英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料
遗传算法在并联混合动力汽车控制策略优化中的应用
摘要：
本文介绍了遗传算法在混合动力汽车控制参数优化中的应用。混合动力汽车控制策略是一种根据能量的产生、使用和节约而设计的算法。因此，能源成分的优化管理是混合动力汽车成功的关键因素。本文以电动辅助控制策略为基础，定义适应度函数，以减少车辆引擎的燃料消耗和废气排放，然后将驾驶性能要求视为约束条件。此外，为了减少决策变量的数量，对电池控制参数采用了一种新的方法。最后，在欧洲循环（ECE-EUDC：Economic Commission for Europe-Extra Urban Driving Cycle）、美国统一循环（FTP:US unified cycle）和TEH-CAR三个不同的行驶循环中执行了优化过程。计算机仿真结果表明了该方法的有效性，在保证车辆性能不受影响的前提下，减少了燃料的消耗和废气的排放。
关键词：
遗传算法，优化，混合动力电动汽车，燃料消耗，排放
1.介绍
由内燃机驱动的传统动力系统有几个缺点，这些缺点会影响燃油经济性和排放。特别是，传统内燃机通常过度设计了十倍以满足汽车行驶性能，例如加速性能、起始爬坡性能。过大的发动机使得工作操作点与最优操作点相去甚远。此外，一个发动机不可能在它所有必须运行的速度与负载范围内得到优化。
混合动力汽车被认为是世界上对更清洁、更省油的汽车的需求的解决方案之一，它包含两个能量转换器来产生驱动车辆和操作车载附件所需的动力。最典型的是，这些车辆的结构包含一个集成电路发动机和一个电机，两者分别包含一个相关的油箱以及相关的能量存储系统(电池)。
为了使混合动力汽车尽可能地高效，需要对其能源元件进行适当的管理。此任务由混合动力汽车控制策略完成。换句话说，控制策略就是产生、使用和节省能量的算法。
混合动力汽车的控制策略通常是同时针对几个目标的，主要目标是尽量减少车辆燃料消耗，同时尽量减少发动机排放并且保持驾驶性能。由于混合动力汽车的复杂性，基于工程直觉的控制策略常常不能达到令人满意的整体系统效率，因此必须使用优化算法。该优化问题的一个重要特点是，动力系统的特性是高度非线性和非连续的，可能存在大量的局部最优。因此，基于梯度的优化方法可能不收敛于全局解，并因此提出了一种基于非梯度的进化优化方法。
本文介绍了遗传算法在混合动力汽车控制策略优化中的应用，优化的目标被定义为在标准条件下最小化发动机的燃料消耗和排放，车辆性能要求也被定义为约束条件。然而，由于遗传算法不能直接应用于约束优化问题，因此采用惩罚函数来处理约束。另外，基于电力辅助控制策略(EACS：Electric Assist Control Strategy)是一种用于电池控制参数的新途径，以减少决策变量的数量，然后对三个不同的行驶循环执行优化过程，这三个行驶循环包括欧洲循环(ECE-EUDC ), 美国统一循环 (FTP) 和TEH-CAR。TEH-CAR是基于真实交通状况采集的实验数据开发的一种行驶循环。仿真结果最终验证了该方法的有效性以及行驶循环对混合动力汽车控制策略优化的影响。
2.混合动力汽车配置（HEV配置）
通常有两种可接受的基本配置，包括串联和并联，双模型或多模型也被认为是第三种类型，第三种类型结合了串联和并联混合动力系统的特点。
如图1所示，该系列混合动力汽车配置包括燃料转换器(内燃机)、发电机、电池和电动机。在这种情况下，燃料转换器不直接驱动车辆轴，相反，它利用发电机将机械能转化为电能，电能也储存在储能系统(如电池)中。在这种配置中，驱动车辆所需的扭矩由电动机提供。然而，在并联混合动力汽车中，电动发动机和集成电路发动机都可以向车辆车轮提供动力，如图2所示。电动机也可以用作发电机，它通过再生制动或吸收发动机输出大于驱动车轮所需的功率时的多余的功率，为电池充电。与串联型混合动力汽车相比，并联型混合动力汽车的优点之一是需要更小的发动机和更小的电动机来提供相同的性能，这一特点使得混合动力汽车更适合乘用车，其中串联配置通常用于重型车辆。在串并联组合混合动力系统中，与串并联混合动力系统相比，配置涉及一个附加的机械环节，与并联混合动力系统相比，配置还涉及一个附加的发电机，这样使得串并联混合动力系统成为一个相对复杂和昂贵的版本。
3.并联式混合动力汽车控制策略
如前一节所述，并联式混合动力汽车包含两个动力驱动，包括集成电路发动机和电动机。因此，确定如何在集成电路发动机和电动机之间分配驾驶员所需的转矩是并联混合动力汽车控制策略的责任。对于负转矩要求(汽车制动)，发动机转矩为零，电动机和制动转矩之和将等于驾驶员的要求。但是，对于正转矩要求，发动机和电动机转矩的总和应等于驾驶员的要求。
对于混合动力汽车，采用了多种控制策略，其中电力辅助控制策略（EACS）应用最为广泛。电力辅助控制策略的使用，正如它的名字所暗示的，主要的能源提供者是集成电路发动机，而电动机被用作集成电路发动机的助手。
当集成电路发动机不能有效工作或所要求的功率超过其最大输出扭矩时，电力辅助控制策略采用电动机。另一方面，当电池荷电状态(SOC：State Of Charge)较低时，发动机将提供额外的扭矩，供电动机为电池充电(此时电动机的作用相当于发电机)。电力辅助控制策略方法如图3和图4所示，此外，表1描述了通常为电力辅助控制策略定义的变量。
如图3和图4所示，发动机在某些情况下是关闭的，在这种情况下，电动机负责提供所需的全部扭矩。如图3所示，当荷电状态高于其最低限速（）时，若所需速度小于某一值，则发动机熄火，该特定速度称为电动发射速度。此外，如果所需的扭矩小于一个被称为“截止扭矩分数”（lsquo;lsquo;off-torque fractionrsquo;rsquo;）的截止扭矩（Tmin*Tmax）, 发动机也会熄火。
图4给出了电池荷电状态低于其下限（）的情况，在这种情况下，需要从发动机中提供额外的扭矩给电池充电，这个额外的充电扭矩与 SOC与和（上限）平均值之间的差值成正比。只有在发动机开启时，发动机的充电扭矩才有要求，这个发动机扭矩被阻止低于一定比例的最大发动机扭矩 (Tmin*Tmax) , 此最大发动机扭矩被称为 “最小扭矩分数”（lsquo;lsquo;min-torque fractionrsquo;rsquo;）。这种策略是为了防止发动机在低效率的扭矩条件下运行。
控制策略参数对汽车的经济性、排放、电池充电和性能影响很大，为此，本文提出并求解了一个优化问题，以获得最优控制参数。
4.优化问题规划
处理这类优化问题可以考虑如下两种不同的方法:
1.将所有目标加权集结成一个待优化的目标函数；
2.一个目标本身的优化和强加在另一个目标上的适当约束需要得到满足。
在本文中实现了上述方法的组合优化目标。在这个方法中，一些优化目标被聚合成一个目标函数，而其他的被定义为约束。
如前所述，混合动力汽车的控制策略旨在同时实现几个目标，如将燃料消耗（FC：Fuel Consumption）和废气排放(HC、CO和NOx)降至最低、维持充电要求和保持驾驶性能，这些方面经常互相冲突。例如，火花点火(SI：Spark Ignition)发动机图中典型的工作点如图5所示，从图5中可以清楚地看出，最小的燃料消耗并不一定导致最小的排放，这意味着需要一个折中的解决方案。
主要目标是尽量减少燃料消耗，以及尽量减少CO、HC和NOx等废气的排放。因此，目标函数定义如下:
所有的变量都被正规化到相应的下限，车辆排放的限制已经从用于型式认证测试的标准中提取出来，w1到w4也被定义为加权因子，以便能够研究不同目标对优化结果的影响。
此外，车辆性能要求被定义为约束条件，本研究采用以下新一代汽车的合作伙伴关系（PNGV：Partnership for a New Generation of Vehicles）乘用车约束来保证优化过程中不牺牲整车性能:
- 爬坡能力：88.5km/h，6.5%坡度，20分钟
- 加速时间：0-97 km/h加速时间le;12 s, 64-97 km/h加速时间le;5.3 s, 0-137 km/h加速时间le;23.4 s
- 最高速度：ge;137 km/hr
- 最大加速度：ge;0.5g
- 5秒行驶距离：ge;42.7米
将控制策略参数的最优选择问题表示为约束优化问题如下:
其中x是问题的一个解，包含一个控制策略参数向量在解空间X中。X定义了参数的下界和上界，其中J(x)是目标函数，且每个不等式hi(x)le;0表示上述讨论的非线性约束之一。最后，是约束的数量。
5.遗传算法在混合动力汽车控制策略优化中的应用
遗传算法由Holland首次提出，是一种模仿自然生物进化的概率论全局搜索和优化方法。遗传算法作用于一群个体(潜在解)，每一个个体都是一个编码的字符串(染色体)，包含决策变量(基因)。
遗传算法的结构是由以下五个主要步骤组成的迭代过程：
- 创建初始种群；
- 通过适应度函数对种群中每个个体的性能进行评价；
- 个体的选择和新种群的繁殖；
- 遗传算子的应用:交叉和变异；
- 重复步骤2-4，直到满足终止条件。
将遗传算法应用于混合动力汽车控制策略的优化，需要一个适应度函数来评价各方案的状态。在本研究中，适应度函数被认为是Eq.(1)所描述的目标函数的逆函数，使用这种方法，驱动性能要求被认为是有约束的。然而，由于遗传算法只直接适用于无约束优化问题，因此通过使用惩罚函数来处理约束，惩罚函数通过降低适应度值来惩罚不可行解。在此基础上，考虑违规约束的数量及其与可行性的距离，在违规解中加入惩罚值。在这种情况下，适应度函数的形式如下:
其中F(x)是适应度函数，J(x)是目标函数，Pi(x)是与第i个约束相关的惩罚函数，是一个正的常数值，它决定了第i个约束被惩罚的程度，通常称为惩罚因子。这些因子在这里被视为常数，它们的值是通过反复试验得到的。
决策变量的定义和数量对优化过程至关重要，特别是从仿真运行时的角度来看。在本研究中，为了减少控制参数的数量，采用了一种新的方法来定义电池控制参数。在这种方法中，首先将表1中描述的EACS变量视为决策变量，然后通过目标值的定义来减少电池控制参数。电池SOC目标值根据图6所示的电池规格来定义,这个目标值被选择为尽可能接近最小的充电电阻。一旦目标值确定，和都只由一个变量确定，即，优化过程如下:
使用这种方法，解空间的维数减少到5, 因此，以下五个变量被编码在一个染色体中，使用由以下基因组成的二进制编码方案:
该算法首先定义个体(染色体)的初始种群，适应度值与每个个体相关，表示相关解决方案相对于要最小化的固定目标函数的性能。
再生产是指从现有种群中产生新种群的过程。选择是选择适应性高的个体而不是适应性低的个体，从而为下一个种群产生新的个体的机制。这里使用的变体是轮盘赌算法，其中选择某个个体的概率与它的适合度成正比:
交叉是将两个个体(父母)的遗传信息融合在一起产生新的个体(孩子)的方法。在最简单的情况下，这个过程是通过在随机选择的位置上切割两条染色体并交换两段信息来实现的，如下图所示:
突变是个体遗传信息的概率性的随机变形，这个过程可以通过以一个小概率随机地改变各个微量来处理，如下图所示:
突变的积极作用是保持遗传多样性，避免局部最大值。
在评估群体中所有染色体的适合度之后，应用遗传算子产生一个新的群体。这里采用的选择函数是归一化几何选择，使用的遗传算子是前面描述的交叉和二元突变。
6.驾驶循环
驾驶循环被定义为用于标准化车辆燃油经济性和排放评估的测试循环，驾驶循环是代表特定区域内的交通状况和驾驶行为的速度-时间序列。驾驶模式可能因城市和地区的不同而不同，因此，在某些城市或国家获得许可的可用驾驶循环不一定适用于其他城市。
在本优化研究中，为了评估适应度函数，使用了三个驾驶循环。图7a和b显示了最重要的循环，包括目前在美国使用的循环(FTP循环)和欧盟使用的循环(ECE-EUDC循环)。根据从实际交通状况收集的实验数据，还为德黑兰市开发了一个最新的驾驶循环，该驾驶循环名为TEH-CAR，如图7c所示。
一个驾驶循环包括怠速、行驶、加减速等多种驾驶模式的混合，最大、最小和平均速度也被认为是周期特性。表2比较了这些驾驶循环的参数，根据驾驶循环的类型，可能会出现显著的变化。
7.仿真结果与分析
采用先进的车辆模拟器(ADVISOR)进行仿真研究，ADVISOR工具为车辆性能模拟采用了一种组合的前/后向方法。按照以下规格设置了混合动力汽车的仿真参数和整车部件模型:
- 整车质量：592kg
- 滚动阻力系数：0.009
- 空气阻力系数：0.335
- 车辆前方区域：2
- 车轮半径：0.282m
- 齿轮箱：五速手动齿轮箱，齿轮传动比：2.84，3.77，5.01，5.57和13.45。应该注意的是，最终传动比已包括在变速箱的比例中，齿轮箱的效率假设为95%
-
集成电路发动机：41kw
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238925]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
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。
