基于遺傳算法的增程式電動(dòng)車模糊控制器設(shè)計(jì)

姜蘊(yùn)珈，宋 珂，章 桐

(同濟(jì)大學(xué) a.新能源汽車工程中心；b.汽車學(xué)院，上海 201804)

1 概述

近年來，電驅(qū)動(dòng)作為未來動(dòng)力的解決方案之一，已得到業(yè)界的廣泛關(guān)注。但是，由于目前存在電池能量密度和壽命方面的瓶頸，純電動(dòng)車在短時(shí)間內(nèi)還難以替代傳統(tǒng)的內(nèi)燃機(jī)汽車。在這種情況下，增程式電動(dòng)車(Extended-Range Electric Vehicle,E-REV)的出現(xiàn)，不僅可有效減少燃油消耗，還能彌補(bǔ)純電動(dòng)車在續(xù)駛里程和電池壽命等方面的不足，成為了現(xiàn)階段最具備產(chǎn)業(yè)化前景的電動(dòng)汽車產(chǎn)品[1-2]。

E-REV需要解決的核心技術(shù)問題是制定合理有效的車載多能量源能量管理控制策略[3]。目前常見的E-REV動(dòng)力系統(tǒng)能量管理控制策略是恒溫器控制策略和功率跟隨控制策略。雖然2種控制策略具有簡(jiǎn)單易實(shí)現(xiàn)、魯棒性好等優(yōu)點(diǎn)，但是恒溫器策略使蓄電池經(jīng)常處于深度放電循環(huán)狀態(tài)，影響蓄電池使用壽命；功率跟隨策略可能由于增程器的頻繁啟停，影響低負(fù)載區(qū)的排放性能和效率[4-5]。

為保證E-REV蓄電池和增程器的合理匹配，本文設(shè)計(jì)一種基于遺傳算法的模糊控制器。控制器采用模糊能量管理控制策略，運(yùn)用模糊邏輯對(duì)蓄電池、電機(jī)需求功率等參數(shù)進(jìn)行模糊化處理，并通過遺傳算法對(duì)隸屬函數(shù)和控制規(guī)則進(jìn)行優(yōu)化調(diào)整，將功率分配因子作為控制輸出。

2 增程式電動(dòng)汽車動(dòng)力系統(tǒng)結(jié)構(gòu)

本文的研究對(duì)象是一輛以小型燃料電池堆作為增程器(Range Extender,RE)，蓄電池作為主要能源的增程式電動(dòng)汽車。RE是能夠發(fā)電且給車載動(dòng)力蓄電池充電的輔助能量裝置。當(dāng)蓄電池電量充足時(shí)，汽車以純電動(dòng)模式行駛；當(dāng)蓄電池電量不足時(shí)，RE開始工作，給蓄電池充電或直接驅(qū)動(dòng)電機(jī)[6]，從而大幅提高電動(dòng)汽車的續(xù)駛里程。

E-REV動(dòng)力系統(tǒng)結(jié)構(gòu)如圖1所示，蓄電池和燃料電池組成雙動(dòng)力源，共同驅(qū)動(dòng)車輛行駛。控制器根據(jù)內(nèi)部制定的能量管理策略，將需求功率在蓄電池和燃料電池之間進(jìn)行分配。因此，良好的控制器結(jié)構(gòu)設(shè)計(jì)，有助于E-REV達(dá)到能量利用效率最優(yōu)，提高續(xù)駛里程。

圖1 燃料電池增程式電動(dòng)汽車動(dòng)力系統(tǒng)

3 模糊控制器結(jié)構(gòu)設(shè)計(jì)

3.1 基本工作原理

模糊控制器的工作原理是：首先通過測(cè)量得到被控對(duì)象的狀態(tài)，經(jīng)過模糊化接口轉(zhuǎn)換為用人類自然語言描述的模糊量，然后根據(jù)語言控制規(guī)則，經(jīng)過模糊推理得到輸出控制量的模糊取值，再經(jīng)過清晰化接口轉(zhuǎn)換為執(zhí)行機(jī)構(gòu)能夠接收的精確量[7]。

圖2為模糊控制器的基本結(jié)構(gòu)，它由模糊化、模糊知識(shí)庫、模糊推理機(jī)和去模糊化4個(gè)部分組成，通常按輸出偏差和偏差變化對(duì)過程進(jìn)行控制。

圖2 控制器結(jié)構(gòu)

3.2 能量分配策略的模糊控制器設(shè)計(jì)過程

模糊控制器的設(shè)計(jì)主要包括4個(gè)部分：

(1)輸入、輸出量的選擇：動(dòng)力蓄電池SOC、驅(qū)動(dòng)電機(jī)需求功率Preq作為模糊控制器輸入，輸出是輔助動(dòng)力單元燃料電池的需求功率Pfc。整個(gè)模糊控制系統(tǒng)采取雙輸入、單輸出結(jié)構(gòu)。

(2)模糊化：將輸入量SOC、Preq分別劃分為5個(gè)模糊子集{NB,NS,Z,PS,PB}；所得輸出量Pfc在其論域上分成7個(gè)模糊子集{NB,NM,NS,Z,PS,PM,PB}。隸屬函數(shù)采用梯形和三角形函數(shù)。各個(gè)語言值的含義是：負(fù)大(NB)，負(fù)中(NM)，負(fù)小(NS)，零(Z)，正小(PS)，正中(PM)，正大(PB)。

(3)控制規(guī)則庫的設(shè)計(jì)：將專家知識(shí)轉(zhuǎn)化為IF-THEN規(guī)則，得到功率分配推理規(guī)則，如表1所示。

表1 語言值表示的模糊規(guī)則Pfc

(4)功率分配的模糊推理：根據(jù)模糊輸入和規(guī)則庫中蘊(yùn)涵的輸入輸出關(guān)系，采用 Mandani法得到模糊控制器的輸出模糊值。即對(duì)于某個(gè)確定的模糊控制關(guān)系Ri，它的條件語句為“若 Preqi（x）且 SOCi（y）則 Pfci（z）”，利用Preqi（x）,SOCi（y）和Pfci（z）各分量的元素，通過計(jì)算可得：

由于總的模糊控制關(guān)系為[8]：

因此總的模糊控制表模型與隸屬函數(shù)模型搭建關(guān)系為：

運(yùn)用上述模糊推理的方法，得到模糊控制器具體功率分配策略輸出結(jié)果如圖3所示。

圖3 功率分配的模糊推理輸出結(jié)果

這種模糊控制器雖在一定程度上能提高電動(dòng)汽車動(dòng)力系統(tǒng)能量的利用效率[9]，但是它的設(shè)計(jì)方法存在2個(gè)缺陷：

(1)模糊控制規(guī)則的選取，由于缺乏有效的獲取方式，模糊控制規(guī)則主要依賴專家的經(jīng)驗(yàn)，靠人工反復(fù)調(diào)整來確定模糊控制器的參數(shù)，這樣的設(shè)計(jì)方法很難使控制器的性能達(dá)到最佳。

(2)隸屬函數(shù)的選取，在模糊控制規(guī)則確定的條件下，控制器性能由隸屬函數(shù)確定，這涉及到多參數(shù)尋優(yōu)問題，而依靠經(jīng)驗(yàn)設(shè)計(jì)容易陷入局部最優(yōu)。因此，本文為解決上述問題，提出通過一種基于遺傳算法優(yōu)化模糊控制器參數(shù)的方法。

4 基于遺傳算法的模糊控制參數(shù)優(yōu)化

4.1 遺傳算法

遺傳算法(Genetic Algorithm,GA)是一種模擬自然界生物進(jìn)化過程與機(jī)制的自組織、自適應(yīng)的人工智能技術(shù)，其理論基礎(chǔ)為達(dá)爾文的自然選擇學(xué)說與孟德爾的遺傳變異理論。

遺傳算法具有良好的全局搜索能力，能夠在復(fù)雜的空間內(nèi)進(jìn)行有效的搜索；具有潛在的并行性，可以進(jìn)行多個(gè)個(gè)體的同時(shí)比較；具有可擴(kuò)展性，可與各種控制規(guī)律相結(jié)合，對(duì)控制器參數(shù)尋優(yōu)進(jìn)化[10-11]。因此，采用GA進(jìn)行模糊系統(tǒng)的輔助設(shè)計(jì)和自動(dòng)化設(shè)計(jì)非常有研究?jī)r(jià)值。基于遺傳算法的模糊控制器結(jié)構(gòu)如圖4所示。

圖4 基于遺傳算法的模糊控制器

本文利用遺傳算法進(jìn)行模糊子集的劃分，對(duì)模糊子集的隸屬函數(shù)和控制規(guī)則同時(shí)進(jìn)行優(yōu)化。通過將遺傳算法和模糊控制有效結(jié)合，實(shí)現(xiàn)對(duì)模糊控制器的優(yōu)化。

4.2 遺傳算法優(yōu)化過程

4.2.1 參數(shù)初始化

初始種群的數(shù)量很重要，如果初始種群數(shù)量過多，算法會(huì)占用大量系統(tǒng)資源；如果初始種群數(shù)量過少，算法很可能忽略掉最優(yōu)解。本文采用均勻隨機(jī)的方式選定初始種群P，種群規(guī)模設(shè)置為n=100；同時(shí)設(shè)置最大進(jìn)化代數(shù)G=100；交叉概率Pc=0.85；變異概率Pm=0.05。

4.2.2 編碼

采用二進(jìn)制編碼形式對(duì)模糊控制參數(shù)編碼，編碼包括以下2個(gè)部分：

(1)隸屬度函數(shù)編碼：將蓄電池SOC、驅(qū)動(dòng)電機(jī)需求功率Preq、燃料電池恒定輸出功率Pfc這3種變量總的模糊劃分范圍限定在區(qū)間[0,1]內(nèi)，用 x1,x2,…,x17表示梯形和三角形隸屬函數(shù)的各個(gè)劃分點(diǎn)(待優(yōu)化參數(shù))，如圖5所示。

圖5 模糊論域劃分圖

為保證參數(shù)精度，采用5位二進(jìn)制編碼，編碼范圍為00000～11111，以Preq為例，劃分點(diǎn) xi計(jì)算公式為：

其中，k為范圍限定值，保證 xi∈[0,1]；g（xi）為當(dāng)前編碼值，是遺傳算法需優(yōu)化的變量；G（x）為最大編碼值，由于采用5位二進(jìn)制編碼，因此 G（x）=32。

(2)模糊控制規(guī)則編碼：為了將表1中以模糊變量表示的模糊控制表進(jìn)行數(shù)字化，本文規(guī)定以0,1,2,3,4,5,6這7個(gè)整數(shù)代表模糊語言變量的7個(gè)語言值NB,NM,NS,Z,PS,PM,PB。將表1規(guī)則數(shù)字化后如表2所示。

表2 數(shù)字表示的模糊規(guī)則Pfc

將表2中的模糊控制規(guī)則的編碼表示為：[35566 2345612345 01234 00123]。為實(shí)現(xiàn)遺傳算法對(duì)控制規(guī)則參數(shù)優(yōu)化，將上述確定的規(guī)則參數(shù)轉(zhuǎn)化成待優(yōu)化的變量參數(shù)，用Rij表示(i,j=1,2,…,5)。 Rij對(duì)應(yīng)表2中第i行、第j列的模糊變量。 Rij采用3位二進(jìn)制編碼，編碼范圍為000～110，以保證涵蓋所有模糊變量值。故模糊控制規(guī)則的編碼為：

將a,b這2個(gè)部分編碼串聯(lián)起來，即組成待優(yōu)化的染色體編碼。編碼總長(zhǎng)度L為：

4.2.3 目標(biāo)函數(shù)的計(jì)算

為尋找出本代的最優(yōu)解，將算法程序與基于ADVISOR軟件建立的整車仿真模型通過adv_no_gui命令集成，以實(shí)現(xiàn)數(shù)據(jù)交互。即將蓄電池 SOC、驅(qū)動(dòng)電機(jī)需求功率Preq、燃料電池恒定輸出功率Pfc和模糊控制規(guī)則庫Rules的初始量利用Matlab編寫賦予到整車模型的模糊控制器中，以續(xù)駛里程為目標(biāo)函數(shù)f(x)，最大續(xù)駛里程為最優(yōu)目標(biāo)，找出本代P(t)的最優(yōu)解。為保護(hù)本代的優(yōu)良基因，將最優(yōu)解集存入種群的最后一行(第n行)中。

4.2.4 選擇遺傳的方法

采用最佳個(gè)體保留策略，即對(duì)于本代的最優(yōu)解集(存入于第n行的基因)將直接被繼承下來，不經(jīng)過選擇；而對(duì)當(dāng)前種群P中剩余n–1行的每一個(gè)個(gè)體計(jì)算其適應(yīng)度值Fit（f（x）），并通過輪盤賭的方法進(jìn)行選擇，個(gè)體被選擇的次數(shù)與其適應(yīng)度大小呈正比，適應(yīng)度大的解集被選擇遺傳的概率更大。采用如下公式計(jì)算其適應(yīng)度[12]：

其中，cmax為一個(gè)適當(dāng)?shù)南鄬?duì)比較大的數(shù)，是 f（x）的最大值估計(jì)。

4.2.5 交叉和變異

采用點(diǎn)交叉操作，從當(dāng)前種群中，隨機(jī)選擇個(gè)體X’和X’，按照交叉概率Pc進(jìn)行交叉；按照變異概率選擇M個(gè)個(gè)體進(jìn)行變異操作，得到下一代群體P(t+1)。下一代群體再重復(fù)上述過程，直至進(jìn)化代數(shù)結(jié)束。將得到的最優(yōu)解進(jìn)行解碼，作為隸屬度函數(shù)的相應(yīng)參數(shù)和模糊控制規(guī)則輸出。

4.3 優(yōu)化結(jié)果驗(yàn)證

為驗(yàn)證遺傳算法對(duì)模糊控制結(jié)構(gòu)和隸屬度參數(shù)優(yōu)化的有效性，運(yùn)行按上述方法編寫好的遺傳算法文件，以目標(biāo)函數(shù)值(即UDDS工況下的最大續(xù)駛里程)的變化為參考，對(duì)比優(yōu)化前后的結(jié)果，如表3所示。

表3 遺傳算法優(yōu)化目標(biāo)函數(shù)結(jié)果對(duì)比

未優(yōu)化的參數(shù)利用Matlab中rand命令在各自合理范圍內(nèi)隨機(jī)生成，這種參數(shù)生成辦法與傳統(tǒng)模糊控制器的參數(shù)依賴個(gè)人主觀性調(diào)整原理相似，其結(jié)果的優(yōu)劣具有偶然性。

根據(jù)表3結(jié)果可知，遺傳算法能有效優(yōu)化模糊控制的結(jié)構(gòu)和參數(shù)。通過遺傳算法對(duì)模糊區(qū)域的劃分、優(yōu)化隸屬度函數(shù)和模糊規(guī)則表，克服了傳統(tǒng)模糊控制參數(shù)設(shè)置需要依賴專家知識(shí)人為調(diào)整、具有個(gè)人主觀性的缺陷，使所得結(jié)果更加客觀。

5 模型仿真與結(jié)果分析

為進(jìn)一步驗(yàn)證基于遺傳算法優(yōu)化的模糊控制器的有效性，本文借助ADVISOR軟件平臺(tái)[13]，采用某一以燃料電池作為增程器的電動(dòng)車作為仿真對(duì)象，將基于SIMULINK搭建設(shè)計(jì)的模糊控制器嵌入ADVISOR增程式電動(dòng)車模型中，并與該車所采用的其他常見控制策略進(jìn)行對(duì)比仿真。仿真車輛的主要參數(shù)如表4所示。

表4 燃料電池EREV主要參數(shù)

仿真采用常見的UDDS和ECE行駛工況，如圖6、圖7所示。設(shè)定氫氣儲(chǔ)量為11 MPa，SOC初始值設(shè)定為0.95，為保證蓄電池循環(huán)壽命，當(dāng)SOC低于0.2時(shí)停止工作。

圖6 UDDS工況

圖7 ECE工況

同時(shí)，為了說明該方法的實(shí)際有效性，本文采用轉(zhuǎn)鼓實(shí)驗(yàn)臺(tái)進(jìn)行實(shí)車臺(tái)架實(shí)驗(yàn)，如圖8所示。與道路實(shí)驗(yàn)相比，避免了室外實(shí)驗(yàn)時(shí)風(fēng)速、外界溫度變化等產(chǎn)生的干擾，故而本臺(tái)架實(shí)驗(yàn)具有精度高、數(shù)據(jù)穩(wěn)定、可比性好等優(yōu)點(diǎn)。

圖8 實(shí)車室內(nèi)臺(tái)架實(shí)驗(yàn)

通過對(duì)實(shí)驗(yàn)臺(tái)輸入圖6、圖7所示的道路工況條件，模擬道路阻力，進(jìn)行實(shí)車實(shí)驗(yàn)。對(duì)比軟件仿真值和實(shí)車實(shí)驗(yàn)值在最大續(xù)駛里程上的差異。仿真和實(shí)驗(yàn)結(jié)果如表5所示。

表5 不同策略續(xù)駛里程結(jié)果對(duì)比

根據(jù)表5的結(jié)果可知，ADVISOR仿真值與實(shí)車實(shí)際值結(jié)果相差不大，兩者誤差均控制在±6%以內(nèi)，驗(yàn)證了ADVISOR軟件仿真數(shù)據(jù)對(duì)于后續(xù)進(jìn)一步研究有一定的參考價(jià)值。

將本文策略(GA&Fuzzy Strategy)與功率跟隨策略(Power Follower Strategy)和恒溫器策略(Thermostat Strategy)進(jìn)行對(duì)比仿真[14]，可以發(fā)現(xiàn)：較其他2種策略，本文策略有效提高了增程式電動(dòng)車的續(xù)駛里程。在UDDS工況下，對(duì)比實(shí)車實(shí)際數(shù)據(jù)，本文策略的最大續(xù)駛里程較其他2種策略分別增加了11.45%和5.87%；在ECE工況下，分別增加了8.60%和3.18%。

6 結(jié)束語

本文針對(duì)燃料電池增程式電動(dòng)汽車的混合動(dòng)力系統(tǒng)，設(shè)計(jì)了基于遺傳算法的模糊控制器。利用遺傳算法對(duì)控制器參數(shù)進(jìn)行優(yōu)化，彌補(bǔ)了傳統(tǒng)模糊控制參數(shù)設(shè)置需要依賴專家知識(shí)人為調(diào)整的缺陷。通過軟件仿真和整車實(shí)驗(yàn)驗(yàn)證，表明了優(yōu)化后的模糊控制能量管理策略有一定的實(shí)用價(jià)值。相比于傳統(tǒng)能量管理策略，它能有效提高燃料電池增程式電動(dòng)汽車的經(jīng)濟(jì)性，增加電動(dòng)車的最大續(xù)駛里程。

在下一步的研究中，將對(duì)遺傳算法做進(jìn)一步的改進(jìn)，以減少優(yōu)化時(shí)間，并在改變整車實(shí)驗(yàn)參數(shù)、增加不同的實(shí)驗(yàn)工況的條件下進(jìn)行改進(jìn)設(shè)計(jì)，實(shí)現(xiàn)更加具有普適性的增程式電動(dòng)車控制器。

[1]Erdinc O,Vural B,Uzunoglu M.AWavelet-fuzzy Logic Based Energy Management Strategy for a Fuel Cell/Battery/Ultra-capacitor Hybrid Vehicular Power System[J].Journal of Power Sources,2009,194(1):369-380.

[2]Paladini V,Donateo T,Laforgia D,et al.Control Strategy Optimization of a Fuel-cell Electric Vehicle[J].Journal of Fuel-cell Science and Technology,2008,5(2):12-19.

[3]Yu Zhihong,Zinger D,Bose A.An Innovative Optimal Power Allocation Strategy for Fuel Cell,Battery and Supercapacitor Hybrid Electric Vehicle[J].Journal of Power Sources,2011,196(4):2351-2359.

[4]宋 珂,章 桐.增程式純電驅(qū)動(dòng)汽車動(dòng)力系統(tǒng)研究[J].汽車技術(shù),2011,(7):14-19.

[5]Tie S F,Tan C W.A Review of Energy Sources and Energy Management System in Electric Vehicles[J].Renewable and Sustainable Energy Reviews,2013,20:82-102.

[6]Song Ke,Zhang Jing,Zhang Tong.Design and Development of a Pluggable PEMFC Extended Range Electric Vehicle[C]//Proc.of the 2nd International Conference on Mechanic Automation and Control Engineering.[S.l.]:IEEE Press,2011:1144-1147.

[7]竇國(guó)偉,馬濤峰,馬先萌.基于模糊控制算法的增程式電動(dòng)車能量分配策略[J].上海汽車,2012,(3):10-14.

[8]何 平,王鴻緒.模糊控制器的設(shè)計(jì)及應(yīng)用[M].北京:科學(xué)出版社,1997.

[9]Jeong K S,Lee W Y,Kim C S.Energy Management Strategies of a Fuel Cell/Battery Hybrid System Using Fuzzy Logics[J].Journal of Power Sources,2005,145(2):319-326.

[10]Amiri M,Esfahanian M,Hairi-Yazdi M R.Minimization of Power Losses in Hybrid Electric Vehicles in View of the Prolonging of Battery Life[J].Journal of Power Sources,2009,190(2):372-379.

[11]唐志航,俞 立.遺傳算法和模糊控制的融合研究與設(shè)計(jì)[J].控制工程,2003,10(1):47-50.

[12]白敏丹.基于遺傳算法的模糊控制器在污水處理中的應(yīng)用研究[D].北京:北京工業(yè)大學(xué),2008.

[13]Same A,Stipe A,Grossman D,et al.ADVISOR:A Systems Analysis Tool for Advanced Vehicle Modeling[J].Journal of Power Sources,2010,195(19):6954-6963.

[14]宋 珂.帶增程器(Range Extender)的微型電動(dòng)汽車動(dòng)力系統(tǒng)開發(fā)及其方法研究[D].上海:同濟(jì)大學(xué),2013.