點擊上方藍字關注我們！

摘要:建立增程式電動汽車整車仿真模型,以恒溫器控制策略為例,以車輛最長續駛里程和百公里油耗為優化目標,利用自適應遺傳算法對其能量管理策略進行了優化｡優化結果表明,采用自適應遺傳算法可使等效燃油消耗較之優化前減少10%｡同時研究了蓄電池SOC上､下限值與目標續駛里程的關系以及不同蓄電池初始SOC值對燃料電池輸出功率最優值的影響｡研究發現,目標續駛里程與蓄電池SOC上限值關系不大,受下限值影響較大;燃料電池恒定輸出功率最優值隨著蓄電池初始SOC值的增大而減小｡

1 前言

電動汽車是目前解決能源危機和環境污染最具潛力的新能源汽車,但純電動汽車存在續駛里程短､充電時間長的問題,增程式電動汽車(Extended Range Electric Vehicle,EREV)的出現有效彌補了此種不足｡

EREV安裝有能夠增加續駛里程的增程器(Range Extender,RE),RE與動力蓄電池一起作為整車動力源｡在確定了整車各部件的基本參數后,整車能量管理策略決定了整車的燃油經濟性､動力性和排放性,即能量管理策略的優化對進一步提高整車的性能有著顯著的影響｡

傳統遺傳算法(SGA)容易出現早熟現象,尤其是在適應度函數選擇不當的情況下,容易收斂于局部最優,無法達到全局最優｡本文結合EREV的結構特點,提出采用交叉和變異概率可動態變化的自適應遺傳算法(AGA),來優化其能量管理策略｡

2 EREV

EREV是在純電動汽車基礎上安裝RE｡RE是能夠發電且給車載動力蓄電池充電的輔助能量裝置｡當蓄電池電量充足時,汽車以純電動模式行駛;當蓄電池電量不足時,RE開始工作,給蓄電池充電或直接驅動電機,從而大幅提高電動汽車的續駛里程｡

本文研究對象是以燃料電池作為RE的燃料電池EREV,整車的基本參數如表1所示｡

表1 燃料電池EREV基本參數

圖1為燃料電池EREV動力系統結構示意圖,其中單實線代表電氣連接,雙實線代表機械連接,虛線部分為RE單元｡燃料電池一方面可以為動力蓄電池充電,另一方面可以與動力蓄電池一起驅動電機｡?

圖1 燃料電池EREV動力系統結構示意

3 優化設計模型

3.1 優化目標

本文選取的EREV使用氫氣作為燃料,其生成物為水,基本上不存在排放問題｡因此,該能量管理策略的優化目標就是在滿足汽車動力性能要求的基礎上,盡可能地降低油耗,其中油耗包括動力蓄電池所耗電量和燃料電池所用氫氣量｡為此,將能量管理策略參數的最優化表述為求解如下有約束非線性規劃問題:

式中,X是包含了EREV系統參數和控制參數的向量;Q(X)為等效燃油消耗量;FC(X)､BD(X)分別為燃料電池氫氣消耗量和蓄電池電量消耗量,兩值可以通過熱值相互換算;g_j(X)≥0,j=1,…,m為一組非線性不等式約束,代表汽車動力性能要求,如加速時間､蓄電池SOC變化等｡

3.2 優化變量

EREV能量管理策略側向于盡可能少的使用RE,保持汽車以純電動模式行駛｡該能量管理策略實現的關鍵在于燃料電池輸出功率與動力電池輸出功率的合理分配,采用的恒溫器控制策略基本思想是:燃料電池工作在恒定的功率點上,其開啟和關閉取決于蓄電池荷電狀態SOC的大小｡當蓄電池SOC低于下限值時,燃料電池啟動并輸出恒定功率給蓄電池充電;當蓄電池SOC達到上限值時,燃料電池關閉,汽車以純電動模式行駛直至蓄電池SOC下降到下限值時燃料電池再次啟動｡

文中選擇了策略中最主要的3個參數作為系統參數的優化變量,如表2所示｡

表2 恒溫器控制策略優化變量

3.3 約束條件

優化控制策略不僅要實現優化目標,還必須滿足汽車行駛的其他性能要求,具體的性能約束條件為:

a.0~30km/h的加速時間小于10s｡

b.行駛過程中,蓄電池SOC始終大于0.2(為避免蓄電池過放電,設定蓄電池SOC低于0.2時停止放電)｡

c.每秒鐘工況循環的目標車速與實際行駛車速之差不大于3.2km/h｡

d.燃料電池輸出功率不大于5kW｡

4 遺傳算法優化實現

AGA是一種借鑒自然界遺傳機制的隨機并行搜索的方法,其優化流程如圖2所示｡

圖2中P_c1､P_m1為小于1的數;f_avg是種群平均適應度值｡AGA優化通過編碼將問題參數轉化為設計空間的基因型結構,隨機產生一組初始種群,然后模擬生物進化過程,使種群不斷往更好的方向進化,最終找到問題的最優解｡具體實現的尋優過程可描述如下｡

圖2 AGA優化流程

a.編碼｡本文采用二進制編碼形式,將待優化的蓄電池SOC上限值､下限值和燃料電池恒定輸出功率分別表示為字符串基因,然后將各基因串連起來組成一個染色體,即優化解空間的一個向量X表示一個染色體編碼｡

b.初始化種群｡種群是遺傳優化進化過程的基礎,種群中的個體對應著三個參數變量組成的字符串基因｡從某種程度上講,種群的性質變化決定了遺傳算法的搜索能力,遺傳算法的收斂性取決于種群的收斂性｡本文采用均勻隨機的方式選定初始種群,種群數量設為50｡

c.適應度計算｡遺傳算法在進化搜索過程中僅僅利用適應度值來進行搜索｡首先計算每組優化變量對應的目標函數值,然后通過函數值向適應度映射,得到種群中每個個體的適應度｡本文采用的目標函數值為目標續駛里程｡

d.遺傳操作｡采用選擇､交叉和變異等遺傳操作產生下一代新種群｡選擇策略采取經典的輪盤賭比例方法,被選擇個體概率與其適應度成比例｡當輪盤旋轉時,每一個體被選擇的概率都與它所占的比例相對應｡但是,在種群進化過程中,個體的相似度越來越大,容易陷入局部最優,這時就需要改變交叉和變異概率,跳出局部最優,增加種群產生新個體的能力｡采用自適應交叉概率和變異概率的計算公式如下｡

式中,f_c為要交叉的兩個個體中較大的適應度值;f_m為要變異的個體適應度值;f_max為群體中最大適應度值;P_c2､P_m2為小于1的數,且應有P_c1≥P_c2､P_m1≥P_m2,文中取P_c1=0.9､P_c2=0.8､P_m1=0.1､P_m2=0.05。

5 優化結果與分析

在Matlab 7.6環境下,利用ADVISOR2002工具建立燃料電池EREV前后向仿真模型｡仿真過程中,取蓄電池SOC初始值為0.95;測試循環工況為根據實車最高車速要求進行等比例縮放的CYC_UDDS城市工況;采用恒溫器控制策略,按照經驗設定控制參數:蓄電池SOC上限值為0.8,下限值為0.4,燃料電池恒定輸出功率為4kW｡仿真運行結果如圖3所示｡圖3a顯示的是第一個循環工況,以此驗證行駛車速對目標車速的跟蹤情況｡

圖3 整車模型仿真結果

從圖3中可以看出,車輛能夠準確的跟蹤循環工況;燃料電池在蓄電池SOC達到0.4時開啟,對蓄電池充電,直到蓄電池SOC降到0.2時仿真停止｡因此,整車模型和策略可以與優化程序進行聯合仿真｡

為驗證優化算法的有效性,編寫AGA和SGA優化程序,將算法程序與整車仿真模型通過adv_no_gui命令集成,以實現數據交互｡選取遺傳代數為50,以續駛里程為最優目標,尋優結果如圖4所示｡從圖4中可以看出,AGA最優值隨著遺傳代數的增加不斷增大,直至收斂;而SGA收斂于局部最優值,優化效果明顯弱于AGA｡

圖4 遺傳優化目標值隨遺傳代數變化曲線

優化結果如表3所示｡從表3中可以看出,AGA優化方法使得等效燃油消耗從優化前的4L/100km減少到3.6L/100km,降幅達到10%,比SGA優化得到的等效燃油消耗降低2.5%;同時,續駛里程由優化前的53.1km增加到58.4km,增幅為10%,比SGA優化得到的續駛里程增加1.7%｡

表3 優化結果對比

圖5是經過AGA優化后的最優能量管理策略仿真結果,燃料電池在蓄電池SOC為0.49時啟動,與蓄電池共同驅動電機,一直持續到氫氣量耗盡,之后蓄電池SOC降至0.2,仿真停止｡整個過程中,燃料電池對蓄電池基本沒有充電,優化結果使得蓄電池SOC降幅減緩,氫氣量與電量基本同時耗盡｡可以看出,燃料電池恒定輸出功率的大小對整車燃油經濟性起決定性作用,這是因為蓄電池充放電效率受蓄電池SOC大小影響較小,而燃料電池的效率則隨著輸出功率的不同變化較大｡在滿足整車動力性的基礎上,當燃料電池恒定輸出功率處于其最佳效率點附近時,整車的燃油經濟性較好｡

圖5 AGA優化后的最優能量管理策略仿真結果

保持燃料電池輸出功率為最優值不變,研究不同蓄電池SOC上限值､下限值對續駛里程的影響,如圖6所示｡

圖6 續駛里程與蓄電池SOC上､下限值的關系曲線

從圖6中可以看出,當燃料電池輸出功率保持不變時,續駛里程與蓄電池SOC上限值關系不大,而受蓄電池SOC下限值影響較大｡蓄電池SOC下限值影響著燃料電池的開啟時刻,決定著燃料電池的氫氣量能否在蓄電池電量消耗完之前或同時耗完｡當蓄電池SOC下限值低于0.43時,即如果燃料電池在蓄電池SOC低于0.43時啟動,則氫氣量不能夠在蓄電池電量降到20%時耗盡,如此便會極大地減少整車的續駛里程;當蓄電池SOC下限值高于0.43時,氫氣量能夠在電池電量低于20%時耗盡,此時蓄電池SOC下限值的大小對續駛里程基本無影響｡

不同蓄電池初始SOC值時通過遺傳優化得到的燃料電池恒定輸出功率變化曲線如圖7所示｡隨著蓄電池初始SOC值的降低,燃料電池恒定輸出功率在蓄電池初始SOC值處于中高范圍內變化時略微上升,在蓄電池初始SOC值處于較低范圍內隨著初始SOC值的降低而急劇增大｡當蓄電池初始SOC降低時,為了使得氫氣量能夠在蓄電池SOC值降至20%之前或同時耗盡,燃料電池需要消耗更多的氫氣,所以燃料電池輸出功率增大,降低蓄電池SOC下降的速率,盡可能與電量消耗保持同步,以此獲得最大續駛里程｡

圖7 燃料電池恒定輸出功率與蓄電池初始SOC值的關系曲線

6 結束語

針對SGA易于局部收斂的缺陷,本文將交叉和變異概率可隨種群適應度值改變的AGA用于燃料電池EVER恒溫器能量管理策略的優化,并對優化結果進行了分析｡優化結果表明,AGA優化比SGA優化效果好,提高了整車燃油經濟性;當保持燃料電池輸出功率為最優值不變時,目標續駛里程與蓄電池SOC上限值關系不大;蓄電池SOC下限值存在某一閾值,高于此閾值時,對續駛里程無影響,低于此閾值時,續駛里程隨著下限值降低而急速減少;當蓄電池初始SOC值在中高范圍內變化時,燃料電池恒定輸出功率最優值變化不大;當蓄電池初始SOC在較低范圍內變化時,通過優化得到的燃料電池恒定輸出功率將隨著蓄電池初始SOC值的降低而急劇增大｡

關注我們

獲取更多資料！

CEA氫氫子衿

文章來源：徐群群,宋珂,洪先建,章桐.基于自適應遺傳算法的增程式電動汽車能量管理策略優化[J].汽車技術,2012(10):19-23.

【免責聲明】文章為作者獨立觀點，不代表CEA氫氫子衿立場。如因作品內容、版權等存在問題，請于本文刊發30日內聯系CEA氫氫子衿進行刪除或洽談版權使用事宜。

總結

以上是生活随笔為你收集整理的tablewidget 行数自适应_控制|基于自适应遗传算法的增程式电动汽车能量管理策略优化...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。