一种用于电动大巴的双电机耦合驱动系统集成优化算法

本发明属于双电机耦合驱动系统的参数匹配技术领域，特别是涉及双电机耦合驱动系统系统参数与控制策略的集成优化。

背景技术：

双电机耦合驱动系统是一种新兴的主要面向于载重较大，对输出功率要求较高的大型载重或载客电动汽车的驱动系统，其主要优势在于通过对工作模式进行适合的调整，能够提高整个运行工况中电机的负载率，进而提高驱动效率。双电机耦合驱动系统有多种拓扑结构形式，电机功率、传动齿轮传动比等参数在不同拓扑结构中均具有比较重要的地位，拓扑结构和系统参数选择是否合适将很大程度的影响耦合装置效率的发挥。

目前常见的参数匹配方式包括：根据车辆动力性的要求进行电机功率和齿轮传动比的匹配，从匹配的参数取值范围中取值进行耦合装置设计，这种方法最简单，但是没有考虑系统参数匹配对于耦合装置效率的影响，对于电动大巴这种对系统动力性要求不高而对系统经济性要求更高的车辆驱动系统并不合适；基于能量管理使用优化算法对系统参数进行匹配优化，这种优化方法虽然考虑了耦合装置系统参数对于驱动系统效率的影响，但是没有考虑到控制策略对于效率产生的影响，这会导致实验结果与实际结果有较大的出入。因此，如何综合考虑参数匹配、控制策略影响因素，进一步提高双电机耦合驱动系统效率，是本领域中亟待解决的技术问题。

技术实现要素：

针对上述本领域中存在的技术问题，本发明提供了一种用于电动大巴的双电机耦合驱动系统集成优化算法，具体包括以下步骤：

步骤一、选取驱动系统中的待优化系统参数作为粒子坐标，包括两个电机各自的额定功率和传动齿轮的传动比，并设定相应的取值范围，完成粒子群算法初始化；

步骤二、验证所选取的粒子是否满足汽车动力性要求，保留满足要求的粒子并进入动态规划算法，对不满足要求的粒子使其跳过动态规划算法并输入粒子群算法，同时将其粒子群目标函数值取为预定值；

步骤三、以驱动系统的工作模式与耦合驱动时两电机的功率分配比例作为状态参量、换挡决策与功率分配比例变化量作为决策参量，并以整个运行工况中考虑效率的电机、带排和齿轮总功率损失最小为动态规划算法目标，对保留的粒子进行控制策略优化，并计算对应的所述总功率损失；

步骤四、以步骤三计算得到的所述总功率损失与两电机决定的功率等级加权求和作为粒子群算法的目标函数，并对由步骤三优化后的粒子以及步骤二输入的粒子所组成的粒子群进行迭代计算，在粒子群算法满足终止条件时输出最优解；驱动系统基于最优解对应的两电机额定功率、耦合装置拓扑结构对应的齿轮传动比，提供优化控制策略；

步骤五、定期将步骤四得到的最优解输入步骤二，对最优解进行更新。

进一步地，所述粒子的坐标与待优化参数具有相同维度，每个坐标的初始值在待优化参数的取值范围内随机取值；

进一步地，步骤二中验证所选取的粒子是否满足汽车动力性要求可根据电机外特性曲线，求解各车速下耦合装置的最大输出转矩，将其与车辆最大爬坡度要求的耦合装置输出转矩需求、车辆最高车速要求的耦合装置输出转矩需求进行比较来判断。

进一步地，步骤三中动态规划算法具体采用逆行寻优迭代，计算过程如下：

mode(n)＝mode(n+1)+shift(n)

k(n)＝k(n+1)+δk(n)

其中，mode(n)，mode(n+1)分别为第n个状态和第n+1个状态的工作模式状态参量，k(n)，k(n+1)为第n个状态和第n+1个状态的功率分配比例状态参量，shift(n)为第n个状态和第n+1个状态之间的换挡决策参量，δk(n)为第n个状态和第n+1个状态之间的功率分配比例变化量；

对于第n个状态，动态规划算法的目标函数为从第n个状态到最后一个状态的运行过程中整个耦合装置的总功率损失为目标函数，即：

jdp(mode(n),k(n))＝min(jdp(mode(n+1),k(n+1))+loss(shift(n),δk(n)))

式中，jdp为相应状态对应的最小的功率损失，loss(shift(n),δk(n))为从第n+1个状态到第n个状态的决策过程产生的功率损失。

进一步地，步骤三中所述考虑效率的电机、带排和齿轮功率损失分别通过以下方式计算：

基于willans线性模型计算电机功率损失lossmotor：

pme＝e·pma-pmloss，e＝e0-e1·pma

e0＝e00+e01·cm+e02·cm²，e1＝e10+e11·cm

pmloss＝pmloss0+pmloss1·cm+pmloss2·cm²，

其中，pme为电机转子表面的平均有效压力，cm为电机转子表面线速度，ηmotor为电机效率，e0,e00,e01,e02,e10,e11,pmloss0,pmloss1,pmloss2可以由实验数据经多元线性回归得到，u、i分别表示电压和电流，te为电机额定转矩，vr表示电机的有效体积，pma为平均有效压力，可以通过下式计算；

基于以下公式计算带排功率损失lossclu：

式中tclu为由于油膜剪切应力导致的带排转矩，nclu为带排主动部分和从动部分的相对转速，h0为带排油膜厚度，num为离合器摩擦片片数，ε为离合器油膜粘度，r0为离合器外径，r1为带排有效内径；

式中ρ为润滑油密度,，q为润滑油流量，β0为接触角，α为表面张力系数；

基于以下公式计算平行轴齿轮功率损失lossgear：

lossgear＝tgearωgear(1-ηgear)

式中ηgear为平行轴齿轮传动效率，z1，z2为传动齿轮齿数，tgear，ωgear为齿轮的传动转矩和转速；

对于行星排将其视为行星架固定的转化机构并计算其功率损失losspai：

losspai＝tpaiωpai(1-ηpai)

式中ηpai为行星排的效率，转化机构的功率损失，pin为输入功率，ψ^c为转化机构的功率损失系数，为转化机构从太阳轮到齿圈的传动效率，ip为行星排的传动比，ts，ωs分别为太阳轮的转矩和转速，tr，ωr为齿圈的转矩和转速，tc，ωc分别为行星架的转矩和转速。

进一步地，步骤四中所述粒子群算法的目标函数具体采用以下形式：

jpso(c,d)＝(1-λ)·jdp(c,d)+λ·pzon(c,d)

jpso(c,d)为第d次迭代后第c个粒子的目标函数值，其中λ为功率损失和功率等级的加权因子，jdp(c,d)为第d次迭代第c个粒子的动态规划算法的优化结果，pzon(c,d)为第d次迭代第c个粒子的功率等级，由下式可得：

pzon(c,d)＝pe1(c,d)+pe2(c,d)

式中，pe1(c,d)，pe2(c,d)分别为第d次迭代第c个粒子的两个电机的额定功率，

根据以下关系求得最优粒子坐标也即最优的参数匹配结果：

g(d)＝f^-1(jpso.i(d))

式中jpso.i(d)为第d此迭代全局最优粒子的目标函数值，g(d)为第d次迭代最优粒子的位置，f^-1()为目标函数值与粒子位置之间的对应关系。

上述本发明所提供的算法，利用粒子群算法与动态规划算法分别构建了上层、下层算法。其中，粒子群算法以粒子坐标代表待优化的系统参数，并在每个粒子下用动态规划算法作为控制策略优化算法，以系统功率损失为目标函数对耦合驱动系统的控制策略实现优化，保证了每个粒子都以最优的控制策略运行，使得到的粒子能够达到的最小功率损失，以此功率损失与功率等级进行加权求和后作为粒子群算法的目标函数，粒子群算法寻求其目标函数最小值所对应的粒子坐标即为最优的系统参数。相对于现有技术，本发明至少能够提供以下有益效果：

1、本发明的算法优化速度快，能够有效的避免落入局部最优。

2、通过使用动态规划算法作为控制策略优化算法，能够获得最优的控制策略，保证每组系统参数都能够在最优的控制效果下进行比较，且其优化结果能够为耦合装置的实际控制策略提供依据。

3、由于引入了汽车动力性作为约束条件，保证了参与寻优的系统参数均可以满足车辆的动力性要求。

4、优化过程同时考虑了系统参数和控制策略对于驱动系统效率发挥的影响，使优化结果更具有实际应用的意义。

5、所采用的粒子群算法目标函数同时考虑了功率损失和功率等级，同时考虑驱动系统效率和成本两方面的影响进行优化。

附图说明

图1为本发明所提供算法的总体流程示意图；

图2为基于本发明对转矩耦合进行系统优化的效果；

图3为基于本发明对转速耦合进行系统优化的效果。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明所提供的用于电动大巴的双电机耦合驱动系统集成优化算法，如图1所示，具体包括以下步骤：

步骤一、选取驱动系统中的待优化系统参数作为粒子坐标，包括两个电机各自的额定功率和传动齿轮的传动比，并设定相应的取值范围，完成粒子群算法初始化；

步骤二、验证所选取的粒子是否满足汽车动力性要求，保留满足要求的粒子并进入动态规划算法，对不满足要求的粒子使其跳过动态规划算法并输入粒子群算法，同时将其粒子群目标函数值取为预定值；

步骤三、以驱动系统的工作模式与耦合驱动时两电机的功率分配比例作为状态参量、换挡决策与功率分配比例变化量作为决策参量，并以整个运行工况中考虑效率的电机、带排和齿轮总功率损失最小为动态规划算法目标，对保留的粒子进行控制策略优化，并计算对应的所述总功率损失；

步骤四、以步骤三计算得到的所述总功率损失与两电机决定的功率等级加权求和作为粒子群算法的目标函数，并对由步骤三优化后的粒子以及步骤二输入的粒子所组成的粒子群进行迭代计算，在粒子群算法满足终止条件时输出最优解；驱动系统基于最优解对应的两电机额定功率、耦合装置拓扑结构对应的齿轮传动比，提供优化控制策略；

步骤五、定期将步骤四得到的最优解输入步骤二，对最优解进行更新。

所述粒子的坐标与待优化参数具有相同维度，每个坐标初始值在待优化参数的取值范围内随机取值；

动力性约束作为本发明的算法中所考虑的重要因素，具体是指车辆动力性指标对耦合驱动系统系统参数匹配的约束，即所匹配的系统参数必须满足耦合装置的动力输出能够达到汽车动力性的需求。

汽车的动力性需求使用车辆的动力性指标和相关动力性方程表征

fd＝fα+fa+ff+fδ

式中驱动转矩，为牵引力，rtire为车轮半径，tout(v)为耦合装置输出转矩，ig为主减速器齿轮传动比，ηg为耦合箱输出到车轮的效率，fα为坡度阻力，fa为空气阻力，ff为滚动阻力，fδ为加速阻力，m为车辆总体重量，g为重力加速度，为爬坡坡度，ρ为空气密度，a为车辆迎风面积，cd为风阻系数，v为车速，f为滚动阻力系数，δ为质量转换系数。

需要考虑的动力性指标有最高车速和最大爬坡度，其中最高车速可以表征高车速工况对于耦合装置输出的要求，最大爬坡度表征低车速工况对于耦合装置输出的需求。

最大爬坡度：v＝v0

最高车速：

式中为满足最大爬坡度要求所需的驱动力，为满足最高车速要求所需的驱动力，为最大爬坡度，v0，vm分别为低车速和高车速的一个代表车速，可选择为最低临界车速和最高车速。

耦合装置的最大输出转矩与耦合装置的拓扑结构有关。根据耦合装置在两个代表车速v0，vm下的输出转矩和车辆最大爬坡度和最高车速的需求驱动转矩可以建立动力学约束。对于耦合装置输出转矩不能满足车辆驱动需求的粒子，可以在步骤二执行中，直接将其粒子群算法的目标函数置为1000000，表示其为淘汰粒子，并跳过动态规划过程。

在每个粒子的一组坐标所定义的系统参数下，对整个运行工况的控制策略进行优化，将车辆运行工况划分为n个小段，每个分段点作为一个状态点，即有n+1个状态点，每个状态点的状态由两个状态参量——工作模式和功率分配比例组成，每两个状态点之间的决策由两个决策参量——换挡策略和功率分配比例变化值组成。不同的工作模式和不同的功率分配比例将组成多种状态参量，不同的换挡策略和功率分配比例变化值将组成多种决策参量。动态规划算法的目的是在于寻找最优的控制策略使整个系统的功率损失最小。

工作模式是一个有限的离散参量，因为耦合装置的工作模式个数是有限且离散的；功率分配比例是一个连续量，因为耦合装置的功率分配比例是能够在一定范围内连续变化的。

基于这种考虑，在本发明的一个优选实施方式中，步骤三中动态规划算法具体采用逆行寻优迭代，计算过程如下：

mode(n)＝mode(n+1)+shift(n)

k(n)＝k(n+1)+δk(n)

其中，mode(n)，mode(n+1)分别为第n个状态和第n+1个状态的工作模式状态参量，k(n)，k(n+1)为第n个状态和第n+1个状态的功率分配比例状态参量，shift(n)为第n个状态和第n+1个状态之间的换挡决策参量，δk(n)为第n个状态和第n+1个状态之间的功率分配比例变化量；

对于第n个状态，动态规划算法的目标函数为从第n个状态到最后一个状态的运行过程中整个耦合装置的总功率损失，即：

jdp(mode(n),k(n))＝min(jdp(mode(n+1),k(n+1))+loss(shift(n),δk(n)))

式中，jdp为相应状态对应的最小的功率损失，loss(shift(n),δk(n))为从第n+1个状态到第n个状态各个状态参量之间决策过程产生的功率损失。

在本发明的一个优选实施方式中，步骤三中所述考虑效率的电机、带排和齿轮功率损失分别通过以下方式计算：

基于willans线性模型计算电机功率损失lossmotor：

pme＝e·pma-pmloss，e＝e0-e1·pma

e0＝e00+e01·cm+e02·cm²，e1＝e10+e11·cm

pmloss＝pmloss0+pmloss1·cm+pmloss2·cm²，

其中，pme为电机转子表面的平均有效压力，cm为电机转子表面线速度，ηmotor为电机效率，e0,e00,e01,e02,e10,e11,pmloss0,pmloss1,pmloss2可以由实验数据经多元线性回归得到，u、i分别表示电压和电流，te为电机额定转矩，vr表示电机的有效体积，pma为平均有效压力，可以通过下式计算；

基于以下公式计算带排功率损失lossclu：

式中tclu为由于油膜剪切应力导致的带排转矩，nclu为带排主动部分和从动部分的相对转速，h0为带排油膜厚度，num为离合器摩擦片片数，ε为离合器油膜粘度，r0为离合器外径，r1为带排有效内径；

式中ρ为润滑油密度,，q为润滑油流量，β0为接触角，α为表面张力系数；

基于以下公式计算平行轴齿轮功率损失lossgear：

lossgear＝tgearωgear(1-ηgear)

式中ηgear为平行轴齿轮传动效率，z1，z2为传动齿轮齿数，tgear，ωgear为齿轮的传动转矩和转速；

对于行星排将其视为行星架固定的转化机构并计算其功率损失losspai：

losspai＝tpaiωpai(1-ηpai)

式中ηpai为行星排的效率，转化机构的功率损失，pin为输入功率，ψ^c为转化机构的功率损失系数，为转化机构从太阳轮到齿圈的传动效率，ip为行星排的传动比，ts，ωs分别为太阳轮的转矩和转速，tr，ωr为齿圈的转矩和转速，tc，ωc分别为行星架的转矩和转速。

在逆向寻优完成后，每个状态的最优的状态参量和每个状态之间的决策参量已经得到决定，便可以按照效率模型进行正向的计算，计算整个运行工况下，按照最优决策轨迹进行控制，耦合驱动系统的功率损失值，并将其作为最终的动态规划算法最优目标函数值jdp。

在本发明的一个优选实施方式中，步骤四中所述粒子群算法的目标函数具体采用以下形式：

jpso(c,d)＝(1-λ)·jdp(c,d)+λ·pzon(c,d)

jpso(c,d)为第d次迭代后第c个粒子的目标函数值，其中λ为功率损失和功率等级的加权因子，jdp(c,d)为第d次迭代第c个粒子的动态规划算法的优化结果，pzon(c,d)为第d次迭代第c个粒子的功率等级，由下式可得：

pzon(c,d)＝pe1(c,d)+pe2(c,d)

式中，pe1(c,d)，pe2(c,d)分别为第d次迭代第c个粒子的两个电机的额定功率，计算全局最优粒子

g(d)＝f^-1(jpso.i(d))

式中，jpso.i(d)为第d此迭代全局最优粒子的目标函数值，g(d)为第d次迭代最优粒子的位置；

根据以下关系求得粒子轨迹上的最优粒子，也即最优的电机额定功率：

p(c,d)＝f^-1(jpso.p(c,d))

式中，jpso.p(c,d)表示第c个粒子在经历了d次迭代之后出现过的目标函数值中的最小值，p(c,d)为jpso.p(c,d)对应的粒子位置，f^-1()为目标函数值与粒子坐标之间的对应关系。

在本发明的一个优选实施方式中，根据粒子坐标位置可以进行粒子速度的迭代：

式中，x(c,d)为第c个粒子在第d次迭代后的位置坐标，式中v(c,d)为第c个粒子在第d次迭代后的速度；φ表示惯性系数，表征上一循环的速度对本循环的速度的影响程度；α1，α2表示加速度系数，表征粒子受到p(c,d)和g(d)的吸引而对速度产生的影响；γ(d)，γ(d)是两个[0,1]内的随机数；

为进一步提升粒子群算法的性能，本发明将式中的φ设置为为先线性减少再保持恒定。最初设计值比较大是为了在初期尽快地进行粗略地全局扫略，确定最优值的大体位置，后期惯性系数较小是为了保证粒子能够快速地集中，其满足下式：

式中φ0，φm分别是线性变化区间的起始与终止处的惯性系数，l0为线性变化区间的终止位置。

图2和图3示出了针对一种转矩耦合驱动系统与转速耦合驱动系统，分别运行本发明所的算法所达到的优化效果，可以看出对不同拓扑结构本发明均能提供符合要求的优化策略。

应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。