技术干货 | GT-SUITE 电动汽车能量流分析_航空_航天_船舶_核能_汽车_电机

技术干货 | GT-SUITE 电动汽车能量流分析

艾迪捷

2月前浏览145

概要：

本文针对一款电动车模型，基于 GT-SUITE分别在夏天（30℃）和冬天（-10℃）进行能量流分析。该电动车的能量管理系统包含高低温两个冷却回路、间接制冷剂回路、驾驶舱空气回路、动力舱空气回路以及整车动力学模型。用户可以通过这样的整车能量管理模型进行硬件的匹配和控制策略的标定，满足续航、电池温度、驾驶舱温度等的设计要求。

1 、电动汽车能量管理模型介绍

首先基于GT-SUITE搭建电动车的整车能量管理模型。如下图所示，该整车系统由5个流体回路组成：高低温两个冷却回路、间接制冷剂回路、驾驶舱空气回路、动力舱空气回路。下面将主要介绍前3个回路。

1）高温(HT)和低温(LT)冷却回路

控制系统通过环境温度来判断电池冷却采用HT还是LT回路。如果环境温度高于18℃，则电池冷却采用LT回路；反之，则采用HT回路。
当电池冷却处于LT回路时（如夏天），冷却液不断吸收来自驾驶舱、电池的热量，再将热量释放给空调回路（蒸发器），从而实现给驾驶舱和电池降温的目的。此时，在HT回路中，冷却液吸收来自空调系统的冷凝器以及动力总成（电机、DCDC、逆变器）的热量，通过前舱的散热器释放给外部环境。
当电池冷却处于HT回路时（如冬天），HT回路采用小循环，冷却液不流经散热器。冷却液吸收来自电池加热器、动力总成以及热泵系统冷凝器的热量，从而给电池加热。此时，LT回路充当了热泵系统与环境之间的中介，热泵系统通过冷凝器从LT回路中吸收热量，而LT回路通过一个散热器从环境中吸收热量。

2）间接制冷剂回路

当制冷剂回路工作在空调模式时，通过蒸发器，经由LT回路间接地从驾驶舱中吸收热量，而冷凝器通过HT回路间接地向环境中释放热量。
当制冷剂回路工作在热泵模式时，蒸发器通过LT回路间接地从环境中吸收热量。

该模型的热源来自4个部件：电池、电机、逆变器、DC-DC。其中

1）电池采用三元锂电池（3P100S），单体容量为41Ah。

2）电机额定功率为151KW，额定转速5000rpm，最大转速8800rpm。

3）减速器的减速比为7.05。

4）车重1615kg，额外负载180kg。

2 、能量流分析

我们基于 GT-SUTIE分别在夏天（30℃）和冬天（-10℃）进行能量流分析，分析电池的能量效率。能量流分析本质上是对各个热力系统进行能量平衡分析。这里的关键是热力系统的选择。图1为在夏季（环境温度30℃）将空调温度设置为21℃时的NEDC循环的能量流分析，图中的实体线框均表示一个热力系统。图2为在冬季（环境温度-10℃）将空调温度设置为25℃时的能量流分析，

图1.夏季NEDC能量流分析

图2.冬季NEDC能量流分析

从图中可以看出几个有趣的结果：

夏季（打开空调）时，动力总成的效率为 50.5%，空调系统消耗了将近26.5%的电池能量，故应避免将空调温度调得过低；制动能量回收节约了大约13%的能量
冬季（打开热泵）时，动力总成的效率仅为 22.4%，电池加热器消耗了将近34.8%的电池能量，故一个高效的电池加热对于冬季提高续航是非常关键的；其次为暖风消耗了23%的能量，故应避免将空调温度调得过高；制动能量回收节约了大约6%的能量。

用户可以通过这样的整车能量管理模型进行硬件的匹配和控制策略的标定，满足续航、电池温度、驾驶舱温度等的设计要求。来源：艾迪捷

#电动车专题系列3# 基于GT-Autolion的电池鲁棒性分析

概要：本文基于GT-Autolion，针对18650型电池进行电池设计参数的鲁棒性分析。所选择的设计参数有：正负极的孔隙率、隔膜的孔隙率、正负极活性材料的质量分数、正负极活性材料的粒径、负极活性材料的膨胀系数、初始SOC、以及接触电阻。采用蒙特卡洛方法进行鲁棒性分析，得到哪些设计变量对响应（1C容量）的波动影响最大，从而为电池设计提供指导。电池模型介绍GT-Autolion是GT-SUITE中的一个国际领先的锂离子电池仿真软件，其具有丰富的材料库，并内置有5种老化模型和强大的DOE和优化功能，还可以进行充放电过程中应力应变的计算。本文应用GT-Autolion建立标准的18650型电池（NCM622/C）。为了进行鲁棒性分析，首先需要选择设计参数。本文选择了10个设计参数，假设它们均服从正态分布且变异系数为0.05，如下表所示。表1设计参数及其分布打开DOE设计界面，选择蒙特卡洛算法，如下图所示。鲁棒性分析结果计算完成后，进行DOE分析。本文希望将1C的放电容量（初始SOC为0.9）控制在1.76到1.94Ah之间。若使得响应超出该范围的设计变量是统计显著的，那么就认为该变量对于控制该响应的波动是显著的。GT-SUITE内置Kolmogorov-Smirnov方法来评价设计变量的显著性。该方法分别计算每个设计因子在1.77到1.96Ah范围之内（in-spec）和之外（out-of-spec）的累计概率密度函数，然后计算两条累计概率分布函数之间的最大的绝对差（delta），该值与一个临界值进行比较，如果该值大于临界值，则是统计显著的。如果是统计显著的，那么意味着该因子对于该响应的波动是敏感的。下图为1C容量的统计分布结果，平均值为1.825Ah，标准差为0.2153Ah。下图为正极活性材料占比的累计概率分布函数。红色实线和虚线分别为in-spec和out-of-spec的累计概率分布函数。下表为Kolmogorov-Smirnov显著性判据。可以看到正极的活性材料占比是显著的（Yes）。另外，初始SOC也是显著的，而其他设计因子均不显著。预测响应的波动接下来我们通过减小正极活性材料占比的标准差（变异系数从5%控制到2%）来控制响应的波动。为了减小计算时间，我们利用神经网络模型进行预测。首先进行神经网络模型的拟合。2000个工况中20%用作预测，80%用作训练，同时采用交叉验证法充分利用所有数据。其中神经网络算法采用双隐层，第一层10个神经元，第二次5个神经元。拟合的效果如下：然后，利用拟合的神经网络模型，再次进行蒙特卡洛仿真，由于计算速度快，可以使用更多的计算工况(5000个)。将正极活性材料占比的标准差减小后，得到的容量分布如下图所示，标准差为0.1443Ah，可以看到响应的标准差显著降低。综上所述，利用GT-SUITE强大的DOE工具，用户可以利用GT-Autolion进行电芯设计参数的鲁棒性分析。来源：艾迪捷