基于浮点数编码遗传算法的混合动力汽车控制策略参数优化

基于浮点数编码遗传算法的混合动力汽车控制策略参数优化

0控制策略的设计典型混合动力车辆（hv）的动态配置包括发动机和至少一台电机。几个动力源对车辆的动态分配具有很大的灵活性，因此在不降低车辆性能的情况下，可以减少油耗和排放。然而,多能源动力系统的高效运行还必须依赖于经过精心设计的控制策略,以控制各个子系统工作于最佳状态从而使得整个系统的总体效率最高。由于多能源动力系统的非线性和复杂性,控制策略的设计具有极大的挑战性。对不同的混合动力结构,目前已提出了许多不同的控制策略,然而控制策略的参数优化始终是一个具有共性的研究点。常见的做法是根据工程经验设置参数初值,然后通过“试错法”对这些参数进行调整。显然,这种方法不能对整个解空间进行搜索并找到全局最优解。传统的基于梯度的搜索方法,如SQP(sequentialquadraticprogramming),要求目标函数连续、可微,并满足Lipschitz条件,而对于本文研究的问题而言,这些条件很难满足,此外,目标函数的梯度值也很难计算。遗传算法(GA)是一种模仿生物进化过程的全局最优搜索算法,被广泛应用于优化、神经网络训练以及系统识别中的参数估计等领域。遗传算法最大的优点之一是不需要目标函数的梯度信息。遗传算法在实参数优化应用中的最新进展,使得它很适合用于解决HEV控制策略的参数优化问题。1混合动力增加量汽车的研究控制策略与车辆的具体结构形式有关,本文以东风汽车公司开发的混合动力轿车EQ7200HEV第一轮样车及其控制策略为研究实例,提出的优化方法同样适用于其他结构形式的HEV。1.1关键控制参数图1为EQ7200HEV混合动力轿车的结构原理图,该车的主要技术参数如下:TU3JP/K1.4L直列四缸电喷汽油机,最大输出功率为55kW;3kW永磁同步发电机;主电机为14kW交流异步电机;336VDC8Ah高功率镍氢动力电池,4速AMT变速器。换挡逻辑由AMT控制器单独控制,因此整车控制策略中不包含控制换挡的参数。该车有6种基本工作模式:在频繁起步和低速行驶时,以纯电动机驱动,实现零排放;在需要急加速时,发动机和主电机共同驱动;巡航行驶时,纯发动机驱动;制动或减速时能量回收;行车中若电池SOC(stateofcharge)较低,发动机在驱动车辆的同时带动发电机给电池充电;起步前或停车后如果电池SOC很低,也可以对其充电。行驶中混合动力系统在以上6种模式间切换,系统进入哪种工作模式由整车控制器(VCU)控制,控制策略程序运行于VCU上。驾驶员的加速踏板指令、制动踏板指令、当前车速、电池SOC以及其他车辆状态信息被用来确定系统的工作模式。该车采用了一种较简洁的逻辑门限控制策略(LTCS)来控制模式的切换,LTCS是基于规则的控制策略,当满足某种条件时,就进入某种模式。如当加速踏板踩下很小的角度,车速较低且SOC较高时,系统即以纯电动行驶。LTCS的几个关键参数列于表1。采用以上控制策略需要对其参数(即设计变量)进行适当的调整和优化,以在满足车辆动力性的前提下,最大可能地降低燃油消耗和污染物排放。1.2模型中的控制策略控制策略参数的最优化可以表述为求解如下有约束非线性规划(NLP)问题:式中,xi为控制策略的一个参数(表1);n为参数的个数;x为一个n维向量,代表上述NLP问题的一个解;xli和xui分别代表第i个参数xi的下限和上限;gj(x)≥0为一组非线性不等式约束,代表车辆的性能要求,如加速时间、电池SOC的平衡等;f(x)为目标函数。式中,wi为布尔型权重因子,用于忽略或考虑某项排放。控制策略的目标是同时最小化油耗和排放,但最小化油耗和最小化排放的目标有可能相互冲突,如在燃油经济性最高的工作点上排放不一定最好,此外,最小化某一项排放指标可能会使其他排放指标上升。因此,有必要采用一个统一的度量衡以便直接比较燃油消耗(单位:L)和各种污染物排放(单位:g)。为此引入了相对燃油消耗和排放,将燃油消耗和排放的实际值除以用户自定义的目标值(式(2)中的各项分母),得到量纲一的相对量。自定义目标值可以引用自有关标准(对排放),也可以由设计者自己定义(对油耗)。表2为一个自定义目标值的例子,其中排放值取自EUROIV排放标准。可以增大(或减小)目标值以降低(或提高)相应的排放或油耗在目标函数中的比重。2更新模型的更新遗传算法的三个关键技术问题为编码方法、遗传算子和代更新模型。针对本文问题目标函数求值计算量比较大的特点,提出了一种采用浮点数编码和稳态代更新模型的遗传算法,它具有目标函数求值次数少和计算速度快的优点。2.1染色体编码采用浮点数编码,由问题解空间的一个向量x(如表1所示)表示一个染色体编码(即个体),即由优化问题的实际参数构成染色体编码,编码长度等于问题的搜索维数。2.2个父体的子代单峰正态分布交叉(UNDX)算子对连续搜索空间内的多峰、高异位显性多元函数具有良好的寻优能力,本文的遗传算法采用的交叉算子基于UNDX,命名为NPX算子,对给定的μ个父体xi(i=1,2,…,μ,xi∈Rn),NPX按如下过程生成子代:(1)计算μ个父体的平均值p=1μ∑i=1μxip=1μ∑i=1μxi,根据平均值,计算方向向量di=xi-p;(2)从μ个父体中等概率地选取一个父体xp;(3)令ei(i=1,2,…,n-μ+1)为与向量d1,d2,…,dμ-1张成的子空间正交的子空间的一组正交基;(4)按下式生成一个子体y:式中,n为搜索空间的维数;N(0,σ2)表示均值为0、方差为σ2的正态分布。ei可通过Schmidt正交化方法得到。2.3enrationga模型简介在稳态遗传算法中,每次迭代只有1个或2个个体而不是整个子代被更新,因此,稳态遗传算法在很大程度上保持了种群的多样性,提高了算法的寻优性能。由Satoh等提出的最小代沟(minimalgenerationgap,MGG)模型是一种被广为研究和采用的代更新模型,我们基于MGG模型开发了一个用于求解式(1)优化问题的遗传算法,并使用Matlab语言编写了算法程序。控制策略的优化过程如下:①在设计变量的可行域内随机生成初始种群;②按式(4)计算种群个体的目标函数值和适应度;③从种群中随机选取μ个父体;④由选取的父体反复使用NPX算子生成λ个子体;⑤计算子体的目标函数值和适应度;⑥在父体和它们的子体组成的家族中,选择1个或2个最好的个体,用它(们)替换随机选取的1个或2个父体,由此完成种群的代更替;⑦如果满足终止条件,则终止算法,否则,返回③。2.4目标函数和负约束利用下式将约束合并到适应度函数中:式中,f(x)和gj(x)分别为式(1)中的目标函数和不等式约束;fworst为种群中最坏解(个体)的目标函数值。算子〈〉定义如下:3模拟结果分析3.1遗传算法的收敛性本文的遗传算法有6个参数,见表3。N、μ和λ应根据问题的维数适当增加。数值实验表明,对于6～10维的问题,取参数值如下:N=120,μ=6,λ=50,σ1=0.1,σ2=0.1,遗传算法具有良好的收敛性。如果迭代次数达到500则终止搜索过程。3.2优化结果和方差分析应用本文提出的方法来求解本文提出的优化问题。在Matlab环境下,利用Advisor仿真程序计算目标函数和约束。控制策略的设计变量及其上下边界值见表4,优化过程中用到的车辆性能约束条件见表5。优化问题的目标是针对城市和公路的综合行驶工况使燃油消耗和污染物排放最小,因此,当前研究以新欧洲行驶循环(NEDC)试验工况为基准,如图2所示。首先,用试错法对参数进行初步调整,然后,以试错法得到的结果作为初始值,在给定的参数上下限范围内,应用遗传算法进行寻优。图3a给出了仅对油耗进行优化的搜索过程,图3b给出了同时对油耗和排放进行优化的搜索过程。通过试错法调整(优化前)和遗传算法优化调整(优化后)的参数组见表6,表7给出了优化前后的排放和油耗结果。从图3可以看到,在经过约300代迭代以后,目标函数值不再变化,并且在后面的200代中,LTCS的设计点也不再变化,最终得到的结果也比较合理,因此可以认为已经找到了全局最优解。表7中的结果显示,与优化前的结果比较,优化后的排放和油耗都有明显的下降,由此可见,通过遗传算法搜索,找到了一组更好的参数。只优化油耗和同时优化油耗与排放之间的结果比较显示,由于将排放加入了优化目标,所以油耗略有提高(2.7%),这是为了使总的目标函数值最小而牺牲了油耗。对油耗和排放的综合优化结果,使CO和NOx这两项排放相对降低得比较多(分别为23.1%和17.7%),而HC基本上保持不变。以上结果显示,采用遗传算法对混合动力汽车的控制策略进行优化是有效的。4浮点数编码的遗传算法本文主要研究混合动力汽车控制策略的参数优化方法,将控制策略参数优化归结为一个有约束非线性规划问题,其目标函数包括最小化油耗和最小化排放,并应用基于浮点数编码的遗传算法,进行最佳设计