純電動貨車再生制動控制策略研究

王程玉，林慕義，2，吳柯桐，陳 勇，2

（1.北京信息科技大學機電工程學院，北京100192；2.北京電動車輛協同創新中心，北京100192）

1 引言

隨著物流業的迅速發展，城市中貨車的數量逐漸增多，新能源貨車的研究開發工作變得尤為重要。純電動貨車作為新能源貨車中發展最成熟，應用最廣泛的一種，具有良好的市場基礎。

目前，國內外學者對純電動汽車驅動控制策略的研究有很多，通常以整車驅動的工作模式為基礎[1]、針對純電動汽車加速和起步工況[2，4，7]，建立純電動汽車的扭矩補償算法，使純電動汽車不同工況及模式下電機輸出的扭矩得到調節和補償，最后達成提升整車動力性和經濟性，并保證整車加速性能的效果；不過常規的驅動控制策略往往針對部分工況及參數進行設計和優化，并不能滿足純電動貨車負載變化較大的情況。

針對常規控制策略中忽視的問題，依據純電動貨車負載大幅變化對電機輸出扭矩的影響和加速踏板行程及其變化率所反映的駕駛意圖，制定純電動貨車的驅動控制策略；將在實車中采集的數據和仿真數據進行對比，對CRUISE中搭建的整車模型進行驗證；并在不同負載情況下，利用MATLAB和Cruise平臺進行聯合仿真。

2 前、后制動力分配

2.1 理想的制動力分配曲線（I曲線）

在任何附著系數的路面上，滿足I曲線的雙軸車輛均可實現前、后車輪同時抱死。前、后輪同時抱死除了使附著條件得到較大程度的利用，對制動時汽車的穩定性也有一定的提高[2]。

這里中雙軸輕型純電動貨車的I曲線分配關系為：

式中：Fm1，Fm2—前、后輪制動器制動力（N）；hg—貨車質心高度（m）；

b—貨車質心至后軸的距離（m）；L—貨車軸距（m）。

2.2 ECE法規

根據歐洲經濟委員會對N1類車輛做出相應規定，對于后輪驅動純電動貨車，ECE法規邊界線為：

式中：Z—制動強度；G—貨車重力（N）。

2.3 前、后輪制動器制動力分配

這里所討論貨車為后輪驅動，前輪制動力全部由液壓機械制動力提供，基于I曲線和ECE法規制定前、后輪制動力分配策略具體如下：

（1）當Z＜0.2時，ECE法規沒有對制動力分配做出限制，由于此時制動力所需較小，為提高制動能量回收效率，該制動強度下，制動力均由再生制動提供。

（2）當0.2＞Z時，為提高再生制動比例，即提高后輪制動力所占比例，該制動強度下，前、后輪制動力按理想I曲線分配，分配曲線為：

2.4 電機制動力與機械制動力分配

考慮到制動過程中再生制動比例系數k的影響因素：電池荷電狀態SOC、車輛速度V，制動強度Z等參數，對后輪電制動力與機械制動力進行分配，如圖1所示。

圖1 后輪再生制動力分配Fig.1 The Regenerative Braking Force Distribution of Rear Wheel

（1）當SOC＞0.8 或SOC＜0.2、車速V＜10km/h、Z＞0.7 時，制動回收比例為0，制動力全部由機械制動提供，因為SOC過高和過低時電池會過充過放，車速較低時回收效率較差，制動強度過高時為緊急制動狀態，為保證制動安全性也不進行制動回收。

（2）當Z較低時，若車速偏低或適中，后輪制動力全部由再生制動力提供，若車速較高，根據SOC判斷采取機械制動或聯合制動。

（3）當Z適中時，若車速偏低，后輪制動力由再生制動力提供，若車速適中，根據SOC情況調節聯合制動比例，若車速較高，根據SOC情況判斷采取機械制動或聯合制動。

3 再生制動控制策略設計

3.1 再生制動控制策略模型

根據上述提出的再生制動控制策略，利用Simulink 軟件搭建控制策略模型，如圖2所示。該模型輸入為電池SOC、車速V、瞬時減速度du/dt、電機轉速和制動壓力信號，輸出為再生制動比例K和電機和機械制動力。

圖2 再生制動控制策略Fig.2 Regenerative Rraking Control Strategy

3.2 模糊控制器設計

模糊控制器選取對再生制動影響較大的三個因素：純電動輕型貨車動力電池SOC、車速V、制動強度Z作為輸入，選取電制動占后輪制動力的比例K為輸出。輸入、輸出的模糊子集和論域定義如下：動力電池SOC模糊子集為{VL，L，M，H}，論域為[0，1]；車速V的模糊子集為{L，M，H}，論域為[0，100]；制動強度Z的模糊子集為{L，M，H}，論域為[0，1]；比例K的模糊子集為{VS，S，M，B，VB}，論域為[0，1]。根據以往的經驗和理論分析，輸入變量和輸出變量的隸屬度函數設置，如圖3所示。

圖3 模糊控制輸入、輸出的隸屬度函數Fig.3 Input and Output Membership Functions of Fuzzy Control

根據前文電機制動力和機械制動力分配策略，結合前期研究和仿真試驗，在保證車輛安全性的前提下，為了盡可能多的回收制動能量，設計如下模糊控制規則，模糊規則語句為：IF（SOCisVL）and（VisL）and（ZisL）then（kisVS），模糊規則，如表1所示。完成以上設置以后，采用加權平均法對輸出量k進行解模糊，進而得到k的具體數值。

表1 模糊規則Tab.1 Fuzzy Rule

4 模糊控制器隸屬度函數的優化

4.1 模糊控制的局限性

模糊控制器因其具有良好的適應性和較強的魯棒性被廣泛用于控制策略之中，但其隸屬度函數和模糊規則在設計過程中具有較強的主觀性，使得控制策略很難達到最優的控制結果。因此有必要采用優化算法對隸屬度函數進行優化，使控制策略在滿足制動穩定性和安全性的前提下，能夠最大限度的提高再生制動能量回收效率。

4.2 適應度函數選擇

由于隸屬度函數設計的主觀性較強，選擇模糊控制器的輸入和輸出的隸屬度函數作為優化對象。設計模糊控制器的初衷是為了提高目標車輛的制動能量回收率，即增大電機制動在車輛需求制動中的占比，故選取模糊控制器k值作為評價指標。

4.3 遺傳優化算法流程

（1）對模糊控制器輸入和輸出的論域進行二進制編碼，編碼位數選擇為20。（2）將模糊控制器輸入和輸出的隸屬度函數按照二進制數字串的形式進行重新劃分，組成初始種群，初代個體數量為100。（3）將適應度函數和約束函數編寫成m文件，通過句柄形式導入工具箱中，并設置好相關參數，利用MATLAB優化工具箱進行求解。（4）將遺傳算法最優解帶入模糊控制器隸屬度函數，進行重新設置。（5）經過反復比較與驗證，選擇的終止條件為繁衍50代，優化結果，如圖4所示。

圖4 遺傳算法解和種群均值變化Fig.4 Genetic Algorithm Solution and Population Mean Change

5 聯合仿真及結果分析

5.1 搭建整車模型

采用AVL cruise軟件對整車模型進行搭建，然后跟MATLAB中搭建的控制策略模型進行聯合仿真，截取NEDC循環工控下一定時間內的輸出參數，對優化前后再生制動占比系數、電機輸出轉矩、動力電池SOC和再生制動回收能量進行比較，驗證遺傳算法對控制策略的優化效果，純電動貨車整車模型及參數，如圖5所示。

圖5 純電動貨車整車模型Fig.5 Complete Vehicle Model of Pure Electric Truck

表2 主要總成結構及技術參數Tab.2 Main Assembly Structure and Technical Parameters

5.2 優化前后再生制動系數對比

車輛在行駛過程中模糊控制器輸出的再生制動占比系數K前后比較，如圖6所示。優化后再生制動占比系數K明顯增大。

圖6 優化前后再生制動比例系數KFig.6 The Proportional Coefficient K of Regenerative Braking Before and After Optimization

5.3 優化前后電機輸出轉矩比

優化后的電機輸出的負反饋轉矩相比優化前所占電機輸出轉矩的比例明顯增多，而且輸出值更大，驗證了優化的有效性，如圖7所示。

圖7 優化前后電機輸出轉矩Fig.7 The Output Torque of the Motor Before and After Optimization

5.4 優化前后動力電池SOC比較

將循環工況設置SOC值從80%至20%不斷循環，并截取2h到3h之間SOC值的變化情況，結果顯示優化前后動力電池SOC的消耗曲線變化明顯，相同工況下，優化后的SOC值下降的更緩慢，如圖8所示。

圖8 優化前后電池SOC變化Fig.8 Battery SOC Changes Before and After Optimization

5.5 優化前后NEDC循環工況回收能量對比

優化后再生制動回收能量比優化前增大了，電池輸出能量比優化前減少了，如表3所示。綜上，通過優化前后的對比分析驗證了算法的可行性和有效性。

表3 優化前后再生制動能量對比Tab.3 Comparison of Regenerative Braking Energy Before and After Optimization

6 結論

針對純電動貨車能量回收中存在的問題，提出了一種再生制動控制策略；利用遺傳算法對控制策略的隸屬度函數進行優化，仿真結果表明：該控制策略在保證制動安全性的前提下，相比優化前制動回收效率提升了32.57%，電池輸出能量節省了11.99%；所提出的模糊控制策略和仿真驗證對純電動貨車再生制動系統設計具有一定的參考意義。