純電動汽車制動能量回收控制策略及仿真分析

王若飛　郭廣曾　王世良

摘 要：整車控制系統是車輛的核心控制部分，其既要對駕駛員的操縱意圖進行識別和判斷，又要對整車運行時的關鍵參數進行監測和控制，同時，還要對整車的能量需求進行管理和協調。在車輛制動工況下，如果進行制動能量的回收控制，可以有效的延長續駛里程，但電動汽車在進行回饋制動時，電制動會和機械制動系統相互耦合，這一問題解決的好壞，也會影響到車輛行使的安全性。本文闡述了對制動模式下機械制與電機再生制動的協調開展研究，目標是進一步保證車輛行駛的安全性和舒適性，提高制動時的能量回收效率。

關鍵詞：整車控制器 能量回收 仿真

1 研究方案及研究方法

本位重點對再生制動時的控制策略進行研究。分別對這兩個研究內容進行模型分析，設計控制策略，利用仿真分析軟件，對所設計的策略進行仿真分析和驗證。具體方法如下：

1）建立研究對象制動時的縱向動力學數學模型，設計再生制動力分配的模糊控制器;

2）在matlab軟件中，應用粒子群算法，對模糊控制器的模糊規則進行優化;

3）對優化后的模糊控制器，設計不同的制動工況，進行離線仿真驗證;

4）寫控制代碼，下載到控制器的工程樣機中，在硬件在環仿真平臺上，對控制算法進行半實物仿真驗證。

2 研究過程及研究結果

2.1 再生制動控制策略設計

再生制動控制的原則是保證汽車制動穩定性的同時，綜合考慮能量回收效率。針對前輪驅動電動車輛，液壓控制單元（ABS）采集到的制動踏板位置、輪速等信息，通過車載網絡傳遞給整車控制器（VCU），VCU根據接收到的信息，結合動力電池組、驅動電機的狀態信息，計算出前輪的制動回收扭矩，通過車載網絡發送到電機控制器（此時沒有考慮驅動扭矩安全監控模塊）。但電動汽車在進行再生制動時，會和車輛的機械制動系統相互耦合，為解決這一機電耦合問題，設計了再生制動扭矩模糊控制器，該控制器的輸入量為制動踏板深度，電池荷電狀態（SOC），車速三個參數，輸出量為電機制動的參與程度，即電機制動力矩占最大可用電機制動力矩的比例，推理方法選用Mamdani推理。語言變量的選取設計上，將制動踏板深度輸入量分為5個模糊子集{VS，S，M，B，VB}，將電池SOC輸入量分為5個模糊子集{VL，L，M，H，VH}，考慮到車速與制動能量回收的關系，將車速分為7個模糊子集{VL，L，LM，M，HM，H，VH};電機再生制動力的比例為模糊控制器輸出量，分為11個模糊子集{KM0，KM1，KM2，KM3，KM4，KM5，KM6，KM7，KM8，，KM9，KM10}。

2.2 模糊規則的優化

模糊控制器魯棒性強，適應非線性時變系統，能夠較好地控制協調機械制動和電機制動，但電機的再生制動扭矩受到電池充電功率、ECE法規以及電機特性的限制，很難在滿足制動穩定性的前提下，制訂能量回收的最優模糊規則。而粒子群算法，作為一種群智能的全局優化方法，迭代過程簡單，不需要交叉變異等復雜的進化操作，且算法本身具有全局尋優的能力，可以有效提高模糊控制器的設計效率。因此，選用粒子群算法優化模糊控制器的模糊規則。首先需要把整車優化目標有關的控制變量集中編碼，由于車速很低與電池荷電狀態很高時不回收制動能量，因此所需優化的模糊規則為120個。然后，利用粒子群算法進行模糊規則的優化整定，將需要優化的模糊控制參數編碼成粒子碼串[x1，x2，…，x119，x120]。粒子的每個變量均用整數表示，變量取值范圍為1-11。

將再生制動回收的能量作為優化目標函數，制動穩定性與電池的充電功率限制作為約束條件，則適應度函數為：

其中xi為通過約束條件的模糊規則。約束條件為：

式中，Tm min、Tm max分別為電機的最小和最大轉矩，ωm min、ωm max為電機的最小和最大轉速，Ichg min、Ichg max為電池的最小和最大充電電流，SOCmin、SOCmax為電池的最小和最大荷電狀態，Pchg_max為電池允許的最大充電功率。

在Matlab軟件平臺中，編寫m文件，利用粒子群優化算法，通過迭代尋找最優解，從而實現對模糊控制器規則庫的優化。最后得到的控制器結構如圖1所示。

2.3 離線仿真分析

在Simulink軟件環境中，搭建優化后的模塊控制器模塊，將其嵌入到圖8所示的整車扭矩安全監控仿真模型中，制動工況選擇初始車速分別為90Km/h，60Km/h，30Km/h，初始荷電狀態為20%，50%，80%，進行離線仿真，得到如圖2、3所示的結果。其中，圖2為在一般制動工況下隨時間的變化，車速、制動減速度、利用附著系數的變化情況。仿真結果表明，電機參與制動時，地面附著系數利用不充分，但依然滿足ECE法規要求。圖3為不同初始SOC下的電機制動功率，可以看出在SOC偏低時，允許充電功率比較高，實際再生制動回收的功率也較大，隨著SOC的上升，電池組允許的充電功率也有所下降，實際制動回收的功率也相對下降。模糊控制器控制的電機制動功率低于電池峰值充電功率，在提高制動能量回收效率的同時，避免了可能由于充電功率較高對電池的損害。

2.4 硬件在環仿真

為進一步驗證整車控制器（VCU）在制動工況下與機械制動的協調控制，根據再生制動時的扭矩控制策略，編寫了控制代碼，下載到一整車控制器的工程樣機中，并搭建了一硬件在環仿真實驗平臺（如圖4所示），實驗平臺中用到的設備有：1、駕駛模擬機，其功能是模仿駕駛環境，提供駕駛信息;2、整車控制單元（VCU），運行整車的扭矩控制策略;3、dSPACE仿真器，模仿整車行使工況，為VCU提供傳感器信號;4、PC機，運行仿真監控軟件ControlDesk，觀測記錄相關參數信號。

圖5是再生制動時，制動主缸壓力、車速與輪速以及機械制動與電制動的變化曲線，從圖中可以看出，制動強度前期較弱，主輪缸中的壓力上升緩慢，后期制動強度加強，主輪缸中的壓力上升較快，在緩慢制動過程中，再生制動扭矩緩滿上升，符合駕駛員的期望，車速和輪速也都沒有明顯的波動，減速過程比較平緩。但隨著制動強度的加強，約在6.2秒，模擬的ABS模塊動作，前輪制動輪缸中出現減壓，此時，再生制動扭矩迅速減至0，該現象符合當ABS觸發后，電機的再生制動退出，車輛切換到純機械制動的要求。

3 結論

本文重點對再生制動時的扭矩控制策略進行了研究，通過模型分析、建模仿真，對所設計的控制方案、控制策略進行了驗證，仿真結果符合期望要求，實現了所設計系統的功能。對于再生制動的扭矩控制策略，雖然控制策略滿足了設計功能，但從結果看，離線仿真和硬件在環仿真的差別還是較大的，要進一步檢驗能量回收效率和制動扭矩協調功能，需要進行實物驗證。另外，為了保證制動安全，制動扭矩的控制策略是一當ABS系統觸發，電制動就退出，從提高制動回收效率的角度，這一控制策略可以進一步研究的。

參考文獻：

[1]基于Simulink-Cruise聯合仿真的制動能量回收系統研究[J].楊海圣，姬芬竹，楊世春.控制工程.2018（06）.

[2]電動汽車再生制動能量回收最優控制策略[J].郭金剛，董昊軒，盛偉輝，涂超.江蘇大學學報（自然科學版）.2018（02）.

[3]基于主動轉向與主動制動的智能車路徑跟蹤[J].程碩，李亮，陳百鳴，王翔宇.同濟大學學報（自然科學版）.2017（S1）.

[4]純電動汽車制動能量回收評價方法研究[J]. 初亮，劉達亮，劉宏偉，蔡健偉，趙迪.汽車工程.2017（04）.