基于BP神經網絡的PHEV油耗與排放研究

摘 要：文章以P1+P3結構PHEV為研究對象，設計了基于BP神經網絡算法的動力匹配控制來提高PHEV的輸出功率、降低排放及優化燃油經濟性。結果表明：在山路、城市、高速和郊區四種路況下進行實車測試，嵌入算法后P1+P3結構PHEV的百公里油耗平均降低了0.61L，CO、CO2、HC、NOX排放分別降低了0.28g/km、0.198g/km、0.813g/km、0.021g/km，排放和燃油經濟性均得到改善。

關鍵詞：PHEV P1+P3結構 BP神經網絡 排放 油耗

1 前言

PHEV在續航里程、維護成本上優于純電動汽車，在燃油經濟性上優于燃油汽車，有利于實現雙碳目標[1]。本文以發動機轉速、節氣門開度、車速、當前輸出功率和轉矩、擋位以及坡度為BP 神經網絡的輸入層，用于工況識別，以輸出功率、輸出車速、節氣門開度和轉矩為輸出層，來實現PHEV動力參數的合理匹配，提高綜合性能。BP神經網絡算法應用在PHEV的變速箱優劣性判別[2-3]、發動機轉矩估算[4]、道路坡度預測、尾氣排放、充電故障、電池荷電狀態（State of charge，SOC）估算[5-8]等方面。動力匹配是提高汽車傳動效率和響應速度的關鍵，好的動力匹配能改善綜合性能和燃油經濟性。

2 P1+P3結構PHEV的動力系統設計

P1+P3結構PHEV中電機、離合器2與E-CVT結合構建后驅系統，W-DCT與離合器1、發動機構建前驅系統。當車輛在上坡或者高速行駛時采用前驅系統；當車輛的速度小于60km/h時，采用后驅模式；當車輛在下坡時啟動能量回收模式；當車輛在上陡坡時，前驅和后驅系統同時工作。

3 基于BP神經網絡的PHEV控制模型構建及性能分析

3.1 研究對象描述

本文以中德汽車基地改款后的大眾邁騰GTE 2022款為研究對象，P1+P3結構PHEV的前驅動力系統采用燃油發動機、后驅采用電動機，電機的動力源自電池系統，電機的輸出功率控制取決于電池管理系統和工作模塊的控制。根據道路環境分為城市道路、郊區道路、山路、高速公路四種類型。

3.2 基于BP神經網絡的PHEV動力匹配方案

本文選擇發動機轉速、節氣門開度、車速、當前輸出功率、當前轉矩、檔位信息、道路信息這些特征參數用于BP神經網絡的輸入層，實時功率、車速、轉矩、節氣門開度為隱含層，輸出功率、輸出車速、節氣門開度以及轉矩為輸出層。

3.3 模型構建及參數確定

P1+P3結構PHEV的模型設計包括前驅、后驅、電池系統和傳動系統四個方面的模型設計。

3.3.1 前驅動力模型和發動機參數

PHEV的前驅動力主要由發動機提供，發動機的輸出功率取決于位于車輛前面的發動機的目標轉矩、目標輸出功率、燃油效率，直接體現為發動機輸出的扭矩和扭矩加速度、轉速加速度。對發動機的輸出扭矩和燃油消耗進行數學模擬與實驗驗證，預測發動機的瞬時形態，發動機的轉矩和油耗預測如公式1和公式2所示。

（1）

其中，為時刻發動機的輸出扭矩，單位為N.m，和分別是最小和最大輸出扭矩，是節氣門的開度閾值，取值區間，和是轉速函數，可以通過查表獲得，其中是發動機的轉速，可以通過轉速表的值獲取，其燃油消耗滿足式3-2。

（2）

其中，耗油質量，單位g，為查表函數，依據發動機的轉矩和轉速來確定發動機的實時燃油消耗。

3.3.2 后驅動力和電控系統

PHEV的后驅動力主要由電池驅動電機完成機械能和電能的轉化。電機建模以電壓、轉矩和功率的平衡方程及運行特性方程為數據基礎，電機模型的計算主要包括溫度、轉矩及輸出特性。

式中為電機的轉矩控制指令，為最大轉矩，是溫度變量，其中為電機溫度修正系數，為溫度常數，當電機轉速中的最大扭矩。電機最大、最小電流分別為、，單位為A，電機溫度函數、功率和電流。

式中，和分別是扭矩和轉速，為實時電壓。

3.3.3 電池參數

電池模型包括電壓計算模塊、SOC計算模塊和溫度計算模塊，模型的輸入和輸出分別為負載電流和電池SOC值、電壓U、功率、電池溫度，預測如公式8所示的電池輸出功率。

其中，為充電熱速率系數，取值范圍為1.02～1.39，為電池內阻，單位為Ω，：充電，：放電，電池充電過程中既然產生熱量那就會存在散熱情況，電池的空氣散熱量如3-10所示，為電池的散熱量，、和分別為電池的溫度、常溫、電池的熱阻。

3.4 動力匹配方案

P1+P3結構PHEV系統中，離合器有全連接、半離合（半聯動）和全分開三種狀態。離合器在全合狀態下，輸入輸出轉矩、轉速相等，轉速和轉矩等值傳遞。其中，為離合器行程，單位：，為離合器的最大轉矩，單位為。

3.4.1 油電轉換模塊切換模式

油電轉換模塊根據加速模塊改變運行模式并將其運行模式反饋給綜合控制模塊，綜合控制模塊控制變速器輪速的變化，輪速控制會將輪速的變化反饋給電機控制，時鐘脈沖根據發動機和電機的轉速改變頻率并反饋給電機控制，以便電機輸出合理的轉矩和功率。BP神經網絡根據加速模塊和綜合控制模塊匹配合理匹配發動機、電機的扭矩和功率，以便提高整車動力性能，降低油耗和排放。

3.4.2 發動機控制

發動機輸出轉矩能快速響應目標需求轉矩，當發動機控制器接收到目標需求轉矩后，通過PID控制方法把目標轉矩信號轉化成相應的節氣門開度信號，調整節氣門開度來實現發動機當前轉矩向目標轉矩的改變。

3.4.3 電機控制

電機的輸出轉矩通過PWM脈寬調制件對驅動電機的電壓進行調整，同時增加一個速度環進行調節，通過控制實際轉速和與目標轉速的差進行控制。

3.4.4 離合器控制

離合器控制模塊的信息來自駕駛者的操作識別信號、路況信息、目標轉矩和實際轉矩等信息，電子式離合器的傳動擬合基本由電磁場的強度來確定，當電壓和電流同時增大時，發動機的工作效率在逐步上升。目標轉矩與實時轉矩的比例增大時，降低擋位，增大電磁離合器的電流，加大主動盤和從動盤之間的嚙合力度，傳動力矩增大。

（10）

其中，和分別是主動盤和從動盤的半徑，為發動機在t時刻的工作效率，為主動盤和從動盤的轉速差值，前驅主離合器的摩擦系數，為t時刻前驅系統離合器的壓力、是前驅離合器的有效作用面積，為前驅從離合器的摩擦系數。

4 基于BP神經網絡的PHEV運行結果分析

所采用的PHEV車長4627mm，寬1819mm，高1805mm，當PHEV處于長時間減速時，提供輔助制動功率，給電池組回收更多的電能；同時，測試時間是PHEV從0Km/h到100Km/h的加速時間，當車輛在60Km/h以內，采用電機驅動，采用后驅控制模塊；當車速高于60Km/h時采用發動機進行驅動，此時調用前驅系統控制模塊。

4.1 不同路況下發動機性能分析

通過使用循環駕駛試驗工況模擬車輛的實際工況，P1+P3結構PHEV的實際輸出功率和目標輸出功率測試如圖３所示，其曲線趨勢變化基本一致，方法有效。

4.2 燃油與排放測試

經實車測試，嵌入算法和不嵌入算法的結果如表1所示：在百公里油耗和排放上均有所下降。

5 結論

基于神經網絡的動力匹配控制方法與P1+P3結構PHEV體系結構相結合得到新的PHEV驅動系統，在四種道路的實車驗證中，百公里油耗平均降低0.61L，CO、CO2、HC、NOX排放分別降低了0.28g/km、0.198g/km、0.813g/km、0.021g/km，排放和燃油經濟性均得到改善。

基金項目：2022年邵陽學院研究生科研創新項目“插電式混合動力汽車能源管理與動力匹配方案研究”（項目編號：CX2022SY047）。

參考文獻：

[1]倪潤宇，趙治國，高曉杰.新型插電式混合動力轎車能量管理策略優化[J].同濟大學學報（自然科學版），2019，47（S1）：104-109.

[2]楊正才，黃兵鋒.基于BP神經網絡的汽車變速箱試驗臺開發與試驗研究[J].機械傳動，2014，38（05）：81-85.

[3]杜常清，顏伏伍，楊平龍，等.基于BP神經網絡的發動機轉矩估計[J].汽車工程，2008（07）：588-591.

[4]陳柯序，李海波，趙小娟，等.基于BP神經網絡的純電動汽車動力傳動系統效率建模及分析[J].機械設計與研究，2021，37（05）：180-185.

[5]趙鋼，孫豪賽，羅淑貞.基于BP神經網絡的動力電池SOC估算[J].電源技術，2016，40（04）：818-819.

[6]付主木，趙瑞.PHEV電池電荷狀態估計設計及仿真[J].火力與指揮控制，2013，38（04）：140-144.

[7]張傳偉，李林陽，趙東剛.基于BP神經網絡法估算動力電池SOC[J].電源技術，2017，41（09）：1356-1357+1368.

[8]蘇振浩，李曉杰，秦晉，等.基于BP人工神經網絡的動力電池SOC估算方法[J].儲能科學與技術，2019，8（05）：868-873.