基于遺傳模糊控制的燃料電池混合動力汽車燃油經濟性提高方法

【摘" 要】為提高燃料電池汽車燃油經濟性，并解決常規模糊控制中存在的參數優化與調節相對困難、構建模糊規則與隸屬度函數主觀性高和魯棒性差等問題，提出一種基于遺傳模糊控制的燃料電池汽車油耗降低方法。首先，對燃料電池汽車電機功率、電池電量與超級電容容量等部件進行物理建模；然后，在此基礎上提出一種提高汽車燃油經濟性、克服模糊控制下常規問題的方法；最后，與傳統模糊控制算法進行對比，通過MATLAB/Simulink進行仿真試驗測試算法的性能。試驗結果表明，相對于對比算法，遺傳模糊控制算法有較高的燃油經濟性、動力電池荷電狀態維持能力與燃料電池效率，能夠克服模糊控制中存在的參數優化與調節困難、隸屬度函數建立主觀性高與魯棒性差等問題。

【關鍵詞】燃料電池汽車；遺傳模糊控制；燃油經濟性

中圖分類號：U469.72"""" 文獻標識碼：A""" 文章編號：1003-8639（2025）01-0023-05

A Method for Improving Fuel Economy of Fuel Cell Hybrid Electric Vehicles Based

on Genetic Fuzzy Control*

WANG Yi，QIN Xiaopeng，HU Yao，HE Hengjiang，ZHOU Ya

（Sichuan Vocational College of Science and Technology，Meishan 611730，China）

【Abstract】In order to improve the fuel economy of fuel cell vehicles and solve the problems of relatively difficult parameter optimization and adjustment，high subjectivity and poor robustness in constructing fuzzy rules and membership functions in conventional fuzzy control，a fuel cell vehicle fuel consumption reduction method based on genetic fuzzy control is proposed. Firstly，physical modeling of components such as motor power，battery capacity，and supercapacitor capacity of fuel cell vehicles；Then，based on this，a method is proposed to improve the fuel economy of automobiles and overcome conventional problems under fuzzy control；Finally，compared with traditional fuzzy control algorithms，simulation experiments were conducted using Matlab/Simulink to test the performance of the algorithm. The experimental results showed that compared to the comparison algorithm，the genetic fuzzy control algorithm has higher fuel economy，power battery state of charge maintenance ability，and fuel cell efficiency，overcoming the problems of parameter optimization and adjustment difficulties，high subjectivity and poor robustness in establishing membership functions in fuzzy control.

【Key words】fuel cell vehicle；genetic fuzzy control；fuel economy

0" 引言

由于國家與地區對于能源安全的擔憂，尤其是對于依賴進口石油的國家，促使了對多元化交通燃料的需求。燃料電池混合動力汽車提供了一種潛在的解決方案，吸引了研究者的廣泛關注。

混合動力汽車結合了內燃機與電動機，其可以通過電動機輔助內燃機的方式，提高燃油效率并節省燃油費用。但是，混合動力系統的性能很大程度上取決于如何通過不同類型的能源分配所需的功率。文獻[1]針對某款燃料電池汽車，建立高精度橢球基函數神經網絡近似模型，使優化后的燃料電池系統動力輸出更加平穩；文獻[2]針對燃料電池汽車能量管理策略在復雜工況下適應性差的問題，提出一種反向傳播的神經網絡模糊能量管理策略，仿真結果表明所提出的方法可以有效識別隨機工況，進一步改善了整車經濟性；文獻[3]利用自適應模糊濾波對需求功率進行解耦分層，并采用基于等效消耗最小的思想構建獎勵函數，與傳統SAC算法相比，汽車燃油經濟性有所提高。

鑒于少有文獻對混合動力汽車燃油經濟性與常規模糊控制問題進行統一研究，且存在控制器響應速度與穩定性矛盾無法解決，算法在極限工況下適應性尚缺乏足夠驗證等問題，故本文借鑒以上優化策略，提出基于遺傳模糊控制的燃料電池混合動力汽車油耗降低算法。

1" 燃料電池混合動力汽車配置與計算

燃料電池混合動力汽車（FCHEV）的動力結構較為復雜，其主要包括車輛控制器、電池能量管理系統、電動機、傳動系統等多個關鍵組件。FCHEV配置如圖1所示。

電機功率是評估混合動力汽車性能的關鍵指標之一，其決定了車輛加速性能、最大速度和爬坡能力。同時電機功率的大小與車輛的燃油效率密切相關。較大功率的電機在需要時能夠提供更多的動力，但也可能消耗更多的燃料。因此，需要對電機功率進行合理計算，以平衡車輛性能與燃油經濟性。計算方式為：

[0.015mgcosθ+12ρCDAV2+mgsinθ+mδdvdt]（1）

式中：ηt——車輛動力系統效率；δ——旋轉質量換算系數。其余物理參數取值見表1。

電池功率可由電機功率與燃料電池系統功率求得：

[PPS=Pmηm?Pfc] （2）

式中：PPS——電池功率；Pm——電機最大功率；Pfc——燃料電池系統功率。

可求得電池單元數量為：

[nbat=PPSmmodulePSηt] （3）

式中：nbat——電池數量；mmodule——電池質量；PS——電池比功率；ηt——電池效率。

儲能系統通常在放電時提供推進所需的輔助動力，其充電方式通常為動能回收與燃料電池系統電力輸入，儲能方程具體為：

[E=PPS?charge?PPS?dischargedt] （4）

[CE=?EmaxCP] （5）

式中：E——儲能系統中儲存的能量；PPS-charge、PPS-discharge——系統的充電功率與放電功率；CE——總能量的容量；CP——可用能量比例。

2" 遺傳模糊控制算法

2.1" 算法介紹

模糊控制算法（Fuzzy Control）是一種基于模糊邏輯理論的控制方法，旨在處理難以精確建模與分析的系統。這種控制方法廣泛應用于需要處理非線性、不確定性與模糊性的系統中。

模糊控制算法的優點在于它可以應對復雜、非線性和不確定的系統，而無需建立嚴格的數學模型。這種控制方法在許多實際應用中都非常成功。然而，模糊控制現存的問題主要有參數優化與調節相對困難、構建隸屬度函數主觀性高與魯棒性差等。

2.2" 模糊控制算法設計

為設計模糊控制系統，首先應確定燃料電池混合動力汽車的模糊知識庫，本設計的模糊推理引擎、模糊規則與去模糊化方法的類型分別為Mamdani型、單例與重心法，如圖2～圖3所示。

圖中N、P、L、M、H分別定義為負、正、小、中、大，用于表示誤差變化的程度，同時為合理利用超級電容的高能量密度與能量回收特性，提高整車的燃油經濟性，建立系統傳遞函數為：

[Gs=1Pfcs+1] （6）

式中：Pfc——燃料電池功率，由指導功率Pcomm與電荷狀態SOC進行動態調整。

2.3" 遺傳算法參數優化

由于傳統模糊控制規則的設計需要專業知識與經驗，而且調試后才能夠得到準確的結果；同時，選擇合適的隸屬函數和模糊集合對模糊算法的性能至關重要，不恰當的選擇可能導致模糊推理結果不準確或不穩定；此外，傳統模糊算法對輸入數據中的噪聲與不確定性較為敏感，如果模糊算法不能有效地處理這些噪聲，其性能和魯棒性可能會受到影響。

針對以上問題，本文采用遺傳算法對模糊規則進行優化，得到最優的模糊規則后根據輸入變量進行模糊判斷，以提高算法的準確性與魯棒性。

2.3.1" 染色體編碼

遺傳算法中的染色體編碼是將問題的解表示為一個染色體相應的編碼，以便進行遺傳操作。染色體編碼的設計對于算法的效果和收斂速度具有重要影響。

二進制編碼通常將問題的解表示為一個二進制字符串向量，每個基因位上的值為0或1。例如，根據上述所建模糊控制器，可以使用長度為2×9=18的染色體表示，圖3的模糊規則中的VL可編碼為100101001011101011，在算法搜索完成之后可以將編碼還原為對應問題的解。

2.3.2" 適應度評估

為了達到提高車輛燃油經濟性的目的，引入前文中能量表征參數Pm、PPS、Pfc、E、CE、CP與車輛在相關工況下的等效氫耗作為適應度函數的優化指標，適應度函數具體為：

[f=k1×Pm+PPS+Pfc+k2×E+CE+CP+k3×W?1] （7）

式中：k1、k2、k3——相關權重系數，分別取值k1=0.6、k2=0.8、k3=1。W的計算式為：

[W=MH2×nbatI2F] （8）

式中：W——氫氣消耗量；MH2——氫氣的摩爾質量；nbat——電池個數；I——電池電流；F——法拉第常數。

2.3.3" 種群選擇、交叉與變異

選擇操作選用輪盤賭法，得出算法中第i個個體的概率Pi為：

[Pi=fi fi] （9）

式中：fi——變異個體的適應度，之后使用自適應方法對算子的交叉與變異幾率進行調整。

[Pc=h1×fm?fsfm?fa，" fm≥fah2，" fmlt;fa] （10）

[Pm=h3×fm?fsfm?fa，" fm≥fah4，" fmlt;fa] （11）

式中：Pc——自適應交叉概率；Pm——自適應遺傳概率；fm、fs、fa——最大自適應、交叉個體中較大適應度與平均適應度。h1、h2、h3、h4的取值分別為0.6、0.8、0.1與0.1。

2.3.4" 優化結果

針對模糊能量控制系統，選定遺傳算法的種群數量為40，迭代次數為60次，可得優化后的模糊規則如圖4所示。

3" 仿真模型建立與結果分析

3.1" 仿真模型建立

為驗證基于遺傳模糊控制的燃料電池汽車油耗降低方法的有效性，使用MATLAB/Simulink進行仿真，構建燃料電池混合動力汽車相關控制模型，并與傳統模糊控制算法進行對比。

其中燃料電池、遺傳模糊控制策略與動力電池充電模型具體如圖5～圖7所示。

3.2" 仿真結果分析

WLTP為一種用于評價車輛燃油經濟性與排放性能的全球化測試標準，WLTP相對于NEDC更為現代化和精確，更好地反映了真實駕駛條件下的汽車性能。其在全球范圍內得到了廣泛的采用，現已成為許多國家與地區的法定測試標準。

本文采用WLTP工況對車輛具體性能進行分析，仿真結果如圖8～圖10所示。

由圖8可得，傳統模糊控制算法的最終氫耗量為102.80g，而自適應模糊算法的最終氫耗量為81.90g，故所提出方法相對于對比算法等效氫耗量降低了20.3%，使目標車輛的燃油經濟性顯著提高。

由圖9可知，在WLTP工況下自適應模糊控制策略電池SOC值相較于傳統模糊控制策略電池SOC值波動更小，動力電池的荷電狀態維持能力明顯提高。雖然較于優化前SOC值有所降低，但整體循環工況下SOC值仍處于適宜區間，同時也體現了適當犧牲動力電池保護燃料電池的優化理念。

由圖10可知，燃料電池整體工作效率較高，但傳統模糊控制策略的效率變化頻繁且波動區間較大，而燃料電池在遺傳模糊策略的作用下效率波動次數與范圍均有所降低，進而效率頻繁波動所導致的燃料電池性能衰退現象逐漸減少，燃料電池系統魯棒性也有所提高。

4" 結論

本文為提高燃料電池混合動力汽車的燃油經濟性，并解決常規模糊控制中存在的參數優化與調節相對困難、構建隸屬度函數主觀性高與魯棒性差等問題，提出一種基于遺傳模糊控制的燃料電池混合動力汽車燃油經濟性提高方法。與傳統模糊控制算法進行對此，通過MATLAB/Simulink仿真平臺，仿真驗證了所提出控制策略效果。仿真結果表明如下。

1）遺傳模糊控制算法相對于對比算法，等效氫耗量降低了20.3%，使目標車輛的燃油經濟性顯著提高。

2）此算法在WLTP工況下電池SOC波動更小，動力電池的荷電狀態維持能力明顯提高，同時體現了適當犧牲動力電池保護燃料電池的優化理念。

3）加入遺傳模糊控制算法后，通過遺傳算法優化模糊控制，避免了構建模糊規則與隸屬度函數主觀性高等問題，使其效率波動次數與范圍均有所降低，進而效率頻繁波動所導致的燃料電池性能衰退現象逐漸減少，提高了燃料電池系統的魯棒性。

參考文獻

[1]" 王天祥.燃料電池混動汽車能量管理策略研究[J].河南科技，2023，42（10）：26-29.

[2]" 屠暢.燃料電池混合動力汽車能量管理控制策略研究[D].太原：中北大學，2023.

[3]" 王志福，羅崴，徐崧，等.燃料電池汽車能量管理策略綜述[J].電池，2022，52（3）：328-332.

[4]" 劉靜，孫閆.基于模糊控制的燃料電池汽車能量管理研究[J].公路與汽運，2022（4）：11-13.

[5]" 馬洋洋. 基于出行特征預測的燃料電池汽車能量管理策略研究[D].長春：吉林大學，2023.

[6]" 王敖.融合工況識別的燃料電池汽車自適應能量管理策略研究[D].襄陽：湖北文理學院，2023.

[7]" 趙天宇，陳東，霍為煒，等.氫燃料電池汽車能量管理系統模糊控制仿真研究[J].重慶理工大學學報（自然科學），2022，36（3）：36-40.

[8]" 王毅，仝志輝，尉慶國，等.基于離散LQR的無人駕駛車輛橫向控制方法[C]//東北大學，中國自動化學會信息物理系統控制與決策專業委員會.第34屆中國控制與決策會議論文集（1），2022.

[9]" 陳佳星，宋震，章桐.基于車輛行駛信息預測的燃料電池汽車能量管理策略研究[J].機電一體化，2021，27（5）：3-13.

[10] 王騫，李頂根，苗華春.基于模糊邏輯控制的燃料電池汽車能量管理控制策略研究[J].汽車工程，2019，41（12）：1347-1355.

[11] KABZAN J，HEWING L，LINIGER A，et al. Learning based model predictive control for autonomous racing[J].IEEE Robotics and Automation Letters，2019，4（4）：3363-3370.

[12] HU C，WANG Z，TAGHAVIFAR H，et al. MME EKF-Based path-tracking control of autonomous vehicles considering input saturation[J]. IEEE Transactions on Vehicular Technology，2019，68（6）：5246-5259.

[13] HANG P，CHEN X，ZHANG B，et al. Longitudinal velocity tracking control of a 4WID electric vehicle[J].IFAC PapersOnLine，2018，51（31）：790-795.

[14] SHAKOURI P，ORDYS A，LAILA D S，et al. Adaptive cruise control system：Comparing gain-scheduling PI and LQ controllers[J].IFAC Proceedings Volumes，2011，44（1）：12964-12969.

（編輯" 楊凱麟）