著國家對新能源汽車企業的鼓勵與支持，一大批新造車勢力如雨后春筍，傳統汽車企業也在逐步向新能源汽車過渡。電動汽車具有勝過傳統內燃機車輛的許多優點，例如行駛過程零排放、高效率、低噪聲。在能源危機及環保問題日益突出的局面下，推行交通工具向新能源轉型勢在必行。在電池效率問題得到有效解決之前，如何合理地選擇這些部件及有關參數，使部件匹配達到最優。在相同蓄電池條件下，使車輛更好地滿足動力性和經濟性的需求，一直是行業研究的重點目標。

本文在完成2檔AMT純電動汽車傳動系統參數初步匹配的基礎上，利用人群搜索算法，以改善動力性和提高整車續駛里程為目標，對減速器速比進行了優化，并結合AVL Cruise軟件對減速器速比優化結果進行仿真分析，對比優化前后仿真結果，實現電動汽車動力性和經濟性的有效提高。

1 整車參數及性能目標

某電動車型的主要技術參數及性能要求指標如表1和表2所示。

表1 整車參數

表2 性能要求指標

2 動力系統參數匹配

2.1 驅動電機的參數匹配

2.1.1驅動電機的功率

本文采用的是永磁同步電機，驅動電機的峰值功率應同時滿足所設計的最高車速、最大爬坡度、加速性能要求。

 （1）

 （2）

 （3）

 （4）

 （5）

上式中：vmax為最高車速；m為整車裝備質量；A為迎風面積；CD為風阻系數；αmax為最大爬坡度；f為滾動阻力系數；vi為最大爬坡度時的車速，vi=20km/h；vj為汽車在NEDC工況中從100km/h加速到120km/h時的末速度，vj=120km/h；Pe為驅動電機的額定功率；λ為電機的過載系數，取2。

2.1.2驅動電機的扭矩

汽車在1檔驅動下，滿足最大爬坡度要求，則驅動電機的最大驅動力必須大于此時的道路行駛阻力，則：

 （6）

式中αmax為最大爬坡度；vi為最大爬坡度時的車速，vi=20km/h。

2.1.3驅動電機轉速的確定

純電汽車的最高車速由整車控制系統決定以及受到驅動電機的最高轉速的限制，其中電機的最高轉速與理論最大車速對應的關系如下：

 （7）

式中nmax為電動機的最大轉速，rpm。

2.2 動力電池PACK組的匹配

純電動汽車驅動能量的唯一來源是動力電池PACK組，PACK組容量的大小需滿足整車的續駛里程的設計要求，以及電池組的最大功率限制著驅動電機的最大功率。

汽車以車速V勻速行駛時，電池組的總容量為：

 （8）

 （9）

其中Ub為電池組的電壓；S為汽車的續駛里程；Pb-out為電池的輸出功率；△SOC為動力電池pack的放電變化量；ηec為電機與控制器的傳遞效率，取0.9；Pv為汽車以速度V勻速行駛時電機的功率；η為電機與電池之間的傳遞效率，取0.9。

2.3 減速器速比的選擇

減速器在汽車驅動行駛過程中起到減速增扭的作用，減速器速比的選擇需以整車動力性指標為依據，即需滿足整車的最高車速、爬坡度以及百公里加速時間。

2.3.1 兩檔AMT1檔速比

減速器最大傳動比imax為兩檔AMT低檔速比ig1與主減速器速比io的乘積，由根據電機最大輸出轉矩Tmax、最大行駛車速vmax和最大爬坡度αmax確定：

 （10）

 （11）

 （12）

同時汽車在1檔驅動行駛時，需要滿足整車行駛的附著條件[4]，則：

 （13）

式中Fz為汽車行駛時路面對車輪的法向反作用力；φ為附著系數，本文中取0.8。

2.3.2兩檔AMT2檔速比

兩檔AMT2檔的速比由汽車最高行駛車速Vmax、電機最大轉速以及最大輸出轉矩Tvmax確定：

 （14）

 （15）

2.3.3檔位之間的約束

2檔AMT相鄰兩擋的傳動比比值如果過大則會造成換擋困難，在設計減速器速比時一般比值不宜大于1.7～1.8，即0：

 （16）

2.4 電動汽車的匹配結果

根據汽車的整車參數及設計目標，匹配出汽車的各參數如表3所示。

表3 電動汽車匹配參數

3 電動汽車減速器速比優化

本文中在確定純電動汽車的驅動電機參數和動力電池組容量后，需要對2檔AMT速比進行優化以使整車的動力性和經濟性達到最佳。由于動力性與經濟性無法同時滿足其最優要求，本文以車輛動力性作為約束條件，選取傳動比為優化變量，通過優化2檔AMT傳動比提高汽車的經濟性，使續航里程達到最大，從而將多目標優化轉化為單目標優化[6]。

3.1 目標函數的建立

采用常用的NEDC工況，整個工況下電動汽車行駛的續駛里程S1（km）為：

 （17）

式中Wb為電池存儲的能量（kW·h），W為整個工況下整車所消耗的總能量，L為一個循環工況下的里程，11.022km。

因為本文所選擇的優化算法建立的目標函數是對目標函數求極小值點，所以要對續駛里程倒數化處理，則目標函數可以表達為：

 （18）

3.2 約束條件的建立

動力性約束包含最大車速、爬坡度、加速性能的約束。約束條件可表達為：

 （19）

 （20）

 （21）

 （22）

式中DIm ax為汽車1檔時的動力因子；Ft為汽車的驅動力；Wf為汽車的滾動阻力；Ww為汽車的滾動阻力。

3.3 優化算法

（1）SOA算法簡介

人群搜索算法 ( Seeker optimization algorithm， SOA)將搜索隊伍作為種群，候選解為各搜索者所處位置，通過模仿人類在進行搜索行為時對位置和方向等的推理判斷完成問題的最優求解。

在汽車傳動系統優化領域的研究目標是開發可靠的全局優化算法，并對最優解收斂。由于目標問題存在著眾多的局部極值，當面對復雜的優化問題，尤其是多峰、多極值的模態函數優化問題時，目前已有的全局優化算法不可避免地存在著早熟、收斂速度慢等缺陷。SOA 算法對齒輪減速器進行優化設計，在同 PSO、GA 算法和傳統設計方法的結果進行對比分析，優化結果表明，SOA 算法具有更快的收斂速度和更高的收斂精度。

（2）搜索步長

根據不確定推理可得步長：

 （23）

式中αij為j維搜索空間的搜索步長；δij為高斯隸屬函數參數。

（3）搜索方向

搜索方向的確定由搜尋個體利己方向、利他方向、以及預動方向這3個方向隨機加權幾何平方決定，其表達式為：

 （24）

式中為搜尋個體利己方向；為搜尋個體利他方向；ω是慣性權值；為搜尋個體預動方向；φ1和φ2是[0,1]內的常數。

（4）個體位置的更新

人群搜索算法確定搜索步長以及搜索方向后，需要進行位置更新：

 （25）

 （26）

（5）SOA算法的實現

第一步：確定可行域后，在域內隨機生成100×3的位置矩陣；第二步：計算出目標函數在每個位置上的值；第三步：計算出每一個個體在位置矩陣里每一維的搜索步長dij(t)和搜索方向αij(t)；第四步：完成個體位置的更新。若搜索結果滿足要求則停止搜索，不滿足要求則按照以上步驟重新計算極值直到結果滿足條件為止。

3.4 傳動比優化結果

運用上述的優化方法對目標函數進行優化求解，種群規模和最大迭代次數均為100，權重值Wmax=0.9，Wmin=0.1，在MATLAB中編程運行后得到優化后的速比為：ig1=2.36，ig2=1.19，i0=4.65。

4 AVL Cruise軟件仿真分析

基于AVLCruise軟件搭建純電動汽車主要部件以及整車系統的Cruise模型如下圖1。

圖1 整車仿真模型

4.1 優化結果前后對比

仿真時選取新歐洲城市駕駛循環工況NEDC工況來計算汽車百公里能耗以及建立爬坡性能工況和滿載加速性能工況。傳動比優化結果前后對比如下表中所示。

表4 優化前后汽車性能對比結果

4.2 循環工況法續駛里程

圖2 優化前的續駛里程

圖3 優化后的續駛里程

如圖2和圖3所示，在電池充滿電后，SOC值從90%下降到30%時，減速器傳動比優化前后汽車在NEDC工況下整車的續駛里程在Cruise軟件中的仿真結果。

4.3 等速工況法續駛里程

純電動汽車充滿一次電以50km/h等速工況下行駛，SOC值從95%下降到30%時汽車的理論的續駛里程為：

 （27）

計算出50km/h等速工況下的續駛里程為252km。仿真結果如圖4。

圖4 優化后的續駛里程

50km/h等速工況下的續駛里程為248 km，與理論計算結果相差不大。

5 結論

本文針對兩擋AMT變速器純電動汽車，根據汽車性能指標要求進行動力學分析，確定了電機、電池和減速器的主要參數。以整車動力性和經濟性為約束目標，利用人群搜索優化算法對變速器傳動比進行優化。基于AVL Cruise軟件建立整車模型，進行相關動力性和經濟性的仿真分析。對仿真結果進行對比分析表明，運用優化參數的車輛具有更好的綜合性能。因此，人群搜索優化算法在汽車傳動系統參數匹配優化中具有良好的實用性。