论文部分内容阅读
混合动力系统的高效运行依赖于各部件的匹配及控制策略，其优化模型具有不可微、多维、带约束、非线性等特点，是典型的多目标优化问题。当前针对混合动力系统多目标优化研究，采用线性加权求和法或理想点法等，将多个目标函数转变成单目标函数后进行求解，但混合动力系统的多个目标函数间量纲不同且各参数存在耦合效应，将多目标单目标化的方法难以体现各目标的真实特性。当前的进化算法中，许多研究工作对决策变量映射到目标函数空间后的分布情况比较关注，而对如何有效利用决策空间中客观存在的最优解分布信息的方法研究较少。
论文依托教育部新世纪优秀人才支持计划资助项目“基于具有记忆功能的进化算法的混合动力系统自动设计(NCET-09-0094)”、国家自然科学基金资助项目“多目标优化Pareto支配性的模式识别方法研究(60975049)”等项目开展研究，在构建混合动力汽车多目标优化模型上，研究适合于混合动力系统多目标优化的高效多目标进化算法。所获得的基于进化算法的混合动力汽车多目标优化方法、决策空间划分抽样理论模型等研究成果具有创新性。本研究是真正意义上采用多目标进化算法求解混合动力汽车多目标优化问题的研究，研究成果可以减少混合动力系统创新过程中对人的依赖性，提高企业的创新设计能力与效率，具有良好的应用价值。主要研究内容和创新点如下：
1)分析了并联混合汽车总成模型，建立了混合动力系统两目标优化数学模型，并给出了优化目标、待优化参数及约束条件。设计了基于NSGA-Ⅱ的混合动力系统多目标优化算法。以降低燃油消耗与污染物排量为目标的仿真优化结果表明：优化后的系统百公里油耗平均下降了0.25％，污染物排放平均下降了2.75%，蓄电池充电效率分布由[0.8，0.9]变为[0.85，0.9]，放电效率分布由[0.82，1]变为[0.95，1]。
2)针对并联混合动力汽车控制策略与传动系统参数优化问题，建立了以最小化燃油消耗、碳氢化合物(HC)与氮氧化合物(NOx)排放量之和、一氧化碳(CO)排放量为目标的有约束三目标优化模型，提出了基于Pareto最优原理的混合动力汽车多目标优化进化算法(HEV-MOEA)。该方法采用ADVISOR仿真PHEV并将仿真所得的燃油消耗与污染物值作为候选方案的目标值，基于Pareto支配性原理判定候选方案的优劣，限定待优化变量的取值在PHEV生产精度要求范围内，实验结果显示：(1)优化后的系统百公里燃油消耗平均降低了22.32%，污染物CO、HC与NOx排放量平均降低了22.06%、7.98%、7%；(2)电动机工作效率由优化前的0.18提高到0.52；(3)系统总效率平均提升了22.99%.这些数据表明，采用本文方法所获得的控制策略与传动系统参数，在提高PHEV工作效率、整车性能及降低燃油消耗与污染物排放等方面效果显著。
3)基于古典概率模型建立不划分的随机抽样模型和划分成多个子区域的随机抽样模型(简称划分模型)，分析比较了两个模型分别进行多次独立随机抽样至少抽中1次特定目标的概率，通过证明四个定理得出：当总体中特定目标的数量为1或2时，划分模型抽中特定目标的概率恒大于不划分模型的概率。
4)以划分模型为基础，提出了基于决策空间划分模型的多目标进化算法。该算法将决策空间划分成多个子决策空间并在每个子决策空间内映射出一个超球体，运用某一多目标进化算法完成超球体内个体的1轮次进化，基于粒子群优化算法的粒子移动机制实现超球体间的信息共享、引导超球体质心向最优解集方向移动。针对12个测试问题的实验结果表明，基于决策空间划分模型的多目标进化算法在收敛精度、收敛稳定性等方面比代表性算法表现出更好的性能。最后给出了将此算法应用于混合动力系统多目标优化的相关设置、接口实现及优化结果。