一種基於模型預測控制的電動汽車快速充電方法及裝置與流程
2024-04-13 09:41:05 2
1.本發明屬於鋰電池充電技術領域，尤其是一種基於模型預測控制的電動汽車快速充電方法及裝置。
背景技術：
2.鋰離子電池廣泛應用於電動汽車動力系統，但是電動汽車的充電速度一直是電動汽車便捷性的最大障礙之一，也是影響電動汽車進一步推廣的重要原因。顯然，提高充電電流是加快充電速度最直接且有效的方式，但這也易於導致電池過熱、壽命快速衰退等問題，嚴重時甚至會引發熱失控、起火、爆炸等災難性事故。
3.基於規則的充電方法應用廣泛，例如，傳統的恆流恆壓充電法、多階段恆流充電法等。但此類方法難以保證充電的綜合最優性，且物理約束過於簡單，無法避免電池過熱與快速衰退，可能造成安全事故。相比而言，考慮電池關鍵中間狀態約束的基於模型充電優化控制方法，利用電化學機理模型、等效電路模型等，構建不同的目標函數和約束，並採用模型預測控制、動態規劃等優化控制算法實現快速充電，能夠優化充電電流以實現多個充電目標的智能兼顧，提升了充電策略的魯棒性。但是，受限於強非線性的電池模型、高計算複雜度的多目標優化求解，基於模型的快速充電方法在線應用困難。
4.綜上所述，現階段仍缺少一種可在線應用的兼顧快速性、安全性與壽命預期的電動汽車快速充電方法。
技術實現要素：
5.本發明的目的在於克服現有技術的不足之處，提供一種基於模型預測控制的電動汽車快速充電方法，通過建立具有安全和健康意識的優化充電準則，採用有效集算法進行充電優化問題求解，從而實現遵從離子鋰電池理化極限的快速充電。
6.本發明解決技術問題所採用的技術方案是：
7.本發明的第一方面是提供了一種基於模型預測控制的電動汽車快速充電方法，包括如下步驟：
8.建立鋰離子電池電-熱-老化耦合模型，辨識模型參數；
9.根據測量得到的電池表面溫度、端電壓，利用狀態觀測器估計電池核心溫度以及內部狀態變量；
10.以電池最高核心溫度和最大端電壓為約束，構建充電優化模型，在模型預測控制框架下優化充電策略；
11.優化求解的快速充電決策電流輸入到基於規則的閉環反饋控制中，確定當前時刻的電動汽車快速充電電流。
12.進一步地，所述鋰離子電池電-熱-老化耦合模型包括電學模型、熱模型、老化模型，
13.所述電學模型採用二階rc等效電路模型，由一個恆壓源、一個內阻和兩對電容電
阻組成，根據基爾霍夫電流電壓定律，用以下方程描述等效電路模型的狀態變量：
[0014][0015][0016][0017]
式中，i為工作電流，cn為額定容量，v1和v2表示極化電壓，參數r1、c1、r2和c2分別表示兩對電容電阻；
[0018]
電池端電壓計算公式為：
[0019]vt
(t)＝vo(soc(t))-v1(t)-v2(t)-rsi(t)
[0020]
式中，vo為開路電勢，rs為內阻；
[0021]
所述熱模型為：
[0022][0023][0024]
式中，ts和tc分別表示電池表面溫度和核心溫度，tf表示環境溫度，ru、rc、cc和cs分別表示對流換熱熱阻、導熱熱阻、芯熱容和表面熱容，產熱量q(t)由下式計算得到：
[0025]
q(t)＝i(t)
·
[v1(t)+v2(t)+rs·
i(t)]
[0026]
所述老化模型為：
[0027][0028]
式中，δcn表示容量損失百分比，r表示理想氣體常數，指數因子z＝0.55，變量c表示充電倍率，ah是累積安時吞吐量，指數前因子b是充電倍率的函數，內部的平均溫度ta由下式計算，
[0029][0030]
活化能ea(c)由下式計算，
[0031]
ea(c)＝(31700-370.3
·
c)j/mol
[0032]
吞吐量ah(c)和電池壽命終止前的總循環數n的計算式如下：
[0033][0034]
n(c,ta)＝3600ah(c,ta)/cn[0035]
電池健康狀態soh衰減由下式計算，
[0036][0037]
式中，δt表示電流的持續時間，k表示採樣時刻。
[0038]
進一步地，採用批量最小二乘法辨識模型參數，令u
l
＝v
t-vo，得到二階rc等效電路模型的傳遞函數如下式：
[0039][0040]
採用雙線性變換將傳遞函數從s域變換到z域，採樣頻率取為1hz，得到系統離散化傳遞函數，
[0041][0042]b1-b5計算關係如下：
[0043][0044]
由系統離散化傳遞函數可以得到模型離散差分方程，
[0045]ul
(k)＝b1u
l
(k-1)+b2u
l
(k-2)+b3i(k)+b4i(k-1)+b5i(k-2)
[0046]
式中，k表示採樣時刻，
[0047]
經過n+2個時刻的採樣後，有如下一組輸入輸出數據關係，
[0048][0049]
根據如下批量最小二乘法公式，最終計算出待辨識參數rs、r1、c1、r2和c2；
[0050][0051]
其中，β、φ和y分別表示如下：
[0052][0053][0054][0055]
進一步地，定義系統的狀態向量x(t)，輸入向量u(t)以及可測輸出向量y(t)如下，
[0056]
x(t)＝[v1(t),v2(t),soc(t),ts(t),tc(t)]
t
[0057]
u(t)＝[i(t),tf(t)]
t
[0058]
y(t)＝[v
t
(t),ts(t)]
t
[0059]
由一階泰勒展開線性化，得到離散化的系統矩陣f和輸出矩陣g，表達式如下：
[0060][0061][0062]
根據此離散化的系統狀態空間表達，結合狀態觀測器、擴展卡爾曼濾波算法程序，實現電池soc和tc的估計。
[0063]
進一步地，充電優化模型目標函數如下：
[0064][0065]
其中，ω1，ω2和ω3分別表示各項的權重，針對任意的預測窗口大小m，描述壽命衰退c
soh
、充電速度c
soc
和電流波動c
smooth
的表達式如下:
[0066]
[0067][0068][0069]
其中，1/c
max
＝1/(3600cn)，k表示採樣時刻，n表示電池壽命終止前的總循環數，i為工作電流，soc0表示當前時刻的荷電狀態，soc
tar
表示目標soc。
[0070]
本發明的第二方面是提供了一種基於模型預測控制的電動汽車快速充電裝置，包括：
[0071]
模型參數辨識模塊，用於對模型的關鍵參數進行篩選並辨識，得到辨識值；
[0072]
電池狀態估計模塊，利用狀態觀測器，得到估計結果；
[0073]
基於模型的快速充電控制模塊，基於狀態估計結果對電動汽車進行快速充電，並基於模型預測控制及有效集算法對快速充電階段進行優化處理；
[0074]
基於規則的閾值判斷模塊，用於判斷電池端電壓是否達到預設電壓閾值，若未達到，則繼續以基於模型的優化電流對電動汽車進行充電，否則採用恆壓充電規則對電動汽車進行充電。
[0075]
進一步地，所述狀態觀測器為粒子濾波、擴展卡爾曼濾波、龍貝格觀測器、滑膜觀測器中的一種。
[0076]
本發明的優點和積極效果是：
[0077]
本發明能夠智能兼顧電動汽車充電過程的快速性、安全性與壽命預期，實現安全及耐久性快速充電，基於模型預測控制及有效集算法求解強非線性電池模型和快速充電的多目標優化問題，提升了充電策略的在線應用能力。
附圖說明
[0078]
圖1為本發明實施例提供的一種基於模型預測控制的電動汽車快速充電方法的流程圖；
[0079]
圖2為本發明實施例提供的一種鋰離子電池電-熱-老化耦合模型耦合關係示意圖；
[0080]
圖3為本發明實施例中基於模型預測控制和基於規則反饋控制的充電優化策略示意圖；
[0081]
圖4為本發明實施例中一種基於模型預測控制的電動汽車快速充電方法的驗證結果；
[0082]
圖5為本發明實施例中一種基於模型預測控制的電動汽車快速充電裝置的結構示意圖。
具體實施方式
[0083]
下面通過具體實施例對本發明作進一步詳述，以下實施例只是描述性的，不是限定性的，不能以此限定本發明的保護範圍。
[0084]
圖1提供了一種基於模型預測控制的電動汽車快速充電方法，包括以下步驟：
[0085]
s1.開展鋰離子電池測試，建立鋰離子電池電-熱-老化耦合模型，辨識模型參數。
[0086]
在本技術的實施例中，為表徵電池內部詳細狀態，建立鋰離子電池電-熱-老化耦合模型，耦合關係如圖2所示。開展多倍率下恆流充放電、hppc、dst及fuds動態工況、電化學阻抗等電池測試，確定關鍵模型參數。
[0087]
電池的電學模型採用二階rc等效電路模型，模型由一個恆壓源、一個內阻和兩對電容電阻組成。恆壓源用以描述電池開路電勢(ocv)和soc之間的關係，兩對電容電阻則模擬了電池充放電過程中的極化現象。根據基爾霍夫電流電壓定律，可用以下方程描述等效電路模型的狀態變量。
[0088][0089][0090][0091]
式中，i為工作電流，cn為額定容量，v1和v2表示極化電壓。參數r1、c1、r2和c2分別表示兩對電容電阻。
[0092]
電池端電壓可由以上狀態變量計算得到：
[0093]vt
(t)＝vo(soc(t))-v1(t)-v2(t)-rsi(t)
[0094]
式中，vo為開路電勢，rs為內阻。
[0095]
採用的熱模型是將圓柱電池的核心溫度和表面溫度作為兩個狀態變量，根據能量守恆定律，建立起二者及環境之間的熱量交換關係：
[0096][0097][0098]
式中，ts和tc分別表示電池表面溫度和核心溫度，ru、rc、cc和cs分別表示對流換熱熱阻、導熱熱阻、芯熱容和表面熱容。產熱量q(t)可由下式計算得到。
[0099]
q(t)＝i(t)
·
[v1(t)+v2(t)+rs·
i(t)]
[0100]
基於能量吞吐量的模型可用於模擬預測電池的老化過程：
[0101][0102]
式中，δcn表示容量損失百分比，r表示理想氣體常數，指數因子z＝0.55。變量c表示充電倍率，ah是累積安時吞吐量，指數前因子b是充電倍率的函數。內部的平均溫度ta可
由下式計算。
[0103][0104]
活化能ea(c)可由下式計算。
[0105]
ea(c)＝(31700-370.3
·
c)j/mol
[0106]
一般認為鋰離子動力電池的額定容量衰減至初始額定容量的80％後，電池達到壽命終止條件，可以得到吞吐量ah(c)和電池壽命終止前的總循環數n的計算式分別如下。
[0107][0108]
n(c,ta)＝3600ah(c,ta)/cn[0109]
於是，電池健康狀態(soh)衰減可由下式計算。
[0110][0111]
式中，δt表示電流的持續時間。至此完成了鋰離子電池的電熱耦合建模和老化建模。
[0112]
採用批量最小二乘法辨識模型參數。令u
l
＝v
t-vo，得到二階rc等效電路模型的傳遞函數如下式。
[0113][0114]
採用雙線性變換將傳遞函數從s域變換到z域，採樣頻率取為1hz，得到系統離散化傳遞函數。
[0115][0116]b1-b5計算關係如下，b1～b5表示待定參數，由系統離散化傳遞函數給出。
[0117][0118]
由系統離散化傳遞函數可以得到模型離散差分方程。
[0119]ul
(k)＝b1u
l
(k-1)+b2u
l
(k-2)+b3i(k)+b4i(k-1)+b5i(k-2)
[0120]
經過n+2個時刻的採樣後，有如下一組輸入輸出數據關係。
[0121][0122]
根據如下批量最小二乘法公式，最終計算出待辨識參數rs、r1、c1、r2和c2。
[0123][0124]
其中，β、φ和y分別表示如下。
[0125][0126][0127][0128]
參數β、φ和y是通過上面三個公式定義的，β表示參數向量，φ和y沒有具體含義。
[0129]
至此完成了鋰離子電池的模型參數辨識。
[0130]
s2.根據測量得到的電池表面溫度、端電壓，利用狀態觀測器估計電池核心溫度、soc等難以直接測量的內部狀態變量。
[0131]
定義系統的狀態向量x(t)，輸入向量u(t)以及可測輸出向量y(t)如下。
[0132]
x(t)＝[v1(t),v2(t),soc(t),ts(t),tc(t)]
t
[0133]
u(t)＝[i(t),tf(t)]
t
[0134]
y(t)＝[v
t
(t),ts(t)]
t
[0135]
由一階泰勒展開線性化，可以得到離散化的系統矩陣f和輸出矩陣g，表達式如下。
[0136]
[0137][0138]
根據此離散化的系統狀態空間表達，結合龍伯格觀測器、擴展卡爾曼濾波等算法程序，可以實現電池soc和tc的估計。
[0139]
s3.充電控制流程如圖3所示，首先定義基於模型預測控制的電動汽車快速充電優化目標函數如下。
[0140][0141]
其中，針對任意的預測窗口大小m，描述壽命衰退c
soh
、充電速度c
soc
和電流波動c
smooth
的表達式如下。
[0142][0143][0144][0145]
其中，1/c
max
＝1/(3600cn)，soc0表示當前時刻的soc。目標函數可以改寫為如下形式。
[0146][0147]
特殊地，在本發明實施例中取預測窗口m＝2，優化問題可表達如下。
[0148][0149]
s.t.ax≥b,m＝2
[0150]
[0151][0152][0153]
b＝[-i
max-i
max t
c,0-t
max t
c,0-t
max
]
t
[0154]
採用有效集算法求解上述二次規劃問題的流程如表1所示。
[0155]
表1有效集算法流程
[0156][0157]
s4.優化求解的快速充電決策電流輸入到基於規則的閉環反饋控制中，避免模型誤差引起的電池端電壓、核心溫度超調，確定當前時刻的電動汽車快速充電電流，如圖3所示。
[0158]
在本專利實施例中，將仿真得到的模型預測控制(mpc)充電策略的電流應用於真實的電池充電過程。如圖4所示，相比於傳統的cccv充電策略，所提出的mpc充電策略能更好地兼顧充電快速性與電芯溫度約束，其電流控制結果近似於一種多階段恆流恆壓充電：
①
起始階段各個約束均未觸發，因此以6c倍率上限進行恆流充電以提升充電速度；
②
隨後電芯內部溫度觸發閾值，開始進入恆溫充電模式，期間電流切換至約4c；
③
最後階段充電端電壓觸發上限，充電過渡至cv階段，充電電流迅速減小，電芯溫度隨之下降。綜合來看，mpc充電策略在充電時間上略高於6c cccv策略，顯著低於4c與2c cccv策略。與此同時，mpc策略下電池最高核心溫度與4c cccv策略基本相同，顯著低於6c cccv策略。可以看出，所提出mpc策略可認為兼具6c cccv的充電速度與4c cccv的充電溫度約束特性，是兩者的理想平衡。
[0159]
經過200個充放電循環後，mpc策略與6c cccv充電策略下電池的具體容量損失情況如表2所示。前100次循環中，mpc充電策略作用下的電池容量損失相比6c恆流恆壓充電策略減少了13.1％。前200次循環中，mpc充電策略作用下的電池容量損失相比6c恆流恆壓充電策略減少了56.6％。與預期一致，溫度約束與老化懲罰機制對提高電池壽命起到了明顯的作用。循環充放電實驗也表明，相比6c cccv充電策略，mpc充電策略能夠有效抑制電池老化。綜上所述，所提出的充電策略能有效保證電池各內部狀態不超過規定約束，同時實現了充電速度與老化抑制之間的優化平衡。
[0160]
表2不同充電策略的容量損失
[0161][0162]
圖5是本發明實施例提供的一種基於模型預測控制的電動汽車快速充電裝置的結構示意圖，參考圖5，該快速充電裝置100包括：模型參數辨識模塊101、電池狀態估計模塊102、基於模型的充電控制模塊103、基於規則的閾值判斷模塊104。
[0163]
模型參數辨識模塊，用於對模型的關鍵參數進行篩選並辨識，得到辨識值；
[0164]
電池狀態估計模塊，利用粒子濾波、擴展卡爾曼濾波、龍貝格觀測器、滑膜觀測器中的一種狀態估計方法，得到估計結果；
[0165]
基於模型的快速充電控制模塊，基於狀態估計結果對電動汽車進行快速充電，並基於模型預測控制及有效集算法對快速充電階段進行優化處理；
[0166]
基於規則的閾值判斷模塊，用於判斷電池端電壓是否達到預設電壓閾值，若未達到，則繼續以基於模型的優化電流對電動汽車進行充電，否則採用恆壓充電規則對電動汽車進行充電。
[0167]
本發明實施例所提供的電動汽車快速充電裝置可執行本發明任意實施例所提供的電動汽車快速充電方法，具備執行方法相應的功能模塊和有益效果，可用於電動車輛電池管理系統或直流充電樁。
[0168]
值得注意的是，上述電動汽車快速充電裝置的實施例中，所包括的各個模塊只是按照功能邏輯進行劃分的，但並不局限於上述的劃分，只要能夠實現相應的功能即可；另外，各模塊的具體名稱也只是為了便於相互區分，並不用於限制本發明的保護範圍。
[0169]
可選地，所述的一種基於模型預測控制的電動汽車快速充電裝置，所述充電電流大小包括0c-6c，其中，c為電池一小時完全放電時的電流強度；所述恆壓充電規則的截止條件為充電電流降至0.05c，或人為幹預停止充電。
[0170]
以上所述是本發明的優選實施方式，應當理解本發明並非局限於本文所披露的形式，不應該看作是對其他實施例的排除，而可用於其他組合、修改和環境，並能夠在本文所述構想範圍內，通過上述教導或相關領域的技術或知識進行改動。而本領域人員所進行的改動和變化不脫離本發明的精神和範圍，則都應在本發明所附權利要求的保護範圍內。