基于BP神经网络的PHEV油耗与排放研究

摘 要：文章以P1+P3结构PHEV为研究对象，设计了基于BP神经网络算法的动力匹配控制来提高PHEV的输出功率、降低排放及优化燃油经济性。结果表明：在山路、城市、高速和郊区四种路况下进行实车测试，嵌入算法后P1+P3结构PHEV的百公里油耗平均降低了0.61L，CO、CO2、HC、NOX排放分别降低了0.28g/km、0.198g/km、0.813g/km、0.021g/km，排放和燃油经济性均得到改善。

关键词：PHEV P1+P3结构 BP神经网络 排放 油耗

1 前言

PHEV在续航里程、维护成本上优于纯电动汽车，在燃油经济性上优于燃油汽车，有利于实现双碳目标[1]。本文以发动机转速、节气门开度、车速、当前输出功率和转矩、挡位以及坡度为BP 神经网络的输入层，用于工况识别，以输出功率、输出车速、节气门开度和转矩为输出层，来实现PHEV动力参数的合理匹配，提高综合性能。BP神经网络算法应用在PHEV的变速箱优劣性判别[2-3]、发动机转矩估算[4]、道路坡度预测、尾气排放、充电故障、电池荷电状态（State of charge，SOC）估算[5-8]等方面。动力匹配是提高汽车传动效率和响应速度的关键，好的动力匹配能改善综合性能和燃油经济性。

2 P1+P3结构PHEV的动力系统设计

P1+P3结构PHEV中电机、离合器2与E-CVT结合构建后驱系统，W-DCT与离合器1、发动机构建前驱系统。当车辆在上坡或者高速行驶时采用前驱系统；当车辆的速度小于60km/h时，采用后驱模式；当车辆在下坡时启动能量回收模式；当车辆在上陡坡时，前驱和后驱系统同时工作。

3 基于BP神经网络的PHEV控制模型构建及性能分析

3.1 研究对象描述

本文以中德汽车基地改款后的大众迈腾GTE 2022款为研究对象，P1+P3结构PHEV的前驱动力系统采用燃油发动机、后驱采用电动机，电机的动力源自电池系统，电机的输出功率控制取决于电池管理系统和工作模块的控制。根据道路环境分为城市道路、郊区道路、山路、高速公路四种类型。

3.2 基于BP神经网络的PHEV动力匹配方案

本文选择发动机转速、节气门开度、车速、当前输出功率、当前转矩、档位信息、道路信息这些特征参数用于BP神经网络的输入层，实时功率、车速、转矩、节气门开度为隐含层，输出功率、输出车速、节气门开度以及转矩为输出层。

3.3 模型构建及参数确定

P1+P3结构PHEV的模型设计包括前驱、后驱、电池系统和传动系统四个方面的模型设计。

3.3.1 前驱动力模型和发动机参数

PHEV的前驱动力主要由发动机提供，发动机的输出功率取决于位于车辆前面的发动机的目标转矩、目标输出功率、燃油效率，直接体现为发动机输出的扭矩和扭矩加速度、转速加速度。对发动机的输出扭矩和燃油消耗进行数学模拟与实验验证，预测发动机的瞬时形态，发动机的转矩和油耗预测如公式1和公式2所示。

（1）

其中，为时刻发动机的输出扭矩，单位为N.m，和分别是最小和最大输出扭矩，是节气门的开度阈值，取值区间，和是转速函数，可以通过查表获得，其中是发动机的转速，可以通过转速表的值获取，其燃油消耗满足式3-2。

（2）

c61842b7aeb1b609a0b17a6bf3be005a

其中，耗油质量，单位g，为查表函数，依据发动机的转矩和转速来确定发动机的实时燃油消耗。

3.3.2 后驱动力和电控系统

PHEV的后驱动力主要由电池驱动电机完成机械能和电能的转化。电机建模以电压、转矩和功率的平衡方程及运行特性方程为数据基础，电机模型的计算主要包括温度、转矩及输出特性。

式中为电机的转矩控制指令，为最大转矩，是温度变量，其中为电机温度修正系数，为温度常数，当电机转速中的最大扭矩。电机最大、最小电流分别为、，单位为A，电机温度函数、功率和电流。

式中，和分别是扭矩和转速，为实时电压。

3.3.3 电池参数

电池模型包括电压计算模块、SOC计算模块和温度计算模块，模型的输入和输出分别为负载电流和电池SOC值、电压U、功率、电池温度，预测如公式8所示的电池输出功率。

其中，为充电热速率系数，取值范围为1.02～1.39，为电池内阻，单位为Ω，：充电，：放电，电池充电过程中既然产生热量那就会存在散热情况，电池的空气散热量如3-10所示，为电池的散热量，、和分别为电池的温度、常温、电池的热阻。

3.4 动力匹配方案

P1+P3结构PHEV系统中，离合器有全连接、半离合（半联动）和全分开三种状态。离合器在全合状态下，输入输出转矩、转速相等，转速和转矩等值传递。其中，为离合器行程，单位：，为离合器的最大转矩，单位为。

3.4.1 油电转换模块切换模式

油电转换模块根据加速模块改变运行模式并将其运行模式反馈给综合控制模块，综合控制模块控制变速器轮速的变化，轮速控制会将轮速的变化反馈给电机控制，时钟脉冲根据发动机和电机的转速改变频率并反馈给电机控制，以便电机输出合理的转矩和功率。BP神经网络根据加速模块和综合控制模块匹配合理匹配发动机、电机的扭矩和功率，以便提高整车动力性能，降低油耗和排放。

3.4.2 发动机控制

发动机输出转矩能快速响应目标需求转矩，当发动机控制器接收到目标需求转矩后，通过PID控制方法把目标转矩信号转化成相应的节气门开度信号，调整节气门开度来实现发动机当前转矩向目标转矩的改变。

3.4.3 电机控制

电机的输出转矩通过PWM脉宽调制件对驱动电机的电压进行调整，同时增加一个速度环进行调节，通过控制实际转速和与目标转速的差进行控制。

3.4.4 离合器控制

离合器控制模块的信息来自驾驶者的操作识别信号、路况信息、目标转矩和实际转矩等信息，电子式离合器的传动拟合基本由电磁场的强度来确定，当电压和电流同时增大时，发动机的工作效率在逐步上升。目标转矩与实时转矩的比例增大时，降低挡位，增大电磁离合器的电流，加大主动盘和从动盘之间的啮合力度，传动力矩增大。

（10）

其中，和分别是主动盘和从动盘的半径，为发动机在t时刻的工作效率，为主动盘和从动盘的转速差值，前驱主离合器的摩擦系数，为t时刻前驱系统离合器的压力、是前驱离合器的有效作用面积，为前驱从离合器的摩擦系数。

4 基于BP神经网络的PHEV运行结果分析

所采用的PHEV车长4627mm，宽1819mm，高1805mm，当PHEV处于长时间减速时，提供辅助制动功率，给电池组回收更多的电能；同时，测试时间是PHEV从0Km/h到100Km/h的加速时间，当车辆在60Km/h以内，采用电机驱动，采用后驱控制模块；当车速高于60Km/h时采用发动机进行驱动，此时调用前驱系统控制模块。

4.1 不同路况下发动机性能分析

通过使用循环驾驶试验工况模拟车辆的实际工况，P1+P3结构PHEV的实际输出功率和目标输出功率测试如图３所示，其曲线趋势变化基本一致，方法有效。

4.2 燃油与排放测试

经实车测试，嵌入算法和不嵌入算法的结果如表1所示：在百公里油耗和排放上均有所下降。

5 结论

基于神经网络的动力匹配控制方法与P1+P3结构PHEV体系结构相结合得到新的PHEV驱动系统，在四种道路的实车验证中，百公里油耗平均降低0.61L，CO、CO2、HC、NOX排放分别降低了0.28g/km、0.198g/km、0.813g/km、0.021g/km，排放和燃油经济性均得到改善。

基金项目：2022年邵阳学院研究生科研创新项目“插电式混合动力汽车能源管理与动力匹配方案研究”（项目编号：CX2022SY047）。

参考文献：

[1]倪润宇，赵治国，高晓杰.新型插电式混合动力轿车能量管理策略优化[J].同济大学学报（自然科学版），2019，47（S1）：104-109.

[2]杨正才，黄兵锋.基于BP神经网络的汽车变速箱试验台开发与试验研究[J].机械传动，2014，38（05）：81-85.

[3]杜常清，颜伏伍，杨平龙，等.基于BP神经网络的发动机转矩估计[J].汽车工程，2008（07）：588-591.

[4]陈柯序，李海波，赵小娟，等.基于BP神经网络的纯电动汽车动力传动系统效率建模及分析[J].机械设计与研究，2021，37（05）：180-185.

[5]赵钢，孙豪赛，罗淑贞.基于BP神经网络的动力电池SOC估算[J].电源技术，2016，40（04）：818-819.

[6]付主木，赵瑞.PHEV电池电荷状态估计设计及仿真[J].火力与指挥控制，2013，38（04）：140-144.

[7]张传伟，李林阳，赵东刚.基于BP神经网络法估算动力电池SOC[J].电源技术，2017，41（09）：1356-1357+1368.

[8]苏振浩，李晓杰，秦晋，等.基于BP人工神经网络的动力电池SOC估算方法[J].储能科学与技术，2019，8（05）：868-873.