基于DP优化的ISG型速度耦合混合动力汽车模糊控制策略的研究*

杨亚联，叶 盼，胡晓松，蒲 斌,洪 亮，张 喀

(1.重庆大学，机械传动国家重点实验室，重庆 400044; 2.北京理工大学机械与车辆学院，北京 100081)

2016108

基于DP优化的ISG型速度耦合混合动力汽车模糊控制策略的研究*

杨亚联1，叶 盼1，胡晓松2，蒲 斌1,洪 亮1，张 喀1

(1.重庆大学，机械传动国家重点实验室，重庆 400044; 2.北京理工大学机械与车辆学院，北京 100081)

为增进混合动力汽车中模糊控制能量管理策略设计的合理性，运用动态规划算法，对ISG型速度耦合混合动力汽车进行性能全局优化，通过分析动态规划算法的控制结果，提取设计参数，拟定模糊控制规则和模糊控制策略，设计了相应的模糊控制器。建立基于Matlab/Simulink仿真模型，对动态规划算法和模糊控制策略的仿真结果进行对比，结果表明，所设计的模糊控制策略达到了预期的效果，采用的方法合理有效。

混合动力汽车；模糊控制；动态规划；ISG

前言

随着人类社会发展对可持续的节能、环保需求逐渐提高，清洁能源汽车中混合动力汽车由于具有良好的性价比，在产品开发中得到了日益广泛的关注。混合动力汽车传动系统中有多个动力源，整车性能的提升有赖于对动力源中能量流的有效管理。

目前混合动力汽车能量管理策略主要包括基于逻辑或规则的控制策略、瞬时优化控制策略和全局最优控制策略。其中，基于逻辑规则的控制策略包括基于逻辑门限控制策略、模糊控制策略和神经网络等控制策略[1]。基于逻辑规则的控制器可实施性强，其中模糊控制策略易于实现非线性控制，鲁棒性好，得到了广泛的应用[2-4]，但模糊控制规则的制定需要专家经验和对系统的大量深入分析或实验，规则的拟定也缺乏一种系统的设计指导方法；瞬时优化控制策略虽然能得到接近优化的控制性能，但控制复杂，计算量大[5-6]；全局最优控制策略虽然能得到混合动力系统的最优性能，但必须预知行驶循环[7-9]。因此局限了瞬时优化和全局最优控制策略的实际应用，但通过对全局最优控制策略仿真结果的分析有助于混合动力系统能量管理策略的设计[10-11]。

本文中采用动态规划算法对ISG型速度耦合混合动力系统的性能进行优化，并通过分析动态规划算法的仿真结果，提取设计参数，拟定模糊控制规则和模糊控制策略，为ISG速度耦合混合动力传动模糊控制器的设计提出了一种有效的方法。

1 模糊控制策略设计思路

1.1 混合动力系统结构

一种ISG速度耦合混合动力传动系统的结构如图1所示。系统中采用行星排进行动力的速度耦合，其中发动机接齿圈，ISG电机接太阳轮，通过行星架输出动力，在电机和发动机之间，布置有单向离合器和湿式多片离合器。

图1 ISG型速度耦合混合动力系统结构图

该混合动力系统的运行模式主要包括纯电动、行车充电、发动机单独驱动、行车助力和再生制动等5种模式。当系统在纯电动驱动时，由于单向离合器锁止了发动机的反转，电机通过太阳轮传递动力，由行星架输出，在制动过程中，通过行星齿轮机构回收制动能量，并能不受发动机反拖转矩的影响，提升了系统能量回收率。在混合动力驱动模式中，当离合器脱开时，电机可以通过行星轮系调整发动机的工作点，当离合器接合时，发动机和电机固接成整体，系统变换成为并联型常规ISG混合动力传动。因此，该系统在保持ISG混合动力系统特点的基础上进一步提升了其性能。

1.2 控制系统框架结构

本文中采用了便于工程应用的模糊控制策略，其原理结构如图2所示。

图2 速度耦合混合动力系统模糊控制框架

为获得良好的整车燃油经济性，需要在满足汽车行驶功率和需求转矩的情况下，合理地分配发动机和电机的转矩。为此，如图2所示，系统通过参数插值求取发动机的最佳转矩，并将车速、加速度、电池SOC等信号输入模糊控制器得到发动机转矩分配系数k，当前条件下的发动机最佳转矩和分配系数k的乘积即为发动机所分配的转矩，而电机转矩分配计算需要考虑湿式多片离合器接合和断开两种情况：

(1) 湿式多片离合器接合的情况下系统为常规ISG混合动力系统。

Tm=Tc-Te

(1)

(2) 湿式多片离合器分离的情况下，可以建立单排行星齿轮机构特性方程式[12]：

ωm+αωe-(1+α)ωc=0

(2)

同时，根据功率平衡，可以得出电机的转矩为

Tm=(pc-pe)/ωm

(3)

式中：Te，Tm和Tc分别为发动机、电机和行星架输出端的转矩；ωe，ωm和ωc分别为发动机、电机和行星架输出端的转速；pe和pc分别为发动机、行星架输出端的功率；α为齿圈与太阳轮齿数比。

2 动态规划算法

2.1 最优问题阐述

利用动态规划原理，为了获取在一定循环状况下混合动力系统的优化能量管理策略，将已知循环工况划分为N个阶段(即网格化)，对于每一步长都对应一个状态，并计算状态转换过程中的油耗Jk，通过多阶段的决策，实现设定循环工况下油耗最低，该过程可由如下寻优目标函数模型来表示：

x(k+1)=f(x(k),u(k))

(4)

Jk=fuel(k)

(5)

(6)

式中：x(k)为表征车辆运行状态的状态变量，如当前的发动机转速ωe、电池荷电状态SOC(k)等；u(k)为控制变量,如发动机的油门开度Theta(k)和电机转矩Tm(k)等；Jk为状态转移过程中发动机的燃油消耗量；fuel(k)是与第k阶段有关的油耗函数。动态规划算法要解决的就是在满足一定的约束条件下，求解目标函数的极值。

本混合动力系统中应满足的约束条件为

(7)

式中：下标min和max分别表示变量的最小和最大值。

2.2 附加代价函数

在全局寻优的过程中，须考虑状态变量的一个合理选择，仿真过程中，须考虑电池荷电状态SOC值处于合适的区间。为此，在目标函数中加入SOC值的惩罚项。

Lb(k)=β(SOC(k)-SOCdes)2

(8)

式中：β为电池SOC惩罚系数；SOCdes为目标SOC值。

另外，在混合动力汽车实际运行中，若直接用上述目标函数求解，可能会出现汽车短时间内频繁换挡的不合理现象。为此加入换挡惩罚项以限制频繁换挡。

Lg(k)=γ|g(k+1)-g(k)|

(9)

式中：γ为换挡惩罚值；g(k)为AMT变速器挡位。

2.3 目标函数建立

在初始目标函数中，加入代价函数，并结合贝尔曼最优化原理[13]，目标函数可以描述为如下方程：

L(x(k),u(k))=fuel(k)+Lb(k)+Lg(k)

(10)

对于第N阶段：

JN(x(N))=0

(11)

故对于第N-1阶段：

(12)

对于第k阶段，其中0≤k

(13)

此时，在约束条件下求解上述目标函数最小时系统的油耗和相应的控制变量，即求对应各阶段混合动力系统的能量管理策略。

2.4 动态规划算法仿真结果

表1为ISG型速度耦合混合动力汽车的运行参数。

表1 混合动力汽车运行参数

图3 UDDS工况仿真结果图

结合图1所示的ISG型速度耦合混合动力系统结构与上述的DP优化算法，基于Matlab/Simulink建立了系统仿真模型，选取道路循环UDDS工况进行仿真，得到了如图3所示的仿真结果。

仿真结束时，电池SOC恢复到仿真开始时的水平，混合动力汽车的百公里油耗为5.312 9L。

3 模糊控制策略设计

3.1 设计参数提炼

能量管理模糊控制策略主要设计参数[14]如表2所示。

表2 模糊控制策略所需主要参数表

Pemax，SOCmin，SOCmax和SOCopt等可以根据发动机和电池的性能试验等来确定，其中Pemax=72kW，SOCmin=0.2，SOCmax=0.8，SOCopt则是SOC为0.55～0.7之间的区域，此时电池的充放电效率较高。取SOC初始值0.6。

3.2 输入输出隶属度函数的建立

图4 汽车运行模式与速度、加速度关系

根据DP算法在UDDS与NEDC工况下的仿真结果，可以得到如图4所示的汽车运行模式与速度、加速度关系。在制定模糊控制策略时，根据图4来制定输入变量的隶属度函数等，有助于使混合动力系统在实际控制过程中按照类似于DP算法仿真下的运行状态运行，以提高整车的燃油经济性。

根据图4，可以得出该混合动力系统纯电动模式的汽车车速上限vev大致为50km/h，纯电动模式的加速度上限aevmax大致为0.7m/s2。纯电动模式的加速度一般规律如图4中的模式界限曲线。

由此，建立模糊控制策略输入变量车速和加速度的隶属度函数，在此隶属度函数选取梯形函数。车速的模糊子集定义为{PTS,PS,PM,PB,PTB}；加速度的模糊子集定义为{PMS,PTS,PS,PM,PB,PTB}。论域则根据循环工况中最大车速与最大加速度设置。具体的隶属度函数如图5和图6所示。

图5 车速隶属度函数

图6 加速度隶属度函数

电池SOC隶属度函数如图7所示，定义其模糊子集为{PTS,PS,PM,PB}，论域为[0,1]。

图7 电池SOC隶属度函数

图8为混合动力汽车在DP算法仿真时发动机工作点分布。由图可知，在混合动力系统运行过程中，发动机绝大部分工作点分布在发动机最佳燃油经济性曲线附近，设k值表示发动机工作点转矩相对相同转速最佳燃油经济性曲线上转矩的比值，则DP优化控制策略中发动机的工作点大致在k值为[0.88,1.06]的范围内。考虑到模糊控制策略的特点，将范围适度放宽，定为[0.85,1.1]。

图8 DP算法下发动机工作点

同时，根据对DP运算结果的分析得出：当加速度较大时，发动机会以更大的功率输出以满足驱动汽车的要求；当车速较高而加速度不大时，发动机倾向于降低输出功率以达到油耗与效率的平衡。故此处将[0.85,1.1]划分为3个区域。考虑到当电池SOC过高时，须使电池放电；当汽车需求功率过大时，须使发动机提供更大的功率。故建立如图9所示输出变量k的隶属度函数，其模糊子集定义为{O,PS1,PS2,PS3,PM1,PM2,PM3,PB}，论域为[0,1.5]。

图9 输出变量隶属度函数

3.3 模糊控制规则

为避免过分依赖人的经验，以DP算法的运算结果为基础，根据发动机、电机在汽车运行过程的工作规律，得出模糊控制规则，如下所示。

其中，规则①表示汽车的运行状态处于纯电动工作模式的论域内，汽车以纯电动模式运行；规则②与规则①的区别在于电池的SOC过低，汽车以行车充电模式运行；规则③表示电池SOC较低，不满足纯电动运行条件，汽车以行车充电模式运行；规则④表示电池SOC适中，为避免电池过充，适当降低发动机输出；规则⑤和规则⑥表示电池SOC过高而又不满足纯电动运行模式，降低发动机输出，迫使电池放电；规则⑦表示汽车当前以行车助力模式运行。

3.4 模糊控制策略结果分析

采用上述的模糊控制器，在UDDS循环工况下对上述ISG速度耦合混合动力系统性能进行了仿真，结果如图10所示。

图10 UDDS循环工况下仿真结果

仿真结束时电池SOC为0.529，整个循环过程，电池SOC维持在理想的工作区间；混合动力汽车在该循环工况下的等效100km油耗为5.615 4L，对比动态规划算法的结果，相差5.69%。

为验证模糊控制策略在其他循环下的控制效果，选取与《GB/T 19233—2008轻型汽车燃料消耗量试验方法》所采用的循环工况一致的NEDC循环进行仿真，结果如图11所示。

图11 模糊控制策略仿真结果

仿真结束时电池SOC为0.663 1，整个循环过程，电池SOC也维持在理想的工作区间；混合动力汽车在该循环工况下的等效100km油耗为5.725 7L，而采用DP优化后的等效100km油耗为5.509 2L,常规车的实测油耗为8.53L/100km,数据对比如表3所示。说明对不同控制循环同样取得了良好的效果。

表3 NEDC循环工况下仿真结果对比

通过表3的数据对比，表明所设计的模糊控制策略有良好的实际效果。

4 结论

(1) 本文中采用动态规划的方法，将ISG速度耦合混合动力系统的全局优化问题转变为多阶段的决策问题。

(2) 基于DP优化的结果，在不同车速和加速度下纯电动工况点分析，建立了纯电动工况的论域；对不同工况下DP优化控制时发动机万有特性上工作点的分布，建立了发动机的最佳驱动转矩论域，并设计了相应变量的模糊隶属度函数和模糊控制规则，设计了模糊控制器。

(3) 通过在UDDS和NEDC工况下模糊控制器的性能仿真，UDDS下油耗为5.615 4L/100km,相对DP全局优化结果相差5.69%，在NEDC工况下，系统采用模糊控制，燃油消耗为5.725 7L/100km，相对于DP运算结果，相差3.93%；相对常规车，油耗减少了32.8%，说明了控制的适用性和有效性。

[1] 舒红.并联型混合动力汽车能量管理策略研究[D].重庆:重庆大学,2008.

[2] SCHOUTENA N J, SALMAN M A, KHEIR N A. Energy management strategies for parallel hybrid vehicles using fuzzy logic[J]. Control Engineering Practice,2003,11(2):171-177.

[3] LI S G, SHARKH S M, WALSH F C, et al. Energy and battery management of a plug-in series hybrid electric vehicle using fuzzy logic[J]. IEEE Transactions on Vehicular Technology,2011,60(8):3571-3585.

[5] 王锋,冒晓建,卓斌.ISG并联混合动力轿车最优转矩分配策略[J].重庆大学学报,2008,31(5):499-504.

[6] LIU J, PENG H. Modeling and control of a power-split hybrid vehicle[J]. IEEE Transactions on Control Systems Technology,2008,16(6):1242-1251.

[7] PÉREZ L, BOSSIO G, MONITRE D, et al. Optimization of power management in an hybrid electric vehicle using dynamic programming[J]. Mathematics and Computers in Simulation,2006,73(1):244-254.

[8] JOHANNESSON L, ÅSBOGÅRD M, BO E. Assessing the potential of predictive control for hybrid vehicle powertrains using stochastic dynamic programming[J]. IEEE Transactions on Intelligent Transportation Systems,2007,8(1):71-83.

[9] LIU J, PENG H. Integrated thermal and energy management of plug-in hybrid electric vehicles[J]. Journal of Power Sources,2012,216(15):237-248.

[10] LIU Jinming. Modeling configuration and control optimization of power-split hybrid vehicles[D]. USA: The University of Michigan,2007.

[11] LIN C, PENG H, GRIZZLE J W, et al. Power management strategy for a parallel hybrid electric truck[J]. IEEE Transactions on Control Systems Technology,2003,11(6):839-849.

[12] 陈家瑞.汽车构造[M].北京:人民交通出版社,2006.

[13] BERTSEKAS D P. Dynamic programming and optimal control[M]. USA: Athena Scientific,2005.

[14] 于永涛.混联式混合动力车辆优化设计与控制[D].长春:吉林大学,2010.

A Research on the Fuzzy Control Strategy for a Speed-coupling ISG HEVBased on Dynamic Programming Optimization

Yang Yalian1, Ye Pan1, Hu Xiaosong2, Pu Bin1, Hong Liang1& Zhang Ka1

1.ChongqingUniversity,StateKeyLaboratoryofMechanicalTransmission,Chongqing400044； 2.SchoolofMechanicalEngineering,BeijingInstituteofTechnology,Beijing100081

In order to improve the design rationality of fuzzy energy management strategy for a hybrid electric vehicle (HEV), dynamic programming (DP) algorithm is used for a global optimization on the performance of a speed coupling ISG HEV. Then by analyzing the control results of DP algorithm with design parameters extracted, the rule and strategy of fuzzy control are worked out and a corresponding fuzzy controller is designed. Finally a simulation model is set up based on Matlab/Simulink, and the simulation results with DP algorithm and fuzzy control strategy are compared. The results show that the fuzzy control strategy designed achieves the expected results and the design method is reasonable and effective.

HEV; fuzzy control; dynamic programming; ISG

*国家自然科学基金(51075411)资助。

原稿收到日期为2014年1月5日，修改稿收到日期为2014年3月27日。