基于全局優(yōu)化算法的增程式電動汽車模糊控制策略

牛禮民，張泉泉，朱奮田，宗發(fā)新，鄭飛宇

(1. 安徽工業(yè)大學(xué) 機械工程學(xué)院，安徽 馬鞍山 243032； 2. 國網(wǎng)固鎮(zhèn)縣有限公司，安徽 蚌埠233700)

0 引 言

在傳統(tǒng)串聯(lián)型混合動力汽車的基礎(chǔ)上，增程式電動汽車(extended-range electric vehicle，EREV)改變能量的分配方式。增程器(發(fā)動機/發(fā)電機)和動力電池以電氣連接的方式提供整車動力，同時保持在各自最優(yōu)效率區(qū)間工作。能量管理策略是混合動力汽車整車控制的核心[1]，當(dāng)前EREV能量管理策略主要分為規(guī)則型[2-3]、優(yōu)化型[4]和智能型[5]。規(guī)則型能量管理策略開發(fā)周期短，實車性強，但整車燃油經(jīng)濟性較低；優(yōu)化型能量管理策略控制系統(tǒng)復(fù)雜，控制動力部件在其最優(yōu)經(jīng)濟區(qū)間工作，計算量大、耗時長，開發(fā)周期較長；智能型能量管理策略利用優(yōu)化算法協(xié)調(diào)多動力源間能量分配，且控制精度高。其中，模糊控制策略因其自適應(yīng)能力強、運算速度快，且不需要建立精確的控制系統(tǒng)等特點廣泛應(yīng)用于混合動力汽車控制系統(tǒng)[6]。但由于行駛路況的復(fù)雜及駕駛員駕駛操作意圖的隨機性較大，僅依據(jù)工程經(jīng)驗所制定的模糊控制規(guī)則庫難以協(xié)調(diào)不同動力源間的能量分配[7]，從而對駕駛舒適度及整車燃油消耗造成影響。

金輝等[8]根據(jù)動態(tài)規(guī)劃最優(yōu)性原理，提出了智能車起步過程的經(jīng)濟性車速規(guī)劃方法，將優(yōu)化后的車速和檔位作為智能車啟步依據(jù)，具有良好的節(jié)油特性；馮堅等[9]基于動態(tài)規(guī)劃算法和路況的增程式電動車能耗分析；周美蘭等[10]分析模糊控制策略在復(fù)合儲能電源中的功率、鋰電池SOC變化曲線以及儲能系統(tǒng)的能量流圖，相對于邏輯門限和鋰電池單獨驅(qū)動，模糊控制策略能降低鋰電池電流，有效回收制動能量；王賽等[11]以燃料電池汽車結(jié)合動力電池模組的方式，提出了基于微小變量模糊邏輯控制的燃料電池補償動力電池放電的能量管理控制策略模型；楊小龍等[12]提出了基于多因素輸入模糊控制的再生制動策略，將機械制動效能因子引入模糊控制器，以此優(yōu)化再生制動力分配比例，完成能量回收；臧懷泉等[13]提出了一種基于禁忌搜索-免疫粒子群算法的整車模糊能量管理策略，利用免疫粒子群算法對模糊控制器參數(shù)進行離線優(yōu)化；吳曉剛等[14]利用粒子群算法對模糊控制中的隸屬度函數(shù)進行優(yōu)化，降低電池組SOC變化，在一定程度上將電池SOC控制在比較合理的范圍。

現(xiàn)有模糊控制策略采用基于工程經(jīng)驗作為模糊控制規(guī)則庫制定依據(jù)，其中多采用引入影響因子作為模糊控制額外輸入或利用優(yōu)化算法對隸屬度參數(shù)進行優(yōu)化，全局優(yōu)化能力較弱，且容易出現(xiàn)局部最優(yōu)的情況，從而導(dǎo)致整車經(jīng)濟性下降。針對于此，筆者提出一種基于全局優(yōu)化的EREV模糊控制能量管理策略，分析并提取動態(tài)規(guī)劃算法在不同路況下的能量分配，作為制定模糊控制規(guī)則庫的依據(jù)，同時利用粒子群算法優(yōu)化控制策略及隸屬度函數(shù)參數(shù)，實現(xiàn)多動力源間能量的合理分配；最后搭建MATLAB/Simulink模糊控制策略模型，并經(jīng)硬件在環(huán)測試驗證所提策略在不同工況下的整車控制效果。

1 全局優(yōu)化策略

根據(jù)需求功率來分配增程器和動力電池間的能量，EREV在傳統(tǒng)串聯(lián)混合動力汽車的基礎(chǔ)上增加了多種行車模式，以面對日益復(fù)雜的行駛工況和不同需求的駕駛意圖等情況。整車能量管理策略根據(jù)不同駕駛信息和動力部件狀態(tài)等，協(xié)調(diào)優(yōu)化不同能源間能量分配，使各部件在最優(yōu)效率區(qū)間工作，在滿足動力性條件下節(jié)能減排。

在復(fù)雜多變的駕駛環(huán)境中，通過制定動力電池電量低閾值作為增程器的開啟條件，顯然不能滿足當(dāng)前能量管理趨勢。全局優(yōu)化控制策略通過實時車輛信息協(xié)調(diào)整車能量分配，根據(jù)需求功率和動力電池發(fā)電能力判斷增程器的開啟及輸出量，有助于延長動力電池使用壽命、降低整車燃油消耗，且當(dāng)動力電池進入低閾值時能維持動力電池電量狀態(tài)。

圖1為全局優(yōu)化控制策略示意，由圖1可知，全局優(yōu)化策略是在模糊控制策略的基礎(chǔ)上添加了動態(tài)規(guī)劃模塊和粒子群算法模塊，利用動態(tài)規(guī)劃算法提取相關(guān)能量分配規(guī)則，并結(jié)合工程經(jīng)驗為模糊控制策略提供規(guī)則庫制定依據(jù)；利用粒子群算法優(yōu)化部分控制策略及模糊隸屬度函數(shù)參數(shù)，使得模糊控制策略具有全局優(yōu)化性。

2 動態(tài)規(guī)劃的規(guī)則提取

在模糊控制中，模糊控制規(guī)則庫的指定大多取決于工程經(jīng)驗，缺乏全局優(yōu)化特性，不適應(yīng)當(dāng)前復(fù)雜多變的工況。動態(tài)規(guī)劃是在已知工況的條件下將時間工況離散化，轉(zhuǎn)化為過階段決策問題，逆向求解至初始階段以獲得全局最優(yōu)能量分配序列點?；诖?，利用動態(tài)規(guī)劃優(yōu)化算法對不同工況進行仿真，分析并提取不同工況下的能量分配規(guī)則，使得模糊控制策略更具有全局優(yōu)化性，從而提高整車燃油經(jīng)濟性、排放性。

2.1 增程式電動汽車數(shù)學(xué)模型

在獲取動態(tài)規(guī)劃規(guī)則前，根據(jù)EREV動力源部件MAP圖建立動力學(xué)簡化數(shù)學(xué)模型，以減少動態(tài)規(guī)劃算法在迭代過程中的復(fù)雜度。在增程式電動汽車行駛過程中，增程器和動力電池以電氣連接的方式將能量傳遞給驅(qū)動電機，驅(qū)動電機將接收到的電功率解耦成傳動系統(tǒng)中所需求的轉(zhuǎn)矩、轉(zhuǎn)速。

作為EREV唯一驅(qū)動源動力部件，驅(qū)動電機實現(xiàn)機械和電氣間的功率轉(zhuǎn)換。當(dāng)整車需求功率為負值時，將機械能轉(zhuǎn)化為電能存儲在動力電池中；當(dāng)需求功率為正值時，將電能轉(zhuǎn)化為機械能驅(qū)動車輪行駛。本節(jié)通過增程器最優(yōu)效率曲線和動力電池模型進行描述。

1)增程式電動汽車大多以發(fā)動機最優(yōu)效率曲線作為增程器工作區(qū)間，忽略了發(fā)電機工作時的機械效率問題，導(dǎo)致增程器整體工作效率變低。增程器以電氣連接的形式對外輸出能量，不用考慮轉(zhuǎn)矩、轉(zhuǎn)速限制，可以沿著當(dāng)前轉(zhuǎn)速下效率最高點進行發(fā)電。式(1)為增程器數(shù)學(xué)模型，在當(dāng)前轉(zhuǎn)速下，選取發(fā)動機與發(fā)電機最高發(fā)電效率作為發(fā)電工作點。圖2為增程器最優(yōu)效率曲線，通過最優(yōu)效率曲線計算當(dāng)前轉(zhuǎn)速下增程器燃油消耗和轉(zhuǎn)矩。

(1)

式中:ωfc-gc、Tfc-gc分別為發(fā)動機與發(fā)電機的轉(zhuǎn)速、轉(zhuǎn)矩；ηex、ηfc、ηgc分別為增程器、發(fā)動機和發(fā)電機的發(fā)電效率；Pex為增程器輸出功率。

2)不考慮電池電化學(xué)過程，筆者將動力電池看成由理想的開路電壓和1個內(nèi)阻串聯(lián)組成的等效電路[15]，其中電壓、電阻只與動力電池的電量有關(guān)，如圖3。

圖3 動力電池等效電路Fig. 3 Power battery equivalent circuit

(2)

式(2)為動力電池等效電路電流與電池荷電狀態(tài)計算公式，其中：Voc(t)為動力電池的開路電壓；R為動力電池的等效電阻；Pess(t)為動力電池的功率，正值表示放電，負值表示充電；SOC為動力電池的荷電狀態(tài)；Qess為動力電池容量。

2.2 動態(tài)規(guī)劃算法的實現(xiàn)

動態(tài)規(guī)劃算法(dynamic programming，DP)是一種基于貝爾曼最優(yōu)性原理的用于求解多約束問題的優(yōu)化方法，適用于EREV在固定工況下的能量管理問題進行求解，通過離線計算獲得全局最優(yōu)結(jié)果[16]。根據(jù)EREV在行駛工況中主要動力部件的能量轉(zhuǎn)化過程，將已知工況、功率平衡方程、燃油經(jīng)濟性及動力部件約束條件等信息，應(yīng)用到DP全局能量管理優(yōu)化步驟中，如圖4。動態(tài)規(guī)劃算法求解步驟主要包括：信息初始化、離散系統(tǒng)變量、可行域求解、最優(yōu)性求解。

圖4 動態(tài)規(guī)劃算法求解步驟Fig. 4 The solution steps of dynamic programming algorithm

為了在不同工況下合理的使用動力電池中的電量，不至于出現(xiàn)過充、過放及瞬時功率激增等情況，以動力電池SOC值作為系統(tǒng)狀態(tài)變量，增程器功率為控制變量，燃油經(jīng)濟性為目標(biāo)函數(shù)，如式(3)：

(3)

式中：k=1, 2, …,N；N為已知行駛工況總步長；x(k)為動力電池SOC；u(k)為增程式輸出功率；Jmin為整車燃油經(jīng)濟性。

由式(2)、式(3)可得：

SOC(k+1)=SOC(k)-

(4)

式中：Voc、Rint為動力電池電壓、電阻，其值隨SOC值變化；Qess為動力電池容量；Pex為增程器輸出功率。

由圖2可知，根據(jù)增程器最優(yōu)效率曲線在發(fā)動機MAP圖位置，可以求得增程器不同功率下的燃油消耗，以此作為求解DP過程中的目標(biāo)函數(shù)。增程器功率-燃油消耗如圖5。

圖5 增程器功率-燃油消耗Fig. 5 Extender power-fuel consumption diagram

在完成EREV到DP的信息初始化后，需要對變量進行離散化，包括已知工況、狀態(tài)變量SOC和控制變量Pex。將已知工況劃分為N個階段，通常以1 s作為時間步長；系統(tǒng)控制變量f_ex以1 kW進行劃分[fex_min:1:fex_max]；系統(tǒng)狀態(tài)變量SOC以0.000 01劃分為[SOC_min:0.000 01:SOC_max]。圖6為DP離散變量點分布，在不同工況階段N和狀態(tài)變量SOC下，根據(jù)系統(tǒng)狀態(tài)轉(zhuǎn)移方程，通過比較不同控制變量所引起的目標(biāo)函數(shù)值，選取最優(yōu)的控制變量序列，并以此逆推至工況初始階段；在給定的動力電池狀態(tài)下，根據(jù)每個工況階段所得到的最優(yōu)控制變量和系統(tǒng)狀態(tài)轉(zhuǎn)移方程，得到基于DP的控制變量輸出點。

圖6 DP離散變量點Fig. 6 DP discrete variable points

在進行動態(tài)規(guī)劃求解最優(yōu)控制變量和目標(biāo)函數(shù)時，由狀態(tài)轉(zhuǎn)移方程計算得到的系統(tǒng)狀態(tài)變量，可能因未落在前一迭代步的SOC離散點上而造成誤差。在提高系統(tǒng)狀態(tài)變量離散精度的基礎(chǔ)上，采用插值法使得在求解最優(yōu)目標(biāo)函數(shù)時，使得由控制變量計算得到的系統(tǒng)狀態(tài)變量會落在上一個迭代步的SOC離散點上。在傳統(tǒng)DP計算中，在每一個迭代步長內(nèi)需要對當(dāng)前迭代步中所有離散系統(tǒng)變量點進行計算，根據(jù)動力部件運行狀態(tài)對迭代過程進行約束，從而計算出系統(tǒng)狀態(tài)變量SOC有效運行區(qū)間，以減少程序運行時間，約束條件如式(5)：

(5)

式中：Pcharge_pwr、Pdischarge_pwr為不同SOC下動力電池充、放電功率限制值；ΔPex為增程器功率的變化率，ΔPex≤4 kW；tex為增程器開啟時間，tex≥5 s；SOCmin、SOCmax分別為動力電池最小、最大極值。

由式(3)可知，在動態(tài)規(guī)劃逆向求解初始迭代步第N步中，需要知道N+1步中由最優(yōu)控制變量u(N)產(chǎn)生的目標(biāo)函數(shù)JN+1，設(shè)定若在第N步中系統(tǒng)狀態(tài)變量落在既定狀態(tài)點上，則第N步的最優(yōu)控制目標(biāo)函數(shù)值為0，反之定義為INF。

2.3 DP優(yōu)化分析

根據(jù)上文所述，在已知工況、動力電池SOC初始、結(jié)束值及相關(guān)約束條件下，分別對城市道路工況(urban dynamometer driving schedule，UDDS)和新歐洲循環(huán)駕駛工況(new european driving cycle，NEDC)進行動態(tài)規(guī)劃算法計算，優(yōu)化結(jié)果如圖7、圖8。

圖7 UDDS工況動態(tài)規(guī)劃結(jié)果Fig. 7 Dynamic programming results of UDDS working conditions

圖8 NEDC工況動態(tài)規(guī)劃結(jié)果Fig. 8 Dynamic programming results of NEDC working conditions

分析圖7、圖8可得出EREV在給定工況下能量分配規(guī)則：在動力電池電量充足的情況下，增程器只有在需求功率較高的情況下開啟，同時并不對電池進行充電；而在動力電池電量較低時，增程器沿著最優(yōu)效率曲線工作。因此在滿足動力性條件下，減少了大電流對動力電池電量的快速消耗，從而增加了動力電池的使用壽命，又能使得增程器在高效點區(qū)間運行，提高整車燃油經(jīng)濟性。其中，在DP尋優(yōu)結(jié)束后，SOC值均保持在相對穩(wěn)定的狀態(tài)，防止動力電池因過度放電對電池的損耗，便于下一次充電。

3 模糊控制策略

根據(jù)DP獲取的能量分配規(guī)則，并結(jié)合相關(guān)工程經(jīng)驗作為模糊控制規(guī)則庫的制定依據(jù)，使得在不同工況條件下，EREV能量管理系統(tǒng)能夠根據(jù)動力電池荷電狀態(tài)，智能化協(xié)調(diào)分配增程器和動力電池間功率輸出，并且當(dāng)仿真結(jié)束后保持SOC值在一定水平處。為了協(xié)調(diào)動力系統(tǒng)和模糊控制策略，利用粒子群算法優(yōu)化部分控制策略及隸屬度函數(shù)參數(shù)，獲得更高的整車燃油經(jīng)濟性。

3.1 模糊控制系統(tǒng)

模糊控制系統(tǒng)主要包括輸入、輸出，模糊控制規(guī)則庫，隸屬度函數(shù)，模糊推理機制等。根據(jù)EREV整車功率流向，將整車需求功率Preq和動力電池SOC值作為模糊系統(tǒng)輸入、增程器發(fā)電功率為Pfc系統(tǒng)輸出，并采用以三角形類型為主的隸屬度函數(shù)。將兩個輸入隸屬度函數(shù)均劃分為5個模糊子集；根據(jù)動態(tài)規(guī)劃提取的增程器功率輸出規(guī)律及增程器燃油效率經(jīng)濟區(qū)間，將輸出隸屬度函數(shù)劃分為7個模糊子集，并且為不均勻分布，以提高模糊控制系統(tǒng)控制精度。模糊控制輸入、輸出隸屬度函數(shù)如圖9，表1為模糊控制規(guī)則庫。模糊控制兩個輸入隸屬度函數(shù)分別見圖9(a)、圖9(b)、輸出隸屬度函數(shù)見圖9(c)，表1為模糊控制規(guī)則庫，其中，NB、NS、M、VS、VB分別表示負大、負小、中、很小、很大。

圖9 模糊隸屬度函數(shù)Fig. 9 Fuzzy membership function

表1 模糊控制規(guī)則庫Table 1 Fuzzy control rule base

由表1可知，模糊控制系統(tǒng)一共有25條規(guī)則，包含了整個變量輸入?yún)^(qū)間，并采用Mamdani型推理機制進行模糊控制推理。

3.2 粒子群算法參數(shù)優(yōu)化

EREV能量管理策略的目標(biāo)是在滿足動力性要求的基礎(chǔ)上，要求控制策略根據(jù)動力部件實時狀態(tài)協(xié)調(diào)功率分配。本節(jié)以燃油經(jīng)濟性及整車排放性為優(yōu)化目標(biāo)，利用粒子群算法離線優(yōu)化整車動力及模糊隸屬度函數(shù)參數(shù)，最后在ADVISOR汽車仿真軟件中，將優(yōu)化后的模糊控制策略用于實時仿真控制。

圖10為粒子群參數(shù)優(yōu)化簡圖，首先確定優(yōu)化參數(shù)的數(shù)量及優(yōu)化范圍等，其中優(yōu)化參數(shù)為34個、優(yōu)化參數(shù)范圍見表2；其次初始化優(yōu)化參數(shù)，并帶入EREV控制系統(tǒng)進行仿真，確定初代個體最佳粒子(pbest)、群體最佳粒子(gbest)；接著根據(jù)粒子速度、位置更新公式對粒子進行更新，再帶入到控制系統(tǒng)進行仿真，并更新pbest、gbest。其中，速度更新公式中c1、c2為學(xué)習(xí)因子，取值為2；ω為慣性因子，取值為0.5；rand為0～1間的隨機數(shù)；m為當(dāng)前粒子數(shù)，m=1，2, …, 20。

圖10 粒子群參數(shù)優(yōu)化簡圖Fig. 10 Particle swarm optimization diagram

粒子群優(yōu)化參數(shù)變量及范圍如表2，對于模糊隸屬度函數(shù)分別以隸屬子函數(shù)中心點和隸屬子函數(shù)寬度的一半作為優(yōu)化參數(shù)；對于控制策略參數(shù)以增程器最大、最小輸出功率和動力電池SOC低閾值為優(yōu)化參數(shù)。

表2 粒子群優(yōu)化參數(shù)及范圍Table 2 Particle swarm optimization parameters and range

在MATLAB/Simulink中建立EREV模糊控制策略模型，嵌入到ADVISOR控制模塊中進行仿真，并根據(jù)整車燃油消耗及排放作為優(yōu)化適應(yīng)度目標(biāo)函數(shù)，以此在迭代中不斷地更新個體及群體最優(yōu)值。

4 仿真結(jié)果

在MATLAB/Simulink中建立全局優(yōu)化控制策略整車控制模型，并選取包含城市擁堵、郊區(qū)、高速等5種路段作為組合工況，分別為FTP(邦聯(lián)認證瞬態(tài)循環(huán)工況)、1015(十十五循環(huán)工況)、UDDS、NEDC和HWFET(高速公路燃油經(jīng)濟性循環(huán)工況)，利用粒子群算法對部分控制策略及隸屬度函數(shù)參數(shù)進行全局搜索優(yōu)化。其中控制策略參數(shù)3個、隸屬度函數(shù)參數(shù)34個，共迭代15次，初始種群粒子數(shù)為20，組合工況如圖11。

圖11 組合工況Fig. 11 Combined working condition

圖12為目標(biāo)函數(shù)值迭代值，隨著迭代次數(shù)增加，平均燃油經(jīng)濟性不斷收斂至最佳狀態(tài)，最終值為63.0 mile/gal，優(yōu)化后的隸屬度函數(shù)如圖13。需求功率隸屬子函數(shù)圖13(a)在36 kW(增程器最優(yōu)經(jīng)濟點)處范圍最大，區(qū)別于其他功率區(qū)間；SOC隸屬子函數(shù)圖13(b)則集中于0.5～0.7(動力電池高效率區(qū)間)；增程器隸屬子函數(shù)圖13(c)跟優(yōu)化前相比變化不大，也說明了基于DP提取的模糊控制規(guī)則對協(xié)調(diào)整車能量分配的正確性。

圖12 目標(biāo)函數(shù)迭代值Fig. 12 Iterative value of objective function

圖13 優(yōu)化后的隸屬度子函數(shù)Fig. 13 The subfunction of membership degree after optimization

4.1 仿真結(jié)果分析

將優(yōu)化后的部分控制策略及隸屬度函數(shù)參數(shù)帶入EREV全局優(yōu)化控制策略模型，利用ADVISOR軟件平臺進行仿真。圖14分別為動力電池SOC值變化曲線、增程器輸出功率和動力電池輸出功率。

圖14 組合工況仿真Fig. 14 Simulation of combined working condition

從圖14可知，在整個組合工況運行下，動力電池SOC值下降較為緩慢，且輸出功率基本在15 kW以內(nèi)，最大輸出功率不超過21 kW，有效防止高電流對動力電池壽命的影響；仿真快結(jié)束時，SOC值維持在相對穩(wěn)定的狀態(tài)下(0.33左右)，便于動力電池下一次充電；增程器可以沿著最優(yōu)效率曲線輸出功率，避免了因功率過高或過低造成整車控制系統(tǒng)效率下降。為了驗證基于全局優(yōu)化的EREV模糊控制策略適用于不同工況，將組合工況分為單獨工況進行運行仿真，圖15為5種分工況SOC變化曲線。

圖15 分工況SOC分布Fig. 15 SOC distribution under different driving cycles

將優(yōu)化后的控制策略參數(shù)及模糊隸屬度參數(shù)應(yīng)用到筆者所制定的全局優(yōu)化控制策略中，并將其嵌入到ADVISOR整車模型中進行仿真。如圖15，所提策略可以適用于多種工況，能夠合理地分配動力電池與增程器間的功率，動力電池SOC值能維持在0.33附近。表3給出了不同工況下的總油耗對比，可見無論是組合工況還是分工況，其燃油消耗量對比功率跟隨式控制策略均有所降低。綜上所述，本策略能有效提高EREV燃油經(jīng)濟性，節(jié)能減排。

表3 工況油耗對比及優(yōu)化后的控制策略參數(shù)Table 3 Comparison of fuel consumption under working conditions and optimized control strategy parameters

4.2 在環(huán)試驗驗證

為進一步驗證所提策略的有效性，依托研發(fā)生產(chǎn)一體化(development to prodution，D2P)技術(shù)實現(xiàn)在環(huán)試驗驗證，對所提模糊控制策略進行實車驗證。D2P具有快速開發(fā)整車控制策略功能，主要包括MotoHawk、GCC代碼編輯器以及軟件檢測Mototune。通過在MATLAB/Simulink中建立的基于全局優(yōu)化的模糊控制策略模型替換到MotoHawk模塊中，并根據(jù)優(yōu)化后的參數(shù)完成修改與調(diào)試；通過GCC對模型進行編譯，以便主控制器進行識別；最后完成CAN總線的連接。為凸顯本控制策略在維持SOC值穩(wěn)定的同時，依然能根據(jù)實時仿真工況使增程器處在高效率區(qū)間工作，設(shè)置動力電池SOC初始值為0.33，并選用CYC_NEDC作為在環(huán)循環(huán)工況。圖16為基于D2P技術(shù)在環(huán)實驗平臺。

圖17為實測在環(huán)實驗數(shù)據(jù)，由圖17可見：SOC在整個NEDC循環(huán)工況中始終維持在相對穩(wěn)定的狀態(tài)，且最大峰值差值小于0.01，有助于延長動力電池使用壽命；增程器工作點大部分處在[0.30～0.35]區(qū)間范圍內(nèi)，工作點效率較高，有利于提高整車經(jīng)濟性。表4為兩種能量管理策略的燃油經(jīng)濟性在環(huán)試驗對比數(shù)據(jù)，由表4可知：采用優(yōu)化控制策略比未采用優(yōu)化控制策略的燃油消耗較少0.166 L，燃油經(jīng)濟性提高21.3%；與表3相比，兩種能量管理策略的在環(huán)試驗結(jié)果均比整車仿真結(jié)果燃油經(jīng)濟性有所降低，可能是在環(huán)實驗中外在因素導(dǎo)致燃油消耗增加。

圖16 基于D2P技術(shù)在環(huán)實驗平臺Fig. 16 In loop experimental platform based on D2P technology

圖17 實測實驗數(shù)據(jù)Fig. 17 Measured experimental data

表4 燃油經(jīng)濟性對比Table 4 Fuel economy comparison

5 結(jié) 論

以增程式電動汽車為研究對象，提出一種基于全局優(yōu)化算法的EREV模糊控制系統(tǒng)能量管理策略。

1)以EREV最優(yōu)效率曲線做為增程器工作區(qū)間，在不同動力電池及工況狀態(tài)下，得出動態(tài)規(guī)劃算法對能量分配的規(guī)則，以及仿真結(jié)束后動力電池所維持的狀態(tài)；根據(jù)DP規(guī)則以及工程經(jīng)驗建立EREV模糊控制規(guī)則，并利用粒子群算法對控制策略及模糊隸屬度函數(shù)進行優(yōu)化，從而建立了全局優(yōu)化的EREV能量管理策略，并進行了仿真驗證。

2)仿真結(jié)果顯示，循環(huán)工況結(jié)束后動力電池維持在相對穩(wěn)定的狀態(tài)點下，與Advisor中原功率跟隨式控制策略相比，整車燃油消耗及排放均有所改善，且發(fā)動機長期工作在高效經(jīng)濟區(qū)間。

3)基于D2P技術(shù)對本控制策略進行在環(huán)試驗驗證，將建立的控制策略模型替換到MotoHawk模塊中，實現(xiàn)軟硬件結(jié)合，在環(huán)實驗結(jié)果顯示，采用優(yōu)化管理策略對比與未采用優(yōu)化管理策略的整車燃油經(jīng)濟性有明顯提高，但略低于整車模型仿真。