【技术帖】混合动力汽车能量管理策略研究

01

 引言

随着全球能源的日益匮乏和环境污染的日益加重，新能源汽车逐渐成为研究的热点［1］。混合动力汽车将内燃汽车和电动汽车优势相结合，具有高效率、低排放、高比能和高比功率的优点，在环保的前提下比纯电动汽车行驶里程更长［2］。作为混合动力汽车的关键技术，能量管理策略负责合理分配发动机和电机扭矩。因此，对混合动力汽车的能量管理策略进行研究具有重要的实际意义。

当前，国内外有很多适用于混合动力汽车的能量管理策略。主要包括常规能源管理策略、优化能源管理策略和智能能源管理策略。文献［3］提出了一种新的能源优化管理策略用于混合动力汽车，利用advisor汽车仿真软件建立了传动系统的机理模型，通过仿真验证了该策略的有效性。文献［4］提出了一种基于粒子群算法的混合动力汽车多用途能源管理策略。由两层组成，内层对工作模式和工作点进行优化，而外层使用粒子群算法迭代优化等效因子。达到电池电量控制目标。通过实验验证了该方法的有效性。文献［5］提出了一种将遗传算法和模糊规则相结合用于混合动力汽车能量管理策略。基于模糊规则的能量管理策略用于优化混合模式下的发动机和电机功率分配，以汽车经济性为优化目标，采用遗传算法优化模糊控制器。通过实验验证了该方法的优越性。文献［6］提出了一种将粒子群和随机动态规划相结合用于混合动力汽车能源管理中。通过粒子群找到最佳能耗和电池寿面衰减平衡，通过随机动态规划求解最优转矩分配。但是，上述控制策略基本上是根据固定的行驶工况设计的。在其他工况下，无法保证电池组的最佳效果和充放电平衡，因此需要进一步提高适应性。

基于此，提出了将RBF 神经网络和动态规划相结合的混合动力汽车能源管理策略。RBF神经网络用于在预测时域中预测车速，动态规划用于优化预测时域，以实现发动机扭矩和电机扭矩的合理分配。仿真验证了该策略的优越性。

02

模型建立

2.1 动力系统结构

车辆的动力总成主要由发动机、电机、变速箱和C0（超速）离合器组成。C0离合器主要提供不同的输出配置，并确定发动机是否参与驱动［7］。整车扭矩系统采用混合动力控制，并且以统一的方式完成，包括三个控制器之间的系统协调。根据国际行业分类法，根据电动机的位置，它可以粗略地分为六种混合技术路线：P0、P1、P2、P3、P4和丰田PS。这里对插电式混合动力汽车进行研究，体系结构是P2。

P2系统主要由控制器、变速箱、发动机、电机、电池等组成［8］。为了确保车辆行驶时的安全性、舒适性和可操作性。混合动力控制器整合了每个组件的性能特征，以提供对每个组件的高效、合理的控制，从而确保车辆始终处于最佳运行状态。动力系统结构，如图1所示。

图1 动力系统结构
Fig.1 Power System Structure

2.2 发动机模型

发动机的燃料消耗率［9］，如式（1）所示。

式中：be、ne、Te—发动机燃油消耗率、转速、扭矩。

最大发动机扭矩［10］，如式（2）所示。

式中：Temax—发动机转速函数；

单位油耗［11］，如式（3）所示。

式中：ρ—燃油的密度；g—重力加速度；Pe—发动机的功率。

2.3 电机模型

电机模型主要包括计算电机输出转矩以及充放电电流等。

电机的输出转矩［12］，如式（4）所示。

式中：Tmmax、nm—电机的转速函数和转速。

电机的放电电流和充电电流［13］，如式（5）、式（6）所示。

式中：Pm—电压功率；ηm—电机效率；Vm—电池组电压。

2.4 电池模型

SOC直接影响扭矩的分配。在这里，动力电池简化为等效电路模型，电池回路电流的计算［14］，如式（7）所示。

式中：R、P—动力电池的内阻和功率。

电池充电状态（SOC）用于反映剩余电池电量［15］，如式（8）所示。

式中：SOCt—t时刻电池的剩余容量；C—电池的额定容量。

03

能量管理策略

混合动力汽车中能量管理的目的是设计合理的控制算法，以确定不同电源之间的能量分配［16］。这里提出了一种基于RBF神经网络和动态规划的混合动力汽车能源管理策略。RBF神经网络用于在预测时域中预测车速，得到车辆需求扭矩，动态规划方法用于优化求解预测时域，实现合理分配发动机和电机扭矩。预测控制方法的框图，如图2所示。

图2 预测控制框图
Fig.2 Predictive Control Block Diagram

3.1 RBF神经网络预测

RBF神经网络具有结构简单、收敛速度快以及能够逼近任何非线性函数的优点［17］。RBF神经网络使用径向基函数作为隐元的“基”以形成隐层空间。将输入数据从低维空间转换到高维空间成为一个可分离的问题。在非线性时间序列预测中具有广阔的应用前景。网络拓扑，如图3所示。

图3 RBF神经网络机构
Fig.3 RBF Neural Network Mechanism

RBF学习的过程由确定权值的无监督和权值确定后的有监督组成［18］。

权值为各RBF单元的中心cj 和半径σj，常通过k-均值聚类得到cj（可以选择一些有代表性的数据点作为中心减少隐RBF数）。σj决定网络精度，所有RBF单元的接收域之和包括整个训练样本空间。

计算步骤如下：

（1）将输入样本作为初始聚类中心cj(t)(j=1，2，…，m)，m为样本数，t为迭代次数。

（2）对聚到中心到各输入样本的距离进行计算，如式（9）所示。

（3）根据距离划分聚类域，输入样本被分到Uj*(t)中，j*满足式（10）。

（4）调整聚类中心，如式（11）所示。

式中：ni—Uj*(t)的样本数。

（5）在t值上加1，判断cj小于阀值或达到最大迭代次数，执行下一步，否则转到步骤（2）。

（6）确定σj，如式（12）所示［19］。

式中：M—聚类中心数；dmax—最大距离。

权重系数ω可以通过最小二乘法来计算。如式（13）所示。

式中：H—隐藏层输出矩阵；T—样本的实际输出矩阵。

RBF神经网络用于预测车速，这里使用过去的车速信息作为输入，预测过程如下：

作为输入的历史车速序列Vhis，如式（14）所示。

输出的预测车速Vfut，如式（15）所示。

式中：f—网络函数关系；k—预测时间。

3.2 动态规划算法求解

动态规划有两个过程：逆向和正向［20］。动态规划算法是全局优化算法，这里仅在时域中进行优化，从而大大降低了计算复杂性。求解步骤如下：

（1）设预测时长p，在k时刻的预测时域为[k，k+ p]，离散处理分为p+1阶段。

（2）在时域中计算和预测车辆所需的扭矩，将其表示为状态变量[Tr(k)，Tr(k+ p)]，并记录动力电池SOC的作用范围。

（3）动态规划方法逆求解预测时域逆，对状态变量SOC（k+ p）的指标函数Vk+ p(SOC(k+ p)，Te(k+ p))进行计算，得到相应的Te(n)，循环计算直到达到k阶段。

求解过程的第k+ p -1阶段，如式（16）所示。

第k阶段，如式（17）所示。

式中：fk(SOC(k))和fk+ p-1(SOC(k+ p -1))—k 阶段和k+ p -1阶段的最小燃油消耗；SOC(k)—k阶段的状态变量；Te(k)—发动机扭矩。

（4）正向求解，根据前面求得SOC(k)，摘到对应的fk(SOC(k))和Te(k)。

（5）计算SOC(k+1)，判断是否达到k+ p。达到将最优发动机序列转为实际控制量作用于实际。执行下一步，否则转到步骤（4）。

（6）输入下一个控制时域，然后重复步骤（4）～步骤（6）进行滚动优化。

整个求解过程的流程图，如图4所示。

图4 求解流程
Fig.4 Solution Flow

04

仿真结果与分析

为了对这里策略的优越性进行验证，将这里策略与规则策略［21］和动态规划策略进行了比较分析，分析发动机和电机输出扭矩、SOC曲线、燃油量与发动机和电机工作点对上述三种策略的影响。仿真工况为8个NEDC循环工况，计算机使i5-2450mcpu和8GB内存。三种能量管理策略的发电机转矩，如图5所示。三种能量管理策略的电机输出转矩，如图6所示。

图5 三种能量管理策略发动机转矩
Fig.5 Three Energy Management Strategies for Engine Torque

图6 三种能量管理策略电机转矩
Fig.6 Three Energy Management Strategies for Motor Torque

从图5、图6可以看出，规则策略分为能耗和保持阶段，分别由电机和发动机驱动，在保持阶段运行较为频繁的运行发动机。为了追求整个行程的最优控制目标，动态规划策略在整个过程中合理地分配了扭矩，并且发动机经常启动驱动车辆。这里提出的能源管理策略是对预测时域进行滚动优化。在整个过程中，发动机和电动机的工作频率类似于动态规划。三种能源管理策略的发动机工作点，如图7所示。三种能量管理策略的电机工作点，如图8所示。从图7、图8中可以看出，在三种能量管理策略中，通过规则策略获得的电机和发动机工作点都位于高转矩区域，动态规划策略和这里提出的策略大多数都在低转矩区域，接近最优曲线。三种控制策略的SOC曲线，如图9所示。

图7 三种能量管理策略发动机工作点
Fig.7 Three Energy Management Strategies for Engine Operating Point

图8 三种能量管理策略电机工作点
Fig.8 Three Energy Management Strategies for Motor Operating Point

图9 三种控制策略的SOC变化曲线
Fig.9 Three Control Strategies SOC Change Curve

从图9 可以看出，规则策略在能耗阶段主要由动力电池驱动，所以该阶段的SOC迅速下降。进入动力保持阶段后，发动机主要参与整车的驱动，对电池进行充电维护，从而使电池的SOC曲线更接近电池SOC的下限。这里策略与动态规划策略获得的SOC轨迹相近，总体趋势呈现线性下降趋势。达到目的地后动力电池组携带的可用电能正好耗尽。三种能源管理策略的油耗变化，如图10所示。从图10可以看出，在行程开始时，由于规则策略使用了更多的电能，因此燃油消耗缓慢增加，而在后期，燃油消耗显著增加。这里策略与动态规划策略相近，燃油消耗都呈线性增长的趋势，增长率几乎不变。这表明这里策略与动态规划策略在整个行程中基本上是平均分配的，因此在行程结束时就耗尽了可用电能。仿真结果表明，三种策略的油耗分别为4.72L、3.69L和3.99L。与规则策略相比，动态规划策略和这里的策略分别将燃油经济性提高了21.82%和15.47%，如表1所示。从表1可以看出，规则策略主要依靠工程经验，但适应性较差，无法保证整体效率达到最优。动态规划策略是在整个过程中进行全局优化，以最大程度地减少燃料消耗。但该策略需要提前获取路况且计算量较大，在实际中无法应用。在运行中，这里提出的能源管理策略接近于动态规划的全局优化算法。尽管也使用动态规划，但仅在预测时域中进行，因此计算量大大减少，可以在实践中使用。

表1 三种策略燃油量对比
Tab.1 Three Strategies Fuel Quantity Comparison

图10 三种控制策略的燃油消耗量变化曲线
Fig.10 Three Control Strategies Fuel Consumption Change Curve

05

结论

这里提出了将RBF 神经网络和动态规划相结合用于混合动力汽车能源管理。在预测时域中，RBF 神经网络用于预测车速，动态规划用于求解优化预测时域，以实现发动机扭矩和电机扭矩的合理分配。仿真验证了该方法的优越性。实验结果表明，相比于规则策略，这里提出的能源管理策略可将燃油消耗降低14.5%，具有一定的实际应用价值。混合动力汽车能源管理策略的研究仍处于起步阶段，仅通过仿真进行研究，尚未在实际应用中进行测试。下一步将不断完善能源管理策略的性能，并进行实际测试。

来源：期刊：《机械设计与制造》 作者：李东兵1，王 妮2，马涛涛3（1.长春汽车工业高等专科学校，吉林 长春 130013；2.吉林大学，吉林 长春 130012；3.长春一汽股份有限公司，吉林 长春 130011）