CN113128110B - 智能网联电动汽车高寒地区动力电池热管理优化方法 - Google Patents

智能网联电动汽车高寒地区动力电池热管理优化方法 Download PDF

Info

Publication number
CN113128110B
CN113128110B CN202110389142.1A CN202110389142A CN113128110B CN 113128110 B CN113128110 B CN 113128110B CN 202110389142 A CN202110389142 A CN 202110389142A CN 113128110 B CN113128110 B CN 113128110B
Authority
CN
China
Prior art keywords
temperature
battery
vehicle speed
pump
heat
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110389142.1A
Other languages
English (en)
Other versions
CN113128110A (zh
Inventor
马彦
丁浩
刘永钦
牟洪元
马乾
高金武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yidong New Energy Technology Co ltd
Original Assignee
Jilin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202110389142.1A priority Critical patent/CN113128110B/zh
Publication of CN113128110A publication Critical patent/CN113128110A/zh
Application granted granted Critical
Publication of CN113128110B publication Critical patent/CN113128110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/61—Types of temperature control
    • H01M10/615—Heating or keeping warm
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/62—Heating or cooling; Temperature control specially adapted for specific applications
    • H01M10/625—Vehicles
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/63—Control systems
    • H01M10/633—Control systems characterised by algorithms, flow charts, software details or the like
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/63—Control systems
    • H01M10/635—Control systems based on ambient temperature
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/65—Means for temperature control structurally associated with the cells
    • H01M10/656—Means for temperature control structurally associated with the cells characterised by the type of heat-exchange fluid
    • H01M10/6567—Liquids
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/66—Heat-exchange relationships between the cells and other systems, e.g. central heating systems or fuel cells
    • H01M10/663—Heat-exchange relationships between the cells and other systems, e.g. central heating systems or fuel cells the system being an air-conditioner or an engine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Air-Conditioning For Vehicles (AREA)

Abstract

一种智能网联电动汽车高寒地区动力电池热管理优化方法，属于新能源汽车电池技术领域。本发明的目的是提出能够有效结合智能网联车速预测信息，提高动力电池加热过程能耗经济性的智能网联电动汽车高寒地区动力电池热管理优化方法。本发明步骤是：构建基于BP神经网络的未来车速预测模型，使用BP神经网络车速预测模型实时预测目标车辆的未来车速，建立电池组电热耦合模型和热泵空调系统集中参数模型作为模型预测控制的预测模型，将未来车速变化对电池生热和热泵空调系统换热的影响项引入预测模型，调节加热过程。本发明缩短加热时间，降低能量消耗。

Description

智能网联电动汽车高寒地区动力电池热管理优化方法
技术领域
本发明属于新能源汽车电池技术领域。
背景技术
随着控制、传感、通信等技术的进步突破，智能网联汽车的研究迅速发展起来。在智能网联环境下，车辆可通过和全球定位系统(Global Positioning System，GPS)之间的通信获得车辆的位置信息，可通过车与车(Vehicle to Vehicle，V2V)、车与交通设施(Vehicle to Infrastructure，V2I)之间的通信获取相邻车辆位置、车速信息以及交通信号灯状态信息，实现对复杂的交通环境、周边车辆行驶状态的感知，使汽车可以对自身的行驶状态进行调整，提高汽车运行的安全性和能源利用率。与传统汽车相比，电动汽车使用动力电池组作为动力供应源，提高了整车的节能空间，将智能网联信息应用于电动汽车提升节能效果的研究也逐步发展起来。
电动汽车能量消耗的两个主要方面是牵引功率消耗和整车热管理功率消耗。其中，动力电池热管理功率消耗是整车热管理功率消耗的主要组成之一。而在高寒地区进行动力电池热管理时，需要加热传热流体/电加热器，进一步加剧了功率消耗，导致了电动汽车续航里程缩短的问题。另一方面，处于高寒地区，温度降低，电池阻抗增加，电池的输出功率、能量密度都会大幅下降，甚至会加速电池老化。此外，低温放电还会引发电池负极析锂，形成枝晶，造成短路，引发热失控等具有严重危害性的安全问题。因此，在高寒地区采取有效的动力电池热管理措施加热电池，将电池的可用容量恢复到室温水平，并降低加热过程的能量消耗是必要的。
电动汽车运行状态下采用的动力电池加热方式主要有电加热器/金属薄膜传导加热、空气对流加热、液体对流加热等。电加热器/金属薄膜传导加热高度依赖于电池的几何形状，易造成电池局部温度过高的问题。对流加热可以做到与电池充分接触，降低电池组温度不一致性。而相对于空气对流加热，液体对流加热具有更好的导热性和更高的对流换热率，既保证了加热速率的提高，又能使电池组内部温度分布更加均匀，因此液体对流加热的研究受到广泛关注。
为了缩短加热时间、降低能量消耗，研究人员将控制优化算法应用于动力电池热管理系统。目前，高寒地区动力电池热管理优化方法主要有分段控制、模糊控制、动态规划算法等。分段控制即根据电池温度所处区间调整加热功率，使电池温度处于最佳温度范围，存在加热速率慢，无法随环境条件变化调节功率输出的问题。模糊控制的参数整定过程依赖于专家经验，缺乏系统性设计方法，而且对于能量的消耗缺乏确切的评价准则。动态规划是将电池功率消耗、电池温度与目标温度的差值作为优化目标，做到提升电池温度的同时降低能耗，但是需要大量运算存储空间，计算负担大，不易于工程实现。此外，在电动汽车运行时，因受到如交通灯状态、周边车辆行驶状态等因素的影响，车辆行驶状态频繁变化，直接影响电动汽车牵引功率输出，会间接影响电池生热量，使加热优化过程的复杂度增加。
综上所述，在高寒地区动力电池热管理系统中，如何将智能网联信息和动力电池热管理系统进行融合，以智能网联车速预测为基础，确定未来车速对电池加热过程的影响，并将其引入动力电池加热优化过程，利用控制优化算法合理调节动力电池热管理系统控制输出，加快加热速度，使动力电池温度维持在最佳温度范围，降低加热过程能量消耗，提升电动汽车续航里程，是亟须解决的问题。
发明内容
本发明的目的是提出能够有效结合智能网联车速预测信息，在保证将动力电池温度维持在最佳工作温度范围的同时，考虑未来车速变化对动力电池加热过程的影响，提高动力电池加热过程能耗经济性的智能网联电动汽车高寒地区动力电池热管理优化方法。
本发明步骤是：
S1、基于目标车辆历史车速、前车历史车速、到下一个交通灯的距离历史数据和交通灯状态历史数据，构建基于BP神经网络的未来车速预测模型；
使用BP神经网络建立未来车速预测模型，该BP神经网络采用3层结构，即包含1个输入层、1个隐含层和1个输出层，输入层神经元设置为5个，分别对应目标车辆当前车速、前车当前车速、到下一个交通灯的距离、交通灯状态和交通灯切换时间；输出层神经元设置为HS个，分别对应未来车速预测时域HS每一时刻的未来车速，隐含层神经元设置为9个；
使用在城市工况上获取的目标车辆历史车速、前车历史车速、到下一个交通灯的距离的历史数据、交通灯状态历史数据和交通灯切换时间历史数据，进行模型的训练和验证，其中，将数据的前80％作为训练数据集，剩余的20％作为验证数据集；
S2、基于通过车速传感器获取的目标车辆当前车速、智能网联通信获得的前车当前车速、到下一个交通灯的距离和交通灯状态数据，使用BP神经网络车速预测模型实时预测目标车辆的未来车速；
根据步骤S1得到的BP神经网络未来车速预测模型，对预测时域HS内的目标车辆未来车速进行预测；模型输入为：目标车辆当前车速vP(k)、前车当前车速vPP(k)、到下一个交通灯的距离XTL(k)、交通灯状态TL(k)和交通灯切换时间Tex(k)，经BP神经网络未来车速预测模型输出未来车速序列vP(k+i)，i＝1:HS，k表示车辆运行的第k个时刻，i表示车速预测时域HS的第i个车速预测时间节点；
S3、建立电池组电热耦合模型和热泵空调系统集中参数模型作为模型预测控制的预测模型；①建立电池组电热耦合模型模拟动力电池高寒地区电热特性，表示如下
Figure BDA0003016209990000021
其中，Tb为电池组的温度；I为流经单体电池的负载电流；R为单体电池内阻；nc为电池组串联电池数；nb为电池组并联电池数；Gw为传热液体质量流量；cw为液体比热容，Two为电池组出口处传热液体温度，假设和热泵空调系统冷凝器入口处传热液体温度相等；Twi为电池组入口处传热液体温度，假设和热泵空调系统冷凝器出口处传热液体温度相等；
Figure BDA0003016209990000022
为因低温环境导致电池组散失的热量；cb为电池的比热容；mb,p为电池组集中质量；
②传热液体质量流量Gw为
Gw＝Vpump·ηpump·npump·ρw·2π/60 (2)
其中，Vpump为水泵排量；ηpump为水泵容积效率；npump为水泵转速；ρw为传热液体密度；
③水泵的功耗为
Figure BDA0003016209990000031
其中，Ppump,m为机械功率；ηm为水泵功率转化率；Δppump为水泵压降；
④根据热泵空调系统循环中压缩机、冷凝器、蒸发器处的工质状态进行热泵空调系统建模；压缩机模型用于表征压缩机转速对工质质量流量的影响
Figure BDA0003016209990000032
其中，Gr为工质质量流量；Vm为压缩机排量；v1为压缩机吸气状态下的比容；n为压缩机转速；λ为压缩机输气系数；
⑤冷凝器处冷凝温度变化量为
Figure BDA0003016209990000033
其中，cc为冷凝器处工质比热容；mc为冷凝器内工质质量；qk为单位质量制热量；Kc为冷凝器传热系数；Ac为冷凝器的传热面积；
⑥冷凝器出口传热液体温度变化量为
Figure BDA0003016209990000034
其中，cw为冷凝器处传热液体比热容；mw为冷凝器内传热液体质量；
⑦蒸发器处蒸发温度变化量为
Figure BDA0003016209990000035
其中，ce为蒸发器处工质比热容；me为蒸发器内工质质量；Ke为蒸发器传热系数；Ae为蒸发器的传热面积；q0为单位质量制热负荷；Teai、Teao为蒸发器空气进、出风温度；
⑧蒸发器空气侧出口空气温度为
Figure BDA0003016209990000036
其中，ca为空气比热容；Ga为空气质量流量；
⑨忽略压缩过程热损失，则热泵空调系统的能量消耗Prebeng与单位时间压缩机压缩功相等
Figure BDA0003016209990000041
其中，w0为单位质量压缩功；Tsh为过热度；R为热力学常数；ε为压缩比，受蒸发温度Te和冷凝温度Tc影响；k为多变指数；
S4、根据预测的未来车速序列，将未来车速变化对电池生热和热泵空调系统换热的影响项引入预测模型；
①为了量化车速变化对电池生热的影响，将单体电池负载电流写成总需求功率的函数
Ibat＝[(Ptrac+PRM)/nc/nb]/E (10)
PRM＝PBTM+Pcheng,PBTM＝Prebeng+Ppump (11)
其中，Pcheng为加热乘员舱功率消耗；PRM为电动汽车热管理功率消耗；PBTM为动力电池热管理功率消耗；Prebeng为热泵空调系统功率消耗；Ppump为水泵功率消耗；Ptrac为电动汽车的牵引功率消耗，表示为
Figure BDA0003016209990000042
其中，Vveh为车速；m为车辆的质量；η是牵引系统效率；Fr和Fa为滚动阻力和气动阻力；②单体电池的电学特性可使用电阻模型模拟，表示为
E＝Uoc-IR (13)
其中，E为单体电池端电压；Uoc为单体电池开路电压；
③根据式(10)和式(13)可得
Figure BDA0003016209990000043
式(12)表明车速变化对负载电流存在影响，而负载电流变化又直接影响电池组生热，表明车速变化会对电池组生热产生影响；
④另一方面，在热泵空调系统中蒸发器空气侧的空气质量流量Ga也会受到车速变化影响，可表示为
Ga＝VvehAoρa (15)
其中，Ao为蒸发器迎风面积；ρa为空气密度；
S5、将能耗最少与电池组目标温度和实际温度偏差最小作为优化目标，将压缩机转速、水泵转速等限制作为约束，使用模型预测控制算法求解出最优压缩机转速和水泵转速作为控制量，调节加热过程；
①根据式(1)、式(5)～式(7)，将电池组电热耦合模型和热泵空调系统模型进行离散化表示
Figure BDA0003016209990000051
Figure BDA0003016209990000052
Figure BDA0003016209990000053
Figure BDA0003016209990000054
其中，Δt表示采样步长；
②负载电流I(k)和蒸发器处空气出口温度Teao(k)受车速Vveh(k)影响，传热液体质量流量Gw(k)受水泵转速npump(k)影响，工质质量流量Gr(k)受压缩机转速n(k)影响，故可将式(16)～式(19)记作
Tb(k+1)＝f(Twi(k),Tb(k),npump(k),Vveh(k)) (20)
Twi(k+1)＝f(Twi(k),Tc(k),n(k)) (21)
Tc(k+1)＝f(Twi(k),Tc(k),n(k)) (22)
Te(k+1)＝f(Te(k),n(k),Vveh(k)) (23)
③基于上述系统离散模型，为了使电池温度维持在最佳温度范围并降低加热能耗，将电池热管理功率消耗PBTM作为评价加热电池时的能耗指标；由式(3)、式(9)和式(11)可知PBTM是压缩机转速n、水泵转速npump、蒸发温度Tc和冷凝温度Te的函数，记作
PBTM(k)＝f(n(k),npump(k),Tc(k),Te(k))；
选定系统控制量为压缩机转速n和水泵转速npump；状态量为电池组温度Tb、冷凝器出口处传热液体温度Twi、蒸发温度Tc、冷凝温度Te；输出量为电池组温度Tb；
④故可将目标函数及约束表示为
Figure BDA0003016209990000061
其中，Tbatr为加热电池组的目标温度；K1和K2为权重因子；预测时域和控制时域都设定为Np，Np取值与车速预测时域相同，为HS；
Figure BDA0003016209990000062
为电池最佳工作温度的上限值；
Figure BDA0003016209990000063
为电池最佳工作温度的下限值；
Figure BDA0003016209990000064
为传热液体温度上限值；
Figure BDA0003016209990000065
为传热液体温度下限值；npumpmin为水泵转速最小值；npumpmax水泵转速最大值；nmin为压缩机转速最小值；nmax为压缩机转速最大值。
本发明的有益效果是：
1、本发明考虑到传热液体温度和传热液体质量流量都会对电池组和传热液体之间传递的热量造成影响的问题，将模型预测控制的控制量设定为压缩机转速和水泵转速两个量，以缩短加热时间，降低能量消耗。
2、将智能网联信息融合到高寒地区动力电池热管理系统，使在优化求解的过程中，考虑未来车速变化对动力电池加热过程的影响成为可能。
3、在模型预测控制优化求解的过程中，将电池组温度与目标温度的偏差最小和动力电池热管理功率消耗最小作为优化目标，把压缩机转速、水泵转速、电池最佳工作温度范围等限制作为约束，以达到将电池温度维持在最佳工作温度范围、降低能量消耗的目的。同时，考虑到未来车速变化会影响动力电池生热和热泵空调系统换热的问题，在模型预测控制预测时域的每一时刻，基于预测出的未来车速序列，确定未来车速变化对加热过程的影响。
4、本发明建立了电池组温度变化受传热液体温度变化和车速变化影响的动力电池组电热耦合模型。该电池组电热耦合模型以单体电池生热为基础，通过集总方式得到电池组总生热量，并使用均匀壁温模型进行电池组与传热液体之间的传热分析，不但减小了参数计算负担，又保证了模型的准确性，便于动力电池组低温性能和相关影响因素的研究。
附图说明
图1为高寒地区动力电池间接加热结构示意图；
图2为智能网联电动汽车高寒地区动力电池热管理优化方法示意图；
图3为高寒地区动力电池热管理系统控制优化流程图；
图4为模型预测控制优化过程未来车速信息传递示意图；
图5为BP神经网络车速预测模型；
图6为NEDC工况车速变化曲线图；
图7为NEDC工况负载电流变化曲线图；
图8为电池组温度变化对比曲线图；
图9为能量消耗对比曲线图；
图中：1电池包，2电池温度传感器，3液体出口温度传感器，4水箱，5水泵，6液体入口温度传感器，7冷凝器，8节流机构，9蒸发器，10压缩机。
具体实施方式
本发明为提高高寒地区动力电池热管理系统的能量利用率，采用将热泵空调系统与动力电池热管理系统结合的动力电池间接加热结构，如图1所示。该系统分为电池环路和热泵空调系统环路两部分。在电池环路中，电池组1为电动汽车动力源；电池温度传感器2用于测量电池组温度，被放置在电池组几何中心；液体出口温度传感器3用于测量电池组出口处传热液体温度，水箱4用于储存传热液体，水泵5提供电池环路液体流动的动力，液体入口温度传感器6用于测量电池组入口处传热液体温度。在热泵空调系统环路中，压缩机10用于将工质压缩为高温高压的过热气态，并排入冷凝器7；在冷凝器7中工质向电池侧释放热量，降温冷凝，变成中温高压的过冷液体，随后进入节流机构8；经过节流机构8，工质变为低温低压的气液两相态流入蒸发器9；在蒸发器9中工质通过管壁吸收热量进行蒸发，变为低温低压的过热气态，最终流回压缩机，完成一个循环。
在上述高寒地区动力电池热管理系统结构的基础上，本发明为节省加热能耗并针对汽车车速实时变化影响电池生热和热泵空调系统换热的问题，提出了一种智能网联电动汽车高寒地区动力电池热管理系统加热优化方法，如图2所示。动力电池热管理系统加热优化流程如图3所示。当电动汽车处于运行状态，在智能网联车速预测层，将基于GPS和V2V/V2I通信获得交通灯距离、前车车速、交通灯状态等信息输入到BP神经网络未来车速预测模型中，预测未来车速。随后在模型预测控制优化层，根据预测出的未来车速，确定车速变化对电池生热和热泵空调系统换热的影响，并将该影响引入模型预测控制预测时域的每一时刻作为约束，如图4所示。最后以此为基础，使用模型预测控制算法，将电池目标温度作为控制优化的期望值，以电池温度与最佳温度的偏差最小和电池组热管理功率消耗最小作为优化目标，求解出最优压缩机转速和水泵转速，实现加热过程的优化调节。
智能网联电动汽车高寒地区动力电池加热优化方法具体设计如下：
(1)建立未来车速预测模型
考虑到电动汽车的行驶状态会受到交通灯状态、周边车辆行驶状态等诸多不确定性因素的影响，基于BP神经网络建立未来车速预测模型。假设目标车辆前有一辆车，在智能网联环境下，目标车辆可以通过V2V通信获得前车车速，通过V2I通信获得交通灯状态信息，通过GPS通信获得车辆位置信息。
则可设计如图5所示BP神经网络未来车速预测模型，具体设计如下：
BP神经网络采用3层结构，即包含1个输入层、1个隐含层和1个输出层。输入层神经元设置为M＝5个，分别对应目标车辆当前车速、前车当前车速、到下一个交通灯的距离、交通灯状态和交通灯切换时间。输出层神经元设置为L＝HS个，分别对应车速预测时域HS每一时刻的未来车速。隐含层神经元设置为q＝9个。
其中，神经元各节点信号的前向传播过程如下：
隐含层第l个节点的输入netl为
Figure BDA0003016209990000081
隐含层第l个节点的输出yl为
yl＝φ(netl) (26)
输出层第s个节点的输入nets为
Figure BDA0003016209990000082
输出层第s个节点的输出os为
os＝ψ(nets) (28)
其中，l、j、s分别表示隐含层、输入层、输出层的某个节点；wsl是从隐含层节点j到输出节点s的权值；wlj是从输入层节点l到隐含层节点j的权值；θl隐含层第l个节点的阈值；as表示输出层第s个节点的阈值；φ(x)表示隐含层的激励函数；ψ(x)表示输出层的激励函数。
BP神经网络的学习过程实际上就是对网络权值和阈值的调整过程。利用给定的前向传播公式，沿着误差减小的方向不断调整网络权值和阈值，使修改后的网络的最终输出能接近期望值。假定共有样本PZ个，则对于每一个样本p的二次型误差准则函数Ep为
Figure BDA0003016209990000083
PZ个训练样本的总误差准则函数E为
Figure BDA0003016209990000084
其中，Ts为期望输出。根据误差梯度下降法依次修正各神经元的权值和阈值。
输出层权值修正量Δwsl为
Figure BDA0003016209990000091
输出层阈值修正量Δas为
Figure BDA0003016209990000092
隐含层权值修正量Δwlj为
Figure BDA0003016209990000093
隐含层阈值修正量Δθl为
Figure BDA0003016209990000094
其中，ηn为增益因子；xj为输入层神经元输入。
进行模型训练验证时，使用在城市工况上获取的目标车辆历史车速、前车历史车速、到下一个交通灯的距离的历史数据和交通灯状态历史数据，将数据的前80％作为训练数据集，剩余的20％作为验证数据集。
(2)预测未来车速
根据建立的BP神经网络未来车速预测模型，对目标车辆预测时域HS内的未来车速进行预测：模型输入选定为目标车辆当前车速vP(k)、前车当前车速vPP(k)、到下一个交通灯的距离XTL(k)、交通灯状态TL(k)和交通灯切换时间Tex(k)。经图5所示BP神经网络车速预测模型预测可获取未来车速序列vP(k+i)，i＝1:HS，k表示车辆运行的第k个时刻，i表示车速预测时域HS的第i个车速预测时间节点。其中，目标车辆当前车速vP(k)通过目标车辆车速传感器获取；前车当前车速vPP(k)通过V2V通信获取；目标车辆到下一个交通灯的距离XTL(k)通过GPS通信获取；交通灯状态和切换时间通过V2I通信获取。
(3)建立电池组电热耦合模型及热泵空调系统模型
本发明为实现动力电池的快速加热，并提高加热过程的能量转化率，使用热泵空调系统间接加热电池的加热结构，包括电池侧液体加热环路和热泵空调系统环路两部分。基于以上结构，为了实现加热过程的MPC优化求解，需要建立预测模型模拟电池的电热特性和热泵空调系统的换热特性。
具体介绍如下：
1)电池组电热耦合模型
本发明利用传热液体对流换热加热电池组，电池组中各电池温度差异较小，故忽略电池组温度不一致性。根据能量守恒定律可以得出电池组的温度变化为
Figure BDA0003016209990000101
其中，
Figure BDA0003016209990000102
为电池组内部产生的总热量；
Figure BDA0003016209990000103
为电池组从传热液体吸收的总热量；
Figure BDA0003016209990000104
为因低温环境散失的热量；cb为电池的比热容；mb,p为电池组集中质量；Tb为电池组温度。
电池组内部产生的总热量可根据Bernardi生热率模型确定
Figure BDA0003016209990000105
其中，
Figure BDA0003016209990000106
为单体电池生热量；I为单体电池负载电流；E为单体电池端电压；Uoc为单体电池开路电压；nc为电池组串联电池数；nb为电池组并联电池数。
为获得单体电池电流电压关系，使用电阻模型模拟单体电池电学特性，数学描述为
E＝Uoc-IR (13)
其中，R为单体电池内阻。
将式(13)代入式(36)可得
Figure BDA0003016209990000107
电池组与传热液体交换的热量
Figure BDA0003016209990000108
可采用均匀壁温模型获得
Figure BDA0003016209990000109
其中，Two为电池组出口处液体温度，假设和热泵空调系统冷凝器入口处传热液体温度相等；Twi为电池组入口处传热液体温度，假设和热泵空调系统冷凝器出口处传热液体温度相等；Gw为传热液体质量流量；cw为传热液体比热容。电池组出口处传热液体温度Two表示为
Figure BDA00030162099900001010
其中，Ab为电池组与传热液体接触面积；hb为换热系数。
传热液体质量流量Gw为
Gw＝Vpump·ηpump·npump·ρw·2π/60 (2)
其中，Vpump为水泵排量；ηpump为水泵容积效率；npump为水泵转速；ρw为传热液体密度。
水泵的功耗为
Figure BDA0003016209990000111
其中，Ppump,m为机械功率；ηm为水泵功率转化率；Δppump为水泵压降。
根据式(35)、式(37)、式(38)可得电池组电热耦合模型为
Figure BDA0003016209990000112
其中，模型输入为电池组入口处传热液体温度Twi；输出为电池温度变化率
Figure BDA0003016209990000113
传热液体质量流量Gw由水泵转速npump调节。
2)热泵空调系统模型
根据热泵空调系统循环中压缩机、冷凝器、蒸发器处的工质状态进行热泵空调系统建模。压缩机模型用于构建压缩机转速和工质质量流量的关系
Figure BDA0003016209990000114
其中，Gr为工质质量流量；Vm为压缩机排量；v1为压缩机吸气状态下的比容；n为压缩机转速；λ为压缩机输气系数，其与压缩比ε之间的实验关系为
Figure BDA0003016209990000115
其中，a1、a2为回归系数；k为多变指数。
冷凝器处冷凝温度变化量为
Figure BDA0003016209990000116
其中，cc为冷凝器处工质比热容；mc为冷凝器内工质质量；qk为单位质量制热量；Kc为冷凝器传热系数；Ac为冷凝器的传热面积。
冷凝器出口传热液体温度变化量为
Figure BDA0003016209990000117
其中，cw为冷凝器处传热液体比热容；mw为冷凝器内传热液体质量。
蒸发器处蒸发温度变化量为
Figure BDA0003016209990000118
其中，ce为蒸发器处工质比热容；me为蒸发器内工质质量；Ke为蒸发器传热系数；Ae为蒸发器的传热面积；q0为单位质量制热负荷；Teai、Teao为蒸发器空气进、出风温度。
蒸发器空气侧出口空气温度
Figure BDA0003016209990000121
其中，ca为空气比热容；Ga为空气质量流量。
忽略压缩过程热损失，则热泵空调系统的能量消耗Prebeng与单位时间压缩机压缩功相等
Figure BDA0003016209990000122
其中，w0为单位压缩功；Tsh为过热度；R为热力学常数。
式(5)～式(7)为热泵空调系统模型，系统输入为压缩机转速n，输出为冷凝器出口处传热液体温度Twi。
(4)量化车速变化对电池加热过程的影响
车速变化对动力电池加热过程的影响表现在对电池生热和热泵空调系统换热两个方面。为了量化车速变化对电池加热的影响，将单体电池负载电流写成总需求功率的函数
Ibat＝[(Ptrac+PRM)/nc/nb]/E (10)
PRM＝PBTM+Pcheng,PBTM＝Prebeng+Ppump (11)
其中，Pcheng为加热乘员舱功率消耗；PRM为电动汽车热管理功率消耗；PBTM为动力电池热管理功率消耗；Prebeng为热泵空调系统功率消耗；Ppump为水泵功率消耗；Ptrac为电动汽车的牵引功率消耗，表示为
Figure BDA0003016209990000123
其中，Vveh为车速；m为车辆的质量；η是牵引系统效率；Fr和Fa为滚动阻力和气动阻力。
根据式(10)和式(13)可得
Figure BDA0003016209990000124
式(14)表明车速变化对负载电流存在影响，而负载电流变化又直接影响电池组生热，表明车速变化会对电池组生热产生影响。
另一方面，热泵空调系统蒸发器空气侧的空气质量流量Ga也会受到车速变化影响，可表示为
Ga＝VvehAoρa (15)
其中，Ao为蒸发器迎风面积；ρa为空气密度。
根据式(6)～式(8)可知，车速对空气质量流量的影响，最终会作用到冷凝器出口温度变化上，影响热泵空调系统换热。
(5)模型预测控制算法优化求解
根据图4所示未来车速预测信息传递示意图，在预测时域每一采样时刻，量化车速对电池生热和热泵空调系统换热的影响，将其作为约束。然后，利用模型预测控制以加热电池能耗最低为优化指标，求解出最优控制量。其中，高寒地区动力电池热管理系统具有非线性约束和参数时变的特点，无法在模型预测控制优化求解的过程中，通过直接求解非线性规划问题得到最优控制量，所以本发明采用遗传算法在线求解该优化问题。另外，对动力电池热管理系统的调节通常选用单一控制量(传热液体温度或者传热液体质量流量)，本发明为了进一步提升加热速度，将控制量设定为压缩机转速和水泵转速两个量。具体实施如下：
根据式(1)、式(5)～式(7)将电池组电热耦合模型和热泵空调集中参数模型进行离散化表示
Figure BDA0003016209990000131
Figure BDA0003016209990000132
Figure BDA0003016209990000133
Figure BDA0003016209990000134
其中，Δt表示采样步长。负载电流I(k)和蒸发器处空气出口温度Teao(k)受车速Vveh(k)影响，传热液体质量流量Gw(k)受水泵转速npump(k)影响，工质质量流量Gr(k)受压缩机转速n(k)影响，故可将式(16)～式(19)记作
Tb(k+1)＝f(Twi(k),Tb(k),npump(k),Vveh(k)) (20)
Twi(k+1)＝f(Twi(k),Tc(k),n(k)) (21)
Tc(k+1)＝f(Twi(k),Tc(k),n(k)) (22)
Te(k+1)＝f(Te(k),n(k),Vveh(k)) (23)
基于上述系统离散模型，为了使电池温度维持在最佳温度范围并降低加热能耗，将动力电池热管理功率消耗PBTM作为评价加热电池时的能耗指标。由式(3)、(9)、(11)可知PBTM是压缩机转速n、水泵转速npump、蒸发温度Tc和冷凝温度Te的函数，记作
PBTM(k)＝f(n(k),npump(k),Tc(k),Te(k))。
选定系统控制量为压缩机转速n和水泵转速npump；状态量为电池组温度Tb、冷凝器液体出口温度Twi、蒸发温度Tc、冷凝温度Te，输出量为电池温度Tb。故可将目标函数及约束表示为
Figure BDA0003016209990000141
其中，Tbatr为加热电池组的目标温度；K1和K2为权重因子；预测时域和控制时域都设定为Np，Np取值与车速预测时域相同，为HS；
Figure BDA0003016209990000142
为电池最佳工作温度的上限值；
Figure BDA0003016209990000143
为电池最佳工作温度的下限值；
Figure BDA0003016209990000144
为传热液体温度上限值；
Figure BDA0003016209990000145
为传热液体温度下限值；npumpmin为水泵转速最小值；npumpmax水泵转速最大值；nmin为压缩机转速最小值；nmax为压缩机转速最大值。式(24)中目标函数右侧第一项表示电池温度与目标温度的偏差，取值最小可保证电池工作在最佳温度附近，保证低温环境动力电池性能；第二项表示加热电池的能量消耗，取值越小表示电池加热过程消耗的能量越低。而模型预测控制的预测时域Np取值与车速预测时域相同可以使两时域的时间节点相互对应，保证在模型预测控制优化求解时，在预测时域的每一采样时刻获取到该时刻的车速预测信息，量化车速对加热过程的影响，使求解出的控制量作用于系统时能耗最优。
验证效果
本发明以26650磷酸铁锂电池为例进行高寒地区动力电池热管理优化效果探究，电池组热物性参数、传热液体的参数和其他相关参数如表1所示。
表1电池、传热液体液和其他基本条件参数表
Figure BDA0003016209990000151
电池包采用64×36的串并联方式，电池组、传热液体初始温度为-20℃，目标温度为17℃。将表1中的参数代入液体加热条件下锂离子电池电热耦合模型和本发明所提出的高寒地区电池组模型预测控制(Model Predictive Control,MPC)加热优化策略中，在NEDC(New European Driving Cycle)工况下进行仿真验证，NEDC工况的车速如图6所示，负载电流变化如图7所示。将MPC加热优化方法和PID控制加热方法进行对比，电池组温度变化如图8所示，电池组能量消耗如图9所示。从图7可以看出，PID方法加热速率较慢，在980s才将电池加热到目标温度，而本发明提出的方法可以350s将电池温度加热到目标温度，缩短了加热时间。从图8可以看出，PID能量消耗为270kJ，而MPC加热优化方法能量消耗为200kJ，能量消耗减小了25％。综上所述，本发明提出的电池组模型预测控制加热优化策略能够缩短加热时间，降低加热过程能量消耗，为电动汽车正常运行提供保障。

Claims (1)

1.一种智能网联电动汽车高寒地区动力电池热管理优化方法，其特征在于：其步骤是：
S1、基于目标车辆历史车速、前车历史车速、到下一个交通灯的距离历史数据和交通灯状态历史数据，构建基于BP神经网络的未来车速预测模型；
使用BP神经网络建立未来车速预测模型，该BP神经网络采用3层结构，即包含1个输入层、1个隐含层和1个输出层，输入层神经元设置为5个，分别对应目标车辆当前车速、前车当前车速、到下一个交通灯的距离、交通灯状态和交通灯切换时间；输出层神经元设置为HS个，分别对应未来车速预测时域HS每一时刻的未来车速，隐含层神经元设置为9个；
使用在城市工况上获取的目标车辆历史车速、前车历史车速、到下一个交通灯的距离的历史数据、交通灯状态历史数据和交通灯切换时间历史数据，进行模型的训练和验证，其中，将数据的前80％作为训练数据集，剩余的20％作为验证数据集；
S2、基于通过车速传感器获取的目标车辆当前车速、智能网联通信获得的前车当前车速、到下一个交通灯的距离和交通灯状态数据，使用BP神经网络车速预测模型实时预测目标车辆的未来车速；
根据步骤S1得到的BP神经网络未来车速预测模型，对预测时域HS内的目标车辆未来车速进行预测；模型输入为：目标车辆当前车速vP(k)、前车当前车速vPP(k)、到下一个交通灯的距离XTL(k)、交通灯状态TL(k)和交通灯切换时间Tex(k)，经BP神经网络未来车速预测模型输出未来车速序列vP(k+i)，i＝1:HS，k表示车辆运行的第k个时刻，i表示车速预测时域HS的第i个车速预测时间节点；
S3、建立电池组电热耦合模型和热泵空调系统集中参数模型作为模型预测控制的预测模型；
①建立电池组电热耦合模型模拟动力电池高寒地区电热特性，表示如下
Figure FDA0003511141460000011
其中，Tb为电池组的温度；I为流经单体电池的负载电流；R为单体电池内阻；nc为电池组串联电池数；nb为电池组并联电池数；Gw为传热液体质量流量；cw为液体比热容，Two为电池组出口处传热液体温度，假设和热泵空调系统冷凝器入口处传热液体温度相等；Twi为电池组入口处传热液体温度，假设和热泵空调系统冷凝器出口处传热液体温度相等；
Figure FDA0003511141460000012
为因低温环境导致电池组散失的热量；cb为电池的比热容；mb,p为电池组集中质量；
②传热液体质量流量Gw为
Gw＝Vpump·ηpump·npump·ρw·2π/60 (2)
其中，Vpump为水泵排量；ηpump为水泵容积效率；npump为水泵转速；ρw为传热液体密度；
③水泵的功耗为
Figure FDA0003511141460000021
其中，Ppump,m为机械功率；ηm为水泵功率转化率；Δppump为水泵压降；
④根据热泵空调系统循环中压缩机、冷凝器、蒸发器处的工质状态进行热泵空调系统建模；
压缩机模型用于表征压缩机转速对工质质量流量的影响
Figure FDA0003511141460000022
其中，Gr为工质质量流量；Vm为压缩机排量；v1为压缩机吸气状态下的比容；n为压缩机转速；λ为压缩机输气系数；
⑤冷凝器处冷凝温度变化量为
Figure FDA0003511141460000023
其中，cc为冷凝器处工质比热容；mc为冷凝器内工质质量；qk为单位质量制热量；Kc为冷凝器传热系数；Ac为冷凝器的传热面积；
⑥冷凝器出口传热液体温度变化量为
Figure FDA0003511141460000024
其中，cw为冷凝器处传热液体比热容；mw为冷凝器内传热液体质量；
⑦蒸发器处蒸发温度变化量为
Figure FDA0003511141460000025
其中，ce为蒸发器处工质比热容；me为蒸发器内工质质量；Ke为蒸发器传热系数；Ae为蒸发器的传热面积；q0为单位质量制热负荷；Teai、Teao为蒸发器空气进、出风温度；
⑧蒸发器空气侧出口空气温度为
Figure FDA0003511141460000026
其中，ca为空气比热容；Ga为空气质量流量；
⑨忽略压缩过程热损失，则热泵空调系统的能量消耗Prebeng与单位时间压缩机压缩功相等
Figure FDA0003511141460000031
其中，w0为单位质量压缩功；Tsh为过热度；R为热力学常数；ε为压缩比，受蒸发温度Te和冷凝温度Tc影响；k为多变指数；
S4、根据预测的未来车速序列，将未来车速变化对电池生热和热泵空调系统换热的影响项引入预测模型；
①为了量化车速变化对电池生热的影响，将单体电池负载电流写成总需求功率的函数
Ibat＝[(Ptrac+PRM)/nc/nb]/E (10)
PRM＝PBTM+Pcheng,PBTM＝Prebeng+Ppump (11)
其中，Pcheng为加热乘员舱功率消耗；PRM为电动汽车热管理功率消耗；PBTM为动力电池热管理功率消耗；Prebeng为热泵空调系统功率消耗；Ppump为水泵功率消耗；Ptrac为电动汽车的牵引功率消耗，表示为
Figure FDA0003511141460000032
其中，Vveh为车速；m为车辆的质量；η是牵引系统效率；Fr和Fa为滚动阻力和气动阻力；
②单体电池的电学特性可使用电阻模型模拟，表示为
E＝Uoc-IR (13)
其中，E为单体电池端电压；Uoc为单体电池开路电压；
③根据式(10)和式(13)可得
Figure FDA0003511141460000033
式(14)表明车速变化对负载电流存在影响，而负载电流变化又直接影响电池组生热，表明车速变化会对电池组生热产生影响；
④另一方面，在热泵空调系统中蒸发器空气侧的空气质量流量Ga也会受到车速变化影响，可表示为
Ga＝VvehAoρa (15)
其中，Ao为蒸发器迎风面积；ρa为空气密度；
S5、将能耗最少与电池组目标温度和实际温度偏差最小作为优化目标，将压缩机转速、水泵转速等限制作为约束，使用模型预测控制算法求解出最优压缩机转速和水泵转速作为控制量，调节加热过程；
①根据式(1)、式(5)～式(7)，将电池组电热耦合模型和热泵空调系统模型进行离散化表示
Figure FDA0003511141460000041
Figure FDA0003511141460000042
Figure FDA0003511141460000043
Figure FDA0003511141460000044
其中，Δt表示采样步长；
②负载电流I(k)和蒸发器处空气出口温度Teao(k)受车速Vveh(k)影响，传热液体质量流量Gw(k)受水泵转速npump(k)影响，工质质量流量Gr(k)受压缩机转速n(k)影响，故可将式(16)～式(19)记作
Tb(k+1)＝f(Twi(k),Tb(k),npump(k),Vveh(k)) (20)
Twi(k+1)＝f(Twi(k),Tc(k),n(k)) (21)
Tc(k+1)＝f(Twi(k),Tc(k),n(k)) (22)
Te(k+1)＝f(Te(k),n(k),Vveh(k)) (23)
③基于上述系统离散模型，为了使电池温度维持在最佳温度范围并降低加热能耗，将电池热管理功率消耗PBTM作为评价加热电池时的能耗指标；由式(3)、式(9)和式(11)可知PBTM是压缩机转速n、水泵转速npump、蒸发温度Tc和冷凝温度Te的函数，记作
PBTM(k)＝f(n(k),npump(k),Tc(k),Te(k))；
选定系统控制量为压缩机转速n和水泵转速npump；状态量为电池组温度Tb、冷凝器出口处传热液体温度Twi、蒸发温度Tc、冷凝温度Te；输出量为电池组温度Tb；
④故可将目标函数及约束表示为
Figure FDA0003511141460000051
其中，Tbatr为加热电池组的目标温度；K1和K2为权重因子；预测时域和控制时域都设定为Np，Np取值与车速预测时域相同，为HS；
Figure FDA0003511141460000052
为电池最佳工作温度的上限值；
Figure FDA0003511141460000053
为电池最佳工作温度的下限值；
Figure FDA0003511141460000054
为传热液体温度上限值；
Figure FDA0003511141460000055
为传热液体温度下限值；npumpmin为水泵转速最小值；npumpmax水泵转速最大值；nmin为压缩机转速最小值；nmax为压缩机转速最大值。
CN202110389142.1A 2021-04-12 2021-04-12 智能网联电动汽车高寒地区动力电池热管理优化方法 Active CN113128110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110389142.1A CN113128110B (zh) 2021-04-12 2021-04-12 智能网联电动汽车高寒地区动力电池热管理优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110389142.1A CN113128110B (zh) 2021-04-12 2021-04-12 智能网联电动汽车高寒地区动力电池热管理优化方法

Publications (2)

Publication Number Publication Date
CN113128110A CN113128110A (zh) 2021-07-16
CN113128110B true CN113128110B (zh) 2022-04-01

Family

ID=76776312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110389142.1A Active CN113128110B (zh) 2021-04-12 2021-04-12 智能网联电动汽车高寒地区动力电池热管理优化方法

Country Status (1)

Country Link
CN (1) CN113128110B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113659246B (zh) * 2021-10-20 2022-01-25 中国气象科学研究院 适应于极地超低温环境的电池系统及其控温方法
CN115230433B (zh) * 2022-08-23 2024-05-14 重庆大学 电动汽车乘员舱与动力电池协同加热控制方法及装置
CN115412479B (zh) * 2022-08-31 2023-08-22 西安交通大学 用于实现车辆热管理能量最优分配的路由器及其控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062086A (zh) * 2017-12-08 2018-05-22 中航锂电技术研究院有限公司 基于Simscape电池组模型验证电池充放电控制策略的方法
CN108510129A (zh) * 2018-04-12 2018-09-07 中南大学 一种无人驾驶车辆实时电量智慧预测方法及装置
CN109050200A (zh) * 2018-08-22 2018-12-21 吉林大学 一种汽车热泵空调的控制方法
CN111261973A (zh) * 2020-01-19 2020-06-09 重庆大学 基于模型预测控制的电动汽车整车电池热管理方法
CN111597723A (zh) * 2020-05-20 2020-08-28 重庆大学 基于改进的智能模型预测控制的电动汽车空调系统智能控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200168963A1 (en) * 2018-11-28 2020-05-28 Sf Motors, Inc. Electric vehicle battery cell heat transfer system and method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062086A (zh) * 2017-12-08 2018-05-22 中航锂电技术研究院有限公司 基于Simscape电池组模型验证电池充放电控制策略的方法
CN108510129A (zh) * 2018-04-12 2018-09-07 中南大学 一种无人驾驶车辆实时电量智慧预测方法及装置
CN109050200A (zh) * 2018-08-22 2018-12-21 吉林大学 一种汽车热泵空调的控制方法
CN111261973A (zh) * 2020-01-19 2020-06-09 重庆大学 基于模型预测控制的电动汽车整车电池热管理方法
CN111597723A (zh) * 2020-05-20 2020-08-28 重庆大学 基于改进的智能模型预测控制的电动汽车空调系统智能控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Prediction of SOC of lead-acid battery in pure electric vehicle based on BSA-RELM";Wu, Zhongqiang等;《Prediction of SOC of lead-acid battery in pure electric vehicle based on BSA-RELM》;20180930;第10卷(第5期);摘要 *
"某纯电动卡车电池组热管理研究";王亚峰;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20170215(第02期);C035-655 *

Also Published As

Publication number Publication date
CN113128110A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN113128110B (zh) 智能网联电动汽车高寒地区动力电池热管理优化方法
CN111261973B (zh) 基于模型预测控制的电动汽车整车电池热管理方法
Kuang et al. Research on control strategy for a battery thermal management system for electric vehicles based on secondary loop cooling
Wang et al. Supervisory and optimal control of building HVAC systems: A review
CN113300027B (zh) 一种基于预测控制的动力电池热管理系统及其控制方法
CN104019520B (zh) 基于spsa的制冷系统最小能耗的数据驱动控制方法
CN111597723B (zh) 基于改进的智能模型预测控制的电动汽车空调系统智能控制方法
CN110641250B (zh) 基于人体热舒适理论和模糊pid控制的电动汽车空调系统智能控制方法
Olabi et al. Application of artificial intelligence for prediction, optimization, and control of thermal energy storage systems
CN115774929A (zh) 一种考虑节能和电池寿命的电动汽车热管理控制系统及方法
CN113224412B (zh) 动力电池的控温方法、ampc控制器、热管理系统及介质
CN115732810A (zh) 一种电动汽车电池包加温系统控制方法
CN116624984A (zh) 一种冰蓄冷空调系统经济性和响应性双目标优化模型预测控制方法
CN115230433B (zh) 电动汽车乘员舱与动力电池协同加热控制方法及装置
CN114335625A (zh) 燃料电池堆温度控制方法、装置、模型预测控制器及系统
CN115840987A (zh) 一种基于深度强化学习的混动汽车热管理策略生成方法
CN111572407B (zh) 一种混动汽车热管理系统及其控制方法
CN116512990A (zh) 一种纯电动汽车中高温环境下的电池热管理系统及其控制方法
Zhao et al. A two-stage eco-cooling control strategy for electric vehicle thermal management system considering multi-source information fusion
Lian et al. Thermal management optimization strategy of electric vehicle based on dynamic programming
Hajidavalloo et al. NMPC-based integrated thermal management of battery and cabin for electric vehicles in cold weather conditions
CN116638914A (zh) 基于td3算法的多控制器协同控制整车热管理控制方法
CN113719929B (zh) 一种溴化锂空调系统整体性优化控制方法和系统
He et al. Backpropagation Neural Network‐Based Prediction Model for Fuel Cell Thermal Management System
Ma et al. Multi-Layer NMPC for Battery Thermal Management Optimization Strategy of Connected Electric Vehicle Integrated With Waste Heat Recovery

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220921

Address after: 430056 South Taizi Lake Innovation Valley, 22MB Plot, Wuhan Economic and Technological Development Zone, Wuhan City, Hubei Province (set NTZH-3-3-303)

Patentee after: Yidong New Energy Technology Co.,Ltd.

Address before: 130012 No. 5988 Renmin Street, Jilin, Changchun

Patentee before: Jilin University

TR01 Transfer of patent right