蔡纤玥
身份证号码：513902198812030***
【摘要】传统的辅助动力单元控制实际只是从发动机的效率最高点上面出发，并没有想到其实发电机效率也是一个重要的影响因素，所以本文以辅助动力单元发动机与发电机混和效率相互耦合的某种联系来分析，在此基础上也把不同功率要求的发动机与发电机同时保持效率高的转矩等程序来更新，事实证明，在不同的功率要求下，新的控制战略可以提高1%到4%的系统效率。
【关键词】混合动力汽车；辅助动力单元；效率优化控制
“里程焦虑”是续驶里程不够长引起的一种“焦虑”，它也是拖慢电动汽车大众化的一种重要因子。在电动汽车的运行中套入APU，也就是辅助动力单元，能够成为一种新的增程式电动汽车，英文简称EREV，这种做法是比较有效的方法，它工作的原理是就是利用动力电池SOC降低到某个临界点，从而使APU发电继续支撑电动汽车的行驶。
增程式电动汽车优点十分明显，它是传统电动汽车逐渐升级的结果，应用的价值也是很大的。本文设计了图1所示的EREV结构，其中连接驱动电机和辅助动力单元的是就是离合器L0、L1以及齿轮机构。在缓解里程焦虑的同时大大提高了驱动系统的可靠性。
.png)
图1 增程式电动汽车结构示意图
图1表示的系统中，对于辅助动力单元APU来说，可以在相对固定的工作点上以一定的功率跟随进行工作，此时控制APU是要以具体的系统燃油消耗量来决定的。一般控制APU是仅仅在意发动机是否在高速率的空间内运转，但很少去关注发电机本身的效率。发电机效率是受到多种因素的影响的，不同的工作情况是一个重大的影响因素，所以APU的控制必须把发电机的各种情况包括在内来看。
高效辅助动力单元控制的方法是要对其发动机和发电机的各自效率相互耦合，观察其中的数据，然后进行优化计算，对不同的发电功率需求联合发电机与发动机高效的工作推算目标转速和转矩。
一、APU发动机与发电机效率耦合分析
对于任意一个发电功率需求辅助动力单元的发电机和发动机首先联合的高效运转控制要分析两者之间存在的耦合情况，并且根据具体的数据来挑选出最为优化的控制数据（即参量）。
（一）发动机效率属性
发动机工作效率属性在理论上存在建模的困难，这是因为它的工作流程是一个完整而复杂的系统，发动机效率在理论上表示为输出转速与转矩的函数，在不同情况下是进行测试发动机燃油消耗数据，根据数据计算效率，然后模拟相关模型。如图2所示，可表示为：ηe=fe（ne，Te）（1）
.png)
图2 发动机效率属性
（二）发电机效率属性
发电机效率函数为ηgc=f（ngc，Tgc），发电机效率测试模型如图3所示，ηgc=ne，Tgc=Te表示同轴连接（发电与发动）。发电机效率则有如下公式ηgc=fgc（ne，Te）（2）
.png)
图3 电动/发电机效率属性
（三）APU中发动机与发电机效率耦合关系分析
辅助动力单元发动机与发电机联合效率控制的优化性情况是根据它们之间相互耦合的关系得出的数据结论，所以要对系统内部的各种状态性数据（参量）与影响耦合数据的参量进行进一步的锁定，更好地效率优化问题。
辅助动力单元能量流转和转化联系可以从图4观察，Qf——汽油消耗率，Pe——发动机输出功率，Pin——输入发动机燃油中的功率，Pi——APU输出的电功率。辅助动力单元效率最优控制要使汽油消耗率Qf最小，根据1W=1J/s，汽油质量热值常数R=46000J/g，得出Qf有如下公式：
当需求发电功率为Pi，发电机效率为ηgc时，有Pe=Pi/ηgc（4）
将式（4）代入式（3）可得。
.png)
图4 APU能量流动与转化关系
设APU效率ηsys=ηeηgc，根据式（5），要使Qf最小，则要使ηsys最大。ηsys由ηe和ηgc共同决定，要实现燃油消耗率最佳的控制，需要以燃油消耗率最小或者系统效率最大为目标对APU控制参数进行优化。
二、APU最佳效率控制优化算法
（一）优化问题定义
将ηe=fe（ne，Te）与ηgc=fgc（ne，Te）代入式（5）
可得：
式（6）中的参量作为辅助动力单元控制的某种状态性数值，但它受到车辆状态影响。ne和Te是发动、发电机效率的影响因子，视为系统控制参数。APU系统燃油消耗率Qf最小的优化的控制因果关系如下：在给定的需求发电功率Pi下寻找一组最佳的ne和Te目标值，使APU燃油消耗率Qf最小或系统效率ηsys最大。目标函数：maxηsys
式中：Pimax为最大需求发电功率；nemin，nemax分别为发动机最低转速和最高转速；Temaxx（ne）为转速ne时发emax动机最大输出转矩。
（二）优化问题求解
最好选择计算量少的高效计算方法对以上的公式进行拆解计算，比如说粒子群优化算法就是一个比较好的计算方法。
优化过程完整如下：优化对象车辆的发电功率范围是0~45kW，以步长将AP进行等量划分，用粒子群优化算法在每个发电功率中算出当下系统运转率最大的转速以及转矩，把这一最高点目标化为工作点，并整合所有发电功率中每一个最高点（目标转速、转矩）存储起来，以备使用。
集合上述的思路把全部发电机功率下系统内部完整的高效目标转速与转矩数据存储好。
通过算法的优化，并以matlab程序化推算，得出图5变化曲线（需求功率优化过程中适应数据的变化）。据图所知，循环600次左右算法就已结束（即收敛），但是此时最好叠加循环以保证算法效果。其实不同需求功率下的算法收敛是印证了不同的循环的（即次数差距），也以此推算发现，在循环次数达到1000时各个需求功率下都可以达到优秀的收敛结果。
.png)
图5 某需求功率下优化过程适应值变化曲线
（三）优化结果
取ΔPi=1进行计算，优化的结果图像化为图6和图7。根据图6来看，优化前后辅助动力单元的目标转速与转矩相互对比之后可以锁定最终目标转速和转矩，对此来控制发动机节气门开度与发电机变流器，并且在随机的发电功率下能够找寻系统效率最高值，从而有效控制燃油消耗。图6（c）可以看出是优化前后系统效率的比较，在相同电功率需求下，优化之后整个效率比之前明显提高。
.png)
图6 优化前后APU目标转速和转矩
.png)
图7 发动机和发电机万有特性图
图7（a）和图7（b）呈现的是发动机与发动机万有特性图的示例。在该图中，曲线a呈现外特性是针对发动机的；b呈现的外特性是针对电机的；c呈现的是等功率线；d呈现的等高线是针对发动机效率的；d1呈现的等高线是针对发电机效率的。我们假设一个20kW功率需求来进行讲解：将图7（a）中的A点设置为发动机工作点，将发动机效率ηeA设置为假设功率（20kW）的高峰值。设置发动机与发电机同轴连接，设置发电机工作点的转速、转矩和发动机的相同数据，在图7（b）中A点，此时我们得到发电机效率为ηgcA，系统效率ηsysA=ηeAηgcA。
当然，除了上述出现的情况以外，还存在着这样一种情况，具体如下。
假设工作点B在二十千瓦等功率线上面出现了，我们此刻设计在B的时候，发动机的效率情况为：ηeB＜ηeA，设置工作点B的发电机效率ηgcB＞ηgcA，使得工作点B的系统效率ηsysB=ηeBηgcB比A点的系统效率ηsysA呈现更大的数据。
三、结论
第一，传统辅助动力单元毕竟有局限，只是从发动机效率的方向来研究，但是本文在优化这一不足的基础上分析了发电机效率的影响因素与燃料小号之间的关系，创想了混和发电与发动高效控制辅助动力单元的情况。
第二，分析优化过程中存在的问题，使用粒子群算法优化的解决思路，计算不同发电功率中如何联动发电与发动机双向运转的辅助动力单元目标工作转速与转矩。
参考文献
[1]RHODES K， KOK D， SOHONI P， et al. Estimation of the effects .of auxiliary electrical loads on hybrid electric vehicle fuel economy[C]. SAE Paper 2017-01-1155.
[2]王斌，徐宏昌，许敏，等.增程型电动汽车的增程器系统控制优化与实验研究[J].汽车工程，2015 ，37（4） ：402- 406.