Plug-in混合動力汽車能量管理策略研究

王志紅 ，劉 云 ，杜常清

（1.武漢理工大學 現代汽車零部件技術湖北省重點實驗室，武漢 430070；2.鄭州日產汽車有限公司，鄭州 450000）

插電式混合動力汽車（PHEV）可以外接電網充電，具有純電動續航里程長、混合驅動時節油率高、經濟性好等特點，且其兼具有純電動和混合動力汽車的優點被認為是從傳統油車到純電動汽車過渡的一個最優方案[1]。由于PHEV的結構和能量分配比較復雜，因而需要一個嚴密的控制策略對整車的能量流進行管理控制。

當前國內外關于PHEV的能量管理策略中實際用于實車的只有基于邏輯門限值控制策略[2]，這種策略主要根據工程經驗設定一系列的靜態參數，并根據發動機和電機等部件的效率穩態圖來確定轉矩分配，達到減少油耗和排放的目的。文獻[3]提出基于規則的多層次邏輯門限值控制策略，主要分為2個階段：電量消耗階段（CD）和電量保持階段（CS）。第一階段電量消耗主要利用電機驅動消耗從電網中獲取的低成本電量。第二階段的電量保持策略，主要利用發動機來驅動汽車，并保持動力電池的SOC值維持在一個合適的水平，防止其過度放電。文獻[4]提出的全局優化控制策略，主要是一種理論上研究較多的控制策略，它是對汽車在整個循環工況上進行優化，從全局上保證最佳燃油消耗。而這種策略計算量相當大無法實時控制，很難應用于實車上，但是可以從已研究出來的全局優化的結果中總結出方便用于實車的控制方法。

筆者在基于規則的控制策略和全局優化的控制策略基礎上，提出了一種模糊邏輯能量管理策略。

1 插電式混合動力汽車結構

PHEV有2個動力源分別是發動機和電機。其動力系統結構如圖1所示，發動機和電機均連在變速器輸入端，變速器為電控機械式變速器，發動機和電機既可單獨驅動也可以聯合驅動。在運行過程中將整車運行信息和狀態實時反饋給整車控制器，整車控制器根據駕駛員意圖以及所制定的控制策略進行控制，并將控制指令通過CAN總線傳遞給控制器和各種執行機構來達到控制目的。

圖1 PHEV結構簡圖Fig.1 Structure of PHEV

2 模糊邏輯能量管理策略的制定

2.1 理想SOC下降線的確定

全局優化的能量管理策略最優控制是盡量在達到目的地時，將電池的電量從開始的SOC值降到電池所設定的最低下限SOC值，盡可能多地使用電能，同時發動機也被控制在最佳工作區間內工作。在當前汽車上GPS等儀器的普及，只要輸入目的地就可以預先知道到目的地的行駛距離。汽車上的初始SOC值也可以通過電池管理系統（BMS）估算出來。那么就可以在出發前確定出一條理想的SOC下降線[5]。

如圖2中所示，SOC_high為汽車出發時的電池高電量，SOC_low為汽車達到目的地時電池所處于的低電量。理想的SOC下降線如圖2中斜線所示，從出發到目的地時電池電量正好處于所允許電池最低電量，能夠在全局上達到能源損耗的最優化。

圖2 理想SOC下降線Fig.2 Ideal SOC decline line

汽車在行駛的任意時刻都對應著理想的SOC值，可將此刻的SOC值當做是理想參考值[6]，如圖3所示。

圖3 理想SOC值計算Fig.3 Calculate ideal SOC

式中：S（x）為汽車行駛的 x 路程；SOC（x）為行駛 x路程時的SOC理論值；S（D）為汽車到目的地行駛的總路程。

2.2 模糊控制器輸入輸出量的設計

本文模糊控制的目標是根據汽車在運行過程中所需要的轉矩、當前轉速下發動機的最佳燃油經濟轉矩、電機的效率來合理地分配轉矩，同時使動力電池SOC值大致能沿著理想的SOC下降線下降，降低整車燃油消耗和排放性能最終達到優化的效果。

模糊控制器具體的輸入量有行駛過程中的實際SOC值、實際SOC值與行駛至當前路程的理想SOC的差值ΔSOC、整車需求轉矩Tr與當前轉速發動機最佳燃油經濟轉矩Te_opt的差值ΔT。

式中：SOC_a為車輛在行駛某個時刻的實際SOC值；SOC_i為上文所提到具體當前時刻的理想的SOC值；ΔSOC為輸入量。

式中：Tr為汽車行駛過程中的需求轉矩；Te_opt為發動機穩態時的最佳經濟轉矩，為一組靜態參數所對應著不同轉速；ΔT為輸入量。

模糊控制器的輸出量為發動機轉矩Te與需求轉矩Tr的比值K：

模糊控制的結構如圖4所示。

圖4 模糊控制器結構Fig.4 Structure of fuzzy controller

在結構圖中，K與當前需求轉矩Tr的乘積得到發動機的目標轉矩Te，需求轉矩Tr與發動機輸出轉矩Te的差值得到電機的目標轉矩Tm，最終就得到了電機和發動機需要輸出的轉矩。

2.3 模糊控制器的設計

本文在Matlab的模糊控制工具箱中實現模糊推理系統 FIS（fuzzy inference system），當 FIS和Simulink進行鏈接時，可以采用塊狀圖的方式實現模糊邏輯系統的仿真[7]。

輸入量 SOC的范圍為（0，1），模糊集合為｛小，中，高｝，相應的隸屬度函數如圖5所示。ΔSOC的范圍取（-0.1，0.1），模糊集合為｛負大，負小，零，正小，正大｝，對應的隸屬度函數如圖6所示。ΔT的的范圍取（-30，30），模糊集合為｛負大，負小，零，正小，正大｝，其隸屬度函數如圖7所示。輸出K的范圍為（0，1），模糊集合為｛零，很小，小，中，高，很高｝，對應的隸屬度函數如圖8所示。

圖5 SOC的隸屬度函數Fig.5 SOC membership function

圖6 ΔSOC的隸屬度函數Fig.6 ΔSOC membership function

圖7 ΔT的隸屬度函數Fig.7 ΔT membership function

圖8 輸出K的隸屬度函數Fig.8 Output K membership function

2.4 模糊規則的設計

輸入、輸出量的隸屬函數設計完成后，需要根據一些工程經驗來制定模糊控制規則，主要采取的策略是：

1）當ΔSOC正值較大，SOC處于中、高荷電量狀態時。電機能夠滿足需求轉矩時，使用純電動驅動，若是需求轉矩大于電機在當前轉速的最大轉矩時，發動機和電機混合驅動，此時發動機處于最佳燃油經濟轉矩運行，電動機提供余下不足的轉矩。

2）當ΔSOC為正值較小，SOC值未達到電池所允許下限時。當需求轉矩較小時使用電動機純驅動。當需求轉矩達到發動機經濟轉矩區時發動機提供所需轉矩，當需求轉矩超出發動機經濟轉矩時，發動機電機混合驅動，發動機同樣處于最佳燃油經濟轉矩，電動機提供余下不足的轉矩。

3）當ΔSOC為負值時，說明當前實際SOC值小于此時理想參考的SOC值。此時要使用發動機來驅動汽車，但發動機也要處于經濟轉矩區工作。需求轉矩較小時，發動機處于經濟轉矩區且有多余的轉矩，此時可以用余下的轉矩來給電池充電。

4）為了保護電池，當SOC值較高（大于0.8）時都不用給電池充電。當SOC值偏低（小于0.3）時都不能使用電機驅動。

模糊規則的建立是模糊控制的關鍵，規則的建立主要依靠工程經驗和以上的策略。具體規則如表1所示。

表1 SOC=高Tab.1 SOC=high

表2 SOC=中Tab.2 SOC=middle

表3 SOC=低Tab.3SOC=low

模糊推理規則一共有75條，每條模糊規則都有一個模糊蘊涵關系 Ri（i=1，2，…，75），這些模糊蘊涵關系并構成總的模糊蘊涵關系[8]，即：

解模糊采用加權平均法：

式中：K為模糊控制器的最終輸出量；m為某個輸入激活了m條規則；ki為第i條規則輸出的結果，它的權重為w。

3 模型的建立與仿真

3.1 模型的搭建

本文采用的是Matlab和GT-driver聯合仿真，在GT-driver中搭建整車模型，主要有發動機、電機、電池、車身、駕駛員等模塊共同組成整車模型。其余的控制模塊，如模糊控制模塊在Matlab中搭建，在整車模型中汽車跟隨所給的具體循環工況車速，輸出汽車在跟隨過程中所需要的轉矩、當前的真實車速和真實的SOC值。得到的SOC、轉矩和車速輸入到Matlab的模型中，則按照上文的模糊控制策略進行電機和發動機的轉矩分配[9]，最后將GT-driver和Matlab聯合起來進行仿真測試。

3.2 仿真結果的分析

仿真模型PHEV主要的參數如表4所示。

表4 PHEV主要參數Tab.4 PHEV main parameter

選取的工況為NEDC循環工況，該工況由兩部分組成，一部分為前面4個市區循環單元，每個單元循環時間持續195 s，包括起步、怠速、加速、減速以及停車等工況，最高車速為50 km/h，平均車速為18.35 km/h；另一部分為一個市郊循環單元，持續時間為400 s，最高車速和平均車速分別為120 km/h和62.6 km/h[10]。這個工況能夠較為真實地反映出車輛在運行中所能遇到的各種情況。

為了保證行駛的路程足夠長，充分體現策略的優越性，選取9個NEDC循環工況來進行仿真，如圖9所示。

圖9 9個NEDC循環工況圖Fig.9 Nine NEDC

模型運行中的實際車速與跟隨車速只有很小的波動，可說明車速跟隨情況良好。

本文制定的模糊控制策略和CD-CS控制策略，開始仿真時電池的SOC值都定為0.85，電池所允許的最小SOC值均為0.3。如圖10所示。

圖10 SOC變化曲線Fig.10 SOC change curve

從圖11中可以看出，2種策略的動力電池SOC值下降方式截然不同。CD-CS策略優先CD模式消耗電能，當電池SOC降至電池所允許的最低值時進入CS模式維持電池電量在0.3左右。本文所制定的模糊控制策略基本在理想SOC下降線附近波動，發動機與電機全程參與，SOC均勻地下降至0.3附近。

圖11 兩種策略電池內阻對比Fig.11 Two strategies’resistance comparison diagram

在動力電池方面，電池內阻的大小變化會影響放電效率。

從圖11中可以清楚地看到CD-CS策略的電池內阻快速升高并在CS階段保持在較高水平，本文的模糊控制策略中的電池內阻上升緩慢，全過程中明顯比CD-CS小，因而放電效率更高，更能節省能源。

圖12和圖13分別為CD-CS策略和模糊控制策略的發動機輸出扭矩圖，CD-CS策略中發動機主要輸出集中在CS階段，在此階段發動機為主要的輸出動力源，輸出單一且參與度很高，因而無法很好控制使得發動機始終處于高效區。模糊控制策略中發動機輸出均勻地分布在整個過程中，能夠很好地控制發動機在高效區工作，有效地提高燃油經濟性和排放性能。

圖12 CD-CS策略發動機轉矩輸出Fig.12 Engine torque output of CD-CS strategy

圖13 模糊控制策略發動機轉矩輸出Fig.13 Engine torque output of fuzzy control strategy

將兩者的策略仿真結果進行對比，更能清晰地展示出2種策略的不同，具體結果如表5所示。

表5 仿真結果對比Tab.5 Compare the results of simulation

從表中可以看出模糊控制策略相對于CD-CS策略在排放性能和燃油消耗方面都有了較大的提高。廢氣排放中每千米HC、CO、NOX的排放量分別減少了13.44%、5.92%、21.54%。起止的電池SOC值都是0.85～0.3，可以看出電量消耗是相等的，百公里油耗上節省了15.94%，很明顯本文的策略對比傳統的CD-CS策略有很大的優勢。

4 結語

本文以插電式混合動力為研究目標，在已研究出的汽車全局優化策略上，為了能達到實時控制的目的，總結出理想的SOC下降線。并以此為基礎制定出輸入量為SOC、ΔSOC、ΔT，輸出量為K的模糊控制策略。該策略能夠使得實際的SOC軌跡線大致沿著理想的SOC下降線下降，降至動力電池所允許的最小值，可以充分利用電能，在此過程中發動機能均勻地參與驅動且保持較高的效率。仿真結果與傳統的插電式混合動力CD-CS策略對比，在同樣滿足整車動力性的條件下，排放性能和燃油消耗方面有了較大的提高。本文制定的模糊控制策略是一種優于CD-CS的策略，且可以用于整車的實時控制，將理論研究的經驗用于實車控制，這對于插電式混合動力汽車的策略研究上有一定的指導意義。

[1]陳全世，朱家璉，田光宇.先進電動汽車技術[M].北京：化學工業出版社，2007.

[2]Tate ED.The electrification of the automobile：from conventional hybrid，to plug-in hybrids，to extended-range electric vehicles[C]//SAE paper.2008-01-0458.

[3]張冰站.插電式混合動力電動汽車能量管理策略研究[D].合肥：合肥工業大學，2009.

[4]梁元波.基于SOC優化軌跡的插電式混合動力汽車模型預測控制[D].重慶：重慶大學，2013.

[5]程飛，趙韓，尹安東等.插電式并聯混合動力汽車模糊控制策略設計與仿真[J].合肥工業大學學報：自然科學版，2015，38（9）：1159-1164.

[6]喬俊林.插電式并聯混合動力汽車模糊控制策略研究[D].重慶：重慶大學，2012.

[7]Schouten NJ，Salman MA，Kher NA.Fuzzy logic control for parallel hybrid vehicles[J].IEEE Trans Contr Syst Tech，2002，10：460-468.

[8]Langari R，Won JS.Intelligent energy management agent for a parallel hybrid vehicles[J].IEEE Trans Veh Tech 2005，5：935-953.

[9]付主木，王聰慧，普杰信.PHEV模糊控制能量管理策略建模與仿真[J].系統仿真學報，2012，24（6）：1315-1319.

[10]嚴康.插電式混合動力汽車傳動比匹配及換擋策略研究[D].武漢：武漢理工大學，2015.