基于遺傳-蟻群算法的PHEB模糊控制策略優化

尹安東 趙 韓 張 輝

合肥工業大學,合肥,230009

0 引言

目前,混合動力汽車(hybrid electric vehicle,HEV)的控制策略主要有邏輯門限值控制策略、瞬時優化控制策略、全局優化控制策略和模糊控制策略等[1-2]。模糊控制策略魯棒性強、實時性好,具有很強的實用性,但模糊控制策略隸屬度函數和模糊控制規則的選取主要依靠專家經驗,一般情況下無法獲得全局最優,因此需要對模糊控制策略進行優化,以獲得最優的控制性能。

HEV控制策略優化是復雜的非線性優化問題,很難用傳統的一些優化方法來求解。近年來涌現出的智能優化方法,如遺傳算法、蟻群算法和粒子群算法等,能夠在搜索過程中自動獲取和積累有關搜索空間的知識,實現在復雜空間中的有效搜索[3]。遺傳算法(genetic algorithms,GA)是一種具有很強全局尋優能力的仿真算法,但未利用系統中的反饋信息,降低了求解效率[4-5];蟻群算法(ant colony algorithms,ACA)是一種新型的模擬進化算法,重點始于組合優化問題的求解,但存在收斂較慢的問題[6-7]。故筆者采用集遺傳算法和蟻群算法優點的遺傳-蟻群算法(geneticant colony algorithm,GACA),對并聯式混合動力電動客車(parallel hybrid electric bus,PHEB)的混合動力系統模糊控制器的隸屬度函數和模糊控制規則進行優化,并運用MATLAB/Advisor進行實例PHEB性能仿真分析。

1 PHEB模糊控制策略設計

1.1 PHEB混合動力系統工作模式分析

鑒于城市客車停靠站點多、車速不高、起步、停車十分頻繁等特點,結合超級電容具有在短時間內可大電流充放電、循環壽命長、充放電效率高等優勢,在傳統燃油城市客車結構基礎上,設計了一種超級電容和柴油發動機混合的并聯式混合動力系統。鑒于超級電容的輔助動力作用,混合動力系統的發動機工作點范圍可向其最佳燃油經濟性曲線的上下兩側進行適當拓展,如圖1所示的Ⅱ區域。為了充分發揮并聯式混合動力系統的優勢,PHEB在不同的行駛工況下,具有多種不同的控制模式:

(1)汽車在啟動和低速行駛時,為避免發動機處在高油耗率區,由超級電容放電驅動電機,實現純電驅動模式。

(2)當汽車在加速或爬坡等大負荷情況下,或發動機的工作點位于如圖1所示的Ⅰ區域時,進入發動機和電機混合驅動模式。

(3)當汽車勻速行駛時,發動機單獨驅動,并根據超級電容的荷電狀態(state of charge,SOC)值來確定是否對其充電。若發動機工作在相對經濟區間(Ⅱ區域),則超級電容不工作;若發動機的工作點位于如圖1所示的Ⅲ區域,并且超級電容的SOC值低于預先設定的下限值,則發動機在提供整車所需功率的同時向超級電容充電,直到超級電容SOC值超過預先設定的上限值為止。

圖1 發動機萬有特性圖

(4)汽車減速/制動時,電機作為發電機運轉,把驅動輪的動能轉化為電能,并通過功率轉換器給超級電容充電,實現再生制動能量的回收。

1.2 PHEB模糊控制策略設計

1.2.1 模糊控制器的設計

鑒于PHEB混合動力系統結構特點,設計一種模糊控制器,結構如圖2所示。該結構主要由3個模塊組成:①轉矩轉化模塊,計算整車的需求轉矩與當前轉速下發動機最優輸出轉矩的差值ΔT;②模糊推理模塊,它是模糊控制器的核心部分[8],由兩個輸入量(整車需求轉矩與發動機最佳轉矩之差ΔT以及超級電容當前SOC值)和一個輸出量(發動機輸出轉矩 T)構成;③轉矩修正模塊,根據模糊推理器的輸出,最后轉化為發動機的實際輸出轉矩Te。

圖2 PHEB模糊控制器結構示意圖

1.2.2 隸屬函數

輸入變量ΔT和SOC的論域分別為[-3,3]和[1,7],輸出變量 Te的論域為[1,7]。輸入變量ΔT和SOC均定義為5個模糊子集,ΔT描述為{NB(負大)、NS(負小)、ZO(零)、PS(正小)、PB(正大)};SOC 描述為{S(小)、RS(較小)、M(中等)、RB(較大)、B(大)},輸入變量 ΔT 和SOC 的隸屬函數分別如圖3和圖4所示。根據發動機的效率曲線圖,將輸出變量 Te定義為7個模糊子集,Te描述為{VS(極小)、S(小)、RS(較小)、M(中等)、RB(較大)、B(大)、VB(極大)},輸出變量Te的隸屬函數如圖5所示。

圖3 輸入變量ΔT的隸屬函數

圖4 輸入變量SOC的隸屬函數

圖5 輸出變量Te的隸屬函數

1.2.3 模糊控制規則

模糊推理的規則建立原則是,在保證超級電容充放電平衡的情況下,盡量使發動機工作在最優曲線附近。在確定各輸入、輸出變量模糊子集和隸屬度函數后,就可以列寫出模糊控制規則,如表1所示。

表1 Te的模糊控制規則表

1.3 PHEB控制策略優化目標

PHEB優化目標就是在滿足汽車動力性能的基礎上,盡量使PHEB的等效燃料消耗量最小。PHEB控制策略優化問題是一個典型的非線性約束優化問題[9],其數學模型可以表述為

其中,F(x)為等效燃料消耗量;f(x)為優化目標函數,其約束條件 gr(x)(r=1,2,…,M)是一組非線性不等式約束,這里主要是滿足PHEB的性能要求,即加速時間、最大爬坡度、0～50km/h的加速時間和超級電容組SOC的平衡等要求。針對實例PHEB的性能技術要求,約束條件設計如下:①最高車速g1(x)≥80km/h;②最大爬坡度g2(x)≥20%;③0～50km/h的加速時間g3(x)≤30s;④超級電容SOC初始值和終值之差g4(x)≤0.5%。

2 基于GACA的模糊控制策略優化

2.1 GACA的基本思路

鑒于遺傳算法具有大范圍全局搜索的能力,蟻群算法具有正反饋尋優等優點,采用集遺傳算法和蟻群算法優點的GACA。GACA的基本思路是以PHEB等效燃料消耗量為優化目標,首先利用遺傳算法產生較優解,并留下初始信息素分布;然后在有一定初始信息素分布的情況下,利用蟻群算法尋求最優解,充分發揮遺傳算法與蟻群算法在尋優搜索中各自的優勢。

2.2 遺傳算法規則

2.2.1 編碼以及群體初始化

采用浮點數編碼方法進行編碼,將優化問題的實際參數構成染色體編碼。初始群體中的個體是隨機產生的,通過編碼隨機產生 N個個體形成初始群體。

2.2.2 適應度函數

適應度函數可等價于蟻群算法過程中的目標函數,并將約束加入到適應度函數中[10]。

2.2.3 選擇方法

采用最佳個體保留策略和賭盤輪法相結合的選擇方法,即在群體交叉之前選出最佳個體,直接遺傳到子代群體中,其余個體采用賭盤輪法來選擇。

2.3 蟻群算法規則

2.3.1 信息素的初始值設置

通過遺傳算法得到了一定的路徑信息素,把信息素的初始值τS設置為

式中,τC為具體求解問題給定的一個信息素常數;τG為遺傳算法求解結果轉換的信息素值。

2.3.2 路徑選擇

在節點i的第k只螞蟻選擇下一跳節點j的規則:

式中,τij(t)為t時刻在i、j連線上的信息素量;ηij(t)為與τij(t)對應的啟發式信息;α、β分別為調節信息素強度τ和啟發式信息η相對重要性的參數;S為螞蟻可行路徑節點集合(t)為t時刻第k只螞蟻由位置i轉移到位置j的概率。

2.3.3 信息素的更新

信息素的更新采用局部更新和全局更新相結合的策略。局部更新可避免螞蟻在上次更好的路徑有限相鄰區域內搜索,全局更新對歷史最優解路徑上的信息素進行更新。當第k只螞蟻成功地完成從i到j的一跳,信息素按照式(4)進行更新:

當所有的螞蟻完成了一次循環后,選擇出目標函數值最小的路徑,再按照式(6)進行全局信息素更新,以達到較快收斂于最優解的目的:

式中,θ為全局信息素揮發系數,0≤θ＜1;Δτij(t+n)為蟻群完成一次循環后的信息素修改值。

2.4 GACA優化流程

基于GACA的控制策略優化流程如下:①隨機產生1組實數編碼;②根據遺傳算法進行若干次迭代,依據目標函數,生成初始信息素分布;③根據式(3)初始信息素分布,在源節點放置m只螞蟻,每只螞蟻依據狀態轉移概率選擇下一跳節點;④螞蟻完成一步后,根據式(4)進行局部信息素更新;⑤所有的螞蟻完成1次循環后,根據式(6)進行全局信息素更新;⑥若滿足結束條件,即循環次數Tc≥Tmax則循環結束并輸出最優解,否則跳轉到步驟 ⑤。

2.5 基于GACA的PHEB模糊控制策略優化

將GACA和模糊控制相結合,利用GACA優化PHEB模糊控制器的隸屬函數和模糊控制規則,以期得到最優的模糊控制策略。在已設計的PHEB模糊控制器(圖2)的基礎上進行GACA優化,建立優化模型,如圖6所示。通過GACA對已建立的糊控制器的控制變量進行調整優化,從而得到最優的兩個輸入控制變量(整車需求轉矩與發動機最佳轉矩之差 ΔT、超級電容當前SOC值)以及一個輸出控制變量(發動機的實際輸出轉矩Te)的隸屬函數和模糊控制規則。

圖6 基于遺傳-蟻群算法的控制策略優化模型

3 基于實例的PHEB模糊控制策略優化

3.1 實例PHEB主要技術參數

實例PHEB車型是在傳統燃油城市公交車基礎上改裝而成的,采用由超級電容和柴油發動機組成并聯式混合動力系統。根據城市公交車的運行狀況以及道路條件,確定實例的PHEB主要參數,如表2所示。

表2 PHEB主要技術參數表

3.2 基于Advisor的實例PHEB仿真模型建立

首先利用MATLAB/Simulink建立發動機、電機、超級電容等主要部件的仿真模型,并在Advisor平臺上進行整車模型的二次開發。然后在MATLAB/Simulink環境下建立基于GACA的模糊控制模塊,并嵌入到Advisor整車仿真模型中,得到整體封裝后的基于GACA模糊控制策略的PHEB整車仿真模型,如圖7所示。其中,優化后的模糊控制模塊的輸入控制變量ΔT和SOC及輸出控制變量Te的隸屬度函數分別如圖8～圖10所示。

圖7 基于GACA的模糊控制策略優化的PHEB整車仿真模型

圖8 優化后的輸入變量ΔT的隸屬函數

圖9 優化后的輸入變量SOC的隸屬函數

圖10 優化后的輸出變量Te的隸屬函數

3.3 實例PHEB仿真結果分析

在基于GACA模糊控制策略優化的PHEB整車模型(圖7)中,輸入實例PHEB基本數據(表2),在中國典型城市公交循環工況下進行仿真分析[11]。結果表明:與優化前相比,優化后的發動機工作點控制在效率較高的區域內(圖11),且超級電容SOC值的變化控制在較小的范圍內(圖12)。

3.4 實例的PHEB道路測試結果分析

基于GACA優化的模糊控制策略,經硬件在環驗證試驗,并與實例PHEB實車道路測試結果進行比較,結果及分析如表3所示。表3中,誤差表示優化后的仿真值與實車測試值的相對誤差。

圖11 基于Advisor的發動機工作點的分布

圖12 基于GACA優化前后S OC值變化曲線

表3 優化后的仿真值與測試值比較

實例PHEB測試結果表明:基于GACA優化的模糊控制策略能夠滿足整車動力性能指標要求;優化后百公里的等效燃料消耗量仿真值為28.2L,比優化前百公里的等效燃料消耗量仿真值31.4L降低了10.2%;實車測試的百公里等效燃料消耗量為29.0L,比同類車型的傳統燃油客車的百公里燃料消耗量36.2 L降低了19.9%;與實車測試值相比,優化后的各項指標仿真值的相對誤差均小于3%。

4 結論

(1)基于超級電容的PHEB動力系統的結構特點,設計了分別以整車需求轉矩與發動機最佳轉矩之差值以及超級電容荷電狀態為輸入,以發動機轉矩為輸出的模糊控制器。采用集遺傳算法和蟻群算法優點的GACA,對PHEB的混合動力系統模糊控制器的隸屬度函數和模糊控制規則進行優化。

(2)實例PHEB仿真分析和實車道路測試表明:基于GACA優化的模糊控制策略能將PHEB的發動機控制在最佳燃油經濟性曲線附近,且超級電容SOC值的變化在較小的范圍內;在滿足動力性能指標要求的情況下,基于GACA優化的PHEB等效燃料消耗量的仿真值比優化前降低了10.2%;實車測試的百公里等效燃料消耗量比同類車型的傳統燃油客車的百公里燃料消耗量36.2L降低了19.9%,從而驗證了基于GACA優化的模糊邏輯控制策略的可行性,為新能源汽車的混合動力系統控制策略設計和優化提供了一種新途徑。

[1]陳清泉,朱家璉,田光宇.現代電動汽車技術[M].北京:北京理工大學出版社,2007.

[2]Farzad R S.Control Strategies for Hybrid Electric Vehicles:Evolution,Classification,Comparison,and Future Trends[J].IEEE T ransactions on Vehicular Technology,2007(5):2393-2404.

[3]吳劍.并聯式混合動力汽車能量管理策略優化研究[D].濟南:山東大學,2008.

[4]Morteza M G,Amir P,Babak G.Application of Genetic Algorithm for Optimization of Control Strategy in Parallel Hybrid Electric Vehicles[J].Journal of the Franklin Institute,2006,343(4/5):420-435.

[5]朱傳高.并聯混合動力汽車遺傳模糊控制策略的優化研究[D].長春:吉林大學,2009.

[6]趙義武,牛慶銀,王憲成.遺傳算法與蟻群算法的融合研究[J].科學技術與工程,2010,10(16):4017-4020.

[7]劉彥鵬.蟻群優化算法的理論研究及其應用[D].杭州:浙江大學,2007.

[8]資新運,杜常清,張增建,等.混合動力汽車模糊邏輯轉矩管理策略仿真混合動力汽車模糊邏輯轉矩管理策略仿真[J].武漢理工大學學報,2008,30(4):561-564.

[9]吳靜波,張承寧,鄒淵,等.基于遺傳蟻群算法的履帶式混合動力車輛控制策略參數優化[J].車用發動機,2009(3):44-48.

[10]浦金歡,殷承良,張建武.遺傳算法在混合動力汽車控制策略優化中的應用[J].中國機械工程,2005,16(7):648-652.

[11]中國國家標準化管理委員會.GB/T 19754-2005.重型混合動力電動汽車能量消耗量試驗方法[S].北京:中國標準出版社,2005.