Не существует общепринятого ответа на вопрос «структурная сложность», но пересечение почти всех ответов непусто.Структурная сложность имеет дело с классами сложности, внутренней структурой классов сложности и отношениями между различными классами сложности. Класс сложности — это набор проблем связанной исходной сложности, которые можно охарактеризовать с точки зрения математической логики, необходимой для их выражения. Время вычисления — это время, необходимое для выполнения вычислительного процесса.

Контроллер, разработанный для определенного набора параметров, считается надежным, если он достаточно хорошо работает при другом наборе предположений.Чтобы справиться с неопределенностью, надежные контроллеры предназначены для правильной работы с неопределенным набором параметров или набором помех.

Локальный оптимум задачи оптимизации является оптимальным (максимальным или минимальным) в пределах соседнего набора решений. Глобальный оптимум, в отличие от локального, — это оптимальное решение среди всех возможных решений задачи оптимизации.

Стратегии управления в целом подразделяются на стратегии управления на основе правил и стратегии управления, а все другие подкатегории классифицируются на основе этих двух основных категорий.

5.1. Стратегии управления на основе правил

Стратегии управления на основе правил — это фундаментальные схемы управления, которые зависят от режима работы. Их можно легко реализовать с помощью диспетчерского управления в реальном времени для управления потоком мощности в гибридной трансмиссии. Правила определяются на основе человеческого интеллекта, эвристики или математических моделей и, как правило, без предварительного знания цикла движения.

Контроллеры на основе правил — это статические контроллеры. В основном рабочая точка компонентов (ДВС, тяговый двигатель, генератор и т. Д.)) выбирается с помощью таблиц правил или блок-схем для наиболее эффективного удовлетворения требований драйвера и других компонентов (электрические нагрузки и аккумулятор). Решения относятся только к мгновенным входам. Эта стратегия далее подразделяется на детерминированные и основанные на нечетких правилах.

Благодаря распознаванию дорожной нагрузки, Shaohua et al. Разработали систему управления энергопотреблением для гибридного транспортного средства типа стартер-генератор с ременным приводом (BSG). [7]. Это дает хорошую экономию топлива, а также летные характеристики.Одновременно улучшаются динамические характеристики и управляемость. Для управления энергией и мощностью гибридных транспортных средств с несколькими источниками (аккумулятор и суперконденсатор) сформулирована двухуровневая схема управления. Первый уровень использует определенный набор правил для ограничения области поиска, а второй уровень использует метаэвристический подход. Trovão et al. [8] предоставляют качественное решение для совместного использования энергии в режиме онлайн между двумя источниками энергии с увеличенным радиусом действия и увеличенным сроком службы батарей.

5.1.1. Стратегия контроля на основе детерминированных правил

Правила разработаны с помощью данных об экономии топлива или выбросах, рабочих карт ДВС, потока мощности в трансмиссии и опыта вождения.Реализация правил выполняется с помощью справочных таблиц для распределения потребности в мощности между ДВС и тяговым электродвигателем. Kim et al. [9] предложили концепцию гибридной оптимальной линии работы для параллельного HEV, которая выводится на основе эффективного удельного расхода топлива с бесступенчатой ​​трансмиссией (CVT). Они определили оптимальные значения параметров (таких как передаточное число вариатора, крутящий момент двигателя и дроссельная заслонка двигателя) при максимальном повышении общей эффективности системы. Для оптимального робастного управления [10] был разработан алгоритм управления на основе правил и настроен для различных рабочих циклов.

Стратегия управления термостатом использует генератор и ДВС для выработки электроэнергии, используемой транспортным средством. В этой стратегии уровень заряда батареи всегда поддерживается между заранее заданными высоким и низким уровнями, простым включением / выключением ICE. Хотя стратегия проста, она не может обеспечить необходимую мощность во всех режимах работы.

Стратегия управления вспомогательным электрическим приводом использует ДВС в качестве основного источника питания и электродвигателя для подачи дополнительной энергии, когда этого требует автомобиль.Благодаря операции поддержания заряда, состояние заряда аккумулятора поддерживается во всех режимах работы.

5.1.2. Стратегия управления на основе нечетких правил

Л. А. Заде ввел термин нечеткая логика и описал математику теории нечетких множеств. Система нечеткой логики уникальна для одновременной обработки числовых данных и лингвистических знаний. Нечеткие наборы представляют собой лингвистические метки или наборы терминов, такие как медленный, быстрый, низкий, средний, высокий и т. Д. В нечеткой логике истинность любого утверждения зависит от степени.Нечеткое управление просто, легко реализуемо и отличается высокой надежностью. Он может напрямую использовать опыт дизайнера для управления правилами. Нечеткая логика — это форма многозначной логики, полученная из теории нечетких множеств, которая имеет дело с приблизительными, а не точными рассуждениями.

Интеллектуальное управление выполняется с использованием нечеткой логики в качестве инструмента. Нечеткая логика позволяет развивать поведение, основанное на правилах. Знания эксперта могут быть закодированы в виде базы правил и использоваться при принятии решений.Основное преимущество нечеткой логики состоит в том, что ее можно настраивать и адаптировать при необходимости, тем самым повышая степень свободы управления. Это также нелинейная структура, которая особенно полезна в сложной системе, такой как усовершенствованная силовая передача. По сути, контроллер нечеткой логики (FLC) является естественным продолжением многих контроллеров на основе правил, реализованных (через таблицы поиска) во многих транспортных средствах сегодня. Методы, основанные на нечеткой логике, нечувствительны к неопределенностям модели и устойчивы к измерению шумов и помех, но требуют более быстрого микроконтроллера с большей памятью.

(a) Традиционная стратегия нечеткого управления . Эффективность определяется на основе выбора входа, выхода и стратегии управления на основе правил. Для управления работой трансмиссии используются два рабочих режима, а именно режимы оптимизации расхода топлива и нечеткой эффективности. Контроллер нечеткой логики принимает SOC аккумулятора и желаемый крутящий момент ICE в качестве входных данных. На основе этих входов, а также выбранного режима устанавливается рабочая точка ICE. Мощность, необходимая тяговому электродвигателю, представляет собой разницу между общей потребляемой мощностью нагрузки и мощностью, требуемой от ДВС.

В стратегии оптимального использования топлива FLC ограничивает мгновенный расход топлива, рассчитанный на основе карты использования топлива, и поддерживает достаточный уровень заряда аккумулятора, обеспечивая при этом требуемый крутящий момент. Согласно стратегии нечеткой эффективности, ICE работает в наиболее эффективном операционном регионе. Рабочие точки ДВС устанавливаются вблизи области крутящего момента, где эффективность наиболее высока при определенной частоте вращения двигателя. Балансировка нагрузки достигается с помощью электродвигателей. Эта стратегия управления использует двигатель, чтобы заставить ДВС работать в области минимального расхода топлива, сохраняя при этом SOC в батарее.Балансировка нагрузки необходима для удовлетворения спроса на электроэнергию и предотвращения ненужной зарядки и разрядки системы накопления электроэнергии (ESS). Основным недостатком этой стратегии управления является то, что точки максимальной эффективности находятся вблизи области высокого крутящего момента; тем самым ДВС генерирует больший крутящий момент, чем требуется, что, в свою очередь, увеличивает расход топлива. Кроме того, во время балансировки нагрузки интенсивная регенерация приводит к перегрузке ESS. Чтобы избежать этого, следует использовать стратегию управления с уменьшенным по размеру ДВС.

(b) Стратегия адаптивного нечеткого управления .Эта стратегия может одновременно оптимизировать как топливную эффективность, так и выбросы. Однако экономия топлива и выбросы — противоречащие друг другу цели, а это означает, что оптимальное решение не может быть достигнуто путем выполнения всех задач. Оптимальная рабочая точка может быть получена с использованием подхода взвешенной суммы для оптимизации конфликтующих целей. Из-за различных условий движения необходимо настроить соответствующий вес с учетом экономии топлива и выбросов. Принимая во внимание строгие законы о загрязнении воздуха, рабочие точки с высокими выбросами серьезно наказываются.Конфликтующие цели в рамках адаптивного контроллера нечеткой логики включают экономию топлива, NO _x , выбросы CO и HC. Чтобы измерить взаимосвязь четырех соперничающих целей оптимизации с единым стандартом, важно нормализовать значения экономии топлива и выбросов, используя оптимальные значения расхода топлива и выбросов при текущей скорости. Оптимальные значения экономии топлива и выбросов при определенной скорости ДВС можно получить из карты данных ДВС.

Относительные веса адаптивно назначаются каждому параметру в зависимости от их важности в различных условиях вождения. Более того, веса должны быть выбраны для каждого ICE на основе их индивидуальных карт данных. Эта стратегия управления позволяет контролировать любую из целей, изменяя значения относительных весов. Кроме того, достигается огромное сокращение выбросов транспортных средств с незначительным снижением расхода топлива.

(c) Стратегия прогнозирующего нечеткого управления .Если информация о поездке известна априори, получить глобальное оптимальное решение по минимизации расхода топлива и выбросов чрезвычайно просто. Однако основные препятствия влекут за собой получение дополнительной информации о запланированных маршрутах движения и выполнение управления в режиме реального времени. Эта проблема может быть решена с помощью глобальной системы позиционирования (GPS), которая может легко определить возможные препятствия, такие как интенсивное движение или крутой уклон. Стратегии контроля могут быть разработаны для конкретных ситуаций; например, если транспортное средство движется по шоссе и въезжает в город (где может быть интенсивное движение), рекомендуется восстановить больше энергии путем зарядки аккумуляторов для дальнейшего использования.Общие входные данные для прогнозирующего FLC — это изменения скорости транспортного средства, состояние скорости транспортного средства в окне просмотра вперед и высота выбранных точек вдоль заранее определенного маршрута. Основываясь на имеющейся истории движения транспортного средства и его изменчивости в ближайшем будущем, FLC определяет оптимальный крутящий момент, который ДВС вносит в текущую скорость транспортного средства. Прогнозирующий FLC выводит нормализованный сигнал GPS в (-1, +1), который сообщает главному контроллеру о необходимости зарядки или разрядки аккумуляторов и восстановления достаточного количества энергии для будущих режимов работы транспортного средства.

Поскольку они являются надежными и быстрыми, рекомендуется проектировать FLC для нелинейных и неопределенных систем. FLC приводят к небольшому перерегулированию, короткому времени настройки и хорошему динамическому / статическому качеству. Используя подход смешанного моделирования, Arsie et al. [11] реализуют FLC для управления параметрами, связанными с взаимодействием водителя и транспортного средства, управлением крутящим моментом и стратегией подзарядки аккумулятора. Для повышения эффективности преобразования энергии реализовано несколько стратегий управления энергопотреблением на основе нечеткой логики [12–14]. Галише и Фуллой [15] реализуют пропорционально-интегральный (ПИ) регулятор на основе нечеткой логики для нелинейного управления установками.Ли и др. [16] вводят FLC для реализации стратегии. Это полезно для нелинейных и неопределенных систем и не зависит от изменения нагрузки транспортного средства и характера дороги. Brahma et al. [17] разработали инструмент моделирования HEV с использованием FLC для оптимизации расхода топлива, который можно использовать для реализации любой желаемой модели. Baumann et al. [18] демонстрируют эффективность FLC для увеличения экономии топлива и показывают, что он хорошо работает для нелинейных, многодоменных и изменяющихся во времени объектов. Тао и Таур [19] проектируют менее сложный ПИД-подобный FLC с эвристическим функциональным масштабированием, которое легко настраивается даже при отсутствии полной математической модели объекта.Вон и Лангари [20] разработали FLC для распределения крутящего момента. Schouten et al. [21] применяют команду драйвера, состояние заряда аккумулятора и скорость двигателя / генератора как нечеткие наборы для разработки FLC для параллельных HEV. Патель и Мохан [22] разработали очень простой ПИ-регулятор, использующий нечеткую логику с меньшим количеством вселенных дискурса. Агент интеллектуального управления энергопотреблением (IEMA) реализован для распределения крутящего момента и поддержания заряда на основе текущего состояния транспортного средства, запросов водителя и доступных онлайн-данных о цикле движения [23].Bathaee et al. [24] реализуют основанную на FL стратегию оптимального управления энергией с контролируемым крутящим моментом для параллельного HEV. Zeng и Huang [25] и Khoucha et al. [26] проектируют (1) FLC на основе SOC и (2) FLC на основе желаемого крутящего момента для параллельного HEV для оптимизации разделения мощности. Jianlong et al. [27] предлагают эффективный, быстрый и компактный нечеткий диспетчерский контроллер с двойным входом и одним выходом. Голкар и Гаджизаде [28] реализуют интеллектуальные контроллеры реального времени на основе нечеткой логики, которые оптимально регулируют крутящий момент ДВС и управляемость автомобиля с уменьшенным расходом топлива и выбросами.Syed et al. [29] реализуют динамическую модель HEV, которая способна анализировать устойчивое состояние и переходное поведение транспортного средства в различных дорожных ситуациях. Пурсамад и Монтазери [30] представили FLC, настроенный на генетический алгоритм, чтобы минимизировать расход топлива и выбросы, а также улучшить ходовые качества параллельного HEV. Лю и др. [31] предлагают SOC аккумулятора и FLC на основе уведомления о мощности для серии HEV. В этом методе всегда поддерживается высокий уровень энергии, и двигатель работает в области высокого КПД.Syed et al. [32] разработали FLC для интеллектуального управления мощностью и скоростью двигателя в HEV. В этой схеме необходимое усиление ПИ-регулятора определяется нечетким планированием усиления на основе рабочих условий системы. Это улучшает время отклика и стабилизации, а также исключает выбросы. Чжоу и др. [33] разработали FLC для требования к току и SOC батареи (в качестве входа) и требуемого крутящего момента (в качестве выхода) на основе оптимизации роя частиц (PSO) для управления энергией в параллельном HEV. Для повышения точности, адаптируемости и надежности в PSO использовался коэффициент сжимаемости.Вон и Лангари [34] предлагают интеллектуальную стратегию управления энергопотреблением, основанную на концепции осведомленности о дорожной ситуации для параллельного HEV. Авторы в основном реализовали IEMA, который дает знания об осведомленности о дорожной ситуации. Лу и др. [35] реализовать FLC для распределения крутящего момента между двигателем и двигателем в PHEV. Они смоделировали контроллер с помощью ADVISOR для различных условий вождения / дороги и показали значительное сокращение выхлопных газов и улучшение экономии топлива.Kachroudi et al. [36] разрабатывают систему поддержки принятия решений с прогнозированием для оптимального распределения потока энергии между двигателем и другим вспомогательным оборудованием. Они определили глобальный оптимум с помощью PSO, который был дополнительно подтвержден с помощью метода аппаратного обеспечения (HIL). Fu et al. [37] разработали нечеткую стратегию контроля, управления энергопотреблением, используя ADVISOR, и заявили об улучшении экономии топлива за счет снижения токсичных выбросов.

5.2. Стратегия управления на основе оптимизации

В стратегиях управления на основе оптимизации целью контроллера является минимизация функции затрат.Функция стоимости (целевая функция) для HEV может включать выбросы, расход топлива и крутящий момент в зависимости от приложения. Глобальные оптимальные решения можно получить, выполнив оптимизацию на фиксированном постоянном токе. Эти методы управления не приводят к непосредственному управлению энергопотреблением в реальном времени, но, основываясь на функции мгновенных затрат, можно получить стратегию управления в реальном времени. Эта функция мгновенных затрат полагается на системные переменные только в текущий момент времени. Он должен включать эквивалентный расход топлива, чтобы гарантировать автономность электрического пути.Стратегии управления на основе оптимизации можно разделить на две основные группы: глобальная оптимизация и оптимизация в реальном времени. Они подробно обсуждаются в следующих разделах.

5.2.1. Глобальная оптимизация

Метод глобальной оптимизации для стратегии управления энергопотреблением в HEV требует знания всей схемы вождения, включая SOC аккумулятора, условия движения, реакцию водителя и маршрут. Из-за вычислительной сложности их нелегко реализовать для приложений реального времени.Здесь используются линейное программирование, динамическое программирование, генетические алгоритмы и т. Д. Для решения проблем управления энергопотреблением транспортных средств. На основе теории оптимального управления и в предположении, что минимизация расхода топлива снижает выбросы загрязняющих веществ, разработан алгоритм глобальной оптимизации [38]. Delprat et al. [39] предлагают глобальную стратегию оптимизации для анализа производительности HEV, но не обеспечивают оптимальных результатов. Delprat et al. [40] предлагают глобальную стратегию оптимизации для известного ездового цикла (DC) и для всех диапазонов SOC.Это предлагает быстрое глобальное оптимальное решение и сводит к минимуму расход топлива. Чтобы получить лучшее оптимальное решение для проектирования и управления HEV, другой метод глобальной оптимизации был предложен [41].

(1) Линейное программирование. Оптимизация экономии топлива рассматривается как выпуклая нелинейная задача оптимизации, которая окончательно аппроксимируется методом линейного программирования. Линейное программирование в основном используется для оптимизации топливной экономичности серийных HEV. Постановка задачи оптимизации топливной экономичности с использованием линейного программирования может привести к глобальному оптимальному решению.

В гибридных силовых передачах существует большая степень свободы управления. За счет управления передаточным числом и крутящим моментом в [42] предлагаются оптимизированная конструкция и управление серийным гибридным транспортным средством. Задача формулируется как задача нелинейной выпуклой оптимизации и аппроксимируется как задача линейного программирования для определения эффективности использования топлива. Клеймайер и Шредер [43] предлагают метод выпуклой оптимизации для анализа двигательных возможностей с использованием линейного программирования, который обеспечивает независимость от какого-либо конкретного закона управления.Пису и др. [44] разрабатывают стратегии диспетчерского управления гибридными электроприводами для минимизации расхода топлива. Они разработали стабильный и надежный контроллер с использованием линейных матричных неравенств. Miaohua и Houyu [45] разрабатывают стратегию управления энергопотреблением на основе последовательного квадратичного программирования для минимизации расхода топлива. Они рассматривают сбалансированный SOC как ограничение и показали улучшенные результаты.

(2) Динамическое программирование. Динамическое программирование (DP) первоначально использовалось Ричардом Беллманом в 1940 году для описания процесса решения проблем, когда нужно последовательно находить наилучшие решения.DP — это одновременно метод математической оптимизации и метод компьютерного программирования. В обоих контекстах это относится к упрощению сложной проблемы путем рекурсивного разбиения ее на более простые подзадачи.

Сама суть этой методики основана на принципе оптимальности. Имея динамический процесс и соответствующую функцию производительности, есть два способа приблизиться к оптимальному решению проблемы. Один — принцип максимума Понтрягина, другой — динамическое программирование Беллмана.Его преимущество заключается в том, что он применим как к линейным, так и к нелинейным системам, а также к задачам с ограничениями и без ограничений. Но он также страдает серьезным недостатком, называемым проклятием размерности, которое увеличивает вычислительную нагрузку и ограничивает его применение в сложных системах.

Поскольку заранее необходимо знать рабочий цикл, алгоритм DP не может быть реализован в реальном времени. Однако его выходы можно использовать для разработки и настройки реальных контроллеров.Стратегия управления питанием в HEV вычисляется с помощью подхода динамической оптимизации различными исследователями, как указано ниже.

Оптимизация мощности может выполняться в автономном режиме для известного постоянного тока с использованием детерминированного DP [46, 47]. Адаптивная нейронно-нечеткая система вывода (ANFIS) вместе с DP используется для получения оптимального решения проблемы [48]. Используя DP и подход, основанный на правилах, оптимальное распределение мощности между обоими источниками энергии получается для серии HEV [49]. Они предполагают, что для повышения вычислительной эффективности следует использовать подход дискретного состояния DP.Чтобы снизить расход топлива, в [50] описана стратегия оптимального управления параллельным гибридным электрическим грузовиком на основе DP. Они разработали параллельный симулятор HEV с прямой связью, чтобы максимизировать топливную эффективность, и предложили DP и алгоритм оптимизации мощности на основе правил для поддержания режима работы от батареи. Sundstrom et al. [51] изучают коэффициент гибридизации двух типов параллельных HEV, а именно (1) усилитель крутящего момента и (2) полный гибрид. Кроме того, при использовании DP достигается оптимальный расход топлива для различных коэффициентов гибридизации.Результаты показывают, что как расход топлива, так и потребность в гибридизации меньше в случае полностью гибридной модели. Гибридный электрический грузовик средней грузоподъемности реализован с использованием DP [52] для оптимизации мощности и экономии топлива. В результате экономия топлива на 45% выше, чем у грузовика с ДВС. Стратегия управления питанием, близкая к оптимальной, достигается с использованием DP, учитывая устойчивый SOC как ограничение. Koot et al. [53] предложили стратегию управления энергопотреблением для HEV и проверили ее с помощью DP, квадратичного программирования и модифицированных стратегий DP (DP1).DP занимает много времени, поскольку количество вычислений увеличивается с увеличением длины DC. Чтобы сократить время вычислений для более длинных DC, используется квадратичное программирование, которое также обещает глобальное решение. В DP1 весь DC разделен на различные сегменты, а DP реализуется с приращениями для всего DC. DP1 предпочтительнее DP и квадратичного программирования, поскольку он не требует будущих знаний о DC и использует невыпуклость функции стоимости. Кроме того, это легко реализовать онлайн. Стратегии управления с ориентацией на электромобиль и двигатель-двигатель, которые применимы к PHEV, использующим DP для получения оптимального разделения мощности, исследуются в [54].Они пришли к выводу, что для городской модели вождения стратегия управления электромобилем обеспечивает лучшую экономию топлива по сравнению с другими. Чтобы поддерживать уровни энергии в заданном диапазоне, не влияя на состояние батареи в HEV, [55] сформулировал задачу динамической оптимизации с конечным горизонтом и решил ее с помощью DP. Gong et al. [56] реализуют стратегию оптимизации мощности с использованием DP для PHEV в режиме истощения заряда. Для глобальной оптимизации управления расходом заряда PHEV адаптирован двухуровневый подход DP, который приводит к снижению расхода топлива в 3 раза.7% по сравнению с обычным DP. Ван Кеулен и др. [57] решают проблему управления энергопотреблением для HEV и оптимизируют ее с помощью DP в режиме поддержания заряда. Gong et al. [58] используют эффективный реализуемый на борту двухуровневый DP для PHEV, чтобы получить глобальное оптимальное решение. Электрический режим работы используется в первую очередь для известного расстояния поездки. Остальное расстояние делится на разные сегменты известной длины, и для каждого сегмента рассчитываются расход топлива и уровень SOC. Наконец, для поиска решения выполняется оптимизация в пространственной области.Сундстрём и Гузелла [59] предлагают общую функцию DP для решения задачи оптимального управления с дискретным временем с использованием алгоритма DP Беллмана. Авторы [60, 61] используют DP и встроенную реализуемую стратегию минимизации энергопотребления (ECMS) для работы в режиме истощения заряда. Они пришли к выводу, что для больших расстояний и больших батарей ECMS и DP обеспечивают аналогичную экономию топлива и профиль SOC. Шен и Чаойинг [62] использовали улучшенный DP для решения задачи оптимального управления, чтобы сократить время вычислений с помощью алгоритма прямого поиска.Наряду с DP, классическая теория оптимального управления применяется для снижения расхода топлива в параллельных HEV для известного профиля маршрута. Это приводит к повышению экономии топлива на 11% по сравнению со стандартным циклом городской езды [63]. Kum et al. [64] сначала нашли оптимальное решение, используя DP, и оценили состояние заряда аккумулятора относительно оставшегося расстояния поездки с использованием отношения энергии к расстоянию (EDR). Затем они внедряют адаптивный диспетчерский контроллер силовой передачи (SPC) для снижения расхода топлива и выбросов на основе результатов, извлеченных из EDR и системы температуры катализатора.Для генераторной установки, содержащей HEV с несколькими источниками, [65] предложил DP для оптимизации системы управления питанием. В случае известного расстояния поездки это может дать глобальное оптимальное решение и сэкономить 12,6% бензина. Ли и Кар [66] используют DP для разработки устройства разделения мощности (PSD) в PHEV, которое сводит к минимуму расход топлива и улучшает характеристики транспортного средства. Ravey et al. [67] изначально предлагают метод минимизации размера компонентов (источника энергии) с использованием генетического алгоритма. Позже они используют DP, чтобы оптимизировать стратегию управления мощностью и заявить о более высокой экономии топлива.Shams-Zahraei et al. [68] реализуют оптимальную стратегию управления энергопотреблением с использованием DP с учетом значимости факторов температурного шума. Из-за колебаний температуры, топливной эффективности и выбросов система управления энергопотреблением меняется даже для одних и тех же моделей и условий вождения.

(3) Стратегия стохастического управления . Стохастическая стратегия — это основа для моделирования задач оптимизации, связанных с неопределенностью. В этой стратегии формулируется задача стохастической динамической оптимизации с бесконечным горизонтом.Потребляемая мощность от драйвера моделируется как случайный марковский процесс. Модель драйвера Маркова предсказывает будущие потребности в мощности, генерируя для них распределение вероятностей. Для этого прогноза не требуются прошлые решения. Затем оптимальная стратегия управления получается с использованием стохастического динамического программирования (SDP). Полученный закон управления имеет вид стационарной полнофункциональной обратной связи и может быть реализован напрямую. Обнаружено, что полученный алгоритм управления SDP превосходит неоптимальную стратегию управления на основе правил, обученную на детерминированных результатах DP.В отличие от детерминированной оптимизации по заданному DC, стохастический подход оптимизирует политику управления по семейству различных моделей вождения.

(a) Стохастическое динамическое программирование . Метод оптимизации, который использует случайные величины для постановки задачи оптимизации, называется стохастической оптимизацией. В динамическом программировании, если состояние или решение известны в терминах функции вероятности, это называется стохастическим динамическим программированием (SDP). Для решения задачи стохастического оптимального управления требуется высокопроизводительный вычислительный метод.

Для большей оптимальности по сравнению со стратегией диспетчерского управления [69] предлагает SDP с бесконечным горизонтом, в котором потребление мощности драйвером моделируется как случайный марковский процесс. Полученный закон управления реализуется в HEV в реальном времени. В параллельном гибридном электрическом грузовике формулируются задачи оптимизации как SDP с бесконечным горизонтом, так и SDP по кратчайшему пути (SP-SDP), которые приводят к инвариантному во времени причинно-следственному контроллеру с обратной связью по состоянию. В стратегии управления питанием SP-SDP допускается отклонение SOC аккумулятора от желаемой уставки для достижения компромисса между расходом топлива и выбросами.Контроллер на основе SP-SDP имеет преимущество перед SDP, поскольку предлагает лучшее управление SOC и меньшее количество настраиваемых параметров [70]. Используя SDP, [71] сформулировал гибридную стратегию оптимального управления мощностью с использованием системы «двигатель в контуре» (EIL), которая мгновенно анализирует влияние переходных процессов на выбросы двигателя. Тейт и др. [72] использовали SP-SDP, чтобы найти компромисс между расходом топлива и выбросами выхлопных газов для HEV, чему способствует двухрежимный EVT. При использовании простых методов решение SP-SDP занимает восемь тысяч часов, а при использовании линейного программирования и двойственности — всего три часа.Moura et al. В [73] представлена ​​стратегия оптимизации мощности для PHEV с использованием SDP для оптимизации разделения мощности между ДВС и электродвигателем для ряда DC. В то же время авторы предложили компромисс между потреблением электроэнергии и жидкого топлива, а также проанализировали относительные колебания цен на топливо и электроэнергию для обеспечения оптимальной производительности. Используя SP-SDP, [74] предлагает контроллер управления энергопотреблением в реальном времени. Это рассматривает ездовой цикл как стационарный марковский процесс конечного масштаба. Этот контроллер оказался на 11% более эффективным, чем промышленный базовый контроллер.Ван и Сан [75] предлагают алгоритм поиска экстремума SDP (SDP-ES) с управлением с обратной связью по состоянию. Он содержит природу глобальной оптимальности устойчивости SDP и SOC. Дальнейший поиск экстремума обратной связи по выходу компенсирует ее оптимальную ошибку управления. Opila et al. [76] разработали стратегию управления энергопотреблением, основанную на SDP и успешно реализованную в прототипе HEV. Особенность этого контроллера заключается в том, что они работают во встроенном оборудовании в реальном времени с классическими возможностями автомобильных вычислений, а стратегия управления энергопотреблением очень часто обновляется, чтобы обеспечить сильные характеристики вождения.

(б) Генетический алгоритм . Генетический алгоритм (GA) — это эвристический поисковый алгоритм, предназначенный для решения задач оптимизации и поиска. Таким образом, отрасль искусственного интеллекта вдохновлена ​​теорией эволюции Дарвина. GA начинается с набора решений (хромосом), называемого популяцией. Решения из одной популяции берутся в зависимости от их способности формировать новые. У наиболее подходящих решений будет больше шансов на рост, чем у более бедных, и процесс повторяется до тех пор, пока не будет выполнено желаемое условие.GA — это надежный и осуществимый подход с широким диапазоном поискового пространства, который быстро оптимизирует параметры с помощью простых операций. Доказано, что они эффективны для решения сложных инженерных задач оптимизации, характеризующихся нелинейными, многомодальными и невыпуклыми целевыми функциями. GA эффективен при поиске глобальных оптимумов, не застревая в локальных оптимумах.

В отличие от обычного метода на основе градиента, метод GA не требует каких-либо серьезных предположений или дополнительной информации об объективных параметрах.GA также может очень эффективно исследовать пространство решений. Однако этот метод требует очень много времени и не дает дизайнеру более широкого представления.

Piccolo et al. [77] используют GA для управления энергопотреблением дорожного транспортного средства и минимизируют функцию затрат, содержащую данные о потреблении топлива и выбросах. Для динамических и непредсказуемых ситуаций вождения с GA используется критерий нечеткой кластеризации, который снижает вычислительные затраты и улучшает экономию топлива [78]. GA в HEV используется одновременно для оптимизации размеров компонентов и минимизации расхода топлива и выбросов [79–84].Ван и Янг [85] реализуют надежную, простую и реализуемую в реальном времени стратегию управления энергопотреблением на основе FL и используют GA для ее настройки и оптимизации. Для оптимизации расхода топлива и выбросов в серии HEV, стратегия управления на основе GA была использована [86]. Это гибкая и глобальная оптимальная стратегия многокритериального управления, которая оказалась лучше, чем алгоритм термостатирования и деления прямоугольника (DIRECT). В [87] используется многокритериальный генетический алгоритм (MOGA) для решения задачи оптимизации для серии HEV.Стратегия управления на основе MOGA является гибкой, многокритериальной и дает глобальные оптимумы. MOGA в дальнейшем используется в [88, 89] для решения задачи оптимизации HEV, которая оптимизирует систему управления и параметры силовой передачи одновременно и дает оптимальное по Парето решение. Montazeri-Gh et al. [90] представляют генетически-нечеткий подход и находят оптимальную область для работы двигателя. Он обеспечивает оптимальное решение проблемы оптимизации. Wimalendra et al. [91] применили GA к параллельному HEV, чтобы найти оптимальное разделение мощности для улучшения характеристик транспортного средства, а также обещали обеспечить максимальную экономию топлива для известного постоянного тока для параллельного HEV с использованием GA.В [30, 92] реализована нечеткая стратегия управления для снижения расхода топлива и выбросов, которая оптимизируется GA. MOGA разработан для снижения расхода топлива и выбросов, а также для оптимизации размеров компонентов силовой передачи [93]. Используя генетический алгоритм недоминируемой сортировки (NSGA), получается оптимальное по Парето решение для уменьшения размеров компонентов, расхода топлива и выбросов [94].

Генетический алгоритм — это мощный инструмент оптимизации, который особенно подходит для многокритериальной оптимизации.Возможность пробовать компромиссные поверхности глобальным, эффективным и направленным образом очень важна для дополнительных знаний, которые она дает. В случае, когда есть два или более эквивалентных оптимума, ГА, как известно, смещается к одному из них в долгосрочной перспективе. Этот феномен генетического дрейфа хорошо наблюдался в природе и объясняется конечным числом популяций. Это становится все более и более важным по мере того, как население становится меньше. NSGA отличается от GA только способом работы оператора выбора.Операции кроссовера и мутации остаются прежними. Это похоже на простой GA, за исключением классификации недоминируемых фронтов и операций совместного использования. MOGA — это модификация GA на уровне выбора. MOGA может оказаться не в состоянии найти несколько решений в случае, если разные точки оптимума по Парето соответствуют одной и той же цели.

5.2.2. Оптимизация в реальном времени

Из-за причинной природы методов глобальной оптимизации они не подходят для анализа в реальном времени. Следовательно, глобальный критерий сводится к мгновенной оптимизации путем введения функции стоимости, которая зависит только от текущего состояния параметров системы.Методы глобальной оптимизации не учитывают вариации SOC батареи в проблеме. Следовательно, оптимизация в реальном времени выполняется для разделения мощности при сохранении заряда батареи.

Методы мгновенной оптимизации, основанные на упрощенной модели и / или картах эффективности, предложены в [95, 96]. В [95] представлена ​​концепция стратегии управления в реальном времени для оптимизации эффективности и выбросов параллельного HEV. Он учитывает все пары крутящего момента двигатель-двигатель, которые прогнозируют потребление энергии и выбросы для каждой заданной точки.В [96] разработана стратегия управления параллельным гибридным транспортным средством в режиме поддержания заряда для мгновенной оптимизации топливной экономичности. А для реализации глобального ограничения авторы разработали нелинейную штрафную функцию с точки зрения отклонения SOC батареи от желаемого значения.

(1) Стратегия минимизации эквивалентного потребления. Paganelli et al. предложить концепцию условного расхода топлива для стратегии энергоменеджмента. Он сводит проблему глобальной оптимизации к задаче мгновенной минимизации и обеспечивает решение в каждый момент.Стратегия минимизации энергопотребления (ECMS) вычисляет эквивалент топлива как функцию текущего состояния системы и количеств, измеряемых на борту, в режиме онлайн. Для получения оптимального решения не требуется предварительных знаний схемы вождения, и ее можно реализовать в режиме реального времени.

ECMS разработана путем расчета общего расхода топлива как суммы реального расхода топлива ДВС и условного расхода топлива электродвигателя. Это позволяет унифицировать как энергию, используемую в батарее, так и расход топлива ДВС.При таком подходе эквивалентный расход топлива рассчитывается в реальном времени в зависимости от текущих измеренных параметров системы. Никаких будущих прогнозов не требуется, требуется лишь несколько управляющих параметров. Эти параметры могут варьироваться от одной топологии HEV к другой в зависимости от условий движения. ECMS может компенсировать влияние неопределенностей динамического программирования. Единственный недостаток этой стратегии состоит в том, что она не гарантирует устойчивости установки по заряду.

Эквивалентный расход топлива рассчитывается на основе предположения, что изменение SOC в будущем компенсируется двигателем, работающим в текущей рабочей точке. Джалил и др. [97] использовали стратегию термостатического управления для включения / выключения двигателя на основе профиля SOC, но не дали оптимальных результатов. Paganelli et al. [96] реализуют ECMS для гибридного внедорожника с электроприводом в режиме поддержания заряда, чтобы минимизировать расход топлива и выбросы загрязняющих веществ. Эта мгновенная минимизация приводит к снижению токсичных выбросов без ухудшения экономии топлива.Paganelli et al. [98] реализуют ECMS для PHEV, которая дает стратегию мгновенного разделения мощности в режиме поддержания заряда. Paganelli et al. [99] реализуют ECMS для минимизации расхода топлива HEV путем разделения мощности между ДВС и электродвигателем. Они позволяют снизить расход топлива на 17,5% по сравнению с одним автомобилем на базе ДВС. Этот результат также подтверждается с помощью теории глобальной оптимизации, использованной в [38]. Супина и Авад [100] предлагают включать / выключать двигатель в соответствии с уровнем заряда аккумулятора, что приводит к повышению топливной эффективности на 1.От 6% до 5% от контроля термостата. Без знания будущих условий движения найти контроль расхода топлива параллельных HV в реальном времени представлен в [101]. Он использует ECMS для мгновенной оптимизации функции затрат и зависит только от текущей работы системы. Вон и др. [102] предлагают стратегию управления энергией для распределения крутящего момента и поддержания заряда HEV с помощью ECMS. При этом сначала формулируется многокритериальная стратегия распределения крутящего момента, а затем она преобразуется в задачу линейной оптимизации с одной целью.Ссылки [103, 104] реализуют модифицированную ECMS для последовательной высоковольтной конфигурации с двумя разными источниками энергии, которая является обобщением мгновенной ECMS, предложенной в [98, 99]. Для управления энергопотреблением в реальном времени [105, 106] предлагают адаптивную стратегию минимизации эквивалентного потребления (A-ECMS). Он постоянно обновляет параметр управления в соответствии с условиями дорожной нагрузки и обеспечивает квазистатическое решение для диспетчерского управления по сравнению с ECMS и стратегией на основе правил. Салмаси [107] разрабатывает новую стратегию управления для серии HEV, которая не требует какой-либо модели транспортного средства и требует меньше времени вычислений.Sciarretta и Guzzella [108] анализируют, что ECMS является близким оптимальным решением для управления энергопотреблением PHEV. ECMS, которая представляет собой стратегию мгновенной оптимизации, реализована в серийном городском гибридном автобусе. Эти автобусы имеют разные конфигурации силовой передачи, такие как топливный элемент и аккумулятор или дизельный двигатель и аккумулятор [109]. Используя ECMS, [110, 111] представляют реализуемую в реальном времени стратегию управления, которая даже при отсутствии будущей информации о вождении обеспечивает оптимальные результаты для минимизации расхода топлива и снижения токсичных выбросов.Tulpule et al. [112] предлагают ECMS, которая требует знания общего расстояния поездки вместо информации о схеме вождения для повышения экономии топлива. Marano et al. [113] сравнили ECMS и DP для сравнения оптимальных характеристик PHEV и пришли к выводу, что ECMS является встроенной реализуемой стратегией управления. He et al. [114] представляют A-ECMS для PHEV с разделением мощности с использованием прогнозируемых профилей скорости. На протяжении всей оптимизации поездки определяются размеры окон, что приводит к снижению расхода топлива.Соотношение расхода топлива зависит от выбранного постоянного тока и режимов работы. Cui et al. [115] разрабатывают стратегию управления энергопотреблением, которая состоит из двух этапов: (1) мгновенная оптимизация с использованием ECMS и (2) оценка общих параметров с использованием DP. Знание расстояния до следующей зарядной станции во время поездки дает заметную экономию топлива, а полное знание местности дает почти 1% экономии топлива.

(2) Прогностический контроль модели (MPC). Модельное управление с прогнозированием (MPC) — хороший метод для динамической модели процесса, который получается путем идентификации системы.Основная особенность MPC — позволить оптимизировать текущий временной интервал с учетом будущих временных интервалов. Это достигается за счет оптимизации конечного временного горизонта и реализации только текущего временного интервала. MPC может предвидеть будущие события и принимать соответствующие меры управления.

Используя MPC, West et al. [116] увеличивают срок службы аккумуляторной батареи и запас хода транспортного средства и в то же время сокращают токсичные выбросы и колебания трансмиссии для электромобилей и HEV. Стратегия на основе модели для управления параллельным гибридом в реальном времени без знания будущих условий движения предложена в [101].Реализуемая в реальном времени стратегия управления энергией HEV с использованием MPC представлена ​​в [117, 118]. В [117] используется смешанное целочисленное линейное программирование для обеспечения наилучшего управления. Они заявляют, что прогнозируемое оптимальное управление обеспечивает лучшую экономию топлива по сравнению с мгновенными стратегиями. В классической модели управления с прогнозированием на каждом этапе требуется решить задачу онлайн-оптимизации. Для решения этой проблемы в [119] реализован MPC с улучшенной скоростью. Махапатра [120] формулирует проект на основе модели для HEV с идеей повторного использования этой конструкции на различных этапах разработки.Это также дает преимущества в виде более низкой стоимости и экономии времени. Kermani et al. [121] реализуют алгоритм глобальной оптимизации на основе формулы Лагранжа с использованием MPC. Стратегия управления энергопотреблением для серии HEV предложена [122] с использованием MPC и квадратичного программирования. С помощью квазистатического симулятора, разработанного в среде MATLAB, применяется алгоритм MPC. Они также исследуют длину и тип прогнозов. Ripaccioli et al. [123] описывают гибридную стратегию MPC для координации подсистемы силовой передачи и для обеспечения соблюдения ограничений состояния и управления.Во-первых, авторы разрабатывают гибридную динамическую модель с использованием метода линейной и кусочно-аффинной идентификации, а затем разрабатывают ПДК для сокращения выбросов. Borhan et al. [124] разработали нелинейный MPC для HEV для решения задачи оптимизации разделения мощности в режиме онлайн. В отсутствие априорного знания схемы вождения, [125] представил прогнозирующий контроль на основе стохастической модели для управления мощностью серии HEV. Потребляемая мощность от драйвера моделируется как цепь Маркова. Этот алгоритм оптимизирует распределение будущей запрошенной потребности в мощности от текущей потребности в каждый момент времени выборки.Vogal et al. [126] используют прогнозную модель для повышения эффективности использования топлива. Авторы используют систему вероятностного прогнозирования маршрута вождения и обучают ее с помощью обучения с обратным подкреплением. Borhan et al. [127] предлагают основанную на ПДК стратегию минимального расхода топлива для гибридных транспортных средств с разделением мощности. Сложная проблема энергоменеджмента делится на два уровня. Для первого уровня (уровень надзора) MPC используется для вычисления будущих управляющих последовательностей, которые минимизируют индекс производительности, а затем применяется к первому элементу вычисленной управляющей последовательности модели гибридного транспортного средства.Для параллельного HEV разработана стратегия распределения крутящего момента MPC [128], учитывающая влияние переходной характеристики дизельного двигателя. Авторы приходят к выводу, что метод на основе MPC может улучшить экономию топлива. Для минимизации расхода топлива и поддержания SOC в заданном диапазоне [129] представил контроллер на основе MPC, который работает с предсказаниями потребности в крутящем моменте, оцененными на основе желаемого SOC и желаемой скорости транспортного средства. Cui et al. [115] предложили онлайн-контроллер отступления, который работает по принципу прогнозирующего управления для параллельных HEV.Стратегия управления энергопотреблением, основанная на этом прогнозирующем управлении, дает экономию топлива на 31,6% по сравнению с управлением на основе правил. Это показывает потенциал прогнозирующего контроля. Авторы приходят к выводу, что стратегии прогнозирующего управления более эффективно используют энергию аккумулятора и, следовательно, обеспечивают лучшую топливную экономичность и снижение выбросов по сравнению с основанными на правилах.

(3) Нейронные сети. Маккаллох и Питтс в 1943 году впервые разработали нейронную сеть, а Хебб в 1949 году разработал первое правило обучения.Искусственная нейронная сеть (ИНС) представляет собой сеть искусственных нейронов и представляет собой метод параллельных вычислений, состоящий из множества блоков обработки, соединенных вместе определенным образом для выполнения определенной задачи. ИНС — это мощный вычислительный метод, который учится и обобщает данные обучения. При этом используется принцип аппроксимации функций. Выход нейрона является функцией взвешенной суммы входов и смещения. Функция всей нейронной сети — это просто вычисление выходных сигналов всех нейронов.Адаптивная структура

NN делает его пригодным для любых приложений управления. Хорошо спроектированная сеть может соответствовать любой таблице поиска и может адаптироваться путем обучения обновлению данных таблицы. Эта функция делает его лучше, чем контроллеры на основе правил. Рекуррентные NN объединены в сеть с динамической обратной связью, что означает, что они также могут быть смоделированы как динамический контроллер. NN — эффективный подход для распознавания образов и подбора функций.

Baumann et al. [130] использовали ИНС и нечеткую логику для реализации стратегии выравнивания нагрузки и реализовали диспетчерский контроллер, который заботится об экономии топлива и сокращении выбросов в случае различных драйверов и режимов движения.Для анализа и контроля разделения мощности в параллельном HEV Arsie et al. [131] смоделировали динамическую систему с взаимодействием транспортного средства с водителем, ДВС и электродвигателем / генератором. Используя это, оценка нагрузки транспортного средства выполняется с использованием NN для оптимизации стратегии диспетчерского управления для оптимизации производительности транспортного средства. Mohebbi et al. [132] представили нейро-нечеткий контроллер, который реализован с использованием метода ANFIS. Этот контроллер разработан на основе (1) крутящего момента, необходимого для вождения, и (2) SOC аккумулятора; и он максимизирует крутящий момент и сводит к минимуму расход топлива.Прохоров [133] предложил контроллер NN для Toyota Prius HEV на основе рекуррентного NN с использованием онлайн- и автономного обучения, включая расширенную фильтрацию Калмана и стохастическую аппроксимацию одновременных возмущений. Автор заявил о лучших результатах за счет сочетания онлайн- и офлайн-методов. Для нелинейной системы управления Лю [134] реализовал высокоточный контроллер нечеткой нейронной сети (FNN). Функция принадлежности FNN оптимизируется с использованием модифицированного генетического алгоритма и метода компенсации ошибок, и результаты оказываются лучше, чем при обычном FLC.Судзуки и др. [135] разработали гибридный контроллер для HEV для оптимизации распределения крутящего момента, жидкого топлива и потребления электрического тока во время движения транспортного средства с использованием NN с онлайн-моделированием. Gong et al. [136] вывели улучшенную модель поездки на основе NN для схемы вождения PHEV; следовательно, достигается повышенная экономия топлива. Из-за отсутствия априорной информации о схеме вождения в [137] предлагается контроллер реального времени, использующий нейродинамическое программирование, который обеспечивает оптимальное разделение мощности для параллельных гибридных электрических легких коммерческих транспортных средств.Мерфи и др. [138] использовали NN для прогнозирования оптимального распределения мощности в дорожных и транспортных условиях в HEV. Авторы сначала разработали структуру машинного обучения для оптимизации энергопотребления в HEV; затем они представляют три интерактивных интеллектуальных контроллера энергии: (1) IEC_HEV_SISE; (2) IEC_HEV_MISE; и (3) IEC_HEV_MIME. Три онлайн-контроллера были интегрированы в модель гибридного автомобиля Ford Escape для онлайн-оценки производительности. Все три интеллектуальных онлайн-контроллера энергии были обучены в рамках машинного обучения, чтобы генерировать наилучшее сочетание мощности двигателя и заряда аккумулятора для минимизации общего расхода топлива.Производительность контроллера IEC_HEV_MISE была признана лучшей и привела к экономии топлива в диапазоне от 5% до 19% по сравнению с контроллером Ford Escape по умолчанию.

(4) Оптимизация роя частиц. Оптимизация роя частиц (PSO) — это более быстрый, недорогой и надежный метод стохастической глобальной оптимизации, разработанный Эберхартом и Кеннеди в 1995 году. Этот метод используется для непрерывной нелинейной функции и был разработан на основе роя в природе как птицы [139, 140] . PSO — это эвристический алгоритм эволюционного поиска, который представляет собой метод итеративной оптимизации с использованием частиц (совокупность возможных решений) и их перемещение в пространстве поиска в соответствии с математической формулой относительно положения и скорости частицы.В PSO частицы перемещаются по области поиска и ориентируются на наиболее известные позиции в области поиска, а также на наиболее известную позицию всего роя. Когда улучшенные положения будут обнаружены, они будут направлять движения частиц роя. Процесс повторяется, но не гарантирует удовлетворительного решения.

PSO — это метаэвристический подход, поскольку он делает мало предположений или вообще не делает никаких предположений об оптимизируемой проблеме и может искать очень большие пространства возможных решений. Однако метаэвристика, такая как PSO, не гарантирует оптимального решения.Более конкретно, PSO не использует градиент оптимизируемой задачи, что означает, что PSO не требует, чтобы задача оптимизации была дифференцируемой, как это требуется классическими методами оптимизации, такими как градиентный спуск и квазиньютоновские методы. Поэтому PSO также можно использовать для задач оптимизации, которые частично нерегулярны и зашумлены, меняются со временем и т. Д.

Стратегия многоуровневого иерархического управления, оптимизированная улучшенным алгоритмом PSO, может правильно определять направление и количество потока энергии в HEV / PHEV и заставлять компоненты главной силовой передачи работать с высокой эффективностью, что позволяет снизить потребление топлива.

Для параллельного HEV многоуровневая иерархическая стратегия управления предложена [141, 142] с использованием MATLAB / Simulink / Stateflow и оптимизирована с помощью PSO для получения оптимального потока энергии между двигателем и электродвигателем. Wang et al. [143] предложили стратегию управления мощностью для оптимизации расхода топлива и выбросов в HEV с использованием PSO и сравнили ее с алгоритмом DIRECT. Путем моделирования этих стратегий для нескольких контроллеров домена выясняется, что PSO лучше, чем DIRECT. Wu et al. [144] реализовали FLC для системы энергоменеджмента.Функция членства и правила FLC оптимизированы с помощью PSO, чтобы найти улучшенную экономию топлива и снижение выбросов в HEV. Для режима поддержания заряда эта стратегия дает лучшую топливную экономичность. Аль-Аавар и др. [145] объединили PSO и нечеткую логику электромагнитной группы (EM-TFL) для оптимизации конструкции системы силовой передачи HEV, чтобы найти лучшие размеры электромеханических компонентов для повышения эффективности и снижения расхода топлива. Десаи и Уильямсон [146] оптимизировали параметры силовой передачи и стратегии управления (целевая функция и ограниченная функция) с помощью PSO для повышения экономии топлива и эффективности, а также снижения выбросов.Хегази и Ван Мирло [147] пришли к выводу, что PSO требует меньше времени, чем GA для получения решения, и его легче реализовать. Варези и Радан [148] использовали PSO, чтобы найти оптимальную степень гибридизации в последовательно-параллельном HEV с помощью усовершенствованного симулятора транспортного средства (ADVISOR) для оптимизации характеристик транспортного средства с уменьшением расхода топлива и выбросов. Для оптимизации различных компонентов HEV, EM-TFL с PSO использовался [149] в форме тематического исследования, в котором сделан вывод о том, что двигатель меньшего размера, характеристики электродвигателя, оптимизированы, а экономия топлива улучшена на 22% и отмечено снижение токсичных выбросов.Джунхонг [150] предложил PSO для оптимизации энергопотребления в PHEV с помощью MATLAB / Simulink и показал улучшение экономии топлива и сокращение выбросов загрязняющих веществ. Су и Чоу [151] оптимизировали емкость стоянки с пятью сотнями PHEV с целевой функцией как «средний SOC» и ограничениями как «оставшийся SOC», «оставшееся время зарядки» и «цены на энергию». Wu et al. [152] оптимизировали размер компонентов и стратегию управления одновременно в параллельных HEV. Это предложило самоадаптивный алгоритм PSO и использует прикладную теорию нечетких множеств для извлечения наилучших подходящих решений.

(5) Принцип минимума Понтрягина. Принцип минимума Понтрягина (PMP), сформулированный в 1956 году российским математиком Львом Семеновичем, дает наилучший возможный контроль для перевода динамической системы из одного состояния в другое при наличии ограничений для некоторого состояния или входного контроля. PMP является частным случаем уравнения Эйлера-Лагранжа вариационного исчисления. Для оптимального решения PMP предоставляет только необходимые условия, а достаточные условия удовлетворяются уравнением Гамильтона-Якоби-Беллмана.В PMP количество нелинейных дифференциальных уравнений второго порядка линейно увеличивается с размерностью, поэтому управление на основе PMP требует меньше вычислительного времени для получения оптимальной траектории, но это может быть локальное оптимальное, а не глобальное решение. При определенных предположениях оптимальную траекторию, полученную с помощью PMP, следует рассматривать как глобальную оптимальную траекторию. Это следующие: (1) траектория, полученная из PMP, уникальна и удовлетворяет необходимым и граничным условиям, (2) некоторые геометрические свойства оптимального поля обеспечивают возможность выяснения оптимальности и (3) как общее утверждение второго В таком подходе абсолютная оптимальность математически подтверждается четким предложением [153].

Геринг [154] объясняет, как PMP сводит глобальную проблему оптимизации энергии к проблеме локальной оптимизации. Серрао и Риццони [155] реализуют оптимальную стратегию управления с помощью PMP для получения оптимального решения. Они превратили глобальную задачу оптимизации в задачу мгновенной оптимизации. Kim et al. [156] применили PMP, чтобы найти оптимальный закон управления для PHEV с помощью мгновенной оптимизации. В доступной литературе делается вывод, что при правильном выборе ограничений состояния стратегия мгновенной оптимизации приводит к почти оптимальному решению, заданному DP.Контроллер реального времени может быть получен, поскольку этот метод становится очень простым после выбора ограничения состояния. Stockar et al. [157] использовал PMP для создания оптимального диспетчерского контроллера, сведя глобальную задачу оптимизации к локальной. Преимущество этого состоит в том, что это снижает требования к вычислениям и дает свободу решать проблему в непрерывной временной области. Stockar et al. [158] предложили стратегию управления на основе модели для минимизации выбросов CO ₂ . Стратегия диспетчерского управления энергопотреблением реализуется как глобальная задача оптимизации, а затем преобразуется в локальную, и с использованием PMP достигается оптимальное использование энергии для PHEV.Для реализации стратегии управления энергопотреблением в реальном времени инструменты, используемые [159], состоят из автономного оптимизатора на основе PMP, который приводит к ECMS и реализуется в среде реального времени. Оптимальное управление в реальном времени может быть получено с помощью PMP, поскольку он использует мгновенную минимизацию функции Гамильтона. Kim et al. [160] утверждают, что решение, основанное на PMP, может быть глобальным оптимальным при некоторых определенных предположениях. Kim et al. [161] применил стратегии управления на основе PMP к PHEV и обнаружил, что это дает ряд альтернативных решений.Они пришли к выводу, что результаты управления смешанным режимом являются лучшей стратегией с точки зрения использования батареи и обеспечивают почти глобальное оптимальное решение, которое может быть получено DP. Kim et al. [162] обнаружили, что PMP обеспечивает почти оптимальное решение для оптимального управления мощностью HEV, если известны будущие условия движения. Предлагается найти подходящую стоимость, чтобы поддерживать SOC на желаемом и заранее определенном уровне.

Поскольку траектория, полученная из PMP, может не быть глобально оптимальным решением, поэтому управление на основе PMP можно рассматривать как уступающее DP.DP требует больше вычислительного времени, чем PMP, потому что DP решает все возможные оптимальные элементы управления для заполнения оптимального поля. Поскольку DP представляет собой численное представление уравнения HJB, для него требуется такая же вычислительная нагрузка, как и для уравнения Гамильтона-Якоби-Беллмана, которое решает уравнение в частных производных. PMP решает только нелинейные дифференциальные уравнения второго порядка. Недостаток DP в отношении вычислительной нагрузки усугубляется «проклятием размерности».

6. Другие стратегии управления питанием

Методология управления питанием с CVT для HEV реализована для оптимизации мощности [102, 163, 164].Вон и др. [102] дают стратегию управления питанием для режима поддержания заряда и распределения крутящего момента в HEV. Ceraolo et al. [165] предлагают подход к оптимальному энергопотреблению, основанный на потоке энергии, который помогает в решении проблем, возникающих на стадии проектирования. Khayyam et al. [166] предоставляют интеллектуальную модель управления энергопотреблением, которая учитывает влияние качения, сопротивления, наклона и вспомогательных нагрузок. В различных условиях движения эта модель сводит к минимуму расход топлива. Amjad et al. [167] разработали стратегию управления энергопотреблением на основе микропроцессора для оптимального разделения мощности.Ji et al. [168] предложили стратегию управления энергией в реальном времени для параллельного HEV на основе вариатора, чтобы избежать зарядки аккумулятора непосредственно через двигатель. Энергия, рекуперированная во время рекуперативного торможения, распределяется для достижения характеристики динамического схождения. Стратегия управления энергией со смешанным зарядом, названная методом эквивалентного расхода топлива (EFCM) для PHEV, представлена ​​в [169]. Контроллер EFCM связан с пропорционально-интегральным (PI) контроллером. Для любого типа ездового цикла или любого размера батареи ПИ-регулятор выводит изменяющуюся во времени функцию штрафа за поддержание заряда, которая управляет SOC батареи.В [170] предложены надежные системы управления с несколькими параметрами лучше, чем существующие стратегии управления крутящим моментом. Предлагаемый контроллер работает на динамических моделях объекта и учитывает требования к управляемости. Он также способен обеспечить значительную надежность при наличии неопределенностей любого типа, таких как изменение динамики установки и недоступность момента нагрузки транспортного средства. Шахи и др. [171] предложил подход для оптимальной гибридизации PHEV с использованием многоцелевого алгоритма оптимизации с преследованием множеств Парето (PSP).Основная особенность этого алгоритма заключается в том, что он использует очень меньше времени (17 дней) по сравнению с методом исчерпывающего поиска (560 дней) для PHEV 20 по расписанию движения городского динамометра (UDDS). Более того, авторы приходят к выводу, что оптимальная схема гибридизации (аккумулятор, двигатель и двигатель должны работать вместе для достижения оптимальных характеристик) зависит от DC и AER и сильно влияет на топливную эффективность.

7. Заключение и направление на будущее

По мере того, как HEV набирают все большую популярность, роль системы управления энергопотреблением в гибридной трансмиссии возрастает.Здесь дается подробное описание и сравнение всех стратегий управления для оптимизации разделения мощности между первичным и вторичным источниками используемых HEV / PHEV. В исследование включено развитие стратегий управления от термостата до передовых интеллектуальных методов.

Контроллеры на основе правил легко реализовать, но результирующая работа может быть весьма далека от оптимальной; то есть потребление энергии не оптимизировано для всей поездки. Для достижения глобальной оптимальности необходима априорная информация о поездке.Хотя управление энергопотреблением в реальном времени невозможно напрямую с использованием методов, основанных на оптимизации, стратегия, основанная на функции мгновенных затрат, может привести к оптимизации в реальном времени. Стратегии, обсуждаемые в этой статье, могут быть реализованы в реальном времени и являются надежными по своей природе. Таблица 1 является заключительной таблицей и служит руководством для выбора правильного метода оптимизации. Предлагается, чтобы стратегии занимали меньше времени вычислений, обеспечивали глобальные оптимальные результаты и соответствовали среде динамического моделирования.

Для снижения расхода жидкого топлива и увеличения рабочего диапазона электропривода без ущерба для скорости и характеристик автомобиля во всем мире применяется новая технология, то есть PHEV. Режим работы PHEV с истощением заряда желателен, но смешанный режим работы может быть многообещающим решением для расширения рабочего электрического диапазона. Предложенные до сих пор стратегии контроля требуют более подробного изучения в контексте рабочих характеристик и их истинного потенциала для PHEV.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов в отношении публикации данной статьи.

Благодарности

Авторы благодарны профессору С. К. Чоудхари, факультет гуманитарных и социальных наук, B.I.T.S. Пилани за то, что потратил драгоценное время на улучшение грамматического качества бумаги.

Действующее образование AFA | Нью-Йоркская киноакадемия