基于模糊控制的增程式电动车能量分配策略：优化与实践

基于模糊控制的增程式电动车能量分配策略：优化与实践一、引言1.1研究背景与意义1.1.1研究背景随着全球经济的快速发展和人口的不断增长，能源需求急剧增加，环境污染问题也日益严重。传统燃油汽车作为主要的交通工具，其大量使用的化石燃料不仅导致能源短缺，还带来了诸如二氧化碳、氮氧化物等污染物的排放，对环境造成了极大的压力。据国际能源署（IEA）的数据显示，全球交通运输领域的能源消耗占总能源消耗的比重持续上升，且汽车尾气排放已成为大气污染的主要来源之一。此外，化石燃料属于不可再生资源，其储量有限，按照当前的消耗速度，未来将面临枯竭的危机，这对全球能源安全构成了严重威胁。在这样的背景下，发展新能源汽车成为解决能源危机和环境污染问题的关键途径。新能源汽车以其低能耗、低排放甚至零排放的特点，受到了世界各国的广泛关注和大力支持。各国纷纷出台相关政策，鼓励新能源汽车的研发、生产和消费，推动汽车产业向绿色、可持续方向发展。在众多新能源汽车技术路线中，增程式电动车因其独特的优势逐渐崭露头角。增程式电动车结合了传统燃油发动机和电池-电机系统，其工作原理是在车辆行驶过程中，首先依靠动力电池提供电能驱动车辆；当动力电池电量不足时，增程器（通常由发动机和发电机组成）启动，发动机带动发电机发电，为动力电池充电或直接为驱动电机提供电能，从而实现车辆的持续行驶。这种工作模式使得增程式电动车既具备纯电动车的零排放、低噪音等优点，又克服了纯电动车续航里程不足的问题，有效缓解了用户的里程焦虑。例如，理想ONE作为一款典型的增程式电动车，凭借其出色的续航表现和舒适的驾乘体验，在市场上取得了良好的销售成绩，受到了消费者的青睐。然而，增程式电动车在能量分配方面仍面临诸多挑战。如何根据车辆的行驶工况、动力电池的荷电状态（SOC）等因素，合理地在动力电池和增程器之间分配能量，以实现能源利用效率的最大化、延长车辆的续航里程、降低燃油消耗和排放，是当前增程式电动车研究的关键问题。传统的能量分配策略往往难以适应复杂多变的行驶工况，导致能源利用效率低下，无法充分发挥增程式电动车的优势。因此，研究一种高效的能量分配策略对于增程式电动车的发展具有重要的现实意义。1.1.2研究意义本研究旨在探索基于模糊控制的增程式电动车能量分配策略，其意义主要体现在以下几个方面：提高能源利用效率：通过模糊控制算法，能够综合考虑车辆行驶过程中的多种因素，如车速、加速度、动力电池SOC等，实时、动态地优化能量分配方案，使增程器和动力电池在各自的高效工作区间运行，从而提高能源利用效率，降低能源浪费。这不仅有助于缓解能源危机，还能降低车辆的使用成本，提高用户的经济效益。延长续航里程：合理的能量分配策略可以确保在不同行驶工况下，动力电池和增程器能够协同工作，为车辆提供稳定、充足的动力。当动力电池电量较低时，增程器能够及时启动并高效发电，为车辆补充能量，避免因电量不足导致的行驶里程受限问题，从而有效延长增程式电动车的续航里程，增强其市场竞争力。降低排放：优化的能量分配策略可以使发动机（增程器的一部分）尽量在高效、低排放的工况下运行，减少燃油的不完全燃烧，降低二氧化碳、氮氧化物等污染物的排放。这对于改善空气质量、保护环境具有积极的作用，符合可持续发展的战略要求。提升车辆性能和可靠性：基于模糊控制的能量分配策略能够根据实际工况对动力系统进行精确控制，减少动力系统部件的频繁启停和过度磨损，延长其使用寿命，提高车辆的可靠性和稳定性。同时，良好的能量分配策略还能提升车辆的加速性能、爬坡性能等，为用户提供更好的驾乘体验。1.2国内外研究现状在增程式电动车能量分配策略的研究领域，国内外学者和科研机构已取得了一系列成果。国外方面，一些知名汽车企业和研究机构在该领域开展了深入研究。例如，美国通用汽车公司对增程式电动车的能量管理系统进行了大量研发工作，通过优化控制算法，实现了在不同工况下对动力电池和增程器的有效控制，提高了车辆的能源利用效率。日本的丰田、本田等汽车企业也在混合动力汽车（包括增程式电动车）能量分配策略方面投入了大量资源，研发出了具有高效能量分配能力的控制系统。在学术研究方面，国外一些高校和科研机构发表了众多相关论文。如[具体文献]通过建立数学模型，对增程式电动车的能量分配进行了优化研究，提出了基于模型预测控制的能量分配策略，取得了较好的节能效果。国内在增程式电动车能量分配策略研究方面也取得了显著进展。近年来，随着国内新能源汽车产业的快速发展，众多高校和科研机构加大了对增程式电动车的研究力度。清华大学、上海交通大学等高校在能量分配策略研究方面处于国内领先水平，通过理论分析、仿真和实验研究，提出了多种创新的能量分配策略。一些国内汽车企业，如比亚迪、吉利等，也积极开展增程式电动车的研发工作，在能量分配技术上不断创新和突破。在学术成果方面，国内学者发表了大量相关论文，如[具体文献]提出了基于模糊逻辑和神经网络的能量分配策略，提高了能量分配的准确性和适应性。在模糊控制应用于增程式电动车能量分配策略的研究方面，国内外也有不少成果。模糊控制以其能够处理复杂、不确定系统的优势，被广泛应用于增程式电动车能量分配领域。国外[具体文献]利用模糊控制算法，根据动力电池SOC和车辆行驶工况，对增程器的工作状态进行模糊决策，实现了能量的合理分配。国内[具体文献]通过建立模糊控制器，以动力电池SOC和电机需求功率为输入，辅助动力单元需求功率为输出，实现了增程式电动车能量分配的优化控制，提高了车辆的燃油经济性和动力性能。然而，当前的研究仍存在一些不足之处。一方面，现有的能量分配策略在面对复杂多变的实际行驶工况时，适应性有待进一步提高。实际道路行驶工况包含城市拥堵、郊区行驶、高速公路行驶等多种场景，不同场景下车辆的行驶特性和能量需求差异较大，现有的策略难以在各种工况下都实现最优的能量分配。另一方面，模糊控制在增程式电动车能量分配中的应用虽然取得了一定成果，但模糊规则的制定和隶属函数的选择往往依赖于专家经验，缺乏系统性和优化方法，导致模糊控制的效果难以达到最佳。此外，对于能量分配策略与车辆其他系统（如热管理系统、制动能量回收系统等）的协同优化研究还相对较少，如何实现多系统的协同工作，进一步提高车辆的整体性能，是未来需要深入研究的方向。1.3研究内容与方法1.3.1研究内容模糊控制原理分析：深入研究模糊控制的基本理论，包括模糊集合、模糊逻辑、模糊推理等概念，以及模糊控制器的结构和设计方法。分析模糊控制在处理复杂、不确定系统时的优势，为其在增程式电动车能量分配策略中的应用奠定理论基础。增程式电动车能量分配策略设计：根据增程式电动车的工作原理和动力系统结构，结合模糊控制理论，设计基于模糊控制的能量分配策略。确定模糊控制器的输入变量（如动力电池SOC、驱动电机需求功率等）和输出变量（辅助动力单元APU的需求功率），制定合理的模糊规则和隶属函数。仿真模型建立与验证：利用MATLAB/Simulink等仿真软件，建立增程式电动车的整车模型，包括动力系统模型、电池模型、电机模型等。将设计的基于模糊控制的能量分配策略嵌入整车模型中，进行不同行驶工况下的仿真实验。通过仿真结果分析，验证该能量分配策略在提高能源利用效率、延长续航里程等方面的有效性，并与传统能量分配策略进行对比，评估其性能优势。策略优化与改进：根据仿真结果和实际应用需求，对基于模糊控制的能量分配策略进行优化和改进。例如，通过调整模糊规则和隶属函数，提高模糊控制的准确性和适应性；引入其他优化算法（如遗传算法、粒子群优化算法等），对模糊控制器的参数进行优化，进一步提升能量分配策略的性能。1.3.2研究方法文献研究法：广泛查阅国内外关于增程式电动车能量分配策略、模糊控制理论及其应用等方面的文献资料，了解该领域的研究现状和发展趋势，分析现有研究的成果和不足，为本研究提供理论支持和研究思路。理论分析法：运用模糊控制理论、汽车动力学、能量管理等相关学科知识，对增程式电动车的能量分配问题进行深入分析。从理论层面探讨模糊控制在能量分配策略中的应用可行性，以及如何通过合理设计模糊控制器来实现能量的优化分配。仿真分析法：利用专业的仿真软件建立增程式电动车的仿真模型，对设计的能量分配策略进行仿真验证。通过设置不同的行驶工况和参数，模拟车辆在实际运行中的各种情况，获取仿真数据，并对数据进行分析和处理，评估能量分配策略的性能指标，如能源利用效率、续航里程、燃油消耗等。通过仿真分析，可以快速、低成本地对不同策略进行比较和优化，为实际应用提供参考依据。二、增程式电动车概述2.1结构与工作原理2.1.1动力系统结构增程式电动车的动力系统主要由发动机、发电机、动力电池、驱动电机以及相关的控制系统等部件构成。发动机与发电机共同组成辅助动力单元（APU），APU在车辆运行中扮演着重要角色，当动力电池电量不足时，它能够将发动机的机械能转化为电能，为车辆提供额外的能量支持。动力电池作为车辆的重要储能部件，储存着电能，在车辆行驶过程中为驱动电机提供电力，以满足车辆的动力需求。驱动电机则是将电能转化为机械能的关键部件，通过输出转矩驱动车辆的车轮转动，实现车辆的行驶。在布局方面，不同车型可能会有所差异，但通常发动机和发电机布置在车辆的前部或后部，以方便进行能量转换和传递。动力电池一般布置在车辆的底部或后备箱等位置，这样的布局既可以降低车辆的重心，提高行驶稳定性，又能充分利用车辆空间。驱动电机则通常安装在车辆的驱动轴上，直接与车轮相连，以实现高效的动力传输。各个部件之间通过电缆、控制器等进行连接，形成一个完整的动力系统。整车控制器作为车辆的核心控制单元，负责协调各个部件的工作，根据车辆的行驶工况、驾驶员的操作指令以及动力电池的状态等信息，实时控制发动机、发电机、动力电池和驱动电机的工作状态，实现能量的合理分配和车辆的稳定运行。例如，当车辆需要加速时，整车控制器会根据驾驶员踩下加速踏板的深度，判断驱动电机所需的功率，然后协调动力电池和APU为驱动电机提供相应的电能，以满足车辆的加速需求。2.1.2工作原理增程式电动车在不同工况下，各部件的工作流程和能量流动方向有所不同。在启动阶段，由于车辆所需功率较小，且此时动力电池通常处于电量充足的状态，所以车辆仅依靠动力电池提供电能，驱动电机将电能转化为机械能，带动车辆平稳起步。此时，发动机和发电机处于关闭状态，整个启动过程安静、平稳，几乎没有排放产生，实现了零排放启动。当车辆处于加速工况时，驾驶员踩下加速踏板，驱动电机需求功率迅速增加。如果此时动力电池电量充足，且其输出功率能够满足驱动电机的需求，则主要由动力电池为驱动电机供电。然而，当加速需求较大，动力电池的输出功率无法满足驱动电机的需求时，辅助动力单元（APU）将启动。发动机开始运转，带动发电机发电，发电机产生的电能与动力电池输出的电能共同为驱动电机提供能量，以实现车辆的快速加速。在这个过程中，能量从发动机的化学能转化为机械能，再由发电机转化为电能，与动力电池的电能一起，最终转化为驱动电机的机械能，驱动车辆加速行驶。在匀速行驶工况下，车辆所需功率相对稳定且较低。如果动力电池电量充足，车辆依然主要依靠动力电池供电，驱动电机以稳定的功率运行，维持车辆的匀速行驶。此时，APU可能处于关闭状态，或者根据动力电池的荷电状态（SOC）和车辆的能量需求，以较低的功率运行，为动力电池充电，保持电池电量在合适的范围内。这样的能量分配方式既能保证车辆的正常行驶，又能最大限度地利用电能，降低燃油消耗。当车辆减速时，驱动电机切换为发电机模式。车辆的动能通过驱动电机转化为电能，实现能量回收。这部分回收的电能一方面可以为动力电池充电，储存起来供后续使用，另一方面，如果此时APU正在运行，回收的电能也可以与APU产生的电能一起，为车辆的其他用电设备供电，提高能源利用效率。在这个过程中，能量的流动方向与车辆行驶时相反，从车辆的动能转化为电能，再存储到动力电池中，减少了能量的浪费。2.2能量分配模式2.2.1动力电池独立驱动在电量充足、轻载或低速行驶等工况下，增程式电动车通常采用动力电池独立驱动模式。此时，车辆仅由动力电池供电，驱动电机将动力电池储存的电能转化为机械能，驱动车辆行驶。这种模式具有零排放、低噪音的优点，符合环保和节能的要求。例如，在城市拥堵路况下，车辆频繁启停，速度较低，采用动力电池独立驱动模式可以避免发动机的频繁启停，减少燃油消耗和尾气排放，同时也能提供更加安静、舒适的驾乘体验。此外，在短距离出行且电池电量充足时，这种模式也能满足车辆的行驶需求，充分发挥电动车的优势。2.2.2动力电池与APU共同驱动当车辆处于加速、爬坡或高速行驶等需求功率较大的工况时，仅靠动力电池的能量可能无法满足驱动电机的需求。此时，动力电池与APU将共同驱动车辆。APU中的发动机启动，带动发电机发电，产生的电能与动力电池输出的电能一起为驱动电机提供动力。在加速过程中，驾驶员猛踩加速踏板，驱动电机需要瞬间输出较大的功率，以实现车辆的快速加速。此时，动力电池和APU协同工作，能够迅速响应驾驶员的需求，为驱动电机提供足够的能量，使车辆获得良好的加速性能。在爬坡时，车辆需要克服重力做功，所需功率也较大，动力电池与APU共同驱动可以保证车辆有足够的动力顺利爬上坡顶。在高速行驶时，车辆的行驶阻力增大，同样需要较大的功率来维持速度，这种协同驱动模式能够确保车辆在高速行驶时保持稳定的动力输出。2.2.3驱动电机为动力电池充电在车辆减速或制动过程中，驱动电机可以作为发电机工作，将车辆的动能转化为电能，为动力电池充电。这一过程被称为制动能量回收。当驾驶员踩下制动踏板或松开加速踏板时，车辆开始减速，驱动电机的转速也随之下降。此时，电机内部的电磁感应原理使得电机产生反向电动势，将车辆的动能转化为电能，并通过控制器将电能传输给动力电池进行储存。制动能量回收不仅提高了能源利用效率，减少了能量的浪费，还可以延长车辆的续航里程。在城市驾驶中，频繁的制动操作使得制动能量回收系统能够发挥重要作用，将原本会被浪费的动能转化为电能储存起来，为后续的行驶提供能量支持。同时，制动能量回收还可以减轻传统制动系统的负担，减少制动片的磨损，延长制动系统的使用寿命。2.2.4APU驱动车辆并为动力电池充电当电池电量较低时，为了维持车辆的正常行驶和保证电池的健康状态，APU会启动并驱动车辆，同时为动力电池充电。发动机带动发电机发电，一部分电能用于驱动电机，使车辆继续行驶，另一部分电能则为动力电池充电，将电池电量维持在一定的水平。在长途行驶过程中，随着动力电池电量的逐渐降低，APU会自动启动，以保证车辆不会因为电量不足而无法行驶。APU在为车辆提供动力的同时，还能根据电池的充电需求，合理调整发电功率，对动力电池进行高效充电。这种模式可以有效解决电动车续航里程不足的问题，为用户提供更加便捷、可靠的出行保障。2.3能量分配面临的问题在复杂多变的行驶工况下，精确分配能量是增程式电动车面临的一大难题。实际道路行驶工况包含城市拥堵、郊区行驶、高速公路行驶等多种场景。在城市拥堵工况下，车辆频繁启停，行驶速度低且变化频繁，能量需求波动大；郊区行驶时，路况相对复杂，既有平坦道路，也有上下坡路段，对能量分配的要求各不相同；高速公路行驶时，车辆速度较高，行驶阻力增大，需要稳定且较大的功率输出。传统的能量分配策略往往难以适应这些复杂工况的变化，导致能量分配不合理。在频繁启停的城市拥堵工况下，传统策略可能无法准确判断何时启动APU，导致APU频繁启停，增加燃油消耗和发动机磨损。同时，由于难以根据实时工况精确调整动力电池和APU的输出功率，可能会出现能量浪费或动力不足的情况。电池的寿命会受到充放电的影响。增程式电动车在运行过程中，动力电池需要频繁进行充放电操作。频繁的充放电会使电池内部的电极材料发生化学反应，导致电极老化、容量衰减。当电池以较大电流放电时，电池内部的极化现象会加剧，使电池的内阻增大，进一步影响电池的性能和寿命。而且，不合理的充放电策略，如过充、过放等，会对电池造成不可逆的损伤，严重缩短电池的使用寿命。频繁的快充操作会使电池发热严重，加速电池的老化。电池寿命的缩短不仅会增加用户的使用成本，还会对环境造成一定的污染，因为废旧电池的处理是一个亟待解决的问题。传统的能量分配控制策略通常是基于固定的规则或简单的数学模型设计的，适应性较差。这些策略往往无法充分考虑车辆行驶过程中的各种复杂因素，如路况、驾驶习惯、环境温度等。在不同的路况下，车辆的行驶阻力、能量需求等会有很大差异，传统策略难以根据这些变化实时调整能量分配方案。不同驾驶员的驾驶习惯也会对能量需求产生影响，激进的驾驶风格会导致能量需求波动较大，而保守的驾驶风格则能量需求相对平稳。传统控制策略无法针对这些差异进行灵活调整，使得能量分配无法达到最优状态，从而降低了车辆的能源利用效率和整体性能。三、模糊控制理论基础3.1模糊控制原理3.1.1模糊集合与隶属度函数模糊集合是指具有某个模糊概念所描述属性的对象全体，它用来表达模糊性概念。与普通集合不同，模糊集合中元素对集合的隶属关系不是明确的“非此即彼”，而是用隶属度来描述。隶属度的取值范围在0到1之间，其大小表示元素属于该模糊集合的程度。例如，对于“年轻”这个模糊概念，如果用一个模糊集合来表示，20岁的人对“年轻”集合的隶属度可能为0.9，而40岁的人对“年轻”集合的隶属度可能为0.3。隶属度函数是用于描述元素与模糊集合隶属关系的函数。常见的隶属度函数类型包括三角形隶属度函数、梯形隶属度函数、高斯型隶属度函数等。以三角形隶属度函数为例，它由三个参数a、b、c确定，其数学表达式为：当x≤a时，μ(x)=0；当a<x≤b时，μ(x)=(x-a)/(b-a)；当b<x≤c时，μ(x)=(c-x)/(c-b)；当x>c时，μ(x)=0。其中，b为隶属度函数的峰值点，a和c分别为三角形的两个端点。梯形隶属度函数则由四个参数a、b、c、d确定，在b到c区间内隶属度为1，两端呈线性变化。高斯型隶属度函数的表达式为μ(x)=e^(-((x-m)^2)/(2σ^2))，其中m为均值，σ为标准差，它具有平滑、连续的特点。在确定隶属度函数的参数时，通常可以采用模糊统计法、例证法、专家经验法等。模糊统计法通过对论域上的元素进行多次统计，计算元素属于模糊集合的频率，当统计次数足够多时，频率会趋向于稳定，该稳定值即为隶属度。例如，为确定“青年人”的隶属度函数，选择一定数量的人对“青年人”的年龄界限进行判断，通过统计不同年龄在被判断为“青年人”的次数，计算出各年龄对“青年人”集合的隶属度。例证法是从已知有限个隶属度的值来估计隶属度函数。如对于“高个子的人”这个模糊集合，先给定不同的高度值，然后请人们对不同高度是否属于“高个子”给出判断，用数字表示判断结果（如1表示“真的是高个子”，0.75表示“大致真的是高个子”等），从而得到不同高度对“高个子”集合的隶属度，进而估计出隶属度函数。专家经验法是依据专家的实际经验来确定隶属度函数。在医疗领域，利用专家经验确定某种疾病症状与疾病之间的隶属关系，从而确定隶属度函数。3.1.2模糊推理与模糊规则模糊推理是以模糊集合论为基础描述工具，对以一般集合论为基础描述工具的数理逻辑进行扩展，从而建立的不确定推理理论。它是从不精确的前提集合中得出可能的不精确结论的推理过程，又称近似推理。例如，在日常生活中，人们根据“若天气晴朗，则适合外出活动”以及“今天天气比较晴朗”，可以推断出“今天比较适合外出活动”，这里的推理过程就是模糊推理。模糊规则通常采用“IF-THEN”的形式来表示。例如，“IF动力电池SOC低AND驱动电机需求功率高，THENAPU需求功率高”。模糊规则的获取主要有专家经验、实验数据和理论分析等途径。专家经验是获取模糊规则的重要来源，专家根据自己的专业知识和实践经验，总结出一系列适用于特定系统的模糊规则。在增程式电动车能量分配中，专家可以根据车辆不同工况下的能量需求特点，制定相应的模糊规则。通过对大量实验数据的分析，也可以提取出模糊规则。对增程式电动车在各种行驶工况下的实验数据进行处理，分析动力电池SOC、驱动电机需求功率和APU需求功率之间的关系，从而确定模糊规则。结合相关理论知识，如汽车动力学、能量守恒定律等，也能推导出一些模糊规则。为了提高模糊规则的准确性和有效性，需要对其进行优化。可以采用遗传算法、粒子群优化算法等智能算法对模糊规则进行优化。遗传算法通过模拟生物进化过程中的选择、交叉和变异操作，对模糊规则进行迭代优化，以寻找最优的模糊规则集。粒子群优化算法则是通过粒子在解空间中的搜索，不断更新自身位置和速度，以找到最优的模糊规则。在优化过程中，通常以系统的性能指标为优化目标，如增程式电动车的能源利用效率、燃油消耗等。通过不断调整模糊规则，使系统在各种工况下都能达到较好的性能表现。3.1.3模糊化与解模糊化模糊化是将精确量转换为模糊量的过程。在实际应用中，传感器采集到的信号通常是精确的数值，如动力电池的SOC值、驱动电机的需求功率等。为了能够利用模糊控制算法对这些信号进行处理，需要将它们转换为模糊量。模糊化的过程主要包括两个步骤：一是确定输入变量的论域，即输入变量的取值范围；二是在论域上定义模糊集合，并确定各模糊集合的隶属度函数。对于动力电池SOC，其论域可能设定为[0,1]，在这个论域上可以定义“低”“中”“高”等模糊集合，并为每个模糊集合确定相应的隶属度函数。通过计算精确量对各个模糊集合的隶属度，就可以将精确量转换为模糊量。解模糊化则是将模糊推理得到的模糊量转化为精确控制量的过程。因为在实际控制系统中，执行机构需要的是精确的控制信号。常见的解模糊化方法有最大隶属度法、重心法、加权平均法等。最大隶属度法是选取模糊集合中隶属度最大的元素作为精确值。如果模糊推理结果中“高”这个模糊集合的隶属度最大，且“高”对应的取值范围是[0.8,1]，那么可以取这个范围的中间值0.9作为精确控制量。重心法是计算模糊集合隶属度函数曲线与横坐标围成面积的重心，将重心对应的横坐标值作为精确控制量。加权平均法是根据各模糊集合的隶属度和相应的权重，计算加权平均值作为精确控制量。不同的解模糊化方法适用于不同的应用场景，在实际应用中需要根据具体情况选择合适的方法。3.2模糊控制器设计3.2.1模糊控制器结构模糊控制器主要由模糊化接口、规则库、模糊推理机和解模糊化接口四个部分组成。模糊化接口是模糊控制器的输入接口，其作用是将检测到的输入变量值（如动力电池SOC、驱动电机需求功率等精确量）变换成相应的论域，并将输入数据转换成合适的语言值，实现精确输入量的模糊化处理。它通过在控制器的输入论域上定义语言变量，将实际的连续输入值映射到离散的有限整数域，再根据定义的隶属度函数计算输入值对各个模糊集合的隶属度，从而将精确量转换为模糊量。规则库是模糊控制器的核心部分，它包含了应用领域的知识和控制目标。规则库主要由数据库和模糊语言控制规则组成。数据库存放所有输入、输出变量的全部模糊子集的隶属度矢量值，若论域为连续域，则为隶属函数。模糊语言控制规则基于专家知识或人工操作熟练人员长期积累的经验，按人的直觉推理的一种语言表示形式，通常由若干条控制规则组成。在增程式电动车能量分配的模糊控制器中，规则库包含了根据动力电池SOC、驱动电机需求功率等输入变量与APU需求功率输出变量之间关系的模糊控制规则。模糊推理机是模糊控制器的关键部分，它根据输入的模糊量和知识库中的规则进行模糊推理，求解模糊关系方程，并获得模糊控制量。在推理过程中，模糊推理机根据模糊蕴含关系和合成运算法则，对输入的模糊量进行处理。常用的模糊推理方法有Mamdani推理法、Larsen推理法、Zadeh推理法等。Mamdani推理法是最常用的一种推理方法，其模糊蕴含关系通过模糊集合的笛卡尔积（取小）求得，合成运算法则采用经典的极大-极小合成运算方法。在增程式电动车能量分配中，模糊推理机根据输入的动力电池SOC和驱动电机需求功率的模糊量，结合规则库中的模糊控制规则，推理出APU需求功率的模糊量。解模糊化接口是模糊控制器的输出接口，它将模糊推理得到的模糊控制量转换为执行机构能够接收的精确控制量。它根据选定的解模糊化方法，如最大隶属度法、重心法、加权平均法等，将模糊控制量转化为精确值，输出给执行机构，以实现对被控对象的控制。在增程式电动车中，解模糊化接口将推理得到的APU需求功率的模糊量转换为精确的功率值，控制APU的工作状态。3.2.2输入输出变量选择在增程式电动车能量分配模糊控制器中，选择动力电池SOC和驱动电机需求功率作为输入变量，APU需求功率作为输出变量。动力电池SOC反映了电池的剩余电量，是能量分配的重要依据。当SOC较低时，为了保证车辆的正常运行和电池的健康，需要适当增加APU的输出功率，为电池充电或直接为驱动电机供电；当SOC较高时，可以更多地依靠动力电池为驱动电机供电，减少APU的工作时间，以提高能源利用效率。驱动电机需求功率直接反映了车辆当前的动力需求。在加速、爬坡等工况下，驱动电机需求功率较大，此时需要合理分配APU和动力电池的输出功率，以满足车辆的动力需求；在匀速行驶或低速行驶等工况下，驱动电机需求功率较小，可以根据SOC的情况优化能量分配。APU需求功率作为输出变量，直接控制APU的工作状态，决定了APU向驱动电机和动力电池提供的功率大小。通过模糊控制器根据输入变量实时调整APU需求功率，可以实现增程式电动车在不同工况下的能量优化分配。以城市拥堵工况为例，车辆频繁启停，驱动电机需求功率波动大，同时动力电池SOC可能因频繁放电而下降。此时，模糊控制器根据实时监测的动力电池SOC和驱动电机需求功率，通过模糊推理计算出合适的APU需求功率。如果SOC较低且驱动电机需求功率较大，模糊控制器会增加APU需求功率，使APU启动并输出足够的功率，一部分为驱动电机供电，满足车辆的动力需求，另一部分为动力电池充电，维持电池电量在合适的水平。这样的输入输出变量选择能够全面考虑增程式电动车能量分配的关键因素，为实现高效的能量分配策略奠定基础。3.2.3隶属度函数确定依据大量的实验数据和理论分析，确定输入输出变量的隶属度函数。对于动力电池SOC，其取值范围通常在0到1之间，可将其论域划分为[0,1]。为了描述SOC的不同状态，可以定义“低”“中”“高”三个模糊集合。采用三角形隶属度函数来描述这些模糊集合，“低”模糊集合的参数可以设定为a=0，b=0.3，c=0.5，表示当SOC小于0.3时，对“低”模糊集合的隶属度为1；当SOC在0.3到0.5之间时，隶属度线性下降；当SOC大于0.5时，隶属度为0。“中”模糊集合的参数设定为a=0.3，b=0.5，c=0.7，“高”模糊集合的参数设定为a=0.5，b=0.7，c=1。这样的隶属度函数能够合理地反映动力电池SOC在不同状态下的模糊特性。驱动电机需求功率的取值范围根据车辆的实际运行情况而定，假设其论域为[-Pmax,Pmax]，其中Pmax为驱动电机的最大功率。可以定义“负大”“负中”“负小”“零”“正小”“正中”“正大”等模糊集合来描述驱动电机需求功率。采用梯形隶属度函数，“负大”模糊集合的参数设为a=-Pmax，b=-0.7Pmax，c=-0.5Pmax，d=-0.3Pmax，表示当驱动电机需求功率小于-0.7Pmax时，对“负大”模糊集合的隶属度为1；在-0.7Pmax到-0.5Pmax之间，隶属度保持为1；在-0.5Pmax到-0.3Pmax之间，隶属度线性下降；当需求功率大于-0.3Pmax时，隶属度为0。其他模糊集合的参数也根据类似的方法确定，以准确描述驱动电机需求功率的不同状态。对于APU需求功率，其输出范围根据APU的性能和车辆的能量需求确定，设论域为[0,Papu_max]。可以定义“零”“小”“中”“大”等模糊集合。采用高斯型隶属度函数，“零”模糊集合的均值m设为0，标准差σ根据实际情况调整，以控制隶属度函数的形状和范围。“小”“中”“大”等模糊集合的均值和标准差也相应设定，以实现对APU需求功率的模糊描述。通过合理确定这些隶属度函数的形状、参数和论域范围，能够准确地将输入输出变量的精确值转化为模糊量，为模糊推理提供可靠的基础。3.2.4模糊规则制定根据增程式电动车的运行特性和能量分配原则，制定模糊控制规则。当动力电池SOC高且驱动电机需求功率低时，说明当前电池电量充足，车辆动力需求较小，此时应尽量依靠动力电池为驱动电机供电，减少APU的工作，以提高能源利用效率。因此，可以制定模糊规则：IFSOC高AND驱动电机需求功率低，THENAPU需求功率零。当动力电池SOC低且驱动电机需求功率高时，车辆既需要满足较大的动力需求，又要考虑电池电量的补充，此时APU应输出较大功率。模糊规则为：IFSOC低AND驱动电机需求功率高，THENAPU需求功率大。当动力电池SOC处于中等水平且驱动电机需求功率中等时，APU需求功率也应保持在中等水平，以维持能量的平衡分配。模糊规则为：IFSOC中AND驱动电机需求功率中，THENAPU需求功率中。再如，当动力电池SOC高但驱动电机需求功率突然增大（如车辆急加速）时，虽然电池电量充足，但为了保证车辆的加速性能，APU也需要适当介入，提供一定的功率支持。此时的模糊规则可以是：IFSOC高AND驱动电机需求功率正大，THENAPU需求功率中。通过全面考虑增程式电动车在各种工况下的能量需求和电池状态，制定一系列这样的模糊规则，形成完整的模糊规则库。这些规则能够根据输入变量的不同组合，合理地确定APU需求功率的输出，实现增程式电动车能量的优化分配。在实际应用中，还可以根据实验结果和实际运行数据对模糊规则进行调整和优化，以进一步提高能量分配策略的性能。四、基于模糊控制的能量分配策略设计4.1策略设计思路4.1.1考虑因素驾驶员的操作指令直接反映了其对车辆动力的需求。当驾驶员踩下加速踏板时，驱动电机需要输出更大的功率以实现车辆的加速；而当驾驶员踩下制动踏板时，车辆需要减速，此时可能涉及到制动能量回收，将车辆的动能转化为电能储存起来。不同的驾驶风格，如激进型驾驶和温和型驾驶，对能量的需求也有很大差异。激进型驾驶频繁的急加速、急减速操作会导致能量需求的大幅波动，而温和型驾驶则能量需求相对平稳。因此，在设计能量分配策略时，需要准确识别驾驶员的需求，以合理分配能量，满足车辆的动力要求。车辆行驶工况复杂多样，包括城市拥堵、郊区行驶、高速公路行驶、爬坡等不同场景。在城市拥堵工况下，车辆频繁启停，速度较低，且行驶过程中存在较多的怠速时间。这种工况下，能量需求主要集中在频繁的起步加速阶段，且由于怠速时间长，会造成能量的浪费。郊区行驶工况路况相对复杂，既有平坦道路，也有上下坡路段，车辆速度变化范围较大。高速公路行驶时，车辆速度较高且相对稳定，但行驶阻力增大，需要较大的功率来维持速度。爬坡工况下，车辆需要克服重力做功，对动力的需求大幅增加。不同行驶工况下车辆的能量需求特点各异，因此能量分配策略必须能够适应这些变化，实现能量的合理分配。在城市拥堵工况下，应尽量减少发动机的启停次数，充分利用制动能量回收，以提高能源利用效率；在高速公路行驶时，应优化发动机和电机的工作状态，使其在高效区间运行，降低能耗。电池状态是能量分配的重要依据，其中荷电状态（SOC）反映了电池的剩余电量。当SOC较高时，说明电池电量充足，可以更多地依靠电池为车辆提供动力，减少发动机的工作时间，从而降低燃油消耗和排放。当SOC较低时，为了保证车辆的正常运行和电池的健康，需要适当增加发动机的输出功率，为电池充电或直接为驱动电机供电。电池的健康状态（SOH）也会影响能量分配策略。随着电池的使用，SOH会逐渐下降，电池的性能也会随之降低，如容量衰减、内阻增大等。在电池SOH较低时，需要更加谨慎地控制电池的充放电过程，避免过度充放电对电池造成进一步损害。因此，在能量分配策略中，需要实时监测电池的SOC和SOH，根据电池状态合理分配能量。发动机和电机作为增程式电动车的主要动力部件，其效率特性对能量分配有着重要影响。发动机在不同的转速和负荷下，其效率会发生变化。一般来说，发动机在中等转速和负荷下效率较高，而在低转速或高负荷时效率较低。电机同样存在效率特性曲线，在不同的工作点，电机的效率也不同。为了提高能源利用效率，能量分配策略应尽量使发动机和电机工作在各自的高效区间。在车辆行驶过程中，根据驱动电机的需求功率和电池状态，合理调整发动机的工作状态，使其输出功率与驱动电机的需求相匹配，同时确保电机也能在高效区间运行。在低速行驶且电池SOC较高时，可以仅使用电机驱动车辆，避免发动机在低效区间运行；在高速行驶或高负荷工况下，合理调整发动机和电机的协同工作，使两者都能在相对高效的状态下运行。4.1.2设计目标提高能源利用效率是能量分配策略的核心目标之一。通过合理分配动力电池和增程器的能量输出，使整个动力系统在各种行驶工况下都能保持较高的能源利用效率。在城市拥堵工况下，利用模糊控制算法，根据车辆的实时状态，精确控制增程器的启停和动力电池的充放电，避免能量的浪费。当车辆频繁启停时，通过模糊推理判断何时仅依靠动力电池供电，何时启动增程器，使动力系统在高效状态下运行。在高速行驶工况下，优化增程器和动力电池的功率分配比例，使发动机工作在高效转速和负荷区间，电机也能高效运行，从而降低能源消耗，提高能源利用效率。降低油耗和排放对于减少环境污染和能源消耗具有重要意义。在设计能量分配策略时，通过模糊控制使发动机尽量在高效、低排放的工况下运行。根据动力电池SOC和驱动电机需求功率等输入变量，利用模糊规则调整增程器的工作状态，避免发动机在低效、高排放的工况下长时间运行。当电池SOC较高且驱动电机需求功率较低时，模糊控制器控制增程器停止工作，仅由动力电池供电，实现零排放运行。在需要增程器工作时，通过模糊推理优化其输出功率，使其在高效低排放的区间运行，减少燃油消耗和污染物排放。电池的寿命直接影响增程式电动车的使用成本和性能。不合理的充放电策略会加速电池的老化，缩短电池寿命。基于模糊控制的能量分配策略可以通过控制动力电池的充放电深度和速率，有效延长电池寿命。当电池SOC较低时，模糊控制器合理控制增程器为电池充电的功率和时间，避免过度充电；当车辆行驶过程中，根据电池的SOC和驱动电机需求功率，优化电池的放电策略，避免大电流放电对电池造成损害。通过精确的模糊控制，使电池在合理的工作范围内运行，减少电池的老化速度，延长电池使用寿命。车辆的动力性和舒适性是用户体验的重要方面。能量分配策略需要确保在各种工况下车辆都能提供足够的动力，满足用户的驾驶需求。在加速、爬坡等需要较大动力的工况下，模糊控制器根据驱动电机需求功率和电池SOC等信息，快速响应，合理分配增程器和动力电池的能量，使车辆获得足够的动力，实现快速加速和顺利爬坡。同时，能量分配策略还应保证车辆运行的平稳性和舒适性，避免动力系统的频繁切换和冲击。在车辆启动、加速和减速过程中，通过模糊控制实现动力的平滑输出，减少顿挫感，为用户提供舒适的驾乘体验。4.2控制量的模糊化处理在基于模糊控制的增程式电动车能量分配策略中，控制量的模糊化处理是关键步骤。首先要确定输入输出变量的论域。对于输入变量，动力电池SOC的实际取值范围通常在0到1之间，为了便于模糊化处理，可将其论域设定为[0,1]。驱动电机需求功率的取值范围根据车辆的实际性能而定，假设其在-50kW到100kW之间变化，那么其论域可设为[-50,100]。输出变量APU需求功率，根据APU的功率输出能力，其论域设为[0,60]。确定量化因子和比例因子。量化因子用于将输入变量的实际值转换为模糊论域中的值，比例因子则用于将模糊推理得到的输出值转换为实际的控制量。对于动力电池SOC，假设量化因子K_SOC=10，当实际SOC值为0.6时，经过量化后的模糊论域值为0.6×10=6。对于驱动电机需求功率，设量化因子K_Pmot=0.1，若实际需求功率为30kW，则量化后的模糊论域值为30×0.1=3。对于APU需求功率，设比例因子K_Papu=10，若模糊推理得到的APU需求功率模糊值为4，则转换为实际控制量为4×10=40kW。通过上述量化因子和比例因子的计算，将实际的输入输出值转换为模糊量。在模糊化过程中，还需要根据隶属度函数确定各模糊量对相应模糊集合的隶属度。对于动力电池SOC，定义“低”“中”“高”三个模糊集合，采用三角形隶属度函数。“低”模糊集合的参数设为a=0，b=0.3，c=0.5；“中”模糊集合的参数设为a=0.3，b=0.5，c=0.7；“高”模糊集合的参数设为a=0.5，b=0.7，c=1。当量化后的SOC值为6时，根据隶属度函数计算其对“中”和“高”模糊集合的隶属度，从而完成对动力电池SOC的模糊化处理。对于驱动电机需求功率和APU需求功率，也采用类似的方法，根据定义的模糊集合和隶属度函数进行模糊化，将实际值转换为模糊量，为后续的模糊推理提供输入。4.3模糊推理与决策本研究采用Mandani推理法进行模糊推理。Mandani推理法的核心是基于模糊规则和输入模糊量，通过模糊蕴含关系和合成运算法则进行推理计算。在增程式电动车能量分配中，模糊规则是根据车辆的运行特性和能量分配原则制定的。例如，若动力电池SOC低且驱动电机需求功率高，则APU需求功率高；若动力电池SOC高且驱动电机需求功率低，则APU需求功率低等。在推理过程中，首先根据输入的动力电池SOC和驱动电机需求功率的模糊量，找到与之对应的模糊规则。假设当前动力电池SOC经模糊化后对“低”模糊集合的隶属度为0.8，对“中”模糊集合的隶属度为0.2，驱动电机需求功率对“高”模糊集合的隶属度为0.9，对“中”模糊集合的隶属度为0.1。根据“若动力电池SOC低且驱动电机需求功率高，则APU需求功率高”这一模糊规则，通过取小运算（因为是“且”关系），得到该规则下APU需求功率对“高”模糊集合的隶属度为min(0.8,0.9)=0.8。对所有相关的模糊规则进行这样的计算，得到多个APU需求功率对不同模糊集合的隶属度。然后，采用极大-极小合成运算方法，对这些隶属度进行合成。在这个例子中，假设还有其他规则也得到了APU需求功率对“高”模糊集合的隶属度，通过取这些隶属度中的最大值，得到最终APU需求功率对“高”模糊集合的隶属度。通过这样的推理计算，得出APU需求功率的模糊量，完成模糊推理与决策过程，为后续的解模糊化提供依据。4.4解模糊化解模糊化是将模糊推理得到的APU需求功率模糊量转化为精确控制量的过程。常见的解模糊化方法有重心法、最大隶属度法等。最大隶属度法是选取模糊集合中隶属度最大的元素作为精确值。如果APU需求功率模糊量对“高”模糊集合的隶属度最大，且“高”模糊集合对应的取值范围是[40,60]，那么可以取这个范围的中间值50作为精确控制量。这种方法计算简单，但它只考虑了隶属度最大的元素，忽略了其他元素的信息，可能会导致一定的误差。重心法是计算模糊集合隶属度函数曲线与横坐标围成面积的重心，将重心对应的横坐标值作为精确控制量。假设APU需求功率模糊量由多个模糊集合组成，通过积分计算出这些模糊集合隶属度函数曲线与横坐标围成面积的重心。设横坐标为x，隶属度函数为μ(x)，则重心的计算公式为x_c=∫(x*μ(x))dx/∫μ(x)dx。通过计算得到重心对应的横坐标值，即为精确的APU需求功率控制量。重心法综合考虑了所有模糊集合的信息，能够更准确地反映模糊量的总体特征，因此在本研究中选择重心法作为解模糊化方法。通过重心法将模糊推理得到的APU需求功率模糊量转化为精确控制量，为增程式电动车的能量分配提供准确的控制信号。五、仿真与实验验证5.1仿真平台搭建本研究利用Cruise和MATLAB/Simulink软件搭建增程式电动车整车模型和模糊控制能量分配策略模型。在Cruise软件中，构建增程式电动车的动力系统模型，包括发动机、发电机、动力电池、驱动电机、变速器等部件。对发动机模型，依据其实际的外特性曲线，设置不同转速下的转矩和功率输出参数，以准确模拟发动机的工作性能。动力电池模型则根据电池的类型（如锂离子电池），设定其容量、内阻、充放电效率等关键参数，考虑电池在不同SOC状态下的性能变化。在MATLAB/Simulink环境中，设计模糊控制能量分配策略模型。搭建模糊控制器模块，根据之前确定的输入输出变量（动力电池SOC、驱动电机需求功率为输入，APU需求功率为输出），以及隶属度函数和模糊规则进行编程实现。将模糊控制器模块与Cruise中的整车动力系统模型通过接口进行连接，实现联合仿真。通过这种方式，能够在Simulink中实时获取整车动力系统的运行数据（如动力电池SOC、驱动电机需求功率等），经过模糊控制器的处理，输出APU需求功率控制信号，反馈到Cruise中的整车模型，控制APU的工作状态，从而实现对增程式电动车能量分配的仿真研究。5.2仿真工况选择选用NEDC（新欧洲驾驶循环）、WLTC（世界轻型汽车测试循环工况）等标准工况进行仿真。NEDC工况包含四个市区循环和一个郊区循环，总时长约1180秒。市区工况最高车速为50km/h，平均车速19km/h，主要模拟城市拥堵路况下车辆频繁启停、低速行驶的状态；郊区工况平均车速62.6km/h，有效行驶时间400s，模拟车辆在郊区道路上相对稳定行驶的工况。WLTC工况更为复杂，包含低速、中速、高速和超高速四个部分，测试时间为1800秒，平均车速为46.5km/h，最高车速达131.3km/h。它更全面地模拟了真实世界中复杂的驾驶条件，包括频繁的加减速、怠速等工况，能更好地反映车辆在不同行驶场景下的能量需求。为了更贴近实际行驶场景，还自定义了复杂工况。考虑山区道路工况，设置了连续的爬坡和下坡路段，坡度在5%-15%之间变化，模拟车辆在山区行驶时需要频繁克服重力做功，对动力需求变化较大的情况。加入城市高峰期拥堵工况，车辆在该工况下频繁启停，平均车速低于15km/h，且停车时间占比较高，以测试能量分配策略在极端拥堵情况下的性能。通过多种工况的选择，全面验证基于模糊控制的能量分配策略在不同行驶条件下的有效性和适应性。5.3仿真结果分析将基于模糊控制的能量分配策略与传统的功率跟随策略进行对比。在能耗方面，在NEDC工况下，采用模糊控制策略的增程式电动车百公里能耗为