復合電源型電動汽車的自適應能量管理策略

唐 強，湯 賜，曾云龍，王 勇，冷 婷

(長沙理工大學電氣與信息工程學院，湖南長沙410114)

隨著技術的進步，電動汽車愈發能滿足出行需求，且具有節能環保的優勢，這使得電動汽車發展成為一種必然趨勢。由于復合電源的使用，為提高系統的效率，合理的能量管理策略是核心。

目前，電動汽車復合儲能系統能量管理策略可大致分為基于規則類和基于優化類。基于優化類的控制策略模型可獲得全局最優解，但需要行駛工況的先驗知識，且計算量大，難以在車載中實現[1-2]。基于規則的能量管理策略執行效率高、簡單直觀、易于車載實現[3]。

基于規則類的控制策略常見的有：邏輯門限控制策略、模糊控制策略和濾波器控制策略。模糊控制策略是應用最廣泛的。該策略是一種模仿人的思維方式和推理方法的控制方法，具有無需對象的數學模型、魯棒性較強的特點[4]。本文采用了多模糊控制器識別出駕駛意圖，其識別結果用于自適應修正能量分配系數，從而不僅考慮車的因素還考慮駕駛員因素，實現了識別結果能量自適應分配。并利用了advisor仿真[5]，分析了該策略的有效性。

1 復合電源系統

1.1 系統拓撲圖

復合電源系統拓撲包含全主動式、半主動式、被動式3 種構型。綜合考慮成本和使用效果，采用半主動式復合電源構型進行研究，如圖1 所示。超級電容通過雙向DC/DC 變換器與母線相連，電池直接與母線相連。這種結構一方面可以使超級電容能夠在寬電壓范圍內工作；另一方面，電池直接連接到直流總線能夠保證直流總線的電壓相對穩定[6]。

圖1 半主動式復合電源構型

1.2 電池模型

電池選用Rint 模型，如圖2(a)所示。圖中U_bat為開路電壓，R_bat為歐姆內阻，I_bat為電流，U_load為負載電壓。

圖2 部件模型

電池的負載功率P_bat為：

根據式(1)可得動力電池的電流：

SOC 用于表征剩余放電能力，計算公式為[7]：

1.3 超級電容模型

由于超級電容一階RC 模型具有較小的RMSE(標準誤差)，且提高階數對模型精度提高的并不明顯，所以超級電容選用一階RC 模型，如圖2(b)所示。圖中，電容的容量以C 表示，開路電壓以U_uc表示，電流以I_uc表示，負載電壓以U_load表示。

負載電壓和開路電壓關系為：

其中，開路電壓的計算公式為：

式中：Q_uc為超級電容存儲的能量。

忽略C 的變化，可得超級電容存儲電量的SOC_uc等于電壓差之比，見式(6)：

式中：U_min、U_max分別為超級電容允許的最小電壓、最大電壓。

1.4 雙向DC/DC 變換器

基于半主動式拓撲，更快響應速度和較大工作功率的雙向DC/DC 變換器可減小直流母線承受的電壓波動，有利于蓄電池的壽命[8]。而雙向DC/DC 變換器存在參數多且未知及不易準確求解的問題，考慮到該問題，本文通過測試在不同輸入電壓下，效率隨功率變化情況，結合查表法[9]建立雙向DC/DC 變換器模型，如圖3 所示。

2 駕駛意圖-模糊自適應控制策略分析

駕駛意圖-模糊自適應控制策略是結合模糊控制策略和駕駛意圖識別提出的自適應能量管理策略。模糊控制策略只考慮了車的因素，即滿足整車功率需求，未考慮加速意圖、駕駛風格，即駕駛員因素。同時考慮車的因素和人的因素，更加符合實際情況，且根據駕駛意圖自適應調整能量分配系數，可優化能量分配。本部分詳細地介紹模糊控制策略、駕駛意圖識別和駕駛意圖-模糊自適應控制策略實現。

圖3 DC/DC變換器模型

2.1 模糊邏輯控制

采用最經典的Mamdani 結構，其輸入分別為Pr=[-0.2,1]、SOCb=[0.2,1]和SOCc=[0.2,1]。輸出變量為Kb=[0,1]。對于Pr，由于實際域與論域不對應，所以實際域要轉換為論域，通過實際域絕對值的最大值除以論域絕對值的最大值求得轉換系數，Pr乘以該系數，即可完成轉換。SOCb、SOCc、Kb論域與實際域一致，不用轉換。模糊邏輯功率分配策略的輸入、輸出隸屬度函數如圖4。

圖4 輸入與輸出隸屬度函數

綜合制動過程和驅動過程設計了模糊控制器,模糊控制規則見表1。

確定了輸入輸出隸屬度函數和模糊規則后，進行模糊推導，設計模糊控制策略結構圖，如圖5 所示。

2.2 駕駛意圖識別

目前，識別駕駛意圖的方法主要有模糊邏輯控制、人工神經網絡和隱馬爾科夫模型。應用模糊控制對駕駛意圖識別是通過提取相關表征參數，經模糊推理識別駕駛意圖。模糊控制對解決無法用數學描述的模型特別適用，控制結果符合人的思維以及經驗，而且具有魯棒性高的特點。本文中考慮到駕駛意圖無法用精確模型描述，采用模糊控制識別駕駛風格和加速意圖進而識別出駕駛員駕駛意圖。

表1 模糊控制規則

圖5 模糊控制策略結構圖

2.2.1 駕駛風格識別

駕駛風格分為動力性需求和經濟性需求，分別用Power和Ecomic 表示。車輛加速度均值E(a)是某時間片段內對加速度取平均，表征該時間片段內速度的變化率。E(a)越大表征速度變化快，意味著駕駛員需求偏向于動力性；反之，偏向于經濟性。若樣本中出現具有少數極端值的情況，加速度均值將失去代表性，所以引入汽車加速度均方差σ(a)，共同識別駕駛員對車輛動力性或經濟性的偏向需求，從而準確地識別駕駛員的駕駛風格。

式中：a 為當前加速度采樣值；n 為加速度取樣個數。

獲得識別參數后，對駕駛風格識別的模糊控制器進行設計。其 中 模 糊 輸 入 輸 出 論 域E(a)=[-1，1]，σ(a)=[0,1]、driving_style=[-1,1]，所對應的模糊子集為：E(a)={NB、NM、S、PM、PB}；σ(a)={S、M、B}；driving_style={Economic、Power}。模糊規則的輸出界面如圖6 所示。

圖6 駕駛風格

2.2.2 加速意圖識別

通過加速踏板的開度和加速踏板變化率識別加速意圖。加速踏板的開度以加速時加速度均值E(a_acc)表征，加速踏板的變化率以加速度沖擊影響因子J_fact表征。E(a_acc)且J_fact越大則表示加速意圖越強，反之，加速意圖越弱，計算公式如式(9)。

式中：J 加速度沖擊系數[9]；J 為各種路況下的平均沖擊系數。加入J 是因為不同路況下的沖擊系數呈現差異化分布，將路況考慮進來，使得沖擊影響因子表征加速度沖擊程度更具實際含義。經計算，不同工況下平均沖擊系數如表2 所示。

表2 不同工況下平均沖擊系數

加速意圖模糊識別器的設計中，輸入和輸出變量的論域為：E(a_acc)=[0，1]，J_fact=[0，1]，acc_atemp=[0,1];所對應的模糊子集為E(a_acc)={S, M, B}、J_fact={S, PM, PB}、acc_atemp={S, M, B}；所用模糊規則的輸出界面如圖7 所示。

圖7 加速意圖

2.3 駕駛意圖-模糊自適應控制策略的實現

駕駛意圖-模糊自適應控制策略的實現思路是：由輸入為功率需求、蓄電池SOC、電容SOC 的模糊控制器為主模糊控制器，滿足充放電功率主要的期望值；由駕駛意圖識別模糊器為副模糊控制器，其輸出結果動態修正主能量分配系數。結合多目標優化思路，總能量分配系數為主副模糊控制輸出乘權重取和，策略結構圖見圖8。

圖8 駕駛意圖-模糊邏輯自適應控制策略結構圖

根據模糊圖中控制策略結構圖，可得：

式中：Pr為需求功率；K 為能量分配系數。

式中：weight1為駕駛意圖權重；weight2為主模糊控制輸出權重；k1為駕駛意圖識別結果；k2為主模糊控制輸出結果。

權重分配目標：延長動力電池的循環壽命，同時考慮車、駕駛意圖因素。其中，滿足功率需求、SOC 約束、儲能裝置輸出功率限值約束等車的因素是首要的，所以權重系數依次取值為0.7、0.3。

3 仿真結果分析

為驗證駕駛意圖-模糊自適應控制策略有效性，進行仿真，其中，仿真中的單一電源系統和復合電源系統的整車參數是一致的；模糊控制和駕駛意圖-模糊自適應控制策略分別用策略1 和策略2 表示；仿真工況為NEDC 工況。

圖9 為策略2 下汽車速度跟隨情況。由圖可知，實際車速和需求車速能較好跟隨，表明策略2 滿足行駛功率需求。

圖9 策略速度跟隨情況

圖10 為蓄電池SOC 變化圖。由圖可知，策略2 蓄電池SOC 降低最小，策略1 次之，單一電源系統降低最大。進一步計算得圖11，較單一電源系統，策略1 能量利用率提高了6.44%，策略2 提高了9.82%。

圖10 蓄電池SOC變化圖

圖12 為蓄電池電流變化情況。由圖可得，采用策略1 的電池放電電流在118.49 A 以內，采用策略2 時電池的放電電流在100.18 A 以內，降低了15.45%，且兩種策略的大部分蓄電池電流均在90 A 以內，避免了大電流對動力電池的沖擊。

圖13 為蓄電池輸出功率變化情況。由圖可得，采用策略1 時電池最大正功率33.77 kW，采用策略2 時電池的最大正功率為29.09 kW，降低了13.86%。采用策略1 的電池最大制動回收功率為-7.49 kW，在策略2 下的電池最大制動回收功率為-7.08 kW，降低了5.47%。這表明，策略2 無論在驅動狀態還是制動狀態均更有效減少蓄電池的功率波動，有利于提高蓄電池的使用壽命。

圖11 不同ECMS蓄電池能量利用率指標

圖12 電池電流

圖13 電池功率

圖14 為超級電容輸出功率、輸出電流變化情況。由圖可得，與策略1 對比，策略2 下超級電容輸出電流、輸出功率波動更大。這表明，策略2 較策略1 更能發揮超級電容削峰填谷的優勢。

圖14 超級電容輸出功率、電流變化情況

圖15 為蓄電池的溫升。由圖可得，單一電源電池溫升最大，為1.43 ℃；策略1 溫升次之，為1.35 ℃，降低了5.59%；而策略2 電池溫升變化最小，溫升為1.28 ℃，降低了10.49%。頻繁工作在高溫狀態下的電池壽命會減少，策略2 較單一電源及策略1，更有助于延長其循環壽命。

?

圖15 電池溫升

4 結論

在確定半主動式復合電源系統拓撲后，建立整車頂層模型。通過Simulink 對路況建模，得到表征參數：加速度均值，加速度標準差，加速度沖擊影響因子，設計模糊控制器，進行模糊推理，識別駕駛風格以及加速意圖，進而識別出駕駛意圖。基于駕駛意圖-模糊邏輯自適應控制策略完成仿真，進行仿真對比分析，得如下結論：

(1)在滿足整車動力性的前提下，采用駕駛意圖-模糊邏輯自適應控制策略能根據表征參數，識別出駕駛意圖自適應修正能量分配系數。

(2)復合電源系統能利用超級電容比功率大和可快速充、放電的優勢，且結合能量管理策略進行能量分配，可有效提高能量利用率和延長電池壽命。仿真表明，駕駛意圖-模糊邏輯自適應控制策略較單一電源系統，能量利用率提高約9.82%，電池溫升降低了10.49%。

(3)駕駛意圖-模糊邏輯自適應控制策略較傳統模糊控制策略的能量利用率提高了約3.61%，蓄電池的功率波動降低了13.86%，蓄電池的最大輸出電流降低了15.45%，蓄電池的溫升降低了5.19%，這均有利于保護蓄電池，延長壽命，表明該策略的優化有效性。