純電動汽車復合電源系統(tǒng)控制的仿真研究*

霍春寶 門光文 王京 馬濤

（1.遼寧工業(yè)大學，錦州 121001；2.遼寧省電力有限公司錦州供電公司，錦州 121001）

1 前言

由超級電容與蓄電池組成的復合電源可以有效提高電動汽車的動力性能。為了充分發(fā)揮復合電源的優(yōu)越性，必須制定高效合理的控制策略，因此，功率分配控制策略成為復合電源的研究熱點之一。目前，復合電源的控制策略主要有邏輯門限控制、實時優(yōu)化控制、全局優(yōu)化控制和模糊控制等[[11]]，邏輯門限控制策略的靈活性較差，在情況復雜多變的工況下控制效果一般；實時優(yōu)化控制策略因控制量多，計算量大，因其由芯片實現實時控制成本較高，很難在電動汽車上推廣應用；全局優(yōu)化控制策略能夠在汽車循環(huán)工況下實現全局最優(yōu)，但是由于很難預測實際車輛的當前工況，因此實際應用較困難；模糊控制策略在解決復合電源系統(tǒng)的能量分配問題時無需建立對象的數學模型，具有適應性和魯棒性強，且操作簡單、較易實現，因此該策略在電動汽車上應用較多。

為探究控制效果更加優(yōu)越的復合電源控制策略，本文將分別基于模糊控制和模糊神經網絡設計了復合電源的功率分配策略，并應用于搭建的復合電源純電動汽車仿真模型，同時在CYC-ECE和CYC-UDDS兩種道路循環(huán)工況下進行了仿真驗證。

2 復合電源系統(tǒng)結構

復合電源系統(tǒng)一般由動力電池、雙向DC/DC變換器和超級電容3部分組成。根據雙向DC/DC變換器數量及位置的不同，并綜合考慮電源效率和控制的難易程度，本文選擇如圖1的復合電源系統(tǒng)結構，其超級電容與雙向DC/DC變換器串聯(lián)后再與動力電池并聯(lián)共同向負載提供能量[[22]]。

圖1 復合電源系統(tǒng)結構

3 復合電源控制策略設計

復合電源控制策略的設計是以保證電動汽車動力性能為前提，充分利用超級電容大電流充、放電的特性，同時降低頻繁大電流充、放電對蓄電池的影響，延長蓄電池的使用壽命，增加再生制動回收的能量，提高電動汽車的續(xù)駛里程和整車動力性能。

復合電源的功率流動模型如圖2所示。圖2中，Preq為電機的需求功率（雙向傳遞），Preq為正時表示功率向車輪方向傳遞，此時為電機的驅動功率；Preq為負時表示功率向蓄電池和超級電容方向傳遞，此時電動機作為發(fā)電機運行，向復合電源系統(tǒng)進行充電，即復合電源吸收汽車再生制動產生的能量。Pbat為蓄電池的充放電功率，Puc為超級電容的充放電功率，兩者均為雙向傳遞，為正時表示放電狀態(tài)，向驅動電機提供驅動能量；為負時表示充電狀態(tài)，吸收車輛再生制動的能量。

圖2 復合電源功率流模型

理想狀態(tài)下，不計系統(tǒng)的能量損耗，復合電源系統(tǒng)中電機的需求功率Preq(t)、蓄電池的充放電功率Pbat(t)及超級電容的充放電功率Puc(t)滿足如下關系：

3.1 模糊控制策略

在邏輯門限控制策略的基礎上，通過對邏輯門限值進行模糊化處理即得到電動汽車復合電源功率分配的模糊控制策略[[33]]。

為了使超級電容和蓄電池都能工作在最佳狀態(tài)，需要對兩者的荷電狀態(tài)進行限制，因此，控制規(guī)則制定的過程中對超級電容和蓄電池SOC進行如下約束：

式中，SOCb為蓄電池的荷電狀態(tài)；SOCb-min與SOCb-max分別為蓄電池荷電狀態(tài)的最小值和最大值；SOCc為超級電容的荷電狀態(tài)；SOCc-min與SOCc-max分別為超級電容荷電狀態(tài)的最小值和最大值。

蓄電池提供的功率占電機所需總功率的比例定義為功率分配因子Kb：

式中，Pb為蓄電池提供的功率；Preq為電機的需求功率；Pbat為蓄電池的充放電功率；Puc為超級電容的充放電功率。

將汽車需求功率Pr、蓄電池的荷電狀態(tài)SOCb和超級電容的荷電狀態(tài)SOCc作為模糊控制器的輸入，蓄電池得到的功率分配因子Kb作為輸出，設計了具有三輸入一輸出的模糊控制器。控制器的隸屬函數選用三角形函數，輸入Pr的論域為[-0.2 1]，模糊集合為{NB、NM、NS、ZE、PS、PM、PB}；SOCb的論域為[0.2 1]，模糊集合為{LE、ME、GE}；SOCc的論域為[0.2 1]，模糊集合{LE、ME、GE}；輸出Kb的論域為[0 1]，模糊集合為{LE、ML、ME、MB、GE}。輸入、輸出隸屬函數如圖3所示。

圖3 輸入、輸出隸屬函數

模糊控制器的仿真模型如圖4所示。

圖4 模糊控制器仿真模型

3.2 模糊神經網絡控制策略

在模糊控制策略的基礎上，引入神經網絡的思想，對模糊控制算法進行優(yōu)化，設計基于模糊神經網絡的控制策略，模糊神經網絡算法可由自適應神經模糊推理系統(tǒng)[4]實現。

根據復合電源系統(tǒng)的特點，設計了一種三輸入一輸出的一階T-S型模糊神經網絡，即自適應模糊神經網絡（Adaptive Neural-network-based Fuzzy Interference System，ANFIS）。其中，輸入為需求功率Preq、超級電容SOCc和蓄電池SOCb；功率分配比例因子Kb作為輸出，且輸出為輸入的線性關系。

以所設計的ANFIS模糊神經網絡為基礎，利用軟件MATLAB中的Anfisedit工具箱搭建自適應模糊神經網絡控制器，該工具箱可以完成ANFIS網絡的搭建和訓練工作[[55]]。ANFIS模糊神經網絡控制器生成流程如圖5所示。

圖5 ANFIS模糊神經網絡控制器生成流程

3.2.1 獲取樣本數據

模糊神經網絡控制器的設計需要對大量的樣本數據進行訓練和自適應學習。因此在所設計的模糊控制器的基礎上，利用對模糊控制器的仿真試驗來獲取所需樣本數據。在ECE循環(huán)工況下分別采集模糊控制器的輸入Pr、SOCb、SOCc和輸出Kb等數據，即 data=[PrSOCb SOCcKb]；各取100對數據分別作為訓練數據data1和校驗數據data2。

3.2.2 sugeno型的FIS系統(tǒng)設計

MATLAB中的anfis是用于訓練sugeno型模糊推理系統(tǒng)的工具箱，首先利用anfis工具箱的圖形用戶接口設置系統(tǒng)的三輸入與單輸出變量，輸入分別為Pr、SOCb和SOCc，輸出為Kb；然后選擇高斯型隸屬函數個數，分別為7、3、3；輸出類型選擇線性輸出（linear），如圖6a所示；采用網格分割法（Grid partition）生成的初始FIS系統(tǒng)，如圖6b所示。

圖6 sugeno型的FIS系統(tǒng)編輯界面

3.2.3 初始FIS訓練

在工具箱中設置訓練誤差精度為0，訓練次數為50次，學習方法采用混合學習方法（hybrid方法）。訓練后的誤差曲線如圖7所示，經過50次訓練后誤差減小到0.08附近。

圖7 訓練誤差曲線

ANFIS 訓練后得到的的輸入變量Pr、SOCb、SOCc的隸屬函數曲線及控制器的輸出如圖8所示。將訓練后的變量導入控制器并添加到復合電源系統(tǒng)的仿真模型中進行仿真。

4 仿真研究

在汽車仿真軟件ADVISOR2002中搭建的純電動汽車模型VEH_SMCAR的基礎上，加入超級電容、DC/DC變換器和功率分配策略搭建復合電源的電動汽車整車仿真模型，如圖9所示。

圖8 隸屬函數曲線及控制器輸出

將所設計的2種控制器分別加入到復合電源的整車仿真模型中，電池的初始溫度設置為20℃，仿真工況選擇CYC-UDDS和CYC-ECE循環(huán)工況。復合電源參數見表1，其余仿真參數均采用VEH_SMCAR車型文件的默認設置參數。

表1 復合電源參數

在CYC-UDDS工況下對復合電源電動汽車進行仿真分析，仿真結果如圖10所示。由圖10可看出，加入超級電容組成復合電源后，整車輸出能夠很好地跟隨工況；復合電源中的蓄電池電流明顯比單一電池減小，避免了大電流充、放電現象的發(fā)生；蓄電池的SOC減小的趨勢變緩，SOC直接對應電池的電量，因此電動汽車的續(xù)駛里程增加；超級電容的SOC發(fā)生頻繁的變化，最小值出現在設計的0.2處，說明超級電容可以發(fā)揮“削峰填谷”和回收制動能量的作用；蓄電池的溫度在工況結束后也低于單一蓄電池，說明超級電容能夠起到保護蓄電池的作用，蓄電池的壽命得以延長。

在CYC-ECE循環(huán)工況下，對所設計的控制策略進行仿真研究，單一蓄電池與復合電源的蓄電池在不同功率分配策略下的仿真結果如圖11所示。由圖11a可看出，在模糊控制策略和模糊神經網絡控制策略下，復合電源中蓄電池電流峰值明顯小于單體蓄電池的電流峰值，說明加入超級電容后對蓄電池起到了很好的保護作用；兩種控制策略下復合電源中蓄電池電流變化更靈活，充分發(fā)揮了超級電容的主動性；由圖11b可看出，復合電源中蓄電池SOC變化比單一蓄電池明顯變小，很好地節(jié)省了蓄電池的電量，從而延長了電動汽車的行駛里程；在模糊控制和模糊神經網絡控制策略下，復合電源中蓄電池SOC變化趨勢明顯減緩，其中模糊神經網絡控制策略下蓄電池的SOC變化最小，蓄電池電量節(jié)省最多，電動汽車續(xù)駛里程的增加效果也更好。

圖9 復合電源電動汽車仿真模型

圖10 仿真結果

圖11 單一電池及不同功率分配策略下的仿真結果

5 結束語

以蓄電池和超級電容組成的復合電源為研究對象，制定了模糊控制和模糊神經網絡的兩種功率分配控制策略，利用汽車仿真軟件ADVISOR2002和Matlab/Simu?link進行了聯(lián)合仿真。結果表明，超級電容的加入使蓄電池的電流明顯減小，SOC變化變緩，提高了蓄電池的性能。與邏輯門限控制策略相比，模糊控制和模糊神經網絡控制策略的控制推理能力更強、魯棒性更好。綜合蓄電池電流和SOC兩方面，模糊神經網絡的控制效果優(yōu)于模糊控制策略，驗證了模糊神經網絡在功率分配中的可行性。

[1]陸建康,楊正林,何小明,等.純電動汽車復合電源系統(tǒng)仿真研究[J].汽車科技.2011（5）:37-41.

[2]倪穎倩.電動汽車關鍵技術——復合電源的研究[D].南京:南京理工大學,2010.

[3]王儒,李訓明,魏偉,等.基于ADVISOR的純電動汽車復合電源系統(tǒng)[J].山東理工大學（自然科學版）,2014，28（1）:74-78.

[4]陳慧勇,吳光強.混合動力汽車補償模糊神經網絡能量管理策略[J].同濟大學校報（自然科學版）,2012,37（4）:521-525.

[5]牛培峰,張密哲,陳貴林.自適應模糊神經網絡控制在鍋爐過熱氣溫控制中的應用[J].動力工程學報，2011，31（2）：110-115.