插電式氣電混合動(dòng)力客車(chē)控制策略?xún)?yōu)化

何鋒，李歡，吳海波，蔣雪生

(1.貴州大學(xué)機(jī)械工程學(xué)院，貴州貴陽(yáng)550025；2.奇瑞萬(wàn)達(dá)貴州客車(chē)股份有限公司，貴州貴陽(yáng)550025)

插電式氣電混合動(dòng)力客車(chē)控制策略?xún)?yōu)化

何鋒1，李歡1，吳海波1，蔣雪生2

(1.貴州大學(xué)機(jī)械工程學(xué)院，貴州貴陽(yáng)550025；2.奇瑞萬(wàn)達(dá)貴州客車(chē)股份有限公司，貴州貴陽(yáng)550025)

根據(jù)模糊控制理論，建立了插電式氣電混合動(dòng)力客車(chē)模糊控制策略，并基于遺傳算法對(duì)模糊控制系統(tǒng)存在主觀(guān)隨意性的問(wèn)題，以百公里燃?xì)庀牧亢蚇Ox排放量為優(yōu)化目標(biāo)，利用ADVISOR的非GUI函數(shù)和遺傳算法工具對(duì)模糊控制器的隸屬度函數(shù)進(jìn)行了優(yōu)化。結(jié)果表明百公里耗氣量降低了11.3%，NOx排放降低了7.2%，動(dòng)力性能顯著提高。

遺傳算法；模糊控制；插電式氣電混合動(dòng)力客車(chē)；LNG；優(yōu)化

插電式混合動(dòng)力汽車(chē)具有可外部充電、純電動(dòng)行駛里程長(zhǎng)、排放低的優(yōu)點(diǎn)，得到了汽車(chē)企業(yè)、高校和科研機(jī)構(gòu)的日益重視，其控制策略與整車(chē)性能密切相關(guān)，是核心技術(shù)之一。模糊控制作為智能控制的一種，在插電式混合動(dòng)力汽車(chē)這種復(fù)雜的非線(xiàn)性系統(tǒng)中得到廣泛應(yīng)用。但模糊控制系統(tǒng)的隸屬度函數(shù)和模糊規(guī)則都是以專(zhuān)家經(jīng)驗(yàn)為依據(jù)設(shè)定的，存在著一定的主觀(guān)性，難以實(shí)現(xiàn)全局最優(yōu)。遺傳算法作為一種借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)搜索算法，具有采用全局搜索、不易陷入局部最優(yōu)、對(duì)問(wèn)題依賴(lài)性小等優(yōu)點(diǎn)，能很好地實(shí)現(xiàn)隸屬度函數(shù)及模糊規(guī)則的選取和優(yōu)化[1]。

張昕等[2]采用多目標(biāo)遺傳算法，對(duì)最低轉(zhuǎn)速、發(fā)動(dòng)機(jī)最小轉(zhuǎn)矩包絡(luò)線(xiàn)系數(shù)等控制參數(shù)進(jìn)行了優(yōu)化，確定了全局最優(yōu)控制參數(shù)。王潤(rùn)才等[3]對(duì)插電式串聯(lián)混合動(dòng)力汽車(chē)動(dòng)力系統(tǒng)部件參數(shù)和控制策略參數(shù)同時(shí)進(jìn)行了遺傳算法的優(yōu)化，使得燃油消耗和排放得到降低。倪成群等[4]采用遺傳算法對(duì)換擋協(xié)調(diào)控制參數(shù)進(jìn)行了優(yōu)化，確定了最優(yōu)的能量分配和換擋控制策略。Amir Poursamad[5]等采用遺傳算法對(duì)并聯(lián)混合動(dòng)力汽車(chē)模糊控制策略的隸屬度函數(shù)進(jìn)行了優(yōu)化，優(yōu)化后整車(chē)的燃油經(jīng)濟(jì)性和排放性能得到提高。

本文將利用遺傳算法對(duì)插電式氣電混合動(dòng)力客車(chē)模糊控制器的隸屬度函數(shù)進(jìn)行優(yōu)化，確?？刂撇呗缘淖顑?yōu)。

1 模糊控制器的建立

LNG(液化天然氣)汽車(chē)具有清潔、環(huán)保、價(jià)格低廉的優(yōu)點(diǎn)，在城市客車(chē)和出租市場(chǎng)得到了廣泛的應(yīng)用，但其具有動(dòng)力性不足、發(fā)動(dòng)機(jī)扭矩響應(yīng)滯后、NOx排放高的缺點(diǎn)。LNG氣電混合動(dòng)力客車(chē)采用LNG作為發(fā)動(dòng)機(jī)能源，結(jié)合電機(jī)驅(qū)動(dòng)車(chē)輛，可有效發(fā)揮天然氣汽車(chē)的優(yōu)點(diǎn)，克服上述缺點(diǎn)。

某客車(chē)公司生產(chǎn)的插電式LNG氣電混合動(dòng)力客車(chē)的動(dòng)力系統(tǒng)為并聯(lián)結(jié)構(gòu)，該車(chē)的模糊控制策略是根據(jù)電池SOC值和總需求轉(zhuǎn)矩，確定發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩。在模糊控制器的建立過(guò)程中，將電池SOC值、總需求轉(zhuǎn)矩和發(fā)動(dòng)機(jī)轉(zhuǎn)矩所對(duì)應(yīng)的模糊論域定為[1，11]，模糊子集劃分為NM、NS、Z、PS和PM，如圖1～圖3所示。在確保發(fā)動(dòng)機(jī)工作在耗氣量和排放較優(yōu)區(qū)域，保證動(dòng)力電池充放電平衡的原則下，根據(jù)車(chē)輛總需求扭矩T和電池SOC建立發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩ICE的分配規(guī)則25條，并采用面積重心法將模糊邏輯推理后的模糊集清晰化。

圖1 電池SOC值隸屬度函數(shù)

圖2 總需求轉(zhuǎn)矩隸屬度函數(shù)

圖3 發(fā)動(dòng)機(jī)扭矩隸屬度函數(shù)

2 模糊控制器的優(yōu)化

2.1 數(shù)學(xué)模型的建立

插電式氣電混合動(dòng)力汽車(chē)模糊控制器的優(yōu)化是一種非線(xiàn)性多約束的優(yōu)化問(wèn)題，優(yōu)化數(shù)學(xué)模型為：

式中：F(x)為目標(biāo)函數(shù)；gi(x)為約束條件，i為約束條件個(gè)數(shù)；j為優(yōu)化變量個(gè)數(shù)；xj為優(yōu)化設(shè)計(jì)變量；xjmin和xjmax分別為優(yōu)化變量的上下限。

2.2 目標(biāo)函數(shù)和適應(yīng)度函數(shù)的設(shè)置

天然氣發(fā)動(dòng)機(jī)相較于傳統(tǒng)的汽油、柴油發(fā)動(dòng)機(jī)，具有較好的排放特性，但天然氣發(fā)動(dòng)機(jī)熱負(fù)荷高、燃燒速度慢，導(dǎo)致NOx排放較高，成為阻礙天然氣汽車(chē)實(shí)現(xiàn)低排放的主要因素。優(yōu)化目標(biāo)設(shè)為百公里耗氣量(m3/100 km)和NOx排放量(g/h)。由于兩個(gè)目標(biāo)值單位不統(tǒng)一且相互沖突，采用權(quán)重系數(shù)法和設(shè)定目標(biāo)最優(yōu)值法定義目標(biāo)函數(shù)：

式中：FC、NOx為各個(gè)目標(biāo)值為目標(biāo)最優(yōu)值；T為整個(gè)循環(huán)工況的時(shí)間；w1、w2為各目標(biāo)值的權(quán)重系數(shù)。

由(2)式可知，優(yōu)化目標(biāo)是使得目標(biāo)函數(shù)值最小，但在遺傳算法個(gè)體選擇中適應(yīng)度函數(shù)越大則該個(gè)體遺傳到下一代的概率越大，因此利用遺傳算法工具箱的Ranking函數(shù)對(duì)不同個(gè)體的目標(biāo)值進(jìn)行適應(yīng)度的重新排序，使最大適應(yīng)度對(duì)應(yīng)最小目標(biāo)函數(shù)值。

2.3 約束條件的處理

在遺傳算法優(yōu)化過(guò)程中，目標(biāo)函數(shù)所對(duì)應(yīng)的個(gè)體需要滿(mǎn)足車(chē)輛動(dòng)力性要求，故將車(chē)輛動(dòng)力性指標(biāo)作為約束條件，利用約束罰函數(shù)法對(duì)目標(biāo)個(gè)體的適應(yīng)度進(jìn)行處理，使得不滿(mǎn)足條件的個(gè)體遺傳到下一代的概率減小。動(dòng)力性約束條件如表1所示。

2.4 優(yōu)化隸屬度函數(shù)變量的設(shè)置

針對(duì)插電式氣電混合動(dòng)力三角形隸屬度函數(shù)的特點(diǎn)，將決定三角形隸屬度函數(shù)的形狀和位置的三個(gè)拐點(diǎn)坐標(biāo)作為優(yōu)化變量。以輸入量SOC的隸屬度函數(shù)為例，該輸入量有5個(gè)模糊子集，模糊子集NM和PM的隸屬度函數(shù)分別由變量X2、X10確定，模糊子集NS、Z、PS分別由(X1，X3，X5)，(X4，X6，X8)，(X7，X9，X11)所對(duì)應(yīng)的拐點(diǎn)坐標(biāo)確定。圖4為輸入量SOC的隸屬度函數(shù)劃分示意圖。同理可以確定總需求扭矩和發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩的隸屬度函數(shù)。該模糊控制器最終的優(yōu)化變量為X1，X2……X33，共33個(gè)。

圖4 隸屬度函數(shù)劃分示意圖

3 仿真分析

3.1 優(yōu)化結(jié)果

根據(jù)某插電式氣電混合動(dòng)力客車(chē)的主要部件參數(shù)，如表2所示。在A(yíng)DVISOR的GUI界面下完成整車(chē)仿真模型的建立。設(shè)置遺傳算法的最大代數(shù)為100；初始個(gè)體數(shù)目為80；變量數(shù)目為33；變量的二進(jìn)制位數(shù)為10；代溝為0.9。利用設(shè)計(jì)的M文件結(jié)合英國(guó)設(shè)菲爾德大學(xué)的遺傳算法工具和ADVISOR的非GUI函數(shù)在ECE-EUDC循環(huán)工況下對(duì)模糊控制器的隸屬

度函數(shù)進(jìn)行優(yōu)化仿真。

圖5為遺傳算法優(yōu)化過(guò)程目標(biāo)函數(shù)值的收斂曲線(xiàn)，隨著遺傳代數(shù)的增加，目標(biāo)函數(shù)值不斷減小，當(dāng)遺傳代數(shù)為61代后收斂到最小值，該值所對(duì)應(yīng)的隸屬度函數(shù)為最優(yōu)。最優(yōu)隸屬度函數(shù)如圖6～圖8所示。

圖5 目標(biāo)函數(shù)值變化曲線(xiàn)

圖6 SOC隸屬度函數(shù)

圖7 總需求轉(zhuǎn)矩隸屬度函數(shù)

圖8 發(fā)動(dòng)機(jī)扭矩隸屬度函數(shù)

3.2 仿真結(jié)果對(duì)比分析

將優(yōu)化前后的模糊控制器分別鑲嵌到ADVISOR中進(jìn)行仿真，得到仿真結(jié)果如表3所示。

由表3可見(jiàn)，優(yōu)化后的仿真結(jié)果中最高車(chē)速、0～50 km/h加速時(shí)間、20 km/h車(chē)速爬坡度都滿(mǎn)足遺傳算法約束條件要求；發(fā)動(dòng)機(jī)效率、電機(jī)發(fā)電效率和電機(jī)驅(qū)動(dòng)效率都有顯著增高，使得優(yōu)化前后ECE-EUDC循環(huán)工況下百公里耗氣量降低了11.1%，0～50 km/h加速時(shí)間降低了30.4%，20 km/h車(chē)速爬坡度提高了13.5%，NOx排放降低了7.2%。優(yōu)化結(jié)果表明通過(guò)模糊控制器隸屬度函數(shù)的優(yōu)化，確保了發(fā)動(dòng)機(jī)工作在低油耗低排放和電機(jī)高效率工作區(qū)間。

4 結(jié)論

根據(jù)插電式氣電混合動(dòng)力客車(chē)的動(dòng)力系統(tǒng)結(jié)構(gòu)形式及運(yùn)行特點(diǎn)制定了電池SOC值和總需求轉(zhuǎn)矩為輸入量，發(fā)動(dòng)機(jī)轉(zhuǎn)矩為輸出量的模糊控制策略。針對(duì)根據(jù)經(jīng)驗(yàn)建立的模糊控制器隸屬度函數(shù)不能實(shí)現(xiàn)最優(yōu)的問(wèn)題，在ECE-EUDC循環(huán)工況下，利用遺傳算法對(duì)隸屬度函數(shù)進(jìn)行優(yōu)化，確保了發(fā)動(dòng)機(jī)和電機(jī)的高效率，使得燃?xì)庀暮团欧诺玫接行Ы档?，?dòng)力性能得到提高。

[1]雷英杰，張善文，李續(xù)武，等.MATLAB遺傳算法工具箱及應(yīng)用[M].西安：西安電子科技大學(xué)，2005.

[2]張昕，宋建峰，田毅，等.基于多目標(biāo)遺傳算法的混合動(dòng)力電動(dòng)汽車(chē)控制策略?xún)?yōu)化[J].機(jī)械工程學(xué)報(bào)，2009，45(2)：36-40.

[3]王潤(rùn)才，何仁，余劍波，等.基于遺傳算法的插電式串聯(lián)混合動(dòng)力電動(dòng)汽車(chē)動(dòng)力參數(shù)優(yōu)化[J].中國(guó)機(jī)械工程，2013，24(18)：2544-2549.

[4]倪成群，趙強(qiáng)，張幽彤.插電式混合動(dòng)力客車(chē)電能消耗階段控制策略的研究[J].汽車(chē)工程，2014，36(1)：12-16.

[5]POURSAMAD A，MONTAZERIM.Design of genetic-fuzzy control strategy for parallel hybrid electric vehicles[J].Control Engineering Practice，2008，16(7)：861-873.

Optim ization of controlstrategy for plug-in gas-electric hybrid bus based on genetic algorithm

HE Feng1，LIHuan1，WU Hai-bo1，JIANG Xue-sheng2
(1.SchoolofM echanical Engineering，Guizhou University，Guiyang Guizhou 550025，China;2.Chery GuizhouWanda BusCorporation Limited，Guiyang Guizhou 550025，China)

According to fuzzy control theory，the fuzzy control strategy of plug-in gas-electric hybrid bus was established.Based on genetic algorithm，aim ing at the presence of subjective arbitrariness problem of fuzzy control system，w ith one hundred kilometers fuelconsumption and NOxem issions as the optim ization goal，using ADVISOR non-GUI function and the genetic algorithm tool，fuzzy controller's membership function was optim ized.Results show that one hundred kilometers fuel consumption is reduced by 11.3%;NOxem ission is reduced by 7.2%;the dynam ic performance is improved significantly.

genetic algorithm;fuzzy control;p lug-in gas-electric hybrid bus;LNG;optim ization

TM 912

A

1002-087 X(2016)07-1444-02

2015-12-02

貴陽(yáng)市工業(yè)振興科技計(jì)劃項(xiàng)目[筑科合同(2012401)11號(hào)]；貴州省工業(yè)攻關(guān)項(xiàng)目[黔科合GZ字(2013)3003]

何鋒(1963—)，男，貴州省人，教授，主要研究方向?yàn)楣?jié)能與新能源汽車(chē)的開(kāi)發(fā)及利用。

李歡(1990—)，男，山東省人，碩士生，主要研究方向?yàn)楣?jié)能與新能源汽車(chē)的開(kāi)發(fā)及利用。