能量管理的有效策略

2023-06-24 理论教育版权反馈

【摘要】：能量管理策略是混合动力车辆控制系统的核心，也是混合动力车辆领域研究最为广泛和深入的内容。基于规则的能量管理策略通常依靠设计者的工程经验制定。基于优化的能量管理策略主要包含全局优化能量管理和实时优化能量管理两种。此后，文献［39-43］也提出了针对混合动力车辆的基于DP的能量管理策略。

能量管理策略是混合动力车辆控制系统的核心，也是混合动力车辆领域研究最为广泛和深入的内容。能量管理策略在满足给定约束的前提下，对混合动力车辆各能量源的功率进行优化分配，从而实现预定的性能指标，主要包括燃油经济性、排放性和动力性等［17］。混合动力车辆的能量管理策略主要分为两种：基于规则的控制策略和基于优化的控制策略［18，19］。基于规则的能量管理策略通常依靠设计者的工程经验制定。由于其对计算量要求较小，易于在实际控制器上实现，故在混合动力商业化车型上的应用较为普遍［17，20～22］。基于规则的能量管理策略又称为逻辑门限控制策略，可分为确定性规则控制和模糊性规则控制，基于确定性规则的能量管理策略目前有恒温控制方法、功率跟随方法以及状态机方法等［23］。俄亥俄州立大学的Rizzoni等人在文献［24］中指出，逻辑门限控制策略的缺点是无法保证控制效果的最优性，需要大量调试，且算法可移植性不佳。除了确定性规则的算法外，模糊逻辑控制算法也被大量应用于混合动力车辆能量管理策略的研究中［25-27］，在逻辑门限控制的基础上，结合专家经验将控制规则模糊化，进而提高能量管理策略的鲁棒性和可调性。文献［28］中在满足驾驶员的驱动功率需求和维持电池SOC的同时，通过模糊逻辑控制策略实现了混合动力系统的各子部件整体效率优化控制的目标，改善了系统性能。Kheir等人在文献［29］中将驾驶员油门开度、SOC、电机转速和车速等作为控制输入，以各动力部件的控制指令作为输出，制定了三种类型的规则，实现了系统的燃油经济性和排放性能的改善。文献［30］中同样以电池SOC、车速、踏板开度为输入，以电机和发动机转矩为输出，将专家知识以固定的规则形式存储在控制器中，由模糊控制器完成决策。在车辆行驶过程中，模糊控制器将电池SOC、车速以及踏板开度等信号作为输入变量，模糊控制规则由相关设计人员根据经验制定，基于相关输入和模糊规则推导出模糊结论，经去模糊化将模糊决策转换为精确的转矩输出指令，协调发动机、电机转矩分配，进而优化燃油经济性。但需要指出的是，无论是基于确定性规则的控制，还是模糊控制，依靠工程经验制定控制规则难以确保控制策略的优化指标达到预期。例如，针对混联式混合动力车辆，需要考虑多个状态变量对规则的影响，规则集的规模急剧增大，将使得规则的制定非常困难［31］。

基于优化的能量管理策略则在建立系统控制目标函数和约束条件后，通过使用优化算法求取目标函数在可行域内的极小值/极大值问题。基于优化的能量管理策略主要包含全局优化能量管理和实时优化能量管理两种。

全局优化一般要求在功率需求已知的条件下进行优化，研究人员已对全局优化算法进行了大量研究，常见的优化算法有遗传算法、线性规划、动态规划等。遗传算法可用于处理混合动力能量管理中复杂的多目标优化问题，但其不能准确表达非线性控制问题的约束和不可行域［32］。线性规划算法是优化理论中发展较为成熟的一种算法，Boyd等人对混合动力系统中的非线性凸优化问题进行了近似，并利用线性规划的方法对近似的问题进行求解［33］。线性规划的局限性是需要将系统的非线性约束条件线性化，处理复杂问题的能力有限。动态规划法（Dynamic Programming，DP）被认为是能够取得全局最优的一种能量管理策略设计方法［34-36］，其基于贝尔曼最优化原理，可以求解给定工况下系统的最优控制决策。密歇根大学的彭晖等人于2003年实现了应用DP对并联式HEV的能量管理决策优化［37］，随后又将基于DP的能量管理扩展到了单模混联式HEV上［38］。此后，文献［39-43］也提出了针对混合动力车辆的基于DP的能量管理策略。动态规划可用于求解约束和非线性的动态优化问题，获得全局最优解，但DP算法必须在提前获得车辆状态和行驶工况的情况下才能准确求得全局最优解。此外，算法的计算量与状态变量、控制变量的维数成指数关系，计算负荷大且对硬件的要求较高［44］。以苏黎世联邦理工学院的Guzzella为代表的学者认为DP可作为评价其他优化算法的基准［45］，但无法用于实时控制，文献［46］中则将DP用于分析比较HEV的构型。由于循环工况对控制策略有重大影响，有些研究采用随机动态规划SDP（Stochastic Dynamic Programming）来解决给定工况下混合动力车辆的优化控制问题［47-50］。随机动态规划的计算仍然非常复杂，但可以通过离线计算并以MAP图的形式存储下来，在实时控制时查表选取控制输入［51］。随机动态规划算法中状态变量的转移概率取决于所考虑的典型循环工况，且最优控制策略仅针对给定的马尔科夫（Markov）过程，而对于非典型循环工况，随机动态规划算法的优化性能可能大幅下降［10］。

实时优化方法是指在线对能量管理决策进行优化计算的方法，主要包括等效燃油消耗最小（Equivalent Consumption Minimization Strategy，ECMS）、模型预测控制（Model Predictive Control，MPC）等。ECMS由Gino Paganelli等人首先提出并应用于并联式HEV车型上［52-54］，起初是基于启发式的经验，将混合动力系统中电能消耗乘以定义的一个等效因子得到虚拟的等效燃油消耗，并求解总的最小等效消耗。相比DP，ECMS策略计算量小，有实时控制应用的潜力，虽然是基于工程经验的控制策略，但是研究发现它常常能够取得与DP接近的燃油经济性［24］。庞特里亚金最小值原理（Pontryagin’s Minimum Principle，PMP）作为一种可靠的优化控制方法，将全局的优化问题转化成哈密顿函数的瞬时优化问题，在保证优化效果的同时，大大减少了优化计算量，在混合动力车辆优化控制策略的开发中得到了应用［55-60］。MPC是近年来发展起来的一类新型的计算机控制算法［61，62］，其适用于控制不易建立精确数字模型且比较复杂的系统。由于其良好的控制效果，近年来基于预测信息对混合动力车辆进行控制策略的制定和优化，成了新的研究热点［63-73］。

能量管理的有效策略

相关推荐