基于粒子群算法的復合儲能式系統控制優(yōu)化

徐大雨，林慕義, 2，陳 勇, 2

(1.北京信息科技大學 機電工程學院，北京 100192；2.北京電動車輛協同創(chuàng)新中心，北京 100192)

引言

裝載機作為工程車輛之一，經常工作在非常惡劣復雜的環(huán)境中，使其在運行的過程中需要消耗大量的資源。如何在裝載機運行和維護的過程中消耗更少的資源成為了研究的重點。

復合儲能式混合動力系統裝載機可以在滿足所需動力的前提下，提高整車的燃油經濟性。但是由于系統結構復雜，使系統控制器的控制策略達到最佳成為了至關重要的一環(huán)[1]。曹萬倉等[2]利用模糊控制原理，設計了液壓混合動力裝載機的制動能量回收模糊控制策略，分析了在制動過程中該策略對再生制動轉矩和電液制動轉矩再分配的變化狀況，證明了在保證安全的情況下，該策略在制動過程中提高了制動能量回收；劉洋等[3]根據蓄能器SOC、車速等車輛相關參數建立了模糊控制器的控制規(guī)則，并制定了系統的相關控制策略，使整車的燃油經濟性得到了有效地提升；曹海岐等[4]認為復合儲能系統原有的依靠專家經驗的模糊控制器存在主觀盲目性，利用遺傳算法對模糊控制器的隸屬度函數進行優(yōu)化，結果表明，整車的燃油經濟性明顯提高。

本研究利用粒子群算法對混合動力復合儲能式裝載機的傳統模糊控制器進行優(yōu)化設計。然后，將優(yōu)化后的控制策略運用到系統的仿真模型中進行仿真分析，以求不損失裝載機動力的前提下，提高整車的燃油經濟性。

1 復合儲能系統結構分析及仿真建模

1.1 結構分析

混合動力復合儲能式系統主要由柴油發(fā)動機系統、液壓驅動系統、電驅驅動系統3種供能系統組成，其中，柴油發(fā)動機系統是整個系統最主要的供能系統，為裝載機在各種工況下提供主要動力來源；電驅驅動系統是裝載機的第二供能系統，依托電動機，主要為車內的各種車載電子設備提供能量，必要時也會輔助柴油發(fā)動機系統為裝載機提供所需的動力；液壓驅動系統主要由高、低壓蓄能器組成液壓蓄能器組，為裝載機在鏟裝和升舉過程中提供能量[5]，復合儲能式裝載機系統的結構如圖1所示。

1.電磁離合器1 2.電磁離合器2 3.電磁離合器34.鎖止機構 5.行星齒輪機構 6.電磁離合器47.電磁離合器5 8.二次元件 9.蓄能器圖1 復合儲能式系統結構圖

1.2 裝載機典型作業(yè)工況

裝載機在作業(yè)時常用工況有4種，亦為本研究所需識別的工況，即“I”形工況、“L”形工況、“T” 形工況與“V”形工況，如圖2所示。

a) “I”形

b) “L”形

c) “T”形

d) “V”形圖2 裝載機典型作業(yè)工況

“I”形工況，又稱穿梭工況，即裝載機的行進路線垂直于運輸車的行進路線;“L”形工況，裝載機作業(yè)開始前與運輸車的側面成垂直狀態(tài)，而物料又與裝載機、運輸車形成直角三角形狀態(tài);“T”形工況，物料與運輸車在一條水平線上，同時裝載機的行進方向垂直于這條水平線;“V”形工況，即裝載機初始位置的前方垂直于物料，而運輸車則停在與物料呈60°角的方向上。

其中，“V”形工況是復合儲能式裝載機最常見的工況也是工作效率最高的工況，所以，本研究選取“V”形工況作為代表來進行試驗分析。

1.3 整車后向仿真模型

本研究根據模型的相關數學公式進行各子系統模型的搭建，然后將各子系統封裝組合，最終組成復合儲能系統裝載機的整車后向仿真模型,如圖3所示。

圖3 整車后向Simulink仿真模型

2 基于粒子群算法優(yōu)化模糊控制器

2.1 模糊控制策略及工作原理

本研究的復合儲能式系統模糊控制策略的結構原理，如圖4所示。裝載機根據外部工況計算出所需要的轉矩，根據需求轉矩Td、蓄能器SOC(蓄能器儲能系統狀態(tài))以及電池SOC(電池荷電狀態(tài))等參數，決定實際輸出的最優(yōu)轉矩并輸入給發(fā)動機系統；接著根據裝載機的需求轉矩以及實際輸入給發(fā)動機系統的轉矩進行判斷，將系統所需電機轉矩輸入給電驅動系統，將所需的補足轉矩輸入給蓄能器系統，兩系統通過發(fā)動機系統的反饋進行必要的輔助工作，并將兩系統的實時狀態(tài)輸入給模糊控制器，以便根據實際外部工況進行必要的模糊判斷處理工作[6]。

圖4 控制策略原理圖

2.2 粒子群算法優(yōu)化模糊控制器

模糊控制器的特點就是具有良好的適應能力和較好的魯棒性。本研究的復合儲能式系統，將需求轉矩、蓄能器SOC以及電池SOC作為模糊控制器的輸入量，以發(fā)動機實際輸出轉矩作為輸出量。但由于原有模糊控制器主要依靠專家經驗來制定模糊控制規(guī)則，存在一定的主觀盲目性，在一些特殊的工況下不能做到最優(yōu)控制，導致控制器不能達到需求的效果，有必要將控制器進一步優(yōu)化[7]。基于所需的工況下，通過粒子群算法優(yōu)化模糊控制器的模糊控制規(guī)則，可以達到最優(yōu)控制的效果，如圖5所示。

圖5 模糊推理結構圖

粒子群算法具有良好的全局搜索能力而且操作簡單，收斂速度較快。粒子群算法中每一個粒子都代表著一個可能解，通過粒子的行為以及群體內交互信息的可能性來實現問題求解的智能性。粒子群算法是通過粒子不斷地進行迭代運算，并在這個過程中搜尋每一次迭代中粒子的個體極值以及整個粒子群的全局最優(yōu)解，不斷更新粒子的位置和速度進行多次的迭代運算，直至找到滿足所需條件的最優(yōu)解。本研究粒子更新位置及速度公式如下[8]：

vi,j(t+1)=w×vi,j(t)+c1×rand1[pi,j(t)-

xi,j(t)]+c2×rand2[pi,j(t)-xi,j(t)]

(1)

xi,j(t+1)=xi,j(t)+vi,j(t+1)

(2)

式中，i為粒子群中的粒子，i=1,2,…,N,N為粒子數；

j為維度j=1,2，…，D；w為慣性權重，用來勘測和平衡，決定了粒子速度的繼承程度，w=1；c1,c2為學習因子，c1=c2=2；rand為0到1上的隨機數；x為粒子的位置；p為粒子在運動過程中的最優(yōu)位置；v為粒子的位置變化率即粒子的運動速度。

2.3 粒子群模糊系統設計

1) 隸屬度函數的選取

本研究在模糊控制系統中采用三輸入單輸出的模糊控制器，輸入為需求轉矩(demandtorque)，蓄能器SOC(accumulator SOC)，電池SOC(battery SOC)，輸出為發(fā)動機轉矩(enginetorque)，且輸入輸出均采用Trimple型隸屬度函數[9]，如式(3)所示：

(3)

式中，u為隸屬度函數隨機變量；u1，u2為模糊變量。

2) 定義模糊規(guī)則

本研究提出的基于粒子群算法優(yōu)化的模糊其中，輸入量demandtourque，accumulator SOC以及battery SOC的論域為[0，max(demandtourque)]，[0，max(accumulator SOC)]，[0，max(battery SOC)]，輸出量的論域為[0，max(enginetorque)]，語言值均為{NB，NS，0，PS，PB}[10]，推理系統的基本架構如圖6所示。

2.4 粒子群算法優(yōu)化流程

粒子群優(yōu)化流程如圖7所示。

步驟1，將上述已經設定好的需求轉矩、蓄能器SOC、電池SOC、發(fā)動機轉矩隸屬度函數參數和模糊規(guī)則編碼作為粒子群算法的搜索空間[11]；

步驟2，初始化粒子群，設置最大迭代次數，本研究最大迭代次數為50，隨機生成粒子群初始位置xi,j與速度vi,j，如式(4)、式(5)所示，N=200；

xi,j=rand(N,D)×(xi,j max-xi,j min)+xi,j min

(4)

vi,j=rand(N,D)×(vi,j max-vi,j min)+vi,j min

(5)

步驟3，選取適應度函數并定義，將粒子群體中個體粒子位置最優(yōu)解pbest與粒子群體中全局位置最優(yōu)解gbest進行初始化；

步驟4，根據式(1)、式(2)，將粒子群中所選取的粒子的位置和速度進行更新，并計算粒子的適應度值，若粒子i所計算的的適應度值優(yōu)于自身的最優(yōu)解pbest，則更新當前位置，同理，也可以更新群體的全局位置最優(yōu)解gbest；

步驟5，判斷是否到達設定的最大的迭代次數，若達到，則輸出相應的優(yōu)化結果，否則回到步驟4繼續(xù)運行[12]。

3 優(yōu)化結果與仿真分析

3.1 優(yōu)化結果

圖8～圖12為輸入量需求轉矩Td、蓄能器SOC、電池SOC以及輸出量發(fā)動機轉矩Te的隸屬度函數圖。經過粒子群算法優(yōu)化后的隸屬度函數曲線已經變得很不均勻，這樣可以更好的實現全局最優(yōu)控制，目標性更強，更容易將控制策略達到最優(yōu)，進而提高裝載機整車燃油經濟性。

圖9 蓄能器SOC隸屬度函數圖

圖10 電池SOC隸屬度函數圖

圖11 發(fā)動機轉矩隸屬度函數圖

圖12為粒子群算法優(yōu)化后的模糊控制規(guī)則曲面圖，優(yōu)化后的發(fā)動機轉矩曲面變化較為平緩，說明優(yōu)化的有效性，為進一步降低裝載機燃油消耗提供了可能。

圖12 發(fā)動機轉矩模糊控制規(guī)則曲面

3.2 仿真分析

將優(yōu)化好的模糊控制器輸出到Workspace，將控制策略輸入到整車后向仿真Simulink模型，進行仿真，優(yōu)化前后的蓄能器SOC、電池SOC燃油消耗量的仿真數據對比，如圖13～圖15所示。

由圖13、圖14可以看出，模糊控制器經過粒子群算法優(yōu)化后，蓄能器SOC以及電池SOC的數值均有升高，而且電池SOC升高幅度尤為明顯。由此可以說明，優(yōu)化后的模糊控制器可以有效的提高整車的能量回收率。

圖13 優(yōu)化前、后蓄能器SOC對比

圖14 優(yōu)化前、后電池SOC對比

由圖15可以看出，優(yōu)化后的整車燃油消耗量Q有明顯的降低，將優(yōu)化前、后的蓄能器SOC、電池SOC以及整車燃油消耗量的平均值進行對比，如表1所示，優(yōu)化后蓄能器SOC及電池SOC的均值均有提高，并且整車的平均燃油消耗有明顯的降低。

圖15 優(yōu)化前、后燃油消耗量對比

表1 優(yōu)化前后方案對比

最后將優(yōu)化前、后的整車燃油消耗的平均值通過式(6)節(jié)油率公式計算，得到優(yōu)化后的整車節(jié)油率為18.79%，證明了模糊控制器優(yōu)化的有效性。

(6)

式中,ρ—— 節(jié)油率

Q0—— 優(yōu)化前油耗量

Q1—— 優(yōu)化后油耗量

4 硬件在環(huán)試驗及分析

4.1 試驗臺架基本原理

本研究使用在MATLAB/Simulink軟件基礎上開發(fā)的dSPACE硬件在環(huán)仿真系統進行試驗，如圖16所示。依據研究對象的數學模型在MATLAB/Simulink軟件中搭建Simulink模型，并對其有效性進行離線仿真測試驗證。該試驗主要目的是驗證經過粒子群算法優(yōu)化后的復合儲能式系統控制效果，具體表現為將采集到的“V”形工況下的燃油消耗量與仿真時的對應結果進行一致性對比。

圖16 制動能量回收試驗臺架

4.2 試驗結果分析

由圖17可見，由于試驗中試驗設備存在振動，所以試驗曲線具有一定的波動，即試驗與仿真之間有一定誤差，但從整體上看，結果基本一致，再次驗證了基于粒子群算法優(yōu)化復合儲能式混合動力系統控制器的有效性，使復合儲能式混合動力系統裝載機的燃油經濟性得到有效提升。

圖17 “V”形工況下的燃油消耗量試驗與仿真對比

5 結論

本研究基于粒子群算法對混合動力復合儲能系統進行控制優(yōu)化，結果表明：

(1) 經過粒子群優(yōu)化后的模糊控制器，適應性和目標性更強，最優(yōu)輸出轉矩更加平穩(wěn)，控制效果更好；

(2) 粒子群算法優(yōu)化后的復合儲能系統中各子系統性能都有提升，而且整車的燃油消耗量有明顯的下降，有效地提升了系統的燃油經濟性，證明了粒子群算法對復合儲能系統控制優(yōu)化的有效性。