[发明专利]自动驾驶电动汽车动力电池热管理系统优化方法

权利要求书

1.一种自动驾驶电动汽车动力电池热管理系统优化方法，其步骤是：

S1.自动驾驶电动汽车未来车速优化；

S2.建立电动汽车动力电池热管理系统面向控制的模型

根据能量守恒定律得出电池组的温度变化为

其中，为电池组单位时间内的温度变化量；I为电池组输出电流；R为电池内阻；T_p为电池组温度；为熵热系数；m_p为电池组的总质量；c_p为电池组的比热容；c_h为冷却液的比热容；ζ₁为拟合常数；n_p为水泵的转速；T_in和T_out分别为电池冷却管道入口处和出口处冷却液的温度；

其特征在于：

电池冷却管道入口处和出口处的冷却液温度表示为

其中，和分别为电池冷却管道入口处和出口处冷却液的单位时间温度变化量；m_e为蒸发器中冷却液的质量；h_e和S_e分别为蒸发器的导热系数和换热面积；T_ci和T_co分别为冷凝器入口处和出口处制冷剂的温度；h_p和S_p分别为电池组的导热系数和导热面积；

制冷剂的温度变化表示为

其中，和分别为冷凝器入口处和出口处制冷剂的单位时间温度变化量；n_f为风扇转速；n_c为压缩机转速；ζ₂、ζ₃和ζ₄为拟合常数；c_c为制冷剂的比热容；m_d为冷凝器中制冷剂的质量；h_c和S_c分别为冷凝器的导热系数和换热面积；c_a为空气的比热容；T_ai为外界空气温度；电动汽车热管理系统的能量消耗来源于水泵、压缩机和风扇，表示为

其中，P_b为热管理系统的能耗；P_ci和P_co分别代表压缩机入口处和出口处的压强；ε为压缩机多变指数；V_com为压缩机的排量；λ₁、λ₂和λ₃为拟合常数；

S3.基于驾驶习惯和环境温度的电池期望温度优化

将单次行驶里程分为三个区间进行分析，[0～40)km为短距离行驶，[40～100)km为中距离行驶，超过100km为长距离行驶；将电池组与外界环境温度的差值分为三个区间，电池包温度比外界环境温度高7～10℃为高温条件，电池包比外界环境温度高4～7℃为中温条件，电池包比外界环境温度高0～4℃为常温条件；

动力电池组在行驶过程中的容量衰减表示为

其中，C_l为电池衰减容量；C_r为电池组标称容量；

对两个物理量进行归一化处理

其中，i表示帕累托边界上每个解的索引；C_l(i)表示第i个解对应的电池衰减容量；P_B(i)表示第i个解对应的电池热管理系统能耗；C_n(i)表示归一化后的电池老化速率；P_n(i)表示归一化后的电池热管理系统能耗；C_l,max和C_l,min分别表示帕累托边界上所有解的对应的电池衰减容量的最大值和最小值；P_B,max和P_B,min分别表示帕累托边界上所有解的对应的电池热管理系统能耗的最大值和最小值；

将三个温度区间和三个行驶里程区间进行组合可以得到九个特征区间：区间一为短距离常温；区间二为中距离常温；区间三为长距离常温；区间四为短距离中温；区间五为中距离中温；区间六为长距离中温；区间七为短距离高温；区间八为中距离高温；区间九为长距离高温；电池最佳目标温度与环境温度以及单次行驶里程的关系进行拟合，得到最佳目标温度为

T_rp＝T_w+p_0j+p_1jx+p_2jT_e+p_3jxT_e+p_4jx²+p_5jT_e²,j＝1,2,...,9 (10)

其中，T_rp为电池组期望温度；T_w为外界环境温度；x为单次行驶里程；T_e为电池组与外界环境温度的差值；p_0j～p_5j为拟合常数；j＝1,2,...,9对应九个特征区间；

S4.基于多目标蚁群算法的动力电池组温度滚动时域优化

选定系统中的输入为电池期望温度T_rp；输出为电池组温度T_p；干扰量为电池输出电流I和车速v；控制量为水泵转速n_p、压缩机转速n_c和风扇转速n_f；建立如下代价函数

s.t.T_pmin≤T_p(τ)≤T_pmax

T_hmin≤T_in(τ),T_out(τ)≤T_hmax

T_rmin≤T_ci(τ),T_co(τ)≤T_rmax

n_max≤n_p(τ),n_c(τ),n_f(τ)≤n_min (11)

其中，J为电池组温度优化过程中的代价函数；k表示时刻；t_h为预测时域；κ₁和κ₂是无量纲权重系数；ΔT_p＝0.5；P_max为热管理系统的最大输出功率；T_pmax、T_hmax和T_rmax分别为电池组温度、冷却液温度和制冷剂温度的上限值；T_pmin、T_hmin和T_rmin分别为电池组温度、冷却液温度和制冷剂温度的下限值；n_max和n_min分别为水泵、压缩机和风扇转速上限值和下限值；式(11)中目标函数等号右侧第一项表示电池温度与目标温度的偏差，取值最小可保证电池工作在最佳温度附近；第二项表示热管理系统的能量消耗，取值越小表示冷却电池过程中消耗的能量越低；

对动力电池组热管理系统进行优化具体流程为：

首先将m只蚂蚁随机放在求解区域的空间点上，蚂蚁a根据状态转移概率移动到蚂蚁b所在的位置；

为代价函数随机赋予动态权重

其中，z₁和z₂为(0,1)之间的随机数；

求解蚂蚁在各节点处的控制量取值对应的代价函数值；最后，按照更新规则计算出蚂蚁a移动到下一个节点后的信息量；至此多目标蚁群算法完成了第一次迭代，随着迭代次数和迭代循环的增加，蚂蚁会逐渐运动至代价函数J更小的节点，迭代完成后求得的第k时刻的水泵转速、压缩机转速和风扇转速即为当前时刻系统中控制量的最优解。