增程式電動車的燃油效能分析

林 昌，陳邦柱，晉倫偉，廖文霞

（1.莆田學院機電與信息工程學院，福建莆田 351100；2.莆田學院土木工程學院，福建莆田 351100）

0 引言

純電動汽車（EEV）相對于普通燃油汽車，能夠真正達到零尾氣、零排放的環保程度，EEV 的動力機器為電動機靠蓄電池產生的電能來驅動汽車。燃料電池汽車（FCV）用電能來帶動FCV汽車；燃料電池汽車同時也面臨著許多問題，其技術的安全性、可靠性方面仍然存在很大的改善空間。燃油汽車給人們帶來了經濟的飛速發展和交通的便利，與此同時，普通燃油汽車的尾氣排放，已導致溫室效應、酸雨等問題。人們不得不創造出一種既環保，又低耗的電動汽車；由于電動汽車會面臨電量不足，里程較短的問題，后期增程式汽車（REEV）增加了一個內燃機以克服電動汽車里程短的問題，大大提高了續航能力[1]。混合電動汽車（HEV）比一般的電動汽車的動力強，做到了比燃油汽車油耗低、污染小的環保標準，但并未真正做到零污染、零排放。增程式汽車彌補了普通燃油汽車污染嚴重、里程短的缺陷[2]。

根據以上分析，混合動力電動汽車電池驅動功能的實現會涉及到微處理器工業領域的技術，更新電動機能源的利用和開發。國家出臺了一系列舉措，使得研究者們更關注于研究定期控制系統、高級別電動機，電動汽車的實用化。混合車輛的開發不再是汽車行業的一項簡單的技術創新，而是汽車行業的一場新革命。

1 混合動力電動汽車的分類及特點

1.1 有關定義

混合動力汽車系統由機械配件、電子配件和其他信息系統組成。機械輔助系統包括底盤和車身、驅動器、轉換器和電源箱等。電子輔助系統包括能源、電網、系統馬達控制；信息系統主要使用通信網絡并用數據處理算法處理駕駛者的意愿、車輛的運行監控、電機控制等。混合電動汽車基本結構如圖1所示。

1.2 基本原理

混合電動汽車的基本原理是內燃機和發動機作為混合動力的來源，所謂混合動力[3]，就是在汽油引擎和電動機相互配合的前提下，盡可能做到低排放區使用；其制動是通過改變發電機和發動機的工作原理來實現的，大大提高了汽車燃料的性能。

圖1 混合動力電動汽車基本結構

1.3 類型

以前的混合型動力汽車有串聯和并聯2 種，隨著科技的發展，混合式動力汽車如今已經分為4 種，在原有類型的基礎上增加了混聯式以及復合式。

1.4 串聯式混合動力汽車

1.4.1 結構與特點

最初的混合動力汽車發動系統為混合發動機，包括發動機、發電機、電源變壓器、電池、發動機和運輸設備[4]。如圖2所示，該系統的引擎將發動機拉動，機械動力首先通過發電機輸出到電力中。電池可為發動機提供電力，使電動汽車能夠在無污染的情況下運行混合電動汽車。

圖2 串聯式混合動力汽車原理

本文中描述的混合電動汽車的驅動電機為永磁性同步發電機。電機硬件結構如圖3 所示，該硬件系統用電機控制系統，其中采用同步電機（PMSM）和DSP為核心控制系統，該算法由DSPMS320lf2407a實現。

圖3 電機硬件結構

該系統的直流電源是由三菱的IPMPM75CLA060 提供的。用于控制IPM 的PWM 6 信號是由DSP 創建的[5]，在被控制器隔離后產生PWM 6 信號，發送到IPM。IPM的輸出有用結果為V和W。波長用于控制有引擎的汽車，當接收到失效信號時，DSP 就會立即停止輸出PWM 波浪。控制系統只測量了ia和ic兩種電流，由傳感器la108-p 測量后，經過信號傳輸，2 個信號通過濾網然后經過低通，再發送到DSP ADC 模塊。光電編碼器決定了電機的速度及位置，經過分級轉換，然后發送到DSP QEP，直接編碼QEP 角。總線以別的模塊來完成數據傳輸，通過DSP的采集通道采集電子信號，通過I∕O輸入電子蛋糕。

1.4.2 DSP（2407）的簡述及其外圍電路設計

DSP 芯片有3 種不同分類方式：（1）按其基礎特性劃分，根據芯片的工作類型劃分；（2）按其數據格式劃分，根據芯片的數據類型劃分；（3）按其使用用途劃分，根據芯片的作用類型劃分。

本系統采用的TMS320LF2407A 是一種供電電壓為3.3 V，功能相對較強，耗能相對較低，運算速度相對較高的DSP芯片。該芯片的特點總結如下。

（1）該芯片的I∕O 的引腳能夠達到41 條，同時也擁有一個超集數量達到144個的引腳。

（2）芯片的內存分為兩類，分別是ROM 和2 K 字節的單存取RAM：SARAM 與544×16 位字的雙存取RAM：DARAM。

（3）寄存器中包含2 個不同狀態的寄存器：ST0 和ST1。

（4）可尋址的存儲器空間總共含有192 K字節。

（5）總共包含5個外部中斷。

（6）EVA、EVB 事件管理模塊分別用于控制運動和控制引擎。不同的事件管理模塊包括不同的定時鐘和單元：WD 為看門狗定時器模塊；SPI 為串行外設模塊；SCI 為串行通信模塊；CAN 為局域網控制器模塊；10 為A∕D 轉換器，且其轉換時間大大縮短。

DSP 等串口不為零標準（NRZ）串行數字通信模式[13]，既能夠半雙工操作，又能多工操作。串行外部接口（SPI）可以直接與其他具有標準SPI 端口的設備通信，芯片也有模塊可以與外部設備或其他控制設備進行通信。通過DSP（2407）完成了總系統和點擊系統之間的聯系：總系統將正常狀態查詢順序和速度順序傳遞給電力推進系統和粉末系統的電力推進系統報告，應急處理應用的一般狀況和問題。

圖4 所示為模態控制的結構。為設計一個模糊的控制器，首先要做的是設計輸入量，包括屬于領域、模糊語言及其語言值，將其模糊化后預設大概的控制規則以進行模糊推理，最后通過反模糊化得到精確的控制，從而完成相對的工作[6]。

圖4 模態控制

θr的基本論域為{θ1，θ2，…，θ12}，如圖5所示。

圖5 θr的隸屬函數

將S作為輸出，控制規則采用以下形式：

從而可以推測出模糊規則：在1～θ區間，若想實現很大程度地減少轉矩ET，而前提要保證磁鏈ψs基本不變，則應該選擇u6，模糊規則表示為：

換個角度，為實現很大程度地增加轉矩ET，同時也要實現磁鏈ψs有較大的增加，則應該選擇2u，模糊規則表示為：

為實現很大程度地增加轉矩ET，而前提要保證磁鏈ψs基本不變，則應該選擇3u，模糊規則表示為：

綜上所述，則能夠總結出在該平面上共有180 條控制規則，如表1所示。

模糊控制的輸入、輸出量所代表的規則為：

A、B、θr、ui的隸屬函數分別用μA、μB、μ（θr）、μ（ui）表示，運用max-min 計算則可以推理出第i條規則的作用強度為：

通過“取小”的運算方式可以推測出第i條所對應的控制決策為：

μui(S) = min[σi,μui(S)]

S的表達式為：

根據上述分析可以得出，單點型的模糊集是模態控制輸出電壓的形式，可以以電壓空間矢量的形式表達，所以已經沒必要再進行解模糊的操作[7]。

表1 模態控制規則

2 蟻群算法中的神經網絡在直接轉矩中的應用

2.1 神經網絡的概述

神經網絡擁有較強的處理信息能力，可以將神經元之間的重量連接起來，還可以模擬出人類大腦的機制對信息處理的能力[8]。例如有老師指導學習和無老師指導學習是神經網絡自身的兩種學習方法，這兩種學習方法的區別在于是否有一個目標結果與課程輸入相對應。大部分的網絡神經都是為指導教師所準備的，在指導教師的學習方法中，將結果和期望值相比較，再根據比較結果將二者中的錯誤函數進行調整，達到最小化故障。網絡訓練過程如圖6 所示。本文所使用的網絡是運用社區算法來調整價值的3層網絡。

2.2 蟻群算法

在蟻群算法中，模擬器科學家觀察并發現信息通過一種叫做信息素的物質移動在個體螞蟻之間。社區算法就是將螞蟻的這種移動進行優化：假設有M個參數在網絡中等待優化，可將這M個參數意義記為P1，P2，…，Pi，使這其中的參數都滿足Pi（1≤Pi≤Mi），在取值范圍內把它設置成N個隨機的非零數，集合Pi就由這些數值所構成。假定蟻群中的螞蟻都從集合Pi出發，也就是將集合看作蟻巢，然后根據信息素的狀態和路徑可以總結出以下公式：

圖6 神經網絡訓練過程

如果從集合Pi中隨機的選出任意一個元素，螞蟻完成了在集合中的選擇，也就意味著螞蟻到達了食物的源頭，這就可以用以下公式來做到信息素的調節：

式中：0＜ρ≤1 為信息素的持續性能；(IPi)為某一次循環中第k只螞蟻在某一個集合Pi里的第j個元素上所遺留下來的的信息素；Q為調整速度的常數；ek為最大誤差，可將其定義為：

式中：Sn為FNN的實際輸出值；Sq為期望輸出值。

反復運行上述過程，直到找出最優解才停止，如果進化的趨勢已經不明顯或者達到了進化的最大次數則代表最優解已被找出。

2.3 蟻群中神經網絡的實現過程

蟻群中神經網絡的優化在于閾值調整，這個算法有W個蟻群，每個蟻群代表一組權重值和閾值，最大迭代次數是最大值。假設找到變量X是{vki}和{vk0}兩個維族，{vki}是將權重從輸入層連接到出口層，{vk0}是輸入和輸出層的閾值。這個優化變量的分量分為n個，在初始時刻，螞蟻首先選擇任意一組權重值與閾值，然后解（n+m+l）h+m的分量，將其視作為頂點，將第一個頂點定義為I的分量，由上述定義則可將I+l 的頂點到I的分量看作是第n個頂點，可以用n個不同的分量來判斷。螞蟻根據每條路徑（式（4））的信息和公式選擇來決定路徑。

相對于本系統來講，直接控制轉矩的最關鍵點是建立定子磁鏈觀測器；以u-i磁鏈模型為基礎，坐標系αβ中的電壓、電流、電阻函數都可以用磁鏈來表示，它們之間的非線性函數關系可表示為：

在α β坐標系下磁鏈可寫為：

神經網絡擁有比較強的非線性系統模擬能力。定子磁鏈觀測器結構可以用圖7表示。

網絡的輸入層一共含有5 個神經元，對應的定子電流分別為iα和iβ，對應的定子電壓分別為uα和uβ，Rs為電阻，網絡的輸出層為ψα和ψβ。程序運行的過程中，會隨機給出網絡間初始的權值和閾值，因此必須經過大量的實驗來確定網絡的結構，計算出較為精確的ψα、ψβ值。

圖7 定子磁鏈估算蟻群神經網路結構

2.4 仿真結果分析

通過計算機仿真技術得到在相同工況下傳統動力汽車的發動機效率，可以發現以下問題：（1）電動機整體效率明顯高于發動機效率[9]；（2）對于發動機而言，由于發動機設計原因，在處于額定轉數附近時，為設計能量效率最高點，在低轉速的區域時效率偏低，對提高發動機整體燃油經濟性能有較大的不利影響，對電動機而言，雖然在低轉速時因為銅損耗和鐵損耗的影響效率相較額定轉數時會有所降低，但與發動機的低轉速區效率相比要高得多；基于以上兩點，可以設計如下提高車輛整體燃油經濟性能的具體方案。將發動機作為輔助動力來解決電動機在轉矩不足時的問題，同時也選擇效率較高的電動機作為主要動力來達到車輛行駛的目的。為便于比較，電機及其仿真條件如圖8所示。圖9所示為具體的Simulink模型[11]。

圖8 PMSM 模糊神經網絡直接轉矩控制仿真框圖

圖9 控制策略模型

通過圖10和圖11可以發現在采用了新的控制策略之后，車輛燃油經濟性有了明顯的提高，如表2所示。

圖10 采用邏輯控制策略的整體仿真結果

圖11 采用動態控制策略的整體仿真結果

表2 尾氣排放數值g∕km

可以看到通過優化控制策略，采用合理的控制方法可明顯提高能量管理系統節能能力。在仿真結果中可以看到，相比于前兩種控制策略，最佳區域優化策略將車輛整體燃油經濟性提高了約20%，與此同時，尾氣中氮氧化合物和碳氧化合物含量都有了明顯的降低，這也使得增程式汽車在不改變原有硬件設計的基礎上不斷優化車輛經濟性和環保性能，則可得出結論，能量控制策略作為增程式汽車能量管理系統的核心技術，對于增程式汽車的性能起著關鍵性的作用。

2.5 小結

首先介紹了蟻群算法的神經網絡直接力矩的整個概念，并提供了一個系統圖，然后通過與模糊控制法相結合，在蟻群算法的基礎上進行仿真。仿真結果表明，基于蟻群的神經網絡優化技術具有良好的靜態和動態控制永續同步力矩，滿足控制系統的快速響應要求。通過仿真數據的對比，增程式汽車的確存在著比普通汽車更好的燃油效能。

3 結束語

通過對電機的各種特點和特性進行比較，可知HEV驅動電機必須將永續同步電機作為選擇。通過介紹PMSM，為發動機控制提供了非常可靠的理論基礎。

滯環比較器作為傳統的轉矩控制系統的誤差調節，當出現誤差較大或者較小時，滯環比較器只能夠選擇同一電壓矢量，這樣會導致系統轉矩響應速度慢，從而導致轉矩脈動增加。仿真結果表明，相對于傳統轉矩控制，蟻群算法更加適用于直接轉矩控制。

本文雖然通過仿真設計驗證了模糊神經網絡的有效性，但由于科學的發展以及在時間和設備上的限制，在今后的研究中應該更進一步完善硬件設計，盡可能隨著科學技術的發展，使得設計更加完善。