Plug-in混合動力汽車能量管理策略研究

王志紅 ，劉 云 ，杜常清

（1.武漢理工大學 現(xiàn)代汽車零部件技術(shù)湖北省重點實驗室，武漢 430070；2.鄭州日產(chǎn)汽車有限公司，鄭州 450000）

插電式混合動力汽車（PHEV）可以外接電網(wǎng)充電，具有純電動續(xù)航里程長、混合驅(qū)動時節(jié)油率高、經(jīng)濟性好等特點，且其兼具有純電動和混合動力汽車的優(yōu)點被認為是從傳統(tǒng)油車到純電動汽車過渡的一個最優(yōu)方案[1]。由于PHEV的結(jié)構(gòu)和能量分配比較復雜，因而需要一個嚴密的控制策略對整車的能量流進行管理控制。

當前國內(nèi)外關(guān)于PHEV的能量管理策略中實際用于實車的只有基于邏輯門限值控制策略[2]，這種策略主要根據(jù)工程經(jīng)驗設定一系列的靜態(tài)參數(shù)，并根據(jù)發(fā)動機和電機等部件的效率穩(wěn)態(tài)圖來確定轉(zhuǎn)矩分配，達到減少油耗和排放的目的。文獻[3]提出基于規(guī)則的多層次邏輯門限值控制策略，主要分為2個階段：電量消耗階段（CD）和電量保持階段（CS）。第一階段電量消耗主要利用電機驅(qū)動消耗從電網(wǎng)中獲取的低成本電量。第二階段的電量保持策略，主要利用發(fā)動機來驅(qū)動汽車，并保持動力電池的SOC值維持在一個合適的水平，防止其過度放電。文獻[4]提出的全局優(yōu)化控制策略，主要是一種理論上研究較多的控制策略，它是對汽車在整個循環(huán)工況上進行優(yōu)化，從全局上保證最佳燃油消耗。而這種策略計算量相當大無法實時控制，很難應用于實車上，但是可以從已研究出來的全局優(yōu)化的結(jié)果中總結(jié)出方便用于實車的控制方法。

筆者在基于規(guī)則的控制策略和全局優(yōu)化的控制策略基礎(chǔ)上，提出了一種模糊邏輯能量管理策略。

1 插電式混合動力汽車結(jié)構(gòu)

PHEV有2個動力源分別是發(fā)動機和電機。其動力系統(tǒng)結(jié)構(gòu)如圖1所示，發(fā)動機和電機均連在變速器輸入端，變速器為電控機械式變速器，發(fā)動機和電機既可單獨驅(qū)動也可以聯(lián)合驅(qū)動。在運行過程中將整車運行信息和狀態(tài)實時反饋給整車控制器，整車控制器根據(jù)駕駛員意圖以及所制定的控制策略進行控制，并將控制指令通過CAN總線傳遞給控制器和各種執(zhí)行機構(gòu)來達到控制目的。

圖1 PHEV結(jié)構(gòu)簡圖Fig.1 Structure of PHEV

2 模糊邏輯能量管理策略的制定

2.1 理想SOC下降線的確定

全局優(yōu)化的能量管理策略最優(yōu)控制是盡量在達到目的地時，將電池的電量從開始的SOC值降到電池所設定的最低下限SOC值，盡可能多地使用電能，同時發(fā)動機也被控制在最佳工作區(qū)間內(nèi)工作。在當前汽車上GPS等儀器的普及，只要輸入目的地就可以預先知道到目的地的行駛距離。汽車上的初始SOC值也可以通過電池管理系統(tǒng)（BMS）估算出來。那么就可以在出發(fā)前確定出一條理想的SOC下降線[5]。

如圖2中所示，SOC_high為汽車出發(fā)時的電池高電量，SOC_low為汽車達到目的地時電池所處于的低電量。理想的SOC下降線如圖2中斜線所示，從出發(fā)到目的地時電池電量正好處于所允許電池最低電量，能夠在全局上達到能源損耗的最優(yōu)化。

圖2 理想SOC下降線Fig.2 Ideal SOC decline line

汽車在行駛的任意時刻都對應著理想的SOC值，可將此刻的SOC值當做是理想?yún)⒖贾礫6]，如圖3所示。

圖3 理想SOC值計算Fig.3 Calculate ideal SOC

式中：S（x）為汽車行駛的 x 路程；SOC（x）為行駛 x路程時的SOC理論值；S（D）為汽車到目的地行駛的總路程。

2.2 模糊控制器輸入輸出量的設計

本文模糊控制的目標是根據(jù)汽車在運行過程中所需要的轉(zhuǎn)矩、當前轉(zhuǎn)速下發(fā)動機的最佳燃油經(jīng)濟轉(zhuǎn)矩、電機的效率來合理地分配轉(zhuǎn)矩，同時使動力電池SOC值大致能沿著理想的SOC下降線下降，降低整車燃油消耗和排放性能最終達到優(yōu)化的效果。

模糊控制器具體的輸入量有行駛過程中的實際SOC值、實際SOC值與行駛至當前路程的理想SOC的差值ΔSOC、整車需求轉(zhuǎn)矩Tr與當前轉(zhuǎn)速發(fā)動機最佳燃油經(jīng)濟轉(zhuǎn)矩Te_opt的差值ΔT。

式中：SOC_a為車輛在行駛某個時刻的實際SOC值；SOC_i為上文所提到具體當前時刻的理想的SOC值；ΔSOC為輸入量。

式中：Tr為汽車行駛過程中的需求轉(zhuǎn)矩；Te_opt為發(fā)動機穩(wěn)態(tài)時的最佳經(jīng)濟轉(zhuǎn)矩，為一組靜態(tài)參數(shù)所對應著不同轉(zhuǎn)速；ΔT為輸入量。

模糊控制器的輸出量為發(fā)動機轉(zhuǎn)矩Te與需求轉(zhuǎn)矩Tr的比值K：

模糊控制的結(jié)構(gòu)如圖4所示。

圖4 模糊控制器結(jié)構(gòu)Fig.4 Structure of fuzzy controller

在結(jié)構(gòu)圖中，K與當前需求轉(zhuǎn)矩Tr的乘積得到發(fā)動機的目標轉(zhuǎn)矩Te，需求轉(zhuǎn)矩Tr與發(fā)動機輸出轉(zhuǎn)矩Te的差值得到電機的目標轉(zhuǎn)矩Tm，最終就得到了電機和發(fā)動機需要輸出的轉(zhuǎn)矩。

2.3 模糊控制器的設計

本文在Matlab的模糊控制工具箱中實現(xiàn)模糊推理系統(tǒng) FIS（fuzzy inference system），當 FIS和Simulink進行鏈接時，可以采用塊狀圖的方式實現(xiàn)模糊邏輯系統(tǒng)的仿真[7]。

輸入量 SOC的范圍為（0，1），模糊集合為｛小，中，高｝，相應的隸屬度函數(shù)如圖5所示。ΔSOC的范圍取（-0.1，0.1），模糊集合為｛負大，負小，零，正小，正大｝，對應的隸屬度函數(shù)如圖6所示。ΔT的的范圍取（-30，30），模糊集合為｛負大，負小，零，正小，正大｝，其隸屬度函數(shù)如圖7所示。輸出K的范圍為（0，1），模糊集合為｛零，很小，小，中，高，很高｝，對應的隸屬度函數(shù)如圖8所示。

圖5 SOC的隸屬度函數(shù)Fig.5 SOC membership function

圖6 ΔSOC的隸屬度函數(shù)Fig.6 ΔSOC membership function

圖7 ΔT的隸屬度函數(shù)Fig.7 ΔT membership function

圖8 輸出K的隸屬度函數(shù)Fig.8 Output K membership function

2.4 模糊規(guī)則的設計

輸入、輸出量的隸屬函數(shù)設計完成后，需要根據(jù)一些工程經(jīng)驗來制定模糊控制規(guī)則，主要采取的策略是：

1）當ΔSOC正值較大，SOC處于中、高荷電量狀態(tài)時。電機能夠滿足需求轉(zhuǎn)矩時，使用純電動驅(qū)動，若是需求轉(zhuǎn)矩大于電機在當前轉(zhuǎn)速的最大轉(zhuǎn)矩時，發(fā)動機和電機混合驅(qū)動，此時發(fā)動機處于最佳燃油經(jīng)濟轉(zhuǎn)矩運行，電動機提供余下不足的轉(zhuǎn)矩。

2）當ΔSOC為正值較小，SOC值未達到電池所允許下限時。當需求轉(zhuǎn)矩較小時使用電動機純驅(qū)動。當需求轉(zhuǎn)矩達到發(fā)動機經(jīng)濟轉(zhuǎn)矩區(qū)時發(fā)動機提供所需轉(zhuǎn)矩，當需求轉(zhuǎn)矩超出發(fā)動機經(jīng)濟轉(zhuǎn)矩時，發(fā)動機電機混合驅(qū)動，發(fā)動機同樣處于最佳燃油經(jīng)濟轉(zhuǎn)矩，電動機提供余下不足的轉(zhuǎn)矩。

3）當ΔSOC為負值時，說明當前實際SOC值小于此時理想?yún)⒖嫉腟OC值。此時要使用發(fā)動機來驅(qū)動汽車，但發(fā)動機也要處于經(jīng)濟轉(zhuǎn)矩區(qū)工作。需求轉(zhuǎn)矩較小時，發(fā)動機處于經(jīng)濟轉(zhuǎn)矩區(qū)且有多余的轉(zhuǎn)矩，此時可以用余下的轉(zhuǎn)矩來給電池充電。

4）為了保護電池，當SOC值較高（大于0.8）時都不用給電池充電。當SOC值偏低（小于0.3）時都不能使用電機驅(qū)動。

模糊規(guī)則的建立是模糊控制的關(guān)鍵，規(guī)則的建立主要依靠工程經(jīng)驗和以上的策略。具體規(guī)則如表1所示。

表1 SOC=高Tab.1 SOC=high

表2 SOC=中Tab.2 SOC=middle

表3 SOC=低Tab.3SOC=low

模糊推理規(guī)則一共有75條，每條模糊規(guī)則都有一個模糊蘊涵關(guān)系 Ri（i=1，2，…，75），這些模糊蘊涵關(guān)系并構(gòu)成總的模糊蘊涵關(guān)系[8]，即：

解模糊采用加權(quán)平均法：

式中：K為模糊控制器的最終輸出量；m為某個輸入激活了m條規(guī)則；ki為第i條規(guī)則輸出的結(jié)果，它的權(quán)重為w。

3 模型的建立與仿真

3.1 模型的搭建

本文采用的是Matlab和GT-driver聯(lián)合仿真，在GT-driver中搭建整車模型，主要有發(fā)動機、電機、電池、車身、駕駛員等模塊共同組成整車模型。其余的控制模塊，如模糊控制模塊在Matlab中搭建，在整車模型中汽車跟隨所給的具體循環(huán)工況車速，輸出汽車在跟隨過程中所需要的轉(zhuǎn)矩、當前的真實車速和真實的SOC值。得到的SOC、轉(zhuǎn)矩和車速輸入到Matlab的模型中，則按照上文的模糊控制策略進行電機和發(fā)動機的轉(zhuǎn)矩分配[9]，最后將GT-driver和Matlab聯(lián)合起來進行仿真測試。

3.2 仿真結(jié)果的分析

仿真模型PHEV主要的參數(shù)如表4所示。

表4 PHEV主要參數(shù)Tab.4 PHEV main parameter

選取的工況為NEDC循環(huán)工況，該工況由兩部分組成，一部分為前面4個市區(qū)循環(huán)單元，每個單元循環(huán)時間持續(xù)195 s，包括起步、怠速、加速、減速以及停車等工況，最高車速為50 km/h，平均車速為18.35 km/h；另一部分為一個市郊循環(huán)單元，持續(xù)時間為400 s，最高車速和平均車速分別為120 km/h和62.6 km/h[10]。這個工況能夠較為真實地反映出車輛在運行中所能遇到的各種情況。

為了保證行駛的路程足夠長，充分體現(xiàn)策略的優(yōu)越性，選取9個NEDC循環(huán)工況來進行仿真，如圖9所示。

圖9 9個NEDC循環(huán)工況圖Fig.9 Nine NEDC

模型運行中的實際車速與跟隨車速只有很小的波動，可說明車速跟隨情況良好。

本文制定的模糊控制策略和CD-CS控制策略，開始仿真時電池的SOC值都定為0.85，電池所允許的最小SOC值均為0.3。如圖10所示。

圖10 SOC變化曲線Fig.10 SOC change curve

從圖11中可以看出，2種策略的動力電池SOC值下降方式截然不同。CD-CS策略優(yōu)先CD模式消耗電能，當電池SOC降至電池所允許的最低值時進入CS模式維持電池電量在0.3左右。本文所制定的模糊控制策略基本在理想SOC下降線附近波動，發(fā)動機與電機全程參與，SOC均勻地下降至0.3附近。

圖11 兩種策略電池內(nèi)阻對比Fig.11 Two strategies’resistance comparison diagram

在動力電池方面，電池內(nèi)阻的大小變化會影響放電效率。

從圖11中可以清楚地看到CD-CS策略的電池內(nèi)阻快速升高并在CS階段保持在較高水平，本文的模糊控制策略中的電池內(nèi)阻上升緩慢，全過程中明顯比CD-CS小，因而放電效率更高，更能節(jié)省能源。

圖12和圖13分別為CD-CS策略和模糊控制策略的發(fā)動機輸出扭矩圖，CD-CS策略中發(fā)動機主要輸出集中在CS階段，在此階段發(fā)動機為主要的輸出動力源，輸出單一且參與度很高，因而無法很好控制使得發(fā)動機始終處于高效區(qū)。模糊控制策略中發(fā)動機輸出均勻地分布在整個過程中，能夠很好地控制發(fā)動機在高效區(qū)工作，有效地提高燃油經(jīng)濟性和排放性能。

圖12 CD-CS策略發(fā)動機轉(zhuǎn)矩輸出Fig.12 Engine torque output of CD-CS strategy

圖13 模糊控制策略發(fā)動機轉(zhuǎn)矩輸出Fig.13 Engine torque output of fuzzy control strategy

將兩者的策略仿真結(jié)果進行對比，更能清晰地展示出2種策略的不同，具體結(jié)果如表5所示。

表5 仿真結(jié)果對比Tab.5 Compare the results of simulation

從表中可以看出模糊控制策略相對于CD-CS策略在排放性能和燃油消耗方面都有了較大的提高。廢氣排放中每千米HC、CO、NOX的排放量分別減少了13.44%、5.92%、21.54%。起止的電池SOC值都是0.85～0.3，可以看出電量消耗是相等的，百公里油耗上節(jié)省了15.94%，很明顯本文的策略對比傳統(tǒng)的CD-CS策略有很大的優(yōu)勢。

4 結(jié)語

本文以插電式混合動力為研究目標，在已研究出的汽車全局優(yōu)化策略上，為了能達到實時控制的目的，總結(jié)出理想的SOC下降線。并以此為基礎(chǔ)制定出輸入量為SOC、ΔSOC、ΔT，輸出量為K的模糊控制策略。該策略能夠使得實際的SOC軌跡線大致沿著理想的SOC下降線下降，降至動力電池所允許的最小值，可以充分利用電能，在此過程中發(fā)動機能均勻地參與驅(qū)動且保持較高的效率。仿真結(jié)果與傳統(tǒng)的插電式混合動力CD-CS策略對比，在同樣滿足整車動力性的條件下，排放性能和燃油消耗方面有了較大的提高。本文制定的模糊控制策略是一種優(yōu)于CD-CS的策略，且可以用于整車的實時控制，將理論研究的經(jīng)驗用于實車控制，這對于插電式混合動力汽車的策略研究上有一定的指導意義。

[1]陳全世，朱家璉，田光宇.先進電動汽車技術(shù)[M].北京：化學工業(yè)出版社，2007.

[2]Tate ED.The electrification of the automobile：from conventional hybrid，to plug-in hybrids，to extended-range electric vehicles[C]//SAE paper.2008-01-0458.

[3]張冰站.插電式混合動力電動汽車能量管理策略研究[D].合肥：合肥工業(yè)大學，2009.

[4]梁元波.基于SOC優(yōu)化軌跡的插電式混合動力汽車模型預測控制[D].重慶：重慶大學，2013.

[5]程飛，趙韓，尹安東等.插電式并聯(lián)混合動力汽車模糊控制策略設計與仿真[J].合肥工業(yè)大學學報：自然科學版，2015，38（9）：1159-1164.

[6]喬俊林.插電式并聯(lián)混合動力汽車模糊控制策略研究[D].重慶：重慶大學，2012.

[7]Schouten NJ，Salman MA，Kher NA.Fuzzy logic control for parallel hybrid vehicles[J].IEEE Trans Contr Syst Tech，2002，10：460-468.

[8]Langari R，Won JS.Intelligent energy management agent for a parallel hybrid vehicles[J].IEEE Trans Veh Tech 2005，5：935-953.

[9]付主木，王聰慧，普杰信.PHEV模糊控制能量管理策略建模與仿真[J].系統(tǒng)仿真學報，2012，24（6）：1315-1319.

[10]嚴康.插電式混合動力汽車傳動比匹配及換擋策略研究[D].武漢：武漢理工大學，2015.