一直以来,接触纯电动的相关内容比较多。最近搜刮混合动力相关内容,发现关心混动研究混动的内容着实不少。混合动力系统中,内燃机、电池或者还有超级电容这类功率性电源共存,其复杂程度远在纯电动之上。今天,我们一起来学习一下插电混合动力系统能源控制策略。本文主要是对王钦普《插电式混合动力汽车能量管理策略研究综述》内容的简要介绍,有兴趣的童鞋可以直接去检索原文。
插电式混合动力汽车(Plug-in hybrid electric vehicles, PHEV)作为传统HEV 向EV 的过渡车型,因电池容量大,可外插充电,行驶里程长,可高效应对汽车全工况功效需求等特点,是目前新能源汽车的研究开发热点之一。
PHEV 的核心之一是能量管理策略,目前能量管理控制策略大致可分为基于规则CD-CS 的能量管理策略、基于优化算法的能量管理策略以及基于工况识别的能量管理策略。本文主要针对基于优化的管理策略。
PHEV能量管理基本问题
PHEV 是指由两种及以上的动力源混合驱动的汽车。以现在应用最多研究最广的由发动机与电动机两者混合驱动的汽车为例,由于发动机与电动机工作效率、频率响应特性、转矩特性等固有特性的差异性,导致能量管理策略对PHEV 的整车性能提升起着决定性作用。针对所研究目标的不同,如何最大限度的利用各动力源的优点,弥补各动力源的不足成为评价能量管理策略优劣的重要指标。
基于优化控制的能量管理策略,按照所研究目标的个数,PHEV 能量管理策略可分为单目标优化以及多目标优化两大类,其中依据具体处理方式以及优化问题的不同,总体可以分为四种。
基于等效油耗的瞬时优化问题
通过将电耗与油耗进行等效处理,以获得相应的瞬时最优能耗的问题就是基于等效油耗的瞬时优化问题。其问题描述的一般形式为
式中,控制变量u 一般是指的发动机转矩或功率;J指代目标函数;f(u)指代对应的发动机瞬时油耗;g(u)指代对应的瞬时电耗;s 指代油耗与电耗的折算因子;h(u)指代优化过程中的约束,如发动机转矩限制、转速限制等。该问题的理论基础来源于PMP,通过PMP 对PHEV 能量管理全局优化问题进行分析验证,可以得出结论:假定当电池开路电压不随电池SOC 变化而变化时,存在适当的s 取值使得该瞬时优化策略可实现全局优化性能。该理论也是ECMS 算法的可行性基础。而如何寻找到可行的s 也成为等效油耗瞬时优化问题的研究重点。
基于全局最优化的优化问题
当以近似全局优化或全局优化作为PHEV 能量管理问题的研究目标时,其优化范围则也会相应的发生改变,依据工况是否完全已知,可以分为全局优化与近似全局优化两种。针对连续系统,其问题描述的一般形式为
式中,t0指代优化起始时刻;tf 指代优化终止时刻,其中根据所采用优化方法的不同,该时刻的定义也各有区别; f (x(k),u(k)) 指代的是单位时刻对应的油耗;g(x(k),u(k)指代的是单位时刻对应的电耗;s 指代的是电耗与能耗的等效系数,从实际工程应角度出发,一般采用价格成本进行电耗与能耗的等效;x(u)指代的是状态变量,在求解近似全局最优问题或最优问题中不可或缺的一部分,对于PHEV,通常是指代的电池当前的SOC;x(u,t)指代连续状态的状态变化量;L(x(u),u)指代的是x(u)关于u及x 的函数;对于该类问题,在目标函数确定之后针对特定的研究对象选取合适的优化方法以求得相应的最优的u 是该类问题研究的重点内容。
基于预测域优化的局部优化问题
考虑到PHEV 其电池可用容量较大,要想实现最优化的能量管理策略,首先须使得电池电量能够在驾驶工况上的合理均匀使用,考虑到基于预测控制的能量管理策略可获得局部最优化的能力,因此堆积于预测域优化的PHEV 能量管理问题,都会引入SOC 参考值的偏差这一目标值,其问题描述的一般形式为
式中,t0指代起始时刻;tp指代预测域的总时间;ε是SOC 参考值与实际值差的等效系数;该问题不同于全局优化/近似全局优化问题,预测域是指代的可按照统计方法或智能交通信息对未来较近一段时间预测的运行工况,而由于预测域的存在,使得本问题为预测域最优化问题,是局部最优问题,而通过对SOC 值偏差的校正,可以尽量保证在驾驶工况下电量尽量合理的分配,以使得该种局部最优化问题能够获得近似全局优化的特性。该类问题的研究重点是预测域的选取及工况预测的准确性。
基于多目标优化的能量管理问题
PHEV 能量管理问题不仅关系到整车的燃油消耗,同时也与尾气排放,整车动力性等性能密切相关,但这些性能指标差异性大,无法统一,甚至互为矛盾,其问题描述的一般形式为
式中,u[u1,u2 ,……,um ]指代着对应于此优化问题的多个相关控制参数,J[F1(u),F2 (u),Fn (u)]指代的是对应的多个优化指标,针对具体研究问题的不同,其中可以包括燃油消耗,动力性及排放的优化目标。该类问题综合考虑了多种优化指标,相对于前述的单目标优化而言实用性更好,而对于该类问题的处理方法也有多种,包括加权系数法及Pareto解集选优等。该类问题如何对多个目标进行综合优化是此类问题的研究重点。
基于规则的 PHEV 能量管理策略
PHEV 能量管理策略按照其实现的方式,可以分为基于规则式的能量管理策略,基于优化方法的能量管理策略两类。其中基于规则式RB的能量管理策略运算时间最短,在线应用可行性最高,其中RB 门限值的设定则可通过实际工程经验获取、发动机最优工作点参考及离线优化策略提取等方式获得。常用的RB 策略有CD-CS 策略, EVCS 策略及基于模糊逻辑(Fuzzy logical, FL)的规则式策略,此类策略实时性强,但优化效果有限。
关于基于规则,PHEV 主要通过以下4 种方式提高整车燃油经济性。
(1) 采用电制动代替部分传统机械制动,实现制动能量回收。
(2) 通过电机带动发动机启动,避免发动机自启动时的低效率区。
(3) 发动机采用怠速停机,减小发动机怠速油耗。
(4) 通过主动充电及转矩/功率分配来修正发动机的工作点,避免发动机工作在低效区,抬升发动机负荷率。
基于此,可以提取出规则式控制策略,下面三幅图中,分别是对应的EV 策略,CD 策略及CS 策略的控制逻辑。通过将这三种策略进行适当的组合便可形成适当的PHEV规则式能量管理策略。
EV 模式下的能量管理策略
CD 模式下的能量管理策略
CS 模式下的能量管理策略
基于优化的PHEV能量管理算法
当前PHEV 投入商用的能量管理策略的工作模式主要分为两种: 电量消耗模。( Charge-Depleting,CD) 和电量保持模式 ( Charge-Sustaining,CS) 。基于优化的能量管理策略是目前能量管理策略理论研究的主体。
基于动态规划(DP)的能量管理策略
DP 是用来求解多阶段决策过程最优化的数学方法。通过将能量管理问题进行离散化处理,选取合适的决策变量以及状态变量,便可以将DP 应用于能量管理策略的研究。此外,进行基于DP 的能量管理策略研究时,对构型相似的PHEV 与HEV而言,当研究目标相同时,两者间除了初始及终止SOC 会有很大差别外,其状态方程的建立,状态变
量的选取等均相同,即DP 通用性较强,而由于DP 的计算复杂度高,且其求取最优解
需以工况完全已知作为优化前提,因而难以直接在线应用。但基于DP 算法全局最优的特性,通常该算法被用作RB 策略的在线修正或不同优化策略的评估基准,对能量管理策略的设计改进具有重要指导意义。
基于 PMP 的能量分配策略
PMP 是最优控制理论中用来求解受控系统或运动过程的给定性能指标取极大或极小值的最优控制的主要方法,相对于DP,该算法在满足全局最优的同时计算量更小,虽然 PMP 具有相对较小的计算复杂度,但实时运算仍然难以实现,而基于PMP 进行推导分析,在合理对整车模型进行简化的前提下,可得到结论:
在选取适当的等效系数时,可以获得近似全局最优解。而基于该方法所得到的可在线应用策略也被称为ECMS 策略。
基于模型预测控制的能量管理策略
PHEV 能量管理策略作为工程应用问题,设计出的控制策略的实时运算能力与性能优化效果一直是关注的焦点。而MPC 作为在工业领域已获得广泛应用的优化控制方法,由于其预测域的引入,使得其在具有实时运算潜力的同时能够获得在预测域内的最优解,因而对于PHEV 能量管理问题同样适用。
MPC 主要包括三个部分:预测模型-滚动优化-在线校正。通过预测模型进行状态参数以及目标函数的计算,然后利用所提出的优化方法在预测域内基于模型进行优化,然后将所获得的最优控制变量序列的第一个控制变量输出到实际控制对象,最后通过实际反馈的状态参数与模型状态参数对比进行反馈校正,从而保证MPC 的准确性、有效性。
基于凸优化的能量管理策略
凸优化是一种求解凸集合问题的最优化算法,其中常见凸优化问题中特殊案例就包括线性规划(Linear programming, LP) , 二次规划(Quadraticprogramming, QP),二次约束二次规划(Quadratically constrained quadratic programming,QCQP)以及半定规划(Semidefinite programming,SP)。其中,LP 属于QP 的特例,QCQP 包含QP,SP 则能完全覆盖QCQP,但同时,对应的问题约束度越高,其优化问题越简单,运算量越小,但对于实际问题的应用也会越困难[105]。针对PHEV 能量管理问题,常见的凸优化方法便是将该复杂的非线性问题转化为半定问题,在保证了优化结果有效性的的同时能够极大地减少运算时间,提高算法的实时性能。
基于进化算法的能量管理策略
进化算法(Evolutionary algoritms, EA)又称演化算法,最初指代的是借助适者生存这一进化规则算法簇,后来逐渐演化为一类启发式随机搜索方法。EA 对比于传统的全局优化算法而言,具有群体搜索,求取问题的全局最优解能够不受问题性质限值,鲁棒性强等特点;但是由于其算法的特性,同时它也存在收敛速度慢,容易陷入局部最优的缺点。
目前应用较多的EA 包括粒子群算法(Particle swarm optimization, PSO),遗传算法(Genetic algorithm,GA),拟退火算法(Simulated annealing,SA),蚁群算法(Ant colony optimization, ACO),差分进化算法(Differential evolution, DE)等,针对于PHEV 能量管理问题,该算法现阶段均采用离线运算出最优结果,再与在线策略相结合的机制实现PHEV 能量管理的优化。
基于有监督学习以及无监督学习的能量管理策略
有监督学习(Supervised learning, SL)指的是利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程。当条件满足时,该方法可有效处理规则提取以及分类的问题,对于PHEV 能量管理问题,常用到的方法有NNs。
相对于SL,无监督学习(Unsupervised learning,USL)所针对的问题则是在未加标签的数据中,试图找到隐藏的结构,基于该算法的特性,该方法广泛应用于聚类识别问题中。
基于优化的能量管理策略,虽具有较好的优化效果,但其中大部分实时运算难以实现,因而通过合理地问题简化,算法简化,或通过离线优化在线插表的方式等,可在保证较高的运算精度下获得较好的实时应用能力。
常见缩写:
基于规则式(Rule-based, RB)
电量消耗型-电量维持型策略(Charge depleting - chargesustaining, CD-CS)
电动车-电量维持型)策略(Electricvehicles - charge sustaining, EVCS
动态规划(Dynamic programming, DP),
庞德里亚金极小值原理(Pontryagin’s minimum principle, PMP)
等效燃油消耗最小策略(Equivalent consumption minimization strategy,ECMS)
模型预测控制策略(Model predictive control, MPC),
随机动态规划(Stochastic dynamic programming, SDP),
凸优化(Convex programming, CP),
进化算法(Evolutionary algorithms, EA),
差分进化算法(Differential evolution, DE),
人工神经网络(Artificial neural networks, ANNs)
线性规划(Linear programming, LP)
二次规划(Quadraticprogramming, QP)
二次约束二次规划(Quadratically constrained quadratic programming,QCQP)
半定规划(Semidefinite programming,SP)
