CN114704370A - 一种基于参数在线学习和mpc的热管理系统能效优化算法 - Google Patents

Abstract

本发明提出了一种基于参数在线学习和MPC的热管理系统能效优化算法，本发明采用模型预测控制，提出基于冷却液温差的滚动优化规划方法，在建立冷却系统功耗模型的基础上，引入冷却系统总功耗及进出口冷却液温差作为优化目标，进而规划功耗最佳时的进出口冷却液温差，从而实现过驱动冷却系统的整体能效优化；同时建立扩张状态观测器，对冷却系统中不可测扰动及外部扰动进行观测及补偿，降低内外部扰动对MPC的影响；针对建立的冷却系统功耗模型，通过参数在线学习算法，实时对数据处理并进行模型参数的在线优化，提高模型精度，进而提高算法的鲁棒性。

Description

一种基于参数在线学习和MPC的热管理系统能效优化算法

技术领域

本发明涉及发动机技术领域，特别是涉及一种基于参数在线学习和MPC的热管理系统能效优化算法。

背景技术

自从汽车以及内燃机发明以来,内燃机就逐渐成为了汽车最重要的动力源。内燃机技术有了突飞猛进的发展。发动机电气化冷却系统能够通过灵活地调节电子水泵、风扇及节温器，实现冷却液及冷却风的按需供给，保证发动机处于理想的热状态，从而获得良好的发动机性能。发动机的燃油经济性是电气化冷却系统改善的主要方面，通过降低发动机的摩擦损耗及冷却系统的执行器功率，可至少降低发动机油耗2％～3％，且节油成本较低。鉴于电气化冷却系统对于发动机燃油经济性的贡献，其控制问题逐渐成为研究热点。

目前，发动机电气化冷却系统的控制问题主要集中在对冷却液温度的跟踪控制上，这样做可以解决传统机械冷却系统中冷却液的过冷或过热问题，有效降低发动机油耗，然而，精确的水温跟踪需要冷却系统执行器调整动作较大，会导致较大的冷却系统执行器的功率损耗。鉴于此，Pettersson(Pettersson N,Johansson K H.Modelling and controlof auxiliary loads in heavy vehicles[J].International Journal of Control,2006,79(5):479-495.)及Nilsson(Nilsson M,Johannesson L,Askerdal M,etal.Assessing the potential of prediction in energy management for ancillariesin heavy-duty trucks[C]//2014European Control Conference.Strasbourg,France:IEEE,2014:1693-1698.)(Nilsson M,Johannesson L.Convex optimization forauxiliary energy management in conventional vehicles[C]//Vehicle power andpropulsion conference.Coimbra,Portugal:IEEE,2014:1-6.)等采用庞特里亚金极大值原理实现实时的滚动优化控制，但只是依赖于当前需求车速的因果控制。此外，Nilsson还在已知全局驾驶循环车速条件下，采用动态规划方法离线获得了全局最优解。上述研究都没有实现基于未来一段时间内需求车速的实时的滚动优化。Khodabakhshian(Khodabakhshian M,Feng L,

S.Reducing auxiliary energy consumption ofheavy trucks by onboard prediction and real-time optimization[J].AppliedEnergy,2017,188:652-671.)等将非线性动力学模型和目标函数线性化，从而将最优控制问题转化为QP问题，使用优化工具箱FORCES Pro进行求解。但是该工具箱在MicroAutoBox硬件平台上求解时间较长，为了实现实时的滚动优化控制，Khodabakhshian每隔10s求解一次QP问题，并保存控制变量用于未来10s。这种做法弱化了滚动控制的作用，当扰动变量发生改变时控制变量无法及时地响应，导致控制效果变差。吉林大学的吕良(吕良.面向节能的汽车发动机热管理系统建模与优化控制[D].吉林大学,2020.)采用MPC进行能耗优化，通过引入冷却系统功耗作为优化目标对控制律的自由度加以限定，得到一个功耗最佳的控制律，从而实现过驱动冷却系统的温度跟踪控制，但这种直接控制附件的方式设计复杂，影响实际应用，且所用模型为固定参数，对内外工作环境变化的适应程度较差。

总而言之，现有冷却系统能效优化技术还有进一步改进的空间。在此基础上，本发明提出了一种基于参数在线学习和MPC的热管理系统能效优化算法。

发明内容

本发明的目的是针对冷却系统能效优化技术中的缺失基于未来预测数据的实时滚动优化及出现扰动时控制效果差的问题，而提供一种基于参数在线学习和MPC(模型预测控制)的热管理系统能效优化算法。

为实现本发明的目的，一种基于参数在线学习和MPC的热管理系统能效优化算法，包括以下步骤：

步骤1，根据发动机热管理系统的冷却液温度变化机理，建立发动机冷却系统模型，根据风扇、水泵附件的机理及热管理系统冷却液温度模型来建立冷却系统功耗模型；

优选的，根据发动机热管理系统的冷却液温度变化机理，建立包含风扇流量模型、水泵流量模型、发动机散热量预测模型、冷却液传热量模型、散热器散热量、由于管道传输延迟导致的时延模型在内的冷却系统模型，根据风扇、水泵附件的机理及冷却系统模型建立冷却系统功耗模型；

步骤2，根据发动机出口目标冷却液温度和发动机出口实际冷却液温度的温差，在步骤1建立的冷却系统功耗模型的基础上，建立对应目标函数，通过MPC规划得到在冷却系统功耗最低时的进出口目标冷却液温差，以得到进口目标冷却液温度；

步骤3，根据步骤2中MPC规划的进出口目标冷却液温差，通过冷却系统控制器得到风扇、水泵的实际转速，通过发动机冷却系统仿真模型推演，得到风扇、水泵的功耗以及实际进出口冷却液温度；

步骤4，根据发动机实际的进出口冷却液温度及风扇、水泵转速，通过扩张状态观测器实时观测总扰动

并补偿于步骤2的MPC规划中；

步骤5，根据发动机冷却系统实时风扇、水泵的转速及功耗数据，通过参数在线学习算法实时对步骤1的冷却系统功耗模型中的模型参数进行迭代优化，并将优化后参数替换冷却系统功耗模型中原参数，用于步骤2。

在上述技术方案中，所述步骤1中，发动机热管理系统模型中发动机散热量预测模型表示为Q_e＝f(m_f,U)；发动机热管理系统模型中风扇流量模型表示为

水泵流量模型表示为

发动机热管理系统模型中冷却液传热量模型表示为

散热器散热量模型表示为

时延模型表示为

发动机冷却系统可表示为

其中，m_f表示发动机喷油速率，U表示发动机换热系数，，

表示冷却空气质量流量，

表示冷却液质量流量，u_fan表示风扇转速，u_pump表示水泵转速，T_out表示实际出口冷却液温度，T_in表示实际进口冷却液温度，τ表示冷却液传输延迟造成的冷却液温度变化延时，V表示热管理系统中不同部分管道及水套容积。

在上述技术方案中，所述步骤1中，建立的冷却系统功耗模型可表示为P_c＝P_fan+P_pump＝f(ΔT)，其中P_c为冷却系统总功耗，P_fan为风扇功耗，P_pump为水泵功耗。

在上述技术方案中，所述步骤2中，发动机出口目标冷却液温度表示为T_out,ref＝f(n_e,BMEP,P_fri,P_cool…)。

在上述技术方案中，所述步骤2中，目标函数

其中p,q为权重系数，T_{out_ref}为目标出口冷却液温度，T_out表示实际出口冷却液温度，P_c为冷却系统总功耗。

在上述技术方案中，所述步骤2中，MPC规划的方法具体为：

采用时间间隔Δt将预测时域[t₀,t]划为N_p等份，得到规划问题

s.t.0≤u_fan≤u_fan,max

u_pump,min≤u_pump≤u_pump,max。

在上述技术方案中，所述步骤4中，将T_out和T_in均用T表示，u_fan和u_pump均用u表示，扩张状态观测器表示为)

其中，

是观测器状态向量，

C＝[1 0]；z₂为总扰动的估计；

是对输出的估计。

在上述技术方案中，所述步骤4中，参数在线学习算法采用采用递推算法，对冷却系统功耗模型中的比例系数k_p,fan及k_p,pump及P_c＝f(ΔT)中的参数进行在线学习。

在上述技术方案中，将所需学习参数用θ表示，

为所需学习参数的估计值，将功耗模型离散化，定义y(k)＝P_c(k)-P_c(k-1)，

对于多个采样点，Y＝[y(1) y(2) y(3) … y(n)]^T,

有

与现有技术相比，本发明的有益效果是：

1.通过使用MPC规划进出口冷却液温差，在冷却系统功耗最低的前提下实现对冷却系统附件的控制，达到节能的效果；

2.通过使用扩张状态观测器，对内外部总扰动进行主动观测和补偿，显著提升了控制器的鲁棒性；通过参数在线学习算法，对冷却系统功耗模型的功耗比例参数进行在线迭代更新，显著提升了MPC的适配性；

3.总体来说，基于参数在线学习和MPC的热管理系统能效优化算法在能耗最低的同时提高了算法的鲁棒性。

附图说明

图1所示为本发明的技术方案示意图。

具体实施方式

以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

本发明的基本思路是：采用模型预测控制，提出基于冷却液温差的滚动优化规划方法，在建立冷却系统功耗模型的基础上，引入冷却系统总功耗及进出口冷却液温差作为优化目标，进而规划功耗最佳时的进出口冷却液温差，实现过驱动冷却系统的整体能效优化；同时建立扩张状态观测器，对冷却系统中不可测扰动及外部扰动进行观测及补偿，降低内外部扰动对MPC的影响；针对建立的冷却系统功耗模型，通过参数在线学习算法，实时对数据处理并进行功耗比例参数的在线优化，提高模型精度，进而提高算法的鲁棒性。

本发明提出一种基于参数在线学习和MPC的热管理系统能效优化算法，具体包括以下步骤：

步骤1，根据发动机热管理系统的冷却液温度变化机理，建立发动机冷却系统模型，根据风扇、水泵附件的机理及热管理系统冷却液温度模型来建立冷却系统功耗模型；具体来说，根据发动机热管理系统的冷却液温度变化机理研究，建立包含风扇流量模型、水泵流量模型、发动机散热量预测模型、冷却液传热量模型、散热器散热量、由于管道传输延迟导致的时延模型在内的冷却系统模型，根据风扇、水泵附件的机理研究及冷却系统模型建立冷却系统功耗模型；在本步骤1中，节温器功耗在冷却系统总功耗所占比可忽略不计，因此建立的冷却系统功耗模型不包括节温器模型。

步骤2，根据发动机出口目标冷却液温度和发动机出口实际冷却液温度的温差，在步骤1建立的冷却系统功耗模型的基础上，建立对应目标函数，通过MPC规划得到在冷却系统功耗最低时的进出口目标冷却液温差；

步骤3，根据步骤2中MPC规划的进出口目标冷却液温差，通过冷却系统控制器得到风扇、水泵的实际转速，通过发动机冷却系统仿真模型推演，得到风扇、水泵的功耗以及实际进出口冷却液温度；

步骤4，根据发动机实际的进出口冷却液温度及风扇、水泵转速，通过扩张状态观测器实时观测总扰动

并补偿于步骤2中的MPC；

步骤5，根据发动机冷却系统实时风扇、水泵的转速及功耗数据，通过参数在线学习算法实时对冷却系统功耗模型中的模型参数进行迭代优化，并将优化后参数替换冷却系统功耗模型中原参数，用于步骤2。

实施例2

所述步骤1中，发动机热管理系统模型中发动机散热量预测模型，可表示为Q_e＝f(m_f,U)；发动机热管理系统模型中风扇流量模型可表示为

水泵流量模型表示为

发动机热管理系统模型中冷却液传热量模型可表示为

散热器散热量模型可表示为

时延模型表示为

冷却系统模型可表示为

具体的，m_f表示发动机喷油速率，U表示发动机换热系数，，

表示冷却空气质量流量，

表示冷却液质量流量，u_fan表示风扇转速，u_pump表示水泵转速，T_out表示实际出口冷却液温度，T_in表示实际进口冷却液温度，τ表示冷却液传输延迟造成的冷却液温度变化延时，V表示热管理系统中不同部分管道及水套容积。

所述步骤1中，建立的冷却系统功耗模型可表示为

P_fan＝k_p,fanf(u_fan)

P_pump＝k_p,pumpf(u_pump)

且冷却系统总功耗表示为

P_c＝P_fan+P_pump

结合建立的冷却系统模型，冷却系统总功耗表示为

P_c＝f(ΔT)

其中，P_fan为风扇功耗，k_p,fan为风扇功耗比例系数，u_fan为风扇转速，P_pump为水泵功耗，k_p,pump为水泵功耗比例系数，u_pump为水泵转速，P_c为冷却系统总功耗,ΔT为进出口冷却液温差；具体的k_p,fan以及k_p,pump的值根据两个附件的功耗和转速数据通过标定得到。

所述步骤2中，发动机出口目标冷却液温度是基于工况的map，通过在机体可承受的热负荷范围内，热管理系统统筹考虑发动机摩擦损耗、冷却系统功耗、燃烧边界条件(燃烧室温度、冲量密度及温度)等多方面因素得到目标冷却液温度，以改善某项性能或性能加权为目标离线标定得到，从而保证发动机安全温度的基础上提高燃油经济性。发动机出口目标冷却液温度可表示为

T_out,ref＝f(n_e,BMEP,P_fri,P_cool…)。

具体的出口目标冷却液温度值由map确定。

式中，n_e表示发动机转速，BMEP表示制动平均有效压力，P_fri表示发动机摩擦损耗，P_cool表示冷却系统功耗。具体的map输入数据可根据自身条件及需求选定，比如选取以上参数中的任意参数及其组合，不限制于本发明的表述范围。

所述步骤2中，建立目标函数基于保证发动机出口冷却液温度跟踪出口目标冷却液温度，且冷却系统总功耗最低的前提，除此之外，为保证执行器的最大工作能力，还需加入对执行器的约束：

{0≤u_fan≤u_fan,max,u_pump,min≤u_pump≤u_pump,max}

所述步骤2中，目标函数

其中p,q为权重系数,T_{out_ref}为目标出口冷却液温度，T_out表示实际出口冷却液温度，P_c为冷却系统总功耗。本实施例中p＝0.5,q＝0.5。

项(T_{out_ref}-T_out)²的作用是降低实际出口冷却液温度和目标出口冷却液温度的偏差，项P_c的作用是减小冷却系统总功耗。

权重系数p,q可根据需求不同改变，本发明采取p＝0.5,q＝0.5。

MPC规划的方法具体为：

采用时间间隔Δt将预测时域[t₀,t]划为N_p等份，得到规划问题

s.t.0≤u_fan≤u_fan，max

u_pump，min≤u_pump≤u_pump,max

在实际系统中存在外部扰动和模型失配等问题，本发明通过扩张状态观测器对内外部总扰动进行观测估计，并将估计的总扰动

输入MPC中进行补偿。

目标函数中的冷却系统总功耗P_c是ΔT的函数，在最小化目标函数的求解过程中，通过步骤1建立的P_c和ΔT的关系，输出ΔT作为目标进出口冷却液温差。MPC需要在每一个采样时刻重复计算，以获得新的最优规划序列，并只将最优规划序列的第一个结果应用于发动机冷却系统。

所述步骤3中，冷却系统控制器、发动机冷却系统仿真模型为现有技术，可采用多种控制方式，此处不再赘述。

实施例3

所述步骤4中，扩张状态观测器根据步骤1建立冷却系统模型设计，表示为(为表达方便，以下内容将T_out和T_in均用T表示，u_fan和u_pump均用u表示)

其中，

是观测器状态向量，是对x的估计，

C＝[1 0]，

是观测器增益向量；y(t)是实际冷却液温度，

是对y，即冷却液温度的估计；x₁为冷却液温度，x₂为扩张状态f,即为总扰动

据上式得

则

特征方程如下：

λ(s)＝|sI-(A-LC)|＝s²+β₁s+β₂

将ESO环传递函数极点配置到-ω₀处，配置如下：

λ(s)＝s²+β₁s+β₂＝(s+ω_o)²

得到：

最终得：

其中，z₂即为观测到的总扰动

ω_o为观测器带宽，通过系统特性及经验确定。

优选地，所述步骤4中，参数在线学习算法采用采用递推最小二乘法，但不限于该方法，对冷却系统功耗模型中的比例系数k_p,fan及k_p,pump及P_c＝f(ΔT)中的参数进行在线学习，考虑到学习原理相同，将所需学习参数用θ表示，

为所需学习参数的估计值。

将功耗模型离散化，定义y(k)＝P_c(k)-P_c(k-1)，

对于多个采样点，

Y＝[y(1) y(2) y(3) … y(n)]^T,

有

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于参数在线学习和MPC的热管理系统能效优化算法，其特征在于，包括如下主要步骤：

步骤1，根据发动机热管理系统的冷却液温度变化机理研究，建立发动机冷却系统模型，根据风扇、水泵附件的机理研究及热管理系统冷却液温度模型来建立冷却系统功耗模型；

步骤2，根据发动机出口目标冷却液温度和发动机出口实际冷却液温度的温差，在步骤1建立的冷却系统功耗模型的基础上，建立对应目标函数，通过MPC规划在冷却系统功耗最低时的进出口目标冷却液温差；

步骤3，根据步骤2中MPC规划的进出口目标冷却液温差，通过冷却系统控制器得到风扇、水泵的实际转速，通过发动机冷却系统仿真模型推演，得到风扇、水泵的功耗以及实际进出口冷却液温度；

步骤4，根据发动机实际的进出口冷却液温度及步骤3中得到的风扇、水泵转速，通过扩张状态观测器实时观测总扰动

并补偿于步骤2的MPC规划中；

步骤5，根据步骤3中得到的发动机冷却系统实时风扇、水泵的转速及功耗，通过参数在线学习算法实时对冷却系统功耗模型中的模型参数进行迭代优化，并将优化后参数替换冷却系统功耗模型中原参数，用于步骤2。

2.如权利要求1所述的基于参数在线学习和MPC的热管理系统能效优化算法，其特征在于，所述步骤1中，根据发动机热管理系统的冷却液温度变化机理，建立包含风扇流量模型、水泵流量模型、发动机散热量预测模型、冷却液传热量模型、散热器散热量、由于管道传输延迟导致的时延模型在内的冷却系统模型，根据风扇、水泵附件的机理及冷却系统模型建立冷却系统功耗模型。

3.如权利要求2所述的基于参数在线学习和MPC的热管理系统能效优化算法，其特征在于，所述步骤1中，发动机热管理系统模型中发动机散热量预测模型表示为Q_e＝f(m_f,U)；发动机热管理系统模型中风扇流量模型表示为

水泵流量模型表示为

发动机热管理系统模型中冷却液传热量模型表示为

散热器散热量模型表示为

时延模型表示为

发动机冷却系统可表示为

其中，m_f表示发动机喷油速率，U表示发动机换热系数，

表示冷却空气质量流量，

表示冷却液质量流量，u_fan表示风扇转速，u_pump表示水泵转速，T_out表示实际出口冷却液温度，T_in表示实际进口冷却液温度，τ表示冷却液传输延迟造成的冷却液温度变化延时，V表示热管理系统中不同部分管道及水套容积。

4.如权利要求1所述的基于参数在线学习和MPC的热管理系统能效优化算法，其特征在于，所述步骤1中，建立的冷却系统功耗模型可表示为P_c＝P_fan+P_pump＝f(ΔT)，其中P_c为冷却系统总功耗，P_fan为风扇功耗，P_pump为水泵功耗。

5.如权利要求1所述的基于参数在线学习和MPC的热管理系统能效优化算法，其特征在于，所述步骤2中，发动机出口目标冷却液温度表示为T_out,ref＝f(n_e,BMEP,P_fri,P_cool…)。

6.如权利要求1所述的基于参数在线学习和MPC的热管理系统能效优化算法，其特征在于，所述步骤2中，目标函数

其中p,q为权重系数，T_{out_ref}为目标出口冷却液温度，T_out表示实际出口冷却液温度，P_c为冷却系统总功耗。

7.如权利要求1所述的基于参数在线学习和MPC的热管理系统能效优化算法，其特征在于，所述步骤2中，MPC规划的方法具体为：

采用时间间隔Δt将预测时域[t₀,t]划为N_p等份，得到规划问题

s.t.0≤u_fan≤u_fan,max

u_pump,min≤u_pump≤u_pump,max。

8.如权利要求1所述的基于参数在线学习和MPC的热管理系统能效优化算法，其特征在于，所述步骤4中，将T_out和T_in均用T表示，u_fan和u_pump均用u表示，扩张状态观测器表示为)

其中，

是观测器状态向量，

C＝[1 0]；z₂为总扰动的估计；

是对输出的估计。

9.如权利要求1所述的基于参数在线学习和MPC的热管理系统能效优化算法，其特征在于，所述步骤4中，参数在线学习算法采用采用递推算法，对冷却系统功耗模型中的比例系数k_p,fan及k_p，pump及P_c＝f(ΔT)中的参数进行在线学习。

10.如权利要求9所述的基于参数在线学习和MPC的热管理系统能效优化算法，其特征在于，将所需学习参数用θ表示，

为所需学习参数的估计值，将功耗模型离散化，定义y(k)＝P_c(k)-P_c(k-1)，

对于多个采样点，Y＝[y(1) y(2) y(3) … y(n)]^T,

有

Images