基于粒子群算法的复合储能式系统控制优化

徐大雨，林慕义, 2，陈 勇, 2

(1.北京信息科技大学 机电工程学院，北京 100192；2.北京电动车辆协同创新中心，北京 100192)

引言

装载机作为工程车辆之一，经常工作在非常恶劣复杂的环境中，使其在运行的过程中需要消耗大量的资源。如何在装载机运行和维护的过程中消耗更少的资源成为了研究的重点。

复合储能式混合动力系统装载机可以在满足所需动力的前提下，提高整车的燃油经济性。但是由于系统结构复杂，使系统控制器的控制策略达到最佳成为了至关重要的一环[1]。曹万仓等[2]利用模糊控制原理，设计了液压混合动力装载机的制动能量回收模糊控制策略，分析了在制动过程中该策略对再生制动转矩和电液制动转矩再分配的变化状况，证明了在保证安全的情况下，该策略在制动过程中提高了制动能量回收；刘洋等[3]根据蓄能器SOC、车速等车辆相关参数建立了模糊控制器的控制规则，并制定了系统的相关控制策略，使整车的燃油经济性得到了有效地提升；曹海岐等[4]认为复合储能系统原有的依靠专家经验的模糊控制器存在主观盲目性，利用遗传算法对模糊控制器的隶属度函数进行优化，结果表明，整车的燃油经济性明显提高。

本研究利用粒子群算法对混合动力复合储能式装载机的传统模糊控制器进行优化设计。然后，将优化后的控制策略运用到系统的仿真模型中进行仿真分析，以求不损失装载机动力的前提下，提高整车的燃油经济性。

1 复合储能系统结构分析及仿真建模

1.1 结构分析

混合动力复合储能式系统主要由柴油发动机系统、液压驱动系统、电驱驱动系统3种供能系统组成，其中，柴油发动机系统是整个系统最主要的供能系统，为装载机在各种工况下提供主要动力来源；电驱驱动系统是装载机的第二供能系统，依托电动机，主要为车内的各种车载电子设备提供能量，必要时也会辅助柴油发动机系统为装载机提供所需的动力；液压驱动系统主要由高、低压蓄能器组成液压蓄能器组，为装载机在铲装和升举过程中提供能量[5]，复合储能式装载机系统的结构如图1所示。

1.电磁离合器1 2.电磁离合器2 3.电磁离合器34.锁止机构 5.行星齿轮机构 6.电磁离合器47.电磁离合器5 8.二次元件 9.蓄能器图1 复合储能式系统结构图

1.2 装载机典型作业工况

装载机在作业时常用工况有4种，亦为本研究所需识别的工况，即“I”形工况、“L”形工况、“T” 形工况与“V”形工况，如图2所示。

a) “I”形

b) “L”形

c) “T”形

d) “V”形图2 装载机典型作业工况

“I”形工况，又称穿梭工况，即装载机的行进路线垂直于运输车的行进路线;“L”形工况，装载机作业开始前与运输车的侧面成垂直状态，而物料又与装载机、运输车形成直角三角形状态;“T”形工况，物料与运输车在一条水平线上，同时装载机的行进方向垂直于这条水平线;“V”形工况，即装载机初始位置的前方垂直于物料，而运输车则停在与物料呈60°角的方向上。

其中，“V”形工况是复合储能式装载机最常见的工况也是工作效率最高的工况，所以，本研究选取“V”形工况作为代表来进行试验分析。

1.3 整车后向仿真模型

本研究根据模型的相关数学公式进行各子系统模型的搭建，然后将各子系统封装组合，最终组成复合储能系统装载机的整车后向仿真模型,如图3所示。

图3 整车后向Simulink仿真模型

2 基于粒子群算法优化模糊控制器

2.1 模糊控制策略及工作原理

本研究的复合储能式系统模糊控制策略的结构原理，如图4所示。装载机根据外部工况计算出所需要的转矩，根据需求转矩Td、蓄能器SOC(蓄能器储能系统状态)以及电池SOC(电池荷电状态)等参数，决定实际输出的最优转矩并输入给发动机系统；接着根据装载机的需求转矩以及实际输入给发动机系统的转矩进行判断，将系统所需电机转矩输入给电驱动系统，将所需的补足转矩输入给蓄能器系统，两系统通过发动机系统的反馈进行必要的辅助工作，并将两系统的实时状态输入给模糊控制器，以便根据实际外部工况进行必要的模糊判断处理工作[6]。

图4 控制策略原理图

2.2 粒子群算法优化模糊控制器

模糊控制器的特点就是具有良好的适应能力和较好的鲁棒性。本研究的复合储能式系统，将需求转矩、蓄能器SOC以及电池SOC作为模糊控制器的输入量，以发动机实际输出转矩作为输出量。但由于原有模糊控制器主要依靠专家经验来制定模糊控制规则，存在一定的主观盲目性，在一些特殊的工况下不能做到最优控制，导致控制器不能达到需求的效果，有必要将控制器进一步优化[7]。基于所需的工况下，通过粒子群算法优化模糊控制器的模糊控制规则，可以达到最优控制的效果，如图5所示。

图5 模糊推理结构图

粒子群算法具有良好的全局搜索能力而且操作简单，收敛速度较快。粒子群算法中每一个粒子都代表着一个可能解，通过粒子的行为以及群体内交互信息的可能性来实现问题求解的智能性。粒子群算法是通过粒子不断地进行迭代运算，并在这个过程中搜寻每一次迭代中粒子的个体极值以及整个粒子群的全局最优解，不断更新粒子的位置和速度进行多次的迭代运算，直至找到满足所需条件的最优解。本研究粒子更新位置及速度公式如下[8]：

vi,j(t+1)=w×vi,j(t)+c1×rand1[pi,j(t)-

xi,j(t)]+c2×rand2[pi,j(t)-xi,j(t)]

(1)

xi,j(t+1)=xi,j(t)+vi,j(t+1)

(2)

式中，i为粒子群中的粒子，i=1,2,…,N,N为粒子数；

j为维度j=1,2，…，D；w为惯性权重，用来勘测和平衡，决定了粒子速度的继承程度，w=1；c1,c2为学习因子，c1=c2=2；rand为0到1上的随机数；x为粒子的位置；p为粒子在运动过程中的最优位置；v为粒子的位置变化率即粒子的运动速度。

2.3 粒子群模糊系统设计

1) 隶属度函数的选取

本研究在模糊控制系统中采用三输入单输出的模糊控制器，输入为需求转矩(demandtorque)，蓄能器SOC(accumulator SOC)，电池SOC(battery SOC)，输出为发动机转矩(enginetorque)，且输入输出均采用Trimple型隶属度函数[9]，如式(3)所示：

(3)

式中，u为隶属度函数随机变量；u1，u2为模糊变量。

2) 定义模糊规则

本研究提出的基于粒子群算法优化的模糊其中，输入量demandtourque，accumulator SOC以及battery SOC的论域为[0，max(demandtourque)]，[0，max(accumulator SOC)]，[0，max(battery SOC)]，输出量的论域为[0，max(enginetorque)]，语言值均为{NB，NS，0，PS，PB}[10]，推理系统的基本架构如图6所示。

2.4 粒子群算法优化流程

粒子群优化流程如图7所示。

步骤1，将上述已经设定好的需求转矩、蓄能器SOC、电池SOC、发动机转矩隶属度函数参数和模糊规则编码作为粒子群算法的搜索空间[11]；

步骤2，初始化粒子群，设置最大迭代次数，本研究最大迭代次数为50，随机生成粒子群初始位置xi,j与速度vi,j，如式(4)、式(5)所示，N=200；

xi,j=rand(N,D)×(xi,j max-xi,j min)+xi,j min

(4)

vi,j=rand(N,D)×(vi,j max-vi,j min)+vi,j min

(5)

步骤3，选取适应度函数并定义，将粒子群体中个体粒子位置最优解pbest与粒子群体中全局位置最优解gbest进行初始化；

步骤4，根据式(1)、式(2)，将粒子群中所选取的粒子的位置和速度进行更新，并计算粒子的适应度值，若粒子i所计算的的适应度值优于自身的最优解pbest，则更新当前位置，同理，也可以更新群体的全局位置最优解gbest；

步骤5，判断是否到达设定的最大的迭代次数，若达到，则输出相应的优化结果，否则回到步骤4继续运行[12]。

3 优化结果与仿真分析

3.1 优化结果

图8～图12为输入量需求转矩Td、蓄能器SOC、电池SOC以及输出量发动机转矩Te的隶属度函数图。经过粒子群算法优化后的隶属度函数曲线已经变得很不均匀，这样可以更好的实现全局最优控制，目标性更强，更容易将控制策略达到最优，进而提高装载机整车燃油经济性。

图9 蓄能器SOC隶属度函数图

图10 电池SOC隶属度函数图

图11 发动机转矩隶属度函数图

图12为粒子群算法优化后的模糊控制规则曲面图，优化后的发动机转矩曲面变化较为平缓，说明优化的有效性，为进一步降低装载机燃油消耗提供了可能。

图12 发动机转矩模糊控制规则曲面

3.2 仿真分析

将优化好的模糊控制器输出到Workspace，将控制策略输入到整车后向仿真Simulink模型，进行仿真，优化前后的蓄能器SOC、电池SOC燃油消耗量的仿真数据对比，如图13～图15所示。

由图13、图14可以看出，模糊控制器经过粒子群算法优化后，蓄能器SOC以及电池SOC的数值均有升高，而且电池SOC升高幅度尤为明显。由此可以说明，优化后的模糊控制器可以有效的提高整车的能量回收率。

图13 优化前、后蓄能器SOC对比

图14 优化前、后电池SOC对比

由图15可以看出，优化后的整车燃油消耗量Q有明显的降低，将优化前、后的蓄能器SOC、电池SOC以及整车燃油消耗量的平均值进行对比，如表1所示，优化后蓄能器SOC及电池SOC的均值均有提高，并且整车的平均燃油消耗有明显的降低。

图15 优化前、后燃油消耗量对比

表1 优化前后方案对比

最后将优化前、后的整车燃油消耗的平均值通过式(6)节油率公式计算，得到优化后的整车节油率为18.79%，证明了模糊控制器优化的有效性。

(6)

式中,ρ—— 节油率

Q0—— 优化前油耗量

Q1—— 优化后油耗量

4 硬件在环试验及分析

4.1 试验台架基本原理

本研究使用在MATLAB/Simulink软件基础上开发的dSPACE硬件在环仿真系统进行试验，如图16所示。依据研究对象的数学模型在MATLAB/Simulink软件中搭建Simulink模型，并对其有效性进行离线仿真测试验证。该试验主要目的是验证经过粒子群算法优化后的复合储能式系统控制效果，具体表现为将采集到的“V”形工况下的燃油消耗量与仿真时的对应结果进行一致性对比。

图16 制动能量回收试验台架

4.2 试验结果分析

由图17可见，由于试验中试验设备存在振动，所以试验曲线具有一定的波动，即试验与仿真之间有一定误差，但从整体上看，结果基本一致，再次验证了基于粒子群算法优化复合储能式混合动力系统控制器的有效性，使复合储能式混合动力系统装载机的燃油经济性得到有效提升。

图17 “V”形工况下的燃油消耗量试验与仿真对比

5 结论

本研究基于粒子群算法对混合动力复合储能系统进行控制优化，结果表明：

(1) 经过粒子群优化后的模糊控制器，适应性和目标性更强，最优输出转矩更加平稳，控制效果更好；

(2) 粒子群算法优化后的复合储能系统中各子系统性能都有提升，而且整车的燃油消耗量有明显的下降，有效地提升了系统的燃油经济性，证明了粒子群算法对复合储能系统控制优化的有效性。