhuǎn)化為等效燃油消耗。車(chē)輛總的瞬時(shí)等效油耗為發(fā)動(dòng)機(jī)的油耗和電機(jī)消耗電量的等效油耗之和，然后采用極小值原理來(lái)得到最優(yōu)解。總的瞬時(shí)等效油耗表示為

其中：?eq為總的瞬時(shí)等效油耗；?e為發(fā)動(dòng)機(jī)的穩(wěn)態(tài)油耗；?m為電機(jī)的等效油耗，其計(jì)算過(guò)程為

其中：k= 0.5(1+sign[pm(t)])，表示電機(jī)當(dāng)前的工作狀態(tài)，k取值1為放電狀態(tài)，k取值0為充電狀態(tài)；pm(t)為t時(shí)刻的電機(jī)所發(fā)出的功率；qlhv為燃油的熱值；seq為等效燃油因子，為簡(jiǎn)化問(wèn)題求解，此處將充電和放電的等效燃油因子看作同一值；ηdis為電池的放電效率（系數(shù)）；ηchar為電池的充電效率（系數(shù)）。

3.2 等效燃油因子求解

進(jìn)行等效燃油消耗最小策略的求解是等效燃油因子根據(jù)SOC參考軌跡進(jìn)行修正。在約束范圍內(nèi)，根據(jù)任意時(shí)刻的車(chē)輛的需求功率，根據(jù)功率平衡方程計(jì)算出當(dāng)前所有發(fā)動(dòng)機(jī)和電機(jī)的工作點(diǎn)，并根據(jù)發(fā)動(dòng)機(jī)萬(wàn)有特性圖和電機(jī)等效燃油消耗率模型采用插值的方法得到相應(yīng)的燃油消耗率，計(jì)算總的最小燃油消耗率。當(dāng)前時(shí)刻滿(mǎn)足汽車(chē)需求功率的最優(yōu)輸出為根據(jù)最小燃油消耗率所對(duì)應(yīng)的發(fā)動(dòng)機(jī)和電機(jī)的工作點(diǎn)。

由于單純的ECMS理論無(wú)法有效維持電池SOC的平衡[13]，所以文中以DP算法求解出的最優(yōu)電池 SOC軌跡為參考，對(duì)ECMS理論進(jìn)行修正，修正后的等效燃油因子為

其中：ηe,min、ηe(k)和ηe,max分別為發(fā)動(dòng)機(jī)的最小轉(zhuǎn)速、第k階段的轉(zhuǎn)速和最大轉(zhuǎn)速；Te,min、Te(k)和Te,max分別為發(fā)動(dòng)機(jī)的最小轉(zhuǎn)矩、第k階段的轉(zhuǎn)矩和最大轉(zhuǎn)矩；nm,min、nm(k)和nm,max分別為電機(jī)的最小轉(zhuǎn)速、第k階段的轉(zhuǎn)速和最大轉(zhuǎn)速；Tm,min、Tm(k)和Tm,max分別為電機(jī)的最小轉(zhuǎn)矩、第k階段的轉(zhuǎn)矩和最大轉(zhuǎn)矩；Pbatmin、Pbat(k)和Pbat,max分別為電池最小功率、第k階段功率和最大功率；Ibat,min、Ibat(k)和Ibat,max分別為電池電流最小值、第k階段電流和最大電流；SOCmin、SOC(k)和SOCmax分別為電池的SOC取值范圍最小值、最大值和第k階段SOC。

根據(jù)上述理論，建立基于SOC最優(yōu)軌跡跟隨的等效燃油消耗最小策略，根據(jù)SOC最優(yōu)參考軌跡實(shí)時(shí)地改變等效燃油因子，圖6和圖7分別為工況1和工況5的仿真求解結(jié)果以及仿真時(shí)電池SOC對(duì)最優(yōu)電池SOC軌跡的跟隨情況。

由圖6a、圖7a可知，等效燃油因子的變化和SOC的變化趨勢(shì)有很大關(guān)聯(lián)：當(dāng)?shù)刃加鸵蜃幼兇髸r(shí)，電量消耗的等效燃油代價(jià)增大，此時(shí)發(fā)動(dòng)機(jī)參與工作更有利，電池SOC呈現(xiàn)不變或者是升高的趨勢(shì)；當(dāng)?shù)刃加鸵蜃幼冃r(shí)，電量的等效燃油代價(jià)減小，此時(shí)電機(jī)參與工作更有利，所以電池SOC呈現(xiàn)不變或者減小的趨勢(shì)。從圖6b、7b圖可發(fā)現(xiàn)：仿真時(shí)電池SOC軌跡和最優(yōu)電池SOC軌跡變化趨勢(shì)基本一致且兩者非常接近。綜上所述可說(shuō)明利用電池SOC最優(yōu)軌跡來(lái)修正ECMS理論的思想較為合理。

4 仿真及結(jié)果分析

4.1 基于工況自適應(yīng)的ECMS模型

圖8為搭建的基于工況自適應(yīng)ECMS整車(chē)模型示意圖。由工況識(shí)別模塊實(shí)時(shí)地進(jìn)行工況識(shí)別，將當(dāng)前的工況類(lèi)別及電池SOC輸入自適應(yīng)等效燃油因子求解模塊，獲得當(dāng)前的等效燃油因子，然后將此等效燃油因子輸入ECMS控制策略模塊，從而實(shí)現(xiàn)發(fā)動(dòng)機(jī)和電機(jī)功率的實(shí)時(shí)分配。

4.2 基于工況自適應(yīng)的ECMS仿真結(jié)果分析

為了驗(yàn)證本文制定的控制策略的效果，選取4個(gè)典型工況組合成“NEDC +IM240 +HWFET +LA92”，命名為綜合測(cè)試工況NIHL，進(jìn)行仿真，結(jié)果如圖9所示。

從圖9a可知，整個(gè)工況下仿真車(chē)速跟隨情況良好，說(shuō)明在此控制策略下整車(chē)動(dòng)力性能良好；從圖9b中發(fā)現(xiàn)，低速區(qū)識(shí)別較為準(zhǔn)確，而高速區(qū)有部分被識(shí)別成了代表低速的工況4。其中0～1 000 s，工況識(shí)別結(jié)果1，是由于這段時(shí)間為測(cè)試工況里的NEDC工況，為選取的19種典型工況之一，為聚類(lèi)的標(biāo)準(zhǔn)工況庫(kù)1； 2 500 s左右出現(xiàn)劇烈抖動(dòng)，是由于識(shí)別精度誤差所致，但總體上工況識(shí)別較為合理；從圖9c看出，為了保證電池SOC均衡，整個(gè)工況下電機(jī)更多地工作在發(fā)電狀態(tài)。從圖9c中還可以看到，等效燃油因子與電池的SOC值呈負(fù)相關(guān)；且仿真前后電池SOC的變化率為0.001，誤差僅為0.5%說(shuō)明在此策略下能夠保證電池SOC的平衡。綜上，本文制定的基于工況自適應(yīng)的ECMS策略控制效果較好。

4.3 與傳統(tǒng)ECMS策略仿真對(duì)比分析

傳統(tǒng)ECMS策略的求解的思路為：分別將DP算法求解出的5種標(biāo)準(zhǔn)工況的等效燃油因子序列作為原始數(shù)據(jù)庫(kù)，通過(guò)當(dāng)前的電池狀態(tài)SOC采用插值法得到此時(shí)的等效燃油因子，然后由ECMS能量管理策略實(shí)時(shí)調(diào)整此時(shí)發(fā)動(dòng)機(jī)和電機(jī)的工作點(diǎn)。

同樣，選取 NIHL工況作為綜合測(cè)試工況，分別采用5種標(biāo)準(zhǔn)工況的等效燃油因子序列進(jìn)行仿真。為了防止電池過(guò)度放電而導(dǎo)致無(wú)法滿(mǎn)足動(dòng)力性能要求，仿真時(shí)限定電池SOC值不小于0.2。最終，仿真對(duì)比結(jié)果如圖10和圖11所示，圖中“工況自適應(yīng)”代表基于工況自適應(yīng)的ECMS策略；工況1、工況2、 工況3、 工況4、 工況5分別代表基于各自工況的等效燃油因子求解序列的傳統(tǒng)ECMS策略。

由圖10可知，傳統(tǒng)ECMS策略均無(wú)法保證電池SOC的均衡，尤其是在基于工況1以及工況2的等效燃油因子序列的傳統(tǒng)ECMS策略下，電池SOC終值均較高，與基于工況自適應(yīng)的ECMS策略相比，其電量保持能力相對(duì)較差。圖11為不同策略下對(duì)應(yīng)的累計(jì)燃油消耗量。各策略的燃油消耗對(duì)比如表3所列。

由表3可見(jiàn)，基于工況自適應(yīng)的ECMS策略可分別改善2.2%、2.5%、3.3%、2.4%和4.0%，由此可見(jiàn)，行使工況對(duì)等效燃油消耗策略的制定有很大影響，本文中制定的基于工況自適應(yīng)的ECMS策略較為理想，顯著改善了燃油經(jīng)濟(jì)性，同時(shí)保證了電池狀態(tài)SOC的均衡。

表3 2種ECMS控制策略下的燃油消耗對(duì)比

5 結(jié) 論

本文基于ECMS理論研究了混合動(dòng)力汽車(chē)能量管理策略，針對(duì)行駛工況對(duì)能量管理策略的影響，提出了基于神經(jīng)網(wǎng)絡(luò)的工況識(shí)別方法；采用DP算法獲得最優(yōu)SOC軌跡用以解決ECMS策略中電量不平衡問(wèn)題，并且與工況識(shí)別相結(jié)合，實(shí)現(xiàn)了基于工況自適應(yīng)的等效燃油最小策略的實(shí)時(shí)應(yīng)用，并在保證電量平衡的基礎(chǔ)上獲得了較好的燃油經(jīng)濟(jì)性。后續(xù)研究工作主要通過(guò)實(shí)車(chē)試驗(yàn)來(lái)驗(yàn)證此策略，并根據(jù)試驗(yàn)結(jié)果對(duì)策略進(jìn)行改進(jìn)。