基于交通信息的復合電源系統控制策略優化*

胡 杰，王 明，劉 迪，顏伏伍，曹 愷

（1.武漢理工大學，現代汽車零部件技術湖北省重點實驗室，武漢 430070；2.武漢理工大學，汽車零部件技術湖北省協同創新中心，武漢 430070；3.新能源與智能網聯車湖北工程技術研究中心，武漢 430070；4.東風汽車公司技術中心，武漢 430058）

前言

純電動汽車因在節能和環保等方面表現出的獨特優勢，在近年得到了長足的發展。然而作為其主要能量源的動力電池存在比功率低、使用壽命短等問題，且頻繁的大電流充放電會嚴重影響電池的使用壽命［1］，而超級電容比功率高，使用壽命長，能滿足汽車短時大功率需求。因此，由超級電容與動力電池構成的復合電源已成為復合能源系統領域的研究熱點［2］。通過制定合理的能量管理策略將整車需求功率合理分配給動力電池和超級電容，能充分發揮能量源的性能優勢。目前，應用于復合電源的能量管理策略主要包括基于規則和基于優化兩個方向?；诖_定規則的能量管理策略通過設定閾值，控制超級電容是否參與工作［3］?；谀：巹t的能量策略將輸入變量模糊化，并制定相應的模糊規則，提高了能量管理策略對不同工況的適應性［4］?；趦灮墓芾聿呗酝ㄟ^求解系統的能量分配控制參數，并采用傳統優化算法或智能優化算法對控制參數進行優化，來提高復合電源的能量利用率，這些優化算法包括動態規劃［5］、龐特里亞金極小值原理［6］和模型預測控制［7］等。

以上控制策略都鮮有考慮交通信息對能量管理策略的影響，忽略交通信息制定的能量管理策略難以達到能量分配的最優化［8］。隨著智能交通系統的發展，如果能提前獲取汽車未來的交通信息，并將其應用于能量管理策略中，提前做好應對未來需求功率的準備，能夠有效提高能量利用率［9-10］。但當車輛行駛在如隧道和高架橋等交通條件時存在不能獲取未來短時間內交通信息的情況，因此本文中提出了基于交通信息融合優化的能量管理策略，在能獲取未來交通信息的前提下，以自適應小波變換-模糊控制作為主控制策略輸出一部分超級電容功率，以考慮交通信息融合的模糊控制器為輔助控制策略優化超級電容輸出功率；當不能獲取未來交通信息時，直接以自適應小波變換-模糊控制策略進行功率的分配。

1 復合電源系統建模

1.1 復合電源系統拓撲結構

常見的復合電源系統拓撲結構有被動式、半主動式和全主動式3種構型。被動控制結構簡單，成本低，但是由于超級電容和電池直接并聯致使超級電容的端電壓受限，導致效率降低；主動控制引入DC∕DC轉換器，可將功率總線、超級電容和電池實現解耦，但過多地使用DC∕DC轉換器會提高控制復雜度以及降低整車能量轉化率。因此，采用單個DC∕DC轉換器與超級電容串聯這種構型，不僅能在保證控制效果良好的同時提高能量轉換效率，且能直接控制電壓頻繁變化的超級電容，如圖1所示。

圖1 復合電源拓撲結構

1.2 電池模型

研究重點在于控制策略的優化，對電池模型精度要求不高，僅需反映電池的外特性即可，因此選用內阻（Rint）模型，如圖2所示。Ubat和Ibat分別代表電池開路電壓和開路電流，Rbat代表電池內阻。

圖2 Rint模型

根據基爾霍夫電壓定律，電池的負載功率Pbat與負載電流Ibat的關系為

為定量評價電池的循環使用壽命，引入電池等效壽命模型，該模型中定義累計有效安時流通量［11］：

式中σ為電池受損因子，對于電動汽車而言，放電倍率是其最主要的影響因素，因此，本文采用電池受損因子和放電倍率的簡化關系式［11］：

式中Ic為放電倍率。

1.3 超級電容模型

超級電容在充放電過程中，端電壓變化具有良好的線性特征，因此可采用阻容（RC）模型，其等效電路如圖3所示，該模型將超級電容等效為理想電容串聯一個內阻，Ccap為超級電容的容量，Rcap為內阻，Icap為電流，Ucap為開路電壓。

圖3 RC模型

超級電容存儲的能量Ecap與當前開路電壓有關：

另外，超級電容的電壓與其電量具有良好的線性關系，因此可直接用電壓表示其荷電狀態，即式中ULend和UUend分別為超級電容上、下截止電壓。

1.4 DC/DC轉換器模型

DC∕DC轉換器結構復雜，難以構建其簡化電路模型，且計算量大，仿真難以實現，因此常采用DC∕DC轉換器的效率模型，根據模型中的電壓比值和傳輸功率值進行查表，從而得到效率值。

2 交通信息融合優化

在汽車行駛過程中，如果可以利用汽車歷史數據、當前行駛數據和未來交通信息預測汽車未來短時間內需求功率變化趨勢，就能在當前時刻為未來交通狀況適時調整超級電容輸出功率，充分發揮超級電容的優勢，從而實現基于交通信息優化復合能源系統功率分配策略的目標。

2.1 自適應小波變化-模糊控制策略

小波變化是一種有利的信號提取工具，能將功率信號進行高低頻分解，然后根據蓄電池和超級電容對負載的響應能力，將高頻功率分配給超級電容，低頻功率分配給蓄電池，有利于延長蓄電池的使用壽命［12］。功率需求信號為典型的離散信號，因此本文采用離散小波變化，其公式為式中：λ為尺度因子；u為平移因子；ψ為母波函數，本文選用執行效率較高的Haar母波函數［1］。

小波變化的分解層數對小波分解的效果有很大影響，分解層數越大，則高低頻信號分離得越徹底。在不同行駛工況下，高頻干擾信號所占的比例不同。從擁堵工況到高速工況，隨著車速增大，需求功率和高頻干擾信號也相應增大，因此將分解層數2、3、4分別對應擁堵工況、城郊工況和高速工況，可以提高小波變化對工況的自適應性［13］。

單獨利用小波變化雖然能將功率信號進行高低頻分解，但不能監測能量源SOC，會導致能量源過充和過放［14］，因此以小波變化后的電池參考功率、蓄電池SOC和超級電容SOC為輸入，利用模糊控制器對電池參考功率進行調整，以保證超級電容和蓄電池SOC都維持在合適范圍內。自適應小波變化-模糊控制的結構如圖4所示。

圖4 自適應小波變化-模糊控制

2.2 交通擁堵程度模型建立

選取美國城市標準循環工況UDDS作為基礎循環工況，通過道路擁堵情況、前方道路坡度等信息來構建含有交通信息的循環工況。以高德地圖為例，在選定目的地后，車載導航系統會選擇一條最佳路徑，地圖上會顯示出該路徑的實時交通狀態。紅色代表交通擁堵，平均車速在10 km∕h以下；綠色代表暢行，平均車速在40 km∕h以上；黃色的平均車速介于二者之間，代表交通流暢度一般［15］。參考實際道路的交通擁堵信息并結合UDDS工況，可以添加每個路段的交通擁堵信息。如圖5所示，其中數字0、1、2分別代表交通擁堵、交通流暢度一般和交通良好。

2.3 道路坡度模型建立與預測

汽車行駛時可通過車載導航系統（GPS）和地理信息系統（GIS）獲取汽車行駛時的全面交通信息。汽車當前行駛位置距采樣點的水平距離可通過車載計算機系統實時計算得到，同時還能通過GIS地圖匹配獲得當前海拔高度和采樣點海拔高度，由式（8）就能得到未來短時間內行駛道路坡度［16］，見圖6。

圖5 UDDS工況交通擁堵狀況

圖6 道路坡度計算示意圖

式中：E1和E2分別為車輛當前位置和采樣點的路面標高；L為當前位置距采樣點的路面距離。

在建立含有道路坡度信息的UDDS工況時，須添加循環工況中道路坡度和坡長，根據我國道路設計規范《公路工程技術標準》和《公路路線設計規范》研究了汽車行駛速度和道路坡度與坡長之間的關系，確定了循環工況中與車速相匹配的坡度和坡長［16］。

根據UDDS工況中速度-時間關系和坡度及坡長限制，可按照行駛車速大小設置坡度。參考相關文獻［17］后，UDDS工況中的最大坡度設置為7%，UDDS工況中坡度隨時間的變化關系如圖7所示。

2.4 車速變化趨勢判斷方法設計

采用模糊C均值聚類（FCM）對車速狀態進行劃分。選取ADVISOR標準循環工況庫中的若干典型循環工況并組合，得到的組合工況如圖8所示。

為消除時間-車速變化對樣本精度的影響，選用如圖9所示的復合等分劃分法［18］對行駛片段進行劃分，以10 s為步長劃分行駛片段，然后再取相鄰工況的中點劃分行駛片段，計算當前每個采樣點之前10 s內行駛片段的特征參數，即平均加速度、速度標準差、工況片段的始末車速差。

圖7 UDDS工況坡度-時間圖

圖8 組合循環工況

圖9 復合等分劃分法

將得到的特征參數矩陣利用FCM聚類算法劃分為3類，得到如表1所示的聚類中心。

從表1可知：聚類中心A1的平均加速度和片段始末速度差均為負值，速度標準差較大，這代表車速下降型聚類中心；同理，聚類中心A3平均加速度和片段始末速度差均為正值，速度標準差較大，代表車速增加型聚類中心；聚類中心A2的平均加速度和片段始末速度差都接近0，速度標準差也很小，代表速度平穩型聚類中心。

表1 不同車速類型的聚類中心

最后當汽車實際行駛時，提取之前10 s的速度序列計算當前時刻下的特征參數，根據歐幾里德貼進度公式［19］計算其到3個聚類中心的距離，記為d1、d2和d3，即可通過這三者關系判斷行駛車速類型。

式中：A n為各個聚類中心坐標，n=1，2，3；B為待識別工況特征參數矩陣；m為特征參數數量，取3。

根據得到的行駛片段特征參數到3個聚類中心的距離可判定車速類型：若d1＜d2且d1＜d3，可認為當前時刻下為速度下降型，即未來短時間內很有可能出現汽車減速；若d2＜d1且d2＜d3，可認為當前時刻下為速度平穩型，即未來短時間內很有可能車速保持不變；若d3＜d1且d3＜d2，可認為當前時刻下為速度增加型，即未來短時間內很有可能汽車加速。因此，UDDS工況下車速類型的判斷結果如圖10所示。

圖10 UDDS工況車速類型判斷

在基于FCM聚類算法對行駛車速類型初步判斷后，結合獲取的未來短時間內交通擁堵信息，可對未來時間段內車速變化趨勢進行判斷［9］：當車速類型是平穩型時，任何交通擁堵狀況下都認為車速是平穩的；當車速類型是增加型時，在交通擁堵狀況是擁堵、流暢度一般和暢行時，可認為未來短時間內車速變化趨勢是增速較小、增速適中和增速較大；當車速類型是下降型時，交通擁堵狀況為擁堵、流暢度一般和暢行時，可認為未來短時間內車速變化趨勢為降速較大、降速適中和降速較小。

2.5 交通信息融合優化的超級電容輸出功率

汽車正常行駛時，整車需求功率完全由動力電池和超級電容提供，滿足：

式中：Pdem為整車需求功率；Pbat和Psc分別為動力電池和超級電容提供的功率。

在獲取未來短時間內車速變化趨勢和道路坡度信息后，采用模糊邏輯控制對超級電容的輸出功率進行修正，模糊控制器的輸入和輸出如圖11所示，其輸入∕輸出變量的含義以及隸屬度函數見表2和圖12，部分模糊規則見表3，模糊規則的曲面圖如圖13所示。定義Csc_corr為超級電容輸出功率修正系數，則超級電容修正輸出功率計算公式為

圖11 模糊控制器結構

表2 模糊控制器輸入/輸出變量定義

2.6 基于交通信息融合優化的能量管理策略

在無法獲取交通信息時，根據自適應小波變化-模糊控制策略直接得到超級電容的最終輸出功率，即Psc_final=Psc；當能獲取交通信息時，以自適應小波變換-模糊控制作為主控制策略輸出一部分超級電容功率Psc，以交通信息融合的模糊控制器為輔助控制策略，根據未來短時間內車速變化趨勢和道路坡度輸出超級電容修正功率Psc_corr，因此超級電容的最終輸出功率為Psc_final=Psc+Psc_corr?；诮煌ㄐ畔⑷诤系膹秃夏茉聪到y控制策略優化流程如圖14所示。

圖12 輸入輸出變量的隸屬度函數

表3 部分模糊規則表

圖13 模糊規則曲面圖

3 仿真分析

圖14 復合能源系統控制策略優化流程

圖15 為優化前后蓄電池的輸出功率?？梢钥闯?，經過交通信息融合優化后的控制策略在不同道路坡度和車速變化趨勢下，電池輸出功率相比于優化前均有一定程度的改善。將圖15（a）中兩個圖疊加，并選取兩個典型交通場景即得圖15（b），其中道路坡度正負代表上坡或下坡，車速變化趨勢正負代表加速或減速。在圖15（b）的交通場景1中，當處于爬坡且車速變化趨勢增加時，此時需求功率變大，優化后超級電容的輸出功率增加，相應地蓄電池的輸出功率下降；在交通場景2中，當處于下坡且車速變化趨勢下降時，需求功率將減小，此時逐漸減小超級電容輸出功率，而電池輸出功率則基本不變。這表明本文提出的基于交通信息融合優化后的控制策略可以進一步發揮超級電容“削峰填谷”作用，減少峰值電流對電池的沖擊。

圖16 為優化前后動力電池SOC的變化曲線和通過蓄電池的累計安時流通量。由圖16（a）可知，在基于交通信息融合優化后的控制策略下，電池SOC消耗量從0.041 7變成了0.04，結合圖17（a）中超級電容消耗的能量，優化后能量消耗減少約2.3%。

為驗證優化后控制策略的優勢，引入電池等效壽命計算公式［11］為式中：T為電池在UDDS工況下的可用循環次數；Γ為電池的總安時流通量，其值為常數且只與電池自身因素有關；Qbat為電池標稱容量。

從圖16（b）可知，經過優化后電池累計安時流通量更小，在UDDS工況下優化前后電池可用循環次數分別為142 860和147 094次，優化后電池循環壽命提升了約2.96%。由此可見，在能獲取交通信息的前提下，基于交通信息融合后的優化控制策略能有效延長電池循環壽命和提升電動汽車續航里程。

圖15 優化前后電池輸出功率對比

圖16 優化前后復合能源系統中動力電池對比

圖17 所示為優化前后超級電容的SOC變化曲線和輸出功率對比。由圖17（a）可以看出，優化后超級電容中存儲能量得到了更充分利用，在汽車行駛道路坡度增加或速度呈增加趨勢的過程中，增大了超級電容輸出功率，如圖17（b）所示，這表明基于交通信息融合后的確可進一步發揮超級電容的優勢，達到優化目的。

圖17 優化前后復合能源系統中超級電容對比

4 結論

在確定復合電源構型的基礎上，搭建了基于MATLAB∕Simulink的復合電源仿真模型，并基于交通信息優化了自適應小波變換-模糊控制策略。對比優化前后的結果表明，基于優化后的能量管理策略能進一步發揮超級電容“削峰填谷”的優勢，避免了電池受到大電流的沖擊。優化后電池循環壽命提升了約2.96%，并將復合電源的能量消耗減少約2.3%。