欢迎光临HAWKER英国霍克蓄电池（中国）营销总部
服务热线：15313702523

首页 > 新闻中心

霍克锂电池基于RNN-PMP的电动汽车能量管理策略：兼顾电池寿命保护与热管理

摘要

电动汽车（EV）的优化能源管理策略对于提升能源效率和延长电池寿命至关重要。然而当电池热管理系统（BTMS）与衰减感知模型被同时纳入考量时，由此产生的优化问题将变得高度复杂且难以实时实施。为应对这一挑战，我们提出两种实时策略：首先，受混合动力汽车等效燃油消耗最小化策略（ECMS）启发，开发了适用于稳态运行工况的局部优化策略。该方法通过构建瞬时优化问题，在电池热管理系统（BTMS）控制调节电池温度的同时，实现荷电状态消耗与容量衰减的双重最小化。其次，引入滚动时域优化框架，将循环神经网络（RNNs）的预测能力与庞特里亚金极小值原理（PMP）的近似最优性保证相结合。RNN网络负责预测短期驾驶工况并学习初始协态变量与运行工况间的映射关系，而基于PMP的滚动时域优化则确保了实时适应性及接近离线最优的性能表现。模拟结果表明：相较于基于开关规则的控制器，所提出的策略分别将BTMS能耗降低58.74%与64.75%，并将电池衰减减缓10.10%与13.82%。值得注意的是，RNN-PMP策略实现了仅次于离线PMP优化精度的实时性能。

引言

能源管理系统（EMS）在电动和混合动力车辆中扮演核心角色，其通过协调多个子系统来提高整体能效、延长续航里程并提升车辆性能[1][2][3]。传统上，EMS研究主要集中于混合动力汽车中的能源分配与功率分流优化，其中燃油-电力协调构成核心控制目标。代表性方法包括等效消耗最小化策略（ECMS）、模型预测控制（MPC）以及基于深度强化学习的方法，这些已在EMS研究文献中得到广泛探讨[4][5]。随着车辆架构电气化程度不断提高，EMS逐渐发展为系统级框架，能够以协调方式管理耗能子系统[6]。
从更广泛的能量管理系统(EMS)视角来看，电池热管理系统(BTMS)因其与电池效率、安全性和寿命的强耦合关系而成为关键组件。从能量管理角度而言，BTMS功耗通常被视为寄生能耗，因其用于冷却或加热而非推进[7]。相比硬件重新设计，通过EMS级控制优化BTMS运行为提升整体能效提供了更具成本效益的途径[8]。因此，近期研究日益将BTMS与其他子系统（如暖通空调系统、电机热管理、车速规划及运动控制）共同纳入EMS框架[9][10][11][12][13][14]。这些研究表明，EMS-BTMS协同控制能在保障热安全性的同时显著降低能耗。
尽管取得了这些进展，大多数面向能量管理系统的电池热管理系统研究仍主要聚焦于能源效率，而热控制对电池退化的影响常被简化或间接处理。这一局限性不容忽视，因为电池热行为与老化机制及长期性能衰退紧密相关[15]。为弥补这一不足，研究者开发了退化感知型能量管理系统，通过将健康状态估计和面向控制的老化模型作为约束条件或成本项进行整合[16][17]。典型方法采用基于阿伦尼乌斯理论的安时吞吐量模型来量化老化效应，并将其嵌入能量管理系统优化问题中[18][19][20]。当与电池热管理系统控制相结合时，这些模型揭示了一个根本性交易：严格的热调控虽能缓解电池老化，却会增加寄生能耗；而宽松的热控制虽降低能耗，却以加速退化为代价[21][22]。
然而，将电池老化模型显式嵌入能量管理系统（EMS）优化会显著增加计算复杂度。老化动态的强非线性和长期依赖性使得考虑降解的优化问题难以实时求解，这对车载控制单元（VCU）尤为困难。因此，部分研究通过最小化电池热管理系统（BTMS）使用来间接延长电池寿命，而避免显式优化老化相关成本项[23][24]；另一些研究则采用动态规划或非线性模型预测控制结合详细老化模型，但这牺牲了实时可行性[25]。这些挑战凸显了对新型EMS策略的需求：既要保持对电池老化的敏感性，又要维持计算可处理性。
与此同时，数据驱动与物理信息融合的建模方法在电池热分析领域受到广泛关注。近期研究探索了神经网络及物理信息神经网络(PINNs)在电池热模型构建与温度场估计中的应用，这些方法具有高精度与强物理一致性优势[26][27]。尽管此类技术对离线分析与模型开发颇具前景，但其高模型复杂度与计算负担限制了其在实时能量管理系统(EMS)及控制导向优化框架中的直接应用。
庞特里亚金极小值原理(PMP)凭借其低计算复杂度与严格理论最优性保证，成为实时EMS优化的理想替代方案，并已成功应用于电池热管理系统(BTMS)相关的能量管理问题[28]。然而基于PMP的方法依赖于精确的初始协态值及未来工况信息，这些参数在实际应用中往往难以获取。为克服这一局限性，近期研究将基于学习的预测方法与滚动时域优化相结合，利用神经网络预测短期驾驶工况或辅助基于PMP的控制策略[29][30]。然而，实时协态初值确定与鲁棒性车载实现仍是亟待解决的关键问题。
受上述挑战的启发，本文提出了两种实时能量管理策略（EMS），其Explicit考量了电池寿命保护与热管理问题：
  • 1.
    一种受ECMS启发的局部优化策略，该策略通过瞬态优化问题同时考虑电池容量衰减、荷电状态消耗以及基于BTMS的热管理调控。
  • 2.
    一种结合循环神经网络(RNN)预测与庞特里亚金极小值原理(PMP)的滚动时域优化框架，可实现接近离线PMP解性能的实时能量管理系统优化。

本文组织结构如下：第2节构建了车辆能耗模型、电池热管理系统以及面向控制的电池衰减模型，并基于这些模型构建了能量管理优化问题。第3节采用庞特里亚金极小值原理（PMP）求解该问题，在合理假设基础上提出了局部优化策略。针对计算复杂度和共态变量优化问题，第4节提出了融合学习方法与滚动时域优化的RNN-PMP策略。
上一个：霍克锂电池高温钠硫固定电池的高精度动态模型 下一个：霍克锂电池基于模糊逻辑的并联电池组间容量差异估计与拓扑排序

推荐新闻

新闻中心

联系我们

联系人：英国霍克蓄电池（中国）营销总部

手机：15313702523（微信同号）

E-mail：ukhawker@yeah.net