純電動汽車復合儲能系統能量管理策略

摘要：針對純電動汽車單電池系統功率密度低、大電流充放電能力差等問題，設計了鋰電池-飛輪電池復合儲能系統，提出了基于工況識別的自適應小波變換-模糊控制能量管理策略，將需求功率分解成低頻成分和高頻成分，并分別將其分配給鋰電池和飛輪電池。最后，將所提策略與邏輯門限能量管理策略進行比較分析。結果表明：所提出的自適應小波變換-模糊控制能量管理策略可以有效減緩鋰電池受到的峰值電流沖擊，延長其使用壽命，增強純電動汽車的整體性能。

關鍵詞：純電動汽車；復合儲能系統；鋰電池；飛輪電池；能量管理策略

0 前言

純電動汽車具有零排放、節能、低噪聲等優點，在解決能源短缺和環境污染問題方面發揮著不可替代的作用，已成為新能源汽車的核心部分。目前，純電動汽車常用的單電池系統存在功率密度低、使用壽命短、大電流充放電效率低等問題，這直接影響了車輛的性能和經濟性［1］。針對這個問題，有效的解決方案是采用復合儲能系統，輔之高效的能量管理策略。

目前，復合儲能系統的能量管理策略可分為基于規則的策略和基于優化的策略2 類。基于規則的策略是通過預先設定規則、限制和邏輯來實現儲能元件之間能量的分配和控制，相對于基于優化的策略，其具有實時性好、可靠性高、穩定性強和實現簡單等優點，能夠快速根據車輛運行狀態進行響應和調整，更適用于實際車輛［2］。RADE 等［3］采用邏輯門限能量管理策略提高了復合儲能系統效率及電動汽車的經濟性。張錫等［4］采用模糊控制能量管理策略增加了車輛的續航里程，提高了車輛的經濟性。ZHANG 等［5］采用小波變換能量管理策略，有效控制了整車的功率分配，提高了車輛的性能。

上述研究均未綜合考慮能量源的能量狀態、汽車行駛工況及整車需求功率，因此有必要設計一種綜合性能優越、計算簡單的能量管理策略。在工況識別的基礎上，筆者提出了一種針對鋰電池-飛輪電池復合儲能系統的自適應小波變換-模糊控制能量管理策略。該策略能夠動態選擇適當的小波分解層數，并將飛輪電池能量狀態（Esoe）維持在合適的范圍內，以減少大電流對鋰電池的影響，延長其使用壽命。

1 復合儲能系統

1. 1 飛輪電池結構及原理

飛輪電池主要由飛輪控制電機、飛輪轉子、高速軸承、真空室和電力電子轉換裝置組成，如圖1所示。飛輪電池具有充電、儲能和放電3 種工作模式：在充電狀態下，通過電力電子裝置將外部輸入的電能轉換為飛輪轉子的機械能；在儲能狀態下，飛輪電池儲存機械能，并保持轉速幾乎不變；在放電狀態下，飛輪控制電機將儲存的機械能轉換為電能，并將其輸出給負載。

1. 2 純電動汽車復合儲能系統模型

所研究的復合儲能系統結構如圖2 所示。整車和復合儲能系統的主要參數分別見表1 和表2。

2 基于廣義回歸神經網絡（GRNN）的工況識別

鑒于道路行駛情況的復雜性和多樣性，挑選了23 種典型行駛工況作為研究對象（見表3），從中提取特征參數，并使用聚類分析方法進行分類。

2. 1 特征參數的選取與工況聚類分析

選取6 個特征參數，將其用于聚類分析和工況識別［6］，分別是平均車速vavg、平均加速度aavg、平均制動加速度davg、最大車速vmax、最大加速度amax 和最大制動加速度dmax，以提高工況識別的實時性。

通過聚類分析，將23 種典型工況按照聚類距離尺度為3.3 分成了3 大類，分別為第一類市區擁堵工況（3、4、7、10、11、13、14、18），第二類城市城郊工況（1、2、8、9、12、17、20、23），第三類高速公路工況（5、6、15、16、19、21、22）。

2. 2 GRNN 的工況識別

2. 2. 1 工況識別神經網絡設計

GRNN 是一種基于徑向基函數的神經網絡模型，基本結構如圖4 所示［7］。

輸入層的作用是接收輸入數據并將其傳遞到模式層，其神經元數量與輸入參數的數量相同，使用6 個特征參數（vavg、aavg、davg、vmax、amax、dmax、）作為GRNN 模型的輸入參數。模式層的作用是計算輸入向量與每個樣本向量之間的距離，用于判斷與輸入向量最相似的模式，其神經元數量等于學習樣本的數量。求和層的作用是將每個模式的權重與其對應的模式向量相乘，并將結果求和，從而得到一個加權的模式向量。輸出層的作用是將求和層的輸出作為輸入，進一步對其進行處理，以產生最終的輸出，其神經元數量與設定的輸出變量個數一致。

2. 2. 2 工況識別結果

為了測試識別方法的準確性，創建一個待識別組合行駛工況，即“ 工況11+ 工況22+ 工況1+ 工況17+ 工況5”，其行駛距離為46.5 km，行駛時間為3 627 s。該識別方法是將市區擁堵工況表示為“1”，城市城郊工況表示為“2”，高速公路工況表示為“3”，如圖5 所示。從圖5 可以看出，該方法能夠正確識別出實際工況類型，驗證了其有效性。

3 復合儲能系統能量管理策略設計

3. 1 邏輯門限能量管理策略

邏輯門限能量管理策略的基本思想是利用表4中典型行駛工況下的最大正平均功率Pavr_p 和最小負平均功率Pavr_n 來限制鋰電池的放電和充電，以適應不同的工況［8］。

濾波函數F （ s） 的表達式為：

使用分解高、低通濾波器函數H1（ z ）、H2（ z ） 將原始信號X （ t ） 分解成高頻和低頻成分，再使用重構高、低通濾波器函數G1（ z ）、G2（ z ） 進行重構，得到重構信號Y （ t ）。

將整車需求功率作為輸入信號，通過3 階Haar小波變換，將高頻信號x1（ t ） + x2（ t ） + x3（ t ） 分配給飛輪電池，低頻信號x0（ t ） 分配給鋰電池，如圖6所示。

3. 2. 2 小波分解層數的選擇

純電動汽車的行駛工況復雜多變，每個時刻的需求功率都是隨機的，固定的分解層數選擇可能導致能量源以不健康的狀態工作，從而縮短其循環壽命，因此設計一種能夠根據車輛的不同行駛工況自適應調節小波分解層數策略是十分有必要的。

研究鋰電池與飛輪電池輸出能量比例的關系時，定義信噪比為小波分解后的低頻信號與高頻信號的能量比值。基于組合行駛工況，使用Haar 小波進行離線仿真，得到不同分解層數與信噪比之間的關系，見表5。由表5 可以看出：隨著小波分解層數的增加，分配給飛輪電池的能量也增加，從而可以更好地保護鋰電池［10］。此外，因為在復合儲能系統中鋰電池是主要能量源，飛輪電池只起到“削峰填谷”的功能，故信噪比必須大于1，即分解層數的取值范圍為2 ≤ n ≤ 4。

在不同行駛工況下純電動汽車所需的動力輸出不同，隨著車速的增加，車輛對功率的需求也會增加，從而導致鋰電池受到的電流沖擊強度很大，需要采用較高的小波分解層數來保護鋰電池。因此，將市區擁堵工況、城市城郊工況和高速公路工況分別對應分解層數2、3、4。

3. 2. 3 模糊控制器的設計

雖然自適應小波變換可以解決傳統小波能量管理策略適應工況較差的問題，但其不能實時監控能量源的狀態。為了充分發揮飛輪電池的高功率密度優勢，采用模糊控制將飛輪電池能量狀態維持在一定的范圍內。

模糊控制器的輸入變量為鋰電池參考輸出功率Pbat_req、鋰電池荷電狀態Esoc 和飛輪電池能量狀態Esoe，輸出變量為鋰電池實際輸出功率Pbat。輸入變量的模糊論域分別為Pbat_req =［0， 1］、Esoc =［0.2， 0.9］、Esoe =［0.1， 1.0］，輸出變量模糊論域為Pbat =［0， 1］。在車輛驅動模式下模糊子集為Pbat_req=｛RS，S，M，RB，B｝、Esoc=｛S，M，RB｝、Esoe =｛S，M，RB｝、Pbat =｛RS，S，M，RB，B｝。在車輛制動模式下模糊子集為Esoc =｛S，M，RB｝、Esoe =｛RS，S，M，B｝、Pbat = ｛RS，S，M，B｝。其中，RS、S、M、RB、B 分別代表較小、小、中、較大、大。在驅動模式和制動模式下隸屬度函數分別如圖7 和圖8 所示。

所設計的能量管理策略如圖9 所示。首先，采用GRNN 工況識別模型對車輛運行工況進行識別，并根據識別結果選擇合適的小波分解層數進行功率分解，其中，將高、低頻信號分別分配給飛輪電池和鋰電池；其次，利用模糊控制維持飛輪電池的Esoe 在適當的范圍內波動。

4 仿真結果與分析

使用Matlab/Simulink 建立復合儲能系統模型，在組合工況下進行仿真分析，以驗證所提出的能量管理策略的有效性。

不同能量管理策略下鋰電池Esoc 的變化如圖10 所示。由圖10 可以看出：采用復合儲能系統可以有效降低鋰電池的能量消耗，其中在自適應小波變換-模糊控制能量管理策略下鋰電池Esoc 下降最平緩，且在工況循環結束時Esoc 最高；與搭載單電池系統的純電動汽車相比，采用邏輯門限能量管理策略后能量利用率提高了2.9%，采用自適應小波變換-模糊控制能量管理策略后能量利用率提高了5.3%。

不同能量管理策略下鋰電池的輸出電流變化如圖11 所示。過高的充放電電流會對鋰電池的性能造成嚴重影響，可能導致電池容量損失和安全性下降等問題。由圖11 可以看出：將單電池系統作為能量源時，鋰電池的最大輸出電流為140.1 A；采用邏輯門限能量管理策略時最大電流為102.5 A，較單電池系統減小了26.8%；采用自適應小波變換-模糊控制能量管理策略時最大電流為90.4 A，較單電池系統減小了35.5%。由此可見，采用復合儲能系統后可以有效實現對鋰電池輸出電流的峰值控制；自適應小波變換-模糊控制能量管理策略對高頻、高幅值電流的抑制效果更好，降低了其對鋰電池的不利影響。

不同能量管理策略下飛輪電池Esoe 的變化如圖12 所示。由圖12 可以看出：在邏輯門限能量管理策略下，飛輪電池的Esoe 總體呈下降趨勢，且波動較小，飛輪電池未得到充分利用；而在自適應小波變換-模糊控制能量管理策略下，飛輪電池的Esoe波動劇烈，尤其在Esoe 較高時反而下降較快，這可以為回收制動能量騰出空間。隨后，飛輪電池的Esoe 一直在0.7 左右波動，但在約3 500 s 時需要連續回收制動能量，為避免鋰電池在行車過程中充電，飛輪電池Esoe 大幅提升。總體而言，自適應小波變換-模糊控制能量管理策略在提高飛輪電池利用率方面表現出色。

高溫環境會對鋰電池的性能和壽命產生不利影響。不同能量管理策略下鋰電池工作溫度的變化如圖13 所示。

由圖13 可以看出：循環結束時，采用單電池系統時鋰電池溫度上升2.18 K；采用邏輯門限能量管理策略時鋰電池溫度上升1.71 K，較單電池系統降低21.6%；采用自適應小波變換-模糊控制能量管理策略時鋰電池溫度上升1.47 K，較單電池系統降低32.6%。由此可見，采用復合儲能系統可以有效降低電池的負荷及內部溫度；自適應小波變換-模糊控制能量管理策略對鋰電池溫升的抑制效果更好，有助于延長鋰電池的使用壽命。

5 結論

（1） 與單電池系統相比，采用自適應小波變換-模糊控制能量管理策略時鋰電池的最大輸出電流減小35.5%，溫升降低32.6%，能量利用率提高5.3%，有效延長了鋰電池的使用壽命，提升了純電動汽車的續航里程。

（2） 與傳統的邏輯門限策略相比，采用自適應小波變換-模糊控制能量管理策略可以有效降低峰值電流和高頻功率對鋰電池的影響，并能夠實時監控能量源的狀態，充分發揮飛輪電池的優勢。

參考文獻

［ 1 ］ WANG W， LI Y， SHI M， et al. Optimizationand control of battery-flywheel compoundenergy storage system during an electricvehicle braking[J]. Energy， 2021， 226（1）：120404.

［ 2 ］ 林歆悠，王召瑞. 應用粒子群算法優化模糊規則的自適應多目標控制策略[J]. 控制理論與應用，2021，38（6）：842-850.

［ 3 ］ RADE M R， DHAMAL S S. Batteryultracapacitorcombination used as energystorage system in electric vehicle[C]// 2015International Conference on EmergingResearch in Electronics， Computer Scienceand Technology （ICERECT）. India： IEEE，2015： 230-234.

［ 4 ］ 張錫，張鐵柱，孫賓賓，等. 機電式飛輪車輛能量管理策略[J]. 科學技術與工程，2021，21（35）：15238-15246.

［ 5 ］ ZHANG X， MI C C， MASRUR A， et al.Wavelet-transform-based power managementof hybrid vehicles with multiple on-boardenergy sources including fuel cell， battery andultracapacitor[J]. Journal of Power Sources，2008， 185（2）： 1533-1543.

［ 6 ］ 劉永剛，解慶波，秦大同，等. 基于工況識別的混合動力汽車能量管理策略優化[J]. 機械傳動，2016，40（5）：64-69，73.

［ 7 ］ 羅婷，劉瑞軍，魯忠，等. 基于神經網絡的行駛工況智能識別方法研究[J]. 拖拉機與農用運輸車，2021，48（2）：10-15.

［ 8 ］ 胡杰，劉迪，杜常清，等. 電動汽車復合能源系統能量管理策略研究[J]. 機械科學與技術，2020，39（10）：1606-1614.

［ 9 ］ 趙令聰，孫賓賓，張鐵柱，等. 增程式電動汽車復合儲能系統控制策略研究[J]. 電源技術，2021，45（7）：932-935，963.

［10］ 劉瑞元，孫賓賓，張鐵柱，等. 復合儲能純電動汽車能量管理策略研究[J]. 電源技術，2022，46（9）：1071-1075.