楊磊,白志峰,王娟,黃琳
(西安建筑科技大學 機電工程學院,西安 710055)
隨著目前新的儲能技術如超級電容、電池管理技術的快速發展,復合電源作為一種新的電動汽車儲能解決方案,成為研究熱點,研究領域集中在儲能材料開發、儲能材料的建模與參數匹配、電源拓撲結構設計、電源轉換技術、能量管理技術等方面[1-4]。能量管理作為復合電源系統核心,目的在于合理分配鋰電池與超級電容的輸出功率,防止鋰電池因為功率輸出過高導致輸出電流過高,同時在電動汽車制動能量回收時,利用超級電容的功率特性提高能量回收率[5-6]。
目前能量管理策略總體分為兩大類,基于規則的控制策略與基于最優化的控制策略。其中基于規則的能量管理控制策略控制簡單、實時性高、魯棒性高且易于實現,包含兩類:基于確定性規則與基于模糊邏輯規則的控制策略[7]。但由于汽車運行工況的多樣性與復雜性,導致基于規則的控制策略對環境適應性差,動態調整能力差[8]?;趦灮牟呗苑譃槿謨灮途植績灮刂撇呗?,包含諸如動態規劃、遺傳算法、模型預測控制、強化學習、神經網絡等方法。由于基于優化的控制方式最優化過程計算量大,在線運行實時性低,應用局限性較大[9]。為了解決以上兩種控制策略的適應性與實時性問題,許多研究者選擇將多種控制方式進行結合,如文獻[10]利用DP 算法對離線工況功率分配進行分析優化,并與基于規則控制策略相結合,文獻[5]利用遺傳算法對模糊邏輯算法的隸屬度函數及相關參數進行優化,文獻[11]將馬爾可夫預測模型與模糊邏輯控制相結合,以上控制策略在一定程度上解決了單一控制策略適應性差與實時性低的問題。
在基于模糊邏輯控制的能量管理策略中,多以功率跟隨作為控制對象,通過需求功率、超級電容SOC、鋰電池SOC 狀態作為模糊控制的輸入獲得超級電容輸出功率,這樣的控制策略在一定程度上與基于確定規則的控制策略相比,具有更高的魯棒性和自適應性[12-15]。但汽車運行過程當中需求功率波動范圍較大,各功率區間的變化頻率也不同,超級電容作為功率型器件,容量較低,不適合長時間連續供電,所以需要合理控制超級電容在各功率需求區間放電功率大小與速度。其次,在制定模糊控制策略時,汽車需求功率的模糊子集會劃分太多導致模糊控制規則數量過大,不便于實際分析;劃分太少會導致輸出功率控制不夠精準,對于工況適應性較差。本文設計了復合電源電動汽車整車模型與能量管理控制策略,并利用MATLAB/Simulink 與AVL CRUISE軟件對所提出的能量管理策略進行驗證,針對所設計車型,利用功率區間特征制定雙模糊能量管理控制器,既降低了模糊控制系統的分析與建立復雜度,同時也使得超級電容輸出功率大小和速度更加合理,有效地保護了鋰電池。
AVL CRUISE 軟件作為系統級仿真軟件,其模塊化的設計方式以及與MATLAB/Simulink 良好的接口功能,使其在電動汽車的建模和仿真中具有非常大的優勢[16]。通過AVL CRUISE 搭建整車模型,利用MATLAB/Simulink 建立控制策略,對特定汽車實現能量管理策略的仿真驗證。根據超級電容、鋰電池與電機連接形式以及DC/DC 轉換器連接數量,復合電源系統目前分為4 種拓撲結構:全主動式、電容半主動式、鋰電池半主動式與被動結構。由于電容半主動式結構在控制性能與系統成本上有較好的平衡[17],本文采用電容半主動式結構,結構如圖1 所示,通過對DC/DC 模塊的控制,達到對超級電容的能量輸出與能量回收控制目的。整車采用前軸驅動結構,AVL CRUISE 復合電源系統整車模型如圖2 所示。
圖2 復合電源電動汽車模型Fig.2 The model of Hybrid Storage Electric Vehicle
本文所設計復合電源電動汽車車型整車基本參數和相關性能指標參數如表1 與表2 所示。
表1 整車基本參數Tab.1 Entire vehicle's basic parameters
表2 整車性能指標參數Tab.2 Vehicle performance index parameters
由于永磁同步電機具有功率密度高、轉矩性能好、控制效果佳等優勢[18],本文驅動電機采用永磁同步電機?;趧恿W分析[19-21]可知電機峰值功率需要滿足
式中Pv為汽車在平坦路面上滿足最大車速所需功率,即
Pi為最大爬坡度條件下所需功率,即
Pa為汽車加速過程所需功率,采用經驗計算公式[22],即
式中:um、tm為汽車起步加速過程的最終車速和加速過程所需的時間。最終電機參數如表3 所示。
表3 電機基本參數Tab.3 Basic parameters of the motor
根據汽車續駛里程目標,在平坦路況下,汽車所需總能量計算公式[22]為:
式中:PL為汽車巡航過程所需功率;ua為巡航速度;L為續駛里程;W為總能量需求。由電機電壓等級Um以及電機峰值功率Pmax可知,電池串聯數量為
最低并聯數量為:
式中:PBmax為單體電池輸出最大功率; ηm為電機效率; ηmc為電機控制器效率;E為單體電池電動勢;Rint為單體電池內阻。同時,為滿足汽車續駛里程目標有:
式中:WB為電池組總能量;Cb為單體電池容量;ξsoc為單體電池放電深度; ηb為電池放電過程總效率;N3為單體電池數量。
超級電容總容量與電壓之間關系[23-24]為
式中:Ut超級電容實時端電壓;Umin為超級電容放電截止端電壓;N為超級電容串并聯數量總和。
汽車在加速過程中,所需總能量為
式中:Pj為加速過程所需功率;t為加速時間。
為滿足加速過程功率需求則有如下關系
式中 η為系統整體傳遞效率。電源系統參數匹配結果如表4 所示。
表4 鋰電池與超級電容參數Tab.4 The basic parameters of lithium battery and supercapacitor
本文所設計能量管理策略結構如圖3 所示。利用需求功率跟隨的雙模糊控制器獲得超級電容輸出功率占比,再通過駕駛意圖識別對超級電容輸出功率進行調節,使其更加符合工況特征。
圖3 能量管理策略結構圖Fig.3 The structure of energy management strategy
駕駛員的加速控制踏板作為需求功率與需求轉矩的控制變量,加速踏板開度及其變化情況反映了駕駛員車速需求。制定加速意圖識別策略,輸入為加速踏板開度與變化率,輸出為加速意圖大小,輸入輸出論域分別設置為[0,1]、[0,0.1] 和[0,1];模糊子集定義為{SS(很?。?,S(?。?,M(中),B(大),VB(很大)},輸入輸出隸屬度函數與控制規則庫如圖4 與表5 所示。
表5 加速意圖識別規則表Tab.5 Rules table of acceleration intention recognition
圖4 加速意圖識別輸入輸出隸屬度函數Fig.4 The input-output membership function of acceleration intention recognition
針對所設計車型,將汽車需求功率分為3 個層級,汽車需求功率小于電機額定功率10%區間劃分為低功率區間,在電機額定功率10%~40% 范圍內為中等功率區間,40%以上為高功率區間。超級電容在高功率區間內要能有效抑制鋰電池大電流;在低中等功率區間內在削弱鋰電池局部峰值電流的同時,還能保持較高剩余電量以滿足未來時刻的大功率需求。
能量管理策略邏輯框圖如圖5 所示。圖5 中SOCb 為鋰電池剩余電量,SOCsc 為超級電容剩余電量,P為汽車需求功率,Pb為鋰電池輸入輸出功率,Psc為超級電容輸入輸出功率。在汽車制動能量回收時,優先由超級電容回收能量。在低功率區間內,汽車由鋰電池供電,同時若超級電容剩余電量未達到規定容量時,為滿足未來時刻功率需求,鋰電池以一定輸出功率占比K為超級電容充電。當超級電容大于最低容量要求時,在中等功率區間內,利用模糊控制器1 獲得超級電容輸出功率占比K1;在高功率區間內,利用模糊控制器2 獲得超級電容輸出功率占比K2。分別建立以上中高需求功率區間內的模糊控制器,控制規則如表6 與表7 所示,表中SS、S、M、B 和VB 分別表示“很小”、“小”、“中”、“大”、“很大”。
表6 K1 控制規則表Tab.6 K1 control rules
表7 K2 輸出規則表Tab.7 K2 control rules
圖5 能量管理策略邏輯框圖Fig.5 The logical block diagram of energy management strategy
為了驗證上述控制策略的有效性,在MATLAB/Simulink 當中建立了復合電源系統能量管理控制策略模型;將 Simulink 控制模型生成DLL 文件并集成到CRUISE 軟件中進行仿真驗證,其中鋰電池模塊初始SOC 為95%,超級電容模塊初始SOC 設置為95%,在NEDC 與FTP75 工況條件下運行3 個循環。NEDC 與FTP75 循環工況及控制策略模型如圖6 與圖7 所示控制模型。
圖6 循環工況Fig.6 Cycle conditions
圖7 復合電源系統能量管理控制策略 Simulink 模型Fig.7 The Simulink model of energy management strategy for hybrid storage electric system
圖8 為鋰電池與超級電容在兩種循環工況條件下電流變化情況,由圖中可知,本文所制定的能量管理控制策略在各功率需求空間,都有效抑制了局部峰值電流與最大峰值電流,其中最大峰值電流具體情況如表8 所示。同時與基于規則的控制策略與基于單一模糊控制相比,超級電容電流變化更為劇烈,有效抑制了鋰電池電流波動,使得鋰電池電流更為平穩,提高了鋰電池的使用壽命和安全性,同時,NEDC 循環工況結束時,基于本文提出的控制策略下鋰電池SOC 為87.19%,能量利用率最高,而單電源系統、基于規則與基于單層模糊控制策略分別為86.80%、87.15%、86.88%。
表8 循環工況下最大峰值電流Tab.8 Maximum peak current under different cycle conditions A
圖8 鋰電池與超級電容電流變化圖Fig.8 The current changes of lithium battery and supercapacitor
針對本文所提出的帶駕駛意圖識別修正的功率分層模糊控制能量管理策略,通過仿真對比表明,可得出以下結論:
1)通過對功率區間劃分層次設計模糊控制器,降低了分析的復雜度,也增強了控制策略對工況的適應性。
2)所提出控制策略能很好的實現對鋰電池電流波動的抑制與峰值電流削弱,同時能有效降低鋰電池能量消耗效率,增強了對鋰電池的保護作用。
3)利用AVL CRUISE 軟件建立了整車模型,為各種控制策略的驗證提供了便利性,整車仿真與實際情況也更加相符;其次所提出控制策略具有較好的實時性與魯棒性,在系統級仿真軟件AVL CRUISE平臺上能快速穩定運行,具有一定的實用價值。