基于多目标遗传算法查找电动车再生制动的最佳减速外文翻译资料

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

武汉理工大学

基于多目标遗传算法查找电动车再生制动的最佳减速

Debasri Chakraborty and Arup Kr Nandi

摘 要：为了提高电动车燃油经济性及行程，尽可能多的能源再生制动很重要。据观察，车辆减速期间，粗糙的驱动对再生效率有很大影响。另一方面，为了减少行程时间以避免事故，减速持续时间需要保持较短。通过实现这些互相矛盾的目标，在目前的工作中，一般使用遗传算法找出速度变化来确定最佳减速度。多目标考虑优化问题（MOOP）是基于两种方法解决的：考虑一个常数减速和制动期间的可变减速。提出了两种方法的比较结果用于在四个驱动周期中的代表性的速度变化。解决多目标考虑优化问题的两种方法的结果包括在某些约束下，例如期望舒适的旅程并保持安全制动距离，建议计划中应使用多个减速制动，另外作为恒定或多重减速可以在高舒适旅程的制动期间进行，满足紧急制动的需求。

关键词：优化减速；再生制动；能源；旅行时间；多目标优化;遗传算法

1 引言

节能是电动车辆的关键目标（EV），因为这有助于扩大其行程。许多研究者已经开始而且不断继续的研究为了尽可能地节省能源。车辆在制动时大部分机械能转化为热能从而损失，而且在城市驾驶汽车期间这是一个非常频繁的步骤。再生制动是一种在制动期间传递丢失的机械能到电能再充电电池的系统。减速过程中，驾驶员在制动车辆分计划模式或非计划模式。本文重点关注如何在计划模式下利用串联再生制动系统最大化再生能源。

在计划制动模式下，驾驶员事先知道知道车辆将要停止的期望位置。根据期望停止位置和当前车辆速度，驾驶员可以只应用再生制动或机械制动或者两者同时应用，以满足所需的制动转矩。已经观察到驱动参数（即速度和减速度）显著的影响再生效率^[2]。在文献^[3]中，研究了不同车辆的减速性能，发现印度道路上的最大和最小减速度随着车辆类型而变化。驾驶员的冲动在很大程度上降低了再生能量捕获效率^[4,5]。因此，在减速期间使用最佳驱动策略（例如减速，减速持续时间，速度等的具体值）对于最大化再生能量回收是必要的。驾驶员的减速行为取决于许多因素，例如道路条件，道路几何形状、驾驶员行为、车辆状况、交通拥塞等。有限数量在减量对再生效率的影响量化研究。在计划制动中，存在容易采用优化的驾驶行为的范围最大化再生能量。但是，由于许多约束，在计划外制动中这可能不是很容易，主要是在特定距离或时间内停止车辆以避免事故。

一旦驾驶员想要减速，他/她将车辆从当前行程速度减速到期望的较低速度或减速到停滞。 在减速操作期间，通常，驾驶员不选择特定的减速度值。 通常，车辆减速的速率增加到最大值，然后在减速操作结束时减小。 此外，在速度变化期间，减速度不保持在恒定值^[6]。 在变速期间不保持恒定的减速度值的原因是，对于恒定的减速度，所施加的制动转矩是恒定的，但是随着车辆速度的降低，空气阻力也增加，这导致减速度增加^[6]。 减速的确切值还取决于驾驶员的激进程度。 因此，为给定速度变化选择减速度值的逻辑方法是采用使能量回收量最大化的优化方案。

为了减少总行程持续时间以及避免事故，减速持续时间需要保持较短。因此，在车辆减速期间，程序的主要动机是利用减速和相应持续时间的最佳值，以使再生制动能量最大化，此外，最小化跳闸时间（减速时间）。但是，这些目标本质上是冲突的，这意味着一个的改进导致另一个的劣化。能量恢复和减速持续时间的冲突性质是根据关键目标能量产生和效率的典型性质，作为电动机（发电机）速度的函数实现的^[7]。例如，对于给定的速度变化，在最短持续时间内，减速度值必须尽可能高。然而，为了实现高减速度值，将需要不完全能由电动机（发电机）提供的高制动转矩，并且额外制动转矩需要由机械制动系统补偿。结果将回收较少的动能（K E）。因此，为了恢复最大动能，减速率应根据最大电动机（发电机）转矩容量。但是，电动机（发电机）扭矩（能量恢复）能力随着电动机速度的增加而增加^[7]。另一方面，对于给定速度变化的低减速度，车辆能行驶更多的距离，这在一方面来说有利于获得较远的行程，但是由于违反安全距离约束，它可能产生事故。另外，非常低的减速，同时保持高的能量恢复，导致不期望的长的减速持续时间，这可能不适合于实际驾驶。从再生制动能量和减速持续时间之间的冲突性质的实现中，在当前的工作中，通过使用合适的优化工具来解决相关联的多目标考虑优化问题来确定操作数据储存。此外，发电机效率和扭矩的典型性质在最大程度上进行多重减速对再生能量的影响的调查。进行了类似的研究以发现多重效应^[8]中的EV能耗加速。

2 问题定义

在这个算法中，使用d和t分别表示减速时间和相应的持续时间。 kp和k; 表示用于控制电动机输出的PI控制器参数，kj表示用于摩擦制动控制的P控制器参数。 对于舒适的车辆，减速范围设置为0.1至2.5 m / s2 ^[9]。 通过模拟研究确定控制器增益参数的范围以有效地运行系统。 解决上述多目标问题的主要动机是，提供一组最优非支配，解即帕累托最优解。 现在，进化方法已经被积极应用于解决由于的多目标优化问题^[2]在许多实践中都使用系统计算分析帕累托最优解来解决相关的问题。 因此，在本研究中，采用了最流行的非支配排序多目标遗传算法（GA），NSGA-II ^[10]

Subject to

3 多目标遗传算法

多目标遗传算法（MOGAs）是基于GAs的一类工具^[11]，用于解决具有冲突问题的多目标优化问题。与单目标问题不同，为了找到非解决方案，多目标优化问题中的优化器的任务是通过基于其中一个是否支配另一解决方案来比较两个解决方案，基于隐秘控制来获得一组解决方案。使用这些非支配解法的目标函数被称为非支配前沿，并且相应的解是非支配解。如果非主导解决方案在目标方面是最优的，那么非主导前面称为帕累托最优前面，而位于最小前面的解被称为帕累托最优解。因此，多目标考虑优化问题中的主要目标是获得尽可能接近帕累托最优前沿的一组解，此外在整个帕累托前沿尽可能多样地展开。多目标遗传算法相对于优化方法的优点是在单次运行多目标遗传算法之后获得多次溶解。可用的多个解决方案在手提供灵活性。使用非支配排序多目标遗传算法的多目标遗传算法的基本工作可以在以下八个步骤中总结。

步骤1：随机初始化溶液（亲本）的群体。

步骤2：计算每个解的目标函数（1）和（2）。

步骤3：向每个分配非支配秩（R _i）和叠加距离值（cd _i）解决方案，并基于此信息，应用重现形成匹配库。

步骤4：使用GAoperators（交叉和突变）创建一个新的群体（后代）。

步骤5：结合亲本群体和后代种群。

步骤6：根据非统治标准对组合群体的解决方案进行排序，并且首先用最优个体然后用较差的个体填充当前世代的群体。

步骤7：如果需要，使用基于拥挤距离的排序拒绝来自具有相同排名的组中的个体以保持群体大小固定。

步骤8：将步骤1中的父群体替换为当前产生的群体，并重复步骤直到达到终止标准。

流程图如图1所示。 图1示出了使用NSGA-II的MOGA的工作。

4 用于再生制动的控制器设计

在本工作中，在附接有如图1所示的串联再生制动系统的EV的减速期间确定最佳驱动策略。 2（a）^[12]。 。在图2（a）中，T regell和Tbr分别是发电机的最大再生制动转矩和制动所需的总转矩。对于特定速度W，最大Tregell取为0.7XT，其中T是电动机转矩。两个控制器用于控制图1中所示的EV的串联再生制动过程。 2（b）。一个PI控制器直接与控制EY速度的电机相连。电机在减速时作为发电机工作，此时PI控制器控制能量再生。参考减速度值（drej）用作PI控制器的输入，电机输出的PI部分（称为电机产生的减速度（d）值）以相反的相位反馈到控制器的输入以稳定系统。但是仅再生制动不足以制动车辆。在紧急制动情况下，再生系统既不能提供必要的停止功率，也不能处理从最大减速停止产生的电量。制动的值取决于驾驶员需要停止车辆的制动距离和时间。如果驾驶员的制动力

大，意味着车辆应该在短距离和时间内停止。此时，我们应该减小再生制动力的比例并应用液压/摩擦制动，以满足驾驶员的需求。因此，另一个摩擦制动控制器直接连接到EV以控制液压/摩擦制动。如果所需的制动转矩指令高于发电机的最大（可能的）再生制动转矩，则该控制器起作用。参考减速度值（dref）用作摩擦制动控制器的输入，和/ 3J。实际EV减速的分数（dae / l / at）反馈到控制器的反相位。

图1使用NSGA-I的MOGA的工作原理图

5 目标的制定

EV的再生能量和减速持续时间根据^[7,13]中的EV拓扑模型进行评估。 电机模型的输入是电池电压VP（V），第k个参考减速度d ef（m / s2），车辆实际减速度d（m / s2），减速度持续时间f1f2， fK，参考速度Vrej，车辆速度v和转速w，控制器和模型的输出是电池电流Ip和由电动机Tb施加的制动转矩。锂离子电池模型 使用类似于^[14]中提出的。 模型的输入是电池电流Ip，模型的输出是电池电压Vp和充电状态SOc。 车辆模型的输入是电动机扭矩，并且模型的输出是车辆减速度，d，车辆速度，v，距离差，R和旋转速度，w。 电动机，电池和车辆的相关参数如表1所示。

表1 EV模型参数