基于自适应模拟退火算法的HEV 能量管理优化

李文广 ,冯国胜 ,马俊长

（1.050043 河北省 石家庄市 石家庄铁道大学 交通运输学院；2.054800 河北省 邢台市 河北御捷车业有限公司）

0 引言

混合动力车辆相比纯电动汽车有更大的储能容量，相比传统内燃机车辆又能显著降低废气排放和油耗，发展前景十分广阔，作为协调发动机和电机扭矩的核心，能量管理系统的优劣直接影响车辆整体性能。

工程应用领域主要采用逻辑门限控制策略，基于大量的测试数据和工程经验对控制系统进行标定、优化，但仍不能使系统效率最优。Patil[1]通过确定性动态规划（DDP）方法提出了监督控制策略，以确定多个动力源之间的功率分配；钱力军[2]等基于马尔科夫加速度预测模型，预估车辆行驶状态，实现转矩优化分配，提高燃油经济性；Borhan[3]等利用模型预测控制（MPC）获得合理的功率分布。此外，还有研究者采用模糊控制策略实现功率的最优分配。武小兰[4]等采用粒子群优化算法对混合动力车辆模糊控制器参数进行优化，有效提高了燃油经济性和排放性能；Pei[5]提出了基于量子混沌鸽群算法对模糊控制器的控制规则和隶属度函数进行优化。

本文基于某并联式混合动力汽车，综合考虑电池荷电状态SOC、电机转速Nm以及需求转矩Treq与发动机最优转矩Top之差ΔT 为输入，以发动机转矩系数λ为输出的模糊控制器，并用自适应模拟退火优化算法对该模糊控制器的隶属度函数进行优化。仿真结果表明，模糊能量管理策略通过合理分配发动机及电机的输出转矩，满足车辆的转矩需求，同时能很好地控制电池组荷电状态SOC，有效降低混合动力汽车的能耗。

1 并联式混合动力汽车的结构和仿真模型

本文中混合动力汽车技术参数见表1。基于ADVISOR 进行建模，ADVISOR 采用前向仿真与后向仿真相结合的方法，首先根据模型预设的工况模型，反推出前向模块转速和转矩，最终得到发动机和电机的功率，此为后向路径；经整车控制器计算出发动机和电机实际提供的功率，输出给下级模块，最终输出得到实际车速，此为前向路径[6]。

表1 混合动力车辆仿真模型参数Tab.1 Model parameters of hybrid vehicles

模型中并联式HEV 的系统结构主要包括发动机、电机、动力电池、传动系统等，发动机输出的动力可通过离合器、变速器和转矩耦合器驱动车轮转动，也可以通过转矩耦合器驱动电动机工作在发电状态，将电能存储到电池组中。电机由电池组提供能量，单独输出动力或与发动机的动力经转矩耦合器分配后，经主减速器，驱动车轮转动。模糊控制系统根据发动机和电机的效率特性，结合汽车运行工况，通过动力分流装置对二者动力进行分配。系统结构框图如图1 所示。

图1 并联混合动力汽车结构框图Fig.1 Block diagram of parallel hybrid electric vehicle

根据车辆行驶工况可划分为图2 所示的5 种工作模式：起步阶段（纯电动模式）、慢速工况（发动机单独驱动模式）、匀速工况（发动机单独驱动模式）、加速工况（混合驱动模式）、制动工况（再生制动模式）。不同模式下，根据控制策略，车辆行驶需求转矩可进一步分配成发动机转矩和电机转矩。

图2 循环工况模式划分Fig.2 Division of cyclic operating mode

2 模糊控制器设计

2.1 能量分配策略

在选择模糊控制器输入参数和控制规则时，主要根据表2 中电池SOC 值、行驶车速和工作负荷对各工作模式下的效率、能耗和动力需求的影响进行设计。从系统效率和电池能量两方面考虑，能量的分配应保证电机和发动机工作在高效区，在电池SOC 允许范围内，限定发动机转矩和转速范围，提高其效率，而且电池SOC 值不应过低，防止电池寿命受损。

表2 车辆工作模式Tab.2 Vehicle working mode

2.2 模糊控制器设计

根据上述分析，确定模糊控制器的3 个输入量分别是电池荷电状态SOC、电机转速Nm以及需求转矩Treq与发动机最优转矩Top之差ΔT，输出量为发动机转矩系数λ，发动机输出转矩Pe=λ×Pop，从而得到电机输出转矩Pm=Preq-Pe。控制器结构如图3 所示。选定的输入参数综合考虑了发动机、电机的运行区间及系统效率，ΔT的选取可保证发动机工作在高效点附近。

图3 模糊控制器结构简图Fig.3 Structure diagram of fuzzy controller

输入变量的隶属度函数如图4 所示。电池荷电状态SOC、需求转矩Treq与发动机最优转矩Top之差ΔT 的隶属度函数为三角形，电机转速Nm的隶属度函数为梯形。输入变量电池荷电状态SOC 隶属度函数论域为[0，1]，0 表示电池组的电量最小为0.3，1 表示电池的电量最大为0.9，限定SOC 值在0.3～0.9 之间，模糊子集{NL，L，OP，H，PH}，ΔT 隶属度函数论域为[0，1]，模糊子集{NS，S，O，B，PB}，电机转速Nm隶属度函数论域为[0，1]，模糊子集{L，H}。输出变量的隶属度函数如图5 所示。λ隶属度函数论域为[0，1.6]，模糊子集{VS，S，M，B，VB}。

图4 输入量隶属度函数Fig.4 Input membership function

图5 输出量隶属度函数Fig.5 Output membership function

2.3 模糊规则设计

模糊规则的设计主要依据以下原则：当电池SOC 值较大，且为低速工况，由电机独立提供动力；当电池SOC 值处于中等水平，且为加速工况，由电机与发动机共同提供动力；当电池SOC 值较小时，由发动机单独提供动力，且输出扭矩供电池充电[7]；需求转矩Treq与发动机最优转矩Top差ΔT 代表发动机是否工作在高效区，因此需要调节电机转速Nm，使发动机工作在高效区。依据上述原则，细化成若干条模糊控制规则，如表3 所示。

表3 模糊控制规则Tab.3 Fuzzy control rules

3 模糊控制器隶属度函数优化

由于模糊控制器的控制规则及隶属度函数依据经验确定，无法保证获得最优系统，本文采用自适应模拟退火算法，对模糊控制规则进行优化，以获得良好的等效燃油经济性和排放指标。

模拟退火算法是一种模拟金属热处理工艺的优化方法，它基于概率突跳原理进行随机寻优，具有简便易行的优点，但耗时较长。为了缩短计算时间，Dkhichi 等对其进行了优化，增加了内循环的层数，即自适应模拟退火算法（ASA），使得其收敛速度有了较大改善，具有更加良好的全局求解能力[8]。

3.1 优化函数

经上文的仿真分析可知，所设计的模糊控制策略可实现扭矩的合理分配，满足动力性和排放性要求，但显然基于经验的参数选择并不能保证全局的最优，因此，本文对模糊控制策略优化目标设定为整车的燃油消耗和废气排放最小，同时，为保证整车的动力性不受影响，需将加速性能、最高车速和爬坡度等作为约束条件。

目标函数可描述为

式中：x——优化参数向量，具体指隶属度函数中被优化的变量，x 的取值范围限定为隶属度函数中变量的上下限值内；hi(x)——非线性约束条件，具体指最高车速、爬坡度和加速度代表的动力性要求；δ1，δ2，δ3，δ4——对应变量的权重因子。

优化过程中保持模糊规则不变，对输入输出变量的隶属函数子集的中心点进行优化。电池荷电状态SOC 的隶属函数子集中心点变量分别为S1，S2，S3，S4，S5，转矩差ΔT 的隶属函数子集中心点变量分别为T1，T2，T3，T4，T5，电机转速N 的隶属函数子集中心点变量分别为N1，N2，共18 个变量。

3.2 基于iSight 平台的优化

iSight 是一款集成了多种优化算法的仿真平台[9]，适用于不同优化问题。仿真过程中，首先建立仿真总体框架，将优化任务的设计变量、约束条件及目标函数在iSight 中进行定义，建立的iSight 优化流程如图6 所示。通过设定命令调用联合仿真软件ADVISOR，方便实现仿真流程、建立数据交互，实现联合仿真，在数据交换、对比的循环过程中完成优化任务。

图6 Isight 优化流程图Fig.6 Isight optimization flowchart

将模糊控制器代替ADVISOR 并联混合动力汽车中逻辑门限值控制器，利用系统内部的发动机模块、电机模块、电池模块、变速器模块、主减速器模块、车轮模块、整车行驶模块和动力耦合模块，在加载的特定工况下进行仿真。

优化过程中，ADVISOR 运行集成模糊控制模块的混合动力模型，进行数值模拟，计算出各项动力性参数、排放性指标、油耗指标等。将计算所得的优化参数值、优化目标输出到Isight，Isight 的“ASA 优化模块”模块利用自适应模拟退火算法进行多目标优化，计算优化变量的适应度，根据迭代次数、适应度等决定是否更新变量进行后续优化循环。

如图7 和图8 所示，输入和输出变量的隶属度函数优化结果，优化参数变化后，隶属度函数形状也相应发生了变化。

图7 优化后的输入量隶属度函数Fig.7 Optimized input membership function

图8 优化后的输出量隶属度函数Fig.8 Optimized output membership function

3.3 仿真结果

仿真所用工况为UDDS 循环工况（如图9 所示），仿真时间1 370 s，行程12 km，最高车速91.25 km/h，得到如图10 和图11 所示的仿真结果。SOC 初始值为0.7，最小值为0.53，电量消耗在10%以内，前700 s 内，电池荷电状态SOC值较高值时，电机输出转矩占主要部分，发动机同时也输出转矩但仅作为辅助转矩，其废气排放也较低，电池SOC 值从初始值0.7 降为0.55 左右，之后电池SOC 值降幅减小，主要由发动机提供动力。

图9 UDDS 循环工况Fig.9 UDDS cycle conditions

从表4 中优化前后百公里油耗和排放参数的比较可以看出，基于自适应模拟退火优化的模糊能量管理系统对性能有了明显提升，百公里油耗降低了6.1%，HC 排放减少4.6%，CO 排放减少6.4%，NOX排放减少5.5%。

图10 UDDS 工况下仿真结果Fig.10 Simulation results under UDDS conditions

图11 UDDS 工况下排放曲线Fig.11 Emission curve under UDDS operating conditions

表4 UDDS 优化前后工况下百公里油耗与排放指标对比Tab.4 Comparison of fuel consumption and emission indicators before and after optimization

4 结论

本文基于ADVISOR 平台建立了混合动力车辆模型，开发了基于模糊控制的能量管理策略。针对混合动力汽车结构复杂、较难以建立精准模型的问题，利用Isight 和ADVISOR 联合仿真平台，采用自适应模拟退火算法对模糊控制部分参数进行了优化，以弥补主要依赖专家经验确定模糊控制参数的缺点。通过比较优化前后的排放指标表明，模糊控制器和采用的优化策略能较好地实现系统优化，使电池荷电状态维持在相对稳定水平，与其它类型的模糊控制器相比，燃油消耗和废气排放水平均有明显改善。