【热管理】电动汽车集成热管理系统控制策略类型总结

由于电动汽车集成热管理系统的复杂性，通过实验的方法对其进行全面研究存在高成本、难操控等问题。目前多是通过建立已验证的系统模型，改变结构参数或制定控制策略优化集成热管理系统的性能。

三维模型多是侧重于对零部件自身性能的细化分析与优化，一维模型则多是站在系统层面探讨部件或子系统间的匹配交互关系以及整体性能水平。有研究者采用一维与三维耦合计算对电动汽车电池热管理系统和空调系统的交互热特性进行探索，提出了图所示的联合仿真框架。通过动力舱冷凝器与散热器的三维模拟提供舱内热流分布，为结构优化提供依据。利用关联算法将一维电机、电池、乘员舱的热管理系统与三维模型进行耦合计算，研究动力舱内各换热器的布局位置变化与系统负荷的相互影响关系。结果表明，当冷凝器置于电池和电机散热器后方时，空调系统负荷变化对动力系统热管理作用效果的影响较小。

多数学者是将目光投放于控制方法与策略的研究中，控制优化方法一般可分为开闭控制和调节控制。开闭控制一般根据预先设置的热管理系统规则，譬如电池温度高于预设值时，选择启动热管理系统这种基本逻辑判断，结合当前环境温度等参数对热管理系统的工作模式进行状态切换。其不存在优化方式，仅判断系统启停，是下一步调节控制的基础。而调节控制需基于上述分析，通过输入量合理地选择控制器的输出量，运用既定的控制算法到达预计的约束条件和/或优化目标。目前，热管理系统常用的控制策略主要有以下几种：

（1）逻辑门限值控制策略

在开闭控制的基础上，进一步规定诸如压缩机、风扇、水泵等元件的转速值，将相应输入参数控制在预定范围内。其可以规定为只要启动热管理系统，便以允许的最大转速运行模式，这是无需前期试验标定的较为粗暴的调节方式；也可以是经前期系统匹配标定后，根据不同的负荷状态对应输出不同的驱动值，形成简单的 Map 图以供调节控制。该类方法除在前期标定时对输出量的选取进行择优敲定外，在调控过程中不存在优化操作，仅以达到设定的约束条件为目的。

逻辑门限值控制算法简单易懂，鲁棒性强，同时对硬件要求较低，便于实际应用。但由于调控较为生硬，存在较大的优化空间。

（2）PID 控制策略

比例-积分-微分控制（PID）是在工业生产制造中应用最为普遍的反馈控制回路。在多输入多输出热管理控制系统中，一般需要先进行参数间的解耦，转化为多个单输入单输出控制回路进行调控。对直冷电池热管理系统来说，通常可以将电池冷板出口过热度作为膨胀阀开度调节的输入参量，系统热负荷作为压缩机转速调节的输入参量。此外，PID 控制方法还可与其他控制方法结合，如自适应控制、模糊控制等来修正三项系数值以适应被控对象或外界扰动的动态变化，实现实时温度较优控制。

PID 控制策略简单灵活，应用广泛，响应速度和调节时间还存在进一步提升的空间。

（3）模型预测控制策略

模型预测控制（MPC）作为现代优化控制方法之一，是一种基于模型前馈补偿的复合控制方式。在已知系统状态方程的前提下，其主要由预测系统未来状态，建立目标函数的优化方程，将优化解第一元素作为控制输出，并不断重复迭代三个步骤组成。Tao等人建立了混动动力汽车集成热管理系统，并设计了模型预测控制算法以有效地管理电池、电机和发动机的温度，以求通过对压缩机、水泵和风扇的调节，减少温度波动的同时降低热管理系统的功耗。Masoudi 等人将所设计的模型预测控制器分别应用于丰田普锐斯混动版以及 RAV4 电动版集成热管理系统中进行性能评估，并与开关阈值控制和 PID 控制进行对比。结果表明，在高速多变的路况下，新型控制算法在电池温度跟踪以及系统能耗降低方面都表现较优。随着算法功能的不断完善，衍生出了多时间尺度、多层优化的分层 MPC控制方法，其允许在较长时间范围内规划轨迹，并将系统状态短时内引向计划轨迹。电动汽车热管理系统可采用双层 MPC 控制，对具有不同热响应速率的电池和乘员舱采用具有不同视角、成本和约束的分层控制，并与短期的车辆速度预测和较长期的交通流量预估信息相结合，使热管理系统与动力传动系统有效运行，从而优化不同驾驶场景下的系统效率等目标参量。

模型预测控制算法所需稳定时间较短，震荡次数较少，鲁棒性强，且具有较高的精度，但需要较长的在线计算时间和成本。

（4）智能控制策略

智能控制策略是指基于被控系统在动态运行过程中形成的定性和定量信息，进行综合集成的推理决策，以实现对复杂非线性系统的控制。对非线性时变的复杂热管理系统，可采用逻辑模糊、神经网络、遗传算法、深度学习等算法，无需构建系统模型，基于一定数量的数据信息，利用相关训练方法即可完成有效的控制。其可根据设定的目标函数，探寻热管理系统的最优控制路线。而优化方法又可进一步分为已知车辆行驶工况的全局最优控制策略，如动态规划算法，在大数据的应用趋势下，具有一定指导和应用价值；以及在车辆行驶过程中，计算所有满足驾驶员或/和电池电机要求的输出参数组合，获取目标函数最小值作为工作点的瞬时优化控制策略。但其大多需要收集大量数据且运算复杂，对控制结果的改良很大程度上取决于各关键零部件的动态模型精度与实时监测准确度，偏差较大时还会恶化控制效果。

智能控制策略计算方法较为复杂，对硬件成本要求较高，但值得肯定的是，这将是未来发展的趋势。