基于自適應模擬退火算法的HEV 能量管理優化

李文廣 ,馮國勝 ,馬俊長

（1.050043 河北省 石家莊市 石家莊鐵道大學 交通運輸學院；2.054800 河北省 邢臺市 河北御捷車業有限公司）

0 引言

混合動力車輛相比純電動汽車有更大的儲能容量，相比傳統內燃機車輛又能顯著降低廢氣排放和油耗，發展前景十分廣闊，作為協調發動機和電機扭矩的核心，能量管理系統的優劣直接影響車輛整體性能。

工程應用領域主要采用邏輯門限控制策略，基于大量的測試數據和工程經驗對控制系統進行標定、優化，但仍不能使系統效率最優。Patil[1]通過確定性動態規劃（DDP）方法提出了監督控制策略，以確定多個動力源之間的功率分配；錢力軍[2]等基于馬爾科夫加速度預測模型，預估車輛行駛狀態，實現轉矩優化分配，提高燃油經濟性；Borhan[3]等利用模型預測控制（MPC）獲得合理的功率分布。此外，還有研究者采用模糊控制策略實現功率的最優分配。武小蘭[4]等采用粒子群優化算法對混合動力車輛模糊控制器參數進行優化，有效提高了燃油經濟性和排放性能；Pei[5]提出了基于量子混沌鴿群算法對模糊控制器的控制規則和隸屬度函數進行優化。

本文基于某并聯式混合動力汽車，綜合考慮電池荷電狀態SOC、電機轉速Nm以及需求轉矩Treq與發動機最優轉矩Top之差ΔT 為輸入，以發動機轉矩系數λ為輸出的模糊控制器，并用自適應模擬退火優化算法對該模糊控制器的隸屬度函數進行優化。仿真結果表明，模糊能量管理策略通過合理分配發動機及電機的輸出轉矩，滿足車輛的轉矩需求，同時能很好地控制電池組荷電狀態SOC，有效降低混合動力汽車的能耗。

1 并聯式混合動力汽車的結構和仿真模型

本文中混合動力汽車技術參數見表1?；贏DVISOR 進行建模，ADVISOR 采用前向仿真與后向仿真相結合的方法，首先根據模型預設的工況模型，反推出前向模塊轉速和轉矩，最終得到發動機和電機的功率，此為后向路徑；經整車控制器計算出發動機和電機實際提供的功率，輸出給下級模塊，最終輸出得到實際車速，此為前向路徑[6]。

表1 混合動力車輛仿真模型參數Tab.1 Model parameters of hybrid vehicles

模型中并聯式HEV 的系統結構主要包括發動機、電機、動力電池、傳動系統等，發動機輸出的動力可通過離合器、變速器和轉矩耦合器驅動車輪轉動，也可以通過轉矩耦合器驅動電動機工作在發電狀態，將電能存儲到電池組中。電機由電池組提供能量，單獨輸出動力或與發動機的動力經轉矩耦合器分配后，經主減速器，驅動車輪轉動。模糊控制系統根據發動機和電機的效率特性，結合汽車運行工況，通過動力分流裝置對二者動力進行分配。系統結構框圖如圖1 所示。

圖1 并聯混合動力汽車結構框圖Fig.1 Block diagram of parallel hybrid electric vehicle

根據車輛行駛工況可劃分為圖2 所示的5 種工作模式：起步階段（純電動模式）、慢速工況（發動機單獨驅動模式）、勻速工況（發動機單獨驅動模式）、加速工況（混合驅動模式）、制動工況（再生制動模式）。不同模式下，根據控制策略，車輛行駛需求轉矩可進一步分配成發動機轉矩和電機轉矩。

圖2 循環工況模式劃分Fig.2 Division of cyclic operating mode

2 模糊控制器設計

2.1 能量分配策略

在選擇模糊控制器輸入參數和控制規則時，主要根據表2 中電池SOC 值、行駛車速和工作負荷對各工作模式下的效率、能耗和動力需求的影響進行設計。從系統效率和電池能量兩方面考慮，能量的分配應保證電機和發動機工作在高效區，在電池SOC 允許范圍內，限定發動機轉矩和轉速范圍，提高其效率，而且電池SOC 值不應過低，防止電池壽命受損。

表2 車輛工作模式Tab.2 Vehicle working mode

2.2 模糊控制器設計

根據上述分析，確定模糊控制器的3 個輸入量分別是電池荷電狀態SOC、電機轉速Nm以及需求轉矩Treq與發動機最優轉矩Top之差ΔT，輸出量為發動機轉矩系數λ，發動機輸出轉矩Pe=λ×Pop，從而得到電機輸出轉矩Pm=Preq-Pe?？刂破鹘Y構如圖3 所示。選定的輸入參數綜合考慮了發動機、電機的運行區間及系統效率，ΔT的選取可保證發動機工作在高效點附近。

圖3 模糊控制器結構簡圖Fig.3 Structure diagram of fuzzy controller

輸入變量的隸屬度函數如圖4 所示。電池荷電狀態SOC、需求轉矩Treq與發動機最優轉矩Top之差ΔT 的隸屬度函數為三角形，電機轉速Nm的隸屬度函數為梯形。輸入變量電池荷電狀態SOC 隸屬度函數論域為[0，1]，0 表示電池組的電量最小為0.3，1 表示電池的電量最大為0.9，限定SOC 值在0.3～0.9 之間，模糊子集{NL，L，OP，H，PH}，ΔT 隸屬度函數論域為[0，1]，模糊子集{NS，S，O，B，PB}，電機轉速Nm隸屬度函數論域為[0，1]，模糊子集{L，H}。輸出變量的隸屬度函數如圖5 所示。λ隸屬度函數論域為[0，1.6]，模糊子集{VS，S，M，B，VB}。

圖4 輸入量隸屬度函數Fig.4 Input membership function

圖5 輸出量隸屬度函數Fig.5 Output membership function

2.3 模糊規則設計

模糊規則的設計主要依據以下原則：當電池SOC 值較大，且為低速工況，由電機獨立提供動力；當電池SOC 值處于中等水平，且為加速工況，由電機與發動機共同提供動力；當電池SOC 值較小時，由發動機單獨提供動力，且輸出扭矩供電池充電[7]；需求轉矩Treq與發動機最優轉矩Top差ΔT 代表發動機是否工作在高效區，因此需要調節電機轉速Nm，使發動機工作在高效區。依據上述原則，細化成若干條模糊控制規則，如表3 所示。

表3 模糊控制規則Tab.3 Fuzzy control rules

3 模糊控制器隸屬度函數優化

由于模糊控制器的控制規則及隸屬度函數依據經驗確定，無法保證獲得最優系統，本文采用自適應模擬退火算法，對模糊控制規則進行優化，以獲得良好的等效燃油經濟性和排放指標。

模擬退火算法是一種模擬金屬熱處理工藝的優化方法，它基于概率突跳原理進行隨機尋優，具有簡便易行的優點，但耗時較長。為了縮短計算時間，Dkhichi 等對其進行了優化，增加了內循環的層數，即自適應模擬退火算法（ASA），使得其收斂速度有了較大改善，具有更加良好的全局求解能力[8]。

3.1 優化函數

經上文的仿真分析可知，所設計的模糊控制策略可實現扭矩的合理分配，滿足動力性和排放性要求，但顯然基于經驗的參數選擇并不能保證全局的最優，因此，本文對模糊控制策略優化目標設定為整車的燃油消耗和廢氣排放最小，同時，為保證整車的動力性不受影響，需將加速性能、最高車速和爬坡度等作為約束條件。

目標函數可描述為

式中：x——優化參數向量，具體指隸屬度函數中被優化的變量，x 的取值范圍限定為隸屬度函數中變量的上下限值內；hi(x)——非線性約束條件，具體指最高車速、爬坡度和加速度代表的動力性要求；δ1，δ2，δ3，δ4——對應變量的權重因子。

優化過程中保持模糊規則不變，對輸入輸出變量的隸屬函數子集的中心點進行優化。電池荷電狀態SOC 的隸屬函數子集中心點變量分別為S1，S2，S3，S4，S5，轉矩差ΔT 的隸屬函數子集中心點變量分別為T1，T2，T3，T4，T5，電機轉速N 的隸屬函數子集中心點變量分別為N1，N2，共18 個變量。

3.2 基于iSight 平臺的優化

iSight 是一款集成了多種優化算法的仿真平臺[9]，適用于不同優化問題。仿真過程中，首先建立仿真總體框架，將優化任務的設計變量、約束條件及目標函數在iSight 中進行定義，建立的iSight 優化流程如圖6 所示。通過設定命令調用聯合仿真軟件ADVISOR，方便實現仿真流程、建立數據交互，實現聯合仿真，在數據交換、對比的循環過程中完成優化任務。

圖6 Isight 優化流程圖Fig.6 Isight optimization flowchart

將模糊控制器代替ADVISOR 并聯混合動力汽車中邏輯門限值控制器，利用系統內部的發動機模塊、電機模塊、電池模塊、變速器模塊、主減速器模塊、車輪模塊、整車行駛模塊和動力耦合模塊，在加載的特定工況下進行仿真。

優化過程中，ADVISOR 運行集成模糊控制模塊的混合動力模型，進行數值模擬，計算出各項動力性參數、排放性指標、油耗指標等。將計算所得的優化參數值、優化目標輸出到Isight，Isight 的“ASA 優化模塊”模塊利用自適應模擬退火算法進行多目標優化，計算優化變量的適應度，根據迭代次數、適應度等決定是否更新變量進行后續優化循環。

如圖7 和圖8 所示，輸入和輸出變量的隸屬度函數優化結果，優化參數變化后，隸屬度函數形狀也相應發生了變化。

圖7 優化后的輸入量隸屬度函數Fig.7 Optimized input membership function

圖8 優化后的輸出量隸屬度函數Fig.8 Optimized output membership function

3.3 仿真結果

仿真所用工況為UDDS 循環工況（如圖9 所示），仿真時間1 370 s，行程12 km，最高車速91.25 km/h，得到如圖10 和圖11 所示的仿真結果。SOC 初始值為0.7，最小值為0.53，電量消耗在10%以內，前700 s 內，電池荷電狀態SOC值較高值時，電機輸出轉矩占主要部分，發動機同時也輸出轉矩但僅作為輔助轉矩，其廢氣排放也較低，電池SOC 值從初始值0.7 降為0.55 左右，之后電池SOC 值降幅減小，主要由發動機提供動力。

圖9 UDDS 循環工況Fig.9 UDDS cycle conditions

從表4 中優化前后百公里油耗和排放參數的比較可以看出，基于自適應模擬退火優化的模糊能量管理系統對性能有了明顯提升，百公里油耗降低了6.1%，HC 排放減少4.6%，CO 排放減少6.4%，NOX排放減少5.5%。

圖10 UDDS 工況下仿真結果Fig.10 Simulation results under UDDS conditions

圖11 UDDS 工況下排放曲線Fig.11 Emission curve under UDDS operating conditions

表4 UDDS 優化前后工況下百公里油耗與排放指標對比Tab.4 Comparison of fuel consumption and emission indicators before and after optimization

4 結論

本文基于ADVISOR 平臺建立了混合動力車輛模型，開發了基于模糊控制的能量管理策略。針對混合動力汽車結構復雜、較難以建立精準模型的問題，利用Isight 和ADVISOR 聯合仿真平臺，采用自適應模擬退火算法對模糊控制部分參數進行了優化，以彌補主要依賴專家經驗確定模糊控制參數的缺點。通過比較優化前后的排放指標表明，模糊控制器和采用的優化策略能較好地實現系統優化，使電池荷電狀態維持在相對穩定水平，與其它類型的模糊控制器相比，燃油消耗和廢氣排放水平均有明顯改善。