储能科学与技术, 2020, 9(3): 878-884 doi: 10.19799/j.cnki.2095-4239.2019.0232

储能系统与工程

电动汽车混合储能系统自适应能量管理策略研究

张骞, 武小兰, 白志峰,, 程靖宜

西安建筑科技大学机电工程学院，陕西 西安 710055

Research on adaptive energy management strategy of hybrid energy storage system in electric vehicles

ZHANG Qian, WU Xiaolan, BAI Zhifeng,, CHENG Jingyi

School of Mechanical and Electrical Engineering, Xi’an University of Architecture and Technology, Xi’an 710055, Shaanxi，China

通讯作者: 白志峰，讲师，研究方向为电动汽车控制与新型储能技术 ，E-mail：zhifeng.bai@xauat.edu.cn。

收稿日期: 2019-10-16   修回日期: 2019-10-30   网络出版日期: 2020-05-09

基金资助: 国家自然科学基金项目.  51405367

Received: 2019-10-16   Revised: 2019-10-30   Online: 2020-05-09

作者简介 About authors

张骞（1993—），男，硕士研究生，研究方向为电动汽车混合储能系统控制策略，E-mail：zhangqiannn@xauat.edu.cn； 。

摘要

为了增加电动汽车的续驶里程，提高混合储能系统的性能，本工作提出了一种混合储能系统自适应能量管理策略。首先，用模糊逻辑建立了驾驶员意图与驾驶员风格的识别模型，进而用该模型对低通滤波器的时间常数进行在线调整，用低通滤波器将电机需求功率分为平均功率和峰值功率。最后，在ADVISOR仿真平台上将所提出的自适应能量管理策略与传统的逻辑门限控制策略和模糊控制策略进行了对比，结果表明，自适应能量管理策略使得蓄电池放电电流峰值减小，能够使得电动汽车混合储能系统的功率分配更加合理，超级电容回收更多的制动能量，同时延长了续驶里程。

关键词： 电动汽车 ; 混合储能系统 ; 能量管理策略 ; 滤波器 ; 超级电容

Abstract

This study proposes an adaptive energy-management strategy that enhances the driving range and performance of a hybrid energy-storage system. First, the intention and driving style of the driver is established by fuzzy logic. Using this model, the time constant of the low-pass filter is then adjusted online. The filter divides the motor demand power into the average power and the peak power. To evaluate its performance, the proposed energy management strategy is compared with the logic threshold control strategy and fuzzy control strategy on the ADVISOR simulation platform. The proposed adaptive energy-management strategy achieves lower peak discharge current of the battery than the other control strategies and improves the power distribution of hybrid energy-storage systems in electric vehicles. With these improvements, more braking energy is recovered by the ultracapacitor and the driving mileage is extended.

Keywords： electric vehicle ; hybrid energy storage system ; energy management strategy ; filter ; ultracapacitor

PDF (3058KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

张骞, 武小兰, 白志峰, 程靖宜. 电动汽车混合储能系统自适应能量管理策略研究. 储能科学与技术[J], 2020, 9(3): 878-884 doi:10.19799/j.cnki.2095-4239.2019.0232

ZHANG Qian. Research on adaptive energy management strategy of hybrid energy storage system in electric vehicles. Energy Storage Science and Technology[J], 2020, 9(3): 878-884 doi:10.19799/j.cnki.2095-4239.2019.0232

众所周知，动力电池是为电动汽车提供能量的装置。目前，为了解决动力电池存在的易老化、续航里程短以及加速、爬坡等大功率充放电会严重影响寿命及回收能量率低等一系列缺点，学者们引入了超级电容，组成了混合储能系统。

电动汽车的混合储能系统的性能取决于能量管理策略。目前，电动汽车混合储能系统的能量管理策略主要分为两大类：基于优化类的和基于规则类的[1]。基于优化类的控制策略模型相对复杂，且计算速度容易受到计算机CPU限制，基于规则的能量管理策略具有执行效率高、实时性强、简单直观的优点[2]。基于规则类的控制策略常见的有：逻辑门限控制策略[3]、模糊逻辑控制策略[4]和滤波器控制策略[5]。文献[6]提出了基于滤波器的能量管理策略，结果显示该策略节能降耗达到3%～7.8%。文献[7]利用遗传算法对模糊控制器进行了优化并完成实验验证，结果表明，所研究的模糊控制器在降低能耗方面的特性优于标准模糊控制器。文献[8]提出了一种用模糊逻辑对相关参数调整的自适应控制方法，仿真和实验结果验证了该方法的可行性。相比于滤波器控制策略，逻辑门限控制策略和模糊逻辑策略规则比较固定，不能很好地适应工况的变化并根据实际的驾驶环境做出调整。

车辆实际驾驶环境包括驾驶员的加速意图，驾驶风格和路况。文献[9]利用马尔科夫链对驾驶员行为进行了分类，提出了一种全局最优能量管理策略，实际运行结果显示，插电式混合动力汽车的燃油经济性大大提高。文献[10]通过车辆实时信息和加速踏板开度变化率，采用模糊控制对加速意图进行识别，进而对电机扭矩进行不同程度的补偿，通过实验验证，整车控制策略提高了车辆的动态性能。文献[11]采用单指数平滑法的预测模型，通过车速、加速度、冲击度等参数对驾驶员风格进行了识别。文献[12]在Matlab/Simulink中使用模糊逻辑来识别当前的驾驶风格，通过车辆动力学模拟测试，驾驶员风格识别错误的百分比为2%。

本文在滤波器控制策略的基础上，考虑了实际驾驶的环境，将二者结合起来，建立了一种基于规则的自适应能量管理策略。以某电动汽车的混合储能系统为研究对象，用模糊逻辑的方法对驾驶员风格和驾驶员意图进行了识别，进而提出了一种根据实际驾驶环境对滤波器时间常数在线调整的电动汽车混合储能系统能量管理策略，以期进一步提高电动汽车混合储能系统的能量利用率，延长整车的续驶里程。

1 自适应能量管理策略工作原理

电动汽车的混合储能系统一般由蓄电池、超级电容和DC/DC变换器组成。根据DC/DC变换器位置的不同，分为被动式、半主动式和主动式[13]。考虑到电源的效率及其控制的难易程度，本文的研究对象是拓扑结构为半主动式[14]的混合储能系统，如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   半主动式混合储能系统

Fig.1   Semi-active hybrid energy storage system


本文设计的自适应能量管理策略如图2所示，用低通滤波器f(s)将电机的需求总功率P∑分为平均功率Pb和峰值功率Pc。平均功率Pb由蓄电池提供，峰值功率Pc由超级电容提供。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   自适应能量管理策略结构图

Fig.2   Adaptive energy management strategy structure diagram


由滤波器的特性可知，滤波器的时间常数τ决定了电池和超级电容的功率分配电池的功率越大，电池的放电电流越大。在车辆驱动时，当电机的需求功率增大的时候，为了进一步保护蓄电池，减小蓄电池的峰值功率，滤波器的时间常数τ也应该相应增大。

其中驾驶员加速意图模块和驾驶员风格识别模块是考虑到车辆在行驶过程中“人”的因素。不同的驾驶员有着不同的驾驶习惯，为了提高整车能源经济性以及驾驶员的舒适性，整车控制策略中引进“人”的因素。本文通过加速踏板的开度以及加速踏板开度变化率建立了隶属度函数和模糊控制规则，通过模糊推理识别驾驶员的加速意图；通过车辆行驶过程中的动力参数——加速度均值及其方差建立隶属度函数和模糊规则，通过模糊推理识别驾驶员的驾驶风格。驾驶员风格识别和加速意图识别的基础上，搭建模糊控制规则，来对滤波器的时间常数进行在线调整。

在自适应能量管理策略中引入超级电容的SOC（state of charge）值，这是考虑了行驶过程中车辆的状态，即“车”的因素。由于不同驾驶员的驾驶风格不同，超级电容的放电深度就不同。本文根据驾驶员的风格对超级电容放电深度的下限值进行了调整。

2 自适应能量管理策略的实现

2.1　驾驶员加速意图识别

加速踏板开度Acc表示驾驶员对转矩的需求，加速踏板开度变化率ΔAcc表示了车辆加速的紧急程度[15]。隶属度函数Acc的模糊子集定义为{L（大）、M（中）、H（小）}，论域为[0，1]。隶属度函数ΔAcc的模糊子集定义为{L（大）、M（中）、H（小）}，论域为[0，8]。加速意图的模糊子集定义为{B（紧急加速）、M（一般加速）、S（缓慢加速）}，论域为[0，10]。驾驶员意图识别的模糊控制规则如表1所示。

表1   驾驶员意图识别模糊控制规则

Table 1  Fuzzy control rules for driver intent recognition

驾驶员的加速意图ΔAcc
LMH
AccLBBM
MBMS
HMSS

新窗口打开| 下载CSV


2.2　驾驶员驾驶风格识别

本文将驾驶员风格分为经济模式和动力模式两种。动力模式相比经济模式，车辆的提速更快，扭矩更大，驾驶员的推背感明显，因此驾驶风格对能耗的经济性有很大影响[16]。本文采用过去5 s内的加速度均值和加速度方差来对驾驶员风格进行识别。加速度均值的模糊子集定义为{L（小），M（中），H（大）}，论域为[0，8]；加速度方差的模糊子集定义为{L（小），M（中），H（大）}，论域为[0，10]；驾驶员风格的模糊子集定义为{eco（经济模式），pow（动力模式）}，论域为[0，4]；驾驶员驾驶风格识别的模糊控制规则如表2所示。

表2   驾驶员风格识别的模糊控制规则

Table 2  Fuzzy control rules for driver style recognition

驾驶员风格加速度均值
LMH
加速度方差Lecoecoeco
Mecoecopow
Hecopowpow

新窗口打开| 下载CSV


2.3　滤波器时间常数在线调整

如前文所述，在驾驶员风格识别和加速意图识别的基础上，考虑到电机的需求扭矩搭建了三输入一输出的模糊控制规则。其中，电机扭矩Tr的模糊子集定义为{S（小）、M（中）、B（大）}，论域为[0，100]；时间常数τ的模糊子集定义为{S（小）、MS（较小）、M（中）、MB（较大）、B（大）}，论域为[5.0，10]；τ在线调整的模糊控制规则如表3所示。

表3   滤波器时间常数τ在线调整的模糊控制规则

Table 3  Fuzzy control rules for online adjust of time constant of filter

τ加速意图
BMS
powTrBSMSMS
MSMSM
SMSMM
ecoTrBMSMM
MMMBB
SMBBB

新窗口打开| 下载CSV


2.4　自适应能量管理策略的规则设定

在本文提出的自适应能量管理策略中，用电机的需求总功率减去超级电容提供的实际功率得到电池提供的功率。在驱动过程中选用车辆的行驶状态参数也就是“车”的因素——超级电容放电深度的下限值A自适应能量管理策略如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   自适应能量管理策略

Fig.3   Adaptive energy management strategy rules


本文根据驾驶员的风格对超级电容放电深度的下限值进行了设定。对于驾驶员风格而言，动力模式比经济模式的功率需求更多，为了保护电池，从而动力模式的超级电容放电深度的下限值应该略小；当车速较高时，下一时刻车辆制动的可能性大，所以此时超级电容应该完全放电，放电深度下限值设为0；当车速较小时，下一时刻车辆加速的可能性较大，此时超级电容放电深度的下限值应该较大，本文超级电容放电深度的下限值设定如表4所示。

表4   超级电容放电深度的下限值

Table 4  The lower threshold of discharge depth of ultracapacitor

超级电容放电深度的下限值v<=2020<v<=50v>50
驾驶员模式eco0.350.20
pow0.150.10

新窗口打开| 下载CSV


3 建模与仿真

3.1　自适应能量管理策略建模

本文以某微型电动汽车为研究对象进行控制策略仿真，整车参数如表5所示。根据整车参数及电机、电池、电容参数，在MATLAB/Simulink中搭建整车控制策略模型，并与ADVISOR联合仿真。图4为自适应能量策略模型。其中，A为滤波器时间常数在线调整模块；B为超级电容放电深度值调整模块；C为蓄电池给超级电容充电模块；D为能量回收模块。

表5   整车参数

Table 5  The vehicle parameters

参数数值
整车装备质量/kg980
整车满载质量/kg1220
轮胎半径/m0.275
滚动阻力因数0.018
迎风面积A/m22.17
空气阻力因数0.3
电机峰值功率/kW62
电机额定功率/kW25.8
电容单体容量/F200
电容单体质量/kg0.15
电容单体电压/V（最大/最小）3.8/1.0
电容数目/个110
电池单体容量/A·h80
电池单体质量/kg5
电池单体电压/V（最大/最小）16/9
电池数目/个27

新窗口打开| 下载CSV


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   自适应能量策略

Fig.4   Adaptive energy strategy


3.2　仿真结果分析

为了验证本文提出的自适应能量管理策略的有效性，与当前研究较多的逻辑门限控制策略和模糊逻辑控制策略进行了对比，并在用ADVISOR2002仿真平台进行了仿真验证。本文选择中国典型城市工况[17]，如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   Chinaurban工况

Fig.5   Chinaurban condition


图6包含了自适应能量管理策略、模糊逻辑控制策略和逻辑门限控制策略。由图6(a)和6(b)可以看出，在车速较高时自适应能量管理策略蓄电池所提供的功率最小，超级电容提供的功率最大，充分的发挥了超级电容削峰填谷的作用。由图6(c)和6(d)可以看出，自适应能量管理策略中蓄电池在大功率输出的时候，电流最小；在能量回收阶段，超级电容的电流最大，这使得蓄电池电流的幅值波动范围较小，从而保护了电池。由图6(e)和6(f)可以看出，在一个工况结束的时候自适应能量管理策略蓄电池的SOC最大，能量消耗最低，能源利用率最高；超级电容的SOC幅值波动最大，频率最高，说明超级电容效率更高，有利于延长整车的续驶里程。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   仿真结果对比

Fig.6   Comparison of simulation results


为了进一步验证本文提出的控制策略对车辆续驶里程的影响，本文计算了一个中国典型城市工况的耗电量，并给出了续驶里程。结果显示，续驶里程越长，单位工况的能量消耗越少。具体结果如表6所示。

表6   能量消耗对比结果

Table 6  The result of energy expenditure comparison

策略类型续驶里程/km单位工况的能量消耗/kW·h
自适应控制策略149.01.6729
模糊控制策略147.41.6813
逻辑门限控制策略147.11.7082

新窗口打开| 下载CSV


4 结论

本文根据驾驶员意图和驾驶员风格，提出了一种滤波器时间常数在线调整的控制策略，在Simulink中建模，在中国典型城市工况下仿真验证，得出以下结论：

（1）超级电容能够很好地满足电机的瞬时功率需求，并且能够回收制动能量，削峰填谷作用明显，电动汽车混合储能系统能量利用率明显提高；

（2）蓄电池充放电电流波动范围减小，有效地保护了蓄电池，同时降低了蓄电池的能量消耗；

（3）续驶里程增加，仿真结果验证了本文提出的控制策略的有效性。

参考文献

SULAIMAN N , HANNAN M A , MOHAMED A , et al .

A review on energy management system for fuel cell hybrid electric vehicle: Issues and challenges

[J]. Renewable and Sustainable Energy Reviews, 2015, 52: 802-814.

[本文引用: 1]

ENANG W , BANNISTER C .

Modelling and control of hybrid electric vehicles (A comprehensive review)

[J]. Renewable and Sustainable Energy Reviews, 2017, 74: 1210-1239.

[本文引用: 1]

罗玉涛, 刘秀田, 梁伟强, 等 .

延长锂离子电池寿命的电动汽车复合电源设计

[J]. 华南理工大学学报(自然科学版), 2016, 44(3): 51-59.

[本文引用: 1]

LUO Yutao , LIU Xiutian , LIANG Weiqiang , et al .

Design of hybrid power system for prolonging lifespan of lithium-ion battery applied to electric vehicles

[J]. Journal of South China University of Technology (Natural Science Edition), 2016, 44(3): 51-59.

[本文引用: 1]

王儒, 李训明, 魏伟, 等 .

基于ADVISOR的纯电动汽车复合电源系统

[J]. 山东理工大学学报(自然科学版), 2014(1): 73-78.

[本文引用: 1]

WANG Ru , LI Xunming , WEI Wei , et al .

Hybrid power system of pure electric vehicle based on ADVISOR

[J]. Journal of Shandong University of Technology (Natural Science Edition), 2014(1): 73-78.

[本文引用: 1]

ARAUJO R E , DE C R , PINTO C , et al .

Combined sizing and energy management in EVs with batteries and supercapacitors

[J]. IEEE Transactions on Vehicular Technology, 2014, 63(7): 3062-3076.

[本文引用: 1]

CASTAINGS A , LHOMME W , TRIGUI R , et al .

Comparison of energy management strategies of a battery/supercapacitors system for electric vehicle under real-time constraints

[J]. Appl. Energy, 2016, 163: 190-200.

[本文引用: 1]

ARANI S K , NIASAR A H , ZADEH A H .

Energy management of dual-source propelled electric vehicle using fuzzy controller optimized via genetic algorithm

[C]//2016 7th Power Electronics and Drive Systems Technologies Conference (PEDSTC). IEEE, 2016: 338-343.

[本文引用: 1]

CHEN J , XU C , WU C , et al .

Adaptive fuzzy logic control of fuel-cell-battery hybrid systems for electric vehicles

[J]. IEEE Transactions on Industrial Informatics, 2016, 14(1): 292-300.

[本文引用: 1]

LI L , YOU S X , YANG C , et al .

Driving-behavior-aware stochastic model predictive control for plug-in hybrid electric buses

[J]. Applied Energy, 2016, 162: 868-879.

[本文引用: 1]

CHENG A Y , XIONG Q H , WANG L , et al .

Design of drive control strategy for mini pure electric vehicles on the condition of slope climbing

[C]//31th Chinese Control and Decision Conference(CCDC), 2019: 4828-4832.

[本文引用: 1]

LEI Y , LIU K , FU Y , et al .

Research on driving style recognition method based on driver’s dynamic demand

[J]. Advances in Mechanical Engineering, 2016, 8(9): 1-14.

[本文引用: 1]

DORR D , GRABENGIESSER D , GAUTERIN F .

Online driving style recognition using fuzzy logic

[C]//IEEE International Conference on Intelligent Transportation Systems, 2014: 1021-1026.

[本文引用: 1]

AHMED O A , BLEIJS J A M .

An overview of DC-DC converter topologies for fuel cell-ultracapacitor hybrid distribution system

[J]. Renewable and Sustainable Energy Reviews, 2015(42): 609-626.

[本文引用: 1]

张雷, 胡晓松, 王震坡 .

超级电容管理技术及在电动汽车中的应用综述

[J]. 机械工程学报, 2017, 53(16): 32-43.

[本文引用: 1]

ZHANG Lei , HU Xiaosong , WANG Zhenpo .

Overview of supercapacitor management techniques in electrified vehicle applications

[J]. Journal of Mechanical Engineering, 2017, 53(16): 32-43.

[本文引用: 1]

张亚桥, 程广伟, 周志立, 等 .

基于驾驶员意图识别的微型纯电动货车控制策略

[J]. 河南科技大学学报(自然科学版), 2018, 39(5): 21-27.

[本文引用: 1]

ZHANG Yaqiao , CHENG Guangwei , ZHOU Zhili , et al .

Control strategy of micro electric truck based on driver intention recognition

[J]. Journal of Henan University of Science & Technology (Natural Science), 2018, 39(5): 21-27.

[本文引用: 1]

高建平, 赵金宝, 杨松, 等 .

基于驾驶意图的插电式混合动力公交车控制策略

[J]. 机械工程学报, 2016, 52(24): 107-114.

[本文引用: 1]

GAO Jianping , ZHAO Jinbao , YANG Song , et al .

Control strategy of plug-in hybrid electric bus based on driver intention

[J]. Journal of Mechanical Engineering, 2016, 52(24): 107-114.

[本文引用: 1]

王庆年, 唐先智, 王鹏宇, 等 .

基于神经网络的混合动力汽车驾驶意图识别方法

[J]. 农业机械学报, 2012, 43(8): 32-36.

[本文引用: 1]

WANG Qingnian , TANG Xianzhi , WANG Pengyu , et al .

Driving intention identification method for hybrid vehicles based on neural network

[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(8): 32-36.

[本文引用: 1]

/

〈 〉