插電式氣電混合動力客車控制策略優(yōu)化

何鋒，李歡，吳海波，蔣雪生

(1.貴州大學機械工程學院，貴州貴陽550025；2.奇瑞萬達貴州客車股份有限公司，貴州貴陽550025)

插電式氣電混合動力客車控制策略優(yōu)化

何鋒1，李歡1，吳海波1，蔣雪生2

(1.貴州大學機械工程學院，貴州貴陽550025；2.奇瑞萬達貴州客車股份有限公司，貴州貴陽550025)

根據(jù)模糊控制理論，建立了插電式氣電混合動力客車模糊控制策略，并基于遺傳算法對模糊控制系統(tǒng)存在主觀隨意性的問題，以百公里燃氣消耗量和NOx排放量為優(yōu)化目標，利用ADVISOR的非GUI函數(shù)和遺傳算法工具對模糊控制器的隸屬度函數(shù)進行了優(yōu)化。結果表明百公里耗氣量降低了11.3%，NOx排放降低了7.2%，動力性能顯著提高。

遺傳算法；模糊控制；插電式氣電混合動力客車；LNG；優(yōu)化

插電式混合動力汽車具有可外部充電、純電動行駛里程長、排放低的優(yōu)點，得到了汽車企業(yè)、高校和科研機構的日益重視，其控制策略與整車性能密切相關，是核心技術之一。模糊控制作為智能控制的一種，在插電式混合動力汽車這種復雜的非線性系統(tǒng)中得到廣泛應用。但模糊控制系統(tǒng)的隸屬度函數(shù)和模糊規(guī)則都是以專家經(jīng)驗為依據(jù)設定的，存在著一定的主觀性，難以實現(xiàn)全局最優(yōu)。遺傳算法作為一種借鑒生物界自然選擇和自然遺傳機制的隨機搜索算法，具有采用全局搜索、不易陷入局部最優(yōu)、對問題依賴性小等優(yōu)點，能很好地實現(xiàn)隸屬度函數(shù)及模糊規(guī)則的選取和優(yōu)化[1]。

張昕等[2]采用多目標遺傳算法，對最低轉速、發(fā)動機最小轉矩包絡線系數(shù)等控制參數(shù)進行了優(yōu)化，確定了全局最優(yōu)控制參數(shù)。王潤才等[3]對插電式串聯(lián)混合動力汽車動力系統(tǒng)部件參數(shù)和控制策略參數(shù)同時進行了遺傳算法的優(yōu)化，使得燃油消耗和排放得到降低。倪成群等[4]采用遺傳算法對換擋協(xié)調(diào)控制參數(shù)進行了優(yōu)化，確定了最優(yōu)的能量分配和換擋控制策略。Amir Poursamad[5]等采用遺傳算法對并聯(lián)混合動力汽車模糊控制策略的隸屬度函數(shù)進行了優(yōu)化，優(yōu)化后整車的燃油經(jīng)濟性和排放性能得到提高。

本文將利用遺傳算法對插電式氣電混合動力客車模糊控制器的隸屬度函數(shù)進行優(yōu)化，確保控制策略的最優(yōu)。

1 模糊控制器的建立

LNG(液化天然氣)汽車具有清潔、環(huán)保、價格低廉的優(yōu)點，在城市客車和出租市場得到了廣泛的應用，但其具有動力性不足、發(fā)動機扭矩響應滯后、NOx排放高的缺點。LNG氣電混合動力客車采用LNG作為發(fā)動機能源，結合電機驅動車輛，可有效發(fā)揮天然氣汽車的優(yōu)點，克服上述缺點。

某客車公司生產(chǎn)的插電式LNG氣電混合動力客車的動力系統(tǒng)為并聯(lián)結構，該車的模糊控制策略是根據(jù)電池SOC值和總需求轉矩，確定發(fā)動機輸出轉矩。在模糊控制器的建立過程中，將電池SOC值、總需求轉矩和發(fā)動機轉矩所對應的模糊論域定為[1，11]，模糊子集劃分為NM、NS、Z、PS和PM，如圖1～圖3所示。在確保發(fā)動機工作在耗氣量和排放較優(yōu)區(qū)域，保證動力電池充放電平衡的原則下，根據(jù)車輛總需求扭矩T和電池SOC建立發(fā)動機輸出轉矩ICE的分配規(guī)則25條，并采用面積重心法將模糊邏輯推理后的模糊集清晰化。

圖1 電池SOC值隸屬度函數(shù)

圖2 總需求轉矩隸屬度函數(shù)

圖3 發(fā)動機扭矩隸屬度函數(shù)

2 模糊控制器的優(yōu)化

2.1 數(shù)學模型的建立

插電式氣電混合動力汽車模糊控制器的優(yōu)化是一種非線性多約束的優(yōu)化問題，優(yōu)化數(shù)學模型為：

式中：F(x)為目標函數(shù)；gi(x)為約束條件，i為約束條件個數(shù)；j為優(yōu)化變量個數(shù)；xj為優(yōu)化設計變量；xjmin和xjmax分別為優(yōu)化變量的上下限。

2.2 目標函數(shù)和適應度函數(shù)的設置

天然氣發(fā)動機相較于傳統(tǒng)的汽油、柴油發(fā)動機，具有較好的排放特性，但天然氣發(fā)動機熱負荷高、燃燒速度慢，導致NOx排放較高，成為阻礙天然氣汽車實現(xiàn)低排放的主要因素。優(yōu)化目標設為百公里耗氣量(m3/100 km)和NOx排放量(g/h)。由于兩個目標值單位不統(tǒng)一且相互沖突，采用權重系數(shù)法和設定目標最優(yōu)值法定義目標函數(shù)：

式中：FC、NOx為各個目標值為目標最優(yōu)值；T為整個循環(huán)工況的時間；w1、w2為各目標值的權重系數(shù)。

由(2)式可知，優(yōu)化目標是使得目標函數(shù)值最小，但在遺傳算法個體選擇中適應度函數(shù)越大則該個體遺傳到下一代的概率越大，因此利用遺傳算法工具箱的Ranking函數(shù)對不同個體的目標值進行適應度的重新排序，使最大適應度對應最小目標函數(shù)值。

2.3 約束條件的處理

在遺傳算法優(yōu)化過程中，目標函數(shù)所對應的個體需要滿足車輛動力性要求，故將車輛動力性指標作為約束條件，利用約束罰函數(shù)法對目標個體的適應度進行處理，使得不滿足條件的個體遺傳到下一代的概率減小。動力性約束條件如表1所示。

2.4 優(yōu)化隸屬度函數(shù)變量的設置

針對插電式氣電混合動力三角形隸屬度函數(shù)的特點，將決定三角形隸屬度函數(shù)的形狀和位置的三個拐點坐標作為優(yōu)化變量。以輸入量SOC的隸屬度函數(shù)為例，該輸入量有5個模糊子集，模糊子集NM和PM的隸屬度函數(shù)分別由變量X2、X10確定，模糊子集NS、Z、PS分別由(X1，X3，X5)，(X4，X6，X8)，(X7，X9，X11)所對應的拐點坐標確定。圖4為輸入量SOC的隸屬度函數(shù)劃分示意圖。同理可以確定總需求扭矩和發(fā)動機輸出轉矩的隸屬度函數(shù)。該模糊控制器最終的優(yōu)化變量為X1，X2……X33，共33個。

圖4 隸屬度函數(shù)劃分示意圖

3 仿真分析

3.1 優(yōu)化結果

根據(jù)某插電式氣電混合動力客車的主要部件參數(shù)，如表2所示。在ADVISOR的GUI界面下完成整車仿真模型的建立。設置遺傳算法的最大代數(shù)為100；初始個體數(shù)目為80；變量數(shù)目為33；變量的二進制位數(shù)為10；代溝為0.9。利用設計的M文件結合英國設菲爾德大學的遺傳算法工具和ADVISOR的非GUI函數(shù)在ECE-EUDC循環(huán)工況下對模糊控制器的隸屬

度函數(shù)進行優(yōu)化仿真。

圖5為遺傳算法優(yōu)化過程目標函數(shù)值的收斂曲線，隨著遺傳代數(shù)的增加，目標函數(shù)值不斷減小，當遺傳代數(shù)為61代后收斂到最小值，該值所對應的隸屬度函數(shù)為最優(yōu)。最優(yōu)隸屬度函數(shù)如圖6～圖8所示。

圖5 目標函數(shù)值變化曲線

圖6 SOC隸屬度函數(shù)

圖7 總需求轉矩隸屬度函數(shù)

圖8 發(fā)動機扭矩隸屬度函數(shù)

3.2 仿真結果對比分析

將優(yōu)化前后的模糊控制器分別鑲嵌到ADVISOR中進行仿真，得到仿真結果如表3所示。

由表3可見，優(yōu)化后的仿真結果中最高車速、0～50 km/h加速時間、20 km/h車速爬坡度都滿足遺傳算法約束條件要求；發(fā)動機效率、電機發(fā)電效率和電機驅動效率都有顯著增高，使得優(yōu)化前后ECE-EUDC循環(huán)工況下百公里耗氣量降低了11.1%，0～50 km/h加速時間降低了30.4%，20 km/h車速爬坡度提高了13.5%，NOx排放降低了7.2%。優(yōu)化結果表明通過模糊控制器隸屬度函數(shù)的優(yōu)化，確保了發(fā)動機工作在低油耗低排放和電機高效率工作區(qū)間。

4 結論

根據(jù)插電式氣電混合動力客車的動力系統(tǒng)結構形式及運行特點制定了電池SOC值和總需求轉矩為輸入量，發(fā)動機轉矩為輸出量的模糊控制策略。針對根據(jù)經(jīng)驗建立的模糊控制器隸屬度函數(shù)不能實現(xiàn)最優(yōu)的問題，在ECE-EUDC循環(huán)工況下，利用遺傳算法對隸屬度函數(shù)進行優(yōu)化，確保了發(fā)動機和電機的高效率，使得燃氣消耗和排放得到有效降低，動力性能得到提高。

[1]雷英杰，張善文，李續(xù)武，等.MATLAB遺傳算法工具箱及應用[M].西安：西安電子科技大學，2005.

[2]張昕，宋建峰，田毅，等.基于多目標遺傳算法的混合動力電動汽車控制策略優(yōu)化[J].機械工程學報，2009，45(2)：36-40.

[3]王潤才，何仁，余劍波，等.基于遺傳算法的插電式串聯(lián)混合動力電動汽車動力參數(shù)優(yōu)化[J].中國機械工程，2013，24(18)：2544-2549.

[4]倪成群，趙強，張幽彤.插電式混合動力客車電能消耗階段控制策略的研究[J].汽車工程，2014，36(1)：12-16.

[5]POURSAMAD A，MONTAZERIM.Design of genetic-fuzzy control strategy for parallel hybrid electric vehicles[J].Control Engineering Practice，2008，16(7)：861-873.

Optim ization of controlstrategy for plug-in gas-electric hybrid bus based on genetic algorithm

HE Feng1，LIHuan1，WU Hai-bo1，JIANG Xue-sheng2
(1.SchoolofM echanical Engineering，Guizhou University，Guiyang Guizhou 550025，China;2.Chery GuizhouWanda BusCorporation Limited，Guiyang Guizhou 550025，China)

According to fuzzy control theory，the fuzzy control strategy of plug-in gas-electric hybrid bus was established.Based on genetic algorithm，aim ing at the presence of subjective arbitrariness problem of fuzzy control system，w ith one hundred kilometers fuelconsumption and NOxem issions as the optim ization goal，using ADVISOR non-GUI function and the genetic algorithm tool，fuzzy controller's membership function was optim ized.Results show that one hundred kilometers fuel consumption is reduced by 11.3%;NOxem ission is reduced by 7.2%;the dynam ic performance is improved significantly.

genetic algorithm;fuzzy control;p lug-in gas-electric hybrid bus;LNG;optim ization

TM 912

A

1002-087 X(2016)07-1444-02

2015-12-02

貴陽市工業(yè)振興科技計劃項目[筑科合同(2012401)11號]；貴州省工業(yè)攻關項目[黔科合GZ字(2013)3003]

何鋒(1963—)，男，貴州省人，教授，主要研究方向為節(jié)能與新能源汽車的開發(fā)及利用。

李歡(1990—)，男，山東省人，碩士生，主要研究方向為節(jié)能與新能源汽車的開發(fā)及利用。