基于多目标优化的加速意图识别PHEV能量管理策略研究

李柏青 刘胜永 丁磊 田敬北

摘 要：为了使插电式混合动力汽车（plug-in hybrid electric vehicle，PHEV）能够获得更好的燃油经济性，本文提出了一种基于多目标优化的加速意图识别能量管理策略，在基于规则型能量管理策略的基础上采用模糊控制器构建起加速意图识别模块，通过引入修正系数对整车需求转矩进行实时修正，实现更符合驾驶员意图的转矩输出，同时利用多目标粒子群算法对整车的传动比进行优化以提升整车燃油经济性，利用CRUISE软件搭建整車模型与MATLAB/Simulink进行联合仿真验证策略的有效性。仿真结果表明：在世界轻型车辆测试循环（world light vehicle test cycle，WLTC）工况下，当起始动力电池荷电状态（state of charge，SOC）为70%时，对比基于多目标优化的加速意图识别策略与单一的加速意图识别策略，前者的燃油经济性提升了0.48%；当起始SOC为35%时，前者的燃油经济性提升了2.22%，由此得出基于多目标优化的加速意图识别策略对于提升整车燃油经济性具有较好的效果。

关键词：插电式混合动力汽车（PHEV）；加速意图；能量管理策略；多目标粒子群算法；燃油经济性

中图分类号：U471.23；U469.79 DOI：10.16375/j.cnki.cn45-1395/t.2023.03.015

0 引言

近年来随着经济的不断发展，由能源消耗带来的一系列环境问题备受关注。出于对环境保护的需要，各国政府大力提倡发展新能源汽车。其中插电式混合动力汽车（plug-in hybrid electric vehicle，PHEV）因配备有大容量动力电池且具有通过外部电网充电的特点[1]，兼具纯电动汽车和混合动力汽车的优点，被认为是目前最具现实意义的新能源车型。

PHEV的能量管理策略，可分为基于规则型能量管理策略、瞬时优化能量管理策略和全局优化能量管理策略三大类。庄伟超等[2-6]通过对PHEV的运行模式进行分析，将整车运行状态分为CD（电量消耗）阶段和CS（电量保持）阶段，制定出基于固定门限阈值的CD-CS能量管理策略。尹安东等[7]在驾驶员的驾驶意图基础上，设计了相应的工作模式切换模块。秦大同等[8]通过对比NEDC工况和整车道路试验结果，对整车的能量管理策略进行验证，发现采用基于驾驶意图的能量管理策略更能提升燃油经济性。林巨广等[9]通过设计模糊控制器对驾驶员意图进行识别，再根据辨识出的驾驶员意图推出符合整车运行的目标转矩。Luo等[10]针对整车启动时需求转矩的大小设计了一种能够识别驾驶员启动意图的控制策略。徐小东等[11]在普通模糊逻辑控制基础上增加行驶里程输入条件，使得整车在不同行驶里程条件下都能很好地调整发动机工作在高效区，具有更好的燃油经济性。这种基于规则型能量管理策略简单易行，实用性强，在当前混合动力汽车的实际能量管理中应用非常广泛，但能耗经济性不如优化型能量管理策略。尹安东等[12]通过应用粒子群智能优化算法，对PHEV传动系参数和控制器参数进行多目标优化。林歆悠等[13]在一般的模糊逻辑控制的基础上增加了粒子群优化算法，通过仿真验证得出对模糊控制进行优化后的能量管理策略可以有效地提升汽车的燃油经济性，更好地控制电池组荷电状态（state of charge，SOC）的变化。臧怀泉等[14]提出了一种基于禁忌搜索-免疫粒子群算法的整车模糊能量管理策略，对模糊控制器设置的当前SOC和整车的需求转矩进行寻优以达到合理的分配。这种基于优化型能量管理策略可实现较优的能耗经济性，但由于计算时间较长，实时性较差。

本文采用Cruise汽车仿真软件搭建起整车的物理模型，在基于规则控制的能量管理策略的基础上增添加速意图识别模型，通过模糊控制器对输出的需求转矩进行修正，根据加速需要建立起自动识别的驾驶模式。构建能耗经济性的目标函数，运用多目标粒子群算法对整车传动比进行优化。最后通过Cruise-Simulink联合仿真来验证基于多目标优化的加速意图识别策略对燃油经济性的改善效果。

1 PHEV的系统结构及参数设置

以某款混联插电式混合动力汽车为研究对象，整车动力系统结构如图1所示。其系统组成主要由驱动电机、发电机、发动机、动力电池、减速器、差速器、离合器等部件组成。

图1中驱动电机、发电机、动力电池三者采用电气连接，其余部件均为机械连接。整车参数如表1所示。

2 基于加速意图识别策略

在传统的基于规则型能量管理策略基础上，引入模糊控制器对驾驶员的加速意图进行识别。根据驾驶员在操控汽车加速时的紧急程度不同，可将加速意图分为缓慢加速、正常加速、紧急加速。具体体现在加速踏板开度及加速踏板开度变化率上，有效地反映了汽车加速的紧急程度。

2.1 加速意图识别

驾驶员在操控车辆进行加速行驶时，对于整车需求转矩及功率的直接需求在于控制加速踏板的开度上，但仅根据传统控制策略中对加速踏板开度的控制难以准确有效地反映出驾驶员对整车加速需求的变化。本文选取加速踏板开度u及加速踏板开度变化率du/dt作为模糊控制器的输入量，并引入需求转矩的修正系数k作为输出量来构建自动判别加速意图的模型。图2为基于加速意图识别的控制过程。

2.2 模糊控制器设计

1）加速踏板开度u

考虑到加速踏板开度对加速意图的影响程度，将论域设置为u=[0，1]，包括5个模糊子集，分别为非常小（VL），小（L），中（M），大（H），非常大（VH）。

2）加速踏板开度变化率du/dt

加速踏板开度变化率论域为du/dt=[-1，1]，值越大代表加速需求越大，包括7个模糊子集，分别为非常小（VL），小（L），略微小（RL），中（M），略微大（RH），大（H），非常大（VH）。

3）修正系数k

为较好地体现在不同加速情况下对整车需求转矩的影响，将其论域设置为k=[0，1]，包括7个模糊子集，分别为非常小（VL），小（L），略微小（RL），中（M），略微大（RH），大（H），非常大（VH）。

采用Mamdani结构的模糊控制器，结合个人经验以及实际车辆需求设计隶属度函数。模糊控制器输入和输出的隶属度函数如图3所示。

3 多目标粒子群优化控制策略

从提高PHEV的燃油经济性出发，考虑发动机的燃油消耗量和电动部件的电能消耗量，以此为目标建立起多目标粒子群优化的能量管理策略，从而合理地分配PHEV各动力部件之间的转矩，达到提升燃油经济性的效果。其优化目标函数的表达式如下：

[minF（x）=[Fuel（x），Elec（x）]，x=（i1，i2，i3），s.t.    gj（x）≥0，    j=1，2，…，n，xmini

式中：[F（x）]为优化目标函数；[Fuel（x）]为百公里燃油消耗量，单位为L/（100 km）；[Elec（x）]为百公里电耗，单位为kW·h/（100 km）；[i1]、[i2、i3]分别为驱动电机传动比、发动机直驱传动比和发动机与发电机速比；[gj（x）≥0]代表约束条件，表示车辆动力性、结构设计要求及行驶需求的参数；[xmini]和[xmaxi]分别为[xi]对应的下限值和上限值。

由于整车的驱动电机传动比、发动机直驱传动比和发动机与发电机速比对整车性能影响较大，考虑发动机与电机的效率区间，确定了各优化变量的上、下限值。优化变量参数汇总如表3所示。

对于PHEV经济性的优化，在选取约束条件时需要保证车辆的行驶需求符合设计要求，故采用动力性参数作为约束条件，选取百公里加速时间及最大爬坡度为约束条件建立起多目标优化策略的模型。

优化过程选取CD（SOC为70%）和CS（SOC为35%）2个阶段，通过多目标粒子群控制算法，经过500次迭代寻优后找到最优值。图4为CS（SOC为35%）阶段综合油耗的寻优过程。

综合油耗是将百公里电耗折算成油耗后再加上油耗值后得出的结果。表4为优化前后参数对比表。

4 仿真与结果分析

4.1 仿真模型建立

以某款插电式混合动力汽车为研究对象，在Cruise中搭建整车模型并设置运行工况，再将模型集成到Simulink中和控制策略联合仿真。整车模型如图5所示。

根据2019年发布的《中国汽车行驶工况 第1部分：轻型汽车》（GB/T 38146.1—2019）[15]，采用世界轻型车辆测试循环（world light vehicle test cycle，WLTC）工况对车辆进行仿真。

4.2 仿真结果分析

根据本文提出的能量管理策略，利用Cruise在WLTC工况下分别对CD和CS这2种情况进行仿真分析。

图6为驾驶员加速度及加速踏板开度变化曲线。根据整车运行工况的实时性，加速度及加速踏板开度也会随之变化，能够有效地反映出驾驶员的加速意图。

图7为修正前后的需求转矩曲线图。从图7（b）中可以看出，当汽车处于紧急加速的状态时，经过模糊控制器解模糊后的修正系数为大于1的值，故汽车处于紧急加速时整车的需求转矩要比修正前的需求转矩大。从图7（c）中可看出，当整车处于缓慢加速时，需求转矩变小，修正系数为小于1 的值，故修正过后的驾驶员需求转矩小于修正前的需求转矩。

通过对比加速踏板开度和修正前后的需求转矩曲线，验证了所设计的模糊控制器可以准确地识别驾驶员的加速意图，及时地修正符合驾驶员需求的整车转矩。同时对比低速工况与超高速工况的初始加速时间段可看出，低速工况起步时的加速度明显高于超高速工况起步时的加速度，对于模型识别出的2个工况所需的转矩也说明低速工况要高于超高速工况，与实际情况相吻合。对比修正前后的需求转矩曲线图，可以看出修正前后的需求转矩整体变化不大，在紧急加速阶段略微增加，在平稳加速阶段略微减少，表明所設计的模糊控制器更为准确地解决了对驾驶员驾驶意图的识别问题。

图8是起始SOC为35%的电量保持阶段能耗。在此阶段应尽量减少使用驱动电机工作，尽可能采用发动机来驱使整车行驶，以此来保护蓄电池过充或过放的问题。由图8可知，随着燃油消耗量上升，动力电池的消耗量就会减少，在运行工况结束后，基于多目标优化的加速意图识别策略剩余的SOC要高于其余2种控制策略，燃油消耗量与单一驾驶意图识别策略相近，但明显多于基于规则型能量管理策略。结合3种策略下动力电池消耗的电能和燃油消耗量的情况计算出整车的综合油耗后发现，基于多目标优化的加速意图识别策略较其余2种控制策略有较好的燃油经济性。

将以上3种不同的能量管理策略进行对比，结果如表5所示。

从优化后的结果可以看出，SOC为35%时，基于多目标优化的加速意图识别策略比基于加速意图识别策略燃油经济性提高了2.22%，相比于基于规则型能量管理策略提高了6.95%；当起始SOC为70%时，基于多目标优化的加速意图识别策略比基于加速意图识别策略燃油经济性仅提高了0.48%，但对比基于规则型能量管理策略，其燃油经济性提高了13.14%。由此表明，基于多目标优化的加速意图识别策略对于提高燃油经济性有明显的效果。

5 结论

本文以提高PHEV燃油经济性为目的，考虑到传统的基于规则型能量管理策略无法准确地对驾驶员的加速意图进行实时判断，导致燃油经济性降低，故引入基于加速意图识别策略及基于多目标优化的加速意图识别策略来提升燃油经济性，具体结论如下：

1）针对驾驶员意图识别的问题，通过设计模糊控制加速意图识别模块来识别加速意图。仿真结果表明：采用模糊控制器可以较为准确地识别出驾驶员意图，根据实时的加速意图可提升或降低整车需求转矩。

2）通过对比基于规则型能量管理策略、基于加速意图识别策略和基于多目标优化的加速意图识别策略，发现基于多目标优化的加速意图识别策略更加符合PHEV的运行状态。

3）通过Cruise-Simulink联合仿真，验证基于多目标优化的加速意图识别策略的燃油经济性。仿真结果表明：相比较于基于规则型能量管理策略和基于加速意图识别策略，基于多目标优化的加速意图识别策略能够在增强车辆对驾驶员的适应性的同时，还能有效地提升整车的燃油经济性。

参考文献

[1] 孙越.我国新能源汽车分类及发展现状浅析[J].汽车实用技术，2020（4）：13-15.

[2] 庄伟超，丁洋，邱立琦，等.插电式混合动力汽车控制策略的研究现状及发展趋势[J].机械设计与制造工程，2016，45（6）：11-17.

[3] HAN J H，KUM D，PARK Y.Synthesis of predictive equivalent consumption minimization strategy for hybrid electric vehicles based on closed-form solution of optimal equivalence factor[J].IEEE Transactions on Vehicular Technology，2017，66（7）：5604-5616.

[4] HUANG Y J，WANG H，KHAJEPOUR A，et al.Model predictive control power management strategies for HEVs：a review[J].Journal of Power Sources，2017，341：91-106.

[5] 王琦，刘胜永，郑致飞.基于模糊控制的纯电动汽车能量管理策略研究[J].广西科技大学学报，2021，32（2）： 83-88，106.

[6] 许佳东，高远，袁海英.四轮转向汽车的无模型自适应控制研究[J].广西科技大学学报，2022，33（3）：29-35.

[7] 尹安东，国兴.基于驾驶意图识别的PHEV控制策略研究[J].汽车科技，2016（2）：7-13.

[8] 秦大同，杨官龙，胡明辉，等.基于驾驶意图的插电式混合动力汽车能量管理策略[J].吉林大学学报（工学版），2015，45（6）：1743-1750.

[9] 林巨广，顾杰，朱茂飞.基于驾驶意图模糊识别的PHEV输出转矩控制的研究[J].汽车工程，2012，34（11）：984-989.

[10] LUO Y，WEI Y H，KAN Y Z，et al.Control strategy for electric startup of P2.5-PHEV based on slope memory and driver's startup intention[J].IEEE Access，2021，9：77044-77057.

[11] 徐小东，张冰战.基于模糊逻辑的混合动力汽车控制策略研究[J].合肥工业大学学报（自然科学版），2012，35（6）：725-728.

[12] 尹安东，张宇，张冰战，等.基于粒子群算法的PHEV动力参数和控制策略参数优化[J].机械传动，2015，39（5）：58-62，109.

[13] 林歆悠，王召瑞.应用粒子群算法优化模糊规则的自适应多目标控制策略[J].控制理论与应用，2021，38（6）： 842-850.

[14] 臧怀泉，张琦，强鹏辉，等.插电式混合动力汽车能量优化管理策略研究[J].燕山大学学报，2020，44（4）：388-396.

[15] 全国汽车标准化技术委员会.中国汽车行驶工况：第1部分 轻型汽车：GB/T 38146.1—2019[S].北京：中国标准出版社，2019.

PHEV energy management strategy for acceleration

intention recognition based on multi-objective optimization

LI Baiqing1a， LIU Shengyong*1a，2， DING Lei3， TIAN Jingbei1b

（1a. School of Automation， 1b. School of Innovation and Entrepreneurship， Guangxi University of Science and Technology， Liuzhou 545616， China; 2. Guangxi Key Laboratory of Automobile Components and Vehicle （Guangxi University of Science and Technology）， Liuzhou 545616， China; 3. Dongfeng Liuzhou Automobile Co.， Ltd.， Liuzhou 545616， China）

Abstract： To achieve better fuel economy for plug-in hybrid electric vehicles （PHEV）， this paper proposes an energy management strategy based on multi-objective optimization for acceleration intent recognition. On the basis of rule-based energy management strategy， a fuzzy controller is used to construct an acceleration intention recognition module. By introducing a correction factor to the vehicle's demand torque in real time， the torque output is more in line with the driver's intention. By introducing correction coefficient to correct the required torque of the vehicle in real time， the torque output more in line with the driver's intention can be achieved. Meanwhile， the multi-objective particle swarm optimization was used to optimize the vehicle transmission ratio to improve the vehicle fuel economy. The vehicle model was built with CRUISE software and MATLAB/Simulink co-simulation was conducted to verify the effectiveness of the strategy. The simulation results show that： under the world light vehicle test cycle （WLTC） condition， when the initial power battery state of charge （SOC） is 70%， the fuel economy of the acceleration intention recognition strategy based on multi-objective optimization increases by 0.48% compared with the single acceleration intention recognition strategy. While when the initial SOC is 35%， the fuel economy increases by 2.22%. It is concluded that the acceleration intention recognition strategy based on multi-objective optimization has a good effect on improving the fuel economy of the whole vehicle.

Key words： plug-in hybrid electric vehicle （PHEV）; acceleration intention; energy management strategy; multi-objective particle swarm optimization; fuel economy

（責任编辑：黎 娅）