CN110781979A

CN110781979A - 一种插电式混合动力汽车总成的参数匹配方法

Info

Publication number: CN110781979A
Application number: CN201911087266.3A
Authority: CN
Inventors: 余世明; 肖珊; 何德峰; 仇翔; 宋秀兰
Original assignee: Zhejiang University of Technology ZJUT
Current assignee: Zhejiang University of Technology ZJUT
Priority date: 2019-11-08
Filing date: 2019-11-08
Publication date: 2020-02-11

Abstract

本发明公开了一种插电式混合动力汽车的总成参数匹配方法。该发明针对现有匹配方法的不足，提供了一种基于动力性、经济性、排放性的多目标优化的混合度(Degree Of Hybridization，DOH)参数匹配方法。该方法通过建立综合整车各性能指标为目标价值函数，选定DOH为匹配设计变量，采用粒子群算法(Particle Swarm Optimization，PSO)进行优化，获得两两组合的目标参数在不同权重系数下的优化DOH，同时权衡部件成本进而选定最佳DOH并确定动力传动各关键部件参数。PSO算法结构非常简单，没有变异、交叉等步骤，且涉及参数也较少，收敛速度较快，能够优化整车的动力性能提高燃油经济性，并减少尾气的排放。

Description

一种插电式混合动力汽车总成的参数匹配方法

技术领域

本发明应用于一种插电式混合动力汽车(Plug-in Hybrid Electric Vehicle，PHEV)，主要针对车辆的总成参数匹配方法，对其进行实时优化。

背景技术

目前，纯电动汽车的发展受到了续驶里程短，电池成本高等问题的制约，如果电池技术得不到突破，那么这些制约也很难得到解决。而常规混合动力汽车也存在一些问题，比如价格较高、仍然较多的使用汽油或柴油、纯电动续驶能力较差，因此前景并不太乐观。在这种情况下，为了进一步减少排放，提高燃油经济性，插电式混合动力汽车是当前解决这些问题的一种过渡方案，区别于传统汽油动力与电驱动结合的混合动力，插电式混合动力驱动原理、驱动单元与电动车相同，唯一不同的是车上装备有一台发动机。

混合动力系统参数匹配是插电式混动汽车研究的关键技术之一，能够提高系统效率、优化系统配置、充分利用各部件。PHEV混合动力系统匹配的主要内容为:在保证车辆动力性、可操作性、续驶里程不低于传统车的前提下，以减少油耗、降低污染物排放作为目标，来设定动力装置(发动机、ISG电机和主驱动电机)、能量储蓄装置(动力电池组)和动力传动装置(主减速器)这三部分的总成参数。

整车动力性、经济性和排放性的好坏和PHEV的参数匹配有直接关系，其中发动机和电机功率匹配的混合度同样与动力传动系统的各项性能息息相关。参数匹配的方法根据整车结构型式、控制策略、行驶工况的不同而存在差异。现阶段，参数匹配的方法主要可有以下几种：基于经典推导法、基于循环工况特征统计法以及基于优化算法。

发明内容

针对现有匹配方法的不足，本发明提供了一种基于动力性、经济性、排放性的多目标优化的混合度(Degree Of Hybridization，DOH)参数匹配方法。该方法通过建立综合整车各性能指标为目标价值函数，选定DOH为匹配设计变量，采用粒子群算法(ParticleSwarm Optimization，PSO)进行优化，获得两两组合的目标参数在不同权重系数下的优化DOH，同时权衡部件成本进而选定最佳DOH并确定动力传动各关键部件参数。具体技术方案如下：

1)设定进化次数和种群规模；

2)初始化一系列在0.1到0.9之间的随机DOH，从而产生随机初始解；

3)依靠迭代来持续更新DOH和速度。DOH根据每一迭代的当前速度来更新，而DOH的速度则通过追踪两个“极值”来持续更新。一个就是粒子自身找到的最佳DOH，称为个体极值pbest。另一个极值点是整个种群当前搜索到的最佳DOH，称为全局极值gbest；

4)在每次迭代中，分别计算每个粒子的目标价值函数，算法依据粒子的目标函数值持续更新pbest和gbest的值。当达到最大迭代次数或gbest的改进步长小于指定闭值时，运算结束，输出最终的最优DOH。

进一步的，通过建立综合整车各性能指标为目标价值函数，选定DOH为匹配设计变量，采用粒子群算法进行优化，获得两两组合的目标参数在不同权重系数下的优化DOH进而选定最佳DOH并确定动力传动各关键部件参数。

附图说明

图1为PHEV参数匹配流程图；

图2为PSO优化DOH流程图；

图3为PSO进化轨迹图。

具体实施方式

下面结合附图对本发明作进一步说明。

本发明使用PSO优化算法来对动力传动系统DOH进行优化，具体如下：

如图1所示，在进行整车参数匹配的过程中，要考虑到DOH不但影响PHEV的性能，而且不同的DOH会改变整车的重量，以此影响设计成本。所以在优化DOH的同时要综合部件成本的因素确定PHEV的参数匹配方法。首先依据整车动力性指标，初步确定PHEV总的需求功率。其中最高车速、爬坡性能和加速性能的各指标都为发动机和电机功率的选取提供依据。确定了总匹配功率之后，因DOH对整车动力性、经济性、排放性都有一定影响，所以要确定DOH并对DOH进行优化。但每个性能指标都有其对应最优的DOH，因此要权衡各性能指标间的权重关系，找到各性能指标间占主导的因素，再通过部件成本和DOH的数值关系选择出适合PHEV的最佳混合度进行参数匹配。

如图2所示，PSO算法首先初始化一系列在0.1到0.9之间的随机DOH，从而产生随机初始解。然后依靠迭代来持续更新DOH和速度。DOH根据每一迭代的当前速度来更新，而DOH的速度则通过追踪两个“极值”来持续更新。一个就是粒子自身找到的最佳DOH，称为个体极值pbest。另一个极值点是整个种群当前搜索到的最佳DOH，称为全局极值gbest。在每次迭代中，分别计算每个粒子的目标价值函数，算法依据粒子的目标函数值持续更新pbest和gbest的值。当达到最大迭代次数或gbest的改进步长小于指定闭值时，运算结束，输出最终的最优DOH。

整车设计阶段根据优化的DOH就能得到电机和发动机的最优匹配方案，达到节能减排、降低成本的作用，所以研究DOH对整车的动力性、经济性、排放性乃至成本都至关重要。

为了得到DOH对整车性能的影响，设定DOH区间为[a,b]。本申请研究的目标参数综合了动力性指标、经济性指标和排放性指标，分别为0-25mph加速时间(at1)，0-50mph加速时间(at2)，最大爬坡度(mp)，最高车速(mv)、燃油经济性(fe)，CO(co)，HC(hc)和NO_x(nox)排放量。为了把上述多目标参数转变为单目标参数，定义目标价值函数为：

F_{objective_f}＝Σ_iH(i) (1)

其中：K_i分别表示各目标参数的权重系数；F分别代表各目标参数在DOH为[a,b]下的插值；而max_F，min_F_i则分别是各目标参数的最大最小值。利用PSO优化算法以减小价值函数为目的可实现优化DOH。

PSO的优化过程是：PSO优化算法首先初始化一系列的随机值，从而产生随机初始解。然后通过迭代来持续不断的更新粒子位置和速度。粒子位置根据每一迭代的当前速度来更新，而粒子当前位置的速度则根据追踪两个“极值”来不断更新。一个是粒子自身找到的最佳位置，称为个体极值pbest。另一极值点是整个种群当前搜索到的最佳位置，称为全局极值gbest。粒子的速度和位置更新公式为：

ν^t+1＝ω·ν^t+c₁·r₁·(pbest-p^t)+c₂·r₂·(gbest-p^t) (3)

p^t+1＝p^t+ν^t+1 (4)

其中：t为粒子更新迭代次数；ν^t和p^t分别为粒子在第t次迭代的当前速度和位置；c₁和c₂是学习因子，通常在[0,2]间取值；r₁和r₂表示[0,1]之间的随机数；ω是惯性权重，它的作用是可以保持局部和全局搜索的平衡。同时能将ω随迭代次数线性减小，即

其中：ω_max和ω_min为最大、最小权重，分别取0.9、0.4；k_max为总迭代次数；k为当前迭代次数。在每次迭代中，分别计算每个粒子的目标价值函数，算法根据粒子的目标函数值持续更新pbest和gbest的值。当达到最大迭代次数或gbest的改进步长小于指定阈值时，运算结束，输出最终的最优位置点。进化轨迹如图3所示。

本发明使用PSO算法来对动力传动系统DOH进行优化，具体实现步骤如下：

1.设定进化次数和种群规模；

2.初始化一系列在0.1到0.9之间的随机DOH，从而产生随机初始解；

3.依靠迭代来持续更新DOH和速度。DOH根据每一迭代的当前速度来更新；

4.DOH的速度通过追踪两个“极值”来持续更新。一个是粒子自身找到的最佳DOH，即个体极值pbest。另一个极值点是整个种群当前搜索到的最佳DOH，即全局极值gbest；

5.在每次迭代中，分别计算每个粒子的目标价值函数，算法依据粒子的目标函数值持续更新pbest和gbest的值。

6.当达到最大迭代次数或gbest的改进步长小于指定闭值时，运算结束，输出最终的最优DOH。

Claims

1.一种插电式混合动力汽车的总成参数匹配方法，具体包括如下：

1)设定进化次数和种群规模；

3)依靠迭代来持续更新DOH和速度，DOH根据每一迭代的当前速度来更新；

4)DOH的速度通过追踪两个“极值”来持续更新：一个是粒子自身找到的最佳DOH，即个体极值pbest；另一个极值点是整个种群当前搜索到的最佳DOH，即全局极值gbest；

5)在每次迭代中，分别计算每个粒子的目标价值函数，算法依据粒子的目标函数值持续更新pbest和gbest的值；

6)当达到最大迭代次数或gbest的改进步长小于指定闭值时，运算结束，输出最终的最优DOH。

2.根据权利要求1所述的一种插电式混合动力汽车的总成参数匹配方法，其特征在于：首先依据整车动力性指标，初步确定PHEV总的需求功率，其中最高车速、爬坡性能和加速性能的各指标都为发动机和电机功率的选取提供依据；确定总匹配功率之后，通过建立综合整车各性能指标为目标价值函数，选定DOH为匹配设计变量，采用粒子群算法进行优化，获得两两组合的目标参数在不同权重系数下的优化DOH进而选定最佳DOH并确定动力传动各关键部件参数。

3.根据权利要求1或2所述的一种插电式混合动力汽车的总成参数匹配方法，其特征在于：步骤5)中目标参数综合动力性指标、经济性指标和排放性指标，分别为0-25mph加速时间(at1)，0-50mph加速时间(at2)，最大爬坡度(mp)，最高车速(mv)、燃油经济性(fe)，CO(co)，HC(hc)和NO_x(nox)排放量，把多目标参数转变为单目标参数，定义目标价值函数为：

F_{objective_f}＝Σ_iH(i) (1)

其中：K_i分别表示各目标参数的权重系数；F分别代表各目标参数在DOH为[a,b]下的插值；而max_F，min_F_i则分别是各目标参数的最大最小值。

4.根据权利要求1所述的一种插电式混合动力汽车的总成参数匹配方法，其特征在于：粒子的速度和位置更新公式为：

ν^t+1＝ω·ν^t+c₁·r₁·(pbest-p^t)+c₂·r₂·(gbest-p^t) (3)

p^t+1＝p^t+ν^t+1 (4)

其中：t为粒子更新迭代次数；ν^t和p^t分别为粒子在第t次迭代的当前速度和位置；c₁和c₂是学习因子，通常在[0,2]间取值；r₁和r₂表示[0,1]之间的随机数；ω是惯性权重，

其中：ω_max和ω_min为最大、最小权重，分别取0.9、0.4；k_max为总迭代次数；k为当前迭代次数。