復合儲能純電動汽車能量管理策略研究

劉瑞元，孫賓賓，張鐵柱，孟令菊

(山東理工大學交通與車輛工程學院，山東淄博 255000)

電動汽車具有功耗低、零排放、節約能源等優點，發展純電動汽車有助于我國雙碳目標的實現。采用單一電源的純電動汽車，在大功率工況下存在能量源效率下降與容量衰減等問題，采用復合儲能系統是有效的解決方案。

對于復合儲能純電動汽車而言，能量管理策略是其核心，主要有基于規則的控制策略與基于優化的控制策略兩種[1]。基于優化的控制策略計算復雜，難以滿足實時性要求。基于規則的控制策略具有計算簡單、執行效率高、易于整車實現等優點[2]，主要有邏輯門限、模糊控制與小波變換。Rade等[3]針對復合儲能系統設計了一種基于邏輯門限的能量管理策略，既提升了復合儲能系統效率，又延長了動力電池的使用壽命。宋鵬飛[4]設計了一種基于模糊控制的能量管理策略，減小了鋰電池輸出電流，提升了能量源效率。申永鵬等[5]設計了一種基于小波變換的能量管理策略，降低了動力電池的高頻功率分量與峰值功率。邏輯門限與模糊控制能量管理策略無法消除高頻暫態功率對能量源的負面影響，小波變換能量管理策略雖然在處理暫態功率方面具有優勢，但也存在工況適應性差的問題。

本文以鋰電池-飛輪電池復合儲能純電動汽車為研究對象，在小波變換的基礎上，考慮了汽車運行工況對復合儲能系統的影響，提出了一種自適應小波能量管理策略。利用支持向量機(SVM)對汽車運行工況進行識別，在此基礎上選用不同的小波分解層數對整車需求功率進行分解，可增強能量管理策略的工況適應性，降低高頻暫態功率對能量源效率與耐久性造成的負面影響。

1 鋰電池-飛輪電池復合儲能系統

1.1 飛輪電池結構與原理

飛輪電池結構如圖1 所示，主要由飛輪轉子、飛輪控制電機、真空室、高速軸承與電力電子轉換裝置構成。其共有三種工作模式：充能模式，飛輪控制電機工作在電動機狀態，帶動同軸的飛輪轉子加速旋轉，將電能轉化為飛輪轉子的機械能儲存起來；儲能模式，飛輪電池沒有能量輸入與輸出，飛輪轉速幾乎保持不變；釋能模式，飛輪控制電機工作在發電機狀態，由同軸的飛輪轉子帶動，飛輪轉子減速將機械能轉化為電能對外輸出。

圖1 飛輪電池結構

1.2 復合儲能純電動汽車系統結構與參數

本文所研究的鋰電池-飛輪電池復合儲能純電動汽車結構如圖2 所示，飛輪電池與雙向DC/DC 串聯后，與鋰電池組一起并聯到直流母線上，整車參數如表1 所示。

圖2 鋰電池-飛輪電池復合儲能純電動汽車結構圖

表1 整車參數

2 基于SVM 的工況識別

2.1 典型工況與特征參數選擇

全球統一輕型汽車測試循環(WLTC)如圖3 所示，包含低速、中速、高速、超高速四種典型工況，屬于綜合工況，較好地代表了乘用車的實際運行狀況。選定低速工況標簽為1，中速工況標簽為2，高速工況標簽為3，超高速工況標簽為4，在此基礎上建立基于支持向量機的工況識別模型。

圖3 WLTC工況

在建立支持向量機訓練模型之前，首先要確定工況識別所用到的特征參數，參數選擇過少會導致模型識別準確率下降，而參數過多會導致運算量過大[6]。在保證模型準確性的前提下選取了最大車速vmax、平均車速vave、怠速時間比α、平均加速度aave與最大加速度amax等5 個特征參數，各典型工況下的特征參數如表2 所示。

表2 各典型工況下的特征參數

2.2 基于遺傳算法優化的支持向量機工況識別模型

支持向量機是一種基于統計學習理論的機器學習算法，在處理小樣本、高維度、非線性等問題時分類精度較其他機器學習算法更高，而汽車行駛工況的識別就是一種典型的高維度、非線性問題，支持向量機非常適合汽車行駛工況識別[7]。選擇高斯徑向基核函數(RBF)作為工況識別模型的核函數。

在每種典型工況下選擇200 個數據，共800 個數據點，每個數據點包括5 個特征參數，在所采集的數據點中隨機選取85%來建立訓練集，剩余的15%作為驗證集驗證工況識別模型的精度，支持向量機輸入為5個特征參數，輸出為工況標簽。

為了進一步提升工況識別模型的準確率，采用遺傳算法來優化對工況識別精度影響較大的懲罰函數c與高斯徑向基核函數的方差σ2(用g代表)兩個參數，采用遺傳算法優化支持向量機的步驟如圖4 所示。

圖4 遺傳算法優化支持向量機流程

遺傳算法參數設置如下：最大進化代數100，種群數量20，交叉概率0.7，變異概率0.01。參數c的變化范圍[0,200]，參數g的變化范圍[0,1 000]，經過100 次迭代遺傳算法尋得的最優分類準確率為98%，對應的最優參數c=86.551 6，g=0.149 62。

優化前(參數采用默認值)與優化后工況識別模型的識別結果如圖5 所示，可見經遺傳算法優化后工況識別精度明顯提升，分類錯誤點明顯減少。

圖5 工況識別結果

3 復合儲能系統能量管理策略設計

3.1 功率信號的小波分解

小波變換(Wavelet Transform)被稱為“數學顯微鏡”，具有在低頻段頻率分辨率高、高頻段時間分辨率高的特點[8]。本文利用小波變換對整車功率信號進行實時濾波處理，將功率信號中的高頻部分過濾給飛輪電池承擔，可減小高頻電流對鋰電池的沖擊。

汽車的需求功率信號為實時信號，但是連續小波變換無法處理實時信號，故采用離散小波變換，離散小波變換公式如下：

式中：x(t)為功率信號；ψ(t)為小波變換母函數，(j=0,1,2…,k∈Z)其逆變換公式為：

選擇濾波長度最短的Haar 小波作為小波變換的母函數，其具有程序簡單、代碼執行率高的特點，Haar 小波函數的表達式如下：

二階Haar 小波變換過程如圖6 所示，圖中：X(t)為原始信號；Y(t)為重構信號；H1與H2為分解高、低通濾波器；G1與G2為重構高、低通濾波器；x0為二階低頻分量，x1與x2為一、二階高頻分量，即x0為分配給鋰電池的低頻分量，x1+x2為分配給飛輪電池的高頻分量。

圖6 二階小波變換示意圖

3.2 小波分解層數的確定

信噪比是指小波分解后有效信號與噪聲信號的比值，定義有效信號為低頻信號，噪聲信號為高頻信號，所以信噪比指的是蓄電池輸出能量與飛輪電池輸出能量的比值。基于WLTC 工況對Haar 小波進行離線仿真，得到不同分解層數下的信噪比如表3 所示，可見分解層數越高，飛輪電池對鋰電池的保護作用就越強。由于飛輪電池只是起到削峰補谷的作用，動力電池才是整車主要能量來源，所以信噪比應大于1，故可選擇的小波分解層數L范圍為2＜L＜6。

表3 不同分解層數信噪比

通過對采用固定分解層數的小波能量管理策略進行仿真研究，發現采用三層小波分解能量管理策略的汽車具有更好的性能，故傳統小波能量管理策略選擇三層分解。

3.3 自適應小波能量管理策略

WLTC 工況下整車需求功率變化曲線如圖7 所示，可見在四種典型工況下整車需求功率的區別非常大，因此采用固定的小波分解層數難以兼顧各典型工況的需求，難免出現分解不足與分解過度現象，設計一種可隨汽車運行工況自適應調節小波分解層數的能量管理策略是十分有必要的。

圖7 整車需求功率曲線

所設計的自適應小波能量管理策略如圖8 所示，首先采用支持向量機模型根據汽車速度信號的特征參數對汽車運行工況進行識別，根據識別結果調節小波分解層數，增強了能量管理策略的工況適應性。

圖8 自適應小波能量管理策略示意圖

四種典型工況下的整車需求功率分布如圖9 所示。在低速工況下需求功率較小，主要分布于0～5 kW，此時鋰電池受到電流的沖擊較小，因此可以采用較低的分解層數，在車輛由低速工況向超高速工況變化的過程中整車需求功率也趨于向高功率區間分布。在超高速工況下整車需求功率有28%分布于30～55 kW 的高功率區間，此時鋰電池受到電流沖擊強度很大，應采用較高的小波分解層數對鋰電池進行保護。各個典型工況下的小波分解層數為：低速工況2 層，中速工況3 層，高速工況4 層，超高速工況5 層。

圖9 整車需求功率分布直方圖

4 仿真分析

搭建了基于Matlab/Simulink 的整車模型，在WLTC 下進行仿真分析，通過與傳統小波能量管理策略的對比來驗證所提出控制策略在提升能量源效率與耐久性等方面的優勢。

圖10、圖11 分別為自適應小波能量管理策略下鋰電池與飛輪電池的輸出功率曲線，可見飛輪電池承擔高頻瞬態分量，鋰電池承擔相對平穩的低頻分量，自適應小波能量管理策略有效地實現了高低頻需求功率分離。

圖10 自適應小波能量管理策略下的鋰電池輸出功率曲線

圖11 自適應小波能量管理策略下的飛輪電池功率曲線

圖12 為不同能量管理策略下鋰電池的荷電狀態(SOC)變化曲線，從圖中可以看出飛輪電池對鋰電池輸出功率進行削峰補谷后可以大幅提高鋰電池的效率，減少鋰電池的電量消耗。尤其是自適應小波能量管理策略下的鋰電池SOC下降最為緩慢，且在循環結束時SOC值更高，自適應小波能量管理策略較三層小波能量管理策略將鋰電池電量消耗降低約1.9%，較單一鋰電池電量消耗降低約3.7%，可顯著降低儲能系統能耗。

圖12 不同能量管理策略下的鋰電池SOC

圖13 所示為不同能量管理策略下的鋰電池輸出電流，過高的充放電電流會嚴重影響鋰電池的工作性能，造成容量衰減、安全性降低等問題。單一鋰電池作為能量源時最大電流為170.7 A，三層小波能量管理策略下最大電流為153.2 A，自適應小波能量管理策略下最大電流為138.5 A，較單一電池減小了18.9%，較三層小波能量管理策略減小了10.6%。可見自適應小波能量管理策略對于電流激烈脈沖的抑制效果更好，更能降低大電流對鋰電池的傷害。

圖13 不同能量管理策略下的鋰電池輸出電流曲線

溫度對鋰電池性能的影響很大，當溫度過高時會破壞電池內部的化學平衡產生副反應，不同能量管理策略下鋰電池溫度變化曲線如圖14 所示。循環結束時，采用單一電源的鋰電池溫度升高了1.98 ℃，采用三層小波能量管理策略的鋰電池溫度升高了1.29 ℃，采用自適應小波能量管理策略的鋰電池溫度升高了1.02 ℃，較單一電源降低了48%，較三層小波能量管理策略降低了21%，自適應小波能量管理策略可以更有效抑制鋰電池溫升。

圖14 不同能量管理策略下鋰電池溫升曲線

5 結論

本文針對鋰電池-飛輪電池復合儲能純電動汽車提出了一種基于支持向量機與小波變換的能量管理策略，并進行了仿真驗證，結果表明：所提出的能量管理策略可以準確識別出汽車運行工況的變化，并依據工況識別結果自適應調節整車需求功率的小波分解層數，增強了工況適應性，有效抑制了高頻、高幅值電流對鋰電池的沖擊，實現了需求功率的合理分配。相比于傳統小波能量管理策略，能量利用率提高了1.9%，峰值電流減小了10.6%，溫升降低了21%，既提高了能量利用效率，又延長了鋰動力電池的使用壽命。