基于模糊控制技术的增程式电动车能量分配策略

基于模糊控制技术的增程式电动车能量分配策略

0混合动力电动汽车的工作原理随着汽车产量的急剧增加和汽车排放对人类生活环境的恶化，世界各国已制定并公布了越来越严格的汽车排放规则。各国环保及节能意识的增强以及人类对清洁能源的不懈追求,使得介于传统燃油汽车与未来“零排放”汽车之间的混合动力汽车,日益受到世界汽车生产大国和跨国汽车巨头的重视。整车控制器作为上层控制单元负责协调动力系统各个部件的运行,采集驾驶员控制输入信号,向各个部件控制单元发送控制指令,并向仪表、多功能显示单元等设备输出动力系统状态信息。基于模糊控制的功率分配策略是整车控制器多能源分配控制模块的核心部分。混合动力电动汽车是指由两种或两种以上的储能器、能源或转换器作为动力源,其中至少有一种是提供电能的车辆。其动力系统工作方式主要分为串联式、并联式和混联式。本文研究的增程式电动车是指插电式油电串联混合动力汽车。1动力电池运行模式分类增程式电动车动力系统结构如图1所示,发动机与发电机组成辅助动力单元(APU),APU与动力电池组成双动力能量源,并通过功率控制单元与驱动电机实现电能交互。车辆低速行驶时,APU输出功率大于驱动电机需求功率,APU为驱动电机提供电能,并为动力电池充电;车辆减速行驶时,动力电池接收APU输出电能和驱动电机再生能量;车辆加速行驶时,APU输出功率小于驱动电机需求功率,APU和动力电池共同为驱动电机提供能量。另外,220V交流充电器向动力电池外接充电,保证车辆在纯电动模式下具有一定的续驶里程。整车控制系统信号流如图2所示,整车控制器(VMS)是车辆的核心控制单元,是实现能量分配策略的载体。发动机与发电机组成辅助动力单元(APU),APU与动力电池组成双动力源,共同驱动车辆行驶。依据车辆在运行工况以及能量流动方向的差异将车辆运行状态划分为以下4种模式:动力电池独立驱动车辆运行模式(电量消耗模式);动力电池与APU共同驱动车辆运行模式(增程模式);驱动电机为动力电池充电模式(再生制动模式);APU驱动车辆运行并对动力电池充电模式(电量保持模式)。如何合理、有效地将驾驶员需求功率在APU与动力电池之间进行分配,从而达到能量利用效率最优、有效提高续驶里程,是能量分配策略的关键。2模糊控制算法的特点增程式电动车的辅助动力单元与车辆驱动系统机械解耦,通过综合分析动力电池、电驱系统和发动机等各个动力部件运行特性及效率特性,优化动力系统效率,实现总体效率最优。本文所提出的基于模糊控制算法的能量分配策略能够满足以下要求,并在确保动力部件安全运行的同时,提高车辆燃料经济性。(1)准确响应驾驶员动作,尽量做到与传统汽车驾驶感觉一致,即保证车辆驾乘舒适性。(2)行驶过程中全局燃油经济性最优,且排放明显降低,包括车辆怠速和起步加速过程。(3)控制动力电池SOC在行驶过程中维持在最佳工作范围,并对其进行过充及过放保护,以达到有效延长电池寿命的目的。(4)发动机、电机和动力电池的工作效率能得到优化。APU功率跟随整车负载的稳态部分,运作在最佳工作曲线附近。(5)车辆以消耗电能为主,消耗燃料为辅。3模糊检测设计3.1控制量的模糊化将测量得到的被控对象的状态经过模糊化接口转换为用人类自然语言描述的模糊量,而后根据人类的语言控制规则,经过模糊推理得到输出控制量的模糊取值,控制量的模糊取值再经过清晰化接口转换为执行机构能够接收的精确量。模糊控制器的基本结构通常由4个部分组成:模糊化接口、规则库、模糊推理、清晰化接口,如图3所示。3.2系统稳定性分析动力电池SOC、驱动电机需求功率Pmot作为模糊控制器输入,输出是辅助动力单元APU的需求功率Papu。整个模糊控制系统采取双输入、单输出结构,推理方法采用Mandani法,如图4所示。隶属函数形状较尖时,分辨率较高,输入引起的输出变化比较剧烈,控制灵敏度较高;曲线形状较缓时、分辨率较低,输入引起的输出变化不那么剧烈,控制特性也较平缓,具有较好的系统稳定性。因而,通常在输入较大的区域内采用低分辨率曲线,在输入较小的区域内采用高分辨率曲线,在输入接近零时则选用高分辨率曲线。依据大量的实验数据和理论分析给电机需求功率和电池SOC设定隶属度函数。3.2.1电机需求功率pmol的计算模糊化接口是通过在控制器的输入、输出论域上定义语言变量,而使精确的输入、输出值转换为模糊的语言值。本文通过定义量化因子KSOC、KPmot将输入语言变量的论域从实际的连续域转换成离散的有限整数域,通过定义比例因子KPapu将输出语言变量的论域从离散的整数域转换成实际的输出域,如图5所示。项目中动力电池荷电状态连续取值范围是SOC=[0.3,0.9]=[SOCL,SOCH],SOCL表示低限值,SOCH表示高限值,SOC经过量化因子KSOC转变为离散的整数域,即SOC={3…5,6,7…9}。量化因子KSOC计算方式如式(1)所示:电机需求功率连续取值范围是Pmot=[-20,90]=[PmotL,PmotH],PmotL表示低限值,PmotH表示高限值,Pmot经过量化因子KPmot转变为离散的整数域,即Pmot={-2…3,4,5…9}。量化因子KPmot计算方式如式(2)所示:模糊控制器输出即动力辅助单元需求功率取值是Papu={0…4,5,6…7},为一组离散的整数值,通过比例因子KPapu转化到实际输出Papu=[0,35]=[PapuL,PapuH],PapuL表示低限值,PapuH表示高限值。比例因子KPapu计算方式如式(3)所示:电池SOC与电机需求功率Pmot可通过式(4)、(5)转变为模糊控制器实际输入SOC、Pmot,式中,*表示相乘,<>代表取整运算。模糊控制器的输出可通过式(6)转换为实际输出值Papu,电机需求功率Pmot包含9个模糊子集分别为NB、NS、ZE、PS、PM、PB、PVB、PEB、PVEB。隶属度函数取正态分布型(高斯基)函数的形式,其中ai为函数的中心值,bi为函数的宽度。令与{NB,NS,ZE,PS,PM,PB,PVB,PEB,PVEB}对应的高斯基函数的中心值分别为{-20,-10,0,15,30,45,60,75,90},其隶属度函数如图6所示。动力电池组SOC包含的模糊子集依次为EL,VL,LO,ST,HI,VH,EH。隶属度函数取正态分布型(高斯基)函数的形式,令与{EL,VL,LO,ST,HI,VH,EH}对应的高斯基函数的中心值分别为{0.3,0.4…0.9},其各子集隶属度函数如图7所示。辅助动力单元APU的分配功率Papu作为模糊控制器的输出,包含的模糊子集依次为ES,VS,SM,MI,BG,VB,EB,VEB。隶属度函数为正态分布型(高斯基)函数的形式,设定与{ES,VS,SM,MI,BG,VB,EB,VEB}对应的高斯基函数的中心值分别为{0,5,10…35},其各子集隶属度函数如图8所示。3.2.2仿真结果规则规则库是由若干条控制规则组成,这些控制规则根据人类控制专家的经验总结得出,按照IF…is…AND…is…THEN…is…的形式表达。根据仿真实验和实际测试结果规则制定应符合下述要求:(1)电池SOC低、电机需求功率Pmot高时,APU输出功率Papu高,驱动电机运行。(2)电池SOC低、电机需求功率Pmot低时,APU输出功率Papu高,动力电池组充电。(3)电机再生制动时,APU输出功率Papu低。依据上述要求得到功率分配推理规则,如表1所示。3.2.3kw时的驱动根据模糊输入和规则库中蕴涵的输入输出关系,通过模糊推理方法得到模糊控制器的输出模糊值。由图6、7、8及表1可知,在SOC输入0.5,电机需求功率Pmot输入25kW时,触发下述4条if-then规则。第i条规则蕴含的模糊关系为:式中,Ai与Bi分别表示第Ri条控制规则输入,Ai×Bi表示Ai与Bi的笛卡尔积运算,Ci表示对应输出。上述4条输入控制规则之间可以看作是“或”,也就是“求并”的关系。则上述4条规则蕴含的模糊关系R为:输入变量的模糊取值分别为Ai*、Bi*,与之对应的输出模糊取值为Ci*时,可通过下式得到:式中,ue0c9表示内积运算。根据以上条件,运用上述模糊推理的方法,得到具体功率分配策略见图9所示。4电机需求功率将上述基于模糊控制算法的能量分配策略应用到增程式电动车上,并进行Matlab/Simulink仿真验证,仿真结果如表2所示。由表2可知,在电机需求功率为负即整车处在再生制动状态时,在整个SOC=[0.3,0.9]区间中,输出功率Papu均维持在5kW以下。在动力电池SOC较低时随着驱动电机需求功率增加,Papu会逐渐增加。在电机需求功率Pmot维持不变的情况下,如图10所示,SOC越高,即电池功率输出能力越高,Papu越低,即驱动电机需求功率主要由电池提供。仿真结果表明该控制策略能够满足动力系统的能量分配需求,达到了预期控制目标。5控制策略的优化能量分配策略在整车性能优化中非常关键,合理的能量分配是车辆各部件性能优化的综合考虑,本文结合电机需求功率及电池SOC提出了鲁棒性更强的基于模糊控制算法的能量分配策略,实现了多能源能量的合理分配。由于实际工况复杂,该控制策略有待进一步优化,以提高车辆的经济性和动力性。(1