趙 勇， 謝金法*， 時佳威， 李豪迪

(1.河南科技大學車輛與交通工程學院，洛陽 471003；2.同濟大學汽車學院，上海 201804)

燃料電池汽車是未來汽車發(fā)展的重要方向之一，對大質(zhì)量、長續(xù)駛里程的中大型貨車尤為適用[1-2]。目前，燃料電池與蓄電池的電電混合系統(tǒng)對于貨車是一個有效的解決方案[3-4]。

行駛工況是影響汽車燃料經(jīng)濟性的重要因素，如果能夠針對不同行駛工況，制定相應的能量管理策略，使得動力分配更加合理，汽車的燃料經(jīng)濟性也可以隨之進一步提高[5]。目前基于工況識別的混合動力汽車識別方法主要有神經(jīng)網(wǎng)絡算法識別[6-7]、模糊控制器識別[8]和基于聚類理論的識別[9]。其中，采用神經(jīng)網(wǎng)絡識別行駛工況時，必須預先提供大量訓練數(shù)據(jù)，但是具備大量樣本數(shù)據(jù)在實際操作中較為困難，所以很難得到較高的識別準確率；而模糊識別，由于其參數(shù)主要根據(jù)專家經(jīng)驗設置，主觀性較強，不易得到較高識別精度；聚類算法識別時，輸入?yún)?shù)的個數(shù)和聚類中心初始值的選定均會對識別結(jié)果產(chǎn)生較大影響，不利于識別準確率的穩(wěn)定性。因此，提高汽車運行工況的識別精度和穩(wěn)定性，并建立一種滿足燃料電池混合動力汽車(fuel cell hybrid vehicle, FCHV)不同運行工況的能量管理策略越來越重要。

針對燃料電池混合動力貨車，以中國重型商用車行駛工況-貨車工況(China heavy-duty commercial vehicle test cycle-truck, CHTC-HT)中高速、市郊和市區(qū)3種工況代表車輛的3種行駛工況作為仿真工況，采用遺傳算法優(yōu)化支持向量機(genetic algorithm-support vector machine,GA-SVM)識別算法，建立最優(yōu)的行駛工況識別模型，針對市區(qū)、市郊和高速公路工況分別設計模糊能量管理策略，并采用粒子群算法優(yōu)化其隸屬函數(shù)，從而使其具有更好的工況適應性，以達到降低氫耗量并延長蓄電池壽命的目的。

1 FCHV動力系統(tǒng)結(jié)構(gòu)及整車參數(shù)

以某FCHV為研究對象，采用質(zhì)子交換膜燃料電池(proton exchange membrane fuel cell,PEMFC)與蓄電池的電電混合系統(tǒng)，動力系統(tǒng)拓撲結(jié)構(gòu)如圖1所示，整車主要參數(shù)如表1所示。

圖1 FCHV動力系統(tǒng)拓撲結(jié)構(gòu)Fig.1 Topological structure of FCHV power system

2 基于SVM的工況識別

2.1 3種典型工況的選擇

根據(jù)最新發(fā)布的CHTC-HT，包含市區(qū)、市郊和高速公路3種工況，該工況是針對中國實際道路狀況開發(fā)的，較好地反映了中國貨車的實際運行工況。選定CHTC-HT循環(huán)工況中的3種典型工況作為仿真道路行駛工況：工況1為市區(qū)主干道城市工況；工況2為市郊公路上中高速行駛的公路工況；工況3為高速公路上高速行駛的高速公路工況。特征工況如圖2所示。

表1 整車主要參數(shù)

圖2 市區(qū)、市郊和高速公路工況Fig.2 Urban, suburban and expressway conditions

工況的特征參數(shù)直接反映了循環(huán)工況的特征，由于工況特征選取過多會造成計算量變大，影響識別速度，而選取過少，會使得工況表述不準確，影響識別精度。所以在滿足選取的特征參數(shù)能涵蓋此循環(huán)工況大部分特征的前提下，工況特征參數(shù)個數(shù)選取不宜過多或過少。根據(jù)以上原則及前人的研究成果，選取最能代表循環(huán)工況特征的3個參數(shù)，即最高速度、平均速度、怠速時間比例，作為評價所研究工況的變量，3種代表工況的特征參數(shù)如表2所示。

表2 行駛工況特征參數(shù)

為使樣本數(shù)量充足，將道路工況分成片段，每個片段為60 s，并且可以疊加，疊加選擇情況如圖3所示，1～15代表工況片段的序號。每類行駛工況抽取120個樣本，共計360個樣本。

圖3 道路工況分段示意圖(工況3)Fig.3 Segmentation diagram of road working condition (working condition 3)

2.2 遺傳算法優(yōu)化的SVM識別算法

支持向量機(support vector machine，SVM)是基于統(tǒng)計學習理論發(fā)展而來的，通過訓練學習樣本來建立高精度分類模型，對于有限個樣本數(shù)據(jù)，支持向量機相比于其他機器學習方法有著更高的精度，目前，該模型還較少運用到汽車行駛工況識別中，現(xiàn)采用支持向量機作為行駛工況的識別算法。

采用廣泛使用的高斯徑向基核函數(shù)作為支持向量機算法的核函數(shù)，懲罰因子C和參數(shù)g(RBF核函數(shù)中的方差)是影響識別精度的兩個重要參數(shù)。如果參數(shù)選擇不合理，識別模型可能出現(xiàn)過度擬合或擬合不夠的現(xiàn)象，從而對識別準確率造成負面影響，所以有必要對這兩個參數(shù)進行選擇，以達到更高的識別準確率。

遺傳算法由于優(yōu)化時具有較強的魯棒性和全局搜索能力，因此被廣泛應用。采用遺傳算法優(yōu)化支持向量機(GA-SVM)算法，尋找最佳的C和g，以獲得更高的識別精度。從而改善傳統(tǒng)交叉驗證方法優(yōu)化時計算繁瑣、識別精度低的問題。GA-SVM算法流程如圖4所示。

圖4 GA-SVM算法流程Fig.4 Flow chart of GA-SVM algorithm

對選取的3種典型工況以最高速度、平均速度、怠速時間比例3個特征參數(shù)作為GA-SVM算法的輸入?yún)?shù)，識別出的工況類型作為輸出參數(shù)。為不失一般性，對于每種工況，在采集的特征樣本中隨機抽取90個作為訓練集，剩余的30個作為測試集，建立識別模型，驗證識別模型的精度。遺傳算法參數(shù)設置如表3所示。

分別使用交叉驗證方法和遺傳算法對SVM行駛工況識別算法進行優(yōu)化，獲得其對應的最佳參數(shù)C和g，比較其優(yōu)化后的識別精度，以驗證遺傳算法優(yōu)化的優(yōu)越性。結(jié)果表明，GA算法中，經(jīng)過 100 次迭代，尋得最優(yōu)粒子時的識別精度為 95.384 6%，對應的最優(yōu)參數(shù)C=11.013 0，g=2.589 2。而交叉驗證方法識別精度最高為89.230 8%，對應的最優(yōu)參數(shù)C=73.516 7，g=1.319 5。由此可見，基于GA-SVM 算法的行駛工況識別精度相對于傳統(tǒng)算法優(yōu)化提高了6.153 8%。

表3 遺傳算法參數(shù)設置

2.3 識別周期對行駛工況識別精度的影響

由于識別周期(辨識駕駛模式的歷史時間長度)對工況識別的準確率會產(chǎn)生影響[10]，為了尋找識別準確率更高的識別周期，基于MATLAB平臺編寫工況識別程序，提取循環(huán)工況特征參數(shù)，隨機生成訓練集及測試集，分別以識別周期T為30、60、90、120、150 s，采用遺傳算法進行參數(shù)尋優(yōu)，比較優(yōu)化后不同識別周期下測試集的識別正確率。

通過遺傳算法對參數(shù)C和g尋優(yōu)，識別結(jié)果如表4所示。當識別周期為30 s時，由于樣本長度較短，不能很好地反映工況特征，識別正確率較低，當識別周期為60 s及以上時，識別正確率均保持在較高水平，理論上都可以滿足工況識別的要求。

表4 不同識別周期的測試集識別準確率

由于在參數(shù)尋優(yōu)過程中，采集的樣本均為確定工況的數(shù)據(jù)，不存在工況變換交叉區(qū)域的工況數(shù)據(jù)，且不考慮由于采樣周期引起的識別結(jié)果滯后現(xiàn)象；而實際識別系統(tǒng)是采用歷史數(shù)據(jù)來預測下一段工況的分類，故在實際工況識別中，識別結(jié)果將會與實際工況產(chǎn)生一個識別周期的滯后時間，且在工況變換交叉區(qū)域的采樣數(shù)據(jù)為混合工況信息，會導致樣本信息不能完全代表某一工況，所以在實際工況識別應用中，除了考慮SVM測試集的準確率，還應結(jié)合實際測試工況進行進一步驗證。

從上述3個類別的工況中，隨機選取若干典型工況組合形成一個大的測試工況“市區(qū)-市區(qū)-市郊-高速-市郊-市區(qū)”，分別以60、90、120、150 s為識別周期，進行識別。識別結(jié)果如圖5所示。

圖5 測試工況在不同識別周期下的識別結(jié)果Fig.5 Recognition results of test conditions under different recognition cycles

由圖5可知，不同識別周期下大致都可識別出其工況，但是4種識別周期的識別結(jié)果相對于實際工況均有一定程度的滯后，隨著識別周期的增大，滯后越來越明顯，從這個層面來看，識別周期越小越好。由于60 s時識別周期較小，包含的信息較少，無法很好覆蓋該工況特征，在2 500 s處出現(xiàn)了較為明顯的錯誤，會導致不必要的工況切換；在1 600～1 800 s，4種識別周期下都出現(xiàn)較明顯的識別錯誤。通過分析可知，該階段為工況2和工況3變換階段，且工況3起始的速度、加速度等特征值與工況2相近，兩者對應的能量管理策略最優(yōu)參數(shù)差距不大。識別周期為150 s時，由于其識別周期過長，滯后效應更加明顯，識別錯誤時間更長。

綜合以上分析，當識別周期為90 s和120 s時，識別工況與實際工況的契合度最高，但是由于90 s時產(chǎn)生的滯后較120 s時短，識別結(jié)果更接近實際工況，因此采用90 s作為工況識別的識別周期，此時C取10.166 2，g取46.924 6。

3 模糊控制器設計及優(yōu)化

3.1 基于工況識別的能量管理策略

由于市區(qū)、公路、高速公路工況燃料電池貨車的需求功率差別較大，無工況識別的能量管理策略在不同工況下采取同一能量管理策略，不能針對不同工況達到自適應控制的效果，故針對市區(qū)、公路、高速公路工況分別設計對應的能量管理策略，并與GA-SVM工況識別模塊結(jié)合，在不同工況下動態(tài)選擇對應工況的能量管理策略，將會達到更好的控制效果。工況識別能量管理策略示意圖如圖6所示。

圖6 工況識別能量管理策略示意圖Fig.6 Schematic diagram of energy management strategy for condition identification

3.2 模糊控制器設計

能量管理策略的目的是保證動力系統(tǒng)不同動力源在整車需求功率和蓄電池電池荷電狀態(tài)(battery state of charge,SOC)處于不同狀態(tài)時，合理分配其功率輸出，使得燃料電池氫氣消耗量更低，蓄電池SOC避免劇烈波動。其輸入輸出量之間的關系是非線性的，難以建立精確的數(shù)學模型，而模糊控制以其較高的自適應性、良好的魯棒性，適用于燃料電池混合動力系統(tǒng)的能量管理策略。

本文研究的PEMFC的效率圖如圖7所示。為了氫耗量較低，應使質(zhì)子交換膜燃料電池系統(tǒng)盡可能在其高效率區(qū)間運行，其高效率區(qū)間為[5 kW,65 kW]。

圖7 PEMFC效率圖Fig.7 Efficiency diagram of PEMFC

圖8 市區(qū)工況能量管理策略模型Fig.8 Energy management strategy model for urban conditions

為防止蓄電池過充與過放，且長時間保證整車較高的動力性能，確定蓄電池組的SOC的合理充放電范圍為[40%,80%]。

模糊控制器以蓄電池SOC、電機需求功率與燃料電池高效工作區(qū)間下限值(5 kW)的差值ΔP為輸入量；以比例系數(shù)K為輸出量。在市區(qū)運行工況下，由于電機需求功率絕大部分不大于15 kW，故燃料電池輸出的最大功率可設定為15 kW，即燃料電池的輸出功率Pfc≤15 kW，Pfc=5+10K,K∈[0,1]。市區(qū)工況能量管理策略模型如圖8所示。

模糊控制隸屬函數(shù)如圖9所示，其中VS表示非常??；S表示較?。籑 表示適中；B表示較大；VB表示非常大。模糊規(guī)則如表5所示。

表5 模糊控制規(guī)則

圖9 模糊控制隸屬函數(shù)Fig.9 Fuzzy control membership function

在市郊運行工況下，電機需求功率范圍為[0,45 kW]，在高速公路運行工況下，電機需求功率范圍為[0,80 kW]，隸屬度函數(shù)及模糊規(guī)則制定與市區(qū)工況下類似，不再贅述。

3.3 隸屬函數(shù)參數(shù)優(yōu)化

依靠經(jīng)驗設計的模糊控制器帶有較大的主觀性，很難獲得最優(yōu)的性能，故需對其參數(shù)進行優(yōu)化。粒子群算法具有搜索速度快、參數(shù)設置簡單等優(yōu)點，對于隸屬函數(shù)參數(shù)較多且非線性尋優(yōu)的問題較為適用。所以采用粒子群算法對隸屬函數(shù)進行離線參數(shù)尋優(yōu)，并將優(yōu)化后的模糊控制器應用于FCHV能量管理策略中。

優(yōu)化目標是在保證汽車動力性的前提下，使得整車的等效氫耗量和蓄電池SOC變化量最小，優(yōu)化目標函數(shù)為

(1)

圖10 市區(qū)模糊控制器隸屬函數(shù)優(yōu)化結(jié)果Fig.10 Membership function optimization results of urban fuzzy controller

4 建模與仿真分析

4.1 仿真模型的建立

在Cruise中建立整車模型，在Simulink中建立燃料電池及能量管理策略的模型，然后通過Interface組件進行聯(lián)合仿真。Cruise和Simulink之間的數(shù)據(jù)通信示意圖如圖11所示。

4.2 基于工況識別的仿真分析

為了對比分析，考慮無工況識別、基于傳統(tǒng)算法SVM工況識別和基于GA-SVM工況識別3種情況，分別針對以上3種情況以隨機測試工況“市區(qū)-市區(qū)-市郊-高速-市郊-市區(qū)”進行仿真。采用工況識別時，將識別結(jié)果導入Simulink模型中，運用if else模塊針對識別出的不同工況自適應選擇其對應的能量管理策略。蓄電池初始值SOC設定為0.6，蓄電池SOC上限和下限分別為0.8和0.4。

分別針對以上3種情況，進行聯(lián)合仿真，車速跟隨情況如圖12所示，可以看出，3種情況下的實際跟隨車速與目標車速都幾乎沒有差別，動力性都可滿足要求。

無工況識別、傳統(tǒng)算法SVM工況識別及GA-SVM工況識別情況下的整車累積等效氫耗量和蓄電池SOC變化曲線如圖13、圖14所示。

圖12 車速跟隨情況Fig.12 Speed following

圖13 累積等效氫氣消耗量Fig.13 Cumulative equivalent hydrogen consumption

圖14 蓄電池SOC變化曲線Fig.14 SOC curve of storage battery

由圖13可知，測試工況的累積等效氫耗量在無工況識別時，傳統(tǒng)算法SVM工況識別時和GA-SVM工況識別時分別為1.239 2、1.158 0和1.142 8 kg，GA-SVM工況識別的情況下，相對于無工況識別時，累積等效氫耗量下降了7.78%；相對于傳統(tǒng)算法SVM工況識別時，累積等效氫耗量下降了1.31%。

由圖14可知，3種情況下蓄電池SOC都在合理范圍內(nèi)，起始階段為市區(qū)工況，平均需求功率小于燃料電池輸出功率，故SOC有一定上升趨勢，工況識別的上升幅度較無工況識別小，說明在針對市區(qū)工況優(yōu)化的模糊控制策略對控制SOC變化有較好的效果。采用工況識別時，整個工況SOC變化更加平緩，變化量明顯減小，且GA-SVM工況識別相對于傳統(tǒng)算法工況識別的SOC變化量又有進一步減少，有利于延長蓄電池壽命。

5 結(jié)論

(1)針對CHTC-HT工況，對其中市區(qū)、市郊和高速公路工況的特征參數(shù)進行提取分析，并采用傳統(tǒng)算法和遺傳算法優(yōu)化的支持向量機進行工況識別，結(jié)果表明采用GA-SVM識別準確率較傳統(tǒng)算法SVM準確率提升6.153 8%。

(2)采用不同識別周期對測試工況進行識別，識別周期為90 s時，識別準確率最高，表明在實際工況識別中，識別周期過長或過短，都不利于識別準確率的提高。

(3)針對市區(qū)、市郊和高速工況的不同特點，設計相應的能量管理策略，并采用粒子群算法優(yōu)化模糊控制器隸屬函數(shù)參數(shù)，得到3類典型工況的模糊控制器的參數(shù)。

(4)將GA-SVM工況識別技術應用到燃料電池混合動力汽車的能量管理策略中。由仿真結(jié)果可知，相對于無工況識別的模糊能量管理策略，基于GA-SVM工況識別策略使累積等效氫耗量降低7.78%，與傳統(tǒng)算法優(yōu)化的SVM工況識別策略相比，累積等效氫耗量降低1.31%，表明本文提出的能量管理策略提升了汽車燃料經(jīng)濟性，且蓄電池SOC變化量降低，變化更平緩，提高了蓄電池壽命。