本发明涉及电动汽车技术领域，具体涉及一种基于自适应模型预测控制的混合储能系统功率分配系统及方法。
背景技术：
为了保护环境、实现可持续发展，我国大力推动电动汽车产业的发展。由于锂电池具有能量密度高、库伦效率高、无记忆效应等优点，其被广泛应用为电动汽车的动力电池。然而，在复杂的实际驾驶情形下，由于快速加速和制动导致的高功率会导致锂电池包以很大的电流进行充放电，导致锂电池加速衰减。超级电容器具有响应快、可以承受大电流充放电、寿命极长的特点，可以与锂电池互补，实现更快的响应、更长的续航里程与寿命，因此锂电池-超级电容器混合储能系统成为电动汽车未来的发展方向。
然而，为了充分利用混合储能系统的优势，需要设置合理的功率分配策略。目前功率分配的离线策略可以获得最佳的全局解决方案，但是这要求必须事先知道全局负载信息，因此不适用于实时管理。而目前的在线策略又大多基于线性时不变系统模型，因此不能很好地反映系统的真实情况。
技术实现要素：
为解决上述技术问题，本发明的目的在于提供一种基于自适应模型预测控制的混合储能系统功率分配策略，通过考虑系统能量损失、电池电流速率和超级电容器的平均能量等在电池保护和节能方面具有更好的性能。
为实现上述技术目的，本发明提供一种基于自适应模型预测控制的混合储能系统功率分配方法，包括：
步骤一、构建混合储能系统模型1，所述混合储能系统模型1用于计算混合储能系统的电流与能耗；
步骤二、构建离线辨识算法模块2，所述模型参数的离线辨识算法2用于辨识混合储能系统内部参数同荷电状态的非线性关系，以及修正模型参数；
步骤三、构建混合储能系统的离线配置算法3，所述混合储能系统的离线配置算法3用于给出混合储能系统锂电池与超级电容的数量与质量；
步骤四、构建功率分配的在线优化算法4；所述功率分配的在线优化算法4用于给出最优的功率分配。
进一步地，混合储能系统模型1使用锂电池通过直流转换器与负载相连、超级电容器直接与负载连接的半主动拓扑结构，其中锂电池和超级电容器的模型都是基于等效电路原理建立的戴维南模型。负载通过车辆模型与工况得到。
进一步地，模型参数的离线辨识算法2利用端电压为输入通过渐消记忆递推最小二乘法辨识锂电池与超级电容的参数。
进一步地，混合储能系统的离线配置算法3利用汽车模型与多种标准工况通过改进的连续功率能量方法(cpe方法)得到其cpe曲线，再据此得到混合储能系统中的锂电池与超级电容器的串联数与并联数。
进一步地，利用自适应模型预测控制算法，包括预测模型与反馈校正环节，滚动优化环节等。
进一步地，所述的改进的cpe方法，得到cpe曲线与混合储能系统配置后，通过迭代的方式逐次减小由于增加电池与超级电容器而导致的汽车质量偏差，在迭代产生的质量变化小于1％时结束迭代，得到最终的cpe曲线与混合储能系统配置。
进一步地，所述的自适应模型预测控制算法，预测模型与反馈校正环节利用扩展卡尔曼滤波方法在线辨识锂电池与超级电容器的荷电状态(soc)等模型参数。
进一步地，所述的自适应模型预测控制算法，在代价函数中考虑系统能量损失，电池电流大小和超级电容器的平均能量，以抑制电流波动并减少能量损失，从而得出锂电池的参考电流
进一步地，所述的自适应模型预测控制算法，利用比例积分控制器(pi控制器)跟踪参考电流
一种基于自适应模型预测控制的混合储能系统功率分配系统，包括：
混合储能系统模型1，所述混合储能系统模型1用于计算混合储能系统的电流与能耗；
模型参数的离线辨识算法模块2，所述模型参数的离线辨识算法用于辨识混合储能系统内部参数同荷电状态的非线性关系，以及修正模型参数；
混合储能系统的离线配置算法模块3，所述混合储能系统的离线配置算法用于给出混合储能系统锂电池与超级电容的数量与质量；
功率分配的在线优化算法模块4；所述功率分配的在线优化算法用于给出最优的功率分配。
本发明原理在于：一种基于自适应模型预测控制的混合储能系统功率分配策略，包括混合储能系统模型1、模型参数的离线辨识算法2、混合储能系统的离线配置算法3、功率分配的在线优化算法4。其中模型参数的离线辨识算法2是基于混合储能系统模型1的。在混合储能系统的离线配置算法3得到混合储能系统的配置后，通过模型参数的离线辨识算法2辨识出参数的初值，然后利用功率分配的在线优化算法4对混合储能系统进行在线的高效功率分配。
混合储能系统模型1采用半主动式拓扑结构。其中锂电池通过双向直流转换器与负载相连，而超级电容器直接与负载相连。锂电池、超级电容器的模型都是基于戴维南模型建立的。其中各部分的模型可以表示为：
(1)锂电池模型：
vb＝mb(voc(soc)-vpb-ibrsb(soc))
其中cpb、vpb、rpb、voc、rsb分别为锂电池单体的极化电容、极化电压、极化电阻、开路电压、串联电阻，ib为通过锂电池单体的电流，mb、vb分别为锂电池组的串联数与端电压。
(2)超级电容模型：
vsc＝msc(vpsc iscrssc(soc))
其中cpsc、vpsc、rpsc、rssc分别为超级电容器单体的极化电容、极化电压、极化电阻、串联电阻，isc为通过超级电容器单体的电流，msc、vsc分别为超级电容器组的串联数与端电压。
(3)直流负载模型：
il＝(vsc-ilrl)/l
其中il、rl、l分别为负载电流、等效负载电阻与等效负载电感。
模型参数的离线辨识算法2利用端电压为输入通过渐消记忆递推最小二乘法辨识锂电池与超级电容的参数，其计算过程如下：
步骤1：确定遗忘因子λb、λsc，初始值pb，0、psc，0、θb，0、θsc，0；
步骤2：根据输入计算锂电池和超级电容器的算法增益和误差协方差矩阵；
步骤3：根据输出计算预测误差值并更新锂电池和超级电容器的模型参数向量；
步骤4：重复步骤2、3。
混合储能系统的离线配置算法3的计算过程如下：
步骤1：利用汽车模型和工况计算cpe曲线；
步骤2：根据cpe曲线参数计算所需的电池与超级电容器的容量；
步骤3：根据电池与超级电容器单体的容量和质量计算出其各自的串联数mb、msc与并联数nb、nsc与当前汽车的质量mnew，与前值mpre比较，若变化小于前值的1％，则进入步骤4，否则在更新汽车质量后回到步骤1；
步骤4：将mb、msc、nb、nsc输出。
功率分配的在线优化算法4包括模型参数辨识、滚动优化、最优控制量跟踪三部分，其各部分分别为：
(1)模型参数辨识。模型参数辨识采用扩展卡尔曼滤波方法，在线辨识得到模型参数，从而建立模型。扩展卡尔曼滤波算法可以有效处理系统的非线性和时变特性，因此可以获得更高的精度。
(2)滚动优化算法。本方法中代价函数包含系统能量损失、电池电流大小和超级电容器的平均能量三部分，基于此代价函数得到的控制量可以抑制电流波动并减少能量损失，从而减缓电池与超级电容的老化。
(3)最优控制量跟踪。本方法使用pi控制器对最优控制量进行跟踪。pi控制器结构简单，使用方便，并且可以实现对最优控制量的无稳态误差跟踪。
本发明与现有技术相比的优点在于：
(1)本发明通过考虑多种工况的改进的cpe方法计算混合储能系统的配置参数，得到的混合储能系统配置参数具有更好的鲁棒性，对未知工况的适应性更好。
(2)本发明通过采用自适应模型预测控制策略，与所提出的混合储能系统模型1相结合，可以处理混合储能系统的强非线性和时变属性，取得较高的控制精度。
(3)本发明通过设置涵盖能量损失、通过电池组的电流大小和超级电容器的能量的代价函数，可以降低系统的能量损失、减小电流的波动以及减小超级电容器的平均能量水平，从而提高系统效率，延长电池寿命，并避免超级电容器被过度使用。
附图说明
图1是本发明的模块示意图。
图2是本发明中混合储能系统的模型示意图。
图3是本发明所提出策略的流程图。
具体实施方式
下面结合附图对本发明做进一步说明：
如图1所示，本发明的基于自适应模型预测控制的混合储能系统功率分配系统及方法，包括混合储能系统模型1、模型参数的离线辨识算法2、混合储能系统的离线配置算法3、功率分配的在线优化算法4共四部分。其中混合储能系统模型1如图2所示。其中锂电池通过双向直流转换器与负载相连，而超级电容器直接与负载相连。锂电池、超级电容器的模型都是基于戴维南模型建立的。
模型参数的离线辨识算法2采用渐消记忆的最小二乘算法。由于混合储能系统模型1中的模型参数不仅是时变的，还与soc有着非线性关系。因此需要模型参数的离线辨识算法2对其进行辨识，得到更为精确的模型参数与soc的关系。在线模块会定期加载其辨识结果，用于更新状态空间中的参数。
混合储能系统的离线配置算法3用于计算混合储能系统的配置。在使用时首先需要确定工况。利用有代表性的一种或多种工况，例如udds、us06、hwfet工况等来计算cpe曲线，从而使得出的结果更具有普遍性。当使用多种工况时，首先需要计算各个工况的cpe曲线，然后各工况的cpe曲线的最大值曲线即为最终的cpe曲线。除此之外其他部分与单工况情况相同，使用混合储能系统的离线配置算法3计算出所需的配置即可。
功率分配的在线优化算法4包括模型参数辨识、滚动优化、最优控制量跟踪。在使用中，主要关心滚动优化部分。本发明中代价函数为：
其中w1～w7是权重，第1、2项表示超级电容器的能量，第3～6项表示能量损耗，第7项表示电池的电流变化率，p表示预测域。经试验验证预测域为20左右有较好的效果，而权重w1～w7则可以通过熵权法确定。
对成本函数j进行直接求解十分困难，但实际上j是一个凸函数，而其可行域是由电池组与超级电容器的电压、电流、荷电状态等线性限制条件约束的凸集，对于凸集上的凸优化问题，可以使用相应的凸优化方法进行解决。
本发明提供的基于自适应模型预测控制的混合储能系统功率分配策略，通过改进的cpe方法可以获取更准确、更具普遍性的混合储能系统配比。基于扩展卡尔曼滤波的在线自适应模型预测控制可以处理混合储能系统的强非线性和时变特性，从而取得更好的控制效果。通过将超级电容器的能量、能量损耗与电池的电流变化率纳入成本函数，通过锂电池的电流的峰值和强度显著减小，延长电池寿命并提高系统效率，进而降低电动汽车的成本并增加其续航里程。通过将成本函数转化为凸优化问题，可以快速地求解得到最优控制量，进而可以应用于在线的实时控制。
以上所述的实例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
1.一种基于自适应模型预测控制的混合储能系统功率分配方法，其特征在于：包括：
步骤一、构建混合储能系统模型(1)，所述混合储能系统模型(1)用于计算混合储能系统的电流与能耗；
步骤二、构建模型参数的离线辨识算法(2)，所述模型参数的离线辨识算法(2)用于修正模型参数；
步骤三、构建混合储能系统的离线配置算法(3)，所述混合储能系统的离线配置算法(3)用于给出混合储能系统锂电池与超级电容的数量与质量；
步骤四、构建功率分配的在线优化算法(4)；所述功率分配的在线优化算法(4)用于给出最优的功率分配。
2.根据权利要求1所述的基于自适应模型预测控制的混合储能系统功率分配方法，其特征在于：混合储能系统模型(1)使用锂电池通过直流转换器与负载相连、超级电容器直接与负载连接的半主动拓扑结构，其中锂电池和超级电容器的模型都是基于等效电路原理建立的戴维南模型。负载通过车辆模型与工况得到。
3.根据权利要求1所述的基于自适应模型预测控制的混合储能系统功率分配方法，其特征在于：模型参数的离线辨识算法(2)利用端电压为输入通过渐消记忆递推最小二乘法辨识锂电池与超级电容的参数。
4.根据权利要求1所述的基于自适应模型预测控制的混合储能系统功率分配方法，其特征在于：混合储能系统的离线配置算法(3)利用汽车模型与多种标准工况通过改进的连续功率能量方法(cpe方法)得到其cpe曲线，再据此得到混合储能系统中的锂电池与超级电容器的串联数与并联数。
5.根据权利要求1所述的基于自适应模型预测控制的混合储能系统功率分配方法，其特征在于：利用自适应模型预测控制算法，包括预测模型与反馈校正环节，滚动优化环节等。
6.根据权利要求4所述的基于自适应模型预测控制的混合储能系统功率分配方法，其特征在于：所述的改进的cpe方法，得到cpe曲线与混合储能系统配置后，通过迭代的方式逐次减小由于增加电池与超级电容器而导致的汽车质量偏差，在迭代产生的质量变化小于1％时结束迭代，得到最终的cpe曲线与混合储能系统配置。
7.根据权利要求5所述的基于自适应模型预测控制的混合储能系统功率分配方法，其特征在于：所述的自适应模型预测控制算法，预测模型与反馈校正环节利用扩展卡尔曼滤波方法在线辨识锂电池与超级电容器的荷电状态(soc)等模型参数。
8.根据权利要求5所述的基于自适应模型预测控制的混合储能系统功率分配方法，其特征在于：所述的自适应模型预测控制算法，在代价函数中考虑系统能量损失，电池电流大小和超级电容器的平均能量，以抑制电流波动并减少能量损失，从而得出锂电池的参考电流
9.根据权利要求5所述的基于自适应模型预测控制的混合储能系统功率分配方法，其特征在于：所述的自适应模型预测控制算法，利用比例积分控制器(pi控制器)跟踪参考电流
10.一种基于自适应模型预测控制的混合储能系统功率分配系统，其特征在于：包括：
混合储能系统模型，所述混合储能系统模型用于计算混合储能系统的电流与能耗；
模型参数的离线辨识算法模块，所述模型参数的离线辨识算法用于修正模型参数；
混合储能系统的离线配置算法模块、所述混合储能系统的离线配置算法用于给出混合储能系统锂电池与超级电容的数量与质量；
功率分配的在线优化算法模块；所述功率分配的在线优化算法用于给出最优的功率分配。
技术总结