CN102951039A - 一种基于模糊控制的增程式电动车能量管理方法 - Google Patents

Abstract

本发明涉及一种基于模糊控制的增程式电动车能量管理方法，具体包括以下步骤：1)整车控制器获取蓄电池SOC和总线需求功率数据；2)整车控制器判断蓄电池SOC是否小于或等于90％，若是，则执行步骤3)，若否，则通过CAN总线控制增程器关闭；3)模糊控制模块根据隶属度函数对蓄电池SOC和总线需求功率数据进行模糊化；4)对模糊化后的数据根据设定的模糊规则和隶属度函数进行模糊推理；5)利用重心法对推理结果进行反模糊化，输出增程器及蓄电池的输出功率分配值；6)整车控制器将增程器及蓄电池的输出功率分配值通过CAN总线发送给增程器和蓄电池。与现有技术相比，本发明具有适应性强、可提升整车性能等优点。

Description

一种基于模糊控制的增程式电动车能量管理方法

技术领域

本发明涉及一种电动车控制方法，尤其是涉及一种基于模糊控制的增程式电动车能量管理方法。

背景技术

增程式电动汽车作为一种新型的混合动力汽车，它既不同于传统的内燃机汽车，又有别于常见的油电混合动力汽车。增程式电动汽车是在纯电动汽车的基础上，配备了一个额外的动力装置——增程器。一般采用小功率的汽油、柴油内燃机或燃料电池等作为增程器，因其功率较小，所以重量和价格都较低，有利于该装置的推广和使用。虽然增程器的功率较小，但却能极大的提高整车的续航里程，因此在配合大功率蓄电池的情况下，使得整车既能满足日常用车所需的动力性，又能提供较大的续航里程，为新能源汽车在短时期内的推广和使用提供了切实可行的新方向。

由于增程式电动汽车拥有双能量源，并且增程器既可以直接向驱动系统提供能量，又可以为蓄电池充电，因此如何分配增程器和蓄电池的工作功率就成为开发增程式电动汽车必须要解决的一个问题。燃料电池的效率随着其工作功率的变化有着较大的变化，并且当燃料电池向蓄电池充电时也会带来一定的能量损失，所以如何设定燃料电池的工作功率，将会很大程度上影响整车的经济性。因此，制定一个优化合理的能量管理策略来控制增程器和蓄电池的工作功率，对于提高增程式电动车的环保经济性有着重要意义。

目前研究的混合动力汽车能量管理策略的使用对象一般是蓄电池容量较小的轻度混合汽车，而在增程式电动车中，蓄电池和增程器所占的能量比重都较大，因而传统混合动力汽车中的能量管理策略是不适用于增程式电动汽车的。

而目前所研究的用于增程式电动汽车的能量管理策略多为基于规则的逻辑门控制策略。根据部件性能特性和工程经验选择控制参数，在控制参数的变化范围内使用一组阈值(逻辑门限值)将其划分成不同的区域，在不同的控制参数区域，车辆按照不同的状态和能量供给模式工作，从而形成一组控制规则。控制参数通常有车速、汽车行驶的需求功率、增程器的功率、电池的荷电状态(SOC)等。这类策略虽然易于实现，但其控制效果不能随着工况和车辆状态进行动态变化，增程器的工作功率往往限定在一个或几个固定的数值，这样很难得到一个全局最优的控制效果，因此不能使整车的经济性达到最佳。

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适应性强、可提升整车性能的基于模糊控制的增程式电动车能量管理方法。

本发明的目的可以通过以下技术方案来实现：

一种基于模糊控制的增程式电动车能量管理方法，所述的电动车包括整车控制器、CAN总线、增程器和蓄电池，所述的整车控制器通过CAN总线与增程器和蓄电池连接，所述的整车控制器中设有模糊控制模块，所述的方法通过该模糊控制模块根据蓄电池SOC和总线需求功率实时控制增程器及蓄电池的功率输出分配，具体包括以下步骤：

1)整车控制器获取蓄电池SOC和总线需求功率数据；

2)整车控制器判断蓄电池SOC是否小于或等于90％，若是，则执行步骤3)，若否，则通过CAN总线控制增程器关闭；

3)模糊控制模块根据隶属度函数对蓄电池SOC和总线需求功率数据进行模糊化；

4)对模糊化后的数据根据设定的模糊规则和隶属度函数进行模糊推理，得到推理结果；

5)利用重心法对推理结果进行反模糊化，输出增程器及蓄电池的输出功率分配值；

6)整车控制器将增程器及蓄电池的输出功率分配值通过CAN总线发送给增程器和蓄电池，控制增程器和蓄电池的功率输出。

所述的模糊控制模块中的模糊规则和隶属度函数是通过遗传算法优化得到的，所述的优化的目标为续航里程最大化。

所述的优化具体包括以下步骤：

a)对模糊规则和隶属度函数进行编码，并根据编码长度产生初始种群；

b)将编码转化为模糊参数，代入建立的整车动力系统模型中仿真得到续航里程；

c)设定适应度函数，将优化目标转化为适应度；

d)计算种群中每个个体的适应度；

e)判断最大续航里程值是否收敛，若是，则输出结果，若否，则执行步骤f)；

f)对种群进行选择、交叉、变异操作，产生新的种群，返回步骤b)。

所述的模糊推理的具体步骤为：

a)根据设定的模糊规则，由输入变量蓄电池SOC和总线需求功率Pr模糊表达得到对应的输出变量Pout的模糊表达；

b)对应步骤a)中的每条模糊规则，先取SOC和Pr的隶属度中小于设定值ε的值，然后该值再与对应的Pout的模糊函数进行取小运算；

c)由步骤a)和b)得到多条模糊规则对应的多个函数，然后取这些函数的最大值作为输出变量的函数表达式。

所述的利用重心法对推理结果进行反模糊化的具体步骤为：根据模糊推理得到的输出函数，得到该输出函数的面积重心，该重心对应的横坐标即为反模糊化后的模糊控制模块的输出。

与现有技术相比，本发明具有适应性强，鲁棒性好，并且能根据动力系统各部件的状态进行动态变化；而且，在使用遗传算法进行优化后，该策略能使整车的经济性有了较大的提升。

附图说明

图1为本发明的流程示意图；

图2为本发明中采用遗传算法对模糊控制进行优化的流程示意图。

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。

实施例

如图1所示，一种基于模糊控制的增程式电动车能量管理方法，所述的电动车包括整车控制器(VMS)、CAN总线、增程器和蓄电池，所述的整车控制器通过CAN总线与增程器和蓄电池连接，所述的整车控制器中设有模糊控制模块，所述的方法通过该模糊控制模块根据蓄电池SOC和总线需求功率实时控制增程器及蓄电池的功率输出分配。该方法具体包括以下步骤：

在步骤401中，通过CAN总线将能量管理策略计算所需的各动力系统数据(总线需求功率及蓄电池SOC)发送给VMS。

在步骤402中，根据SOC进行判断，若SOC＜＝90％，则执行步骤404及其后面的步骤；否则执行步骤403。

在步骤403中，保持增程器关闭。

在步骤404中，根据模糊控制模块中的隶属度函数对蓄电池SOC和总线需求功率进行模糊化。

在步骤405中，根据模糊规则及隶属度函数进行模糊推理。

所述的模糊控制模块中的模糊规则和隶属度函数是通过遗传算法优化得到的，所述的优化的目标为续航里程最大化。

如图2所示，所述的优化具体包括以下步骤；

a)对模糊规则和隶属度函数进行编码，并根据编码长度产生初始种群；

b)将编码转化为模糊参数，代入建立的整车动力系统模型中仿真得到续航里程；

c)设定适应度函数，将优化目标转化为适应度；

d)计算种群中每个个体的适应度；

e)判断最大续航里程值是否收敛，若是，则输出结果，若否，则执行步骤f)；

f)对种群进行选择、交叉、变异操作，产生新的种群，返回步骤b)。

所述的模糊推理的具体步骤为：

a)根据设定的模糊规则，由输入变量蓄电池SOC和总线需求功率Pr模糊表达得到对应的输出变量Pout的模糊表达；

b)对应步骤a)中的每条模糊规则，先取SOC和Pr的隶属度中小于设定值ε的值，然后该值再与对应的Pout的模糊函数进行取小运算；

c)由步骤a)和b)得到多条模糊规则对应的多个函数，然后取这些函数的最大值作为输出变量的函数表达式。

所述的利用重心法对推理结果进行反模糊化的具体步骤为：根据模糊推理得到的输出函数，得到该输出函数的面积重心，该重心对应的横坐标即为反模糊化后的模糊控制模块的输出。

在步骤406中，利用重心法进行解模糊化；

在步骤407中，通过模糊控制模块的输出值进行变换后，得到增程器应该输出的功率值；

在步骤408中，VMS通过CAN总线向动力系统各部件的控制器发送功率分配结果，完成控制端VMS对动力系统各能量源输出功率的分配。

如图2所示，使用遗传算法对模糊控制模块参数进行优化。其中优化目标为续航里程最大化，优化变量为模糊函数与模糊规则。

Claims (5)

1.一种基于模糊控制的增程式电动车能量管理方法，所述的电动车包括整车控制器、CAN总线、增程器和蓄电池，所述的整车控制器通过CAN总线与增程器和蓄电池连接，其特征在于，所述的整车控制器中设有模糊控制模块，所述的方法通过该模糊控制模块根据蓄电池SOC和总线需求功率实时控制增程器及蓄电池的功率输出分配，具体包括以下步骤：

1)整车控制器获取蓄电池SOC和总线需求功率数据；

2)整车控制器判断蓄电池SOC是否小于或等于90％，若是，则执行步骤3)，若否，则通过CAN总线控制增程器关闭；

3)模糊控制模块根据隶属度函数对蓄电池SOC和总线需求功率数据进行模糊化；

4)对模糊化后的数据根据设定的模糊规则和隶属度函数进行模糊推理，得到推理结果；

5)利用重心法对推理结果进行反模糊化，输出增程器及蓄电池的输出功率分配值；

6)整车控制器将增程器及蓄电池的输出功率分配值通过CAN总线发送给增程器和蓄电池，控制增程器和蓄电池的功率输出。

2.根据权利要求1所述的一种基于模糊控制的增程式电动车能量管理方法，其特征在于，所述的模糊控制模块中的模糊规则和隶属度函数是通过遗传算法优化得到的，所述的优化的目标为续航里程最大化。

3.根据权利要求2所述的一种基于模糊控制的增程式电动车能量管理方法，其特征在于，所述的优化具体包括以下步骤：

a)对模糊规则和隶属度函数进行编码，并根据编码长度产生初始种群；

b)将编码转化为模糊参数，代入建立的整车动力系统模型中仿真得到续航里程；

c)设定适应度函数，将优化目标转化为适应度；

d)计算种群中每个个体的适应度；

e)判断最大续航里程值是否收敛，若是，则输出结果，若否，则执行步骤f)；

f)对种群进行选择、交叉、变异操作，产生新的种群，返回步骤b)。

4.根据权利要求1所述的一种基于模糊控制的增程式电动车能量管理方法，其特征在于，所述的模糊推理的具体步骤为：

a)根据设定的模糊规则，由输入变量蓄电池SOC和总线需求功率Pr模糊表达得到对应的输出变量Pout的模糊表达；

b)对应步骤a)中的每条模糊规则，先取SOC和Pr的隶属度中小于设定值ε的值，然后该值再与对应的Pout的模糊函数进行取小运算；

c)由步骤a)和b)得到多条模糊规则对应的多个函数，然后取这些函数的最大值作为输出变量的函数表达式。

5.根据权利要求4所述的一种基于模糊控制的增程式电动车能量管理方法，其特征在于，所述的利用重心法对推理结果进行反模糊化的具体步骤为：根据模糊推理得到的输出函数，得到该输出函数的面积重心，该重心对应的横坐标即为反模糊化后的模糊控制模块的输出。

Images