考虑电池电-热-放电深度的并联PHEV能量管理策略研究

doi:10.19562/j.chinasae.qcgc.2021.06.001

摘要/Abstract

摘要：

在插电式混合动力汽车（PHEV）能量管理策略的设计中考虑电池老化的影响对提升整车的经济性意义重大。针对配置自动机械式变速器的并联PHEV，考虑影响电池老化的电-热-放电深度三重耦合因素并利用模型预测控制（MPC），实现挡位选择和转矩分配的协同、实时优化。首先，根据车速谱与电池老化动力学辨识电池在整个行程的最优放电深度。其次，基于最优放电深度建立电池放电规划和预测时域的参考SOC，并利用庞特里亚金最小值原理（PMP）求解滚动时域内的优化问题。与未考虑电池寿命的MPC、采用固定挡位的一维模型预测控制（1D?MPC）和基于动态规划优化方法的MPC等多种方法进行对比。结果表明：（1）优化并联PHEV的挡位可有效降低电池老化成本；（2）与采用规则型换挡策略的1D?MPC相比，对挡位选择和转矩分配同时进行优化的二维模型预测控制（2D?MPC）有利于降低电池核心温度和电池的老化成本；（3）与基于规则的CD?CS策略相比，提出的2D?MPC可将总成本（能耗成本和电池寿命损失成本之和）降低28.2%。

关键词: 并联插电式混合动力汽车, 能源管理, 电池老化, 模型预测控制, 放电深度

Abstract:

Considering the influence of battery aging in the design of energy management strategy of plug?in hybrid electric vehicles （PHEVs） is of great significance for improving the vehicle economy. An energy management strategy is proposed for parallel PHEVs equipped with automatic mechanical transmission while considering triple coupled factors of electric?thermal?depth?of?discharge which influence battery aging， and model predictive control （MPC） is used to achieve real?time co?optimization of gear?shifting and torque distribution. Firstly， the optimal depth of battery discharge over the entire trip is identified based on historical speed profiles and battery aging dynamics. Secondly， with the optimal depth?of?discharge， the battery discharge planning and reference SOC in the preview horizon are established where the Pontryagin minimum principle （PMP） is leveraged to solve the co?optimization problem. Then， it is compared with the MPC without considering battery aging， one?dimensional MPC （1D?MPC） where a scheduled gear?shifting policy is used， and MPC with the dynamic programming based optimization method. The results show that the following ：（1） Optimizing the gear?shifting for parallel PHEVs can effectively reduce the battery aging cost；（2） Compared with the one?dimensional model predictive control strategy （1D?MPC） with regular shift strategy， the two?dimensional model predictive control strategy （2D?MPC） with simultaneous optimization of gear selection and torque distribution is conducive to reduce the battery core temperature and aging cost；（3） Compared with the rule?based CD?CS strategy， the proposed 2D?MPC method can reduce the total cost （the sum of energy consumption cost and battery aging cost） by 28.2 %.

Key words: parallel plug?in hybrid electric vehicle, energy management, battery aging, model predictive control, depth?of?discharge

解少博,张康康,张乾坤,罗慧冉. 考虑电池电-热-放电深度的并联PHEV能量管理策略研究[J]. 汽车工程, 2021, 43(6): 791-798.

Shaobo Xie,Kangkang Zhang,Qiankun Zhang,Huiran Luo. Study on Energy Management Strategy for Parallel Plug⁃in Hybrid Electric Vehicles Considering Battery Electric⁃Thermal⁃Depth⁃of⁃Discharge[J]. Automotive Engineering, 2021, 43(6): 791-798.

图/表 20

图 1

表 1

图 2

图 3

图 4

图 5

图 6

图 7

表 2

图 8

表 3

图 9

图 10

表4

图11

图 12

表5

图 13

图 14

图 15

参考文献 15

1	解少博，刘通，李会灵，等. 基于马尔科夫链的并联PHEB预测型能量管理策略研究［J］. 汽车工程， 2018， 40（8）： 871-877.
	XIE S B. LIU T， LI H L，et al. A study on predictive energy management strategy for a piug⁃in hybrid electric bus based on markov chain ［J］.Automotive Engineering， 2018，40（8）：871-877.
2	LIN C C， PENG H， GRIZZLE J W， et al. Power management strategy for a parallel hybrid electric truck［J］. IEEE Transactions on Control Systems Technology2003， 11 （6）： 839-849.
3	KIM N， CHA S W， PENG H. Optimal control of hybrid electric vehicles based on Pontryagin's minimum principle［J］. IEEE Transactions on Control Systems and Technology， 2011， 19（5）： 1279-1287.
4	SERRAO L， ONORI S， RIZZONI G. ECMS as a realization of Pontryagin's minimum principle for HEV control［C］. American Control Conference （ACC）， 2009： 3964-3969.
5	LI L， YOU S， YANG C， et al. Driving⁃behavior⁃aware stochastic model predictive control for plug⁃in hybrid electric buses［J］. Applied Energy， 2016， 162： 868-879.
6	XIE S， HU X， QI S， et al. Model predictive energy management for plug⁃in hybrid electric vehicles considering optimal battery depth of discharge［J］. Energy， 2019， 173： 667-678.
7	BLOOM I， COLE B W， SOHN J J， et al. An accelerated calendar and cycle life study of Li-ion cells［J］. Journal of Power Sources， 2001， 101（2）： 238-247.
8	EBBESEN S， ELBERT P， GUZZELLA L. Battery state⁃of⁃health perceptive energy management for hybrid electric vehicles［J］. IEEE Transactions on Vehicular Technology， 2012， 61（7）： 2893-2900.
9	PADOVANI T M， DEBERT M， COLIN G， et al. Optimal energy management strategy including battery health through thermal management for hybrid vehicles［J］. IFAC Proceedings Volumes， 2013， 46（21）： 384-389.
10	LIU T， ZOU Y， LIU D. Energy management for battery electric vehicle with automated mechanical transmission［J］. International Journal of Vehicle Design， 2015， 70（1）： 98-112.
11	DU R， HU X， XIE S， et al. Battery aging⁃and temperature⁃aware predictive energy management for hybrid electric vehicles［J］. Journal of Power Sources， 2020， 473： 228568.
12	PEREZ H E， HU X， DEY S， et al. Optimal charging of Li⁃ion batteries with coupled electro⁃thermal⁃aging dynamics［J］. IEEE Transactions on Vehicular Technology， 2017， 66（9）： 7761-7770.
13	WANG J， LIU P， HICKS⁃GAMER J， et al. Cycle⁃life model for graphite⁃LiFePO4 cells［J］. Journal of Power Sources， 2011， 196（8）： 3942-3948.
14	SERRAO L， ONORI S， SCIARRETTA A， et al. Optimal energy management of hybrid electric vehicles including battery aging［C］. Proceedings of the 2011 American Control Conference. IEEE， 2011： 2125-2130.
15	XIE S， HU X， XIN Z， et al. Pontryagin’s minimum principle based model predictive control of energy management for a plug⁃in hybrid electric bus［J］. Applied Energy， 2019， 236： 893-905.

项目	参数	数值
整车	整备质量/kg	16 000
整车	主减速器速比	6.2
5-挡 AMT	传动比	6.9/3.83/2.32/1.49/1
电池	容量/（A·h）	100
电池	电压/V	537.6

速度谱	FC/L	EC/（kW·h）	BAC/CNY	总费用/CNY	ΔT/K	ODOD
No.1	7.52	24.36	17.72	80.23	1.21	0.448 8
No.2	7.12	24.95	17.68	78.35	1.56	0.459 8
No.3	7.74	23.28	17.36	80.23	1.27	0.428 6
No.4	7.10	25.08	17.13	77.79	1.39	0.462 1

方法	FC/L	EC/ （kW·h）	BAC/ CNY	总费用/CNY	ΔT/K	最终 SOC	计算时间/s
CD?CS	9.70	31.93	35.93	116.99	6.92	0.309 6	19
DP?w/o	6.00	32.28	20.95	81.10	2.63	0.302 8	13 324
PMP?w/o	5.96	32.44	21.01	81.08	2.66	0.300 1	70
PMP?w	7.65	24.32	17.36	80.59	1.48	0.451 8	56
1D?MPC?w/o	6.56	33.19	21.76	85.86	3.02	0.305 6	119
1D?MPC?w	8.24	25.24	18.27	85.58	1.96	0.456 3	121
2D?MPC?w/o	6.65	32.68	20.44	84.63	2.59	0.303 3	131
2D?MPC?w	8.28	24.58	17.05	84.06	1.57	0.454 0	135

[1]	王明,唐小林,杨凯,李国法,胡晓松. 考虑预测风险的自动驾驶车辆运动规划方法[J]. 汽车工程, 2023, 45(8): 1362-1372.
[2]	高锋,冯德福,胡秋霞. 面向NMPC运动规划系统的数值优化加速技术[J]. 汽车工程, 2023, 45(8): 1438-1447.
[3]	林程, 汪博文, 吕沛原, 宫新乐, 于潇. 面向变曲率道路的自动驾驶汽车换道博弈运动规划与协同控制研究[J]. 汽车工程, 2023, 45(7): 1099-1111.
[4]	李军, 周伟, 唐爽. 基于自适应拟合的智能车换道避障轨迹规划[J]. 汽车工程, 2023, 45(7): 1174-1183.
[5]	查云飞,吕小龙,陈慧勤,易迎春,王燕燕. 基于路面附着系数估计的车辆轨迹跟踪控制[J]. 汽车工程, 2023, 45(6): 1010-1021.
[6]	贺伊琳,马建,杨舒凯,郑威,薛启帆. 融合预瞄特性的智能电动汽车稳定性模型预测控制研究[J]. 汽车工程, 2023, 45(5): 719-734.
[7]	周兵,魏佳宝,柴天,吴晓建,王鹤. 基于最优方法的碰后辅助驾驶控制策略[J]. 汽车工程, 2023, 45(4): 561-571.
[8]	张彬,邹渊,张旭东,孙逢春,吴喆,孟逸豪. 混动履带式无人平台轨迹跟踪控制研究[J]. 汽车工程, 2023, 45(4): 579-587.
[9]	张紫微,郑玲,李以农,乔旭强,郑浩,王戡. 考虑前车运动不确定性的多目标自适应巡航控制[J]. 汽车工程, 2023, 45(3): 361-371.
[10]	贺林,徐子昂,黄春荣,龚超,李书华,石琴. 线控转向系统转角预测滑模控制算法研究[J]. 汽车工程, 2023, 45(12): 2200-2208.
[11]	胡丹丹,尹鹏飞,牛国臣,赵金聚. 非结构化道路下离轴式拖挂车辆主动避障控制研究[J]. 汽车工程, 2023, 45(12): 2318-2329.
[12]	宋强,王冠峰,商赫,张念忠. 基于多参数控制的分布式驱动电动汽车操纵稳定性控制策略研究[J]. 汽车工程, 2023, 45(11): 2104-2112.
[13]	芦勇,何一超,田贺,江昆,杨殿阁. 面向量产的自适应巡航控制系统纵向加速度规划方法研究[J]. 汽车工程, 2023, 45(10): 1803-1814.
[14]	林程,梁晟,宫新乐,于潇,汪博文. 面向极限工况的分布式驱动电动汽车动力学集成控制方法[J]. 汽车工程, 2022, 44(9): 1372-1385.
[15]	解少博,屈鹏程,李嘉诚,王惠庆,郎昆. 跟驰场景中网联混合电动货车速度规划和能量管理协同控制的研究[J]. 汽车工程, 2022, 44(8): 1136-1143.