基于多循环工况的混合动力汽车参数优化研究*

詹 森，秦大同，曾育平

(重庆大学，机械传动国家重点实验室,重庆 400044)

2016145

基于多循环工况的混合动力汽车参数优化研究*

詹 森，秦大同，曾育平

(重庆大学，机械传动国家重点实验室,重庆 400044)

针对基于单一循环工况的混合动力汽车参数优化存在优化后的参数可能不适用于其它循环工况和整车的燃油经济性未必能达到最优的问题，本文提出了基于多循环工况的混合动力汽车参数优化方法。以整车燃油消耗量最小化作为优化目标，以动力系统参数和控制策略相关参数为优化变量，建立基于遗传算法和Matlab/Similink模块的优化模型，分别进行基于单一循环工况和基于多循环工况的混合动力汽车的优化。结果表明，与基于单一循环工况的优化相比，在保证车辆动力性的前提下，基于多循环工况的优化结果，不仅可适用于多种行驶工况，而且能进一步提高整车的燃油经济性。

混合动力汽车；参数优化；遗传算法；多循环工况

前言

混合动力汽车的动力系统由多个动力源组成，通过控制策略实现需求功率在多个动力源之间的合理分配和动力系统各部件之间的协调控制，从而提高整车的燃油经济性。混合动力汽车的参数优化是在满足车辆动力性能和各部件性能约束的前提下，以整车的燃油经济性或动力性为目标，同时优化动力系统参数和控制策略的相关参数[1-2]。

文献[3]中以等效燃油消耗量和加速时间为优化目标，运用带精英策略的非支配排序遗传算法和iSIGHT优化软件，选用NEDC工况对传动系参数进行多目标优化。文献[4]中利用权重系数变换法将多目标优化问题转换为单目标优化问题，并以百公里燃油消耗量和排放性能为目标函数，通过UDDS工况对整车的动力系统参数和控制策略参数同时进行优化。文献[5]中提出一种以动力系统功率最小化为目标、动力性能指标为约束条件的参数优化匹配方法，利用CYC_NurembergR36工况对混合动力汽车的动力系统参数进行优化。文献[6]中以燃油消耗量和排放作为优化目标，以CYC-1015为优化仿真模型的输入工况，通过带精英策略的非支配排序遗传算法对动力系统部件的参数和控制策略参数进行优化。目前研究主要是针对某种典型工况完成混合动力汽车参数优化，但在其它工况下，该方法所得到的优化参数可能不适用，整车燃油经济性也不一定能达到最优。

为了解决上述问题，本文中提出基于多工况的混合动力汽车参数优化方法，并以某ISG混合动力汽车为例，将整车的燃油消耗量作为优化的目标函数，以动力性设计指标为约束条件，以动力系统参数和控制策略相关参数为优化对象，建立基于遗传算法和Matlab/Similink模块的优化仿真模型，运用仿真模型分别针对单一工况和多工况进行参数优化。结果表明：针对多工况进行优化所获得的优化参数不仅可适用于多种工况，且可进一步提高整车的燃油经济性。

1 整车动力系统及基本参数

本文中研究的混合动力系统如图1所示。系统主要由发动机、ISG电机、湿式多片离合器C1、无级变速器CVT、电池组和主减速器等部件组成。整车控制器通过控制湿式多片离合器、ISG电机、CVT和发动机实现工作模式的切换；通过CAN总线实现与发动机控制器、电机控制器、电池管理系统和CVT控制器的通信，监测车辆的运行状态，完成对ISG电机和发动机工作模式及转矩转速的控制。该混合动力汽车的部分基本参数如表1所示。

参数数值整车质量m/kg1547迎风面积A/m22.28风阻系数CD0.357车轮半径r/m0.289滚动阻力系数fr0.0083动力电池初始SOC0.65

2 混合动力汽车参数优化设计

2.1 目标函数

本文中参数优化的目标：在满足车辆动力性能和各部件性能约束的前提下，尽可能降低整车的燃油消耗量。因此，参数优化的目标函数f(x)为

(1)

式中：Fuel(x)为燃油消耗量；x为包含了动力系统参数和控制策略相关参数的向量；Ω为可能的解空间；hi(x)≤0为约束条件；N为约束条件的数量。

2.2 优化参数的选择

混合动力汽车具有大量的设计参数，如果对所有的设计参数进行优化并不现实，因此只能选择对车辆性能具有较大影响的动力系统参数和控制策略相关参数进行优化才符合实际[1]。

本文中以逻辑门限控制策略作为整车的控制策略。优化变量的选择包括4个动力系统参数：发动机功率Pe、电机功率Pm、电池容量Qb和主传动比I0，以及3个与控制策略相关的参数：纯电动车速限制vmotor、发动机单独工作上限系数ηmax和发动机单独工作下限系数ηmin。vmotor限定了纯电动模式切换到发动机单独驱动和混合驱动模式的速度；设发动机转矩效率最佳曲线为engine_best，需求转矩在engine_best*(1+ηmax)和engine_best*(1-ηmin)之间时整车为发动机单独驱动模式；需求转矩在engine_best*(1+ηmax)以上时为联合驱动模式；需求转矩在engine_best*(1-ηmin)以下时为行车充电模式。最终选择的7个优化参数如表2所示，其中优化参数的初始值为原型车对应的参数数值，优化参数的上下限是综合考虑整车基本性能的要求、整车经济成本和设计经验的结果。

表2 优化参数

2.3 参数优化的约束条件

在进行混合动力汽车参数优化时,除了尽可能降低油耗外，还必须使汽车满足动力性能的要求。本文中采用PGNV中对轿车性能所提出的动力性指标作为约束[7]，如表3所示。

表3 约束条件

3 基于单一工况的混合动力汽车参数优化与结果分析

3.1 基于单一工况的混合动力汽车参数优化方法

本文中将遗传算法同Matlab/Simulink相结合，建立了混合动力汽车参数优化仿真模型，以此实现针对混合动力汽车动力系统参数和控制策略相关参数的优化。基于单一工况的混合动力汽车参数优化方法流程如图2所示，具体过程如下：

(1) 初始化待优化的动力系统参数和控制策略相关参数；

(2) 确定优化所针对的行驶工况；

(3) 将所获得的待优化参数应用到混合动力汽车参数优化仿真模型中；

(4) 根据所选用的行驶工况，运行仿真模型计算出适应度函数的值；

(5) 如果适应度函数的值满足终止条件，终止程序，得到最优参数；

(6) 若不满足，应用遗传算法进行选择、保留精英、交叉、变异，产生新的种群，回到步骤(3)。

所采用的遗传算法参数设置如表4所示。

表4 遗传算法参数设置

3.2 基于单一工况的混合动力汽车参数优化的结果分析

按照行驶工况数据反映的车辆行驶区域和交通状况的不同，行驶工况可以分为拥堵工况、城市工况、郊区工况和高速工况[8]。

选用6种典型工况进行基于单一工况的混合动力汽车参数优化，用于比较不同工况下参数优化结果的差异。6种工况为NEDC(A1)，NYCC(A2)，UDDS(A3)，CYC_WVUSUB(A4)，HWFET(A5)和CQCYC(A6)，如图3所示。其中：NYCC为拥堵工况，主要在城市中心地带，交通拥堵，汽车走走停停；UDDS为城市工况，与拥堵工况相比，车速有所提高，但依然存在走走停停；CYC_WVUSUB为郊区工况，主要是城市郊区或乡村道路，车辆常以中速行驶；HWFET为高速路工况，车速高，驾驶平稳，有最低限制；NEDC作为轻型车排放油耗试验工况，常用于汽车的设计之中；CQCYC是我国某城市的典型工况。

6种典型工况对应的优化结果如表5所示。由表可见，对于不同的行驶工况可以获得不同的优化参数结果，而且优化参数结果之间存在较大的差异。

对于某一种工况，当车辆采用其它工况下所得的优化参数时，车辆运行完该工况后，电池SOC最终值可能是不同的，这种情况下不能直接通过油耗来判断优化参数的优劣。但是可以通过某一种工况下得到的优化参数是否能让整车在其它工况下依然满足所设定的约束条件来判断该优化参数的适用性。

以针对NEDC工况获得的参数优化结果为例，将该结果应用于各个典型工况，通过比较电池SOC起始值和最终值之差ΔSOC是否小于等于0.5%(即约束条件h5)来判断该优化参数结果在各个典型工况下的适用性，结果如图4所示。

表5 不同典型工况下参数优化的结果

由图4可见，6种典型工况下电池的最终SOC分别为0.647，0.653，0.648，0.604，0.620和0.633，与之对应的ΔSOC分别为0.47%，0.46%，0.31%，7.08%，4.6%和2.6%。所以针对NEDC工况的优化参数结果，在NEDC，NYCC和UDDS工况下能使整车满足约束条件，而在CYC_WVUSUB，HWFET和CQCYC工况下整车不能满足约束条件。

因此基于单一工况的混合动力汽车参数优化存在一定的不足：一方面，针对不同的工况得到优化参数可能存在差异，这种差异导致参数优化时如果选择的工况不同，最终的整车燃油经济性也可能存在差异；另一方面，某工况下的优化参数结果应用在其它工况下时，整车不一定能满足所设定的约束条件，当车辆无法满足所设定的约束条件时，会对整车的经济性或者动力性产生不利的影响。

4 基于多工况的混合动力汽车参数优化与结果分析

4.1 基于多工况的混合动力汽车参数优化方法

基于多工况的混合动力汽车参数优化方法的重点问题在于不仅需要整车在多种工况下都满足所设定的约束条件，而且整车在运行完各个工况后的燃油经济性要到达最优。因此需要在基于单一工况的混合动力汽车参数优化的基础上，通过构建复合工况和改变约束条件的应用方法，实现针对多工况的参数优化。

(1) 复合工况的构建

复合工况是由多个典型工况拼接而成，以复合工况W1为例，该工况是由NEDC，CQCYC，NYCC，UDDS，CYC_WVUSUB和HWFET工况拼接而成，如图5所示。

(2) 改变约束条件的应用方法

如果采用针对单一工况的约束条件应用方法，那么只是简单地将多个工况进行拼接，拼接后的工况还是可以看作为一种单一工况，这样最终参数优化依然是针对单一工况进行的，因此需要根据复合工况的特点改变约束条件的应用方法。本文中的约束条件共5个，其中约束条件h1，h2，h3和h4不受行驶工况的影响，只有约束条件h5会受到行驶工况的影响。因此多工况参数优化的约束条件应用方法是：参数优化的结果能使车辆满足约束条件h1，h2，h3和h4；要求车辆在运行完每个拼接工况后，电池的SOC和运行该拼接工况前的电池SOC差值ΔSOC小于等于0.5%(即约束条件h5)，以复合工况W1为例，需要电池的SOC运行完NEDC，CQCYC，NYCC，UDDS，CYC_WVUSUB和HWFET工况前后的差值ΔSOC均小于等于0.5%，即电池SOC在0和1 185s，1 186和2 720s，2 721和3 319s，3 320和4 689s，4 690和6 354s，6 355和7 120s时的差值ΔSOC均小于等于0.5%。这样才能保证优化参数在应用于构成复合工况W1的各个典型工况时不仅同样满足了约束条件，而且整车的燃油经济性得到了进一步的优化。

4.2 仿真对比分析

6种典型工况一共能够拼接出720种复合工况，为了简化计算仅挑选起始拼接工况和最终拼接工况不相同的6种复合工况进行仿真分析。选用的6种复合工况分别为：

B1：(NEDC，CQCYC，NYCC，UDDS，CYC_WVUSUB，HWFET)；

B2：(HWFET，CYC_WVUSUB，UDDS，NYCC，CQCYC，NEDC)；

B3：(CQCYC，HWFET，NEDC，CYC_WVUSUB，UDDS，NYCC)；

B4：(UDDS，NEDC，NYCC，CQCYC，HWFET，CYC_WVUSUB)；

B5：(CYC_WVUSUB，HWFET，NYCC，CQCYC，NEDC，UDDS)；

B6：(NYCC，UDDS，CYC_WVUSUB，NEDC，HWFET，CQCYC)。

通过选用的6种复合工况对混合动力汽车的动力系统参数和控制策略相关参数进行优化，优化的结果如表6所示。由表可见，通过6种复合工况所得到的优化参数结果在数值上很接近，而这种细微的不同源于遗传算法本身。取平均值作为最终的优化参数结果，因此得到基于多工况混合动力汽车的参数优化结果：Pe=43.4kW，Pm=36.7kW，Qb=20.5A·h，i0=5.28，vmotor=9.40km/h，ηmax=0.080，ηmin=0.25。

当混合动力汽车的动力系统参数和控制策略相关参数采用复合工况下所得到的优化参数时，各个典型工况对应的电池SOC变化如图6所示。由图可见，各个典型工况下的电池SOC变化均能满足所设的约束条件h5，这反映了基于多工况的混合动力汽车参数优化结果具有更强的适用性。

对于混合动力汽车，针对同一行驶工况和相同的电池SOC初始值，应用不同的动力系统参数和控制策略相关参数，可能得到不同的电池SOC最终值。由于电池的SOC可以转化为等效燃油消耗量，所以当电池SOC最终值之间的差异较大时，通常情况下不能直接通过油耗来衡量不同优化参数的优劣。只有当电池SOC最终值之间差值转化来的等效燃油消耗量相对于运行完某个工况后整车所消耗的燃油很小时，才能直接通过油耗衡量不同参数优化结果的优劣。因此需选择一个行驶距离长、耗油量大的工况作为仿真的测试工况，以此忽略电池SOC最终值差异所带来的等效燃油消耗量的影响。

本文中将ADVISOR的43种循环工况和实车采集的行驶工况进行拼接，构建一个距离为590km的循环工况Long_CYC，将5个连续重复的Long_CYC工况作为仿真采用的测试工况，Long_CYC工况如图7所示。

通过仿真比较针对典型工况以及复合工况所得到的优化参数对整车燃油消耗量的影响，所得的对比结果如图8所示。由图可见，复合工况、CQCCQ，NEDC，NYCC，UDDS，CYC_SUB和HWFET在运行完测试工况后的油耗分别为102.96，107.97，108.56，110.63，112.10，114.46和119.48L，对应的百公里油耗分别为3.49，3.66，3.68，3.75，3.80，3.88和4.05L。因此采用复合工况进行参数优化结果的百公里油耗比采用6种单一的典型工况优化结果分别降低4.64%，5.16%，6.93%，8.16%，10.5%和14.81%，这反映了采用复合工况得到的优化参数相对于采用单一工况所得的优化参数在提高整车燃油经济性上具有一定的优势。

5 结论

(1) 应用遗传算法和Matlab/Simulink结合搭建的参数优化仿真模型，获得了多个单一工况所对应的优化参数结果，经比较分析验证了基于单一工况的混合动力汽车参数优化结果存在可能不适用于其它工况和未必能使整车燃油经济性达到最优的问题。

(2) 以基于单一工况的混合动力汽车参数优化方法为基础，通过多个典型工况构建复合工况，再提出约束条件应用于复合工况的方法，从而实现了针对多工况的混合动力汽车参数优化。

(3) 仿真结果表明：基于多工况的混合动力汽车参数优化所得到的优化参数，不仅能够适用于多种工况，而且能进一步提高整车的燃油经济性。

[1] 吴光强,陈慧勇.基于遗传算法的混合动力汽车参数多目标优化[J].汽车工程,2009,31(1):60-64.

[2] GAO Wenzhong, PORANDLA S K. Design optimization of a parallel hybrid electric powertrain[C]. IEEE Conference on Vehicle Power and Propulsion,2005:530 -535.

[3] 伊东安,谌文文,杨亚娟,等.基于遗传算法的ISG混合动力汽车参数优化[J].汽车工程,2011,33(10):834-837.

[4] 王润才,何仁,俞剑波,等.基于遗传算法的插电式串联混合动力汽车动力参数优化[J].中国机械工程,2013,24(18):2544-2549.

[5] 邓文娟,谢冰,等.混合动力系统参数优化匹配研究[J].科学技术与工程,2009,9(21):6449-6452.

[6] FANG Lincun, QIN Shiyin, XU Gang, et al. Simultaneous optimization for hybrid electric vehicle parameters based on multi-objective genetic algorithms[J]. Energies,2011,4(3):532-544.

[7] 颜超,连志伟.基于遗传算法的串联混合动力汽车参数优化[J].北京汽车,2009(4):10-13.

[8] GURKAYNAK Y, KHALIGH A, EMADI A. Neural adaptive control minimization strategy for hybrid electric vehicles[C]. Processdings of ASME 2010 Dynamic Systems and Control Conference, Cambridge, USA,2010,DSCC2010-4211:1-7.

A Study on the Parameter Optimization of Hybrid ElectricVehicle Based on Multiple Driving Cycles

Zhan Sen, Qin Datong & Zeng Yuping

ChongqingUniversity,StateKeyLaboratoryofMechanicalTransmission,Chongqing400044

In view of the problem that with single driving cycle-based optimization, the optimized parameters of hybrid electric vehicle (HEV) may not suitable for other driving cycles and the fuel consumption of vehicle may not reach its optimum, a parameter optimization scheme for HEV based on multi-driving cycles is proposed in this paper. With minimizing vehicle fuel consumption as objective, four powertrain parameters and three control strategy parameters as optimization variables, an optimization model based on genetic algorithm and Matlab/Simulink module is established, and optimizations for HEV based on both single driving cycle and multi-driving cycles are conducted respectively. The results show that on the premise of ensuring the power performance of vehicle, the results of optimization based on multi-driving cycles can not only suite to various driving conditions but also further improve the fuel economy of vehicle, compared with that of single driving cycle-based optimization.

HEV; parameter optimization; genetic algorithm; multiple driving cycles

*“十二五”国家科技支撑计划项目(2013BAG12B01)资助。

原稿收到日期为2015年5月26日，修改稿收到日期为2015年8月30日。