[论文解读] Multi-objective Optimal Sizing and Energy Management of Hybrid Energy Storage System for Electric Vehicles.

Huilong Yu, Francesco Castelli Dezza+1 more|arXiv (Cornell University)|Jan 19, 2018

Advanced Battery Technologies Research参考文献 54被引用 11

一句话总结

本文提出了一种结合 NSGA-II 和模糊逻辑控制的双层多目标优化框架，用于同时优化电动汽车混合储能系统（HESS）的尺寸和其能量管理系统（EMS）的参数。通过整合锂离子电池的动态模型与退化模型，并采用向量化模糊推理系统，该方法显著提升了续航里程和电池循环寿命，Pareto 最优解相较于传统设计展现出显著的性能提升。

ABSTRACT

Hybrid energy storage system (HESS) composed of lithium-ion battery and supercapacitors has been recognized as one of the most promising solutions to face against the high cost, low power density and short cycle life of the battery-only energy storage system, which is the major headache hindering the further penetration of electric vehicles. In this work, the HESS sizing and energy management problem of an electric race car is investigated as a case study to improve the driving mileage and battery cycle life performance. Compared with the existing research, the distinctive features of this work are: (1) A dynamic model and a degradation model of the battery are employed to describe the dynamic behavior and to predict the cycle life of the battery more precisely; (2) Considering the fact that the design and control problems are coupled in most cases, in order to achieve a global optimal design solution and an implementable real-time energy management system, a Bi-level multi-objective sizing and control framework based on non-dominated sorting genetic algorithm-II and fuzzy logic control (FLC) is proposed to size the HESS and to optimize the membership functions of a FLC based EMS at the same time; (3) In order to improve the optimization efficiency, a vectorized fuzzy inference system which allows large scale of fuzzy logic controllers operating in parallel is devised. At last, the Pareto optimal solutions of different HESSs are obtained and compared to show the achieved enhancements of the proposed Bi-level optimal sizing and energy management framework.

研究动机与目标

• 为解决纯电池储能系统在电动汽车中存在成本高、功率密度低、循环寿命短等局限性。
• 开发一种集成设计与控制优化框架，实现对混合储能系统（HESS）尺寸与其实时能量管理的同步优化。
• 通过专用退化模型与动态行为建模，提升电池循环寿命预测的准确性。
• 通过采用向量化模糊推理系统，实现大规模模糊逻辑控制器的并行运行，从而提升优化效率。
• 在真实世界电动赛车应用中，实现兼顾续航里程与电池寿命的全局最优解。

提出的方法

• 设计了一种双层优化框架，上层采用 NSGA-II 优化 HESS 尺寸与模糊逻辑控制器（FLC）隶属度函数参数，下层实现基于实时模糊逻辑控制的能量管理系统（EMS）。
• 锂离子电池的动态模型用于捕捉瞬态电气行为，退化模型则基于电流与温度分布预测循环寿命。
• 利用 NSGA-II 调优模糊逻辑控制器（FLC）的隶属度函数参数，确保电池与超级电容器之间功率分配的自适应性。
• 开发了向量化模糊推理系统，实现多个模糊逻辑控制器的并行执行，显著提升大规模优化的计算效率。
• 将 HESS 尺寸设计与 EMS 参数调优整合至单一优化循环中，确保系统整体最优性与实时控制的可实施性。
• 生成 Pareto 最优解，并在不同 HESS 配置间进行对比，以评估续航里程与电池退化之间的权衡。

实验结果

研究问题

• RQ1 如何实现由锂离子电池与超级电容器组成的混合储能系统（HESS）尺寸与其在电动汽车中实时能量管理系统（EMS）的协同优化？
• RQ2 集成电池的动态模型与退化模型对循环寿命预测精度与系统性能有何影响？
• RQ3 采用向量化模糊推理系统如何提升大规模模糊逻辑控制器在 HESS 应用中优化的计算效率？
• RQ4 在 HESS 配置中，续航里程与电池循环寿命之间存在何种权衡？如何通过多目标优化实现平衡？
• RQ5 所提出的双层优化框架在系统性能与寿命方面，相较于传统解耦设计与控制方法，优势程度如何？

主要发现

• 所提出的双层多目标优化框架成功生成了一组平衡续航里程与电池循环寿命的 Pareto 最优解。
• 动态模型与退化模型的集成显著提升了电池行为与寿命预测的准确性，从而优化了系统设计决策。
• 向量化模糊推理系统通过支持多个模糊逻辑控制器的并行执行，显著提升了优化效率。
• 经优化的基于 FLC 的能量管理系统能有效分配电池与超级电容器之间的功率，降低电池应力，延长循环寿命。
• 对 Pareto 解的对比分析表明，与基线配置相比，所提框架在续航里程与电池寿命方面均实现了可量化的性能提升。
• 该框架实现了全局最优设计，并提供可实施的实时控制方案，克服了传统解耦优化方法的局限性。