实际路况下PHEV等效油耗降低策略研究

彭美春，马保童，廖清睿

（广东工业大学机电工程学院，广东 广州 510006）

1 引言

能量管理控制策略是PHEV关键技术，车辆实际道路运行工况变化多端，控制策略能否适应工况的即时变化，对于保证汽车的性能至关重要。

插电式混合动力汽车PHEV的能量管理控制策略可以分为基于工况信息预测、基于规则、瞬时优化与全局优化三种。

基于工况信息预测的控制效果取决于对工况信息预测的完全性与准确性，对于大多数非固定线路、工况瞬变的车辆适应性不好[1−2]。基于规则的能量管理控制策略，算法简单，对控制系统实时计算性能要求较低，但所制定的规则多是由工程经验所得，对实际道路工况适应性较差[3]。

基于瞬时优化能量管理控制策略能确定每个采样瞬间的最优值，但不一定是整个工况下的全局最优值[4]。

全局优化算法能够实现全工况的最优控制，前提是已知整个循环工况。但车辆实际行驶过程中难以准确预测完整路况信息，因此全局优化无法保证计算的实时性[5]。

基于特定循环工况，如新欧洲行驶循环NEDC对PHEV控制策略参数优化研究较多[6−8]，因实际道路行驶工况与NEDC工况相比，两者存在较大差异，前者车速瞬态变化剧烈较多，导致基于标准工况开发标定所得的控制系统在实际道路上行驶时不能很好地适应瞬态工况变化，PHEV 车辆实际道路运行能耗未能达到最优。

以构建的城市典型行驶工况为基础，采用组合优化算法对混合动力乘用车能量管理控制策略参数进行优化，实现整车经济性能提高，属于基于实际道路行驶工况对控制策略参数的优化[9]，该方面研究尚少。

以一P2构型的油电混合轻型乘用车为对象，研究基于车辆实际道路行驶工况的能量管理控制策略设计与优化问题，以实现车辆实际道路运行低能耗的目的。

2 PHEV能量管理控制策略设计

P2构型PHEV轻型乘用车包括了电机与内燃机两套动力源，发动机与电机同轴布置，电机位于发动机之后变速箱之前，中间通过离合器实现发动机与电机的动力耦合。为合理地对动力源能量进行分配，本研究采取让电机对内燃机动力进行补偿、使内燃机尽可能工作在高热效率区的能量管理控制策略，以实现低能耗的目的。

PHEV能量管理控制策略整体架构，如图1所示。包括控制信号输入、需求转矩计算、工作模式判断与选择、转矩分配和控制信号输出。工作模式分为纯电模式（Edrive mode）、单发动机模式（Engine mode）、混合驱动模式（Eboost mode）、行车充电模式（Lpm mode）和制动能量回收模式等。实际行驶中PHEV工作模式不断切换，各个工作模式之间的切换逻辑也不尽相同。根据车辆需求转矩、车速和动力电池剩余电量SOC等来确定各工作模式之间的切换条件，对切换逻辑的定义，如图2所示。

图1 控制策略整体架构Fig.1 Overall Architecture of Control Strategy

图2 PHEV工作模式切换逻辑Fig.2 Working Mode Switching Logic of PHEV

本研究设计的车辆驱动工作模式动力电池电量消耗采用电量消耗CD（Charge Depleting，CD）和电量维持CS（Charge Sustain⁃ing，CS）两阶段模式，在电量消耗CD阶段，提升纯电驱动比例，延长行驶里程，以充分利用外部电网充入的能量，使汽车到达目的地后，动力电池剩余电量SOC值刚好进入电量维持CS阶段，再进行下一次的外部电网充电，这样能最大程度的减少车辆能耗。CD阶段和CS阶段的切换以动力电池SOC值作为参考，当动力电池SOC下降到低值限SOC_low时，进入CS阶段。CD、CS两阶段下各工作模式转矩分配策略设计如下：

（1）CD阶段

工作模式主要有纯电驱动模式、单发动机驱动模式、混合驱动模式一、混合驱动模式二，各工作模式转矩分配规则如下：

①纯电动驱动模式（Edrive mode）

（2）CS阶段

工作模式包括纯电驱动模式、行车充电模式、单发动机驱动模式和混合驱动模式，各工作模式转矩分配规则如下：

①纯电动驱动模式（Edrive mode）

式中：符号含义同上。

3 PHEV仿真模型与运行典型工况建立

采用仿真分析方法研究混合动力能量控制策略对PHEV车辆动力性、经济性影响。建立车辆性能仿真模型，基于车辆实际运行工况采集数据进行典型工况构建，用作车辆性能仿真计算循环工况，使仿真结果贴近车辆实际道路运行状况。

3.1 车辆性能仿真建模

应用CRUISE 软件进行车辆性能仿真建模，对车辆模块、发动机模块、离合器模块、电机模块、变速箱模块、主减速器模块、轮胎模块、电池模块和驾驶室模块的参数进行设置，根据车辆的动力传递路线和控制方式进行机械连接、电气连接和数据总线连接。在Simulink 中搭建车辆能量管理控制策略模型，所生成的DLL文件嵌入到CRUISE软件中，建立PHEV性能仿真模型。

3.2 典型工况构建

选择典型线路进行车辆道路运行工况采集，运用主成分、聚类分析方法构建典型工况。

3.2.1 试验线路

构建本地特色的车辆行驶典型工况进行车辆实际道路运行工况测试时，参考GB18352.6−2016 标准附录D[10]规定的实际道路排放测试线路规范，包括市区、市郊、高速三部分行驶工况，选择试验行驶线路，如图3所示。

图3 测试线路Fig.3 Test Route

以广州大学城外环路作为市区道路运行工况，南沙港快速路、黄榄快速路作为市郊道路运行工况，广澳高速路作为高速道路运行工况。这样的行驶路线较能全面表达轻型车实际道路运行特性。

采样频率为1Hz，得到共6100组车速、时间连续样本试验数据，离散化处理，依时间序列从试验起始点开始往后划分，以100s为间隔，共得出61个运动学工况片。

3.2.2 特征参数的确定

采用车辆运行运动学特征参数对车辆行驶工况特征进行描述，选择以速度和加速度为基础特征参数，衍生出其它特征参数，得出共13个特征参数作为工况运动学信息表征参数，包括平均车速、最大车速、平均加速度、平均减速度、速度标准差、最大加速度、最大减速度、加速度标准差各类工况比例等，基于之对各个工况片段的特征值进行计算，得出特征值矩阵。

3.2.3 主成分分析

对包括61个工况片段的特征值矩阵中13个特征值进行主成分分析，实现数据的降维处理。得到各主成分贡献率，其中序号1−5的主成分累计贡献率达到92%以上，故提取前5个主成分记为主成分矩阵。

3.2.4 聚类分析

运用K−Means算法计算不同工况片段样本间的距离来判断他们的相近关系，相近的放到同一个类别中，实现工况片段的分类。结合实际道路工况分市区、市郊、高速的特征，综合考虑类间距、工况片段数分布等，对61个运行学片段主成分矩阵进行三类聚类分析，得出每个工况片所属的类，计算出各类工况片占比。

3.2.5 典型工况构建

共选取18个典型工况片段按片段的平均速度从小到大进行排列拼接，经滤波、平滑等处理，构建出总时长为1800s的实际道路行驶典型工况，其车速曲线，如图4所示。其中城市区间时长为900s，市郊区间时长为500s，高速区间时长为400s。该典型工况与NEDC循环相比存在较大差异，一是车速瞬变较多，主要体现在市区工况区；二是市区、市郊、高速三种路段工况覆盖全面，而NEDC工况市郊与高速区分不明显；三是市郊与高速工况时间占比明显高于NEDC工况。综之本研究构建的典型工况较NEDC工况与轻型车辆实际道路运行工况特征贴近较多。

图4 典型工况车速曲线Fig.4 The Speed Curve of Typical Cycle

4 PHEV控制参数及传动比优化

控制策略选取后，控制参数优化是实现能耗降低的关键。

4.1 优化算法

应用多岛遗传算法进行对象PHEV车辆能量管理控制策略参数等的优化。多岛遗传算法是对并行分布遗传算法的改进，具有比传统遗传算法更优良的全局求解能力和计算效率。算法通过不断的迭代收敛于最优参数，当遗传代数达到最大值时，结束寻优过程。

4.2 优化变量及目标函数

选取PHEV控制策略中影响车辆动力性、经济性的关键参数和传动比共6个参数作为优化变量，分别为CD阶段发动机启停扭矩CD_Torque、CS阶段发动机启停扭矩CS_Torque、进入CS阶段SOC 值SOC_low、纯电动最高车速Velocity_Max_eDrive、前主减速比iFD1和后主减速比iFD2，变量初值为样车原始参数值，根据经验设置优化取值范围，如表1所示。

表1 优化变量及取值Tab.1 Optimize Variables and Values

在满足动力性能设计指标和各部件性能约束的前提下，进行PHEV能量管理控制策略参数及传动比优化，使整车的能耗得到改善。车辆按循环工况运行会消耗燃油与电能，动力电池在CD阶段SOC发生大幅度波动，在CS阶段SOC发生小幅度波动。为方便表征，将电能消耗量折算为等效燃油消耗量，提出了包含动力电池电能与发动机油耗在内的等效综合油耗，来评价整车循环工况下的经济性，电耗折算油耗计算公式，如式（1）所示。

式中：Qequ—循环工况电能消耗量折算的等效燃油消耗量，单位为L；Ek—循环工况中所消耗的电能，单位为kW/h；ρgasolined—燃料密度，单位为kg/L；Qgasolined_min—燃料的低热值，单位为kJ/kg；φice—发动机发电状态下的平均效率；φmotor—电机发电状态下的平均效率。

将目标循环工况下PHEV能量管理控制策略参数及传动比优化看成是一个PHEV等效综合油耗单目标优化问题，其数学模型，如式（2）所示。

式中：x—有关PHEV 相关参数的向量；ΔFuel(x)—等效综合油耗；ϕ—可能的解空间；Hi(x) ≤0—约束条件；N—约束条件的数量。

综上，适应度函数可描述为如式（3）所示。

式中：ui(x)—最大车速、百公里加速时间、爬坡和CD阶段SOC变化范围等约束条件；m—优化变量的个数，这里取值为6，xj—第j个优化变量的取值上下限。

4.3 参数优化联合模型

将多岛遗传算法嵌入ISIGHT 软件中。将ISIGHT 软件同CRUISE软件联合，运算命令.bat批处理文件实现CRUISE软件中PHEV仿真模型的自动运算，ISIGHT软件再根据CRUISE软件中模型的运行结果进行优化计算，以所构建的实际道路行驶典型工况循环作为仿真运行工况，将PHEV等效综合油耗仿真结果作为适应度函数的值，如此循环，以实现PHEV能量管理控制策略参数及传动比优化。

4.4 优化结果与分析

SOC 初始值为95%，总群体规模数为100，迭代次数为800。为保证SOC变化范围覆盖整个CD−CS阶段，需选择4个连续的实际道路行驶典型工况循环作为参数优化联合仿真模型的运算工况，运行时长7200s，总里程106km，如图4所示。

当优化算法迭代到400代左右时，PHEV的累计总里程等效综合油耗达到一个相对稳定值7.18L左右，得出各参数优化值，如表2所示。

表2 优化前后参数值Tab.2 Parameter Values Before and After Optimization

为分析遗传算法优化得到最优解的合理性，需要分析优化前后与能耗相关的PHEV关键部件特性变化。PHEV中电机转矩、动力电池SOC的变化、发动机工作特性与能耗直接相关。电机输出转矩正负反映动力电池充放电状态变化状况，当电机转矩为正时动力电池处于放电状态，当电机转矩为负时动力电池处于充电状态。优化前后电机转矩变化，如图5所示。

图5 优化前后电机转矩Fig.5 Motor Torque Before and After Optimization

从电机负转矩可以看出优化后电机进入CS 阶段较优化前晚，说明CD阶段动力电池电能消耗量变缓。优化前后动力电池SOC变化曲线，如图6所示。可见优化后SOC在CD阶段变化幅度较优化前变小，优化后SOC大约在35.5%左右进入CS阶段，对应循环工况时间约为4650s，较优化前进入CS阶段更晚一些，这样电能得到了充分利用。

图6 优化前后SOCFig.6 SOC Before and After Optimization

优化前后发动机瞬时油耗变化曲线，如图7所示。可见优化后较优化前，发动机工作过程中部分瞬时油耗高峰值明显降低，因此发动机平均燃油耗得以降低。

图7 优化前后发动机油耗Fig.7 Fuel Consumption Before and After Optimization

典型工况下在车辆动力性基本不变情形下，仿真计算得到参数优化前后整车能耗结果，如表3所示。可见优化后的PHEV等效综合油耗相比优化前降低了6.02%，优化效果较好。可见基于建立的能量管理控制策略优化联合仿真模型，使得PHEV能量管理控制策略参数及传动比得到了优化，实现了PHEV实际道路运行能耗降低的目的。

表3 优化前后结果Tab.3 Results Before and After Optimization

5 总结

设计了电机对内燃机动力进行补偿、使内燃机尽可能工作在高热效率区，以及延长CD 阶段行驶里程的能量管理控制策略。构建出全面体现轻型车运行特征的实际道路行驶典型工况，可用于车辆性能仿真与控制策略优化研究等。应用多岛遗传算法进行能量管理控制策略参数及传动比寻优，得出优化后CD阶段发动机启停扭矩、CS阶段发动机启停扭矩、进入CS阶段SOC值、纯电动最高车速，以及前主减速比和后主减速比值。相比优化前，PHEV等效综合油耗降低了6.02%，有效降低了车辆实际道路运行工况下的能耗。