插电式混合动力汽车控制策略参数优化.docx

插电式混合动力汽车控制策略参数优化.docx

《插电式混合动力汽车控制策略参数优化.docx》由会员分享，可在线阅读，更多相关《插电式混合动力汽车控制策略参数优化.docx（20页珍藏版）》请在冰豆网上搜索。

插电式混合动力汽车控制策略参数优化

插电式混合动力汽车控制策略参数优化

摘要

对于明显地减少石油消费，插电式混合动力电动汽车（PHEV汽车）提供了一个很大的可能。

 混合动力电动汽车的燃油经济性高度依赖于全电动范围（AER）和控制策略。

以往的研究已经表明，除了混合动力电动汽车的参数影响其燃油经济性外（混合动力车），PHEV汽车的控制策略也受出行距离的影响。

这个额外的参数使得手动调整参数来最大限度地减少油耗更加困难。

本研究使用预传输并联式混合动力电动汽车模型和电动汽车动力系统分析工具进行研发。

非梯度算法遗传算法被用于优化主要的控制策略参数。

对于初步设计和最终的优化设计的燃油经济性和PHEV汽车的主要性能指标均进行过比较。

从整个设计空间的广泛搜索得出了一个最优控制解决方案，该方案可以从物理状况洞察到PHEV的操作。

关键字：

插电式混合动力电动汽车控制策略仿真优化

1.引言

对于过去的几年中，由于潜在的燃料位移技术的提供，在混合动力电动汽车（PHEV）技术的研究和开发上美国能源部（DOE）花了相当大的努力。

能源部通过汽车燃料来源多样化描述了不同的活动实现其目标所需，启动了以减少对外国石油的依赖的目标的PHEVR&D计划[1]。

能源部将使用阿贡国家实验室的（Argonne!

’s）动力系统分析工具（PSAT）引导其分析活动，指出阿贡的PSAT将采用各种各样的主要电范围，考虑所有的电场和充放电战略来用于设计和评估一系列的PHEV汽车。

PSAT的[2，3]是设计作为一个单一的工具，可以用来满足汽车从造型到控制整个开发过程中的工程要求。

其中PSAT的最重要的特点之一是，它是一个前瞻性的模型，是一个PSAT允许用户使用真正的命令模拟真实世界情形。

出于这个原因，PSAT被称为一个基于命令或驱动程序的驱动模型。

根植于Matlab/Simulink/Stateflow[4]，该软件允许一个广泛的汽车应用模拟，包括轻型（两驱和四轮驱动），中型和重型

车辆。

 2004年，PSAT，这个主要的汽车仿真工具使得能源部下属公司能源效率公司和可再生能源（EERE）FreedomCAR和车辆技术计划[5]收到一个R＆D100奖，该奖项强调了来自世界各地的100个用于商业用途的最佳新产品和新兴技术提供。

汽车分析的主要成果之一是为R&D/征求定义了组件的性能指标和要求。

 PSAT已被用来设置电池的技术指标[6，7]，这是用于开发美国先进电池联合会（USABC）的PHEV的提案请求[8]。

除了混合动力电动汽车参数影响混合动力电动汽车的控制策略外（如充电电池状态或驱动周期），一些研究已经证明驾驶距离对PHEVs燃油位移的影响（文献[9]）。

这个额外的参数使得手动调整参数，最大限度地减少油耗更加困难。

目前已有大量的优化算法，他们可以以不同的方式分类;例如，局部最优算法与全局优化算法，确定性优化算法与随机优化算法或基于梯度算法与衍生算法。

优化算法的正确选择对于混合动力系统设计中的应用并不明显。

在本文中，遗传（除以矩形）算法已被选为密歇根州大学选择用于前期工作的基础[10]。

本文将着重对一个具有10英里纯电动行驶能力的预传输并联混合动力汽车参数进行优化。

在描述了车辆及其逻辑控制策略后，我们将评估行驶周期和行驶距离中控制的几个关键参数的影响。

2.车辆描述

由于这个平台是用来定义USABC电池短期需求，用于模拟的车辆类是中型SUV。

选定的组件，如表1所示，是那些已在阿贡国家实验室移动先进的汽车测试平台（马特）实施的组件。

马特[11]是在汽车系统环境下用于评估组件技术的滚动底盘。

基于优化结果的控制策略的研发，最终将在硬件上实施和测试。

表1：

车辆的主要技术参数

组件

技术参数

发动机

2.2L，100kW的福特的Duratec

电动机

60kWPM电机

电池

锂电池，75KW，23Ah

变速器

5挡自动变速器；传动比：

[3.22,2.41,1.55,1,0.75]

迎风面积

2.76

主传动比

3.58

风阻系数

0.395

滚动系数

0.008（加上速度影响）

车轮半径

0.33m

车辆质量

1823kg

在这项研究中，电池的方程被用于推导出计算一个插件混合动力汽车电池的阻抗。

研究方程来表达的插电式电动汽车电池的电池内阻比研究方程制作混合动力汽车电池标准更复杂，因为插电式电池在汽车操作过程中可能周期性的持续数分钟的充电和放电。

理想的情况下，方程应能够重现测得的一个完整的恒流充放电电压曲线，以及迅速变化的电流条件下的电池内阻。

电压和电流数据是可以获得的，他们在阿贡国家实验室已被测量，并且被SAFT编造为单元格形式。

这些表格数据是在阿贡国家实验室测量的，测量的是一个3小时恒流放电和混合脉冲动力性能（HPPC）测试[11]。

这些数据均符合电子仿真模型与两个时间常量的形式（图1）：

在这种关系中，OCV和VL分别是开路电压，负载电压；

，

和

是欧姆电阻和极化阻抗；

和

是极化电流与负载电流的比例。

极化电流是由方程整合决定

对于每一个极化阻抗，

，

是时间常数，正如在早先的一个研究中也同样运用了两个极化阻抗和与其模型类似的能源部的PNGV集中参数模型中也运用了一个极化阻抗。

公式中的参数（OCV，

，

）被选择来匹配实测的数据，3小时的放电和整个范围内的混合脉冲动力性能数据，以查找表的形式提出了这些在10％的时间间隔下从0%到100%充电状态的参数值（在整个放电过程当中，

，

是固定的常数）。

图1电池电路模型

正如图2所示，选择的是预传输的并联式混合动力配置，这与在戴姆勒-克莱斯勒的Sprinter厢式车使用的一个配置非常类似[12]。

图2配置选择—预传输并联式混合动力电动汽车

3.控制策略算法

控制策略可分为两种不同的模式，如图3所示：

充电消耗模式（CD）：

车辆在电力驱动下运行，发动机子系统或两者在电池的电量净减少下运行。

充电保持模式（CS）：

车辆在电力驱动下运行，发动机子系统或两者在电池的电量维持在一个“常量”状态下运行（在一个狭窄的范围内），这与目前在生产的那些混合动力汽车类似。

图3控制策略SOC特性

逻辑控制策略的第一个重要部分与发动机的逻辑开/关相关。

如图4所示，发动机的逻辑开基于三个主要条件：

○所要求的功率在一个阈值以上。

○电池SOC是低于一个阈值。

○电动机不能提供所要求的车轮扭矩。

除了这些参数，为了通过控制发动机在一定时间的开或关确保维持正确的驱动质量，还包括额外的逻辑。

此外，为了避免由于电力需求高峰造成的意外发动机开启事件，所要求的功率需要在预定义的阀值以上一段持续时间。

发动机的逻辑关闭条件与其开启类似。

两个电源阀值被用来启动或关闭发动机以及确定每个事件的最短持续时间已被选定为输入参数的优化问题。

为了能够调节电池SOC，尤其是在充电消耗模式中，对电力的需求用来确定发动机的逻辑开/关是在车轮总共所要求的功率加上取决于电池SOC的额外功率。

这种电力可以是正面或负面，取决于目前的SOC值与目标的比值。

图4简化的发电机逻辑开/关

图5更加详细的显示了用不同的参数来定义额外的电力来调节电池的SOC。

 SOC的目标被设定在当车辆进入充电维持模式（30％SOC）。

ess_percent_pwr_discharged和ess_percent_pwr_charged均被选定为输入参数的优化问题。

图5调节电池SOC的附加电力范例

在纯电动模式下，电动机推动车辆。

当发动机启动时，它的运行接近其最佳效率曲线，具体取决于对汽车动力的要求和电池SOC状态。

表2总结了作为优化过程一部分的选定的控制参数。

表2控制参数列表

4.直接算法原理和程序

混合动力汽车的燃油经济性取决于许多设计参数，如元件尺寸和控制策略参数。

这种优化的目标响应函数在多维设计空间是多模态（涉及许多局部极小），可能是噪声和间断。

基于梯度的算法，如序列二次规划算法（SQP）使用衍生信息，寻找局部极小。

局部优化的主要缺点是，他们不搜索整个设计空间，并不能找到全局最低。

衍生金融工具，如直接算法[13]，模拟退火（SA）[14]，遗传算法（GA）[15]，和粒子群优化（PSO）算法[16]不依靠衍生物，因此当工作目标函数是噪声和间断时可以非常好的工作。

衍生金融工具的方法往往是最好的全球算法，因为他们通常必须取样的设计空间大部分是成功的。

在文献[17]中介绍了一种用于混合动力电动汽车优化的基于梯度和衍生算法比较优化的算法。

在本文中，使用了全局的优化算法直接算法。

直接算法是一种采样算法，由唐纳德·R.琼斯开发[13]。

这种全局优化算法是一个标准的的李普希茨方法，无需指定Lipschitz修改常数。

 Lipschitz常数是一个称重参数，决定对全局和局部的重点搜索。

通过给Lipschitz常数搜索所有可能值里普希茨Lipschitz常数被消除，从而给全局和局部搜索一个平衡的重点。

该算法首先由一个n维单位立方体设计框的缩放开始。

直接算法通过评估在立方体中心点的目标函数启动其搜索。

直接再通过超采样在坐标方向的最长的超矩形划分潜在的最优超矩形。

这样，每个采样点成为自身的n维矩形或框的中心。

这种划分将持续直至终止（当达到预先指定的迭代限制）或当收敛时。

二维矩形的最初三次迭代的矩形划分问题如图6所示，其中d代表中心到顶点的距离，为了确定矩形每一个中心点都用数字标记。

图6直接算法的前三次迭代

在第一次迭代，单位立方体三分成三个矩形。

目标函数值评估结果三个矩形的中心点。

目标函数值对中心¨ç到顶点的距离的图形绘制关系如图7（a）所示。

然后在每列点中有最低目标值的矩形代表了设计要点，被选为最佳的矩形点。

在第一次迭代中，只有一个点列，因此矩形1被选为最佳选择矩形，并在第二次迭代分为三。

同样，在第二次迭代，矩形4和矩形2有最低的目标函数值，如图7（b）所示。

这两个矩形被选为潜在的最佳矩形，并在第三次迭代分为三。

这个过程一直持续到函数评价的最大数量已用尽或目标值收敛。

图7通过直接算法选择矩形的进一步细分

5.优化结果

该算法优化了燃油经济性，并在两种驾驶循环上做过测试，UDDS驾驶循环工况（市区行驶的测功机驾驶附表）和HWFET驾驶循环工况（高速公路的驱动周期）。

为了评估驾驶距离的影响，每个循环都重复了2，4，6和8次。

表3驱动循环特性

5.1参数控制值

相比其他的参数，对于目标值的结果一些参数有更高的影响。

在输入和燃油经济性值之间的相关系数的基础上，影响最大的参数是开启发动机功率阈值（eng_pwr_wh_above_turn_on）和发动机开启的保持时间（eng_time_min_stay_on）。

相反，那些影响最小的参数是关闭发动机功率阈值（eng_pwr_wh_above_turn_on）和电池在低SOC条件下的最大充电功率百分比（ ess_percent_pwr_charged）。

为了简化分析，以下各段只考虑了UDDS驱动循环工况。

表4显示了标准的UDDS的驱动循环工况的优化结果。

正如表所示，两个与发动机相关的功率阈值都随行驶距离的增加逐渐减小。

这个结果可以用发动机在长距离行驶比其在短距离行驶应更频繁的开启的事实来解释。

图8通过比较发动机在UDDS循环工况重复2次和8次的功率表明了这一点。

即使发动机在类似的作业条件下使用（即，效率约32％是相当恒定的，独立的距离），在一个很短的距离周期上它的开启频率也更加少（在第一个周期上，在UDDS循环工况2次为2.2%，在UDDS循环工况8次为11.6%）。

表4UDDS循环驾驶工况的优化参数

图8发动机在2次和8次UDDS循环工况的功率

为了评估参数的影响，我们会考虑不同的选项：

距离相同，不同的参数。

相同的参数，不同的距离。

相同的参数，不同的周期。

5.2不同的参数对距离的影响

为了评估参数对燃油经济性的影响，车辆在不同的行驶循环距离的优化参数下运行同样的行程。

例如，图9显示了用2，4，6和8次 UDDS工况行驶循环的优化参数值模拟了车辆2 次UDDS循环工况的情形（总距离23.7公里）。

燃油消耗比率符合2次UDDS工况结果。

如图9所示，对于短距离（23.7公里）行驶，在2次 UDDS工况和其他工况所得的设置参数之间，在燃料消耗方面有显著差异。

优化的行驶距离越长，油耗方面的区别越小。

图10通过显示连续6 次UDDS工况行驶循环的相同信息加强了这一点。

此外，对于2次UDDS行驶循环工况获得的参数值之间的区别并不严格。

从4次和8次 UDDS工况获得的结果与 从6 次UDDS工况获得的结果相似。

图9：

2次UDDS工况的燃油消耗和电池能量比例

图10：

6次UDDS工况的燃油消耗和电池能量比例

基于以上的基础，至少有两个设置参数应用于合理控制车辆：

一个用于短距离设置和一个用于长距离设置。

然而，这种方法只有当人们提前知道出行距离才是有效地。

5.3不同距离对参数的影响

为了评估行驶周期距离对燃油经济性的影响，对于每一个设定的最佳参数都在不同车程下进行运行。

图11显示了车辆在2 次UDDS工况的优化参数值在2，4，6和8 次UDDS工况的模拟情况。

图11显示了基于2次UDDS工况定义的最优参数值在几种行驶距离下的燃油消耗和电池能量比例（2，4，6，8次UDDS）。

注意增加距离的比例几乎是4。

此值比6 次UDDS工况用最佳参数定义获得的一个值更高，如图12所示。

当分析4次和8次 UDDS工况时，这种现象是类似的。

图11:

基于2次UDDS工况优化参数的不同行驶距离的燃油消耗和电池能量比例

图12基于6次UDDS工况优化参数的不同行驶距离的燃油消耗和电池能量比例

图11和12证明了短距离的优化参数用于长距离行驶比优化更长的距离所得的参数来驾驶更短的距离所产生的燃油消耗更多。

5.4最佳的单一参数设置选择

为了选择一个最佳的参数设置，我们考虑了平均值以及两种不同观点的燃油经济性差值：

·不同工况（2，4，6和8 次UDDS）的优化参数，相同的行驶距离。

·一种工况（2，4，6或8 UDDS）的优化参数，不同的行驶距离。

在我们的例子中，差值越低，参数的选择越好。

图13显示了UDDS工况每次运行的平均值和差值，以及优化参数值。

作为一个提示，参数是对独立的距离进行优化的，驾驶很短的距离总是会带来最佳的燃油经济性。

此外，驾驶同等数量的短距离和长距离会产生类似的平均燃油经济性。

行驶的距离越长，用于优化参数的距离越次要（4，6和8次 UDDS工况的红色差值小于2次UDDS工况）。

最后，如果参数优化是在一个短的距离，但行驶更长的距离相比在一个长的行驶距离优化，行驶一个短的距离，燃油经济性将会波动越多并且波动越大。

因此，选择一个单一的设置参数，将取决于平均行驶距离，并且从一个地方到另一个地方会因此而有所不同。

考虑到基于2 次UDDS工况的参数对距离高灵敏度，如果只有一组可以选择，从4 次UDDS工况选择参数似乎是最好的折衷办法，。

通过GPS或其他算法最大限度地提高燃油的位移，了解出行距离是至关重要的。

图13：

UDDS工况每次运行的平均值和差值，以及优化参数值

5.5驱动循环特性的影响

表5显示了标准HWFET驱动循环的优化结果。

如该表所示，与UDDS工况相比，与发动机相关的功率阈值随行驶距离趋于不变。

表5：

HWFET驱动循环的优化参数

图14显示了本文所考虑的不同驱动循环的燃油经济性比例变化。

对于每一条曲线，基准（一比）为已初步优化的周期设定。

在本图当中，每个设定的最佳参数运行所有其他的行驶距离。

图中显示了参数的灵敏度在UDDS工况与HWFET工况基本相同，除了在短的优化距离方面，UDDS工况对行驶距离更加敏感。

图14：

UDDS工况和HWFET工况的燃油经济性比例变化

5.6启发式算法与全局优化之间的比较

根据以往基于全局优化算法的研究表明[9]，最佳途径是基于最大化充电消耗的工作条件，这意味着最低SOC只有在行程结束时才能达到。

图15显示了使用利用直接算法为几种UDDS工况（2，4，6和8）定义的优化参数时电池的SOC变化情况。

正如图中所示，此行程的很大一部分是表现在充电保持模式。

几个解释可以解释这些结果，包括以下内容：

o初始控制策略逻辑上的限制。

o需要大量的模拟（目前限制在1000）。

o研究减少了的参数的数量。

图15：

几种UDDS工况的SOC变化情况

6.结论

一个基于非衍生的算法，直接算法被用来优化一个预定义的控制策略算法的主要参数。

获得了几种驱动循环和行驶距离的不同参数设置。

分析了他们对行驶距离和驱动循环的影响。

结果表明，根据行驶距离和驱动循环，需要有不同的控制参数。

由于没有一个行程特征可以在一开始就知道，如果只有一个参数，对燃油经济性的平均值和方差最好的折衷办法是使用中等距离定义的参数。

未来的工作将侧重于定义额外的驱动循环的参数以及研发算法来识别行程特征和行驶距离。

初始控制策略的逻辑也将从全局优化算法的输出的基础上重新讨论。

7.参考文献

[1]U.S.DOEPlug-inHybridElectricVehicleR&DPlan,

http:

//www1.eere.energy.gov/vehiclesandfuels/pdfs/program/phev_rd_plan_02-28-07.pdf

[2]ArgonneNationalLaboratory,PSAT（PowertrainSystemsAnalysisToolkit）,http:

//www.transportation.anl.gov/.

[3]Rousseau,A.;Sharer,P.;andBesnier,F.,“FeasibilityofReusableVehicleModeling:

ApplicationtoHybridVehicles,”SAEpaper2004-01-1618,SAEWorldCongress,Detroit,March2004.

[4]TheMathworks,Inc.,MatlabRelease14,User'sGuide,2005.

[5]http:

//www.eere.energy.gov/vehiclesandfuels/

[6]Rousseau,A.,Shidore,N.,Carlson,R.,Freyermuth,V.,“ResearchonPHEVBatteryRequirementsandEvaluationofEarlyPrototypes,“AABC2007,LongBeach,May16-18

[7]Sharer,P.,Rousseau,A.,Pagerit,S.,Nelson,P.,“MidsizeandSUVVehicleSimulationResultsforPlug-inHEVComponentRequirements“,SAEpaper2007-01-0295,SAEWorldCongress,Detroit（April2007）

[8]USABCPlig-inHybridElectricVehicleRequestforProposal,http:

//www.uscar.org/guest/article_view.php?

articles_id=87

[9]Karbowski,D.,Rousseau,A,Pagerit,S.,Sharer,P,“Plug-inVehicleControlStrategy:

FromGlobalOptimizationtoRealTimeApplication“,22thInterationalElectricVehicleSymposium（EVS22）,Yokohama,October2006.

[10]Whitehead,J.,“OptimalDesignofConventionalVehicles”,DOEReport,January2001

[11]Shidore,N.;Bohn,T.;Duoba,M.;Loshe-Bush,H.;andPasquier,M.,“InnovativeApproachtoVaryDegreeofHybridizationforAdvancedPowertrainTestingusingaSingleMotor,“EVS22,October2006.

[12]Graham,B.,“Plug-inHybridEectricVehicle,AMarketTransformationChallenge:

theDaimlerChrysler/EPRISprinterVanPHEVProgram”,EVS21,April2005.

[13]D.R.Jones,“DIRECTGlobalOptimizationAlgorthm,”EncyclopediaofOptiization,KluwerAcademicPubmications,2001.

[14]S.Kirkpatrick,C.Gelett,andM.Vechhi,“OptimiztionbySimulatedAnnealing,Science,”vol.220,no.4598,pp.671-680,May1983.

[15]H.J.Holland,“AdaptationinNaturalandartificialsystems,”TheUniv.ofMichigan,1975.

[16]J.Kennedy,andR.Eberhart,“articleSwarmOptimization,”Proc.IEEEItl.ConferenceonNeuralNetworks,vol.IV,pp.1942-1948,1995.

8.作者

AymericRousseau,ResearchEngineer,ArgonneNationalLaboratory,9700SouthCassAvenue,Argonne,IL60439-4815,USA,arousseau@anl.gov

AymericRousseauisheadoftheAdvancedPowertrainVehiclesModelingDepartmentatArgonneNationalLaboratory.HereceivedhisengineeringdiplomaattheIndustrialSystemEngineeringSchoolinLaRochelle,France,in1997.

SylvainPagerit,ResearchEngineer,ArgonneNationalLaboratory,9700SouthCassAvenue,Argonne,IL60439-4815,USA,spagerit@anl.gov

SylvainPageritreceivedaMasterofScie