混合动力系统优化：进化算法与神经网络

神经网络（Neural Network，NN）又称人工神经网络（Artificial Neural Net-work，ANN）是生物神经网络的一种模拟和近似，在机理和功能上模拟生物神经网络。NN是由大量的人工神经元相互连接而成的自适应非线性动态系统。人工神经元是NN中的基本元件，是一个多输入单输出的非线性元件，人工神经元模型示意图如图1-12所示，其输入输出关系可描述为

其中，x_i（i=1，2，…，n）是从其他神经元传来的输入信号；θ_i为阈值；w_ii是从神经元i到神经元i的连接权值（取正值为激发状态，负值为抑制状态）；f为激发函数；n为输入神经元的个数；y_i为该神经元输出。由多个神经元连接组成神经网络，其依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到模拟生物神经系统处理信息的目的。

图1-12 人工神经元模型示意图(www.xing528.com)

图1-13 BP网络学习算法计算流程图

目前实际应用的人工神经网络有几十种，可以从多种角度分类：从网络的性能角度可分为连续型与离散型网络、确定性与随机性网络；从网络结构角度可分为前向网络和反馈网络；从学习方式的角度可分为有导师学习网络和无导师学习网络；按连接突触性质可分为一阶线性关联网络和高阶非线性关联网络。从功能特性和学习特性来看，典型的神经网络模型主要包括感知器、线性神经网络、径向基函数网络、自组织映射网络和反馈神经网络等。这些网络由于结构的不同，对应的应用范围也各不相同，其中BP算法是一种比较成熟且应用较为广泛的人工神经网络^[40]。BP网络学习算法的计算流程如图1-13所示。

文献[41]以广州和上海市主干道行驶工况为例，建立了一个基于模糊神经网络的行驶工况识别方法，利用模糊神经网络识别行驶工况，并相应调整模糊控制器的隶属度函数，以优化控制策略。仿真分析结果表明，文献中所建立的混合动力汽车模糊控制策略对整车燃油经济性和污染物排放控制有良好的效果。文献[42]为提高并联式混合动力汽车的燃油经济性和控制系统的响应时间，应用神经网络实现控制策略，利用等效燃油消耗最小原理，依据电池的荷电状态对传统的逻辑门限值控制策略进行调整，并通过试验采集合理样本训练对焦回归型神经网络，建立基于神经网络的控制策略，并进行仿真分析。仿真结果表明，文献中所设计的基于神经网络的控制策略响应速度快，通用性好，并能较好地提高并联式混合动力汽车的燃油经济性。文献[43]以大众某型号混合动力汽车设计要求为基础，通过分析样本数据选取、输入、输出模糊分割和模糊规则提取对整车性能的影响，设计了一种基于补偿模糊神经网络的控制策略，利用ADVI-SOR2002仿真平台进行二次开发，完成了基于补偿模糊神经网络的控制策略、并联电力辅助控制策略和模糊控制策略的仿真比较。结果显示，基于补偿模糊神经网络的控制策略自适应能力强，对整车燃油经济性及污染物排放改善效果明显。文献[44]提出一种多工况自适应整车管理算法，对实时车速通过简化的神经网络进行采集、分析以及比较，自动寻找与之相近的标准道路工况，同时将控制参数设置为优化过的标准道路工况控制参数，利用CRUISE仿真软件建立了混合动力汽车模型，并选择典型城市公交循环工况进行仿真分析，结果表明文献中设计的控制算法能较好识别道路工况，保证蓄电池电量平衡的同时降低燃油消耗。文献[45]根据模糊控制原理，结合人工神经网络自主学习功能，以电池荷电状态、整车需求转矩以及发动机转速为模糊输入来确定发动机和电动机的最佳输出转矩分配，再以神经网络对控制的模糊规则进行记忆，建立基于模糊神经网络的混合动力汽车控制策略。仿真结果显示，相较于普通逻辑控制策略，基于模糊神经网络的混合动力汽车控制策略在燃油经济性和污染物排放性能方面表现更优。