纯电动货车再生制动控制策略研究

王程玉，林慕义，2，吴柯桐，陈 勇，2

（1.北京信息科技大学机电工程学院，北京100192；2.北京电动车辆协同创新中心，北京100192）

1 引言

随着物流业的迅速发展，城市中货车的数量逐渐增多，新能源货车的研究开发工作变得尤为重要。纯电动货车作为新能源货车中发展最成熟，应用最广泛的一种，具有良好的市场基础。

目前，国内外学者对纯电动汽车驱动控制策略的研究有很多，通常以整车驱动的工作模式为基础[1]、针对纯电动汽车加速和起步工况[2，4，7]，建立纯电动汽车的扭矩补偿算法，使纯电动汽车不同工况及模式下电机输出的扭矩得到调节和补偿，最后达成提升整车动力性和经济性，并保证整车加速性能的效果；不过常规的驱动控制策略往往针对部分工况及参数进行设计和优化，并不能满足纯电动货车负载变化较大的情况。

针对常规控制策略中忽视的问题，依据纯电动货车负载大幅变化对电机输出扭矩的影响和加速踏板行程及其变化率所反映的驾驶意图，制定纯电动货车的驱动控制策略；将在实车中采集的数据和仿真数据进行对比，对CRUISE中搭建的整车模型进行验证；并在不同负载情况下，利用MATLAB和Cruise平台进行联合仿真。

2 前、后制动力分配

2.1 理想的制动力分配曲线（I曲线）

在任何附着系数的路面上，满足I曲线的双轴车辆均可实现前、后车轮同时抱死。前、后轮同时抱死除了使附着条件得到较大程度的利用，对制动时汽车的稳定性也有一定的提高[2]。

这里中双轴轻型纯电动货车的I曲线分配关系为：

式中：Fm1，Fm2—前、后轮制动器制动力（N）；hg—货车质心高度（m）；

b—货车质心至后轴的距离（m）；L—货车轴距（m）。

2.2 ECE法规

根据欧洲经济委员会对N1类车辆做出相应规定，对于后轮驱动纯电动货车，ECE法规边界线为：

式中：Z—制动强度；G—货车重力（N）。

2.3 前、后轮制动器制动力分配

这里所讨论货车为后轮驱动，前轮制动力全部由液压机械制动力提供，基于I曲线和ECE法规制定前、后轮制动力分配策略具体如下：

（1）当Z＜0.2时，ECE法规没有对制动力分配做出限制，由于此时制动力所需较小，为提高制动能量回收效率，该制动强度下，制动力均由再生制动提供。

（2）当0.2＞Z时，为提高再生制动比例，即提高后轮制动力所占比例，该制动强度下，前、后轮制动力按理想I曲线分配，分配曲线为：

2.4 电机制动力与机械制动力分配

考虑到制动过程中再生制动比例系数k的影响因素：电池荷电状态SOC、车辆速度V，制动强度Z等参数，对后轮电制动力与机械制动力进行分配，如图1所示。

图1 后轮再生制动力分配Fig.1 The Regenerative Braking Force Distribution of Rear Wheel

（1）当SOC＞0.8 或SOC＜0.2、车速V＜10km/h、Z＞0.7 时，制动回收比例为0，制动力全部由机械制动提供，因为SOC过高和过低时电池会过充过放，车速较低时回收效率较差，制动强度过高时为紧急制动状态，为保证制动安全性也不进行制动回收。

（2）当Z较低时，若车速偏低或适中，后轮制动力全部由再生制动力提供，若车速较高，根据SOC判断采取机械制动或联合制动。

（3）当Z适中时，若车速偏低，后轮制动力由再生制动力提供，若车速适中，根据SOC情况调节联合制动比例，若车速较高，根据SOC情况判断采取机械制动或联合制动。

3 再生制动控制策略设计

3.1 再生制动控制策略模型

根据上述提出的再生制动控制策略，利用Simulink 软件搭建控制策略模型，如图2所示。该模型输入为电池SOC、车速V、瞬时减速度du/dt、电机转速和制动压力信号，输出为再生制动比例K和电机和机械制动力。

图2 再生制动控制策略Fig.2 Regenerative Rraking Control Strategy

3.2 模糊控制器设计

模糊控制器选取对再生制动影响较大的三个因素：纯电动轻型货车动力电池SOC、车速V、制动强度Z作为输入，选取电制动占后轮制动力的比例K为输出。输入、输出的模糊子集和论域定义如下：动力电池SOC模糊子集为{VL，L，M，H}，论域为[0，1]；车速V的模糊子集为{L，M，H}，论域为[0，100]；制动强度Z的模糊子集为{L，M，H}，论域为[0，1]；比例K的模糊子集为{VS，S，M，B，VB}，论域为[0，1]。根据以往的经验和理论分析，输入变量和输出变量的隶属度函数设置，如图3所示。

图3 模糊控制输入、输出的隶属度函数Fig.3 Input and Output Membership Functions of Fuzzy Control

根据前文电机制动力和机械制动力分配策略，结合前期研究和仿真试验，在保证车辆安全性的前提下，为了尽可能多的回收制动能量，设计如下模糊控制规则，模糊规则语句为：IF（SOCisVL）and（VisL）and（ZisL）then（kisVS），模糊规则，如表1所示。完成以上设置以后，采用加权平均法对输出量k进行解模糊，进而得到k的具体数值。

表1 模糊规则Tab.1 Fuzzy Rule

4 模糊控制器隶属度函数的优化

4.1 模糊控制的局限性

模糊控制器因其具有良好的适应性和较强的鲁棒性被广泛用于控制策略之中，但其隶属度函数和模糊规则在设计过程中具有较强的主观性，使得控制策略很难达到最优的控制结果。因此有必要采用优化算法对隶属度函数进行优化，使控制策略在满足制动稳定性和安全性的前提下，能够最大限度的提高再生制动能量回收效率。

4.2 适应度函数选择

由于隶属度函数设计的主观性较强，选择模糊控制器的输入和输出的隶属度函数作为优化对象。设计模糊控制器的初衷是为了提高目标车辆的制动能量回收率，即增大电机制动在车辆需求制动中的占比，故选取模糊控制器k值作为评价指标。

4.3 遗传优化算法流程

（1）对模糊控制器输入和输出的论域进行二进制编码，编码位数选择为20。（2）将模糊控制器输入和输出的隶属度函数按照二进制数字串的形式进行重新划分，组成初始种群，初代个体数量为100。（3）将适应度函数和约束函数编写成m文件，通过句柄形式导入工具箱中，并设置好相关参数，利用MATLAB优化工具箱进行求解。（4）将遗传算法最优解带入模糊控制器隶属度函数，进行重新设置。（5）经过反复比较与验证，选择的终止条件为繁衍50代，优化结果，如图4所示。

图4 遗传算法解和种群均值变化Fig.4 Genetic Algorithm Solution and Population Mean Change

5 联合仿真及结果分析

5.1 搭建整车模型

采用AVL cruise软件对整车模型进行搭建，然后跟MATLAB中搭建的控制策略模型进行联合仿真，截取NEDC循环工控下一定时间内的输出参数，对优化前后再生制动占比系数、电机输出转矩、动力电池SOC和再生制动回收能量进行比较，验证遗传算法对控制策略的优化效果，纯电动货车整车模型及参数，如图5所示。

图5 纯电动货车整车模型Fig.5 Complete Vehicle Model of Pure Electric Truck

表2 主要总成结构及技术参数Tab.2 Main Assembly Structure and Technical Parameters

5.2 优化前后再生制动系数对比

车辆在行驶过程中模糊控制器输出的再生制动占比系数K前后比较，如图6所示。优化后再生制动占比系数K明显增大。

图6 优化前后再生制动比例系数KFig.6 The Proportional Coefficient K of Regenerative Braking Before and After Optimization

5.3 优化前后电机输出转矩比

优化后的电机输出的负反馈转矩相比优化前所占电机输出转矩的比例明显增多，而且输出值更大，验证了优化的有效性，如图7所示。

图7 优化前后电机输出转矩Fig.7 The Output Torque of the Motor Before and After Optimization

5.4 优化前后动力电池SOC比较

将循环工况设置SOC值从80%至20%不断循环，并截取2h到3h之间SOC值的变化情况，结果显示优化前后动力电池SOC的消耗曲线变化明显，相同工况下，优化后的SOC值下降的更缓慢，如图8所示。

图8 优化前后电池SOC变化Fig.8 Battery SOC Changes Before and After Optimization

5.5 优化前后NEDC循环工况回收能量对比

优化后再生制动回收能量比优化前增大了，电池输出能量比优化前减少了，如表3所示。综上，通过优化前后的对比分析验证了算法的可行性和有效性。

表3 优化前后再生制动能量对比Tab.3 Comparison of Regenerative Braking Energy Before and After Optimization

6 结论

针对纯电动货车能量回收中存在的问题，提出了一种再生制动控制策略；利用遗传算法对控制策略的隶属度函数进行优化，仿真结果表明：该控制策略在保证制动安全性的前提下，相比优化前制动回收效率提升了32.57%，电池输出能量节省了11.99%；所提出的模糊控制策略和仿真验证对纯电动货车再生制动系统设计具有一定的参考意义。