雙軸驅(qū)動(dòng)混合動(dòng)力車輛能量管理策略

江冬冬, 李道飛, 俞小莉

(浙江大學(xué) 動(dòng)力機(jī)械及車輛工程研究所,浙江 杭州 310027)

?

雙軸驅(qū)動(dòng)混合動(dòng)力車輛能量管理策略

江冬冬, 李道飛, 俞小莉

(浙江大學(xué) 動(dòng)力機(jī)械及車輛工程研究所,浙江 杭州 310027)

建立雙軸驅(qū)動(dòng)混合動(dòng)力車輛(DDHEV)效率分析模型,并構(gòu)建杭州市循環(huán)工況.根據(jù)動(dòng)態(tài)規(guī)劃控制策略的仿真結(jié)果獲得新規(guī)則控制策略,評(píng)估新規(guī)則控制策略的節(jié)油效果.結(jié)果表明：相比于傳統(tǒng)的規(guī)則控制策略,新規(guī)則控制策略可以使車輛燃油經(jīng)濟(jì)性在擁堵工況下提高35.5%,在順暢工況下提高24.9%,在高架工況下提高4.8%.為提高新規(guī)則控制策略在不同工況下的適應(yīng)性,采用學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)識(shí)別實(shí)際運(yùn)行工況,調(diào)整相應(yīng)的控制參數(shù),并評(píng)估節(jié)油效果.結(jié)果表明：在實(shí)際運(yùn)行工況下,相比于采用單個(gè)新規(guī)則控制策略,采用工況識(shí)別來調(diào)整新規(guī)則控制策略參數(shù)可使燃油經(jīng)濟(jì)性提高28.2%以上.所提出的模型滿足了雙軸驅(qū)動(dòng)混合動(dòng)力車輛的實(shí)際應(yīng)用需求,提高了車輛的燃油經(jīng)濟(jì)性．

雙軸驅(qū)動(dòng)混合動(dòng)力車輛(DDHEV)；工況構(gòu)建；能量管理；規(guī)則提??；工況識(shí)別

雙軸驅(qū)動(dòng)混合動(dòng)力車輛(dual drive hybridelectric vehicles,DDHEV)是四輪驅(qū)動(dòng)技術(shù)與混合動(dòng)力技術(shù)相結(jié)合的產(chǎn)物,兼具四驅(qū)車輛的動(dòng)力性、通過性、操縱性和混合動(dòng)力電動(dòng)車輛的經(jīng)濟(jì)性[1].同時(shí),DDHEV改造較為容易,不需要完全重新設(shè)計(jì)整車結(jié)構(gòu),可為汽車公司節(jié)省大量的研發(fā)時(shí)間和成本.目前,國內(nèi)外汽車公司紛紛推出了各自的DDHEV．

我國城市間的道路狀況差異較大,因此城市間的車輛循環(huán)工況特征也有較大區(qū)別[2].循環(huán)工況對(duì)能量管理策略的制定有很大影響,大量文獻(xiàn)對(duì)國內(nèi)不同城市循環(huán)工況的構(gòu)建進(jìn)行了研究[3-6],但是對(duì)于杭州市循環(huán)工況構(gòu)建的研究很少.目前,針對(duì)DDHEV的研究主要包括換擋策略、模式切換平順性[7-8]和能量管理控制策略研究[9-11]等.其中,DDHEV能量管理策略主要包括動(dòng)態(tài)規(guī)劃控制策略(dynamic programming, DP)、等效燃油消耗最小控制策略(equivalent consumption minimization strategy, ECMS)和基于規(guī)則的控制策略(rule-based, RB)等.混合動(dòng)力車輛在實(shí)際應(yīng)用中的控制策略目前只有規(guī)則控制策略,當(dāng)前文獻(xiàn)針對(duì)DDHEV采用規(guī)則控制策略時(shí)并沒有對(duì)其進(jìn)行優(yōu)化,也沒有考慮運(yùn)行工況的影響．

本文針對(duì)雙軸驅(qū)動(dòng)混合動(dòng)力車輛的能量管理策略進(jìn)行研究.通過構(gòu)建杭州市循環(huán)工況,并采用動(dòng)態(tài)規(guī)劃控制策略對(duì)其進(jìn)行仿真計(jì)算；根據(jù)其計(jì)算結(jié)果提取出新規(guī)則控制策略,進(jìn)而采用學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)(learning vector quantization neural network,LVQNN)識(shí)別車輛當(dāng)前的運(yùn)行工況；根據(jù)識(shí)別結(jié)果實(shí)時(shí)調(diào)整新規(guī)則控制策略的參數(shù),以獲得更好的燃油經(jīng)濟(jì)性．

圖1 雙軸驅(qū)動(dòng)混合動(dòng)力車輛結(jié)構(gòu)示意圖Fig.1 Structure diagram of dual drive hybrid electric vehicles (DDHEV)

1 模型構(gòu)建

DDHEV的結(jié)構(gòu)如圖1所示,以內(nèi)燃機(jī)車輛(internal combustion engine vehicles, ICEV)為基礎(chǔ),只需要在發(fā)動(dòng)機(jī)和變速箱之間增加啟動(dòng)/發(fā)電機(jī)(integrated starter/generator, ISG),在后軸處增加驅(qū)動(dòng)電機(jī)(rear-axle motor, RAM)以及動(dòng)力電池等相關(guān)部件即可.DDHEV的主要參數(shù)如表1所示,由于其部件比ICEV更多,假設(shè)DDHEV比ICEV重300 kg,其余相同部件的參數(shù)不變．

表1 雙軸驅(qū)動(dòng)混合動(dòng)力車輛主要參數(shù)

Tab.1 Main parameters of dual drive hybrid electric vehicles (DDHEV)

主要參數(shù)數(shù)值整車質(zhì)量/kg1300(內(nèi)燃機(jī)車輛,ICEV)1600(雙軸驅(qū)動(dòng)混合動(dòng)力車輛,DDHEV)前主減速器比3.5后主減速器比6.7發(fā)動(dòng)機(jī)功率/kW73啟動(dòng)/發(fā)電機(jī)功率/kW21驅(qū)動(dòng)電機(jī)功率/kW59動(dòng)力電池容量/Ah6變速器傳動(dòng)比1檔:4.027;2檔:2.364;3檔:1.532;4檔:1.152;5檔:0.852

DDHEV模型基于Advisor軟件中的Parallel SA模型修改得到,如圖2所示.在原模型的基礎(chǔ)上添加后輪模塊、后主減速器模塊和后軸驅(qū)動(dòng)電機(jī)模塊,如圖中虛線框①所示.此外,由于原模型為前軸驅(qū)動(dòng),需要對(duì)其牽引力控制模塊及前、后軸之間的轉(zhuǎn)矩分配模塊進(jìn)行修改,如圖中虛線框②所示,具體修改過程見文獻(xiàn)[12].

2 杭州市循環(huán)工況構(gòu)建

車輛循環(huán)工況的基本開發(fā)流程如下：試驗(yàn)規(guī)劃、數(shù)據(jù)采集、數(shù)據(jù)分析與處理和工況構(gòu)建．本文試驗(yàn)采用自主行駛法,即對(duì)象車輛駕駛員自由駕駛車輛.該方法在時(shí)間和道路方面沒有規(guī)定,隨意性強(qiáng).為了反映車輛在不同時(shí)間段的運(yùn)行特征,通過車輛的控制器局域網(wǎng)絡(luò)(controller area network, CAN)記錄一個(gè)月內(nèi)的運(yùn)行數(shù)據(jù).對(duì)于數(shù)據(jù)分析與處理及工況構(gòu)建的具體過程詳見文獻(xiàn)[3-6]．

由上述工況構(gòu)建流程可得到如圖4所示的3類杭州市循環(huán)工況：擁堵工況、順暢工況、高架工況.圖中,t為時(shí)間,v為車輛運(yùn)行速度,可以看出不同工況下的運(yùn)行速度曲線存在明顯區(qū)別.如圖3(a)所示的擁堵工況,最高車速小于40 km/h,停車等待時(shí)間較長；如圖3(b)所示的順暢工況,車速大部分在30～60 km/h范圍內(nèi),停車等待時(shí)間很短；如圖3(c)所示的高架工況,車速大部分在60～90 km/h范圍內(nèi),停車等待時(shí)間很短．

圖2 雙軸驅(qū)動(dòng)混合動(dòng)力車輛模型示意圖Fig.2 Schematic diagram of DDHEV model

圖3 杭州市(擁堵、順暢、高架)循環(huán)工況圖Fig.3 Hangzhou driving cycle diagrams of congestion, smooth and elevated highway

3 控制策略開發(fā)

3.1 傳統(tǒng)的規(guī)則控制策略

傳統(tǒng)的規(guī)則控制策略(traditional rule-based, TRB)設(shè)定了一系列的門限值,在維持動(dòng)力電池荷電狀態(tài)(state of charge, SOC)處于允許范圍內(nèi)的前提下,通過車輛需求功率、車速等因素根據(jù)設(shè)定的規(guī)則對(duì)車輛的運(yùn)行模式進(jìn)行切換,并對(duì)各部件進(jìn)行動(dòng)力分配[13-14]．

圖4 傳統(tǒng)的規(guī)則控制策略下發(fā)動(dòng)機(jī)運(yùn)行區(qū)域示意圖Fig.4 Schematic diagram of engine operation area with traditional rule-based (TRB) control strategy

根據(jù)發(fā)動(dòng)機(jī)的有效燃油消耗率圖,通過2條等功率線(功率上限Pup,功率下限Pdn)將發(fā)動(dòng)機(jī)運(yùn)行區(qū)域限制在其內(nèi)部,劃分結(jié)果如圖4所示.其中,Ne為發(fā)動(dòng)機(jī)轉(zhuǎn)速,T為發(fā)動(dòng)機(jī)轉(zhuǎn)矩．

為DDHEV設(shè)定的規(guī)則如下．

1) 純電動(dòng)驅(qū)動(dòng)：PdSl,則PISG+PRAM=Pd．

2) 發(fā)動(dòng)機(jī)單獨(dú)驅(qū)動(dòng)：

Pdn(Sl+Sh)/2,

Peng=Pd．

3) 聯(lián)合驅(qū)動(dòng)：

Pd>Pup,S>Sl,

Peng=Pup,Peng+PRAM+PISG=Pd．

4) 行車充電：

S<(Sl+Sh)/2,Pd

Peng=Pup,PISG=Peng-Pd．

5) 制動(dòng)控制：Pd<0,則

PRAM=max (-max (PRAM),Pd),

PISG=max (-max (PISG),Pd-PRAM),

PMB=Pd-PRAM-PISG．式中：Pd和PMB分別為需求功率和制動(dòng)功率,Peng、PRAM和PISG分別為發(fā)動(dòng)機(jī)、后軸電機(jī)和啟動(dòng)/發(fā)電機(jī)的輸出功率,S為動(dòng)力電池荷電狀態(tài),Sh、Sl分別為動(dòng)力電池荷電狀態(tài)允許的上下限,-max (PRAM)、-max (PISG)分別為RAM和ISG的最大制動(dòng)功率．

3.2 動(dòng)態(tài)規(guī)劃控制策略

動(dòng)態(tài)規(guī)劃控制策略的中心思想是將多階段決策問題轉(zhuǎn)化為一系列的單階段決策問題.在每個(gè)階段都做出決策,根據(jù)現(xiàn)階段所作的決策可獲得現(xiàn)階段的效益,也可獲得下一個(gè)階段的初始狀態(tài).在每個(gè)階段的決策選定之后,就可得到一個(gè)決策序列,最后通過正向?qū)?yōu)的方法找到最優(yōu)的決策序列,從而獲得最優(yōu)的效益總和．

DDHEV和豐田普銳斯(Prius)車輛,由于結(jié)構(gòu)不同,在采用動(dòng)態(tài)規(guī)劃進(jìn)行仿真時(shí)存在一定的區(qū)別.

1) 在進(jìn)行動(dòng)態(tài)規(guī)劃計(jì)算時(shí),Prius和DDHEV的決策變量和狀態(tài)變量如表2所示.共同之處是都有3個(gè)動(dòng)力部件,需要將其中2個(gè)動(dòng)力部件的輸出轉(zhuǎn)矩作為控制變量,從而確定另一個(gè)部件的輸出轉(zhuǎn)矩,并以動(dòng)力電池荷電狀態(tài)作為狀態(tài)變量.不同之處如下：DDHEV不存在行星齒輪結(jié)構(gòu),不能實(shí)現(xiàn)電無極變速功能,其動(dòng)力部件的轉(zhuǎn)速、轉(zhuǎn)矩與變速器檔位相關(guān),在控制變量中需要添加變速器檔位作為控制參數(shù)；其發(fā)動(dòng)機(jī)轉(zhuǎn)速與車速直接相關(guān),不需要將發(fā)動(dòng)機(jī)轉(zhuǎn)速作為狀態(tài)變量,只需要將動(dòng)力電池荷電狀態(tài)作為狀態(tài)變量.動(dòng)態(tài)規(guī)劃的計(jì)算量隨決策變量和狀態(tài)變量的增加呈指數(shù)增長,為了減少計(jì)算量,同時(shí)簡化規(guī)則提取,規(guī)定發(fā)動(dòng)機(jī)沿著比油耗最小的曲線運(yùn)行,如圖5所示.發(fā)動(dòng)機(jī)轉(zhuǎn)矩可由發(fā)動(dòng)機(jī)轉(zhuǎn)速和比油耗最小曲線獲得,最終決策變量可簡化為后軸電機(jī)轉(zhuǎn)矩和變速器檔位,如表2所示．

表2 普銳斯和DDHEV采用動(dòng)態(tài)規(guī)劃控制策略時(shí)的決策變量和狀態(tài)變量對(duì)比

Tab.2 Decision and state variables comparison of dynamic programming control strategy based on Prius and DDHEV

對(duì)象車輛決策變量狀態(tài)變量普銳斯發(fā)動(dòng)機(jī)轉(zhuǎn)矩電動(dòng)機(jī)轉(zhuǎn)矩發(fā)動(dòng)機(jī)轉(zhuǎn)速、動(dòng)力電池荷電狀態(tài)DDHEV發(fā)動(dòng)機(jī)轉(zhuǎn)矩后軸電機(jī)轉(zhuǎn)矩變速器檔位動(dòng)力電池荷電狀態(tài)DDHEV(參數(shù)簡化)后軸電機(jī)轉(zhuǎn)矩變速器檔位動(dòng)力電池荷電狀態(tài)

圖5 DDHEV發(fā)動(dòng)機(jī)比油耗最小曲線圖Fig.5 Optimal brake specific fuel consumption line of DDHEV engine

2) 由于DDHEV的后軸電機(jī)轉(zhuǎn)速范圍不能夠滿足車輛高速運(yùn)行,在低速運(yùn)行時(shí)是3個(gè)動(dòng)力部件之間進(jìn)行動(dòng)力分配,而高速時(shí)只有前軸2個(gè)動(dòng)力部件進(jìn)行動(dòng)力分配．

3) Prius的2個(gè)電機(jī)都可根據(jù)運(yùn)行工況的需求進(jìn)行發(fā)電或者驅(qū)動(dòng).DDHEV的后軸電機(jī)和前軸并不直接相連,通過前軸驅(qū)動(dòng)帶動(dòng)后軸電機(jī)進(jìn)行發(fā)電,整體效率較低.因此在驅(qū)動(dòng)時(shí),設(shè)定只有啟動(dòng)/發(fā)電機(jī)可以發(fā)電,后軸電機(jī)不可發(fā)電,只有在制動(dòng)能量回收模式下時(shí)后軸電機(jī)才進(jìn)行發(fā)電．

DDHEV采用動(dòng)態(tài)規(guī)劃求解的步驟[15-17]如下．

1) 階段的劃分：在研究車輛的燃油經(jīng)濟(jì)性時(shí),高于1 Hz的車輛瞬態(tài)特性可以忽略不計(jì),以步長Δt=1 s將整個(gè)循環(huán)工況時(shí)間段分割為N個(gè)階段．

2) 狀態(tài)變量及決策變量：狀態(tài)變量要求能夠反映出整個(gè)循環(huán)過程中車輛的變化特性,并且具有無后效性.如表2所示,DDHEV的狀態(tài)變量為動(dòng)力電池荷電狀態(tài),簡化后的決策變量為后軸電機(jī)轉(zhuǎn)矩和變速器檔位．

3) 狀態(tài)轉(zhuǎn)移方程為

(1)

式中：x為狀態(tài)變量,k為仿真的階段,Δt為仿真步長,PRAM、PISG分別為后軸電機(jī)和啟動(dòng)/發(fā)電機(jī)的輸出功率,Wb為動(dòng)力電池的總能量．

4) 目標(biāo)函數(shù)：優(yōu)化目標(biāo)為在給定的循環(huán)工況下,以總油耗最小為前提,并對(duì)動(dòng)力電池荷電狀態(tài)進(jìn)行約束,求解最優(yōu)的決策變量u(k),因此動(dòng)態(tài)規(guī)劃的目標(biāo)函數(shù)中包含了2個(gè)子函數(shù),可表示為

(2)

式中：等號(hào)右側(cè)第一項(xiàng)為燃油消耗目標(biāo)子函數(shù),第二項(xiàng)為動(dòng)力電池荷電狀態(tài)的偏差懲罰函數(shù),Sf為循環(huán)工況結(jié)束時(shí)的動(dòng)力電池荷電狀態(tài)值,SN為目標(biāo)動(dòng)力電池荷電狀態(tài)值,α為加權(quán)因子．

在求解極小值時(shí),對(duì)動(dòng)力電池荷電狀態(tài),發(fā)動(dòng)機(jī)、啟動(dòng)/發(fā)電機(jī)、后軸電機(jī)的轉(zhuǎn)矩和轉(zhuǎn)速以及變速器檔位進(jìn)行約束,以保證所有運(yùn)行參數(shù)的變化處于允許范圍內(nèi)．

動(dòng)態(tài)規(guī)劃求解過程是基于Bellman優(yōu)化原理[15],主要分為以下4步：

1) 在給定循環(huán)工況下,計(jì)算每個(gè)時(shí)間階段整車的功率；

2) 在滿足整車需求功率的前提下,計(jì)算采用不同的功率分配方式時(shí)的油耗；

3) 從工況終端時(shí)間點(diǎn)開始,逆向推導(dǎo),完成整個(gè)循環(huán)工況下整車油耗最小值的計(jì)算,并標(biāo)記每個(gè)時(shí)間階段下獲得最小值的控制量；

4) 從工況始端時(shí)間點(diǎn)開始,正向求解,獲得整個(gè)循環(huán)工況下的最優(yōu)控制策略．

3.3 仿真結(jié)果分析

針對(duì)杭州市3個(gè)循環(huán)工況,分別采用傳統(tǒng)的規(guī)則控制策略和動(dòng)態(tài)規(guī)劃控制策略對(duì)DDHEV進(jìn)行仿真計(jì)算,并以ICEV作為對(duì)比,結(jié)果如表3所示.其中Q指車輛百公里油耗,ICEV指仿真對(duì)像是傳統(tǒng)內(nèi)燃機(jī)車輛,TRB指對(duì)DAHEV采用傳統(tǒng)的規(guī)則控制策略,DP指對(duì)DAHEV采用動(dòng)態(tài)規(guī)劃控制策略.為修正傳統(tǒng)的規(guī)則控制策略在仿真始末因動(dòng)力電池荷電狀態(tài)不同而引起的整車燃油消耗量差異,方便對(duì)比各個(gè)控制策略的油耗,采用線性矯正法對(duì)燃油消耗量結(jié)果進(jìn)行修正．

由表3可知,雖然ICEV重量較輕,但在擁堵工況下發(fā)動(dòng)機(jī)長時(shí)間運(yùn)行于怠速及低速區(qū)域,油耗偏高,而在順暢工況及高架工況下效率有所提升,油耗

表3 擁堵、順暢和高架工況采用傳統(tǒng)規(guī)則控制和動(dòng)態(tài)規(guī)劃控制策略的百公里油耗

Tab.3 Fuel consumption per hundred kilometers of using TRB and dynamic programming control strategy under congestion, smooth and elevated highway driving cycles

工況Q/(L·100km-1)ICEVTRBDP擁堵16.256.573.72順暢5.794.783.48高架4.954.754.08

下降明顯.相對(duì)于ICEV,盡管DDHEV的重量增加了300 kg,采用傳統(tǒng)的規(guī)則控制策略可使車輛燃油經(jīng)濟(jì)性在擁堵工況、順暢工況以及高架工況下分別提高59.6%、17.4%和4.0%.采用動(dòng)態(tài)規(guī)劃控制策略時(shí)的燃油經(jīng)濟(jì)性比采用傳統(tǒng)的規(guī)則控制策略在擁堵工況、順暢工況和高架工況下分別提高43.4%、27.2%和14.1%．

3.4 新規(guī)則控制策略的提取

由上述分析可知,相比于傳統(tǒng)的規(guī)則控制策略,采用動(dòng)態(tài)規(guī)劃控制策略進(jìn)一步提高了燃油經(jīng)濟(jì)性,但其計(jì)算量大,不適用于車輛實(shí)際運(yùn)行工況.因此,基于動(dòng)態(tài)規(guī)劃控制策略的仿真結(jié)果,提取新的規(guī)則控制策略(new rule-based, NRB)．

以順暢工況為例,采用動(dòng)態(tài)規(guī)劃控制策略獲得如圖6(a)中的仿真結(jié)果.將仿真結(jié)果由時(shí)間-車速對(duì)應(yīng)轉(zhuǎn)化為車速-需求功率,得到如圖6(b)、6(c)、6(d)和6(e)所示的檔位分布圖、運(yùn)行模式分類圖、制動(dòng)模式下電機(jī)功率圖和純電動(dòng)模式下電機(jī)功率圖．

如圖6(b)所示,隨著車速、需求功率的變化,各個(gè)檔位分布在有著明顯界限的不同區(qū)域內(nèi),由此獲得順暢工況下的換擋策略.如圖6(c)所示,順暢工況下主要有4種運(yùn)行模式,純電動(dòng)、行車發(fā)電、發(fā)動(dòng)機(jī)驅(qū)動(dòng)和電動(dòng)輔助,主要的運(yùn)行模式為電動(dòng)模式和行車發(fā)電模式,發(fā)動(dòng)機(jī)單獨(dú)驅(qū)動(dòng)模式和電動(dòng)助力模式出現(xiàn)的較少,因此根據(jù)各個(gè)模式的疏密程度將其分割成A、B 兩個(gè)區(qū)域.其中A區(qū)為純電動(dòng)模式,車輛需求功率較小,發(fā)動(dòng)機(jī)運(yùn)行效率較低,而此時(shí)電機(jī)的效率較高,因此應(yīng)由電機(jī)單獨(dú)驅(qū)動(dòng)車輛,提高燃油經(jīng)濟(jì)性;B區(qū)包括了除純電動(dòng)模式之外的發(fā)動(dòng)機(jī)單獨(dú)驅(qū)動(dòng)、行車發(fā)電和輔助驅(qū)動(dòng)3種模式,此時(shí)發(fā)動(dòng)機(jī)啟動(dòng),沿著比油耗最小曲線運(yùn)行,啟動(dòng)/發(fā)電機(jī)則補(bǔ)充不足的功率或者吸收多余的功率．

圖6 順暢工況下動(dòng)態(tài)規(guī)劃仿真結(jié)果(檔位分布、運(yùn)行模式分類、純電動(dòng)和制動(dòng)能量回收模式下2個(gè)電機(jī)的功率分配)Fig.6 Dynamic programming simulation results of smooth driving cycle (gear distribution, working pattern classification, power allocationbetween two motors under electric mode and brake energy regeneration mode)

如圖6(d)所示,處于制動(dòng)能量回收模式時(shí)主要由后軸電機(jī)回收制動(dòng)能量,因此將此模式下的規(guī)則設(shè)置為后軸電機(jī)優(yōu)先回收制動(dòng)能量,啟動(dòng)/發(fā)電機(jī)回收剩余的制動(dòng)能量.如圖6(d)所示,當(dāng)處于純電動(dòng)模式時(shí),動(dòng)力絕大部分由后軸電機(jī)提供,因此將此模式下的規(guī)則設(shè)置為由后軸電機(jī)優(yōu)先提供驅(qū)動(dòng)力,啟動(dòng)/發(fā)電機(jī)補(bǔ)充不足部分.對(duì)于DDHEV來說,后軸電機(jī)主要用于在純電動(dòng)模式下提供驅(qū)動(dòng)力及在制動(dòng)能量回收模式下回收制動(dòng)能量;而ISG電機(jī)主要用于在制動(dòng)能量回收模式下輔助進(jìn)行制動(dòng)能量回收及在純電動(dòng)模式下輔助驅(qū)動(dòng),并在輔助驅(qū)動(dòng)和行車發(fā)電模式下調(diào)整發(fā)動(dòng)機(jī)運(yùn)行狀態(tài),使其沿著于比油耗最小曲線運(yùn)行．

如圖7、6(c)和8所示分別為擁堵工況、順暢工況及高架工況下的模式劃分圖,雖然在不同工況下劃分的區(qū)域不同,但都可以表示成以下規(guī)則控制．

1) 若(Pd,V)∈區(qū)域A,PRAM=Pd；

2) 若(Pd,V)∈區(qū)域B,Peng=Popt,PISG=Pd-Peng；

3) 若Pd<0,PRAM+PISG=Pd．其中,Pd為需求功率,Peng、PRAM和PISG分別為發(fā)動(dòng)機(jī)、后軸電機(jī)和啟動(dòng)/發(fā)電機(jī)的輸出功率,Popt為發(fā)動(dòng)機(jī)轉(zhuǎn)速根據(jù)發(fā)動(dòng)機(jī)比油耗最小曲線對(duì)應(yīng)的輸出功率．

上述3個(gè)工況下提取得到的新規(guī)則控制策略分別為擁堵工況的新規(guī)則控制策略、順暢工況的新規(guī)則控制策略以及高架工況的新規(guī)則控制策略.對(duì)這3個(gè)循環(huán)工況分別采用傳統(tǒng)規(guī)則控制策略、新規(guī)則控制策略及動(dòng)態(tài)規(guī)劃控制策略進(jìn)行仿真計(jì)算,結(jié)果如表4所示.相比于動(dòng)態(tài)規(guī)劃控制策略,采用工況對(duì)應(yīng)的新規(guī)則控制策略時(shí)油耗略有增加,但相比于傳統(tǒng)的規(guī)則控制策略,其燃油經(jīng)濟(jì)性在擁堵工況、順暢工況和高架工況下分別提高了35.5%、24.9%和4.8%,說明了新規(guī)則控制策略的有效性．

圖7 基于動(dòng)態(tài)規(guī)劃的擁堵工況運(yùn)行模式分類圖Fig.7 Work pattern classification diagram of congestion driving cycle based on dynamic programming

圖8 基于動(dòng)態(tài)規(guī)劃的高架工況運(yùn)行模式劃分圖Fig.8 Work pattern classification diagram of elevated road driving cycle based on dynamic programming

表4 擁堵、順暢和高架工況采用傳統(tǒng)規(guī)則、新規(guī)則和動(dòng)態(tài)規(guī)劃控制策略的百公里油耗值

Tab.4 Fuel consumptions per hundred kilometers of using TRB, new rule-based and dynamic programming control strategy under congestion, smooth and elevated highway driving cycles

工況Q/(L·100km-1)TRBNRBDP擁堵6.574.243.72順暢4.783.593.48高架4.754.524.08

4 工況識(shí)別

由于3個(gè)新規(guī)則控制策略的區(qū)域劃分及換檔策略不同,在相同需求功率下分配到各驅(qū)動(dòng)系統(tǒng)的功率并不相同,導(dǎo)致車輛燃油經(jīng)濟(jì)性不同.對(duì)擁堵工況、順暢工況和高架工況分別采用3個(gè)新規(guī)則控制策略進(jìn)行仿真,結(jié)果如表5所示.其中NRB1為擁堵工況的新規(guī)則控制策略,NRB2為順暢工況的新規(guī)則控制策略,NRB3為高架工況的新規(guī)則控制策略.單個(gè)新規(guī)則控制策略只能在對(duì)應(yīng)的循環(huán)工況下獲得最好的燃油經(jīng)濟(jì)性,不能在所有工況下都獲得最佳的燃油經(jīng)濟(jì)性.為了使車輛能在實(shí)際工況中獲得較好的燃油經(jīng)濟(jì)性,需要對(duì)實(shí)際工況進(jìn)行識(shí)別,并根據(jù)識(shí)別結(jié)果對(duì)不同工況調(diào)整控制參數(shù)．

表5 擁堵、順暢和高架工況采用新規(guī)則控制策略的百公里油耗

Tab.5 Fuel consumptions per hundred kilometers of using new rule-based (NRB) control strategy under congestion, smooth and elevated highway driving cycles

工況FC/(L·100km-1)NRB1NRB2NRB3擁堵4.244.969.90順暢4.363.597.22高架16.396.954.52

學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)屬于前向有監(jiān)督神經(jīng)網(wǎng)絡(luò)類型,在模式識(shí)別和優(yōu)化領(lǐng)域有著廣泛的應(yīng)用[18-20].本文采用基于學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的工況識(shí)別方法對(duì)工況進(jìn)行識(shí)別,主要流程如圖9所示,根據(jù)3個(gè)循環(huán)工況的數(shù)據(jù),將行駛工況以每180 s分為多個(gè)小片段,每個(gè)片段之間可以疊加,然后對(duì)每個(gè)片段進(jìn)行特征參數(shù)計(jì)算.各個(gè)特征參數(shù)對(duì)識(shí)別的影響程度各不相同,部分參數(shù)之間功能重疊,經(jīng)過篩選得到的循環(huán)工況特征參數(shù)為平均車速、車速標(biāo)準(zhǔn)差、平均減速度、加速度標(biāo)準(zhǔn)差、每100 s內(nèi)速度變化大于2 km/h的平均次數(shù)、每100 s內(nèi)速度變化大于10 km/h的平均次數(shù)、減速度大于-0.96 m/s2且小于-0.6 m/s2的時(shí)間占減速時(shí)間的百分比和加速度大于1.03 m/s2的時(shí)間占加速度時(shí)間的百分比.在Matlab軟件中構(gòu)建學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的命令是net=newlvq(P,K,C,R,F).其中P為不同工況下的特征參數(shù)構(gòu)成的N×8維矩陣,其中N為3個(gè)工況的總時(shí)間長度；K為隱含層神經(jīng)元的數(shù)目,設(shè)置為40；C為第二層的權(quán)值中所列屬類別的百分比,其中擁堵工況、順暢工況和高架工況所占比例分別為28.93%、30.53%和40.55%；R為學(xué)習(xí)速率,設(shè)定為默認(rèn)值0.01；F為學(xué)習(xí)函數(shù),設(shè)定為默認(rèn)值learnlv1.為了驗(yàn)證所獲得的神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性,根據(jù)循環(huán)工況片段數(shù)據(jù)提取出特征參數(shù),將不同工況下的特征參數(shù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行識(shí)別,可得各個(gè)工況的識(shí)別正確率均為100%,精度滿足使用要求．

圖9 循環(huán)工況采用學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)識(shí)別的流程圖Fig.9 Flow chart of driving condition real-time recognition based on the learning vector quantization neural network

循環(huán)工況的在線識(shí)別可通過Labview軟件和Matlab軟件的聯(lián)合仿真來實(shí)現(xiàn).在Matlab軟件中建立LVQNN模型,在Labview軟件中進(jìn)行數(shù)據(jù)采集、數(shù)據(jù)處理及顯示等.兩者之間通過Labview軟件中的Matlab Script連接起來,LVQNN模型在Matlab軟件中生成,將Labview軟件采集得到的數(shù)據(jù)導(dǎo)入模型中,即可得到當(dāng)前運(yùn)行工況的識(shí)別結(jié)果.

由于Labview軟件調(diào)用的神經(jīng)網(wǎng)絡(luò)模型是在Simulink環(huán)境中生成的,實(shí)時(shí)識(shí)別和離線識(shí)別的結(jié)果相同.經(jīng)測試,識(shí)別實(shí)時(shí)性滿足實(shí)際使用要求．

本文以綜合工況中實(shí)際采集到的一段數(shù)據(jù)為識(shí)別對(duì)象,根據(jù)上述識(shí)別方法對(duì)綜合工況進(jìn)行識(shí)別,識(shí)別結(jié)果如圖10所示.對(duì)綜合工況采用不同的控制策略進(jìn)行仿真計(jì)算,結(jié)果如表6所示.其中IMP為采用不同控制策略時(shí),其百公里油耗值相對(duì)于內(nèi)燃機(jī)車輛減少的幅度.由于上述綜合工況中有接近2/3的工況為順暢工況和高架工況,內(nèi)燃機(jī)車輛有較好的燃油經(jīng)濟(jì)性,油耗為5.9 L/100 km.當(dāng)采用傳統(tǒng)的規(guī)則控制策略時(shí)車輛的燃油經(jīng)濟(jì)性相對(duì)于內(nèi)燃機(jī)車輛提升了16.1%；當(dāng)采用擁堵工況的新規(guī)則控制策略時(shí),燃油經(jīng)濟(jì)性比內(nèi)燃機(jī)車輛還要差,因?yàn)樵O(shè)定的控制策略中只在需求功率較小時(shí)使用純電動(dòng)模式,絕大部分時(shí)間發(fā)動(dòng)機(jī)都處于啟動(dòng)狀態(tài).當(dāng)采用順暢工況的新規(guī)則控制策略和高架工況的新規(guī)則控制策略時(shí),燃油經(jīng)濟(jì)性和內(nèi)燃機(jī)車輛相比分別提高了10.3%和9.8%,但是仍然比傳統(tǒng)規(guī)則控制策略的燃油經(jīng)濟(jì)性差；而增加工況識(shí)別后車輛燃油經(jīng)濟(jì)性是最優(yōu)的,比內(nèi)燃機(jī)車輛提高了35.6%,比傳統(tǒng)的規(guī)則控制策略提高了23.2%.以上分析說明單個(gè)的新規(guī)則控制策略并不能使得所有工況都獲得較好的燃油經(jīng)濟(jì)性,但是通過增加工況識(shí)別可以彌補(bǔ)這個(gè)缺陷,從而獲得更好的燃油經(jīng)濟(jì)性．

表6 綜合工況下采用不同控制策略的百公里油耗

Tab.6 Fuel consumption per hundred kilometers of different strategies under comprehensive driving condition

控制策略Q/(L·100km-1)IMP/%ICEV傳統(tǒng)規(guī)則5.904.95-16.1新規(guī)則順暢工況5.2910.3高架工況5.329.8擁堵工況8.45-43.2增加工況識(shí)別3.8035.6

圖10 采用學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)對(duì)綜合工況的識(shí)別結(jié)果Fig.10 Recognition results of comprehensive driving condition by learning vector quantization neural network

5 結(jié) 論

(1)與內(nèi)燃機(jī)車輛相比,雙軸驅(qū)動(dòng)混合動(dòng)力車輛在采用傳統(tǒng)的規(guī)則控制策略時(shí)可以使得車輛在擁堵工況下的燃油經(jīng)濟(jì)性提高59.6%,但是在快速路和高架工況下提高較少.采用動(dòng)態(tài)規(guī)劃算法可以得到車輛在各個(gè)循環(huán)工況下理論最大的燃油經(jīng)濟(jì)性．

(2)對(duì)動(dòng)態(tài)規(guī)劃算法中的決策變量進(jìn)行簡化可以減少計(jì)算量,并簡化提取規(guī)則.通過對(duì)動(dòng)態(tài)規(guī)劃的仿真結(jié)果進(jìn)行分析,可以提取出新規(guī)則控制策略.與傳統(tǒng)的規(guī)則控制策略的仿真結(jié)果相比,新規(guī)則控制策略可以使得車輛在對(duì)應(yīng)的循環(huán)工況下獲得更好的燃油經(jīng)濟(jì)性,與動(dòng)態(tài)規(guī)劃控制結(jié)果的差距在10.0%左右．

(3)在綜合工況下,采用單一的新規(guī)則控制策略并不能獲得理想的燃油經(jīng)濟(jì)性效果；而采用工況識(shí)別后,其燃油經(jīng)濟(jì)性可比內(nèi)燃機(jī)車輛提高35.6%,比采用傳統(tǒng)的規(guī)則控制策略提高23.2%．

(4)本文的研究結(jié)果為杭州市內(nèi)雙軸驅(qū)動(dòng)混合動(dòng)力車輛在循環(huán)工況條件下的能量管理策略的制定提供了理論依據(jù)．

[1] ZHANG X,MI C.車輛能量管理：建模、控制與優(yōu)化[M].張希,米春亭,譯.北京：機(jī)械工業(yè)出版社,2013： 12-17．

[2] 劉希玲,丁焰.我國城市汽車行駛工況調(diào)查研究[J].環(huán)境科學(xué)研究,2000,13(1)：23-27． LIU Xi-ling, DING Yan. Chinese research academy of environmental sciences [J]. Research of Environmental Sciences, 2000, 13(1): 23-27．

[3] 王楠楠.城市道路行駛工況構(gòu)建及油耗研究[D].合肥：合肥工業(yè)大學(xué),2012: 26-46． WANG Nan-nan. Construction of the urban road driving cycle and research of the fuel consumption [D]. Hefei: Hefei University of Technology, 2012: 26-46．

[4] 董恩源,顏文勝,申江衛(wèi),等.聚類分析法在城市公交行駛工況開發(fā)中的應(yīng)用[J].昆明理工大學(xué)學(xué)報(bào)：自然科學(xué)版,2013,38(5)： 41-45． DONG En-yuan, YAN Wen-sheng, SHEN Jiang-wei, et al. Application of cluster to development of city bus driving cycle [J]. Journal of Kunming University of Science and Technology: Natural Science Edition, 2013,38(5): 41-45．

[5] KARANDE S, OLSON M, SAHA B. Development of representative vehicle drive cycles for hybrid applications [C] ∥ SAE 2014 World Congress and Exhibition. Michigan: SAE, 2014: 1900-1907．

[6] 姜平,石琴,陳無畏,等.基于小波分析的城市道路行駛工況構(gòu)建的研究[J].汽車工程,2011,33(1)： 70-73． JIANG Ping, SHI Qin, CHEN Wu-wei, et al. A research on the construction of city road driving [J]. Automotive Engineering, 2011, 33(1): 70-73.

[7] PHILLIPS A M, MCGEE R A, LOCKWOOD J T, et al. Control system development for the dual drive hybrid electric truck [J]. SAE International Journal of Engines, 2009, 2(1): 114-122．

[8] SANGJOON K, JOONYOUNG P, JEONGHO H, et al. Transient control strategy of hybrid electric vehicle during mode change [C] ∥ SAE 2009 World Congress and Exhibition. Michigan: SAE, 2009: 67-73．

[9] 杜愛民,馮旭云.雙軸驅(qū)動(dòng)混合動(dòng)力汽車能量管理策略仿真[J].同濟(jì)大學(xué)學(xué)報(bào),2006,34(6)： 800-804． DU Ai-min, Feng Xu-yun. Simulation on energy management strategy for 4 wheel-drive hybrid electric vehicle [J]. Journal of Tongji University, 2006,34(6): 800-804．

[10] 馬東兵.四輪驅(qū)動(dòng)混合動(dòng)力汽車控制策略仿真與測試[D].上海：上海交通大學(xué),2013: 29-39． MA Dong-bing. Simulation and test on the control strategy for four-wheel drive hybrid electric vehicle [D]. Shanghai: Shanghai Jiao Tong University, 2013: 29-39．

[11] 李曉甫.橋間分配四驅(qū)混合動(dòng)力電動(dòng)汽車能耗優(yōu)化控制策略研究[D].廣州：華南理工大學(xué),2012: 61-104． LI Xiao-fu. Study of energy consumption optimal control strategy for axle-split 4WD hybrid electric vehicle [D]. Guangzhou: South China University of Technology, 2012: 61-104．

[12] 曾小華,王慶年,王偉華,等.基于ADVISOR軟件的雙軸驅(qū)動(dòng)混合動(dòng)力汽車性能仿真模塊開發(fā)[J].汽車工程,2003,25(5)： 424-427． ZENG Xiao-hua, WANG Qing-nian, WANG Wei-hua, et al. The development of a simulation module for the performance of two-axle drive HEV based on ADVISOR software [J]. Automotive Engineering, 2003,25(5): 424-427．

[13] BANVAIT H, ANWAR S A. Rule-based energy management strategy for plug-in hybrid electric vehicle (PHEV) [C] ∥ 2009 American Control Conference. Missouri: AACC, 2009: 3938-3944.

[14] FIORENZA S, LANZAFAME R, MESSINA M.Analysis of rules-based control strategies for integrated starter alternator vehicles [C] ∥ 2008 World Congress of SAE. Michigan: SAE, 2008:1314-1325．

[15] BETSEKAS D P. Dynamic programming and optimal control [M]. 3th ed. Massachusetts: Massachusetts Institute of Technology, 2005．

[16] LIN C C, PENG H. Power management strategy for a parallel hybrid electric truck [J]. IEEE Transactions Control Systems Technology, 2003, 11(6): 1-10．

[17] KULIKOV I A, BAULINA E E, FILONOV A I. Optimal control of a hybrid vehicle’s powertrain minimizing pollutant emissions and fuel consumption [C] ∥ SAE 2014 Commercial Vehicle Engineering Congress.Illinois: SAE,2014: 2372-2376．

[18] MURPHEY Y L, CHEN Z H, KILIARIS L, et al. Neural learning of driving environment prediction for vehicle power management [C]∥ 2008 International Joint Conference on Neural Networks. Hong Kong: IEEE, 2008: 3755-3760．

[19] TIAN Y, ZHANG X, ZHANG L, et al. Intelligent energy management based on driving cycle identification using fuzzy neural network [C]∥ 2009 Second International Symposium on Computational Intelligence and Design. Hunan: IEEE, 2009: 501-504．

[20] 田毅.電動(dòng)汽車運(yùn)行狀態(tài)識(shí)別及HEV控制策略研究[D].北京：北京交通大學(xué),2010: 25-80． TIAN Yi. The research of electric vehicle driving situation identification and HEV control strategy [D]. Beijing: Beijing Jiao Tong University, 2010: 25-80．

Energy management strategy of dual drive hybrid electric vehicle

JIANG Dong-dong, LI Dao-fei, YU Xiao-li

(InstituteofPowerMachineryandVehicularEngineering,ZhejiangUniversity,Hangzhou310027,China)

The dual drive hybrid electric vehicle (DDHEV) was modeled and the Hangzhou driving cycles were constructed. The new rule based control strategy was extracted from the simulation results of the dynamic programming control strategy; the fuel-saving effect of the new rule based control strategy was evaluated. Results show that the fuel economy increases by 35.5% under the congestion driving cycle, by 24.9% under the smooth driving cycle and by 4.8% under the elevated highway driving cycle, respectively, compared with the traditional rule-based control strategy. To improve the adaptability of the new rule-based control strategy under different driving cycles, the learning vector quantization neural network was used to identify the comprehensive driving cycles; the control strategy parameters were adjusted according to the recognition results. Results indicate that, compared with a single new rule-based energy management strategy, the fuel economy increases by at least 28.2% under the comprehensive driving cycle with the new rule-based energy management strategy parameters adjusted by driving cycle’s recognition. The proposed approach can meet the practical application demand of the dual drive hybrid vehicles; the vehicle fuel economy is also improved．

dual drive hybrid electric vehicle (DDHEV); driving cycle construction; energy management; rule extraction; driving mode recognition

2015-12-07.

國家自然科學(xué)基金資助項(xiàng)目(51205345)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目；能源清潔利用國家重點(diǎn)實(shí)驗(yàn)室自主課題(ZJUCEU2016005)；浙江省重點(diǎn)科技創(chuàng)新團(tuán)隊(duì)計(jì)劃資助項(xiàng)目(2011R50008)；浙江省教育廳科研資助項(xiàng)目(Y201121739).

江冬冬(1991—)，男，博士生，從事車輛能量管理、智能駕駛研究．ORCID：0000-0001-9471-1775． E-mail：jiangdongdong@zju.edu.cn 通信聯(lián)系人：李道飛，男，副教授．ORCID：0000-0002-6909-0169．E-mail：dfli@zju.edu.cn

10.3785/j.issn.1008-973X.2016.12.001

U 469. 72

A

1008-973X(2016)12-2245-09