基于预测控制的电动汽车快充模块热管理策略
摘要:电动汽车快充充电桩在高功率工作下功率器件容易超温造成安全隐患,而现有的冷却策略采用基于规则控制的强制风冷方式,散热风扇转速大且产生较大的环境噪声。为了保护模块核心器件的热安全同时优化冷却调节策略,本文提出了一种基于数据驱动模型预测控制的电动汽车快充模块优化热管理方法。该方法采用数据驱动构建基于长短期记忆神经网络(LSTM)的模块温度分布的预测模型,并结合模型预测控制(MPC)对风扇转速进行调控,优化快充模块热管理策略并降低风扇噪声。经过实验测试,验证了该方法在保证各关键器件不超温的同时,有效降低风扇平均转速1293r/min,降低平均噪声4.99dB,保障了核心器件热安全性以及散热风扇耐久性。
关键词:模型预测控制;长短期记忆神经网络;快充模块;热管理;风扇降噪
引言
随着电动汽车的快速增长和发展,充电桩的建设需求也越发显著,相比于传统的交流充电桩,直流充电桩具有充电功率大、充电速度快等特点,但容易导致工作时内部功率器件升温过快,威胁功率器件的热安全。充电桩常用强制风冷作为其主要散热方式,现有的策略基于简单规则,较为粗犷,在高功率工作下散热风扇转速过快,会增大风扇噪声并降低风扇的使用寿命,由此限制了直流充电桩的发展和普及。为了进一步提升充电模块的运转安全性并降低风扇噪声,延长其使用寿命,需要对直流快充模块建立预测热模型并优化热管理方法。
采用有限元方法能够模拟产热系统的耦合热效应以及温度分布的细节,但较为耗时无法实时在线运行,而建立热模型的方法可以减少计算量并提供合理准确的温度预测。传统的热阻网络模型基于传热学理论构建,但复杂系统模型的建立以及参数的标定较为困难,而采用数据驱动的方法可以避免这些问题。Wallscheid等人采用长短期记忆神经网络模型(LSTM)对电动汽车永磁同步电机的定子轭部、齿部、绕组以及转子永磁体进行温度预测,取得了较好的预测效果。
此外,现有基于规则控制的热管理方法较为简单,未能充分利用热模型有效信息,而模型预测控制(MPC)方法便于处理有约束的非线性优化问题,受到广泛的关注。Vazquez等人详细地描述了MPC的工作原理,确定了MPC策略中三个重要的因素:预测模型、代价函数、优化算法,总结了其最新的研究进展以及不同解决方案。Mantovani等人采用MPC方法来解决购物中心的热能控制问题,旨在采用先进的控制策略来减少建筑系统的电能和热能。Amini等人提出了一种层次化MPC(H-MPC)方法,并研究了其在电动汽车电池热管理和能量管理中的应用。
本文提出一种基于数据驱动模型预测控制的电动汽车快充模块优化热管理方法,通过电池模拟测试实验构建数据集,基于数据驱动的方法建立LSTM充电模块温度预测模型,采用基于LSTM预测模型的MPC控制策略,基于数据驱动的预测模型能够提升模型预测的精度和可靠性,结合MPC控制策略能够对风扇转速、功率器件温度进行有效优化。实验结果表明,该方法能够将关键器件的温度控制在安全范围内,并降低风扇平均转速1293r/min,降低平均噪声4.99dB,有效保障功率器件热安全并延长风扇使用寿命。
1 基于LSTM的温度预测模型
1.1 电池充电模拟实验及训练数据集建立
为了构建基于LSTM的充电模块温度预测模型,需要通过充电模拟实验获取足够的训练数据。本文采用电池模拟器模拟电池负载进行实验测试,控制模块在不同的充电曲线工况下工作,采集模块的温度信号及电信号作为实验数据。实验测试对象选取一个最大功率30kW的充电模块,其基本参数信息如表1所示。
表1 充电模块基本参数信息
根据车用动力电池充电主要方式,并参考公开的多种不同车型电池包充电工况,设计充电曲线工况。本文中的研究及控制目标针对单一充电模块,设计得到单体充电模块的不同充电曲线,其中参考雪佛兰Bolt和蔚来ES6工况得到的充电曲线如图1所示。
图1 雪佛兰 Bolt工况和蔚来ES6工况的充电曲线
在不同充电曲线工况下进行充电模拟实验,实验平台如图2所示,模块采取强制风冷散热方式,在基于简单规则的控制方式下进行多组充电测试实验,得到充分的测试数据,建立信息全面的数据集,为后续的LSTM神经网络搭建与训练提供数据支撑。
图2 电池充电模拟测试及数据采集平台
1.2 LSTM神经网络模型
LSTM模型在RNN模型的基础上增加了输入门限、输出门限、遗忘门限三个逻辑控制单元,使得LSTM能够真正有效地利用长距离的时序信息,常被用于时序数据的预测。本文采用数据驱动的方法,利用LSTM神经网络来构建充电模块温度预测模型,通过当前的数据信号预测未来一定时间后的核心器件温度。
DCDC板在充电模块工作中功率最大、发热量最多,其中,整流管、MOS管、主变线圈以及主变磁芯对高温敏感且升温较快容易损坏,由此选取作为模型的输出温度,其对应位置如图3所示,最大许可温度如表2所示。
图3 LSTM温度预测模型输出温度节点的对应位置
表2 LSTM 温度预测模型的输出目标及对应的最大许可温度
从模块反馈的信号中选取关键信号与输出温度进行互相关性分析,如图4所示。
图4 关键输入信号与输出温度互相关性分析
考虑互相关性分析以及环境因素,选取交流输入功率、变压器温度、二极管温度、空气流速、环境温度作为输入参数。基于Tensorflow平台的keras库搭建LSTM神经网络,将输入层与全连接层连接构成LSTM基本网络结构,激活函数ReLU相比于Sigmoid和tanh能更加有效地进行梯度下降以及反向传播,利于上机DSP部署,并简化计算过程,所以本文LSTM神经网络使用ReLU作为激活函数,网络超参数如表3所示。
表3 LSTM神经网络超参数
2 基于MPC的优化热管理方法
MPC方法的主要特点为预测模型、滚动优化、反馈校正[10],本文中的MPC方法采用LSTM温度预测模型作为预测模型,其在时间序列上的拟合和预测性能整体较优,同时很好的改善了梯度消失和梯度爆炸的问题,对长期的时间序列存在一定记忆能力。LSTM温度预测模型基于数据驱动的方法,通过测试数据集进行数据训练,经过不断的训练提升预测模型的精度,根据输入能够有效地预测未来的输出,具有普遍的适用性,将LSTM预测模型作为MPC的预测模型,有效地提升了传统MPC预测的效率和精度。
基于LSTM的MPC方法流程图如图5所示,选取LSTM预测模型输出温度作为系统状态量,选取充电模块输出温度作为系统输出量,系统控制量设定为散热风扇转速。整体控制过程中,在移动时间窗口的有限时域内对风扇转速进行滚动时域控制,将设定的温度上限参数以及预测模型的预测结果输入到代价函数中进行滚动优化,输出最优控制的风扇转速,采用该转速对充电模块进行有效散热调控。
图5 模型预测控制流程图
由于充电模块产热散热过程具有非线性的特点并且存在约束条件,所以本文采用约束非线性有限状态MPC方法,约束条件分为状态量约束和控制量约束,如下所示:
在移动时间窗口的有限时域内,代价函数进行评估时,权衡关键节点温度和风扇噪声带来的影响,由此将这两个控制目标纳入代价函数,实现多目标的非线性控制,其表达式如下:
其中xi(t)为t时刻各个节点温度状态量,转速u为控制量,xilim(t)为t时刻各个节点温度上限,wxi为各个温度节点的温度权重系数,wu为转速权重系数,n为输出温度节点数。
代价函数是用来衡量模型预测控制的性能指标,代价函数越小,说明MPC控制效果越好。第一个参数是用来对温度的影响进行评估,当各个节点的温度越接近温度上限,第一个参数越大,表明控制效果越差;第二个参数是用来对转速的影响进行评估,转速越接近转速上限,第二个参数越大,表明控制效果越差。通过两个参数对温度和转速进行综合评估,在保证温度在安全范围的同时,转速尽可能低。
为了提升控制算法的执行效率,采用有限状态MPC,即在每一个有限时域内将控制量在约束条件内均匀划分为不同的状态,并对每个状态计算一次代价函数,根据计算结果选取出最优控制量。为进一步提升转速精度,在上一个控制量结果的附近范围内再均匀划分状态,进行二次收敛计算,实现控制量平滑的同时,得到最优的转速控制结果。
3 实验及验证
首先进行LSTM预测模型的训练及验证,通过内置热电偶测量模块器件节点温度,将电池充电模拟实验得到的数据集按照8:2的比例划分为训练集和测试集,并留出一定数据作为验证集,经过训练集和测试集的训练后,使用验证集对LSTM预测模型进行验证,对4个目标在未来一定时间后的预测温度误差如表4所示。
表4 LSTM温度预测均方根误差
考虑到功率器件热安全,MPC控制策略温度约束条件相比于最大许可温度留出一定安全空间,其约束条件与控制参数如表5所示。
表5 MPC参数
充电模块的控制芯片型号为STM32F745,工作频率达216MHz,将所提出的MPC策略嵌入部署到该控制器中,并在雪佛兰Bolt工况和蔚来ES6工况下进行温升测试,其工况基本信息如表6所示。
表6 雪佛兰Bolt工况和蔚来ES6充电工况基本信息
将雪佛兰Bolt与蔚来ES6充电工况在MPC方法下的调控结果与基于规则控制下的调控结果进行对比,得到其风扇转速、风扇噪声以及关键温度节点对比曲线,如图6、7、8、9所示。
图6 雪佛兰Bolt工况风扇转速噪声对比图
图7 雪佛兰Bolt工况功率器件温度对比图
图8 蔚来ES6工况风扇转速噪声对比图
图9 蔚来ES6工况功率器件温度对比图
从对比图中可以看出,基于LSTM温度预测模型的MPC方法能够控制四个关键温度的在温度上限以内,保证了其热安全性。同时相比于基于规则控制方式,两个工况的降速降噪效果十分明显,如表7所示。根据对未来温度变化趋势的预测能力,使用LSTM温度预测模型的MPC能够有效对充电模块冷却系统进行调控,合理分配冷却系统的使用,可以对充电模块的温升进行科学可靠的管理和调控。
表7 雪佛兰Bolt工况和蔚来ES6工况降噪效果
4 结语
针对直流快充模块高功率工作过程中的热安全隐患,本文提出了一种基于数据驱动模型预测控制的电动汽车快充模块优化热管理方法。采用LSTM神经网络构建预测模型,对未来温度预测平均误差为1.96℃,具有较高的精度,由于充电模块产热散热模型是非线性系统,数据驱动的方法避免了复杂系统的模型建立和参数标定问题,具有广泛的适应性。同时结合风冷的非线性散热特性,设计非线性MPC控制策略,采用滚动时域优化的方法对冷却策略进行有效调控。经过实验测试,验证了该方法能有效控制关键器件不超温,并在雪佛兰Bolt充电工况下,有效降低风扇平均转速1293r/min,降低平均噪声4.99dB;在蔚来ES6充电工况下,有效降低风扇平均转速629r/min,降低平均噪声1.57dB,实现温度管控的同时合理调配冷却系统性能。所提出的方法,保障了快充模块内部核心器件的热安全性,同时减少了风扇的噪音,延长了其使用寿命。
作者:李靖璇,鲁岩松,朱翀,卢徐,张希
作者单位:上海交通大学机械与动力工程学院
- 下一篇:整车加速异响诊断与控制
- 上一篇:朱绍鹏:轮毂电机分布式驱动引领滑板底盘创新设计
-
汽车测试网V课堂
-
微信公众号
-
汽车测试网手机站
编辑推荐
最新资讯
-
直播|中汽中心 工程院:汽车智驾技术主题
2024-11-24 11:43
-
直播|中汽中心 工程院:无人驾驶车路云一
2024-11-24 11:42
-
直播|中汽中心 工程院:基于无人驾驶矿卡
2024-11-24 11:41
-
直播|中汽中心 工程院:超声波雷达测试系
2024-11-24 11:40
-
直播|中汽中心 工程院:基于车路云图的无
2024-11-24 11:40