混合動力汽車模糊邏輯控制策略研究

鐘彥雄

（云南機電職業技術學院 汽車技術工程系，云南 昆明 650203）

隨著能源與環境的問題日益突出，新能源汽車成為了現今重點發展的車型，考慮到混合動力汽車有傳統燃油汽車和純電動汽車的優點，而并聯式混合動力汽車能夠充分發揮發動機和電池的性能[1-3]。作為研究并聯式混合動力汽車，控制策略是最為關鍵的一環。在并聯混合動力汽車（HEV）的控制方法中，主要目標之一是使發動機工作在峰值效率區域內，以提高動力傳動總成的整體效率。

傳統并聯混合動力汽車中使用較為普遍的并聯電助力控制策略，主要思路是將發動機作為汽車的主要驅動源，電機驅動系統僅作為輔助驅動源。電機對發動機的輸出轉矩起到削峰填谷的作用，同時將蓄電池組的SOC 值保證在一定的范圍內[4]。但是這種的動力分配實際上沒有完全發揮混合動力驅動的優勢，因為混合動力驅動系統的效率不僅與發動機運行效率有關，還受到蓄電池和電動機效率的影響。對此，在進行能量分配過程中，需利用模糊邏輯控制發動機、蓄電池和電動機，使其整體工作效率最優化控制。

考慮到汽車在行駛過程中具有高度非線性及時變特性，提出了通過一種模糊邏輯控制器來實現對發動機、電機及電池之間的控制。

1 模糊邏輯控制策略設計

1.1 模糊控制模塊

設計模糊邏輯控制策略的出發點在于考慮當前電機轉速對發動機工作狀況的影響，在保證發動機最高燃油效率的前提下，實現電池充放電平衡。在模糊邏輯控制器中能制定多個輸入和輸出隸屬函數，并按照一定的法則生成需要的模糊控制規則。本模糊邏輯控制器制定了三個信號輸入隸屬函數：電機當前轉速Nm，電池荷電狀態SOC 值及發動機優化轉矩的差值△T。基于上述三個輸入信號，利用模糊邏輯來確定發動機輸出轉矩的因數K。總的控制模塊如圖1所示。

其中發動機目標扭矩是從靜態條件下發動機的萬有特性曲線出發，將當前轉速條件下發動機最小比油耗點插值連接成的曲線，即以比油耗最小為目標函數，用M 文件編程實現。在不同轉速下發動機的轉矩范圍不一樣，因此用總轉矩和優化轉矩的差值△T 作為輸出參數，也起到了控制發動機工作范圍的作用[5-8]。通過模糊邏輯控制器控制后，可得到發動機應承擔的實際轉矩，電動機的轉矩通過總的轉矩與發動機所需轉矩的差值得到。

圖1 模糊控制模塊

圖2 MAIIAB 模糊邏輯工具箱——Sugeno 型

圖3 輸入變量的隸屬度函數

1.2 模糊邏輯控制器設計

在MATLAB 模糊邏輯工具箱提供了模糊推理系統設計的全部環節，其中包括定義輸入和輸出控制變量、設計隸屬函數和編輯控制規則等。目前，MATLAB 模糊邏輯工具箱的模糊推理方法有Mamdani 和Sugeno 兩種，在很多方面，它們的推理是類似的，主要不同的是Sugeno 推理輸出的隸屬函數是線性的或者為常數，這種類型較為特殊，它將去模糊化結合到模糊推理中，最后輸出為精確量[9-10]。由于在本模糊邏輯控制器中輸出使用單值函數表示，因此推理方法采用Sugeno 類型如圖2。

本系統中模糊邏輯控制器的輸入變量是轉矩差值△T和電池SOC，電機的當前轉速Nm，輸出變量為系數K，輸入變量△T 的描述為{‘負大’，‘負小’，‘零’，‘正小’，‘正大’}，輸入變量SOC 值的描述為{‘過低’，‘偏低’，‘適中’，‘偏高’，‘過高’}，電機的當前轉速Nm的描述為{‘較低’，‘較高’}，輸入變量的隸屬度函數分別如圖2、圖3 所示。輸出變量 K 值為{0，0.05，0.，10，0.15，0.20，0.25....1.80，1.85，1.90，1.95，2.00，2.05}，輸入變量的隸屬度函數分別如圖3 所示。

在模糊邏輯控制策略中，采用了“if-then”的結構，如：“if Nm較低，and△T 負大，and SOC 過低，then K 為0.45；if Nm較高，and△T 正大，and SOC 過低，then K 為 2.00；等”，保證電池在充放電平衡過程中，能使發動機工作轉矩在燃油最經濟區域。這樣建立如表1 所示多條規則。

2 模糊邏輯控制策略仿真分析

在完成模糊邏輯控制器設計之后，需在SIMULINK 中完成控制策略模塊的搭建如圖4 所示。搭建后模糊控制模塊后，對ADVISOR 進行二次開發，將搭建完成的模糊控制策略嵌入仿真軟件ADVISOR 頂層模塊中（如圖5）進行計算。

表1 模糊控制策略規則

將模糊控制策略嵌入軟件之后，可進行電機助力型控制策略和模糊邏輯控制策略的效果對比。在仿真過程中，所選PHEV 車型參數如表2 所示，工況分別選用美國環境保護署EPA 定制的城市道路循環（CYC_UDDS）；歐洲城市道路循環（CYC_ECE_EUDC），為保證仿真結果的準確性，兩種工況均選擇3 組疊加同時進行仿真的方式，在保證其他輸入參數相同的條件下，比較兩種控制策略控制下PHEV汽車的性能結果如表3 及電池SOC 狀態變化如圖。

3 結果分析

3.1 發動機及電機性能分析

針對動力性而言：在兩種工況下，模糊邏輯控制策略相比于電輔助控制策略，在0-60km 加速過程中所用時間較長，加速時間平均多出5.8%，加速能力較弱；但爬坡能力較優，在以10km/h 的速度進行爬坡過程中，爬坡度均超出3.2%。兩種控制策略在動力性上各有優勢，模糊邏輯控制策略混合動力汽車在爬坡能力上較好，電輔助控制策略混合動力汽車在加速能力上較優。

針對經濟性而言：在兩種工況下，模糊邏輯控制策略混合動力汽車在百公里油耗方面均好于電輔助控制混合動力汽車，在CYC_UDDS 工況下，油耗減低了1.3%；在CYC_ECE_EUDC 工況下，油耗下降了1.7%。

針對排放性而言：在兩種工況下，模糊邏輯控制策略混合動力汽車相對于電輔助控制混合動力汽車在三種污染物的排放上均有明顯減低，特別是在CYC_ECE_EUDC 工況下，下降明顯。

針對傳輸效率：在CYC_UDDS 工況下，模糊邏輯控制策略混合動力汽車傳輸效率高于電輔助控制混合動力汽車，傳輸效率提升了2.4%；在CYC_ECE_EUDC 工況下，兩者傳輸效率基本一致。

3.2 電池性能分析

圖4 SIMULINK 模糊邏輯控制策略模塊

圖5 HEV 頂層模塊結構

表2 PHEV 主要參數

表3 PHEV 汽車的性能仿真結果

圖6 兩種工況下電池荷電狀態變化

電池性能分析如圖，從圖中可以看出，在兩種工況下，電池起始SOC 均為70%，循環結束后，同種控制策略下的SOC 終值變化不明顯；而在同種工況下，模糊邏輯控制策略相對于電輔助控制策略，電池SOC 終值更為接近初始值，電池消耗較小，能較好保證電池的壽命。

4 結論

針對并聯式混合動力汽車，使用自定義模糊邏輯控制策略代替元電輔助控制策略進行仿真研究，結果表明：在兩種工況下，混合動力汽車采用模糊邏輯控制策略相較于電輔助控制策略在經濟性、排放性、傳動效率及電池SOC 壽命及穩定性有一定提升，在動力性上，模糊邏輯控制策略爬坡能力較強，電輔助控制策略加速能力較好。