基于ADVISOR電動汽車制動能量回收策略設計及優化

韋超毅，許哲，覃小婷，黃大明

（1.530004 廣西壯族自治區 南寧市 廣西大學 機械工程學院；2.530200 廣西壯族自治區 南寧市 南寧學院交通學院）

0 引言

由于全球變暖、大氣污染和能源危機等問題，新能源汽車的研究與發展成為汽車行業的大勢所趨。研究表明，傳統汽車在制動過程中會以熱能的形式消耗將近一半的有效牽引能量[1-2]，而配備有制動能量回收系統的新能源汽車能夠回收部分損耗的能量。制動能量回收技術作為新能源汽車的一項關鍵技術[3]，對于增加汽車續航里程和整車經濟性具有重要意義。

目前，對于制動能量回收策略研究的重點在于如何合理分配汽車制動時前后軸制動力，并協調再生制動力的占比，在保證汽車制動穩定性的前提下，盡可能回收更多的制動能量。Gao[4]針對混合制動系統的制動能量回饋效率問題，提出了3 種經典制動力分配策略?；讦戮€的并聯式制動力分配策略，有控制結構簡單、制動穩定性高的特點。南友飛[5]根據不同的制動強度，對β值進行優化，提升汽車的制動能量回收效果，但并聯式策略不能充分發揮電機的制動回收潛力；Khaled[6]參考ECE法規，提出一種以其作為約束的制動力分配方法，同時與滑?？刂频姆椒ㄟM行了對比分析，結果表明，以ECE 法規為約束的策略能有效提高制動能量回收率。尹安東[7]采用模糊控制的方法分配再生制動力，并提出了利用遺傳算法對模糊控制的隸屬度函數進行優化的方法。

以上述研究作為理論儲備，針對某款前驅型電動汽車，參考I 曲線及ECE 法規曲線，提出一種依據制動強度劃分的前、后輪制動力分配方法。電機制動力的占比使用模糊控制進行調控，使汽車制動時既能滿足制動穩定性的需求，又能使制動能量回收率得到有效提高。

1 汽車前、后輪制動力分配

選取某款前驅型電動汽車為研究對象，制動力分配主要依據汽車的整車主要基本參數計算，其主要結構尺寸參數如表1 所示。

表1 某款前驅電動汽車整車主要基本參數Tab.1 Main basic parameters of a front-wheel drive electric vehicle

1.1 汽車制動I 曲線

對于汽車制動過程而言，汽車的前、后輪同時抱死是最為穩定的工況。通過制動時汽車受力分析，在任意附著系數φ的路面上，可得到前、后車輪同時抱死的條件為

通過聯立方程消去變量φ可得：

式中：Fμ1，Fμ2——前、后輪制動器制動力；G ——汽車的重力；φ——地面附著系數；b——汽車質心到后軸中心線的距離；a——汽車質心到前軸中心線的距離；hg——質心高度；L ——軸距。

由式（3）可繪制曲線，該曲線表示前、后輪同時抱死時前、后輪制動器制動力的關系，即I 曲線。制動器制動力依據I 曲線分配能夠充分利用地面附著條件，制動時的汽車方向穩定性也較為良好。

1.2 ECE 制動法規

為了保證汽車制動時的制動穩定性，聯合國歐洲經濟委員會對前、后輪制動力分配提出了明確的要求，制定了ECE R13 制動法規。以轎車為例，法規規定[8]：對于φ=0.2～0.8 的各種車輛，要求制動強度滿足

在制動極限情況下，車輪的利用附著系數達到最大值，則有φ=z，通過推導可得到基于ECE 法規的前、后輪制動力分配關系曲線公式[9]：

1.3 基于I 曲線及ECE 法規的前、后輪制動力分配

基于上述原理，根據式（3）、式（5）可繪制I 曲線及ECE 法規曲線。這里引入f 線作為新的約束條件，f線是后輪還沒有抱死，前輪已抱死時的前、后輪制動力關系曲線，其公式為：

通常瀝青或混凝土路面干燥時的峰值附著系數范圍為0.8～0.9，雨天路面濕滑的情況下附著系數值會降低，取φ=0.7 為基準進行分析計算。圖1為前、后軸制動力分配曲線圖，圖1 是根據計算所繪制的I 曲線、ECE 法規曲線、f 線。

計算可得圖1 中B 點的坐標為（1 567，0），對應的制動強度z=0.125；C 點為ECE 法規曲線與f 線的交點，坐標為（5 391，1 195），對應的制動強度z=0.525。制動力分配策略將根據制動強度分為以下3 個判定區間：

（1）0＜z＜0.125。當制動強度在該區間時，前、后輪制動力沿著線段AB 分配，由于制動強度較低，制動力全部分配給前軸。前軸是電機驅動軸，此時可直接采用電機制動的方式進行制動，間接提升能量回收率。該階段的前、后輪制動器制動力為

（2）0.125＜ z ＜0.525。當制動強度在該區間時，前、后輪制動力沿ECE 曲線BC 段分配，與I 曲線相比能使得前軸有能力分配更多的總制動力占比，同時滿足了ECE 法規的要求，制動穩定性也能得到保證。該階段的前、后輪制動器制動力為

（3）z ＞0.525。當制動強度在該區間時，前、后輪制動力則沿DE 段分配。銜接上一區間的制動強度上限，由C 點作等制動強度線交I 曲線于D 點，由D 點起始按I 曲線進行前、后軸制動力分配。隨著制動強度的提高，沿I 曲線分配制動力更注重制動穩定性，采取的制動方式也以摩擦制動力為主，此時前、后輪制動器制動力為

2 基于模糊控制的制動能量回收策略

2.1 前輪電機制動力分配

模糊控制是模糊邏輯在控制領域中的應用，其屬于一種智能控制理論[10]，由于制動回收系統是一種復雜且多因素影響的非線性系統，選用模糊控制來對電機制動力進行分配具有優良的魯棒性。以制動強度（z）、車速（v）、電池荷電狀態（SOC）為模糊控制的輸入，并輸出比例系數k。k 值代表電機制動力的占比，根據k 值可計算得到相應的電機制動力。圖2 為基于模糊控制的制動能量回收策略的整體結構圖。

2.2 模糊控制器的設計

設計了以制動強度（z）、車速（v）、SOC 為輸入，電機制動力比例系數k 為輸出的模糊控制器，該控制器選用Mamdani 型推理方法。模糊化過程是把輸入信號經過隸屬度函數的處理變為模糊系統能夠識別的模糊量，然后依據模糊規則推理得到模糊變換量，最后對模糊量進行解模糊化轉變為可直接用于實際計算的數值。

模糊控制隸屬度函數的設計如下：電荷狀態SOC 的模糊子集為{L（低），M（中），H（高）}，論域為[0，1]；制動強度z 的模糊子集設為{L（低），M（中），H（高）}，論域為[0，1]；車速v 的模糊子集為{L（低），M（中），H（高）}，論域取[0，100]；電機制動力比例系數k 的模糊子集設為{L（低），ML（較低），M（中），H（高）}，論域為[0，1]，輸入量的隸屬度函數均選用gaussmf 型、gauss2mf 型的結合，輸出量的隸屬度函數選用trapmf 型。電荷狀態SOC、制動強度z、車速v、比例系數k 的隸屬度函數曲線如圖3 所示。

模糊控制器的性能取決于制定的模糊規則[11]，模糊規則庫則由若干“if-then”形式的條件句組成，在模糊系統中起核心作用，通常依據相關理論及專家實際工程經驗確定。根據理論分析和大量試驗，所制定的模糊控制規則如表2 所示，共27 條規則。

表2 模糊規則表Tab.2 Fuzzy rule

3 基于ADVISOR 的控制策略建模

ADVISOR 是由美國可再生能源實驗室開發的可配置于MATLAB 的一款汽車仿真軟件，其電動汽車的頂層模型如圖4 所示，“＜vc＞ev”為ADVISOR 預置的整車控制策略模塊，底層文件中包含制動力控制策略。通過Simulink 搭建所設計的控制策略，解鎖數據庫來替換其中的預置模型，并嵌入汽車仿真頂層模型中，實現對ADVISOR 的二次開發。

ADVISOR 是后向為主，前向為輔的仿真軟件，整車控制模塊包含前向和后向的制動控制模塊[12]，二次開發需要對前、后兩向的策略同時進行修改。本文只闡述修改后的后向路徑策略模型，策略模型如圖5 所示。該策略模型以需求車速計算得到制動強度，根據制動強度進行判定，并執行對應的子系統，最后輸出前、后輪制動力。輸出端的前、后輪制動力均為摩擦制動力，這是由ADVISOR 預置的電動汽車整車模型決定的。電機制動力等于扣除前、后輪摩擦制動力后剩余的需求總制動力，公式為：

式中：Fe——電機制動力；Freq——需求總制動力。

4 自適應神經模糊控制優化

自適應神經模糊系統（Adaptive Network-based Fuzzy Inference System,ANFIS）是由神經網絡理論和T-S 模糊理論結合而成的，模糊控制主要依靠經驗確定模糊規則，缺少自學習和調整的能力，與神經網絡理論融合可以彌補模糊控制的缺點。本文通過自適應神經模糊的理論方法對原提出的模糊控制隸屬度函數進行優化，所建立的T-S 模糊神經網絡簡化結構圖如圖6 所示。

第1 層為輸入層，以車速v、制動強度z、SOC 作為輸入；第2 層 為隸屬度函數層，每個節點代表一個語言變量值，對 應{L，M，H}，該層對輸入量進行模糊化，計算各輸入分量對應語言變量值的隸屬度函數；第3 層為模糊規則層，每個節點代表一條模糊規則，根據規則計算出相應的適應度；第4 層為歸一化處理層，作用是實現歸一化計算；第5 層是輸出層，也是后件網絡，起著計算每條規則后件的作用，其加權和即為系統輸出。

通過大量仿真，對制動相關數據進行篩選，選出符合本文設計要求的數據作為ANFIS 的訓練樣本，所選取的部分訓練樣本如表3 所示。利用MATLAB 中的自適應神經模糊ANFIS 工具箱，建立符合上述設計的輸入、輸出結構，并導入訓練數據進行訓練，訓練結束后精度誤差為0.004 559，表明訓練結果較為理想，網絡精度高。通過自適應神經模糊理論推算得出的模糊規則及隸屬度函數，相比人工經驗總結的更具有客觀性，同時也起到了優化作用。

表3 部分訓練樣本數據Tab.3 Part of training sample data

5 仿真與分析

電動汽車制動能量回收的潛能除了受汽車整車參數、控制策略影響外，還受行駛工況的影響[13]。選用美國城市道路UDDS 工況作為仿真工況，圖7為UDDS 工況圖。該循環工況的基本參數如下：行駛距離為12 km，行駛時間為1 369 s，平均速度為31.51 km/h，最大速度為91.24 km/h。由圖7 可知，該工況制動頻繁且較符合日常市區用車情況，用于評價制動回收效果具有一定的科學性。

將研究對象的整車參數通過M 文件寫入ADVISOR，選用軟件預置的電機（MC_AC75）和電池（ESS_PB25）模型，電機與電池的主要參數見表4、表5。將仿真初始SOC 值設置為0.75，分別對3 種策略進行仿真，仿真結果見表6。

表4 電機(MC_AC75)主要參數Tab.4 Main parameters of motor (MC_AC75)

表5 電池(ESS_PB25)主要參數Tab.5 Main parameters of battery (ESS_PB25)

表6 不同策略的仿真結果對比Tab.6 Comparison of simulation results of different strategies

圖8 是3 種策略SOC 變化曲線圖，由圖8 可知，仿真結束時，FUZZY 策略對應的SOC 值高于ADVISOR 預置策略，表6 數據表明FUZZY 策略下的制動能量回收率為62.34%，較預置策略有明顯提高。優化后的ANFIS 策略仿真結果表明，回收能量為767 kJ，較優化前回收能量相比提高了約10%，制動能量回收率也提高了13.3%。綜上，說明FUZZY 策略的制動能量回收效果要優于ADVISOR 預置的制動能量回收策略，采用的自適應神經模糊控制的優化方法具有一定的優化效果，制動回收率及回收能量均得到了優化。

6 結語

汽車前、后輪制動力的分配是制動能量回收的關鍵，通過ECE 法規曲線及I 曲線來約束制動力的分配，能保證汽車制動的穩定性。模糊理論能有效解決多變量的非線性問題。本文提出基于模糊控制的制動能量回收策略，通過仿真結果表明能有效提高制動能量回收率，回收率達到了62.34%，相較ADVISOR 預置策略比能量回收效果有顯著提高。為克服模糊理論存在的缺陷，采用自適應神經模糊的理論對原模糊控制的隸屬度函數進行優化，制動能量回收率優化了13.3%，對提升電動汽車制動能量回收效果具有一定意義。