锂镍钴锰氧化物与磷酸铁锂电池混合储能系统能量管理的模型预测控制

电动轿车需求具备高功率密度与能量密度、极端温度下的可靠性、低本钱及长循环寿数等特性的储能体系。鉴于单一电池化学体系无法一起满意一切需求，混合储能体系（HESS）经过整合不同电池类型的互补特性供给了可行方案。本研讨选用高能量密度的镍钴锰（NCM）电池与高性价比的磷酸铁锂（LFP）电池进行协同组合，构成互补解决方案。本文为NCM-LFP混合储能体系提出了一种自适应模型猜测操控（MPC）战略，该战略经过含糊逻辑模块依据实时温度与功率需求动态调整价值函数权重。该战略选用依据PCA-Kmeans运动学分群的聚类长短期回忆（LSTM）速度猜测器，与规范LSTM比较，在3秒、5秒和9秒猜测时刻规模内，均方根差错别离下降13.7%、49.07%和44.76%。模仿结果标明，该战略可使续航路程进步29%。与固定权重MPC比较，在-20°C温度条件下进步了65%，一起将LFP均匀电流下降7%，直流母线电压RMS动摇别离较固定权重MPC和独立含糊操控器削减11.86%和6.48%。搭建了小尺度验证渠道以确认可行性，测得LFP与NCM电池的电流估计差错别离为5.95%和6.78%。在等质量与等本钱束缚下，该混合储能体系展现出更均衡的综合功能，尤其在低温区间及高充放电倍率工况下体现杰出。

引言

在全球倡议低碳绿色时代及国家政策激励的背景下，可再生能源发电技能取得了快速高效的发展[1]。选用零污染物排放的电动轿车(EV)成为缓解交通污染的重要途径[2][3][4]。当时全球电动轿车销量已打破850万辆（2020年为411万辆），估计到2030年将到达4680万辆[5]。然而，车辆全面电动化仍面临许多应战，这些应战首要源于储能体系(ESS)和充电基础设施。有限的生命周期、能量密度与功率密度导致车辆分量增加且续航受限。
续航路程短、充电时刻长以及电池保护本钱高是当时面临的首要应战[6]。单一储能体系(SESS)难以一起完成高能量密度、高功率密度、长循环寿数及宽工作温度规模等功能指标。混合储能体系(HESS)经过整合具有互补特性的多种储能设备，为解决这一问题供给了潜在方案[7]。
在混合动力轿车范畴，超级电容器与电池结合的HESS正遭到越来越多的研讨关注。研讨者已选用多种办法[8][9][10][11][12][13]来按捺电池电流动摇与峰值电流，然后延伸电池使用寿数。UC-电池混合储能体系可进步功率与安全性，尤其在城市驾驭场景中体现显著。然而，其商业化进程遭到高本钱、大体积和杂乱结构等问题的阻止，这些问题超过了经过延伸电池寿数和下降能量损耗所完成的效益[14]。此外，较低的超级电容电压要求选用多电池串联结构，这可能导致均衡性问题[15]。为推动混合动力概念的产业化，主张将相似类型的储能体系（如高能量型与高功率型电化学电池）进行组合使用[16]。
文献研讨标明，作为一种混合储能体系(HESS)，混合电池体系能够完成单一化学体系所无法到达的功能。这包含延伸电池寿数与进步充电功率[17]、下降本钱一起满意动态电网服务要求[18]，以及延伸体系寿数与续航路程[19]。依据此，将高能量密度的镍钴锰(NCM)电池[20]与低本钱、长寿数的磷酸铁锂(LFP)电池[21]相结合，可构成极具优势的协同效应。尽管LFP电池存在能量密度较低、低温功能较差的缺点，但其与NCM类电池的整合可使两种化学体系彼此补偿短板，然后构成更稳健、更均衡的储能解决方案[22][23]。
研讨标明，在高温条件下，LFP电池展现出极低的功率衰减、较小的容量衰减以及较慢的温升速率。此外，LFP电池在高温环境中体现出更长的循环寿数[24]。另一项研讨[25]相同标明，与单一化学体系电池比较，选用NCM-LFP混合电池体系可有效下降全生命周期碳排放。
为进步混合储能体系（HESS）功率，现在已开宣布多种能量办理战略（EMSs），可大致划分为依据规矩的EMSs、依据优化的EMSs和依据学习的EMSs[26]。依据规矩的操控战略将经历或启发式常识转化为一组确定性或含糊规矩[27]。这类战略具有结构简略、可靠性高、核算量小等优势，但难以适应负载骤变或环境变化等动态/不行预见的场景[28]。依据优化的EMS可分为大局优化与部分优化办法[29]。动态规划（DP）作为成熟的大局优化算法，其实际使用受限于需求预知未来行进数据、高维数据固有的核算难题以及高核算负荷[30]。部分优化办法首要包含：,等效燃油耗费最小化战略(ECMS)[31]、模型猜测操控(MPC)[32]与粒子群优化算法(PSO)[33]。尽管部分优化办法有助于下降核算杂乱度，但其易陷入部分最优解，约束了进一步进步车辆功率的才能。为克服这些局限，研讨者提出了两种首要解决方案[34]：其一是选用依据学习的操控战略[35][36][37]，其二则是组合多性向操控战略[38][39][40]。依据学习的操控战略利用大量离线优化数据练习实时操控模型，因而其效能高度依靠于海量高质量练习数据集。另一方面，其黑箱特性阻止了参数调优进程，并在杂乱驾驭环境中削弱了适应性[41]。混合操控战略经过整合不同操控战略的优势，能够进步动态响应才能、大局优化功能以及体系稳定性。
综上所述，依据规矩的办法尽管简略但并非最优，大局最优办法和依据学习的办法在特定场景下体现优异但缺乏普适性，而结合多种操控战略，尽管杂乱度较高，却能供给独立于轨道的适应性和更强的功能。模型猜测操控（MPC）供给了一种折中选择，其滚动时域优化既避免了依靠完整驾驭轨道，又能在猜测时域内完成最优解。值得注意的是，其他智能猜测算法均可集成至MPC结构中。Jia等[42]提出了一种集成马尔可夫速度猜测器的模型猜测操控办法，该办法综合考虑电池热安全性与健康状况，但其高度依靠精确的速度猜测器与体系模型。Gong等[43]提出了一种权重可调的MPC算法，经过调节电机操控中的电流与扭矩，然后进步该战略在动态负载下的适应性。类似地，Bakibillah等[44]的研讨针对山路场景的节能驾驭体系，提出含糊权重调节MPC算法以完成燃油经济性最大化。由此可见，MPC操控战略的功能取决于模型精度与功率需求猜测的准确性，经过调节本钱函数可进步其适应性。
现在，电力需求猜测办法首要包含数据驱动办法和依据模型的办法[45]。依据模型的办法利用部分历史数据猜测未来时段需求，但其精度缺乏。数据驱动办法在猜测方面具有更高精度，但需求可靠数据进行离线练习[46]。尽管长短期回忆（LSTM）网络已广泛使用于时刻序列猜测（包含电力需求猜测[47][48][49]），但其作为猜测器在轿车混合储能体系（HESS）模型猜测操控（MPC）结构中的使用仍较为有限。因而，本研讨选用优化后的LSTM网络设计功率猜测器。
在模型猜测操控(MPC)中，本钱函数内各参数的权重因子直接决定了优化进程中这些参数的相对重要性。经过战略性调整这些权重，有望进步操控器的适应才能。为补偿现有能量办理体系(EMS)的缺乏，并协同发挥镍钴锰(NCM)和磷酸铁锂(LFP)两种电池化学体系的各自优势，本文提出一种依据含糊逻辑的权重自适应MPC战略。该战略与分类LSTM网络进行速度猜测模块集成，其核心创新点包含：
1. 提出分类LSTM速度猜测器，以进步功率需求猜测精度
2. 开发了依据MPC与含糊推理的能量办理体系，可实时动态调整本钱函数权重，然后依据不同工况需求合理分配不同类型电池的功率输出
3. 经过模仿分析了电力需求猜测的准确性、母线电压的稳定性，以及该操控战略在不同温度条件下的适应性，并经过小规模实验进行了验证。
论文其余部分的结构安排如下：
第二节概述了研讨办法论。电池模型参数经过在不同温度下履行的混合脉冲功率特性（HPPC）测试进行辨识。运转数据样本依据运动学分段原理进行切割与重分类。依据该分段数据集，开发了一种依据分类的长短期回忆（LSTM）神经网络用于速度猜测。最终，经过设计与集成含糊逻辑操控器对MPC结构进行了增强。该操控器依据瞬时体系状况和当时驾驭条件实时动态调整MPC本钱函数中的权重因子，然后一起进步优化体系的适应性和可靠性。
在第3节中，经过AVL CRUISE–Simulink联合模仿对所提出的操控战略进行了评价。经过将猜测精度与二阶马尔可夫链（MC）、马尔可夫链蒙特卡洛（MCMC）和单一LSTM进行比照，评价了速度猜测器的功能。此外，经过比较有无含糊操控器时不同环境温度下的续航路程，评价了该战略的低温功能。还分析了该战略选用代替性速度猜测器时的体现，量化了其对不同工况下LFP电池母线电压稳定性、续航路程及峰值电流按捺的改善效果。在此基础上搭建了小规模实验渠道以验证战略功能。