汽车|双电机耦合驱动电动汽车驱动模式划分与优化( 二 )
本文图片
式中：n1max、n2max分别为电机 M1、M2的最大转速；SOC min为电池组最小荷电状态；SOC max为电池组最大荷电状态；P battmax为当前SOC对应的最大放电功率 。
2 驱动系统模式划分与控制策略
2.1 不同模式工作范围的划分
基于上述分析可知 ， DMCP-EV具有4种驱动模式 。 在动力需求的约束下 ， 整车控制器根据获得的实时行驶速度、加速度信号、驱动电机的工作特性以及各个模式的工作原理 ， 获得各个模式的工作范围 。 对各个模式工作范围的划分流程如图2所示 ， 可简述如下 ， 首先由车载传感器采集到速度、加速度信号 ， 然后根据各个模式的动力学模型以及速度等信息 ， 计算各个模式在该工况下所需要的电机转矩、转速 ， 则可以获得各个模式的有效工作范围 ， 如图3所示 。
本文图片
图2 不同模式工作范围划分流程
【汽车|双电机耦合驱动电动汽车驱动模式划分与优化】2.2 基于PSO算法的耦合模式下系统效率优化
本文图片
图3 不同模式下的有效工作范围
依据以上各模式工作范围的划分 ， 满足当前速度、加速度以及驾驶员需求的工作模式可能有多种 。 为提高经济性 ， 采用PSO优化各模式的系统效率 ， 并根据当前行驶工况选择效率最优的工作模式 。 据此 ， 本文中制定基于PSO系统效率优化的双电机耦合驱动系统控制策略 ， 其框架如图4所示 。 控制策略是根据当前工况选择效率最优工作模式 ， 具体步骤如下：
（1）判断满足当前工况的工作模式的情况；若仅有一个适合的模式 ， 则选择该模式；若存在多个驱动模式 ， 则进入系统效率优化控制模式；
（2）计算满足当前工况的各个工作模式系统效率 ， 其具体计算过程详见1.2.2节；
（3）选择系统效率最高的工作模式作为当前工作模式以提高整车经济性 。
本文图片
图4 基于粒子群算法的模式划分及控制流程
2.2.1 TC模式下的系统效率优化
TC模式下 ， 两电机的转速与车速成比例 ， 两电机的转矩相耦合 ， 可以在约束范围内进行调节 。 采用粒子群优化算法优化两电机的转矩分配 ， 以获得系统最优效率 。 PSO算法初始参数和系统效率流程如图5所示 。 TC模式系统效率优化过程为：给定速度和加速度 ， 通过粒子群优化算法获得电机M1、M2的目标转矩 ， 使系统效率ηTC达到最优 。 优化模型如下 。
目标函数（适应度函数）：
本文图片
图5 粒子群算法优化系统效率流程图
约束条件：
本文图片
选取M1电机的转矩T1作为控制变量 ， 则其相应粒子的位置为
本文图片
式中：i为粒子编号；j为迭代次数 。
系统效率寻优结果如图6所示 。 由图可以看出 ， 系统效率在第40代左右收敛至最优值 。 TC模式下的最优转矩分配如图7所示 。
本文图片
图6 PSO算法寻优迭代图
2.2.2 基于系统效率优化的模式控制
推荐阅读
- 南京■南京长途汽车东站12月28日起恢复发车
- 子良说汽车|崔克“唯一”的车型？TREK Domane进化史
- 汽车|马自达全新CX-5曝光！搭直列六缸引擎/后驱平台
- 汽车|8款新车12月份上市，开回家过年很有面子
- 电池|大众ID.6冬季路试谍照 搭双电机四驱/ID.4同款前脸
- 汽车|9万不到的SUV 居然有197马力 而且还有大空间7座！
- 汽车|续航里程410km 华晨新日新能源汽车首车下线
- 汽车|评测 | 懂你所想，予你所需！依维柯欧胜2021款这个“搭档”可还行？
- 汽车知识|凯美瑞2.0L落地近22万，动力差，优惠少，但就是销量高！
- 汽车市场|品牌与性价比亦可兼得 实拍奥迪Q2L