集成电源与热管理，提升联网及自动驾驶电动汽车的能源效率和邱健蓄电池寿命

由于车辆纵向运动和电池热系统多时间尺度动态，以及能源效率、电池老化和驾驶安全之间的复杂权衡，联网和自动电动车的有效电力和热管理面临重大挑战。本文提出了基于多层模型预测控制框架的综合电力与热管理（IPTM）策略 ，专门设计以克服这些挑战并实现实时实施。拟议的IPTM可利用环境温度、路面坡度和前车速度等实时信息，主动优化电池温度和车辆速度，确保在不同驾驶条件下的高效性能。结果显示，所提策略带来了显著改进，包括减少 在冷却能源中，以牵引能表示，电池劣化，以及电池劣化在不同电池单元上与基准测试相比存在不一致。此外，每步的平均计算时间为比采样时间更短，确保实时应用的可行性。对关键参数的敏感性分析——如加权因子、采样时间和预测视野——进一步强调了IPTM策略的稳健性，并强化了其实际部署的潜力。

简介

互联和自动驾驶汽车（CAVs）的出现为通过先进计算和车载全能技术提升能源效率和驾驶安全带来了有前景的机会[1]， [2]， [3]， [4]。当前关于CAV的研究，如混合交通流中的生态驾驶，主要聚焦于通过优化车辆速度来降低车辆牵引能耗。这通过基于当前和预测的道路状况、交通状态以及与周围车辆的相互作用进行动态调整来实现 [5]， [6]， [7]， [8]。然而，很少有研究同时聚焦于优化牵引能效、电池热管理和电池劣化[9]、[10]、[11]。
电池热管理系统（BTMS）对于确保电池组的安全性、效率和寿命至关重要，尤其是在电动汽车（EV）中[12]、[13]、[14]、[15]、[16]、[17]。随着全球向可持续交通转变，电动汽车需求不断增长，优化BTMS性能变得愈发重要。设计良好的BTMS有助于将电池保持在最佳温度范围内，提升安全性和运行性能，同时延长电池寿命。此外，电池劣化也受到BTMS性能和车辆牵引功率的显著影响，温度和电流等因素相互作用，形成复杂的反馈回路[9]、[18]。因此，同时优化电池功率和热控对于确保车辆的能源效率、电池寿命和驾驶安全至关重要。
在为联网和自动驾驶电动汽车（CAEVs）制定有效的集成电力与热管理（IPTM）策略时，尤其面临若干挑战，尤其是在考虑电池劣化方面[9]，[10]。这些挑战源于以下几个关键因素：

• (1)
  多时间尺度动力学：电池组的热动力学变化远慢于车辆的纵向动力学（即行驶速度和车间间距）[19]。这种延迟响应可能导致在突发高功率事件中冷却不足，比如上坡驾驶或频繁加速减速。保持电池温度在最佳范围内–[20]、[21]，同时最小化能耗也很难。缓慢的热响应可能导致过热和冷却功率波动，从而增加能耗。虽然延长预测视野和选择合适的采样时间有助于平衡多时间尺度动态，但这样做会显著增加计算负载，从而使实时实现变得复杂[22]。
• (2)
  耦合权衡：解决多目标优化问题涉及在多个目标之间权衡，如冷却能效与电池劣化[10]、牵引能效与交通效率[5]、温度调节与整体能效。例如，虽然较低的电池温度减少了劣化，但冷却能量增加会增加电流，进而加剧劣化。同样，较大的车间间距提升了能源效率，但减少了交通吞吐量;而较小的间距则会降低能源效率和安全[5]。

为应对这些挑战，多项研究提出了解决方案。例如，Zhang 等人[23]利用强化学习（RL）方法结合流量预览，提升集成热能和能能管理系统的性能。然而，本研究的一个关键局限在于确保安全相关的挑战。虽然强化学习是一种能够实现有效且最优结果的先进方法，但其无法保证安全性使其直接应用变得困难[6]， [24]。此外，一些研究探索了最先进的方法，如庞特里亚金最小原理[25]和动态规划[10]、[26]、[27]，以实现全球最优结果。然而，这些方法受限于其较高的计算负担或复杂模型的复杂推导具有挑战性，通常需要使用局部模型预测控制（MPC）控制器进行实时实现，这大大增加了其实际应用的复杂性。因此，一些研究已将重点转向基于模型的方法，以提升现实应用中的实用性[28]，[29]。Amini等[9]提出了一个层级MPC框架，用于CAEV的稳健生态冷却，优化电力和热管理以提升能效。然而，本研究简化了热动力学，未考虑电池劣化。赵等人[30]开发了一套两层预测控制策略，在节能与扩展控制范围之间取得平衡，实现了电池和车舱热管理的显著节能效果。同样，马等人[31]进一步提出了车辆速度和电池热管理的两级优化策略，通过在上层解耦车辆速度和热控制，在下层耦合，提升能源效率和电池安全性。虽然这些BTMS相关研究成功整合了电力和热管理以提升能源效率，但它们忽视了电池老化的影响，而电池老化仍是一个亟需进一步研究的重要领域。
在电池劣化优化的背景下，我们之前的研究[10]通过动态规划探讨了冷却能效与电池劣化之间的权衡，展示了通过最佳时机控制空调（AC）系统激活，可以改善降解损失。然而，本研究专注于固定转速规划框架下的电池热管理，限制了更全面的电力和热管理优化空间。此外，电池温度和劣化的复杂动态限制了高精度电池组模型的使用，许多研究采用简化模型，忽略电池组内部的不一致性[32]。
本研究提出了一种实时IPTM策略，利用环境温度、路面坡度和前车速等实时信息，主动优化电池温度和车辆速度。该策略旨在提高能源效率，减少电池劣化，并在各种驾驶条件下保持驾驶安全。主要贡献总结如下：

• •
  IPTM提出了一种新颖策略，旨在解决车辆纵向运动和电池热系统多时间尺度的动态，以及CAEV中能源效率、电池劣化和驾驶安全之间的复杂权衡。该策略将多目标优化整合为一个项，消除繁琐参数加权的需求，显著提升了能源效率和电池寿命。
• •
  开发了一个以控制为导向的电池组模型，准确捕捉耦合的电气、热量和老化动态。通过将车辆纵向模型与电池组模型整合，可以有效表现电动汽车的多时间尺度动态以及电池单元内部的不一致性。
• •
  有效的IPTM控制器是在多视野模型预测控制（MH-MPC）框架下设计的，用于实际应用。通过严格的验证和敏感性分析，优化预测视野和采样时间，确保在各种操作场景下的性能稳健。
• •
  本研究通过在车辆牵引功率需求低时减少峰值功率和冷却电池，为设计IPTM战略提供了指导，以应对电池劣化与能源效率之间的多重权衡。