純電動汽車復合儲能系統(tǒng)能量管理策略

純電動汽車復合儲能系統(tǒng)能量管理策略摘要：針對純電動汽車單電池系統(tǒng)功率密度低、大電流充放電能力差等問題，設計了鋰電池-飛輪電池復合儲能系統(tǒng)，提出了基于工況識別的自適應小波變換-模糊控制能量管理策略，將需求功率分解成低頻成分和高頻成分，并分別將其分配給鋰電池和飛輪電池。最后，將所提策略與邏輯門限能量管理策略進行比較分析。結果表明：所提出的自適應小波變換-模糊控制能量管理策略可以有效減緩鋰電池受到的峰值電流沖擊，延長其使用壽命，增強純電動汽車的整體性能。關鍵詞：純電動汽車；復合儲能系統(tǒng)；鋰電池；飛輪電池；能量管理策略00前言純電動汽車具有零排放、節(jié)能、低噪聲等優(yōu)點，在解決能源短缺和環(huán)境污染問題方面發(fā)揮著不可替代的作用，已成為新能源汽車的核心部分。目前，純電動汽車常用的單電池系統(tǒng)存在功率密度低、使用壽命短、大電流充放電效率低等問題，這直接影響了車輛的性能和經(jīng)濟性［1］。針對這個問題，有效的解決方案是采用復合儲能系統(tǒng)，輔之高效的能量管理策略。目前，復合儲能系統(tǒng)的能量管理策略可分為基于規(guī)則的策略和基于優(yōu)化的策略2類?；谝?guī)則的策略是通過預先設定規(guī)則、限制和邏輯來實現(xiàn)儲能元件之間能量的分配和控制，相對于基于優(yōu)化的策略，其具有實時性好、可靠性高、穩(wěn)定性強和實現(xiàn)簡單等優(yōu)點，能夠快速根據(jù)車輛運行狀態(tài)進行響應和調(diào)整，更適用于實際車輛［2］。RADE等［3］采用邏輯門限能量管理策略提高了復合儲能系統(tǒng)效率及電動汽車的經(jīng)濟性。張錫等［4］采用模糊控制能量管理策略增加了車輛的續(xù)航里程，提高了車輛的經(jīng)濟性。ZHANG等［5］采用小波變換能量管理策略，有效控制了整車的功率分配，提高了車輛的性能。上述研究均未綜合考慮能量源的能量狀態(tài)、汽車行駛工況及整車需求功率，因此有必要設計一種綜合性能優(yōu)越、計算簡單的能量管理策略。在工況識別的基礎上，筆者提出了一種針對鋰電池-飛輪電池復合儲能系統(tǒng)的自適應小波變換-模糊控制能量管理策略。該策略能夠動態(tài)選擇適當?shù)男〔ǚ纸鈱訑?shù)，并將飛輪電池能量狀態(tài)（Esoe）維持在合適的范圍內(nèi)，以減少大電流對鋰電池的影響，延長其使用壽命。11復合儲能系統(tǒng)1.1飛輪電池結構及原理飛輪電池主要由飛輪控制電機、飛輪轉(zhuǎn)子、高速軸承、真空室和電力電子轉(zhuǎn)換裝置組成，如圖1所示。飛輪電池具有充電、儲能和放電3種工作模式：在充電狀態(tài)下，通過電力電子裝置將外部輸入的電能轉(zhuǎn)換為飛輪轉(zhuǎn)子的機械能；在儲能狀態(tài)下，飛輪電池儲存機械能，并保持轉(zhuǎn)速幾乎不變；在放電狀態(tài)下，飛輪控制電機將儲存的機械能轉(zhuǎn)換為電能，并將其輸出給負載。1.2純電動汽車復合儲能系統(tǒng)模型所研究的復合儲能系統(tǒng)結構如圖2所示。整車和復合儲能系統(tǒng)的主要參數(shù)分別見表1和表2。圖1飛輪電池結構示意圖AC/DC—交流/直流轉(zhuǎn)換器；DC/AC—直流/交流轉(zhuǎn)換器。圖2純電動汽車復合儲能系統(tǒng)結構圖表1整車主要參數(shù)參數(shù)參數(shù)值整備質(zhì)量/kg1200滿載質(zhì)量/kg1550迎風面積/m空氣阻力系數(shù)滾動阻力系數(shù)0.012機械傳動效率表2復合儲能系統(tǒng)主要參數(shù)參數(shù)參數(shù)值鋰電池額定電壓/V鋰電池單體容量/（A·h）20鋰電池組串聯(lián)個數(shù)113鋰電池組并聯(lián)支路數(shù)4飛輪電池儲能量/（W·h）350飛輪電池額定功率/kW22基于廣義回歸神經(jīng)網(wǎng)絡（GRNN）的工況識別鑒于道路行駛情況的復雜性和多樣性，挑選了23種典型行駛工況作為研究對象（見表3從中提取特征參數(shù)，并使用聚類分析方法進行分類。2.1特征參數(shù)的選取與工況聚類分析選取6個特征參數(shù)，將其用于聚類分析和工況識別［6］分別是平均車速vavg、平均加速度aavg、平均制動加速度davg、最大車速vmax、最大加速度amax和最大制動加速度dmax，以提高工況識別的實時性。采用離差標準化方法對特征參數(shù)矩陣進行線性變換，以去除量綱的影響。將23個典型行駛工況作為樣本空間Xi={x1，x2，?,x23}，每個樣本xi包含6個特征參數(shù)。對序列x1，x2，?,x23進行變換，得出轉(zhuǎn)換函數(shù)yi為：xi-13{xj}yi=1EQ\*jc3\*hps19\o\al(\s\up0(x),2)3{xj}-13{xj}（1）將23個行駛工況進行層次聚類，得到聚類樹，如圖3所示。通過聚類分析，將23種典型工況按照聚類距離尺度為3.3分成了3大類，分別為第一類市區(qū)擁2.2GRNN的工況識別2.2.1工況識別神經(jīng)網(wǎng)絡設計GRNN是一種基于徑向基函數(shù)的神經(jīng)網(wǎng)絡模型，基本結構如圖4所示［7］。輸入層的作用是接收輸入數(shù)據(jù)并將其傳遞到模式層，其神經(jīng)元數(shù)量與輸入?yún)?shù)的數(shù)量相同，使GRNN模型的輸入?yún)?shù)。模式層的作用是計算輸入向量與每個樣本向量之間的距離，用于判斷與輸入向量最相似的模式，其神經(jīng)元數(shù)量等于學習樣本的數(shù)量。求和層的作用是將每個模式的權重與其對應的模式向量相乘，并將結果求和，從而得到一個加權的模式向量。輸出層的作用是將求和層的輸出作為輸入，進一步對其進行處理，以產(chǎn)生最終的輸出，其神經(jīng)元數(shù)量與設定的輸出變量個數(shù)一致。2.2.2工況識別結果為了測試識別方法的準確性，創(chuàng)建一個待識別組合行駛工況，即“工況11+工況22+工況1+工況17+工況5”，其行駛距離為46.5km，行駛時間為3627s。該識別方法是將市區(qū)擁堵工況表示為表3典型行駛工況特征參數(shù)序號行駛工況平均車速vavg/平均加速度avg/）平均制動加速度davg/）最大車速vmax/（km·h）最大加速度amax/（m·s）最大制動加速度dmax/（m·s）1美國城市主干道行駛循環(huán)（ARTERIAL）39.710.60-1.7964.37-2.012日本行駛循環(huán)（JPN1015）22.680.57-0.6569.970.79-0.833中國城市中央商務區(qū)行駛循環(huán)（CBD14）20.430.81-1.7932.190.98-2.064紐倫堡R36行駛循環(huán)（NurembergR36）14.330.58-0.5553.70-2.115美國高速公路行駛循環(huán)（US06_HWY）97.910.34-0.41129.233.08-3.086歐洲工業(yè)車輛行駛循環(huán)（HL07）85.74-0.79128.753.58-2.557歐洲聯(lián)合行駛循環(huán)（ECE_EUDC_LOW）31.110.58-0.8090.00-1.398中國城市行駛循環(huán)（CHINA_CITY）16.150.48-0.6960.35-1.689洛杉磯92模式行駛循環(huán)（LA92）39.600.67-0.75108.153.08-3.93紐約綜合路況行駛循環(huán)（NYCCOMP）14.100.47-0.5457.944.11-3.88紐約城市行駛循環(huán)（NYCC）11.410.62-0.6144.582.68-2.64加州行駛循環(huán)（SC03）34.510.50-0.6088.192.28-2.73紐約重型商用車行駛循環(huán)（NYCTRUCK）12.160.55-0.6554.72-1.87中國都市重型商用車行駛循環(huán)（CBDTRUCK）14.860.29-0.5632.190.36-0.56歐洲排放行駛循環(huán)（REP05）82.880.44-0.50129.233.79-3.19世界輕型汽車排放行駛循環(huán)（WLTC）46.500.50-0.51131.30-1.50美國城市城郊道路行駛循環(huán)（UDDS）31.510.50-0.5891.25-1.48美國曼哈頓市區(qū)公交行駛循環(huán)（MANHATTAN）10.980.54-0.6740.722.06-2.50美國通勤行駛循環(huán)（COMMUTER）70.280.28-1.8988.51-2.01洛杉磯市政公交行駛循環(huán)（WVUSUB）25.870.33-0.4272.10-2.16美國州際高速公路行駛循環(huán)（WVUINTER）54.750.20-0.2197.74-1.86美國高速公路燃料經(jīng)濟型行駛循環(huán)（HWFET）77.580.19-0.2296.40-1.48新歐洲行駛循環(huán)（NEDC）33.210.54-0.79120.00-1.39圖323個典型行駛工況的聚類樹圖4GRNN結構“1”，城市城郊工況表示為“2”，高速公路工況表示為“3”，如圖5所示。從圖5可以看出，該方法能夠正確識別出實際工況類型，驗證了其有效性。圖5組合工況識別結果33復合儲能系統(tǒng)能量管理策略設計3.1邏輯門限能量管理策略邏輯門限能量管理策略的基本思想是利用表4中典型行駛工況下的最大正平均功率Pavr_p和最小負平均功率Pavr_n來限制鋰電池的放電和充電，以適應不同的工況［8］。濾波函數(shù)F(s)的表達式為：Preq>0,|Preq<0,1τ1s+11τ2s+12分別為放電和充電時鋰電池的濾波時間req為整車需求功率；s為需求功率頻率。表4典型行駛工況下復合儲能系統(tǒng)性能需求性能參數(shù)工況11工況17工況22工況23正平均功率/kW13.98負平均功率/kW?4.28?7.11?9.05?7.893.2自適應小波變換-模糊控制能量管理策略小波變換可同時分析信號的時域和頻域特性，能識別暫態(tài)功率并進行功率分配，可避免鋰電池的瞬時大功率輸出，在能量管理領域得到廣泛應用。車輛的需求功率信號為實時信號，故采用離散小波變換連續(xù)小波變換表達式W(λ,μ)為：W)=+x(t)連續(xù)小波變換表達式W(λ,μ)為：令λ=2j，μ=2j·k，其中j、k∈Z，則離散小波變(2-j·t-k)dt（4）將離散小波變換表達式進行逆變換后，得到原j（5）選擇Haar小波函數(shù)作為母波函數(shù)，與其他常用小波相比，Haar小波濾波長度最短，且是一種標準正交小波，其小波變換和逆變換相同，因此在實際系統(tǒng)中更容易得到應用。Haar小波函數(shù)表達式EQ\*jc3\*hps19\o\al(\s\up16(0),5)EQ\*jc3\*hps19\o\al(\s\up16(5),1)使用分解高、低通濾波器函數(shù)H1(z)、H2(z)將原始信號X(t)分解成高頻和低頻成分，再使用重重構信號Y(t)。將整車需求功率作為輸入信號，通過3階Haar小波變換，將高頻信號x1(t)+x2(t)+x3(t)分配給所示。圖6Haar小波分解和重構模型3.2.2小波分解層數(shù)的選擇純電動汽車的行駛工況復雜多變，每個時刻的需求功率都是隨機的，固定的分解層數(shù)選擇可能導致能量源以不健康的狀態(tài)工作，從而縮短其循環(huán)壽命，因此設計一種能夠根據(jù)車輛的不同行駛工況自適應調(diào)節(jié)小波分解層數(shù)策略是十分有必要的。研究鋰電池與飛輪電池輸出能量比例的關系時，定義信噪比為小波分解后的低頻信號與高頻信號的能量比值?；诮M合行駛工況，使用Haar小波進行離線仿真，得到不同分解層數(shù)與信噪比之間的關系，見表5。由表5可以看出：隨著小波分解層數(shù)的增加，分配給飛輪電池的能量也增加，從而可以更好地保護鋰電池［10］。此外，因為在復合儲能系統(tǒng)中鋰電池是主要能量源，飛輪電池只起到“削峰填谷”的功能，故信噪比必須大于1，即分解層數(shù)的取值范圍為2≤n≤4。表5不同分解層數(shù)對應的信噪比小波分解層數(shù)信噪比2345在不同行駛工況下純電動汽車所需的動力輸出不同，隨著車速的增加，車輛對功率的需求也會增加，從而導致鋰電池受到的電流沖擊強度很大，需要采用較高的小波分解層數(shù)來保護鋰電池。因此，將市區(qū)擁堵工況、城市城郊工況和高速公路工3.2.3模糊控制器的設計雖然自適應小波變換可以解決傳統(tǒng)小波能量管理策略適應工況較差的問題，但其不能實時監(jiān)控能量源的狀態(tài)。為了充分發(fā)揮飛輪電池的高功率密度優(yōu)勢，采用模糊控制將飛輪電池能量狀態(tài)維持在一定的范圍內(nèi)。模糊控制器的輸入變量為鋰電池參考輸出功率Pbat_req、鋰電池荷電狀態(tài)Esoc和飛輪電池能量狀態(tài)Esoe，輸出變量為鋰電池實際輸出功率Pbat。輸入變量的模糊論域分別為Pbat_req=［0，1］、Esoc=soe=［0.1，1.0輸出變量模糊論域為車輛制動模式下模糊子集為Esoc=｛S，M，RB｝、大。在驅(qū)動模式和制動模式下隸屬度函數(shù)分別如圖7和圖8所示。圖7驅(qū)動模式下的隸屬度函數(shù)圖8制動模式下的隸屬度函數(shù)所設計的能量管理策略如圖9所示。首先，采用GRNN工況識別模型對車輛運行工況進行識別，并根據(jù)識別結果選擇合適的小波分解層數(shù)進行功率分解，其中，將高、低頻信號分別分配給飛輪電池和鋰電池；其次，利用模糊控制維持飛輪電池的Esoe在適當?shù)姆秶鷥?nèi)波動。圖9能量管理策略框架圖44仿真結果與分析使用Matlab/Simulink建立復合儲能系統(tǒng)模型，在組合工況下進行仿真分析，以驗證所提出的能量管理策略的有效性。不同能量管理策略下鋰電池Esoc的變化如圖10所示。由圖10可以看出：采用復合儲能系統(tǒng)可以有效降低鋰電池的能量消耗，其中在自適應小波變換-模糊控制能量管理策略下鋰電池Esoc下降最平緩，且在工況循環(huán)結束時Esoc最高；與搭載單電池系統(tǒng)的純電動汽車相比，采用邏輯門限能量管理策略后能量利用率提高了2.9%，采用自適應小波變換-模糊控制能量管理策略后能量利用率提高了5.3%。圖10不同能量管理策略下鋰電池Esoc的變化不同能量管理策略下鋰電池的輸出電流變化如圖11所示。過高的充放電電流會對鋰電池的性能造成嚴重影響，可能導致電池容量損失和安全性下降等問題。由圖11可以看出：將單電池系統(tǒng)作為能量源時，鋰電池的最大輸出電流為140.1A；采用邏輯門限能量管理策略時最大電流為102.5A，較單電池系統(tǒng)減小了26.8%；采用自適應小波變換-模糊控制能量管理策略時最大電流為90.4A，較單電池系統(tǒng)減小了35.5%。由此可見，采用復合儲能系統(tǒng)后可以有效實現(xiàn)對鋰電池輸出電流的峰值控制；自適應小波變換-模糊控制能量管理策略對高頻、高幅值電流的抑制效果更好，降低了其對鋰電池的不利影響。不同能量管理策略下飛輪電池Esoe的變化如圖11不同能量管理策略下鋰電池輸出電流的變化圖12所示。由圖12可以看出：在邏輯門限能量管理策略下，飛輪電池的Esoe總體呈下降趨勢，且波動較小，飛輪電池未得到充分利用；而在自適應小波變換-模糊控制能量管理策略下，飛輪電池的Esoe波動劇烈，尤其在Esoe較高時反而下降較快，這可以為回收制動能量騰出空間。隨后，飛輪電池的Esoe一直在0.7左右波動，但在約3500s時需要連續(xù)回收制動能量，為避免鋰電池在行車過程中充電，飛輪電池Esoe大幅提升?？傮w而言，自適應小波變換-模糊控制能量管理策略在提高飛輪電池利用率方面表現(xiàn)出色。圖12不同能量管理策略下飛輪電池Esoe的變化高溫環(huán)境會對鋰電池的性能和壽命產(chǎn)生不利影響。不同能量管理策略下鋰電池工作溫度的變化如圖13所示。由圖13可以看出：循環(huán)結束時，采用單電池系統(tǒng)時鋰電池溫度上升2.18K；采用邏輯門限能量管理策略時鋰電池溫度上升1.71K，較單電池系統(tǒng)降圖13不同能量管理策略下鋰電池溫度的變化低21.6%；采用自適應小波變換-模糊控制能量管理策略時鋰電池溫度上升1.47K，較單電池系統(tǒng)降低32.6%。由此可見，采用復合儲能系統(tǒng)可以有效降低電池的負荷及內(nèi)部溫度；自適應小波變換-模糊控制能量管理策略對鋰電池溫升的抑制效果更好，有助于延長鋰電池的使用壽命。（1）與單電池系統(tǒng)相比，采用自適應小波變換-模糊控制能量管理策略時鋰電池的最大輸出電流5.3%，有效延長了鋰電池的使用壽命，提升了純電動汽車的續(xù)航里程。（2）與傳統(tǒng)的邏輯門限策略相比，采用自適應小波變換-模糊控制能量管理策略可以有效降低峰值電流和高頻功率對鋰電池的影響，并能夠?qū)崟r監(jiān)控能量源的狀態(tài)，充分發(fā)揮飛輪電池的優(yōu)勢。［1］WANGW,LIY,SHIM,etal.Optimizationandcontrolofbattery-flywheelcompoundvehiclebraking[J].Energy,2021,226(1):［2］林歆悠,王召瑞.應用粒子群算法優(yōu)化模糊規(guī)應用,2021,38