混合動力汽車模糊控制策略優化*

李 軍，朱亞洲，紀 雷，徐楊蛟

(重慶交通大學機電與汽車工程學院，重慶 400074)

2016002

混合動力汽車模糊控制策略優化*

李 軍，朱亞洲，紀 雷，徐楊蛟

(重慶交通大學機電與汽車工程學院，重慶 400074)

本文中基于自適應模糊邏輯算法研究了某款并聯混合動力電動汽車的動力傳動系統控制策略，以最小化油耗和排放為目標，在Matlab/Simulink平臺上建立相應的控制系統模型，并采用遺傳算法對模糊控制規則進行離線優化。結果表明，采用遺傳算法優化的模糊控制策略具有較好的控制效果，混合動力汽車的燃油經濟性和排放得到有效改善。

混合動力汽車；控制策略優化；模糊控制；遺傳算法

前言

混合動力汽車能量管理策略一直是汽車領域研究的熱點，但目前實現商業化的只有依據工程經驗設計的邏輯門限能量管理策略。模糊控制策略具有非線性、魯棒性和實時性的特點，增加了模糊決策因素，符合人的思維邏輯，應用在混合動力汽車中比較合適[1-2]。控制規則的確定是模糊控制器的關鍵設計之一，但以往根據專家經驗制定的控制規則具有一定的主觀性，很難達到全局最優的控制效果。因此，如何對已制定的控制規則進行優化，是混合動力汽車模糊能量管理策略研究的重要方向之一[3]。

遺傳算法是根據自然選擇和遺傳機制構造的搜索算法。該算法能夠應用于各類非線性問題的優化，具有全局性、并行性和魯棒性等優點，比較適合于應用在模糊控制策略的優化中[4-8]。本文中以某傳統汽車為原型，進行并聯式混合動力汽車動力系統部件選型和參數匹配，并在此基礎上研究模糊能量控制系統，然后采用遺傳算法對模糊控制規則進行離線優化，最后對優化前后的控制策略進行對比仿真。

1 模糊邏輯控制策略的設計

1.1 并聯混合動力汽車主要結構參數

本文中的研究對象為某款混合動力汽車，它具有電機單獨驅動、發動機單獨驅動、行車充電、混合驅動和再生制動等工作模式。其主要參數如表1所示。

1.2 模糊控制器的設計

為實現對該車能量的優化管理，本文中設計了能量管理系統的模糊控制策略，并采用遺傳算法對模糊控制器的控制規則進行多目標離線優化。其模糊控制器的2個輸入變量為電池的SOC值和整車需求轉矩與當前轉速下發動機的最優轉矩的差值ΔT，輸出變量為系數k。模糊控制器輸入、輸出變量的模糊子集和隸屬度函數采用三角形和梯形相結合的方式。ΔT的5個模糊子集分別為{NB,NS,M,PS,PB}；電池SOC的5個模糊子集分別為{VL,L,N,H,VH}；輸出量k的5個模糊子集分別為{VS,S,M,B,VB}。

表1 主要部件的仿真參數

在確定各輸入、輸出變量模糊子集和隸屬度函數后，編寫出模糊控制規則，見表2。

表2 模糊控制規則表

制定模糊控制規則的主要依據如下：

(1) 當汽車速度低于某一最低速度值時，由電機單獨提供驅動轉矩；

(2) 當整車需求轉矩大于當前轉速下發動機輸出轉矩的最大值時，電機提供補充轉矩輔助驅動；

(3) 在給定轉速下，當發動機工作于需求轉矩且效率較低時，發動機關閉，電機提供需求轉矩；

(4) 當電池SOC比較低時，電機利用發動機輸出的額外轉矩給電池充電；

(5) 當發動機工作在高效區間時，僅由發動機提供轉矩。

在模糊推理運算中，與和蘊涵運算采用最小法，或運算采用最大法，結論合成采用累加法，輸出解模糊采用面積質心法。

2 遺傳算法優化模糊控制器

2.1 用于控制規則優化的遺傳算法

對模糊控制器控制規則優化的遺傳算法可表示為

GA=(C，J，P0，M，Φ，Γ，Ψ，T)

(1)

式中：C為個體的編碼方法；J為個體適應度評價函數；P0為初始種群；M為種群大小；Φ，Γ和Ψ分別為選擇算子、交叉算子和變異算子；T為遺傳算法的終止條件。遺傳算法流程如圖1所示。

圖1 遺傳算法流程

2.2 控制規則編碼

遺傳算法優化模糊控制規則首先須解決的是規則編碼問題。十進制編碼染色體長度短，運算速度快、精度高，不產生不可行解，并且對于變異操作的種群穩定性好，因此本文中選擇十進制整數編碼[9]。

模糊控制器采用雙輸入單輸出模型，每個輸入量和輸出量都含有5個模糊子集，共有25條控制規則。為保證控制規則的完整性和一致性，只對輸出量值編碼。采用十進制整數，將輸出變量k的變量值{VS,S,M,B,VB}依次編碼為1，2，3，4，5，如表2所示的25條控制規則的編碼依次為33111，…，55544，由此產生一個有25個染色體組成的個體。

2.3 目標函數

本文中控制策略的優化目標是使油耗和排放量最小化。其目標函數為

(2)

式中：ω1～ω4為優化目標的權重因子；H為油耗值；X為CO排放值；Y為HC排放值；Z為NOx排放值；下標“targ”為它們對應的目標值。

式中的4個目標是相互影響的，單個目標函數達到最優時其他目標函數不一定最優，采用加權法建立目標函數，從而將多目標優化問題轉化為單目標優化問題[10]。表3為采用的自定義目標值，其中排放量值參考EURO Ⅴ排放標準。

表3 油耗和排放目標值

2.4 初始種群的產生

初始群體的特性對計算結果和效率有重要影響。標準遺傳算法是按預定或隨機方法產生一組初始解群體，具有一定盲目性，產生的控制規則個體可能極不合理，影響著進化的進度和精度。借鑒文獻[9]中的穩態繁殖思想，將表1中的模糊控制規則作為母體，每位編碼按0～0.3的概率為-1,按0.3～0.6的概率為+1,大于0.6的概率不變，產生30個個體，從中選擇19個，加上母體共20個，組成初始種群。

2.5 選擇、交叉和變異過程

選擇算子的作用是從當前代的群體中選擇出一些比較優良的個體，并將其復制到下一代群體中。本文中采用比例選擇算子，每個個體被選中的概率與其適應度的大小成正比。設群體大小為M，個體i的適應度為Fi，則個體i被選中的概率pis為

(3)

根據整數編碼的特點，交叉算法選擇均勻交叉，即兩個配對個體的每個基因座上的基因都以相同的交叉概率進行交換，形成兩個新的個體。均勻交叉的主要過程：①隨機產生一個與個體編碼串長度相等的屏蔽字W=w1w2…wj…wL，其中wj非0即1，L為個體編碼串長度；②當wj為0時，2個子代第j個基因座上基因值保持不變；當wj為1時，2個子代分別繼承兩父代交叉后的第j個基因座上基因值。

變異操作選擇基本位變異，對個體的每一個基因座，以變異率指定其為變異點。對于每個指定的變異點，采用隨機進行加1或減1的變異方法，如果該基因值為最小值或最大值則分別只進行加1或減1操作，即

(4)

3 結果分析

為驗證優化后控制策略的有效性，基于美國再生能源實驗室在Matlab/Simulink軟件環境下開發的電動汽車仿真軟件ADVISOR2002，建立并聯混合動力汽車仿真模型。同時為驗證優化控制策略的工況適應性，選擇兩個典型工況進行仿真分析，即歐洲駕駛循環(NEDC)和美國城市道路循環(UDDS)。

分別運用ADVISOR和Matlab軟件進行參數仿真和離線優化。首先以專家經驗建立的模糊控制策略對混合動力汽車系統進行仿真，然后采用遺傳算法對模糊控制器控制規則進行多目標優化，遺傳算法運行參數選擇如表4所示。

表4 遺傳算法運行參數

兩種工況下控制策略優化前后仿真結果對比情況如表5和表6所示。由表可見，優化后車輛的百公里油耗和排放量都有所降低，其中NEDC工況下百公里油耗下降了7.01%，排放值分別下降了1.17%(HC)，1.04%(CO)和5.42%(NOx)；UDDS工況下百公里油耗下降了3.0%，排放值分別下降了1.27%(HC)，1.42%(CO)和0.56%(NOx)。

表5 NEDC工況下優化前后仿真結果

表6 UDDS工況下優化前后仿真結果

圖2 NEDC工況下優化前后發動機效率分布

兩種工況下優化前后發動機的效率分布分別如圖2和圖3所示。由圖2可見，NEDC工況下優化后的發動機效率在前一段仿真時間有明顯提高，這主要是因為這段時間汽車運行工況較復雜，根據經驗制定的控制策略無法達到最優控制；由圖3可見，UDDS工況下優化后發動機的工作點分布范圍相對更加集中，整體效率提高。

圖3 UDDS工況下優化前后發動機效率分布

兩種工況下仿真過程中蓄電池SOC變化情況分別如圖4和圖5所示。優化前后SOC的初始值都為0.7，NEDC工況下優化前后的SOC結束值分別為0.684和0.693，UDDS工況下優化前后的SOC結束值分別為0.712和0.705。不同工況下優化前后SOC變化范圍都較小，保證了電池的充放電平衡。

圖4 NEDC工況下蓄電池SOC變化曲線

圖5 UDDS工況下蓄電池SOC變化曲線

兩種工況下遺傳算法優化過程目標函數值的變化曲線分別如圖6和圖7所示。圖6中采用遺傳算法優化到25代左右時，目標函數變化已經很小，約30代以后目標函數基本不再變化；圖7中目標函數在約18代以后就基本不再變化。兩種工況下仿真優化后的結果比較合理，已達到全局最優解目標。

圖6 NEDC工況下目標函數收斂曲線

圖7 UDDS工況下目標函數收斂曲線

兩種工況下采用遺傳算法優化后的模糊控制規則分別見表7和表8。其中表7中優化后運行工況更多地集中在發動機高效區間，即M集合內。

表7 NEDC工況仿真優化后的模糊控制規則表

表8 UDDS工況仿真優化后的模糊控制規則表

4 結論

(1) 針對某并聯式混合動力汽車，設計了能量管理系統模糊控制策略，并采用十進制遺傳算法對模糊控制器的控制規則進行多目標離線優化。

(2) 分別在NEDC工況和UDDS工況下對優化前后的控制策略進行了仿真分析，其中NEDC工況優化后百公里油耗下降了7.01%，UDDS工況下百公里油耗下降了3.0%，兩種工況優化后的排放值也都有不同程度的降低。仿真結果表明，針對不同工況下模糊控制策略的優化，遺傳算法有較好的適應能力，能夠在一定程度上改善并聯混合動力汽車的油耗和排放。

[1] LI Chunyan, LIU Guoping. Optimal Fuzzy Power Control and Management of Fuel Cell/battery Hybrid Vehicles[J]. Journal of Power Sources,2009,192(2):525-533.

[2] 吳曉剛,王旭東,毛亮.ISG型混合動力汽車能量管理模糊控制的研究[J].汽車工程,2011,33(7):558-562.

[3] 朱元,田光宇,等.混合動力汽車能量管理策略的四步驟設計方法[J].機械工程學報,2004,40(8):127-133.

[4] PALADINI Vanessa, DONATEO Teresa, dE RISI Arturo, et al. Super-capacitors Fuel-cell Hybrid Electric Vehicle Optimization and Control Strategy Development[J]. Energy Conversion and Management,2007,48(11):3001-3008.

[5] AMIRI Meisam, ESFAHANIAN Mohsen, HAIRI-YAZDI Mohammad Reza, et al. 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.

[6] POURSAMAD Amir, MONTAZERI Morteza. Design of Genetic-fuzzy Control Strategy for Parallel Hybrid Electric Vehicles[J]. Control Engineering Practice,2008,16(7):861-873.

[7] 張昕,宋建峰,等.基于多目標遺傳算法的混合動力電動汽車控制策略優化[J].機械工程學報,2009,45(2):36-40.

[8] 楊世春,朱傳高,等.并聯式混合動力汽車遺傳模糊控制策略的研究[J].汽車工程,2011,33(2):106-111.

[9] 邵克勇,張鴻雁,李飛,等.一種基于GA的模糊控制規則優化新方法[J].化工自動化及儀表,2011,38(3):261-264.

[10] 浦金歡,殷承良,張建武.遺傳算法在混合動力汽車控制策略優化中的應用[J].中國機械工程,2005,16(7):648-651.

[11] 喬孟麗,張景元,溫瑩瑩.一種基于遺傳算法的模糊控制規則的優化方法[J].計算機測量與控制,2006,14(10):1349-1351.

Optimization of Fuzzy Control Strategy for Hybrid Electric Vehicle

Li Jun, Zhu Yazhou, Ji Lei & Xu Yangjiao

SchoolofMechatronics&AutomotiveEngineering,ChongqingJiaotongUniversity,Chongqing400074

Based on adaptive fuzzy logic algorithm, the control strategy for the power transmission system of a parallel hybrid electric vehicle (PHEV) is studied. A corresponding control system model is built and an off-line optimization on fuzzy control rule is conducted by using genetic algorithm, with minimizing fuel consumption and emissions as objective. The results show that the fuzzy control strategy optimized with genetic algorithm has better control effects, with the fuel consumption and emission of the PHEV effectively improved.

HEV; control strategy optimization; fuzzy control; genetic algorithm

*國家自然科學基金(51305472)和重慶市自然科學基金重點項目(CSTC2013yykfB0184)資助。

原稿收到日期為2014年7月10日，修改稿收到日期為2014年8月27日。