纯电动汽车高压系统部件主要分为:空调系统部件, 驱动系统部件, 低压供电系统部件和充电系统部件, 如图1所示。其中, 低压供电系统部件通过DC/DC将高压电转化为低压电, 用以支持全车电子零部件、助力转向、水泵和风机等低压设备的运转; 充电系统部件通过充电机或其他充电设备从电网补充能量; 空调系统部件主要用于提升驾驶员舒适度和动力电池的热管理, 空调系统部件中消耗功率的高压部件为加热使用的电动加热器和制冷使用的空气压缩机; 驱动系统部件用于驱动电机对外做功, 也可以制动回收部分能量。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 纯电动汽车高压系统部件结构图Fig.1 EV high-voltage components and parts structure

由上述动力电池系统和高压系统部件结构, 可得到如图2所示的整车能量管理系统功率流示意图。它描述了动力电池系统及整车高压系统之间功率流的输入输出关系。图中, P_bat为动力电池系统的最大输出功率; 能量管理系统分配到空调系统的最大功率为P_A-C, 由于舒适系统和热管理系统共用功率器件, 为直观描述其功能, 将空调系统等效为热管理系统, 称之为P_T-M; P_motor为能量管理系统可分配给驱动系统的最大功率; P_L-P为低压供电系统的需求功率; P_cha为充电系统最大可充电功率。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 纯电动汽车能量管理系统功率流示意图Fig.2 Power flow of the EV energy management system

在车辆行驶过程中, P_cha(t)为0, P_L-P(t)为定值, 数值上等于DC/DC额定功率, 是必须分配的量。P_T-M(t)和P_motor(t)的大小则根据不同工况下功率总线需求功率来确定, 是可调节分配的量。令整车能量管理系统可分配的功率为P_e(t), 则:

显然, 整车能量管理系统的目的是合理地将P_e(t)分配给P_T-M(t)和P_motor(t), 使得整车的能源利用效率达到最高。

能量管理系统控制策略通常采用门限值控制方法, 即:设置一个关于剩余能量的 门限值(一般取30%)。如果剩余能量高于门限值, 则打开热管理系统; 如果剩余能量低于门限值, 则关闭热管理系统。

现引入一个能量管理系统功率分配系数K_T-M(t), 它表示P_e(t)分配给热管理系统的最大功率的权值, 定义域为[0 1], 则分配到热管理系统的最大功率为:

式中:P_TM-MAX(t)为热管理系统高压部件的峰值功率。

分配给驱动系统的最大功率为:

将式(2)代入式(3)得:

当K_T-M(t)恒为0时, 即为降低能量使用率方式, 最大程度上把有限的电池功率分配到驱动系统。

在能量管理系统门限值控制方法中, K_T-M(t)为变化量, 控制策略如下:对于P_motor(t)=P_e(t)-K_T-M(t)P_TM-MAX(t), 当K_T-M(t)=0时, SOC(t)≤ SOC_TH; 当K_T-M(t)=1时, SOC(t)> SOC_TH。其中, SOC_TH为门限阈值。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 能量管理系统门限值控制流程图Fig.3 Procedure of the energy management system based on threshold control

能量管理系统门限值控制流程如图3所示。驾驶员踩踏加速踏板, 通过加速踏板开度(θ )曲线, 了解驾驶员驾驶意图^[10], 获得电机需求功率P_MR; 能量管理系统可分配功率P_e, 依据门限值控制策略, 将功率分配到热管理系统和驱动系统。当系统完成做功后, 动力电池能量变成了E'_e, 最大可分配功率变成P'_e, 同时动力电池的温度变成T'和荷电状态变成SOC'。

能量管理系统的优化目的是在动力电池能量一定的条件下, 通过合理分配驱动系统和热管理系统承担的功率(即调节两者的功率分配因子), 使得车辆的能量消耗率 最小。能量消耗率是衡量纯电动车辆经济性的重要指标之一, 它表示车辆运行100 km所消耗的能量, 单位为kWh/(100 km), 一般可按照如下公式计算^[11]:

式中: 为汽车的行驶距离; 为车辆行驶过程中消耗的能量; 为单位换算系数。

本文在常规能量管理系统控制策略上增加了一个优化单元, 通过在[0, 1]区间动态调整

由上述分析可建立如下的纯电动汽车能量管理系统优化问题的数学模型:

可以看出, 此问题属于典型的带约束非线性优化问题。

纯电动汽车能量管理系统模糊控制器采用三输入、单输出的mamdani结构, 如图5所示。三输入分别为:电池荷电状态SOC, 温度差Δ T和加速踏板开度变化率dθ /dt, 输出为能量管理系统功率分配系数K__T-M(t)对控制器的输入输出进行归一化, 使得所有输入与输出的论域都为[0, 1]。对于SOC, 0表示动力电池剩余电量较低; 1表示动力电池剩余电量较高。对于Δ T, 0表示当前电池温度与最优电池温度的温差较小; 1表示当前电池温度与最优电池温度的温差较大。对于dθ /dt, 0表示驾驶员踩加速踏板的频率较低, 即车辆正常行驶; 1表示驾驶员踩加速踏板的频率较高, 即车辆急加速或爬坡行驶。对于K_T-M (t), 0表示需要热管理的程度较低; 1表示需要热管理的程度较高。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 模糊控制器结构图Fig.5 Structure of the fuzzy controller

由于受设计者主观因素的影响, 隶属度函数的确定往往呈现出多样性, 常见确定隶属度函数的方法有模糊统计方法、指派方法、专家法、二元对比排序法和借用已有的“ 客观” 尺度法^[12]。经查阅与本领域相近的参考文献, 采用高斯型隶属度函数的相对较多, 因此借用已有的“ 客观” 尺度, 所设计的模糊控制器输出变量和输入变量的隶属度函数均采用高斯型, 且输入变量的高斯点相同, 如图6所示。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 模糊控制器的输入变量和输出变量的隶属度函数图Fig.6 Membership function between output and input variable in fuzzy controller

输出和输入变量的模糊子集分别定义如下:

K_T-M(t):{LE, ML, ME, MB, GE};

SOC(t):{LE, ME, GE};

Δ T:{LE, ME, GE};

dθ /dt:{LE, ME, GE};

其中, LE为较小(Little); ME为中(Mediurn); GE为较大(Greater); M为中小(MediumLittle); MB为中大(MediumBig)。

纯电动汽车能量管理系统工作过程描述如下:

(1)当车辆起步时, 如果动力电池工作温度T_bat较低, 优先满足P_T-M。

(2)当车辆起步时, 如果动力电池工作温度T_bat正常, 优先满足P_motor。

(3)当汽车急加速或爬坡行驶时, 即dθ /dt大于某设定的阈值, 优先启动P_motor, 满足驱动电机高功率需求, 再启动P_T-M。

(4)当汽车以正常速度行驶时, 即dθ /dt小于某设定的阈值, 优先满足P_T-M, 提高充放电效率, 再满足P_motor, 保证驱动电机普通功率需求。

(5)如果电池 较低, 应该优先满足P_motor。

(6)如果电池 较高, 应该优先满足P_T-M。

依据上述工作过程, 在制定模糊控制规则时, 遵循如下基本原则:

(1)电池剩余电量 比较小。

(2)电池剩余电量 比较大。

能量管理系统优化模糊控制策略采用IF-THEN规则, 共建立了27条规则库。规则如表1所示, 模糊推理曲面如图7所示。

表1

Table 1

表1(Table 1)

表1 模糊控制规则表 Table 1 Rule of the fuzzy control SOC(t)=LE SOC(t)=ME SOC(t)=GE Δ T dθ /dt KT-M Δ T dθ /dt KT-M Δ T dθ /dt KT-M LE GE LE LE GE LE LE GE ML LE ME LE LE ME ML LE ME ME LE LE ML LE LE ME LE LE MB ME GE LE ME GE ML ME GE ME ME ME ML ME ME ME ME ME MB ME LE ME ME LE MB ME LE GE GE GE ML GE GE ME GE GE MB GE ME ME GE ME MB GE ME GE GE LE MB GE LE GE GE LE GE

表1 模糊控制规则表 Table 1 Rule of the fuzzy control

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 模糊控制器的模糊推理曲面图Fig.7 Surface of fuzzy inference in fuzzy controller

选取车辆常见的坡路、平路、空载和满载4种工况, 对模糊控制器进行模拟工况的仿真验证, 结果如图8所示。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 模糊控制器的不同模拟工况仿真验证Fig.8 Simulation and verification under the differentdriving cycle by fuzzy controller

对于坡路工况, dθ /dt比较大, 因此K_T-M 会随着dθ /dt的陡然升高而迅速降低; 而平路工况, dθ /dt变化并不明显, K_T-M只会沿着SOC的趋势慢慢走低, 由于坡路和平路的循环时间不长, SOC和温度的变化并不明显。对于满载工况, 在300 s附近电池升温到最优工作温度区间, K_T-M降低, 当运行到2300 s附近时, 电池温度超过最优工作温度区间, K_T-M升高; 而空载工况, 在600~2700 s内电池处于最优工作温度区间, K_T-M相对较低, 在超出这个范围之后, 即使 走势一直为低, K_T-M也相对较高。由此可见:在不同模拟工况下, 模糊控制器的仿真结果都符合设计要求。

基于模糊逻辑的能量管理系统优化控制方法的求解过程如图9所示。其中, E_BAT为电池额定能量, 数值上等于标称电压乘以标称容量; T_opti为最优工作温度区间的上下限值, 可以通过实验获得; 时刻加速踏板开度, 均可实时测量; P_e (n)为电池最大充放电功率, 可以由n时刻电池电压、电流和内阻等参数获得^[13] , 这些参数是SOC与T的函数, 可以通过离线标定获得, 因此可简化成:

函数对应关系如图10所示。

由加速踏板开度 θ 及电机当前转速N可离线标定获得电机需求转矩T, 如图11所示。而电机需求功率满足:

P'_motor (n)为电机实际输出功率。当P_motor(n)≥ P_MR (n)时, 表示当前能量管理系统功率可以满足整车动力性要求, 令:P'_motor (n)=P_MR (n); 当P_motor (n)< P_MR (n)时, 表示当前能量管理系统功率不能满足整车动力性要求, 为欠功率状态, 令:P'_motor (n)=P_motor (n)。显然, 欠功率状态时间越短, 整车动力性越好。

E_e (n+1)为当前整车完成做功后剩余的动力电池能量, 在记录下行驶里程后, 可依据式(5)计算得到ECR。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 基于模糊逻辑的能量管理系统优化控制方法求解过程Fig.9 Solution procedure of the energy management system optimal control method based on fuzzy logic

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 SOC, T与Pe(n)的关系图Fig.10 Map between SOC, T and Pe(n)

图11

Fig.11

	Figure Option ViewDownloadNew Window
	图11 加速踏板开度与电机转矩及转速的关系Fig.11 Map between the accelerator pedal opening, motor speed and torque

为了评价模糊控制方法的有效性, 利用AVL Cruise仿真软件, 对比门限值控制法进行仿真验证实验, 车辆仿真参数如下:整备质量为1510 kg; 满载质量为1960 kg; 迎风面积为2.15 m²; 风阻系数为0.315; 摩擦因数为0.015; 电池额定能量为23 kWh; 电机额定功率为42 kW; DC/DC额定功率为1.8 kW; 空调压缩机峰值功率为6 kW; 电动加热器峰值功率为5.2 kW。

图12是NEDC、EUDC、UDC和US06四种不同工况下的 SOC变化图。从图中清晰可见:电池SOC在行车过程中不断下降, 且在使用模糊控制方法时, 比使用门限值控制方法下降得要缓慢。这说明在相同条件下, 模糊控制方法的电池使用效率比门限值控制法要高。4种工况下不同控制策略的ECR仿真结果如表2所示。由表2清晰可见:模糊控制的ECR比门限值法有大幅度的提高。

图12

Fig.12

	Figure Option ViewDownloadNew Window
	图12 不同工况下的SOC状态Fig.12 Status of SOC under the different driving cycle

表2

Table 2

表2(Table 2)

表2 不同工况的ECR仿真结果 Table 2 ECR simulation result of the different driving cycle 循环工况 ECR 提高率/% 门限值法 模糊控制法 NEDC 9.11 8.22 9.79 EUDC 10.15 8.97 11.65 UDC 11.61 10.63 8.46 US06 10.72 9.39 12.42

表2 不同工况的ECR仿真结果 Table 2 ECR simulation result of the different driving cycle