CN109552110B - 基于规则与非线性预测控制的电动汽车复合能量管理方法 - Google Patents

基于规则与非线性预测控制的电动汽车复合能量管理方法 Download PDF

Info

Publication number
CN109552110B
CN109552110B CN201811614337.6A CN201811614337A CN109552110B CN 109552110 B CN109552110 B CN 109552110B CN 201811614337 A CN201811614337 A CN 201811614337A CN 109552110 B CN109552110 B CN 109552110B
Authority
CN
China
Prior art keywords
power
lithium battery
usoc
bsoc
super capacitor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811614337.6A
Other languages
English (en)
Other versions
CN109552110A (zh
Inventor
陶吉利
韩凯
马龙华
蔡卫明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Institute of Technology of ZJU
Original Assignee
Ningbo Institute of Technology of ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ningbo Institute of Technology of ZJU filed Critical Ningbo Institute of Technology of ZJU
Priority to CN201811614337.6A priority Critical patent/CN109552110B/zh
Publication of CN109552110A publication Critical patent/CN109552110A/zh
Application granted granted Critical
Publication of CN109552110B publication Critical patent/CN109552110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种基于规则与非线性预测控制的电动汽车复合能量管理方法，该方法根据每一时刻车辆的功率需求，锂电池以及超级电容SOC状况来进行能量管理。在非线性预测控制策略中，控制器将会预测未来一定周期的速度，通过车辆运行速度功率模型转化为功率，并通过二次规划有效集法，以最小功率损耗为指标优化锂电池的输出电流，完成锂电池和超级电容的功率分配。该方法在满足所需功率的基础上，可以减少***能量的损耗，减少锂电池的使用并延长锂电池的寿命，并且提高混合动力***的效率。

Description

基于规则与非线性预测控制的电动汽车复合能量管理方法
技术领域
本发明涉及一种基于规则与非线性预测控制的电动汽车能量管理方法。
背景技术
当前汽车高度依赖不可再生燃料不符合全球环境可持续发展的主题。为了解决传统汽车造成的空气污染和资源的枯竭问题，电动汽车的研究受到人们的高度重视。对于电动汽车的储能***，锂电池由于其重量轻、储能大、功率大、无污染等特点得到广泛应用，但单独使用锂电池可能导致电池组过热并缩短其寿命。而超级电容具有寿命长和瞬时功率高等优点，对电池动力***有很好的辅助作用。另外，超级电容工作的温度范围广，并且可以完全吸收汽车的制动能量。所以锂电池与超级电容组合的混合动力***可以满足电动汽车的需求。因此，如何高效发挥锂电池及超级电容的特点及优势，对二者能量进行优化分配是动力***能量管理的核心和关键。
发明内容
本发明的目的是解决电动汽车车混合动力***的能量分配问题，本文提出了一种基于规则与非线性预测控制的复合能源管理方法，该方法根据每一时刻车辆的功率需求，锂电池以及超级电容SOC状况来进行能量管理。在非线性预测控制策略中，控制器将会预测未来一定周期的速度，通过车辆运行速度功率模型转化为功率，并通过二次规划算法，以最小功率损耗为指标优化锂电池的输出电流，完成锂电池和超级电容的功率分配。实验结果表明，该方法可以避免电池组频繁充放电并延长锂电池的寿命，同时减少***能量的损耗，提高混合动力***的效率。
本发明具体采用的技术方案如下：
一种基于规则与非线性预测控制的电动汽车复合能量管理方法，在该复合能量管理方法中，将基于非线性预测控制的能量管理策略与基于规则的能量管理策略相结合，以完成对混合动力***的能量分配；当汽车所需功率高于功率阈值时，采用基于非线性预测控制的能量管理策略，通过非线性预测控制器得到锂电池与超级电容的输出电流，从而完成能量分配；当汽车所需功率低于功率阈值时，采用基于规则的能量管理策略直接得到锂电池和超级电容的输出功率。
基于上述技术方案，本发明还可以提供如下优选方式。
作为优选，电动汽车混合动力***由锂电池和超级电容组成。
作为优选，该方法通过每个时刻汽车运行所需功率Pn、锂电池的SOC以及超级电容的SOC进行锂电池功率Pb与超级电容功率Puc的分配，具体的分配策略如下：
若Pn<0且USOC>USOCH，则使Pb＝Pn且Puc＝0；
若Pn<0且USOC≤USOCH，则使Pb＝0且Puc＝Pn；
若0≤Pn≤PL且USOC>USOCL且BSOC>BSOCL,则使Pb＝Pn且Puc＝0；
若Pn>PL且USOC>USOCL且BSOC>BSOCL，则采用基于非线性预测控制的能量管理策略进行功率分配；
若Pn>0且USOC≤USOCL且BSOC>BSOCL,则使Pb＝Pn且Puc＝0；
若Pn>0且USOC>USOCL且BSOC≤BSOCL,则使Pb＝0且Puc＝Pn；
若Pn>0且USOC≤USOCL且BSOC≤BSOCL,则使Pb＝0且Puc＝0；
其中，Pn表示每个时刻汽车运行所需功率，BSOC表示锂电池的SOC，USOC 表示超级电容的SOC；USOCH、USOCL分别表示超级电容SOC的上限值、下限值，BSOCL表示锂电池SOC的下限值，PL表示混合动力***两种策略的功率阈值。
进一步的，在所述基于非线性预测控制的能量管理策略中，预测未来一定周期的速度，通过车辆速度功率模型求出未来一定周期内所需功率，并通过二次规划有效集法，以最小功率损耗为指标优化锂电池的输出电流，完成锂电池和超级电容的功率分配；基于非线性预测控制的能量管理策略的步骤为：
步骤1).通过当前时刻的转矩与车辆速度预测一定周期内的速度；
步骤2).计算预测周期内每个时刻所需要的功率；
步骤3).利用二次规划有效集法计算预测周期内每个时刻目标函数的最优解，并输出第一个时刻的解作为最优控制命令；
步骤4).计算锂电池与超级电容功率，Pb＝iL·Ub,Puc＝ic·Uc，并在下个时刻重复上述步骤；其中，iL为锂电池输出电流，ic为超级电容输出电流，Ub为锂电池电压，Uc为超级电容电压。
更进一步的，所述步骤1)～4)中，具体计算过程如下：
假设驱动转矩在预测周期内呈指数下降，并表示为：
Figure BDA0001925493350000031
其中，TW(k)表示k时刻作用在车轮上的驱动转矩，且加速为正，减速为负；Δt表示采样时间，τd表示衰减系数，HF表示预测周期步长；
预测车辆速度为：
V(k)＝ua；
Figure BDA0001925493350000032
同时，车辆速度功率模型为：
Figure BDA0001925493350000033
其中，V(k)表示k时刻的车辆速度，Pn表示汽车运行所需功率，M表示汽车质量，f表示滚动阻力系数，g表示重力加速度，α表示道路坡度，Car表示空气阻力系数，A表示汽车迎风面积，δ表示转动质量修正系数，ηT表示传输***的效率，RW表示车轮半径，ua表示车辆当前速度；
基于预测速度，通过车辆速度功率模型得到预测所需功率，再通过二次规划优化锂电池输出电流iL和超级电容的输出电流ic；
设锂电池输出电流iL为控制量，目标函数J定义如下：
Figure BDA0001925493350000034
其中，iL(k)和ic(k)分别为k时刻的锂电池输出电流和超级电容输出电流；Ri为锂电池内阻，Rc为超级电容内阻，N为优化步长；同时约束条件如下：
Pn＝Puc+Pb；
Pb＝iL·Ub；
Puc＝ic·Uc；
0.2≤BSOC(k)≤1；
0.56≤USOC(k)≤0.92；
0≤iL(k)≤100；
40≤ic(k)≤200；
其中，BSOC(k)为k时刻的锂电池SOC，USOC(k)为k时刻的超级电容SOC；
通过优化得到一组锂电池输出电流：iL(0),iL(1),…,iL(N-1)，选择第一个元素iL(0)作为最优控制命令，即当前时刻锂电池输出电流。
更进一步的，求解目标函数采用二次规划有效集法，具体计算过程如下：
每个时刻，目标函数可以转化为如下二次规划问题：
Figure BDA0001925493350000041
Figure BDA0001925493350000042
Figure BDA0001925493350000043
其中，
Figure BDA0001925493350000044
Figure BDA0001925493350000045
Figure BDA0001925493350000046
Figure BDA0001925493350000047
利用二次规划有效集法求解过程如下：
1)给定初始可行点x(0)，令A0＝A(x(0))，参数p＝0，A表示上述二次规划问题在该点的有效集；
2)将二次规划问题进一步转化为等式约束二次规划问题：
Figure BDA0001925493350000048
Figure BDA0001925493350000049
其中，Ap＝A(x(p))，x(p)为第p轮的可行点，解d＝[d1,d2]T，d1,d2为转化后二次规划问题的解中的元素；求得二次规划问题在第p轮的解d(p)及相应的拉格朗日乘子
Figure BDA0001925493350000051
q∈Ap；
3)若d(p)≠0,则
Figure BDA0001925493350000052
Figure BDA0001925493350000053
x(p+1)＝x(p)+αpd(p),Ap+1＝Ap∪{q0}
其中，αp为第p轮的可行因子，q0为αp取值时相应的序列值；
令p＝p+1，转步骤2)；
4)若d(p)＝0,则当
Figure BDA0001925493350000054
时，可得最优解x(p)；否则
Figure BDA0001925493350000055
x(p+1)＝x(p),Ap+1＝Ap\{qn}
其中，qn为使
Figure BDA0001925493350000056
取最小值时相应的序列值；
令p＝p+1，转步骤2)。
本发明提出的方法根据每一时刻车辆的功率需求，锂电池以及超级电容SOC 状况来进行能量管理。在非线性预测控制策略中，控制器将会预测未来一定周期的速度，通过车辆运行速度功率模型转化为功率，并通过二次规划有效集法，以最小功率损耗为指标优化锂电池的输出电流，完成锂电池和超级电容的功率分配。该方法在满足所需功率的基础上，可以减少***能量的损耗，减少锂电池的使用并延长锂电池的寿命，并且提高混合动力***的效率。
附图说明
图1为电动汽车及双向电能转换研究实验平台结构图；
图2为ECE驾驶工况速度图；
图3为ECE驾驶工况下，两种策略中各个数据比较：(a)锂电池输出电流， (b)超级电容输出电流，(c)锂电池输出功率，(d)超级电容输出功率。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。
本发明中的基于规则与非线性预测控制的电动汽车复合能量管理方法，主要用于对混合动力的电动汽车进行能量分配管理，其混合动力***由锂电池和超级电容组成。通过该方法，可对电动汽车混合动力输出时的锂电池和超级电容的功率进行合理分配，在满足所需功率的基础上，可以减少***能量的损耗。
在该合能量管理方法中，将基于非线性预测控制的能量管理策略与基于规则的能量管理策略相结合，以完成对混合动力***的能量分配；当汽车所需功率高于功率阈值时，采用基于非线性预测控制的能量管理策略，通过非线性预测控制器得到锂电池与超级电容的输出电流，从而完成能量分配；当汽车所需功率低于功率阈值时，采用基于规则的能量管理策略直接得到锂电池和超级电容的输出功率。
具体来说，该方法通过每个时刻汽车运行所需功率Pn、锂电池的SOC以及超级电容的SOC进行锂电池功率Pb与超级电容功率Puc的分配，具体的分配策略如下：
若Pn<0且USOC>USOCH，则使Pb＝Pn且Puc＝0；
若Pn<0且USOC≤USOCH，则使Pb＝0且Puc＝Pn；
若0≤Pn≤PL且USOC>USOCL且BSOC>BSOCL,则使Pb＝Pn且Puc＝0；
若Pn>PL且USOC>USOCL且BSOC>BSOCL，则采用基于非线性预测控制的能量管理策略进行功率分配；
若Pn>0且USOC≤USOCL且BSOC>BSOCL,则使Pb＝Pn且Puc＝0；
若Pn>0且USOC>USOCL且BSOC≤BSOCL,则使Pb＝0且Puc＝Pn；
若Pn>0且USOC≤USOCL且BSOC≤BSOCL,则使Pb＝0且Puc＝0；
其中，Pn表示每个时刻汽车运行所需功率，BSOC表示锂电池的SOC，USOC 表示超级电容的SOC；USOCH、USOCL分别表示超级电容SOC的上限值、下限值，BSOCL表示锂电池SOC的下限值，PL表示混合动力***两种策略的功率阈值。
在上述策略中，除Pn>PL且USOC>USOCL且BSOC>BSOCL的情况属于基于非线性预测控制的能量管理策略外，其余均是基于规则的能量管理策略，直接得到锂电池和超级电容的输出功率。
而在基于非线性预测控制的能量管理策略中，其需要预测未来一定周期的速度，通过车辆速度功率模型求出未来一定周期内所需功率，并通过二次规划有效集法，以最小功率损耗为指标优化锂电池的输出电流，完成锂电池和超级电容的功率分配。下面详细叙述基于非线性预测控制的能量管理策略的主要步骤：
步骤1).通过当前时刻的转矩与车辆速度预测一定周期内的速度；
步骤2).计算预测周期内每个时刻所需要的功率；
步骤3).利用二次规划有效集法计算预测周期内每个时刻目标函数的最优解，并输出第一个时刻的解作为最优控制命令；
步骤4).计算锂电池与超级电容功率，Pb＝iL·Ub,Puc＝ic·Uc，并在下个时刻重复上述步骤；其中，iL为锂电池输出电流，ic为超级电容输出电流，Ub为锂电池电压，Uc为超级电容电压。
在上述步骤中，转矩、车辆速度的具体计算过程如下：
假设驱动转矩在预测周期内呈指数下降，并表示为：
Figure BDA0001925493350000071
其中，TW(k)表示k时刻作用在车轮上的驱动转矩，且加速为正，减速为负；Δt表示采样时间，τd表示衰减系数，HF表示预测周期步长；
根据当前时刻车辆驱动转矩TW(k)，计算得到未来HF个时刻内的驱动转矩TW (k+1),TW(k+2),…,TW(k+HF)。
预测车辆速度为：
V(k)＝ua；
Figure BDA0001925493350000072
根据当前时刻车辆运行速度ua，计算得到当前时以及未来HF个时刻内的预测车辆速度V(k),V(k+1),V(k+2),…,V(k+HF)。
同时，车辆速度功率模型为：
Figure BDA0001925493350000073
其中，V(k)表示k时刻的车辆速度，Pn表示汽车运行所需功率，M表示汽车质量，f表示滚动阻力系数，g表示重力加速度，α表示道路坡度，Car表示空气阻力系数，A表示汽车迎风面积，δ表示转动质量修正系数，ηT表示传输***的效率，RW表示车轮半径，ua表示车辆当前速度。
将计算得到的速度V(k),V(k+1),V(k+2),…,V(k+HF)带入上式中得到当前时刻以及未来HF个时刻的预测所需功率：Pn(k),Pn(k+1),Pn(k+2),…,Pn(k+HF)。
基于预测速度，通过车辆速度功率模型得到预测所需功率，再通过二次规划优化锂电池输出电流iL和超级电容的输出电流ic；
设锂电池输出电流iL为控制量，在保证完成功率需求的前提下，为使超级电容和锂电池损耗的功率最小，目标函数J定义如下：
Figure BDA0001925493350000081
其中，iL(k)和ic(k)分别为k时刻的锂电池输出电流和超级电容输出电流；Ri为锂电池内阻，Rc为超级电容内阻，N为优化步长；同时为了保证能够完成对***的能量供给与***安全，约束条件如下：
Pn＝Puc+Pb；
Pb＝iL·Ub；
Puc＝ic·Uc；
0.2≤BSOC(k)≤1；
0.56≤USOC(k)≤0.92；
0≤iL(k)≤100；
40≤ic(k)≤200；
其中，BSOC(k)为k时刻的锂电池SOC，USOC(k)为k时刻的超级电容SOC。
每个时刻，目标函数可以转化为如下二次规划问题：
Figure BDA0001925493350000082
Figure BDA0001925493350000083
Figure BDA0001925493350000084
其中，
Figure BDA0001925493350000085
Figure BDA0001925493350000086
Figure BDA0001925493350000087
Figure BDA0001925493350000088
利用二次规划有效集法求解过程如下：
1)给定初始可行点x(0)，令A0＝A(x(0))，参数p＝0，A表示上述二次规划问题在该点的有效集；
2)将二次规划问题进一步转化为等式约束二次规划问题：
Figure BDA0001925493350000091
Figure BDA0001925493350000092
其中，Ap＝A(x(p))，x(p)为第p轮的可行点，解d＝[d1,d2]T，d1,d2为转化后二次规划问题的解中的元素；求得二次规划问题在第p轮的解d(p)及相应的拉格朗日乘子
Figure BDA0001925493350000093
q∈Ap；
3)若d(p)≠0,则
Figure BDA0001925493350000094
Figure BDA0001925493350000095
x(p+1)＝x(p)+αpd(p),Ap+1＝Ap∪{q0}
其中，αp为第p轮的可行因子，q0为αp取值时相应的序列值；
令p＝p+1，转步骤2)；
4)若d(p)＝0,则当
Figure BDA0001925493350000096
时，可得最优解x(p)；否则
Figure BDA0001925493350000097
x(p+1)＝x(p),Ap+1＝Ap\{qn}
其中，qn为使
Figure BDA0001925493350000098
取最小值时相应的序列值；
令p＝p+1，转步骤2)。
通过二次规划有效集法优化得到每个时刻锂电池输出电流：iL(0),iL(1),…, iL(N-1)，选择第一个元素iL(0)作为最优控制命令，即当前时刻锂电池最优输出电流。
由此，根据步骤4)即可得到锂电池与超级电容的功率，完成当前时刻的功率分配。下一时刻可继续重复这些过程，重新进行功率分配。
下面基于上述方法，结合具体实施例对其技术效果进行进一步展示，部分参数的定义如前所述，不再赘述。
实施例
在电动汽车及双向电能转换研究实验平台上采用该方法利用ECE(EconomicCommission of Europe)驾驶工况进行实验。实验平台结构图如图1所示，整个研究实验平台由工控机1统一管理，工控机1通过CAN网络控制充电机、逆变器、电池管理***以及双向DC/DC变换器，通过以太网与电力测功***工控机2通信，从而电机以及变频器。ECE驾驶工况如图2所示。
在复合能量管理方法中，基于非线性预测控制的能量管理策略与基于规则的能量管理策略相结合，以完成对混合动力***的能量分配。当汽车所需功率较高时，采用非线性预测控制策略，通过非线性预测控制器得到锂电池与超级电容的输出电流，从而完成能量分配；当汽车所需功率较低时，采用基于规则的能量管理策略直接得到锂电池和超级电容的输出功率。而汽车所需功率可设置某一阈值作为策略选择调整的依据。本实施例中，该方法通过每个时刻汽车运行所需功率 (Pn)，锂电池的SOC(BSOC)以及超级电容的SOC(USOC)进行锂电池功率 (Pb)与超级电容功率(Puc)的分配，具体的策略如下：
若Pn<0且USOC>USOCH，则使Pb＝Pn且Puc＝0；
若Pn<0且USOC≤USOCH，则使Pb＝0且Puc＝Pn；
若0≤Pn≤PL且USOC>USOCL且BSOC>BSOCL,则使Pb＝Pn且Puc＝0；
若Pn>PL且USOC>USOCL且BSOC>BSOCL，则采用基于非线性预测控制的能量管理策略进行功率分配；
若Pn>0且USOC≤USOCL且BSOC>BSOCL,则使Pb＝Pn且Puc＝0；
若Pn>0且USOC>USOCL且BSOC≤BSOCL,则使Pb＝0且Puc＝Pn；
若Pn>0且USOC≤USOCL且BSOC≤BSOCL,则使Pb＝0且Puc＝0；
其中，USOCH，USOCL分别表示超级电容SOC的上下限值，它们的值分别为0.92和0.56。BSOCL表示锂电池SOC的下限值，它的值为0.2。PL表示混合动力***两种策略的功率阈值，本实施例中其值为1500W。
在基于非线性预测控制的能量管理策略中，需要预测未来一定周期的速度，通过车辆速度功率模型求出未来一定周期内所需功率，并通过二次规划有效集法，以最小功率损耗为指标优化锂电池的输出电流，完成锂电池和超级电容的功率分配。
假设驱动转矩在预测周期内呈指数下降，并表示为：
Figure BDA0001925493350000111
其中，TW表示作用在车轮上的驱动转矩(加速为正，减速为负)，Δt表示采样时间，τd表示衰减系数，HF表示预测周期步长。
预测车辆速度可表示为：
V(k)＝ua；
Figure BDA0001925493350000112
同时，车辆速度功率模型可表示为：
Figure BDA0001925493350000113
其中，Pn表示汽车运行所需功率，M表示汽车质量，f表示滚动阻力系数， g表示重力加速度，α表示道路坡度，Car表示空气阻力系数，A表示汽车迎风面积，δ表示转动质量修正系数，ηT表示传输***的效率，RW表示车轮半径，ua表示车辆当前速度。各个参数的值及单位如表1所示。
表1功率速度模型参数
Δt 0.1s α 0
τ<sub>d</sub> 7 C<sub>ar</sub> 0.3
H<sub>F</sub> 3 Α 1.51m<sup>2</sup>
M 400kg δ 1.1
f 0.009 η<sub>T</sub> 0.95
g 9.81m/s<sup>2</sup> R<sub>W</sub> 0.282m
基于预测速度，可通过车辆速度功率模型得到预测所需功率，再通过二次规划优化锂电池输出电流iL和超级电容的输出电流ic。
设锂电池输出电流iL为控制量。在保证完成功率需求的前提下，为了使超级电容和锂电池损耗的功率最小，目标函数定义如下：
Figure BDA0001925493350000114
其中，Ri为锂电池内阻，RC为超级电容内阻，N为优化步长，其值为4。同时为了保证能够完成对***的能量供给与***安全，约束条件如下：
Pn＝Puc+Pb；
Pb＝iL·Ub；
Puc＝ic·Uc；
0.2≤BSOC(k)≤1；
0.56≤USOC(k)≤0.92；
0≤iL(k)≤100；
40≤ic(k)≤200；
锂电池电压与超级电容电压可通过设备采样获得。
每个时刻，目标函数可以转化为如下二次规划问题：
Figure BDA0001925493350000121
Figure BDA0001925493350000122
Figure BDA0001925493350000123
其中，
Figure BDA0001925493350000124
Figure BDA0001925493350000125
Figure BDA0001925493350000126
Figure BDA0001925493350000127
利用二次规划有效集法求解过程如下：
1)给定初始可行点x(0)，令A0＝A(x(0))，参数p＝0，A表示上述二次规划问题在该点的有效集；
2)将二次规划问题进一步转化为等式约束二次规划问题：
Figure BDA0001925493350000128
Figure BDA0001925493350000129
其中，Ap＝A(x(p))，x(p)为第p轮的可行点，解d＝[d1,d2]T，d1,d2为转化后二次规划问题的解中的元素；求得二次规划问题在第p轮的解d(p)及相应的拉格朗日乘子
Figure BDA00019254933500001210
q∈Ap；
3)若d(p)≠0,则
Figure BDA0001925493350000131
Figure BDA0001925493350000132
x(p+1)＝x(p)+αpd(p),Ap+1＝Ap∪{q0}
其中，αp为第p轮的可行因子，q0为αp取值时相应的序列值；
令p＝p+1，转步骤2)；
4)若d(p)＝0,则当
Figure BDA0001925493350000133
时，可得最优解x(p)；否则
Figure BDA0001925493350000134
x(p+1)＝x(p),Ap+1＝Ap\{qn}
其中，qn为使
Figure BDA0001925493350000135
取最小值时相应的序列值；
令p＝p+1，转步骤2)。
通过二次规划有效集法优化得到每个时刻锂电池输出电流：iL(0),iL(1),…, iL(N-1)，选择第一个元素iL(0)作为最优控制命令，即当前时刻锂电池输出电流。
综上，非线性预测控制策略步骤为：
步骤1).通过当前时刻的转矩与车辆速度预测一定周期内的速度。采样得到当前时刻车辆驱动转矩TW(k)，并令T(0)＝TW(k)，根据前述公式计算得到未来3 个时刻内的驱动转矩T(1),T(2),T(3)。同时采样得到当前时刻车辆运行速度ua(k)，根据前述公式计算得到当前时刻以及未来3个时刻内的预测车辆速度V(0),V(1), V(2),V(3)；
步骤2).根据车辆速度功率模型计算预测周期内每个时刻所需要的功率。将步骤1中计算得到的速度车辆速度功率模型中得到当前时刻以及未来3个时刻的预测所需功率Pn(0),Pn(1),Pn(2),Pn(3)。
步骤3).利用二次规划有效集法计算预测周期内每个时刻目标函数的最优解，并输出第一个时刻的解作为最优控制命令.采样得到当前时刻锂电池电压Ub(k)以及超级电容电压Uc(k)，根据式目标函数及约束条件，利用二次规划有效集法分别得到预测周期内每个时刻的锂电池输出电流：iL(0),iL(1),iL(2),iL(3)，并选择第一个元素iL(0)作为当前时刻最优控制命令，即令iL(k)＝iL(0)，同时可得超级电容的输出电流ic(k)。
步骤4).计算当前时刻锂电池与超级电容功率：
Pb(k)＝iL(k)·Ub(k),Puc(k)＝ic(k)·Uc(k)
从而完成锂电池和超级电容的能量分配。
在下一个时刻，令T(0)＝TW(k+1)，并继续重复上述步骤1)～4)，重新进行分配。
***采用该方法(NPC-EMS)进行能量管理之后的锂电池与超级电容的输出同只基于规则的能量管理方法(R-EMS)的输出对比如图3所示。由图中可以看出，ECE工况下，采用该方法进行能量管理中的锂电池输出电流与功率整体较低，说明该方法减少了锂电池的使用，有助于延长锂电池寿命。同时计算可得，采用该方法***总体需要的能量为139830J，采用基于规则的能量管理方法***需要能量为144010J，由此可知，该方法可以减少***能量损耗。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (4)

1.一种基于规则与非线性预测控制的电动汽车复合能量管理方法，其特征在于：在复合能量管理方法中，将基于非线性预测控制的能量管理策略与基于规则的能量管理策略相结合，以完成对混合动力***的能量分配；当汽车所需功率高于功率阈值时，采用基于非线性预测控制的能量管理策略，通过非线性预测控制器得到锂电池与超级电容的输出电流，从而完成能量分配；当汽车所需功率低于功率阈值时，采用基于规则的能量管理策略直接得到锂电池和超级电容的输出功率；
该方法通过每个时刻汽车运行所需功率Pn、锂电池的SOC以及超级电容的SOC进行锂电池功率Pb与超级电容功率Puc的分配，具体的分配策略如下：
若Pn<0且USOC>USOCH，则使Pb＝Pn且Puc＝0；
若Pn<0且USOC≤USOCH，则使Pb＝0且Puc＝Pn；
若0≤Pn≤PL且USOC>USOCL且BSOC>BSOCL,则使Pb＝Pn且Puc＝0；
若Pn>PL且USOC>USOCL且BSOC>BSOCL，则采用基于非线性预测控制的能量管理策略进行功率分配；
若Pn>0且USOC≤USOCL且BSOC>BSOCL,则使Pb＝Pn且Puc＝0；
若Pn>0且USOC>USOCL且BSOC≤BSOCL,则使Pb＝0且Puc＝Pn；
若Pn>0且USOC≤USOCL且BSOC≤BSOCL,则使Pb＝0且Puc＝0；
其中，Pn表示每个时刻汽车运行所需功率，BSOC表示锂电池的SOC，USOC表示超级电容的SOC；USOCH、USOCL分别表示超级电容SOC的上限值、下限值，BSOCL表示锂电池SOC的下限值，PL表示混合动力***两种策略的功率阈值；
在所述基于非线性预测控制的能量管理策略中，预测未来一定周期的速度，通过车辆速度功率模型求出未来一定周期内所需功率，并通过二次规划有效集法，以最小功率损耗为指标优化锂电池的输出电流，完成锂电池和超级电容的功率分配；基于非线性预测控制的能量管理策略的步骤为：
步骤1).通过当前时刻的转矩与车辆速度预测一定周期内的速度；
步骤2).计算预测周期内每个时刻所需要的功率；
步骤3).利用二次规划有效集法计算预测周期内每个时刻目标函数的最优解，并输出第一个时刻的解作为最优控制命令；
步骤4).计算锂电池与超级电容功率，Pb＝iL·Ub,Puc＝ic·Uc，并在下个时刻重复上述步骤；其中，iL为锂电池输出电流，ic为超级电容输出电流，Ub为锂电池电压，Uc为超级电容电压。
2.如权利要求1所述的基于规则与非线性预测控制的电动汽车复合能量管理方法，其特征在于：电动汽车混合动力***由锂电池和超级电容组成。
3.如权利要求1所述的基于规则与非线性预测控制的电动汽车复合能量管理方法，其特征在于，所述步骤1)～4)中，具体计算过程如下：
假设驱动转矩在预测周期内呈指数下降，并表示为：
Figure FDA0002376838370000021
其中，TW(k)表示k时刻作用在车轮上的驱动转矩，且加速为正，减速为负；Δt表示采样时间，τd表示衰减系数，HF表示预测周期步长；
预测车辆速度为：
V(k)＝ua；
Figure FDA0002376838370000022
同时，车辆速度功率模型为：
Figure FDA0002376838370000023
其中，V(k)表示k时刻的车辆速度，Pn表示汽车运行所需功率，M表示汽车质量，f表示滚动阻力系数，g表示重力加速度，α表示道路坡度，Car表示空气阻力系数，A表示汽车迎风面积，δ表示转动质量修正系数，ηT表示传输***的效率，RW表示车轮半径，ua表示车辆当前速度；
基于预测速度，通过车辆速度功率模型得到预测所需功率，再通过二次规划优化锂电池输出电流iL和超级电容的输出电流ic；
设锂电池输出电流iL为控制量，目标函数J定义如下：
Figure FDA0002376838370000024
其中，iL(k)和ic(k)分别为k时刻的锂电池输出电流和超级电容输出电流；Ri为锂电池内阻，Rc为超级电容内阻，N为优化步长；同时约束条件如下：
Pn＝Puc+Pb；
Pb＝iL·Ub；
Puc＝ic·Uc；
0.2≤BSOC(k)≤1；
0.56≤USOC(k)≤0.92；
0≤iL(k)≤100；
40≤ic(k)≤200；
其中，BSOC(k)为k时刻的锂电池SOC，USOC(k)为k时刻的超级电容SOC；
通过优化得到一组锂电池输出电流：iL(0),iL(1),…,iL(N-1)，选择第一个元素iL(0)作为最优控制命令，即当前时刻锂电池输出电流。
4.如权利要求3所述的基于规则与非线性预测控制的电动汽车复合能量管理方法，其特征在于，求解目标函数采用二次规划有效集法，具体计算过程如下：
每个时刻，目标函数可以转化为如下二次规划问题：
Figure FDA0002376838370000031
Figure FDA0002376838370000032
Figure FDA0002376838370000033
其中，
Figure FDA0002376838370000034
Figure FDA0002376838370000035
Figure FDA0002376838370000036
Figure FDA0002376838370000037
利用二次规划有效集法求解过程如下：
6.1)给定初始可行点x(0)，令A0＝A(x(0))，参数p＝0，A表示上述二次规划问题在该点的有效集；
6.2)将二次规划问题进一步转化为等式约束二次规划问题：
Figure FDA0002376838370000041
Figure FDA0002376838370000042
其中，Ap＝A(x(p))，x(p)为第p轮的可行点，解d＝[d1,d2]T，d1,d2为转化后二次规划问题的解中的元素；求得二次规划问题在第p轮的解d(p)及相应的拉格朗日乘子
Figure FDA0002376838370000043
6.3)若d(p)≠0,则
Figure FDA0002376838370000044
Figure FDA0002376838370000045
x(p+1)＝x(p)+αpd(p),Ap+1＝Ap∪{q0}
其中，αp为第p轮的可行因子，q0为αp取值时相应的序列值；
令p＝p+1，转步骤6.2)；
6.4)若d(p)＝0,则当
Figure FDA0002376838370000046
时，可得最优解x(p)；否则
Figure FDA0002376838370000047
x(p+1)＝x(p),Ap+1＝Ap\{qn}
其中，qn为使
Figure FDA0002376838370000048
取最小值时相应的序列值；
令p＝p+1，转步骤6.2)。
CN201811614337.6A 2018-12-27 2018-12-27 基于规则与非线性预测控制的电动汽车复合能量管理方法 Active CN109552110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811614337.6A CN109552110B (zh) 2018-12-27 2018-12-27 基于规则与非线性预测控制的电动汽车复合能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811614337.6A CN109552110B (zh) 2018-12-27 2018-12-27 基于规则与非线性预测控制的电动汽车复合能量管理方法

Publications (2)

Publication Number Publication Date
CN109552110A CN109552110A (zh) 2019-04-02
CN109552110B true CN109552110B (zh) 2020-07-10

Family

ID=65871519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811614337.6A Active CN109552110B (zh) 2018-12-27 2018-12-27 基于规则与非线性预测控制的电动汽车复合能量管理方法

Country Status (1)

Country Link
CN (1) CN109552110B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113942489A (zh) * 2020-07-15 2022-01-18 厦门雅迅网络股份有限公司 一种电动车能量管理方法、终端设备及存储介质
CN112721906B (zh) * 2021-02-01 2022-04-12 中南大学 基于锂电池功率估计的混合储能控制***及其能量管理方法
CN113054832B (zh) * 2021-03-10 2022-07-29 东北大学 一种新能源汽车电源***及分配方法
CN113829949B (zh) * 2021-09-17 2023-07-25 中国第一汽车股份有限公司 一种动力电池功率的修正方法
TWI797921B (zh) * 2021-12-28 2023-04-01 國家中山科學研究院 電動車混合電力供電系統控制方法
CN117458674B (zh) * 2023-12-22 2024-03-08 登峰科技(江西)有限公司 一种电池混合***控制方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10138656B2 (en) * 2012-12-24 2018-11-27 Magna Closures Inc. Crash management system and method in an electronic latch of a motor-vehicle closure device
US10449864B2 (en) * 2014-04-15 2019-10-22 Borgwarner Inc. Motor/energy generator and energy storage device combination
CN204674395U (zh) * 2015-04-23 2015-09-30 重庆工商职业学院 基于预测控制的双能量源电动汽车能量管理***
CN106080223A (zh) * 2016-07-04 2016-11-09 天津中科先进技术研究院有限公司 一种锂电池与超级电容器双能源功率分配控制***及方法
CN106427607B (zh) * 2016-12-02 2019-10-18 深圳先进技术研究院 一种电动车混合式储能***能量分配方法

Also Published As

Publication number Publication date
CN109552110A (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
CN109552110B (zh) 基于规则与非线性预测控制的电动汽车复合能量管理方法
Tao et al. Frequency decoupling-based energy management strategy for fuel cell/battery/ultracapacitor hybrid vehicle using fuzzy control method
Bai et al. Optimal design of a hybrid energy storage system in a plug-in hybrid electric vehicle for battery lifetime improvement
CN109552079B (zh) 一种基于规则与Q-learning增强学习的电动汽车复合能量管理方法
Choi et al. Real-time optimization for power management systems of a battery/supercapacitor hybrid energy storage system in electric vehicles
Herrera et al. Optimal energy management of a hybrid electric bus with a battery-supercapacitor storage system using genetic algorithm
CN104104107A (zh) 用混合储能平抑风电功率波动的模型预测控制方法
Liu et al. Multi-objective optimization of energy management strategy on hybrid energy storage system based on radau pseudospectral method
CN104410089A (zh) 基于电动汽车的风力发电微网功率平衡实时调度方法
Ren et al. An energy conservation and environmental improvement solution-ultra-capacitor/battery hybrid power source for vehicular applications
CN114132302A (zh) 一种车辆控制方法、装置、***及存储介质
Burnett et al. A power system combining batteries and supercapacitors in a solar/hydrogen hybrid electric vehicle
CN114560091A (zh) 一种基于模型预测的多电飞机混合能源能量管理***及方法
Zhang et al. HESS and its application in series hybrid electric vehicles
Zhang et al. Wavelet transform-based energy management strategy for fuel cell/variable-structure super-capacitor hybrid power system
CN110341537A (zh) 一种基于模型预测控制的车载双向充电机充电控制策略
Song et al. Study on the fuel economy of fuel cell electric vehicle based on rule-based energy management strategies
Ranjan et al. Modified energy management strategy for hess in electric vehicle
Xu et al. Equivalent consumption minimization strategies of series hybrid city buses
Zhao et al. Research on Energy Management Strategy of Fuel Cell Tractor Hybrid Power System
Yu et al. Research on the Control Strategy of Hybrid Energy Storage System for Electric Bus
Li et al. Rule and Q-learning based hybrid energy management for electric vehicle
Chao Simulation of a fuel cell-battery-ultra capacitor-hybrid-powered electric golf cart
Sun et al. A Novel Method for the Application of the ECMS (Equivalent Consumption Minimization Strategy) to Reduce Hydrogen Consumption in Fuel Cell Hybrid Electric Vehicles
CN113224749B (zh) 一种油电混合储能电源方舱全局最优放电控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant