基于蚁群算法的增程式电动中巴车控制策略优化

马 尧，张 伟，王新树

（合肥工业大学 机械与汽车工程学院，安徽 合肥 230009）

在传统汽车带来的能源危机和环境污染问题越来越严重的背景下，新能源汽车得到了世界各国越来越广泛的重视。但纯电动汽车却存在续驶里程短、成本高等缺点，影响了其产业化进程[1]。

增程式电动车安装有可增加续驶里程的增程单元（包括发动机和ISG电机），可在电池亏电时与动力电池组一起为车辆提供动力。增程式电动车在很大程度上弥补了纯电动汽车的不足，同时也具备电动车辆的各种优点，具有很好的产业化前景。在确定好整车各部件参数后，增程式电动车控制策略的优劣成为影响整车燃油经济性的一个重要因素，因此有必要对控制策略的关键参数进行优化，以改善整车的燃油经济性。

蚁群算法是一种仿生类优化算法，是由意大利学者M.Dorigo等人首先提出来的[2]。通过模拟蚁群在觅食过程中发现觅食最佳路径的搜索机制的一种优化算法。蚁群算法具有很好的鲁棒性，同时易获得全局最优解。因此文中使用蚁群算法对某增程式电动中巴车控制策略的关键参数进行优化，以期改善车辆的燃油经济性。

1 优化目标和约束条件

增程控制策略中目前应用较多的有恒温器控制和功率跟随控制策略。恒温器控制因发动机工作点是固定的，可以一直工作在较经济的点，其燃油经济性相比较而言较好，因此文中选用恒温器控制策略来控制增程单元[3-4]。

1.1 优化变量和优化目标

恒温器控制中，当 SOC降低到一个较低值SOCmin时，就会启动发动机和增程发电机，为整车提供动力。然而增程器工作时能量传递的环节较多，且发动机效率一般较低，其工作效率一般低于直接使用电池中的电能，因此增程单元工作一段时间后，电池电量若回升到一个较高值SOCmax，控制器就会关停增程发动机。SOCmin和SOCmax的参数选择是否合适对整车的燃油经济性影响较大，因此将这两个参数作为优化变量。

优化是为了减少车辆的油耗，提高燃油经济性，而在不同的工况下，车辆的经济性能差别很大。文中采用连续的10个NEDC循环作为衡量车辆经济性的仿真工况，并以此为优化目标。

1.2 约束条件

本次优化的约束主要是来自设计目标对整车动力性能的要求，即

式中，Pspeed（v）为保证车辆最高车速要求所需的功率；Pi（v）为保证车辆爬坡度要求所需的功率；Pacc（v）为保证车辆加速性能要求所需的功率；η为传动系统效率；Pemax为增程单元的最大功率；Pbmax为电池能提供的最大功率。

2 蚁群算法

基本蚁群算法一般包括两个阶段，即适应阶段和协作阶段。适应阶段时，通过不断积累信息，算法会对各候选解进行结构调整，此时，各路径上，若经过的蚂蚁越多，信息量就越大，这条路径就越容易被算法选择；在协作阶段，各候选解之间则会通过信息交流以产生更优的解。实际上，蚁群算法是一种智能多主体系统，得利于其自组织机制，其不需要对问题的各个方面都有详尽的了解，这使其能具有较广的应用范围。其逻辑结构如图所示[5]。

为了便于应用蚁群算法对增程控制策略进行优化，在基本算法的基础上，参考相关文献，总结出如下流程的优化算法。

设优化变量需要精确到 d，则将其分为 d+2层，分层进行优化。每完成一层的寻优后，蚂蚁向下一层前进，并且蚂蚁只能向较高的层前进，不能返回较低的层，用k来表示层数。

首先需要初始化各路径的信息素，并将所有蚂蚁的第一步都置为0。然后对蚂蚁的前进路径进行选择，节点i的第n只蚂蚁下一跳的目标节点j的选择规则为

式中，q是随机数；Q0是一个[0，1]上的常数；为残留信息量；Sr表示需要按照式（3）来计算使用轮盘选择法选择去下一层中的城市所需的概率[6]。

式中，P（i，j）表示蚂蚁从节点 i转移到节点j的概率。

蚂蚁在路径上经过后都需要对路径上的残留信息按式（4）进行局部更新。

式中，ρ 为（0，1）上一常数；τ0为一较小的值，用于初始化。

当各只蚂蚁都按上述步骤完成循环后，就需要对路径上的信息进行全局更新。首先计算出各只蚂蚁对应的能量消耗量B（x）后，选择出能量消耗最少的蚂蚁 nmin，并对这只蚂蚁的路径按式（5）进行全局更新[6]。

式中，a为nmin在第k-1层的节点；b为nmin在第k层的节点；α 为（0，1）上的常数。

3 仿真模型建立

优化对象为某增程式电动中巴车，其整车主要参数如表1所示。

表1 整车主要参数

其它相关参数，如驱动电机的效率曲线、发动机万有特性曲线以及增程发电机参数等不在此列出。

为了方便仿真计算，利用上述参数在车辆动力性和经济性计算软件CRUISE中建立整车模型，如图2所示。

4 仿真结果分析

根据上文提到的蚁群算法流程，在 Matlab/Simulink中编写M文件，并设置算法参数：蚂蚁只数设为30只；Q0设为0.8；ρ设为0.8；τ0设为0.01；α 设为0.8。

按照设计经验将SOCmin的初始值设为30%，SOCmax的初始值设置为50%，在此初始值基础上对优化变量进行优化，并得到优化值为SOCmin=35.5802%，SOCmax=51.7191%。

为了验证优化的效果，分别在 CRUISE模型中对优化前和优化后进行仿真计算，仿真工况由连续10个NEDC工况组成，电池电量初始值设置为50%，仿真结果如图3所示。

为了方便对比，利用式（6）将消耗的电能利用价格折算成油耗，同时为了更好地对比优化前、后控制策略参数的变化对燃油经济性的影响，对关键结果进行整理，如表2所示。

式中，Bw为总的能量消耗，L；SOC为仿真结束时电池SOC值，%；W为电池总电量，kW·h；Ve为当前电价；Vf为当前油价。

表2 优化前、后对比

由表中结果可以看出，优化前、后总的能量消耗降低了8.27%，优化效果显著。

5 总 结

利用蚁群算法对某增程式电动中巴车控制策略的关键参数进行优化，并利用 CRUISE软件对优化前、后进行对比仿真，仿真结果表明，经过优化，车辆的经济性能得到了明显的提高。

[1]徐群群，宋珂，洪先建，等. 基于自适应遗传算法的增程式电动汽车能量管理策略优化[J]. 汽车技术，2012（10）：19-23.

[2]Colorni A，Dorigo M and Maniezzo V. Distributed optimization by antcolonies [A]. In：Proc. of 1st European Conf. Artificial Life [C]. Pans，France：Elsevier，1991，134-142.

[3]叶冬金. 增程式纯电动车动力系统参数匹配及控制策略研究[D]. 长春：吉林大学，2012.

[4]呼和. 增程式纯电动车动力系统参数匹配与优化研究[D]. 长春：吉林大学，2012.

[5]段海滨. 蚁群算法原理及其应用[M]. 北京：科学出版社，2005.

[6]陈烨. 用于连续函数优化的蚁群算法[J]. 四川大学学报（工程科学版），2004，36（6）：117-120.