CN104408257A - 基于模拟退火粒子群算法的混合动力汽车参数优化方法 - Google Patents

Abstract

本发明公开了基于模拟退火粒子群算法的混合动力汽车参数优化方法，本发明将混合动力汽车控制策略中的门限值转化为一群待优化的粒子，以汽车燃油消耗率和排放为优化目标函数，各粒子并行进行模拟退火过程，退火过程中借助Metropolis准则选择性地接受每个粒子的新状态，并运用其跳跃的特性跳出局部最优，最后收敛至全局最优解。本发明克服混合动力汽车控制参数在设置过程中的经验化以及不能获得最优解等问题，能快速获得最优门限值，对于汽车节能减排和混合动力汽车的理论研究具有重要的意义。

Description

基于模拟退火粒子群算法的混合动力汽车参数优化方法

技术领域

本发明属于汽车参数优化领域，尤其是指基于模拟退火粒子群算法的混合动力汽车参数优化方法。

背景技术

混合动力汽车具有排放小、污染少、燃油经济性好优点，是未来汽车发展的一个重要方向，但混合动力汽车运行模式复杂，其控制策略还不是很成熟。目前只有基于工程经验设计的逻辑门限控制策略在实际商品化的混合动力汽车上被广泛应用。工程实践中逻辑门限值设定主要依据工程经验和直观判断，然后通过大量的实验对比验证，寻找最佳值，这往往需要花费很长的时间。

粒子群算法是由美国心理学家Kennedy和电气工程师Eberhart于1995年提出的一种基于群体智能的随机寻优算法，与其他算法相比具有更高的搜索效率，且算法简洁、易于实现，但后期受随机振荡现象的影响极易陷入局部极小值，导致精度降低，易发散。模拟退火算法是一种通用的优化算法，其并行技术能大幅改进系统性能，加大信息吞吐量和调高运算速度。模拟退火粒子群算法是将模拟退火思想引入到粒子群算法中，在粒子位置和速度更新过程中加入模拟退火机制，使算法呈现跳跃性，既能保证全局的搜索能力，又能提高计算精度，随着温度逐渐下降，粒子逐渐形成低能量基态，收敛至全局最优解。

随着人工智能的进一步发展和人工生命的兴起，出现了一些模拟社会型生物行为的启发式算法，例如遗传算法、粒子群算法等。遗传算法、粒子群算法等已被证明适合应用于混合动力控制参数的优化。利用智能算法对已有控制策略进行优化，使优化后的车辆表现出更好的经济性和排放性能，因此，基于模拟退火粒子群算法的混合动力汽车参数优化方法对于汽车节能减排和混合动力汽车理论研究具有重要的意义。

发明内容

针对混合动力汽车控制参数在设置过程中的经验化以及不能快速获得最优解等问题，本发明提出了基于模拟退火粒子群算法的混合动力汽车参数优化方法，其算法简洁，易于实现，具有高效的全局和局部搜索能力，能达到实现最佳空间覆盖效果。

本发明的实现技术思路是：首先建立并调用混合动力汽车整车模型，在此基础上，设置模拟退火粒子群算法的相关参数，调用仿真循环工况并进行荷电状态等设置，然后设置加速测试、爬坡测试等约束条件，之后计算油耗、排放，编写目标函数F(x)，进入循环迭代主程序，计算每个粒子的适应度值，更新个体极值与全局极值，更新粒子位置与速度，计算更新后的适应度值，判断是否接受新位置，接受则降温，否则拒绝，返回再次计算适应度值。在迭代结束后，提取数据，代入原控制策略，获得油耗与排放数据，综合比较各组油耗与排放数据，得出最优控制参数。

为了实现上述目的，下面进一步描述本发明的技术方案：

基于模拟退火粒子群算法的混合动力汽车参数优化方法，包括以下步骤：

一种基于模拟退火粒子群算法的混合动力汽车参数优化方法，包括如下步骤：

步骤1，建立并调用混合动力汽车整车模型；

步骤2，设置模拟退火粒子群算法参数，包括退火起止温度Tstart、Tend、退火速度K、种群大小S、粒子维数D、粒子位置范围[Pmin Pmax]、粒子速度范围[Vmin Vmax]、惯性权重ωstart、ωend、最大迭代次数Tmax；

步骤3，调用仿真循环工况并进行荷电状态等设置，包括重复运行循环次数，电池电量校正及校正时的最大波动值；

步骤4，设置加速测试、爬坡测试约束条件；

步骤5，计算油耗、排放，根据目标函数F(x)编写适应度值Fitness(x)；

步骤6，计算每个粒子的适应度值；

步骤7，更新个体极值与全局极值；

步骤8，更新粒子位置、速度以及惯性权重；

步骤9，计算更新后的适应度值；

步骤10，判断是否接受新位置；

步骤11，迭代结束，提取数据，代入原控制策略，获得油耗与排放数据；

步骤12，综合比较各组油耗与排放数据，得出最优控制参数。

进一步，所述步骤1中，调用整车模型时应根据所建立混合动力汽车的类型初始化各部件参数。

进一步，所述步骤4中，约束条件设置包括加速测试和爬坡测试，加速测试规定汽车加速时间，最大速度，最大加速度；爬坡测试规定爬坡车速，爬坡度。

进一步，所述步骤5中，目标函数F(x)是将汽车的燃油消耗率和排放结合起来的多目标函数，函数采用如下形式描述：

$F\left(x\right)=k1\frac{\mathrm{FC}\left(t\right)}{\mathrm{FCz}}+k2\frac{\mathrm{CO}\left(t\right)}{\mathrm{COz}}+k3\frac{\mathrm{HC}\left(t\right)}{\mathrm{HCz}}+k4\frac{\mathrm{NOx}\left(t\right)}{\mathrm{NOxz}}$

其中：k1、k2、k3、k4分别为FC、CO、HC、NOx的权重因子；FCz、COz、HCz、NOxz为用户指定的目标值，也可以是国家规定值。

进一步，所述步骤7中，对每个粒子，将其适应度值Fitness(x)分别于与个体极值、全局极值进行比较，取优更新为个体极值和全局极值。

进一步，所述步骤8中，粒子的速度、位置以及惯性权重分别按下面公式进行更新，惯性权重线性递减：

进一步，所述步骤8中，在粒子更新后，如果粒子速度或位置超出设定范围，则将边界值赋给当前粒子，即 $V_{\mathrm{id}}^{t+1}>V_{\max },$ 令 $V_{\mathrm{id}}^{t+1}=V_{\max };V_{\mathrm{id}}^{t+1}<V_{\min },$ 令 $V_{\mathrm{id}}^{t+1}=V_{\min };V_{\mathrm{id}}^{t+1}<P_{\max },$ $x_{\mathrm{id}}^{t+1}=P_{\max };x_{\mathrm{id}}^{t+1}<P_{\min },x_{\mathrm{id}}^{t+1}=P_{\min }.$

进一步，所述步骤10中，如果更新后的适应度值小于等于极值的适应度值或exp(-ΔE/T)大于随机数ε，则更新极值的适应度值，接受新值，降温，否则拒绝，然后返回步骤六；ΔE为更新后的适应度值与极值的适应度值的差值，T为当前温度，ε为0到1的随机数。

进一步，所述步骤12中，分析各组油耗与排放数据，综合比较油耗较低，排放也较少的那组对应的控制参数即为最优控制参数。

本发明具有如下技术效果：

本发明将混合动力汽车控制策略中的门限值转化为一群待优化的粒子，以汽车燃油消耗率和排放为优化目标函数，各粒子并行进行模拟退火过程，退火过程中借助Metropolis准则选择性地接受每个粒子的新状态，并运用其跳跃的特性跳出局部最优，最后收敛至全局最优解。

经模拟退火粒子群算法优化后发动机的工作点往高效区域移动，促使整车燃油消耗降低，排放减少，电池电量也保持在较高的位置。

本发明克服混合动力汽车控制参数在设置过程中的经验化以及不能获得最优解等问题，能快速获得最优门限值，对于汽车节能减排和混合动力汽车的理论研究具有重要的意义。

附图说明

图1是并联式混合动力汽车Simulink模型；

图2是本发明实现的总体流程图；

图3是默认控制策略下，发动机工作点分布图；

图4是优化控制参数后，发动机工作点分布图；

图5是优化前后，电池电量对比图；

具体实施方式

下面结合附图对发明专利具体实施过程做进一步说明。

本发明选用并联式混合动力汽车作为具体实施例，采用代码形式调用混合动力汽车分析软件ADVISOR中的内置函数。调用的格式为：[error_code，resp]＝adv_no_gui(action，input)；

并联式混合动力汽车的控制策略有很多，其中最常用的就是逻辑门限控制策略，逻辑门限控制策略通过设置一系列逻辑门限值控制发动机和电机的工作模式，使发动机和电机工作在高效区域。逻辑门限控制策略中共有9个控制参数，如下表：

参数	定义
		cs_hi_soc	电池电量上限
cs_lo_soc	电池电量下限
		cs_electric_launch_spd	加速时，发动机工作的转速下限
cs_electric_decel_spd	减速时，发动机工作的转速下限
		cs_electric_launch_spd_hi	发动机启动转速上限
cs_electric_launch_spd_lo	发动机启动转速下限
		cs_off_trq_frac	发动机关闭转矩系数
cs_min_trq_frac	最小转矩系数
		cs_charge_trq	充电转矩

现基于模拟退火粒子群算法进行混合动力汽车控制参数优化，具体步骤如下：

步骤一：建立并调用混合动力汽车整车模型；

调用混合动力汽车仿真软件ADVISOR中的并联式混合动力汽车模型，模型如图1。调用代码为：

input.init.saved_veh_file＝‘Parallel_defaults_in’；

[error_code，resp]＝adv_no_gui(‘initialize’，input)；

步骤二：设置模拟退火粒子群算法参数；

模拟退火粒子群算法参数设置包含退火起止温度Tstart、Tend、退火速度K、种群大小S、粒子维数D、粒子位置范围[Pmin Pmax]、粒子速度范围[Vmin Vmax]、学习因子c1、c2、惯性权重ωstart、ωend、最大迭代次数Tmax等。各参数见下表：

步骤三：调用仿真循环工况并进行荷电状态等设置；

调用美国城市循环工况(UDDS)并设置荷电状态，包括重复运行循环次数，电池电量校正及校正时的最大波动值等。代码如下：

input.cycle.param＝{‘name’，‘soc’，‘socmenu’，‘SOCiter’，‘number’}

input.cycle.value＝{‘CYC_UDDS’，‘on’，‘zerodelta’，‘15’，‘1’}

[error_code，resp]＝adv_no_gui(‘drive_cycle’，input)；

步骤四：设置加速测试、爬坡测试等约束条件；

约束设置包括加速测试和爬坡测试，加速测试设置包括初始电池电量、加速时间、最大速度、最大加速度等。代码如下：

input.accel.param＝{‘ess_init_soc’，‘spd’}；

input.accel.value＝{0.7，[0 130]}；

[error_code，resp]＝adv_no_gui(‘accel_test’，input)；

爬坡测试规定爬坡车速、爬坡度、爬坡时间等。代码如下：

input.grade.param＝{‘speed’，‘duration’，‘grade’}；

input.grade.value＝{‘40’，‘20’，‘30’}；

[error_code，resp]＝adv_no_gui(‘grade_test’，input)；

步骤五：计算油耗、排放，编写目标函数F(x)，计算适应度值Fitness(x)；

调用ADVISOR软件cycle.mpgge，cycle.hc_gpm，cycle.co_gpm，cycle.nox_gpm，目标函数的具体表达式如下：

$F\left(x\right)=k1\frac{\mathrm{FC}\left(t\right)}{\mathrm{FCz}}+k2\frac{\mathrm{CO}\left(t\right)}{\mathrm{COz}}+k3\frac{\mathrm{HC}\left(t\right)}{\mathrm{HCz}}+k4\frac{\mathrm{NOx}\left(t\right)}{\mathrm{NOxz}}$

其中：k1、k2、k3、k4分别为FC、CO、HC、NOx的权重因子；FCz、COz、HCz、NOxz为用户指定的目标值，也可以是国家规定值。由于逻辑门限参数优化属于约束优化问题，因此适应度值Fitness(x)不等同于目标函数，需要采用一定的方法将其转换成无约束优化问题。在本处，采用罚函数法，适应度值Fitness(x)表达式如下：

$\mathrm{Fitness}\left(x\right)=\begin{array}{}\left\{\begin{array}{cc}F\left(x\right)& V1\left(\mathrm{xi}\right)\&le;0,V2\left(\mathrm{xi}\right)\&le;0,V3\left(\mathrm{xi}\right)\&GreaterEqual;0\\ F\left(x\right)+\underset{v1}{\overset{v3}{\mathrm{\&Sigma;}}}\mathrm{Avi}\&times;\mathrm{Bvi}\left(\mathrm{xi}\right)& V1\left(\mathrm{xi}\right)>0,V2\left(\mathrm{xi}\right)>0,V3\left(\mathrm{xi}\right)<0\end{array}\right.\end{array}$

上式中，Avi为第vi个约束的惩罚因子，Bvi为与第vi个约束相对应的罚函数，vi为约束条件， $V1=\frac{130-v\max \left(x\right)}{130},V2=\frac{30-i\max \left(x\right)}{30},V3=\frac{20-t\left(x\right)}{20};$

步骤六：计算每个粒子的适应度值；

步骤七：更新个体极值与全局极值：

对每个粒子，将其适应度值Fitness(x)分别于与个体极值、全局极值进行比较，取优更新为个体极值和全局极值。

步骤八：更新粒子的速度和位置：

粒子的速度、位置以及惯性权重分别按下面公式进行更新，惯性权重线性递减；

在粒子更新后，如果粒子速度或位置超出设定范围，则将边界值赋给当前粒子。

步骤九：计算更新后的适应度值；

步骤十：判断是否接受新位置；如果更新后的适应度值小于等于极值的适应度值或exp(-ΔE/T)大于随机数ε，则更新极值的适应度值，接受新值，降温，否则拒绝，然后返回步骤六，重新计算适应度值。ΔE为更新后的适应度值与极值的适应度值的差值，T为当前温度，ε为0到1的随机数。

步骤十一：迭代结束，提取MATLAB空间中的数据；将优化后的控制参数分别代入原控制策略，获得各组数据对应的油耗与排放数据；

步骤十二：分析各组油耗与排放数据，综合比较油耗较低，排放也较少的那组对应的控制参数即为最优控制参数。

下表列出了优化前后排放与油耗的对比情况。

	默认	优化后	与默认对比
				FC(L/100km)	5.9	3.6	-38.98％
HC(g/km)	0.241	0.183	-24.07％
				CO(g/km)	1.469	1.38	-6.06％
NOx(g/km)	0.117	0.101	-13.68％

分析图3、4、5可知，经模拟退火粒子群算法优化后发动机的工作点往高效区域移动，促使整车燃油消耗降低，排放减少，电池电量也保持在较高的位置。

上面已经结合具体实施步骤说明了本发明，然而对于本领域的技术人员来说，可以在不背离本发明的精神和范围的前提下，对本发明做出不同的改进和变型。因而落入本发明的权利要求范围内的各种改进和变型，都应属于本发明的保护范围之内。

Claims (9)

1.一种基于模拟退火粒子群算法的混合动力汽车参数优化方法，其特征在于，包括如下步骤： 

步骤1，建立并调用混合动力汽车整车模型； 

步骤2，设置模拟退火粒子群算法参数，包括退火起止温度Tstart、Tend、退火速度K、种群大小S、粒子维数D、粒子位置范围[Pmin Pmax]、粒子速度范围[Vmin Vmax]、惯性权重ωstart、ωend、最大迭代次数Tmax； 

步骤3，调用仿真循环工况并进行荷电状态等设置，包括重复运行循环次数，电池电量校正及校正时的最大波动值； 

步骤4，设置加速测试、爬坡测试约束条件； 

步骤5，计算油耗、排放，根据目标函数F(x)编写适应度值Fitness(x)； 

步骤6，计算每个粒子的适应度值； 

步骤7，更新个体极值与全局极值； 

步骤8，更新粒子位置、速度以及惯性权重； 

步骤9，计算更新后的适应度值； 

步骤10，判断是否接受新位置； 

步骤11，迭代结束，提取数据，代入原控制策略，获得油耗与排放数据； 

步骤12，综合比较各组油耗与排放数据，得出最优控制参数。 

2.根据权利要求1所述的基于模拟退火粒子群算法的混合动力汽车参数优化方法，其特征在于，所述步骤1中，调用整车模型时应根据所建立混合动力汽车的类型初始化各部件参数。 

3.根据权利要求1所述的基于模拟退火粒子群算法的混合动力汽车参数优化方法，其特征在于，所述步骤4中，约束条件设置包括加速测试和爬坡测试，加速测试规定汽车加速时间，最大速度，最大加速度；爬坡测试规定爬坡车速，爬坡度。 

4.根据权利要求1所述基于模拟退火粒子群算法的混合动力汽车参数优化方法，其特征在于，所述步骤5中，目标函数F(x)是将汽车的燃油消耗率和排放结合起来的多目标函数，函数采用如下形式描述： 

其中：k1、k2、k3、k4分别为FC、CO、HC、NOx的权重因子；FCz、COz、HCz、NOxz 为用户指定的目标值，也可以是国家规定值。 

5.根据权利要求1所述基于模拟退火粒子群算法的混合动力汽车参数优化方法，其特征在于，所述步骤7中，对每个粒子，将其适应度值Fitness(x)分别于与个体极值、全局极值进行比较，取优更新为个体极值和全局极值。 

6.根据权利要求1所述基于模拟退火粒子群算法的混合动力汽车参数优化方法，其特征在于，所述步骤8中，粒子的速度、位置以及惯性权重分别按下面公式进行更新，惯性权重线性递减： 

。

7.根据权利要求1或6所述基于模拟退火粒子群算法的混合动力汽车参数优化方法，其特征在于，所述步骤8中，在粒子更新后，如果粒子速度或位置超出设定范围，则将边界值赋给当前粒子，即令令

8.根据权利要求1所述基于模拟退火粒子群算法的混合动力汽车参数优化方法，其特征在于，所述步骤10中，如果更新后的适应度值小于等于极值的适应度值或exp(-ΔE/T)大于随机数ε，则更新极值的适应度值，接受新值，降温，否则拒绝，然后返回步骤六；ΔE为更新后的适应度值与极值的适应度值的差值，T为当前温度，ε为0到1的随机数。 

9.根据权利要求1所述基于模拟退火粒子群算法的混合动力汽车参数优化方法，其特征在于，所述步骤12中，分析各组油耗与排放数据，综合比较油耗较低，排放也较少的那组对应的控制参数即为最优控制参数。