基于工況影響的插電式混合動力汽車控制策略優化

高建平 張磊敏 孫中博 郗建國

1.河南科技大學車輛與交通工程學院，洛陽，4710032.鄭州意昂電控科技有限公司，鄭州，450000

基于工況影響的插電式混合動力汽車控制策略優化

高建平1張磊敏1孫中博2郗建國1

1.河南科技大學車輛與交通工程學院，洛陽，4710032.鄭州意昂電控科技有限公司，鄭州，450000

根據其城市公交車的運營線路、運行類型及線路覆蓋區域，選取20條代表性公交線路上對應的20輛公交車，采集一個月的行駛數據，利用短行程分析法結合主成分分析及優化的K均值聚類算法實現各片段的合理分類，從而擬合出反映這一城市公交車運行特點的行駛工況。利用AVL-Cruise整車仿真平臺驗證該工況合成的有效性和必要性，同時引入Isight優化平臺實現針對該城市公交車整車控制策略關鍵參數的優化標定。結果表明，控制參數優化后整車綜合油耗降低8.7%，與RCP測試的仿真結果相對誤差僅為2%，驗證了優化后的控制策略的有效性。

主成分分析；組合優化算法；K均值聚類算法；行駛工況；Isight優化平臺

0 引言

新能源汽車通常以一個典型工況來優化整車控制策略的關鍵參數，這會使整車在實際行駛過程中的綜合性能無法得到最大發揮。行駛工況是汽車節能和排放測試評價的重要依據，對汽車產品車輛的燃料經濟性、排放、舒適性和可靠性具有決定性影響[1]。構建某城市公交車的典型行駛工況對該城市公交車的整車參數匹配和控制策略優化標定具有實際的指導意義。FOTOUHI等[2]采用短行程分析法構建了德黑蘭的乘用車行駛工況；NESAMANI等[3]選取6條代表性線路，構建出金奈公交車的行駛工況；楊小娟等[4]利用小波變換法處理數據并進行短行程劃分，進而構建了北京市重型客車的綜合工況；郝艷召等[5]基于武漢市公交車的實際運行數據，采用“短行程劃分+速度/加速度+相關系數+相對誤差”的方法建立了公交車的綜合行駛工況。上述學者采用短行程、主成分分析和K均值聚類分析算法對行駛工況進行相關研究，但并未對特征參數進行優選，且K均值聚類算法的初始聚類中心多為隨機選取，聚類中心容易陷入局部最優，進而影響工況合成的精度。王楠楠[6]利用粒子群算法對模糊C均值的初始聚類中心優化，但仍存在陷入局部最優的缺點；詹森等[7]用遺傳算法對初始聚類中心進行優化，利用當前工況到各類中心的歐氏距離判別當前工況所屬的類別，但該全局優化算法容易造成過早收斂，尋優效率不高；石琴等[8]利用SOFM神經網絡算法和K均值聚類算法相結合的組合聚類算法來提高工況合成的精度，其中，SOFM神經網絡能改進初始聚類中心，但輸入節點通過權值與輸出層節點相連，初始權值的設置會影響學習的結果，同樣影響K均值聚類的效果。

基于上述研究，本文利用樣本數據以短行程分析法劃分片段后，提出基于主成分分析、模擬退火算法(simulated annealing, SA)和序列二次規劃法(sequential quadratic programming schittkowski 改良版, NLPQL)組合優化算法來優化K均值聚類算法對片段進行分類，進而構建出代表該城市公交車的綜合工況，并引入Isight優化平臺標定該工況下的控制策略關鍵參數，實現該城市公交車日常運行需求功率的合理分配。

1 汽車行駛工況的試驗設計

國內外各研究機構和政府部門在對汽車行駛工況進行相關研究時，盡管在數據采集方式、數據分析方法、工況解析及合成手段等方面形式多樣，但技術流程大多采用圖1所示的流程。

圖1 汽車行駛工況開發技術流程

Fig.1 Development process of vehicle driving cycle

1.1 試驗線路規劃

針對公交車線路固定的特點，行駛工況的構建需預先選取有代表性的試驗路線。根據對該城市公共交通總公司官網的調查，367條公交線路中有79條線路停運和未運營，288條線路正常運行。為使構建的工況能真實反映該城市的交通狀況，根據公交車選取數量、公交線路強度、站點頻次、公交車運行類型、公交車站點個數概率分布、公交車運行區域分布，最終選取表1中的各條線路。從表1知，選取的試驗線路兼顧公交線路強度及覆蓋區域，市區主干道、次干道、支路、環線及其外部區域均有所覆蓋且線路重復率低。

表1 選定的20條公交試驗線路

1.2 試驗數據采集

車輛數據采集一般有兩種方法[9]，本試驗選取20條公交線路上分別與之對應的20輛公交車，采用自主行駛法，安裝好車載終端設備后，駕駛員按照各自正常狀況駕駛車輛。行駛數據由車載終端設備實時采集，采樣頻率為1 Hz，在正常工作狀態下車載終端與整車的ECU進行通信，采集CAN總線的信息，獲取車輛當前狀態下的相關參數，同時通過外置的GPS天線接收時間、位置等信息，采用衛星授時方式同步時鐘，同時連接GPRS網絡，將采集到的信息發送到遠程服務器數據庫，實現對車輛數據的實時采集，車載終端硬件結構如圖2所示。

圖2 車載終端硬件結構Fig.2 Vehicle terminal hardware structure

1.3 數據分析

車輛從起步出發至目的地停車，受交通狀況的影響，期間會出現多次停車再起步。將車輛從一個怠速開始到下一個怠速開始的運動定義為運動學片段(簡稱片段)，見圖3。在每個運動學片段中，設加速度為a，車速為v，定義以下4類工況：①怠速工況。發動機工作且v=0；②加速工況。a≥0.15 m/s2且v≠0；③減速工況。a≤-0.15 m/s2且v≠0；④勻速工況。|a|≤0.15 m/s2且v≠0。對采集到的數據進行預處理后，利用MATLAB編寫程序，將數據劃分片段并提取出各個運動學片段的15個特征參數，構成相應的特征參數樣本庫。提取的15個特征參數見表2。

圖3 運動學片段示意圖Fig.3 Sketch map of kinematic segments

編號特征參數編號特征參數1運行時間比9勻速時間比2怠速時間比10最大加速度3平均速度11最大減速度4平均運行速度12速度標準差5運行距離13加速度標準差6最大速度14加速段平均加速度7加速時間比15減速段平均加速度8減速時間比

2 行駛工況的構建

2.1 主成分分析

各片段提取的15個特征參數之間存在一定的相關性，會造成信息之間的重疊，利用主成分分析可以用較少的變量表達較多的信息且各主成分之間均不相關。利用SPSS軟件對所有運動學片段的15個特征參數進行主成分分析，15個主成分Am(m=1,2,…,15)的特征值、貢獻率及累積貢獻率見表3。

累計貢獻率表征綜合所有原始變量的能力，通常取累計貢獻率80%左右的主成分代表所有原始變量進行分析。特征值可以看成主成分影響力度大小的指標，如果特征值小于1，說明該主成分的解釋力度還不如直接引入一個原變量的平均解釋力度大。因此，一般可以用特征值大于1作為選取標準，保留第一、第二和第三主成分，且前3個主成分與各特征參數之間的相關系數見表4。

表3 各主成分的特征值、貢獻率及累積貢獻率

表4 各主成分與特征參數的相關系數

2.2 組合優化算法優化的K均值聚類分析

利用K均值聚類算法對各片段進行分類，初始聚類中心的隨機選取無法避免聚類陷入局部最優這一缺點，因此，本文選取SA和NLPQL構成組合優化算法優化初始聚類中心，優化前期充分發揮SA的全局優化能力，優化后期借助NLPQL快速定位全局最優區域，進行局部快速尋優，最終得到全局最優解[10]。

2.2.1 算法基礎

SA來源于固體退火原理，用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。

NLPQL用來解決帶有約束的非線性數學規劃問題，基本思想是將目標函數以二階拉氏方程展開，并把約束條件線性化，使其轉化為一個二次規劃問題。二階方程通過quasi-Newton公式得到了改進，而且加入了直線搜索，提高了算法的穩定性，該算法最主要的優點是容易和一個非常健壯的算法一起使用。SA作為優秀的全局優化算法，在尋優過程中，除了可以接受優化解外，還基于隨機接收準則,有限度地接受惡化解,并使接受惡化解的概率慢慢趨近于零，這使得SA可以從局部最優解中跳出,盡可能地得到全局最優解。但重復循環的退火計算使得SA的優化過程較慢，計算效率非常低。NLPQL作為局部優化的數值型優化算法，能夠解決有約束的非線性優化問題并很快地收斂到最優解。因此，充分發揮這兩種優化算法各自的優點，可提高尋優效率。

2.2.2 算法設計

利用Isight優化軟件結合SA、NLPQL兩種算法構成組合優化算法，聯合MATLAB應用于聚類中心的優化，尋優原理見圖4，具體優化步驟如下。

圖4 組合優化算法尋優原理Fig.4 Principle of combination optimization algorithm

(1)設計參數，給定初始溫度t=t0，根據選定的初始參數值，計算產生一個目標函數值，根據此值，再次隨機產生初始狀態的參數值，令k=0。

(2)重復以下部分操作：

① 產生新狀態sj=Gente(s)；

②if min(1,exp[-C(S′)-C(S)/tk])≥random[0,1]，s=sj；

③直到Metropolis抽樣穩定準則滿足。

(3)退火溫度tk+1=update(tk),并令k←k+1；在退火尋優過程中伴隨溫度的下降，尋找到局部最優解后，概率性地跳出，并尋找最優解。

(4)直到滿足算法終止準則。

(5)輸出全局搜索的最優結果。

以綜合評價指標F為優化目標，兼顧同類相似性和異類差異性的評價指標，利用組合優化算法優化初始聚類C中心，優化的數學模型如下：

(1)

優化變量、約束條件等見表5，其中，c(j)表示第j類的初始聚類中心。具體優化界面及流程如圖5所示。同時從圖6中發現迭代到423代時得到目標函數最大值，而圖6中的離散趨勢為聚類結果局部最優所造成。圖7為優化初始聚類中心后各片段的聚類結果。

表5 優化條件及內容

圖5 具體優化界面及流程Fig.5 Optimize interface and process

圖6 初始聚類中心迭代尋優Fig.6 Initial clustering center iterative optimization

圖7 優化初始聚類中心后各片段的聚類結果Fig.7 After optimizing the initial cluster center, the clustering results of each fragment are obtained

3 工況的合成與驗證

3.1 工況的合成

據國外工況合成經驗，行駛工況時間長度一般為1200～1500 s，利用同一類中的歐氏距離大小來選擇備選片段，由各類在整體數據中所占的時間比例來確定各類片段在最終工況合成中所占的時間。第i類在工況合成中所占的時間

(2)

構建出基于該城市公交車時間為1274 s、長度為5.28 km的行駛工況，如圖8所示。

圖8 某城市公交車的行駛工況Fig.8 Driving cycle of a city bus

3.2 工況的驗證

速度-時間曲線不夠平滑使得一些曲線不能很好地被跟蹤復現，必須對原始數據進行光滑處理，從而使瞬態工況的加速度變化更接近于實際情況。平滑處理前后的行駛工況如圖9所示。

圖9 平滑處理前后工況對比Fig.9 Comparison of driving cycle before and after smoothing

利用AVL-Cruise整車仿真平臺搭建一輛以單軸混聯為驅動系統的12 m插電式混合動力公交車，與MATLAB/Simulink基于中國典型城市公交工況優化的規則控制策略進行聯合仿真試驗，該PHEB的整車結構模型和主要參數分別如圖10和表6所示。

圖10 單軸混聯系統結構Fig.10 Structure of single axis hybrid system

整車整備質量(kg)12500滿載質量(kg)18000長,寬,高(mm)11900,2550,3150車輪靜態半徑(mm)452迎風面積(m2)6.6空氣阻力系數0.55滾動阻力系數0.018發動機功率(kW)147ISG功率(kW)80主電機功率(kW)144主減速器速比6.17

為充分利用電網的電能，將整車的基本運行模式分為PED+HDCD(電量消耗階段)和HDCS(電量維持階段)[11]，車輛工作過程中的轉矩分配方式見表7。

表7 整車轉矩分配方式

注：Sbat、SHDCD_in、SHDCS、Ssup均為電池荷電狀態。

將行駛里程均為200 km的中國典型城市公交工況、基于主成分分析和組合優化算法優化的K均值聚類合成的某城市公交工況及某城市隨機選取的一條未參與工況合成的公交線路(圖11)行駛數據分別加載到整車模型中，整車控制策略利用Interface接口調用Cruise進行聯合仿真試驗。車輛在三種工況下的整車功率分配如圖12所示，仿真結果見表8。

(a)中國典型城市公交工況

(b) 擬合的公交工況

(c)測試用實際工況圖11 整車模型加載用行駛工況Fig.11 Driving cycle of vehicle model loading

(a)中國典型城市公交工況功率分配

(b)擬合的公交工況功率分配

(c)測試用實際工況功率分配圖12 3種不同工況下的整車功率分配Fig.12 Vehicle power allocation under 3 different driving cycle

4 整車控制策略的優化和驗證

4.1 基于Isight平臺的整車控制策略優化

利用Isight優化平臺，選用組合優化算法優化PHEB，在擬合的該城市公交工況下優化整車控制策略關鍵參數，優化的數學模型如下：

表8 整車不同工況下的仿真結果

(3)

優化變量、約束條件等內容見表9，其中，優化參數CD_clutch為CD階段離合器的接合轉速，CS_clutch為CS階段離合器的接合轉速，discharge為超級電容放電系數，e_high為發動機最優工作區域上限，e_low為發動機最優工作區域下限。集成到Isight優化平臺的優化流程如圖13所示。

表9 優化參數及條件

圖13 Isight平臺優化流程圖Fig.13 Isight Platform optimization flow chart

控制參數優化前后見表10。尋優迭代過程見圖14。整車基于擬合的工況優化前后的仿真結果見表11。

表10 基于擬合的工況優化前后控制參數變化

圖14 綜合油耗的尋優迭代過程Fig.14 Iterative process of optimization of comprehensive fuel consumption

百公里油耗(L)百公里電耗(kW·h)百公里綜合油耗(L)差(%)優化前23.72-2.1823.00優化后20.650.9920.98RCP測試20.831.7221.40

4.2 基于RCP測試的半實物仿真驗證

為驗證控制策略的有效性，引入基于RCP的半實物仿真平臺進行驗證。該平臺硬件系統主要由dSPACE實時仿真系統、CANoe及駕駛員模擬裝置組成，軟件系統主要包括MATLAB、AVL-Cruise及dSPACE自帶的數據監控軟件ControlDesk。通過dSPACE豐富的I/O接口連接控制對象，其中,Simulink模塊及S函數編寫的C代碼通過RTI與RTW協作自動將快速控制原型轉化為可執行的C代碼，經過編譯并下載到dSPACE實時處理器中。試驗采用兩路模數轉換通道引入真實駕駛員的油門踏板和制動踏板信號，一路控制器局域網(CAN)通道實現整車控制策略關鍵參數與整車模型的通信。真實駕駛員跟隨目標車速踩下油門和制動踏板，使該仿真試驗更接近于實車，同時C代碼的高效性及高速USB的物理接口保證了該仿真的實時性。半實物仿真平臺硬件如圖15所示。

圖15 半實物仿真平臺硬件Fig.15 Hardware in the loop simulation platform

利用Interface接口實現整車加載擬合的行駛工況與基于MATLAB搭建的優化后的整車控制策略聯合仿真，并利用半實物仿真平臺進行實時仿真，仿真結果見表11。

5 結論

(1)針對某城市的公交車選取20條有代表性的公交線路，采集相關數據并利用主成分分析和組合優化算法優化后的K均值聚類算法擬合出基于該城市公交車的行駛工況。

(2)利用AVL-Cruise整車仿真平臺構建的整車模型分別加載不同的行駛工況并與相同的整車控制策略進行聯合仿真，驗證了該城市公交車行駛工況構建的有效性和必要性。針對該城市PHEB的整車控制策略優化后，由聯合仿真結果知，百公里綜合油耗降低了8.7%，控制參數優化后的聯合仿真結果與RCP測試的仿真結果相對誤差為2%，驗證了優化后的整車控制策略的有效性。

[1] 鄭天雷. 全球車輛循環工況調查與對比[R]. 天津：中國汽車技術研究中心，2011. ZHENG Tianlei. Research and Comparisons of Vehicle Driving Cycle in the World[R]. Tianjin: China Automotive Technology & Research Center,2011.

[2] FOTOUHI A, MONTAZERI-GH M. Tehran Driving Cycle Development Using the k-means Clustering Method[J]. Scientia Iranica,2013,20(2):286-293.

[3] NESAMANI K S, SUBRAMANIAN K P. Development of a Driving Cycle for Intra-city Buses in Chennai,India[J].Atmospheric Environment,2011,45(31):5469-5476.

[4] 楊小娟, 王建. 北京市重型客車行駛工況的構建與研究[J]. 環境工程技術學報,2015,5(6):455-463. YANG Xiaojuan, WANG Jian. Construction and Research of Heavy-coach’s Driving Cycle in Beijing City[J]. Journal of Environmental Engineering Technology,2015,5(6):455-463.

[5] 郝艷召, 張潔, 王生昌，等. 武漢市公交車典型行駛工況的構建[J].交通信息與安全，2014,32(6):139-144. HAO Yanzhao, ZHANG Jie, WANG Shengchang, et al. Construction of Typical Driving Cycle for Public Buses in Wuhan City[J].Journal of Transport Information and Safety,2014,32(6):139-144.

[6] 王楠楠. 城市道路行駛工況構建及油耗研究[D]. 合肥：合肥工業大學，2012. WANG Nannan. Construction of the Urban Road Driving Cycle and Research of the Fuel Consumption[D]. Hefei: Hefei University of Technology,2012.

[7] 詹森，秦大同，曾育平. 基于遺傳優化K均值聚類算法工況識別的混合動力汽車能量管理策略[J]. 中國公路學報,2016,29(4):130-137. ZHAN Sen,QIN Datong, ZENG Yuping. Energy Manangement Strategy of HEV Based on Driving Cycle Recognition Using Genetic Optimized K-means Clustering Algorithm[J]. China Journal of Highway and Transport,2016,29(4):130-137.

[8] 石琴，仇多洋，周潔瑜. 基于組合聚類法的行駛工況構建與精度分析[J]. 汽車工程,2012,34(2):164-169. SHI Qin, QIU Duoyang, ZHOU Jieyu. Driving Cycle Constrution and Accuracy Analysis Based on Combined Clustering Technique[J]. Automotive Engineering,2012,34(2):164-169.

[9] 陳全世, 朱家璉, 田光宇. 先進電動汽車技術[M].2版.北京: 化學工業出版社,2014:21-27. CHEN Quanshi, ZHU Jialian, TIAN Guangyu. Advanced Electric Vehicle Technology [M]. 2th ed.Beijing:Chemical Industry Press,2014:21-27.

[10] 賴宇陽. Isight參數優化理論與實例詳解[M]. 北京：北京航空航天大學出版社, 2012. LAI Yuyang. Isight Parameter Optimization Theory and Examples[M]. Beijing: Beijing University of Aeronautics and Astronautics Press, 2012.

[11] WANG Ximing, HE Hongwen, Sun Fengchun. Comparative Study on Different Energy Management Strategies for Plug-in Hybrid Electric Vehicles[J].Energies,2013,6(11):5656-5675.

(編輯 陳 勇)

Control Strategy Optimization of Plug-in Hybrid Electric Vehicle Based on Driving Cycles

GAO Jianping1ZHANG Leimin1SUN Zhongbo2XI Jianguo1

1.Vehicle & Transportation Engineering Institute, Henan University of Science and Technology,Luoyang, Henan,471003 2.EonControls Co., Ltd., Zhengzhou,450000

According to the operation types and operation line, the city bus coverage area, 20 representative bus lines on the 20 bus driving data acquisition for a month were selected, a reasonable classification analysis method combined with theKmean clustering algorithm of principal component analysis and optimization of the implementation of each segment of the short stroke, thus the driving cycle that reflects the running characteristics of the city bus was fitted. The effectiveness and necessity of the Isight simulation platform was verified by the AVL-Cruise simulation platform, and the optimization of the key parameters of the vehicle control strategy for the city bus was introduced. The results show that the overall fuel consumptions of the vehicles are reduced by 8.7% and the relative errors of the simulation results with the RCP tests are only 2%, which verifies the effectiveness of the optimized control strategy.

principal component analysis; combinatorial optimization algorithm;Kmean clustering algorithm; driving cycle; Isight optimization platform

2016-11-14

國家自然科學基金資助項目(U1604147);河南省科技攻關計劃資助項目(152102210073);河南省高等學校青年骨干教師資助計劃資助項目(2015GGJS-046)

U469.7

10.3969/j.issn.1004-132X.2017.15.002

高建平，男，1976年生。河南科技大學車輛與交通工程學院副教授。主要研究方向為新能源汽車系統匹配與控制策略。發表論文20余篇。E-mail:gjpcar@gmail.com。張磊敏，男，1990年生。河南科技大學車輛與交通工程學院碩士研究生。孫中博，男，1989年生。鄭州意昂電控科技有限公司工程師。郗建國，男，1978年生。河南科技大學車輛與交通工程學院講師。