增程式電動汽車能量管理策略優化研究

朱龍飛,趙 韓,尹安東

(合肥工業大學 機械與汽車工程學院,安徽 合肥 230009)

?

增程式電動汽車能量管理策略優化研究

朱龍飛,趙 韓,尹安東

(合肥工業大學 機械與汽車工程學院,安徽 合肥 230009)

文章以增程式電動汽車為研究對象,以提高整車燃油經濟性為目標,采用準靜態方式建立了簡化的整車模型,利用動態規劃方法得到在特定工況下整車的最優控制及燃油消耗最優值;在ADVISOR平臺上搭建了整車模型及基于邏輯門限值的控制策略,并利用遺傳算法對控制策略中的主要參數進行優化。結果表明,與優化前相比,優化后整車的燃油消耗量明顯降低,與理論最優油耗值的誤差僅為2.8%。

增程式電動汽車;控制策略;動態規劃;遺傳算法;ADVISOR軟件

0 引 言

受限于目前動力電池技術的發展, 電動汽車續駛里程始終不能與傳統燃油車相媲美, 嚴重阻礙了電動汽車的推廣應用。在動力電池未能解決 低能量密度、高成本等技術問題的前提下, 增程式電動汽車不失為一種解決方案[1]。在純電動汽車的基礎上,增程式電動車增加了增程器,從而提高續航里程,避免頻繁地停車充電。

因為增程式電動汽車擁有發動機和動力電池2個能量源,所以需要良好的控制策略來實現兩者的協調工作,提高整車性能,改善燃油經濟性。目前關于增程式電動汽車控制策略的研究主要有3種,即基于規則的邏輯門限控制策略、全局最優控制策略以及智能控制策略[2]。

本文主要研究基于動態規劃方法的全局最優控制策略以及基于遺傳算法對邏輯門限控制策略進行優化。

1 基于動態規劃的最優控制策略

增程式電動汽車中驅動電機是驅動汽車行駛的唯一動力源,而發動機/發電機組組成的增程器則與動力蓄電池一起并聯在直流母線上,故可知整車的功率平衡方程為:

(1)

其中,Preq(t)為t時刻汽車的需求功率,在路況條件已知的情況下認為是已知的;PAPU(t)為t時刻發動機/發電機組的輸出功率;Pbat(t)為t時刻電池的充放電功率。以燃油消耗最小為目標,動態規劃方法則是在已知路況的條件下,尋找出各個階段最優的功率分配[3]。

1.1 主要部件模型的建立

在利用動態規劃方法求解前,需要先建立汽車各主要部件相關的效率或損耗模型。整車系統模型主要以準靜態的方式建立,即只考慮系統的輸入輸出之間的靜態關系。

1.1.1 發動機和發電機

忽略發動機的動態響應過程,并假定發動機已完全預熱,認為發動機的燃油消耗率只與轉速和轉矩有關,其關系可通過實驗數據查表獲得。

本文認為發電機模型是靜態的,其效率為一定值。

1.1.2 驅動電機

忽略驅動電機復雜的電磁學模型,同樣采用實驗數據查表法,認為電機效率只與電機轉速和扭矩相關。驅動電機的功率可正可負,當功率為正時,電機將電池或發電機傳來的電功率轉化為轉矩和轉速來驅動汽車;當功率為負時,電機以發電機形式工作,將回收的能量用來給電池充電。

1.1.3 電池

不考慮電池的電化學過程,將蓄電池看成由理想的開路電壓和1個內阻串聯的等效電路[4-5],如圖1所示,并且忽略溫度對電池的影響。定義電池放電時電流為正,充電時為負。其中電池內阻和電池開路電壓為電池荷電狀態(state of charge,SOC)的函數,由實驗數據插值得到。

圖1 蓄電池等效電路

由功率定義式Pbat=VI和基爾霍夫電壓定律V=Voc-IRint,可得:

(2)

其中,Pbat為電池功率;V為電池端電壓;Voc為電池的開路電壓;I為電池的充放電電流。電池的SOC與充放電電流的關系如下:

(3)

其中,I(t)為t時刻電池的充放電電流;CN為電池容量。

1.2 動態規劃問題抽象

本文以NEDC(new European driving cycle)工況作為研究對象,將整個工況劃分為N段,每階段步長ΔT。以蓄電池的SOC作為狀態變量[6],即x(k)=SOC(k),將(3)式離散化,則狀態轉移方程為:

(4)

因為本文中的汽車采用的是單級主減速器,不需要考慮換擋問題,所以只以發動機的輸出功率Pfc為決策變量,即

由發動機的油耗圖可以確定一條燃油消耗最低的曲線,供發動機的工作點選取,且PAPU=Pfckgen,kgen為發電機的效率，則可以得到:

(5)

定義目標函數Jk為第k階段到最后階段的代價函數之和,則有:

(6)

其中,L為每一階段的代價函數,定義如下:

(7)

其中,Lfuel(k)為第k階段的燃油消耗,與發動機的工作點有關。

最優目標函數可表示為:

fk=min(Jk)

(8)

約束條件為:

(9)

由Bellman最優化原理可知,動態規劃問題可以分解為一系列的子問題,描述如下。

(1) 第N-1步計算步驟為:

(10)

(2) 第k步(0≤k

(11)

在計算時,將狀態變量SOC離散化,即將[SOCmin,SOCmax]等分為M份,每份長度為ΔSOC,得到狀態變量的M+1個離散狀態點。同樣還需要對控制變量Pfc離散化,間隔為ΔPfc。

按照上述遞推公式,動態規劃算法首先逆向從第N個采樣點開始至第1個采樣點,計算每個采樣點每個不同狀態處由不同決策變量得到的最優目標函數值;然后根據初始條件,正向從第1個采樣點到第N個采樣點,按照已經計算出的每個采樣點的最優值搜尋出一條最優的控制軌跡,從而得到整個循環工況的最優控制[7-8]。動態規劃求解過程如圖2所示。

圖2 動態規劃求解過程

在第k階段,由控制變量計算得到的x(k+1)并不一定是上文中劃分的離散狀態點,因而不能直接得到其所對應的最優目標函數值,而在第k+1階段,各個離散狀態點的最優目標函數值已經計算得到,故可通過插值得到:

fk+1[x(k+1)]。

1.3 動態規劃方法的改進

在上文所述的動態規劃求解過程中,有很多離散狀態點不可達,這部分計算是沒有意義的,故對上述算法進行改進,即對SOC的可達區域進行預測,從而提高計算效率。

由(3)式可知,SOC的值與SOC的初始狀態以及電池的充放電電流有關,而(2)式表明電池的充放電電流與電池的充放電功率有關。電池的充放電功率又決定于汽車的需求功率和發動機/發電機組的輸出功率。

(1) 當汽車需求功率為正時,電池的最大放電功率取2種情況(汽車的需求功率和此時電池能提供的最大放電功率)中的較小值。

此時,電池的最大充電功率取以下2種情況中的較小值:① 發動機/發電機組以最大功率輸出,提供汽車的需求功率之外富余的那部分功率;② 此時電池所能接受的最大充電功率。

(2) 當汽車需求功率為負時,電池的最大放電功率為0,但考慮到能量回收,電池接受來自電機制動回收的電功率,故電池的功率上限取以下2種情況中的較大值:① 驅動電機制動回收的電功率,取負;② 此時電池的最大充電功率,取負。

此時,電池的最大充電功率取以下2種情況中的較小值:① 發動機/發電機組的最大功率與驅動電機制動回收的電功率之和;② 此時電池所能接受的最大充電功率。

根據上述計算,可以得到各個時刻電池功率的上、下限值,進而可以確定SOC的邊界區域,在SOC約束條件下可獲得SOC的可達范圍。本文以SOC始末值為0.6,在NEDC工況下得到SOC的可達區域如圖3所示。

圖3 SOC可達區域預測結果

1.4 仿真及結果分析

增程式電動汽車整車主要參數見表1所列，其變速器為單級主減速器。

表1 整車驅動系統主要參數

增程式電動汽車動態規劃計算結果如圖4所示。

從圖4b中可以看出,發動機輸出功率幾乎不變,這與本文研究的車型結構有關,發動機并不直接驅動汽車,而是通過發電機提供電能,這決定了其發動機可以工作在燃油經濟性較好的點。由圖4可以看出，大約在工況的前800 s發動機工作的時間較短,電池SOC整體呈下降趨勢,這是因為這段時間內,汽車需求功率不大,主要由蓄電池來提供電能,避免發動機運行在低負荷點,達到減少油耗的目的,而在功率需求較大時發動機提供一部分功率,可以避免蓄電池大功率放電造成放電時間減少和電池壽命降低。

基于動態規劃方法的控制策略簡化了系統實際運行過程,忽略了部件動態響應過程,其仿真結果是任何實際或實時仿真控制策略都無法到達的極限,但其結果可以作為其他控制策略控制效果的評價參考[9]。

圖4 動態規劃求解結果

2 基于ADVISOR的整車模型

基于ADVISOR中串聯混合動力汽車的模型,根據驅動系統相應部件的實驗數據修改各部件的m文件,得到增程式電動汽車模型。

2.1 控制策略設計

本文采用基于邏輯門限值的控制策略,發動機以恒定功率輸出,控制策略描述如下。

(1) 當SOC值低于設定的下限時,發動機/發電機組啟動并以設定的工作點工作,向驅動電機提供電能,若有富余功率,則用來給電池充電。

(2) 當SOC值達到設定的上限時,發動機/發電機組停止工作。

(3) 當SOC值在設定的上限與下限之間時,發動機/發電機組的工作狀態與前一時刻相同。

(4) 任何時候,當汽車的需求功率大于電池的最大放電功率時,發動機/發電機組都將啟動。

2.2 整車模型

基于ADVISOR的模型結構,在Simulink中搭建增程式電動汽車控制策略,得到的整車模型如圖5所示。

圖5 整車ADVISOR模型

3 基于遺傳算法的優化

本文已經建立了增程式電動汽車的整車模型,但控制策略中的關鍵參數并不是最優的,需要進一步優化。

本文利用遺傳算法與ADVISOR聯合優化是通過Matlab優化工具箱配合ADVISOR的非GUI調用函數實現的；前者需要編寫相應的適應度函數來調用ADVISOR計算出目標函數,并返回到優化工具箱中。以NEDC工況為研究工況,選取百公里燃油消耗量為優化目標,優化變量包括SOC上、下限及發動機的輸出功率[10]。

在經歷50代循環迭代后優化結束,最終目標函數與迭代次數的關系如圖6所示,優化后的百公里燃油消耗量為5.16 L。

圖6 遺傳算法優化結果

優化前、后的參數對比見表2所列。基于動態規劃方法、ADVISOR模型以及遺傳算法進行優化后的整車模型的綜合百公里油耗分別為5.04、5.30、5.16 L。

表2 優化前、后參數對比

4 結 論

(1) 本文基于動態規劃方法,針對簡化后的汽車系統模型,提出了對狀態變量SOC的可達區域進行預測計算,減少了計算時間,求解出了特定工況下車輛的最低燃油消耗及發動機最優控制。

(2) 基于ADVISOR整車模型的性能仿真結果表明,本文搭建的邏輯門限控制策略是可行的,具有良好的燃油經濟性,其油耗值與動態規劃的最優油耗值誤差為5.6%。

(3) 采用遺傳算法優化后,整車燃油經濟性相比優化前提高了2.6%,接近于動態規劃的最優油耗值,誤差為2.8%,優化后的策略也為實車的試制提供了參考。

[1] 烏日娜,魏躍遠.增程式電動汽車整車控制策略研究與實現[J].自動化技術與應用,2014,33(5):29-32.

[2] 陳智家,陳祥豐,歐陽海.混合動力汽車控制策略研究現狀及發展趨勢[J].汽車工程師,2009 (10):18-20,34.

[3] 張炳力,張平平,趙韓,等.基于離散動態規劃的PHEV燃油經濟性全局最優控制[J].汽車工程,2010,32(11):923-927.

[4] 趙興福,王仲范,廖連瑩.電動汽車蓄電池鍵合圖建模及仿真[J].汽車工程,2004,26(5):524-529.

[5] 曾小華,宮維鈞.ADVISOR 2002 電動汽車仿真與再開發應用[M].北京:機械工業出版社,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] 吳迪.ISG混合動力汽車能量優化管理策略研究[D].合肥:合肥工業大學,2013.

[8] 鄒淵,侯仕杰,韓爾樑,等.基于動態規劃的混合動力商用車能量管理策略優化[J].汽車工程,2012,34(8):663-668.

[9] 左義和,項昌樂,閆清東,等.基于動態規劃算法的混聯混合動力汽車控制策略[J].吉林大學學報(工學版),2011,41(4):898-903.

[10] 趙韓,徐承付,尹安東.ISG型中度HEV控制策略優化算法研究[J].合肥工業大學學報(自然科學版),2013,36(9):1025-1028.

(責任編輯 胡亞敏)

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

國家科技支撐計劃資助項目(2013BAG08B01)

朱龍飛(1991-),男,安徽固鎮人,合肥工業大學碩士生;

趙 韓(1957-),男,安徽滁州人,博士,合肥工業大學教授,博士生導師.

10.3969/j.issn.1003-5060.2016.10.005

U469.72

A

1003-5060(2016)10-1322-05