1.一种网联电动汽车客舱与电池热管理冷却优化方法,本方法中客舱与电池热管理系统包含空调回路、电池组液冷回路和客舱空气回路,电池组的冷却通过非接触式液体冷却和主动式空气冷却同时进行,非接触式液体冷却通过水泵驱动液冷管道里冷却剂的循环与空调制冷剂进行热量交换实现降低电池组温度,主动式空气冷却通过变速风扇将客舱的冷空气吹入电池组组辅助降低电池温度,客舱温度通过鼓风机将空调制冷的空气送入客舱,因此,本方法通过控制水泵转速、变速风扇转速和鼓风机空气质量流量来实现快速降低电池组和客舱的温度,降低能源消耗,其特征在于,具体步骤如下:第一步,基于极限学习机算法建立车速的预测模型
基于历史车速数据,构建基于极限学习机算法,建立视域内对未来车速的预测模型,该方法是单隐层前馈神经网络的训练算法,单隐层前馈神经网络包括三层结构,分别为输入层、隐藏层和输出层;
首先是基于极限学习机算法的车速训练过程,给定已知车速训练集S={(Xj,tj)|Xj∈Rn,tj∈Rm,j=1,2,...,N},其中Xj=[xj1,xj2,...,xjn]T为n维的历史车速序列,tj=[tj1,tj2,...,tjm]T为m维的目标车速序列,N为车速训练集中的历史车速样本个数,j为从1到N的自然数,Rn为n维实数集,Rm为m维实数集,则单隐藏层前馈神经网络的输出oj表示为:其中,L为隐藏层节点的个数,0<L<N,Wi=[wi1,wi2,...,win]T为第i个隐藏层节点的输入权值,bi为第i个隐藏层节点的偏置,βi为第i个隐藏层节点的输出权值,i=1,2,...,L,g(·)为隐藏层的激活函数,为系统提供非线性映射的非线性函数,取g(·)为Sigmoid函数,形式为在训练过程中,隐藏层节点的输入权值Wi和隐藏层节点的偏置bi是随机产生,无需更新,因此,欲求得单隐藏层前馈神经网络的输出oj,需计算隐藏层节点的输出权值βi;
又因为,当隐藏层节点个数L无限逼近车速训练集中的历史车速样本个数N时,前馈神经网络的输出oj能够无限接近训练集中的的目标车速tj,即满足:由式(1)和式(2)得:
上式用矩阵表示为:
Hβ=T (4)其中,H为含L个隐藏层节点的输出矩阵,β为隐藏层与输出层之间的输出权重矩阵,T为期望的输出矩阵,则矩阵H、β和T分别表示为:由于车速训练集中的历史车速样本个数N大于隐含层节点个数L,训练神经网络的目标是最小化近似误差,欲求输出权重矩阵β相当于求线性系统Hβ=T的最小二乘解,即:||Hβ*-T||=minβ||Hβ-T||,β∈RL×m (6)则求得的最小二乘解β*即为式(4)的最优解:
β*=H+T (7)其中,H+为矩阵H的Moore-Penrose广义逆矩阵;
其次是基于极限学习机算法的车速预测过程,上一步基于极限学习机算法的车速训练过程确定了隐藏层节点的输入权值矩阵W=[W1,W2,...,WL]T和偏置矩阵b=[b1,b2,...,bL]T,并计算得出输出权值矩阵β=β*,现将测试车速序列Xq=[xq1,xq2,...,xqm]T且q=1,2,...,M代入式(1)中,得到预测车速输出序列oq=βg(WXq+b),其中,oq为预测车速输出序列,M为测试车速序列样本个数,q为从1到M的自然数,因此,通过极限学习机算法得到的预测车速V记为:V=oq (8)第二步,建立电池组的热模型
电池组的热模型必须能反应电池的电特性和热特性,所以根据能量守恒定律,建立锂离子电池组的热模型:其中,为电池组在单位时间内的温度变化,Ibat为车辆行驶中电池组的电流,Rbat为电池组内阻,mbat为电池组的质量,cbat为电池组的比热容,Qbat_liq为电池组液冷回路中液体冷却吸收电池组的热量,Qbat_cab为主动式风冷吸收电池组的热量;电池组电压Ubat能够由开路电压Uoc和电池组电流Ibat与电池组内阻Rbat的乘积表示:Ubat=Uoc-IbatRbat (10)将电池组电流Ibat写成功率需求下的函数为:
Ibat=(Ptr+Pcomp+Pbl+Ppump+Pfan)/Ubat (11)其中,Ptr为汽车牵引力功率消耗,Pcomp为空调压缩机功率消耗,Pbl为客舱进气鼓风机功率消耗,Ppump为液冷回路水泵功率消耗,Pfan为风冷风扇功率消耗;因此,由式(10)和式(11)得电池组电流Ibat为:将式(12)代入式(9),电池热模型更新为:
式(13)中,牵引力功率消耗Ptr表示为:
其中,V为汽车的行驶车速,为汽车行驶的加速度,由于未来车速的不确定性,汽车的行驶车速是通过第一步基于极限学习机算法求得的预测车速V,m为汽车质量,Fa是行驶的气动阻力,Froll是汽车的滚动阻力,Fgxt是斜坡阻力,分别表示为:Froll=mgCr (16)Fgxt=mgsinφ (17)其中,Cd为气动阻力系数,ρa是空气密度,Af是车辆行驶的迎风面积,Cr为滚动阻力系数,φ是斜坡角度,此处设φ=0,所以Fgxt=0;
第三步,建立面向控制的空调回路和客舱回路温度离散模型
由于空调的仿真模型包含复杂的热动力学和流体力学,不适合控制器设计,因此,需要建立面向控制的空调回路和客舱温度的离散模型,客舱温度离散模型能够表示为其中,k=0,1,2...,当k=0时为初始时刻,Tcab(k)为k时刻的客舱温度,Tcab(k+1)为k+1时刻的客舱温度,Tin(k)为k时刻的舱内内置物温度,Tshell(k)为k时刻的客舱外壳温度,Wbl(k)为k时刻的鼓风机进气质量流量,Tain(k)为k时刻的客舱进气口温度,此处,假设舱内内置物温度Tin和客舱外壳温度Tshell在工况运行中的变化不大,故将两者设为定值,γ1、γ2、γ3和τ1为通过AMESim中电动汽车冷却模型的客舱温度输出并利用最小二乘法进行曲线拟合得到的辨识参数;
由于蒸发器温度的离散模型能够表示为:
其中,Tevap(k)为k时刻的蒸发器温度,Tevap(k+1)为k+1时刻的蒸发器温度,为蒸发器的目标温度,γ4、γ5和τ2为通过AMESim中电动汽车冷却模型的蒸发器输出并利用最小二乘法进行曲线拟合得到的辨识参数;
因此,k时刻的客舱进气口温度Tain(k)能够表示为:
Tain(k)=γ6Tevap(k)+γ7Wbl(k)+τ3 (20)其中,γ6、γ7和τ3是通过AMESim中电动汽车冷却模型的客舱进气口温度输出并利用最小二乘法进行曲线拟合得到的辨识参数,可见,空调和客舱回路中的控制量输入为鼓风机进气质量流量Wbl;
第四步,建立液冷回路温度离散模型
液冷回路的电池组冷却方式是主动式空气冷却和非接触式液体冷却;冷却回路中电池组的冷却液入口温度和冷却液出口温度能够定义为:其中,Tliq_in(k+1)为k+1时刻冷却回路中电池组的冷却液入口温度,为k时刻的液冷回路冷却液质量流量,χ1、χ2和是通过AMESim中电动汽车冷却模型的冷却液入口温度输出并利用最小二乘法进行曲线拟合得到的辨识参数;
其中,Tliq_out(k+1)为k+1时刻的冷却回路中电池组的冷却液出口温度,Aliq为冷却液与电池组的对流换热面积,hliq为冷却液与电池组的对流传热系数,Cliq为冷却液比热容;
其中,Vpump为水泵排量,ηpump为水泵容积效率,ρliq为冷却液的液体密度,ωpump(k)为k时刻的控制量水泵转速;
因此根据式(9)给出的锂离子电池组的热模型得到在k时刻时,主动式风冷吸收电池组的热量Qbat_liq(k)与液冷吸收电池组的热量Qbat_cab(k)分别表示为:其中,ωfan(k)为k时刻的主动式风冷风扇的转速,此处,模型参数μ1取0.2671,模型参数μ2取2677.3;
第五步,冷却功率计算
汽车的空调回路中的主要耗能为空调压缩机,即空调压缩机功率消耗Pcomp,客舱回路中的主要耗能为鼓风机,即鼓风机功率消耗Pbl,冷却电池组的主要耗能为水泵以及风冷风扇,即水泵功率消耗为Ppump,风冷风扇功率消耗Pfan;
首先,计算k时刻的水泵功率消耗Ppump(k):
其中,Ppump_m(k)为k时刻的水泵的机械功率,ηm为水泵功率转换率,ΔPpump为水泵压降;
其次,计算k时刻的压缩机功率消耗Pcomp;在一定时间内电池组温度和客舱温度从初始温度降低到目标温度所需要的功率都来自空调压缩机,所以假设空调压缩机能耗由两部分组成,一部分是用于降低客舱空气温度,另一部分是降低冷却回路冷却剂的温度,这里忽略其他低耗元件;因此由能量平衡关系得k时刻的空调压缩机功率消耗Pcomp(k)为:其中,Ccomp为空气比热容,ηcomp为空调性能系数,Wbl(k)为k时刻的鼓风机进气质量流量,Tamb(k)为k时刻的外界环境温度,Tain(k)为k时刻的客舱进气口温度,Cliq为冷却液比热容,为k时刻的液冷回路冷却液质量流量,Tliq_in(k)为k时刻的冷却回路中电池组的冷却液入口温度,Tliq_out(k)为k时刻的冷却回路中电池组的冷却液出口温度;
再次,计算k时刻的客舱进气鼓风机功率消耗Pbl(k)和风扇功率消耗Pfan(k);鼓风机功率Pbl是控制量客舱进气量质量流量Wbl的函数,风扇功率Pfan是控制量风扇转速ωfan的函数,经过数据拟合,分别估算为:其中,Kbl为风机参数,表示鼓风机效率和压力损失,λ1、λ2、λ3、α1、α2,α3和α4均为通过AMESim中电动汽车冷却模型的鼓风机功率和风扇功率输出并利用最小二乘法进行曲线拟合得到的辨识参数;
因此,定义k时刻的客舱与电池热管理系统冷却功率Pcooling(k)为:Pcooling(k)=Ppump(k)+Pcomp(k)+Pfan(k)+Pbl(k) (30)由式(26)、式(27)、式(28)和式(29)可知,客舱与电池热管理系统冷却功率Pcooling是水泵转速ωpump、风扇转速ωfan、鼓风机进气质量流量Wbl、电池组温度Tbat和客舱温度Tcab的函数,因此k时刻的客舱与电池热管理系统冷却功率Pcooling(k)能够表示为:Pcooling(k)=f(Tbat(k),Tcab(k),ωpump(k),ωfan(k),Wbl(k)) (31)同理总结可得,电池组温度变化是水泵转速ωpump、风扇转速ωfan和预测车速V的函数,客舱温度变化是舱内内置物温度Tin、客舱外壳温度Tshell和鼓风机进气质量流量Wbl的函数,因此,式(13)和式(18)按采样时间ΔT进行离散化,得到电池组温度的离散模型Tbat(k+1)和客舱温度的离散模型Tcab(k+1)分别为:Tbat(k+1)=Tbat(k)+f(Tbat(k),ωpump(k),ωfan(k),V(k))·ΔT (32)Tcab(k+1)=Tcab(k)+f(Tcab(k),Tin(k),Tshell(k),Wbl(k))·ΔT (33)第六步,构建双层模型预测控制框架
通过式(31)、式(32)和式(33),选取客舱与电池的热管理系统的两个状态量分别是电池组温度Tbat和客舱温度Tcab,即表示为x=[Tbat,Tcab]T,三个控制量分别是液冷水泵转速ωpump、风冷风扇转速ωfan和鼓风机进气质量流量Wbl,即表示为u=[ωpump,ωfan,Wbl]T;
构建双层模型预测控制框架,首先定义上层目标函数及约束为:
其中,k+s|k表示在k时刻对k+s时刻的预测;
Pcooling(k+s|k)为在k时刻对k+s时刻的客舱与电池热管理系统冷却功率的预测;
Tbat(k+s|k)为在k时刻对k+s时刻的电池组温度的预测;
Tbat(k+s-1|k)为在k时刻对k+s-1时刻的电池组温度的预测;
为k+s-1时刻的电池组温度变化函数;
Tcab(k+s|k)为在k时刻对k+s时刻的客舱温度的预测;
Tcab(k+s-1|k)为在k时刻对k+s-1时刻的客舱温度的预测;
为k+s-1时刻的客舱温度变化函数;
为k+s时刻的客舱与电池热管理系统冷却功率函数;
ωpump(k+s-1|k)为在k时刻对k+s时刻预测下求解的k+s-1时刻的液冷水泵转速;
ωfan(k+s-1|k)为在k时刻对k+s时刻预测下求解的k+s-1时刻的风冷风扇转速;
Wbl(k+s-1|k)为在k时刻对k+s时刻预测下求解的k+s-1时刻的鼓风机进气质量流量;
ΔTu为上层的采样时间,为电池组的目标温度,为客舱的目标温度,Nu为上层预测视域,s=1,2,...,Nu,Kub为电池组温度接近电池的目标温度程度的权重,Kuc为客舱温度接近客舱的目标温度程度的权重,为电池组的温度下限,为电池组温度的上限,为客舱温度的下限,为客舱温度的上限;ωpump_min为水泵转速的最小值,ωpump_max为水泵转速的最大值,ωfan_min为风扇转速的最小值,ωfan_max为风扇转速的最大值,Wbl_min为鼓风机进气质量流量的最小值,Wbl_max为鼓风机进气质量流量的最大值,通过对上层目标函数的优化得到了最优状态输出x=[Tbat,Tcab]T,其中的两个状态量Tbat记为电池组的期望温度Tbat_ref,Tcab记为客舱的期望温度Tcab_ref;
其次定义下层目标函数及约束为:
ωpump_min≤ωpump(k+r-1|k)≤ωpump_max
ωfan_min≤ωfan(k+r-1|k)≤ωfan_max
Wbl_min≤Wbl(k+r-1|k)≤Wbl_max
其中,k+r|k表示在k时刻对k+r时刻的预测;
Pcooling(k+r|k)为在k时刻对k+r时刻的客舱与电池热管理系统冷却功率的预测;
Tbat(k+r|k)为在k时刻对k+r时刻的电池组温度的预测;
Tbat_ref(k+r|k)为在k时刻对k+r时刻的电池组期望温度的预测;
Tbat(k+r-1|k)为在k时刻对k+r-1时刻的电池组温度的预测;
为k+r-1时刻的电池组温度变化函数;
Tcab(k+r|k)为在k时刻对k+r时刻的客舱温度的预测;
Tcab_ref(k+r|k)为在k时刻对k+r时刻的客舱期望温度的预测;
Tcab(k+r-1|k)为在k时刻对k+r-1时刻的客舱温度的预测;
为k+r-1时刻的客舱温度变化函数;
ωpump(k+r-1|k)为在k时刻对k+r时刻预测下求解的k+r-1时刻的液冷水泵转速;
ωfan(k+s-1|k)为在k时刻对k+r时刻预测下求解的k+r-1时刻的风冷风扇转速;
Wbl(k+s-1|k)为在k时刻对k+r时刻预测下求解的k+s-1时刻的鼓风机进气质量流量;
ΔTl为下层的采样时间,ΔTu>ΔTl,Nl为下层预测视域,r=1,2,...,Nl,这里Nu>Nl;Klb为电池组温度接近电池组的期望温度程度的权重,Klb=1/max[Tbat(r)-Tbat_ref(r)]2,Klc为客舱温度达到客舱的期望温度程度的权重,Klc=1/max[Tcab(r)-Tcab_ref(r)]2;
第七步,得到最优控制量并完成优化
通过第六步构建的双层模型预测框架,得到最优控制变量序列u*为:
u*=argminJ (36)当s=1时,计算得到k时刻的最优控制量ωpump(k)、ωfan(k)和Wbl(k),代入系统模型计算得到k+1时刻的状态输出Tbat(k+1)和Tcab(k+1),重新代入上层目标函数计算得到s=2时,即k+1时刻的最优控制量ωpump(k+1)、ωfan(k+1)和Wbl(k+1),并计算得到k+2时刻的状态输出Tbat(k+2)和Tcab(k+2),在上层预测视域Nu内滚动重复计算,得到每一时刻的最优状态输出,将最优的状态输出代入下层目标函数中作为客舱温度和电池组温度的目标值进行温度跟踪,在下层预测视域Nl内,再对下层目标函数滚动优化计算,最终得到最优控制变量序列u*,以此实现滚动优化的目的。