第12卷第2期 智能系统学报 Vol.12 No.2 2017年4月 CAAI Transactions on Intelligent Systems Apr.2017 D0I:10.11992/6is.201603024 网络出版地址：http://www.cnki.net/kcms/detail/23.1538.tp.20170217.1012.010.html 萤火虫算法的电动汽车综合成本运行优化研究 许斌杰，王耀南 (湖南大学电气与信息工程学院，湖南长沙410082) 摘要：为实现节能减排，文章以增程式电动汽车为研究对象，提出了一种基于动态综合成本的增程器运行优化方 法。首先以增程器发动机外特性为研究基础，根据实际工作状况分别建立了发动机燃油消耗率及C0排放率模型， 再通过归一化后将多个目标加权求和的方法建立电动汽车综合成本运行优化模型。模型建立后，在全局优化及特 定功率优化这两种常见模式下以萤火虫算法进行寻优，最后在不同的权重条件下得出最佳综合成本运行曲线。实 验结果表明，文章提出的方法能够在不同的运行环境下通过动态调整权重值，实现基于燃油消耗率及C0排放的综 合成本运行优化。 关键词：电动汽车：油耗：排放：成本：发动机：增程器 中图分类号：TP27:U469.7文献标志码：A文章编号：1673-4785(2017)02-0166-06 中文引用格式：许斌杰，王耀南.萤火虫算法的电动汽车综合成本运行优化研究[J].智能系统学报，2017,12(2)：166-171. 英文引用格式：XU Binjie,WANG Yaonan.Optimizing the composite cost of electric vehicles based on the firefly optimization model [J].CAAI transactions on intelligent systems,2017,12(2):166-171. Optimizing the composite cost of electric vehicles based on the firefly optimization model XU Binjie,WANG Yaonan (College of Electrical and Information Engineering,Hunan University,Changsha 410082,China) Abstract:To achieve savings in energy and reductions of emissions,we propose a process operation optimization method based on dynamic comprehensive cost for range-extending electric vehicles.With the external characteristics of range-extending engines as the basis of our research,we first established engine fuel consumption and carbon monoxide (CO)emission rate models according to actual working conditions.Next,through normalization,we de- veloped an operation optimization model of comprehensive cost for the electric vehicle by using a multi-goal weigh- ted summation method.With our optimization model,we used the firefly algorithm to find the optimal operation val- ue using the two patterns of global optimization and specific power optimization.Finally,we obtained the operation curve corresponding to the optimal comprehensive cost under different weight conditions.Our experimental results show that our proposed method can dynamically adjust the weight value in different operating environments,thus optimizing comprehensive cost based on both fuel consumption and CO emissions. Keywords:electric vehicle;fuel consumption;emission;cost;engine;range extender 随着中国工业化进程的迅速加快和汽车保有量燃烧后排出的废气也严重污染了大气环境)。为 的急剧增长，能源危机迫在眉睫，同时，汽车发动机 应对这一系列问题，并把握我国交通能源动力系统 的宝贵转型机遇，新能源汽车应运而生。但是，受制 收稿日期：2016-03-15.，网络出版日期：2017-02-17. 于电池技术发展的瓶颈，纯电动汽车无论在技术上 基金项目：国家“863”计划项目(2012AA111004):国家自然科学基金 项目(61104088). 还是市场上均难以普及。增程式电动汽车(REEV) 通信作者：许斌杰.E-mail:xubinjie(@hnu.cdu.cn 因既具有纯电动汽车污染小、能耗低的优，点，同时又
第 １２ 卷第 ２ 期 智 能 系 统 学 报 Ｖｏｌ．１２ №．２ ２０１７ 年 ４ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ａｐｒ． ２０１７ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１６０３０２４ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ｔｐ．２０１７０２１７．１０１２．０１０．ｈｔｍｌ 萤火虫算法的电动汽车综合成本运行优化研究 许斌杰，王耀南 （湖南大学 电气与信息工程学院，湖南 长沙 ４１００８２） 摘 要：为实现节能减排，文章以增程式电动汽车为研究对象，提出了一种基于动态综合成本的增程器运行优化方 法。 首先以增程器发动机外特性为研究基础，根据实际工作状况分别建立了发动机燃油消耗率及 ＣＯ 排放率模型， 再通过归一化后将多个目标加权求和的方法建立电动汽车综合成本运行优化模型。 模型建立后，在全局优化及特 定功率优化这两种常见模式下以萤火虫算法进行寻优，最后在不同的权重条件下得出最佳综合成本运行曲线。 实 验结果表明，文章提出的方法能够在不同的运行环境下通过动态调整权重值，实现基于燃油消耗率及 ＣＯ 排放的综 合成本运行优化。 关键词：电动汽车；油耗；排放；成本；发动机；增程器 中图分类号： ＴＰ２７；Ｕ４６９．７ 文献标志码：Ａ 文章编号：１６７３－４７８５（２０１７）０２－０１６６－０６ 中文引用格式：许斌杰，王耀南． 萤火虫算法的电动汽车综合成本运行优化研究［Ｊ］． 智能系统学报， ２０１７， １２（２）： １６６－１７１． 英文引用格式：ＸＵ Ｂｉｎｊｉｅ， ＷＡＮＧ Ｙａｏｎａｎ． Ｏｐｔｉｍｉｚｉｎｇ ｔｈｅ ｃｏｍｐｏｓｉｔｅ ｃｏｓｔ ｏｆ ｅｌｅｃｔｒｉｃ ｖｅｈｉｃｌｅｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｆｉｒｅｆｌｙ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｏｄｅｌ ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１７， １２（２）： １６６－１７１． Ｏｐｔｉｍｉｚｉｎｇ ｔｈｅ ｃｏｍｐｏｓｉｔｅ ｃｏｓｔ ｏｆ ｅｌｅｃｔｒｉｃ ｖｅｈｉｃｌｅｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｆｉｒｅｆｌｙ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｏｄｅｌ ＸＵ Ｂｉｎｊｉｅ， ＷＡＮＧ Ｙａｏｎａｎ （Ｃｏｌｌｅｇｅ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｈｕｎａｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｃｈａｎｇｓｈａ ４１００８２， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｏ ａｃｈｉｅｖｅ ｓａｖｉｎｇｓ ｉｎ ｅｎｅｒｇｙ ａｎｄ ｒｅｄｕｃｔｉｏｎｓ ｏｆ ｅｍｉｓｓｉｏｎｓ， ｗｅ ｐｒｏｐｏｓｅ ａ ｐｒｏｃｅｓｓ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｄｙｎａｍｉｃ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｃｏｓｔ ｆｏｒ ｒａｎｇｅ⁃ｅｘｔｅｎｄｉｎｇ ｅｌｅｃｔｒｉｃ ｖｅｈｉｃｌｅｓ． Ｗｉｔｈ ｔｈｅ ｅｘｔｅｒｎａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｒａｎｇｅ⁃ｅｘｔｅｎｄｉｎｇ ｅｎｇｉｎｅｓ ａｓ ｔｈｅ ｂａｓｉｓ ｏｆ ｏｕｒ ｒｅｓｅａｒｃｈ， ｗｅ ｆｉｒｓｔ ｅｓｔａｂｌｉｓｈｅｄ ｅｎｇｉｎｅ ｆｕｅｌ ｃｏｎｓｕｍｐｔｉｏｎ ａｎｄ ｃａｒｂｏｎ ｍｏｎｏｘｉｄｅ （ＣＯ） ｅｍｉｓｓｉｏｎ ｒａｔｅ ｍｏｄｅｌｓ ａｃｃｏｒｄｉｎｇ ｔｏ ａｃｔｕａｌ ｗｏｒｋｉｎｇ ｃｏｎｄｉｔｉｏｎｓ． Ｎｅｘｔ， ｔｈｒｏｕｇｈ ｎｏｒｍａｌｉｚａｔｉｏｎ， ｗｅ ｄｅ⁃ ｖｅｌｏｐｅｄ ａｎ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｏｄｅｌ ｏｆ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｃｏｓｔ ｆｏｒ ｔｈｅ ｅｌｅｃｔｒｉｃ ｖｅｈｉｃｌｅ ｂｙ ｕｓｉｎｇ ａ ｍｕｌｔｉ⁃ｇｏａｌ ｗｅｉｇｈ⁃ ｔｅｄ ｓｕｍｍａｔｉｏｎ ｍｅｔｈｏｄ． Ｗｉｔｈ ｏｕｒ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｏｄｅｌ， ｗｅ ｕｓｅｄ ｔｈｅ ｆｉｒｅｆｌｙ ａｌｇｏｒｉｔｈｍ ｔｏ ｆｉｎｄ ｔｈｅ ｏｐｔｉｍａｌ ｏｐｅｒａｔｉｏｎ ｖａｌ⁃ ｕｅ ｕｓｉｎｇ ｔｈｅ ｔｗｏ ｐａｔｔｅｒｎｓ ｏｆ ｇｌｏｂａｌ ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ ｓｐｅｃｉｆｉｃ ｐｏｗｅｒ ｏｐｔｉｍｉｚａｔｉｏｎ． Ｆｉｎａｌｌｙ， ｗｅ ｏｂｔａｉｎｅｄ ｔｈｅ ｏｐｅｒａｔｉｏｎ ｃｕｒｖｅ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｔｈｅ ｏｐｔｉｍａｌ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｃｏｓｔ ｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ ｗｅｉｇｈｔ ｃｏｎｄｉｔｉｏｎｓ． Ｏｕｒ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｏｕｒ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｃａｎ ｄｙｎａｍｉｃａｌｌｙ ａｄｊｕｓｔ ｔｈｅ ｗｅｉｇｈｔ ｖａｌｕｅ ｉｎ ｄｉｆｆｅｒｅｎｔ ｏｐｅｒａｔｉｎｇ ｅｎｖｉｒｏｎｍｅｎｔｓ， ｔｈｕｓ ｏｐｔｉｍｉｚｉｎｇ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｃｏｓｔ ｂａｓｅｄ ｏｎ ｂｏｔｈ ｆｕｅｌ ｃｏｎｓｕｍｐｔｉｏｎ ａｎｄ ＣＯ ｅｍｉｓｓｉｏｎｓ． Ｋｅｙｗｏｒｄｓ： ｅｌｅｃｔｒｉｃ ｖｅｈｉｃｌｅ； ｆｕｅｌ ｃｏｎｓｕｍｐｔｉｏｎ； ｅｍｉｓｓｉｏｎ； ｃｏｓｔ； ｅｎｇｉｎｅ； ｒａｎｇｅ ｅｘｔｅｎｄｅｒ 收稿日期：２０１６－０３－１５． 网络出版日期：２０１７－０２－１７． 基金项目：国家“ ８６３” 计划项目（ ２０１２ＡＡ１１１００４）； 国家自然科学基金 项目（６１１０４０８８）． 通信作者：许斌杰． Ｅ⁃ｍａｉｌ：ｘｕｂｉｎｊｉｅ＠ ｈｎｕ．ｅｄｕ．ｃｎ． 随着中国工业化进程的迅速加快和汽车保有量 的急剧增长，能源危机迫在眉睫，同时，汽车发动机 燃烧后排出的废气也严重污染了大气环境［ １ ］ 。 为 应对这一系列问题，并把握我国交通能源动力系统 的宝贵转型机遇，新能源汽车应运而生。 但是，受制 于电池技术发展的瓶颈，纯电动汽车无论在技术上 还是市场上均难以普及。 增程式电动汽车（ＲＥＥＶ） 因既具有纯电动汽车污染小、能耗低的优点，同时又
第2期 许斌杰，等：萤火虫算法的电动汽车综合成本运行优化研究 ·167. 能实现较长续驶里程，已经成为传统内燃机汽车与 数值越优自身亮度越高：B表示光吸收系数，因为光 纯电动汽车之间的理想过渡车型。能耗与污染气体 在传播过程中荧光会随着距离增加而减弱，光吸收 排放是衡量新能源汽车的重要指标，C0是汽车主 系数体现荧光减弱的速度，实际优化中，B∈[0.01， 要的排放污染物之一，确定功率需求之后，以油耗和 1,],r表示萤火虫之间的距离。 污染气体排放最小为目标，确定增程器工作点，是增 S(r）=Se (1) 程式电动汽车能量管理与运行优化的重要研究方向 2)相互吸引度y:如式(2)所示，yo指最亮萤 之一【2]。文献[3-5]分别通过不同的控制策略来 火虫的吸引度，即光源吸引度(r=0)。 实现电动汽车的节能优化；文献[6]以碳排放为优 Y(r)=yoe (2) 化对象进行了电动汽车充电站的规划；文献[7]也 3)种群规模M及最大迭代次数g:种群规模大 针对货车的污染物排放进行了研究：尽管上述方法 小及迭代次数影响寻优的准确度及速度，一般选择 都通过不同途径实现了汽车的运行优化，但是都没 20~60,特定问题可以取到100200.而继续增大M 有在发动机实际限制条件下同时考虑油耗及污染物 对增强算法准确度并无明显效果，反而将显著增加 气体排放。为解决工业应用中经常遇到的各种优化 计算量，反而不利于寻优。 问题，学者们提出了多种优化算法，文献「8]提出一 确定几个重要参数之后，各萤火虫即可通过迭 种改进的教与学优化算法提高BP神经网络的输出 代不断寻优，其位置更新公式如式(3)： 精度：文献[9]基于鱼群算法完成了仿人机器人的 X(t+1)=X(t)+Yoe+5s: (3) 步态优化。本文所选用的萤火虫算法(FA)是由剑 式中：是[0,1]上的随机常数，6：为[0,1]上服从 桥学者Yang1o]在2008年提出的一种随机优化算 正态分布的随机因子。 法，已经应用与多种工程实践之中，运用萤火虫优化 1.3主要流程 算法，在考虑发动机的油耗的同时兼顾C0排放优 算法1FA(t,B,Yo,g,M) 化问题，实现了增程式电动汽车运行优化研究。 初始化：t=0,x:(t)=rand,B=0.4,yo=1.0,g= 60: 1萤火虫优化算法 计算各萤火虫适应度值：F,(t)=F(x,(t))； 1.1萤火虫优化算法 While(t<g) 以模拟自然界生物觅食或信息交换过程为特色 for(i=1:M) 的群智能优化算法是近年来备受关注的研究领域之 for(j=1:i) 一。萤火虫算法模拟自然界中萤火虫之间因觅食及 计算萤火虫X荧光强度S(r) 择偶等活动中产生的依靠光照亮度而相互吸引的合 if(S;(r)<S;(r)) 作行为。每个萤火虫均是一个存在于种群中的独立 萤火虫i向萤火虫j移动 个体，它们都具有一定的感知能力，不同的萤火虫发 end if 出的光强弱不一，搜索范围内发光弱的萤火虫被发 计算更新的荧光强度 光强的萤火虫所吸引，并在萤火虫之间的移动过程 end 中实现位置迭代，寻找最优解的过程就是寻找最亮 end 的萤火虫的过程，搜索过程就是不断的迭代过程，在 萤火虫进行排序，找出当前最优解 不断的迭代中实现寻优[山。 end 1.2主要参数介绍 FA算法中各萤火虫按照上述步骤迭代寻找到 FA算法中，萤火虫的寻优主要与几个重要参数 最优值。 相关，即萤火虫的荧光亮度和萤火虫的相互吸引度 2电动汽车运行优化问题 及种群规模。萤火虫的荧光亮度代表着萤火虫所处 空间位置的“好坏”，荧光最亮的萤火虫位置就是所 文章所研究的增程式电动汽车动力系统结构如 要寻找的最优点的位置，同时，荧光越亮的萤火虫对 图1所示，电驱动系统、增程器系统以及整车控制系 周围萤火虫的吸引度越高，且这两个重要参数均与 统共同构成了车辆动力系统。电驱动系统与整车控 距离成反比关系，即距离越大，两者吸引度越小。 制系统相互配合即可实现电动汽车的纯电行驶，但 1)荧光亮度S(r):如式(1)所示，S代表最亮的 由于动力电池容量较小，纯电动行驶续驶里程较短。 萤火虫荧光亮度，与寻优的目标函数值相关，目标函 即当动力电池电量(SoC)消耗至最低临界限值
能实现较长续驶里程，已经成为传统内燃机汽车与 纯电动汽车之间的理想过渡车型。 能耗与污染气体 排放是衡量新能源汽车的重要指标，ＣＯ 是汽车主 要的排放污染物之一，确定功率需求之后，以油耗和 污染气体排放最小为目标，确定增程器工作点，是增 程式电动汽车能量管理与运行优化的重要研究方向 之一［ ２ ］ 。 文献［３－５］ 分别通过不同的控制策略来 实现电动汽车的节能优化；文献［６］以碳排放为优 化对象进行了电动汽车充电站的规划；文献［７］ 也 针对货车的污染物排放进行了研究；尽管上述方法 都通过不同途径实现了汽车的运行优化，但是都没 有在发动机实际限制条件下同时考虑油耗及污染物 气体排放。 为解决工业应用中经常遇到的各种优化 问题，学者们提出了多种优化算法，文献［８］提出一 种改进的教与学优化算法提高 ＢＰ 神经网络的输出 精度；文献［９］基于鱼群算法完成了仿人机器人的 步态优化。 本文所选用的萤火虫算法（ＦＡ）是由剑 桥学者 Ｙａｎｇ ［ １０ ］在 ２００８ 年提出的一种随机优化算 法，已经应用与多种工程实践之中，运用萤火虫优化 算法，在考虑发动机的油耗的同时兼顾 ＣＯ 排放优 化问题，实现了增程式电动汽车运行优化研究。 １ 萤火虫优化算法 １．１ 萤火虫优化算法 以模拟自然界生物觅食或信息交换过程为特色 的群智能优化算法是近年来备受关注的研究领域之 一。 萤火虫算法模拟自然界中萤火虫之间因觅食及 择偶等活动中产生的依靠光照亮度而相互吸引的合 作行为。 每个萤火虫均是一个存在于种群中的独立 个体，它们都具有一定的感知能力，不同的萤火虫发 出的光强弱不一，搜索范围内发光弱的萤火虫被发 光强的萤火虫所吸引，并在萤火虫之间的移动过程 中实现位置迭代，寻找最优解的过程就是寻找最亮 的萤火虫的过程，搜索过程就是不断的迭代过程，在 不断的迭代中实现寻优［ １１ ］ 。 １．２ 主要参数介绍 ＦＡ 算法中，萤火虫的寻优主要与几个重要参数 相关，即萤火虫的荧光亮度和萤火虫的相互吸引度 及种群规模。 萤火虫的荧光亮度代表着萤火虫所处 空间位置的“好坏”，荧光最亮的萤火虫位置就是所 要寻找的最优点的位置，同时，荧光越亮的萤火虫对 周围萤火虫的吸引度越高，且这两个重要参数均与 距离成反比关系，即距离越大，两者吸引度越小。 １）荧光亮度 Ｓ（ｒ）：如式（１）所示，Ｓ０代表最亮的 萤火虫荧光亮度，与寻优的目标函数值相关，目标函 数值越优自身亮度越高； β 表示光吸收系数，因为光 在传播过程中荧光会随着距离增加而减弱，光吸收 系数体现荧光减弱的速度，实际优化中， β ∈［０．０１， １，］ ， ｒ 表示萤火虫之间的距离。 Ｓ（ｒ） ＝ Ｓ０ ｅ －βｒ ２ （１） ２）相互吸引度 γ ：如式（２）所示， γ０ 指最亮萤 火虫的吸引度，即光源吸引度（ｒ ＝ ０）。 γ（ｒ） ＝ γ０ ｅ －βｒ ２ （２） ３）种群规模 Ｍ 及最大迭代次数 ｇ：种群规模大 小及迭代次数影响寻优的准确度及速度，一般选择 ２０～６０，特定问题可以取到 １００ ～ ２００，而继续增大 Ｍ 对增强算法准确度并无明显效果，反而将显著增加 计算量，反而不利于寻优。 确定几个重要参数之后，各萤火虫即可通过迭 代不断寻优，其位置更新公式如式（３）： Ｘｉ（ｔ ＋ １） ＝ Ｘｉ（ｔ） ＋ γ０ ｅ －βｒ ｉｊ ２ ＋ ζεｉ （３） 式中： ζ 是［０，１］ 上的随机常数，εｉ 为［０，１］ 上服从 正态分布的随机因子。 １．３ 主要流程 算法 １ ＦＡ（ｔ， β ， γ０ ， ｇ，Ｍ） 初始化： ｔ ＝ ０，ｘｉ（ｔ）＝ ｒａｎｄ， β ＝ ０．４， γ０ ＝ １．０，ｇ ＝ ６０； 计算各萤火虫适应度值：Ｆｉ（ｔ）＝ Ｆ（ｘｉ（ｔ））； Ｗｈｉｌｅ（ｔ＜ｇ） ｆｏｒ（ｉ ＝ １：Ｍ） ｆｏｒ（ｊ ＝ １：ｉ） 计算萤火虫 Ｘｉ荧光强度 Ｓｉ（ｒ） ｉｆ（Ｓｉ（ｒ） ＜Ｓｊ（ｒ）） 萤火虫 ｉ 向萤火虫 ｊ 移动 ｅｎｄ ｉｆ 计算更新的荧光强度 ｅｎｄ ｅｎｄ 萤火虫进行排序，找出当前最优解 ｅｎｄ ＦＡ 算法中各萤火虫按照上述步骤迭代寻找到 最优值。 ２ 电动汽车运行优化问题 文章所研究的增程式电动汽车动力系统结构如 图 １ 所示，电驱动系统、增程器系统以及整车控制系 统共同构成了车辆动力系统。 电驱动系统与整车控 制系统相互配合即可实现电动汽车的纯电行驶，但 由于动力电池容量较小，纯电动行驶续驶里程较短。 即当动力电池电量 （ Ｓｏｃ） 消耗至最低临界限值 第 ２ 期 许斌杰，等： 萤火虫算法的电动汽车综合成本运行优化研究 ·１６７·
.168 智能系统学报 第12卷 Soc.时，需要启动增程器(APU)为整车提供能量从 发动机外特性曲线 而延长汽车续驶里程。APU由发动机、发电机和 PWM整流器组成。如式(4)： P=PBAT PAPU (4) 车辆运行过程中，整车控制器根据动力电池提供的 40 功率PAT及整车实时功率需求P向APU发出功率 需求Pu。由于增程式电动汽车车辆驱动轮仅与 20 器 10 驱动电机机械相连，而与APU相互隔离，因此发动 8g 0 1.52.02.53.03.54.0455.05.5×10 机转速和转矩可以运行在满足功率要求的任意工作 转速/(rmin) 点上，而发动机的油耗和CO排放由其工作点决定， 图2发动机转速-转矩-油耗率特性 因此，控制发动机的工作点可以实现对其油耗及C0 Fig.2 Speed-torque-fuel consumption rate characters 排放的优化。 of the engine 龟驱动车载 一发动机外特性曲线 系统 80 Dn 充电 装置 70 电池 DC 60 电力 DC 50 系价 电池 电机 制器 40 电 30 整车控制器 20 =机械连接 103 C发动机 发电机 一电气连接 1.01.52.02.53.035404550535×10 整流 ·信号连接 转速/(rmin) 增程器 图3发动机转速-转矩-C0排放率特性 图1增程式电动汽车动力系统结构示意图 Fig.3 Speed-torque-CO consumption rate characters of Fig.1 Schematic of the power-train of REEV the engine 为衡量增程式电动汽车燃油经济性能，常常 不同的工作点(N,T)对应不同的油耗率及CO 用到有效燃油消耗率(B$FC),它是指单位有效 排放，等高线分别为等油耗率线及等C0排放线。 功的耗油量，通常用每千瓦小时有效功所消耗的 由图2、图3可知，油耗与C0的优化方向并不 燃油克数来表示，有效燃油消耗率越低，经济性 完全重合，有时甚至会相互冲突。 越好。类似地，以每千瓦小时有效功所排放的气 T=9549P/W (5) 体克数来衡量增程式电动汽车排放性能。由于 式中：P、T、N分别为发动机功率、转矩、转速，整车 APU的有效燃油消耗率及有效CO排放率直接 控制器根据动力电池提供的功率及整车实时功率需 取决于起工作点(N,T),根据发动机最佳BSFC 求向APU发出功率需求PAu,根据PA可以在转速 和排放性能及实时功率需求来确定工作点可以 -转矩-油耗率及转速-转矩-C0特性Map图上分别 有效减少能源消耗及C0排放。 得到工作点可运行范围，在可运行范围上找到油耗 2.1电动汽车增程器油耗及排放模型 率最低及C0排放最少的点即为分别的最优点。 在MATLAB环境下，以某峰值功率为40 如式(6)所示，APU油耗优化问题及C0排放 kW,排气量为1.0L的自然吸气汽油发动机为研 优化问题可以等效为以油耗率及C0排放率为目标 究对象，根据GB/T18297-2001规定的发动机试 函数，以APU转速N和转矩T为优化变量的最小化 验方法[12]，分别在27×8个转速、转矩点上测量 优化问题，即 发动机的油耗率及C0排放，然后采用双三次插 min[W(N,T)]=min(Wec(N,T)) 值法，分别得到如图2、图3所示的发动机的转速 min[W(N,T)]min(Wco(N,T))(6) -转矩-油耗率特性Map图及转速-转矩-C0排放 式中：W(N,T)为APU对应的工作点，Wc及Wco分 特性Ma即图，其中的黑色粗实线表征的外特性曲 别为APU工作点对应的油耗率及CO排放率。 线是指发动机工作在全负荷状态下时的速度转 2.2电动汽车增程器综合成本模型 矩特性，它表示APU所能达到的最大动力性能， 实际的增程器系统需要同时考虑燃油效率及 即APU实际可运行区域。 C0排放多个目标，并且多个目标之间存在一定的
Ｓｏｃｍｉｎ时，需要启动增程器（ＡＰＵ）为整车提供能量从 而延长汽车续驶里程。 ＡＰＵ 由发动机、发电机和 ＰＷＭ 整流器组成。 如式（４）： Ｐ ＝ ＰＢＡＴ ＋ ＰＡＰＵ （４） 车辆运行过程中，整车控制器根据动力电池提供的 功率 ＰＢＡＴ及整车实时功率需求 Ｐ 向 ＡＰＵ 发出功率 需求 ＰＡＰＵ。 由于增程式电动汽车车辆驱动轮仅与 驱动电机机械相连，而与 ＡＰＵ 相互隔离，因此发动 机转速和转矩可以运行在满足功率要求的任意工作 点上，而发动机的油耗和 ＣＯ 排放由其工作点决定， 因此，控制发动机的工作点可以实现对其油耗及 ＣＯ 排放的优化。 图 １ 增程式电动汽车动力系统结构示意图 Ｆｉｇ．１ Ｓｃｈｅｍａｔｉｃ ｏｆ ｔｈｅ ｐｏｗｅｒ⁃ｔｒａｉｎ ｏｆ ＲＥＥＶ 为衡量增程式电动汽车燃油经济性能，常常 用到有效燃油消耗率（ ＢＳＦＣ） ，它是指单位有效 功的耗油量，通常用每千瓦小时有效功所消耗的 燃油克数来表示，有效燃油消耗率越低，经济性 越好。 类似地，以每千瓦小时有效功所排放的气 体克数来衡量增程式电动汽车排放性能。 由于 ＡＰＵ 的有效燃油消耗率及有效 ＣＯ 排放率直接 取决于起工作点（ Ｎ，Ｔ） ，根据发动机最佳 ＢＳＦＣ 和排放性能及实时功率需求来确定工作点可以 有效减少能源消耗及 ＣＯ 排放。 ２．１ 电动汽车增程器油耗及排放模型 在 ＭＡＴＬＡＢ 环 境 下， 以 某 峰 值 功 率 为 ４０ ｋＷ，排气量为 １．０ Ｌ 的自然吸气汽油发动机为研 究对象，根据 ＧＢ ／ Ｔ１８２９７⁃２００１ 规定的发动机试 验方法［ １ ２ ］ ，分别在 ２７ × ８ 个转速、转矩点上测量 发动机的油耗率及 ＣＯ 排放，然后采用双三次插 值法，分别得到如图 ２、图 ３ 所示的发动机的转速 －转矩－油耗率特性 Ｍａｐ 图及转速－转矩⁃ＣＯ 排放 特性 Ｍａｐ 图，其中的黑色粗实线表征的外特性曲 线是指发动机工作在全负荷状态下时的速度转 矩特性，它表示 ＡＰＵ 所能达到的最大动力性能， 即 ＡＰＵ 实际可运行区域。 图 ２ 发动机转速－转矩－油耗率特性 Ｆｉｇ． ２ Ｓｐｅｅｄ⁃ｔｏｒｑｕｅ⁃ｆｕｅｌ ｃｏｎｓｕｍｐｔｉｏｎ ｒａｔｅ ｃｈａｒａｃｔｅｒｓ ｏｆ ｔｈｅ ｅｎｇｉｎｅ 图 ３ 发动机转速－转矩－ＣＯ 排放率特性 Ｆｉｇ．３ Ｓｐｅｅｄ⁃ｔｏｒｑｕｅ⁃ＣＯ ｃｏｎｓｕｍｐｔｉｏｎ ｒａｔｅ ｃｈａｒａｃｔｅｒｓ ｏｆ ｔｈｅ ｅｎｇｉｎｅ 不同的工作点（Ｎ，Ｔ）对应不同的油耗率及 ＣＯ 排放，等高线分别为等油耗率线及等 ＣＯ 排放线。 由图 ２、图 ３ 可知，油耗与 ＣＯ 的优化方向并不 完全重合，有时甚至会相互冲突。 Ｔ ＝ ９ ５４９ Ｐ ／ Ｎ （５） 式中：Ｐ、Ｔ、Ｎ 分别为发动机功率、转矩、转速，整车 控制器根据动力电池提供的功率及整车实时功率需 求向 ＡＰＵ 发出功率需求 ＰＡＰＵ，根据 ＰＡＰＵ可以在转速 －转矩－油耗率及转速－转矩⁃ＣＯ 特性 Ｍａｐ 图上分别 得到工作点可运行范围，在可运行范围上找到油耗 率最低及 ＣＯ 排放最少的点即为分别的最优点。 如式（６） 所示，ＡＰＵ 油耗优化问题及 ＣＯ 排放 优化问题可以等效为以油耗率及 ＣＯ 排放率为目标 函数，以 ＡＰＵ 转速 Ｎ 和转矩 Ｔ 为优化变量的最小化 优化问题，即 ｍｉｎ［Ｗ（Ｎ，Ｔ）］ ＝ ｍｉｎ（ＷＦＣ（Ｎ，Ｔ）） ｍｉｎ［Ｗ（Ｎ，Ｔ）］ ＝ ｍｉｎ（ＷＣＯ（Ｎ，Ｔ）） （６） 式中：Ｗ（Ｎ，Ｔ）为 ＡＰＵ 对应的工作点，ＷＦＣ及 ＷＣＯ分 别为 ＡＰＵ 工作点对应的油耗率及 ＣＯ 排放率。 ２．２ 电动汽车增程器综合成本模型 实际的增程器系统需要同时考虑燃油效率及 ＣＯ 排放多个目标，并且多个目标之间存在一定的 ·１６８· 智 能 系 统 学 报 第 １２ 卷
第2期 许斌杰，等：萤火虫算法的电动汽车综合成本运行优化研究 .169. 冲突，难以寻找到一个能使多个目标均实现最优化 其中w(i=1,2)按图5所示流程及式(9)进行 的解。文章采用多目标加权求和的方法，构建增程 动态调整： 器综合成本，赋予燃油效率及C0排放不同的权重 (10:(t+1)=0.50:(t)+0.45 值，将多目标优化问题转化为一个单目标优化问题， (9) 01+02=1 降低了计算量，同时能根据不同的实际需要分配不 初始化 同权重值而实现对特定要求的工作点优化。由式 ww,0.5 (7),先将目标函数转化为[0,1]内的无量量纲， 油耗率不达标 是否达标 CO排放不达标 (Frc(N,T)= Y Wrc(N,T)-min[Wec(N,T) 动疮湖整 动态调整 1 max[Wrc(N,T)]-min[Wec(N,T) (7) Fco(N,T)= 是否达标 是否达标 Wco(N,T)-min[Wco(N,T) max[Wco(N,T)-min[Wco(N,T) 继续调整 直至达标 鉴 归一化后，根据式(8)对增程器特性进行加权 确定y1w,数值 平均操作： wFrc +wFco 优化 Fs 101+102 (8) 图5权重调整流程图 01+02=1 Fig.5 Diagram of weight adjustment process 式中：w,及w,两项即为油耗率和C0排放的权重值， 至此，以发动机转速N和转矩T为优化变量， 表示系统对两项分别的“重视程度”，通过调整心，及 以APU油耗率和C0排放率构成的综合成本为优 ,的值对油耗和C0排放进行优化。图4为初始化 化目标，并通过发动机外特性作为约束条件的电动 设置e,=w,=0.5时，即同等程度重视油耗率及C0排 汽车增程器综合成本优化模型成功建立。 放时的发动机转速-转矩-综合成本特性Map图。 3优化结果及对比分析 80 70 根据以上分析，在已经建立的电动汽车增程器 综合成本模型下，按照1.3节说明的算法执行流程， 0.0 对发动机工作点进行FA优化。 003 2 3.1全局优化 全局优化模式下，首先初始化设置0，=02=0.5 1095 。弹 时，萤火虫在满足外特性条件的全部范围内寻优，优 1.0152.02.53.03.54.04.55.05.5 ×103 化结果如图6所示。此时，N=2540.8/m,T= 转速/(rmin) 49.3N·m时，综合成本取得最小值F、=0.01。 图4发动机转速-转矩-综合成本特性 Fig.4 Speed-torque-composite cost characters of the engine 90 80 根据式(8)可以动态调整0，与心，的值来实现电 70 动汽车综合成本运行优化，其运行优化的标准为： 60 1)根据不同国家或者地区对汽车油耗率或者 50 排放的不同规定，动态调整心，与02的值，直至达标； 30 2)根据车辆运行环境，动态调整0，与w,的值以 20 避免环境的进一步恶化，例如当车辆行驶在空气质 ×10 1.01.52.02.53.03.54.04.55.05.5 量较好的农村地带或者城市郊区时，可以通过增大 转速/(rmin) w,来重点实现汽车油耗率的优化，而在空气污染严 图6全局优化时最优解分布情况 重的城市中心或者工业区时，增大w2以重点改善车 Fig.6 Distribution of the firely optimal solution in solu- 辆排放性能。 tion space
冲突，难以寻找到一个能使多个目标均实现最优化 的解。 文章采用多目标加权求和的方法，构建增程 器综合成本，赋予燃油效率及 ＣＯ 排放不同的权重 值，将多目标优化问题转化为一个单目标优化问题， 降低了计算量，同时能根据不同的实际需要分配不 同权重值而实现对特定要求的工作点优化。 由式 （７），先将目标函数转化为［０，１］内的无量量纲， ＦＦＣ（Ｎ，Ｔ） ＝ ＷＦＣ（Ｎ，Ｔ） － ｍｉｎ［ＷＦＣ（Ｎ，Ｔ）］ ｍａｘ［ＷＦＣ（Ｎ，Ｔ）］ － ｍｉｎ［ＷＦＣ（Ｎ，Ｔ）］ ＦＣＯ（Ｎ，Ｔ） ＝ ＷＣＯ（Ｎ，Ｔ） － ｍｉｎ［ＷＣＯ（Ｎ，Ｔ）］ ｍａｘ［ＷＣＯ（Ｎ，Ｔ）］ － ｍｉｎ［ＷＣＯ（Ｎ，Ｔ）］ ì î í ï ï ï ïï ï ï ï ï （７） 归一化后，根据式（８）对增程器特性进行加权 平均操作： ＦＳ ＝ ｗ１ＦＦＣ ＋ ｗ２ＦＣＯ ｗ１ ＋ ｗ２ ｗ１ ＋ ｗ２ ＝ １ ì î í ï ï ïï （８） 式中：ｗ１及 ｗ２两项即为油耗率和 ＣＯ 排放的权重值， 表示系统对两项分别的“重视程度”，通过调整 ｗ１及 ｗ２的值对油耗和 ＣＯ 排放进行优化。 图 ４ 为初始化 设置 ｗ１ ＝ｗ２ ＝ ０．５ 时，即同等程度重视油耗率及 ＣＯ 排 放时的发动机转速－转矩－综合成本特性 Ｍａｐ 图。 图 ４ 发动机转速－转矩－综合成本特性 Ｆｉｇ．４ Ｓｐｅｅｄ⁃ｔｏｒｑｕｅ⁃ｃｏｍｐｏｓｉｔｅ ｃｏｓｔ ｃｈａｒａｃｔｅｒｓ ｏｆ ｔｈｅ ｅｎｇｉｎｅ 根据式（８）可以动态调整 ｗ１与 ｗ２的值来实现电 动汽车综合成本运行优化，其运行优化的标准为： １） 根据不同国家或者地区对汽车油耗率或者 排放的不同规定，动态调整 ｗ１与 ｗ２的值，直至达标； ２）根据车辆运行环境，动态调整 ｗ１与 ｗ２的值以 避免环境的进一步恶化，例如当车辆行驶在空气质 量较好的农村地带或者城市郊区时，可以通过增大 ｗ１来重点实现汽车油耗率的优化，而在空气污染严 重的城市中心或者工业区时，增大 ｗ２以重点改善车 辆排放性能。 其中 ｗｉ（ｉ ＝ １，２）按图 ５ 所示流程及式（９）进行 动态调整： ｗｉ（ｔ ＋ １） ＝ ０．５ｗｉ（ｔ） ＋ ０．４５ ｗ１ ＋ ｗ２ { ＝ １ （９） 图 ５ 权重调整流程图 Ｆｉｇ．５ Ｄｉａｇｒａｍ ｏｆ ｗｅｉｇｈｔ ａｄｊｕｓｔｍｅｎｔ ｐｒｏｃｅｓｓ 至此，以发动机转速 Ｎ 和转矩 Ｔ 为优化变量， 以 ＡＰＵ 油耗率和 ＣＯ 排放率构成的综合成本为优 化目标，并通过发动机外特性作为约束条件的电动 汽车增程器综合成本优化模型成功建立。 ３ 优化结果及对比分析 根据以上分析，在已经建立的电动汽车增程器 综合成本模型下，按照 １．３ 节说明的算法执行流程， 对发动机工作点进行 ＦＡ 优化。 ３．１ 全局优化 全局优化模式下，首先初始化设置 ｗ１ ＝ ｗ２ ＝ ０．５ 时，萤火虫在满足外特性条件的全部范围内寻优，优 化结果如图 ６ 所示。 此时，Ｎ ＝ ２ ５４０． ８ ｒ／ ｍ， Ｔ ＝ ４９．３ Ｎ·ｍ时，综合成本取得最小值 ＦＳ ＝ ０．０１。 图 ６ 全局优化时最优解分布情况 Ｆｉｇ．６ Ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｔｈｅ ｆｉｒｅｌｙ ｏｐｔｉｍａｌ ｓｏｌｕｔｉｏｎ ｉｎ ｓｏｌｕ⁃ ｔｉｏｎ ｓｐａｃｅ 第 ２ 期 许斌杰，等： 萤火虫算法的电动汽车综合成本运行优化研究 ·１６９·
·170 智能系统学报 第12卷 3.2最佳综合成本运行曲线 而当车辆需要更多考虑减少C0排放时，动态调 当整车控制器对APU发出特定的功率点需求 整01=0.2，w2=0.8对工作点进行寻优，改善车 P时，发动机将工作在整车控制器指定的功率点 辆的排放性能，而得到的APU最佳综合成本运 上，此时的可运行工作点为功率为P的等功率线 行曲线的结果分别如图9(b)、(c)所示。比较3 上，如图7所示黑色实线即为PAu=25kW时APU 张图，基于不同的权重考虑下，APU最佳综合成 工作区间，优化变量需要满足式(10)。 本运行曲线会发生明显变化，以寻求不同目的下 max(Na,三(fn(N),g(N,P))≤ 的油耗率及C0排放率的共同优化。 N≤min(Ns,三(Tia,g(N,P)) (10) 90 80 T=9549P/N 0 式中：三，(f(N),g(N,P)表示APU外特性曲线 60 f(N)与等功率线g(N,Pn)的交点处转速，三 30 (Tma,g(N,P))为APU最小功率与功率等高线 40 g(n,P)交点处的转速，图8即为PAu=25kW,且 30 w,=02=0.5时综合成本优化结果。此时，N= 20 3453.1r·min1,T=69.1Nm时，综合成本取得最小 1.01.52.02.530334.0455.05.5x10 转速/(rmin) 值Fs=0.19。 (a)w1=02=0.5 80 90 704 80 60 70 50 60 40 50 .0 03 40 30 1008 ×10 20号 53503 1.01.52.02.53.03.54.04.55.05.5 转速/(rmin) 1 ” ×10 1.01.52.02.53.03.54.04.55.05.5 图7P4=25kW时APU工作区间 转速/(rmin Fig.7 Feasible operating area when Pmd=25 kW (b)1=0.8,102=0.2 90 80 70 70 60 60 44 ×10 101.52.02.53.03.54.04.55.05.5 1.0 1.52.02.53.03.54.04.55.05.5 转速/(rmir) 转速/(rmin) 图8Pm=25kW时最优解分布情况 (c）0,=0.2,w2=0.8 Fig.8 Distribution of the firely optimal solution when 图9基于PS0算法的最佳综合成本曲线 Pomd=25 kW Fig.9 The best composite cost curve based on PSO model 设定功率值从1kW~40kW,以每隔3kW为 4结束语 间隔，在01=W2=0.5时利用FA算法模型进行 APU综合成本优化，即可得到APU最佳综合成 为应对日益严峻的能源危机与环境污染问题， 本运行曲线，如图9(a)所示，当车辆需要更多考 文章讨论的增程式电动汽车增程器发动机在其外特 虑减小油耗率时，动态调整至01=0.8，w2=0.2, 性基本限制条件下，综合考虑了燃油消耗及C0排 放特性，并在MATLAB环境下建立了基于两者的综
３．２ 最佳综合成本运行曲线 当整车控制器对 ＡＰＵ 发出特定的功率点需求 ＰＡＰＵ时，发动机将工作在整车控制器指定的功率点 上，此时的可运行工作点为功率为 ＰＡＰＵ的等功率线 上，如图 ７ 所示黑色实线即为 ＰＡＰＵ ＝ ２５ ｋＷ 时 ＡＰＵ 工作区间，优化变量需要满足式（１０）。 ｍａｘ（Ｎｍｉｎ ，Ξｘ（ｆ ｔｍ（Ｎ），ｇ（Ｎ，Ｐ））） ≤ Ｎ ≤ ｍｉｎ（Ｎｍａｘ，Ξｘ（Ｔｍｉｎ ，ｇ（Ｎ，Ｐ））） Ｔ ＝ ９ ５４９ Ｐ ／ Ｎ ì î í ï ï ï ï （１０） 式中：Ξ ｘ（ｆ ｔｍ（Ｎ），ｇ（Ｎ，Ｐ）） 表示 ＡＰＵ 外特性曲线 ｆ ｔｍ（Ｎ） 与等功率线 ｇ （ Ｎ，Ｐｍｉｎ ） 的交点处转速，Ξｘ （Ｔｍｉｎ ， ｇ （ Ｎ，Ｐ）） 为 ＡＰＵ 最小功率与功率等高线 ｇ（ｎ，Ｐ）交点处的转速，图 ８ 即为 ＰＡＰＵ ＝ ２５ ｋＷ，且 ｗ１ ＝ｗ２ ＝ ０． ５ 时 综 合 成 本 优 化 结 果。 此 时， Ｎ ＝ ３ ４５３．１ ｒ·ｍｉｎ －１ ，Ｔ ＝ ６９．１ Ｎｍ时，综合成本取得最小 值ＦＳ ＝ ０．１９。 图 ７ Ｐｃｍｄ ＝ ２５ ｋＷ 时 ＡＰＵ 工作区间 Ｆｉｇ．７ Ｆｅａｓｉｂｌｅ ｏｐｅｒａｔｉｎｇ ａｒｅａ ｗｈｅｎ Ｐｃｍｄ ＝ ２５ ｋＷ 图 ８ Ｐｃｍｄ ＝ ２５ ｋＷ 时最优解分布情况 Ｆｉｇ．８ Ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｔｈｅ ｆｉｒｅｌｙ ｏｐｔｉｍａｌ ｓｏｌｕｔｉｏｎ ｗｈｅｎ Ｐｃｍｄ ＝ ２５ ｋＷ 设定功率值从 １ ｋＷ ～ ４０ ｋＷ，以每隔 ３ ｋＷ 为 间隔，在 ｗ１ ＝ ｗ２ ＝ ０． ５ 时利用 ＦＡ 算法模型进行 ＡＰＵ 综合成本优化，即可得到 ＡＰＵ 最佳综合成 本运行曲线，如图 ９（ ａ） 所示，当车辆需要更多考 虑减小油耗率时，动态调整至 ｗ１ ＝ ０． ８，ｗ２ ＝ ０． ２， 而当车辆需要更多考虑减少 ＣＯ 排放时，动态调 整 ｗ１ ＝ ０．２，ｗ２ ＝ ０． ８ 对工作点进行寻优，改善车 辆的排放性能，而得到的 ＡＰＵ 最佳综合成本运 行曲线的结果分别如图 ９（ ｂ） 、（ ｃ） 所示。 比较 ３ 张图，基于不同的权重考虑下，ＡＰＵ 最佳综合成 本运行曲线会发生明显变化，以寻求不同目的下 的油耗率及 ＣＯ 排放率的共同优化。 （ａ）ｗ１ ＝ｗ２ ＝ ０．５ （ｂ） ｗ１ ＝ ０．８，ｗ２ ＝ ０．２ （ｃ） ｗ１ ＝ ０．２，ｗ２ ＝ ０．８ 图 ９ 基于 ＰＳＯ 算法的最佳综合成本曲线 Ｆｉｇ．９ Ｔｈｅ ｂｅｓｔ ｃｏｍｐｏｓｉｔｅ ｃｏｓｔ ｃｕｒｖｅ ｂａｓｅｄ ｏｎ ＰＳＯ ｍｏｄｅｌ ４ 结束语 为应对日益严峻的能源危机与环境污染问题， 文章讨论的增程式电动汽车增程器发动机在其外特 性基本限制条件下 ，综合考虑了燃油消耗及 ＣＯ 排 放特性，并在 ＭＡＴＬＡＢ 环境下建立了基于两者的综 ·１７０· 智 能 系 统 学 报 第 １２ 卷
第2期 许斌杰，等：萤火虫算法的电动汽车综合成本运行优化研究 .171. 合成本模型，实现了基于萤火虫算法的全局优化及 TUO Shouheng.A modified teaching-learning-based optimi- 特定功率点的优化，最后在3种不同权重条件下完 zation algorithm and application in neural networks[J]. 成了最佳综合成本运行曲线的绘制，通过3种曲线 CAAI transactions on intelligent systems,2013,8(4):327 的对比表明，基于基于萤火虫算法的电动汽车综合 -332. 「9]卢嘉敏，杨宜民，付根平.基于鱼群算法的仿人机器人 成本研究能实现不同情况下的运行优化。 步态优化[J].智能系统学报，2013,8(6)：526-531. 参考文献： LU Jiamin,YANG Yimin,FU Genping.Research on the gait optimization of humanoid robots based on the fish swarm [1]支树模.汽车排放污染物控制与零排放净化技术[M]: algorithm[J].CAAI transactions on intelligent systems, 北京：中国标准出版社，2012：1-5. 2013,8(6):526-531. [2]EHSANI M,GAO Yimim,EMADI A.Modern electric,hy- [10]曾冰，李明富，张翼，等.基于莹火虫算法的装配序列 brid electric,and fuel cell vehicles fundameentals,theory 规划研究[J].机械工程学报，2013,49(11)：177-184. and design second edition[M].2nd ed.Boca Raton,FL: ZENG Bing,LI Mingfu,ZHANG Yi,et al.Research on CRC Press,2009. assembly sequence planning based on firefly algorithm[J]. [3]闵海涛，叶冬金，于远彬.增程式电动汽车控制策略的 Journal of mechanical engineering,2013,49(11):177- 优化[J].汽车工程，2014,36(8)：899-903,943. 184. MIN Haitao,YE Dongjin,YU Yuanbin.Optimization of the [11]李瑞青.改进的萤火虫算法及应用[D].长春：吉林大 control strategy for range extended electric vehicle[J].Au- 学，2015：1-5. tomotive engineering,2014,36(8):899-903,943. LI Ruiqing.Improved firefly algorithm and application[D]. [4]SUN Dongye,LIN Xinyou,QIN Datong,et al.Power-bal- Changchun:Jilin University,2015:1-5. ancing instantaneous optimization energy management for a [12]汽车发动机标准化分技术委员会.GB/T18297-2001, novel series-parallel hybrid electric bus[J].Chinese journal 汽车发动机性能试验方法[$].北京：中国标准出版 of mechanical engineering,2012,25(6):1161-1170. 社，2004. [5]CERAOLO M,DI DONATO A,FRANCESCHI G.A gener- Automotive Engine Standardization Technical Committee. al approach to energy optimization of hybrid electric vehicles GB/T 18297-2001,Performance test code for road vehicle []IEEE transactions on vehicular technology,2008,57 engines[S].Beijing:China Standards Press,2004. (3):1433-1441. 作者简介： [6]陈光，毛召磊，李济沅，等.计及碳排放的电动汽车充 许斌杰.男，1989年生，硕士研究 电站多目标规划[J].电力系统自动化，2014,38(17)： 生，主要研究方向为电动汽车控制技 49-53,136. 术。 CHEN Guang,MAO Zhaolei,LI Jiyuan,et al.Multi-objec- tive optimal planning of electric vehicle charging stations considering carbon emission[J].Automation of electric pow- er systems,2014,38(17):49-53,136. 王耀南，男，1957.教授.博士生导 [7]王军方，付明亮，丁焰，等.低速货车的污染物排放特 师，主要研究方向为电动汽车控制、智 性[J].农业工程学报，2014,30(14)：57-63. 能控制理论与应用、智能机器人。技术 WANG Junfang,FU Mingliang,DING Yan,et al.Emis- 成果曾获国家科技进步二等奖、中国发 sions characteristics of low speed vehicles[].Transactions 明创业特等奖、省部级科技进步一等 of the Chinese society of agricultural engineering,2014,30 奖、省部级科技进步二等奖。发表学术 (14):57-63. 论文360余篇，其中SCI收录38篇、SCI引用175篇次、E1收 [8]拓守恒.一种优化神经网络的教与学优化算法[J].智能 录109篇，获国家专利12项。出版学术专著《智能控制系 系统学报，2013,8(4)：327-332. 统》、《机器人智能控制工程》、《智能信息处理技术》、《计算 机图像处理与识别技术》、《计算智能方法与应用》等
合成本模型，实现了基于萤火虫算法的全局优化及 特定功率点的优化，最后在 ３ 种不同权重条件下完 成了最佳综合成本运行曲线的绘制，通过 ３ 种曲线 的对比表明，基于基于萤火虫算法的电动汽车综合 成本研究能实现不同情况下的运行优化。 参考文献： ［１］支树模． 汽车排放污染物控制与零排放净化技术［Ｍ］． 北京： 中国标准出版社， ２０１２： １－５． ［２］ＥＨＳＡＮＩ Ｍ， ＧＡＯ Ｙｉｍｉｍ， ＥＭＡＤＩ Ａ． Ｍｏｄｅｒｎ ｅｌｅｃｔｒｉｃ， ｈｙ⁃ ｂｒｉｄ ｅｌｅｃｔｒｉｃ， ａｎｄ ｆｕｅｌ ｃｅｌｌ ｖｅｈｉｃｌｅｓ ｆｕｎｄａｍｅｅｎｔａｌｓ， ｔｈｅｏｒｙ ａｎｄ ｄｅｓｉｇｎ ｓｅｃｏｎｄ ｅｄｉｔｉｏｎ［Ｍ］． ２ｎｄ ｅｄ． Ｂｏｃａ Ｒａｔｏｎ， ＦＬ： ＣＲＣ Ｐｒｅｓｓ， ２００９． ［３］闵海涛， 叶冬金， 于远彬． 增程式电动汽车控制策略的 优化［Ｊ］． 汽车工程， ２０１４， ３６（８）： ８９９－９０３， ９４３． ＭＩＮ Ｈａｉｔａｏ， ＹＥ Ｄｏｎｇｊｉｎ， ＹＵ Ｙｕａｎｂｉｎ． Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｔｈｅ ｃｏｎｔｒｏｌ ｓｔｒａｔｅｇｙ ｆｏｒ ｒａｎｇｅ ｅｘｔｅｎｄｅｄ ｅｌｅｃｔｒｉｃ ｖｅｈｉｃｌｅ［ Ｊ］． Ａｕ⁃ ｔｏｍｏｔｉｖｅ ｅｎｇｉｎｅｅｒｉｎｇ， ２０１４， ３６（８）： ８９９－９０３， ９４３． ［４］ＳＵＮ Ｄｏｎｇｙｅ， ＬＩＮ Ｘｉｎｙｏｕ， ＱＩＮ Ｄａｔｏｎｇ， ｅｔ ａｌ． Ｐｏｗｅｒ⁃ｂａｌ⁃ ａｎｃｉｎｇ ｉｎｓｔａｎｔａｎｅｏｕｓ ｏｐｔｉｍｉｚａｔｉｏｎ ｅｎｅｒｇｙ ｍａｎａｇｅｍｅｎｔ ｆｏｒ ａ ｎｏｖｅｌ ｓｅｒｉｅｓ⁃ｐａｒａｌｌｅｌ ｈｙｂｒｉｄ ｅｌｅｃｔｒｉｃ ｂｕｓ［Ｊ］． Ｃｈｉｎｅｓｅ ｊｏｕｒｎａｌ ｏｆ ｍｅｃｈａｎｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ， ２０１２， ２５（６）： １１６１－１１７０． ［５］ＣＥＲＡＯＬＯ Ｍ， ＤＩ ＤＯＮＡＴＯ Ａ， ＦＲＡＮＣＥＳＣＨＩ Ｇ． Ａ ｇｅｎｅｒ⁃ ａｌ ａｐｐｒｏａｃｈ ｔｏ ｅｎｅｒｇｙ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｈｙｂｒｉｄ ｅｌｅｃｔｒｉｃ ｖｅｈｉｃｌｅｓ ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｖｅｈｉｃｕｌａｒ ｔｅｃｈｎｏｌｏｇｙ， ２００８， ５７ （３）： １４３３－１４４１． ［６］陈光， 毛召磊， 李济沅， 等． 计及碳排放的电动汽车充 电站多目标规划［ Ｊ］． 电力系统自动化， ２０１４， ３８（１７）： ４９－５３， １３６． ＣＨＥＮ Ｇｕａｎｇ， ＭＡＯ Ｚｈａｏｌｅｉ， ＬＩ Ｊｉｙｕａｎ， ｅｔ ａｌ． Ｍｕｌｔｉ⁃ｏｂｊｅｃ⁃ ｔｉｖｅ ｏｐｔｉｍａｌ ｐｌａｎｎｉｎｇ ｏｆ ｅｌｅｃｔｒｉｃ ｖｅｈｉｃｌｅ ｃｈａｒｇｉｎｇ ｓｔａｔｉｏｎｓ ｃｏｎｓｉｄｅｒｉｎｇ ｃａｒｂｏｎ ｅｍｉｓｓｉｏｎ［Ｊ］． Ａｕｔｏｍａｔｉｏｎ ｏｆ ｅｌｅｃｔｒｉｃ ｐｏｗ⁃ ｅｒ ｓｙｓｔｅｍｓ， ２０１４， ３８（１７）： ４９－５３， １３６． ［７］王军方， 付明亮， 丁焰， 等． 低速货车的污染物排放特 性［Ｊ］． 农业工程学报， ２０１４， ３０（１４）： ５７－６３． ＷＡＮＧ Ｊｕｎｆａｎｇ， ＦＵ Ｍｉｎｇｌｉａｎｇ， ＤＩＮＧ Ｙａｎ， ｅｔ ａｌ． Ｅｍｉｓ⁃ ｓｉｏｎｓ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｌｏｗ ｓｐｅｅｄ ｖｅｈｉｃｌｅｓ［ Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ ｓｏｃｉｅｔｙ ｏｆ ａｇｒｉｃｕｌｔｕｒａｌ ｅｎｇｉｎｅｅｒｉｎｇ， ２０１４， ３０ （１４）： ５７－６３． ［８］拓守恒． 一种优化神经网络的教与学优化算法［Ｊ］． 智能 系统学报， ２０１３， ８（４）： ３２７－３３２． ＴＵＯ Ｓｈｏｕｈｅｎｇ． Ａ ｍｏｄｉｆｉｅｄ ｔｅａｃｈｉｎｇ⁃ｌｅａｒｎｉｎｇ⁃ｂａｓｅｄ ｏｐｔｉｍｉ⁃ ｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ［ Ｊ ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１３， ８（４）： ３２７ －３３２． ［９］卢嘉敏， 杨宜民， 付根平． 基于鱼群算法的仿人机器人 步态优化［Ｊ］． 智能系统学报， ２０１３， ８（６）： ５２６－５３１． ＬＵ Ｊｉａｍｉｎ， ＹＡＮＧ Ｙｉｍｉｎ， ＦＵ Ｇｅｎｐｉｎｇ． Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ｇａｉｔ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｈｕｍａｎｏｉｄ ｒｏｂｏｔｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｆｉｓｈ ｓｗａｒｍ ａｌｇｏｒｉｔｈｍ ［ Ｊ ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１３， ８（６）： ５２６－５３１． ［１０］曾冰， 李明富， 张翼， 等． 基于萤火虫算法的装配序列 规划研究［Ｊ］． 机械工程学报， ２０１３， ４９（１１）： １７７－１８４． ＺＥＮＧ Ｂｉｎｇ， ＬＩ Ｍｉｎｇｆｕ， ＺＨＡＮＧ Ｙｉ， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ａｓｓｅｍｂｌｙ ｓｅｑｕｅｎｃｅ ｐｌａｎｎｉｎｇ ｂａｓｅｄ ｏｎ ｆｉｒｅｆｌｙ ａｌｇｏｒｉｔｈｍ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｍｅｃｈａｎｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ， ２０１３， ４９（１１）： １７７－ １８４． ［１１］李瑞青． 改进的萤火虫算法及应用［Ｄ］． 长春： 吉林大 学， ２０１５： １－５． ＬＩ Ｒｕｉｑｉｎｇ． Ｉｍｐｒｏｖｅｄ ｆｉｒｅｆｌｙ ａｌｇｏｒｉｔｈｍ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ［Ｄ］． Ｃｈａｎｇｃｈｕｎ： Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ， ２０１５： １－５． ［１２］汽车发动机标准化分技术委员会． ＧＢ／ Ｔ １８２９７⁃２００１， 汽车发动机性能试验方法［ Ｓ］． 北京： 中国标准出版 社， ２００４． Ａｕｔｏｍｏｔｉｖｅ Ｅｎｇｉｎｅ Ｓｔａｎｄａｒｄｉｚａｔｉｏｎ Ｔｅｃｈｎｉｃａｌ Ｃｏｍｍｉｔｔｅｅ． ＧＢ／ Ｔ １８２９７⁃２００１， Ｐｅｒｆｏｒｍａｎｃｅ ｔｅｓｔ ｃｏｄｅ ｆｏｒ ｒｏａｄ ｖｅｈｉｃｌｅ ｅｎｇｉｎｅｓ［Ｓ］． Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ Ｓｔａｎｄａｒｄｓ Ｐｒｅｓｓ， ２００４． 作者简介： 许斌杰，男，１９８９ 年生，硕士研究 生，主要研究方向为电动汽车控制技 术。 王耀南，男，１９５７，教授，博士生导 师，主要研究方向为电动汽车控制、智 能控制理论与应用、智能机器人。 技术 成果曾获国家科技进步二等奖、中国发 明创业特等奖、省部级科技进步一等 奖、省部级科技进步二等奖。 发表学术 论文 ３６０ 余篇，其中 ＳＣＩ 收录 ３８ 篇、ＳＣＩ 引用 １７５ 篇次、ＥＩ 收 录 １０９ 篇，获国家专利 １２ 项。 出版学术专著《智能控制系 统》、《机器人智能控制工程》、《智能信息处理技术》、《计算 机图像处理与识别技术》、《计算智能方法与应用》等。 第 ２ 期 许斌杰，等： 萤火虫算法的电动汽车综合成本运行优化研究 ·１７１·
