基于需求功率預(yù)測的混合動力越野車能量管理

付 翔, 鐵 鑫, 劉會康

(1. 武漢理工大學(xué) 汽車工程學(xué)院， 湖北 武漢 430070; 2. 武漢理工大學(xué) 現(xiàn)代汽車零部件技術(shù)湖北省重點實驗室， 湖北 武漢 430070; 3. 汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心, 湖北 武漢 430070; 4. 新能源與智能網(wǎng)聯(lián)車湖北省工程技術(shù)研究中心, 湖北 武漢 430070)

對于越野汽車來說，其自身質(zhì)量較大，行駛路況復(fù)雜，功率需求變化大而且功率持續(xù)輸出時間長.傳統(tǒng)越野汽車采用配備大功率發(fā)動機和四輪驅(qū)動作為動力系統(tǒng)方案來解決大功率需求問題，然而傳動鏈長、機械效率低、燃油經(jīng)濟性差一直是困擾越野車輛的棘手問題.

將混合動力構(gòu)型應(yīng)用于越野汽車可以提升車輛的動力性與經(jīng)濟性.混合動力越野汽車因具備2種或2種以上的動力源，提高了車輛的各項性能，但同時也對系統(tǒng)集成與整車控制提出了更高的要求.混合動力越野汽車多動力源主要包含發(fā)動機、動力電池、超級電容及燃料電池等，因為各動力源具有不同的工作特性，充分利用各個動力源的工作特性，使其工作在高效區(qū)域，是保證車輛動力性需求并改善車輛經(jīng)濟性的前提條件.能量管理策略即是進行多能源管理、發(fā)揮混合動力系統(tǒng)優(yōu)勢的關(guān)鍵技術(shù).目前混合動力能量管理策略主要包含規(guī)則型能量管理策略、優(yōu)化型能量管理策略和智能型能量管理策略[1-3].

規(guī)則型能量管理策略分為邏輯門限式、功率跟隨式、放電-維持式、復(fù)合規(guī)則型[4]和模糊規(guī)則型.邏輯門限式[5]存在能量二次轉(zhuǎn)化、利用率低、動力電池充放電頻繁的問題.功率跟隨式SOC波動較小，但燃油經(jīng)濟性比傳統(tǒng)燃油車輛提高不明顯.放電-維持式主要用于插電式混合動力汽車，以消耗充電電能為主要控制目標.復(fù)合規(guī)則型是將邏輯門限式與功率跟隨式控制策略相結(jié)合，協(xié)調(diào)發(fā)揮邏輯門限式控制策略下發(fā)動機工作高效性和功率跟隨式控制策略下動力電池的良好充放電工作特性所設(shè)計的一種復(fù)合型混合動力能量管理策略.優(yōu)化型能量管理策略包含全局優(yōu)化型和瞬時優(yōu)化型.全局優(yōu)化型控制策略采用以動態(tài)規(guī)劃算法[6]型預(yù)測控制算法建立優(yōu)化策略[7].全局優(yōu)化算法系統(tǒng)求解方程復(fù)雜、迭代計算量大，實時性無法得到保證.瞬時優(yōu)化型控制策略優(yōu)化效果及實時性較好，瞬時優(yōu)化型策略分為功率損失最小型和等效燃油消耗最小型.功率損失最小控制策略通過建立跟隨行駛工況和內(nèi)燃機工作狀態(tài)的各個部件功率損失模型，控制發(fā)動機在整車功率損失最小的點工作.等效燃油消耗最小控制策略建立系統(tǒng)瞬時燃油消耗代價函數(shù)，無需預(yù)知行駛工況，在理論上可達到與全局優(yōu)化控制策略相近的優(yōu)化控制效果.

文中以等效燃油消耗最小控制策略為能量管理策略開發(fā)基礎(chǔ)，提出考慮實時需求功率的變化尋優(yōu)域，設(shè)計變域等效燃油消耗最小控制策略(variable area equivalent consumption minimization strategy, VAECMS)，以實現(xiàn)能量管理策略優(yōu)化，并對所設(shè)計的策略進行仿真驗證.

1 自適應(yīng)馬爾科夫鏈需求功率預(yù)測

1.1 馬爾科夫鏈預(yù)測理論

由于越野車行駛路況復(fù)雜、功率需求變化大而且功率持續(xù)輸出時間長，需求功率及時、準確地獲取對于能量管理策略的實時控制效果影響很大.因此，為了提升動力系統(tǒng)響應(yīng)特性，解決輸出功率跟隨延遲問題，文中開發(fā)了需求功率實時預(yù)測算法，而實時需求功率的預(yù)測是實現(xiàn)混合動力能量管理策略優(yōu)化的前提.

預(yù)測算法有模型預(yù)測控制算法、神經(jīng)網(wǎng)絡(luò)預(yù)測算法、馬爾科夫預(yù)測算法等.神經(jīng)網(wǎng)絡(luò)預(yù)測存在過學(xué)習(xí)、易陷入局部最優(yōu)等問題.模型預(yù)測的計算量大，控制精度與實時性對模型與硬件的依賴性較強.馬爾科夫預(yù)測算法是建立在馬爾科夫隨機過程的基礎(chǔ)上，基于馬爾科夫無后效性所開發(fā)的算法[8].馬爾科夫鏈預(yù)測只需要對近期狀態(tài)進行分析，得出近期數(shù)據(jù)中各個狀態(tài)之間的轉(zhuǎn)移規(guī)律，利用該規(guī)律進行未來狀態(tài)的識別和預(yù)測.其本質(zhì)是應(yīng)用概率論中的馬爾科夫鏈理論方法來分析時間序列的變化，并由此變化預(yù)測未來一段時間內(nèi)變化趨勢的一種預(yù)測技術(shù).

馬爾科夫鏈預(yù)測算法在預(yù)測模型的建立及算法的實現(xiàn)上均優(yōu)于另外2種預(yù)測算法[9]，文中選擇該算法實現(xiàn)需求功率的預(yù)測.以下通過概率分布理論對馬爾科夫鏈模型進行闡述.

設(shè)隨機過程X，其狀態(tài)空間為S={S1,S2,…,Sn},而X(t)表示其在離散時間t時刻的狀態(tài)，t∈{0,1,2,…}.若此隨機過程符合馬爾科夫鏈特性，那么對于任意正整數(shù)i、j，其條件概率都滿足以下公式：

P(X(t+1)=Si|X(0)=S0,X(1)=S1,…,X(t)=Sj)=P(X(t+1)=Si|X(t)=Sj)，

(1)

即隨機過程X在t+1時刻的狀態(tài)X(t+1)只與t時刻狀態(tài)X(t)有關(guān)，與t時刻之前的任一時刻狀態(tài)無關(guān).

t時刻Si轉(zhuǎn)移到t+1時刻Sj的轉(zhuǎn)移概率計算式為

Pij=P(X(t+1)=Si|X(t)=Sj).

(2)

可得由所有Pij組成的轉(zhuǎn)移概率矩陣為

(3)

稱P為系統(tǒng)狀態(tài)的一步轉(zhuǎn)移概率矩陣，它具有如下性質(zhì): ① 元素為非負，Pij≥0； ② 每一行之和為1.

k步轉(zhuǎn)移概率Pik和k步狀態(tài)轉(zhuǎn)移矩陣Pk的表達式為

Pik=P(X(t+k)=Sk|X(t)=Si)=Pijk，

(4)

(5)

因此，對于有限狀態(tài)的隨機過程來說，已知當(dāng)前時刻狀態(tài)和系統(tǒng)狀態(tài)轉(zhuǎn)移概率矩陣，即可實現(xiàn)未來任意時刻狀態(tài)的推斷.

1.2 需求功率預(yù)測模型

需求功率預(yù)測方法可分為直接預(yù)測法和間接預(yù)測法.直接預(yù)測法對需求功率歷史數(shù)據(jù)進行統(tǒng)計分析，建立預(yù)測模型直接預(yù)測未來需求功率；間接預(yù)測法建立需求功率與其他相關(guān)變量的求解模型，通過對模型中相關(guān)變量的預(yù)測求解預(yù)測需求功率.以往的研究中，對于需求功率的預(yù)測大都采用間接預(yù)測法，選擇車輛縱向加速度或速度作為預(yù)測變量[10]，實現(xiàn)整車需求功率的實時預(yù)測.與直接需求功率預(yù)測方法相比，間接預(yù)測法不僅可以充分地利用車輛狀態(tài)信息，而且可以提高需求功率的預(yù)測精度，因此文中選擇間接預(yù)測法進行需求功率的預(yù)測.由汽車理論可知傳統(tǒng)汽車的行駛功率平衡方程式，結(jié)合越野車輛的動力系統(tǒng)結(jié)構(gòu)形式，建立越野車行駛功率平衡方程式，即

(6)

由以上所建立的輪轂電動機驅(qū)動整車行駛功率模型，可以發(fā)現(xiàn)在車輛行駛過程中，車速和縱向加速度是影響車輛實時需求功率的2個重要變量，因此選擇2者作為預(yù)測變量，并通過行駛功率平衡模型進行整車需求功率的實時預(yù)測.

1.3 自適應(yīng)馬爾科夫鏈預(yù)測算法設(shè)計

基于馬爾科夫鏈預(yù)測理論進行預(yù)測算法的設(shè)計，主要包含如下3個部分.

1.3.1縱向車速預(yù)測對象的狀態(tài)劃分

系統(tǒng)狀態(tài)劃分是馬爾科夫預(yù)測模型建立的第1步，也是最重要的一步，因為系統(tǒng)狀態(tài)劃分的好壞影響預(yù)測模型建立的復(fù)雜程度和預(yù)測精度.為了實現(xiàn)有效的車速預(yù)測，必須將車速這一車輛狀態(tài)進行劃分，若狀態(tài)數(shù)量過多將會導(dǎo)致系統(tǒng)過于復(fù)雜，若狀態(tài)數(shù)量過少則會導(dǎo)致車速狀態(tài)預(yù)測誤差過大.車輛最高行駛車速為125 km·h-1，因此將車速以5 km·h-1步長進行車速狀態(tài)劃分便可以得到以下車速狀態(tài)集：

S={Si|Si=5(i-1),i=1,2,3,…,26}.

(7)

1.3.2縱向車速狀態(tài)轉(zhuǎn)移概率矩陣計算

狀態(tài)轉(zhuǎn)移概率矩陣作為馬爾科夫鏈模型的重要組成部分之一，正確地估算系統(tǒng)的狀態(tài)轉(zhuǎn)移概率矩陣非常重要.該矩陣常用的估算法有主觀概率估算法和統(tǒng)計概率估算法：前者是根據(jù)人們長期積累的經(jīng)驗以及對事件內(nèi)在規(guī)律的分析，對事件各個狀態(tài)轉(zhuǎn)移概率大小的一種主觀估計，這種方法依賴于人們的經(jīng)驗，常在缺乏事件統(tǒng)計數(shù)據(jù)的情況下使用；后者通過分析歷史統(tǒng)計信息對事件的各個狀態(tài)之間的轉(zhuǎn)移概率進行統(tǒng)計計算.

車輛的實際行駛車速是一個在[0,125]范圍內(nèi)分布的隨機浮點型數(shù)據(jù)，為了使得實際車速與車速狀態(tài)一一對應(yīng)，對所獲取的車速按照下式進行車速狀態(tài)預(yù)處理：

V(t)=ceil(Vreal/5)，

(8)

并選擇統(tǒng)計狀態(tài)轉(zhuǎn)移概率矩陣計算法，按照一步狀態(tài)轉(zhuǎn)移概率計算式計算，即

(9)

式中：V(t)為t時刻車輛車速狀態(tài)；Vreal為t時刻實際車速；ceil()為向上取整函數(shù)；Pij為Si→Sj的轉(zhuǎn)移概率；nij為Si→Sj的轉(zhuǎn)移頻數(shù)；nj為由其他狀態(tài)轉(zhuǎn)移到Sj總頻數(shù).

根據(jù)實車測試數(shù)據(jù)信息得出如圖1所示狀態(tài)轉(zhuǎn)移概率分布圖.

圖1 車速狀態(tài)轉(zhuǎn)移概率

1.3.3基于當(dāng)前狀態(tài)及狀態(tài)轉(zhuǎn)移概率矩陣進行預(yù)測

當(dāng)車速狀態(tài)處于Si時，根據(jù)狀態(tài)轉(zhuǎn)移概率矩陣P，選擇P(i,:)中車速最大值作為未來一步的預(yù)測車速.通過這種方法，根據(jù)多步狀態(tài)轉(zhuǎn)移概率矩陣Pk中的Pijk分布概率可以進一步確定未來k步的車速狀態(tài).

車速作為狀態(tài)量，如果車輛始終行駛在同一種工況下，其車速狀態(tài)分布概率穩(wěn)定，按照上述馬爾科夫鏈預(yù)測方法可得到理想精度的預(yù)測結(jié)果.若行駛工況改變，則車速狀態(tài)轉(zhuǎn)移規(guī)律隨之發(fā)生變化，如果不更新轉(zhuǎn)移概率預(yù)測矩陣，則預(yù)測結(jié)果誤差較大甚至出現(xiàn)錯誤的預(yù)測結(jié)果.因此提出一種基于狀態(tài)轉(zhuǎn)移概率矩陣實時更新的自適應(yīng)馬爾科夫鏈車速預(yù)測方法.

狀態(tài)轉(zhuǎn)移概率矩陣實時更新方法基于當(dāng)前車速和實車測試數(shù)據(jù)信息實時更新狀態(tài)轉(zhuǎn)移概率矩陣，并應(yīng)用于未來車速預(yù)測計算，即可實現(xiàn)自適應(yīng)馬爾科夫鏈車速預(yù)測.其狀態(tài)轉(zhuǎn)移概率更新過程如圖2所示.

圖2 基于自適應(yīng)狀態(tài)轉(zhuǎn)移概率矩陣更新的車速預(yù)測算法

同理可得自適應(yīng)馬爾科夫鏈車輛縱向加速度預(yù)測算法.

1.3.3.1預(yù)測對象的狀態(tài)劃分

根據(jù)實車行駛加速度采集信息，設(shè)定加速度范圍為[-3.5,3.5]，單位為m·s-2，對加速度進行離散化處理，以0.5 m·s-2為步長進行加速度狀態(tài)劃分得到以下加速度狀態(tài)集合：

Si={Si|Si=0.5(i-1)-3.5,i=1,2,3,…,15}.

(10)

為了將采集的信號與離散化狀態(tài)統(tǒng)一，采用信號預(yù)處理方法對采集信號進行處理，并將處理后的信號用于狀態(tài)轉(zhuǎn)移概率更新與未來狀態(tài)的預(yù)測.預(yù)處理方法如下：

(11)

式中：a(t)為t時刻加速度狀態(tài)；areal為t時刻加速度；floor()為向下取整函數(shù).

1.3.3.2狀態(tài)轉(zhuǎn)移概率矩陣的計算

同理，根據(jù)已有的加速度采集信息，使用統(tǒng)計狀態(tài)轉(zhuǎn)移概率矩陣計算法，得出加速度狀態(tài)轉(zhuǎn)移概率分布矩陣，見圖3.

圖3 加速度狀態(tài)轉(zhuǎn)移概率

1.3.3.3加速度預(yù)測

由當(dāng)前加速度狀態(tài)和轉(zhuǎn)移概率矩陣可得未來時刻的加速度預(yù)測結(jié)果.

2 變域等效燃油消耗最小控制策略

2.1 等效燃油消耗最小控制策略

針對所研究的混合動力系統(tǒng)，在混動工作模式下，選擇動力電池SOC為狀態(tài)變量，發(fā)電機轉(zhuǎn)矩、發(fā)動機轉(zhuǎn)速為控制變量進行優(yōu)化控制策略設(shè)計.

2.1.1建立系統(tǒng)狀態(tài)方程

系統(tǒng)狀態(tài)方程為

SOC(k)=SOC(k-1)-Pbat(k)Δt/(Qbatηbat)，

(12)

Pbat(k)=Pr(k)-Pe(k)，

(13)

Pe(k)=Te(k)ne(k)ηe(k)/9 550，

(14)

將式(13)-(14)代入式(12)，可以得到系統(tǒng)狀態(tài)方程為

SOC(k)=SOC(k-1)-(Pr(k)- 9 550Te(k)ne(k)/ηe(k))Δt/Qbat，

(15)

式中：Δt為離散時間步長；Qbat為動力電池總?cè)萘?；Pbat(k)為動力電池功率；Pr(k)為需求功率；Pe(k)為發(fā)動機功率；Te(k)為發(fā)動機工作轉(zhuǎn)矩；ne(k)為發(fā)動機工作轉(zhuǎn)速；ηe(k)為發(fā)動機當(dāng)前工作效率；ηbat為動力電池平均充放電效率.

2.1.2設(shè)定目標集及控制域

系統(tǒng)狀態(tài)目標集滿足

SOCmin≤SOC(k)≤SOCmax，

(16)

變量控制域滿足

Temin≤Te(k)≤Temax，

(17)

nemin≤ne≤nemax，

(18)

式中：SOCmin、SOCmax為動力電池最佳充放電上、下限值；Temin、Temax為發(fā)動機輸出轉(zhuǎn)矩的上、下限值；nemin、nemax為發(fā)動機高效工作區(qū)轉(zhuǎn)速上、下限值.

2.1.3建立系統(tǒng)性能指標函數(shù)

系統(tǒng)性能指標函數(shù)為

J=mf_eqv(k)=mf_e(k)+mf_bat(k)，

(19)

式中：mf_eqv(k)為系統(tǒng)瞬時等效燃油消耗量，g；mf-e(k)為發(fā)動機實時燃油消耗量，g；mf_bat(k)為動力電池等效瞬時燃油消耗量，g.

發(fā)動機實時燃油消耗計算模型為

(20)

其中

be=f(Te,ne).

(21)

同時，動力電池在工作過程中有充電和放電2種工作狀態(tài)，因此建立動力電池充放電等效燃油消耗計算模型，即

(22)

其中

(23)

式中：ε(k)為動力電池工作狀態(tài)值(取值1、0分別表示動力電池處于放電、充電狀態(tài))；ηdis為動力電池高效率區(qū)平均放電效率；ηchg為動力電池高效率區(qū)平均充電效率;s(k)為動力電池功率等效燃油消耗系數(shù)；Pbat為動力電池實時功率；Hμ為燃油低熱值，kJ·kg-1.

此外，對于串聯(lián)式混合動力構(gòu)型車輛來說，其動力電池電能不能通過外部電網(wǎng)補充，所消耗的電能只能通過現(xiàn)在或?qū)砟骋粫r刻的燃油消耗獲取.同時頻繁充放電將會帶來能量多次轉(zhuǎn)化、利用率低等問題，應(yīng)將動力電池的SOC保持在高效的功率輸出區(qū)間，因此在文中所建立的性能指標函數(shù)中引入動力電池SOC波動懲罰項，設(shè)定動力電池的高效率充放電工作區(qū)為[40,80]，懲罰系數(shù)β計算式為

(24)

當(dāng)動力電池SOC低于60%時，令動力電池等效燃油消耗乘以一個大于1的系數(shù)，使得控制策略傾向于使用發(fā)動機進行驅(qū)動；當(dāng)SOC高于60%時，使動力電池等效燃油消耗乘以一個小于1的系數(shù)，使得控制策略傾向于使用動力電池能量進行驅(qū)動，以此來維持動力電池SOC始終處于高效率區(qū).

綜上可得，所建立的系統(tǒng)性能指標函數(shù)式(19)可表達為

(25)

2.2 優(yōu)化控制域變域設(shè)計

控制域是控制變量的集合，在以往的等效燃油消耗最小策略研究中，往往將控制域設(shè)定為變量全部可行域.如文獻[11]將動力電池的輸出功率作為其控制變量，動力電池SOC為狀態(tài)變量，并將控制變量的控制域設(shè)定為[Pb_min,Pb_max]，Pb_min、Pb_max分別為動力電池的最小、最大輸出功率.文獻[12]在對并聯(lián)式混合動力汽車能量管理策略設(shè)計時，以發(fā)動機轉(zhuǎn)矩、電動機轉(zhuǎn)矩為控制變量，并設(shè)定控制域分別為[0,TEng_max]、[0,TMot_max]，TEng_max、TMot_max分別為發(fā)動機和電動機最大轉(zhuǎn)矩.當(dāng)混合動力車輛需求功率較為穩(wěn)定時，采用此種全域優(yōu)化控制方式可獲得每個時刻的最優(yōu)控制變量，同時得益于需求功率的穩(wěn)態(tài)特性，每個時刻的優(yōu)化控制變量差異較小，系統(tǒng)可以很好地響應(yīng)最優(yōu)控制變量.

但對越野混合動力車輛來說，車輛在越野道路上行駛時，需求功率不僅變化頻率高，而且波動幅度大，如果按照傳統(tǒng)的全域最優(yōu)控制方法進行系統(tǒng)控制，那么相鄰控制時刻的控制變量之間可能存在較大的差別.同時EGU系統(tǒng)響應(yīng)存在遲滯性，因此動力系統(tǒng)將無法及時響應(yīng)高頻率變化、大幅度需求功率波動情況下的全域?qū)?yōu)控制需求.針對此優(yōu)化控制問題，文中提出變域最優(yōu)控制策略，通過將控制變量的尋優(yōu)域合理化，按照等效燃油消耗最小控制策略進行局部尋優(yōu)，以改善系統(tǒng)響應(yīng)特性.

控制變量尋優(yōu)域的設(shè)定直接影響EGU系統(tǒng)工作狀態(tài)，為保證需求功率變化時系統(tǒng)輸出功率具有良好的跟隨性，在需求功率變化大時，應(yīng)擴大控制變量尋優(yōu)域，以滿足功率需求；在需求功率變化較小時，應(yīng)縮小控制變量尋優(yōu)域，以保持EGU系統(tǒng)工作狀態(tài)的穩(wěn)定性.

由以上所提出的控制變量尋優(yōu)域設(shè)計原則，文中依據(jù)需求功率變化量ΔP進行域?qū)拰崟r求解.由當(dāng)前時刻工作點轉(zhuǎn)速和需求功率變化量求解轉(zhuǎn)矩域?qū)挦；由當(dāng)前時刻工作點轉(zhuǎn)矩和需求功率變化量求解轉(zhuǎn)速域?qū)挦，若當(dāng)前時刻控制變量為(Te(k),ne(k))，則兩域?qū)捛蠼夤綖?/p>

Δn=ΔP/Te(k)，

(26)

ΔT=ΔP/ne(k)，

(27)

式中：Te(k)為當(dāng)前工作點轉(zhuǎn)矩；ne(k)為當(dāng)前工作點轉(zhuǎn)速；ΔP為相鄰控制周期需求功率之差.

同時，所設(shè)定的優(yōu)化域范圍應(yīng)在發(fā)動機外特性曲線以內(nèi)，因此對優(yōu)化變量尋優(yōu)域范圍[Tmin,Tmax]、[nmin,nmax]進行如下限制：

(28)

式中：Tmax、Tmin為尋優(yōu)域轉(zhuǎn)矩上、下限；Temax為發(fā)動機當(dāng)前轉(zhuǎn)速下最大輸出轉(zhuǎn)矩；Temin為當(dāng)前轉(zhuǎn)速下最小輸出轉(zhuǎn)矩，設(shè)定為0；nmax、nmin為尋優(yōu)域轉(zhuǎn)速上、下限；nemax、nemin為發(fā)動機最大、最小工作轉(zhuǎn)速.

3 聯(lián)合仿真及分析

3.1 整車模型及控制策略建模

根據(jù)整車動力系統(tǒng)結(jié)構(gòu)形式，利用Cruise模塊化、參數(shù)化的建模方法，在Cruise中建立了包含整車模塊、發(fā)動機模塊以及驅(qū)動/制動控制轉(zhuǎn)換模塊、發(fā)動機轉(zhuǎn)速PID控制模塊、Interface 聯(lián)合仿真模塊的串聯(lián)式混合動力越野車整車模型.建立各個模塊之間的機械連接、能量連接與信息連接，整車基本參數(shù)如表1所示，搭建的整車模型如圖4所示.

表1 整車基本參數(shù)

圖4 Cruise整車模型

將基于自適應(yīng)馬爾科夫鏈的車速/加速度預(yù)測與所建立的需求功率預(yù)測模型相結(jié)合，建立基于自適應(yīng)馬爾科夫鏈的需求功率預(yù)測Simulink模型如圖5所示.通過獲取當(dāng)前時刻車速和加速度，預(yù)測下一個時刻車速和加速度，然后通過建立的整車需求功率模型，預(yù)測下一時刻需求功率.

圖5 需求功率預(yù)測模型

將基于自適應(yīng)馬爾科夫鏈的需求功率預(yù)測和基于VAECMS優(yōu)化的復(fù)合型能量管理策略組成能量控制環(huán)，建立基于VAECMS優(yōu)化的復(fù)合型能量管理策略，如圖6所示.

圖6 控制策略模型

圖6中：V為車速；Lacc為縱向加速度;ne為發(fā)動機轉(zhuǎn)速;Tgen為發(fā)電機轉(zhuǎn)矩;SOC為動力電池荷電狀態(tài);Psty為預(yù)測需求功率;Este為發(fā)動機工作狀態(tài)指令;nec為發(fā)動機轉(zhuǎn)速指令;Tgenc為發(fā)電機轉(zhuǎn)矩指令.

3.2 聯(lián)合仿真

為了驗證文中所設(shè)計的需求功率預(yù)測對于動力系統(tǒng)響應(yīng)特性的改善效果，在全負荷加速工況下設(shè)計了2組0～80 km·h-1的加速仿真對比試驗.有、無功率預(yù)測控制下全負荷加速仿真結(jié)果見圖7，可見有、無預(yù)測控制加速時間分別為8.6、9.2 s，有預(yù)測控制節(jié)省了0.6 s，可見提出的控制策略提高了動力系統(tǒng)響應(yīng)特性.

為了驗證文中控制策略對經(jīng)濟性的提升效果，選擇越野行駛工況(ORDC)進行循環(huán)工況聯(lián)合仿真分析，該行駛工況是越野行駛工況研究項目所得成果，設(shè)定動力電池初始SOC為43%，ORDC循環(huán)工況曲線見圖8.

圖7 全負荷加速性能試驗車速-時間曲線

圖8 ORDC循環(huán)工況

圖9-11所示為車型輛在ORDC工況下，基于自適應(yīng)馬爾科夫鏈的需求功率預(yù)測能量管理策略聯(lián)合仿真結(jié)果.而且圖9-11僅顯示了0～200 s仿真結(jié)果來說明預(yù)測效果.

圖9 仿真車速與預(yù)測車速

圖10 仿真加速度與預(yù)測加速度

圖11 仿真需求功率與預(yù)測需求功率

由圖9-10可見，預(yù)測結(jié)果與車輛真實行駛車速和加速度相比存在偏差，其車速預(yù)測誤差<5 km·h-1，加速度預(yù)測誤差<0.5 m·s-2，產(chǎn)生此誤差的原因是預(yù)測變量狀態(tài)的有限性.對比預(yù)測需求功率和仿真需求功率可以發(fā)現(xiàn)，預(yù)測功率誤差<10 kW，通過以上分析驗證了需求功率預(yù)測精度良好且可用于能量管理策略.

圖12-14為基于VAECMS優(yōu)化的復(fù)合型能量管理策略控制下ORDC循環(huán)工況仿真結(jié)果.

圖12 基于VAECMS優(yōu)化型，動力電池工作狀態(tài)

由圖12可見，動力電池SOC在60%上下小幅度波動.由圖13可見，EGU系統(tǒng)在優(yōu)化復(fù)合型控制策略控制下，實現(xiàn)了協(xié)調(diào)考慮動力電池狀態(tài)的系統(tǒng)啟停，在滿足功率需求的同時減緩了動力電池SOC的波動.由圖14可見，采用基于VAECMS優(yōu)化的復(fù)合型控制策略，發(fā)動機工作點分布在燃油消耗率最小圓附近，保證了發(fā)動機工作的高效性.圖15為ORDC循環(huán)工況下，發(fā)動機油耗和電動機電耗結(jié)果.

圖13 基于VAECMS優(yōu)化型，發(fā)動機工作狀態(tài)

圖14 基于VAECMS優(yōu)化型，發(fā)動機工作點分布圖

圖15 基于VAECMS優(yōu)化型，循環(huán)工況 燃油消耗、電能消耗結(jié)果

如圖16-18為復(fù)合規(guī)則型能量管理策略控制下ORDC循環(huán)工況仿真結(jié)果.

圖16 復(fù)合規(guī)則型，動力電池工作狀態(tài)

由圖16可見，滿足動力電池持續(xù)充放電倍率4C(140 A)的限制要求.由圖17可見，EGU系統(tǒng)按照設(shè)定的控制規(guī)則，控制發(fā)動機啟停，并跟隨車輛需求功率調(diào)整EGU系統(tǒng)輸出功率，達到了復(fù)合規(guī)則型能量管理策略的控制效果.由圖18可見，在復(fù)合規(guī)則型控制策略控制下，發(fā)動機始終工作于最佳燃油經(jīng)濟性曲線及附近的燃油經(jīng)濟性較好的區(qū)域.但動力電池SOC在設(shè)定的最佳充放電范圍內(nèi)往復(fù)波動會造成能源二次轉(zhuǎn)化，利用效率低的問題.圖19為ORDC循環(huán)工況下，發(fā)動機油耗和電動機電耗結(jié)果.

圖17 復(fù)合規(guī)則型，發(fā)動機工作狀態(tài)

圖18 復(fù)合規(guī)則型，發(fā)動機工作點分布圖

圖19 復(fù)合規(guī)則型，循環(huán)工況燃油消耗、電能消耗結(jié)果

在ORDC循環(huán)工況下，與復(fù)合規(guī)則型策略能耗結(jié)果對比如表2所示.

表2 燃油消耗與電能消耗結(jié)果分析

由表2可見，與復(fù)合規(guī)則型能量管理策略相比，VAECMS優(yōu)化策略的加入在優(yōu)化系統(tǒng)燃油經(jīng)濟性的同時，一定程度地維持了動力電池SOC的穩(wěn)定性，減少了動力電池循環(huán)充放電所造成的能量二次轉(zhuǎn)化，使得整車燃油經(jīng)濟性提高了10.5%.

4 結(jié) 論

1) 設(shè)計了自適應(yīng)馬爾科夫鏈預(yù)測算法來進行需求功率預(yù)測，有效提升了動力響應(yīng)的同時保證能量管理控制策略的實時性.

2) 設(shè)計了以需求功率變化進行尋優(yōu)域?qū)崟r求解的變域等效燃油消耗最小控制策略，在保證混合動力越野車動力性需求的前提下，提高了燃油經(jīng)濟性.