新型能量管理策略对燃油经济性的影响

随着汽车技术的不断发展，汽车的能量利用率不断提高。本文对在当今汽车技术中使用的能量管理技术进行介绍。

1 电动汽车舱室热管理的能效和性能 [1]

在AMESIM软件中搭建电动汽车乘员舱空调系统仿真模型。空调系统包括热泵、PTC加热器和用于废热回收的热交换器。对热泵和舱室热流进行了模拟。

1.1 搭建汽车乘员舱空调系统仿真模型

利用AMESim软件建立了电动汽车仿真模型。介绍车辆热管理建模。乘员舱空调系统是在现有空调系统模型的基础上，通过调整制冷剂流量使其作为热泵工作而建立起来的。所建立的动态集总参数热泵模型如文中图1所示。热泵模式由四个阀门控制，可以改变制冷剂流体的流向。在热泵模式下，还增加了一个热交换器，用于从电力电子和电机液体冷却电路中回收余热。空调系统模型包括一个PTC加热器，它与舱室空气流动和热交换器集成在一起。

图1 AMESim搭建的HVAC系统模型[1]

作者还建立了乘员舱模型和电动汽车模型。AMESim软件有两个预置的驾驶舱模型，一个很简单以及用于热平衡模拟的高级模型,更高级的客舱模型包括不同的客舱材料和元素。在电动汽车模型中，汽车动力总成包括电池系统、逆变器、电机、差速齿轮。该模型可以模拟纵向位移，可较好地计算系统级能耗。

1.2 模拟分析的整车配置条件

通过对一辆电动汽车的完整模型进行仿真，评价了不同行驶周期和环境条件下的能耗。在8种不同的环境温度下测定了3种不同的驱动循环的能耗。HVAC系统有四种配置:

（1）无冷却和加热。

（2）5 kW空调及PTC加热器(AC+PTC)，

（3）4 kW热泵和PTC加热器(HP+PTC)，

（4）热泵，4 kW PTC加热器，余热回收由HP+PTC+WH组成。

1.3 结论

在仿真基础上，对整车性能和能耗进行了分析，并对客舱暖通空调系统不同配置构架进行了平均功率需求和COP评价。借助于建立的完整汽车模型，计算了电动汽车的总能耗和行驶里程。仿真结果表明，驱动周期对能耗有显著影响。在低温环境条件下，高速公路低速行驶比高速行驶增加更多的能耗。与由空调和PTC加热器组成的传统暖通空调系统相比，在温和的温度下，采用热泵系统的汽车与常规的由空调和PTC加热器构成的HVAC系统对比，续航里程可以提高6～22%。通过回收电力电子和电动机的余热并利用余热，从而提高热泵系统的性能，可以进一步提高车辆的续航里程。

2 混合动力汽车能源预测管理策略燃油经济性改进和电池容量灵敏度分析[2]

2.1 主要目的和主要原理

本文作者研究了在实际驾驶情况下，不同的电池充电管理策略对并联混合动力汽车燃油经济性的影响。利用每种策略对燃油经济性改进进行比较，然后将其中一种改进与未来驾驶条件结合，主要是速度和海拔高度的分布。

2.1.1 车辆模型

这项工作使用了一个动态的，面向控制的模型，这意味着有一个驾驶员模型，根据所需的车辆速度，输入真实的加速度和刹车踏板信号。因此，能量流从原机或辅助机传递，通过传输到达车轮，计算出车辆加速度。车辆的动力系统构架如图2所示。

2.1.2 电荷状态管理策略

作者研究了三种不同的SOC管理策略。充电状态管理策略是控制器在驱动任务中规划电池使用的多种方式。表1清楚地显示了使用不同的SOC策略的燃料消耗。选择了充电管理策略，对燃油经济性也很重要，因为在最佳和最差之间，燃油消耗的差异为0.67%。

图2 车辆的动力系统构架[2]

表1 不同的SOC策略的燃料消耗[2]

2.1.3 灵敏度分析

电池容量越小，预测信息越重要。然而，即使是最小的电池容量，好处也是有限的。这意味着速度和道路阻力对这种SOC调整策略的影响较小，如果有其他可预测的信息，如交通灯数据、法律限速、交通堵塞情况等，这可能会更加有效。

2.2 结论

（1）本研究认为，与基于物理的控制器(如ECMS)相关联的SOC规划的每一个策略都比在车辆中实现的原始启发式控制器性能更好。

（2）此外，研究还表明，考虑到特定的架构(如PHEV)，尤其是在电池容量大的情况下，使用消耗电量/保持电量的方法更为可取。

（3）最后，量化了在已知未来驾驶条件的情况下，电池充电管理策略所能实现的额外油耗降低，并进行了灵敏度分析，证明了在电池容量较低的情况下，这种效益会更大。

3 混合动力汽车燃油经济性和实施最优能源管理的研究 [3]

3.1 主要目的和主要原理

混合动力电动汽车的最优能源管理已被证明可将燃油经济性(FE)提高约20%，从而减少对外国石油的依赖，减少温室气体(GHG)排放，减少一氧化碳(CO)和氮氧化物(NOx)排放。这表明，随着混合动力电动汽车产量的增加和消费者的欢迎度的提高，燃油经济性的增加是现实世界中需要实施的一项关键技术。

作者指出了现实世界中阻碍混合动力汽车能量优化管理的两个研究空白:传感器和信号技术以及预测续驶里程和误差影响。

3.1.1 研究空白1：利用传感器和信号技术提高燃油经济性

传感器和信号技术可以通过两种显著的方式增加车辆的燃油经济性:

(1)促进更有效的能量驱动行为，也被称为生态驱动;

(2)现实世界中最优能量管理策略驱动循环预测需求的实现。

目前在现代商用车中为安全和方便而使用但未用于改进燃油经济性的传感器技术包括:摄像机系统(CS)、雷达系统(VRS)、全球定位系统(GPS)。

3.1.2 研究空白2：最优能量管理预测范围和误差影响

基于未来车辆状态预测的最优能源管理策略预测窗口越长，燃油经济性改善的潜力就越大。Nicolo Cavina分析了现实世界中最优能源管理的实施过程中可能会遇到的预测误差问题。在一个控制场景中，使用动态规划(DP)推导出一个完整驱动循环的最优控制，假设车辆速度是已知的驱动循环持续时间在一秒增量。动态规划的一个优点是它还提供了一个控制决策矩阵,涵盖每个可能的状态和时间。各种预测误差对各种能量管理方案的影响如图3。

3.2 结论

照相机系统和雷达系统等传感器已经存在于现代车辆中，但仍未用于生态驾驶和优化能源管理、提高燃油经济性。为了实现HEV燃油经济性的改善，需要对目前可用和近期可用的传感器和信号技术的各种组合来实现驱动循环预测的可靠性和准确性进行更多的研究。

图3 各种预测误差对能量管理方案的影响[3]

另一个阻碍实施最优能源管理、提高燃油经济性的研究空白是缺乏关于预测误差影响的研究数据。初步研究是通过研究随机或随机误差对随机导出的最优控制策略的影响，以及速度误差预测、能量误差预测、红灯误差预测和交通量误差预测对全局最优能源管理策略的影响而开始的。

4 一种基于规则的内燃机(ICE)车辆模式切换预测能量管理策略[4]

4.1 主要目的和主要原理

作者介绍使用交流发电机的控制模式开关（CMS）为内燃机车辆进行能量管理策略。该能量管理系统通过回收汽车的剩余动能，以提高燃油效率。当驾驶员操纵车辆减速时，会产生剩余动能。剩余能量通常作为刹车的热能被浪费掉。在这种情况下，通过使用交流发电机可以将浪费的能量转化为电能，这种转换可以减少额外的燃料消耗。

4.2 系统概述

将所提出的能量管理策略应用于常规发动机车辆的电力系统中。在目标电力系统中，交流发电机由一个以充电状态值作为参考输入的负反馈控制器控制。该策略为交流发电机的反馈控制器提供了一个可变的充电状态设定值。

如图4所示，该能量管理系统由两个子系统组成:随机预测系统和控制模式切换系统。

首先，预测系统根据当前车辆测量数据的输入，估计未来剩余发动机功率的持续时间。然后，根据控制开关规则对交流发电机的控制方式进行切换。最后，交流发电机反馈控制器使用SOC设定值与当前SOC值之间的误差。

图4 能量管理策略的系统构架[4]

4.2.1 发动机剩余功率的预测

预测系统的目标是估计剩余动能的未来持续时间。然而，直接预测剩余能量是很困难的。因此，作者Haksu Kim利用车速来预测剩余能量的发生。

4.2.2 马尔可夫链模型

Haksu Kim采用马尔可夫链模型进行预测。该马尔可夫链模型基于区间编码方法和多元马尔可夫链。最后，交流发电机反馈控制器使用SOC设定值与电流SOC值的差值。

4.3 仿真结论

仿真结果表明，该方法能够提高燃油经济性，两种策略都使SOC值保持在稳定的范围内。总油耗降低了0.48%。在电能生产方面，交流发电机的耗油量减少了42.86%。

5 最优燃油经济性车辆控制的预测[5]

5.1 主要目的和主要原理

采用基于预测的最优能源管理的车辆控制已被证明可以实现更好的燃油经济性，从而带来经济、环境和社会效益。尽管最近几十年已经出版几百份最佳能量管理研究论文，但聚焦最佳能量管理预测衍生应用方面的研究还是很有限的。数据来源包括以前的驾驶周期信息、当前车辆状态、全球定位系统、旅行时间数据以及可以辨别车辆、标识和交通指示灯的先进的驾驶员辅助系统(ADAS)。为了得到预测结果，将数据输入应用于带有外部输入的非线性自回归人工神经网络(NARX)中。在科罗拉多州的丹佛市，有两种真实世界的驾驶循环可供分析:一种是通过市区为主的以城市为中心的驾驶循环，另一种是高速公路区为主的驾驶循环跨越多个状态的转换。结果表明，包含各种传感器和信号可以在100%准确预测方面明显提高燃油经济性，利用当前可用的传感器和信号，可以实现基于预测的最佳能量管理，从而实现燃油经济性改进。

5.1.1 最优的能源管理策略模拟

该系统包括用于驾驶循环预测（感知）的子系统，最佳EMS的推导衍生（计划）以及车辆中的最佳能量管理实施。该系统级别的视角如图5所示，可以独立开发和调研感知、规划和车辆工厂子系统，但燃油经济性结果取决于完整的系统实施和分析。

图5 系统级别[5]

5.2 结论

在这项研究中，组成了一套独特的传感器和信号，以调研在一个主要首都城市中长达十英里、繁忙的驾驶循环的最佳车辆控制。启动了以城市为中心和以高速公路为中心的驾驶循环试验，在此期间记录GPS、当前车辆速度、ADAS检测和行程时间数据。然后将这些传感器和信号输出输入到神经网络感知模型当中，以确定未来的车辆操作。然后，利用Autonomie软件，对2010 Toyota Prius的验证模型实施了最佳能量管理战略。结果表明，对于以城市为中心的驾驶循环，可以使用GPS、当前速度和ADAS检测数据，利用预测模型结合最优控制来实现整体最优改进。结果还表明，对于聚焦高速公路的驾驶循环，在预测模型中结合最优控制、使用GPS、当前速度、ADAS检测和行程时间数据可以实现整体最佳燃油经济性