2025年4月第二期论文推荐：电池热管理及模型预测控制领域前沿研究
内容导读：本期论文推荐主题为电池热管理及模型预测控制领域前沿研究，共13篇。
（1）时间高效的串联式混合动力电动汽车电池温度敏感型能源管理策略
（2）基于强化学习的自适应模型预测控制器的电池热管理超参数调整
（3）基于改进长短期记忆网络和数据驱动预测控制的电动汽车能量管理
（4）基于多阶段恒流温控策略的电动飞机电池健康快速充电
（5）在线学习增强的数据驱动模型预测控制优化暖通空调能耗、室内空气质量和热舒适
（6）多时间尺度模型预测控制的燃料电池混合动力卡车能量管理策略
（7）一种基于双模型MPC的燃料电池电动汽车能量管理策略
（8）数据驱动的Koopman模型预测控制用于电动汽车混合储能系统在车辆跟随场景下的应用
（9）电动汽车电池热管理的自适应优化时域和多时间尺度机会约束随机MPC
（10）基于Pontryagin最小原理的插电式混合动力汽车能量管理以增强电池耐用性和热安全
（11）考虑快速充电时的老化和温度不一致性的电池组热管理系统建模及控制策略优化
（12）日变荷电模式下电池最优电热管理的模型预测迭代学习控制设计
（13）基于学习和管状的鲁棒模型预测控制策略用于插电式混合动力汽车
1
电池热管理，模型预测控制
Mingjun Zha , Weida Wang ,ChaoYang , Xuelong Du , Ruihu Chen, Yupu Wang, and Jie Su
Series hybrid electric vehicle, energy management strategy, battery temperature, alternating direction method of multipliers, computational efficiency.
ZHA M, WANG W, YANG C, 等.Time-Efficient Battery Temperature Sensitive Energy Management Strategy for Series Hybrid Electric Vehicle[J/OL]. IEEE Transactions on Vehicular Technology,2024,73(10):14689-4703.DOI:10.1109/TVT.2024.3406834.
摘要
混合动力电动汽车已被公认为实现碳中和和缓解能源问题的有前景的对策之一，其性能在一定程度上取决于能源管理策略。一方面，动力电池对温度高度敏感，在高温下工作会损害电池寿命。另一方面，能源管理控制器应能够实时执行计算密集型的优化任务。因此，在开发实用导向的EMS时，除了燃油经济性，电池温度和算法时间效率也应受到极大关注。本文提出了一种用于串联式混合动力电动汽车的时间高效的电池温度敏感型EMS。首先，在模型预测控制（MPC）框架中数学公式化了一个多目标最优控制问题。然后，通过凸优化重述将由电池能量状态和温度状态模型的非线性引起的非凸优化问题转化为凸优化问题。最后，为了提高计算效率，使用交替方向乘子法（ADMM）将优化问题分解为小规模子问题并解决能源管理问题。模拟和硬件在环测试结果表明，所提出的策略不仅能提高燃油经济性，还能有效地将电池温度保持在接近热舒适区。观察表明，所提方法产生了有前景的计算效率，相对于庞特里亚金最小化原理-MPC，接近基于规则的策略所产生的计算效率。
1. 建立了串联式混合动力电动汽车模型，其中包括描述了车辆动力需求的计算方法
的车辆纵向动力学模型；介绍了发动机-发电机组（EGS）的效率和燃料消耗率的EGS模型；阐述了电机的功率和效率特性的电机模型；详细描述了电池的荷电状态（SOE）和温度状态（SOT）的动态变化的电池电热耦合模型
2. 在MPC框架下，提出了燃油消耗、电池能量偏差和电池温度多目标优化的能量管理策略；将非凸优化问题转换为凸优化问题，以简化计算；利用ADMM算法解决优化问题，提高计算速度。
文章的最大创新点在于：
1. 文章创新性地在MPC框架中同时考虑了燃油经济性、电池温度和计算效率，形成了一个多目标优化问题。
2.通过凸优化重述和ADMM算法的应用，有效地解决了非凸优化问题，并显著提高了计算效率，使得策略能够实时应用于SHEV。
2
电池热管理，模型预测控制
Kaibo Li, Zhuolin Wang, Truong Quang Dinh, Jongil Yoon
Batteries, Road vehicle control, Energy management, Predictive control, Artificial intelligence.
LI K, WANG Z, DINH T Q, 等. Reinforcement Learning-Based Hyperparameter Tuning for Adaptive Model Predictive Controllers in Battery Thermal Management[J/OL]. IEEE Transactions on Vehicular Technology, 2025: 1-14. DOI:10.1109/TVT.2025.3552968.
摘要
电池热管理（BTM）对于最大化电池性能和维持电池健康至关重要。模型预测控制（MPC）是一种有前景的技术，可以实现这一目标。然而，传统的MPC方法使用固定参数，这限制了控制性能。本文旨在使用强化学习自适应调整MPC参数，以实现最优的BTM系统。通过将非线性MPC控制器在线性工作点处线性化，并转化为自适应MPC控制器，利用Soft Actor-Critic（SAC）强化学习代理，在线调节MPC的决策参数，包括成本函数的权重、预测时域和控制时域的长度。仿真结果表明，与固定参数的MPC控制器相比，所提出的方案实现了BTM能耗降低5.8%，约束违反减少18.8%，MPC执行时间大幅减少59%。此外，所提出的强化学习驱动的自适应MPC在dSPACE机器上的可行性也得到了验证。这些结果强调了MPC优化对于提高电池管理系统性能的巨大潜力。
研究内容包括：
1.定义了状态变量（电池温度和SoC）和控制变量（BTM热功率），以及可测量的扰动（牵引功率和环境温度），构建了以最小化能耗、约束违反和控制努力为目标的优化问题。
2.将非线性预测模型线性化，以适应不同的操作点。通过模拟验证自适应MPC控制器的性能，与非线性MPC控制器进行比较。
3.利用SAC代理优化MPC参数，包括成本函数权重、预测时域和控制时域长度。
设计了包含能耗、预测时域、控制时域和温度约束的奖励函数。
2. 针对BTM的特定挑战（如长预测时域和慢热动态），定制了控制架构，有效处理领域特定的约束。
3. 通过MPC整合系统动态和约束，简化了RL的奖励函数，使RL能够专注于更高层次的目标，如提高能效。
4. MPC管理立即目标（如设定点跟踪和约束遵守），RL专注于长期超参数优化，提高了系统的整体性能。
3
电池热管理，模型预测控制
Bin Chen, Guo He , Lin Hu, Heng Li, Miaoben Wang, Rui Zhang, Kai Gao
CHEN B, HE G, HU L, 等. Energy management of electric vehicles based on improved long short term memory network and data-enabled predictive control[J/OL]. Applied Energy, 2025, 384: 125456. DOI:10.1016/j.apenergy.2025.125456
摘要
作为一种在电动汽车混合储能系统（HESS）中流行的能量管理策略（EMS），模型预测控制（MPC）容易受到现有参数建模方法的模型准确性和参数敏感性的影响。本文提出了一种基于分层数据驱动预测控制的新型EMS。上层利用优化的长短期记忆（LSTM）网络进行轨迹预测，为下层提供经济高效的负载功率需求。在下层，提出了一种基于数据的预测控制（DeePC），用于HESS，以实现电池和超级电容器之间的最优功率分配，同时最小化电池容量损失。与传统的MPC不同，DeePC基于仅从HESS的输入输出数据构建的非参数模型，能够灵活处理不同任务和环境中的各种非线性和不确定性。与非线性模型预测控制相比，DeePC将总运营成本降低了22.68%，优化结果更接近离线动态规划结果。此外，通过硬件在环（HIL）验证了所提出的DeePC方法的有效性。
2. 通过PSO算法优化LSTM的超参数，解决了主观参数设置问题，提高了模型的精度和泛化能力。
3. 提出了一种新的DeePC方法，利用输入输出数据预测未来轨迹并计算实时最优策略，优化HESS的能量管理
4
电池热管理
Chandan Chetri, Sheldon Williamson
Health-conscious fast charging, battery management systems (BMS), thermal runaway, CC-CV charging, MCC-TC charging.
CHETRI C, WILLIAMSON S. Health-Conscious Fast Charging for Electrified Aircraft Batteries Using a Multistage-Constant-Current Temperature-Controlled Strategy[J/OL]. IEEE Journal of Emerging and Selected Topics in Power Electronics, 2025: 1-1. DOI:10.1109/JESTPE.2025.3544988.
摘要
电动飞机的运行效率和广泛应用高度依赖于其能量存储系统。快速充电对于减少停机时间、提高周转效率至关重要，但它可能因温度升高和加速化学降解而对电池健康产生负面影响。在零度以下条件下，化学反应速率降低，内部阻抗增加，导致电池温度上升更快，降解加速。本文提出了一种闭环多阶段恒流温控（MCC-TC）快速充电策略，旨在保护航空级电池的健康。MCC-TC算法通过引入实时电池温度反馈来调节充电电流。实验验证表明，与传统的恒流恒压（CC-CV）方法相比，MCC-TC算法显著降低了温度升高（ΔT）和温度升高率（ΔT/Δt）。在-5°C和30°C下，MCC-TC算法分别实现了ΔT和ΔT/Δt的降低，分别为47.68%和65.35%，以及49.74%和38.96%。这些结果突出了该算法在增强电池健康和提高充电效率方面的潜力。
2. 引入实时电池温度反馈，动态调整充电电流，确保在不同环境温度下都能保护电池健康。
3.MCC-TC算法不仅减少了温度升高和温度升高率，还在充电时间上表现出色，特别是在高温和低温条件下。
5
模型预测控制
Xinyi Sha, Zhenjun Ma, Subbu Sethuvenkatraman, Wanqing Li
Model predictive control Data-driven prediction Online learning HVAC energy consumption Indoor air quality
SHA X, MA Z, SETHUVENKATRAMAN S, 等. Online learning-enhanced data-driven model predictive control for optimizing HVAC energy consumption, indoor air quality and thermal comfort[J/OL]. Applied Energy, 2025, 383: 125341. DOI:10.1016/j.apenergy.2025.125341
摘要
本文提出了一种新颖的数据驱动模型预测控制（MPC）策略，用于优化建筑暖通空调（HVAC）系统的能耗，同时考虑室内热舒适和室内空气质量（IAQ）。所提出的MPC策略采用编码器-解码器长短期记忆（LSTM）模型和在线学习优化器来预测未来的能耗、IAQ、温度和相对湿度（RH）。通过多目标粒子群优化（MOPSO）方法和自适应权重策略，搜索最佳控制解决方案。在线学习方法用于根据预测偏差持续更新模型参数，以提高预测性能。通过TRNSYS和Python的协同仿真测试了该方法在优化住宅建筑能耗、室内二氧化碳浓度、空气温度和RH方面的性能。实验测试验证了模拟污染物变化的有效性。结果表明，该MPC策略可以同时响应污染物浓度和热舒适，同时最小化HVAC系统的能耗。与基线反馈控制策略相比，该策略将二氧化碳浓度峰值降低了23.2%，总能耗降低了10.2%。在线学习优化器进一步将二氧化碳峰值浓度降低了10.4%，能耗降低了3.8%。
本文提出一种新颖的数据驱动模型预测控制（MPC）策略，用于优化建筑暖通空调（HVAC）系统的能耗，同时考虑室内热舒适和室内空气质量（IAQ）。解决现有控制策略在复杂HVAC操作场景中考虑IAQ和热舒适的节能控制方面应用不足的问题，以及在线学习优化器的缺失问题。通过改进预测模型和决策权重策略，提高HVAC系统的控制性能，实现能耗、IAQ和热舒适的多目标优化。
1.利用LSTM模型对时间序列数据进行高精度预测。定义模型的输入和输出特征，包括环境条件、历史控制设置和室内污染物浓度等。
2 介绍MOPSO算法，用于在约束条件下搜索Pareto前沿。定义控制参数和状态变量的限制条件。
3 基于预测性能和历史偏差计算权重。通过z-score标准化历史偏差，计算各参数的权重。
4 介绍FTML优化器的工作原理。通过实时偏差更新模型参数，提高预测性能。
5 描述用于测试的建筑模型及其HVAC系统。详细说明MPC策略在建筑模型中的实施细节。介绍污染物浓度计算模型，并通过实验验证其有效性。
1.将在线学习优化器与数据驱动的MPC策略结合，通过实时偏差持续更新模型参数，显著提高了预测精度。
2. 提出了一种自适应权重策略，通过最小化各参数与理想值的偏差来选择最佳控制解决方案，有效平衡了多目标优化问题。
3.通过TRNSYS和Python的协同仿真，结合实验数据验证了所提出策略的有效性，特别是在降低CO2浓度和能耗方面的显著效果。
6
电池热管理，模型预测控制
Benchang Jin, Liyan Zhang, Ze Zhou, Dongqi Zhao, Qihong Chen
Fuel cell hybrid electric trucks Energy management strategy Multi-time scale Model predictive control Augmented-Lagrangian algorithm
JIN B, ZHANG L, ZHOU Z, 等. Multi-time scale energy management strategy for fuel cell hybrid electric trucks based on model predictive control[J/OL]. International Journal of Hydrogen Energy, 2025, 114: 312-325. DOI:10.1016/j.ijhydene.2025.02.366
摘要
本文提出了一种新颖的多时间尺度能量管理策略，用于燃料电池混合动力卡车（FCHETs），以优化氢气消耗。该策略采用两层模型预测控制（MPC）方法，上层MPC在较长时间尺度上运行，下层MPC在较短时间尺度上运行。通过结合物理模型和数据驱动技术，设计了一种功率预测方法，并利用先进的驾驶员辅助系统提供的道路坡度信息。在多时间尺度能量管理框架中，上层MPC用于规划燃料电池的输出功率轨迹和锂电池的SOC轨迹，下层MPC用于精确跟踪这些轨迹。为了确保下层MPC在短时间内快速求解，引入了一种基于逆循环坐标下降的增广拉格朗日算法。通过包括城市、郊区和高速公路驾驶周期的重型卡车驾驶周期进行的模拟和硬件在环实验，验证了所提出策略的有效性和优势。
1 建立了结合燃料电池和锂电池，通过DC-DC和DC-AC转换器供电的FCHET动力系统结构；建立了包括滚动阻力、空气阻力、爬坡力和加速力的计算的车辆动力学模型；建立了基于燃料电池和锂电池的效率计算氢气消耗的氢气消耗模型。
2.结合物理模型和数据驱动技术，利用Transformer网络处理时间序列数据提出了功率预测算法并使用NRBO算法优化Transformer网络的超参数，提高预测精度。
1.提出了一种新颖的两层MPC策略，有效解决了功率预测误差问题，提高了氢气利用效率。
2.结合物理模型和数据驱动技术，利用Transformer网络和NRBO算法，显著提高了功率需求预测的准确性和鲁棒性。
3.引入AL-RCDD算法，避免了传统二次规划问题的高计算负担，确保了实时控制的可行性。
7
模型预测控制
Zhuoran Hou , Liang Chu , Weiming Du, Jincheng Hu , Jingjing Jiang , Jun Yang , and Yuanjian Zhang
HOU Z, CHU L, DU W, 等. A Novel Dual-Model MPC-Based Energy Management Strategy for Fuel Cell Electric Vehicle[J/OL]. IEEE Transactions on Transportation Electrification, 2024, 10(4): 8585-8604. DOI:10.1109/TTE.2024.3369081.
摘要
碳中和政策推动了氢技术的发展，使燃料电池电动汽车（FCEVs）成为高效出行的潜在解决方案。本文提出了一种新颖的基于数据驱动模型预测控制（MPC）的双模型框架（DDMPC）的能量管理策略（EMS），用于显著提高经济性能，同时保持控制鲁棒性。首先，为了提高控制鲁棒性，建立了由名义系统和实际系统组成的双模型MPC框架。其次，使用精确内部参数的数学等效电路模型构建名义系统。然后，采用高斯过程（GP）建立实际系统，帮助准确预测预测范围内的状态转换，从而增强对外部干扰的容忍度。此外，设计了一种新的控制输入融合函数，将其集成到DDMPC中，协同处理两个子系统的控制向量，有效合并控制输入，以提高动力系统的经济性能。最后，通过仿真和硬件在环（HIL）测试评估所提出的DDMPC策略的节能潜力和可行性。
本文提出一种新颖的基于数据驱动模型预测控制（MPC）的双模型框架（DDMPC）的能量管理策略，以显著提高FCEVs的经济性能。通过结合名义系统和实际系统，提高对外部干扰的容忍度，确保控制系统的稳定性和可靠性。DDMPC框架包括名义系统和实际系统，两者协同工作以抵消外部干扰对控制效果的影响。名义系统使用数学模型估计理想状态转换。实际系统使用高斯过程（GP）估计状态观测中的不确定性。设计了一种新的控制输入融合函数，将两个子系统的控制向量进行协同处理，有效合并控制输入，以提高动力系统的经济性能。使用双曲正切函数限制两个子系统状态向量之间的差异，减轻外部干扰的影响。
1.名义系统和实际系统独立预测状态变化。通过二次规划（QP）最小化成本函数，确定最优控制序列。
2.设置了与动力系统性能和车辆动态相关的约束，确保不同组件在限制范围内运行。
3.使用WLTC和HWFET两种驾驶周期评估DDMPC的经济性能。与基于规则的EMS、传统MPC、基于GP的MPC和分层MPC规划器进行比较。
1.通过结合名义系统和实际系统，DDMPC能够有效处理外部干扰，提高控制鲁棒性。
2.设计了一种新的控制输入融合函数，通过双曲正切函数限制状态向量差异，确保控制输出的稳定性和适应性。
3.使用GP估计状态观测中的不确定性，提高了预测精度和系统的适应性。
8
模型预测控制
Bin Chen, Miaoben Wang, Lin Hu, Guo He, Haoyang Yan, Xinji Wen, Ronghua Du
Data-driven Koopman model Model predictive control Energy management strategy Vehicle-following scenarios
CHEN B, WANG M, HU L, 等. Data-driven Koopman model predictive control for hybrid energy storage system of electric vehicles under vehicle-following scenarios[J/OL]. Applied Energy, 2024, 365: 123218. DOI:10.1016/j.apenergy.2024.123218.
摘要
在当前关于车辆跟随场景下能量管理策略（EMS）的研究中，基于机理模型的车辆状态预测的准确性受到时变条件的影响，从而影响优化控制性能。为了解决这个问题，本文提出了一种用于电动汽车（EVs）混合储能系统（HESS）在车辆跟随场景下的数据驱动Koopman模型预测控制，结合了安全速度规划和能量管理策略。首先，在上层构建了一个数据驱动的Koopman车辆状态预测模型，用于估计诸如路面平整度和坡度等参数。然后，将该模型集成到模型预测控制（MPC）中，以优化跟随车辆的速度。随后，在下层，利用上层的输出和预测的负载功率，进一步在HESS内分配负载功率。仿真结果表明，在考虑坡度等因素的情况下，与基于机理模型的分层MPC相比，基于Koopman模型的分层MPC减少了5.55%的能耗。
1.通过扩展动态模态分解（EDMD）方法，将非线性系统提升到线性特征空间，并利用神经网络进行特征映射和解码。通过最小化重建损失、线性损失、多步重建损失和正则化损失，验证Koopman模型的预测精度。
2.分层优化控制框架，上层速度规划优化车辆速度，确保驾驶安全和舒适性，同时减少能耗。下层基于上层的预测结果，优化HESS内的能量分配，减少电池容量损失和内部功率损失。
1.首次将数据驱动的Koopman模型应用于车辆跟随场景下的能量管理，能够有效处理非线性动态系统，并提高预测精度。相比传统的机理模型，Koopman模型能够更好地适应时变条件和不确定性，提供更准确的车辆状态预测。
2.提出了一个分层的MPC优化框架，上层负责速度规划，下层负责能量分配，两者协同工作以实现整体优化。该框架能够实时处理复杂的车辆跟随场景，确保系统的鲁棒性和经济性。
9
电池热管理，模型预测控制
Qian Ma ,YanMa , Shuyou Yu ,Jinwu Gao , and Hong Chen.
Adaptive optimization horizon, battery thermal management (BTM), chance-constrained, electric vehicle (EV), stochastic model predictive control (MPC)..
MA Q, MA Y, YU S,等. Chance-Constrained Stochastic MPC With Adaptive Optimization Horizon and Multitimescale for Electric Vehicle Battery Thermal Management[J]
摘要
热管理（BTM）系统消耗大量能量以保持电池在安全范围内的温度。这种能量消耗显著减少了电动汽车（EV）的行驶范围。本文研究了基于模型预测控制（MPC）的BTM系统的最优控制策略，旨在在同时满足功率和热约束的情况下，最小化BTM系统的能量消耗。电池的慢热动力学需要较长的预测时间范围，以实现BTM系统的最佳温度和能量消耗。然而，长时间的预测信息（如车辆速度）存在较大的不确定性，这显著影响了能量效率性能和约束执行的鲁棒性。本研究首先分析了不同预测时间长度和预测时间范围内信息对MPC性能的影响。然后，提出了一种基于自适应优化时间范围和多时间尺度（AOH-MT）的MPC优化策略，以减少温度约束的违反和计算时间。最后，为了提高在实际驾驶条件下的鲁棒性，提出了一种机会约束随机MPC（C-SMPC），并将AOH-MT框架集成到其预测时间范围中，以减少时间成本。基于真实交通数据的仿真结果表明，所提出的方法将约束违反减少了84.88%，能量成本降低了2.44%，提高了对速度预测信息不确定性的鲁棒性。
1.利用未来信息进行在线优化，调整BTM系统的冷却策略
3.引入概率约束处理预测不确定性，提高控制策略在实际驾驶条件下的鲁棒性
1.提出了一种结合自适应优化时间范围和多时间尺度的MPC策略，以减少计算时间并保持良好性能。
2. 引入了机会约束随机MPC（C-SMPC）来处理实际驾驶中的速度预测不确定性，提高了BTM系统在不确定性条件下的鲁棒性。
3. 通过仿真实验验证了所提出方法的有效性，特别是在减少温度约束违反和降低能量消耗方面
10
电池热管理
Zeyu Chen , Rui Xiong , Bo Liu, Zirong Wang, and Quanqing Yu
Battery durability, battery thermal safety, plugin hybrid electric vehicle (PHEV), Pontryagin’s minimum principle (PMP), power management strategy (PMS)
CHEN Z, XIONG R. Pontryagin’s Minimum Principle-Based Power Management of Plug-In Hybrid Electric Vehicles to Enhance the Battery Durability and Thermal Safety[J]. IEEE TRANSACTIONS ON TRANSPORTATION ELECTRIFICATION, 2023, 9(4).
摘要
本文研究了温度对电池老化和稳定性的影响，这对电动汽车的经济性、可靠性和安全性至关重要。因此，设计能量管理方案时需要考虑电池的热状况。提出了一种基于Pontryagin最小原理（PMP）的插电式混合动力汽车（PHEV）的最优能量管理策略（PMS）。考虑了正常运行和冷却系统故障两种情况，通过耐用性分析模型和热模型表征了电池老化和温度上升的影响。将电池的温度变化率纳入哈密顿函数，并通过射击法揭示了成本优化与温度上升之间的关系。确定了不同情况下的最优成本状态变量，并提出了基于PMP的多目标最优控制策略。基于中国沈阳的温度统计数据进行了评估，结果表明所提出的方法可以提高电池的耐用性，并抑制过高的温度上升。在冷却系统故障的情况下，可以实现安全与经济之间的权衡，降低电池热失控的风险。
研究内容包括：
1. 提出了考虑电池老化和温度上升影响的耐用性分析模型和热模型。
2. 基于PMP算法，建立了最优控制策略，以最小化包括电池老化成本在内的总成本。
3. 分析了正常运行和冷却系统故障两种情况下的控制策略，并使用实际驾驶数据进行了仿真验证。
文章最大创新点在于：
1. 将电池温度变化率纳入优化函数，实现了经济性、耐用性和安全性的协同控制。
2. 在冷却系统可能出现故障的情况下，提出了一种能够在安全性和经济性之间进行权衡的控制策略。
3. 通过实际驾驶数据的仿真验证，展示了所提出策略在不同环境下的有效性和优越性。
11
电池热管理
Yixin Wei,Kuining Li,Zhaoting Liu,Yi Xie,Ziyue Song,Hongya Yue
Liquid-cooled battery pack, Temperature gradient, Fastcharging, Battery thermal management system, Control strategy
WEI Y, LI K, LIU Z, 等. Modeling and control strategy optimization of battery pack thermal management system considering aging and temperature inconsistency for fast charging[J/OL]. Applied Thermal Engineering, 2024, 256: 124153..
摘要
维持电池包温度在理想范围内对于满足快速充电期间的热管理要求至关重要。此外，电池包的温差、温度梯度、老化损失和能耗应该进行平衡，以优化其性能。本文建立了电动汽车电池包的液冷热管理系统模型，该模型准确描述了电池包的温度分布和电气及老化特性。基于非支配排序遗传算法II算法，建立了以电池老化和温度梯度为优化目标的模型。根据优化结果，制定了三种不同的热管理策略。与恒定温度冷却策略相比，最小温度梯度策略提高了电池包的温度一致性，将最大温度梯度降低了27%。最小老化热管理策略显示老化损失为0.091%，充电时间减少了272秒，最大温度梯度降低了2.0℃。平衡热管理策略通过优化充电时间、电池包温差、能耗等指标，实现了电池包在温度梯度和老化损失之间的平衡。每个指标的权重由其信息熵确定，可以根据不同的需要进行替换，以实现不同的平衡热管理策略，为热管理策略的实际应用提供参考。
1.开发了一个液冷电池包模型，包括电-热-老化耦合模型和冷板热交换模型。
2.提出了一个快速充电-冷却联合控制策略，以及三种不同的热管理策略：最小温度梯度策略（MTG）、最小老化损失策略(MAL)和平衡热管理策略(BAL)。
3.构建了一个以电池老化和温度梯度为优化目标的模型，并通过多目标优化算法进行求解。
1.提出了一个综合考虑电池包在快速充电过程中的电气、热和老化特性的模型。
2.开发了三种热管理策略，这些策略能够根据实际需求进行调整，以实现电池包性能的优化。
3.利用信息熵确定各性能指标的权重，提供了一种灵活的策略选择方法，以适应不同的应用场景。
12
电池热管理，模型预测控制
DINH HOA NGUYEN
Li-ion battery electro-thermal model, iterative learning control, model predictive control, iteration-varying references.
NGUYEN D H. Model Predictive Iterative Learning Control Design for Battery Optimal Electro-Thermal Management Under Daily-Variant State-of-Charge Patterns[J]. 2024, 12
摘要
本研究探讨了电动汽车（EVs）中圆柱形锂离子电池组的电热动力学控制。这些动力学通过充电-放电电流耦合，产生焦耳热直接影响电池单元的运行。因此，为确保电池单元温度保持在最佳运行范围内，提出了一种模型预测迭代学习控制（MPILC）设计，包括迭代学习控制器（ILC）和模型预测控制器（MPC）。前者通过迭代变化的学习增益帮助更好地跟踪电池包的日变化状态（SoC）模式。基于此，推导出跟踪误差范数的恒定上界，并设计迭代变化的学习增益使跟踪误差收敛至零。后者利用前者的结果作为预测干扰，通过最小化消耗的能量来设计电池包的冷却-加热温度输入，同时将电池单元温度控制在理想范围内。通过仿真实验验证了所提出的MPILC设计在跟踪日变化SoC曲线的同时保证电池单元温度在预期区间内的有效性。
1.模型预测控制用于处理电池的热管理问题，通过优化问题来计算控制输入向量。
2.迭代学习控制（ILC）用于跟踪电池包的日变化SoC模式，通过二次性能指标和迭代变化的权重矩阵来合成控制器。
3.级联控制框架将ILC控制器的输出（电池充放电电流）作为MPC控制器的预测输入干扰，以实现电池电气和热动力学的协同控制。
1. 提出了一种结合模型预测控制和迭代学习控制的级联控制框架，用于处理电池的电热管理问题。
2. 利用具有迭代变化权重矩阵的二次性能指标来合成ILC控制器，以更好地适应电池包的日变化SoC模式。
3. 通过MPC框架提供了一个可行的解决方案，用于实时处理充放电电流和SoC曲线的变化，增强了电池热管理的鲁棒性。
13
模型预测控制
Zhuoran Hou ,LiangChu ,Zhiqi Guo , Jincheng Hu , Jingjing Jiang ,Jun Yang ,Zheng Chen , and Yuanjian Zhang
Plug-in hybrid electric vehicles (PHEVs), learning-and-tube-based robust model predictive control
HOU Z, CHU L, GUO Z, 等. A Learning-and-Tube-Based Robust Model Predictive Control Strategy for Plug-In Hybrid Electric Vehicle[J/OL]. IEEE Transactions on Intelligent Vehicles, 2024, 9(1): 579-592. DOI:10.1109/TIV.2023.3331268.
摘要
本文提出了一种基于学习和管状的鲁棒模型预测控制（LTRMPC）策略，用于四轮驱动插电式混合动力汽车（4WD PHEV）。所提出的策略在保持对不同驾驶场景的控制鲁棒性的同时，提高了复杂动力传动系统的经济效率。首先，提出了一种新颖的状态观测器，该观测器使用名为门控循环单元（GRU）的深度学习技术，而不是利用数学状态预测模型来反映状态变化，从而在预测范围内准确反映状态变化。其次，为了减轻状态观测误差对控制结果的负面影响，将基于管状的成本函数集成到学习型MPC框架中，以限制状态变化在一定范围内，从而进一步增强控制鲁棒性。最后，通过模拟评估和硬件在环（HIL）测试验证了所提方法在不同预测范围长度下的经济性能，并与其它基线相比，展示了其节能能力的稳定性，展现出其有希望的性能。
1.通过特征融合提高状态预测精度，避免传统数学模型的线性化误差。
2.创新性地将正切函数引入成本函数设计，增强了策略对不确定性的容忍度。
3.将深度学习与鲁棒控制相结合，提出了一种全新的能量管理策略，解决了传统MPC方法在非线性系统中的局限性。
选自微信公众号 dib-lab