基于Pareto原理的HEV能量控制參數NSGA-II多目標優化的研究*

鄧 濤，林椿松，李亞南，盧任之

(重慶交通大學機電與車輛工程學院，重慶 400074)

2016087

基于Pareto原理的HEV能量控制參數NSGA-II多目標優化的研究*

鄧 濤，林椿松，李亞南，盧任之

(重慶交通大學機電與車輛工程學院，重慶 400074)

以某款并聯混合動力汽車為對象，選取8個能量控制參數作為燃油經濟性和排放性綜合優化參數，提出基于Pareto原理的改進型NSGA-II多目標優化算法，并進行仿真優化。結果表明：優化后燃油消耗率最大降低了11.29%，排放物綜合指標最大下降8.78%，其中CO排放的優化效果最顯著，下降了24.2%；SOC平衡的誤差在0.5%以內，滿足約束條件，發動機與電機工作點的效率分布明顯改進；同時相比傳統加權等單目標優化法，所提出的算法能同時得到多組優化解，為能量管理前期設計提供了更多的選擇空間。

混合動力汽車；能量管理；Pareto；NSGA-II多目標優化

前言

混合動力汽車(HEV)能量管理策略是在滿足車輛動力性和其它基本要求前提下，根據駕駛員意圖和行駛工況，進行不同工作模式切換，控制發動機、電動機/發電機以及蓄電池等部件之間功率流的流動、轉換和分配，從全局角度協調控制整車各部件工作狀態，實現最優的整車性能，是HEV的核心技術和研究熱點之一。當前能量管理控制策略研究大部分都側重于提高燃油經濟性，采用的優化方法包括等效燃油消耗ECMS[1]、動態規劃DP、隨機動態規劃SDP[2]等實現瞬時優化或全局優化，也有其它全局、瞬時或實時優化方法[3]。部分學者指出提高燃油經濟性未必就能降低排放，發動機的最大效率區和最小排放區并不完全一致，由此提出了兼顧燃油經濟性和排放性的能量管理控制策略[4-7]。還有少數學者進一步分析指出，降低發動機排放物并不等價于減少了尾部排氣管排放物，再加上催化器冷卻狀態時排放轉換效率很低，應關注尾部排氣管排放物，因此采用DP算法考慮燃油經濟性和尾部排氣管排放性對能量管理控制的影響[8-9]。

然而，目前不管是針對燃油經濟性的單目標優化，燃油經濟性和發動機排放性的多目標優化，還是燃油經濟性和尾部排氣管排放性的多目標優化，絕大多數依然采用的是加權求和的方法，將能量管理控制參數多目標優化問題轉換為單目標優化問題，未考慮各目標間的相互影響，且求和后的總目標函數難以反映某些優化目標的真實情況，并不能體現多目標研究的本質。多目標優化的結果應是相互獨立、相互排斥的一組最優解集，即某一目標性能優化必然損害其它目標性能。多目標優化得到的最優解集是所有占優解的集合，而非僅有一個最優解。應用Pareto原理解決此問題，能體現出多目標優化的本質。因此本文中將基于Pareto原理的進化算法應用于混合動力汽車能量管理控制經濟性與排放性的多目標優化，得到一組非劣Pareto解集克服傳統加權方法的缺陷。

本文中以某款并聯式HEV為研究對象，建立ADVISOR整車能量管理控制仿真模型，將修改后的NSGA-II進化算法應用于HEV的燃油經濟性與排放性的多目標優化之中，克服傳統加權方法的缺陷，進一步提升能量管理控制效果。

1 混合動力汽車能量管理控制參數多目標優化

1.1 研究對象

以某款并聯混合動力汽車為研究對象，其結構布局如圖1所示，整車參數如表1所示。

發動機和電動機通過轉矩耦合器，聯合驅動車輛(混合驅動模式)；當需求功率較低時，電機可做發電機為電池充電(輕載充電模式)；斷開離合器，電機單獨驅動車輛(純電動工作模式)；正常行駛時，電機關閉，發動機單獨驅動車輛(發動機單獨工作模式)；制動時，斷開離合器，電機回收制動能量(再生制動模式)，轉換成電能存儲在電池組中。

表1 并聯ISG型混合動力汽車主要參數

1.2 工作模式分析

工作模式如圖2所示，分為：(1)純電動模式；(2)發動機單獨驅動模式；(3)電動助力聯合驅動模式；(4)汽車充電模式；(5)制動能量回收模式。

其中各個工作模式中功率、轉速與轉矩的關系如下。

(1) 純電動模式 功率需求小，通常為起步階段，由電動機單獨驅動車輛。其轉矩與轉速的關系為

nw(t)=nm(t)/ρm

(1)

Tw(t)=ρmTm(t)

(2)

Pw(t)=ηmηtηdPm(t)

(3)

(2) 發動機單獨驅動 發動機工作在最優工作區間，提供所需功率：

nw(t)=ne(t)/ρ(k(t))

(4)

Tw(t)=p(k(t))Te(t)

(5)

Pw(t)=ηeηtηdPe(t)

(6)

(3) 發動機與電動機聯合驅動 電動機起助力作用：

nw(t)=ne(t)/ρ(k(t))=nm(t)/ρm

(7)

Tw(t)=p(k(t))Te(t)+ρmTm(t)

(8)

Pw(t)=ηeηtηdPe(t)+ηmηtηdPm(t)

(9)

(4) 輕載充電模式 電池SOC較低，且發動機輸出功率有富余，電動機作為發電機給電池充電：

nw(t)=ne(t)/ρ(k(t))=nm(t)/ρm

(10)

Tw(t)=p(k(t))Te(t)-ρmTm(t)

(11)

Pw(t)ηtηd=ηePe(t)-Pm(t)/ηc

(12)

(5) 制動能量回收模式 發動機停止運行，電動機作為發電機給電池充電：

nw(t)=nm(t)/ρm

(13)

Tw(t)=ρmTm(t)

(14)

Pw(t)ηtηdηc=Pm(t)

(15)

式中：t為行駛時任一時刻；nw為車輪轉速；ne為發動機轉速；nm為電機轉速；ρm為電機速比；Pm為電機功率；Pe為發動機功率；Pw為車輛功率；k(t)為變速器傳動比；ρ(k(t))為相應擋位下的總傳動比；Te和Tm分別為發動機和電動機輸出轉矩，耦合后等于車輪的需求轉矩Tw；ηe為發動機效率；ηm為電動機效率；ηc為充電效率；ηt為變速器效率；ηd為主減速器效率。

其中主減速器效率取ηd=0.95，變速器效率根據以前實驗數據通過插值得到[6]，1-5擋變速器效率map圖如圖3所示。

1.3 基于Pareto原理的控制參數多目標優化

Pareto最優原理是博弈論中的重要概念，它是指多組最優目標解，不考慮偏好信息時，各組解無優劣之分，這給設計初期提供了更多的選擇空間。多目標優化問題中須同時對多個目標進行優化，各個目標之間復雜的關系使傳統加權方法有所局限，將Pareto原理引入多目標優化問題中來正好能克服此缺點。基于Pareto原理的NSGA-II算法能夠得到多組Pareto解集，對于混合動力的多目標優化問題，此算法能得到比較滿意的結果。

多目標優化問題由n個決策變量、m個目標變量和若干約束條件組成，其數學形式為

(16)

式中：x為n維決策矢量，組成n維決策空間；F為m維目標矢量。目標函數F(x)是由m個決策空間到目標空間的映射。

混合動力優化的本質是非線性的多目標優化，本文中以排放和燃油經濟性為優化目標，將對汽車性能具有顯著影響的幾個參數作為優化對象，建立優化函數的表達式：

(17)

式中x為優化參數向量，由于HC和NOx比CO低一個數量級，故將其數值放大9倍。應用NSGA-II算法在Matlab軟件中進行仿真，得出Pareto解集，為后期研究開發提供參考數據。

2 基于Pareto的控制參數NSGA-II多目標優化算法

2.1 優化參數的選取

本文中主要選取8個參數進行優化，見表2。

表2 優化參數

2.2 NSGA-II優化算法

目前多目標優化算法很多，其中NSGA-II算法是效果較好、操作更方便而應用最多的一種。以排放和燃油經濟性為優化目標，將表2中優化參數作為優化對象，進行燃油經濟性和排放性多目標優化，具體優化流程如圖4所示。

首先初始化車輛模型，對選取的優化參數進行編碼，完成優化參數種群P的初始化；將生成好的種群P依次帶入模型中進行求解，返回燃油消耗量和排放物總量作為目標評價值，對兩個目標進行非支配排序，并計算擁擠距離，得出個體優劣評價的序列層和擁擠距離，完成對初始化種群的處理；然后在已有初始種群的基礎上進行進化操作。采用二聯賽的方法在初始種群P中選取種群數量的一半作為進化的父母代，然后對選取的父母代進行交叉變異操作，生產子代種群Q；將生成的子代帶入模型進行求解，返回目標值，然后把父代P與子代Q合并成一個新的臨時種群，對其進行非支配排序計算擁擠距離，評價個體優劣性；在個體優劣的基礎上進行進化，獲取與原種群數目相同的個體N。完成一次進化迭代，在沒有達到設定的最大進化代數時，重復上面進化操作，直到滿足結束條件或進化代數達到設定值為止，輸出最優Pareto解集。

3 基于Pareto的NSGA-II多目標優化仿真分析

3.1 并聯混合動力汽車仿真建模

以發動機的數學模型為基礎，根據穩態工況下的發動機特性實驗數據建立發動機模型，發動機外特性轉矩通過最小二乘法擬合成轉速的一元函數。

(18)

式中：k為擬合階數；Ai為擬合系數。

萬有特性是發動機分析的重要依據，通常可根據轉矩與轉速擬合成曲面；但應用更多的形式是縱坐標為轉矩、橫坐標為轉速的一族燃油消耗率等高線的曲線圖。燃油消耗率的表達式為

(19)

式中：ge為燃油消耗率；Ak為萬有特性數學模型中的擬合系數，其中k=(j+1)(j+2)-j-1+i；s為模型階數。

由此可得發動機燃油消耗和發動機污染物排放特性為

(20)

j-1-l)Telnej-l

(21)

式中：Pe為發動機功率；E為污染物的排放率；k2為排放模型中污染物的擬合系數。

由此可得污染物排放：

(22)

(23)

(24)

根據式(18)～式(24)，可建立發動機仿真模型，如圖5所示，結合式(1)～式(17)，可建立整車模型仿真模型，如圖6所示。

3.2 仿真分析

在UDDS市區循環工況下進行仿真分析，得到工況跟隨結果(圖7)、SOC變化情況(圖8)、功率變化情況(圖9)、Pareto最優解集(表3)、發動機優化前后工作點效率分布圖(圖10)和電機優化前后工作點效率分布圖(圖11)等仿真或優化結果。

由圖7可見，實際仿真車速能很好地跟隨目標車速，并且誤差非常小，具有良好的工況跟隨能力。

仿真時選取10次仿真結果最優解集，匯總后得到的Pareto最優解集如表3所示，并從中又挑選5組最優解集繪出SOC的變化曲線，如圖8所示。可見SOC變化平滑，且SOC平衡約束誤差在0.5%以內，滿足荷電平衡的要求。

為了解功率變化情況，可在以上10組Pareto最優解集選取其中一組，進行仿真可得到功率變化。

本文中選取第5組，如圖9所示。

表3中，第0組為車輛默認設置及性能指標，第1～10組為優化后的最優Pareto解集。觀察表中數據可以發現，在保證系統基本性能的前提下，整車的性能均得到提升。燃油經濟性和排放性能都在一定程度上得到改善，其中燃油消耗最大下降了11.29%；排放物綜合指標最大下降了8.78%，其中，CO降低的效果最為明顯，達到24.2%，HC和NOx排放有所下降，結果如表4所示。

表4 最大優化比例

與表3中所列的10組最優優化方案相比，結果上的差距并不大，但是在設計匹配上有多種不同的選擇方案，在優化性能的同時拓展了設計方案。

同時選取第5組最優解分析發動機的工作點及其效率分布情況，結果如圖10所示。

由圖10可見，優化后的發動機工作效率有所提高，并且低效率點(0.15-0.2區間內)明顯減少，且工作點相比優化前有所減少(優化前有效工作點960個，優化后有效工作點700個)，原因在于電機工作點增加，電機工作點和效率分布情況如圖11所示。

由此可知，優化后能進一步改善發動機和電機兩者協調工作性能，進一步提高整車工作效率。

此外，本文中提出的混合動力多目標優化算法具有通用性，適用于其它混合動力系統、電動汽車系統和其它多目標優化控制領域。

4 結論

(1) 針對混合動力汽車能量管理控制燃油經濟性與排放性優化過程中將多目標加權轉化為單目標問題而存在的缺點，提出NSGA-II多目標優化算法，避免各目標間的相互影響而不能得到需要的解集；通過優化參數，得到10組最優Pareto解集。

(2) 將得到的Pareto解集與初始解比較可以發現，在滿足基本性能的前提下，其燃油消耗最大下降了11.29%，排放物綜合指標最大下降了8.78%；并且10組Pareto解集也為設計者提供了更多的選擇方案，在混合動力的個性化設計上拓展了更大的選擇空間。

(3) 仿真結果表明，仿真具有良好的工況跟隨能力，SOC變化滿足小于0.5%的約束條件，優化后的發動機和電機工作點效率明顯提升。

(4) 在Pareto最優解集的分布性(Pareto前沿)上還有待提升，對設計方案上有進一步改善的余地，如何得到分布性更好的Pareto前沿面有待進一步研究。

[1] 李翔晟,陳斗,周永軍.基于最小瞬時等效燃油消耗的液壓混合動力車輛能量管理策略[J].公路交通科技,2012,29(12):148-152,158.

[2] 張炳力,張平平,趙韓,等.基于離散動態規劃的PHEV燃油經濟性全局最優控制[J].汽車工程,2010,32(11):923-927.

[3] XU Liangfei, YANG Fuyuan, LI Jianqiu, et al. Real Time Optimal Energy Management Strategy Targeting at Minimizing Daily Operation Cost for a Plug-in Fuel Cell City Bus[J]. International Journal of Hydrogen Energy,2012,37(20):15380-15392.

[4] HE Hongwen, TANG Henglu, WANG Ximing, et al. Global Optimal Energy Management Strategy Research for a Plug-In Series-Parallel Hybrid Electric Bus by Using Dynamic Programming[J]. Mathematical Problems in Engineering,2013,2013(1):1-11.

[5] WALSH P M. Plug-in Hybrid Electric Vehicle Supervisory Control Strategy Considerations for Engine Exhaust Emissions and Fuel Use[D]. Virginia: Virginia Polytechnic Institute and State University,2011.

[6] 秦大同,隗寒冰,段志輝,等.重度混合動力汽車油耗和排放多目標實時最優控制[J].機械工程學報,2012,48(6):83-89.

[7] MICHEL Pierre, CHARLET Alain, COLIN Guillaume. Energy Management of HEV to Optimize Fuel Consumption and Pollutant Emissions[C]. 11th International Symposium on Advanced Vehicule Control, AVEC’12, Seoul, Korea,2012:1-6.

[8] KUM Dongsuk, PENG Huei, BUCKNOR Norman K. Supervisory Control of Parallel Hybrid Electric Vehicles for Fuel and Emission Reduction[J]. Journal of Dynamic Systems, Measurement, and Control,2011,133(6).

[9] KUM Dongsuk, PENG Huei, BUCKNOR Norman K. Optimal Catalyst Temperature Management of Plug-in Hybrid Electric Vehicles[C]. American Control Conference on O’Farrell Street, San Francisco, CA, USA,2011.

A Research on NSGA-II Multi-objective Optimization forHEV Energy Management Parameters Based on Pareto Principle

Deng Tao, Lin Chunsong, Li yanan & Lu Renzhi

SchoolofMechatronics&AutomotiveEngineering,ChongqingJiaotongUniversity,Chongqing400074

With a parallel hybrid electric vehicle as objective, eight energy management parameters are chosen as comprehensive optimization parameters for fuel economy and emission performance, an improved NSGA-II multi-objective optimization algorithm based on Pareto principle is proposed, with a simulation optimization conducted. The results show that after optimization, the fuel consumption decreases by 11.29% at most, the overall emission indicator lowers by 8.78% at most, in which the optimization effectiveness of CO emission is most significant, reducing by 24.2%, the SOC deviation is within 0.5%, meeting its constraint condition, and the distribution of working points and their efficiency for both engine and motor are obviously improved. In addition, compared with single objective optimization algorithms including traditional weighting scheme, the algorithm proposed can obtain much more optimized solution sets, hence providing much more options to choose in preliminary design of HEV energy management.

HEV; energy management; Pareto; NSGA-II multi-objective optimization

*國家自然科學基金(51305473)、中國博士后科學基金(2014M552317)、重慶市博士后研究人員科研項目(xm2014032)、重慶市科委基礎與前沿研究計劃項目(cstc2013jcyjA60007)和重慶市教委科學技術研究項目(KJ120421)資助。

原稿收到日期為2014年9月18日，修改稿收到日期為2014年12月30日。