Please wait a minute...
浙江大学学报(工学版)
浙江大学学报(工学版)  2019, Vol. 53 Issue (11): 2206-2214    DOI: 10.3785/j.issn.1008-973X.2019.11.019
能源工程     
考虑电池寿命的插电式混合动力汽车能量管理优化
曾小华(),王星琦,宋大凤*(),杨南南,王振伟
吉林大学 汽车仿真与控制国家重点实验室，吉林 长春 130025
Battery-health conscious energy management optimization in plug-in hybrid electric vehicles
Xiao-hua ZENG(),Xing-qi WANG,Da-feng SONG*(),Nan-nan YANG,Zhen-wei WANG
State Key Laboratory of Automotive Simulation and Control, Jilin University, Changchun 130025, China
 全文: PDF(2164 KB)   HTML
摘要：

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： 车辆工程;  整车能量管理优化;  动态规划;  电池寿命;  神经网络    
Abstract:

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.
Key words: vehicle engineering    vehicle energy management optimization    dynamic programming    battery life    neural network
收稿日期: 2018-09-05 出版日期: 2019-11-21
CLC:  U 461  
基金资助: 国家重点研发计划资助项目（2018YFB0105900）
通讯作者: 宋大凤     E-mail: zeng.xiaohua@126.com;songdf@126.com
作者简介: 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： zeng.xiaohua@126.com
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
作者相关文章　　
曾小华
王星琦
宋大凤
杨南南
王振伟

引用本文:

曾小华,王星琦,宋大凤,杨南南,王振伟. 考虑电池寿命的插电式混合动力汽车能量管理优化[J]. 浙江大学学报(工学版), 2019, 53(11): 2206-2214.

Xiao-hua ZENG,Xing-qi WANG,Da-feng SONG,Nan-nan YANG,Zhen-wei WANG. Battery-health conscious energy management optimization in plug-in hybrid electric vehicles. Journal of ZheJiang University (Engineering Science), 2019, 53(11): 2206-2214.

链接本文:

http://www.zjujournals.com/eng/CN/10.3785/j.issn.1008-973X.2019.11.019    或    http://www.zjujournals.com/eng/CN/Y2019/V53/I11/2206

图 1  插电式行星混联系统
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
表 1  整车主要配置参数
图 2  发动机万有特性曲线
图 3  发动机最优工作曲线
图 4  电池等效内阻模型
图 5  不同行驶距离下的全局优化计算结果
图 6  动力源工作点的动态规划求解过程
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
表 2  9×NEDC工况的仿真结果
图 7  不同权重系数下的全局优化结果
图 8  9×NEDC工况下的电池SOC 轨迹
图 9  9×NEDC工况下的电池充放电倍率
图 10  SOC较高时2种权重系数下的整车功率分配对比
图 11  SOC较低时2种权重系数下的整车功率分配对比
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
表 3  不同行驶里程下的优化结果
图 12  不同行驶里程下电池SOC轨迹
图 13  基于神经网络能量管理控制的车辆传动系统结构
图 14  基于神经网络的电池SOC变化率预测结果
图 15  8×NEDC工况下NN控制策略仿真结果
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
表 4  DP与NN控制策略仿真结果对比
1 杨林, 胡艳青, 闫斌 基于行驶工况的插电式混合动力汽车电能消耗最优控[J]. 汽车安全与节能学报, 2017, 8 (1): 87- 96
YANG Lin, HU Yan-qing, YAN Bin Optimal charge depleting control of plug-in hybrid electric vehicles based on driving condition[J]. Journal of Automotive Safety and Energy Conservation, 2017, 8 (1): 87- 96
doi: 10.3969/j.issn.1674-8484.2017.01.011
2 杨南南. 双行星混联式客车的优化设计与动态控制[D]. 长春: 吉林大学, 2015.
YANG Nan-nan. Optimal design and dynamic control of dual planetary hybrid electric bus [D]. Changchun: Jilin University, 2015.
3 张博. 可外接充电混合动力汽车能量管理策略研究[D]. 长春: 吉林大学, 2009.
ZHANG Bo. Study on energy management strategy for plug-in hybrid electric vehicle [D]. Changchun: Jilin University, 2009.
4 吴剑, 张承慧, 崔纳新 并联式混合动力汽车的BP网络实时能量管理[J]. 电机与控制学报, 2008, (5): 610- 614
WU Jian, ZHANG Cheng-hui, CUI Na-xin Real-time energy management of parallel hybrid electric vehicle based on BP neural network[J]. Journal of Motor and Control, 2008, (5): 610- 614
doi: 10.3969/j.issn.1007-449X.2008.05.024
5 董婷婷. 增程式电动车能量管理及电池寿命研究[D]. 长春: 吉林大学, 2013.
DONG Ting-ting. Study on energy management and battery life for extended-range electric vehicle [D]. Changchun: Jilin University, 2013.
6 WANG J, LIU P, HICKS-GARNER J, et al Cycle-life model for graphite-LiFePO4 cells[J]. Journal of Power Sources, 2011, 196 (8): 3942- 3948
doi: 10.1016/j.jpowsour.2010.11.134
7 TANG L, RIZZONI G, ONORI S Energy management strategy for HEVs including battery life optimization[J]. IEEE Transactions on Transportation Electrification, 2015, 1 (3): 211- 222
doi: 10.1109/TTE.2015.2471180
8 SURI G, ONORI S A control-oriented cycle-life model for hybrid electric vehicle lithium-ion batteries[J]. Energies, 2016, 96: 644- 653
9 ONORI S A new life estimation method for lithium-ion batteries in plug-in hybrid electric vehicles applications[J]. International Journal of Power Electronics, 2012, 4 (3): 302- 319
doi: 10.1504/IJPELEC.2012.046609
10 LUENBERGER D G Dynamic programming and modern control theory[J]. American Scientist, 1966, (4): 482A
11 林歆悠, 孙冬野, 秦大同 混联式混合动力客车全局优化控制策略研究[J]. 中国机械工程, 2011, 22 (18): 2259- 2263
LIN Xin-you, SUN Dong-ye, QIN Da-tong Development of power-balancing global optimization control strategy for a series-parallel hybrid electric city bus[J]. Chinese Mechanical Engineering, 2011, 22 (18): 2259- 2263
12 PULIDO G T, COELLO C A C A constraint handling mechanism for particle swarm optimization[J]. Evolutionary Computation, 2004, 2: 1396- 1403
13 胡孝芳. 基于PSO和神经网络的PHEV能量管理策略的研究[D]. 武汉: 武汉理工大学, 2011.
HU Xiao-fang. Research on the energy management strategy of PHEV based on PSO and neural network [D]. Wuhan: Wuhan University of Technology, 2011.
[1] 许佳辉,王敬昌,陈岭,吴勇. 基于图神经网络的地表水水质预测模型[J]. 浙江大学学报(工学版), 2021, 55(4): 601-607.
[2] 程鸿,胡佳杰,刘勇,叶远青. 强度传输方程和神经网络融合的三维重构算法[J]. 浙江大学学报(工学版), 2021, 55(4): 658-664.
[3] 郑英杰,吴松荣,韦若禹,涂振威,廖进,刘东. 基于目标图像FCM算法的地铁定位点匹配及误报排除方法[J]. 浙江大学学报(工学版), 2021, 55(3): 586-593.
[4] 毛奕喆,龚国芳,周星海,王飞. 基于马尔可夫过程和深度神经网络的TBM围岩识别[J]. 浙江大学学报(工学版), 2021, 55(3): 448-454.
[5] 刘芳,汪震,刘睿迪,王锴. 基于组合损失函数的BP神经网络风力发电短期预测方法[J]. 浙江大学学报(工学版), 2021, 55(3): 594-600.
[6] 陈世达,刘强,韩亮. 降低分布式训练通信的梯度稀疏压缩方法[J]. 浙江大学学报(工学版), 2021, 55(2): 386-394.
[7] 赵燕伟,张健,周仙明,吴耿育. 基于视觉-磁引导的无人机动态跟踪与精准着陆[J]. 浙江大学学报(工学版), 2021, 55(1): 96-108.
[8] 陈纬奇,王敬昌,陈岭,杨勇勤,吴勇. 基于深度神经网络的多因素感知终端换机预测模型[J]. 浙江大学学报(工学版), 2021, 55(1): 109-115.
[9] 陈巧红,陈翊,李文书,贾宇波. 多尺度SE-Xception服装图像分类[J]. 浙江大学学报(工学版), 2020, 54(9): 1727-1735.
[10] 周登文,田金月,马路遥,孙秀秀. 基于多级特征并联的轻量级图像语义分割[J]. 浙江大学学报(工学版), 2020, 54(8): 1516-1524.
[11] 张彦楠,黄小红,马严,丛群. 基于深度学习的录音文本分类方法[J]. 浙江大学学报(工学版), 2020, 54(7): 1264-1271.
[12] 闫旭,范晓亮,郑传潘,臧彧,王程,程明,陈龙彪. 基于图卷积神经网络的城市交通态势预测算法[J]. 浙江大学学报(工学版), 2020, 54(6): 1147-1155.
[13] 沈宗礼,余建波. 基于迁移学习与深度森林的晶圆图缺陷识别[J]. 浙江大学学报(工学版), 2020, 54(6): 1228-1239.
[14] 陶正瑞,党嘉强,徐锦泱,安庆龙,陈明,王力,任斐. 曲面基体绝缘涂镀层涡流测厚高精度标定方法[J]. 浙江大学学报(工学版), 2020, 54(6): 1218-1227.
[15] 汪海晋,尹宗宇,柯臻铮,郭英杰,董辉跃. 基于一维卷积神经网络的螺旋铣刀具磨损监测[J]. 浙江大学学报(工学版), 2020, 54(5): 931-939.