朱龙飞,赵 韩,尹安东

(合肥工业大学 机械与汽车工程学院,安徽 合肥 230009)



增程式电动汽车能量管理策略优化研究

朱龙飞,赵 韩,尹安东

(合肥工业大学 机械与汽车工程学院,安徽 合肥 230009)

文章以增程式电动汽车为研究对象,以提高整车燃油经济性为目标,采用准静态方式建立了简化的整车模型,利用动态规划方法得到在特定工况下整车的最优控制及燃油消耗最优值;在ADVISOR平台上搭建了整车模型及基于逻辑门限值的控制策略,并利用遗传算法对控制策略中的主要参数进行优化。结果表明,与优化前相比,优化后整车的燃油消耗量明显降低,与理论最优油耗值的误差仅为2.8%。

增程式电动汽车;控制策略;动态规划;遗传算法;ADVISOR软件

0 引 言

受限于目前动力电池技术的发展, 电动汽车续驶里程始终不能与传统燃油车相媲美, 严重阻碍了电动汽车的推广应用。在动力电池未能解决 低能量密度、高成本等技术问题的前提下, 增程式电动汽车不失为一种解决方案[1]。在纯电动汽车的基础上,增程式电动车增加了增程器,从而提高续航里程,避免频繁地停车充电。

因为增程式电动汽车拥有发动机和动力电池2个能量源,所以需要良好的控制策略来实现两者的协调工作,提高整车性能,改善燃油经济性。目前关于增程式电动汽车控制策略的研究主要有3种,即基于规则的逻辑门限控制策略、全局最优控制策略以及智能控制策略[2]。

本文主要研究基于动态规划方法的全局最优控制策略以及基于遗传算法对逻辑门限控制策略进行优化。

1 基于动态规划的最优控制策略

增程式电动汽车中驱动电机是驱动汽车行驶的唯一动力源,而发动机/发电机组组成的增程器则与动力蓄电池一起并联在直流母线上,故可知整车的功率平衡方程为:

(1)

其中,Preq(t)为t时刻汽车的需求功率,在路况条件已知的情况下认为是已知的;PAPU(t)为t时刻发动机/发电机组的输出功率;Pbat(t)为t时刻电池的充放电功率。以燃油消耗最小为目标,动态规划方法则是在已知路况的条件下,寻找出各个阶段最优的功率分配[3]。

1.1 主要部件模型的建立

在利用动态规划方法求解前,需要先建立汽车各主要部件相关的效率或损耗模型。整车系统模型主要以准静态的方式建立,即只考虑系统的输入输出之间的静态关系。

1.1.1 发动机和发电机

忽略发动机的动态响应过程,并假定发动机已完全预热,认为发动机的燃油消耗率只与转速和转矩有关,其关系可通过实验数据查表获得。

本文认为发电机模型是静态的,其效率为一定值。

1.1.2 驱动电机

忽略驱动电机复杂的电磁学模型,同样采用实验数据查表法,认为电机效率只与电机转速和扭矩相关。驱动电机的功率可正可负,当功率为正时,电机将电池或发电机传来的电功率转化为转矩和转速来驱动汽车;当功率为负时,电机以发电机形式工作,将回收的能量用来给电池充电。

1.1.3 电池

不考虑电池的电化学过程,将蓄电池看成由理想的开路电压和1个内阻串联的等效电路[4-5],如图1所示,并且忽略温度对电池的影响。定义电池放电时电流为正,充电时为负。其中电池内阻和电池开路电压为电池荷电状态(state of charge,SOC)的函数,由实验数据插值得到。

图1 蓄电池等效电路

由功率定义式Pbat=VI和基尔霍夫电压定律V=Voc-IRint,可得:

(2)

其中,Pbat为电池功率;V为电池端电压;Voc为电池的开路电压;I为电池的充放电电流。电池的SOC与充放电电流的关系如下:

(3)

其中,I(t)为t时刻电池的充放电电流;CN为电池容量。

1.2 动态规划问题抽象

本文以NEDC(new European driving cycle)工况作为研究对象,将整个工况划分为N段,每阶段步长ΔT。以蓄电池的SOC作为状态变量[6],即x(k)=SOC(k),将(3)式离散化,则状态转移方程为:

(4)

因为本文中的汽车采用的是单级主减速器,不需要考虑换挡问题,所以只以发动机的输出功率Pfc为决策变量,即

由发动机的油耗图可以确定一条燃油消耗最低的曲线,供发动机的工作点选取,且PAPU=Pfckgen,kgen为发电机的效率，则可以得到:

(5)

定义目标函数Jk为第k阶段到最后阶段的代价函数之和,则有:

(6)

其中,L为每一阶段的代价函数,定义如下:

(7)

其中,Lfuel(k)为第k阶段的燃油消耗,与发动机的工作点有关。

最优目标函数可表示为:

fk=min(Jk)

(8)

约束条件为:

(9)

由Bellman最优化原理可知,动态规划问题可以分解为一系列的子问题,描述如下。

(1) 第N-1步计算步骤为:

(10)

(2) 第k步(0≤k

(11)

在计算时,将状态变量SOC离散化,即将[SOCmin,SOCmax]等分为M份,每份长度为ΔSOC,得到状态变量的M+1个离散状态点。同样还需要对控制变量Pfc离散化,间隔为ΔPfc。

按照上述递推公式,动态规划算法首先逆向从第N个采样点开始至第1个采样点,计算每个采样点每个不同状态处由不同决策变量得到的最优目标函数值;然后根据初始条件,正向从第1个采样点到第N个采样点,按照已经计算出的每个采样点的最优值搜寻出一条最优的控制轨迹,从而得到整个循环工况的最优控制[7-8]。动态规划求解过程如图2所示。

图2 动态规划求解过程

在第k阶段,由控制变量计算得到的x(k+1)并不一定是上文中划分的离散状态点,因而不能直接得到其所对应的最优目标函数值,而在第k+1阶段,各个离散状态点的最优目标函数值已经计算得到,故可通过插值得到:

fk+1[x(k+1)]。

1.3 动态规划方法的改进

在上文所述的动态规划求解过程中,有很多离散状态点不可达,这部分计算是没有意义的,故对上述算法进行改进,即对SOC的可达区域进行预测,从而提高计算效率。

由(3)式可知,SOC的值与SOC的初始状态以及电池的充放电电流有关,而(2)式表明电池的充放电电流与电池的充放电功率有关。电池的充放电功率又决定于汽车的需求功率和发动机/发电机组的输出功率。

(1) 当汽车需求功率为正时,电池的最大放电功率取2种情况(汽车的需求功率和此时电池能提供的最大放电功率)中的较小值。

此时,电池的最大充电功率取以下2种情况中的较小值:① 发动机/发电机组以最大功率输出,提供汽车的需求功率之外富余的那部分功率;② 此时电池所能接受的最大充电功率。

(2) 当汽车需求功率为负时,电池的最大放电功率为0,但考虑到能量回收,电池接受来自电机制动回收的电功率,故电池的功率上限取以下2种情况中的较大值:① 驱动电机制动回收的电功率,取负;② 此时电池的最大充电功率,取负。

此时,电池的最大充电功率取以下2种情况中的较小值:① 发动机/发电机组的最大功率与驱动电机制动回收的电功率之和;② 此时电池所能接受的最大充电功率。

根据上述计算,可以得到各个时刻电池功率的上、下限值,进而可以确定SOC的边界区域,在SOC约束条件下可获得SOC的可达范围。本文以SOC始末值为0.6,在NEDC工况下得到SOC的可达区域如图3所示。

图3 SOC可达区域预测结果

1.4 仿真及结果分析

增程式电动汽车整车主要参数见表1所列，其变速器为单级主减速器。

表1 整车驱动系统主要参数

增程式电动汽车动态规划计算结果如图4所示。

从图4b中可以看出,发动机输出功率几乎不变,这与本文研究的车型结构有关,发动机并不直接驱动汽车,而是通过发电机提供电能,这决定了其发动机可以工作在燃油经济性较好的点。由图4可以看出，大约在工况的前800 s发动机工作的时间较短,电池SOC整体呈下降趋势,这是因为这段时间内,汽车需求功率不大,主要由蓄电池来提供电能,避免发动机运行在低负荷点,达到减少油耗的目的,而在功率需求较大时发动机提供一部分功率,可以避免蓄电池大功率放电造成放电时间减少和电池寿命降低。

基于动态规划方法的控制策略简化了系统实际运行过程,忽略了部件动态响应过程,其仿真结果是任何实际或实时仿真控制策略都无法到达的极限,但其结果可以作为其他控制策略控制效果的评价参考[9]。

图4 动态规划求解结果

2 基于ADVISOR的整车模型

基于ADVISOR中串联混合动力汽车的模型,根据驱动系统相应部件的实验数据修改各部件的m文件,得到增程式电动汽车模型。

2.1 控制策略设计

本文采用基于逻辑门限值的控制策略,发动机以恒定功率输出,控制策略描述如下。

(1) 当SOC值低于设定的下限时,发动机/发电机组启动并以设定的工作点工作,向驱动电机提供电能,若有富余功率,则用来给电池充电。

(2) 当SOC值达到设定的上限时,发动机/发电机组停止工作。

(3) 当SOC值在设定的上限与下限之间时,发动机/发电机组的工作状态与前一时刻相同。

(4) 任何时候,当汽车的需求功率大于电池的最大放电功率时,发动机/发电机组都将启动。

2.2 整车模型

基于ADVISOR的模型结构,在Simulink中搭建增程式电动汽车控制策略,得到的整车模型如图5所示。

图5 整车ADVISOR模型

3 基于遗传算法的优化

本文已经建立了增程式电动汽车的整车模型,但控制策略中的关键参数并不是最优的,需要进一步优化。

本文利用遗传算法与ADVISOR联合优化是通过Matlab优化工具箱配合ADVISOR的非GUI调用函数实现的；前者需要编写相应的适应度函数来调用ADVISOR计算出目标函数,并返回到优化工具箱中。以NEDC工况为研究工况,选取百公里燃油消耗量为优化目标,优化变量包括SOC上、下限及发动机的输出功率[10]。

在经历50代循环迭代后优化结束,最终目标函数与迭代次数的关系如图6所示,优化后的百公里燃油消耗量为5.16 L。

图6 遗传算法优化结果

优化前、后的参数对比见表2所列。基于动态规划方法、ADVISOR模型以及遗传算法进行优化后的整车模型的综合百公里油耗分别为5.04、5.30、5.16 L。

表2 优化前、后参数对比

4 结 论

(1) 本文基于动态规划方法,针对简化后的汽车系统模型,提出了对状态变量SOC的可达区域进行预测计算,减少了计算时间,求解出了特定工况下车辆的最低燃油消耗及发动机最优控制。

(2) 基于ADVISOR整车模型的性能仿真结果表明,本文搭建的逻辑门限控制策略是可行的,具有良好的燃油经济性,其油耗值与动态规划的最优油耗值误差为5.6%。

(3) 采用遗传算法优化后,整车燃油经济性相比优化前提高了2.6%,接近于动态规划的最优油耗值,误差为2.8%,优化后的策略也为实车的试制提供了参考。

[1] 乌日娜,魏跃远.增程式电动汽车整车控制策略研究与实现[J].自动化技术与应用,2014,33(5):29-32.

[2] 陈智家,陈祥丰,欧阳海.混合动力汽车控制策略研究现状及发展趋势[J].汽车工程师,2009 (10):18-20,34.

[3] 张炳力,张平平,赵韩,等.基于离散动态规划的PHEV燃油经济性全局最优控制[J].汽车工程,2010,32(11):923-927.

[4] 赵兴福,王仲范,廖连莹.电动汽车蓄电池键合图建模及仿真[J].汽车工程,2004,26(5):524-529.

[5] 曾小华,宫维钧.ADVISOR 2002 电动汽车仿真与再开发应用[M].北京:机械工业出版社,2014:125-128.

[6] CHEN J F,WU J F,WU X G,et al.Study on energy management strategy based on DP for range extended electric bus in Chinese driving cycles[C]//2014 IEEE Transportation Electrification Conference and Expo Asia-Pacific.Beijing:IEEE,2014:1-5.

[7] 吴迪.ISG混合动力汽车能量优化管理策略研究[D].合肥:合肥工业大学,2013.

[8] 邹渊,侯仕杰,韩尔樑,等.基于动态规划的混合动力商用车能量管理策略优化[J].汽车工程,2012,34(8):663-668.

[9] 左义和,项昌乐,闫清东,等.基于动态规划算法的混联混合动力汽车控制策略[J].吉林大学学报(工学版),2011,41(4):898-903.

[10] 赵韩,徐承付,尹安东.ISG型中度HEV控制策略优化算法研究[J].合肥工业大学学报(自然科学版),2013,36(9):1025-1028.

(责任编辑 胡亚敏)

Study of the optimization of energy management strategy for range-extended electric vehicle

ZHU Longfei,ZHAO Han,YIN Andong

(School of Machinery and Automobile Engineering, Hefei University of Technology, Hefei 230009, China)

Taking the range-extended electric vehicle(REEV) as the research object, in order to improve the fuel economy, a simplified vehicle model was established in a quasi-static way, and the optimal control strategy and the optimal fuel consumption value in a certain driving cycle were obtained by adopting the dynamic programming theory. Then a vehicle model was built on ADVISOR platform with a control strategy based on the regular logic threshold, and the main parameters of the strategy were optimized by using the genetic algorithm. The simulation results show that the fuel consumption value after optimization decreases obviously, and compared to the theoretical optimal fuel consumption value, the error is 2.8%.

range-extended electric vehicle(REEV); control strategy; dynamic programming; genetic algorithm; ADVISOR software

2015-04-21；

2015-07-22

国家科技支撑计划资助项目(2013BAG08B01)

朱龙飞(1991-),男,安徽固镇人,合肥工业大学硕士生;

赵 韩(1957-),男,安徽滁州人,博士,合肥工业大学教授,博士生导师.

10.3969/j.issn.1003-5060.2016.10.005

U469.72

A

1003-5060(2016)10-1322-05