插電式四驅(qū)混合動力汽車控制策略設(shè)計(jì)及優(yōu)化

1、Vol. 50 No. 6Dec. 2015第50卷第6期2015年12月西南交通大學(xué)學(xué)報(bào)JOURNAL OF SOUTHWEST JIAOTONG UMVERSITY文章編號：0258-2724(2015)06-1114-09 DOI： 10.3969/j issn.0258-2724.2015.06.020插電式四驅(qū)混合動力汽車控制策略設(shè)計(jì)及優(yōu)化錢立軍，邱利宏，辛付龍(合肥工業(yè)大學(xué)機(jī)械與汽車工程學(xué)院，安徽合肥230009)摘要：為有效識別駕駛員的駕駛意圖，在保障插電式四驅(qū)混合動力汽車動力性的基礎(chǔ)上,提高其燃油經(jīng)濟(jì)性. 捉出了一種轉(zhuǎn)矩識別系數(shù)計(jì)算方法設(shè)計(jì)了基于發(fā)動機(jī)輸出轉(zhuǎn)矩最優(yōu)能量管理控制策

2、略,討論了每種工作模式 的判別條件D及轉(zhuǎn)矩分配方法為避免單一優(yōu)化算法運(yùn)算時間長、容易陷入局部最優(yōu)的固有缺陷,使用優(yōu)拉丁超 立方的方法進(jìn)行試驗(yàn)設(shè)計(jì)，利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(radial basis function. RBF)建立近似模型，便用多島遺傳 算法對近似模型進(jìn)行了優(yōu)化研究結(jié)果表明:對優(yōu)化后的控制策略進(jìn)行離線仿真得岀，混合動力汽車在滿足動力 性能的前提下百公里油耗降低了 16.4% ；將優(yōu)化后的控制策略在dSPACE上進(jìn)行硬件在環(huán)試驗(yàn)表明，所制定的 控制策略，可以實(shí)現(xiàn)基本的能鈕管理且加入轉(zhuǎn)矩識別之后平均車速誤差降低了 39. 9%,百公里油耗降低 T8.5%.關(guān)鍵詞：混合動力汽車;控制策

3、略;試驗(yàn)設(shè)計(jì);近似模型;優(yōu)化 中圖分類號：U469.7文獻(xiàn)標(biāo)志碼：ADesign and Optimization of Control Strategyfor Plug-in 4WD Hybrid Electric VehiclesQIAN Ujun, QIU Lihong, XIN Fulong(School of Mechanical and Automotive Engineering, Hefei University of Technology, Hefei 230009, China)Abstract: In order lu identify drivci iiitciiliu

4、iib, and impiove the fuel euoiiuiny of plu-iu 4WD hybrid electric vehicles ( HEVs) with their power performances guaranteed, a method for calculating the torque identiGcation coefficienl was put forward. An energy management control strategy was designed based on the engine optimal control, and the

5、judging condition of every working mode as well as its torque distribution method was introduced In order to avoid the inherent defects of a single optimization algorithm that the calculation time was long and it was easy to end up with a local optimal solution, design of experiment ( DOE ) was cond

6、ucted by the method of optimal Latihypercube design. An approximate model was designed using lhe RBF ( radial basis function) neural network and then optimized using the multi-island genetic algorithm In addition, an off-line simulation was conducted to verify the optimized control strategy. The res

7、ults showed that the optimized control strategy could reduce the fuel consumption per 100 km of the plug-in hybrid electric vehicle by 16.4% . without degrading the power performances. After optimization, the control strategy is validated by a hardware-in-the-loop test on dSPACE and the experimental

8、 results show that the control strategy can realize the basic energy management What s more, with torque identification, the average velocity error is reduced by 39. 9% and the fuel consumption is reduced by 8 5% 收稿日期：20144)8-12基金項(xiàng)目：2012年國家新能源汽車技術(shù)創(chuàng)新工程項(xiàng)目(財(cái)建：2012 1095號)；國家863卄劃資助項(xiàng)B (SQ2010AA1122977001

9、)作者簡介：拔立軍(1962-),男，教授，博士，研究方向?yàn)殡妱悠嚰夹g(shù)曲車安全技術(shù),E.mail：hfutqlj引文格式：錢立軍邱利宏，辛付龍.插電式四腮混合動力汽車控制策賂設(shè)計(jì)及優(yōu)化J西南交通大學(xué)學(xué)報(bào),2015,50(6)： 1114-1121, 1129.第6期錢立軍，等：插電式四驅(qū)混合動力汽車控制策略設(shè)計(jì)及優(yōu)化1115Key words： hybrid electric vehicle； control strategy； design of experiment； approximate model; optimization第6期錢立軍，等：插電式四驅(qū)混合動力汽車控制策略設(shè)計(jì)及優(yōu)化

10、#第6期錢立軍，等：插電式四驅(qū)混合動力汽車控制策略設(shè)計(jì)及優(yōu)化#電氣連接機(jī)械連接圖1混合動力汽車結(jié)構(gòu)簡圖 Fig. 1 Layout of the HEV整車基本參數(shù)參數(shù)值整車基本參數(shù)參數(shù)值整備質(zhì)撤/kg1 547后主滅速比7.882空氣阻力系數(shù)0.35發(fā)動機(jī)最大功率/kW81迎風(fēng)面積/亦2.2發(fā)動機(jī)最大轉(zhuǎn)矩/(Nm)150(3 900 r/min)車輪滾動半徑/mm289ISG電機(jī)峰值轉(zhuǎn)矩/(¥m)110滾動阻力系數(shù)0.014后驅(qū)電機(jī)峰值轉(zhuǎn)矩/(Nm)120CVT速比范圍0.412-2.932動力電池容fi/(A-h)30前主減速比5.297動力電池額定電壓/V346表1混合動力汽車

11、基本參數(shù)及設(shè)計(jì)指標(biāo)Tab. 1 Basic parameters and design indexes of the HEV當(dāng)前插電式混合動力汽車研究的熱點(diǎn)集中在 插電式混合動力汽車的關(guān)鍵技術(shù)上，其中一個很重 要的方面就是它的控制策略(4.制定合理的控制 策略，使混合動力汽車的能最得到優(yōu)化利用，并減 少燃油消耗和排放，是插電式混合動力汽車控制亟 待解決的問題.插電式四驅(qū)混合動力汽車具有多個 可以獨(dú)立或協(xié)同工作的動力部件，動力系統(tǒng)結(jié)構(gòu)復(fù) 雜,控制變量較多，解決好其控制策略問題具有十 分重要的意義.基于邏輯門限值的控制策略實(shí)用性強(qiáng)、開發(fā)成 本低，在混合動力汽車上得到了廣泛應(yīng)用.由于混 合動力汽車控

12、制策略的在線優(yōu)化耗時長、成本高， 無法在實(shí)車上應(yīng)用，所以普遍采用離線優(yōu)化.離線 優(yōu)化一般采用單一的優(yōu)化算法或改進(jìn)的某個算法， 例如遺傳算法、進(jìn)化算法、二次規(guī)劃、粒子群算法、 蟻群算法等，或者這些算法的改進(jìn)算法Z!.然而， 改進(jìn)的算法并不能從根本上解決單一算法固有的 運(yùn)算時間長、容易陷入局部最優(yōu)的問題(“】.本文研究一款插電式四驅(qū)混合動力汽車的控 制策略及其優(yōu)化.為了體現(xiàn)駕駛員的駕駛意圖以改 善駕駛員的駕駛感受，并在保障整車動力性能的基 礎(chǔ)上節(jié)省燃油，提岀了一種基于神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)矩識 別系數(shù)計(jì)算方法為解決單一優(yōu)化算法成本高、費(fèi) 時費(fèi)力、容易陷入局部最優(yōu)的問題，使用實(shí)驗(yàn)設(shè)計(jì) (design of e

13、xperiment, DOE)近似模型以及多島遺 傳算法，對混合動力汽車控制策略進(jìn)行了離線優(yōu) 化.最后將優(yōu)化后的控制策略在dSPACE上進(jìn)行了 硬件在環(huán)試驗(yàn)驗(yàn)證.1插電式四驅(qū)混合動力汽車結(jié)構(gòu)插電式四驅(qū)混合動力汽車結(jié)構(gòu)如圖1所示，整 車基本參數(shù)及設(shè)計(jì)指標(biāo)見表1和表2.圖1中，插電式混合動力汽車動力系統(tǒng)包括: 用于驅(qū)動后橋的后驅(qū)電機(jī)及其控制器和用于驅(qū)動 前橋的發(fā)動機(jī)及其控制器，與發(fā)動機(jī)同軸相連的 ISG( integrated starter and generator)電機(jī)及其控制 器,用于啟動發(fā)動機(jī)的小起動機(jī)，發(fā)動機(jī)與ISG電 機(jī)之間的離合器I，與ISG電機(jī)輸出軸相連的離合 器 2,連接于離合

14、器 2 的 CVT( continuously variable transmission)變速箱;除此之外，還包括置于車架與 地板之間、為后驅(qū)電機(jī)以及ISG電機(jī)提供電能并且 回收部分制動能量的動力電池及其控制器動力電 池通過逆變器1和2分別與ISG電機(jī)和后驅(qū)電機(jī) 相連網(wǎng)表2整車設(shè)計(jì)指標(biāo)Tab. 2 Design indexes of the HEV設(shè)計(jì)指標(biāo)參數(shù)值最高車速/(kmh“)M170最大爬坡度/%>400-100 km/h加速時間/sW10NEDC工況百公里油耗W2.52整車能量管理策略研究一款插電式四驅(qū)混合動力汽車的能量管 理控制策略，該四驅(qū)混合動力汽車存在3個可以獨(dú) 立驅(qū)動

15、的動力部件及多種工作模式，在設(shè)計(jì)控制策 略時，主要考慮以下因素：(1) 車輛是插電式混合動力汽車，設(shè)計(jì)控制策 略時應(yīng)該使混合動力汽車盡可能工作在電力驅(qū)動 狀態(tài),以節(jié)省燃油；(2) 充分利用該混合動力汽車的四驅(qū)特點(diǎn)，在 滿足條件的情況下，使用四輪驅(qū)動以滿足使用者對 汽車高通過性的要求；(3) 四驅(qū)混合動力汽車還配備了一臺功率較 大的發(fā)動機(jī)，因此在設(shè)計(jì)控制策略時，要充分利用 發(fā)動機(jī)，保證必要情況下工作在最優(yōu)輸出轉(zhuǎn)矩曲線 上，在保證經(jīng)濟(jì)性的基礎(chǔ)上發(fā)揮混合動力汽車的動 力性能.目前多數(shù)文獻(xiàn)在計(jì)算駕駛員請求轉(zhuǎn)矩時，用加 速踏板的開度乘以當(dāng)前轉(zhuǎn)速下動力部件所能提供 的最大轉(zhuǎn)矩之和的乘積，此方法不能反映駕駛

16、員的 駕駛意圖,導(dǎo)致計(jì)算結(jié)果不準(zhǔn)確.本文提出一種 基于模糊神經(jīng)網(wǎng)洛的轉(zhuǎn)矩識別系數(shù)計(jì)算方法.轉(zhuǎn)矩 識別系數(shù)K的本質(zhì)為駕駛員駕駛意圖的體現(xiàn)，代 表駕駛員踩加速踏板的緊急程度，之前的計(jì)算方法 不能反映駕駛員踩加速踏板的緊急程度，因此，引 入該系數(shù)可使駕駛員請求轉(zhuǎn)矩的計(jì)算更為精確針 對本文研究的混合動力汽車的具體結(jié)構(gòu)，駕駛員請 求轉(zhuǎn)矩入"匚+4)* + S】K, (1) 式中：a為加速踏板的開度；rcnM.TISCnMSTmmtI分別為當(dāng)前轉(zhuǎn)速下發(fā)動機(jī)、 ISG電機(jī)以及后驅(qū)電機(jī)能提供的最大轉(zhuǎn)矩，Nm；“&乙分別為CVT速比、前橋主減速比以及 后橋主減速比.用神經(jīng)網(wǎng)絡(luò)方法計(jì)算K,參照文

17、獻(xiàn)5 的方法 得到加速踏板尸度、變化率以及轉(zhuǎn)矩識別系數(shù)的有 限樣本點(diǎn)，然后使用Matlab神經(jīng)網(wǎng)絡(luò)工具箱對有 限的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行訓(xùn)練，擬合出更精確的轉(zhuǎn)矩識別 系數(shù)計(jì)算模型.對于給定的樣本點(diǎn)，經(jīng)過訓(xùn)練后轉(zhuǎn) 矩識別系數(shù)的輸出誤差為0. 063,在使用要求的誤 差范圍內(nèi)模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練用數(shù)據(jù)見表3表3模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)Tab. 3 Training data of the fuzzy neural network加速踏開度轉(zhuǎn)矩識加速踏開度轉(zhuǎn)矩識板開度變化率別系數(shù)板開度變化率別系數(shù)0.05-1.70.820.862.81.110.230.30.890.430.90.910.641.11.040.21-

18、0.90.850.123.20.950.874.11.140.710.40.930.284.60.920.27-1.30.860.473.10.990.293.70.910.30-0.70.810.151.70.920.921.41.000.832.21.120.524.81.070.373.80.940.37-0.40.840.840.61.020.681.70.930.17-1.20.840.963.41.15文獻(xiàn)11-12在確定發(fā)動機(jī)的最佳工作區(qū)間 時,采用發(fā)動機(jī)經(jīng)濟(jì)燃油區(qū)域上、下限轉(zhuǎn)矩之間的 區(qū)域.在此基礎(chǔ)上進(jìn)行改進(jìn),結(jié)合發(fā)動機(jī)的萬有特 性實(shí)驗(yàn)數(shù)據(jù)，擬合出發(fā)動機(jī)每個轉(zhuǎn)速對應(yīng)的燃油消 耗

19、率最低的輸出轉(zhuǎn)矩，即最優(yōu)輸出轉(zhuǎn)矩口，作為 制定后續(xù)控制策略的依據(jù)之一 發(fā)動機(jī)萬有特性曲 線以及擬合出的發(fā)動機(jī)最優(yōu)輸出轉(zhuǎn)矩曲線如圖2 所示.另外本文還設(shè)計(jì)了動力電池限制模塊即動 力電池在行車時的可充放電區(qū)間.當(dāng)動力電池SOC (state of charge)低于硼時，S* = 1，不允許動力 電池再進(jìn)行放電；當(dāng)動力電池SOC高于時, 5g=0,允許動力電池放電.各種工作模式的條件如下：第6期錢立軍，等：插電式四驅(qū)混合動力汽車控制策略設(shè)計(jì)及優(yōu)化1117第6期錢立軍，等：插電式四驅(qū)混合動力汽車控制策略設(shè)計(jì)及優(yōu)化#(1) 純電動模式他 W800 或他 >800,1BsOC > BsOC

20、min 9 必=0 J(2) 發(fā)動機(jī)驅(qū)動漠式 >800, W占,SK=0.(3) 行車充電模式N© > 800 , Bgoc W Bgoc 耐，= 0,1 或 M>800,比ocWSOSj, Sg=0. J(4)混合動力模式(2)(3)M>8oo, r>rlscitif + rmir9Sr MO,式中：M為發(fā)動機(jī)啟動轉(zhuǎn)速，r/min；T為駕駛員請求轉(zhuǎn)矩，Nm；(5)SOCnunSOCob,分別為動力電池允許的最低值以及目標(biāo)值.驅(qū)動模式狀態(tài)流程如圖3所示.EN)接出空屈&圖2發(fā)動機(jī)的萬有特性及最優(yōu)輸出轉(zhuǎn)矩Fig. 2 Universal chara

21、cteristics and optimal torque of the engineVEH EV(g.6V2Hybnd|/VEH_ENG_STARnNG(whjnote - VEHENGSTARTNG;g_ongBtop_mq -FALSE; y/VEHHyWd_i一 5、VEH-PARALLELf 了 EH_4WD、阿_modb - VEHPARALLEL;(HCLPtfM 4WDj、(wh-rnode " VEH_4WO.L U丿laJMh jnode « VEH_PARALLEL2Echan)t; 、 蟻gRUE：ENG STOPPG、wx* - VEHENG_ST

22、OPPNG. 嘰roq « FALSE;(g 0ngSlopOemand&&WQ.0ng.HMv*igl<VEHPARALLEL2Echar2e圖3驅(qū)動模式狀態(tài)流程Fig. 3 State flow diagram of drive modes純電動模式下的駕駛員請求轉(zhuǎn)矩主要由后驅(qū)獨(dú)驅(qū)動模式下，駕駛員請求轉(zhuǎn)矩由發(fā)動機(jī)單獨(dú)提電機(jī)提供,額外的轉(zhuǎn)矩由1SG電機(jī)補(bǔ)充發(fā)動機(jī)單供，此時，發(fā)動機(jī)的輸出轉(zhuǎn)矩為其當(dāng)前轉(zhuǎn)速下的最第6期錢立軍，等：插電式四驅(qū)混合動力汽車控制策略設(shè)計(jì)及優(yōu)化1119優(yōu)輸出轉(zhuǎn)矩行車充電模式下，發(fā)動機(jī)的輸出轉(zhuǎn)矩 為最優(yōu)輸出轉(zhuǎn)矩，ISG電機(jī)輸出轉(zhuǎn)矩為整車駕駛

23、員請求轉(zhuǎn)矩減去發(fā)動機(jī)輸出轉(zhuǎn)矩混合動力模式包 含并聯(lián)和四驅(qū)兩種模式，其轉(zhuǎn)矩分配按照電荷高和 低兩種情況進(jìn)行討論：當(dāng)動力電池SOC高于 soc°bj時，后驅(qū)電機(jī)和ISG電機(jī)的輸出轉(zhuǎn)矩為當(dāng)前 轉(zhuǎn)速下的最大輸出轉(zhuǎn)矩，額外部分由發(fā)動機(jī)提供; 當(dāng)動力電池SOC低于Bgoc血時，首先保證發(fā)動機(jī) 工作在最優(yōu)輸出轉(zhuǎn)矩曲線上，ISG電機(jī)調(diào)整發(fā)動 機(jī)的負(fù)荷率，額夕、轉(zhuǎn)矩由后驅(qū)電機(jī)補(bǔ)充，此時，如果 ISG電機(jī)以及后驅(qū)電機(jī)的輸岀轉(zhuǎn)矩都為當(dāng)前轉(zhuǎn)速 下二者所能提供的最大轉(zhuǎn)矩但仍不滿足驅(qū)動駕駛 員請求轉(zhuǎn)矩的要求，混合動力汽車控制系統(tǒng)會自動 提高發(fā)動機(jī)輸出轉(zhuǎn)矩，直至發(fā)動機(jī)的輸岀轉(zhuǎn)矩達(dá)到 當(dāng)前轉(zhuǎn)速下的最大值.在前橋參與

24、驅(qū)動時，為了保證發(fā)動機(jī)輸出轉(zhuǎn)矩 最優(yōu),首先可根據(jù)當(dāng)前的車速調(diào)節(jié)CVT速比，使得 前橋動力總成的輸出轉(zhuǎn)速在發(fā)動機(jī)最佳工作轉(zhuǎn)速 區(qū)域內(nèi)，然后調(diào)節(jié)ISG電機(jī)轉(zhuǎn)矩，使得發(fā)動機(jī)輸出 轉(zhuǎn)矩最優(yōu)若發(fā)動機(jī)最優(yōu)輸岀轉(zhuǎn)矩高于請求轉(zhuǎn)矩, 則ISG電機(jī)作為發(fā)電機(jī)使用，將發(fā)動機(jī)富余的轉(zhuǎn)矩 用于給動力電池充電;若發(fā)動機(jī)最優(yōu)輸岀轉(zhuǎn)矩低于 駕駛員請求轉(zhuǎn)矩，則ISG電機(jī)作為驅(qū)動電機(jī)使用, 補(bǔ)充額外的請求轉(zhuǎn)矩.3整車能量管理控制策略優(yōu)化插電式四驅(qū)混合動力汽車控制系統(tǒng)參數(shù)較多, 需要優(yōu)化的參數(shù)也很多，使用傳統(tǒng)方法優(yōu)化控制系 統(tǒng)參數(shù)，存在成本高、費(fèi)時費(fèi)力、容易陷入局部最優(yōu) 等問題本文首先利用DOE方法，得到足夠多控制 變量的樣本點(diǎn)，

25、使用Matlab編程調(diào)用Simulink整 車模型，得到每組控制變量對應(yīng)的百公里油耗;然 后用近似模型的方法，輸入待優(yōu)化的控制變呈，以 白公里油耗為輸出，建立輸入與輸出近似模型;最 后采用多島遺傳算法對近似模型進(jìn)行優(yōu)化在線實(shí) 時優(yōu)化目前無法在實(shí)車上有效應(yīng)用，所以選用離線 優(yōu)化方式.優(yōu)化時選取具有代表性的NEDC(new European driving cycle)工況,優(yōu)化結(jié)果可為制定基 于邏輯門限值的控制策略提供參考.控制系統(tǒng)的關(guān)鍵參數(shù)為發(fā)動機(jī)的啟動轉(zhuǎn) 速他、動力電池SOC允許的最低值和目標(biāo) 值禺0C砌，以及前、后橋主滅速比“和而駕駛員 PID模塊的3個控制參數(shù)Kp、Kj、Kd直接關(guān)系到駕

26、 駛員請求轉(zhuǎn)矩值，影響混合動力汽車的動力性和經(jīng) 濟(jì)性，本文選取這幾個對混合動力性能影響較大的 參數(shù)進(jìn)行優(yōu)化，優(yōu)化的目標(biāo)函數(shù)為混合動力汽車在 動力電池初始SOC為100%時的百公里油耗Cg. 優(yōu)化數(shù)學(xué)模型：min CF>e| ( Nt ,B$oc 軸 »socob)，0，Kp).(6) 式(6)除了應(yīng)滿足各個動力部件自身的轉(zhuǎn)矩、轉(zhuǎn)速 限制外，還需滿足以下約束條件：(1) 動力包池放電電流及電壓的限制.動力電 池的最大放電目流不超過300 A, 30 s持續(xù)放電電 流不超過220 A,同時動力電池的電壓范圍為 310-346 V；(2) 工況車速與實(shí)際輸出車速差值的絕對值 不大于1

27、0 km/h；(3) 混合動力汽車動力性能的限制.最高車速 不低于160 km/h,最大爬坡度不小于40% , 0 100 km/h加速時間不超過10 s；(4) 其他設(shè)計(jì)變量取值范圍：0.153, 0. 3 WBjqc 商 w0. 5,3W“W7, 5wiw9, 720WN.W1 200. J(7)需要注意的是，混合動力汽車的百公里油耗與 動力電池的初始SOC有關(guān).本文在優(yōu)化時選取 5OC值為100%，仿真時選取的SOC值為60% .百 公里油耗的具體計(jì)算方法是通過發(fā)動機(jī)的轉(zhuǎn)速與 轉(zhuǎn)矩表，得到其燃油消耗率，乘以對應(yīng)的功率并積 分,然后進(jìn)行質(zhì)量與體積的轉(zhuǎn)換，并折算成100 km 消耗的燃油體積

28、，即百公里油耗.本文選取的試驗(yàn)設(shè)計(jì)方法為優(yōu)拉丁超立 方I.根據(jù)拉丁超立方的原理，在H維空間中，將 每一維坐標(biāo)區(qū)間叫均勻等 分為M個區(qū)間，每個區(qū)間記為%“.&,%»，mw 1 ,M.隨機(jī)選取m個點(diǎn)，保證一個因子的每個水 平只被研究一次，即構(gòu)成H維空間樣本數(shù)為M的 拉丁超立方設(shè)計(jì).在此基礎(chǔ)上，優(yōu)拉丁超立方引入 一個準(zhǔn)則，優(yōu)化設(shè)計(jì)矩陣每列中每個水平的出現(xiàn)次 序，使因子和響應(yīng)的擬合更精確真實(shí)，所有試驗(yàn)點(diǎn) 盡量均勻地分布在設(shè)計(jì)空間，具有很好的空間填充 性和均衡性使用優(yōu)拉丁超立方方法設(shè)計(jì)的部 分實(shí)驗(yàn)數(shù)據(jù)見表4.近似模型方法是通過數(shù)學(xué)模型逼近一組輸入 變懾與輸出變量使用近似模型可避免繁重復(fù)

29、雜的 仿真計(jì)算，減少仿真時間.由于RBF( radial basis第6期錢立軍，等：插電式四驅(qū)混合動力汽車控制策略設(shè)計(jì)及優(yōu)化1121function)神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù) 預(yù)知的模型錯誤上,所以本文采用RBF神經(jīng)網(wǎng)絡(luò) 函數(shù),而且方法穩(wěn)健，對數(shù)據(jù)點(diǎn)要求不高，可以實(shí)現(xiàn) 建立近似模型，RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示.表4部分試驗(yàn)設(shè)計(jì)數(shù)據(jù)Tab. 4 Part of the data for DOE序號心収SOC mia1660.005 43.451 0730. 160.433.9625.6332750.005 53.751 0610.200. 324.2186.0583710.005

30、 33.289050.280.333.5375.4734730.004 83.807230.240.475.7746.4995720.004 73.189610. 150.395.2046.6356590.005 03.531 1980.220.406.0228.1507750.005 23.641 1050.230.304.7488.1908670.004 63.541 0980.270. 336.2068.7529720.004 73.191 1040.190.473.5216.08210650.004 73.251 1440.260.414.5078.583496630.004 83.5

31、19440.270.425.541&904497700.005 43.658790.240.316.8806.547497760.004 73.4511410.290.455.8147.172499750.004 33.311 0350.260.374.1225.257500730.004 53.698750.270.315.6297.942第6期錢立軍，等：插電式四驅(qū)混合動力汽車控制策略設(shè)計(jì)及優(yōu)化#第6期錢立軍，等：插電式四驅(qū)混合動力汽車控制策略設(shè)計(jì)及優(yōu)化#由圖4可知，RBF神經(jīng)網(wǎng)絡(luò)具有N個輸入節(jié) 點(diǎn)、P個隱含節(jié)點(diǎn)和厶個輸出節(jié)點(diǎn)各層的數(shù)學(xué)描 述如下:第1層為RBF神經(jīng)網(wǎng)絡(luò)的輸入層，X

32、 = (x1,x2, ,xn, ,x)T為神經(jīng)網(wǎng)絡(luò)的輸入向量，即為式(6)中需要優(yōu)化的 8個變量;第2層為神經(jīng)網(wǎng)絡(luò)的隱含層，隱含層是 前述基于優(yōu)拉丁超立方試驗(yàn)設(shè)計(jì)得到的500個樣 本點(diǎn)，g(X)(p = l,2,P)為隱含層任一節(jié)點(diǎn)的 激活函數(shù);第3層是輸出層，丫=(兒2，兀)丫為神經(jīng)網(wǎng)絡(luò)的輸岀向量，輸出層是隱含層的線性加 權(quán)組合DG.選擇高斯型激活函數(shù)：<Pp(X) =exp (-古|耳,(8)式中：k-cj|2是歐式范數(shù)，c“為第“個高斯型 激活函數(shù)的中心,n = l,2,-,p；"為高斯函數(shù)的方差.徑向基神經(jīng)網(wǎng)絡(luò)的輸出NyP 二若exp (-而II© -c|2)

33、,(9)陽=exp(ij-|Xp) ,(10)式中：斗為第P個輸入樣本向量；切訊為輸出節(jié)點(diǎn)的權(quán)值；lie Lx為激活函數(shù)中心的最大值.多島遺傳算法(multi-island genetic algorithm, MIGA)適用于單變量函數(shù)的全局優(yōu)化設(shè)計(jì)，其本質(zhì) 是住傳統(tǒng)遺傳算法的基礎(chǔ)上計(jì)算群體的適應(yīng)度值 后,分別在每個島匕連行選擇、交叉和變異，每個島 上定期會有一些群體按照給定的概率遷移到其他 島上，然后繼續(xù)進(jìn)行傳統(tǒng)的選擇、交叉和變異操作, 如果滿足條件則輸出最優(yōu)解,不滿足則繼續(xù)在多個 島卜分別講行傳統(tǒng)的遺傳算法操作.本文設(shè)定多島遺傳算法總?cè)后w規(guī)模為200,島 數(shù)為20,總進(jìn)化代數(shù)為100,島

34、間遷移率為0.4,遷 移的間隔代數(shù)為5,交叉率為0. 95,變異率 為0.05.優(yōu)化問題的實(shí)質(zhì)是通過多島遺傳算法調(diào) 用RBF近似模型訓(xùn)練生成的數(shù)據(jù)，然后把優(yōu)化結(jié)112()西南交通大學(xué)學(xué)報(bào)第50卷果返回到近似模型用加數(shù)據(jù)樣本點(diǎn)再進(jìn)行RBF 數(shù)據(jù)訓(xùn)練并把新的擬合結(jié)果數(shù)據(jù)傳輸給多品遺傳 算法進(jìn)行優(yōu)化如此反復(fù)使多碼遺傳算法在尋優(yōu)過程中RBF近似模型的樣本點(diǎn)進(jìn)一步增加.擬合 精度也進(jìn)一步提筒，優(yōu)化結(jié)果更接近全局赧優(yōu)解. 使用多島遺傳算法優(yōu)化近似模型詢后的結(jié)果見表5.優(yōu)化變ht性能指標(biāo)項(xiàng)目K. N.一<<i.J/ (km-h1)加速 時間/3優(yōu)化前700.005 3.508(X)0.200.5

35、05.297.8822. 1944179&6優(yōu)化垢660.047 3.718930.180.325.417.5261.834!1718.2改善率/% 16.4-5.6-4.54.7農(nóng)5優(yōu)化前后的數(shù)據(jù)Tab. 5 Data Ix'fbn- an<l after(>|Miinization結(jié)合表5和喪1町以行出插電式四歎混介動 力汽車控制參數(shù)優(yōu)化后的結(jié)果，在保障汽車動力性 的基礎(chǔ)上有效地降低了油耗,石油率達(dá)到16.4% , 因此控制策略優(yōu)化的結(jié)果是合理的.4基于dSPACE的硬件在環(huán)試驗(yàn)024681012時何心(1>)動力電池荷電狀態(tài)(E NLS(c)發(fā)動機(jī)輸出扭

36、矩(a)畔駛員請求扭矩50II.2468101240200.20rMEexs效&(<1)后驅(qū)電機(jī)輸出扭矩024681012時何k0246810 I時何k6 8 10 12時何血() ISG電機(jī)輸出扭矩(h)有、無機(jī)矩識別的百公里油耗(f)無扭矩識別的車速誤總(g)右扭矩識別的車速誤左圖5試輪結(jié)果Fig. 5 T<t n«suhs試驗(yàn)結(jié)果如圖5所示.為了觀察插電式四驅(qū)混 合動力汽乍控制策略在控制器上的運(yùn)行情況將控 第6期錢立軍，等：插電式四驅(qū)混合動力汽車控制策略設(shè)計(jì)及優(yōu)化1121制策略模型下載到dSPACE控制器中進(jìn)行了硬件 在環(huán)試驗(yàn).圖5中，仿真使用工況為10-N

37、EDC I 況,動力電池初始SOC取為0.6.由SOC變化曲線 可知，在0 4 000 s左右的時間段內(nèi)，混合動力汽 車主要工作在電荷消耗模式，在之后的仿真中交替 出現(xiàn)行車充電模式與電荷消耗模式，沒有岀現(xiàn)兩種 工作模式的頻繁切換，待別是沒有岀現(xiàn)發(fā)動機(jī)頻繁 啟停現(xiàn)象，表明滿足時述設(shè)計(jì)原則.由圖5(c) (e)可知，在電荷消耗模式中，混 合動力汽車主要工作在由后驅(qū)電機(jī)單獨(dú)驅(qū)動的純 電動模式;在NEDC二況的高速區(qū)，ISG電機(jī)參與 驅(qū)動,形成純電動四輪驅(qū)動發(fā)動機(jī)在電荷消耗模 式不參與驅(qū)動，其原因是駕駛員請求轉(zhuǎn)矩沒有超過 兩個電機(jī)在當(dāng)前轉(zhuǎn)速下所能提供的最大轉(zhuǎn)矩與對 應(yīng)傳動比的乘積之和.在行車允電模式中

38、，當(dāng)發(fā)動機(jī)轉(zhuǎn)速高于啟動轉(zhuǎn) 速時，發(fā)動機(jī)輸出正轉(zhuǎn)矩，ISG電機(jī)輸出負(fù)轉(zhuǎn)矩， 后驅(qū)電機(jī)不工作.發(fā)動機(jī)轉(zhuǎn)速低于啟動轉(zhuǎn)速時，混 合動力汽車進(jìn)行純電動驅(qū)動在行車充電模式為主 的階段，也會出現(xiàn)混合動力模式，ISG電機(jī)在部分 時間段內(nèi)輸出正轉(zhuǎn)矩，這是因?yàn)榛旌蟿恿ζ嚨鸟{ 駛員請求轉(zhuǎn)矩超過了發(fā)動機(jī)的最優(yōu)輸出轉(zhuǎn)矩，所以 由ISG電機(jī)補(bǔ)充額外的轉(zhuǎn)矩，這與前面所述行車充 電模式下的轉(zhuǎn)矩分配原則是劉應(yīng)的.分析圖5(g)和圖5(h)可知，引入轉(zhuǎn)矩識別 后，平均車速誤差由原來的1.43 km/h下降至 0.86 km/h,降幅為39.9% ；百公里油耗由原來的 3.41 L 降至 3.12 L,降幅為 8.5%.5結(jié)論(

39、1) 在控制策略優(yōu)化后,混合動力汽車動力部 件的工作悄況與前述能量管理策略表述的內(nèi)容一 致，滿足前述插電式四驅(qū)混合動力汽車的設(shè)計(jì)原則 以及轉(zhuǎn)矩分配原則，實(shí)現(xiàn)了基本的能量管理.(2) 優(yōu)化后混合動力汽車的動力性能滿足設(shè) 計(jì)指標(biāo)，百公里油耗降低了 16.4%，體現(xiàn)了本文控 制策略設(shè)計(jì)及優(yōu)化的合理性和町行性.(3) 引入轉(zhuǎn)矩識別之后，車速跟隨誤差降低 39.9%，而百公里油耗降低8.5%，因此引入轉(zhuǎn)矩 識別后的控制策略優(yōu)于基于加速踏板開度計(jì)算駕 駛員請求轉(zhuǎn)矩的控制策略.參考文獻(xiàn)：1 肖任鑫，李濤，秦菽，等.并聯(lián)混合動力汽車能雖管理 的馬爾科夫決策J.西南交通夬學(xué)學(xué)報(bào)，2012, 47(6)： 982

40、-988.XIAO Renxin, U Tao, QIN Ying, et al. Markov decision process for the energy management of parallel hybrid vehicles J Journal of Southwest Jiaotong University, 2012, 47(6)： 982-9882 錢立軍，邱利宏,辛付龍，等.基于模糊轉(zhuǎn)矩識別的混 合動力汽車控制策略J.科學(xué)技術(shù)與工程,2014, 14(35)： 135-141.QIAN IJjun t QIU IJhong, XIN Fulong, et al. Cont

41、rol strategy of a HEV based on fuzzy torque identification" J Science Technology and Engineering, 2014, 14(35)： 135-141.3 錢立軍，邱利宏,辛付龍，等.插電式四驅(qū)混合動力汽 車能負(fù)管理與轉(zhuǎn)矩協(xié)調(diào)控制策略J.農(nóng)業(yè)工程學(xué) 報(bào),2014,30(19)： 55-64.QIAN Lijun, QIU Uhong, XIN Fulong, et al. Energy management and torque coordination control for plug-in 4

42、WD hybrid electric vehiclef J Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(19)： 55-644 WU Lianghong, WANG Yaonan, YUAN Xiaofang, et al Mulli-objective optimization of HEV fuel economy and emissions using the self-adaptive differential evolution algorithm J IEEE Transacti

43、ons on Vehicular Technology 2011 60(6) ： 2458-24705 秦大同，彭志遠(yuǎn),劉永剛，等.基于工況識別的混合動 力汽車動態(tài)能繪管理策略:J.中國機(jī)械工程,2014, 25(11)： 1550-1555.QIN Datong, PENG Zhiyuan t LIU Yonggang, ct al. Dynamic energy management strategy of HEV based on driving pattern recognition J Chinese Journal of Mechanical Engineering, 2014,

44、25( 11)： 1550-1555.：6王欣，李高，朱萬力，等.并聯(lián)混合動力汽車能繪管理 建模及優(yōu)化研究J控制工程,2014,21(3)： 357- 360.WANG Xint LI Gao, ZHU Wanlit ct al Modeling and optimization simulation on energy management of PHEVJ. Control Engineering of China, 2014, 21(3)： 357-360.：7楊觀賜，李少波,琥晶磊，等.基于Pareto M優(yōu)原理的 混合動力汽車多目標(biāo)優(yōu)化J.上海交通大學(xué)學(xué)報(bào)， 2012.46(8)：

45、1297-1304 YANG Cuanci, LI Shaobo t QU Jinglci, et al. Multiobjective optimization of hybrid electrical vehicle based on Pareto optimality J Journal of Shanghai Jiaotong Univereity, 2012,46(8)： 1297-1304(下轉(zhuǎn)第1129頁) 第6期梁軍，等：一種新型多核判別分析方法1129Multiple regularization based MRI reconstructionJ. Signal Proce

46、ssingt 20141 103： 103-113.19 BUCAK S S, JIN R, JAIN A K Multiple kernel learning for visual object recognition: a reviewJ Pattern Analysis and Machine Intelligence, 2014, 36(7)： 1354-136920 貿(mào)真，何大可,尹紅風(fēng)，等.基于無監(jiān)督學(xué)習(xí)的部分- 整體關(guān)系獲取J西南交通大學(xué)學(xué)報(bào).2014, 49(4)： 590-596JIA Zhen, HE Dake, YIN Hongfen, et al. Acquisitio

47、n of part-whole relations based on unsupervised leamingf J； Journal of Southwest Jiaotong University t 2014, 49(4)： 590-59621 YAN F, KITTLERJ, MIKOLAJCZYK K, et al Non sparse multiple kernel Fisher discriminant analysis (J The Journal of Machine Learning Research, 2012, 13(1)： 607-642.22 YAN F, M1KO

48、LAJCZYK K, BARNARD et Lp norm multiple kernel Fisher discriminant analysis for object and image categorisation C / 2010 IEEE Conference on Computer Vision and Pattern Recognition ( CVPR). San Francisco： IEEE, 2010： 3626-3632.23 YANG H, XU Z, YE J, et al. Efficient sparsegeneralized multiple kernel l

49、earning J IEEETransactions on Neural Networks, 2011 t 22(3) : 433- 446.24 SUN D, ZHANG D A new discriminant principal component analysis method with partial supervision J Neural Processing Letters, 2(X)9, 30(2)： 103- 112.25 CHEN X, YANG J, LIANG J Optimal localityregularized least squares support vector machine via alternatingoptimization J Neural ProcessingLetters, 2011,33(3)： 301-315(中文編輯：唐晴 英文編輯：周堯)第6期梁軍，等：一種新型多核判別分析方法1129第6期梁軍，等：一種新型多核判別分析方法1129第6期梁軍，等：一種新型多核判別分析方法1129第6期梁軍，等：一種新型多核判別分析方法1129