基于最优化能量管理策略的混合动力系统参数优化

2018-08-23王喜明

客车技术与研究 2018年4期

王喜明

(厦门金龙联合汽车工业有限公司，福建厦门 361023)

目前，关于混合动力车辆动力系统参数优化的研究大多集中在各种优化方法上，并且是基于功能性的能量管理策略进行的［1－3］。但是，对混合动力车辆来说，动力系统参数、能量管理策略、目标工况对车辆性能的影响彼此之间是相互耦合的［4－6］。所以，基于同一功能性能量管理策略对不同动力系统组合方案的性能评价是不公平的，也是不合理的。为保证对每一动力系统组合方案性能的公平评价，本文提出基于最优化能量管理策略的混合动力系统参数优化方法，借助专业平台Isight对PHB混合动力系统参数进行优化研究。

1 PHB混合动力系统参数优化

本文PHB采用单轴串并联构型(如图1所示)，混合动力系统由发动机、ISG电机、离合器和主驱动电机构成，通过离合器的分离与结合来实现串联和并联模式的切换。

图1 单轴串并联混合动力系统构型

1.1 优化变量及约束条件

PHB动力电池组的容量因受车辆设计指标所限，此外因单轴串并联混合动力系统结构对ISG电机的特殊性要求，本文只对发动机额定功率Pe，r、主驱动电机峰值功率PTM，m和主减速比i0进行优化，如式(1)所述。将优化变量的原始值上下浮动20%作为上下限值，优化变量的相应取值区间分别是［113.6，170.4］，［128，192］和［5.10，7.64］。

在PHB动力系统参数优化过程中，以车辆动力性指标和动力电池组SOC终值为约束条件，分别为:最高车速≥70 km/h，0～50 km/h加速时间≤20 s，15 km/h爬坡度指标≥12%，动力电池组SOC终值落在［0.28，0.35］内。

1.2 集成优化平台架构设计

Isight是Dassault/Simulia公司的一款基于参数的多学科设计优化工具，有效地融合了数字技术、推理技术和探索技术，是集设计自动化、集成化和优化功能于一身的智能优化软件平台。

本文基于Isight搭建混合动力系统集成优化平台结构(如图2所示)，通过Isight自带的Matlab接口模块调用Matlab/Simulink环境下的PHB模型，并对模型中混合动力系统的优化参数进行修改。然后，在Isight的驱动下，用全局最优算法程序与PHB模型对车辆经济性和动力性进行仿真求解，并将求解结果反馈给Isight，如此反复直至完成预设迭代步数或达到预设精度。

图2 混合动力系统集成优化平台结构图

1.3 组合优化算法设计

目前，对于单目标优化问题，Isight采用数值型优化算法和探索型优化算法。数值型优化算法优点在于能够快速找到局部最优点，但它的全局寻优能力较弱［7－9］。探索型优化算法能够找到全局最优点但其后期寻优效率较低，局部寻优效果不佳［10－12］。

序列二次规划法(NLPQL)是数值型优化算法，二次连续规划法(SQP)作为NLPQL的核心算法，能和一个非常稳健的算法一起运用实现先全局后局部、先粗后精的寻优过程。多岛遗传算法(MIGA)是探索型优化算法，继承了传统遗传算法(GA)的基本思想，并兼具有“小生境”技术，在解决“多谷”或“多峰”等全局优化问题时具有很大的优势。本文为提高寻优的效率，改善优化寻优质量，通过MIGA算法和SQP算法有机结合来充分发挥这两种算法的优点，弥补彼此的不足。图3为MIGA和SQP组合优化算法的寻优过程。

图3 组合优化流程

先通过MIGA对混合动力系统优化变量进行全局动态寻优，在初步全局寻优后，Isight自动定位最优区域，继而用SQP对优化变量进行局部梯度寻优，以此确定最优解。

2 混合动力系统参数优化结果

将Matlab/Simulink环境下的PHB模型和Matlab/Simulink环境下执行最优能量管理的算法集成到Isight中，其顶层封装界面如图4所示。

图4 基于Isight混合动力系统集成优化平台顶层封装界面

PHB混合动力系统的优化目标是车辆燃油经济性，优化规程中车辆燃油经济性分布如图5所示，其对应的迭代过程如图6所示。

图5 目标函数值分布图

图6 燃油经济性迭代过程

从图6可以看出，PHB的燃油经济性随着迭代次数的增加整体呈下降趋势，并逐步收敛，但仍会不时地出现上下波动，这体现了组合优化算法很强的全局搜索、局部搜索能力。在迭代优化过程中，与目标函数值分布相对应的是采样点在搜索域中的分布，如图7所示。目标函数值分布图和优化变量在采样空间的分布图能更充分地体现组合优化算法同时兼顾全局和局部搜索的优势。