《Energies》:An Enhanced Rule-Based Energy Management System with Integrated Route and Environmental Information for Battery–Supercapacitor Hybrid Electric Vehicles
编辑推荐:
研究人员提出了一种面向装备由锂离子电池与超级电容构成的混合储能系统(HESS)的电动汽车(EV)的、具备路线与环境感知能力的基于规则的能源管理系统(EMS)策略。该基于规则的EMS整合驾驶模式分类、交通状况、道路坡度、风阻、环境温度以及超级电容荷电状态(SOC
研究人员提出了一种面向装备由锂离子电池与超级电容构成的混合储能系统(HESS)的电动汽车(EV)的、具备路线与环境感知能力的基于规则的能源管理系统(EMS)策略。该基于规则的EMS整合驾驶模式分类、交通状况、道路坡度、风阻、环境温度以及超级电容荷电状态(SOC),以确定在城市、高速公路及启停交通等多种行驶工况下电池与超级电容之间的最优功率分担策略。研究人员建立了EV动力总成、电池与超级电容的数学模型,并在MATLAB/SIMULINK环境下基于城市测功机驾驶工况(UDDS)、Artemis Motorway 130及中央商务区(CBD)驾驶工况三类代表性循环对提出的基于规则EMS策略进行验证。结果表明,该基于规则EMS策略在显著降低电池电流应力的同时提升了超级电容的利用率。
研究背景方面,全球交通电动化转型推动电池电动汽车(BEV)普及,锂离子电池因高能量密度成为主流储能元件,但其在急加速与再生制动等高频大电流充放电下易出现内部产热增加与电化学老化加速。为缓解该问题,电池-超级电容混合储能系统(HESS)受到关注,超级电容具备高功率密度与长循环寿命,可承担瞬态功率并吸收再生制动能量。现有EMS分为基于规则、基于优化与智能控制三类;优化类如动态规划(DP)、等效消耗最小化策略(ECMS)、庞特里亚金极小值原理(PMP)、模型预测控制(MPC)等依赖工况先验或迭代计算,难以实时嵌入;智能类如模糊逻辑、神经网络、强化学习(RL)与深度强化学习(DRL)需大量训练与解释性差。传统基于规则EMS仅用瞬时电池SOC、超级电容SOC与牵引功率需求,无法预判路况。尽管导航、数字高程与气象服务可得,鲜有研究将其统一接入监督控制。此外,多数对比仅评估纯电池EV,且电池寿命改善常仅由峰值电流推断,缺少RMS电流、能量吞吐与SOC波动等多指标佐证。为此,研究人员在《Energies》发表该研究,提出融合路线与环境信息的增强型基于规则EMS,填补上述空白。
关键技术方法上,研究人员采用四类方法:建立含纵向车辆动力学、一阶等效电路电池模型、等效串联电阻超级电容模型、双向DC/DC变换器平均模型的离散时间MATLAB/Simulink仿真平台;依据UDDS、Artemis Motorway 130与CBD三类工况完成80 kWh锂离子电池与匹配超级电容的HESS选型;设计四层分级监督架构(数据采集层、驾驶模式分类层、功率分配层、变换器控制层),将交通密度、道路坡度(源自数字高程模型DEM)、风速、环境温度、电池温度经修正因子动态下调电池允许功率;以电池仅EV、传统HESS规则EMS、所提路线环境感知EMS三者做同硬件对比,指标涵盖最大/RMS电池电流、能量吞吐、SOC波动、超级电容利用率与再生制动回收量。
研究结果部分,按原文小节浓缩如下。
数学建模:研究人员推导车辆纵向力平衡(滚阻、气动阻力含相对风速vrel=v?vwind、坡度重力分量),给出牵引功率Preq与HESS功率平衡Pbattηb+Pscηsc=Preq;电池用开路电压Uoc(SOC)+I(R0+ΔU极化)描述,SOC更新限域20%–90%;超级电容用Usc=Uc+IscResr及E=?C U2、SOCsc=(U?Umin)/(Umax?Umin)定义。结论为模型在固定步长离散框架下可支撑EMS状态变量供给。
HESS选型:电池按平均能耗与续航选80 kWh,限流由动态Pbatt,lim决定;超级电容按峰值瞬态与再生制动可回收能量选容,工作电压窗取Umin–Umax以留出制动裕度;双向DC/DC按最大瞬时功率配额定并留20%安全系数;直流母线选400 V代表量产平台。结论为同硬件基准确保性能差异仅归功EMS。
所提EMS设计:监督架构含数据采集(车载传感+导航/DEM/天气API)、驾驶模式分类(城市/高速/启停,按均速阈值)、功率分配(先算Pbatt,max=Prated·ftraffic·fgrade·fwind·ftemp·fSOC,再Pbatt*=min(Preq,Pbatt,max),剩余交超级电容;再生制动时优先充超级电容至SOC>70%转电池)、变换器控制(电池侧电压环、超级电容侧电流环,PI双环PWM)。超级电容SOC分区30%/50%/70%,目标中点约50%。结论为电池功率限随外界预判连续自适应,而非固定门限。
仿真结果:在UDDS下最大电池电流由纯电池EV的318.85 A降至所提EMS的154.11 A(降约51.67%),RMS电流同步下降;Artemis Motorway 130下峰值约154.63 A,电池以放电为主;CBD启停工况改善最显著,超级电容预留能量支撑反复加速、再生回收最高。电池SOC轨迹变窄,超级电容SOC围绕50%波动而非满充闲置;电池能量吞吐最低;再生制动回收量在CBD最大。超级电容SOC目标敏感性分析显示30%留能不足、70%吸能余量小,50%为最优折中。计算耗时远低于MPC/DP/RL,适嵌ECU。结论为所提EMS在三类工况均降电池应力、提超级电容效用。
讨论与结论翻译:研究人员指出,本文提出一种面向电池-超级电容HESS电动汽车的路线与环境感知基于规则EMS。不同于传统仅依赖电池SOC、超级电容SOC与瞬时功率需求的规则控制器,该监督控制器整合交通状况、道路坡度、风阻与环境温度以改进功率分配,在保持实时低复杂度下提升超级电容利用率。基于UDDS、Artemis Motorway 130与CBD工况的MATLAB/Simulink模型验证表明,所提EMS有效降低电池电流应力并增加超级电容使用;UDDS最大电池电流降约51.67%(由超300 A降至160 A内),高速与CBD工况同样平滑电池SOC、提升再生回收与超级电容占用。相较MPC、DP、RL等优化与智能策略,该EMS在控制性能与实现复杂度间提供实用折中,适用于强调计算效率、鲁棒性与易嵌入的实时EV应用。