純電動汽車回饋制動的模糊算法

張桂鳳， 張子建， 謝蓄芬， 王國新

(1.黑龍江科技學院 電氣與信息工程學院，哈爾濱 150027;2.哈爾濱工業(yè)大學 機電工程學院，哈爾濱 150001)

純電動汽車回饋制動的模糊算法

張桂鳳1， 張子建2， 謝蓄芬1， 王國新1

(1.黑龍江科技學院 電氣與信息工程學院，哈爾濱 150027;2.哈爾濱工業(yè)大學 機電工程學院，哈爾濱 150001)

為改善電動汽車的再生制動能量回收率，設計了一種以駕駛員制動、車速、電池荷電狀態(tài)(SOC)和電池組溫度為輸入?yún)?shù)，以再生制動力為輸出的Sugeno型模糊算法控制器。通過改進ADVISOR中VEH_SMCAR車模型的原有制動力分配規(guī)則，電池SOC、電池電流和電機轉(zhuǎn)矩得到提高。仿真結果表明:改進的模糊控制算法和制動力分配規(guī)則合理可行，在保證車輛良好制動性能的前提下，可以降低電池在一個CYC_UDDS循環(huán)工況下的耗電量，提高能量利用率，有效延長電動汽車一次充電續(xù)駛里程。該研究為純電動汽車再生制動控制策略的制定提供了參考。

回饋制動;模糊算法;ADVISOR;制動力分配

0 引言

回饋制動是指在保證車輛制動性能的前提下，通過電動機/發(fā)電機或者高速飛輪等裝置，將車輛制動過程中的動能或勢能轉(zhuǎn)化為其他形式的能量儲存在裝置中，實現(xiàn)能量回收再利用。對于純電動汽車來說，能量的回收是通過電動機和發(fā)電機不斷變換來實現(xiàn)的，能量的存儲是通過蓄電池組實現(xiàn)［1］?；仞佒苿涌梢杂行岣吣芰坷寐?，延長電動汽車的一次充電續(xù)駛里程。目前，國內(nèi)外在回饋制動方面已經(jīng)做了大量工作，并取得了一些成果［2－4］。Gao Yimin等提出了理想制動力分配曲線、能量最優(yōu)回收和并行分配策略等來求解再生制動力［5］，雖然理想制動力分配模型能最大程度的回收能量，但車輛的重量、重心位置和行駛工況不斷變化，如何實現(xiàn)機電制動力的分配并保證車輛的良好制動性能，該算法存在一定困難。Gao Hongwei等基于神經(jīng)網(wǎng)絡算法求取再生制動力［6］，但該算法計算復雜，可靠性較低。Yao Jie和Zhang Jingming等運用模糊算法計算再生制動力［7－8］，但在模糊算法的實現(xiàn)過程中，僅考慮了影響再生制動力因素中的車速、駕駛員制動需求、電池荷電狀態(tài)(SOC)中的兩個因素，并未考慮影響電池最大充電電流的溫度等因素。因此，文中在求取再生制動力方面，設計了一種考慮駕駛員制動需求、車速、電池SOC和電池組溫度的Sugeno型模糊算法控制器，并根據(jù)已有理論，對模糊算法的隸屬度函數(shù)和模糊規(guī)則進行了優(yōu)化。

1 電動汽車再生制動系統(tǒng)

電動汽車再生制動系統(tǒng)如圖1所示。駕駛員根據(jù)車輛行駛狀況，決定踩下制動腳踏板的角度和快慢，腳踏板傳感器將駕駛員的制動需求發(fā)送給模糊算法控制器，模糊控制器根據(jù)前后輪和機電制動力分配規(guī)則，分配前輪機械制動力、前輪電制動力和后輪制動力。

圖1 電動汽車再生制動系統(tǒng)Fig.1 Block diagram of regenerative braking system

為了保證車輛制動過程中的安全性，前后輪制動力分配規(guī)則采用ADVISOR中車輛模型VEH_ SMCAR自帶制動力分配方案;機電制動力分配采用將盡可能多的制動力分配給電制動力，只有在電制動力無法滿足要求時，由機械制動力進行補充，車輛的制動力分配規(guī)則如圖2所示。

圖2 前后輪車速和制動力分配比例關系Fig.2 Relationship between vehicle speed and force distribution

2 再生制動力的求解

2.1 再生制動力的影響因素

再生制動力的值主要受以下幾個因素的影響:

(1)制動需求。當駕駛員踩下制動腳踏板的角度比較大時，說明車輛的制動需求力比較大，車輛需要盡快停下來，此時，應盡量增加機械制動力所占的比例;當駕駛員踩下制動腳踏板的角度比較小時，說明車輛的制動需求力比較小，車輛可以在很長的距離內(nèi)減速行駛，此時，可以適當增加電制動力所占比例。

(2)車速。電制動力的大小還受車速的影響。當車速較高時，電機處于較高的轉(zhuǎn)速，電機回收能量的效率比較高，此時應盡可能提高電制動力的比例;當車速較低時，電機轉(zhuǎn)速也較低，電機回收能量的效率很低，此時，應減小電制動力所占比例。

(3)電池SOC。電池的SOC決定了電池是否允許充電，因此，也影響了電制動力的大小。當電池SOC比較低時，證明電池處于比較適合充電狀態(tài)，因此，此時電制動力所占比例可以大些;當電池SOC比較高時，電池不適合充電，此時，應減小電制動力所占比例。

(4)電池組溫度。電池組溫度影響了電池的最大允許充電電流，由于電機的轉(zhuǎn)速越高，反饋電流越大，因此，電制動力值的大小也受電池組溫度的制約。當溫度比較高或比較低時，電池的最大允許充電電流比較小，為了保證電池的充電安全性，電制動力所占比例要相應的減小;當溫度適中時，電池的最大允許充電電流比較大，為了提高能量的回收效率，電制動力的比例可以相應的增大。

2.2 模糊算法控制器設計

基于上述分析，文中，模糊算法控制器輸入包括制動力需求B、車速v、電池SOCQ和電池組溫度θ 4個變量，以再生制動力F作為輸出，采用Sugeno型模糊算法。為了提高系統(tǒng)的精度，各輸入?yún)?shù)的隸屬度函數(shù)A(x)采用S型。

2.2.1 輸入

制動力需求的隸屬度函數(shù)如圖3a所示。模糊子集LB表示駕駛員的制動需求比較小，車輛可以在很長的距離內(nèi)實現(xiàn)制動即可;模糊子集MB表示在一般制動需求情況下;模糊子集HB表示駕駛員制動需求比較大，車輛需要在短時間和短距離內(nèi)實現(xiàn)制動。

圖3 輸入變量隸屬度函數(shù)Fig.3 Membership function of input variables

車速隸屬度函數(shù)如圖3b所示。模糊子集Lv表示車速較低，如車輛剛起步或者即將停車的時候;模糊子集Mv表示車輛速度適中的時候，如在城市工況下;模糊子集Hv表示車輛行駛速度較高，如在高速公路或直線行駛時。

電池SOC隸屬度函數(shù)如圖3c所示。當電池SOC在LQ階段(小于10%)時，電池的內(nèi)阻較大，電池不適合大電流充電;當電池SOC在MQ(10%～90%)階段時，電池的可充電電流增加，電池可以以較大的電流充電;當電池SOC在HQ階段(大于90%)時，為防止鋰的沉積，電池可接受的充電電流下降［9］。

電池組溫度隸屬度函數(shù)如圖3d所示。電池組溫度在－20～20℃時，電池組允許的充電電流在逐漸升高，充電電流不宜過大;當溫度在20～45℃時，電池允許的最大充電電流比較大，因此，此時可采用大電流充電;當溫度在45～50℃時，電池允許的最大充電電流明顯減小;當溫度低于－20℃或者高于45℃時，為防止對電池的傷害，該兩種情況下，禁止對電池充電［8］。

2.2.2 輸出

文中，模糊控制器的輸出是再生制動力。再生制動力的模糊集和論域為:(F0，F(xiàn)1，F(xiàn)2，F(xiàn)3，F(xiàn)4，F(xiàn)5，F(xiàn)6，F(xiàn)7，F(xiàn)8，F(xiàn)9，F(xiàn)10)={0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1.0}。

2.2.3 模糊規(guī)則

根據(jù)各種因素對再生制動力的影響情況，制定的模糊規(guī)則如表1所示。受篇幅限制，文中僅給出部分數(shù)據(jù)。

表1 模糊規(guī)則Table 1 Fuzzy rules

3 仿真分析

3.1 控制算法

根據(jù)駕駛員的制動需求，按照ADVISOR軟件中自帶車輛模型VEH_SMCAR前后輪制動力分配規(guī)則，分配前后輪制動力，根據(jù)圖2中求得的再生制動力，合理分配前輪中機電制動力的分配比例，提高能量回收率，其算法流程如圖4所示。

圖4 制動力分配算法流程Fig.4 Structure of braking force distribution algorithm

3.2 相關數(shù)據(jù)

文中選用美國可再生能源實驗室NREL(National Renewable Energy Laboratory)開發(fā)的車輛仿真軟件ADVISOR(Advanced Vehicle Simulator，高級車輛仿真器)進行仿真，選擇的車輛模型和路況參數(shù)為:車輛質(zhì)量為592 kg，貨物質(zhì)量為136 kg，車軸距為2.6 m，前面空氣接觸面積為2.0 m2，重心高度為0.5 m，車輛靜止時，前輪重力分配比例為0.6，儲能裝置為Hawker Genesis 12V26Ah10EP VRLA蓄電池;電機選MC_AC75;循環(huán)工況選擇CYC_UDDS。

根據(jù)以上信息和分析，用SIMULINK工具箱修改、替換ADVISOR自帶車輛模型VEH_SMCAR的相關模塊和文件，得到如圖5所示的再生制動仿真模型。

圖5 再生制動仿真模型Fig.5 Regenerative braking simulation model

3.3 仿真結果

將修改后的再生制動力求取和制動力分配模型導入ADVISOR軟件中，得出仿真結果，其與原有模型仿真結果的比較如圖6所示。

圖6 仿真結果Fig.6 Simulation results

由圖6a可以看出，改進模型在車速方面與原有模型一致，表明改進模型能夠保證車輛的制動安全性。圖6b表明，在電池充電方面，改進模型優(yōu)于原模型，即改進模型可以實現(xiàn)更多的能量回收到電池，在一個CYC_UDDS循環(huán)工況下，電池SOC大約提高了10%，提高了能量利用率。從圖6c可以看出，車輛的回饋電流在改進模型中也得到了提高，表明電池的荷電狀態(tài)得到提高，有更多的能量儲存到電池中。通過圖6d可以看出，車輛實際達到的正轉(zhuǎn)矩曲線在修改前后重合，即車輛的制動效能沒有改變;但是修改后，模型的負轉(zhuǎn)矩明顯增加，這說明在制動過程中，有更多的能量實現(xiàn)回饋。從圖6e可見，改進模型的電池溫度升高小于原有模型的電池溫度，所以，不會造成電池過充現(xiàn)象，可以有效保證電池的安全。

4 結束語

文中根據(jù)電動汽車再生制動的特點和約束條件，設計了一種以制動、車速、電池SOC和電池組溫度4個對再生制動力有顯著影響的因素為輸入、以再生制動力為輸出的Sugeno型模糊控制器。根據(jù)該控制器求取再生制動力值，并對ADVISOR中原有電動汽車模型VEH_SMCAR制動力分配規(guī)則進行了修改。仿真結果表明，文中提出的控制算法和制動力分配方案可以有效提高電池的充電量，提高能量的利用率，延長了電動汽車一次充電續(xù)駛里程。

［1］余志生.汽車理論［M］.5版.北京:機械工業(yè)出版社，2009.

［2］ZHANG ZIJIAN，XU GUOQING，LI WEIMIN，et al.The application of fuzzy logic in regenerative braking of EV［C］//2010 2nd International Conference on Intelligent Human-Machine Systems and Cybernetics(IHMSC 2010).Nanjing，Jiangsu:IEEE，2010: 124－128.

［3］周 磊，羅禹貢，李克強，等.電動汽車回饋制動與防抱死制動集成控制［J］.清華大學學報:自然科學版，2009，49(05): 728－792.

［4］全 力，張德望，朱孝勇，等.基于矢量控制的永磁同步電動機回饋制動的仿真與研究［J］.微特電機，2011(03):45－51.

［5］GAO YIMIN，CHEN LIPING，EHSANI M.Investigation of the effectiveness of regenerative braking for EV and HEV［J］.SAE International，1999，108(6):3184－3190.

［6］GAO HONGWEI，GAO YIMIN，EHSANI M.A neural network based SRM drive control strategy for regenerative braking in EV and HEV［C］//Proceedings of Electric Machines and Drives Conference(IEMDC 2001).Cambridge:IEEE，2001:571－575.

［7］YAO JIE，ZHONG ZAIMIN，SUN ZECHANG.A fuzzy logic based regenerative braking regulation for a fuel cell bus［C］//IEEE International Conference on Vehicular Electronics and Safety.Beijing: IEEE，2007:22－25.

［8］ZHANG JINGMING，SONG BAOYU，CUI SHUMEI，et al.Fuzzy logic approach to regenerative braking system［C］//International Conference on Intelligent Human-Machine Systems and Cybernetics.Hangzhou:IEEE，2009:451－454.

［9］文 鋒，姜久春，張維戈，等.電動汽車用鋰離子電池組充電方法［J］.汽車工程，2008，30(9):792－795.

Fuzzy logic in regenerative braking of EV

ZHANG Guifeng1，ZHANG Zijian2，XIE Xufen1，WANG Guoxin1
(1.College of Electric＆Information Engineering，Heilongjiang Institute of Science＆Technology，Harbin 150027，China; 2.School of Mechanical＆Electrical Engineering，Harbin Institute of Technology，Harbin 150001，China)

To improve the efficiency of recycling the regenerative brake energy for electrical vehicles，we design a Sugeno’s fuzzy logic controller which has four inputs including driver’s requirement of braking force，vehicle speed，batteries’state of charger(SOC)and batteries’temperature and one output which is the regenerative braking force.We do some improvement on the force distribution of the original model of VEH_SMCAR in ADVISOR，so batteries’SOC，batteries’current and motor’s torque can be increased.The simulation results show the fuzzy control logic and the force distribution regulation are reasonable and feasible，under the conditions of ensuring braking quality，which can decrease the consumption of electrical quantity in a driving cycle of CYC_UDDS，improve the energy usage efficiency and prolong the driving distance of EV per charge.The study can provide reference for the control strategy of the regenerative brake energy for electrical vehicles.

regenerative braking;fuzzy logic;ADVISOR;braking force distribution

U469.72;TP273

A

1671－0118(2012)02－0177－05

2012－02－24

黑龍江省教育廳科學技術研究項目(12521480);中國煤炭工業(yè)協(xié)會科學技術研究指導性計劃項目(MTKJ2011－427)

張桂鳳(1976－)，女，內(nèi)蒙古自治區(qū)牙克石人，講師，碩士，研究方向:電氣工程與智能控制，E-mail:zgfzgf99@126.com。

(編輯王 冬)