基于自適應遺傳算法的某款純電動汽車智能發電策略分析

余 東

（成都工業職業技術學院 智能制造與汽車學院，四川 成都 610000）

無論是車輛在行駛過程中受到的空氣阻力，還是在減速或制動過程中受到的摩擦阻力，都會造成汽車通過摩擦生熱的方式消耗大量動能，導致汽車能源利用率低下，續航里程不足等問題。新能源汽車中的純電動汽車廣泛應用大功率動力電池，其整車性價比和動力電池尺寸決定了電動汽車的商業化進程，而純電動汽車智能發電對于整車性價比和動力電池尺寸具有關鍵影響。具有可控預算和車輛空間要求的購車人士將純電動汽車較短的續航里程作為主要不滿對象，最終選擇傳統能源汽車，使得純電動汽車市場競爭力不足。

葉青通過研究純電動汽車的安全制動范圍以及影響回饋制動能量的約束因素，在Matlab中搭建純電動汽車機電復合制動力分配仿真模型，以最大化回饋制動分配比例為目標函數，以車速、制動強度和動力電池荷電狀態（State Of Charge,SOC）值作為輸入、以回饋制動分配比例模糊控制器隸屬函數和規則表為輸出，建立了回饋制動能量模型，通過遺傳算法優化，最后仿真得到回饋制動力及可回收制動能量有了明顯的提升[1]。李春雷以四輪轂電機獨立驅動純電動汽車為對象，研究四輪轂電機獨立驅動純電動汽車的動力系統參數、四輪轂電機制動能量回饋發電效率模型、輪轂電機制動能量回饋的影響因素以及四輪轂電機獨立驅動純電動汽車制動能量回饋策略[2]。朱波等通過分析發現制動加速度與制動踏板開度成正比變化，為了改善制動效能的一致性，引入制動踏板開度修止系數，制定了基于PRBS-BEC策略能量回收策略，結果表明，能量回收效率有所提高，且制動效能更接近傳統汽車[3]。張鵬以微型乘用車為研究對象，對純電動汽車的能耗影響因素、動力系統參數匹配方法、電驅系統參數優化、能耗優化方案等進行深入的研究和分析，在兼顧動力性的前提下，可以提升經濟性，同時使用遺傳算法，在工程軟件平臺上，建立多目標優化模型，實現電機和減速參數的優化匹配方法[4]。鄭偉提出在新能源電動汽車前端進氣格柵后安裝一臺功率為50 W的磁懸浮垂直軸風力發電機，然后通過對氣流動能、風壓、風速等研究，得出風能以風速的三次方倍增加，風壓力以風速的二次方倍增加。風力發電機發電效率不僅受到風能利用系數制約，還與機械傳動效率等因素有關[5]。

國內專家學者針對純電動汽車續航能力的提升從制動能量回饋、搭載隨車風力發電等途徑進行了相關的研究。若單方面從制動能量回饋研究續航里程，分析了制動能量回饋影響因素如車速、制動強度及動力電池SOC值，而制動能量回饋則需要車輛制動時才能產生電能，發電條件單一。若從隨車風力發電研究續航里程，則需要車輛有一定的風速、風壓，才能發出所需要的電能，發電要求復雜。從制動能量回饋和風力發電協同工作發電，可克服發電條件單一等問題，只要車速到達發電條件就能啟動風力發電，只要踩下制動踏板就能制動回饋，發電形式多樣，動力電池成本占整車成本二分之一以上，在電池容量不增加的前提下，通過制動能量回饋和風力發電來提升續航里程是降低整車成本有效途徑之一。對于汽車制動回饋模糊控制研究，可通過遺傳算法優化能量回收影響因素，提升整車回收能量。

1 純電動汽車風力發電與制動能量回饋影響因素

純電動汽車是由可充電電池（如：鉛酸電池、鎳鎘電池、鎳氫電池或鋰離子電池）提供動力源的汽車[6]。因此，純電動汽車續航里程主要由動力電池供電量決定，而動力電池供電量可通過行車過程動態補充。現有部分車輛配置制動能量回饋功能，但能量回收量不足以顯著提高車輛續航里程。當前城市內道路路況良好，城市間以高速或快速路連接，為增加純電動汽車單次充電后行駛公里數，結合市內、市間綜合特點和汽車技術應用現狀，以車載風力發電和制動能量回饋來為純電動汽車增程。

風力發電是指將風的動能通過風能轉換為機械能，再帶動發電機將機械能轉換成電能[7]。本文中的車載風力發電是指車輛行駛后，由迎風面吸進自然風力到車輛后，驅動風力發電機運轉，從而產生電能。為提高車載風力發電效率，則需要達到一定的風流強度才能啟動風力發電系統。另外，車載風力發電系統是一套機械電力裝置，不能與水接觸，否則會造成發電機短路或機械裝置銹蝕，為保證行車安全和裝置耐用，若行車環境中的雨水量進入到車載風力發電系統，則關閉風力發電系統。由此可見，純電動汽車風力發電的影響因素為行車環境和風流強度，即空氣含水量與行車速度。

制動能量回饋是指車輛制動時，由車輪反向帶動電機轉動，將車輛的機械能轉換為電能。采用制動回饋裝置后，車輛在制動時驅動輪帶動車載常用的永磁無刷發電機運轉，發電機反向給驅動輪阻力，讓車輪速度降下來，同時發電機被帶動后可產生電能進而發電。由此可見，純電動汽車制動回饋主要影響因素為制動強度即制動踏板行程變化率。

此外，純電動汽車動力電池接受發電裝置提供的電能需要考慮當前動力電池荷電情況，若電池的剩余容量非滿載時，則需要車載發電裝置工作。在常規制動中，優先機械液壓制動還是制動回饋開展制動，需要結合發電機工作效率考慮。因此，還需要考慮動力電池SOC值、機械液壓制動力和回饋制動力的比例[8]。

2 純電動汽車風力發電與制動能量回饋結構

以某款純電動汽車為研究對象，提出了一種基于自適應遺傳算法的車載風力發電與制動能量回饋控制策略，該純電動汽車發電控制模型結構如圖 1 所示。

圖1 純電動汽車車載發電控制模型結構

車載發電控制系統核心為整車控制器（Vehicle Control Unit, VCU），它將接受來自車速傳感器的車速v信號，空氣濕度e傳感器的含水量q信號，制動踏板的制動強度z信號，動力電池的SOC信號，獲得這些信號后，VCU將發電信號傳遞給發電機控制器（Generator Control Unit,GCU）控制車載風力發電機發電，傳遞給電機控制器（Motor Control Unit, MCU）控制輪轂電機制動能量回饋，在車載發電機和制動能量回饋機發電時，將發出的電能通過車載交流充電機（On Board Charger, OBC）儲存在動力電池中。

3 純電動汽車智能發電模型

為便于智能發電模型的研究，對車載風力發電和制動回饋過程作如下假設：

（1）道路路面平整，無坡度；

（2）直路行駛，無轉向；

（3）忽略輪胎變形、自然風力和風向變化。

車載風力發電系統打開進氣格柵通過進氣管道將空氣流傳送到風力發電機葉片上，帶動風力發電機運轉，完成發電[9]。圖 2 為車載風力發電系統進氣端。

圖2 車載風力發電系統進氣端

風能計算方程為

式中，Pfd為風力電能，W；Efn為風能密度，W/m2；Cp為風輪效率；ρ為空氣密度，kg/m3；ss為吸入風道的氣流速度，m/s；A為風道截面積，m2。

汽車制動時，受力關系如圖 3 所示。所受到的力有驅動力Fq，滾動阻力Fg，空氣阻力Fk及制動力Fz，車輛質量m，加速度a，摩擦因素μ，行車速度v。此時車輛所受到的合外力為

圖3 汽車制動受力關系

若車輛制動前車速為v0，能量為E0；制動后車速為v1，能量為E1，則車輛采取制動前后的能量損耗△E為

由能量守恒定律可知，能量損耗與車輛受力關系為

式中，s1為制動距離；s2為滾動距離。制動回饋能量來源于制動力生成的能量，而制動力可能是制動電機和機械液壓系統單獨或共同產生，Ej為機械液壓制動系統產生的能量。

式中，Fkq為制動卡鉗夾緊力；w為車輪角速度；r為車輪半徑。由于產生的制動回饋能量儲存到蓄電池還需要經過電機發電，OBC系統充電，因此，設定電機發電效率α，OBC系統充電效率β，結合式（4）—式（6）可得制動回饋電能為

結合純電動汽車車載風力發電風能模型及制動回饋電能模型，可得到智能發電模型為

4 純電動汽車智能發電模型仿真優化分析

基于式（3）—式（10）智能發電模型，純電動汽車在行車過程中，如果空氣中含水量太高，進入風力發電系統后，會使得水跡浸潤到電氣元件，導致電路工作不正常，長此以往也會造成各金屬元件銹蝕。因此，為保證風力發電系統的穩定性，風力發電需滿足以下幾個條件，例如：（1）空氣濕度＜80%，風力發電靠風吹動葉片，從而帶動發電機軸旋轉發電，而風速太低，發電機運轉速度過慢，發電效能低，為此設置風力發電條件；（2）車速＞30 km/h；（3）動力電池的SOC＜80%，若車輛動力電池中的電量余量較多、充電效率較低，為使得充電效率保持在高位，避免發電系統的反復啟停。同時滿足以上三個條件，則車載風力發電系統工作，進而開始風力發電。制動時滿足制動減速度即制動強度不大，制動踏板行程未超過三分之二，車輛制動防抱死系統未工作和動力電池SOC＜80%可充電條件，則制動回饋系統工作，進而開始制動發電。

4.1 自適應遺傳算法

對于純電動汽車發電量最大化地優化分析，傳統研究按照遺傳算法來進行影響因素的優化，遺傳算法中的選擇-復制-交叉-變異等過程都伴隨著基因的環境適應性，而不是單純的按照選擇-復制-交叉-變異進行，容易得到局部最優解，為了提升遺傳算法的有效性，需要對交叉概率，變異概率進行環境適應性的研究，以便在進行優化過程中尋得全局最優解。基于自適應遺傳算法的發電控制策略改進點有以下兩點。

（1）采用實數交叉，第i個染色體ai和第j個染色體aj在k位的交叉操作，增大交叉均勻性和隨機性，避免出現局部最優解。

（2）變異操作時，若滿足變異概率，第i個個體的第j個基因aij根據隨機生成的[0,1]中的數f，f小于0.5時，變異基因為

f大于0.5時，變異基因為

其中

4.2 優化過程

（1）編碼，二進制編碼搜索能力較強，決策變量e、z、soc、v，參數數量較少，二進制編碼完全滿足需求。

（2）設置遺傳算法參數，群體規模sizepop為 100，迭代次數maxgen為50，交叉概率 pcross為 0.6，變異概率pmutation為0.01。

（3）算法規則設定，選擇方式采用常見的輪盤賭法，當生成隨機數小于交叉概率pcross，則采用單點交叉配對的染色體進行交叉操作，交叉點后的染色體根據生成的隨機數小于變異概率pmutation則執行變異操作。

（4）選擇適應度函數，以安全為第一約束條件，使純電動汽車盡可能多地回收能量。選擇目標函數f(x)為風力發電和制動回饋能量的生成總量之和倒數，風力和制動回饋的發電能量可作為適應度函數F(x)。當適應度函數值越大目標越優，直達到預定的代數，優化結束并獲得最優解。

基于上述控制方法，進行了仿真計算，表1為仿真中的主要參數。

表1 仿真模型中的主要參數

在保證制動安全性前提下，仿真工況設定如下：初始車速v0為60 km/h，期望制動減速度為-0.5 g，在砂石路面上進行模擬仿真，附著系數μ設為0.6。通過Matlab優化仿真后的結果如圖 4 發電電量關系圖所示。

圖4 發電電量關系圖

通過仿真結果可知，剛開始啟動時，發電機運轉速度較慢，感應電動勢較小，因此，車載發電電能增勢較小、發電值較小。隨著風力發電機與制動回饋電機平穩運轉后，到30代后發電電量趨于穩定，此時，風力發電與制動能量回饋之和處于最佳發電值。通過仿真結果可以看出，采用的智能發電的控制策略能有效地提高電池的續航能力，在保證行車安全的前提下，將行駛過程中的風能有效轉化成電能，常規制動時將制動時產生的多余能量回收利用，延長了電動汽車的續航里程。

5 結束語

對于純電動汽車的自身發電，可能會隨著行車速度、動力電池荷電狀態SOC、制動強度等因素而變化，瞬時發電功率也需要進行及時調整，這就需要對發電過程進行智能控制，在保證車輛行車安全的同時，還要保證車輛行駛的動力性。因此，通過對用于車載發電的可回收能量進行分析后，得出的結論為風力發電和制動能量回饋兩種方式較好，最后通過純電動汽車的智能發電仿真進行優化分析，結果顯示優化純電動汽車智能發電的輸入量后，其發電量將增加，這將增加純電動汽車續航里程，并提高其經濟性，展現出節能減排先進技術。