基于RNN-PMP的电动汽车能源管理策略,兼顾电池寿命延长与温度控制

《Applied Thermal Engineering》:RNN-PMP-based energy management strategy for electric vehicles considering battery life preservation and thermal management

【字体: 大 中 小 】 时间:2026年03月03日 来源:Applied Thermal Engineering 7.5

编辑推荐:

  李光远|陈继成|张辉|徐向阳 中国北京100191,北京航空航天大学交通科学与工程学院汽车工程系 摘要 对于电动汽车而言,最优的能量管理策略对于提升能源效率并延长电池寿命至关重要。然而,当同时考虑电池热管理系统以及电池老化模型时,相应的优化问题会变得极为复杂,难以实

  李光远|陈继成|张辉|徐向阳
中国北京100191,北京航空航天大学交通科学与工程学院汽车工程系

摘要
对于电动汽车而言,最优的能量管理策略对于提升能源效率并延长电池寿命至关重要。然而,当同时考虑电池热管理系统以及电池老化模型时,相应的优化问题会变得极为复杂,难以实现实时处理。为解决这一难题,我们提出了两种实时优化策略。首先,借鉴混合动力汽车中使用的等效能耗最小化策略,设计了一种适用于稳定运行状态的局部优化策略。该方法通过电池热管理系统控制来调节电池温度,进而最小化电池充电状态下的能耗与容量衰减。其次,引入了一种基于滚动时域的优化框架,该框架将循环神经网络的预测能力与庞特里亚金最小原理的近似最优性保证相结合。循环神经网络用于预测短期驾驶条件并建立初始状态与运行条件之间的映射关系,而基于庞特里亚金最小原理的滚动时域优化则确保系统具备实时适应性,其性能可接近离线优化结果。仿真结果表明,与基于开关控制的方案相比,所提出的策略分别可将电池热管理系统的能耗降低58.74%和64.75%,同时将电池衰减程度减轻10.10%和13.82%。值得注意的是,基于循环神经网络与庞特里亚金最小原理的策略在实时性能方面表现优异,其精度仅略逊于离线优化结果。

引言
能量管理系统在电动汽车和混合动力汽车中起着核心作用,它通过协调多个子系统来提升整体能源效率、延长行驶里程并改善车辆性能[1][2][3]。传统上,能量管理系统研究主要聚焦于混合动力汽车中的能源分配与功率分配优化,其核心控制目标即为燃料动力与电能动力的协同调控。常见的研究方法包括等效能耗最小化策略、模型预测控制以及基于深度强化学习的方法,这些方法已在大量文献中被广泛探讨[4][5]。随着汽车架构日益电气化,能量管理系统也逐渐发展为能够协同管理各类高能耗子系统的系统级框架[6]。

在更广泛的能量管理系统视角下,电池热管理系统因其与电池效率、安全性及使用寿命之间的紧密关联而成为关键组成部分。从能量管理角度而言,电池热管理系统的能耗通常被视为寄生能耗,因为它用于电池的冷却或加热而非驱动功能[7]。与硬件 redesign 相比,通过能量管理系统层面的控制来优化电池热管理系统运行,是一种更为经济有效的提升整体能源效率的手段[8]。因此,近年来越来越多的研究将电池热管理系统与其他子系统(如暖通空调、电机热管理、车速规划及运动控制等)一起纳入能量管理系统模型中[9][10][11][12][13][14]。这些研究表明,通过协同的能源管理系统与电池热管理系统控制,可在保障热安全的前提下显著降低能耗。

尽管取得了这些进展,大多数以能量管理系统为导向的电池热管理系统研究仍主要关注能源效率问题,而热控制对电池老化的影响往往被简化处理或仅以间接方式加以考虑。这一局限性十分重要,因为电池的热行为与电池老化机制及长期性能下降之间存在密切关联[15]。为弥补这一缺陷,人们开始开发具有电池老化意识的能量管理系统,这类系统通过将电池健康状态估计以及以控制为导向的老化模型作为约束条件或成本项纳入优化模型中[16][17]。常见的方法为基于阿伦尼乌斯模型的Ah-吞吐量模型,用以量化电池老化效应,并将其嵌入到能量管理系统优化问题中[18][19][20]。当这些模型与电池热管理系统控制相结合时,会呈现出一种根本性的权衡:更严格的温度控制虽然能减缓电池老化,但会增加寄生能耗;而较为宽松的温度控制则能降低能耗,却会加速电池老化[21][22]。

然而,将电池老化模型直接嵌入到能量管理系统优化模型中会大幅增加计算复杂性。由于电池老化过程具有强烈的非线性特征及长期依赖性,使得基于电池老化意识的优化问题难以实现实时求解,尤其是对于车载控制单元而言。因此,一些研究通过最小化电池热管理系统的使用频率来间接延长电池寿命,而无需显式优化与老化相关的成本项[23][24];另有研究则采用动态规划或带有详细老化模型的非线性模型预测控制方法,但这样做会牺牲系统的实时性[25]。这些挑战凸显出需要开发既具备电池老化意识又能保持良好计算可行性的能量管理系统策略。

与此同时,数据驱动及物理信息建模方法在电池热分析领域逐渐受到重视。近期有研究利用神经网络及物理信息神经网络进行电池热建模与温度场预测,这类方法具有较高的精度且具有良好的物理一致性[26][27]。尽管这些方法在离线分析及模型开发方面表现优异,但其极高的模型复杂度及较大的计算负担限制了其在实时能量管理系统及以控制为导向的优化框架中的应用。

庞特里亚金最小原理由于其较低的计算复杂度及较强的理论最优性保证,为实时能量管理系统优化提供了一种极具吸引力的替代方案,且已被成功应用于与电池热管理系统相关的能量管理问题中[28]。不过,基于庞特里亚金最小原理的方法依赖于精确的初始状态值及未来运行条件信息,而这些信息在实际中获得十分困难。为克服这一局限,近期有研究将基于学习的预测方法与滚动时域优化相结合,利用神经网络预测短期驾驶条件或为基于庞特里亚金最小原理的控制提供辅助[29][30]。尽管取得了这些进展,实时初始状态值的确定以及系统的稳健车载实现仍属于尚未解决的难题。

正是出于对这些挑战的考虑,本文提出了两种针对电动汽车的实时能量管理系统策略,这两种策略均明确考虑了电池寿命延长与热管理问题:
1. 一种受等效能耗最小化策略启发的局部优化策略,该策略通过一个瞬时优化问题同时考虑电池容量衰减、电池充电状态下的能耗以及基于电池热管理系统的温度调控。
2. 一种结合循环神经网络预测与庞特里亚金最小原理的滚动时域优化框架,该框架能够实现实时能量管理系统优化,其性能可接近离线优化结果。

本文的结构如下:第2节建立了车辆、电池热管理系统以及以控制为导向的电池老化模型的能耗模型,并基于这些模型构建了能量管理优化问题。第3节介绍了如何运用庞特里亚金最小原理来解决该优化问题,并在适当假设的基础上提出了局部优化策略。考虑到计算复杂度及状态变量优化方面的问题,第4节提出了结合学习方法与滚动时域优化的RNN-庞特里亚金最小原理策略。第5节对所提出的策略进行了仿真分析。最后,第6节对全文内容进行了总结。

问题建模
本文研究的系统为一种配备风冷式电池热管理系统的纯电动汽车,如图1所示。本节给出了考虑电池寿命延长与热管理问题的车辆能量管理问题的数学描述。

基于庞特里亚金最小原理的离线优化
方程(24)中的优化问题可通过庞特里亚金最小原理得以解决。其哈密顿量为:
H(x(t),u(t),λ(t))=α?δSOC(x(t),u(t))Smax+(1?α)?σ(x(t),u(t))?|Ib(u(t))|Ahmax+λ(t)?x?(t)
其中λ(t)表示状态变量。状态变量与状态变量的时间导数满足以下关系:
x?(t)=?H(x(t),λ(t),u(t),t)?λ(t) λ?(t)=??H(x(t),λ(t),u(t),t)?x(t)
将方程(25)代入方程(27)后,可得状态变量方程:
λ?(t)=α?1Ahmax??σ(x(t),u(t))?x(t)?|Ib(u(t))|?λ(t)??x?(t)?x(t)
为确定最优控制量u?(t),庞特里亚金最小原理提供了必要的理论依据。

RNN-庞特里亚金最小原理滚动时域优化策略
我们提出了一种结合循环神经网络与庞特里亚金最小原理的滚动时域能量管理优化策略,该策略可通过迭代方式实时更新状态变量与控制动作。其核心步骤包括:首先,利用循环神经网络根据历史驾驶数据预测未来的车辆速度;其次,学习庞特里亚金最小原理下的射击过程,以此预测最优状态变量;最后,通过将预测得到的速度值与初始状态变量输入到瞬时庞特里亚金最小原理优化模型中,从而应对各种不确定性。

算法对比与基准测试
本节通过仿真验证了所提出的能量管理策略。算法2与算法3分别展示了RNN-庞特里亚金最小原理策略及局部优化策略(为便于说明,在后续图表中简称为LOS策略)的工作流程,这两种策略均包含离线处理部分与在线处理部分。离线优化部分基于算法1中所示的采用射击法的庞特里亚金最小原理策略,该策略也被用作策略验证的基准。此外,还对比了基于规则的传统电池热管理系统控制策略。

结论
本文提出了两种针对电动汽车的实时能量管理优化方法,这两种方法同时考虑了电池热管理与电池寿命问题,分别为局部优化策略以及RNN-庞特里亚金最小原理滚动时域优化框架。局部优化策略是对离线庞特里亚金最小原理方法的简化版本,它提供了一种瞬时优化方案,能够显著降低计算复杂度。通过一种解析方法确定初始状态变量,可实现高效的实时优化。

CRediT作者贡献声明
李光远:撰写——初稿、软件工具、方法设计、实验分析、概念构思。
陈继成:撰写——审稿与编辑、软件工具、概念构思。
张辉:撰写——审稿与编辑、研究指导、方法设计、概念构思。
徐向阳:撰写——审稿与编辑、研究指导、概念构思。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

李光远在中国长春的吉林大学获得了控制科学与工程专业的学士学位与硕士学位。他目前在北京航空航天大学攻读汽车工程专业的博士学位,其研究兴趣包括电动汽车与混合动力汽车的能量管理、最优控制及智能控制技术。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号