混合動力電動汽車控制策略優(yōu)化

摘 要：混合動力電動汽車其中一個非常重要的技術是控制策略，文章對混合動力汽車控制策略進行了分類及分析，指出混合動力汽車的控制策略的缺點和不足，需要進一步優(yōu)化，整車性能會受到動力系統(tǒng)匹配參數(shù)和控制策略參數(shù)二者的共同影響，提出一種結合了遺傳算法和模擬退火算法二者的優(yōu)化算法。

關鍵詞：混合動力電動汽車；控制策略；優(yōu)化

1 概述

對于不同類型的混合動力汽車，已經(jīng)研究出來很多不同種類的控制策略，但是對于所有類型的混合動力汽車來說，控制策略的參數(shù)優(yōu)化有著很大的共通。一般情況下，都是根據(jù)以往的經(jīng)驗來設定一套大概的值，然后進行參數(shù)的微調找到最合適的參數(shù)。然而這種嘗試的辦法很難鎖定最佳的參數(shù)搭配方案，因此在參數(shù)優(yōu)化的過程中就使用優(yōu)化算法來解決問題。

2 控制策略的分類

2.1 基于規(guī)則的能量管理策略

2.1.1 邏輯門限值控制方法。通過閾值的設置來限制發(fā)動機的有效工作范圍，控制發(fā)動機和電池在高效率范圍內工作。該算法簡單易實現(xiàn)，應用較普遍。此種策略中要提前設置閾值，所以造成控制系統(tǒng)較難隨時匹配實際的情況和參數(shù)的改變，同時也忽略了電機的效率情況，所以這種靜態(tài)控制策略并不是最優(yōu)的。

2.1.2 基于模糊控制的智能型控制策略。該策略來源于人類的思維方式，提取被控系統(tǒng)的定性和定量信息，通過推理來控制一些很難模型化的系統(tǒng)。由于不能夠模型化，所以設計者通過自己以往的經(jīng)驗來提煉規(guī)則。

2.2 瞬時優(yōu)化控制策略

對于不同的功率分配以及地點，該策略實時監(jiān)控發(fā)動機和電動機的消耗燃油量和排放量，通過這些數(shù)據(jù)得到最適合該混合動力系統(tǒng)的工作模式以及地點。該策略目前并未廣泛使用。

2.3 全局優(yōu)化控制策略

全局最優(yōu)控制策略是根據(jù)最優(yōu)化方法和最優(yōu)控制理論而得到的策略，用于分配混合驅動動力。若想使用該策略最重要的前提是清楚汽車的行程，由于這一點的限制，該策略目前尚未投入實用階段。所以，可以說全局最優(yōu)控制策略僅僅稱得上是一種控制策略設計的方法。

3 參數(shù)優(yōu)化算法

3.1 遺傳算法概述

遺傳算法實質上是一種高效并行在全局范圍內進行搜索的方法，該方法借鑒了生物界的自然選擇規(guī)律和自然遺傳機制[2]。該方法的搜索不需要提供梯度信息便可以自己得到搜索空間范圍內的信息并進行疊加。在處理空間問題參數(shù)的時候，要先將空間問題參數(shù)進行編碼才能進行，也就是把這些參數(shù)轉換成遺傳空間內的特定染色體或個體，他們是根據(jù)基因以某些特定的結構形成的。下一步使用選擇、交叉和變異等遺傳算子，模擬生物種群在大自然環(huán)境中的自然選擇過程，優(yōu)勝劣汰從而進化，直到將要求解的集合收斂于最優(yōu)狀態(tài)。

3.2 模擬退火算法概述

模擬退火算法的原理是固體退火，固體退火指的是加熱固體使其溫度足夠高，然后慢慢的降溫，加熱溫度升高的過程中，固體內部粒子的排列沒有順序，使得內能增大，慢慢降溫的過程中粒子呈有序排列，當?shù)竭_常溫的時候回到穩(wěn)定的基態(tài)，此時內能達到最小值[3]。使用該原理來模擬解決組合優(yōu)化問題，將內能E模擬為目標函數(shù)值f，溫度T看做控制參數(shù)t，就演化為我們所使用的模擬退火算法。模擬退火算法是一種隨機組合優(yōu)化方法，它是在局部搜索算法的基礎之上演變而來的。模擬退火算法以一定的概率選擇區(qū)域內費用值大的狀態(tài)，這也是其區(qū)別于局部搜索的地方。當初始溫度足夠高而溫度下降的足夠慢時，該算法完全能夠收斂到全局最優(yōu)值。當系統(tǒng)溫度較高時該算法能夠使之避免局部最優(yōu)，而且當系統(tǒng)在溫度下降到接近全局最優(yōu)點的時，該算法能夠極大地避免此時接受次優(yōu)解的情況出現(xiàn)。

3.3 組合優(yōu)化算法的編程

遺傳算法的優(yōu)勢是具有很高的在全局范圍內進行搜索能力，然而當進化群體中存在為數(shù)不多的幾個個體，它們相較于剩余其他個體具有很高的適應函數(shù)值，不用經(jīng)過幾次迭代這些個體便會占據(jù)整個種群，此時就會將進化過程收斂，而并不是真正的收斂，也就是所謂的“過早收斂”，這是遺傳算法的不足之處。而模擬退火算法在局部范圍內的搜索能力具有極大的優(yōu)勢，所以在這里將遺傳算法和模擬退火算法進行結合，將模擬退火算法演變，做為遺傳算法中的一個獨立算子看待，整個算法的具體過程是：首先隨機分散的抽取出個體組成一組最初的群體，然后使用普通的遺傳算子得到一組新的個體，在這些個體中進行篩選出一些較優(yōu)秀的個體，單獨使用模擬退火算法處理，從而得到這些優(yōu)秀個體鄰域內的新的個體，存在一定的可能性是這些新的個體比原來的個體要好，所以防止了少數(shù)優(yōu)秀個體占據(jù)種群的情況發(fā)生，解決了算法過早收斂的問題，又極大的加快了種群的進化速度。如圖1所示，是遺傳算法和模擬退火算法相結合的組合優(yōu)化算法流程圖。

文章使用遺傳算法和模擬退火算法相結合的組合優(yōu)化算法求解，選取的設計變量定為動力系統(tǒng)匹配參數(shù)和控制策略參數(shù)，目標函數(shù)選取為燃油經(jīng)濟性和排放，以加速性能、爬坡性能、荷電狀態(tài)校正為約束。圖2所示為優(yōu)化流程圖。

4 結束語

文章對混合動力汽車控制策略進行了分類及分析，指出混合動力汽車的控制策略的缺點和不足，需要進一步的優(yōu)化。文章在詳細論述遺傳算法和模擬退火算法的基礎之上，提出了將兩種算法相結合的組合優(yōu)化算法。

參考文獻

[1]劉明輝.混合動力客車整車控制策略及總成參數(shù)匹配研究[D].吉林大學，2006，4.

[2]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：西安電子科技大學出版社，2005，4.

作者簡介：張文康（1994，09-），男，漢族，安徽省蚌埠市，本科，安徽農(nóng)業(yè)大學，主要研究方向：汽車安全控制及新能源汽車。

潘文章（1994，06-），男，漢族，浙江省湖州市，本科，安徽農(nóng)業(yè)大學，主要研究方向：汽車安全控制及新能源汽車。