1.3.3　系统能量管理策略

在复合电源系统工作过程中，动力电池提供平均需求功率和低频功率，系统通过降低动力电池充放电倍率和电流冲击延长其使用寿命；超级电容提供短时间的峰值功率和高频功率，从而提高系统高功率充放电的特性，超级电容在复合电源系统中实际上主要作为电力缓冲装置，起到“削峰填谷”的作用。概括地说，复合电源能量管理的目的是分配两者的输入、输出功率，同时通过控制动力电池和超级电容的输入、输出电流及工作电压来提高系统效率、系统动态性能，延长动力电池使用寿命。目前，复合电源能量管理策略主要可以分为两大类：基于规则的能量管理策略和基于优化的能量管理策略，如图1-7所示。

图1-7　复合电源能量管理策略分类

（1）基于规则的能量管理策略

基于规则的能量管理策略具有算法运算量小、控制简单、鲁棒性好、可靠性高等优点。但是由于复合电源动态特性复杂，规则控制不能较好地随复合电源动态特性变化来实时调整，系统控制效率较差，且对设计人员的工程经验有较强依赖性。一般来说，这类能量管理策略可以分为基于确定性规则能量管理策略和基于模糊逻辑规则能量管理策略。

① 基于确定性规则能量管理策略。该策略又称为逻辑门限的规则能量管理策略，是依据复合电源中动力电池与超级电容的时间常数，以及超级电容的峰值功率助力时间来分配功率，达到让动力电池提供平均功率、超级电容提供峰值功率的目的。复合电源中超级电容能量有限，因此超级电容上一时刻的工作状态和容量状态将直接影响下一时刻的系统控制状态，一般通过预测下一时刻的系统工作状态，或以表征车辆状态的值来估计当前时刻超级电容的容量状态理想值，以实现系统工作状态的优化。根据复合电源中动力电池与超级电容分别在能量密度和功率密度方面的优势，研究人员引入基于频率谱的滤波器，将系统需求功率的高频部分给超级电容组，而低频部分由动力电池组来承担。通常对于确定性工况采用不断调试的方法来达到滤波控制优化。

② 基于模糊逻辑规则能量管理策略。该方法是一种以模糊集合论、模糊语言变量和模糊逻辑推理为基础的智能控制方法。针对复合电源的非线性特性和实时应用问题，诸多研究人员以模糊逻辑控制来进行功率的控制。在设计模糊逻辑控制的能量管理策略时，通常以需求功率、动力电池荷电状态和超级电容容量状态特征作为模糊逻辑控制器的输入，以超级电容或动力电池的系统需求功率作为输出。相对于确定性规则策略而言，模糊逻辑控制能够控制复合电源更好地适应不同的工况，具有更高的鲁棒性和自适应性。但是由于模糊逻辑控制本质上仍然是基于经验的规则控制，研究人员多联合其他能量管理策略以提高其控制效果。

（2）基于优化的能量管理策略

相对于基于规则的能量管理策略，基于优化的能量管理策略下的复合电源控制效果更佳、能耗更低。虽然优化控制方法具有相对较高的计算负担，但是其能够指导规则的能量管理策略或其他优化控制的能量管理策略的设计。随着优化算法的深入研究，具有良好的在线应用前景。一般来说，这类能量管理策略可以分为基于全局优化能量管理策略和基于实时优化能量管理策略。

① 基于全局优化的能量管理策略。对于一个确定性系统，动态规划能够以设计的代价函数为目标确定最优的控制输入值。相对于其他优化控制理论，动态规划的优势在于其能够处理多状态和多输入下的复杂线性与非线性系统，且具有全局最优性。动态规划可以通过系统优化设计来提供一个目标最优性能的基准，在复合电源控制中应用非常广泛。由于动态规划需要已知车速信息和未来道路信息，很难直接实时应用，只能用于确定性系统的优化设计。此外，动态规划需要遍历大量数据，计算量较大，特别是在多状态、多输入的情况下，因为变量过多以及计算网格划分过细，计算量会急剧增加。

遗传算法能够处理非线性、多模型、多目标的函数优化问题，具有相当强的通用性和鲁棒性。作为一种全局优化算法，遗传算法在能量管理控制中也有较多应用。由于遗传算法能够很好地处理系统的多目标与非线性问题，也被应用于多能量源的参数匹配和优化中。除此之外线性优化、凸优化、粒子群算法等其他一些全局优化算法，也可应用在电动汽车复合电源能量管理策略中。

② 基于实时优化的能量管理策略。模型预测控制又称为滚动时域控制，其控制算法主要包括预测模型建立、在线优化、反馈校正三个部分。模型预测控制的性能主要取决于两个方面：预测精度和能量管理策略的优化。为了能够更好地提高复合电源工作效率、优化系统能量管理策略的实时性和鲁棒性，研究人员建立了基于车辆行驶工况预测和系统需求功率预测的复合电源能量管理策略。由于模型预测控制具有系统预测的优势，在进行复合电源系统控制时，首先以马尔科夫过程等方法预测短时间有限时域车辆的信息，然后通过二次规划、动态规划等优化算法来优化控制系统的功率分配。为了提高系统模型和预测控制的精度，通常需要建立复杂的非线性系统模型或细化DC/DC变换器模型，但由于计算量大，只能通过高性能实验台进行模拟验证。

神经网络类似于大脑的计算和思考过程，可通过模拟人类大脑神经元活动的特征获得相关输出信息，能够很好地处理非线性问题，同时具备高速处理控制系统的能力，在系统控制、模式识别、状态预测、参数优化等多个方面得到广泛的应用。由于神经网络需要大量数据集进行训练和学习，因此在利用神经网络进行复合电源能量管理时，需预先获取大量的优化控制数据集，在完成神经网络训练后，采用另外一部分数据集进行泛化能力验证。

人工智能亦称机器智能，作为计算机科学的一个分支，是指通过计算机实现的人类智能技术。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。近年来，随着机器学习等人工智能算法的发展，强化学习等新兴智能算法也被运用于复合电源控制中。强化学习可以通过观测和分析控制系统当前行为，在未知系统结构与参数的情况下逐渐学习，做出优化决策来控制系统。目前，强化学习在系统自动控制、人工智能算法、机器学习等领域中得到了广泛应用。