一种用于电动大巴的双电机耦合驱动系统集成优化算法技术方案

本发明专利技术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，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。

【技术实现步骤摘要】
一种用于电动大巴的双电机耦合驱动系统集成优化算法
本专利技术属于双电机耦合驱动系统的参数匹配
，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。
技术介绍
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。
技术实现思路
针对上述本领域中存在的技术问题，本专利技术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·pmae0＝e00+e01·cm+e02·cm2，e1＝e10+e11·cmpmloss＝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，ψc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本文档来自技高网...

【技术保护点】
1.一种用于电动大巴的双电机耦合驱动系统集成优化算法，其特征在于：具体包括以下步骤：/n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；/n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；/n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；/n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；/n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。/n...

【技术特征摘要】
1.一种用于电动大巴的双电机耦合驱动系统集成优化算法，其特征在于：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。


2.如权利要求1所述的算法，其特征在于：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。


3.如权利要求1所述的算法，其特征在于：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。


4.如权利要求1所述的算法，其特征在于：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。


5.如权利要求1所述的算法，其特征在于：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：

【专利技术属性】
技术研发人员：张硕，宿玉康，张承宁，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11