GA-BP工况识别的增程式电动汽车能量管理策略优化

2022-07-18白书杰魏长银陈勇张建军

机械科学与技术 2022年7期

白书杰,魏长银,陈勇*,,张建军

(1.河北工业大学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.河北工业大学机械工程学院,天津 300130)

增程式电动汽车具有低排放、低污染和长续航的优点,在新能源汽车发展中被视为理想的过渡车辆。能量管理策略是增程式电动汽车控制技术的核心,它可以直接影响电动汽车的动力性、燃油经济性、排放性等[1]。因此以改善燃油经济性为目标对能量管理策略进行优化是增程式电动汽车控制系统开发中的重要环节。

一般规则能量管理策略(Rule-based power management,RB)包括 CD-CS、功率跟随型等策略,CD-CS策略以SOC状态制定策略,维持SOC在定值上下波动,Junqiu等[2]采用CD-CS控制策略,DP算法优化多目标参数,着重研究CS部分,达到减少排放提高燃油效率的目的。功率跟随策略以增程器为主要动力源,电池辅助驱动,邓涛等[3]采用功率跟随策略得到接近实际用车时的燃油消耗,有很大的参考意义。但上述策略大都以固定工况研究,无法适用复杂道路工况。近年来,在规则策略的基础上结合工况识别、车速预测,使汽车在燃油经济性等方面有了长足发展。能量管理策略又可分为基于交通信息采集和基于典型工况分析识别。基于交通信息采集包含两种类型:一类利用GPS、ITS获得交通信息,预知路况信息优化的能量管理策略,此类方法对外部硬件设备要求较高,应用范围受到限制;另一类利用汽车行驶数据通过智能算法预测行驶工况,此类不需要外部设备,但计算量大、实时性不足[4]。熊演峰等[5]利用GPS定位,根据汽车出发地、目的地以及交通信息路径规划、预知工况并进行能量分配;刘永刚等[6]考虑坡度对汽车动力性的影响,利用GPS提供道路坡度信息,基于道路坡度提出能量管理策略优化;刘永刚等[7]通过智能交通系统(ITS)远程通信收集道路信息和天气信息等因素,综合应用于能量管理策略优化;Xiang等[8]充分考虑当前驾驶环境和车速,提出基于径向基函数神经网络车速预测;方越栋[9]以混合动力公交车为研究对象,利用GPS获得历史行驶数据,建立与位置有关的非齐次马尔科夫模型,描述路况预测行驶工况;Ji等[10]提出DOIP算法,综合车辆行驶状态和驾驶员行为,马尔科夫模型学习车速到加速度转移概率,深度模糊预测方法预测车速,混沌增强粒子群优化算法在线智能实现最优控制;Sun等[11]基于模型预测能量管理策略,根据预测精度、计算成本、燃油经济性对比广义指数增长、马尔科夫链、人工神经网络3种车速预测方法,基于人工神经网络预测整体性能最佳。工况识别方面,秦大同等[12]选择20种典型循环工况提取特征参数与当前行驶特征参数比对实现工况识别,利用粒子群算法离线优化不同循环工况的能量管理策略关键参数;Lei等[13]应用聚类分析法对20种典型工况分类,通过特征参数相似度待识别工况归类典型工况,以电池寿命和燃油经济性为优化目标,提出动态能量管理策略;Wang等[14]应用特征向量表示当前驾驶模式和4种典型驾驶模式,计算特征向量的欧氏距离,当前驾驶模式为欧氏距离最小的典型模式,等效油耗法优化能量管理策略,基于识别结果进行在线调用参数匹配。上述工况识别方法,需要计算特征向量等,计算量大,识别过程复杂。

本文提出GA-BP工况识别方法,与上述方法相比,GA-BP工况识别对硬件的要求较低;直接以速度区间为输入进行工况识别,无需计算特征向量。文中以中国工况为训练样本,市区、市郊、高速公路为工况类型,行驶速度区间为输入进行工况识别训练、检验。对比BP神经网络工况识别和GA-BP工况识别,应用GA-BP工况识别识别率和识别精度优于BP工况识别能量管理策略。以能耗等效费用为燃油经济性优化指标,应用果蝇算法优化行驶工况识别下的规则能量管理策略参数,可以合理分配增程式电动汽车驱动模式,尽可能使用纯电动模式,降低燃油消耗。

1 整车参数与模型

所研究的整车为某公司增程式电动物流车,动力系统结构如图1所示,参数如表1所示。

由于在动力传动过程中存在转矩的损失,驱动电机的数学模型为:

(1)

(2)

式中：ωmc为驱动电机输出转速;v为车速;r为车轮半径;i为减速器传动比;Tmc为驱动电机输出扭矩;f(M)为整车损失扭矩,是车重的函数;Δv为车速瞬时变化量;Tfd为减速器损失扭矩;Iwh、Ifd为车轮以及减速器的转动惯量;Pmc为驱动电机输出功率。

动力电池组的数学模型为

(3)

Ubat=f(SOC)

(4)

Rin=f(SOC)

(5)

式中f(SOC)为SOC的查表函数。

当电池充电时

(6)

当电池放电时

(7)

式中：SOCbat为电池的电荷初值;n为电池的模块数;C为电池的容量;Ibat为电池的输出电流;Ubat为电池的输出电压;Rin为电池的内阻;Pbat为电池的输出功率;ηbat为电池的充电效率。

驱动电机效率图如图2所示。

图2 驱动电机效率图

发动机的数学模型为:

T=Tfc+Δωfc·Ifc

(8)

Pfc=f(T,ωfc)

(9)

式中：T为发动机需求扭矩;Tfc为发动机输出扭矩;Δωfc为发动机转速瞬时变化量;Ifc为发动机转动惯量;Pfc为发动机需求功率;f(T,ωfc)为需求功率。发动机万有特性曲线如图3所示。

图3 发动机万有特性曲线

2 行驶工况识别

2.1 典型工况的选择

2.1.1 典型行驶工况的选择及目标值的确定

行驶工况包含车辆行驶的环境、道路状况、时间-速度关系等特征,具有代表性。

中国工况速度曲线包括市区、市郊、高速公路3种。以3种工况为识别类型,建立工况识别器,根据识别结果优化、匹配能量管理策略参数。中国工况速度时间曲线如图4所示,市区工况的区间为0～304 s,市郊工况的区间为305～1 197 s,高速公路工况的区间为1 198～1 800 s。

图4 工况速度曲线

2.1.2 数据取样

训练样本的采样时间间隔1 s,每100 s为一组数据,速度区间可以重合叠加,比如,第一次取1～100 s,第二次取2～101 s以此类推。由于BP网络训练需要大量数据样本,速度区间重复叠加取样能够得到更多训练样本;使训练样本覆盖工况更加全面,提高训练的可靠性。在工况切换时,以两种工况占有样本时间区间的比例为界限。例如,从市区工况切换到市郊工况时,当有50%及以上速度为市区工况时,训练识别为市区工况,反之为市郊工况。以取样速度区间为BP神经网络训练样本,计算BP神经网络的权值和阈值,并测试训练效果。每种工况数据样本80%做训练样本,20%做测试样本。

2.2 BP神经网络工况识别

人工神经网络(ANN)优越性在于一些问题的机理或者数学模型难以表示的时候,ANN是优先考虑的方法[15]。BP神经网络是反馈神经网络,其算法信号向前传输,误差反向传输[16]。每一迭代误差反向传输经过比较,不断调整权系数,直到最优的权系数。BP神经网络主要由输入层、隐含层、输出层3部分组成,输入层和输出层均是单层,隐含层可以是单层也可以是多层[17]。

文中分别使用BP神经网络和GA-BP进行工况识别,以100 s速度区间为输入,电动汽车行驶工况类型为输出,研究两者之间的关系。表2是输出工况类型与目标值。

表2 典型工况及训练目标值

神经网络单神经元模型如图5所示[15]。

图5 神经元模型

以xi(i=1,2,…,n)为输入,y为输出,ωi(i=1,2,…,n)为权值,θ为阈值,f(x)为激活函数,输入与输出关系为

(10)

2.2.1 BP神经网络结构

BP神经网络结构如图6所示。

图6 BP神经网络结构

复杂的神经网络结构在训练时可以提高精度,但是需要大量的计算,效率不高,还可能导致过拟合使网络的性能脆弱,泛化能力下降[18]。复杂的映射关系可以选择多隐层,但是三层BP网络可以解决大部分问题。工况识别的BP网络是对速度曲线和工况类型训练,单隐层能够满足需求。

速度取样区间为100 s,输出入层节点数选择为100个。神经网络输出结果是工况类型,所以输出层节点数为1。

2.2.2 BP网络识别分析

训练误差e是理想输出y与实际输出u的差,可以表示训练效果,即

e=u-y

(11)

使用识别精度进一比较GA-BP和BP工况识别效果。在BP算法中一般使用均方差(E)表示识别精度,即

(12)

均方差越小,识别精度越高。

过少隐含层节点数会降低BP神经网络的训练学习能力,增加节点个数可以提高精度,但是也会增加训练时间甚至导致过拟合[18]。没有统一的表达式可以算出隐层节点数,通用的准则就是,在保证训练精度的情况下尽可能减少节点个数。

结合验公式和试错法[19]隐含层节点数在3～12范围内训练,比较分析并得到使识别精度最优的隐含层节点数。由于BP网络每次结果不同,对不同隐层节点数的BP网络多次计算均方差并求平均可以更容易发现规律,结果如图7所示。

图7 BP测试识别结果

随着隐含层节点数逐渐增加,均方差总体上不断减小,当节点数为8时,均方差达到最小值,识别精度最高。节点数达到8以上时,均方差变化值在0.02内。综上,使用BP网络工况识别,隐含层节点数为8时,可以达到最优识别精度。

2.3 GA-BP工况识别

2.3.1 GA-BP

为了得到最优的权值和阈值,采用遗传算法优化,首先优化出较优的初始权值和阈值。应用遗传算法优化避免了BP算法收敛速度慢以及局部最优情况的缺点。GA-BP工况识别流程如图8所示。

图8 GA-BP工况识别程序框图

适应度为误差的函数,表示对环境的适应能力。以权值阈值对应BP神经网络的识别误差倒数的绝对值为适应度,计算每一代种群个体适应度。

选择操作通过轮盘赌实现优胜劣汰的自然法则,使更优的个体保留下来的可能性大,但其他个体也有保留下来的可能。

为了防止陷入局部最优解,变异和交叉是产生新的个体两种方法。交叉是提高种群多样性的主要方式,变异作为辅助方式[20]。变异概率过大可以提高收敛速度但是很难达到全局最优,变异概率在经验值0.005～0.1[21]之间选择,为了达到全局最优并且尽可能提高收敛速度,选择变异概率0.08。

2.3.2 GA-BP识别分析

利用GA-BP工况识别时,对识别精度影响较大的参数是BP神经网络隐层节点数和遗传算法中的交叉概率。同样采用多次计算并求平均值方法,得到图9所示结果,不同曲线表示不同隐含层节点数。

图9 GA-BP测试识别结果

当隐含层节点数为8及以上时,识别精度不满足要求,图9中给出节点数为3～7的结果。图9中,随着隐含层节点数增加,识别精度逐渐增高,有较明显的分层。隐含层节点为3时,识别精度先增大后减小的趋势。当交叉概率为0.7,隐含层节点数为3时,识别精度最高。

2.4 工况识别测试结果对比分析

在识别工况时识别误差e≤0.1时,认为识别是准确的,以此计算识别正确率。选择上述最佳参数的多次计算中识别精度最高的情况对比识别率、识别误差等,比较、分析是否应用遗传算法优化的BP神经网络工况识别的效果,如图10和表3所示。其中样本1～25为市区工况;样本26～110是市郊工况;样本111～160是高速公路工况。

图10 测试识别误差对比

表3 是否应用GA优化BP网络工况识别对比

由图10和表3可知,未应用遗传算法优化的BP神经网络工况识别较多样本的输出值与期望值都存在较大误差,最大误差达到0.695 2;应用GA-BP工况识别期望值与输出值基本相符,最大误差只有0.076 8。进一步比较不同工况的识别最大误差、均方差、识别率,应用GA-BP工况识别的效果优于未应用GA优化的BP网络工况识别,且GA-BP识别工况率为99.99%。

3 工况识别的能量管理策略及优化

基于规则的能量管理策略(Rule-based power management,RB)有易于实现并且运行可靠性高等优点,本文以CD-CS控制策略为研究对象,着重研究保证电动汽车动力性同时尽可能使用纯电动驱动模式,减少燃油消耗,以果蝇优化算法离线优化基于工况识别下能量管理策略的关键参数。

3.1 能量管理策略

增程式电动汽车有3种驱动模式,动力电池驱动的纯电动模式,电池和增程器混合驱动模式、增程器单独驱动且电池充电模式。能量管理策略程序框图如图11和表4所示。当电动汽车起步时,发动机处于最佳功率工作点。

图11能量管理策略程序框图

表4 规则能量管理策略

电池驱动纯电动模式:当SOC>SOChigh且Pr

电池和增程器双动力混合驱动模式:

当SOClow≤SOC≤SOChigh且Plast≤Pr时,双动力混合驱动,发动机在发动机输出功率与上一时刻输出功率相等。

当SOC>SOChigh、Pr≥Pc-max、P≤Pr时,电池和增程器共同驱动,发动机处于最佳功率点。

增程器单独驱动且电池充电模式:

当SOC

当SOClow≤SOC≤SOChigh且Plast>Pr时,增程器单独驱动,发动机输出功率与上一时刻输出功率相等,充电的功率为Plast-Pr

当SOC>SOChigh、Pr≥Pc-max、P>Pr时,增程器单独驱动,充电的功率为P-Pr。

其中,SOChigh、SOClow分别为增程式电动汽车驱动模式电池SOC上、下限值;Pr为整车驱动需要的功率;Pc-max为电池输出的最大公率;P为发动机工作时最佳功率点;Pe为发动机输出功率;Plast为发动机上一秒输出功率;Pcharge为电池充电功率。

3.2 果蝇算法能量管理策略优化模型

3.2.1 优化变量

增程器工作开关与动力电池组的SOC值有密切关系,所以选择SOC上下限值作为优化变量如表5所示。电池的SOC初值设为0.50。

表5 能量管理策略优化变量

3.2.2 优化目标

构造代价函数,以能耗费用为优化目标指数,寻求最优能量管理策略参数。代价函数是整个工况中燃油消耗量以及耗电量的总费用。能耗费用越低,燃油经济性越好。建立优化函数:

minf(SOClow,SOChigh)=

(13)

式中：f(SOClow,SOChigh)为能耗费用;Yfuel、YSOC分别为市场中燃油价格和用电价格,Yfuel=7元/L、YSOC=1元/(kW·h)。

3.2.3 优化约束

为了保证车辆有足够的动力性和燃油经济性,建立如下约束条件:

1) 电动机和发电机尽可能在高效率区域工作;

2) 为避免电池过放电,保证电池寿命,当电池SOC值达到0.2时停止放电;

3) 电池最大输出功率为2.5 kW。

3.2.4 果蝇优化算法原理

果蝇优化算法(FOA)是一种基于果蝇通过视觉和嗅觉觅食行为推演出寻求全局最优的新方法。相对于其他优化算法,FOA最大的特点是在坐标轴内采用横、纵坐标二维搜索,搜索方便简洁,且易于实现。嗅觉和视觉共同搜索既可以快速实现局部最优,又可以跳出局部最优,可以较快实现全局最优[22]。

根据需要优化的参数,果蝇优化算法步骤如下:

1) 随机初始化果蝇群体位置:

(14)

(15)

2) 产生随机搜寻方向与距离(利用果蝇个体的嗅觉搜索):

(16)

(17)

3) 由于无法得知食物的位置,先估计与原点的距离:

(18)

(19)

4)D1i和D2i作为SOC的上下限代入式(13)中,保留味道浓度最高的果蝇(即代价函数的最小值)。

5) 重复上述步骤,迭代寻优,将f(SOClow,SOChigh)最小值的个体保存。

4 仿真结果及分析

为了验证基于GA-BP工况识别的能量管理策略可以合理分配电动汽车驱动模式,改善燃油经济性,对增程式电动汽车进行建模仿真,仿真结果如图12～图17所示。其中,RB是未进行工况识别的规则能量管理策略,BP-RB是BP工况识别的能量管理策略,GA-BP-RB是GA-BP工况识别的能量管理策略。

图12 SOC变化曲线

图13 发动机输出功率

图14 发动机工作点图

图15 驱动电机工作点分布图

图16 电池输出功率

图17 整车需求功率

由图12和图13可知,使用GA-BP工况识别时,当电池电量充足且满足动力需求时,电动汽车进入纯电动驱动模式,增程器停止工作,降低油耗。并且增程模式下,SOC值围绕定值波动,较好的保证了电池的寿命。图14和图15中,驱动电机和发动机长时间工作在高效区域内,提高系统的工作效率。图13中,在使用GA-BP工况识别时,在增程器工作时,发动机大多以定值输出功率。图16中,电池首先充电,所以输出功率为负。

使用BP工况识别时,由图14和图15可以看出在高效率工作区域的工作点明显少于GA-BP工况识别。发动机输出功率、SOC曲线和电池输出功率与未使用工况识别类似,所以增程器均长时间处于工作状态,未进入纯电动模式。

进一步对比图16和图17可清晰发现,在使用GA-BP工况识别后电动汽车行驶过程中整车需求功率与电池输出功率曲线基本吻合,所以电动车长时间处于纯电动模式。

使用行驶工况识别的情况,需要计算完整运行每一种工况的费用和。表6所示为使用工况识别和未使用工况识别的能耗费用对比。