唐 強，湯 賜，曾云龍，王 勇，冷 婷

(長沙理工大學電氣與信息工程學院，湖南長沙410114)

隨著技術的進步，電動汽車愈發(fā)能滿足出行需求，且具有節(jié)能環(huán)保的優(yōu)勢，這使得電動汽車發(fā)展成為一種必然趨勢。由于復合電源的使用，為提高系統(tǒng)的效率，合理的能量管理策略是核心。

目前，電動汽車復合儲能系統(tǒng)能量管理策略可大致分為基于規(guī)則類和基于優(yōu)化類?；趦?yōu)化類的控制策略模型可獲得全局最優(yōu)解，但需要行駛工況的先驗知識，且計算量大，難以在車載中實現(xiàn)[1-2]?；谝?guī)則的能量管理策略執(zhí)行效率高、簡單直觀、易于車載實現(xiàn)[3]。

基于規(guī)則類的控制策略常見的有：邏輯門限控制策略、模糊控制策略和濾波器控制策略。模糊控制策略是應用最廣泛的。該策略是一種模仿人的思維方式和推理方法的控制方法，具有無需對象的數(shù)學模型、魯棒性較強的特點[4]。本文采用了多模糊控制器識別出駕駛意圖，其識別結(jié)果用于自適應修正能量分配系數(shù)，從而不僅考慮車的因素還考慮駕駛員因素，實現(xiàn)了識別結(jié)果能量自適應分配。并利用了advisor仿真[5]，分析了該策略的有效性。

1 復合電源系統(tǒng)

1.1 系統(tǒng)拓撲圖

復合電源系統(tǒng)拓撲包含全主動式、半主動式、被動式3 種構(gòu)型。綜合考慮成本和使用效果，采用半主動式復合電源構(gòu)型進行研究，如圖1 所示。超級電容通過雙向DC/DC 變換器與母線相連，電池直接與母線相連。這種結(jié)構(gòu)一方面可以使超級電容能夠在寬電壓范圍內(nèi)工作；另一方面，電池直接連接到直流總線能夠保證直流總線的電壓相對穩(wěn)定[6]。

圖1 半主動式復合電源構(gòu)型

1.2 電池模型

電池選用Rint 模型，如圖2(a)所示。圖中U_bat為開路電壓，R_bat為歐姆內(nèi)阻，I_bat為電流，U_load為負載電壓。

圖2 部件模型

電池的負載功率P_bat為：

根據(jù)式(1)可得動力電池的電流：

SOC 用于表征剩余放電能力，計算公式為[7]：

1.3 超級電容模型

由于超級電容一階RC 模型具有較小的RMSE(標準誤差)，且提高階數(shù)對模型精度提高的并不明顯，所以超級電容選用一階RC 模型，如圖2(b)所示。圖中，電容的容量以C 表示，開路電壓以U_uc表示，電流以I_uc表示，負載電壓以U_load表示。

負載電壓和開路電壓關系為：

其中，開路電壓的計算公式為：

式中：Q_uc為超級電容存儲的能量。

忽略C 的變化，可得超級電容存儲電量的SOC_uc等于電壓差之比，見式(6)：

式中：U_min、U_max分別為超級電容允許的最小電壓、最大電壓。

1.4 雙向DC/DC 變換器

基于半主動式拓撲，更快響應速度和較大工作功率的雙向DC/DC 變換器可減小直流母線承受的電壓波動，有利于蓄電池的壽命[8]。而雙向DC/DC 變換器存在參數(shù)多且未知及不易準確求解的問題，考慮到該問題，本文通過測試在不同輸入電壓下，效率隨功率變化情況，結(jié)合查表法[9]建立雙向DC/DC 變換器模型，如圖3 所示。

2 駕駛意圖-模糊自適應控制策略分析

駕駛意圖-模糊自適應控制策略是結(jié)合模糊控制策略和駕駛意圖識別提出的自適應能量管理策略。模糊控制策略只考慮了車的因素，即滿足整車功率需求，未考慮加速意圖、駕駛風格，即駕駛員因素。同時考慮車的因素和人的因素，更加符合實際情況，且根據(jù)駕駛意圖自適應調(diào)整能量分配系數(shù)，可優(yōu)化能量分配。本部分詳細地介紹模糊控制策略、駕駛意圖識別和駕駛意圖-模糊自適應控制策略實現(xiàn)。

圖3 DC/DC變換器模型

2.1 模糊邏輯控制

采用最經(jīng)典的Mamdani 結(jié)構(gòu)，其輸入分別為Pr=[-0.2,1]、SOCb=[0.2,1]和SOCc=[0.2,1]。輸出變量為Kb=[0,1]。對于Pr，由于實際域與論域不對應，所以實際域要轉(zhuǎn)換為論域，通過實際域絕對值的最大值除以論域絕對值的最大值求得轉(zhuǎn)換系數(shù)，Pr乘以該系數(shù)，即可完成轉(zhuǎn)換。SOCb、SOCc、Kb論域與實際域一致，不用轉(zhuǎn)換。模糊邏輯功率分配策略的輸入、輸出隸屬度函數(shù)如圖4。

圖4 輸入與輸出隸屬度函數(shù)

綜合制動過程和驅(qū)動過程設計了模糊控制器,模糊控制規(guī)則見表1。

確定了輸入輸出隸屬度函數(shù)和模糊規(guī)則后，進行模糊推導，設計模糊控制策略結(jié)構(gòu)圖，如圖5 所示。

2.2 駕駛意圖識別

目前，識別駕駛意圖的方法主要有模糊邏輯控制、人工神經(jīng)網(wǎng)絡和隱馬爾科夫模型。應用模糊控制對駕駛意圖識別是通過提取相關表征參數(shù)，經(jīng)模糊推理識別駕駛意圖。模糊控制對解決無法用數(shù)學描述的模型特別適用，控制結(jié)果符合人的思維以及經(jīng)驗，而且具有魯棒性高的特點。本文中考慮到駕駛意圖無法用精確模型描述，采用模糊控制識別駕駛風格和加速意圖進而識別出駕駛員駕駛意圖。

表1 模糊控制規(guī)則

圖5 模糊控制策略結(jié)構(gòu)圖

2.2.1 駕駛風格識別

駕駛風格分為動力性需求和經(jīng)濟性需求，分別用Power和Ecomic 表示。車輛加速度均值E(a)是某時間片段內(nèi)對加速度取平均，表征該時間片段內(nèi)速度的變化率。E(a)越大表征速度變化快，意味著駕駛員需求偏向于動力性；反之，偏向于經(jīng)濟性。若樣本中出現(xiàn)具有少數(shù)極端值的情況，加速度均值將失去代表性，所以引入汽車加速度均方差σ(a)，共同識別駕駛員對車輛動力性或經(jīng)濟性的偏向需求，從而準確地識別駕駛員的駕駛風格。

式中：a 為當前加速度采樣值；n 為加速度取樣個數(shù)。

獲得識別參數(shù)后，對駕駛風格識別的模糊控制器進行設計。其 中 模 糊 輸 入 輸 出 論 域E(a)=[-1，1]，σ(a)=[0,1]、driving_style=[-1,1]，所對應的模糊子集為：E(a)={NB、NM、S、PM、PB}；σ(a)={S、M、B}；driving_style={Economic、Power}。模糊規(guī)則的輸出界面如圖6 所示。

圖6 駕駛風格

2.2.2 加速意圖識別

通過加速踏板的開度和加速踏板變化率識別加速意圖。加速踏板的開度以加速時加速度均值E(a_acc)表征，加速踏板的變化率以加速度沖擊影響因子J_fact表征。E(a_acc)且J_fact越大則表示加速意圖越強，反之，加速意圖越弱，計算公式如式(9)。

式中：J 加速度沖擊系數(shù)[9]；J 為各種路況下的平均沖擊系數(shù)。加入J 是因為不同路況下的沖擊系數(shù)呈現(xiàn)差異化分布，將路況考慮進來，使得沖擊影響因子表征加速度沖擊程度更具實際含義。經(jīng)計算，不同工況下平均沖擊系數(shù)如表2 所示。

表2 不同工況下平均沖擊系數(shù)

加速意圖模糊識別器的設計中，輸入和輸出變量的論域為：E(a_acc)=[0，1]，J_fact=[0，1]，acc_atemp=[0,1];所對應的模糊子集為E(a_acc)={S, M, B}、J_fact={S, PM, PB}、acc_atemp={S, M, B}；所用模糊規(guī)則的輸出界面如圖7 所示。

圖7 加速意圖

2.3 駕駛意圖-模糊自適應控制策略的實現(xiàn)

駕駛意圖-模糊自適應控制策略的實現(xiàn)思路是：由輸入為功率需求、蓄電池SOC、電容SOC 的模糊控制器為主模糊控制器，滿足充放電功率主要的期望值；由駕駛意圖識別模糊器為副模糊控制器，其輸出結(jié)果動態(tài)修正主能量分配系數(shù)。結(jié)合多目標優(yōu)化思路，總能量分配系數(shù)為主副模糊控制輸出乘權(quán)重取和，策略結(jié)構(gòu)圖見圖8。

圖8 駕駛意圖-模糊邏輯自適應控制策略結(jié)構(gòu)圖

根據(jù)模糊圖中控制策略結(jié)構(gòu)圖，可得：

式中：Pr為需求功率；K 為能量分配系數(shù)。

式中：weight1為駕駛意圖權(quán)重；weight2為主模糊控制輸出權(quán)重；k1為駕駛意圖識別結(jié)果；k2為主模糊控制輸出結(jié)果。

權(quán)重分配目標：延長動力電池的循環(huán)壽命，同時考慮車、駕駛意圖因素。其中，滿足功率需求、SOC 約束、儲能裝置輸出功率限值約束等車的因素是首要的，所以權(quán)重系數(shù)依次取值為0.7、0.3。

3 仿真結(jié)果分析

為驗證駕駛意圖-模糊自適應控制策略有效性，進行仿真，其中，仿真中的單一電源系統(tǒng)和復合電源系統(tǒng)的整車參數(shù)是一致的；模糊控制和駕駛意圖-模糊自適應控制策略分別用策略1 和策略2 表示；仿真工況為NEDC 工況。

圖9 為策略2 下汽車速度跟隨情況。由圖可知，實際車速和需求車速能較好跟隨，表明策略2 滿足行駛功率需求。

圖9 策略速度跟隨情況

圖10 為蓄電池SOC 變化圖。由圖可知，策略2 蓄電池SOC 降低最小，策略1 次之，單一電源系統(tǒng)降低最大。進一步計算得圖11，較單一電源系統(tǒng)，策略1 能量利用率提高了6.44%，策略2 提高了9.82%。

圖10 蓄電池SOC變化圖

圖12 為蓄電池電流變化情況。由圖可得，采用策略1 的電池放電電流在118.49 A 以內(nèi)，采用策略2 時電池的放電電流在100.18 A 以內(nèi)，降低了15.45%，且兩種策略的大部分蓄電池電流均在90 A 以內(nèi)，避免了大電流對動力電池的沖擊。

圖13 為蓄電池輸出功率變化情況。由圖可得，采用策略1 時電池最大正功率33.77 kW，采用策略2 時電池的最大正功率為29.09 kW，降低了13.86%。采用策略1 的電池最大制動回收功率為-7.49 kW，在策略2 下的電池最大制動回收功率為-7.08 kW，降低了5.47%。這表明，策略2 無論在驅(qū)動狀態(tài)還是制動狀態(tài)均更有效減少蓄電池的功率波動，有利于提高蓄電池的使用壽命。

圖11 不同ECMS蓄電池能量利用率指標

圖12 電池電流

圖13 電池功率

圖14 為超級電容輸出功率、輸出電流變化情況。由圖可得，與策略1 對比，策略2 下超級電容輸出電流、輸出功率波動更大。這表明，策略2 較策略1 更能發(fā)揮超級電容削峰填谷的優(yōu)勢。

圖14 超級電容輸出功率、電流變化情況

圖15 為蓄電池的溫升。由圖可得，單一電源電池溫升最大，為1.43 ℃；策略1 溫升次之，為1.35 ℃，降低了5.59%；而策略2 電池溫升變化最小，溫升為1.28 ℃，降低了10.49%。頻繁工作在高溫狀態(tài)下的電池壽命會減少，策略2 較單一電源及策略1，更有助于延長其循環(huán)壽命。

?

圖15 電池溫升

4 結(jié)論

在確定半主動式復合電源系統(tǒng)拓撲后，建立整車頂層模型。通過Simulink 對路況建模，得到表征參數(shù)：加速度均值，加速度標準差，加速度沖擊影響因子，設計模糊控制器，進行模糊推理，識別駕駛風格以及加速意圖，進而識別出駕駛意圖?；隈{駛意圖-模糊邏輯自適應控制策略完成仿真，進行仿真對比分析，得如下結(jié)論：

(1)在滿足整車動力性的前提下，采用駕駛意圖-模糊邏輯自適應控制策略能根據(jù)表征參數(shù)，識別出駕駛意圖自適應修正能量分配系數(shù)。

(2)復合電源系統(tǒng)能利用超級電容比功率大和可快速充、放電的優(yōu)勢，且結(jié)合能量管理策略進行能量分配，可有效提高能量利用率和延長電池壽命。仿真表明，駕駛意圖-模糊邏輯自適應控制策略較單一電源系統(tǒng)，能量利用率提高約9.82%，電池溫升降低了10.49%。

(3)駕駛意圖-模糊邏輯自適應控制策略較傳統(tǒng)模糊控制策略的能量利用率提高了約3.61%，蓄電池的功率波動降低了13.86%，蓄電池的最大輸出電流降低了15.45%，蓄電池的溫升降低了5.19%，這均有利于保護蓄電池，延長壽命，表明該策略的優(yōu)化有效性。