混合动力汽车控制策略优化研究

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。

关键词：混合动力汽车；控制策略；混合遗传算法；参数优化

中图分类号：U469.72 文献标识码：A 文章编号：1004373X(2008)1713304

Research on Optimum Control Strategy for Hybrid Electric Vehicle

WU Yanping,LIU Xudong,DUAN Jianmin

(College of Electronic Information and Control Engineering,Beijing University of Technology,Beijing,100022,China)

Abstract：On the basis of Adaptive Genetic Algorithm (AGA) and Sequential Quadratic Programming (SQP),a hybrid generic algorithm is presented for parametric optimization of control strategy for Hybrid Electric Vehicle (HEV).The optimal model of parameters is formulated as a constrained nonlinear programming problem.The hybrid genetic algorithm not only proposes a new calculation formula of crossover and mutation probability,but also proposes a new AGA and SQP combinative mode.The study on case proves the validity of the parameters optimization and the efficiency of this hybrid genetic algorithm.

Keywords：hybrid electric vehicle;control strategy;hybrid genetic algorithm;parametric optimization

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，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。