融合工况识别的增程式电动汽车模糊能量管理策略研究*
2022-05-05魏长银李晓宇李彦林刘彩霞林霄喆
陈 勇,魏长银,李晓宇,李彦林,刘彩霞,林霄喆
(1.河北工业大学机械工程学院,天津市新能源汽车动力传动与安全技术重点实验室,天津 300130;2.吉利汽车动力总成研究院,宁波 471002)
前言
由于增程式电动货用汽车在节能与环保方面的优势,成为当前研究的热点,其燃油经济性和排放量很大程度上依赖于能量管理策略,引起众多研究人员及学者的关注。
能量管理策略(EMS)通常是通过人为经验设置合适的阈值,对多个动力源进行功率协调分配。然而由于阈值的设定只能是一组固定的参数,很难适应工作条件变化下的非线性车辆系统,控制性能往往无法达到最优,进而提出许多优化能量管理策略。具有代表性的EMS主要有基于规则能量管理策略(RB−EMS)和基于优化能量管理策略 EMS。在基于规则的能量管理策略中,精确逻辑规则或模糊规则中的参数值主要由经验或应用优化方法确定。虽然RB−EMS可以实时快速运算,但其控制性能的提高有赖于工程师的经验。在基于优化的能量管理系统中,混合动力系统的能量分配主要是为了使局部或全局的燃料消耗最小化。张幽彤等提出一种依据车辆定位信息和SOC下降值在线更新等效因子参数的自适应能量管理策略,结果表明SOC控制和经济性均有较明显提升。Serrao等分析了动态规划、庞特里亚金最小原理(PMP)和等效消耗最小化策略(ECMS),发现PMP在技术上不能实时应用,需要离线采用打靶方法来调整协态变量。从计算的角度来看,ECMS和PMP的成本相同,因为要执行的唯一操作是最小化哈密顿量或等效成本函数。Di等提出了一种基于随机模型学习预测的驾驶员感知EMS方法。结果表明,该策略的性能优于传统的模型预测控制。Liu等基于道路信息预测上坡行驶条件,估计目标SOC,建立了全局优化的EMS模型。
基于全局优化的EMS具有较好的燃油经济性和对行驶循环的适应性,但计算复杂,很多算法无法在整车上实现。而规则的阈值是固定不变的,很难适应车辆工作条件的变化或维持电池荷电状态的稳定,因而控制往往无法达到最优。而模糊智能控制方法的应用不依赖高精度数学模型,具有良好的实时性和鲁棒性。因此在多动力源系统能量管理策略的研发上具有广泛的应用前景。但其性能优劣取决于模糊规则,而模糊规则的制定依赖于专家经验,同时在设计时仅能对单一工况进行优化,而实际路况复杂多变,控制效果并不理想。
为了解决模糊控制器的设计优化难、突变工况难适应的问题,本文中提出基于改进遗传算法的神经网络工况识别自适应模糊能量管理策略,以符合实际道路的中国货车行驶工况为训练测试工况,通过硬件在环测试分析不同参数、不同算法对工况识别效果的影响,对比不同能量管理策略的控制效果,验证该策略的有效性。
1 增程式电动汽车系统建模
1.1 整车仿真模型
图1显示了本文中的增程式电动物流车结构,车辆参数如表1所示。通过对车轮受力分析,建立车辆动力学模型。
图1 增程式电动物流车构型图
路面提供的阻力转矩与驱动转矩的关系如下:
式中:为传动系统效率;为主减速器传动比;、和为发动机、驱动电机和制动转矩;为空气密度;为车速;其余参数含义如表1所示。
表1 车辆参数
1.2 发动机模型
利用不同转速和不同转矩下的燃油消耗量台架试验数据,通过三次多项式插值的方式得到发动机效率MAP图如图2所示。根据MAP图由转矩和转速查表得到发动机当前的燃油消耗率。为了便于数据处理将测试循环时间范围~等间隔Δt(本文取1 s)分隔成个离散时间点t(=1,2,…,),并假设在Δt时间内的平均油耗为t时刻对应的实际工况当成稳态工况时的燃油消耗率,则当测试工况运行完后,燃油消耗计算公式为
图2 发动机效率MAP
式中:(t)和(t)为在测试时刻t对应的工况下的发动机角速度(rad/s)和转矩(N·m);为发动机燃油消耗率。
1.3 电机系统模型
为了简便计算,忽略电机的动态特性,采用查表的方法获取电机系统在驱动与制动能量回收状态下的效率。如图3所示,电机效率在0.7~0.95之间,而发动机效率在0.10~0.35之间。电机效率明显大于发动机效率。因此,在设计能量管理策略时,尽量将发动机工作点置于高效率区,并用动力电池进行补偿。同时,驱动电机应该满足:
图3 电机效率MAP
式中:为输出功率;为转矩;为转速;下标mc表示电机;为效率。
1.4 动力电池模型
动力电池通过逆变器分别与电动机和发电机相连,为电机供电或吸收电机产生的能量。建模一般采用内阻模型,其中电池内阻、开路电压采用查表的形式获取,充电内阻、与SOC的关系如图4所示。
图4 电池充放电内阻与开路电压
动力电池的电流与SOC的计算方法为
同时应该满足如下条件:
式中:是初始SOC;是电池开路电压;是电池内阻;是电池功率;是电池容量;=0.3;=0.8;是电池放电内阻;是充电内阻。
2 工况识别模糊能量管理策略
2.1 模糊控制器设计
为了降低增程式电动汽车的能量消耗,本文设计了一种双输入单输出的模糊控制器,所采用的模糊控制器如图5所示,以整车所需功率和电池荷电状态为输入,增程器功率为输出。通过模糊控制器控制规则的设计优化发动机的工作曲线,并且保持电池SOC的稳定。该控制器主要由3部分组成:模糊化接口、模糊推理系统和解模糊接口。其中,模糊化接口用于将精确的输入值转换为模糊值,然后将其输入到模糊推理系统中。这些模糊值在模糊推理系统中被划分为不同的模糊子集,并根据所定义的规则库用语言变量表示,这些语言值对应于隶属函数的取值范围。最后,经过模糊推理系统得到的结果输入给解模糊接口,并将其转换为精确的控制值输入给执行机构。
图5 模糊控制器基本结构
本文所采用的模糊控制规则如表2所示,输入变量与需求功率分别划分为3个模糊子集{L,M,H},输出功率划分为5个模糊子集{VL,L,M,H,VH}。
表2 模糊控制规则
模糊控制器输入的隶属度函数如图6所示。
图6 隶属度函数
其中,梯形隶属函数的计算公式如下:
式中:为隶属度;、、、为转折点横坐标。采用去质心法解模糊,模糊输出为
2.2 模糊控制器优化
影响模糊控制器的性能主要为输入输出隶属度函数的顶点坐标,因此本文以9个顶点坐标为优化变量,电量保持阶段燃油经济性为优化目标,所采用的遗传算法为寻优方法。
2.2.1 优化变量
优化变量为输入、输出隶属度函数的顶点坐标,顶点坐标如图6所示,表达式为
2.2.2 优化目标
为了避免电量对燃油经济性评估的影响,选择在电量保持阶段的燃油消耗量为优化目标,表达式为
式中:为目标函数;ω(t)和T(t)为在测试时刻t时的发动机角速度(rad/s)和转矩(N·m);为发动机燃油消耗率。
2.2.3 改进遗传算法
遗传算法流程如图7所示,包含初始化、选择、交叉、变异4个关键步骤。遗传算法(GA)的第一步是从种群中选择个体,并将个体送到交配池进行遗传重组。选择过程有助于在子代产生池中选择更好的个体。经典GA经常使用轮盘赌法进行选择。这种选择方法的结果误差较大,对收敛速度影响较大。为了解决该问题,采用选择概率在轮盘赌方法的基础上结合迭代数进行自适应调整的方法。选择概率随着进化代数的增加而增加,这可以极大地促进种群中适应度较高个体的进化,提高算法的收敛性。因此本文提出了自适应选择概率,其计算公式为
图7 GA示意图
式中:是进化次数;是最大进化次数。等式右侧第1项为轮盘赌法选择概率,第2项为随进化次数变换的选择概率。
传统GA使用固定的交叉率和突变率。交叉率越高,产生新个体的速度越快,有利于加快进化速度。然而,较好的个体很快被破坏,使得算法难以实现全局收敛。如果交叉率很小,搜索过程将缓慢停滞。如果突变率很小,就不能有效地产生新的结构个体。如果突变率很大,则遗传算法成为纯随机搜索算法,无法收敛。因此,本文提出了自适应交叉和变异,概率定义如下:
式中:和分别是最大和最小的交叉率;是变异率;是个体的最大适应度;是平均适应度。
2.3 IGA-BP工况识别的模糊能量管理策略
以燃油经济性为控制目标设计优化能量管理策略时,须在标准测试工况下进行。但车辆实际运行工况复杂,因此有必要对工况进行有效识别后对能量管理策略进行参数寻优。选取历史车速作为特征输入,使用BP神经网络算法识别当前工况类别。识别模型如图8所示,数据经过输入层、隐含层和输出层后输出工况类别。从输入层到隐含层的函数关系为
图8 BP神经网络工况识别模型
式中:ω为第个输入节点到第个隐含节点的权重;ω为第个隐含层节点阈值。
第个节点输出可以定义为
式中:ω为第个隐含节点到输出节点的权重;ω为个输出节点阈值。
各层的权值会在迭代过程不断修正直至网络计算误差达到预期,误差计算方法为
采用梯度下降的方法学习出使网络计算误差最小的权值,计算公式为
式中为学习率,取值范围在0−1之间。
为了提高BP神经网络工况识别性能,提出一种改进遗传优化算法的BP神经网络识别模型,如图9所示。第一部分为优化初始权值和阈值,以历史工况为数据输入、初始化参数和种群;以训练误差为适应度函数进行遗传算法操作;迭代出优化的初始权值和阈值后,进入第二部分BP神经网络工况识别模型的训练。
图9 IGA−BP神经网络工况识别模型
本文设计的神经网络工况识别模糊能量管理策略框架如图10所示,分为离线优化和在线模糊实时控制两个部分。离线优化部分从中国货车行驶工况中以100 s为滑动窗口大小,1 s为时间窗采样时间间隔,提取维数为100的训练样本,以行驶工况类别(市区、市郊、高速)为训练输入,训练识别模型。在包含3类工况的整个循环下,以电量保持阶段的油耗为优化目标(如式(14)),改进遗传算法为寻优方法,对3类工况下的模糊控制器参数(如式(13))进行离线寻优。将每类工况下的最优参数下载到实时控制器中,以需求功率、SOC、工况类别为输入,同时满足各类决策约束后,模糊控制器选择最优控制参数输出最佳决策。取3类行驶工况中部分数据进行测试,结果如图11所示。从图中可以看出该方法可以实时稳定的识别出工况类别。
图10 工况识别结果
图11 神经网络工况识别的模糊能量管理策略框架
3 硬件在环测试与分析
3.1 硬件在环测试系统
利用硬件在环测试技术,构建了增程式动力系统测试平台,如图12所示。该平台主要由NI板卡实时机、显示器、上位机、USB−CAN、整车控制器、直流电源等构成。在该测试平台中,CAN通道与NI实时机相连,整车的动力学模型在NI实时机中运行,实际车辆的加载模型由除整车HCU和控制器模型外的所有原动机部件组成,加载的模型具有I/O接口,可以实现主机和NI实时系统之间的连接和同步处理。此外,该框架还建立了一个实时数据跟踪平台,不仅有利于发现和解决测试过程中的问题,以提高控制策略开发效率,而且有利于改进控制策略算法。
图12 硬件在环测试系统
具体工作如下:利用自动代码生成工具生成标准C文件,利用Visual Studio编译成可被实时机软件能识别调用的dll文件;将上位机与下位机连接到相同的局域网,并设置好同样的IP;在实时机软件程序中新建一个项目,在实时机软件中运行程序进行实时仿真。
3.2 不同参数对工况识别的影响
本小节对遗传算法参数初始交叉率、初始变异率、BP神经网络参数隐含层数对工况识别效果的影响进行分析。
为了探究不同初始交叉率与隐含层节点数对所提出控制策略的影响,以初始交叉率为0.3、0.4、0.5、0.6的条件下,设置隐含层数为3,4,…,9。通过图13可以发现,初始交叉率取0.4、隐含层节点数为3、8、9时,相比于其它初始交叉率取值识别均方差最小,说明此时识别效果最佳。
图13 不同初始交叉率在不同隐含层节点数下的识别均方差
初始变异率数值的选取对所提出的策略会有不同的影响,以初始交叉率为0.4,设置不同隐含层节点数,分析不同变异率下的识别效果。从图14所示的结果中可以看出,当初始变异率为0.06,隐含层节点数为3和8时识别均方误差最小分别为0.031和0.021,而隐含层节点数越高,计算量越大,故隐含层节点数取为3。在不同交叉率和变异率下,随隐含层节点数均方差呈现非线性。不同的隐含层节点数下最优变异率与交叉率不同。
图14 不同初始变异率在不同隐含层节点数下的识别均方差
3.3 不同算法对工况识别的影响
为验证所提出的IGA−BP工况识别方法的有效性,将其与基于BP工况识别方法进行对比,并在不同隐含层节点和隐含层数下进行验证。
为了对比BP和IGA−BP的识别效果,设置不同节点数和不同隐含层数进行分析,结果如图15所示。从图15(a)可以看出,隐含层节点数为 3、4、5、6、8、9、10时,IGA−BP识别的均方差均大于BP,说明此时IGA−BP识别效果优于BP,仅在隐含层节点数为7时不同。而两者均从最佳识别效果时的隐含层数进行比较时,BP在隐含层为4时最佳,识别均方差为0.314,而IGA−BP在隐含层为8时最佳,识别均方差为0.021。说明在最优参数下IGA−BP工况识别效果优于BP。由图15(b)可以看出随着隐含层数的增加,识别均方差先减小后增大,并在隐含层数为5时识别效果最佳。在不同的隐含层数下IGA−BP的识别效果均优于BP。
图15 不同算法比较
3.4 不同能量管理策略的对比分析
在中国货车(GVW大于5 500 kg)行驶工况(CHTC−HT)下,开展了基于神经网络工况识别模糊(DPR−F)能量管理策略硬件在环测试,并与模糊(Fuzzy)能量管理策略、电量保持电量消耗(CD−CS)策略进行了对比分析。
为探究3种策略在SOC控制性能方面的不同,对比分析了整个工况时间内的SOC变化情况。从图16可以看出,3种策略的SOC变化范围均在29%−32%之内,其中CD−CS策略的SOC变化范围最小(29.36%−30.91%),其次为模糊策略(29.00%−30.75%),最大的为自适应模糊策略,其SOC变化范围为29.07%−32.06%。3种策略的终止SOC分别为30.70%、30.64%和30.46%。经过两个循环1 h后与初始SOC相差最多的仅为0.7%,说明3种策略均能将SOC控制在合理的范围之内。图17说明所提出的策略能够保证该车在整个工况内对车速良好的跟随特性。
图16 不同策略的SOC
图17 跟随车速
为了探究3种策略在影响整车舒适性的发动机启停控制方面的不同,对比分析了3种策略的发动机转速与转速突变情况。对比图18、图19和图20可以发现,自适应模糊策略发动机启停频次明显低于模糊与规则策略,同时转速瞬态变化幅度也较小。对启停次数进行统计发现,规则策略为240次,模糊策略为51次,而自适应模糊策略仅为28次。发动机每启停一次就需要完成从发电机到发动机的动态转矩变化过程,这种频次多的启停会引起乘客因为抖动与噪声感到不适。自适应模糊策略启停次数相比规则策略约降低88%,相比模糊策略约降低45%,表明大幅降低了增程器的瞬态转矩变化过程次数,提高了整车燃油经济性和舒适性。
图18 基于CD−CS策略下的发动机转速与转矩
图19 基于模糊策略下的发动机转速与转矩
图20 基于自适应模糊策略下的发动机转速与转矩
考虑到不同策略在发动机工作点分布情况各异,将发动机的工作散点分布到万有特性曲线上进行分析。从图21可以看出,3种策略均工作在增程器效率最佳的工作曲线上。由于增程器仅根据策略提供相应的功率即增程器转速与车速解耦,因此,增程器工作点可取最佳工作曲线上。规则策略工作点范围较广,模糊策略工作点取值最窄,是因为该规则策略是采用功率跟随的形式。自适应模糊策略的隶属度函数顶点坐标会在不同工况下进行调整,因此功率范围会比模糊策略广。
图21 3种策略的发动机工作点图
为了探究所提出的能量管理策略对动力电池性能的影响,提取了具有代表性的0−500 s的电流数据进行分析。如图22所示,自适应模糊策略的电流波动幅值最大,规则策略的电流波动幅值最小,说明自适应策略通过充分利用电池输出功率调整增程器功率使整个储能系统达到最优经济性。
图22 3种策略的动力电池电流
为了验证所提出的控制策略的有效性,比较了在SOC保持均衡条件下的燃油消耗情况。结果如图23所示,规则策略共消耗燃油3 301.8 g,折算百公里油耗为13.14 L/100 km;模糊能量管理策略消耗燃油3 235.5 g,折算百公里油耗为12.88 L/100 km;自适应模糊策略消耗燃油2 981.9 g,折算百公里油耗为11.87 L/100 km。因此自适应模糊策略相比于规则策略降低9.67%油耗,相比于模糊策略降低7.84%。
图23 3种策略的燃油消耗量
为了探究所提出的能量管理策略对制动能量回收性能的影响,以制动能量回收效率为评价指标分析了3种策略的性能,结果如表3所示,CD−CS的能量回收效率为46.74%,模糊策略为46.14%,自适应模糊为46.73%。说明3种策略的制动能量回收性能基本相同。
表3 3种策略的制动能量回收效率
4 结论
本文以增程式电动物流车为研究对象,提出了一种基于IGA−BP神经网络工况识别的自适应模糊能量管理策略。采用在编码方法、初始化方式、交叉和变异等方面进行改进的遗传算法优化BP神经网络初始权值与阈值,利用CHTC−HT工况数据训练IGA−BP神经网络构建工况识别模型;同时设计了以电池SOC和整车需求功率为输入、发动机功率为输出的依据工况类别实时调整隶属度函数顶点坐标的自适应模糊能量管理策略;最后通过硬件在环测试验证了所提出的神经网络工况识别自适应模糊能量管理策略,结果表明该方法在燃油经济性和舒适性上表现了良好的性能,主要结论如下:
(1)基于IGA−BP神经网络工况识别方法的识别效果优于BP神经网络。其中不同变异率和交叉率下的识别效果(均方差)随隐含层数呈现非线性变化。
(2)自适应模糊策略启停次数相比于规则策略降低了约88%,相比于模糊策略降低了约45%,表明大幅降低了增程器的瞬态转矩变化次数;油耗相比于规则策略降低了约9.67%,相比于模糊策略降低约7.84%。说明该策略具有更好的整车舒适性和节能效果且不需要提前预知工况。