CN113759847A - 一种大功率混合动力***协作分布式热管理方法及*** - Google Patents
一种大功率混合动力***协作分布式热管理方法及*** Download PDFInfo
- Publication number
- CN113759847A CN113759847A CN202111048142.1A CN202111048142A CN113759847A CN 113759847 A CN113759847 A CN 113759847A CN 202111048142 A CN202111048142 A CN 202111048142A CN 113759847 A CN113759847 A CN 113759847A
- Authority
- CN
- China
- Prior art keywords
- hybrid power
- power system
- model
- directed graph
- state
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000000875 corresponding effect Effects 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 31
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 19
- 229910052744 lithium Inorganic materials 0.000 claims description 19
- 230000008878 coupling Effects 0.000 claims description 16
- 238000010168 coupling process Methods 0.000 claims description 16
- 238000005859 coupling reaction Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 14
- 239000000446 fuel Substances 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 239000012456 homogeneous solution Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000001808 coupling effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种大功率混合动力***协作分布式热管理方法及***,包括对所述混合动力***进行建模得到所述混合动力***模型;对所述混合动力***模型进行线性化处理;根据状态空间模型建立***有向图,并对***有向图进行赋值得到***加权有向图;对所述状态空间模型进行优化分解,得到所述混合动力***的热动态模型;设计模型预测控制器,所述模型预测控制器分别对所述热动态模型中各子***的在当前时刻的最优控制输入进行求解,对所述混合动力***模型各部分的工作温度进行动态调节;能够有效提高整体控制效率,并使各子控制器之间能够进行信息交互,保证***稳定性及鲁棒性,实现对整车各部分工作温度的高效动态控制。
Description
技术领域
本发明涉及混合动力***热管理技术领域,特别是涉及一种大功率混合动力***协作分布式热管理方法及***。
背景技术
随着传统燃油车对能源的消耗,以及国家对环保的重视,燃料电池混合动力汽车(Fuel Cell Hybrid Vehicle,FCHV)因其几乎零污染排放特性,近些年受到广泛关注。混合动力***中的几大部件,如燃料电池***、DC/DC转换器、锂电池以及电机,都存在一最优工作温度区间,不过实际运行过程中,由于工作时间的增加,以及工作环境的改变,使得这一工作温度会产生波动,为了保证整个***平稳高效地运行,热量管理发挥着重要作用。
现有针对这一混合动力***进行的热管理方案一般从硬件结构入手,为每一部件单独设计一热量管理***,造成硬件占用空间以及使用成本的上升;同时各部分通过热交换器进行耦合,采用基于切换(Switch)+PID的控制方法,该方案很难充分考虑各发热子***之间的热交换耦合特性,并且没有充分考虑各子***自身发热及工作特性,比如燃料电池***的软输出特性,DC/DC的快速动态响应特性等,无法实现对整个***热量的高效动态管理,甚至会影响到各部件的使用寿命。
发明内容
有鉴于此,本发明的目的在于提供一种大功率混合动力***协作分布式热管理方法及***,以解决现有技术由于忽视各部分间热交换耦合特性及各部分自身发热导致的无法对整个***热量进行高效动态管理的问题。
为达到上述目的,本发明得第一方面提供一种大功率混合动力***协作分布式热管理方法,包括以下步骤:
S1:基于燃料电池和锂电池建立混合动力***,对所述混合动力***进行建模得到所述混合动力***模型;
S2:对所述混合动力***模型进行线性化处理,得到线性化的状态空间模型;
S3:根据所述状态空间模型建立***有向图,并对所述***有向图进行赋值得到***加权有向图;
S4:基于所述***加权有向图,对所述状态空间模型进行优化分解,并以最优分解结果为依据将所述线性化模型中各变量按照耦合强度进行分类得到多个子***,进而得到所述混合动力***的热动态模型;
S5:基于所述混合动力***的热动态模型,设计模型预测控制器,所述模型预测控制器分别对所述热动态模型中各子***的在当前时刻的最优控制输入进行求解,并将所述最优控制输入传输至混合动力***模型中,对所述混合动力***模型各部分的工作温度进行动态调节。
进一步的,在步骤S1中,所述混合动力***包括依次电连接的PEMFC***、第一DC/DC变换器、电机控制器和电机以及通过第二DC/DC变换器连接在所述第一DC/DC变换器与电机控制器之间的锂电池,所述步骤S1的具体方法为:
确定描述所述混合动力***热动态变化的状态变量、输入变量和输出变量,根据所述PEMFC***、锂电池、第一DC/DC变换器、第二DC/DC变换器、电机控制器和电机的热动态特性,基于所述混合动力***的热动态耦合机理,建立混合动力***模型,所述混合动力***模型可表示为:
进一步的,在步骤S2中,所述状态空间模型可表示为:
进一步的,所述步骤S3得到***加权有向图的具体方法为:
利用有向图理论,将所述混合动力***的各状态变量、输入变量和输出变量视为所述***有向图的节点,并确定所述混合动力***各状态变量、输入变量以及输出变量之间的关联性,当所述状态变量、输入变量和输出变量之间存在关联时,对应存在一条边,得到***有向图;并赋予各边对应的权重,得到***加权有向图。
进一步的,在步骤S4中,采用快速展开算法对所述线性化模型进行分解,其具体步骤如下:
S401:初始化***加权有向图,将每个节点视为初始节点,并将初始节点划分为一个独立的子***,设定最大迭代次数;
S402:分别计算每一初始节点与其相邻节点之间的模块度,记为初始模块度,并对比各初始模块度,将最大初始模块度对应的相邻节点与初始节点合并形成一新的子***;
S403:将所述新的子***视为一个新节点更新所述***加权有向图,更新后的***加权有向图中的新节点记为第一节点,并重新计算更新后的***加权有向图中各第一节点与其相邻节点之间的模块度,记为第一模块度;
S404:判断所述第一模块度是否小于或等于所述初始模块度,若是,则完成分解,得到最优分解结果,并继续执行步骤S405;否则将步骤S403中的第一节点视为一新的初始节点,重复执行步骤S402-S403,直至第一模块度小于或等于所述初始模块度或者达到设定的最大迭代次数后继续执行步骤S405;
S405:对分解得到所有新的子***分别进行解耦,并通过矩阵变换及离散化处理,得到各子***的表达式,进而所述混合动力***的热动态模型可表示为:
其中:T(t+1)为整个混合动力***在下一时刻的状态变量;n为子***的数量;T1(t+1),T2(t+1),...,Tn(t+1)分别为各子***在下一时刻的状态变量;T1(t),T2(t),...,Tn(t)分别为各子***在当前时刻的状态变量;u1(t),u2(t),...,un(t)分别为各子***在当前时刻的输入变量;A1,A2,...,An分别为各子***对应的状态矩阵;B11,B21,...,Bn1和B1n,B2n,...,Bnn分别为各子***对应的输入矩阵。
进一步的,在步骤S4中,所述模块度采用如下公式计算得到:
其中:Q为模块度;m为***加权有向图中所有边数之和;Aij为由***加权有向图得到的邻接矩阵;i,j分别为***加权有向图中的两个节点;为进入节点i的边数;为离开节点j的边数;ci为节点i所属的子***,cj为节点j所属的子***,为节点i与节点j属于同一子***的概率。
进一步的,在步骤S5中,基于所述最优分解结果得到热动态模型设计模型预测控制器,分别求解对应子***的最优控制输入,其具体步骤如下:
S501:基于所述混合动力***的热动态模型,设计模型预测控制器,所述模型预测控制器包括与一一对应控制所述子***多个MPC控制器;
S502:基于所述混合动力***的热动态模型,计算各子***在每一稳态输出下对应的稳态状态及稳态输入;
S503:设定所述MPC控制器的目标函数以及约束条件;
S504:所述MPC控制器根据混合动力***各部分的稳态状态及稳态输入,基于所述目标函数和约束条件迭代求解当前时刻的最优控制输入序列,并将最终得到的最优控制信号序列的第一个元素作为最优控制输入传递至混合动力***中进行控制。
进一步的,在步骤S502中,所述稳态温度及控制输入通过如下方程组计算得到:
其中:Tss为混合动力***的稳态状态;uss为混合动力***的稳态输入;yss为混合动力***的稳态输出;T为混合动力***的状态变量,u为混合动力***的输入变量;A,B,C,D分别为对应的系数矩阵;I为单位矩阵;[MT Mu]Tyss为所述方程组的非齐次特解,[NT Nu]Tr为对应的齐次通解。
进一步的,在步骤S503中,所述目标函数可表示为:
其中:I为第I个MPC控制器或第I个子***,I=1,2,...,n,n为MPC控制器或子***的数量;k为MPC控制器的预测时刻,k=1,2,...,K-1,K为预测时域;Tdes为混合动力***的期望状态变量值;Tss为混合动力***的稳态状态;uss为混合动力***的稳态输入;yss为混合动力***的稳态输出;Q,R,P,S分别为对应的权重矩阵;
所述约束条件可表示为:
TI(t+1)=ATI(t)+B1d1(t)+...BIuI(t)+...Bndn(t),n≠I;
yss,I∈Y;
uI(k)∈U,k=1,2,...,K-1;
其中:TI(t+1)为第I个子***在下一时刻的状态变量;TI(t)为第I个子***在当前时刻的状态变量;A为第I个子***的状态矩阵;uI(t)为第I个子***在当前时刻的输入变量;BI为第I个子***的输入矩阵;d1(t),d2(t),...,dn(t);n≠I为可测扰动序列;B1,B2,...,Bn;n≠I为各可测扰动序列对应的系数矩阵;Y为所有输出变量的集合;U所有输入变量的集合。
本发明的第二方面提供一种大功率混合动力***协作分布式热管理***,包括
混合动力***模型模块,用于建立混合动力***模型,并模拟车辆运行过程中混合动力***的运行工况,以及输出混合动力***的状态变量;
模型线性化处理模块,用于对所述混合动力***模型进行线性化处理,得到线性化的状态空间模型;
***加权有向图生成模块,用于根据所述状态空间模型生成对应的***有向图,并对***有向图进行赋值得到***加权有向图;
***分解模块,用于在***加权有向图的基础上,对所述状态空间模型进行优化分解,将所述线性化模型中各变量按照耦合强度进行分类得到多个子***,得到所述混合动力***的热动态模型;
模型预测控制模块,用于在所述热动态模型的基础上,并根据所述混合动力***模型模块输出的状态变量进行预测,得到所述混合动力***在当前时刻的最优控制输入序列;以及
最优控制输入序列输出模块,用于将所述最优控制输入序列的第一个元素输入混合动力***中,对所述混合动力***进行控制。
本方通过建立燃料电池混合动力***的热动态模型,能够充分考虑各部分之间热量传递的动态特性及耦合作用,进而针对各子***分别设计MPC控制器进行协作分布式控制,相较于集中式控制计算负担小,整体***的鲁棒性较高;同时,多个MPC控制器能够进行并行计算,能够有效提高整体的控制效率,并使各MPC控制器之间能够进行信息交互,保证了***的稳定性,能够更好地实现对各个部分工作温度的平稳优化控制,
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
图1为本发明实施例一的一种大功率混合动力***协作分布式热管理方法的流程图。
图2为步骤S1中混合动力***的拓扑图。
图3为步骤S3中***加权有向图的示意图。
图4为步骤S4的流程图。
图5为步骤S5的流程图。
图6为步骤S5中模型预测控制器的拓扑图。
图7为本发明实施例二的一种大功率混合动力***协作分布式热管理***的控制框图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
如图1所示,为本实施例的一种大功率混合动力***协作分布式热管理方法的流程图。本实施例具体包括以下步骤:
S1:建立燃料电池与锂电池的混合动力***模型。
如图2所示,基于燃料电池和锂电池建立混合动力***,所述混合动力***包括依次电连接的PEMFC***、第一DC/DC变换器、电机控制器和电机以及通过第二DC/DC变换器连接在所述第一DC/DC变换器与电机控制器之间的锂电池。所述PEMFC***和锂电池用于共同为车辆行驶提供动力;所述第一DC/DC变换器和第二DC/DC变换器分别用于对所述PEMFC***和锂电池的能量进行转换,在本实施例中,所述第一DC/DC变换器采用升压DC/DC变换器,所述第二DC/DC变换器采用双向DC/DC变换器;所述电机控制器用于控制电机工作,所述电机用于将所述PEMFC***和锂电池提供的能量转换为机械能提供给车辆。
具体的,首先,确定可用于描述所述混合动力***热动态变化的状态变量、输入变量和输出变量。在本实施例中,所述状态变量为混合动力***中各部分的温度变量,包括PEMFC***电堆温度Tfc、DC/DC变换器温度Tdc、锂电池温度Tli、电机控制器温度Tmc以及电机温度Tmo,且所述各温度变量之间相互耦合;所述输入变量为混合动力***中其他部件的控制信号,包括冷却器风扇转速控制信号dfan、热交换器阀门控制信号vchi、各个冷却器水泵驱动控制信号dpum以及不同回路阀门开闭控制信号vx。然后,根据所述PEMFC***、锂电池、第一DC/DC变换器、第二DC/DC变换器、电机控制器和电机的热动态特性,基于所述混合动力***的热动态耦合机理,建立混合动力***模型。所述混合动力***模型可表示为:
其中:T(t)为混合动力***在当前时刻的状态变量,即T(t)=[Tfc Tdc Tli TmcTmo]T,上标“T”表示矩阵的转置;为混合动力***在下一时刻的状态变量;u(t)为混合动力***在当前时刻的输入变量,即u(t)=[dfan vchi dpum vx]T,上标“T”表示矩阵的转置;f(·)为混合动力***中各部分温度的动态变化函数。
S2:混合动力***模型的线性化处理。
由于步骤S1中所建立的混合动力***模型为非线性模型,为了方便控制,需对所述非线性的混合动力***模型进行线性化处理。具体的,将所述混合动力***模型在各部分工作温度的平衡点处进行线性化处理,得到线性化的状态空间模型。所述状态空间模型可表示为:
其中:T(t)为混合动力***在当前时刻的状态变量;为混合动力***在下一时刻的状态变量;u(t)为混合动力***在当前时刻的输入变量;A,B分别为所述状态空间模型的状态矩阵和输入矩阵,在本实施例中,A∈RN×N,N为状态变量的数量,B∈RM×M,M为输入变量的数量。
S3:构建***有向图,进而得到***加权有向图。
具体的,利用有向图理论,将所述混合动力***的各状态变量、输入变量和输出变量视为所述***有向图的节点;并确定所述混合动力***各状态变量、输入变量以及输出变量之间的关联性,所述关联性可表示为各状态变量、输入变量和输出变量之间是否存在直接影响或者影响程度,当所述状态变量、输入变量和输出变量之间存在关联时,对应存在一条边,以此得到***有向图以及所述***有向图对应的系数矩阵。
将所述系数矩阵中各元素的绝对值赋予所述***有向图中各边权重,并以此作为各变量间耦合程度的依据,最终得到如图3所示的***加权有向图。
S4:对状态空间模型进行优化分解,得到混合动力***的热动态模型。
基于步骤S3中得到的***加权有向图,采用快速展开算法对所述状态空间模型进行优化分解;利用模块度指标作为最优分解结果的判断依据,以最大模块度对应的分解结果作为所述状态空间模型的最优分解结果;并基于所述最优分解结果,将所述线性化模型中各变量按照耦合强度进行分类,得到多个子***,进而得到所述混合动力***的热动态模型。将所述状态空间模型分解成个多子***后,同一子***中的各变量的热动态耦合程度较强,而不同子***之间的热动态耦合程度较弱,以此可减少后续分别设计MPC控制器时各MPC控制器之间的信息交互,进而减轻各MPC控制器的计算负担。
如图4所示,所述步骤S4中的具体步骤如下:
S401:初始化***加权有向图,将每个节点划分为一个独立的子***。
具体的,对所述***加权有向图进行初始化,将所述***加权有向图中的每个节点(即混合动力***中的各变量)视为初始节点,并将所述初始节点划分为一个独立的子***,并设定执行最优分解的最大迭代次数。
S402:计算模块度,形成新的子***。
将每一初始节点分别与其相邻节点相结合,并分别计算每一初始节点与其相邻节点之间的模块度,将该模块度记为初始模块度。所述模块度Q通过下述公式(3)计算得到:
其中:m为***加权有向图中所有边数之和;Aij为由***加权有向图得到的邻接矩阵;i,j分别为***加权有向图中的两个节点;为进入节点i的边数;为离开节点j的边数;ci为节点i所属的子***,cj为节点j所属的子***,为节点i与节点j属于同一子***的概率,在本实施例中,当节点i与节点j属于同一子***时否则
根据计算得到每一初始节点与其相邻节点之间的各初始模块度,对于任意初始节点,以最大初始模块度作为该次合并的最优分解结果,将该初始节点与其相邻节点合并形成一新的子***。
S403:更新***加权有向图,重新计算对应的模块度。
将所述新的子***视为一个新节点更新所述***加权有向图,更新后的***加权有向图中的新节点记为第一节点。具体的,在对所述***加权有向图进行更新时,将所述新的子***内的初始节点间的权重来更新为所述新节点的自环权重,同时,将各子***之间的边权重更新为新节点之间的边权重。
基于步骤S402中得到的新的子***以及更新后的***加权有向图,根据上述公式(3)重新计算更新后的***加权有向图中各第一节点与其相邻节点之间的模块度,将该模块度记为第一模块度。
S404:判断第一模块度是否小于或等于初始模块度。
将步骤S403中计算得到的第一模块度与步骤S402中计算得到的初始模块度进行比较,判断所述第一模块度是否小于或等于所述初始模块度。
若所述第一模块度小于或等于所述初始模块度,则完成分解,得到最优分解结果,并继续执行步骤S405,所述最优分解结果即为步骤S402中分解得到的所有新的子***。
若所述第一模块度大于所述初始模块度,则将步骤S403中得到的第一节点视为一新的初始节点,重复执行步骤S402-S403,直至第一模块度小于或等于所述初始模块度或者达到步骤S401中设定的最大迭代次数后继续执行步骤S405。
S405:对新的子***进行处理,并综合得到混合动力***的热动态模型。
对分解得到所有新的子***分别进行解耦,并通过矩阵变换及离散化处理,得到n个子***的表达式:
……
整合式(4)(5)(6),得到混合动力***的热动态模型。所述混合动力***的热动态模型可表示为:
其中:T(t+1)为整个混合动力***在下一时刻的状态变量;n为子***的数量;T1(t+1),T2(t+1),...,Tn(t+1)分别为各子***在下一时刻的状态变量;T1(t),T2(t),...,Tn(t)分别为各子***在当前时刻的状态变量;u1(t),u2(t),...,un(t)分别为各子***在当前时刻的输入变量;A1,A2,...,An分别为各子***对应的状态矩阵,在本实施例中,所述A1,A2,...,An表示向量;B11,B21,...,Bn1和B1n,B2n,...,Bnn分别为各子***对应的输入矩阵,在本实施例中,所述B11,B21,...,Bn1和B1n,B2n,...,Bnn表示向量。
S5:设计模型预测控制器,求解混合动力***的最优控制输入。
基于所述混合动力***的热动态模型,设计模型预测控制器,所述模型预测控制器分别对所述热动态模型中各子***的在当前时刻的最优控制输入进行求解,并将所述最优控制输入传输至混合动力***模型中,对所述混合动力***模型各部分的工作温度进行动态调节。
如图5所示,所述步骤S5的具体步骤如下:
S501:设计包含有多个MPC控制器的模型预测控制器。
如图6所示,基于所述混合动力***的热动态模型,设计模型预测控制器,所述模型预测控制器包括与所述子***一一对应的多个MPC控制器,每一MPC控制器对应控制一个子***,各MPC控制器之间可进行输入耦合,从而实现各阀门控制动作之间的信息迭代交互。
S502:分别计算每一稳态输出下对应的稳态状态及稳态输入。
为了保证对混合动力***中各个部分不同工况下的最优温度的准确跟踪,基于所述混合动力***的热动态模型,计算各子***在每一稳态输出下对应的稳态状态及稳态输入。所述稳态温度及控制输入可通过如下方程组计算得到:
其中:Tss为混合动力***的稳态状态;uss为混合动力***的稳态输入;yss为混合动力***的稳态输出;T为混合动力***的状态变量,u为混合动力***的输入变量;A,B,C,D分别为对应的系数矩阵;I为单位矩阵;[MT Mu]Tyss为所述方程组的非齐次特解,[NT Nu]Tr为对应的齐次通解;所述公式(8)中,A,B,C,D,I,M,N均表示向量。
S503:设定所述MPC控制器的目标函数以及约束条件。
在本实施例中,各MPC控制器的目标函数可表示为:
其中:I为第I个MPC控制器或第I个子***,I=1,2,...,n,n为MPC控制器或子***的数量;k为MPC控制器的预测时刻,k=1,2,...,K-1,K为预测时域;Tdes为混合动力***的期望状态变量值;Tss为混合动力***的稳态状态;uss为混合动力***的稳态输入;yss为混合动力***的稳态输出;Q,R,P,S分别为对应的权重矩阵。
所述目标函数对应的约束条件可表示为:
TI(t+1)=ATI(t)+B1d1(t)+...BIuI(t)+...Bndn(t),n≠I (10)
yss,I∈Y (11)
uI(k)∈U,k=1,2,...,K-1 (12)
其中:TI(t+1)为第I个子***在下一时刻的状态变量;TI(t)为第I个子***在当前时刻的状态变量;A为第I个子***的状态矩阵;uI(t)为第I个子***在当前时刻的输入变量;BI为第I个子***的输入矩阵;d1(t),d2(t),...,dn(t);n≠I为可测扰动序列;B1,B2,...,Bn;n≠I为各可测扰动序列对应的系数矩阵;Y为所有输出变量的集合;U所有输入变量的集合。
上述约束条件中,所述式(10)为对应子***的MPC控制器模型(即第I个子***和第I个MPC控制器),其采用全状态反馈形式,以保证混合动力***整体的稳定性,同时,将除第I个MPC控制器之外的其他MPC控制器的输入变量作为可测扰动序列d1,...,I-1,I+1,...n反馈至第I个MPC控制器,进行信息迭代交互。所述式(11)和式(12)分别为稳态输出约束和稳态输入约束。
S504:迭代求解最优控制输入序列,并将最优控制输入序列的第一个元素传递至混合动力***中进行控制。
具体的,在t时刻时,第I个所述MPC控制器根据混合动力***各部分的稳态状态以及除第I个所述MPC控制器外的其他MPC控制器的输入变量作为可测扰动序列反馈至第I个所述MPC控制器中,计算t时刻的最优控制输入序列然后各MPC控制器将求得的最优控制输入序列与对应的可测扰动序列进行加权求和,作为该次迭代求解最优控制输入序列的计算结果。接着将该结果中除t时刻的最优控制输入序列之外的其他控制输入信号作为下一次迭代求解的可测扰动序列再次反馈至第I个所述MPC控制器中,进行第二次迭代求解最优输入序列以此循环,并且在单个采样时间内应当保证尽可能多次数的迭代极端,使得计算结果收敛。最后将最终迭代计算得到的最优控制序列的第一个元素作为t时刻的最优输入变量传递至混合动力***模型中,实现整个混合动力***模型各部分工作温度的动态调节。
本实施例的大功率混合动力***协作分布式热管理方法,在建立燃料电池混合动力***各部分热动态模型的基础上,能够充分考虑各部分之间热量传递的动态特性及耦合作用,进而根据各部分的子***设计对应的MPC控制器,能够更好地实现对各个部分工作温度的平稳优化控制。
实施例二
如图7所示,为本实施例的一种大功率混合动力***协作分布式热管理***的控制框图。所述大功率混合动力***协作分布式热管理***包括混合动力***模型模块1、模型线性化处理模块2、***加权有向图生成模块3、***分解模块4、模型预测控制模块5以及最优控制输入序列输出模块6,以用于实现实施例一所述的方法。
所述混合动力***模型模块1用于建立混合动力***模型,并模拟车辆运行过程中混合动力***的运行工况,以及输出混合动力***的状态变量。
在本实施例中,所述混合动力***包括依次电连接的PEMFC***、第一DC/DC变换器、电机控制器和电机以及通过第二DC/DC变换器连接在所述第一DC/DC变换器与电机控制器之间的锂电池。所述PEMFC***和锂电池用于共同为车辆行驶提供动力;所述第一DC/DC变换器和第二DC/DC变换器分别用于对所述PEMFC***和锂电池的能量进行转换;所述电机控制器用于控制电机工作,所述电机用于将所述PEMFC***和锂电池提供的能量转换为机械能提供给车辆。
所述模型线性化处理模块2用于对所述混合动力***模型模块1建立的混合动力***模型进行线性化处理,得到线性化的状态空间模型。具体的,所述模型线性化处理模块2将所述混合动力***模型在各部分工作温度的平衡点处进行线性化处理,得到线性化的状态空间模型,以避免后续设计的模型预测控制器与所述状态空间模型之间不会存在模型失配的问题。
所述***加权有向图生成模块3用于根据所述模型线性化处理模块2线性化处理后得到的状态空间模型生成对应的***有向图,并对***有向图进行赋值得到***加权有向图。
在本实施例中,所述***有向图以混合动力***中各各状态变量、输入变量和输出变量作为节点,并且在状态变量、输入变量以及输出变量之间存在关联性时,对应的节点之间存在一条边,以此得到***有向图和对应的系数矩阵。将所述系数矩阵中各元素的绝对值赋予所述***有向图中各边权重,得到***加权有向图。
所述***分解模块4用于在所述***加权有向图生成模块3生成的***加权有向图的基础上,对所述模型线性化处理模块2生成的状态空间模型进行迭代分解,利用模块度指标作为分解结果的判断依据,得到最终的最优分解结果,并基于所述最优分解结果将所述线性化模型中各变量按照耦合强度进行分类得到多个子***,同一子***中的各变量的热动态耦合程度较强,而不同子***之间的热动态耦合程度较弱,以此得到所述混合动力***的热动态模型。
所述模型预测控制模块5用于在所述***分解模块4分解得到的热动态模型的基础上,对各子***在当前时刻的最优控制输入序列进行迭代求解,得到所述混合动力***在当前时刻的最优控制输入序列,并将所述最有控制输入序列输入最有控制输入序列输出模块6中。
所述最优控制输入序列输出模块6用于将所述模型预测控制模块5传输的最优控制输入序列中的第一个元素输入混合动力***中,对所述混合动力***进行控制。
本发明充分考虑混合动力***中各部件的热动态特性,进行建立热动态模型,同时为了避免集中式控制计算负担过大以及整体***鲁棒性较差问题,设计协作分布式模型预测控制器,采用“分而治之”思想,多个子控制器并行计算,能够有效提高整体控制效率,并使各子控制器之间能够进行信息交互,保证***稳定性及鲁棒性,实现对整车各部分工作温度的高效动态控制,进而实现对整个混合动力***热量的高效动态管理。
为此,本发明针对现有问题,提出一种协作分布式模型预测控制方法,以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和本发明的实用性。
Claims (10)
1.一种大功率混合动力***协作分布式热管理方法,其特征在于,包括以下步骤:
S1:基于燃料电池和锂电池建立混合动力***,对所述混合动力***进行建模得到所述混合动力***模型;
S2:对所述混合动力***模型进行线性化处理,得到线性化的状态空间模型;
S3:根据所述状态空间模型建立***有向图,并对所述***有向图进行赋值得到***加权有向图;
S4:基于所述***加权有向图,对所述状态空间模型进行优化分解,并以最优分解结果为依据将所述线性化模型中各变量按照耦合强度进行分类得到多个子***,进而得到所述混合动力***的热动态模型;
S5:基于所述混合动力***的热动态模型,设计模型预测控制器,所述模型预测控制器分别对所述热动态模型中各子***的在当前时刻的最优控制输入进行求解,并将所述最优控制输入传输至混合动力***模型中,对所述混合动力***模型各部分的工作温度进行动态调节。
2.根据权利要求1所述的一种大功率混合动力***协作分布式热管理方法,其特征在于,在步骤S1中,所述混合动力***包括依次电连接的PEMFC***、第一DC/DC变换器、电机控制器和电机以及通过第二DC/DC变换器连接在所述第一DC/DC变换器与电机控制器之间的锂电池,所述步骤S1的具体方法为:
确定描述所述混合动力***热动态变化的状态变量、输入变量和输出变量,根据所述PEMFC***、锂电池、第一DC/DC变换器、第二DC/DC变换器、电机控制器和电机的热动态特性,基于所述混合动力***的热动态耦合机理,建立混合动力***模型,所述混合动力***模型可表示为:
4.根据权利要求3所述的一种大功率混合动力***协作分布式热管理方法,其特征在于,所述步骤S3得到***加权有向图的具体方法为:
利用有向图理论,将所述混合动力***的各状态变量、输入变量和输出变量视为所述***有向图的节点,并确定所述混合动力***各状态变量、输入变量以及输出变量之间的关联性,当所述状态变量、输入变量和输出变量之间存在关联时,对应存在一条边,得到***有向图;并赋予各边对应的权重,得到***加权有向图。
5.根据权利要求4所述的一种大功率混合动力***协作分布式热管理方法,其特征在于,在步骤S4中,采用快速展开算法对所述线性化模型进行分解,其具体步骤如下:
S401:初始化***加权有向图,将每个节点视为初始节点,并将初始节点划分为一个独立的子***,设定最大迭代次数;
S402:分别计算每一初始节点与其相邻节点之间的模块度,记为初始模块度,并对比各初始模块度,将最大初始模块度对应的相邻节点与初始节点合并形成一新的子***;
S403:将所述新的子***视为一个新节点更新所述***加权有向图,更新后的***加权有向图中的新节点记为第一节点,并重新计算更新后的***加权有向图中各第一节点与其相邻节点之间的模块度,记为第一模块度;
S404:判断所述第一模块度是否小于或等于所述初始模块度,若是,则完成分解,得到最优分解结果,并继续执行步骤S405;否则将步骤S403中的第一节点视为一新的初始节点,重复执行步骤S402-S403,直至第一模块度小于或等于所述初始模块度或者达到设定的最大迭代次数后继续执行步骤S405;
S405:对分解得到所有新的子***分别进行解耦,并通过矩阵变换及离散化处理,得到各子***的表达式,进而所述混合动力***的热动态模型可表示为:
其中:T(t+1)为整个混合动力***在下一时刻的状态变量;n为子***的数量;T1(t+1),T2(t+1),...,Tn(t+1)分别为各子***在下一时刻的状态变量;T1(t),T2(t),...,Tn(t)分别为各子***在当前时刻的状态变量;u1(t),u2(t),...,un(t)分别为各子***在当前时刻的输入变量;A1,A2,...,An分别为各子***对应的状态矩阵;B11,B21,...,Bn1和B1n,B2n,...,Bnn分别为各子***对应的输入矩阵。
7.根据权利要求5所述的一种大功率混合动力***协作分布式热管理***,其特征在于,在步骤S5中,基于所述最优分解结果得到热动态模型设计模型预测控制器,分别求解对应子***的最优控制输入,其具体步骤如下:
S501:基于所述混合动力***的热动态模型,设计模型预测控制器,所述模型预测控制器包括与一一对应控制所述子***多个MPC控制器;
S502:基于所述混合动力***的热动态模型,计算各子***在每一稳态输出下对应的稳态状态及稳态输入;
S503:设定所述MPC控制器的目标函数以及约束条件;
S504:所述MPC控制器根据混合动力***各部分的稳态状态及稳态输入,基于所述目标函数和约束条件迭代求解当前时刻的最优控制输入序列,并将最终得到的最优控制信号序列的第一个元素作为最优控制输入传递至混合动力***中进行控制。
9.根据权利要求7所述的一种大功率混合动力***协作分布式热管理***,其特征在于,在步骤S503中,所述目标函数可表示为:
其中:I为第I个MPC控制器或第I个子***,I=1,2,...,n,n为MPC控制器或子***的数量;k为MPC控制器的预测时刻,k=1,2,...,K-1,K为预测时域;Tdes为混合动力***的期望状态变量值;Tss为混合动力***的稳态状态;uss为混合动力***的稳态输入;yss为混合动力***的稳态输出;Q,R,P,S分别为对应的权重矩阵;
所述约束条件可表示为:
TI(t+1)=ATI(t)+B1d1(t)+...BIuI(t)+...Bndn(t),n≠I;
yss,I∈Y;
uI(k)∈U,k=1,2,...,K-1;
其中:TI(t+1)为第I个子***在下一时刻的状态变量;TI(t)为第I个子***在当前时刻的状态变量;A为第I个子***的状态矩阵;uI(t)为第I个子***在当前时刻的输入变量;BI为第I个子***的输入矩阵;d1(t),d2(t),...,dn(t);n≠I为可测扰动序列;B1,B2,...,Bn;n≠I为各可测扰动序列对应的系数矩阵;Y为所有输出变量的集合;U所有输入变量的集合。
10.一种大功率混合动力***协作分布式热管理***,其特征在于,包括
混合动力***模型模块,用于建立混合动力***模型,并模拟车辆运行过程中混合动力***的运行工况,以及输出混合动力***的状态变量;
模型线性化处理模块,用于对所述混合动力***模型进行线性化处理,得到线性化的状态空间模型;
***加权有向图生成模块,用于根据所述状态空间模型生成对应的***有向图,并对***有向图进行赋值得到***加权有向图;
***分解模块,用于在***加权有向图的基础上,对所述状态空间模型进行优化分解,将所述线性化模型中各变量按照耦合强度进行分类得到多个子***,得到所述混合动力***的热动态模型;
模型预测控制模块,用于在所述热动态模型的基础上,并根据所述混合动力***模型模块输出的状态变量进行预测,得到所述混合动力***在当前时刻的最优控制输入序列;以及
最优控制输入序列输出模块,用于将所述最优控制输入序列的第一个元素输入混合动力***中,对所述混合动力***进行控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048142.1A CN113759847B (zh) | 2021-09-08 | 2021-09-08 | 一种大功率混合动力***协作分布式热管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048142.1A CN113759847B (zh) | 2021-09-08 | 2021-09-08 | 一种大功率混合动力***协作分布式热管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113759847A true CN113759847A (zh) | 2021-12-07 |
CN113759847B CN113759847B (zh) | 2023-07-18 |
Family
ID=78793825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111048142.1A Active CN113759847B (zh) | 2021-09-08 | 2021-09-08 | 一种大功率混合动力***协作分布式热管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113759847B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1096389A2 (en) * | 1999-10-26 | 2001-05-02 | Mitsubishi Denki Kabushiki Kaisha | Stylistically variable state space models for dynamic systems |
CN104502853A (zh) * | 2014-12-12 | 2015-04-08 | 广西科技大学 | 一种基于ekf的锂电池soc估算方法 |
CN105607009A (zh) * | 2016-02-01 | 2016-05-25 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和*** |
US20170227937A1 (en) * | 2014-04-08 | 2017-08-10 | Avl List Gmbh | Method and Controller for Model Predictive Control of a Multi-Phase DC/DC Converter |
CN108773371A (zh) * | 2018-06-13 | 2018-11-09 | 北京长城华冠汽车科技股份有限公司 | 混合动力车辆的驱动分配方法和混合动力车辆 |
CN110371103A (zh) * | 2019-07-19 | 2019-10-25 | 江苏理工学院 | 基于广义预测控制的队列行驶混合动力汽车的能量管理方法 |
CN110826880A (zh) * | 2019-10-24 | 2020-02-21 | 成都信息工程大学 | 一种大规模电动汽车接入的主动配电网优化调度方法 |
CN111403779A (zh) * | 2020-03-13 | 2020-07-10 | 太原理工大学 | 一种应用在燃料电池热管理***中的模型参考自适应控制方法 |
CN112613229A (zh) * | 2020-12-14 | 2021-04-06 | 中国科学院深圳先进技术研究院 | 混合动力设备的能量管理方法、模型训练方法及装置 |
CN113110321A (zh) * | 2021-04-08 | 2021-07-13 | 杭州电子科技大学 | 基于事件触发的网络化工业控制***的分布式估计方法 |
CN113199946A (zh) * | 2020-12-11 | 2021-08-03 | 广东电网有限责任公司电力调度控制中心 | 一种基于马尔科夫过程的电动汽车储能聚合建模方法 |
CN113221258A (zh) * | 2021-06-14 | 2021-08-06 | 西北工业大学 | 一种结合推进功率预测mpc的电推进无人机能量管理方法 |
CN113224412A (zh) * | 2021-03-31 | 2021-08-06 | 联合汽车电子有限公司 | 动力电池的控温方法、ampc控制器、热管理***及介质 |
-
2021
- 2021-09-08 CN CN202111048142.1A patent/CN113759847B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1096389A2 (en) * | 1999-10-26 | 2001-05-02 | Mitsubishi Denki Kabushiki Kaisha | Stylistically variable state space models for dynamic systems |
US20170227937A1 (en) * | 2014-04-08 | 2017-08-10 | Avl List Gmbh | Method and Controller for Model Predictive Control of a Multi-Phase DC/DC Converter |
CN104502853A (zh) * | 2014-12-12 | 2015-04-08 | 广西科技大学 | 一种基于ekf的锂电池soc估算方法 |
CN105607009A (zh) * | 2016-02-01 | 2016-05-25 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和*** |
CN108773371A (zh) * | 2018-06-13 | 2018-11-09 | 北京长城华冠汽车科技股份有限公司 | 混合动力车辆的驱动分配方法和混合动力车辆 |
CN110371103A (zh) * | 2019-07-19 | 2019-10-25 | 江苏理工学院 | 基于广义预测控制的队列行驶混合动力汽车的能量管理方法 |
CN110826880A (zh) * | 2019-10-24 | 2020-02-21 | 成都信息工程大学 | 一种大规模电动汽车接入的主动配电网优化调度方法 |
CN111403779A (zh) * | 2020-03-13 | 2020-07-10 | 太原理工大学 | 一种应用在燃料电池热管理***中的模型参考自适应控制方法 |
CN113199946A (zh) * | 2020-12-11 | 2021-08-03 | 广东电网有限责任公司电力调度控制中心 | 一种基于马尔科夫过程的电动汽车储能聚合建模方法 |
CN112613229A (zh) * | 2020-12-14 | 2021-04-06 | 中国科学院深圳先进技术研究院 | 混合动力设备的能量管理方法、模型训练方法及装置 |
CN113224412A (zh) * | 2021-03-31 | 2021-08-06 | 联合汽车电子有限公司 | 动力电池的控温方法、ampc控制器、热管理***及介质 |
CN113110321A (zh) * | 2021-04-08 | 2021-07-13 | 杭州电子科技大学 | 基于事件触发的网络化工业控制***的分布式估计方法 |
CN113221258A (zh) * | 2021-06-14 | 2021-08-06 | 西北工业大学 | 一种结合推进功率预测mpc的电推进无人机能量管理方法 |
Non-Patent Citations (2)
Title |
---|
YUNWU LI 等: "Hybrid energy storage system and energy distribution strategy for four-wheel independent-drive electric vehicles", 《JOURNAL OF CLEANER PRODUCTION》, vol. 220, pages 756 - 770, XP085643219, DOI: 10.1016/j.jclepro.2019.01.257 * |
李伟恒 等: "基于伪随机二进制序列的阻抗谱快速重构及其在电化学能源领域的应用", 《电化学》, vol. 26, no. 03, pages 370 - 388 * |
Also Published As
Publication number | Publication date |
---|---|
CN113759847B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | A review of equalization strategies for series battery packs: variables, objectives, and algorithms | |
CN112947084B (zh) | 一种基于强化学习的模型未知多智能体一致性控制方法 | |
Wu et al. | Modeling a SOFC stack based on GA-RBF neural networks identification | |
CN113227808A (zh) | 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序 | |
CN110501909B (zh) | 基于扰动观测器的增强鲁棒特性的模糊预测控制方法 | |
CN115084598A (zh) | 一种燃料电池的热管理方法 | |
Ma et al. | Energy efficiency improvement of intelligent fuel cell/battery hybrid vehicles through an integrated management strategy | |
Ghamari et al. | Generalised model predictive controller design for A DC–DC non‐inverting buck–boost converter optimised with a novel identification technique | |
Li et al. | Large-scale multi-agent deep reinforcement learning-based coordination strategy for energy optimization and control of proton exchange membrane fuel cell | |
Ifqir et al. | Interval observer-based controller design for systems with state constraints: Application to solid oxide fuel cells stacks | |
Li et al. | Active fault-tolerant coordination energy management for a proton exchange membrane fuel cell using curriculum-based multiagent deep meta-reinforcement learning | |
CN113759847B (zh) | 一种大功率混合动力***协作分布式热管理方法及*** | |
Huo et al. | Aircraft energy management system using chaos red fox optimization algorithm | |
CN116976523A (zh) | 基于部分可观测强化学习的分布式经济调度方法 | |
CN112084680A (zh) | 一种基于dqn算法的能源互联网优化策略方法 | |
CN116362504A (zh) | 电热联合能源***优化调度方法、终端设备及存储介质 | |
Yin et al. | Quantum parallel model predictive control for grid-connected solid oxide fuel cells | |
CN116862050A (zh) | 一种基于时序网络的碳排放因子的日前预测方法、***、存储介质及设备 | |
CN113594513B (zh) | 一种质子交换膜燃料电池模型优化控制方法 | |
Wang et al. | Multiobjective optimization algorithm with objective-wise learning for continuous multiobjective problems | |
Li et al. | Multi-objective optimal control for proton exchange membrane fuel cell via large-scale deep reinforcement learning | |
Singh et al. | Design of PSO-tuned FOPI & Smith predictor controller for nonlinear polymer electrolyte membrane fuel cell | |
Duan et al. | An optimal parameters estimation for the proton exchange membrane fuel cells based on amended deer hunting optimization algorithm | |
Vasisht et al. | Multi-fidelity Bayesian Optimization for Co-design of Resilient Cyber-Physical Systems | |
Vinu et al. | Performance analysis of artificial intelligent controllers in PEM fuel cell voltage tracking |
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 |