考虑电池寿命的插电式混合动力汽车能量管理优化
Battery-health conscious energy management optimization in plug-in hybrid electric vehicles
通讯作者:
收稿日期: 2018-09-5
Received: 2018-09-5
作者简介 About authors
曾小华(1977—),男,教授,博士,从事混合动力系统研究.orcid.org/0000-0002-5124-7498.E-mail:
考虑电池寿命对插电式混合动力汽车全寿命周期成本的影响,以综合燃油消耗和电池寿命衰减最小为目标开展电池充放电功率的多目标优化研究. 引入权重系数将多目标优化问题转化为单目标优化问题,采用动态规划(DP)算法求解实现全局最优,并根据优化结果选择最优权重系数. 为了解决动态规划算法运算速度慢、须预知工况的缺陷,以最优权重系数的优化结果训练神经网络控制器并将其应用于控制策略中. 仿真结果表明,与以油耗为单一目标的优化相比,多目标优化可使电池寿命衰减减少13.5%,而燃油消耗仅增加0.5%,在保证燃油经济性的同时有效减少电池寿命的衰减程度;基于神经网络的控制策略有效克服了动态规划算法的缺点并能达到与其相近的运算效果,具有较好的应用前景.
关键词:
Considering the effect of battery life on the full-life-cycle cost of plug-in hybrid electric vehicle, a multi-objective optimization method of managing the input/output battery power was proposed, with the minimization of vehicle fuel consumption and battery’s health degradation as the optimization objective. The weight coefficient was introduced to transform the multi-objective optimization problem into a single targeted problem, then the dynamic programming (DP) algorithm was employed to achieve global optimization and the optimal weight coefficient was selected according to optimization results. A neural network controller based on optimization results of the optimal weight coefficient was trained and applied to control strategy, in order to solve the problem that the DP algorithm is slow in computation speed and needs working conditions in advance. Simulation results demonstrate that compared with the single-objective optimization of fuel consumption, the multi-objective optimization method can reduce the degradation rate of battery life by 13.5% while increasing the fuel consumption by only 0.5%. The proposed method lessens the degradation rate of battery life effectively with little increase in fuel consumption. The neural network-based control strategy can overcome the shortcomings of the DP algorithm and achieve the similar optimization effect with the DP algorithm, thus it has a good application prospects.
Keywords:
本文引用格式
曾小华, 王星琦, 宋大凤, 杨南南, 王振伟.
ZENG Xiao-hua, WANG Xing-qi, SONG Da-feng, YANG Nan-nan, WANG Zhen-wei.
插电式混合动力汽车(plug-in hybrid electric vehicle,PHEV)的能量管理控制策略是其关键技术之一,常用的控制策略包含规则控制和优化控制[1]. 前者较易实现,但难以保证控制效果;后者可分为瞬时优化和全局优化控制. 瞬时优化策略可以实现实时控制,但存在优化效果不理想的缺点. 在全局优化算法中,动态规划(dynamic programming,DP)在行星混联系统中应用广泛[2],利用其可获得理论能量最优分配结果,但其应用前提为须已知全局工况信息,计算负荷较大,实时应用较困难. 由优化结果提取规则形成的控制策略能有效解决全局优化计算负荷大、须预知工况的缺点[3],其中,基于神经网络提取规则得到的控制策略能通过对全局优化结果的自学习及自适应,在提高运算速度的同时获得较好的燃油经济性[4].
目前的动态规划控制策略多以燃油消耗最小作为优化目标. 然而,在车辆实际行驶中电池由于频繁深度充放电等原因,不可避免地发生老化造成其实际容量衰减,寿命缩短;更换动力电池会大幅增加整车成本,因此从整车能量管理角度来看,延长电池寿命是必要的. 电池老化机理较复杂,目前还没有统一的电池寿命预测方法,董婷婷[5]将锂离子电池寿命模型分为2类:物理化学模型和经验模型. 前者计算负荷较大,不适用于能量优化管理控制策略;后者将已有模型参数与在寿命试验中获得的数据拟合,既减少了计算负荷又保证了精确性,广泛应用于控制模型中. 考虑电池寿命因素的优化计算会使能量管理问题成为多目标优化问题,致使设计的空间维度增加,导致设计和优化的难度成倍增加.
本研究以某款插电式行星混联混合动力系统为研究对象,以整车综合燃油消耗和电池寿命衰减最小为优化目标,引入权重系数将多目标优化问题转化为单目标优化形式;采用动态规划算法求解,利用优化结果训练神经网络提取控制规则,能在保证全局近似最优的同时,极大地提高运算速度.
1. 面向控制的混合动力系统建模
1.1. 插电式行星混联系统
图 1
表 1 整车主要配置参数
Tab.1
动力源 | 参数 | 数值 |
发动机 | 最大功率/kW | 80 |
最高转速/(r·min−1) | 6 000 | |
电机MG1 | 额定转速/(r·min−1) | 6 000 |
额定扭矩/(N·m) | 36 | |
额定功率/kW | 23 | |
电机MG2 | 额定转速/(r·min−1) | 3 000 |
额定扭矩/(N·m) | 127 | |
额定功率/kW | 40 | |
三元锂电池 | 额定电压/V | 346 |
电池能量/(kW·h) | 15 |
基于电量使用特性,该系统模式包含纯电动、输入功率分流和再生制动3种模式. 在纯电动模式下,整车需求驱动功率由电机MG2单独提供;在输入功率分流模式下,发动机和电池分别提供部分驱动功率,发动机工作点及电机MG1、MG2的工作状态(发电或电动)视能量管理控制规则而定;在再生制动模式下,由电机MG2单独回收再生制动能量. 该系统的主要特点为:可将发动机转速、转矩与路载双解耦以实现对发动机的最优控制;具有电子无级变速功能.
1.2. 主要动力部件模型
1.2.1. 发动机模型
基于台架试验数据建立静态发动机油耗数值模型,油耗
图 2
图 3
1.2.2. 电机模型
动力系统包含2个电机,与逆变器配合,2个电机均可作为发电机或驱动电机使用,电机电功率的表达式为
式中:
1.2.3. 电池等效内阻模型
电池模型采用等效内阻模型,如图4所示. 图中,
图 4
式中:
电池荷电状态的表达式为
式中:
1.3. 电池寿命模型
Wang等[6]提出通用的半经验电池容量损失模型. 电池容量损失受到多因素影响,如累计电荷流通量、电池温度等,模型表达式为
式中:
动力电池寿命模型应尽量精确,同时适于最优控制,选择Tang等[7]利用电池寿命实验数据对式(5)进行参数辨识后的电池容量损失模型:
式中:
电池实际容量相对额定值减少20%即视为电池寿命终止[8],电池额定寿命可通过在额定运行条件下寿命终止(end of life,EOL)时流过电池的总电量表示:
式中:
引入影响因子的概念[9],量化电池的实际运行条件相对于额定运行条件对电池容量衰减的影响,定义影响因子表达式为
式中:
定义电池额定运行条件为
实际运行条件下的电池寿命为
为了得到电池充放电过程中的容量衰减程度,定义有效电量表达式为
当有效电量等于
2. 优化控制问题
2.1. 全局优化控制策略
本研究所提出的能量管理优化控制策略以整车综合燃油消耗及电池寿命衰减最小为优化目标,将给定循环工况离散为N个阶段,故该策略本质为以离散时间为阶段的多阶段控制问题. 采用适于求解此类问题的动态规划方法,基于贝尔曼最优原理,确定在给定工况下每一时刻的电池充放电功率[10]. 车辆驱动需求功率表达式为
式中:
当车辆需求功率已知时,将电池功率作为控制变量
由式(4)可知,电池
式中:
为了使式(11)适用于全局优化控制,对式(11)进行离散化处理,得到
为了简化模型,引入权重因子
式中:
根据DP的优化原理,系统全局最优解可以转化为如下优化序列问题.
第N阶段、第k阶段的成本函数分别为
式中:上标i为离散状态变量的索引;上标j为离散控制变量的索引;下标k为离散时间的索引;
其中,
控制变量
式中:
式(17)即为满足约束条件(式(19))的动态规划问题逆向求解的基本方程,由k=N时刻开始从后向前计算,逐步求得各阶段的最优决策轨迹、最优状态轨迹和最优成本值,直至在k=1时求解结束.
2.2. 9×NEDC工况下优化结果
新标欧洲循环(new European driving cycle,NEDC)测试工况是具有代表性的乘用车行驶工况,本研究通过重复NEDC工况,实现PHEV在不同行驶里程下以综合燃油消耗最小为目标的离线全局优化,在不同行驶距离下动力电池SOC的变化情况如图5所示. 图中,t为运行时间. 基于此,依据车辆行驶里程划分驾驶模式:1)当车辆行驶里程小于44 km(4×NEDC)时,PHEV的驾驶模式为以电机为主,电力驱动系统为车辆的主要输出动力源;2)当行驶里程大于99 km(9×NEDC)时,PHEV的驾驶模式为以发动机为主,发动机运行在最优曲线上,提供大部分驱动所需能量,电机辅助驱动;3)当行驶里程大于44 km且小于99 km时,PHEV为动力平衡驾驶模式,在此驾驶模式下,电机和发动机输出能量比例介于以上2种驾驶模式之间.
图 5
图 5 不同行驶距离下的全局优化计算结果
Fig.5 Global optimization results of different trip distances
以电机为主的驾驶模式仅以电能作为动力源,不在本研究的优化范围之内. 为了兼顾对动力平衡与发动机为主的驾驶模式的控制,以两者分界即9×NEDC循环工况为目标工况,在MATLAB中建立关键部件模型,采用动态规划求解最优控制下的各动力源工作点,求解过程如图6所示.
图 6
不同权重
表 2 9×NEDC工况的仿真结果
Tab.2
μ | CE/L | QH/(A·h) | μ | CE/L | QH/(A·h) | |
0 | 3.76 | 196.9 | 0.25 | 4.14 | 139.0 | |
0.05 | 3.77 | 189.2 | 0.30 | 4.44 | 120.0 | |
0.10 | 3.78 | 174.3 | 0.50 | 6.73 | 23.1 | |
0.15 | 3.81 | 170.2 | 0.70 | 7.12 | 13.1 | |
0.20 | 3.98 | 154.2 | 1.00 | 7.18 | 11.0 |
图 7
图 7 不同权重系数下的全局优化结果
Fig.7 Global optimization results of different weight coefficients
为了进一步说明在能量管理策略中考虑电池寿命对整车经济性的影响,将车辆行驶成本及拥有成本折算为综合行驶成本. 对中国某城市某段时间93号汽油单价和居民用电价格的平均值进行统计,得出汽油价格为6.4 元/L,居民用电价格为 0.56 元/(kW·h),所研究的插电混动汽车采用松下三元锂电池,电池能量为15 kW·h,单价约为3 000 元/(kW·h),故电池价格约为45 000元,计算得在9×NEDC工况下,
2.3. 最优权重系数下优化结果分析
如图8所示为
图 8
图 9
图 9 9×NEDC工况下的电池充放电倍率
Fig.9 Battery charge-discharge rate in 9×NEDC working condition
图 10
图 10 SOC较高时2种权重系数下的整车功率分配对比
Fig.10 Comparison of vehicle power distribution under two weight coefficients with high SOC
图 11
图 11 SOC较低时2种权重系数下的整车功率分配对比
Fig.11 Comparison of vehicle power distribution under two weight coefficients with low SOC
2.4. 不同行驶里程下优化控制结果
为了探究最优权重系数对不同行驶里程的适用性,分别在动力平衡驾驶模式8×NEDC工况和以发动机为主的驾驶模式10×NEDC工况下采用最优权重系数
表 3 不同行驶里程下的优化结果
Tab.3
行驶里程 | μ | CE/L | CH/(A·h) |
8×NEDC | 0 | 3.14 | 181.7 |
0.1 | 3.23 | 160.4 | |
9×NEDC | 0 | 3.76 | 196.9 |
0.1 | 3.78 | 174.3 | |
10×NEDC | 0 | 4.30 | 207.0 |
0.1 | 4.39 | 179.8 |
图 12
3. 基于神经网络的能量管理策略
全局优化需要大量的时间进行优化计算,且必须已知整个工况. 为了解决上述缺陷,根据优化结果训练神经网络控制器,制定能量管理策略,提高运算速度. 神经网络是具有较好自学习和自适应能力的算法模型[12],本研究基于包含输入层、隐层和输出层的神经网络结构制定能量管理策略,使用误差反向传播算法(back-propagation,BP)计算网络权值,即采用BP神经网络结构.
3.1. 神经网络的训练
神经网络性能受到训练样本的显著影响,网络通过训练得到蕴含在样本中的规律,因此选择的样本要具有代表性[13]. 以9×NEDC工况下权重系数
图 13
图 13 基于神经网络能量管理控制的车辆传动系统结构
Fig.13 Vehicle transmission system structure based on neural network energy management control
采用均值聚类算法对样本进行分类,从每一类中均匀选取部分数据作为训练样本,既能保证训练样本的代表性和均匀性,又可以提升训练速度. 在MATLAB/Simulink平台上搭建神经网络控制器,对9×NEDC工况下的离线全局优化结果进行训练,以8×NEDC工况下的优化结果为例对训练模型进行验证,如图14所示. 训练获得的神经网络模型预测电池SOC变化率ΔSOC与动态规划计算得出的实际结果基本一致,训练相关系数为0.994,因此训练获得的神经网络模型可以用于控制策略中对电池SOC变化率的预测.
图 14
图 14 基于神经网络的电池SOC变化率预测结果
Fig.14 Prediction results of SOC change rate based on neural network
3.2. 神经网络控制策略仿真结果分析
为了验证所搭建的神经网络控制器对不同行驶距离的适用性,将训练得到的神经网络模型(neural network,NN)在动力平衡驾驶模式8×NEDC工况和以发动机为主的驾驶模式10×NEDC工况下进行仿真验证. 在8×NEDC工况下基于NN控制策略获得的SOC轨迹与DP方法获得的理论最优SOC轨迹较接近,如图15所示,平均误差为0.96%,最大误差为2.00%. 2种工况下的仿真结果汇总如表4所示.可以看出,与DP优化结果相比,8×NEDC工况下基于NN的控制策略使能量消耗增加0.9%,容量损失增加1.3%;10×NEDC工况下基于NN的控制策略使能量消耗增加0.9%,容量损失增加0.8%. 综上,NN控制策略可实现接近于DP方法的最优性能,并可使计算时间降低95%以上,极大提高运算速度.
图 15
图 15 8×NEDC工况下NN控制策略仿真结果
Fig.15 Simulation results in 8×NEDC working condition based on NN control strategy
表 4 DP与NN控制策略仿真结果对比
Tab.4
行驶距离 | 模型 | 终态SOC | CE/L | QH/(A·h) | t/s |
8×NEDC | DP | 0.317 1 | 3.23 | 160.4 | 43 949 |
NN | 0.313 5 | 3.26 | 162.5 | 1 527 | |
10×NEDC | DP | 0.312 4 | 4.39 | 179.8 | 53 288 |
NN | 0.311 2 | 4.43 | 181.3 | 1 822 |
4. 结 论
(1)提出插电式行星混联混合动力汽车能量优化管理控制策略,以整车综合燃油消耗和电池寿命衰减最小为目标建立多目标优化模型,引入权重系数,将多目标优化问题转化为单目标优化形式,采用动态规划求解,获得不同权重系数下的优化控制结果,基于优化结果选取最优权重系数,在保证燃油经济性的同时有效减少电池寿命衰减程度.
(2)为了解决动态规划算法计算负荷大、须预知工况的缺点,制定基于神经网络的控制策略,仿真结果表明该策略可达到与DP优化控制策略相近的结果,并能显著降低计算载荷.
(3)由于计算量过大,本研究仅选取NEDC循环工况实现不同行驶里程的全局优化计算,NEDC工况与汽车实际道路行驶状况有一定差距,导致能耗水平较为理想,但本研究旨在探究不同行驶里程下的最优控制结果,提出的方法也适用于实际工况,对提升PHEV在实际路况下的燃油经济性和延长电池寿命仍具有指导意义.
参考文献
基于行驶工况的插电式混合动力汽车电能消耗最优控
[J].DOI:10.3969/j.issn.1674-8484.2017.01.011 [本文引用: 1]
Optimal charge depleting control of plug-in hybrid electric vehicles based on driving condition
[J].DOI:10.3969/j.issn.1674-8484.2017.01.011 [本文引用: 1]
并联式混合动力汽车的BP网络实时能量管理
[J].DOI:10.3969/j.issn.1007-449X.2008.05.024 [本文引用: 1]
Real-time energy management of parallel hybrid electric vehicle based on BP neural network
[J].DOI:10.3969/j.issn.1007-449X.2008.05.024 [本文引用: 1]
Cycle-life model for graphite-LiFePO4 cells
[J].DOI:10.1016/j.jpowsour.2010.11.134 [本文引用: 1]
Energy management strategy for HEVs including battery life optimization
[J].DOI:10.1109/TTE.2015.2471180 [本文引用: 1]
A control-oriented cycle-life model for hybrid electric vehicle lithium-ion batteries
[J].
A new life estimation method for lithium-ion batteries in plug-in hybrid electric vehicles applications
[J].DOI:10.1504/IJPELEC.2012.046609 [本文引用: 1]
Dynamic programming and modern control theory
[J].
混联式混合动力客车全局优化控制策略研究
[J].
Development of power-balancing global optimization control strategy for a series-parallel hybrid electric city bus
[J].
A constraint handling mechanism for particle swarm optimization
[J].
/
〈 |
|
〉 |
