唐 強，湯 賜，曾云龍,王 勇

(長沙理工大學(xué)電氣與信息工程學(xué)院，湖南 長沙 410114)

電動汽車具有節(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，但單一動力源蓄電池驅(qū)動存在缺陷，動力電池比能量大續(xù)航能力強，但功率密度低、大電流充放電能力差、循環(huán)壽命短。超級電容功率密度大可以承受大電流頻繁充放電且循環(huán)壽命長，但比能量極低續(xù)航能力差，因此復(fù)合電源系統(tǒng)的使用可使得超級電容和蓄電池優(yōu)勢互補，由于復(fù)合電源的使用，能量管理策略(energy management strategy, EMS)的制定是復(fù)合電源系統(tǒng)功率分配的核心，決定了車輛動力性和經(jīng)濟(jì)性[1]。

目前，能量管理策略可分為基于規(guī)則類、基于濾波類和基于優(yōu)化類。眾多學(xué)者對能量管理策略進(jìn)行了應(yīng)用與改進(jìn)，文獻(xiàn)[2]基于確定規(guī)則設(shè)計了車輛在啟動加速、巡航和制動減速各階段的邏輯門限控制策略，改善了控制效果且豐富了確定規(guī)則的設(shè)計；文獻(xiàn)[3]采用基于模糊規(guī)則的模糊控制，通過遺傳算法優(yōu)化模糊控制隸屬度函數(shù)，提高了制動能量回收效率；文獻(xiàn)[4]基于濾波控制，結(jié)合考慮超級電容的荷電狀態(tài)(state of charge,SOC)設(shè)計實現(xiàn)能量動態(tài)分配控制，有效地降低了高頻分量對于蓄電池的沖擊；基于優(yōu)化的管理方法分為全局優(yōu)化和實時優(yōu)化，文獻(xiàn)[5]等基于全局優(yōu)化算法DP算法優(yōu)化電動汽車的能量分配，有效地提高了能量利用率，但是存在“維數(shù)災(zāi)難”現(xiàn)象即隨著狀態(tài)變量和控制變量的增加算法求解時間呈指數(shù)型增長，因此求解效率低、實時性不佳；文獻(xiàn)[6]采用實時優(yōu)化方法提出了實時非線性模型預(yù)測控制器優(yōu)化能量分配，在降低能耗的同時減少了計算量；文獻(xiàn)[7]采用實時優(yōu)化方法應(yīng)用于自適應(yīng)巡航控制，在模型預(yù)測控制框架下設(shè)計了增量式自適應(yīng)模型預(yù)測(model predictive control, MPC) 控制器，有效地提高了自適應(yīng)巡航控制性能。

綜上可知，目前能量管理研究主要圍繞車輛動力性能開展能量分配，基于規(guī)則和濾波的方法易于車載實現(xiàn)，且不需要行駛信息的儲備和龐大計算，能量分配響應(yīng)快；缺點是無法保證能量損耗最優(yōu)?；谌謨?yōu)化能獲得優(yōu)化控制效果，但是需要行駛工況的先驗知識且存在“維數(shù)災(zāi)難”，工作在離線狀態(tài)。實時優(yōu)化由于模型預(yù)測、神經(jīng)網(wǎng)絡(luò)等預(yù)測可減少行駛信息的儲備和龐大計算，但較依賴于預(yù)測模型精度，目前處于快速發(fā)展階段。近些年來，汽車愈發(fā)從功能型向智能型升級轉(zhuǎn)變[8]，智能汽車通過車載傳感器系統(tǒng)和信息終端實現(xiàn)與人、車、路等信息交換，使車輛更加智能化。駕駛意圖識別是未來智能汽車的重要發(fā)展方向之一，本文基于規(guī)則、濾波控制，綜合規(guī)則、濾波控制的優(yōu)點，增加考慮駕駛員意圖的因素，通過駕駛意圖的識別自適應(yīng)調(diào)整能量分配，使得在傳統(tǒng)控制策略中只考慮“車”因素基礎(chǔ)上，增加考慮“人”的因素。將工況分類為高速公路、城市快速公路、郊區(qū)路況、擁堵路況，幾乎涵蓋實際駕駛中的所有工況類型，在不同類型工況下仿真，更加全面地分析所提策略的工作情況。

1 融合駕駛意圖識別的功率分配控制策略工作原理

1.1 復(fù)合儲能系統(tǒng)拓?fù)浣Y(jié)構(gòu)

復(fù)合儲能系統(tǒng)拓?fù)浣Y(jié)構(gòu)一般可以分為被動并聯(lián)、全主動和半主動結(jié)構(gòu)[9]。本文采用超級電容及電池的半主動構(gòu)型，其結(jié)構(gòu)特征為DC/DC變換器與超級電容的輸出端相連后與蓄電池并聯(lián)在母線兩端。相比于其他構(gòu)型，該構(gòu)型超級電容能夠在寬電壓范圍內(nèi)工作且總線的電壓能維持相對穩(wěn)定，采用一個DC/DC變換器可降低成本[10-11]。在電機(jī)的驅(qū)動和發(fā)電的不同狀態(tài)下，工作在不同模式的雙向DC/DC參與控制蓄電池和超級電容充放電，復(fù)合儲能系統(tǒng)依據(jù)制定的EMS實現(xiàn)協(xié)調(diào)工作，復(fù)合儲能系統(tǒng)半主動構(gòu)型拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 超級電容及電池的半豐動構(gòu)型Figure 1 Semi active configuration of supercapacitor and battery

本文多維量化分析復(fù)合電源工作情況，融合多維度輸出功率、輸出功率標(biāo)準(zhǔn)差、輸出功率標(biāo)準(zhǔn)差相對值、整車能耗等構(gòu)建量化指標(biāo)，建模如下。

1)功率波動劇烈程度量化分析。蓄電池/超級電容輸出功率標(biāo)準(zhǔn)差為S，橫向比較不同工況下蓄電池/超級電容輸出功率波動情況的標(biāo)準(zhǔn)差相對值為RS，即

(1)

(2)

(3)

其中，T為循環(huán)工況時長。

2)整車系統(tǒng)能量耗損量化分析。車輛在行駛過程中的整車系統(tǒng)能量耗損主要為超級電容、蓄電池內(nèi)阻損耗以及DC-DC變換器的能量損耗，歸集為

Pbl(k)+Pdl(k))·Δt)

(4)

其中

(5)

(6)

(7)

式(4)～(7)中N為切分的塊數(shù)；仿真步長Dt為1 s；Rsc為超級電容內(nèi)阻；Rbat為超級電容蓄電池內(nèi)阻；Isc(t)、Ibat(t)分別為超級電容、蓄電池在t時刻的電流；ηDC(t)為DC/DC轉(zhuǎn)換器效率；PDC(t)為DC/DC轉(zhuǎn)換器在t時刻的輸出功率。

1.2 自適應(yīng)調(diào)整能量分配機(jī)理

駕駛意圖——模糊邏輯自適應(yīng)控制策略結(jié)構(gòu)如圖2所示。融合駕駛意圖識別自適應(yīng)調(diào)整能量分配的物理機(jī)理：激進(jìn)型駕駛意圖下可將能量適當(dāng)多分配給超級電容，從而保護(hù)蓄電池；平和型能量需求下可將更多的能量分配給蓄電池，從而維持超級電容剩留一定能量，以備在啟動或上坡時使用。該策略的控制過程可分為駕駛員駕駛意圖識別、低通濾波器濾波和能量分配三部分，其中，駕駛意圖識別由駕駛風(fēng)格識別、加速意圖識別構(gòu)成的多模糊識別控制器實現(xiàn)，通過設(shè)置合理的模糊規(guī)則，輸出模糊控制結(jié)果。由于低通濾波器的截至頻率由時間常數(shù)決定，故通過駕駛意圖識別結(jié)果自適應(yīng)調(diào)整時間常數(shù)調(diào)整能量分配。該策略結(jié)合超級電容和蓄電池SOC的實際情況且融合駕駛意圖充分發(fā)揮蓄電池高比能量和超級電容高比功率動力特性，可有效地延長蓄電池壽命。

圖2 駕駛意圖——模糊邏輯自適應(yīng)控制策略結(jié)構(gòu)Figure 2 Driving intention-fuzzy logic adaptive control strategy structure

2 融合駕駛意圖識別的功率分配控制策略實現(xiàn)過程

2.1 駕駛意圖識別

駕駛意圖無法用精確模型描述，模糊控制對解決無法用數(shù)學(xué)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[12],故采用模糊控制識別駕駛員駕駛意圖。

運用混合式學(xué)習(xí)模式的整本書閱讀不只在課堂上進(jìn)行閱讀和討論，而是將閱讀延展到家庭、社區(qū)等任意空間，且靈活采用線上、線下的學(xué)習(xí)方式，至少一部分是在線討論、探究，至少一部分是在實體課堂上由教師介人指導(dǎo)的閱讀學(xué)習(xí)，還有至少一部分是學(xué)生的自由自主閱讀。課堂學(xué)習(xí)、在線互動、非課堂非在線自主閱讀，至少這三個模塊整合在一起，形成完整的整本書閱讀體驗課程。

2.1.1 駕駛風(fēng)格識別

駕駛風(fēng)格分為動力性(Power)和經(jīng)濟(jì)性(Ecomic)需求。車輛加速度均值E(a(t))表示某時間片段內(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(t))越大表征速度變化快，駕駛員變換速度頻繁，駕駛風(fēng)格偏向動力性；E(a(t))越小，駕駛員速度變化較平穩(wěn)，其駕駛分格偏向平和的經(jīng)濟(jì)型。由于所獲得參數(shù)中若出現(xiàn)極端值情況，均值將失去代表性，所以引入汽車加速度標(biāo)準(zhǔn)差σ(a(t))，共同識別駕駛員偏向于動力型駕駛需求或經(jīng)濟(jì)型駕駛需求，從而準(zhǔn)確地識別不同的駕駛風(fēng)格。

(8)

(9)

式中a(t)為當(dāng)前加速度采樣值；n為加速度取樣個數(shù)，考慮實時性，本文取t時刻過去3 s的加速度，采樣間隔為1 s，故n取3。

獲得識別參數(shù)后進(jìn)行駕駛風(fēng)格識別的模糊控制器設(shè)計。模糊輸入、輸出論域：E(a(t)) =[-1，1]，σ(a(t)) =[0,1]、Ds=[-1,1]；所對應(yīng)的模糊子集：E(a(t))={ NB(負(fù)小)、NM(負(fù)中)、S(一般)、PM(正中)、PB (正大)}，σ(a(t)) ={S(加速度標(biāo)準(zhǔn)小)、M(加速度標(biāo)準(zhǔn)中)、B(加速度標(biāo)準(zhǔn)大)}，Ds={Economic(動力型)、Power(經(jīng)濟(jì)型)}。加速意圖識別規(guī)則如表1所示，模糊規(guī)則的輸出界面如圖3所示。

表1 加速意圖識別模糊控制器規(guī)則Table 1 Fuzzy controller rules for accelerating intention recognition

圖3 駕駛風(fēng)格Figure 3 Driving style

2.1.2 加速意圖識別

在行駛過程中，根據(jù)實際的路況、事態(tài)等多維因素，駕駛員有不同的加速意圖。加速意圖表征了對轉(zhuǎn)矩需求和加速的緊急程度。通過對加速踏板開度的表征參數(shù)和加速踏板變化率的表征參數(shù)，經(jīng)由模糊推理識別出加速意圖。本文加速踏板的開度以加速時的加速度Aacc表征，加速踏板的變化率以加速度沖擊影響因子Jf表征，Aacc、Jf越大則表示加速意圖越強。

(10)

表2 不同工況下平均沖擊系數(shù)Table 2 Average impact coefficient under different working conditions

表3 加速意圖識別模糊控制器規(guī)則Table 3 Fuzzy controller rules for accelerating intention recognition

圖4 加速意圖Figure 4 Acceleration intention

2.2 濾波常數(shù)自適應(yīng)調(diào)整

駕駛風(fēng)格識別和加速意圖的識別結(jié)果作為輸入，經(jīng)由濾波器時間常數(shù)模糊控制器控制時間常數(shù)，完成駕駛意圖識別模塊。在低通濾波器時間常數(shù)模糊控制器的設(shè)計中，輸入、輸出變量的論域：Ds=[-1,1]，Macc=[0,1]，時間常數(shù)τ=[5,10]；所對應(yīng)的模糊子集Ds={Economic(動力型)、Power(經(jīng)濟(jì)型)}、Macc={YS(加速意圖弱)、YM(加速意圖中)、YB(加速意圖強)}，τ={S(小)、M(中)、B(大)}。所用模糊規(guī)則的輸出界面如圖5所示。

圖5 低通濾波器時間常數(shù)模糊規(guī)則三維Figure 5 Three-dimentional diagram of time constant fuzzy rule of low pass filter

2.3 主能量控制器規(guī)則設(shè)計

主能量分配控制器采用經(jīng)典Mamdani結(jié)構(gòu)的三輸入一輸出模糊控制器，其輸入分別為Pr=[-0.2,1]、Sb=[0.2,1]、Sc=[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(yīng)，所以實際域要轉(zhuǎn)換為論域[13]；Sb、Sc、Kb論域與實際域一致，不用轉(zhuǎn)換。輸入量與輸出量之間的關(guān)系如圖6所示。

圖6 輸入量與輸出量之間的關(guān)系Figure 6 Relationship between input and output

3 建模與仿真

3.1 復(fù)合電源功率分配控制策略建模

參考《新建純電動乘用車企業(yè)管理規(guī)定》純電動汽車技術(shù)要求，選擇小型車輛進(jìn)行研究，根據(jù)規(guī)定中的技術(shù)要求進(jìn)行參數(shù)匹配，仿真車輛所用的主要參數(shù)如表4所示。

表4 仿真車輛主要參數(shù)Table 4 Main parameters of simulation vehicle

基于駕駛意圖識別結(jié)果、濾波常數(shù)自適應(yīng)調(diào)整和主能量控制器，搭建控制策略Simulink模型并嵌入到Advisor復(fù)合電源車輛頂層模型完成仿真，控制策略Simulink模型如圖7所示。

圖7 融合駕駛意圖識別的純電動汽車功率分配控制方法的Simulik模型Figure 7 Simulik model of hybrid electric vehicle power distribution control method based on driving intention recognition

3.2 仿真結(jié)果分析

不同工況下駕駛員的駕駛意圖具有不同特點，為更全面地分析所提策略的工作情況，在不同類型工況下進(jìn)行仿真(策略1、2分別為傳統(tǒng)、本文所提策略)。以極端擁堵工況NYCC為例，圖像化仿真結(jié)果，其他類型工況的控制結(jié)果以表格形式歸集。

3.2.1 駕駛意圖識別控制結(jié)果

基于搭建的駕駛工況、駕駛意圖識別模型，得到駕駛意圖識別結(jié)果，該結(jié)果控制低通濾波器時間常數(shù)，時間常數(shù)分布情況如圖8所示，可知駕駛意圖識別控制器能識別駕駛意圖，并能自適應(yīng)調(diào)整低通濾波器濾波常數(shù)，從而調(diào)整能量分配。

圖8 NYCC工況(類比擁堵工況)下駕駛意圖控制結(jié)果Figure 8 Control results of driving intention under NYCC condition (similar to congestion condition)

3.2.2 蓄電池輸出功率

NYCC工況下蓄電池輸出功率變化情況如圖9所示，在整體趨勢方面，采用策略2蓄電池輸出功率較策略1更加平滑。4種類型工況的蓄電池輸出功率指標(biāo)如表5所示，其他工況下的蓄電池表現(xiàn)與NYCC工況類同。

圖9 NYCC工況下蓄電池輸出功率Figure 9 Battery output power under NYCC condition

表5 蓄電池輸出功率評價指標(biāo)Table 5 Evaluation index of battery output power kW

結(jié)合表5可知，采用策略1、2時輸出功率標(biāo)準(zhǔn)差分別為 3.818、2.846 kW，采用策略2較策略1蓄電池整體波動減小25.46%。在輸出功率波動范圍方面，策略1輸出功率(kW)波動范圍為[-5.742,29.731]，峰谷差為35.473 kW；策略2輸出功率(kW)波動范圍為[0,20.047]，峰谷差為20.047 kW，較策略1降低了43.49%。在NYCC工況下，控制策略2將制動回收能量全分配給超級電容，蓄電池吸收為零，這是由于走走停停，制動回收能量較小，超級電容的能量儲備有利于在該工況下的車輛頻繁啟動。綜上表明，無論是蓄電池輸出功率的整體波動劇烈程度還是波動的范圍均降低，有利于延長蓄電池的使用壽命。

由表5可得，橫向?qū)Ρ雀鞴r下的蓄電池輸出功率波動情況，在US06-HWY(高速公路，0.716)和HWFET(城市快速公路，0.519)工況下，蓄電池輸出功率標(biāo)準(zhǔn)差相對值小，而在UDDS(郊區(qū)路況，1.125)和NYCC(擁堵路況，1.348)工況下，蓄電池輸出功率標(biāo)準(zhǔn)差相對值大。原因是蓄電池在高速和城市快速公路工況下車速高且相對平穩(wěn)，所以蓄電池輸出功率較平滑。采用策略2時蓄電池輸出功率標(biāo)準(zhǔn)差相對值的均值為0.927。

3.2.3 超級電容輸出功率

NYCC工況下超級電容輸出功率變化情況如圖10所示，在整體趨勢方面，采用策略2時超級電容輸出功率較策略1時波動更加劇烈。4種類型工況的超級電容輸出功率評價指標(biāo)如表6所示，可知采用策略1、2時超級電容輸出功率標(biāo)準(zhǔn)差分別為3.624、5.849 kW，整體波動提高了61.40%。在輸出功率波動范圍方面，可知采用策略1時輸出功率(kW)波動范圍為[-4.124 1,22.88]，峰谷差為27.003 kW，策略2的輸出功率(kW)范圍波動為[-15.373,32.562]，峰谷差為47.935 kW，提高了77.52%。策略2更加充分發(fā)揮超級電容承受大功率波動的作用。

圖10 NYCC工況下超級電容輸出功率Figure 10 Output power of supercapacitor under NYCC condition

表6 超級電容輸出功率評價指標(biāo)Table 6 Evaluation index of supercapacitor output power kW

3.2.4 整車系統(tǒng)能量耗損

整車能量耗損可作為評價車輛經(jīng)濟(jì)性重要指標(biāo)之一，根據(jù)式(4)～(7)，可得整車能量耗損如表7所示，不同工況下整車能耗呈現(xiàn)差異化分布，采用所提策略的整車系統(tǒng)單位里程能量耗損均值為32.61 Wh/km。

表7 策略2下整車能量耗損Table 7 Vehicle energy loss under strategy 2

4 結(jié)語

在確定半主動式復(fù)合電源系統(tǒng)拓?fù)浜?，建立整車頂層模型，通過識別駕駛意圖自適應(yīng)調(diào)整濾波常數(shù)，搭建能量管理模型，完成仿真。

1)在當(dāng)下汽車從功能型向智能型升級轉(zhuǎn)變的發(fā)展趨勢背景下，研究融合駕駛意圖識別的能量控制策略具有重要意義。本文通過駕駛意圖識別自適應(yīng)調(diào)整低通濾波器濾波常數(shù)，從而自適應(yīng)調(diào)整模糊控制能量分配。

2)在整車能量耗損能耗方面，復(fù)合型電源純電動汽車在US06-HWY(43.807 Wh/km)和NYCC工況(36.952 Wh/km)時能量耗損最大，而在HWFET(25.113 Wh/km)和UDDS(24.547 Wh/km)工況時能量耗損較小。采用所提策略控制的整車系統(tǒng)單位里程能量耗損均值為32.61 Wh/km。

3)在復(fù)合電源狀態(tài)監(jiān)測方面，采用所提策略(蓄電池輸出功率標(biāo)準(zhǔn)差相對值均值為0.927)與策略1(1.215)相比較，蓄電池輸出功率波動降低了23.72%，超級電容輸出功率波動增強，所提策略更有利于發(fā)揮超級電容削峰的積極作用，延長蓄電池壽命。