港口用復合能源電動運輸車能量管理策略研究

范櫸華 趙 輝 范振國

1 天津金岸重工有限公司 2 天津理工大學

1 引言

港口運輸需要大量的平板運輸車輛,傳統能源的港口用運輸車能耗高、污染嚴重,已不適應港口綠色化建設需要,因此,采用全電動運輸車是節能減排的必然要求。目前,由于電池技術的制約,以動力電池作為單一能源的港口運輸車輛,存在動力電池功率低、不能大電流充放電、使用壽命短、續航里程不足等問題,制約了港口運輸車輛的電動化改造進程。

為了解決單一能源電動車存在的不足,采用先進控制策略的復合動力港口電動運輸車成為該領域的研究熱點,尤其在能量管理控制策略方面。Zhang等提出在多島遺傳算法的基礎上建立優化模型和控制策略,降低功耗和能量損失[1];Du等設計了一種新型的深度強化學習算法深度Q-learning,實現更快的訓練速度和更低的能耗,且其能耗經濟性接近全局最優[2];Sankarkumar等對由電池和超級電容器單元組成的混合能源儲存系統(HESS)開展研究,測試證明儲能元件中加入超級電容可有效提高能源管理效率,降低能耗水平、電池溫度及充放電電流值[3];Li等在車輛混合儲能系統中,設計了在線功率分配算法,使PHEV的經濟性提高了8.9%,同時保證車輛具有優良的動態性能[4]。趙國柱等提出模糊邏輯控制能量管理策略,減輕蓄電池的負擔[5];李博超等結合神經網絡和模糊邏輯系統各自的優點,利用神經網絡對模糊邏輯系統進行多目標優化,建立模糊神經網絡,加快控制速度,對整車能量進行有效合理地分配控制,改善整車經濟性[6];李日業通過調整整車能量回收控制策略進行車輛實測,證明所提出的能量回收控制策略可有效提升能量回收率,增加續航里程[7]。

本研究針對港口用復合能源電動運輸車的能量管理控制策略,采用AVL-Cruise與MATLAB/Simulink平臺進行聯合仿真,搭建整車模型及整車控制策略模塊,結合混沌映射、模擬退火及自適因子思想改進遺傳算法,提出CSAGA優化算法,對移動儲能電車的雙電源功率模糊分配模型規則進行優化。

2 復合儲能拓撲結構

作為電動車的動力源,復合儲能組件將直接決定整車動力性和續航能力。復合電源電動車驅動系統主要包括驅動電機、動力電池組、傳動系統、驅動輪等。正確匹配各部件參數,使它們之間實現最優匹配,能夠顯著提高電動車的動力性與經濟性。

復合儲能系統的結構形式包括:被動結構、電池主動控制結構、超級電容主動結構和雙主動控制結構[8](見圖1)。

圖1 復合儲能系統典型拓撲結構

被動結構具有成本低、安裝后重量輕和系統性能高的特點,不足之處是超級電容器的利用率低,拓撲性能結構的效率低。超級電容主動結構使得超級電容器的能量可以得到充分利用,額定容量可以得到優化,但由于電池的功率是不可控的,故其充放電電流的優化也受到限制。電池主動控制結構,可用于優化和控制電池的充放電電流,延長電池壽命,缺點是超級電容端電壓在脈沖負載電流區間內變化劇烈,影響母線側電壓,導致電機轉速不穩定,影響整機運行穩定性。雙主動控制結構使用壽命長,電池和超級電容可以深度放電,因此,其儲能可以充分利用,但成本高、效率低、控制復雜。綜合比較,超級電容主動控制連接方式更為經濟、實用且易于實現,故本研究采用該結構。

3 電動運輸車整車仿真模型的建立

3.1 建立整車仿真模型

3.1.1 整車模型的參數

復合電源電動運輸車整車模型使用前向仿真的方法,基于AVL-CRUISE搭建,在運行仿真時,車輛在制定的控制策略下行駛并產生相應的信號,與要求工況所需數值相比較,對動力系統輸出相應的制動或驅動控制信號,使車輛進行功率跟隨,完成指定工況的循環仿真。汽車的質量與汽車裝載狀態有關,不同裝載情況下,汽車的質量不同,有空載、半載和滿載3種負荷狀態。根據整車模塊的要求,輸入牽引點到前軸的距離、試驗臺上支撐點高度、軸距、不同負載下的重心高度、汽車的整備質量(凈重)、滿載質量(最大總質量)以及迎風面積和風阻系數等,整車基本參數見表1。

表1 整車基本參數

3.1.2 電源模型的參數

雙電源電動運輸車的電源串并聯個數、額定容量等參數的設定,對整車的動力性有著較大的影響。選取的鋰電池與超級電容的串、并聯個數和其他相關參數見表2。

表2 動力系統各部件主要參數

3.1.3 電機模型的建立

電機的作用是將鋰電池的電能轉化為動能,經過一系列的動力傳遞,驅動電動車運行,決定著電動汽車的性能。選取的永磁同步交流電動機參數見表3。

表3 電機參數

3.1.4 變速器、主減速器模型的建立

在Cruise建模中,一般通過變速器模塊和主減速器模塊來建立整車傳動系模型。輸入擋位、傳動比、輸入/輸出側轉動慣量、輸入/輸出軸齒數等參數,完成模塊設置。

主減速器具有將來自變速器的轉矩增大,同時降低轉速并改變轉矩的傳遞方向的作用,在主減速器模塊中,輸入主減速比和輸入、輸出側的轉動慣量完成模塊設定。

3.1.5 整車模型的建立

根據參數在AVLCRUISE導入整車模塊,并對整車參數進行相關設置,建立各個模型。建立的整車仿真模塊主要包括鋰電池、超級電容、電機、制動器、差速器、變速箱、離合器、車輪,將所有模塊在CRUISE中進行連接,對整車制定的控制策略在MATLAB中實現,通過Interface接口的方式,將CRUISE與MATLAB進行連接。雙電源電動汽車的整車仿真模型見圖2。

1.整車模塊 2.變速器模塊 3.主減速器模塊 4.左內后輪 5.左前輪 6.右內后輪 7.右前輪 8、10.后輪盤式制動器模塊 9、11.前輪盤式制動器模塊 12.電機 13.差速器模塊 14.駕駛室模塊 15.變速箱控制模塊 16.驅動防滑控制系統模塊 17.超級電容模塊 18.動力電池模塊 19.DC/DC變換器模塊 20.數據交換接口模塊 21.蓄電池模塊。圖2 整車仿真模型

3.2 整車控制策略

CruiseInterface數據交換接口模塊通過數據總線將Cruise實時數據信號通過I/O接口輸出至Matlab,在Matlab中進行控制策略的優化。通過Cruise模擬整車運行,將整車速度、制動信號、啟動信號、鋰電池實時電量、超級電容實時電量、整車運行需求功率、變速器輸出力矩輸出至MATLAB,在制定的控制策略控制下,將DC/DC變換開關、升壓電流限值、降壓電流限值、制動壓力、啟動信號作為輸入返回Cruise,完成控制過程(見圖3)。

圖3 Matlab整車控制策略架構

Cruise輸出和輸入信號的轉換,通過制定控制策略實現。整車運行輸出的鋰電池實時電量、超級電容實時電量、整車運行需求功率通過模糊控制器控制,輸出比例系數K來控制電池、電容輸出功率比例,和Cruise各輸出信號結合進而控制整車運行。制動信號、啟動信號、整車速度、變速器輸出力矩、整車需求功率、比例系數K共同作為輸入,決定汽車運行所在模式,將DC/DC變換開關、升壓電流限值、降壓電流限值、制動壓力、啟動信號作為輸入返回Cruise,完成控制過程(見圖4)。

4 復合電源模糊控制策略及仿真驗證

4.1 模糊控制策略

4.1.1 模糊控制原理

模糊控制是以模糊集理論、模糊語言變量和模糊邏輯推理為基礎的、從行為上模仿人的模糊推理和決策過程的一種智能控制方法[9]。

模糊邏輯控制器(FLC,Fuzzy Logic Controller)所采用的模糊控制規則是由模糊理論中模糊條件語句來描述的。模糊控制器的輸入通過模糊化接口(Fuzzy interface)將真實的確定量輸入轉換為一個模糊矢量,用于控制輸出的求解,由數據庫(Data Base)和規則庫(Rule Base)得到模糊控制規則。數據庫所存放的是所有輸入、輸出變量的全部模糊子集的隸屬度矢量值,若論域為連續域,則為隸屬度函數。

4.1.2 模糊控制器設計

對電動運輸車復合能源系統運用合理的控制策略,可以使超級電容發揮削峰填谷的作用,對車輛起步(需要大功率輸出)和制動能量回收有重要作用,可減少大電流對鋰電池的沖擊與損傷,使整車處于高效運行的工作模式。根據工況,車輛的工作模式分為驅動、制動兩種狀態。

當整車需求功率Preq>0,車輛處于驅動狀態且需求功率峰值較大時,若超級電容能量充足,可進行大電壓放電,單獨為電機提供動力,滿足汽車大功率需求;若超級電容組能量處于中等水平,功率輸出能力有所下降,則超級電容優先提供主要沖擊能量,剩余能量由鋰電池提供;若超級電容剩余電量小于或等于其下限值時,則由電池組單獨提供能量輸出。

當整車需求功率Preq<0時,車輛處于制動狀態。此時若超級電容存在能量存儲空間,由于其具有瞬時充電能力,制動能量由超級電容回收。

復合電源能量管理系統的模糊控制策略主要與整車需求功率Preq、鋰電池電量變化SOCbat、超級電容電量變化SOCsc相關。根據3個參數實時的輸入量,經模糊規則輸出超級電容功率分配因子K,結合整車需求功率Preq共同求出鋰電池輸出功率Pbat及超級電容輸出功率Psc。系統的功率分配滿足:

Preq=Pbat+Psc

(1)

超級電容功率分配因子K表達式滿足公式:

(2)

4.2 基于CSAGA算法的模糊控制器優化

4.2.1 遺傳算法

GA(Genetic Algorithm,遺傳算法)源自于對生物種群繁衍進行的模擬,是一種隨機全局搜索優化方法,它模擬了自然選擇和遺傳中發生的復制、交叉和變異等現象,從任一初始種群出發,通過隨機選擇、交叉和變異操作,使個體進化到更適合環境的個體并組成種群,通過不斷繁衍進化,最后得到一群最適應環境的個體,從而求得問題的最優解[10]。

4.2.2 優化目標函數的選擇

優化模糊控制的參數要選取恰當的目標函數,合適的目標函數不僅能夠減少運算量,簡化算法復雜度,而且對整個模型的優化效果有重要影響。所設計的復合電源系統與需求功率共同作用,通過模糊控制器進行電源的輸出功率分配,降低整車行駛過程中的能耗;通過加入超級電容,減小鋰電池承受的峰值功率輸出和峰值電流。因此,以復合電源能耗和權重乘積之和與行駛里程之比為優化目標函數:

(3)

式中,Pbat為鋰電池輸出功率;Psc為超級電容輸出功率;D為電動車行駛總里程;w1、w2為待優化能耗分配權重;(t0,tn)為鋰電池放電時間。

4.2.3 改進Tent映射初始化種群

遺傳算法采用隨機方法產生初始種群,不能保證初始種群能較好地覆蓋待優化問題的尋優空間,導致初始種群分布性較差。故采用結構簡單、收斂速度快的Tent映射來產生混沌序列,對種群進行初始化[11]。

因混沌行為是有限的,存在混沌區間不連續、生成的混沌序列呈現非均勻數據分布等問題,Tent混沌映射存在小周期和不穩定周期點。為獲得更好性能的混沌系統,避免落入小周期點和不穩定周期點,在原有的Tent映射表達式上引入隨機變量:

(4)

式中,N為序列內粒子個數。

由Tent映射產生的混沌序列具有良好的分布性和隨機性,根據得到的[0,1]之間的混沌序列zk,引入至種群初始化過程中,以獲得分布較均勻的初始化種群,提高算法早期的搜索能力,加快收斂速度:

xk=lk+(uk-lk)zk

(5)

式中,uk、lk分別為zk的上下限。

4.2.4 融合SA思想的選擇算子

在遺傳算法中引入模擬退火思想,對選擇算子進行改進。模擬退火算法具有跳出局部最優陷阱的能力,即使算法落入了局部最優陷阱,經過一段時間后,也能再跳出陷阱[12],最終向全局最優值的方向收斂。融入SA思想的選擇算子流程如下:

(1)選擇父代種群中任意個體X1、X2,計算其適應度值F(X1)、F(X2)。

(2)引入Metropolis準則對進化的個體進行甄別,以一定概率接受適應度較差個體,避免陷入局部最優和克服初值依賴性。制定的Metropolis準則為:

(6)

式中,k為冷卻系數,p為迭代次數,T0為初始溫度。

(3)重復SA操作直至子代種群數達到設定值。

選擇算子流程見圖5。

圖5 融入SA思想的選擇算子流程圖

4.2.5 自適應交叉變異算子

GA采用定值交叉率和變異率,交叉率Pc和變異率Pm的值直接影響遺傳算法收斂性。交叉率越高,產生新個體越快,但應避免破壞適應度較高的個體基因。變異率越高,則算法搜索能力越隨機,可能導致無法收斂,出現尋優困難[13]。對此,使用單點交叉法,提出自適應交叉、變異概率公式:

(7)

式中,Fmax、Favg為群體中最大的適應度值和平均適應度值;F為要交叉的兩個個體中較大適應度值;Pc max、Pc min為最大、最小交叉率:

(8)

式中,Pm max、Pm min為最大、最小變異率;g為目前進化代數;G為最大進化次數。

為避免交叉、變異操作破壞父代優秀個體,采用精英保留策略,選取父代適應度前15%的個體替代子代適應度值后15%的個體,避免迭代過程中丟失最優解。

4.2.6 CSAGA算法

最終,所提出的CSAGA算法流程圖見圖6。

4.3 復合電源模糊控制策略

4.3.1 實驗設計

為驗證CSAGA算法優化模糊控制規則的有效性,加入專家經驗控制、GA模糊控制[14]復合電源功率分配為對照組,使用MATLAB-CRUISE聯合仿真,使用IDC、FTP75工況進行仿真分析。

4.3.2 實驗結果及分析

圖7為FTP75工況下車輛性能曲線。CSAGA優化結果相比經驗模糊控制總耗能減少0.017 kWh,鋰電池剩余電量提升2.256%;相比GA優化模糊規則總耗能減少0.008 kWh,鋰電池剩余電量提升0.503%,鋰電池電流均值下降18.7%。

圖7 FTP75工況下車輛性能曲線

圖8為IDC工況下車輛性能曲線。純電動車完成一個循環工況后,CSAGA優化結果相比經驗模糊控制總耗能減少0.067 kWh,鋰電池剩余電量提升2.084%;相比GA優化模糊規則總耗能減少0.026 kWh,鋰電池剩余電量提升0.503%,鋰電池電流均值下降15.2%。

圖8 IDC工況下車輛性能曲線

由此可得,隨著時間的增長,CSAGA算法下的鋰電池與超級電容相對于其他算法下的剩余電量會產生明顯的差距。超級電容利用效果提升,鋰電池剩余電量得到提高,證明改進后的遺傳算法尋優能力更強,可以更好地抑制沖擊電流對鋰電池的影響;改進的能源控制策略能夠有效提升純電動車的續航里程,延長復合電源儲能系統的使用壽命,經濟性也得到提升。

5 結語

設計了由鋰電池及超級電容器組成的混合能源電車供電系統,提出了一種基于模糊邏輯和改進遺傳算法優化的純電車復合能源管理控制策略。針對雙電源系統的耗電量、鋰電池電流波動等方面進行優化;對GA存在的缺陷,引入Tent混沌映射、模擬退火思想,制定自適應交叉變異概率,提出一種新的運行算法CSAGA,提高遺傳算法收斂精度、收斂速度。通過仿真建立模型,在IDC、FTP75工況下進行仿真檢驗。結果表明,CSAGA優化后的模糊控制策略相比于專家經驗控制、GA優化控制,各項性能指數得到提高,鋰電池受到的沖擊電流減少。CSAGA算法控制的能量分配策略,能有效提高純電動運輸車經濟性,延長其續航能力。