燃料電池汽車工況自適應的模糊能量管理策略

聶金泉,王 敖,魏長銀,陳 晨,劉 源

(1.湖北文理學院 汽車與交通工程學院, 湖北 襄陽 441053;2.純電動汽車動力系統設計與測試湖北省重點實驗室, 湖北 襄陽 441053;3.河北工業大學 機械工程學院, 天津 300130;4.東風汽車股份有限公司, 湖北 襄陽 441000)

0 引言

近年來,中國大力發展新能源汽車[1],其中燃料電池汽車是重點發展方向之一[2]。燃料電池汽車多采用復合電源供能,能量管理策略對車輛能量源的合理分配具有重要作用[3]。研究表明,將工況識別應用到能量管理策略中,針對不同行駛工況調整相應的能量管理策略可以有效提高燃料電池汽車的經濟性,延長動力電池的使用壽命[4]。

目前,基于工況識別的能量管理策略大致有以下幾類。一是基于聚類算法識別的能量管理策略。牛禮民等[5]應用K-means++聚類算法識別行駛工況;吳靜波等[6]使用改進粒子群算法優化K均值聚類算法對行駛工況進行在線識別;劉永剛等[7]使用聚類分析方法進行工況識別。二是基于規則控制器識別的能量管理策略。嚴陳希等[8]提出基于模糊規則控制器識別的自適應能量管理策略;馮耀先等[9]制定了基于邏輯規則控制器識別的多模式切換的能量管理策略。三是基于神經網絡識別的能量管理策略。陳勇等[10]設計了一種利用改進遺傳算法優化BP神經網絡識別工況的自適應能量管理策略;劉靈芝等[11]制定了一種基于BP神經網絡識別工況的自適應等效油耗最低能量管理策略;田毅等[12]提出了基于模糊神經網絡識別工況的能量管理策略。四是基于支持向量機(SVM)識別的能量管理策略。趙勇等[13]提出了使用GA 優化SVM的工況識別最優能量管理策略;王琳皓等[14]提出了灰狼優化SVM的工況識別能量管理策略;石琴等[15]提出了粒子群優化支持向量機的工況識別能量管理策略。

為進一步提高工況識別能量管理策略的經濟性,解決模糊控制參數尋優復雜的問題,本文綜合考慮神經網絡解決非線性映射問題和模糊控制自適應性與實時性強的優點,提出一種基于神經網絡識別的自適應模糊能量管理策略。針對車輛復雜的行駛工況,以最符合實際道路的中國乘用車行駛工況(CLTC-P)為樣本,使用BP神經網絡進行在線預測識別,然后根據不同識別結果自適應匹配不同工況下的模糊能量管理策略,并使用遺傳算法對其隸屬度函數的參數進行離線尋優,通過聯合仿真證明工況自適應策略的有效性。

1 FCEV動力系統結構及整車參數

以某款燃料電池汽車為研究對象,其動力系統結構關鍵部件包括燃料電池、動力電池、電機、主減速器等,如圖1所示,整車參數如表1所示。

表1 整車參數

圖1 燃料電池汽車動力系統結構示意圖

2 行駛工況識別研究

2.1 行駛工況選擇及樣本處理

選定最新發布的CLTC-P作為仿真道路行駛工況,其中包含了市區、市郊和高速公路3種工況,能較為準確地反映中國實際道路信息。其中市區工況的區間為0～674 s,市郊工況的區間為675～1 367 s,高速公路工況的區間為1 368～1 800 s,3種工況的速度曲線如圖2所示。

圖2 CLTC-P工況速度曲線

工況片段是表征汽車在某段時間內速度曲線的變化情況,因此樣本以工況片段的形式提取,其中一個工況片段的樣本時長T為150 s,提取時間間隔10 s,即樣本更新時長T0為10 s,并按照[1,T]、[1+T0,T+T0]…來提取訓練樣本。速度區間疊加提取可以增加樣本數量,滿足BP神經網絡需要大量訓練樣本的要求,以提高神經網絡識別精度。若在提取過程中出現工況切換的情形,可按照工況時間占T的比例來評判。例如,前一工況占比小于50%,則整個工況片段識別為后一工況,反之識別為前一工況。將所提取的工況片段的80%作為訓練樣本,20%作為測試樣本,測試訓練效果。

2.2 特征參數選取

選取工況的特征參數應能代表汽車的歷史數據,同時特征參數與整車經濟性密切相關,其選取結果會直接影響工況識別準確度。通過對參數選取的研究表明[16],常選用于代表工況的特征參數有平均速度、最高速度、最大加速度、最大減速度、怠速時間比、平均加速度等。一般特征參數選取越多,工況描述越詳盡,但選取過多會影響系統的識別速度,而選取過少又不能準確表征行駛工況,影響識別精度。綜合相關學者研究,選取最高速度、平均速度、怠速時間比代表所選工況片段的特征參數。3種工況的特征參數如表2所示。

表2 CLTC-P工況的特征參數

2.3 BP神經網絡識別

人工神經網絡(ANN)有很強的非線性適應性信息處理能力,廣泛用于模式識別、組合優化、預測控制等領域[17]。BP神經網絡屬于前饋神經網絡,是目前廣泛應用的人工神經網絡模型,在預測識別方面有良好的效果,符合行駛工況識別的需求。因此,本文選用BP神經網絡對行駛工況的各片段進行分類訓練,通過迭代不斷更新新節點的權閾值,從而完成識別任務。

BP神經網絡拓撲結構通常包括輸入層、輸出層、隱含層3部分,且3層結構的BP神經網絡可以滿足速度-時間曲線的工況訓練,其結構如圖3所示。

圖3 BP神經網絡拓撲結構

以150 s的速度區間內的3個特征參數作為BP神經網絡的輸入,行駛工況類型作為輸出,建立輸入與輸出的映射關系,并將輸出工況類型作歸一化處理,如表3所示。

表3 訓練工況目標值

同時,設定BP神經網絡輸入節點為3,輸出節點為1,隱含層節點為8。基于BP神經網絡的識別測試結果如圖4所示,其中訓練結果誤差為0.075 2,測試結果誤差為0.121 2,工況識別率均能滿足要求。

圖4 BP神經網絡識別結果

3 模糊控制器的設計及優化

3.1 模糊控制器的設計

模糊控制利用專家控制經驗,對非線性、復雜問題有良好的魯棒性,可用于FCEV的能量管理。因此,為了有效降低燃料電池汽車的等效氫氣消耗量、提高整車經濟性,設計一種雙輸入單輸出的模糊控制器,以燃料電池汽車的整車需求功率Preq和動力電池的SOC為輸入量,燃料電池輸出功率Pfc為輸出量,具體模糊控制器結構如圖5所示。

圖5 模糊控制器結構示意圖

根據整車參數和標準工況下的速度-時間曲線,可以計算得出3類工況下的整車需求功率。在市區工況下行駛,整車需求功率不高于15 kW,同時為保證燃料電池系統的工作效率,應該讓其盡可能地工作在高效區間[5 kW,40 kW],以減少能量損耗、提高利用率。綜上,糊控制器的輸入量Preq的論域為[0,15],模糊子集為{ZO,VS,S,M,B,VB};SOC的論域為[0,1],模糊子集為{L,M,H};輸出量Pfc的論域設置為[5,15],模糊子集為{ZO,VS,S,L,M,H,VB}。模糊規則的制定主要依據：1)當SOC較低時,燃料電池承擔較大部分功率;2)當SOC較高時,動力電池承擔較大部分功率;3)當SOC處在穩定荷電狀態區間時,二者共同承擔功率。其中SOC為{低,中,高},Preq為{關閉,極小,小,中,大,極大},Pfc為{關閉,極小,小,中偏小,中,中偏大,極大},具體模糊規則如表4所示。

表4 模糊控制規則

在市郊工況和高速公路工況的整車需求功率Preq都不高于50 kW 和100 kW,同理可以參照市區工況設置各自的輸入量與輸出量,模糊規則類似。

3.2 隸屬度函數優化

上文所設計的模糊規則依舊過于依賴專家經驗,存在較強的主觀性,難以使燃料電池汽車的性能最大化[18]。因此,需要對模糊控制器的隸屬度函數進行優化處理。

遺傳算法對于求解一些非線性、多目標的優化問題有著較好的適應性和魯棒性,所以本文采用遺傳算法對隸屬度函數的參數進行離線尋優。在滿足整車動力需求的基礎上,盡量使燃料電池的氫氣消耗量和動力電池的等效氫氣消耗量最小。因此,優化目標函數為燃料電池的氫氣消耗量與動力電池的等效氫氣消耗量之和,其表達式為[19]

(1)

式中：F(t)為目標函數;H2_fc為燃料電池的氫氣消耗量;Ufc、Ifc分別為燃料電池的輸出電壓和輸出電流;Ubat、Ibat分別為動力電池的工作電壓和工作電流;t為燃料電池汽車的行駛時間。經離線尋優后的模糊控制器更能充分發揮整車復合電源的優勢,提高整體的能量利用率,有效降低整車氫氣消耗量。市區工況的隸屬度函數優化前后結果如圖6所示,市郊和高速公路工況的隸屬度函數優化結果不再列出。

圖6 市區工況的隸屬度函數優化結果

4 工況自適應模糊能量管理策略

綜合上文,設計的工況自適應模糊能量管理策略如圖7所示,主要分為離線尋優和在線實時模糊控制2部分。

圖7 工況自適應模糊能量管理策略示意圖

離線尋優部分,從CLTC-P行駛工況中以150 s為提取時間,10 s為時間間隔提取工況片段的特征參數,再將處理后的特征參數作為BP神經網絡的輸入量,訓練識別模型。在市區、市郊、高速公路3類工況下,以整車氫氣消耗量之和為目標,使用遺傳算法對3類工況下模糊控制器1、2、3的參數進行離線尋優,獲取隸屬度函數的最優參數。在線實時模糊控制部分,通過BP神經網絡對歷史特征參數的辨識,預測未來行駛工況的類別,再根據結果自適應調用相應工況下優化后的隸屬度函數的參數,并將其導入模糊控制器,實現在線實時模糊控制。

5 仿真分析

為了驗證本文所提出的工況自適應模糊能量管理策略可以做到自適應工況并合理進行能量分配,提高整車經濟性。將優化后的模糊控制器導入Advisor整車模型中并與Matlab進行聯合仿真,針對所選行駛工況,分別采用基于規則的能量管理策略、有工況識別的模糊控制策略、工況自適應模糊能量管理策略(融合BP工況識別且離線優化后的模糊能量管理策略)3種能量管理策略進行對比分析,動力電池SOC仿真起始數據均設置為0.6,上下限分別為0.8和0.3。

為探究3種策略的控制效果,對比動力電池SOC在整個工況內的變化情況。從圖8中可以看出,3種策略下SOC變化范圍均在0.5～0.8,符合仿真設定。其中,在基于規則的策略下的SOC最后在68%左右波動;在有工況識別的模糊控制策略下SOC峰值接近上限值80%,隨后又消耗降至65%;而經過優化后的工況自適應策略下的SOC波動較小,最高值在80%左右而后穩定在周圍波動。在3種策略下仿真結束的終止SOC值分別約為67.3%、65.8%、80%,證明工況自適應策略可很好維持SOC值,減少波動對電池壽命的影響。

圖8 動力電池SOC變化曲線

目標車速跟隨情況如圖9所示,在聯合仿真下3種能量管理策略下的實際車速與跟隨車速基本重合,證明所提的3種策略都能使整車車速具有良好的跟隨性,滿足動力性需求。

圖9 跟隨車速曲線

進一步對比燃料電池和動力電池的輸出功率,如圖10、圖11所示。可以看出,與基于規則的策略和有工況識別的模糊控制策略相比,工況自適應策略中燃料電池功率基本能處在高效區間輸出,很大程度上能提高燃料電池的能量利用率,進而減少燃料電池的氫氣消耗量。

圖10 動力電池輸出功率

圖11 燃料電池輸出功率

比較了3種策略下的消耗情況,整車的等效氫氣消耗量變化如圖12所示。基于規則的策略和有工況識別的模糊控制策略的等效氫氣消耗量分別約為926.86、893.73 g,而工況自適應策略約為863.22 g,相比于前面2種策略的消耗分別降低6.87%、3.41%,可見所提策略可有效減少整車消耗。

圖12 整車等效氫氣消耗量

同時,考慮本文所提的能量管理策略是否會影響制動能量的回收。通過對整車制動能量回收的計算得出：基于規則的策略、有工況識別的模糊控制策略和工況自適應策略分別都可回收119 kJ左右的制動能量,說明3種能量管理策略下的回收效率相當,均能減少能量損失,提高經濟性。

6 結論

本文以燃料電池汽車為研究對象,針對復雜工況下能量管理策略適應性較差的問題,提出了一種融合工況識別的自適應模糊能量管理策略。建立BP神經網絡工況識別模型,針對不同工況設計了模糊控制器的參數,并使用遺傳算法對其隸屬度函數進行尋優,形成工況自適應模糊能量策略。通過聯合仿真進行驗證和分析,得出結論如下：

1) 對于CLTC-P工況,選定150 s為工況提取時間,以市區工況、市郊工況和高速公路工況為標準工況,以最高速度、平均速度、怠速時間比為工況片段的特征參數,建立BP神經網絡工況識別模型,最終工況識別率可達88%左右。

2) 工況自適應模糊能量管理策略能降低SOC波動對動力電池壽命的影響,同時使燃料電池功率處于高效輸出區間,減少整車能量消耗,提升整車的經濟性。與基于規則的策略和有工況識別的模糊控制策略相比,工況自適應模糊能量管理策略的等效氫耗量分別降低6.87%和3.41%。