基于遗传算法的混合动力城市公交客车控制参数匹配研究.docVIP

PAGE PAGE 1 基于遗传算法的混合动力城市公交客车控制参数匹配研究 　　摘要：在混合动力汽车门限值控制策略中，门限值一般由经验值确定，缺乏快速、有效的确定方法。文章研究内容基于并联式混合动力城市公交客车的AVL　CRUISE整车仿真模型，通过采集实际混合动力城市公交客车的运行工况，利用MATLAB中遗传算法工具箱，对整车控制策略中的控制门限值进行重新匹配。由于传统门限值控制策略对于工况适应性不强，因而文章利用神经网络模型对工况进行辨识，增强了控制策略对工况的适应性，并获得了良好效果。 　　关键词：AVL　CRUISE整车仿真；实际运行工况；遗传算法；神经网络 　　中图分类号：U469文献标识码：A文章编号：1009-2374（2012）32-0013-02 　　1　整车仿真模型搭建 　　AVL公司的CRUISE软件是正向仿真软件。整车模型和控制策略模型明确分离，这样使得仿真模型更接近实际车辆，结果误差更小。本文仿真试验部分选用AVL　CRUISE和MATLAB软件进行联合仿真，在MATLAB/Simulink中建立整车控制器模型控制整车模型进行仿真。 　　整车模型基本参数如下：汽车总质量，长度12m，发动机峰值转矩，最大功率为，电机峰值转矩为，峰值功率为。车辆结构为传统式并联混合动力结构。 　　2　实际工况采集 　　混合动力汽车燃油经济性的优化一直是研究者研究的重点课题。影响燃油经济性的因素有很多，工况是重要因素。城市公交车由于其工况复杂，更适合使用混合动力汽车车型提高燃油经济性。在之前的混合动力研究中，大多使用认证工况，本文针对固定城市工况对车辆进行匹配，需要引入符合城市公交实际的实际运行情况。 　　因此，我们对实际运行的城市公交客车的运行工况进行了为期两周、全天时间覆盖的（包括早、晚高峰）运行工况数据采集。所用工具为Vector公司的CANoe软件。 　　3　遗传算法控制参数匹配 　　本文目标是重新匹配控制门限值，以往文献中转矩门限值为外特性曲线的百分比，本文则重新确定转矩门限值曲线形状，即曲线中的插值点具体数值而非单个数值。本文选择了如下四个控制参数：发动机最优经济区域上限；发动机最优经济区域下限1（0.3＜SOC＜0.45）；发动机最优经济区域下限2（0.45＜SOC＜0.55）；电机各档位助力比例。 　　首先，并联式混合动力公交车受工况影响很大，而单一工况中发动机经济区上下限的门限确定影响着控制模式的输出，对经济性、动力性影响很大；其次，发动机和电机由转矩耦合器保持着传动关系，发动机的工作点影响着电机的工作点分布；最后，电机各档位助力比例影响着车辆动力性，同时影响电池SOC，并且和整车效率相关。针对理论分析，分别对每一个控制参数进行仿真试验。以轻载工况为例，运行仿真试验，列出上述参数对车辆经济性的相关性结果。总结如表1所示（变化值均以原数据为标准）： 　　以发动机经济区上下限为例，确定遗传算法匹配控制参数的流程。发动机经济区上限为一条曲线，为了达到优化曲线，得到理想的门限值，可以将这条曲线视作对应若干个固定发动机转速的一行转矩数组。在遗传算法优化过程中，首先是确定一条典型工况，在混合驱动模式时，通过遗传算法重新匹配这行数组。在CRUISE运行过程中，以数组形式将数据输入模型，通过输入发动机转速信号，插值得到此时发动机经济区上限值并输出，对发动机运行模式进行控制。 　　本文研究目的以经济性最大作为目标，定义的适应度函数时以仿真气耗最低作为目标函数。在适应度函数编写过程中以SOC维持平衡和整车动力性作为约束，加入两个函数：为SOC终值与初值之差，为需求和实际车速差的平均值。即，分别对两个值进行惩罚函数设计，将三个函数相加，作为适应度函数。适应度函数最小，则视为最优解。以下为适应度函数公式： 　　（1） 　　因为各控制参数对于仿真结果的影响不同，所以在优化每个控制参数时，设计的适应度函数有所区别。另外，运行遗传算法对控制参数进行匹配时，在各工况下分别进行匹配，首先针对轻载顺畅典型工况，然后依次是中载、重载工况。对于每一种典型工况，分别对车辆发动机优化区域上下限，电机助力比例参数运行优化。 　　4　工况识别 　　为了增强控制模型的适应性，基于本文项目中所采集工况，利用MATLAB软件中用于模式识别的神经网络（Neutral　Pattern　Recognition　Tool）工具箱实现工况识别功能。在搭建神经网络模式识别模块过程中，首先将30组实测工况数据读入工作空间，定义为“trndataInputs”。选择读数方式为“row”，则显示输入为30组2元素的数据（平均车速，怠速时间比例）作为计算的“训练数据（Training　Data）”。另将目标值，即工况模式代号1、2、3分别代表轻载顺畅、中载拥堵、重载拥堵