CN103123667A - 一种液电复合混合动力系统关键元件参数选择的优化方法 - Google Patents

Abstract

本发明是一种液电复合混合动力系统关键元件参数选择的优化方法，属于混合动力领域。设定种群数，对种群进行自适应选择、交叉、变异遗传操作，退温操作，确定发动机的目标值，进行一定代数的模拟退火遗传操作后，最优适应度与平均适应度相差较小时，认为算法在给定范围内趋于收敛，对最优个体进行适应度评价，若满足要求，则跳出循环，否则，以最优个体为此时系统初始值；本发明满足了动力性指标的前提下提高能量的回收率，有效地识别出关键元件最优解的位置，提高车辆的整体性能。

Description

一种液电复合混合动力系统关键元件参数选择的优化方法

技术领域

本发明涉及一种液电复合混合动力系统关键元件参数选择的优化方法，属于混合动力领域。

背景技术

随着世界范围内工业技术的迅速发展，人类过度消耗能源，节能减排成为热门话题。在节能技术方面，混合动力技术被公认为是解决能源危机和环境污染的有效措施之一。液电混合动力系统有效地结合了蓄电池和液压蓄能器的特点，同时满足了混合动力系统对能量存储设备的高功率密度和高能量密度需求。液电混合动力系统关键元件参数的选择难度大，对设计人员的经验依赖程度高，无法使混合动力车辆的节能效果、成本和能耗等多个方面同时达到最优。目前国内还没有关于液电复合混合动力系统关键元件参数选择的优化方法。

发明内容

针对上述现有技术存在的问题，本发明提供一种液电复合混合动力系统关键元件参数选择的优化方法，采用优化算法来解决液电混合动力系统的参数匹配问题，通过加权因子来考虑技术、环境、社会和经济方面的影响，有效地识别出关键元件参数最优解，提高混合动力车辆的整体性能。

为了实现上述目的，本液电复合混合动力系统关键元件参数选择的优化方法，包括以下步骤：

（1）设定种群数、初始退火温度，随机选取个体，确定行驶工况；

（2）对种群中每一条染色体代入二次调节静液传动车辆动力系统的数学模型，以便验证是否满足最高车速、坡度和加速度性能要求；如满足，则进行行驶工况测试并计算出其油耗，然后得到其适应度；否则被舍弃，并保留最佳个体；

（3）对种群进行自适应选择、交叉、变异遗传操作；

（4）对种群遗传操作结果进行适应度重新排序，在保留最优个体基础上，进行模拟退火操作，并与保留的最优个体一起构成新种群；

（5）退温操作，返回步骤（2）；

（6）进行一定代数的模拟退火遗传操作后，最优适应度与平均适应度相差较小时，认为算法在给定范围内趋于收敛；

（7）对最优个体进行适应度评价，若满足要求，则跳出循环，否则，以最优个体为此时系统初始值，返回步骤（1）。

目标函数的确定

由于期望液电复合混合动力系统的几项性能指标同时达到最优，因此实质上是一个在给定的设计域内寻找满足性能指标的最优解的多目标优化问题。选取如下4个性能指标作为动力系统参数的优化目标；

（1）制动能量的回收能力：

$\mathrm{\η}=\frac{E_{\mathrm{acc}\_\max }}{E_{\mathrm{avg}}}=\frac{E_{\mathrm{acc}\_\max }}{\frac{1}{2}{\mathrm{mv}}_{\mathrm{avg}}^2}$

式中：η为制动能量的回收能量系数；

Eacc-max为液压蓄能器可回收的最大制动能量；

m为整车重量；

v_avg为混合动力车辆平均制动速度；

Eavg为车辆制动能量；

（2）动力性能：

$t_{\mathrm{hv}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\∫}_{u_{j1}}^{u_{j2}}\frac{{\mathrm{\δ}}_{j}m}{[F_{\mathrm{hj}}-(F_f+F_w)]}\mathrm{du}$

式中：t为车辆加速时间；

F_hj为蓄电池驱动时车辆的最大驱动力；

F_f为蓄电池驱动时车辆的滚动阻力；

F_w为蓄电池驱动时车辆的空气阻力力；

（3）车重增加导致油耗的增加：

$Q_{\mathrm{add}}=[f\left(m_{\mathrm{acc}}\right)+f\left(m_{P/M}\right)+f\left(m_M\right)+f\left(m_b\right)+m]\frac{\mathrm{\Σ}(Q_a+Q_s+Q_d+Q_{\mathrm{id}})}{m}$

式中：f(m_acc)，f(m_p/m)，f(m_M)，f(m_b)为液压蓄能器、液压泵/马达、电机和蓄电池的重量拟合函数；

Qa，Qs——车辆在加速、恒速时的油耗；

Qd，Qid——减速和怠速时的油耗；

（4）整车价格的增加：

price＝f_p(V_acc)+f_p(V_b)+f_p(P/M)+f_p(M)

式中f_p(V_acc)，f(p/m)，f(m)，f(V_b)，——液压蓄能器、液压泵/马达、电机和蓄电池的价格拟合函数；

多目标最优解与各子目标最优解是密切相关的，应包含各子目标的贡献。为减少各自子优化目标之间的数值差异，对它们进行了单位化处理，然后采用权重系数变换法将多目标综合为单一的优化目标：

$F=(V_{P/M},P_M,V_{\mathrm{acc}},V_b)=a_1\frac{E_{\max }-E_{\mathrm{acc}}}{E_{\max }-E_{\min }}+a_2\frac{t_{\mathrm{hv}}-t_{\min }}{t_{\max }-t_{\min }}$

$+a_3\frac{Q_{\mathrm{hv}}-Q_{\min }}{Q_{\max }-Q_{\min }}+a_4\frac{P_{\mathrm{hv}}-P_{\min }}{P_{\max }-P_{\min }}$

式中E_max，E_min——液压蓄能器可回收的最大能量和最小能量；

t_max，t_min——最大加速时间和最小加速时间；

Q_max，Q_min——混合动力车辆油耗的最大值和最小值；

P_max，P_min——整车价格增加的最大值和最小值；

a_i——加权因子，目标函数中的每一项都是由因子a_i进行加权。

本发明的有益效果是：一种液电复合混合动力系统关键元件参数选择的优化方法，通过加权因子来考虑技术、环境、社会和经济方面的影响，确定整车优化的目标函数，采用自适应模拟退火遗传算法来解决液电混合动力系统的参数匹配问题，自动识别出关键元件参数的最优解，缩短整车开发周期，提高液电混合动力系统的整体性能，降低对设计人员丰富工作经验的需求。

附图说明

图1是本发明的流程示意图。

具体实施方式

下面结合附图对本发明作进一步说明。

本发明包括以下步骤：

（1）设定种群数、初始退火温度，随机选取个体，确定行驶工况；

（2）对种群中每一条染色体代入二次调节静液传动车辆动力系统的数学模型，以便验证是否满足最高车速、坡度和加速度性能要求；如满足，则进行行驶工况测试并计算出其油耗，然后得到其适应度；否则被舍弃，并保留最佳个体；

（3）对种群进行自适应选择、交叉、变异遗传操作；

（4）对种群遗传操作结果进行适应度重新排序，在保留最优个体基础上，进行模拟退火操作，并与保留的最优个体一起构成新种群；

（5）退温操作，返回步骤（2）；

（6）进行一定代数的模拟退火遗传操作后，最优适应度与平均适应度相差较小时，认为算法在给定范围内趋于收敛；

（7）对最优个体进行适应度评价，若满足要求，则跳出循环，否则，以最优个体为此时系统初始值，返回步骤（1）。

目标函数的确定

由于期望液电复合混合动力系统的几项性能指标同时达到最优，因此实质上是一个在给定的设计域内寻找满足性能指标的最优解的多目标优化问题。选取如下4个性能指标作为动力系统参数的优化目标；

（1）制动能量的回收能力：

$\mathrm{\η}=\frac{E_{\mathrm{acc}\_\max }}{E_{\mathrm{avg}}}=\frac{E_{\mathrm{acc}\_\max }}{\frac{1}{2}{\mathrm{mv}}_{\mathrm{avg}}^2}$

式中：η为制动能量的回收能量系数；

Eacc-max为液压蓄能器可回收的最大制动能量；

m为整车重量；

v_avg为混合动力车辆平均制动速度；

Eavg为车辆制动能量；

（2）动力性能：

$t_{\mathrm{hv}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\∫}_{u_{j1}}^{u_{j2}}\frac{{\mathrm{\δ}}_{j}m}{[F_{\mathrm{hj}}-(F_f+F_w)]}\mathrm{du}$

式中：t为车辆加速时间；

F_hj为蓄电池驱动时车辆的最大驱动力；

F_f为蓄电池驱动时车辆的滚动阻力；

F_w为蓄电池驱动时车辆的空气阻力力；

（3）车重增加导致油耗的增加：

$Q_{\mathrm{add}}=[f\left(m_{\mathrm{acc}}\right)+f\left(m_{P/M}\right)+f\left(m_M\right)+f\left(m_b\right)+m]\frac{\mathrm{\Σ}(Q_a+Q_s+Q_d+Q_{\mathrm{id}})}{m}$

式中：f(m_acc)，f(m_p/m)，f(m_M)，f(m_b)为液压蓄能器、液压泵/马达、电机和蓄电池的重量拟合函数；

Qa，Qs——车辆在加速、恒速时的油耗；

Qd，Qid——减速和怠速时的油耗；

（4）整车价格的增加：

price＝f_p(V_acc)+f_p(V_b)+f_p(P/M)+f_p(M)

式中f_p(V_acc)，f(p/m)，f(m)，f(V_b)，——液压蓄能器、液压泵/马达、电机和蓄电池的价格拟合函数；

多目标最优解与各子目标最优解是密切相关的，应包含各子目标的贡献。为减少各自子优化目标之间的数值差异，对它们进行了单位化处理，然后采用权重系数变换法将多目标综合为单一的优化目标：

$F=(V_{P/M},P_M,V_{\mathrm{acc}},V_b)=a_1\frac{E_{\max }-E_{\mathrm{acc}}}{E_{\max }-E_{\min }}+a_2\frac{t_{\mathrm{hv}}-t_{\min }}{t_{\max }-t_{\min }}$

$+a_3\frac{Q_{\mathrm{hv}}-Q_{\min }}{Q_{\max }-Q_{\min }}+a_4\frac{P_{\mathrm{hv}}-P_{\min }}{P_{\max }-P_{\min }}$

式中E_max，E_min——液压蓄能器可回收的最大能量和最小能量；

t_max，t_min——最大加速时间和最小加速时间；

Q_max，Q_min——混合动力车辆油耗的最大值和最小值；

P_max，P_min——整车价格增加的最大值和最小值；

a_i——加权因子，目标函数中的每一项都是由因子a_i进行加权。

Claims (1)

1.一种液电复合混合动力系统关键元件参数选择的优化方法，包括以下步骤：

（1）设定种群数、初始退火温度，随机选取个体，确定行驶工况；

（2）对种群中每一条染色体代入二次调节静液传动车辆动力系统的数学模型，以便验证是否满足最高车速、坡度和加速度性能要求；如满足，则进行行驶工况测试并计算出其油耗，然后得到其适应度；否则被舍弃，并保留最佳个体；

（3）对种群进行自适应选择、交叉、变异遗传操作；

（4）对种群遗传操作结果进行适应度重新排序，在保留最优个体基础上，进行模拟退火操作，并与保留的最优个体一起构成新种群；

（5）退温操作，返回步骤（2）；

（6）进行一定代数的模拟退火遗传操作后，最优适应度与平均适应度相差较小时，认为算法在给定范围内趋于收敛；

（7）对最优个体进行适应度评价，若满足要求，则跳出循环，否则，以最优个体为此时系统初始值，返回步骤（1）。

目标函数的确定

由于期望液电复合混合动力系统的几项性能指标同时达到最优，因此实质上是一个在给定的设计域内寻找满足性能指标的最优解的多目标优化问题。选取如下4个性能指标作为动力系统参数的优化目标；

（1）制动能量的回收能力：

$\mathrm{\η}=\frac{E_{\mathrm{acc}\_\max }}{E_{\mathrm{avg}}}=\frac{E_{\mathrm{acc}\_\max }}{\frac{1}{2}{\mathrm{mv}}_{\mathrm{avg}}^2}$

式中：η为制动能量的回收能量系数；

Eacc-max为液压蓄能器可回收的最大制动能量；

m为整车重量；

v_avg为混合动力车辆平均制动速度；

Eavg为车辆制动能量；

（2）动力性能：

$t_{\mathrm{hv}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\∫}_{u_{j1}}^{u_{j2}}\frac{{\mathrm{\δ}}_{j}m}{[F_{\mathrm{hj}}-(F_f+F_w)]}\mathrm{du}$

式中：t为车辆加速时间；

F_hj为蓄电池驱动时车辆的最大驱动力；

F_f为蓄电池驱动时车辆的滚动阻力；

F_w为蓄电池驱动时车辆的空气阻力力；

（3）车重增加导致油耗的增加：

$Q_{\mathrm{add}}=[f\left(m_{\mathrm{acc}}\right)+f\left(m_{P/M}\right)+f\left(m_M\right)+f\left(m_b\right)+m]\frac{\mathrm{\Σ}(Q_a+Q_s+Q_d+Q_{\mathrm{id}})}{m}$

式中：f(m_acc)，f(m_p/m)，f(m_M)，f(m_b)为液压蓄能器、液压泵/马达、电机和蓄电池的重量拟合函数；

Qa，Qs——车辆在加速、恒速时的油耗；

Qd，Qid——减速和怠速时的油耗；

（4）整车价格的增加：

price＝f_p(V_acc)+f_p(V_b)+f_p(P/M)+f_p(M)

式中f_p(V_acc)，f(p/m)，f(m)，f(V_b)，——液压蓄能器、液压泵/马达、电机和蓄电池的价格拟合函数；

多目标最优解与各子目标最优解是密切相关的，应包含各子目标的贡献。为减少各自子优化目标之间的数值差异，对它们进行了单位化处理，然后采用权重系数变换法将多目标综合为单一的优化目标：

$F=(V_{P/M},P_M,V_{\mathrm{acc}},V_b)=a_1\frac{E_{\max }-E_{\mathrm{acc}}}{E_{\max }-E_{\min }}+a_2\frac{t_{\mathrm{hv}}-t_{\min }}{t_{\max }-t_{\min }}$

$+a_3\frac{Q_{\mathrm{hv}}-Q_{\min }}{Q_{\max }-Q_{\min }}+a_4\frac{P_{\mathrm{hv}}-P_{\min }}{P_{\max }-P_{\min }}$

式中E_max，E_min——液压蓄能器可回收的最大能量和最小能量；

t_max，t_min——最大加速时间和最小加速时间；

Q_max，Q_min——混合动力车辆油耗的最大值和最小值；

P_max，P_min——整车价格增加的最大值和最小值；

a_i——加权因子，目标函数中的每一项都是由因子a_i进行加权。