一种基于自适应模糊控制的混合动力汽车能量管理方法

摘要

本发明涉及一种基于自适应模糊控制的混合动力汽车能量管理方法，包括以下步骤：基于先验知识和汽车系统结构初始化模糊规则和隶属度函数并将其用染色体表示；在各个待测试工况下分别通过遗传算法对模糊规则和隶属度函数进行优化，找到油耗量小且SOC变化值小的最优模糊控制参数；根据各个工况的最优模糊控制参数进行混合动力汽车能量管理。与现有技术相比，本发明通过遗传算法在不同工况下对模糊规则和隶属度函数进行迭代优化，再使用优化后的模糊规则和隶属度函数进行能量管理，降低了模糊控制能量管理策略对专家知识及经验的依赖性，相比于人为试探确定模糊控制参数的方法，可以迅速找到不同工况下的最优模糊控制参数。

说明书

技术领域

本发明涉及混合动力能量管理领域，尤其是涉及一种基于自适应模糊控制的混合动力汽车能量管理方法。

背景技术

全球环境污染与已探明的开采石油资源日趋枯竭的现状是当前汽车工业必须面对的紧迫课题，日益增长的世界汽车保有量进一步加剧了能源消耗与日趋有限的石油资源供给之间的尖锐矛盾，发展新能源汽车成为目前缓解能源与环境危机的有效途径之一。在此背景下，融合传统内燃机汽车和电动汽车优点的混合动力汽车成为当今应用前景较好的的低排放、低能耗汽车。

混合动力汽车能量管理策略作为混动汽车的核心部分，是实现车辆低油耗、低排放的关键技术之一。混合动力汽车一般至少具有发动机和电动机两个动力源，如何制定合适的控制策略，在保证车辆正常行驶的同时，充分发挥这两种动力源的优势以实现互补，并维持动力电池荷电状态的稳定提高其寿命，从而最大化利用能量、降低燃油消耗是混合动力汽车研究的重点与难点。

目前，混合动力系统的能量管理策略主要可以分为四种类型：基于规则的逻辑门限能量管理策略；瞬时优化控制策略；全局最优控制策略；智能型能量管理策略。上述四种能量管理策略各有优缺点，而同时涉及到基于规则能量管理策略与智能型能量管理策略的模糊控制策略具有较好的鲁棒性，能解决复杂的非线性问题，实现能量的合理分配，实时性好，具有很强的实用性。

由于良好的鲁棒性，模糊控制策略广泛应用于混合动力汽车的能量控制。模糊控制策略虽然可以保证混合动力汽车获得良好的燃油经济性及排放性能，但是，模糊规则和隶属度函数共同决定了使用模糊控制器进行能量管理的控制性能，而且往往很难确定模糊控制器的模糊规则和隶属度函数的取值。现有技术中，模糊规则的制定及隶属度函数的选择没有理论指导方法，一般通过专家经验设定模糊规则和隶属度函数，存在很大的主观性和随意性，很难确定模糊控制参数的取值，只能采用试探的方法不断调整，耗时较长，混合动力汽车在使用时，会在不同的工况下行驶，需分别确定各种工况下的模糊控制参数，需要的时间更长。此外，模糊控制参数一般直接写入控制器，一旦混合动力汽车的系统发生变化，原有的模糊控制参数可能导致控制性能的降低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自适应模糊控制的混合动力汽车能量管理方法，基于先验知识和汽车的系统结构初始化模糊规则和隶属度函数，通过遗传算法，在不同工况下迭代优化模糊规则和隶属度函数，再使用优化后的模糊规则和隶属度函数进行能量管理，大大降低了模糊控制能量管理策略对专家知识及经验的依赖性，相比于现有技术中的人为试探确定模糊控制参数的方法，可以更加迅速地找到不同工况下的最优模糊控制参数。

本发明的目的可以通过以下技术方案来实现：

一种基于自适应模糊控制的混合动力汽车能量管理方法，包括以下步骤：

S1：根据混合动力汽车的系统结构定义模糊规则和隶属度函数，并对模糊规则和隶属度函数进行编码，将模糊规则和隶属度函数整合后用长为l的染色体表示；

S2：获取混合动力汽车模糊控制的先验知识，基于先验知识得到不同的模糊规则和不同的隶属度函数，生成N(N＞1)条染色体作为初始种群；

S3：自预设置的工况表中选择一个待测试工况，获取待测试工况的工况参数；

S4：自种群中选择一条染色体，获取该染色体对应的模糊规则和隶属度函数作为待测试工况的模糊控制参数，计算得到在待测试工况下使用所述模糊控制参数进行能量管理的燃油消耗量和SOC变化值，根据燃油消耗量和SOC变化值计算得到该染色体的适应度；

S5：重复步骤S4，直至得到所有染色体的适应度；

S6：判断当前种群结果是否收敛，若种群结果收敛，则选取种群中适应度最高的染色体作为最优解，执行步骤S8，否则，执行步骤S7；

S7：对种群进行选择操作、交叉操作、变异操作，得到新一代种群，执行步骤S4；

S8：输出最优解对应的模糊规则和隶属度函数作为待测试工况的最优模糊控制参数，重复步骤S3，直至得到预设置的工况表中所有工况的最优模糊控制参数；

S9：将所有工况的最优模糊控制参数写入混合动力汽车的控制器，获取混合动力汽车的当前工况，并基于当前工况对应的最优模糊控制参数进行混合动力汽车能量管理。

进一步的，所述步骤S1中，使用实数编码的方式对模糊规则和隶属度函数进行编码。

进一步的，所述步骤S2中，混合动力汽车模糊控制能量管理策略的先验知识包括历史数据库、制定模糊规则的专家知识库和选择隶属度函数的专家知识库。

进一步的，所述步骤S3中，预设置的工况表包括混合动力汽车的多个不同工况，所述工况参数包括整车需求转矩。

进一步的，所述步骤S4包括以下步骤：

S41：自种群中选择一条染色体，获取该染色体对应的模糊规则和隶属度函数；

S42：获取整车控制模型的初始燃油量和初始SOC值，将染色体对应的模糊规则和隶属度函数作为整车控制模型的模糊控制参数，整车控制模型在待测试工况下运行；

S43：获取整车控制模型的实时整车需求转矩和实时SOC值作为模糊控制器输入的精确值，将实时整车需求转矩和实时SOC值进行量程转换和模糊化处理，得到模糊输入；

S44：通过模糊控制推理机得到发动机输出转矩的模糊输出，使用加权平均算法将模糊输出清晰化，得到发动机输出转矩的精确控制值并将其传入整车控制模型作为实时控制输入变量；

S45：重复步骤S43，直至待测试工况结束，计算燃油消耗量和SOC变化值；

S46：根据燃油消耗量和SOC变化值计算该染色体的适应度。

更进一步的，所述步骤S46中，适应度f的计算公式具体为：

其中，J表示目标函数，ω

进一步的，所述步骤S6中，种群结果收敛具体为：种群代数达到预设置的最大迭代次数，或者适应度最高的染色体的适应度值满足预设置的优化阈值。

进一步的，所述步骤S7包括以下步骤：

S71：选择当前种群中适应度最高的染色体，作为最佳染色体，最佳染色体不进行交叉操作和变异操作，计算当前种群的平均适应度，将当前种群中适应度小于平均适应度的m条染色体剔除，采用轮盘赌选择机制，在当前种群中选择m条染色体并复制，更新当前种群中的染色体；

S72：将当前种群中的染色体随机两两配对；

S73：选择一对染色体作为父代染色体，根据预设置的交叉概率判断两条父代染色体是否进行交叉操作，若进行交叉操作，则采用单点交叉方式，得到两条子代染色体，用子代染色体代替父代染色体，若不进行交叉操作，则保留两条父代染色体；

S74：重复步骤S73，直至完成对所有两两配对的染色体的交叉操作判断，更新当前种群中的染色体；

S75：选择一条染色体，根据预设置的变异概率判断该染色体是否进行变异操作，若进行变异操作，则采用随机变异方式，得到一条变异后的子代染色体，用子代染色体代替父代染色体，若不进行变异操作，则保留该染色体；

S76：重复步骤S75，直至完成对所有染色体的变异操作判断，更新当前种群中的染色体，将更新后的种群中的染色体和最佳染色体组合，得到新一代种群。

更进一步的，所述步骤S71中，轮盘赌选择机制具体为：

A1：获取每条染色体的适应度f(x

A2：计算每条染色体的被选择概率p(x

其中，f(x

A3：在[0，1]区间随机生成一个随机数r1，选择使得q(x

A4：重复执行步骤A3，直至得到m条染色体。

更进一步的，所述步骤S73中，根据预设置的交叉概率p

与现有技术相比，本发明具有以下有益效果：

(1)基于先验知识和汽车的系统结构初始化模糊规则和隶属度函数，通过遗传算法，在不同工况下迭代优化模糊规则和隶属度函数，再使用优化后的模糊规则和隶属度函数进行能量管理，大大降低了模糊控制能量管理策略对专家知识及经验的依赖性，相比于现有技术中的人为试探确定模糊控制参数的方法，可以更加迅速地找到不同工况下的最优模糊控制参数。

(2)使用实数编码的方式对模糊规则和隶属度函数进行编码，降低了优化参数搜索区间的离散化程度，实现在同等大小搜索区间内更加密集地对模糊控制器待优化参数进行寻优，从而获得更加接近真实的全局最优解。

(3)以燃油消耗量作为经济性评价指标，SOC变化值作为稳定性评价指标，得到能耗低且保证蓄电池SOC值相对稳定的模糊控制参数，用于实车控制的效果更好。

(4)分别对不同工况下的模糊控制参数迭代寻优，得到不同工况的最优模糊控制参数，通用性更强，且相比于未优化的模糊控制策略，经济性和稳定性都大大提升。

附图说明

图1为本发明的流程图；

图2为实施例中模糊控制参数的迭代优化流程图；

图3为实施例中模糊规则示意图；

图4为实施例中隶属度函数待优化点X

图5为实施例中隶属度函数待优化点X

图6为实施例中隶属度函数待优化点X

图7为实施例中染色体交叉操作示意图；

图8为实施例中染色体变异操作示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1：

在混合动力汽车的初始配置过程中，可以使用本申请迅速确定不同工况下的最优模糊控制参数，根据最优模糊控制参数进行混合动力汽车能量管理；使用一段时间后，如果混合动力汽车的系统结构发生改变，如更换配件等，或者部件老化，导致原有的模糊控制参数不适用于当前的系统结构，可以使用本申请重新确定新的最优模糊控制参数，根据新的最优模糊控制参数进行混合动力汽车能量管理。

一种基于自适应模糊控制的混合动力汽车能量管理方法，如图1所示，包括以下步骤：

S1：根据混合动力汽车的系统结构定义模糊规则和隶属度函数，并对模糊规则和隶属度函数进行编码，将模糊规则和隶属度函数整合后用长为l的染色体表示。

具体的，本实施例中，模糊规则和隶属度函数的选取如下。

选取的控制器为两输入一输出的TS型模糊控制器，共25条模糊规则，如图3所示，包括{NB，NS，O，PS，PB}，分别表示负载功率的范围为{负大区域，负小区域，近零区域，正小区域，正大区域}。将25条模糊规则按固定顺序排列，使用25个浮点数变量与之一一对应，每个变量的取值范围为其对应模糊规则的输出值，这样模糊规则可以用长为25位染色体表示。

两输入一输出的隶属度函数选用梯形隶属度函数，共24个待优化点，如图4～图6所示，图4为隶属度函数待优化点X

本申请使用实数编码的方式对模糊规则和隶属度函数进行编码，降低了优化参数搜索区间的离散化程度，实现在同等大小搜索区间内更加密集地对模糊控制器待优化参数进行寻优，从而获得更加接近真实的全局最优解，提高了模糊控制器降低油耗和维持SOC值稳定的控制效果。

本实施例中，模糊控制参数的迭代优化流程图如图2所示。

S2：获取混合动力汽车模糊控制的先验知识，基于先验知识得到不同的模糊规则和不同的隶属度函数，生成N(N＞1)条染色体作为初始种群。

混合动力汽车模糊控制能量管理策略的先验知识包括历史数据库、制定模糊规则的专家知识库和选择隶属度函数的专家知识库，基于先验知识生成50条染色体作为初始种群，初始种群中每条染色体对应不同的模糊规则和不同的隶属度函数。

相比于随机生成模糊规则和隶属度函数，基于先验知识初始化模糊规则和隶属度函数后，再对其进行迭代优化，可以更加迅速地找到最优模糊控制参数。

S3：自预设置的工况表中选择一个待测试工况，获取待测试工况的工况参数。

预设置的工况表包括混合动力汽车的多个不同工况，工况参数包括整车需求转矩。混合动力汽车有多种不同的工况，如NEDC工况、WLTP工况、EPA工况等，每种工况下的整车需求转矩的大小和需求转矩在工况中的变化不同，因此，需要针对各个工况，分别得到各个工况的最优模糊控制参数，本实施例以NEDC工况为例进行说明。

S4：自种群中选择一条染色体，获取该染色体对应的模糊规则和隶属度函数作为待测试工况的模糊控制参数，计算得到在待测试工况下使用模糊控制参数进行能量管理的燃油消耗量和SOC变化值，根据燃油消耗量和SOC变化值计算得到该染色体的适应度。

步骤S4包括以下步骤：

S41：自种群中选择一条染色体，获取该染色体对应的模糊规则和隶属度函数；

S42：获取整车控制模型的初始燃油量和初始SOC值，将染色体对应的模糊规则和隶属度函数作为整车控制模型的模糊控制参数，整车控制模型在待测试工况下运行；

S43：获取整车控制模型的实时整车需求转矩和实时SOC值作为模糊控制器输入的精确值，将实时整车需求转矩和实时SOC值进行量程转换和模糊化处理，得到模糊输入；

S44：通过模糊控制推理机得到发动机输出转矩的模糊输出，使用加权平均算法将模糊输出清晰化，得到发动机输出转矩的精确控制值并将其传入整车控制模型作为实时控制输入变量；

S45：重复步骤S43，直至待测试工况结束，计算燃油消耗量和SOC变化值；

S46：根据燃油消耗量和SOC变化值计算该染色体的适应度。

在整个NEDC工况中，混合动力汽车的整车需求转矩会发生变化，因此，将实时整车需求转矩和实时SOC值作为输出，实时调整发动机输出转矩。当在整车控制模型中整个NEDC工况运行结束后，选取燃油消耗量fuel作为表征经济性的参考指标，选取整个工况开始时的SOC值与工况结束后SOC最终值的差ΔSOC作为代表SOC稳定性的参考指标，将两个参考指标加权求和，建立了如下目标函数：

其中，J表示目标函数，ω

再将目标函数转化为适应度函数f，得到染色体的适应度：

S5：重复步骤S4，直至得到所有染色体的适应度。

本实施例中，步骤S4重复执行50次，得到每条染色体的适应度f。

S6：判断当前种群结果是否收敛，若种群结果收敛，则选取种群中适应度最高的染色体作为最优解，执行步骤S8，否则，执行步骤S7。

种群结果收敛具体为：种群代数达到预设置的最大迭代次数，或者适应度最高的染色体的适应度值满足预设置的优化阈值。若种群结果收敛，则将当前种群中适应度最高的染色体作为最优解，输出最优解对应的模糊规则和隶属度函数作为待测试工况的最优模糊控制参数，再优化工况表中其他工况的模糊控制参数，若种群结果不收敛，则进行选择操作、交叉操作和变异操作，生成新一代种群，继续迭代求解。

本实施例中，最大迭代次数设置为100，当种群代数达到最大迭代次数时，即使没有得到满足预设置的优化阈值的最优解，也停止迭代。

S7：对种群进行选择操作、交叉操作、变异操作，得到新一代种群，执行步骤S4。

步骤S7包括以下步骤：

S71：选择当前种群中适应度最高的染色体，作为最佳染色体，最佳染色体不进行交叉操作和变异操作，计算当前种群的平均适应度，将当前种群中适应度小于平均适应度的m条染色体剔除，采用轮盘赌选择机制，在当前种群中选择m条染色体并复制，更新当前种群中的染色体。

轮盘赌选择机制具体为：

A1：获取每条染色体的适应度f(x

A2：计算每条染色体的被选择概率p(x

其中，f(x

A3：在[0，1]区间随机生成一个随机数r1，选择使得q(x

A4：重复执行步骤A3，直至得到m条染色体。

S72：将当前种群中的染色体随机两两配对；

S73：选择一对染色体作为父代染色体，根据预设置的交叉概率判断两条父代染色体是否进行交叉操作，若进行交叉操作，则采用单点交叉方式，得到两条子代染色体，用子代染色体代替父代染色体，若不进行交叉操作，则保留两条父代染色体。

具体的，根据预设置的交叉概率p

单点交叉方式为：随机生成一个1～l之间的整数作为交叉基因位置，交换两条父代染色体在交叉基因位置右侧的基因链，得到两条子代染色体。如图7所示，随机生成的交叉基因位置为46，故将两条父代染色体右侧的47～49基因链{a

S74：重复步骤S73，直至完成对所有两两配对的染色体的交叉操作判断，更新当前种群中的染色体；

S75：选择一条染色体，根据预设置的变异概率判断该染色体是否进行变异操作，若进行变异操作，则采用随机变异方式，得到一条变异后的子代染色体，用子代染色体代替父代染色体，若不进行变异操作，则保留该染色体。

具体的，根据预设置的变异概率p

随机变异方式为：随机生成一个1～l之间的整数作为变异基因位置，获取该染色体在变异基因位置的基因的取值范围，自取值范围中随机选择一个值作为该基因的取值，得到新的染色体。本实施例中，模糊规则等位基因取值范围为{1，2，3，4，5}，隶属度待优化点等位基因取值为[m，n]且步长为0.1的区间。

如图8所示，获取一条染色体，经变异操作判断后，对它进行变异操作，随机选择的整数为2，对染色体上的基因c

S76：重复步骤S75，直至完成对所有染色体的变异操作判断，更新当前种群中的染色体，将更新后的种群中的染色体和最佳染色体组合，得到新一代种群。

S8：输出最优解对应的模糊规则和隶属度函数作为待测试工况的最优模糊控制参数，重复步骤S3，直至得到预设置的工况表中所有工况的最优模糊控制参数；

相比于人为穷举寻优找到每个工况下的最优模糊控制参数，本申请通过遗传算法迭代优化，找到最优模糊控制参数，优化速度更快。

S9：将所有工况的最优模糊控制参数写入混合动力汽车的控制器，获取混合动力汽车的当前工况，并基于当前工况对应的最优模糊控制参数进行混合动力汽车能量管理。

本申请首先根据历史数据和专家知识初始化模糊规则和隶属度函数，通过遗传算法，在不同工况下迭代优化模糊规则和隶属度函数，再使用优化后的模糊规则和隶属度函数进行能量管理，大大降低了模糊控制能量管理策略对专家知识及经验的依赖性，相比于现有技术中的人为试探确定模糊控制参数的方法，可以更加迅速地找到在不同工况下的最优模糊控制参数，且使用优化后的模糊控制参数进行能量管理，油耗量和SOC变化值都更小。

使用逻辑门限值策略、模糊控制策略和本申请通过遗传算法优化的模糊控制策略进行混合动力汽车能量管理，结果如表1所示。

表1三种能量管理策略的油耗量和SOC变化值

可以看出，模糊控制策略稍优于逻辑门限值策略，本申请通过遗传算法确定最优模糊控制参数后的模糊控制策略的油耗量和SOC变化值更小，优于逻辑门限值策略和模糊控制策略，且相对于模糊控制策略，本申请的油耗量降低了5.27％，SOC变化值降低了5.66％，经济性和SOC稳定性大大提高。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。