混合动力汽车控制策略优化研究

混合动力汽车控制策略优化研究
吴艳苹;刘旭东;段建民
【摘要】将自适应遗传算法与序列二次规划算法结合构成混合遗传算法,用于求解混合动力汽车控制策略参数优化问题.一方面,分析并建立了控制策略参数优化的有约束非线性模型;另一方面,改进算法中自适应交叉和变异概率调整公式,并提出了序列二次规划算子与遗传算法结合的新方式.仿真结果表明,该算法提高了收敛速度和求解精度,保证了全局收敛性,在混合动力汽车控制策略参数优化中的应用是有效的.【期刊名称】《现代电子技术》
【年(卷),期】2008(031)017
【总页数】5页(P133-136,142)
【关键词】混合动力汽车;控制策略;混合遗传算法;参数优化
【作者】吴艳苹;刘旭东;段建民
【作者单位】北京工业大学,电子信息与控制工程学院,北京,100022;北京工业大学,电子信息与控制工程学院,北京,100022;北京工业大学,电子信息与控制工程学院,北京,100022
【正文语种】中文
【中图分类】U469.72
1 引言
混合动力汽车(Hybrid Electric Vehicle,HEV)结合了传统内燃机汽车和电动汽车的
优点，可以在保证车辆动力性能的前提下，减小燃油消耗和废气排放。

HEV控制策略在满足路况需求前提下，控制发动机、电动机等各个系统工作于最佳状态，从而使整个系统的总体效率最高。

所以，控制策略的优化设计是混合动力汽车开发中的关键问题。

由于HEV控制策略优化空间具有高度非线性、不连续、多模态等特点，传统基于梯度的搜索算法往往会失效[1]，因此，并开发选择新的高效优化算法是HEV优化设计的一个重要内容。

遗传算法(Genetic Algorithm，GA)是近年来发展起来的一种全局优化算法，广泛应用于混合动力汽车优化问题中[1-5]，但GA是一种概率性算法，因此存在着局部搜索效率低，易早熟等不足。

将自适应遗传算法与局部序列二次规划算法(Sequential Quadratic Programming，SQP)结合使用，构成自适应混合遗传算法(Adaptive Hybrid Genetic Algorithm，AHGA)将加快局部搜索速度，成为提高GA运行效率和求解质量的一个有效手段[6]。

由于HEV控制策略参数优化空间的非线性和复杂性，很难建立起明确的目标方程式，需要借助于仿真软件ADVISOR2002[7]来计算HEV油耗、排放和动力性能。

本文基于改进的多目标优化算法AHGA，提出了一种混合动力汽车控制策略参数优化的模型，如图1所示。

图1 混合动力汽车控制策略参数优化模型
2 串联式混合动力汽车结构
以一辆奥运场馆用混合动力中巴车作为研究实例，其基本参数如下：满载质量
M=2 650 kg，空气阻力系数CD=0.6，迎风面积A=3.35 m2，车轮滚动半径
r=0.42 m，滚动阻力系数f=0.009。

由于城市路况车辆行驶速度低、起停频繁且对排放和油耗要求严格，因此该车采用适于串联式混合动力汽车结构(Series Hybrid Electric Vehicle，SHEV)，能使发动机始终在最佳工作区域内运行，减少燃油消耗和排放，其结构如图2所示。

图2 串联式混合动力汽车结构图
如图2所示，该SHEV动力系统主要包括发动机、发电机、蓄电池和电动机等部件。

发动机和发电机同轴连接组成辅助动力单元，它和蓄电池一起串联起来为电动机提供电量。

电动机通过传动机构进行动力输出，其动力系统关键部件选型和参数匹配为：奇瑞SQR372汽油机，额定功率/转速为38 kW/6 000 rpm；发电机选择永磁同步发电机，额定功率为30 kW，效率为95%；电动机采用太阳电AC90异步电机，其最大功率为118 kW，效率达到93%；蓄电池串联28节水平铅布电池，其容量为90 Ah。

3 控制策略优化模型
3.1 控制策略优化变量
SHEV控制策略的关键在于APU输出功率和蓄电池充放电功率之间的合理分配，其采用的功率跟随模式控制策略的基本思想为：当蓄电池荷电状态(State of Charge，SoC)在蓄电池荷电状态上下限[cs_lo_soc，cs_hi_soc]之间时，发动机应在某一设定的范围内输出功率。

输出功率除了要满足路面需求外，还要预留一部分“补充功率”对蓄电池充电，而当蓄电池SoC大于cs_hi_soc时，则让发动机发出的功率小于路面需要的功率，不足的功率由蓄电池提供，目的是可将蓄电池SoC维持在一个较理想的状态。

发动机发出的用于补充/修正蓄电池SoC情况的功率称为均衡功率(cs_charge_pwr)。

这种控制策略能够分别对电池和发动机起到较优控制。

同时，还要考虑发动机发出功率上下限[cs_min_pwr，cs_max_pwr]，发动机最小关断时间(cs_min_off_time)。

因此，该控制策略的所需优化控制变量xi 如表1所示。

3.2 优化目标
混合动力汽车控制策略的优化目标是使燃油消耗和废气排放最小化，其中燃油消耗(Fuel Consumption,FC)特指百公里油耗(L/100 km)，废气排放指标包括一氧化碳
(CO)、碳氢化合物(HC)和氮氧化合物(NOx)等，单位均为(g/km)。

这四个目标是相互影响的，仅使一个目标达到最优，不能保证其他三个也最优[8]。

因此，根据不同优化目标在整个目标函数中所占的比重，赋予其不同的权重(wi)，从而将多目标优化转化为单目标的优化问题。

此外，燃油消耗和排放目标单位并不一致，为此将燃油消耗和排放的实际值除以用户自定义的目标值，得到量纲统一的相对量以便直接比较。

4个优化目标及其权重值和自定义目标值如表2所示，其中排放目标值为EURO IV排放标准。

表1 优化控制变量表符号变量名称单位下限上限x1cshisoc--0.60.9x2cslosoc--0.20.6x3csminpwrW025 000x4csmaxpwrW25 00050
000x5cschargepwrW025 000x6csminofftimes101 000
表2 优化目标及其权重值目标单位目标值权重值FCL/100
kmFC12.5w13COg/kmCO1w23HCg/kmHC*0.1w31NOxg/kmNO*x0.08w41 根据上述混合动力汽车优化目标及其权重，定义混合遗传算法控制策略优化目标函数如式(1)：
(1)
优化控制策略不仅要实现优化目标，而且必须满足汽车行驶动力性能约束，具体5个动力性能约束为：
(1) 最高车速≥120 km/h；
(2) 以30 km/h爬坡行驶120 s，爬坡度≥20%；
(3) 0～50 km/h加速时间≤9 s；
(4) 行驶整个工况蓄电池荷电状态变化ΔSoC≤0.5%；
(5) 每秒钟工况循环所要求的速度与车实际达到的速度之差Δtrace≤3.2 km/h。

3.3 控制策略优化数学模型
根据SHEV控制策略优化变量、优化目标及约束条件，控制策略优化数学模型可
以表述为：
(2)
这是一个典型的有约束非线性优化问题，其中f(x)为燃油消耗及废气排放的多目标优化函数；约束条件gj(x)为一组非线性不等式，表示车辆动力性能要求；xi为控
制策略优化变量，其上下限为由于混合动力汽车控制策略优化空间具有高度非线性、不连续、多模态等特点，采用AHGA，一方面可以保证全局收敛性，另一方面也
将提高优化过程的运行效率。

4 自适应混合遗传算法
AHGA采用能够提高解的精度和算法收敛速度的实数编码方式。

选择算子为随机
遍历选择，并采用精英保留策略。

4.1 自适应交叉和变异算子
AHGA采用非一致交叉算子和实值种群变异算子[9]，设定交叉概率和变异概率能
够随进化代数和适应度自动改变，可以在保持群体多样性的同时，保证遗传算法的收敛性。

交叉概率Pc应随进化过程逐渐变小，最后趋于某一稳定值，使GA在搜索空间具有各个方向上的均匀性[10]。

变异概率Pm在进化初期偏小一些，随着进化的进行，个体适应度趋于一致时，不仅应增大变异概率，而且还应加大优质个体的变异概率，以维持群体的多样性。

交叉和变异概率自适应调整公式分别如式(3)、式(4)所示：
(3)
(4)
其中，G为进化代数，α和β分别为交叉概率和变异概率的变化曲率，γ为交叉概率的收敛极限和f分别为适应度向量最大值、平均值和个体适应度值，k，k1和
k2为常数。

4.2 SQP局部搜索算子
将局部搜索能力强的SQP操作作为一个局部搜索算子嵌入到遗传算法中，就构成
了AHGA。

将SQP操作与遗传算法的结合过程，需要解决两个问题。

首先，随机进行SQP操作并不能加快遗传算法的收敛速度，有时甚至会适得其反。

考虑到遗传算法特性是以很快速度收敛到极值点附近，但随后收敛到极值点的过程中收敛速度很慢且程度很小，所以提出改进方法是动态判断当遗传算法处于小收敛时进入局部SQP搜索操作。

小收敛的判断条件为：
(5)
式(5)中，flast(X*)为上一代种群中的最优目标函数值，fCurrent(X*)为目前种群中最优目标函数值，ε一般取值为10-2～10-3。

其次，随机选择个体参与SQP操作，不仅达不到提高收敛速度的效果，而且求解
质量也难以保证。

而改进的算法中采用精英保留前N个最优适应值个体，再在前
S(S>N)个最优适应值个体中选择(S-N)个个体参与SQP操作，这就保证了算法的
鲁棒性和求解质量。

SQP局部操作结束后，若未满足全局收敛条件，则以SQP最后的寻优点替代初始点进入遗传算法继续寻优。

4.3 函数测试
采用Banana′s function和Shaffer′s function6函数分别对标准遗传算法[9]、改进的AGA和AHGA算法进行测试，以验证AHGA的有效性及收敛性。

实验中独
立优化30次作为一次实验，以平均计算目标函数值次数作为衡量算法速度的标准，
以收敛次数作为衡量算法全局收敛性能的标准。

其中种群规模为100，最大进化代数为500代，测试结果如表3所示。

表3 AHGA测试结果遗传算法 Banana's function Shaffer's function6函数值计算次数收敛次数函数值计算次数收敛次数SGA17 170310 684.37AGA13 207.862815 372.3113AHGA12 425.12810 278.915
测试结果表明，AGA相比标准遗传算法收敛次数更多，能以较大的概率跳出局部最优，命中最优解，而AHGA收敛到全局最优解的平均进化代数比AGA少，能够加快遗传算法收敛速度。

可见，AHGA具有较好的全局收敛性能和较快的收敛速度。

4.4 约束处理
约束处理是在分化罚函数方法上改进得来的，其基本思想就是在保证任何可行个体优于不可行个体的前提下进行优化工作，避免了出现最优值为不可行解的情况，从而获得好的结果。

如果解f(x)为不可行解，则惩罚后的目标函数值为：
(6)
式(6)中，fk(x)为可行解目标函数值，gj(x)为不可行解违反约束条件程度值，rj为惩罚因子。

5 控制策略优化实例
5.1 遗传算法参数设置及测试工况
自适应混合遗传算法中种群规模为20，最大进化代数100代，初始交叉和变异概率分别为0.9和0.05，进入SQP操作的小收敛判断ε取值为0.01。

测试循环工况为TEST_CITY_HWY，如图3所示。

图3 TEST_CITY_HWY路况
该工况包含一个低速城市道路工况(FTP-75)和一个高速道路工况(HWFET)。

其燃
油消耗计算公式如式(7)：
Comb_FC=0.55×City_FC+0.45×Hwy_FC
(7)
5.2 AHGA优化结果
将AHGA应用于SHEV控制策略优化，运行100代后满足收敛条件，则中止算法，此过程共计算目标函数值3 258次，最优目标函数值及平均目标函数值优化过程
如图4所示。

图4 AHGA目标值优化过程
由于精英保留策略的作用，每一代的最优值都直接保留到下一代中，所以最优解的变化曲线是单调的。

从解的均值变化曲线看出，由于自适应交叉和变异算子的作用，使新个体在搜索空间具有各个方向的均匀性，从而使得该曲线并非单调减小，这就保证了自适应遗传算法的全局收敛性。

控制变量的优化结果如表4所示，可以看
出蓄电池SOC上下限优化结果差别不大，但是发动机工作范围上下限变化范围扩大，发动机关断的最小时间也有增加。

5.3 结果分析
对TEST_CITY_HWY工况优化前后结果的对比如表5所示，不难发现，优化后的
燃油消耗和废气排放都要比优化前有明显下降，单目标和多目标优化燃油消耗分别比优化前提高了7.31%和6.36%。

比较只对燃油消耗进行单目标优化和同时对燃
油消耗和废气排放进行多目标优化的结果可以看出，多目标优化为了达到目标函数整体最小的目的，以牺牲油耗目标为代价，使之提高了3.13%，但同时三个排放
目标CO，HC和NOx分别减小了0.88%、3.55%和9.44%。

以上结果显示，应
用AHGA对混合动力汽车控制策略变量进行优化是切实有效的。

表4 控制变量优化结果控制参数单位优化前多目标cshisoc--0.80.745 6cslosoc--0.40.504 2csminpwrW9 4000csmaxpwrW34 67941 239cschargepwrW5
0003 396csminofftimes90361
表5 优化目标结果比较目标单位优化前单目标多目标FCL/100 km16.441 715.240 415.717 5COg/km0.950 80.908 80.900 8HCg/km0.246 80.239 50.231 0NOxg/km0.338 10.335 70.304 0
6 结语
本文主要研究了混合动力汽车控制策略参数优化方法，以一辆奥运场馆用串联式混合动力中巴车作为研究实例，分析了其功率跟随控制策略优化变量，明确了减小燃油消耗和降低废气排放的优化目标及动力性能约束条件。

本文将改进的自适应混合遗传算法应用于实车控制策略优化中。

结果表明，优化控制策略参数使燃油经济性和排放都得到了改善，该方法在HEV控制策略优化参数上有效可行。

下一步的工作，将离线优化得到的控制参数应用于实车标定中，可以大大减少开发时间。

此外，本文提出的方法还可以应用于混合动力汽车参数匹配等其他工程问题上。

参考文献
[1] 浦金欢,殷承良,张建武.遗传算法在混合动力汽车控制策略优化中的应用[J].中国机械工程,2005,16(4):648-652.
[2] Ziwu Ren,Ye San.Proceedings of the 6th World Congress on Intelligent Control and Automation,2006:3 547-3 551.
[3] Hasanzadeh A,Asaei B,Emadi A.Optimum Design of Series Hybrid Electric Buses by Genetic Algorithm.IEEE.ISIE Dubrovnik Croatia,2005:1 465-1 470.
[4] 胡晓林.演化计算在混合驱动系统优化中的应用[D].武汉:武汉理工大学,2004.
[5] Galdi V,Ippolito L,Piccolo A,et al.A Genetic-based Methodology for Hybrid Electric Vehicles Sizing[J].Soft Computing,2001:451-457.
[6] 王小平,曹立明.遗传算法——理论、应用与软件实现[M].西安:西安交通大学出版社,2002.
[7] ADVISOR2002.文档:/analysis.
[8] 邹琳,夏巨谌,胡国安.基于复合形法的混合多目标遗传算法研究[J].计算机应用研究,2006(7):70-72.
[9] 雷英杰.Matlab遗传算法工具箱及应用[M].西安:西安电子科技大学出版
社,2005.
[10] 潘伟,刁宗华,井元伟.一种改进的实数自适应遗传算法[J].控制与决
策,2006,21(7`):792-795.。