1、熱管理系統的控制

1.1 新能源汽車熱管理控系統的構成  

主要構成是傳感器、執行器、控制器。
傳感器：大多由溫度傳感器和壓力傳感器構成；
執行器：以電動壓縮機和電子膨脹閥為核心, 還包括HVAC (heating ventilation air conditioning)鼓風機、冷卻風扇、電子水泵等周邊零部件；
控制器：控制裝置；
 
1.2 汽車熱管理系統控制方法和目標   

傳統汽車VS新能源汽車
傳統汽車的控制系統：以舒適性為首要目標；
新能源汽車控制系統：因其能耗直接與可行駛里程相關, 控制系統不僅要關注舒適性, 更要兼顧節能效果。新能源汽車熱管理系統控制的目的是在保證乘員艙舒適性, 電池、電機、電控溫度合理, 擋風玻璃的除霜除霧安全性控制、制冷系統在不同路況和氣候條件下的模式切換與運行控制以及各模式下的故障保護控制等，以及系統穩定運行的基礎上, 通過一定的控制手段, 充分實現整車的能量管控, 達到盡可能降低系統能耗、提高能量利用效率的目的。
 
三個層次控制目標
一般地, 新能源汽車空調的控制系統包含3個層次的控制目標: 控制量的快速、穩 定、精準響應; 特定約束條件下的優化問題; 控制系統的魯棒性及抗干擾能力。
 
兩類控制方式
常用的新能源汽車熱管理系統控制從反饋類別上有開環控制和反饋控制之分:
（1）開環控制
通過實驗標定的手段, 根據不同的運行工況直接給出明確的控制量參數. 這種控制方法相對較為簡單, 控制系統穩定性高, 但同時帶來了控制精度差、能耗高等問題, 在新能 源汽車熱泵空調及熱管理領域的應用越來越少。
（2）反饋控制
在控制過程中對具體控制量的參數值并不明確知曉, 而是通過目標量與控制量之間建立反饋邏輯關系, 從而對熱管理系統進行控制. 在愈趨復雜的新能源汽車控制體系中, 反饋控制的應用愈趨廣泛. 新能源汽車熱管理系統常用的反饋控制方法包含啟停控制、PID(proportion integration differentiation)連續控制、局部模型預測控制(model predictive control, MPC)和全局MPC控制、結合其他智能算法的控制等. 在這些控制當中, 啟停控制相對簡單,建立控制目標的 啟動閾值和停止閾值, 從而對諸如壓縮機、水泵、風 機等執行部件直接進行啟停控制, 以實現乘員艙或電 池等熱管理的控制目標. 這類控制方法簡單、穩定, 但 精度差, 難以實現能耗管控, 在這里我們不作重點介紹。
 
2、PID控制
 
傳統PID控制作為一種經典的反饋控制,很早就應用在汽車空調控制系統領域, 相關控制參數可以通過Ziegler/Nichols方法或其他方法獲取. 然而, 在應對變工況條件或者受到擾動時, PID反饋控制精度可能出現衰減, 尤其是受到汽車空調熱力學延遲以及制冷系統強非線性特征的影響, PID反饋控制的魯棒性可能出現劇烈惡化. 相比啟停控制, PID控制作為一種較為成熟的連續控制方法, 在新能源汽車熱管理領域有廣泛的應用。

但是, 汽車熱管理系統是一個高度非線性的熱力學系統, 變工況條件下的PID控制通常會出現振蕩等控制失穩的現象. 這是因為, 在單一乘員艙空調系統基礎上, 耦合加入電池、電機、電控的熱管理邏輯之 后, 不同熱管理子模塊之間的熱力學特性相互耦合, PID控制的積分比例參數也需要相互配合; 然而, 應對 寬工況運行條件, 單一的PID參數很難適應, 車廂溫度 等目標量以及壓縮機轉速等控制量便容易產生振蕩, 如果一味采取復合PID控制方法應對此類問題, 控制系 統將會變得異常復雜。為解決這一現象, 行業內衍生了諸如模糊控制、神經元網絡等耦合PID的控制方法、自整定PID控制方法等, 從局部緩解了多控量并存條件下引發的振蕩以及多目標之間的控制不協調現象。
 
3、模型預測控制

模型預測控制是一種基于模型預測的正向控制方法, 其基本控制流程主要由模型建立、預測發展、控制指令、反饋調節組成。
 
首先, 建立控制對象的理論模型(由偏微分方程構建的物理模型或由大量數據訓練的自學習模型), 監控控制對象當前所處的系統狀態;
接著, 預測控制對象在接下來一段時間的發展, 根據一定的需求導向實施多時間步長內的前饋控制與動作指令;
最后, 通過實際熱力學系統的受控最優運行狀態實時反饋熱力學參數給控制核心, 以便進行調節及下一段時間尺度內的預測。
 
由于該控制方法要嚴格基于一個準確的系統仿真模型而進行實施, 因此擅長解決同一系統內各個控制回路之間的耦合關系, 適宜于多輸入、多輸出條件的非線性系統中, 在汽車熱泵空調 領域得到了一定程度的應用。該方法不會過度依 賴直接的信號反饋來調節執行器的動作, 具有穩定性高、響應速度快、尋優能力強等特點. MPC控制依賴模型的建立. 新能源汽車熱管理系統復雜、模型變量多, 當前新能源汽車熱管理系統中 MPC的控制以局部應用為主。

在模型這一塊，很多研究者都曾進行過相應的研究探索，其中盧鵬宇基于精確邏輯動力輸出控制策略, 在不同的動力系統功率輸出配比下, 建立了全局能耗和局部能耗的熱管理模型預測控制方案. 局部能耗控制方案的約束條件優先保證發動機的熱管理精度和能耗最小化; 全局能耗優化方 案的約束條件將發動機和電機的熱管理需求及能耗通過耦合因子建立關系, 形成全局的約束目標。

這一方案也給純電動汽車的電機、電控、電池以及乘員艙冷熱負荷需求等多重約束、多重目標的熱管理系統提供了模型預測控制的思路. 對于考慮更為復雜的全局變目標多變量控制的新能源汽車熱管理系統, 尤其是結合三電精細化熱管理的MPC控制, 模型的目標量涉及乘員艙溫度、電池、 電機、電控的熱管理溫度, 控制量涉及多個電子膨脹閥的開度、壓縮機轉速、兩個風機轉速、水泵轉速等, 同時還包含諸如路況信息、用戶信息、外界負荷、人員變化等。

模型龐大、約束條件繁雜、目標量眾多且不清晰等, 這些客觀因素勢必帶來龐大的計算量和儲存量, 實時計算的效率或將成為該方法推廣應用的瓶頸. 離線優化可以降低模型預測控制對計算量和計算效率的依賴, 給未來新能源汽車全局優化策略的 制定提供了一種新的解決思路. 結合諸如模糊神經元網絡對模型進行離線建立, 可以避免全局尋優計算量過大而導致的預測控制失效問題. 然而, 單純的離線優化也容易導致模型脫離實際, 因此預測模型的更新 頻率、預測域的選取以及與熱力系統本身熱慣性之間的權衡, 是MPC控制在新能源汽車熱管理系統全局應 用中需要進一步解決的問題.
 
4、結合其他智能算法的控制

除了以上提到的兩種經典控制方法外, 新能源汽車熱管理越來越關注舒適性、能量管控程度等指標, 比如根據用戶特征的自學習算法等, 在PID反饋控制和 MPC預測控制的基礎上, 衍生出了結合特定智能算法的控制方式。
 
在這里，推薦Xie等人[見后面文獻1]基于模糊PID的控制框架, 設計了根據不同用戶習慣特征的自學習智能控制策略, 控制邏輯如圖6所示. 以無量綱參數PMV(predicted mean vote)表征用戶特征, 這里的PMV值與用戶的衣著、自身汗腺蒸發量及所處環境狀態等相關, 通過PMV的計算、控制、學習, 將信息傳遞給控制器從而執行對壓縮機、風機等的轉速控制, 而車廂的實時溫度作為反饋值傳遞至PMV計算器. 該智能控制方案相比啟停控制和單一的模糊PID控制可節能31.8%和10%。
 
此外, Xie等人將基于PMV自學習判別方法應用于MPC控制中, 相比單一的模型預測控制和PID控制, 分別節能 4.32%和25.6%, 不僅大幅實現了節能效果, 同時也滿足了不同乘客的差異性. 隨著對新能源汽車舒適性個性化關注以及多元熱管理的需求日益增長, 各類具有自 學習特征的智能算法, 包括用戶特征、當前/未來路況信息、當前/未來天氣信息等, 將逐漸融入到新能源汽車熱管理的控制算法中, 熱管理系統的控制將會更加智能化。
 
除了以上提到的幾種較為常見的控制方法外, 在新能源汽車熱管理系統的局部控制中, 還有應用模糊控制、魯棒控制、滑膜變結構控制、動態規劃控制、 ESC(extremumsearch control)控制等。

總之, 新能源汽車的整車熱管理耦合了乘員艙的冷熱需求、三電(電 池、電機、電控)設備精細化溫度管理,通常涉及多目標、多變量控制體系, 且整車熱管理系統具有高度非 線性、系統耦合性強、熱慣性反饋延遲、運行工況范圍廣、擾動因素偶然性強等特征. 隨著對能效、舒適性的關注, 結合智能算法的、具有不同用戶特征, 并結合在線大數據(包含路況信息、人員信息等)的智能控制方法, 在未來新能源汽車熱管理系統的控制中將扮演越來越重要的角色。