电动汽车整车舱–电池系统嵌入式可微分预测性热管理

《Control Engineering Practice》:Embedded Differentiable Predictive Thermal Management for Integrated Cabin–Battery Systems in Electric Vehicles

【字体: 大 中 小 】 时间:2026年09月23日 来源:Control Engineering Practice 5.3

编辑推荐:

   摘要 非线性模型预测控制(NMPC)对于电动汽车的集成座舱与电池热管理非常有效,但其迭代式在线优化难以部署在资源受限的汽车微控制器上。本文提出了一种面向嵌入式部署的可微预测控制框架,该框架以离线预测策略学习和轻量级在线残差校正替代在线NMPC求解。一个可微热模型被沿预测时域

  

摘要

非线性模型预测控制(NMPC)对于电动汽车的集成座舱与电池热管理非常有效,但其迭代式在线优化难以部署在资源受限的汽车微控制器上。本文提出了一种面向嵌入式部署的可微预测控制框架,该框架以离线预测策略学习和轻量级在线残差校正替代在线NMPC求解。一个可微热模型被沿预测时域展开,使得策略网络能够直接优化基于预测控制思想的优化目标,而无需专家NMPC标签。电池温度边界信息通过带有自适应惩罚更新的增广拉格朗日方法(ALM)被纳入策略训练。在部署阶段,预测校正安全(PSC)层利用预测的电池峰值温度来减小残差边界偏差。仿真结果表明,所提出的控制器实现了与NMPC相当的温控效果,相比工业规则基线可节省高达11.8%的能耗。压力测试和消融研究表明,ALM改善了策略级约束处理,而PSC在测试的严重条件下消除了残差违规。桌面端性能分析表明,其平均计算时间比基于求解器的NMPC低约两个数量级。此外,在英飞凌TC397汽车级微控制器上基于CAN总线进行了硬件在环(HiL)实验,使用了经量产电动汽车实测数据标定和独立验证的热植物模型,验证了在分配的嵌入式任务时间预算内的实时执行能力。

引言

集成座舱与电池热管理在电动汽车(EV)中发挥着至关重要的作用,因为它直接影响续航里程、电池安全性和座舱舒适度(Hwang等,2024)。在实际电动汽车热管理系统中,座舱冷却和电池冷却通过共享执行器和有限的制冷能力强烈耦合(Sorouri等,2025)。控制问题还因异质热时间尺度而进一步复杂化:座舱温度对太阳辐射、环境温度和乘客热负荷响应相对较快,而电池温度由于其巨大的热惯性而缓慢变化。这些特性要求控制器能够预见未来扰动,并在预测时域内协调能耗、舒适度和电池温度约束(Alizadeh等,2023)。

非线性模型预测控制(NMPC)为集成热管理提供了一个自然的框架,因为它能够在执行器和安全约束下协调耦合的非线性动力学,同时平衡能效和热舒适(Chen, Kwak, Jung, Kim, 2025; Hu, Amini, Wiese, Semel, Seeds, Kolmanovsky, Sun, 2023; Kwak, Chen, Kim, Kim, Jung, 2023)。借助V2X连接和导航系统提供的预览信息,NMPC可以主动执行热操作,如负载感知预冷却和面向充电的预调节,从而在未来时域内协调能效、座舱舒适和电池安全(Hajidavalloo, Chen, Hu, Song, Yin, Li, 2023; Hamednia, Hanson, Zhao, Murgovski, Forsman, Pourabdollah, Larsson, Fredriksson, 2023; Zhang, Chen, You, Zhang, Liu, Du, 2024)。然而,这种预测能力依赖于在每个采样时刻在线求解非线性规划问题。对于电动汽车热管理,预测时域必须足够长以捕获缓慢的电池热演化,同时还要考虑多个热执行器的快速响应,这显著增加了在线优化问题的维度和计算负担(Guo, Ma, Gong, Hu, Chen, 2023; Hamednia, Sharma, Murgovski, Fredriksson, 2022)。这类需求在汽车微控制器上难以满足,因为其内存资源和平均计算时间受到严格限制。因此,一个关键挑战是在避免嵌入式在线执行过程中的迭代非线性优化的同时,保留NMPC的预测和约束处理能力(Liu, Wang, Chen, 2021; Schaut, Sawodny, 2019)。

为了减轻NMPC的计算负担,基于学习的近似预测控制作为一种有前途的替代方案应运而生。模仿学习方法训练神经网络来复制专家NMPC动作,从而在部署时用快速的前馈推理替代非线性优化(Goodfellow, Bengio, Courville, Bengio, 2016; Hertneck, K?hler, Trimpe, Allg?wer, 2018; Karg, Lucia, 2020; Lucia, Karg, 2018; Nguyen, Park, Park, Kim, Eo, Han, 2023)。这种固定的推理结构对于嵌入式实现很有吸引力,因为它提供了可预测的在线执行时间并避免了迭代求解器调用。然而,这类方法需要大量由计算昂贵的NMPC求解器生成的专家轨迹,而且在分布偏移或未见运行条件下性能可能会下降。在电动汽车热管理中,这一问题尤为棘手,因为边界运行条件(如高环境温度、大电池热生成或突发负载变化)相对稀疏但涉及安全(Garg等,2026)。可微预测控制(DPC)提供了一种无标签的替代方案,它通过可微展开将系统动力学嵌入并直接通过基于梯度的训练来优化预测控制目标(Drgoňa, Ki?, Tuor, Vrabie, Klau?o, 2022a; Drgoňa, Tuor, Vrabie, 2024)。这些方法保留了MPC预见未来热演化的能力,同时消除了对专家控制器标签的需求。然而,在传统可微策略训练中,约束满足仍然难以保证(Cortez, Drgoňa, Tuor, Halappanavar, Vrabie, 2022; Tabas, Zhang, 2022)。虽然执行器限制可以通过输出参数化或饱和来强制,但状态约束(如电池温度限制)依赖于未来的闭环演化,仅通过网络架构很难保证。一种常见的解决方案是在训练损失中引入状态约束违规的软惩罚项。尽管这类惩罚函数方法易于实现,但其有效性强烈依赖于固定的惩罚权重,而这些权重很难调整:过小的权重可能留下残差违规,而过大的权重可能导致训练病态和保守的控制动作。增广拉格朗日方法(ALM)通过将二乘子与约束违规的惩罚项相结合,提供了一种系统性的替代方案(Djeumou, Neary, Goubault, Putot, Topcu, 2022; Son, Cho, Hwang, 2023)。与常规DPC公式中常用的固定惩罚权重(Drgoňa等,2022b)相比,ALM根据展开过程中的约束违规来更新二乘子和惩罚参数。这些自适应约束信号通过可微预测模型的计算图进行反向传播,改善了未来状态约束的处理,而不需要大的固定权重。

除了在策略训练期间增强约束处理外,大量研究致力于通过在线安全滤波器来增强学习到的策略,以监控和修改潜在不安全的控制动作(Brunke等,2022)。控制屏障函数(CBF)滤波器修改名义控制动作以强制安全性,但其瞬时条件对于缓慢的热动力学而言不够充分(Dawson, Gao, Fan, 2023; Xiao, Wang, Hasani, Chahine, Amini, Li, Rus, 2023)。在电动汽车热管理中,约束违规通常是由未来时域内热生成和冷却动作的累积效应决定的,而不是仅由瞬时控制输入决定的。预测安全滤波器(PSF)和预测CBF通过将有限时域预测纳入安全验证过程来解决这一局限性(Breeden, Panagou, 2022; Wabersich, Zeilinger, 2021)。然而,这些方法通常需要在线求解约束优化问题,其计算复杂度随预测时域增加。对于集成座舱—电池热管理,捕获缓慢电池热演化所需的长时域可能与汽车微控制器的固定计算时间冲突。因此,需要一种轻量级预测校正方法来恢复学习策略的残差可行性,而不依赖于迭代在线优化。

为了解决这些挑战,本文开发了一种面向嵌入式部署的可微预测控制框架,用于电动汽车的集成座舱—电池热管理。该框架离线学习一个预测反馈策略,无需专家NMPC标签,并使用轻量级在线残差校正层来减小接近边界的偏差。主要贡献总结如下:

1. 建立了电动汽车热管理的统一约束预测控制公式,为基于求解器的NMPC和所提出的基于学习的实现提供了一致的问题基础。

2. 开发了离线策略学习方法,将ALM与可微热展开相结合,实现了在不依赖专家NMPC标签的情况下直接优化预测控制目标,同时改善了状态约束处理。

3. 提出了一种在线残差校正方法来减小学习策略的边界偏差,改善经验边界鲁棒性,并满足实时要求。

4. 所提出的控制器在英飞凌汽车微控制器上实现,并通过HiL实验进行了验证,证明了在分配的嵌入式任务时间预算内的嵌入式实时可行性。

本文其余部分组织如下。第二节介绍电动汽车热模型。第三节建立统一的约束预测控制问题并开发离线可微策略学习方法。第四节介绍在线残差可行性校正算法。第五节介绍实现细节、仿真评估和HiL验证结果。最后,第六节总结本文。

章节摘要

电动汽车热系统建模

本研究采用图1所示的热管理系统(TMS)架构。该系统通过冷机将主制冷剂回路和副冷却液回路耦合。

模型预测控制公式与可微策略学习

本节为集成座舱与电池热管理建立统一的约束预测控制公式。该公式服务于两个目的:它定义了基于求解器的NMPC基准,并提供了用于离线可微策略学习的目标、动力学和约束。这种一致性使得学习到的策略能够近似预测控制律,而不依赖于专家NMPC标签。首先展示控制公式,然后是……

在线残差可行性校正

本节开发了上述引入的PSC层。与基于优化的PSF不同,PSC应用闭式校正而不进行迭代在线优化。如图4所示,训练好的策略首先从增强输入向量$s_k$生成名义预测控制序列$U_{NN,k}$。然后PSC层评估未来电池温度在一个短安全时域内的演化,仅当检测到潜在边界违规时才校正第一个控制动作。校正后的……

实现细节与实验验证

本节详细介绍了所提出的ALM-PSC策略的实现和实验验证。为了可重复性,首先总结了预测时域、策略网络架构、训练超参数和约束参数。进行了训练阶段的固定惩罚对比、闭环仿真、消融测试、鲁棒性评估以及基于实测数据的HiL实验,以评估约束处理、控制性能、鲁棒性和嵌入式……

结论

本文开发了面向嵌入式部署的可微预测控制策略,用于电动汽车的集成座舱与电池热管理。通过将在线NMPC求解替换为离线策略学习和轻量级残差校正,ALM-PSC在大幅降低在线计算量的同时保留了预测控制行为。在城市平路和高速公路山地循环的仿真中证明了与NMPC相当的温控效果,相比基线分别节省了5.7%和11.8%的能耗。

CRediT作者贡献声明

Kai Sun:撰写——初稿、可视化、验证、软件、方法论、调查、形式化分析、数据管理、概念化。Jinlong Hong:撰写——审阅与编辑、监督、项目管理、资金获取。Bingzhao Gao:撰写——审阅与编辑、监督、资金获取。Xiaoxiang Na:撰写——审阅与编辑、监督。Lulu Guo:撰写——审阅与编辑、验证、监督。Hong Chen:撰写——审阅与编辑、监督。

利益冲突声明

作者声明他们没有已知的可能影响本文所述工作的竞争性财务利益或个人关系。

Kai Sun | Jinlong Hong | Bingzhao Gao | Xiaoxiang Na | Lulu Guo | Hong Chen

同济大学汽车与能源工程学院,上海,201804,中国
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