【热管理】电动汽车整车智能热管理技术

文章内容来自重庆大学能源与动力工程学院李夔宁教授交流分享

乘员舱热舒适性智能控制

乘员舱舒适温度自适应

• · 与大数据结合，根据不同驾乘人员的温度调节习惯得出其热喜好;

• · 利用PMV算法量化其热喜好偏值，并记录个体的偏值;

• · 基于数据分析，适应其PMV后得出实时针对个人的最舒适温度，并用于指导实时控制；

• · 实现实时舒适温度自调节。

  

结合车速预测的汽车空调系统控制

• · 利用车联网，通过V2V,V2I的方式实现对交通情况的预测分析；

• · 将预测的车速，覆盖MPC控制器的扰动输入， 减少车速引起的控制误差，提升乘员舱温度控制精确性，实时性。

  

基于健康考虑的空调系统通风与温度协同控制

• · 通过HVAC系统对乘员舱内的进行冷却和通风的协同控制；

• · 建立智能控制策略进行实时最优控制；

• · 保证舱内温度的舒适性，同时降低病毒感染风险与冷却系统整体能耗。

  

系统模型的搭建-整体控制系统

• · 动态模型;

• · 较为准确反映系统动态特性；

• · 简化模型，易于控制算法实现；

• · 集总参数（零维模型）；

• · 模块化建模。

  

控制策略与结果——自适应模糊PID控制框架

实现目标：通过之前的温度调节数据对乘客的热习惯进行学习与适应，并运用于未来的自动调节控制。

SLPTC（ self-learning of passengers’ thermalcomfort）控制策略框架：

AMESIM环境下，汽车空调以及乘员舱温度控制系统模型搭建：

控制策略与结果——自适应模糊PID控制

AMESIM环境下基于规则的反馈开关（On-off）控制器与模糊PID控制器的搭建 根据空调系统与乘员舱系统热模型原理，在AMESIM平台上搭建了空调系统-乘员舱系统模型，并基于所搭建的仿真系统。根据传统 on-off控制器的控制逻辑以及模糊控制，在AMESIM中结合空调与乘员舱系统分别搭建了on-off控制器与模糊控制器，对其进行了仿真控制，并用于与本研究提出先进的智能舒适自适应控制方法进行比较。

AMESIM环境下客舱舒适温度自适应控制器控制效果对比SLPTC 控制策略可以根据热喜好对乘员舱自主降温，当舒适温度适应好后，驾驶员无需设置目标温度，空调系统会根据历史热喜好数据自动调控最舒适温度，并且会根据工况变化而变化。同时SLPTC控制效果好，波动较小。能耗NO-OFF控制策略的能耗最高，共消耗了2.89 kW·h能量；模糊PID控制策略能耗其次，其能耗为2.19 kW·h；而基于热舒适性自适应控制策略的能耗仅为1.97 kW·h，较ON-OFF和模糊PID策略分别节约了31.8%和10.0%。

控制策略与结果——结合车速预测的模型预测控制（ IMPC ）

模型预测控制（MPC）优点：

• · 适合多输入多输出；

• · 内置状态估计器，可进行在线状态估计与预测；

• · 进行在线滚动优化，实现实时最优控制；

改进的结合车速预测的模型预测控制控制策略框架：

结合车速预测，MPC控制器能够更为准确地对未来乘员舱温度进行控制，加上人体舒适自调节，使得电动汽车温度控制更为智能化，人性化。

提出改进的IMPC控制器与纯MPC控制器对比结果：

车速预测结果：

温度控制结果：

能耗对比：

健康座舱——基于健康性考虑的空调系统通风与温度协同控制

• · 通过模型预测控制器对空调制冷系统进行控制，保证乘员舱温度控制需求；

• · 通过离线优化找出最优通风策略；

• · 进行温度和空气病毒含量的控制，降低感染风险与系统能耗；

改进的结合车速预测的模型预测控制控制策略框架：

健康性考虑的空调系统通风与温度协同控制

控制策略与结果——健康性考虑的空调系统通风与温度协同控制

在打喷嚏的情况下，得出循环通风最适合的通风风量与通风时间：

不同控制策略的乘员舱温度控制结果：

不同控制策略下乘员舱内病毒含量与感染概率结果：

不同策略下通风风门控制结果：

不同策略下压缩机与风扇转速控制结果：

不同控制策略能耗对比：

根据对比结果，可以看出：协同控制策略相比于不通风和全通风的综合性能最佳

电池低温散热系统及其控制

电池冷却系统——电池低温散热系统及其控制策略

建立电池包的电-热-老化多状态模型，并对其进行验证，与热管理系统结合，对电池的热特性和老化特性进行优化。

基于模型预测控制（MPC），设计电池低温散热系统的智能模型预测控制策略，将电池维持在最佳的目标温度下，并结合车速预测模型，以达到延长电池寿命，提高散热系统效率节约冷却能耗的目标。

自适应目标温度

由于电池的老化特性、冷却系统的能耗受到环境温度和目标温度的影响，利用Pareto边界找到不同环 境温度下的最优的电池温度参考值（不受工况的影响），在保证SOH前提下节约冷却能耗。

智能模型预测控制器的性能展示

为了展示智能模型预测控制器(IMPC)性能的优越，在变化的环境温度下，与on-off控制器、普通MPC以及带有VSP的MPC进行对比。我们发现，IMPC的能耗相对于on-off减少了24.5%，相对于普通MPC减少了14.1%，而且它的SOH要比这两者要分别高0.016%和0.008%；对于MPC+VSP,虽然它的能耗要高出10.6%，但是SOH 也提升了0.012%。因此我们可以认为IMPC的综合性能最优。

乘员舱与电池协同冷却控制策略

整车热管理——乘员舱与电池协同冷却控制策略

环境温度35℃，太阳辐射强600W/m2，空调内循环模式，电池温度on/off控制，乘员舱目标温度24℃，在US06动态工况下仿真结

冷却优先级策略---不同蒸发器风量对电池降温的影响

环境温度35℃，太阳辐射强度1000W/m2，乘员舱初始温度55℃、电池初始温度36.5℃，以模拟经高温暴晒后的车辆状态对比，压缩机以315Kpa为目标，水泵以最高转速运转，对比不同蒸发器风量对电池降温影响。

不同环境温度下仿真结果

与未考虑优先级策略对比

分析结论：电池进入优先冷却其降温速率明显变快，相比之下对应环境温度35℃、38℃和40℃下电池可分别提前约56s、115s和155s到达35℃。乘员舱温度在电池优先冷却的阶段降温速率变慢，但当电池降至低于35℃系统判定电池退出优先冷却并对乘员舱优先冷却后，乘员舱温度快速下降，乘员舱总的降温时间基本不受影响。