面向重型电动卡车的物理引导热感知节能驾驶：分层MPC方法

《Energy》：Physics-guided thermal-aware eco-driving for heavy-duty electric trucks: A hierarchical MPC approach

　　

摘要

重型电动卡车可以降低货运运输排放，但高载荷、长时间爬坡行驶以及持续牵引力需求使节能驾驶与牵引电机热安全之间相互耦合。现有的节能驾驶研究依赖于固定的效率图或简化的电机功率模型，而热管理研究通常将行驶需求视为外部输入。这种分离限制了控制器预测速度规划如何改变温度依赖的电机损耗和冷却需求的能力。本文提出了一种面向重型电动卡车的物理引导、热感知分层模型预测控制（MPC）框架。通过基于二维电磁有限元模拟的GT-SUITE/FEMAG工作流生成的多温度损耗数据，识别出了一种可微分的半物理电机损耗代理模型。该代理模型将电机转速、扭矩和绕组温度映射为热量生成，与拟合的GT-SUITE/FEMAG数据集相比，均方根误差（RMSE）为1.106 kW，R2为0.9753。上层在绕组温度约束下执行空间域速度规划，下层在时域中以预测的牵引需求作为热负荷预报，调度水泵和风扇命令。在研究的路线上，热约束速度规划相对于巡航控制降低了驱动系统能耗22.1%，并将最大绕组温度限制在149.32 °C。与采用线性冷却的热约束速度规划相比，分层MPC将总能耗从24.151 kWh降至23.455 kWh，冷却能耗降低23.8%，同时保持热约束。结合控制器硬件在环（HIL）验证的实时闭环执行证据，这些结果表明，在分层预测控制框架中嵌入温度依赖的电机损耗可以实现节能与牵引电机热保护的协同优化。

引言

尽管重型卡车在车辆总数中占比相对较小，但其燃料消耗量大，对货运运输排放的贡献不成比例。因此，其脱碳是实现低碳运输发展的重要组成部分[1]。交通运输电气化为减少货运运营中的本地排放和碳强度提供了一条可行路径[2]。重型电动卡车在港口、矿区、长途货运通道等结构化物流场景中尤为适用，因为这些场景中的路线、充电机会和运营调度可以提前规划[3]。

重型电动卡车的运营仍面临诸多挑战，包括大载荷、长距离运输任务、变化的道路坡度以及持续的高功率牵引需求[4]。这些条件既增加了推进能耗和电动动力总成的热负荷，也对可靠性和驾驶性能提出了要求[5]。针对电动重型卡车的进一步研究表明，在实际高载荷运行条件下，能耗与热行为紧密耦合[6]。车辆跟驰运行也将速度规划与电动卡车的能量管理联系起来[7]。这些挑战推动了两个互补的控制方向：通过预测速度规划降低牵引能耗需求，以及通过热管理在持续高载荷运行下维持电驱动系统的可靠性。

速度规划和节能驾驶已被广泛研究以减少牵引能耗并提高交通效率。对于单车运行，现有方法主要利用道路坡度预览、模型预测优化、多目标轨迹规划和信号交叉口约束来构建节能速度曲线[8]、[9]。这一研究路线也已扩展到在交叉口附近运行的自主电动汽车，涉及连续限速约束[10]。第二类研究考虑交通感知或车辆跟驰速度规划，将不确定的信号时序、交通状态预测、队列估计和前车约束纳入优化问题[11]、[12]、[13]。对于电动卡车，车辆跟驰约束进一步将速度规划与动力总成能量管理联系起来[7]。第三类研究聚焦于协同或编队节能驾驶，利用分布式MPC、协同自适应巡航控制和分层协调来控制多辆联网车辆[14]、[15]、[16]。相关工作还将节能驾驶的范围扩展到路径规划和充电调度、电池热约束以及网联和自动驾驶车辆通用控制方法综述[17]、[18]、[19]。总体而言，现有的速度规划研究主要追求更低的牵引能耗和更高的交通效率。然而，牵引电机通常由固定效率模型、静态电机图或简化功率模型表示。温度依赖的电机损耗和电机热安全未能完全嵌入速度规划问题中。

牵引电机的热管理对重型电动卡车至关重要，因为长上坡路段、高载荷、低速高扭矩运行和反复的高功率需求会提高绕组、定子、永磁体和冷却液温度。这些热状态影响电机效率、扭矩限制能力、热安全和服务寿命。一个研究方向聚焦于牵引电机和永磁同步电机（PMSM）热建模，包括混合热模型和基于集总参数热网络（LPTN）的热点估计，以及温度依赖的热阻识别用于实时温度预测和参数化[20]、[21]。另一个方向研究冷却结构和散热方法，包括冷却夹套、水冷、灌封、相变材料、低温冷却、油喷雾冷却以及电动机冷却技术的综合综述[22]、[23]。油喷雾冷却对高功率牵引电机尤其重要，因为它直接影响驱动电机的散热能力[24]。在控制层面，预测性热管理和基于MPC的热控制已被应用于电动动力总成、电动汽车（EV）热管理系统和油冷电机[25]、[26]、[27]。数据驱动的预测控制也已用于电动汽车综合热管理[28]。综述和系统级研究进一步表明，在高载荷运行下，热管理与电动动力总成的效率和可靠性密切相关。然而，许多热管理研究将冷却系统与驾驶任务分开优化。例如，电动汽车热管理系统的综合MPC将热系统能耗降低了5.9%–10.3%[29]。然而，这些研究主要在牵引需求确定后调节热子系统或改善冷却结构。车速、电机扭矩或热量生成通常被视为外部输入。此外，不同温度下电机损耗和效率的差异并不总能嵌入面向控制的动力总成模型中。因此，速度规划、温度依赖的电机损耗和主动冷却控制之间的耦合仍不够充分地被解决。

少数研究开始将节能驾驶或速度规划与热管理相结合。已有研究联合优化了纯电动汽车的节能驾驶、充电和电池热管理[17]。节能驾驶也已与网联和自动驾驶混合动力电动汽车的节能加热相结合[30]。分层MPC已用于网联和自动驾驶车辆的鲁棒节能冷却，并应用于电池热管理[31]。这些研究表明，热状态可以影响能量最优驾驶和辅助控制策略。然而，现有的综合MPC框架在三个方面仍不足以适用于重型电动卡车运行。首先，大多数研究聚焦于电池热管理、驾驶室加热、整车热管理或充电协调，而非牵引电机本身。其次，牵引电机损耗通常由固定效率图、简化功率模型或外部规定的热负荷表示，因此绕组温度对电机损耗、扭矩能力和速度规划决策的反馈未被明确捕捉。第三，重型卡车的长上坡行驶和持续高扭矩需求导致路线级速度规划、温度依赖的热量生成和主动冷却之间存在强耦合，这使得完全集成的在线MPC计算代价高昂。因此，明确结合温度依赖的牵引电机损耗特性、空间域速度规划和时域主动电机冷却，面向重型电动卡车的协同控制仍有待深入研究。

为弥补这一空白，本文提出了一种面向重型电动卡车的物理引导、热感知分层MPC框架。主要贡献有三方面：

(1) 基于多温度GT-SUITE/FEMAG数据开发了一种温度感知的物理引导半物理电机损耗代理模型。通过在可微分回归形式中保留可解释的铜损、电磁损和机械损分量，该代理模型适用于非线性MPC，同时表征电机转速、扭矩和绕组温度的耦合效应。

(2) 构建了面向重型电动卡车路线级牵引规划与电机冷却耦合的分层MPC框架。上层在绕组温度和温度依赖的扭矩包络约束下执行空间域速度规划，下层以上层牵引预测作为热负荷预览执行时域主动冷却MPC。

(3) 通过与巡航控制、常规速度规划、固定温度损耗消融、线性冷却热约束速度规划和综合MPC基准进行比较来评估所提框架。此外，通过鲁棒性测试、预测时域敏感性和控制器硬件在环评估进一步考察能量-热-计算之间的权衡以及实时闭环执行。

本文其余部分组织如下：第2节介绍重型电动卡车模型；第3节详述温度感知电机损耗模型；第4节构建分层MPC框架；第5节提供结果和性能讨论；第6节总结全文。

章节摘要

重型电动卡车建模

本节介绍面向控制的重型电动卡车模型，包括纵向动力学、牵引电机功率损耗关系和电机热冷却动力学。

热感知电机损耗预测

分层控制器需要一个热感知、可微分且足够轻量化的损耗表示，以适应重复的非线性规划求解。有限元磁通和损耗图已在牵引同步电机的单项损耗和完整效率图层面进行了实验验证[38]，支持将FEMAG数据作为本文面向控制的代理模型的拟合目标。

分层MPC框架

本研究通过分层预测控制架构实现路线级牵引规划和热执行器调节。该结构也受第2节中讨论的热可控性限制所启发：在持续高扭矩运行下，仅靠主动冷却可能不足以满足需求，因此上层降低热负荷严重的牵引需求，而下层分配可用的冷却权限。上层求解空间域节能驾驶问题

结果与讨论

仿真平台采用表1中参数化的重型电动卡车模型。卡车行驶在一条8 km的丘陵路线上，其道路坡度剖面如图11(a)所示。所有仿真均在配备Intel Core i9-14900HX处理器和32 GB RAM的笔记本电脑上，使用MATLAB R2024b和CasADi (v3.7.2)完成。此外，默认环境温度设为30 °C。

结论

本研究开发了一种面向重型电动卡车的基于分层MPC的物理引导、热感知节能驾驶框架。主要结论如下：

(1) 从多温度GT-SUITE/FEMAG数据中识别出的半物理电机损耗代理模型捕捉了电机损耗的主要转速-扭矩-温度依赖性，均方根误差（RMSE）为1.106 kW，平均绝对误差（MAE）为0.780 kW，R2为0.9753。所得可微分代理模型提供了面向控制的

作者贡献声明（CRediT）

Fei Ju：写作—审阅与编辑，写作—初稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，资金获取，形式化分析，数据整理，概念构思。Hebin Chu：写作—审阅与编辑，写作—初稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，形式化分析，数据整理，概念构思。Nikolce Murgovski：

利益冲突声明

作者声明他们不存在任何可能影响本论文所报告工作的已知竞争性经济利益或个人关系。

Fei Ju | Hebin Chu | Nikolce Murgovski | Hongliang Wang | Weichao Zhuang

南京林业大学汽车与交通工程学院，中国南京，210037