摘要: 電動汽車的電池高溫和過充是影響電池安全的重要因素。電動汽車快充充電樁在高功率下工作時功率器件容易超溫造成安全隱患，而現有冷卻策略采用基于規則控制的強制風冷方式，散熱風扇轉速大且會產生較大的環境噪聲。文中介紹基于數據驅動模型預測控制的優化熱管理控制策略，采用數據驅動結合模型預測控制對冷卻液泵、熱泵、熱交換器、風扇、空調系統等進行調控，優化熱管理策略并降低風扇噪聲，保障核心器件的熱安全性及熱管理系統部件的耐久性，提高整車用電安全，優化續航里程。

　　關鍵詞: 汽車; 電動汽車; 模型預測控制; 智能熱管理; 流程與策略; 控制算法

　　論文《可預測控制熱管理控制策略分析》發表在《公路與汽運》，版權歸《公路與汽運》所有。本文來自網絡平臺，僅供參考。

　　1 智能熱管理系統架構

　　智能熱管理系統以保證動力電池的安全應用為核心，通過對各子系統的實時監控、智能決策和精準執行實現整車高效、安全的熱量管理，在此過程中動力電池始終工作于最佳溫度范圍，從而確保車輛的安全。其主要架構見圖1。

　　智能熱管理系統是在整車熱管理相關硬件具有一定集成度及電動化的基礎上，根據系統需求和實時監測數據，按照事先設計的邏輯規則和控制算法，對熱管理系統內各組件進行有序、定時的啟動、停止或調節其運行狀態，其整體流程及框架見圖2。

　　智能熱管理大致分為遠程和本地管理兩部分，其中又可細分出多種功能。在本地管理方面，控制單元通過對各子系統溫度的采集和分析，結合整車運行狀態及動力電池荷電狀態(State of Charge, SOC)，在整車安全應用的前提下，通過判斷子系統的溫度，對其采取制冷或加熱措施。同時，系統通過預測算法對運行過程中可能存在的故障進行預警，如對某組件的壽命、運行狀態的分析，以判斷其在下一刻對熱管理系統運行的影響。通過數據采集與應用，軟件模型通過對歷史數據與實時數據的對比分析，在不同工況下按照能量最優策略快速對熱管理系統進行調整，提高相關子模塊的散熱效率和能源利用率。在遠程管理方面，主要通過車載無線通信技術實現對車輛的實時熱管理診斷、遠程熱管理系統運行等功能(見圖3)。

　　1.2 整車狀態與熱管理

　　智能熱管理系統根據車輛所處狀態如臨時停車、低速行駛、高速行駛、充電及特定需求等切換熱管理策略。

　　1.2.1 停車狀態熱管理策略

　　當車輛處于臨時停車或遠程喚醒狀態時，整車各系統的運行功率較低，但考慮到環境溫度可能為嚴寒或炎熱，熱管理系統以維持動力電池溫度處于適宜范圍為重點，防止其過冷或過熱，此時熱管理系統以低功耗模式運行，以維持動力電池的基本溫度為目標。

　　1.2.2 低速行駛狀態

　　當車輛運行于擁堵的城市路況或以低速行駛狀態行駛時，功率輸出較小，驅動電機、動力電池等部件的產熱較少，可根據環境溫度智能調節系統的工作強度。如在寒冷天氣，可適當開啟動力電池加熱功能，以保證其活性;在炎熱天氣，則保持適當的冷卻，以避免動力電池過熱。如圖5所示，根據整車狀態的差異，冷卻調節強度也有所不同。

　　1.2.3 高速行駛狀態

　　當車輛處于高速行駛狀態時，受輸出功率、風阻等因素的制約，動力電池、驅動電機等部件的產熱增加，熱管理系統將提高其冷卻能力，以確保動力電池和驅動電機的溫度維持在安全且高效的范圍，同時利用整車的氣流通道、配合車速使零部件實現風冷效果。

　　1.2.4 充電狀態

　　車輛處于充電過程中時，動力電池會產生較多熱量，尤其是在快充模式下。此時熱管理系統對SOC進行嚴格監控，按照SOC和充電過程所處階段調整控制策略。如在充電開始的涓流階段及充電即將結束的恒壓階段，為防止低溫導致充電效率降低，可通過適時、適度加熱確保動力電池的活性;在進入恒流階段的初期，為避免動力電池因大電流導致溫度驟升，可采取預冷措施。

　　1.2.5 特定需求

　　根據用戶對座艙空調系統的需求，熱管理系統聯動調整電池熱管理和電機管理策略。如在有空調制冷需求時，利用動力電池系統或驅動電機系統產生的廢熱預熱空調系統，以提高空調的運行效率，實現能量回收與再利用。特定需求下熱管理流程見圖6。

　　上述4種車輛狀態下熱管理流程見圖4。不同狀態下熱管理策略的關注點略有差異，如在整車低速、高速等工作狀態下，動力電池、電機等零部件始終處于運行模式，這些子系統的熱管理需求以冷卻為主，因而對加熱部分的策略將弱化。

　　1.2.6 實例

　　某PHEV(Plug-in Hybrid Electric Vehicle, 插電式混合動力汽車)車型，在夏季、連續高速工況和山路工況下電池溫度持續上升，經過對整車熱管理策略進行提前預判和優化，通過對比測試，電池最高溫度可穩定在設定區間(見表1、圖7)。

　　表1 某PHEV車型電池冷卻策略優化前后電池最高溫度對比

　　模式 工況 開冷卻電池最高溫度/℃ 冷卻開啟時間/min 壓縮機功率變化/W

　　EV純電模式(優化后) 高速工況 43~39 — 201~838

　　HEV混動模式(優化后) 高速工況 43~39 9 213~646~805

　　HEV混動模式(優化后) 山路工況 42~37 10 382~1 295

　　EV純電/HEV混動模式(優化前) 高速/山路工況 56~33 10 391~1322

　　1.3 動力電池SOC與熱管理

　　智能熱管理系統對動力電池SOC進行實時監控，根據動力電池的化學性質確定不同SOC水平下動力電池的理想工作溫度范圍及溫度變化趨勢，通過二者的關聯，更準確地實現動力電池的熱量管理，進一步保證動力電池的應用安全。

　　SOC發生變化時，熱管理系統通過算法計算所需目標溫度或冷卻/加熱強度，并將這些參數發送給循環泵、冷卻風扇、加熱器等執行機構，以調整它們的工作狀態。在該過程中，系統不斷監測動力電池溫度的變化，并將其與目標溫度進行比較，一方面通過控制策略及時調整系統的加熱/冷卻設置，直到動力電池溫度回歸至設定的適宜范圍;另一方面通過對數據的收集與應用，不斷優化SOC與溫度控制策略之間的關系模型，確保在各工況下都能實現最優化的熱管理效果，進而實現對動力電池熱管理的精細化、智能化控制。如系統通過溫度傳感器獲取實時溫度數據，根據當前充電狀態和計算目標溫度形成需求溫度，然后智能調節冷卻液的循環流量、冷卻風扇速度、動力電池加熱器工作狀態等，保持其運行在理想的溫度窗口內，同時減少不必要的能耗。動力電池SOC與熱管理流程見圖8。

　　1.4 熱管理的預測性維護系統

　　智能熱管理的預測功能是根據系統相關標準及功能安全等級對故障進行分類與定義，通過智能算法實現“有問題、早發現”，最大限度地確保車輛和用戶的安全，常稱為智能熱管理的預測性維護系統。其流程(見圖9)如下：

　　(1) 數據監測與收集。通過傳感器實時監測和收集動力電池溫度、冷卻液溫度、流量、電流、電壓、系統工作狀態等運行數據。

　　(2) 數據分析與模型建立。通過大數據及機器學習算法對歷史數據進行分析，找出故障發生規律或前兆特征，并基于統計分析或數據驅動建立故障率模型，識別潛在故障模式和趨勢。

　　(3) 實時監測與報警。將采集的實時數據與預測模型進行比較，當模型預測故障的可能性超出閾值時觸發預警信號，告知用戶潛在風險。

　　(4) 健康評估。通過算法評估動力電池和熱管理系統關鍵組件的健康狀態，如對動力電池的健康狀態(State of Health, SOH)或剩余能量狀態(State of Energy, SOE)及熱管理系統的性能退化程度進行評估。

　　(5) 故障根源分析。對系統預測的潛在故障進行分析，判斷是單一組件問題還是系統間交互導致的問題。系統間交互問題如冷卻功能失效會導致電池、電機過溫或動力電池等組件老化，可能導致熱管理難度增大，從而產生潛在風險。

　　(6) 剩余壽命預測。基于當前狀態和歷史數據預測關鍵組件的剩余使用壽命，以提前制定維護計劃或更換熱管理策略。如在不影響安全的前提下，系統根據潛在故障的嚴重程度調整工作模式[如采用降低充電電流、優化資源分配(增加對特定區域的冷卻或加熱)]以防潛在故障區域進一步惡化，或切換至安全模式以降低系統性能，或關閉非關鍵功能以延緩故障的發生和發展。

　　(7) 維護建議與調度。根據預測結果提出預防性維護建議，包括何時更換零件、何時進行系統檢修、如何優化系統運行等，以延長組件壽命。

　　通過智能熱管理的預測性維護系統實時監控整車熱管理系統的狀態，并在潛在故障發生前給予預警，從而降低突發故障給整車及用戶帶來的風險，提高車輛的可靠性和安全性，降低后期維護成本。

　　1.5 熱管理系統的遠程診斷

　　遠程診斷是在不占用本地資源、算力的基礎上，通過整車端收集的數據，應用4G/5G等遠程無線技術將其上傳至云端，云端服務器依靠其強大的算力對系統進行比本地診斷更深入且全面的分析，并在診斷有異常時將系統存在故障的可能性、產生原因、故障現象、嚴重程度、建議檢查方式、初步維護措施等以診斷報告的形式推送至用戶端，實現對故障的實時預警。

　　當存在軟件類故障或通過軟件更新可解決的簡單故障時，云端以遠程推送并通過空中下載(Over-the-Air, OTA)技術對軟件進行更新以完成故障修復。對于硬件類故障，云端將建議用戶及時到維修點進行相關維護或讓維修工作人員主動向用戶發起聯系，提醒其及時對故障進行處理。當存在嚴重故障或潛在嚴重故障時，將通過遠程干預對車載系統實現熱管理策略優化，以免故障加劇或形成新的風險。遠程診斷流程見圖10。

　　2 智能熱管理控制算法

　　算法是實現系統策略設計及控制流程的關鍵。在智能熱管理中，通過軟件算法結合多種控制策略構建混合控制架構，實現對動力電池、電機及其他電控系統的溫度、能量控制，使其始終工作于適宜的溫度范圍，防止因過熱或過冷對產品性能和壽命造成負面影響，同時通過模糊邏輯、PID控制、預測控制等智能算法，根據實時監測溫度動態調整系統熱量和系統運行狀態，使其盡可能運行于最佳效率區間，以最低能耗實現最佳效果。當前新能源汽車智能熱管理中應用較多的控制算法有：

　　(1) PID控制。PID控制通過比例、積分和微分來調節控制信號，達到快速響應、消除穩態誤差和抑制振蕩的效果。在汽車熱管理中，常被用于精確調節冷卻液流量、冷卻風扇轉速等。

　　(2) 自適應控制(Adaptive Control)。自適應控制能根據系統特性的變化自行調整控制參數，以適應動力電池老化、環境變化、整車模式變化等帶來的影響，從而保持穩定的系統溫度。

　　(3) 模糊邏輯控制(Fuzzy Logic Control)。模糊邏輯控制適用于處理非線性、不確定和復雜的控制問題。在新能源汽車智能熱管理中，它可處理溫度變化和系統響應的模糊特性，并根據模糊規則表對系統進行控制決策。

　　(4) 模型預測控制(Model Predictive Control, MPC)。MPC通過預測模型對未來一段時間內系統行為進行預測和判斷，在此基礎上優化系統控制。在新能源汽車智能熱管理中，MPC可通過預測未來工況的變化提前對系統進行溫度調節等，從而提高系統的整體效率和壽命。如采用時間序列預測算法預測電池或其他熱源的熱量產生趨勢，從而提前調整熱管理系統的工作狀態。

　　(5) 神經網絡控制(Neural Network Control)。結合深度學習技術，神經網絡控制算法可從大量歷史數據中學習復雜的映射關系，實現對熱管理系統狀態的智能預測和精確控制。

　　(6) 遺傳算法優化控制(Genetic Algorithm Optimized Control)。通過遺傳算法對控制參數進行全局尋優，優化系統的控制性能，尤其適用于復雜系統的多目標優化控制。

　　3 結語

　　新能源汽車智能熱管理的目標是通過本地及遠程技術對整車熱量、溫度進行精細化管理，降低動力電池、驅動電機及相關電控組件的失效風險或概率，在提升相關零部件使用效率的基礎上延長零部件、子系統的使用壽命。同時通過能量最優、效率最優等策略的應用，進一步提升車輛動力性和續航里程，通過預測、診斷等功能確保行車安全，降低后期維護成本，從而提高用戶的用車體驗、用車滿意度和行車安全性。

　　參考文獻:

　　[1] 孫卓松，袁曉紅. 基于DDPG算法的純電動汽車熱管理控制策略研究[J]. 武漢理工大學學報，2024,46(5):139-147.

　　[2] 中國制冷學會. 中國新能源汽車熱管理技術發展[M]. 北京: 北京航空航天大學出版社, 2022.

　　[3] 張國慶. 動力電池熱管理技術及關鍵材料[M]. 北京: 化學工業出版社, 2024.

　　[4] 劉松燕，王衛良，彭世亮，等. 兼顧高/低溫環境性能的動力電池熱管理系統設計[J]. 儲能科學與技術，2024,13(7):2181-2191.

　　[5] 劉靜，孫閆. 基于模糊控制的燃料電池汽車能量管理研究[J]. 公路與汽運，2022(4):11-13.

　　[6] 張揚軍，謝翌，彭杰，等. 新能源汽車綜合熱管理[M]. 武漢: 華中科技大學出版社, 2023.