聶金泉,王 敖,魏長銀,陳 晨,劉 源

(1.湖北文理學(xué)院 汽車與交通工程學(xué)院, 湖北 襄陽 441053;2.純電動汽車動力系統(tǒng)設(shè)計與測試湖北省重點實驗室, 湖北 襄陽 441053;3.河北工業(yè)大學(xué) 機械工程學(xué)院, 天津 300130;4.東風(fēng)汽車股份有限公司, 湖北 襄陽 441000)

0 引言

近年來,中國大力發(fā)展新能源汽車[1],其中燃料電池汽車是重點發(fā)展方向之一[2]。燃料電池汽車多采用復(fù)合電源供能,能量管理策略對車輛能量源的合理分配具有重要作用[3]。研究表明,將工況識別應(yīng)用到能量管理策略中,針對不同行駛工況調(diào)整相應(yīng)的能量管理策略可以有效提高燃料電池汽車的經(jīng)濟性,延長動力電池的使用壽命[4]。

目前,基于工況識別的能量管理策略大致有以下幾類。一是基于聚類算法識別的能量管理策略。牛禮民等[5]應(yīng)用K-means++聚類算法識別行駛工況;吳靜波等[6]使用改進粒子群算法優(yōu)化K均值聚類算法對行駛工況進行在線識別;劉永剛等[7]使用聚類分析方法進行工況識別。二是基于規(guī)則控制器識別的能量管理策略。嚴(yán)陳希等[8]提出基于模糊規(guī)則控制器識別的自適應(yīng)能量管理策略;馮耀先等[9]制定了基于邏輯規(guī)則控制器識別的多模式切換的能量管理策略。三是基于神經(jīng)網(wǎng)絡(luò)識別的能量管理策略。陳勇等[10]設(shè)計了一種利用改進遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)識別工況的自適應(yīng)能量管理策略;劉靈芝等[11]制定了一種基于BP神經(jīng)網(wǎng)絡(luò)識別工況的自適應(yīng)等效油耗最低能量管理策略;田毅等[12]提出了基于模糊神經(jīng)網(wǎng)絡(luò)識別工況的能量管理策略。四是基于支持向量機(SVM)識別的能量管理策略。趙勇等[13]提出了使用GA 優(yōu)化SVM的工況識別最優(yōu)能量管理策略;王琳皓等[14]提出了灰狼優(yōu)化SVM的工況識別能量管理策略;石琴等[15]提出了粒子群優(yōu)化支持向量機的工況識別能量管理策略。

為進一步提高工況識別能量管理策略的經(jīng)濟性,解決模糊控制參數(shù)尋優(yōu)復(fù)雜的問題,本文綜合考慮神經(jīng)網(wǎng)絡(luò)解決非線性映射問題和模糊控制自適應(yīng)性與實時性強的優(yōu)點,提出一種基于神經(jīng)網(wǎng)絡(luò)識別的自適應(yīng)模糊能量管理策略。針對車輛復(fù)雜的行駛工況,以最符合實際道路的中國乘用車行駛工況(CLTC-P)為樣本,使用BP神經(jīng)網(wǎng)絡(luò)進行在線預(yù)測識別,然后根據(jù)不同識別結(jié)果自適應(yīng)匹配不同工況下的模糊能量管理策略,并使用遺傳算法對其隸屬度函數(shù)的參數(shù)進行離線尋優(yōu),通過聯(lián)合仿真證明工況自適應(yīng)策略的有效性。

1 FCEV動力系統(tǒng)結(jié)構(gòu)及整車參數(shù)

以某款燃料電池汽車為研究對象,其動力系統(tǒng)結(jié)構(gòu)關(guān)鍵部件包括燃料電池、動力電池、電機、主減速器等,如圖1所示,整車參數(shù)如表1所示。

表1 整車參數(shù)

圖1 燃料電池汽車動力系統(tǒng)結(jié)構(gòu)示意圖

2 行駛工況識別研究

2.1 行駛工況選擇及樣本處理

選定最新發(fā)布的CLTC-P作為仿真道路行駛工況,其中包含了市區(qū)、市郊和高速公路3種工況,能較為準(zhǔn)確地反映中國實際道路信息。其中市區(qū)工況的區(qū)間為0～674 s,市郊工況的區(qū)間為675～1 367 s,高速公路工況的區(qū)間為1 368～1 800 s,3種工況的速度曲線如圖2所示。

圖2 CLTC-P工況速度曲線

工況片段是表征汽車在某段時間內(nèi)速度曲線的變化情況,因此樣本以工況片段的形式提取,其中一個工況片段的樣本時長T為150 s,提取時間間隔10 s,即樣本更新時長T0為10 s,并按照[1,T]、[1+T0,T+T0]…來提取訓(xùn)練樣本。速度區(qū)間疊加提取可以增加樣本數(shù)量,滿足BP神經(jīng)網(wǎng)絡(luò)需要大量訓(xùn)練樣本的要求,以提高神經(jīng)網(wǎng)絡(luò)識別精度。若在提取過程中出現(xiàn)工況切換的情形,可按照工況時間占T的比例來評判。例如,前一工況占比小于50%,則整個工況片段識別為后一工況,反之識別為前一工況。將所提取的工況片段的80%作為訓(xùn)練樣本,20%作為測試樣本,測試訓(xùn)練效果。

2.2 特征參數(shù)選取

選取工況的特征參數(shù)應(yīng)能代表汽車的歷史數(shù)據(jù),同時特征參數(shù)與整車經(jīng)濟性密切相關(guān),其選取結(jié)果會直接影響工況識別準(zhǔn)確度。通過對參數(shù)選取的研究表明[16],常選用于代表工況的特征參數(shù)有平均速度、最高速度、最大加速度、最大減速度、怠速時間比、平均加速度等。一般特征參數(shù)選取越多,工況描述越詳盡,但選取過多會影響系統(tǒng)的識別速度,而選取過少又不能準(zhǔn)確表征行駛工況,影響識別精度。綜合相關(guān)學(xué)者研究,選取最高速度、平均速度、怠速時間比代表所選工況片段的特征參數(shù)。3種工況的特征參數(shù)如表2所示。

表2 CLTC-P工況的特征參數(shù)

2.3 BP神經(jīng)網(wǎng)絡(luò)識別

人工神經(jīng)網(wǎng)絡(luò)(ANN)有很強的非線性適應(yīng)性信息處理能力,廣泛用于模式識別、組合優(yōu)化、預(yù)測控制等領(lǐng)域[17]。BP神經(jīng)網(wǎng)絡(luò)屬于前饋神經(jīng)網(wǎng)絡(luò),是目前廣泛應(yīng)用的人工神經(jīng)網(wǎng)絡(luò)模型,在預(yù)測識別方面有良好的效果,符合行駛工況識別的需求。因此,本文選用BP神經(jīng)網(wǎng)絡(luò)對行駛工況的各片段進行分類訓(xùn)練,通過迭代不斷更新新節(jié)點的權(quán)閾值,從而完成識別任務(wù)。

BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)通常包括輸入層、輸出層、隱含層3部分,且3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)可以滿足速度-時間曲線的工況訓(xùn)練,其結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)

以150 s的速度區(qū)間內(nèi)的3個特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入,行駛工況類型作為輸出,建立輸入與輸出的映射關(guān)系,并將輸出工況類型作歸一化處理,如表3所示。

表3 訓(xùn)練工況目標(biāo)值

同時,設(shè)定BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點為3,輸出節(jié)點為1,隱含層節(jié)點為8。基于BP神經(jīng)網(wǎng)絡(luò)的識別測試結(jié)果如圖4所示,其中訓(xùn)練結(jié)果誤差為0.075 2,測試結(jié)果誤差為0.121 2,工況識別率均能滿足要求。

圖4 BP神經(jīng)網(wǎng)絡(luò)識別結(jié)果

3 模糊控制器的設(shè)計及優(yōu)化

3.1 模糊控制器的設(shè)計

模糊控制利用專家控制經(jīng)驗,對非線性、復(fù)雜問題有良好的魯棒性,可用于FCEV的能量管理。因此,為了有效降低燃料電池汽車的等效氫氣消耗量、提高整車經(jīng)濟性,設(shè)計一種雙輸入單輸出的模糊控制器,以燃料電池汽車的整車需求功率Preq和動力電池的SOC為輸入量,燃料電池輸出功率Pfc為輸出量,具體模糊控制器結(jié)構(gòu)如圖5所示。

圖5 模糊控制器結(jié)構(gòu)示意圖

根據(jù)整車參數(shù)和標(biāo)準(zhǔn)工況下的速度-時間曲線,可以計算得出3類工況下的整車需求功率。在市區(qū)工況下行駛,整車需求功率不高于15 kW,同時為保證燃料電池系統(tǒng)的工作效率,應(yīng)該讓其盡可能地工作在高效區(qū)間[5 kW,40 kW],以減少能量損耗、提高利用率。綜上,糊控制器的輸入量Preq的論域為[0,15],模糊子集為{ZO,VS,S,M,B,VB};SOC的論域為[0,1],模糊子集為{L,M,H};輸出量Pfc的論域設(shè)置為[5,15],模糊子集為{ZO,VS,S,L,M,H,VB}。模糊規(guī)則的制定主要依據(jù)：1)當(dāng)SOC較低時,燃料電池承擔(dān)較大部分功率;2)當(dāng)SOC較高時,動力電池承擔(dān)較大部分功率;3)當(dāng)SOC處在穩(wěn)定荷電狀態(tài)區(qū)間時,二者共同承擔(dān)功率。其中SOC為{低,中,高},Preq為{關(guān)閉,極小,小,中,大,極大},Pfc為{關(guān)閉,極小,小,中偏小,中,中偏大,極大},具體模糊規(guī)則如表4所示。

表4 模糊控制規(guī)則

在市郊工況和高速公路工況的整車需求功率Preq都不高于50 kW 和100 kW,同理可以參照市區(qū)工況設(shè)置各自的輸入量與輸出量,模糊規(guī)則類似。

3.2 隸屬度函數(shù)優(yōu)化

上文所設(shè)計的模糊規(guī)則依舊過于依賴專家經(jīng)驗,存在較強的主觀性,難以使燃料電池汽車的性能最大化[18]。因此,需要對模糊控制器的隸屬度函數(shù)進行優(yōu)化處理。

遺傳算法對于求解一些非線性、多目標(biāo)的優(yōu)化問題有著較好的適應(yīng)性和魯棒性,所以本文采用遺傳算法對隸屬度函數(shù)的參數(shù)進行離線尋優(yōu)。在滿足整車動力需求的基礎(chǔ)上,盡量使燃料電池的氫氣消耗量和動力電池的等效氫氣消耗量最小。因此,優(yōu)化目標(biāo)函數(shù)為燃料電池的氫氣消耗量與動力電池的等效氫氣消耗量之和,其表達式為[19]

(1)

式中：F(t)為目標(biāo)函數(shù);H2_fc為燃料電池的氫氣消耗量;Ufc、Ifc分別為燃料電池的輸出電壓和輸出電流;Ubat、Ibat分別為動力電池的工作電壓和工作電流;t為燃料電池汽車的行駛時間。經(jīng)離線尋優(yōu)后的模糊控制器更能充分發(fā)揮整車復(fù)合電源的優(yōu)勢,提高整體的能量利用率,有效降低整車氫氣消耗量。市區(qū)工況的隸屬度函數(shù)優(yōu)化前后結(jié)果如圖6所示,市郊和高速公路工況的隸屬度函數(shù)優(yōu)化結(jié)果不再列出。

圖6 市區(qū)工況的隸屬度函數(shù)優(yōu)化結(jié)果

4 工況自適應(yīng)模糊能量管理策略

綜合上文,設(shè)計的工況自適應(yīng)模糊能量管理策略如圖7所示,主要分為離線尋優(yōu)和在線實時模糊控制2部分。

圖7 工況自適應(yīng)模糊能量管理策略示意圖

離線尋優(yōu)部分,從CLTC-P行駛工況中以150 s為提取時間,10 s為時間間隔提取工況片段的特征參數(shù),再將處理后的特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入量,訓(xùn)練識別模型。在市區(qū)、市郊、高速公路3類工況下,以整車氫氣消耗量之和為目標(biāo),使用遺傳算法對3類工況下模糊控制器1、2、3的參數(shù)進行離線尋優(yōu),獲取隸屬度函數(shù)的最優(yōu)參數(shù)。在線實時模糊控制部分,通過BP神經(jīng)網(wǎng)絡(luò)對歷史特征參數(shù)的辨識,預(yù)測未來行駛工況的類別,再根據(jù)結(jié)果自適應(yīng)調(diào)用相應(yīng)工況下優(yōu)化后的隸屬度函數(shù)的參數(shù),并將其導(dǎo)入模糊控制器,實現(xiàn)在線實時模糊控制。

5 仿真分析

為了驗證本文所提出的工況自適應(yīng)模糊能量管理策略可以做到自適應(yīng)工況并合理進行能量分配,提高整車經(jīng)濟性。將優(yōu)化后的模糊控制器導(dǎo)入Advisor整車模型中并與Matlab進行聯(lián)合仿真,針對所選行駛工況,分別采用基于規(guī)則的能量管理策略、有工況識別的模糊控制策略、工況自適應(yīng)模糊能量管理策略(融合BP工況識別且離線優(yōu)化后的模糊能量管理策略)3種能量管理策略進行對比分析,動力電池SOC仿真起始數(shù)據(jù)均設(shè)置為0.6,上下限分別為0.8和0.3。

為探究3種策略的控制效果,對比動力電池SOC在整個工況內(nèi)的變化情況。從圖8中可以看出,3種策略下SOC變化范圍均在0.5～0.8,符合仿真設(shè)定。其中,在基于規(guī)則的策略下的SOC最后在68%左右波動;在有工況識別的模糊控制策略下SOC峰值接近上限值80%,隨后又消耗降至65%;而經(jīng)過優(yōu)化后的工況自適應(yīng)策略下的SOC波動較小,最高值在80%左右而后穩(wěn)定在周圍波動。在3種策略下仿真結(jié)束的終止SOC值分別約為67.3%、65.8%、80%,證明工況自適應(yīng)策略可很好維持SOC值,減少波動對電池壽命的影響。

圖8 動力電池SOC變化曲線

目標(biāo)車速跟隨情況如圖9所示,在聯(lián)合仿真下3種能量管理策略下的實際車速與跟隨車速基本重合,證明所提的3種策略都能使整車車速具有良好的跟隨性,滿足動力性需求。

圖9 跟隨車速曲線

進一步對比燃料電池和動力電池的輸出功率,如圖10、圖11所示?？梢钥闯?與基于規(guī)則的策略和有工況識別的模糊控制策略相比,工況自適應(yīng)策略中燃料電池功率基本能處在高效區(qū)間輸出,很大程度上能提高燃料電池的能量利用率,進而減少燃料電池的氫氣消耗量。

圖10 動力電池輸出功率

圖11 燃料電池輸出功率

比較了3種策略下的消耗情況,整車的等效氫氣消耗量變化如圖12所示?；谝?guī)則的策略和有工況識別的模糊控制策略的等效氫氣消耗量分別約為926.86、893.73 g,而工況自適應(yīng)策略約為863.22 g,相比于前面2種策略的消耗分別降低6.87%、3.41%,可見所提策略可有效減少整車消耗。

圖12 整車等效氫氣消耗量

同時,考慮本文所提的能量管理策略是否會影響制動能量的回收。通過對整車制動能量回收的計算得出：基于規(guī)則的策略、有工況識別的模糊控制策略和工況自適應(yīng)策略分別都可回收119 kJ左右的制動能量,說明3種能量管理策略下的回收效率相當(dāng),均能減少能量損失,提高經(jīng)濟性。

6 結(jié)論

本文以燃料電池汽車為研究對象,針對復(fù)雜工況下能量管理策略適應(yīng)性較差的問題,提出了一種融合工況識別的自適應(yīng)模糊能量管理策略。建立BP神經(jīng)網(wǎng)絡(luò)工況識別模型,針對不同工況設(shè)計了模糊控制器的參數(shù),并使用遺傳算法對其隸屬度函數(shù)進行尋優(yōu),形成工況自適應(yīng)模糊能量策略。通過聯(lián)合仿真進行驗證和分析,得出結(jié)論如下：

1) 對于CLTC-P工況,選定150 s為工況提取時間,以市區(qū)工況、市郊工況和高速公路工況為標(biāo)準(zhǔn)工況,以最高速度、平均速度、怠速時間比為工況片段的特征參數(shù),建立BP神經(jīng)網(wǎng)絡(luò)工況識別模型,最終工況識別率可達88%左右。

2) 工況自適應(yīng)模糊能量管理策略能降低SOC波動對動力電池壽命的影響,同時使燃料電池功率處于高效輸出區(qū)間,減少整車能量消耗,提升整車的經(jīng)濟性。與基于規(guī)則的策略和有工況識別的模糊控制策略相比,工況自適應(yīng)模糊能量管理策略的等效氫耗量分別降低6.87%和3.41%。