CN115732810A - 一种电动汽车电池包加温系统控制方法 - Google Patents

Abstract

一种电动汽车电池包加温系统控制方法，其通过建立电池包加温系统模型，利用RBF径向基神经网络建立车速预测模型，获取电动汽车的预测车速，以影响电池包温度的内部因素为状态输入量，以获取预测车速在内的、影响电池包温度的外部因素为扰动输入量，以电池包温度为控制目标，构建电池包加温系统的状态空间方程和代价函数，建立非线性模型预测控制器，获取电池包加温系统的PTC功率，使电池包加温系统以获取的PTC功率进行运行，将运行得到的参数作为新的状态输入量和扰动输入量对电池包加温系统进行控制。本发明的控制方法能够在将电池温度控制在设定值附近的同时使PTC加热器功率最小，且响应速度快。

Description

一种电动汽车电池包加温系统控制方法

技术领域

本发明属于纯电动汽车热管理技术领域，具体涉及一种电动汽车电池包加温系统控制方法。

背景技术

在节能减排和能源转型的大背景下，纯电动汽车发展迅速，但车辆动力性、经济性、续驶里程等指标都受到车载动力电池的严重制约，而车载动力电池的各项性能指标都与动力电池的工作温度有着很大的关系，尤其是磷酸铁锂电池在冬季低温条件下工作时，电池容量衰减严重，导致车辆续航里程显著缩短，由于动力电池的技术瓶颈短期内难以突破，因此在低温条件下，设计高效率的电池加温系统提升动力电池的能量利用率是提高车辆续航里程的重要方式。

电池包加温系统的加热方式有利用电池自身热量加热和利用外部热源加热两种方式，在外部加热方式中，电机余热被普遍用于热管理系统的设计中以节约系统的能耗。由于热泵空调系统效率受到环境温度的限制，在低温条件下工作效率较低，所以当前PTC加热器仍是电池加温系统的主要热源，PTC加热器的能耗高是电池加温系统能量利用率低的主要原因，在电池加温系统控制器对PTC加热器进行加热功率控制的方法中，现有基于on-off和PID的传统控制方法不仅能量利用率较低而且并不能够很好的解决控制时滞的问题。

发明内容

本发明的目的在于提供一种电动汽车电池包加温系统控制方法，以解决现有加热控制方法能量利用率较低、控制时滞长的问题。

为了达到上述目的，本发明所采用的技术方案是：

一种电动汽车电池包加温系统控制方法，包括以下步骤：

S1、建立电池包加温系统模型；

S2、利用RBF径向基神经网络建立车速预测模型，获取电动汽车的预测车速；

S3、设计非线性模型预测控制器：以影响电池包温度的内部因素为状态输入量，以S2所获取预测车速在内的、影响电池包温度的外部因素为扰动输入量，以电池包温度为控制目标，PTC功率为控制变量，构建S1中电池包加温系统的状态空间方程和代价函数；

S4、利用非线性模型预测控制器计算得到电池包加温系统的PTC功率，电池包加温系统以所得PTC功率进行运行；

S5、重复执行步骤S2-S4，对电池包加温系统进行控制。

作为本发明的一种优选方案，S1中电池包加温系统模型包括车辆传动系统模型、电池加热模型以及电机废热回收模型，具体步骤为：

a、构建车辆传动系统模型、电池加热系统模型和电机废热回收系统的整体模型，并确定各子模型之间的关系；

b、构建与车辆传动系统和驱动电机相匹配、且考虑热-电效应的动力电池包物理模型；

c、建立电池加热系统和电机废热回收系统模型，包括电池包生热模型，电池包、驱动电机和电池换热器与载冷剂的换热模型，电池包加热板和PTC加热器的温度变化模型。

作为本发明的一种优选方案，S2中，利用RBF径向基神经网络建立车速预测模型的步骤为：

定义RBF径向基神经网络的输入与输出变量，输入变量为当前时间节点k和过去的H_h时间段之内的历史车速数值，输出变量为未来H_p时间段之内的车速数值；

构建RBF径向基网络函数模型：

net＝newrbe(x_train,y_train,spread)

式中：

x_train为历史时刻(H_h时间段内的)车速向量；

y_train为未来时刻(H_p时间段内的)车速向量；

spread为函数扩展速度。

作为本发明的一种优选方案，S2中，在不同spread参数值，不同历史车速输入时长H_h的条件下，将预测时长H_p设置为1s，并按下式进行测试训练，计算相应时间点的预测误差值和均方根误差值，选取预测误差值和均方根误差值最小时的spread参数值作为预测函数的扩展速度和历史车速输入时长H_h的数值，

其中：

error为对应时间点预测车速与实际车速的差值；

RNSE为均方根误差值；

N为训练工况时长；

V_k,pre为k时刻预测车速值；

V_k,real为实际车速值。

作为本发明的一种优选方案，S3中，所述状态输入量包括电池内部电池温度、电池SOC和载冷剂温度。

作为本发明的一种优选方案，S3中，所述扰动输入量还包括环境温度和电池包加热系统中电子水泵的水泵转速。

作为本发明的一种优选方案，S3中，系统状态空间方程为：

x(k+i|k)＝Ax(k+i-1|k)+B_uu(k+i-1|k)+B_vv(k+i-1|k)；

y(k+i|k)＝Cx(k+i-1|k)；

式中：

x(k+1|k)＝[T_bat(k+1|k),SOC(k+1|k),T_wo(k+1|k)]；

u(k+1|k)＝u[P_ptc(k+1)|k],...,u[P_ptc(k+N_c-1|k)]^T；

v(k+1|k)＝[v_pre(k+1|k),T_amb(k+1|k),n_pumb(k+1|k)]^T；

P_PTC为PTC加热器的功率；

v_pre为预测车速；

T_amb为环境温度；

n_pumb为电子水泵转速。

作为本发明的一种优选方案，S3中，代价函数为：minJ(x(k),u(k))，

式中：

0w≤u(k+i)≤4000w,0≤i≤N_c；

0w≤Δu(k+i)≤100w,0≤i≤N_c；

N_P为预测时域；

W_r为电池包温度误差变化量权重矩阵；

y(k)为电池包的实时温度；

r(k)为电池包设定温度；

N_C为控制时域；

u(k)为控制量；

W_u为PTC加热器功率变化量的权重矩阵。

作为本发明的一种优选方案，采用粒子群算法求解电池加温系统模型的最优控制变量。

作为本发明的一种优选方案，粒子群算法求解电池加温系统模型最优控制变量的具体过程为：

将PTC加热器的功率P_PTC设定为粒子，加温系统模型的最优控制序列为：

使用最优控制序列的第一个元素作为控制变量

用作调节电池包温度的控制变量，在粒子群算法的迭代过程中，每个粒子适应度不断变化，通过跟踪P_j和P_g的最佳位置来使种群实时更新，粒子j的速度和位置通过下式更新：

V_j(k+1)＝ωV_j(k)+c₁r₁[P_j(k)-X_j(k)]+c₂r₂[P_g(k)-X_j(k)]；

X_j(k+1)＝X_j(k)+V_j(k+1)；

式中：

V_j是粒子j速度；

X_j是粒子j的位置；

P_j是单个粒子的最佳位置；

P_g是粒子群的最佳位置；

c₁和c₂是学习因子，设c₁＝c₂＝2，r₁和r₂为0到1之间的随机数，ω为惯性权重。

有益效果：

1、本发明通过设计建立多状态、多约束的非线性模型预测控制器对电池加温系统中的状态量和扰动量进行计算，得出了PTC加热器的实时加热功率，此控制过程根据当前系统状态量，扰动量等预测设定控制时域内的最优控制变量，控制变量为每个控制时域内的局部最优解，是实时变化的，能够有效减少低温条件下动力电池包加温系统中PTC加热器的能耗，增加车辆续航里程。

2、本发明基于状态空间方程和代价函数建立PTC加热器的非线性模型预测控制器，对电池加温系统进行实时控制，并提出了利用粒子群算法快速求解非线性的代价函数，相较于传统控制算法提高了系统的响应速度和实时性，同时，利用径向基神经网络构建车速预测函数模型，将预测车速作为非线性模型预测控制器的扰动输入变量，控制器通过获取预测车速，能得到电池发热功率和发热量，再计算输出合适的PTC功率，以减少能量浪费和系统波动，提升了系统的控制精度和抗干扰性。

附图说明

图1为实施例所提供电池包加温系统的结构图；

图2为粒子群算法求解NMPC控制变量的流程图；

图3为径向基神经网络车速预测模型示意图；

图4为非线性模型预测控制器的工作框图。

附图标记：图中标记：1、第一水泵，2、驱动电机，3、第一散热器，4、第一三通阀，5、电池换热器，6、第二散热器，7、第二三通阀，8、水箱，9、第二水泵，10、电池包，11、PTC加热器。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细的说明。

在本发明的描述中，需要说明的是，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

结合图1至图4所示，本发明提供一种电动汽车电池包加温系统控制方法，包括以下步骤:

S1、建立电池包加温系统模型，电池包加温系统模型包括车辆传动系统模型、电池加热模型以及电机废热回收模型，具体步骤为：

a、构建车辆传动系统模型、电池加热系统模型和电机废热回收系统的整体模型，并确定各子模型之间的关系。

b、构建与车辆传动系统和驱动电机相匹配、且考虑热-电效应的动力电池包物理模型。

c、建立电池加热系统和电机废热回收系统模型，包括电池包生热模型，电池包、驱动电机和电池换热器与载冷剂的换热模型，电池包加热板和PTC加热器的温度变化模型。

其中：

构建车辆传动系统的数学模型，纯电动汽车的行驶阻力F_t由空气阻力F_w、滚动阻力F_f、爬坡阻力F_i和加速阻力F_j组成，车辆的驱动力与行驶阻力的平衡公式为：F_t＝F_w+F_f+F_i+F_j，

车辆的牵引功率为：

式中，v_car车辆行驶速度，C_d风阻系数，A迎风面积，f滚动阻力系数，m车辆总质量，δ旋转质量换算系数。

电池包需向电动汽车驱动电机提供的电流为：

式中，I_bat为动力电池包电流，U_bat为动力电池包电压，η为传动系统总效率。

采用现有通用的电池包加热系统，其结构框图如图1所示，包括驱动电机回路和电池回路，驱动电机回路和电池回路中都流通有载冷剂，其中，驱动电机回路包括驱动电机2、第一水泵1和第一散热器3，驱动电机2、第一水泵1和第一散热器3管路依次连接，电池回路包括第二散热器6、PTC加热器11、电池包10、水箱8、第二水泵9，第二散热器6、PTC加热器11、电池包10、水箱8和第二水泵9依次管路连接，驱动电机回路和电池回路，通过电池换热器5进行热交换，可以理解地，在驱动电机回路中通过设置第一三通阀5将载冷剂引入电池换热器5，在电池回路也通过设置第二三通阀7将载冷剂引入电池换热器5，电池包10通过PTC换热器11和驱动电机2的废热来进行加温，当电池包10需要加温且驱动电机回路载冷剂温度大于电池回路载冷剂温度时，换热器工作，否则换热器处于关闭状态。

根据内阻等效电路模型来建立考虑热电效应的动力电池模型，电池包由24个模组、192个电池单体组成，单体电池输出电压为：

U_cell(DOT,T)＝U_celloc(DOT,T)-I_cellR_cellb(DOT,T)

式中，U_cell为单体输出电压，U_celloc为单体开路电压，I_cell为单体电流，R_cellb为单体内阻。

电池包增加的热量来自于电池包内部反应所产生的热量和载冷剂传递给电池的热量，电池包温度和热量的变化关系可表示为：

式中,T_B为电池包温度，m_b为电池包的总质量，c_b为电池包比热容，Q_g为电池包内部反应产热，Q_g为载冷剂传递给电池包的热量，Q_a为电池包热辐射扩散的热量。

假设电池模组内部生热均匀而且较为稳定，单体电池的生热速率模型如下式：

式中，q生热速率，T为电池温度，V_b为电池体积。

载冷剂的流量与水泵转速的关系为：

m_pumb为水泵质量流量，n_pumb为水泵转速，v_pump为水泵排量，为载冷剂密度，η_v,pump为容积效率。

由热平衡关系可得出电池包与载冷剂的换热量：

Q_h＝G_wc_w(T_wi-T_wo)

式中，G_w为载冷剂流量，c_w为载冷剂比热容，T_wi为管道入口载冷剂温度，T_wo为管道出口载冷剂温度。

电池包加热回路载冷剂出口温度可由均匀壁温模型得出：

式中，h_b为载冷剂与电池包的传热系数，A_b管道与电池包的接触面积。

电池板式换热器中板与流体的换热用努塞尔式计算如下：

Nu_forced和Nu_free为强制对流和自然对流时的努塞尔系数，Nu_lam和Nu_turb为层流和湍流时的努塞尔系数，Re_trans1和Re_trans2是流体由层流向湍流转变时的下临界雷诺数和上临界雷诺数。

载冷剂与管道壁的热流量和换热系数为：

dh＝hcon·crea·Δt

式中，λ为导热系数，cdin是换热特征长度，crea为管道壁与流体接触面积。

PTC加热器温度随时间变化的数学模型可以表示为：

式中，C_PTC为PTC加热器的比热容，T_PTC是PTC加热器的温度，T_L是在载冷剂的温度，R_PTC是PTC加热器的电阻，Q_PTC为发热功率。

构建驱动电机废热回收模型，载冷剂和驱动电机的换热量可由热平衡关系得出：

Q_ms＝G_mc_m(T_mwo-T_mwi)

式中，G_m为载冷剂质量流量，c_m载冷剂比热容，T_mwo为电机废热回收管路出口载冷剂温度，T_mwi为入口载冷剂温度。

电机废热回收回路出口载冷剂的温度为：

式中，T_m为驱动电机的电机温度，h_m为驱动电机的电机与管道换热面积，A_m为驱动电机与载冷剂的传热系数。

S2、利用RBF径向基神经网络建立车速预测模型，获取电动汽车的预测车速。

RBF径向基神经网络车速预测模型的框架图如图3所示，定义RBF径向基神经网络的输入与输出变量，输入变量为当前时间节点k和过去的H_h时间段之内的历史车速数值，输出变量为未来H_p时间段之内的车速数值，它们之间的映射关系为：

V_p＝f(V_h)

其中，

确定神经网络的输入和输出变量之后，利用MATLAB函数工具箱构建RBF径向基网络函数：

net＝newrbe(x_train,y_train,spread)

式中，x_train,y_train,spread分别为RBF神经网络函数的输入量：历史时刻车速向量，未来时刻车速向量，函数扩展速度。

为了使车速预测模型应用工况范围更广，预测精度更高，选取SC03城市、LA92综合、NEDC、CLTC-P、ARB02高速和MANHATTAN拥堵等6种工况对神经网络预测模型进行训练以确定历史车速输入时长和spread参数的数值。

在不同spread参数值，不同历史车速输入时长H_h的条件下，降预测时长H_p设置为1s按下式进行测试训练，计算相应时间点的预测误差值和均方根误差值，选取预测误差值和均方根误差值最小时的spread参数值作为预测函数的扩展速度和历史车速输入时长H_h的数值。

其中，error、RNSE、N、V_k,pre、V_k,real分别为对应时间点预测车速与实际车速的差值、均方根误差值、训练工况时长、k时刻预测车速值和实际车速值。

S3、设计非线性模型预测控制器：以影响电池包温度的内部因素为状态输入量，以S2所获取预测车速在内的、影响电池包温度的外部因素为扰动输入量，以电池包温度为控制目标，构建S1中电池包加温系统的状态空间方程和代价函数。

其中，状态输入量包括电池内部电池温度、电池SOC和载冷剂温度，扰动输入量还包括环境温度和电池包加热系统中电子水泵(即本实施例中第二水泵)的水泵转速。

以把电池温度控制在设定值附近的同时PTC加热器功率最小为目标构建系统的状态空间方程和目标代价函数，选取电池加温系统运行过程中的电池温度、电池SOC和载冷剂温度为状态变量，选取外部对电池加温系统的影响量：环境温度、预测车速和水泵转速为扰动输入量，控制变量为PTC加热器的加热功率，控制目标为电池包温度，建立非线性模型预测控制器(NMPC)，最终获取PTC功率。

系统的状态空间方程如下：

x(k+i|k)＝Ax(k+i-1|k)+B_uu(k+i-1|k)+B_vv(k+i-1|k)

y(k+i|k)＝Cx(k+i-1|k)

式中，x(k+i)、x(k+i-1)、u、v分别为k+i时刻的状态量和k+i-1时刻的状态量、控制变量和可测量扰动输入变量，y(k+i|k)为输出变量，A状态矩阵，B_u为控制矩阵，B_v为输入干扰矩阵，C为输出矩阵。

上式中，

x(k+1|k)＝[T_bat(k+1|k),SOC(k+1|k),T_wo(k+1|k)]

u(k+1|k)＝u[P_ptc(k+1)|k],...,u[P_ptc(k+N_c-1|k)]^T

v(k+1|k)＝[v_pre(k+1|k),T_amb(k+1|k),n_pumb(k+1|k)]^T

其中，P_ptc为PTC加热器的功率，v_pre为预测车速，T_amb为环境温度，n_pumb为电子水泵转速。

需要优化的代价函数为：minJ(x(k),u(k))

0w≤u(k+i)≤4000w,0≤i≤N_c

0w≤Δu(k+i)≤100w,0≤i≤N_c

式中，N_P为预测时域，W_Y为电池包温度误差变化量权重矩阵，y(k)为电池包的实时温度，r(k)为电池包设定温度，N_C为控制时域，u(k)为控制量，W_u即PTC加热器功率变化量的权重矩阵，u(k)加热器PTC功率设置在4000w以下，功率的变化量设置在100w以下。

电池包温度y(k)是输入变量的非线性函数，解决非线性问题的最终目标是最小化控制量u(k)的值，为了实现实时在线求解，引入粒子群算法求解系统的非线性模型，系统的最优控制序列为：

粒子群算法求解电池加温系统非线性模型函数控制变量流程图如图2所示，在系统中使用最优控制序列的第一个元素作为控制变量

在粒子群算法的迭代过程中，每个粒子适应度不断变化，通过跟踪P_j和P_g的最佳位置来使种群实时更新，粒子j的速度和位置通过下式更新：

V_j(k+1)＝ωV_j(k)+c₁r₁[P_j(k)-X_j(k)]+c₂r₂[P_g(k)-X_j(k)]

X_j(k+1)＝X_j(k)+V_j(k+1)

式中，V_j是粒子j速度，X_j是粒子j的位置，P_j是单个粒子的最佳位置，Pg是粒子群的最佳位置，c₁和c₂是学习因子，设c₁＝c₂＝2，r₁和r₂为0到1之间的随机数，ω为惯性权重。

将PTC加热器的功率T_PTC设定为粒子，将粒子总数N设置为20,既保证了不会因粒子过多而增加计算负担，又防止了因粒子过少而无法获得粒子最佳位置。将粒子的最大速度设为0.1，以防止粒子过快获得结果，避免局部优化。

粒子群优化的迭代次数设为t_max＝30，并在达到最大迭代次数时停止搜索，控制序列中的第一个元素为

用作调节电池包温度的控制变量。控制序列中的第二个元素用于下一次迭代中粒子群算法的初始值。

S4、执行S3的非线性模型预测控制器，运算得到电池包加温系统的PTC功率，电池包加温系统以运算获取的PTC功率进行运行。

结合图4所示，将S3获取的PTC功率作为电池包加温系统的运行控制参数，电池包加温系统运行后，系统运行过程中的电池SOC、电池温度、冷液温度作为状态量反馈，环境温度、预测车速和水泵转速作为扰动量反馈。

S5、重复执行步骤S2-S4，对电池包加温系统进行控制。

将S4获取的状态量反馈以及扰动量反馈分别作为扰动量输入和状态量输入，重复执行步骤S2-S4，对电池包加温系统进行实时闭环控制，能够使电池加温系统把电池温度控制在设定值附近的同时，使PTC加热器功率最小。

通过以将电池温度控制在设定值附近为目标，PTC加热器的发热功率作为控制目标变量，设计了非线性模型预测控制器，引入粒子群算法实现系统非线性函数控制变量快速在线求解，利用RBF径向基神经网络构建车速预测模型，并选取不同工况进行训练，将输出的预测车速值输入到模型预测控制器中，与非线性模型预测控制器相结合，实现对PTC加热器加热功率的实时控制，有效提升PTC加热器的发热功率控制精度，减少系统波动。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种电动汽车电池包加温系统控制方法，其特征在于，包括以下步骤：

S1、建立电池包加温系统模型；

S2、利用RBF径向基神经网络建立车速预测模型，获取电动汽车的预测车速；

S3、设计非线性模型预测控制器：以影响电池包温度的内部因素为状态输入量，以S2所获取预测车速在内的、影响电池包温度的外部因素为扰动输入量，以电池包温度为控制目标，PTC功率为控制变量，构建S1中电池包加温系统的状态空间方程和代价函数；

S4、利用S3的非线性模型预测控制器计算得到电池包加温系统的PTC功率，电池包加温系统以所得PTC功率进行运行；

S5、重复执行步骤S2-S4，对电池包加温系统进行控制。

2.如权利要求1所述的一种电动汽车电池包加热系统控制方法，其特征在于，S3中，系统状态空间方程为：

x(k+i|k)＝Ax(k+i-1|k)+B_uu(k+i-1|k)+B_vv(k+i-1|k)；

y(k+i|k)＝Cx(k+i-1|k)；

式中：

x(k+1|k)＝[T_bat(k+1|k),SOC(k+1|k),T_wo(k+1|k)]；

u(k+1|k)＝u[P_ptc(k+1)|k],...,u[P_ptc(k+N_c-1|k)]^T；

v(k+1|k)＝[v_pre(k+1|k),T_amb(k+1|k),n_pumb(k+1|k)]^T；

P_ptc为PTC加热器的功率；

v_pre为预测车速；

T_amb为环境温度；

n_pumb为电子水泵转速。

3.如权利要求2所述的一种电动汽车电池包加热系统控制方法，其特征在于，S3中，代价函数为：minJ(x(k),u(k))，

式中：

0w≤u(k+i)≤4000w,0≤i≤N_c；

0w≤Δu(k+i)≤100w,0≤i≤N_c；

N_P为预测时域；

W_Y为电池包温度误差变化量权重矩阵；

y(k)为电池包的实时温度；

r(k)为电池包设定温度；

N_C为控制时域；

u(k)为控制量；

W_u为PTC加热器功率变化量的权重矩阵。

4.如权利要求3所述的一种电动汽车电池包加热系统控制方法，其特征在于，采用粒子群算法求解电池加温系统模型的最优控制变量。

5.如权利要求4所述的一种电动汽车电池包加热系统控制方法，其特征在于，粒子群算法求解电池加温系统模型最优控制变量的具体过程为：

将PTC加热器的功率T_PTC设定为粒子，加温系统模型的最优控制序列为：

使用最优控制序列的第一个元素作为控制变量

用作调节电池包温度的控制变量，在粒子群算法的迭代过程中，每个粒子适应度不断变化，通过跟踪P_j和P_g的最佳位置来使种群实时更新，粒子j的速度和位置通过下式更新：

V_j(k+1)＝ωV_j(k)+c₁r₁[P_j(k)-X_j(k)]+c₂r₂[P_g(k)-X_j(k)]；

X_j(k+1)＝X_j(k)+V_j(k+1)；

式中：

V_j是粒子j速度；

X_j是粒子j的位置；

P_j是单个粒子的最佳位置；

Pg是粒子群的最佳位置；

c₁和c₂是学习因子，设c₁＝c₂＝2，r₁和r₂为0到1之间的随机数，ω为惯性权重。

6.如权利要求1所述的一种电动汽车电池包加热系统控制方法，其特征在于，S1中电池包加温系统模型包括车辆传动系统模型、电池加热模型以及电机废热回收模型，具体步骤为：

a、构建车辆传动系统模型、电池加热系统模型和电机废热回收系统的整体模型，并确定各子模型之间的关系；

b、构建与车辆传动系统和驱动电机相匹配、且考虑热-电效应的动力电池包物理模型；

c、建立电池加热系统和电机废热回收系统模型，包括电池包生热模型，电池包、驱动电机和电池换热器与载冷剂的换热模型，电池包加热板和PTC加热器的温度变化模型。

7.如权利要求1所述的一种电动汽车电池包加热系统控制方法，其特征在于，S2中，利用RBF径向基神经网络建立车速预测模型的步骤为：

定义RBF径向基神经网络的输入与输出变量，输入变量为当前时间节点k和过去的H_h时间段之内的历史车速数值，输出变量为未来H_p时间段之内的车速数值；

构建RBF径向基网络函数模型：

net＝newrbe(x_train,y_train,spread)

式中：

x_train为历史时刻车速向量；

y_train为未来时刻车速向量；

spread为函数扩展速度。

8.如权利要求7所述的一种电动汽车电池包加热系统控制方法，其特征在于，S2中，在不同spread参数值，不同历史车速输入时长的条件下，将预测时长设置为1s，并按下式进行测试训练，计算相应时间点的预测误差值和均方根误差值，选取预测误差值和均方根误差值最小时的spread参数值作为预测函数的扩展速度和历史车速输入时长数值，

其中：

error为对应时间点预测车速与实际车速的差值；

RNSE为均方根误差值；

N为训练工况时长；

V_k,pre为k时刻预测车速值；

V_k,real为实际车速值。

9.如权利要求1所述的一种电动汽车电池包加热系统控制方法，其特征在于，S3中，所述状态输入量包括电池内部电池温度、电池SOC和载冷剂温度。

10.如权利要求1所述的一种电动汽车电池包加热系统控制方法，其特征在于，S3中，所述扰动输入量还包括环境温度和电池包加热系统中电子水泵的水泵转速。

Images