【热管理】一种燃料电池汽车空调智能热舒适控制策略

文摘   2024-10-10 18:06   上海  
AUTO行家全面升级:覆盖新能源车、智能驾驶、内外饰及智能座舱前沿技术、产品、企业资讯,欢迎关注!

研究背景

热舒适是评价车用空调的重要指标,影响因素很多,但传统的车用空调控制仅以温度为控制目标,忽视了乘客的实际热舒适情况,无法自动适应不同乘客的热舒适需求。针对这一问题,本文建立了一种基于燃料电池汽车(FCV)的空调模型,并提出了一种基于热舒适性的控制策略,利用基于PPO算法的深度强化学习建立控制模型。研究中可以自动控制压缩机和鼓风机,并在静态和动态四种不同的环境条件下进行仿真分析。

研究内容

为了实现基于乘客热舒适性的控制,对乘客热舒适度的计算结果提供反馈是必需的。因此,FCV 空调模型由空调系统模型、座舱模型和热舒适模型三部分组成,如图 1 所示。

图1模型结构
人体的热调节主要分为两部分。一部分是调节中枢神经系统,主要是通过调节流向皮肤和肌肉的血流、出汗以及肌肉代谢和产热的变化;另一部分是辅助局部调节,主要是指身体局部组织产生的出汗、皮肤血流的变化、人体代谢率的变化,称为Q10效应。本文将人体分为 15 个区域,如图 2 所示。

图2人体热舒适模型分区示意图
该模型在风洞实验室中使用真实车辆和空调假人进行了测试。通过将实验中测量的LTS 和 OTS 结果与模型计算的结果进行比较,验证了本节中建立的模型的准确性。该实验所需的设备如图 3 所示
图 3.风洞实验装置示意图
如图 4 所示,图 4 (a)将实验过程中测得的每个区域的LTS 曲线与模型计算的热舒适曲线进行了比较。从图中可以看出,实验和模型计算的局部热舒适曲线中的误差非常小。从数据分析中可以计算出,实验和模型计算的LTS 曲线的平均拟合为 91.8 %。图 4 (b)显示了乘客在实验最后时刻的LTS 和 OTS 值。可以看出,模型计算的LTS 与实验测量的最大差值为0.374,OTS 计算差值仅为0.113,可以证明模型的准确性。

图4热舒适实验与仿真结果的比较

((a) 冷却过程中的 LTS 曲线;(b)冷却的最终 LTS 和 OTS 结果)
本文选择了一个基于 PPO 算法的强化学习模型来控制鼓风机和压缩机。PPO 算法设计了一个称为 “clipping” 的目标函数,该函数在每次更新期间将策略的更改限制在一个相对较小的范围内。这种机制不容易导致过多的策略变化,有助于提高算法的稳定性。在车载空调中,它可以避免控制策略的过大变化,从而导致驾驶员体验不佳。控制系统架构如图 5 所示。

图 5.基于深度强化学习的控制架构图
其冷却过程在不同环境温度条件下的 OTS 曲线如图 6 所示。可以分析,在不同环境温度下,当轿厢内部热环境稳定时,基于温度的控制策略可以将乘客的OTS值稳定在0.074、0.098、0.084、0.115、0.078和0.101,而基于热舒适控制策略的乘客OTS值分别为−0.003、−0.003、−0.003、0.001、分别为 − 0.005 和 0.007。乘客的|OTS|基于热舒适控制策略,与基于温度舒适度的策略相比,平均减少 0.088 人。从图 6 中可以看出,基于热舒适控制策略的 OTS 值的稳定范围更接近最优值。以热舒适为控制策略,消除了近似舒适温度与实际最佳热舒适之间的偏差,使乘客能够实时达到最佳热舒适状态。同时,由于 CLTC-P 条件下车速的变化,乘客舱内的热负荷也会发生变化。这可能导致空调控制不稳定,从而导致乘客 OTS 的波动。从局部放大的图像中可以看出,与基于温度的控制策略相比,热舒适控制策略的 OTS 曲线波动较小,表明控制效果更稳定。

图 6.不同外部环境温度条件下的OTS 曲线
从图 7 中的分析可以看出,在不同太阳辐射强度条件下,当机舱内部热环境稳定时,基于温度的控制策略可以将乘客的 OTS 分别稳定在 − 0.522、− 0.290、− 0.021、0.153、0.393 和 0.631。基于热舒适度的控制策略可以将乘客 OTS 分别稳定在 − 0.002、− 0.003、− 0.004、0.001、− 0.007 和 0.011。与基于温度的控制策略相比,基于热舒适性的智能空调控制策略可以降低乘客的|OTS|,使其平均减少 0.333 人。

图 7.不同太阳辐射强度条件下的 OTS 曲线
从图 8 中可以分析出,基于热舒适度的控制策略可以更好地控制接近最优舒适值的乘客 OTS。在 600 s–1200 s 和 2400 s–3000 s 的仿真过程中,随着外部环境温度的逐渐变化,舱内热负荷发生变化,导致乘客的OTS 曲线出现显著波动。从控制效果来看,热舒适控制策略会使乘客的 OTS 曲线波动较小。此外,热舒适控制策略可以通过设置人的不同生理体征,使乘客的 OTS 稳定在最佳热舒适体验附近,而基于温度的控制策略无法针对不同的人体模型做出相应的调整,OTS 数据将分布在不同的范围内。

图 8.动态外部环境温度下的冷却效果((a)外部环境温度随时间的关系曲线;(b)热舒适控制策略下的OTS 曲线;(c)热舒适控制策略下不同人体模型的OTS 数据分布;(d)基于温度的控制策略下的OTS 曲线;(e)基于温度的控制策略下不同人体模型的OTS 数据分布。
太阳辐射强度和时间之间的关系如图 9 (a)所示。车辆外部环境温度恒定在 36°C,环境相对湿度为 50 % rh,以 CLTC-P*2 速度行驶 60分钟。基于热舒适控制策略和温度控制策略的OTS 曲线分别如图 9 (b)和图 9 (d)所示。由此可见,随着太阳辐射强度的突然变化乘客的OTS 曲线将发生阶跃变化。热舒适控制策略可以快速将OTS 调整到 0 左右。然而,基于温度的控制策略无法有效应对 OTS 的突然变化。不同人体模型的OTS数据分布如图9(c)和9(e)所示,根据数据统计,对于6种不同人体模型的个体,热舒适控制策略下的平均OTS分别为0.102、0.125、0.091、0.112、0.085和0.098,数据多集中在0附近;基于温度的控制策略的 OTS 分别为 0.216、0.402、0.126、0.367、− 0.022 和 0.198。乘客平均增幅 |OTS|为 0.120,数据比较分散。
太阳辐射强度的变化不仅改变了客舱的热负荷,而且对乘客的热舒适度也有直接影响,导致OTS曲线的突然变化。热舒适控制策略可以识别这种直接影响并做出有效的控制。然而,基于温度的控制策略只能识别太阳辐射强度对热负荷的影响,而不能有效响应太阳辐射强度对热舒适度的直接影响。图 9 (c) 和 9 (e) 表明热舒适控制策略可以有效适应不同人体模型的生理特性,而基于温度的控制策略不能很好地自动适应。

图 9.动态太阳辐射强度下的冷却效果
图 9.动态太阳辐射强度下的冷却效果

结论

本文为实现乘客在驾驶过程中的最优热舒适感,提出了一种燃料电池汽车空调智能热舒适控制。本文构建了空调系统模型、舱室模型和热舒适模型,并通过实验验证了模型的准确性;随后,使用基于 PPO 算法的深度强化学习来训练控制模型。最后,通过在静态和动态环境条件下的仿真验证了控制策略的适用性和有效性。主要结论如下:

(1)在静态环境条件的验证中,在不同的环境温度条件下,|OTS|与基于温度的控制策略相比,基于热舒适控制策略的乘客价值平均下降了0.088;在不同太阳辐射强度条件下,|OTS|值平均下降了 0.333,表明在静态环境条件下,热舒适控制策略可以使乘客感觉更舒适。

(2)在动态环境条件的验证中,在环境温度随时间变化的条件下,对于不同生理条件的人体模型,热舒适控制策略在 |OTS|值在整个冷却过程中具有更好的稳定性,与基于温度的控制策略相比;在太阳辐射强度随时间变化的条件下,平均 |OTS|在整个冷却过程中,热舒适控制策略的值比基于温度的控制策略低 0.120。

免责声明
 本文所用视频、图片、文字如涉及作品版权问题,请第一时间告知,我们将根据您提供的证明材料确认版权并立即删除内容。



AUTO行家
新能源、汽车内饰、汽车安全技术、新材料等相关前沿资讯及技术分享,打造汽车行业在交流合作平台。
 最新文章