《Journal of Energy Storage》：A data-driven dynamic control strategy based on an enhanced random forest model for active air-cooled battery thermal management systems
编辑推荐：
针对电动汽车主动电池热管理系统（ABTMS）中温度均匀性与能耗的权衡问题，提出基于数据增强随机森林（RF）与模式切换机制（MSM）的预测控制（PC）策略。结合遗传算法（GA）优化动态调整风扇进风量和空调冷却功率，实验表明RFPC-MSM较传统策略降低均温偏移28%、温差62%、能耗22%，通过MSM进一步降低偏移76.7%、能耗40.5%。在复杂工况下验证其鲁棒性和适应性。
樊玉倩|李志航|刘波|吴一凡|李毅|吴晓英|任志伟|关全学|陈玲|谭晓军
河南科技大学计算机科学与技术学院，新乡，453003，中国
摘要
在电池组中平衡温度均匀性和能源效率需要优化电动汽车主动电池热管理系统（ABTMS）的控制策略。基于我们开发的实验平台，本文提出了一种基于数据驱动的增强型随机森林（RF）算法的预测控制（PC）方法，并结合了模式切换机制（MSM）。RF算法用于提高预测准确性。此外，遗传算法（GA）和MSM的集成优化显著改善了热性能与能源效率之间的实时多目标平衡。这种RFPC-MSM控制器动态调整直流风扇进气流量和空调冷却功率以调节电池温度，从而实现更加合理的决策边界和更好的适应性。与基于规则（RB）和基于模型的预测控制（MPC）策略相比，RFPC-MSM将平均电池温度偏差降低了28%，最大电池间温差降低了62%，平均冷却功率降低了22%。与不使用MSM的基线控制器相比，MSM的集成进一步将平均温度偏差降低了76.7%，能源消耗水平降低了40.5%。此外，在复杂的混合驾驶循环和不同的电池配置下，所提出策略的鲁棒性和适应性得到了严格验证。这些结果验证了所提出的数据驱动控制方法在提高温度均匀性和节能方面的有效性。
引言
为了推进可持续交通，电动汽车（EV）已成为减少温室气体排放和提高能源效率的关键解决方案。锂离子电池（LIB）因其高能量密度和长循环寿命而成为EV的主要电源。然而，LIB的性能、安全性和寿命对温度非常敏感，因此需要集成电池热管理系统（BTMS）将其保持在最佳工作范围内。
BTMS的研究主要集中在两个领域：（i）结构设计和优化；（ii）控制策略开发。结构优化旨在通过改进物理设计（如串联配置、U-/Z-/J形并联排列、串并联混合气流场结构以及多种空气进出口组合）来提高热性能。对于使用风扇和空调（AC）系统的ABTMS来说，出现了一个关键挑战：这些组件会消耗电池组本身的大量能量。因此，需要一种最优的控制策略来动态平衡有效冷却和降低能耗之间的平衡。
一般来说，ABTMS控制策略已经从简单的逻辑发展到复杂的优化框架，可以分为三类：基于规则的、基于优化的和基于学习的方法。最初广泛采用的是RB控制策略，这些策略根据预设的温度阈值来调节冷却组件。RB控制的主要优点是硬件依赖性低且实施容易。然而，RB策略的固定阈值往往难以在动态条件下实现最佳性能，导致过度能耗或冷却不足。为了解决RB方法的不足，研究人员转向了基于优化的方法，以寻找最有效的控制动作。其中，动态规划（DP）因其能够离线确定全局最优解而受到认可，为性能提供了重要基准。例如，吴等人开发了一种基于DP的策略来最小化电池退化和冷却相关电力的综合成本。然而，DP的主要缺点是计算要求高，并且需要预先知道整个未来的驾驶周期，这使其不适合实时在线应用。
为了将优化的优势应用于在线控制，MPC成为主流策略。MPC通过在一个较短的预测范围内反复解决优化问题来克服DP的局限性，从而能够在尊重系统约束的同时主动管理电池温度。然而，这引入了两个重大挑战：高计算成本和对长期车辆速度预测不确定性的高敏感性。为了解决预测不确定性问题，马等人提出了一种基于场景的MPC（SCMPC），该策略根据同一路线上的历史行驶数据生成多个潜在速度场景来优化控制律。虽然这提高了鲁棒性，但显著增加了优化变量的数量。为了使其在计算上可行，他们进一步开发了近似SCMPC（ASCMPC），与不确定性下的非确定性MPC相比，能耗降低了2.18%-2.76%。传统MPC的另一个限制是它依赖于固定的超参数（例如成本函数权重、预测范围），这些参数在EV的广泛工作条件下往往不是最优的。为了解决这个问题，李等人引入了一种新型的双层架构，其中强化学习（RL）代理在线自适应调整MPC的决策参数。这种基于学习的调整显示出显著的性能提升，与固定参数的基准MPC相比，BTM能耗降低了5.8%，约束违规减少了18.8%，MPC执行时间减少了59%。任何控制策略的有效性也与BTMS本身的物理设计密切相关。吴等人系统地研究了这种相互作用，发现不同的BTMS配置（例如纯液冷与混合PCM-液冷）与不同的MPC公式（即基于平均温度与基于最大温度）具有更高的兼容性。尽管这些方法取得了进展，但它们通常依赖于简化的物理模型，在实时协同优化温度均匀性和能耗方面仍面临挑战。此外，大多数研究主要集中在直流（DC）风扇控制策略上。在ABTMS中，空调系统的制冷能耗可占总系统能耗的46.5%至90.2%。因此，研究AC系统和DC风扇的综合控制至关重要。
最近，数据驱动方法作为捕捉复杂热动态的有希望的替代方案出现了。例如，周等人利用机器学习（ML）辅助ABTMS的多目标设计和控制优化。然而，这些方法通常需要大量的计算成本，并且需要大规模的高保真数据集进行训练，这对于实时协同优化来说是禁止性的。此外，通过真实车辆或实验平台获取涵盖所有可能驾驶条件的ABTMS运行数据仍然是一个主要挑战，这严重限制了数据驱动ABTMS控制策略的发展。数据驱动方法具有巨大潜力，但数据获取仍然是核心瓶颈。它们在ABTMS控制中的应用相对较少，主要是因为难以获得模型训练和验证所需的大规模和多样化数据集。这种数据稀缺性继续阻碍了数据驱动方法在ABTMS中的进一步发展和部署。
为了解决这些限制，本文提出了一种增强的数据驱动RFPC-MSM控制策略。本工作的核心贡献和创新点如下：
- 该方法集成了一种自适应优化机制，利用MSM减少GA的搜索空间，通过更准确的决策边界实现实时调整进气速度和冷却功率。
- 多目标优化使控制器能够在协调温度均匀性的同时进行优化，从而实现更好的热性能。
- 设计了一个全面的评估框架，使用偏差系数、平均温差和平均功耗作为关键性能指标。
此外，还全面分析了进气速度和冷却功率对这些指标的影响，并在多个场景中系统评估了控制策略的性能。
优化问题描述
传统的RB或MPC算法往往难以为具有强耦合和显著时间延迟的多输入/输出系统推导出适当的控制方程。此外，基于模型的方法容易受到模型精度和潜在机制不准确性的影响。为了解决这些挑战，包括多目标优化、模型复杂性和不确定的潜在物理现象，我们提出了一种数据驱动方法。数据通过模拟器生成。
ABTMS控制策略优化方法
对于MPC，累积误差会影响控制器的内部优化，最终导致控制信号性能不佳。当预测步骤延长时，这个问题尤为明显，因为它涉及处理多个输入、输出和非线性动态行为。虽然神经网络（NN）和梯度提升决策树（GBDT）是强大的替代方案，但基于数据比较分析，选择RF算法用于ABTMS应用。
结果与讨论
本节研究的RFPC-MSM策略将进气流速和冷却功率作为控制变量，假设这些变量可以连续且即时地调整。自适应优化器中的参数设置如表7所示。参数的选择基于性能敏感性和先前的参数识别实验，旨在覆盖传感器的测量噪声（通常为±0.5 K）并留出控制裕度。
结论
电动汽车中的ABTMS必须根据动力电池系统的不同状态选择适当的进气流速和冷却功率，以有效控制电池组的温度和温差，同时确保节能。为了解决这个问题，我们提出了一种RFPC-MSM算法，该算法通过自适应优化动态调整冷却功率，从而提高热管理能力。
CRediT作者贡献声明
樊玉倩：撰写——审稿与编辑、验证、资源获取、方法论、资金获取。
李志航：撰写——原始草稿、验证、软件、数据整理。
刘波：验证、调查。
吴一凡：验证、调查。
李毅：验证、调查。
吴晓英：验证、调查。
任志伟：验证、调查。
关全学：撰写——审稿与编辑、可视化、调查。
陈玲：验证、资源获取。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
