新型能量管理策略對燃油經濟性的影響

隨著汽車技術的不斷發展，汽車的能量利用率不斷提高。本文對在當今汽車技術中使用的能量管理技術進行介紹。

1 電動汽車艙室熱管理的能效和性能 [1]

在AMESIM軟件中搭建電動汽車乘員艙空調系統仿真模型?？照{系統包括熱泵、PTC加熱器和用于廢熱回收的熱交換器。對熱泵和艙室熱流進行了模擬。

1.1 搭建汽車乘員艙空調系統仿真模型

利用AMESim軟件建立了電動汽車仿真模型。介紹車輛熱管理建模。乘員艙空調系統是在現有空調系統模型的基礎上，通過調整制冷劑流量使其作為熱泵工作而建立起來的。所建立的動態集總參數熱泵模型如文中圖1所示。熱泵模式由四個閥門控制，可以改變制冷劑流體的流向。在熱泵模式下，還增加了一個熱交換器，用于從電力電子和電機液體冷卻電路中回收余熱。空調系統模型包括一個PTC加熱器，它與艙室空氣流動和熱交換器集成在一起。

圖1 AMESim搭建的HVAC系統模型[1]

作者還建立了乘員艙模型和電動汽車模型。AMESim軟件有兩個預置的駕駛艙模型，一個很簡單以及用于熱平衡模擬的高級模型,更高級的客艙模型包括不同的客艙材料和元素。在電動汽車模型中，汽車動力總成包括電池系統、逆變器、電機、差速齒輪。該模型可以模擬縱向位移，可較好地計算系統級能耗。

1.2 模擬分析的整車配置條件

通過對一輛電動汽車的完整模型進行仿真，評價了不同行駛周期和環境條件下的能耗。在8種不同的環境溫度下測定了3種不同的驅動循環的能耗。HVAC系統有四種配置:

（1）無冷卻和加熱。

（2）5 kW空調及PTC加熱器(AC+PTC)，

（3）4 kW熱泵和PTC加熱器(HP+PTC)，

（4）熱泵，4 kW PTC加熱器，余熱回收由HP+PTC+WH組成。

1.3 結論

在仿真基礎上，對整車性能和能耗進行了分析，并對客艙暖通空調系統不同配置構架進行了平均功率需求和COP評價。借助于建立的完整汽車模型，計算了電動汽車的總能耗和行駛里程。仿真結果表明，驅動周期對能耗有顯著影響。在低溫環境條件下，高速公路低速行駛比高速行駛增加更多的能耗。與由空調和PTC加熱器組成的傳統暖通空調系統相比，在溫和的溫度下，采用熱泵系統的汽車與常規的由空調和PTC加熱器構成的HVAC系統對比，續航里程可以提高6～22%。通過回收電力電子和電動機的余熱并利用余熱，從而提高熱泵系統的性能，可以進一步提高車輛的續航里程。

2 混合動力汽車能源預測管理策略燃油經濟性改進和電池容量靈敏度分析[2]

2.1 主要目的和主要原理

本文作者研究了在實際駕駛情況下，不同的電池充電管理策略對并聯混合動力汽車燃油經濟性的影響。利用每種策略對燃油經濟性改進進行比較，然后將其中一種改進與未來駕駛條件結合，主要是速度和海拔高度的分布。

2.1.1 車輛模型

這項工作使用了一個動態的，面向控制的模型，這意味著有一個駕駛員模型，根據所需的車輛速度，輸入真實的加速度和剎車踏板信號。因此，能量流從原機或輔助機傳遞，通過傳輸到達車輪，計算出車輛加速度。車輛的動力系統構架如圖2所示。

2.1.2 電荷狀態管理策略

作者研究了三種不同的SOC管理策略。充電狀態管理策略是控制器在驅動任務中規劃電池使用的多種方式。表1清楚地顯示了使用不同的SOC策略的燃料消耗。選擇了充電管理策略，對燃油經濟性也很重要，因為在最佳和最差之間，燃油消耗的差異為0.67%。

圖2 車輛的動力系統構架[2]

表1 不同的SOC策略的燃料消耗[2]

2.1.3 靈敏度分析

電池容量越小，預測信息越重要。然而，即使是最小的電池容量，好處也是有限的。這意味著速度和道路阻力對這種SOC調整策略的影響較小，如果有其他可預測的信息，如交通燈數據、法律限速、交通堵塞情況等，這可能會更加有效。

2.2 結論

（1）本研究認為，與基于物理的控制器(如ECMS)相關聯的SOC規劃的每一個策略都比在車輛中實現的原始啟發式控制器性能更好。

（2）此外，研究還表明，考慮到特定的架構(如PHEV)，尤其是在電池容量大的情況下，使用消耗電量/保持電量的方法更為可取。

（3）最后，量化了在已知未來駕駛條件的情況下，電池充電管理策略所能實現的額外油耗降低，并進行了靈敏度分析，證明了在電池容量較低的情況下，這種效益會更大。

3 混合動力汽車燃油經濟性和實施最優能源管理的研究 [3]

3.1 主要目的和主要原理

混合動力電動汽車的最優能源管理已被證明可將燃油經濟性(FE)提高約20%，從而減少對外國石油的依賴，減少溫室氣體(GHG)排放，減少一氧化碳(CO)和氮氧化物(NOx)排放。這表明，隨著混合動力電動汽車產量的增加和消費者的歡迎度的提高，燃油經濟性的增加是現實世界中需要實施的一項關鍵技術。

作者指出了現實世界中阻礙混合動力汽車能量優化管理的兩個研究空白:傳感器和信號技術以及預測續駛里程和誤差影響。

3.1.1 研究空白1：利用傳感器和信號技術提高燃油經濟性

傳感器和信號技術可以通過兩種顯著的方式增加車輛的燃油經濟性:

(1)促進更有效的能量驅動行為，也被稱為生態驅動;

(2)現實世界中最優能量管理策略驅動循環預測需求的實現。

目前在現代商用車中為安全和方便而使用但未用于改進燃油經濟性的傳感器技術包括:攝像機系統(CS)、雷達系統(VRS)、全球定位系統(GPS)。

3.1.2 研究空白2：最優能量管理預測范圍和誤差影響

基于未來車輛狀態預測的最優能源管理策略預測窗口越長，燃油經濟性改善的潛力就越大。Nicolo Cavina分析了現實世界中最優能源管理的實施過程中可能會遇到的預測誤差問題。在一個控制場景中，使用動態規劃(DP)推導出一個完整驅動循環的最優控制，假設車輛速度是已知的驅動循環持續時間在一秒增量。動態規劃的一個優點是它還提供了一個控制決策矩陣,涵蓋每個可能的狀態和時間。各種預測誤差對各種能量管理方案的影響如圖3。

3.2 結論

照相機系統和雷達系統等傳感器已經存在于現代車輛中，但仍未用于生態駕駛和優化能源管理、提高燃油經濟性。為了實現HEV燃油經濟性的改善，需要對目前可用和近期可用的傳感器和信號技術的各種組合來實現驅動循環預測的可靠性和準確性進行更多的研究。

圖3 各種預測誤差對能量管理方案的影響[3]

另一個阻礙實施最優能源管理、提高燃油經濟性的研究空白是缺乏關于預測誤差影響的研究數據。初步研究是通過研究隨機或隨機誤差對隨機導出的最優控制策略的影響，以及速度誤差預測、能量誤差預測、紅燈誤差預測和交通量誤差預測對全局最優能源管理策略的影響而開始的。

4 一種基于規則的內燃機(ICE)車輛模式切換預測能量管理策略[4]

4.1 主要目的和主要原理

作者介紹使用交流發電機的控制模式開關（CMS）為內燃機車輛進行能量管理策略。該能量管理系統通過回收汽車的剩余動能，以提高燃油效率。當駕駛員操縱車輛減速時，會產生剩余動能。剩余能量通常作為剎車的熱能被浪費掉。在這種情況下，通過使用交流發電機可以將浪費的能量轉化為電能，這種轉換可以減少額外的燃料消耗。

4.2 系統概述

將所提出的能量管理策略應用于常規發動機車輛的電力系統中。在目標電力系統中，交流發電機由一個以充電狀態值作為參考輸入的負反饋控制器控制。該策略為交流發電機的反饋控制器提供了一個可變的充電狀態設定值。

如圖4所示，該能量管理系統由兩個子系統組成:隨機預測系統和控制模式切換系統。

首先，預測系統根據當前車輛測量數據的輸入，估計未來剩余發動機功率的持續時間。然后，根據控制開關規則對交流發電機的控制方式進行切換。最后，交流發電機反饋控制器使用SOC設定值與當前SOC值之間的誤差。

圖4 能量管理策略的系統構架[4]

4.2.1 發動機剩余功率的預測

預測系統的目標是估計剩余動能的未來持續時間。然而，直接預測剩余能量是很困難的。因此，作者Haksu Kim利用車速來預測剩余能量的發生。

4.2.2 馬爾可夫鏈模型

Haksu Kim采用馬爾可夫鏈模型進行預測。該馬爾可夫鏈模型基于區間編碼方法和多元馬爾可夫鏈。最后，交流發電機反饋控制器使用SOC設定值與電流SOC值的差值。

4.3 仿真結論

仿真結果表明，該方法能夠提高燃油經濟性，兩種策略都使SOC值保持在穩定的范圍內?？傆秃慕档土?.48%。在電能生產方面，交流發電機的耗油量減少了42.86%。

5 最優燃油經濟性車輛控制的預測[5]

5.1 主要目的和主要原理

采用基于預測的最優能源管理的車輛控制已被證明可以實現更好的燃油經濟性，從而帶來經濟、環境和社會效益。盡管最近幾十年已經出版幾百份最佳能量管理研究論文，但聚焦最佳能量管理預測衍生應用方面的研究還是很有限的。數據來源包括以前的駕駛周期信息、當前車輛狀態、全球定位系統、旅行時間數據以及可以辨別車輛、標識和交通指示燈的先進的駕駛員輔助系統(ADAS)。為了得到預測結果，將數據輸入應用于帶有外部輸入的非線性自回歸人工神經網絡(NARX)中。在科羅拉多州的丹佛市，有兩種真實世界的駕駛循環可供分析:一種是通過市區為主的以城市為中心的駕駛循環，另一種是高速公路區為主的駕駛循環跨越多個狀態的轉換。結果表明，包含各種傳感器和信號可以在100%準確預測方面明顯提高燃油經濟性，利用當前可用的傳感器和信號，可以實現基于預測的最佳能量管理，從而實現燃油經濟性改進。

5.1.1 最優的能源管理策略模擬

該系統包括用于駕駛循環預測（感知）的子系統，最佳EMS的推導衍生（計劃）以及車輛中的最佳能量管理實施。該系統級別的視角如圖5所示，可以獨立開發和調研感知、規劃和車輛工廠子系統，但燃油經濟性結果取決于完整的系統實施和分析。

圖5 系統級別[5]

5.2 結論

在這項研究中，組成了一套獨特的傳感器和信號，以調研在一個主要首都城市中長達十英里、繁忙的駕駛循環的最佳車輛控制。啟動了以城市為中心和以高速公路為中心的駕駛循環試驗，在此期間記錄GPS、當前車輛速度、ADAS檢測和行程時間數據。然后將這些傳感器和信號輸出輸入到神經網絡感知模型當中，以確定未來的車輛操作。然后，利用Autonomie軟件，對2010 Toyota Prius的驗證模型實施了最佳能量管理戰略。結果表明，對于以城市為中心的駕駛循環，可以使用GPS、當前速度和ADAS檢測數據，利用預測模型結合最優控制來實現整體最優改進。結果還表明，對于聚焦高速公路的駕駛循環，在預測模型中結合最優控制、使用GPS、當前速度、ADAS檢測和行程時間數據可以實現整體最佳燃油經濟性