一种基于自适应遗传算法的分布式驱动汽车能效优化方法与流程

本发明涉及一种汽车能效优化方法，尤其涉及一种基于自适应遗传算法的分布式驱动汽车能效优化方法。

背景技术：

发展电动汽车已经成为应对交通领域的能源安全问题与空气污染问题的共同选择。在各类电动汽车中，四轮分布式驱动电动汽车被认为是纯电驱动汽车的前沿技术，分布式驱动包括轮毂电机驱动和轮边电机驱动两种形式，四轮分布式驱动可以单独控制每个电机的输出转矩，动力可控自由度高，可以实现更加优化的整车动态协调控制；由于采用了线控技术，省却了变速箱、传动轴、主减速器、差速器等机械传动结构，大大简化了动力系统结构，一方面可以提高传动效率，另一方面有利于整车轻量化；动力系统高度模块化，有利于空间布置，可以降低汽车底盘和重心，这对提高汽车的操纵稳定性具有重大意义。

四轮分布式驱动电动汽车系统在动力性和能效方面具有很大的潜力。该系统具有控制灵活、响应快的优势，但是现有的系统控制方法主要是通过基于实时搜索算法，其在能效控制上还不是很理想，如何控制四个车轮电机工作，使其在发挥性能优势的同时能效达到最优，是该技术产业化的关键问题，因此研究四轮分布式驱动系统的能效优化问题有十分重要的意义。

现有专利涉及的分布式驱动电动汽车能效优化控制方法认为最优的转矩分配策略应该在四轮平均分配模式和两轮模式之间进行切换：当总转矩需求较低的时候，两前轮或者两后轮输出转矩，另外两个电机不工作；当总转矩需求较高的时候，四轮转矩平均分配。以上研究都是基于电机数学模型或者电机效率特性图已知的前提，并且以上控制策略都只适用于前后轴采用相同的电机的构型，而对于前后轴电机不一致的构型则不适用。但是从现有车型设计角度来说，前轮毂后轮边电机构型具有很大发展潜力：高速电机和低速电机或者高效率电机和高性能电机的组合可以在保证驱动能力的同时拓宽电机驱动的综合高效区；因此研究针对不同电机构型的四轮分布式驱动系统能效最优有十分重要的意义。

技术实现要素：

发明目的：本发明的目的是为了解决现有技术不具备解决汽车四轮分布式驱动达到最优模式的问题。

技术方案：为了实现上述目的，本发明采用了如下技术方案：

一种基于自适应遗传算法的分布式驱动汽车能效优化方法，包括以下步骤：

1)确定优化设计变量：设计变量一共包括四个参数，分别为：左前轮毂电机转矩tm1，右前轮毂电机转矩tm2、左后轮毂电机转矩tm3、右后轮毂电机转矩tm4；

2)确定优化设计目标：优化目标为分布式驱动电动汽车实时总效率最高；

3)确定优化限制条件：根据动力系统的电机技术参数确定tm1，tm2，tm3和tm4的工作范围；

4)基于自适应遗传算法进行能效优化，所述能效优化方法包括以下步骤：

步骤一、种群初始化，采用十进制编码方法对汽车四个电机转矩tm1、tm2、tm3和tm4进行编码，种群规模定义为n，交叉常数k1和k2，变异常数k3和k4，迭代最大代数为tmax，随机产生n个个体；

步骤二、计算初始种群中的每个个体vi的适应度值大小，即第i个个体第k时刻汽车实施总效率η(k)i大小；

步骤三、判断当前优化代数t是否等于tmax，若为是则停止计算，取v中适应度值最大的个体，即第k时刻实时总效率η(k)i最高的个体vi作为所求结果并根据对应的tm1(k)i、tm2(k)i、tm3(k)i和tm4(k)i控制所述左前轮毂电机、右前轮毂电机、左后轮毂电机和右后轮毂电机，然后计算四个电机的转矩之和tm(k)i，然后结束流程；

步骤四、计算交叉率pc并根据交叉率pc得到新的群体v2；

步骤五、计算变异率pm并根据变异率pm得到新的群体v3；

步骤六、将群体v3作为新一代种群，用v3代替v，并令t＝t+1，并返回步骤二。

进一步地，所述步骤一中，种群初始化具体地，随机产生n个个体，组成初始种群v＝{v1,v2,...,vi,...,vn}，其中第i个个体为vi＝(vi,1，vi,2，vi,3，vi,4)，vi,1表示第i个个体第k时刻左前轮毂电机转矩tm1(k)i大小，vi,2表示第i个个体第k时刻右前轮毂电机转矩tm2(k)i大小，vi,3表示第i个个体第k时刻左后轮毂电机转矩tm3(k)i大小，vi,4表示第i个个体第k时刻右后轮毂电机转矩tm4(k)i大小，将当前优化代数设置为t＝1(t≤tmax)。

进一步地，所述步骤二中，每个个体vi的适应度值大小，即第i个个体第k时刻汽车实施总效率η(k)i大小，计算公式如下；

其中，pout,1(k)i为第i个个体第k时刻的左前轮毂电机实时输出功率；pout,2(k)i为第i个个体第k时刻的右前轮毂电机实时输出功率；pout,3(k)i为第i个个体第k时刻的左后轮毂电机实时输出功率；pout,4(k)i为第i个个体第k时刻的右后轮毂电机实时输出功率；pin,1(k)i为第i个个体第k时刻的左前轮毂电机实时输入功率；pin,2(k)i为第i个个体第k时刻的右前轮毂电机实时输入功率；pin,3(k)i为第i个个体第k时刻的左后轮毂电机实时输入功率；pin,4(k)i为第i个个体第k时刻的右后轮毂电机实时输入功率；

第i个个体第k时刻的左前轮毂电机的实时输入输出功率为：

其中，u1(k)i为第i个个体第k时刻的左前轮毂电机输入端母线电压；i1(k)i为第i个个体第k时刻的左前轮毂电机输入端母线电流；n1(k)i为第i个个体第k时刻的左前轮毂电机的转速；ψ1为第i个个体第k时刻左前轮毂电机的转矩分配系数，

第i个个体第k时刻的右前轮毂电机的实时输入输出功率为：

其中，u2(k)i为第i个个体第k时刻的右前轮毂电机输入端母线电压；i2(k)i为第i个个体第k时刻的右前轮毂电机输入端母线电流；n2(k)i为第i个个体第k时刻的右前轮毂电机的转速；ψ2为第i个个体第k时刻右前轮毂电机的转矩分配系数，

第i个个体第k时刻的左后轮毂电机的实时输入输出功率为：

其中，u3(k)i为第i个个体第k时刻的左后轮毂电机输入端母线电压；i3(k)i为第i个个体第k时刻的左后轮毂电机输入端母线电流；n3(k)i为第i个个体第k时刻的左后轮毂电机的转速；ψ3为第i个个体第k时刻左后轮毂电机的转矩分配系数，

第i个个体第k时刻的右后轮毂电机的实时输入输出功率为：

其中，u4(k)i为第i个个体第k时刻的右后轮毂电机输入端母线电压；i4(k)i为第i个个体第k时刻的右后轮毂电机输入端母线电流；n4(k)i为第i个个体第k时刻的右后轮毂电机的转速；ψ4为第i个个体第k时刻右后轮毂电机的转矩分配系数，

进一步地，所述步骤三中，采用下式计算四个电机的转矩之和tm(k)i，

tm(k)i＝ψ1×tm1(k)i+ψ2×tm2(k)i+ψ3×tm3(k)i+ψ4×tm4(k)i(6)

如果t<tmax，采用下式计算概率：

然后按照上述概率所决定的选中机会选择再生个体，电机系统实时效率η(k)i高的个体被选中的概率高，电机系统实时效率η(k)i低的个体可能被淘汰。

进一步地，所述步骤四中，具体地，按照公式(8)计算交叉率pc，然后根据交叉率pc按照公式(9)得到新的群体v2：

其中，k1和k2为0-1之间的交叉常数；ηmax表示η(k)i中的最大效率大小；ηavg表示η(k)i中平均效率大小；ηc表示要交叉的两个个体中较大的效率；θ表示0-1之间的随机交叉位置；i∈{1,2,…,n}，j∈{1,2,…,n}，vi'(k)和vj'(k)表示第k时刻交叉后的新个体，vi(k)和vj(k)表示第k时刻需要交叉的个体。

进一步地，所述步骤五中，具体地，按照公式(10)计算变异率pm，然后根据变异率pm按照基本的单点变异方法得到新的群体v3：

其中，k3和k4为0-1之间的自定义常数；ηmax表示η(k)i中最大效率大小；ηavg表示η(k)i中平均效率大小；ηb’表示要变异个体的效率大小。

与现有技术相比，本发明的有益效果是：

虽然遗传算法能够有效的对优化空间进行搜索，但是该算法中交叉概率和变异概率的选择影响算法的优化精度和收敛速度，针对不同的优化问题，非常难确定最佳的交叉和变异概率。通过采用自适应遗传算法能够获得最合适的交叉和变异概率。因此选择自适应遗传算法作为分布式驱动汽车中能效优化控制方法。四轮分布式驱动动力系统使得动力系统模式更为灵活，更好根据每个车轮的负载力矩的调节驱动力矩大小，节约电能。

附图说明

图1为本发明的结构示意图；

图2为本发明控制方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

基于自适应遗传算法的能效优化控制方法应用在四轮分布式驱动电动汽车上，其是基于汽车的四轮轮毂驱动电动系统实现的，如图1所示，该四轮轮毂驱动电动系统包括：包括动力电池组9、左前轮轮毂电机1、右前轮轮毂电机2、左后轮轮毂电机3、右后轮轮毂电机4、左前轮轮毂电机控制器5、右前轮轮毂电机控制器6、左后轮轮毂电机控制器7、右后轮轮毂电机控制器8、整车控制器10和车载充电系统11。

如图1所示，左前轮轮毂电机1与左前车轮a机械连接，右前轮轮毂电机2与右前车轮b机械连接，左后轮轮毂电机3与左后车轮c机械连接，右后轮轮毂电机4与右后车轮d机械连接，左前轮轮毂电机1与左前轮轮毂电机控制器5电气连接，右前轮轮毂电机2与右前轮轮毂电机控制器6电气连接，左后轮轮毂电机3与左后轮轮毂电机控制器7电气连接，右后轮轮毂电机4与右后轮轮毂电机控制器8电气连接；动力电池组9分别与左前轮轮毂电机控制器5、右前轮轮毂电机控制器6、左后轮轮毂电机控制器7和右后轮轮毂电机控制器8电气连接，整车控制器10分别与左前轮轮毂电机控制器5、右前轮轮毂电机控制器6、左后轮轮毂电机控制器7、右后轮轮毂电机控制器8和动力电池组9电气连接。

四轮分布式驱动电动汽车在行驶过程中，实时监测动力电池剩余电量soc及动力电池状态信息(包括单体电压、电流、温度、绝缘电阻阻值等)，车辆行驶速度，驾驶员意图(实为检测油门踏板开度)。根据车辆行驶速度及油门踏板开度计算车辆需求转矩，根据车辆需求转矩、电池soc及电池状态信息分配每个车轮电机的转矩。

所述分布式动力系统模型由四台轮毂电动机构成，四台电动机的能量来自车载动力电池组。因此，动力电池组剩余电量直接影响四台驱动电机输出转矩大小，定义电机转矩分配系数ψ的计算公式为ψ＝ψ1+ψ2+ψ3+ψ4，其中tm1为左前轮毂电机转矩，tm2为右前轮毂电机转矩，tm3为左后轮毂电机转矩，tm4为右后轮毂电机转矩。

本专利主要研究前后四个轮毂电机扭矩优化问题。一种基于自适应遗传算法的分布式驱动电动汽车能效优化控制方法的设计步骤如下：

(1)确定优化设计变量：设计变量一共包括四个参数，分别为：左前轮毂电机转矩tm1，油钱轮毂电机转矩tm2、左后轮毂电机转矩tm3、右后轮毂电机转矩tm4。

(2)确定优化设计目标：系统为单目标优化，优化目标为分布式驱动电动汽车实时总效率最高。

(3)确定优化限制条件：tm1，tm2，tm3和tm4的工作范围由电机技术参数确定，在动力系统选型时已确定。

(4)具体优化流程如下：

所述能效优化方法包括以下步骤：

步骤一、种群初始化，采用十进制编码方法对汽车四个电机转矩tm1、tm2、tm3和tm4进行编码，种群规模定义为n，交叉常数k1和k2，变异常数k3和k4，迭代最大代数为tmax，随机产生n个个体；

具体地，随机产生n个个体，组成初始种群v＝{v1,v2,...,vi,...,vn}，其中第i个个体为vi＝(vi,1，vi,2，vi,3，vi,4)，vi,1表示第i个个体第k时刻左前轮毂电机转矩tm1(k)i大小，vi,2表示第i个个体第k时刻右前轮毂电机转矩tm2(k)i大小，vi,3表示第i个个体第k时刻左后轮毂电机转矩tm3(k)i大小，vi,4表示第i个个体第k时刻右后轮毂电机转矩tm4(k)i大小，将当前优化代数设置为t＝1(t≤tmax)；

步骤二、将公式(1)作为适应度函数，采用该公式计算v中的每个个体vi的适应度值大小，即第i个个体第k时刻汽车实施总效率η(k)i大小；

其中，pout,1(k)i为第i个个体第k时刻的左前轮毂电机实时输出功率；pout,2(k)i为第i个个体第k时刻的右前轮毂电机实时输出功率；pout,3(k)i为第i个个体第k时刻的左后轮毂电机实时输出功率；pout,4(k)i为第i个个体第k时刻的右后轮毂电机实时输出功率；pin,1(k)i为第i个个体第k时刻的左前轮毂电机实时输入功率；pin,2(k)i为第i个个体第k时刻的右前轮毂电机实时输入功率；pin,3(k)i为第i个个体第k时刻的左后轮毂电机实时输入功率；pin,4(k)i为第i个个体第k时刻的右后轮毂电机实时输入功率；

第i个个体第k时刻的左前轮毂电机的实时输入输出功率为：

其中，u1(k)i为第i个个体第k时刻的左前轮毂电机输入端母线电压；i1(k)i为第i个个体第k时刻的左前轮毂电机输入端母线电流；n1(k)i为第i个个体第k时刻的左前轮毂电机的转速；ψ1为第i个个体第k时刻左前轮毂电机的转矩分配系数，

第i个个体第k时刻的右前轮毂电机的实时输入输出功率为：

其中，u2(k)i为第i个个体第k时刻的右前轮毂电机输入端母线电压；i2(k)i为第i个个体第k时刻的右前轮毂电机输入端母线电流；n2(k)i为第i个个体第k时刻的右前轮毂电机的转速；ψ2为第i个个体第k时刻右前轮毂电机的转矩分配系数，

第i个个体第k时刻的左后轮毂电机的实时输入输出功率为：

其中，u3(k)i为第i个个体第k时刻的左后轮毂电机输入端母线电压；i3(k)i为第i个个体第k时刻的左后轮毂电机输入端母线电流；n3(k)i为第i个个体第k时刻的左后轮毂电机的转速；ψ3为第i个个体第k时刻左后轮毂电机的转矩分配系数，

第i个个体第k时刻的右后轮毂电机的实时输入输出功率为：

其中，u4(k)i为第i个个体第k时刻的右后轮毂电机输入端母线电压；i4(k)i为第i个个体第k时刻的右后轮毂电机输入端母线电流；n4(k)i为第i个个体第k时刻的右后轮毂电机的转速；ψ4为第i个个体第k时刻右后轮毂电机的转矩分配系数，

步骤三、判断当前优化代数t是否等于tmax，若为是则停止计算，取v中适应度值最大的个体，即第k时刻实时总效率η(k)i最高的个体vi作为所求结果并根据对应的tm1(k)i、tm2(k)i、tm3(k)i和tm4(k)i控制所述左前轮毂电机、右前轮毂电机、左后轮毂电机和右后轮毂电机，然后根据公式(6)计算四个电机的转矩之和tm(k)i，然后结束流程，如果t<tmax，采用公式(7)计算概率：

tm(k)i＝ψ1×tm1(k)i+ψ2×tm2(k)i+ψ3×tm3(k)i+ψ4×tm4(k)i(6)

然后按照上述概率所决定的选中机会选择再生个体，电机系统实时效率η(k)i高的个体被选中的概率高，电机系统实时效率η(k)i低的个体可能被淘汰。

步骤四、按照公式(8)计算交叉率pc，然后根据交叉率pc按照公式(9)得到新的群体v2。

其中，k1和k2为0-1之间的交叉常数；ηmax表示η(k)i中的最大效率大小；ηavg表示η(k)i中平均效率大小；ηc表示要交叉的两个个体中较大的效率；θ表示0-1之间的随机交叉位置；i∈{1,2,…,n}，j∈{1,2,…,n}，vi'(k)和vj'(k)表示第k时刻交叉后的新个体，vi(k)和vj(k)表示第k时刻需要交叉的个体。

步骤五、按照公式(10)计算变异率pm，然后根据变异率pm按照基本的单点变异方法得到新的群体v3。

其中，k3和k4为0-1之间的自定义常数；ηmax表示η(k)i中最大效率大小；ηavg表示η(k)i中平均效率大小；ηb’表示要变异个体的效率大小。

步骤六、将群体v3作为新一代种群，用v3代替v，并另t＝t+1，并返回步骤三。