英语原文共 14 页
Control Strategy Optimization for a Series Hybrid Vehicle（串联混合动力汽车的控制策略优化）
摘要：本文描述了串联混合动力汽车的运行策略的发展。车辆的动力总成包括发动机 - 发电机组（EGU），储能缓冲器（如电池）和驱动车轮的牵引电机。开发控制策略以确保EGU沿发动机速度-扭矩图中的稳态最佳操作点线（OOP线）操作。该策略的功能如下：首先确定储能缓冲器的充电状态的设定点，使放电或过度充电的可能性减小到最少。基于过去的充电状态历史得出的统计数据来估计该概率。 基于此设定点与估计充电状态之间的差异，该策略计算来自EGU的功率需求，然后将其转换为发动机扭矩和发动机转速需求，以便在运输时保持发动机运行在OOP线上要求的功率。通过控制发动机电子节气门，发动机管理系统提供扭矩需求，同时调节发电机电压将发动机速度控制到所需值。基于面向控制的串联混合动力系统模型的仿真研究报告说明了这个基本思想。我们通过理论分析证明，只要通过周期性地调节EGU的功率输出，就可以在该燃料消耗是EGU功率输出的凹函数的区域中改善燃料消耗。该系列混合动力系统配置也适用于燃料电池应用，我们的一些考虑也延伸到这种情况。
介绍：
车辆油耗的改进是混合动力系统开发的主要目标。实现这种改进的一种方法是:不论车辆行驶条件如何，在其最大效率区域内维持主要能源/燃料转换器（例如内燃机，燃料电池或燃料处理器）的运行。虽然我们在本文中更详细地考虑了这种方法（出于后面讨论的原因），但我们注意到，从纯粹的燃料消耗优化角度来看，这种方法可能不是最优的，因为其他动力系统部件的效率也会影响燃料消耗。在内燃机的情况下，发动机图上只有一个工作点对应于制动比燃料消耗的最小值（bsfcmin）。如图1
图一：发动机速度-扭矩图与最佳工作点线（OOP线）重合。同时还展示了ECE驾驶循环中的发动机运行路线；最小bsfc点和恒定发动机功率线。标有星号的区域对应于操作点，在每个功率水平上其燃料消耗的最小值在5％之内。
经过发动机运行的分析和计算机建模，结果表明在常规驾驶条件下发动机的运行状况可能明显远离bsfcmin对应的操作点。例如，参见图1，在ECE行驶循环中发动机运行路线。
内燃机可以通过扭矩和转速的不同组合实现所需的功率（不包括最大功率）。 然而，在确定所需的功率水平后，通常可以通过特定的发动机转矩和转速，达到最小燃油消耗率。
最佳操作点线（OOP-Line）可以通过图中恒定功率曲线的bsfc值来定义，并且可以找到每个功率时，对应的最小燃油消耗率。该然后沿着OOP线的扭矩与发动机的转速呈函数关系。 参见图1，图中显示了OOP-Line。每个功率的最小燃油消耗率（误差在5%之内）在狭窄区域，由星号所示。
本文的研究是基于一种观点，认为发动机的瞬态状况和运行状态应该远离OOP线可能会降低燃油经济性和排放。 因此，需要考虑以下要求：
- 发动机操作应该尽可能接近于发动机特定扭矩图中的OOP线上。
- 发动机功率波动必须是渐进的并且在一定的范围内。
由于剧烈瞬变使发动机管理复杂化，特别是尾气排放控制，满足上述目标同时还可以满足减排效益或降低对排气后处理系统的要求。其他好处包括降低发动机管理系统的复杂性，减少校准时间和精力，甚至提高稳健性，允许发动机控制系统中的慢反馈回路更好地补偿不确定性。
对于常规车辆，利用串联混合动力系配置内的能量存储装置（在此称为能量缓冲器）可以满足上述要求。电池是混合动力车辆应用中使用的典型能量缓冲器，但也可以使用其它电源，例如超级电容器或机械飞轮。和从发动机汲取的动力相比，具有这种能量缓冲器的串联混合动力系具有向车轮提供不同水平的动力的能力，从而（部分地）将发动机与车辆速度和负载条件隔离。 这种能量存储装置还可以受益于在车辆制动期间收集的能量，从而进一步改善车辆燃料消耗和排放。
之所以我们关注于串联混合动力系配置，是因为这种配置非常适合于上述目标发动机运行的事实。此外，替代的车辆能源，例如燃料电池，被包括在串联动力系混合配置中，并且在我们的论文中，对该情况进行了适当的延伸。
从概念上讲，串联混合动力传动系统由一个控制泵（发动机-发电机组或EGU）组成，该泵将能量流泵入储能装置中（能量缓冲器）。能量流的释放对应于驾驶员对所需功率输出的动作。如图2
图2
图2：串联混合动力系统的等效方案。 由EGU传递的功率由Nc（t）表示，而传递到车轮的功率由Nw（t）表示。
为了使串联式混合动力传动系统的运行符合上述要求，控制算法是必要的。这些算法还必须能够以最小化能量缓冲器所需容量的方式操作系统。本文的其余部分将讨论这种控制算法，其形式旨在汽车微控制器中实现。
先前的文献研究了控制串联混合动力传动系的各种方法（不同于本文所采用的方法）。在所谓的恒温控制方法中（Hochgraf 等人，1996年），当能量缓冲器放电时，使用EGU作为补充充电器；当充电到某一充电状态时，将其关闭。开关操作的缺点是催化剂冷却并且如果极速加速与放电状态下的能量缓冲器状态一致，则可能降低系统响应。 如果可以预先预测驾驶条件，则可以使用最佳控制方法开发更多的最佳策略（参见例如，Anatone等，2005; Brahma等，2000; Guzzella和Sciarretta，2004）。
串联式混合动力汽车的控制策略：
在本文中，我们认为车辆在正常行驶过程中的运行过程可以被模拟为随机过程。基于这一假设，混合动力系统中各子系统之间的能量分布和传递也可以采用随机过程进行建模，概率论和随机过程理论的数学方法可以用来分析混合动力汽车的运行情况。在之前的文献中在一定程度上探讨了将车辆中的操作过程视为随机过程以促进策略优化。例如，在（Kolmanovsky等人，2002年）和（Lin等人，2004年）中描述了基于驱动条件建模，采用马尔可夫链与动态规划相结合的随机动态规划的方法。在这些参考文献中，通过考虑典型驱动循环中的瞬态，得出了过渡概率。作者（Rizzo和Pianese，1991）提出了一种方法来解释动力系统子系统中的随机不确定性，并将其纳入静态校准优化中。在本文中，我们采用了一种相关但简单的方法，利用有关车辆运行的统计假设，并从之前的行驶数据库中在线学习数据。
现在转到控制设计，EGU的控制算法应该提供：（1）充电状态，充电状态的最小和最大必要值之间的最小，SOCmin和SOCmax，这将决定必要的能量缓冲容量，因此决定了它的重量，尺寸和成本; （2）达到SOCmin或SOCmax水平的最小概率; （3）EGU功率输出的逐渐变化，即Nc（t）应该在有限的功率值区间内缓慢变化。
满足第一个条件需要减少充电状态SOC（t）的变化。注意，SOC（t）的时间变化率取决于EGU产生的功率Nc（t）和牵引电动机消耗的功率Nw（t）：
除非在再生制动期间，否则假设NW（t）有负号。最后一个方程表明，SOC（t）的方差依赖于NA（t）的方差。因此，输入功率Nc（t）或输出功率Nw（t）的值的增加波动可导致SOC（t）的增加波动，因此需要更大的能量缓冲容量。
Na（t）的方差，用D（Na）表示，是两个随机过程之和的方差。因此，可根据以下表达式计算：
D(Na)=D(Nc) D(Nw) 2Kcw,
其中Kcw是NC(t)和Nw(t)的相关力矩。在能量缓冲器的输入和输出功率相等的情况下，即Nc(t)=-Nw(t)，遵循以下规则：
因此，D(Na)=0，这意味着完全不需要能量缓冲器，而EGU产生的功率必须等于牵引电机消耗的功率。
在EGU产生恒定功率的情况下，即D（Nc）= 0，Nc（t）和Nw（t）是无关的，并且K w = 0，D（Na）= D（N w）。 Na（t），D（Na）的方差将达到最大值，所需的能量缓冲容量也将达到最大值。
因此，为了降低D（Na），需要保持Nc（t）和 Nw（t）之间的负相关。同时，在Nc（t）越接近Nw（t）过程中，Nc（t）需要改变的越快。后一种方式与仅允许Nc（t）中的渐进变化的要求不一致，这要求在其频谱中不存在高频分量。
通过用较慢变化的信号Nc（t）近似等于快速变化信号-Nw（t），可以确保Nc（t）的所需条件。例如，这种近似可以通过使用最优滤波理论的技术来最小化两个信号之间的均方误差。
注意，经典的最优滤波理论与平稳过程有关，需要知道原始信号Nw（t）的功率谱密度函数。通过对信号Nc（t）的功率谱密度函数的适当选择，可以对Nc（t）的频率分量进行约束。在这种情况下，在适当的假设下，可以通过低通滤波器（LPF）的形式获得最佳线性滤波器，它最大限度地减小了两个信号Nc（t）和-Nw（t）之间的均方误差。
不幸的是，车辆行驶条件通常是非静止的，因此Nw（t）的功率谱密度可以随时间变化。 尽管在这种情况下可以使用卡尔曼滤波器，但由于有限的存储器和计时器约束，其在汽车微控制器中的计算实现并不容易。
由于这些原因，我们的后续方法基于静止Nw（t）的假设和使用低通滤波器（LPF）从信号Nw（t）获得信号Nc（t）。 LPF必须具有根据过程Nc（t）的逐渐变化的要求确定的截止频率。 过滤器产生过程Nc（t），其具有与-Nw（t）相同的平均值并且近似-Nw（t），同时比-Nw（t）更缓慢地波动。 为了开发LPF，由于使用MATLAB很方便，它为过滤器设计提供了用户友好的界面。 计算结果是滤波器脉冲响应的一组离散系数h（T）。 用于确定滤波信号的等式是：
注意，确定LPF（1）的频带是确保EGU逐渐运行和所需能量缓冲器容量之间的折中。降低频带将导致EGU功率输出的逐渐变化，但可能需要增加能量缓冲容量，反之亦然。
对于本文考虑的一系列火花点火发动机，在可以保持最大功率输出变化率，而不会降低燃料消耗和排放的前提下，估计为3.5千瓦/秒。 可以在测功机测试台上或通过计算机模拟更准确地确定EGU的可接受的功率变化率的限制。
为了确定并随后最小化SOC（t）达到等于SOC最小值或SOC最大值的概率，需要知道SOC（t）的概率密度函数。由于很难在车辆上确定此功能，因此只能使用SOC（t）的平均值m（t）和标准偏差sigma;（t）的值，这些值可以相对容易地从SOC（t）的历史数据中在线估计。特别地，M（t）可以通过SOC（t）的低通滤波来估计。
由于不直接测量SOC（t）本身，因此需要对其进行估计。 文献中提供了标准估计算法，用于精确估计不同类型能量缓冲器的SOC（t）。 参见（Affani等人，2003），（Bhangu等人，2005）及其中的参考文献，以获得可用方法的样本。 此后我们假设可以获得SOC（t）的精确估计值。
请注意，当SOC（t）=0时发生的能量缓冲器完全放电是非常不可取的，因为它会限制车辆的牵引力，并会缩短能量缓冲器的寿命（特别是当能量缓冲器基于典型的电池技术时）。与此相比，当SOC（t）gt;SOCMAX时，能量缓冲区充电过度是一种更为良性的情况，只会导致EGU关闭。因此，我们选择确保能量缓冲器完全放电的可能性最小，而过充电的可能性可能更大。通过在线调整SOC（t）、m（t）平均值的设定点，并以使m（t）保持在该设定点的方式操作EGU，可实现该要求。
具体地，M（t）的期望设定点Msp根据以下表达式确定：
这种方式如图3和图4所述
图3:当处于较小值时，能量缓冲器荷电状态控制，SOC(t)
根据公式（2），（3）定义M（t），Msp的设定点，根据公式（1）计算EGU所需功率，使用PID控制器应用于计算M（t）和Msp之间的差值。
图4：当处于较大值时，能量缓冲器荷电状态控制，SOC(t)
换句话说，根据公式（1）计算的信号Nc（t）用作PID控制器的前馈输入，该PID控制器的输出是EGU必须提供的功率。
为了使EGU产生所需的功率，能够在发动机图上沿OOP线确定相应的扭矩和转速值。这些扭矩和转速值作为EGU控制器的设定点。EGU控制器确定发动机油门位置以及将发动机扭矩控制到扭矩设定点，并确定发电机励磁以将转速控制到转速设定点。两个控制回路均通过PID控制器实现。
也可使用另一种结构，其中发动机扭矩由发电机励磁控制，转速由发动机油门控制。两
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
