基于粒子群优化模糊控制器的电动汽车再生制动控制策略研究

670

武汉理工大学学报(交通科学与工程版)2008年　第32卷

动减速度表示的制动强度输入值,纵坐标是相应的电机再生制动力、机械摩擦制动力及总制动力的输出值.在制动强度较低时,优先采用电机再生制动,如图2的A阶段,由电机通过传动系统单独提供制动力,机械摩擦制动不工作;当制动强度增加时,采用复合制动方式,如图2的B阶段,制动力矩由摩擦制动和再生制动共同承担;在制动强度较高时,电机再生制动力出现饱和,如图2的C阶段,进一步增加的制动强度要求将全由机械摩擦制动满足.驾驶员对制动强度的要求体现在对制动踏板的操纵上,可将制动踏板行程信号或制动阀气压信号作为输入量来反映制动强度输入值,并与图2中的制动减速度值相对应.如图2所示的制动强度是线性的,而实际系统中由于驾驶员的操作信号、电机回馈效率以及电池充电效率的影响,制动强度一般是非线性的,故如何实时寻找最优的制动强度并给出电机再生制动力矩是本文研究的重点

.

式中:V为粒子的速度;P为粒子的当前位置;rand()为(0,1)之间的随机数;c1和c2为学习因子,通常,c1=c2=2;w为加权系数,取值在0.1～0.9之间.

粒子通过不断学习更新,最终飞至解空间中最优解所在的位置,搜索过程结束,最后输出的pgd就是全局最优解.在更新过程中,粒子每一维的最大速率被限制为Vmax,粒子每一维的坐标也被限制在允许范围之内.粒子群优化算法没有交叉与变异运算,所以算法结构简单,运行速度快.但是,基本粒子群优化算法在解空间内搜索时,有时会出现粒子在全局最优解附近出现“振荡”的现象,为了避免这个问题,可以作如下改进:随着迭代进行,速度更新公式中的加权因子w由最大加权因子wmax线性减小到最小加权因子wmin.即

w=wmaxk(wmax-wmin)/kmax

式中:k为当前迭代数;kmax为总的迭代次数.3.2　电动汽车再生制动控制策略

电动汽车再生制动控制策略是一个涉及多输入量多耦合关系的智能控制策略,其中影响制动控制算法的输入量有:锂离子电池SOC值、电机的回馈效率 m、锂离子充电效率 b以及刹车踏板行程kp等,即制动力矩函数T=f(SOC, m, b,kp).三相永磁同步电机在不同的转速与转矩运行

图2　电动汽车制动控制策略示意图

条件下实测的效率曲线类似指数函数,特别是在不同的转速区间电机的回馈效率是不同的;锂离子电池在不同荷电状态即不同SOC值状态下,充电效率、最大充电电流和充电时间都是一个非线性动态变化的函数.故实现不同运行条件及不同部件状态下的制动力矩控制是再生制动控制策略的难点.

鉴于模糊控制不依赖对象模型以及较好的适应性和鲁棒性,引入模糊控制器来实现制动力矩的控制.将制动力矩进行模糊空间划分,由于固定参数的模糊控制器很难同时满足各种条件下的要求,这就要求模糊控制规则或参数在运行过程中可以自动地调整、修改和完善.为此本文根据系统反馈信息粒子群优化技术动态调节量化因子ke,kec和比例因子ku,以获得最佳控制效果,并增强其鲁棒性和稳定性.

　　图3为基于粒子群优化的制动力矩自适应模糊控制器结构,在电机制动过程中,依据优化目标函数minf(x)及最大充电电流和充电时间的约束

(1)条件,其中f(x)=1- , 为电池电能利用率,3[6]

3　基于模糊控制再生制动控制策略

3.1　粒子群优化算法的原理

粒子群优化算法(particleswarmoptimization,PSO)是由Eberhart与Kennedy发明的一种全局优化进化算法[5].该算法源于对鸟类捕食行为的模拟,并已在系统辨识、神经网络训练及电力系统组合优化问题等许多领域得到应用,但在电机电动及制动状态下的控制方面应用较少.粒子群优化算法首先初始化一群随机粒子,然后通过迭代找到最优解.在每一次迭代中,粒子通过跟踪2个“极值”来更新自己.一个是粒子本身所找到的最优解,即个体极值pid.另一个是整个种群目前找到的最优解,称之为全局极值pgd.粒子在找到上述2个极值后,就根据下面2个公式来更新自己的速度与位置.

V=wV+c1(pid-P)rand()+

c2(pgd-P)rand()