基于热舒适和低病毒感染风险的电动汽车空调控制方法与流程

[0001]
本发明属于整车热管理技术领域，涉及基于热舒适和低病毒感染风险的电动汽车空调控制方法。


背景技术：

[0002]
考虑到乘员舱内驾驶员和乘客对舒适性、安全性和健康性的要求，暖通空调系统(hvac)是车辆最重要的辅助系统之一。然而，暖通空调系统能耗较大，电动汽车面临着暖通空调系统带来的能耗困扰，导致电动汽车续航里程的下降。有关研究表明，hvac系统可使电动汽车的续航里程减少30％-40％，在某些极端条件下，甚至可减少更多。在智能性方面，由于汽车智能化发展需求，汽车空调需要做到比传统空调更加智能来提升驾驶热舒适性。因此，如何减少电动汽车空调系统的能耗并且提高乘客的舒适性，是如今电动汽车热管理系统研究的重点之一。
[0003]
近年来，甲型h1n1流感、新冠肺炎流行性疾病等在全球范围内传播迅速，尤其在空间狭小的室内环境中，疾病通过空气传播的效果较为明显。现在的新冠肺炎(covid-19)已对各国造成了巨大的生命和经济损失。而车辆作为最常见的交通工具，在人们的日常生活中占据了大量的时间，狭小空间的乘员舱可成为该类型呼吸道疾病(包括covid-19)轻易传播的完美场所。在降低室内疾病感染风险方面，加强通风被证明是一种有效的手段。因此，汽车暖通空调系统的合理外循环通风对乘客的健康和预防感染尤为重要。另外，暖通空调系统的能源成本相当高，外循环通风会进一步增加暖通空调在客舱温度控制方面的能耗。如何设计并实现智能控制是汽车空调系统的研究重点之一。
[0004]
实现压缩机转速的精确控制是保障乘员舱温度精确控制的前提。电动汽车压缩机主要以电机带动的方式运行，不受车速和发动机转速影响，控制较为灵活精确。在控制领域中，现如今的控制方法类型多样。现在汽车空调系统主流的控制方法，是基于规则的开关控制器并根据相应的查表的方式进行控制，或者pid控制，模糊控制等一些较为传统的方法。这些传统的控制方法主要根据系统给予的反馈信号，利用目标值与反馈值的差值进行控制与调节。此类型的控制方法虽然简单，但是对于汽车系统而言，车速变化剧烈，工况多变。单单依靠传统的反馈信号的方式的效果往往具有一定局限性。另外，传统的纯反馈控制器没有涉及优化算法，因此在面对多输入多输出系统，尤其像汽车空调需同时控制压缩机转速、膨胀阀开度、风扇转速等多个控制变量，各个控制量很难实现高效合理的搭配，使得控制效果难以保证。当汽车工况迅速变化时，反馈回来的信号支持当前时间的系统，但系统状态变化迅速，当控制器最终作用在系统上时，往往已经不是最佳操作。或者说，即使反馈信号对于当前来说是最佳操作，但对于未来长远来说却不一定是最佳操作。因此，为了进一步提升控制器的效率与智能性，同时满足汽车空调系统多输入多输出控制需求，需要用更为具有预测性的控制器。
[0005]
模型预测控制(mpc)是目前较为先进的控制方法，可通过建立被控系统的状态模型，根据所建立的状态模型可实现具有预测功能的预测控制。它能够实时在线地根据系统
的当前时刻的控制输入以及当前时刻的状态值，预测过程输出的未来值。进而通过优化计算，给出当前状态下最佳控制，使得整个控制过程更为准确高效，实现效率与智能性的提升。
[0006]
同时，通风系统保证乘员舱空气质量也尤为重要，乘员舱内较好的空气质量能够提高舒适性并且有效的降低类似于新型冠状病毒(covid-19)主要通过呼吸道传播的疾病感染风险。随着人们生活水平的提高，对汽车智能化和电气化的要求也在不断提高，对车内舒适温度和健康空气质量进行智能控制的需求日益明显。因此，以舒适温度控制、降低病毒感染风险和节能为目标，提出了一种电动汽车暖通空调系统智能协同控制策略。
[0007]
目前，保证乘员舱热舒适性的同时控制乘员舱控制质量以降低疾病感染风险的智能控制方法尚未出现。


技术实现要素：

[0008]
有鉴于此，本发明的目的在于提供一种基于热舒适和低病毒感染风险的电动汽车空调控制方法。
[0009]
为达到上述目的，本发明提供如下技术方案：
[0010]
一种基于热舒适和低病毒感染风险的电动汽车空调控制方法，包括以下步骤：
[0011]
s1：建立汽车空调系统和乘员舱的热耦合模型；
[0012]
s2：建立基于乘员舱的病毒感染风险评估模型；
[0013]
s3：建立与汽车空调系统和乘员舱的热耦合模型相匹配的模型预测控制器；
[0014]
s4：结合病毒风险感染评估模型，建立完整的针对乘员舱内驾驶员与乘客的舒适与健康的空调系统控制器。
[0015]
进一步，所述步骤s1具体包括以下步骤：
[0016]
s11：建立一维汽车空调系统动态热数学模型，所述汽车空调系统包括压缩机，冷凝器，蒸发器和膨胀阀，其中蒸发器与冷凝器的动态模型基于移动边界法建立；
[0017]
s12：建立简化的一维乘员舱系统动态热模型，并与空调系统模型耦合；
[0018]
进一步，步骤s11中所述一维汽车空调系统动态热数学模型包括：
[0019]
1)建立压缩机内制冷剂一维动态模型，表示如下：
[0020][0021][0022]
其中，为压缩机的质量流量，η
v
为容积效率，ρ
r
为制冷剂密度，n
comp
为压缩机转速，v
d
为压缩机排量，h
c，o
为压缩机出口比焓值，h
c，i
为压缩机进口比焓值，h
is，o
为压缩机出口等熵比焓值，η
is
为等熵效率。
[0023]
2)对于膨胀阀，由于膨胀阀中的膨胀过程可看作是绝热过程，故其动态过程中，通过膨胀阀制冷剂质量流量与其膨胀阀压降δp的关系由下式表示：
[0024][0025]
其中，c
q
为膨胀阀的流量系数，ρ
v
为通过膨胀阀的制冷剂密度，a
v
为膨胀阀的最小
流通面积。
[0026]
3)根据移动边界法，蒸发器中的气体和液体制冷剂满足质量守恒定律，故对于蒸发器的两相区的长度le的变化由下式得到：
[0027][0028]
蒸发器中压力p
e
随时间的变化表示为：
[0029][0030]
再根据能量守恒定律，蒸发器壁面温度的变化表示为：
[0031][0032]
其中，ρ
le
是蒸发器中液体制冷剂的密度，h
lge
为蒸发器中制冷剂的气化潜热，a
e
为蒸发器的扁管微通道总的截面积，为蒸发器两相区的平均空隙率，h
ge
、h
le
和h
ie
分别表示在当前压力下蒸发器中气体、液体以及进口的制冷剂的比焓值，a
ie
是两相区中蒸发器内壁与制冷剂间的换热系数，d
ie
是蒸发器扁管内部的直径，t
we
为蒸发器壁面温度，t
re
是蒸发器当前压力下制冷剂的饱和温度，l
e
是蒸发器扁管的总长度，(c
p
m)
we
表示蒸发器材料的比热和蒸发器的质量，a
o
是空气与蒸发器壁面间的换热系数，a
oe
为蒸发器的迎风面积，t
ae
是当前蒸发器周围空气的温度，该变量与通风风门开启与关闭状态有关联，其变化表示为：
[0033][0034]
其中，t
a
为乘员舱温度，t
ac
为乘员舱外界环境温度。
[0035]
4)对于冷凝器，其换热原理与蒸发器相似，故有：
[0036][0037][0038][0039]
为简化模型，假定空调系统制冷剂在整个制冷循环管路中没有泄露，则系统中总的制冷剂的质量保持不变，则蒸发器和冷凝器中制冷剂总的质量视为常数，故有：
[0040][0041]
其中，ρ
lc
是冷凝器中液体制冷剂的密度，h
lgc
为冷凝器中制冷剂的气化潜热，a
c
为冷凝器的扁管微通道总的截面积，为冷凝器两相区的平均空隙率，h
gc
，h
lc
和h
ic
分别表示在当前压力下冷凝器中气体、液体以及进口制冷剂的比焓值，a
ic
是两相区中冷凝器内壁与制冷剂间的换热系数，d
ic
冷凝器扁管内部的直径，t
wc
为冷凝器壁面温度，t
rc
是冷凝器当前压力下制冷剂的饱和温度，l
c
是冷凝器扁管的总长度，(c
p
m)
wc
表示冷凝器材料的比热和的质量，a
oc
是空气与冷凝器壁面间的换热系数，a
oc
为冷凝器的迎风面积，t
ac
是当前冷凝器周
围空气的温度，即环境温度，∑表示常数。
[0042]
冷凝器空气侧换热系数a
oc
主要由外部风速影响，在汽车行驶中，冷凝器外部风速主要由车速影响，故a
oc
与车速的关系由实验拟合出，表示为：
[0043]
a
oc
＝f
p2
(v
car
)
[0044]
车速v
car
由驾驶员决定，而非空调系统控制器调节，在空调系统控制中，车速看作为扰动输入。
[0045]
进一步，步骤s12中所述一维乘员舱系统热模型，并与空调系统模型耦合包括：
[0046]
汽车乘员舱的总热负荷表示为：
[0047][0048]
在行车期间，车舱与外界对流换热量主要受车速v
car
和环境温度t
ac
影响，并且这两个变量是不受控制器控制的输入扰动，在换热模型中，由下式计算：
[0049][0050]
其中t
s
为乘员舱外围的结构的温度，基于能量守恒定律，外围结构的温度的动态变化由下式表达：
[0051][0052]
由能量守恒定律可知，乘员舱的空气温度动态变化表示为：
[0053][0054]
其中，为车身表面结构的换热，为太阳辐射热负荷，为通风引起的热负荷，为人体热负荷，为机械和仪表热负荷，t
cab
为汽车车舱的温度，为单位时间空调系统传入客舱的制冷量，m
a
为汽车车舱体积范围内的空气质量，c
pa
为空气比热，h
o
是外部车舱外围结构外侧与空气侧的换热系数，主要由车速决定，s汽车车舱外表面结构的总的表面积，hi为汽车车舱内表面与空气的换热系数，m
s
和c
ps
分别是车舱外围封闭结构的质量和比热。
[0055]
通过以上数学模型，建立乘员舱和空调系统的耦合动态模型，模型中的状态变量表示为：
[0056]
x＝[l
e p
e t
we p
c t
wc t
s t
a
]
t
[0057]
进一步，所述步骤s2具体包括以下步骤：
[0058]
s21：建立如图5所示的乘员舱病毒感染风险评价模型；
[0059]
乘员舱是一个狭窄的室内环境，它是病毒传播的较为理想的场所。针对控制车内空气中病毒载体quanta浓度以降低病毒感染风险的问题，建立了风险评估模型来量化空气传播感染风险：
[0060][0061]
上式中，r为人员感染的风险率，ir为易感染者的吸气速率，t为易感染者的暴露时长，c
q
为病毒载体quanta的体积浓度，其计算由下式表示：
[0062][0063]
其中，v为乘员舱体积，er
q
为感染者的病毒载体quanta发射速率，是导致病毒感染风险率r上升的主要原因，在感染者打喷嚏时其作用尤为明显。r
d
为感染者呼出的气溶胶颗粒物沉积速率，r
i
为病毒灭活率，aer为乘员舱换气率，该值在通风风门开启时与蒸发器风扇转速n
fan
成正比，在通风风门关闭时为0。
[0064]
进一步，所述步骤s3具体包括以下步骤：
[0065]
s31：建立模型预测控制中的状态估计器；
[0066]
s32：建立模型预测控制器的优化器；
[0067]
进一步，步骤s31中所述建立模型预测控制中的状态估计器包括：
[0068]
根据所建立的汽车空调和乘员舱模型，在线性化处理后，其系统由以下状态空间式表达：
[0069]
x(k+i|k)＝ax(k+i-1|k)+b
u
u(k+i-1|k)+b
v
v(k+i-1|k)
[0070]
y(k+i|k)＝cx(k+i-1|k)
[0071]
上式中，x为状态变量矩阵，u和v分别表示控制变量矩阵和扰动输入矩阵，分别为：
[0072]
u＝[n
comp n
fan
]
t
[0073]
v＝[v
car t
ambient p
solar
]
t
[0074]
对于状态估计器的输出变量y，表示为：
[0075]
y＝[t
a t
we
]
t
[0076]
进一步，步骤s32中所述建立模型预测控制器的优化器包括：
[0077]
mpc控制器中的优化器包含寻优算法，通过寻找代价函数最小值来求解目标函数的最优解。优化器的主要作用是在寻找一组最优解来满足控制精确的同时，尽可能的降低控制代价。
[0078]
首先，总的代价函数由下式表示：
[0079]
j(z
k
)＝j
y
(z
k
)+j
u
(z
k
)+j
δu
(z
k
)
[0080]
其中，j
y
，j
u
，j
δu
分别表示控制温度的追踪误差的代价函数，控制量大小的代价函数以及控制量变化大小的代价函数；对于当前时刻k，若控制时域为c，三个代价函数分别由下式表示：
[0081][0082][0083][0084]
其中，i表示时间顺序的计算步长，且有i∈[1,c]；i,c∈n；n
y
，n
u
分别表示控制输出和控制输出入的数量；分别表示y,u,δu的第j个控制输出在第i个时间步
长下的权值；z
k
表示对上述目标函数的正二次规划的决策输出序列，二次规划优化的目标函数和约束条件由以下形式表示：
[0085]
min j(z
k
)
[0086]
s.t.0≤n
comp
≤6000r/min
[0087]
0≤n
fan
≤3000r/min
[0088]
0≤t
we
≤10℃
[0089]
通过求解二次规划，在控制时域为c时，得到z
k
的值，其值形式为：
[0090][0091]
为了保证实时控制的精确性，在矩阵z
k
中，只有第一个元素作为mpc控制器实际的输出。
[0092]
进一步，所述步骤s4具体包括以下步骤：
[0093]
s41：设置打喷嚏时的最佳通风逻辑；
[0094]
s42：设置正常呼吸循环时最佳通风逻辑；
[0095]
s43：建立如图6所示的实现乘员舱温度控制和低病毒感染的空调系统控制方法；
[0096]
进一步，步骤s41中所述设置打喷嚏时的最佳通风逻辑包括：
[0097]
当汽车检测到乘员舱内的喷嚏信号时，空调系统应立即开启通风风门进行外循环通风，尽可能快速的将打喷嚏所携带的病毒排出乘员舱，保证低感染风险。然而长时间开启外循环来降低感染风险会大大增加空调系统能耗。需要合理的寻找最佳的通风时间和通风风量，找到能耗和低感染风险的平衡点。为此，设计了10s、20s、30s、
…
200s等20个不同的持续时间范围，以及80～560cmh(最大风机风量)9个不同的风量范围，找出最佳的通风逻辑，表示如下：
[0098]
fafr(9
×
1)＝[80 140 200...560]，t
s，v
(1
×
20)＝[10 20 30...200]
t
[0099]
其中，fafr为新风率，t
s，v
为开启外循环通风持续时长。对于上式中180个组合，其控制的代价函数由mpc控制器进行计算并且得出最优解。代价函数表示如下：
[0100]
cost
s，e
＝f
mpc，s1
(fafr，t
s，v
)
[0101]
cost
s，ec
＝f
mpc，s2
(fafr，t
s，v
)
[0102]
cost
s，r
＝f
mpc，s3
(fafr，t
s，v
)
[0103]
cost
s，cq
＝f
mpc，s4
(fafr，t
s，v
)
[0104]
其中，cost
s，e
为控制的乘员舱温度与目标温度误差的成本，cost
s，ec
为空调系统能耗成本，cost
s，r
为感染风险成本，cost
s，cq
为乘员舱残余的病毒载体quanta浓度成本。f
mpc，s1
至f
mpc，s4
分别为在不同新风率和外循环通风时长下的成本函数。为了便于权衡不同成本，进行归一化处理，表示如下：
[0105][0106]
最终，将归一化后的不同成本加权和，得到最小化优化目标：
[0107]
cost
′
totel
＝cost
′
e
+cost
′
ec
+cost
′
r
+cost
′
cq
[0108][0109]
进一步，步骤s42中所述设置正常呼吸循环时最佳通风逻辑包括：
[0110]
感染者在正常呼吸和说话的时候也会持续性地呼出少量病毒载体，同样也需进行通风逻辑的优化，以达到低能耗、低感染风险和热舒适性平衡。需要优化的循环通风逻辑的待定参数为外循环通风门开启的频率和各换气周期的持续时间。因此，为了找到合适的通风循环逻辑，对不同的通风频率和每个通风周期的持续时间进行设计。不同的通风逻辑参数可表达为一个矩阵，如下：
[0111]
l
cycle
＝[f
c，v t
c，v
]
[0112]
其中，t
c，v
为单次开启外循环通风风门持续时长，f
c，v
为开启频率(次/小时)，分别表示为：
[0113]
f
c，v
(1
×
14)＝[2 4 6...28 30]
t
，t
c，v
(8
×
1)＝[40 60 80...160 180]
[0114]
代价函数表示如下：
[0115]
cost
c，e
＝f
mpc，c1
(f
c，v
，t
c，v
)
[0116]
cost
c，ec
＝f
mpc，c2
(f
c，v
，t
c，v
)
[0117]
cost
c，r
＝f
mpc，c3
(f
c，v
，t
c，v
)
[0118]
其中，cost
c，e
为控制的乘员舱温度与目标温度误差的成本，cost
c，ec
为空调系统能耗成本，cost
c，r
为感染风险成本，f
mpc，c1
至f
mpc，c3
分别为在不同的外循环通风开启频率和外循环通风时长下的成本函数。经过与s41步骤相同的成本函数归一化处理进行加权，得到优化目标：
[0119]
cost
′
c，totel
＝cost
′
c，e
+cost
′
c，ec
+cost
′
c，r
[0120][0121]
进一步，步骤s43中所述建立如图6所示的实现乘员舱温度控制和低病毒感染的空调系统控制方法包括：
[0122]
根据s41和s42步骤求解计算得到的最优通风逻辑，结合s1、s2、s3步骤建立的基于乘员舱温度控制的模型预测控制器，最终可建立如图6所示的实现乘员舱温度控制和低病毒感染的空调系统控制方法。
[0123]
本发明的有益效果在于：
[0124]
在控制中，将模型预测控制与病毒感染风险模型结合，使得电动汽车在不同的行驶工况下，控制器能根据当前的信息，对未来系统状态进行预测，并通过最优化算法进行最优控制量决策。能够在尽可能满足乘员舱内热舒适的基础上能够节省时变工况下的能量，提升控制效果。并且车辆在即时检测到打喷嚏信号时，立即开启外循环通风风门保持一段时间，尽可能保证低风险的病毒感染率，有效保护乘客和驾驶员健康与安全。实现空调系统安全、节能、健康的智能自动调节，使得整个空调控制更为人性化，智能化。具体优点有：
[0125]
1)对于多输入多输出空调系统，本发明利用模型预测控制对控制系统状态预测，并且利用优化算法对系统进行了优化控制，使得控制系统能够更好地根据需要合理地控制压缩机和风扇的转速，实现更好地控制效果与节能性，同时使得控制更为准确。
[0126]
2)建立了乘员舱病毒感染风险评估模型。利用该模型，当车辆检测到乘员舱内的打喷嚏信号时，空调通风系统能立即开启外循环通风以降低感染风险，保证乘员的健康安全，于此同时通过模型预测控制实现能耗和健康安全的共赢效果。在近期新冠病毒流行和冬季流行性感冒肆虐的大背景下，该发明所提及的控制方法显得尤为重要。
[0127]
3)本发明相较于传统算法，更为智能，可通过人工智能检测打喷嚏信号。适合运用
在未来智能网联汽车中，增强智能网联汽车整车热管理系统的节能化与智能化的能力。
[0128]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0129]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
[0130]
图1为本发明的智能控制器的整体控制逻辑简图；
[0131]
图2为汽车动态空调系统与乘员舱结构一维热耦合模型结构简图；
[0132]
图3为wltc循环工况；
[0133]
图4为乘员舱与外界空气以及舱内空气的换热示意图；
[0134]
图5为病毒颗粒物在乘员舱内流动示意图；
[0135]
图6为乘员舱通风逻辑和温度控制逻辑简图。
具体实施方式
[0136]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0137]
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0138]
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0139]
如图1所示，为一种基于热舒适和低病毒感染风险的电动汽车空调控制方法，该方法具体包括以下步骤：
[0140]
s1：建立如图2所示的汽车空调系统-乘员舱耦合热模型，具体包括：
[0141]
s11：建立一维汽车空调系统动态热数学模型，其中包括压缩机，冷凝器，蒸发器和膨胀阀。其中换热器的动态模型基于移动边界法建立。
[0142]
一维动态汽车空调系统热模型包括：
[0143]
1)压缩机内制冷剂一维动态数学模型，表示如下：
[0144][0145][0146]
其中，为压缩机的质量流量，η
v
为容积效率，ρ
r
为制冷剂密度，n
comp
为压缩机转速，v
d
为压缩机排量，h
c，o
为压缩机出口比焓值，h
c，i
为压缩机进口比焓值，h
is，o
为压缩机出口等熵比焓值，η
is
为等熵效率。
[0147]
2)对于膨胀阀，由于膨胀阀中的膨胀过程可看作是绝热过程，故其动态过程中，通过膨胀阀制冷剂质量流量与其膨胀阀压降δp的关系由下式表示：
[0148][0149]
其中，c
q
为膨胀阀的流量系数，ρ
v
为通过膨胀阀的制冷剂密度，a
v
为膨胀阀的最小流通面积。
[0150]
3)根据移动边界法，蒸发器中的气体和液体制冷剂满足质量守恒定律，故对于蒸发器的两相区的长度le的变化可由下式得到：
[0151][0152]
进一步地，蒸发器中压力p
e
随时间的变化可表示为：
[0153][0154]
再根据能量守恒定律，蒸发器壁面温度的变化可以表示为：
[0155][0156]
其中，ρ
le
是蒸发器中液体制冷剂的密度，h
lge
为蒸发器中制冷剂的气化潜热，a
e
为蒸发器的扁管微通道总的截面积，为蒸发器两相区的平均空隙率h
ge
，h
le
和h
ie
分别表示在当前压力下蒸发器中气体，液体以及进口的制冷剂的比焓值，a
ie
是两相区中蒸发器内壁与制冷剂间的换热系数，d
ie
是蒸发器扁管内部的直径，t
we
为蒸发器壁面温度，t
re
是蒸发器当前压力下制冷剂的饱和温度，l
e
是蒸发器扁管的总长度，cp和m分别表示蒸发器材料的比热和蒸发器的质量。a
o
是空气与蒸发器壁面间的换热系数。a
oe
为蒸发器的迎风面积，t
ae
是当前蒸发器周围空气的温度，该变量与通风风门开启与关闭状态有关联，其变化表示为：
[0157][0158]
其中，t
a
为乘员舱温度，t
ac
为乘员舱外界环境温度。
[0159]
4)对于冷凝器，其换热原理与蒸发器相似，故有：
[0160]
[0161][0162][0163]
为简化模型，假定空调系统制冷剂在整个制冷循环管路中没有泄露，则系统中总的制冷剂的质量保持不变，所以蒸发器和冷凝器中制冷剂总的质量可以视为常数，故有：
[0164][0165]
其中，ρ
lc
是冷凝器中液体制冷剂的密度，h
lgc
为冷凝器中制冷剂的气化潜热，a
c
为冷凝器的扁管微通道总的截面积，为冷凝器两相区的平均空隙率。h
gc
,h
lc
和h
ic
分别表示在当前压力下冷凝器中气体，液体以及进口制冷剂的比焓值，a
ic
是两相区中冷凝器内壁与制冷剂间的换热系数，d
ic
冷凝器扁管内部的直径，t
wc
为冷凝器壁面温度，t
rc
是冷凝器当前压力下制冷剂的饱和温度，l
c
是冷凝器扁管的总长度，(c
p
m)
wc
分别表示冷凝器材料的比热和质量。a
oc
是空气与冷凝器壁面间的换热系数，a
oc
为冷凝器的迎风面积，t
ac
是当前冷凝器周围空气的温度，即环境温度，∑表示常数。
[0166]
此外，冷凝器空气侧换热系数a
oc
主要由外部风速影响，在汽车行驶中，冷凝器外部风速主要由车速影响，故a
oc
与车速的关系可以由实验拟合出，表示为：
[0167]
a
oc
＝f
p2
(v
car
)
[0168]
在本设计中，车速v
car
主要由驾驶员决定，而非空调系统控制器调节，因此在空调系统控制中，车速看作为为扰动输入。为了验证模型的适用性，本发明均采用wltc循环工况进行仿真。wltc循环工况如图3所示，包括低速循环、中速循环、高速循环和超高速循环工况四部分，能够较好的代表汽车不同车速阶段。
[0169]
s12：建立简化的一维乘员舱系统动态热模型，并与空调系统模型耦合：
[0170]
如图4所示，为乘员舱与外界空气以及舱内空气的换热示意图。
[0171]
具体地，汽车乘员舱的总热负荷表示为：
[0172][0173]
在行车期间，车舱与外界对流换热量主要受车速v
car
和环境温度t
ac
影响，并且这两个变量是不受控制器控制的输入扰动。在换热模型中，可以由下式计算:
[0174][0175]
其中t
s
为乘员舱外围的结构的温度，基于能量守恒定律，外围结构的温度的动态变化可由下式表达:
[0176][0177]
进一步地，由能量守恒定律可知，乘员舱的空气温度动态变化可表示为：
[0178][0179]
其中，为车身表面结构的换热，为太阳辐射热负荷，为通风引起
的热负荷，为人体热负荷，为机械和仪表热负荷，t
cab
为汽车车舱的温度，为单位时间空调系统传入客舱的制冷量，m
a
为汽车车舱体积范围内的空气质量，cp
a
为空气比热。h
o
是外部车舱外围结构外侧与空气侧的换热系数，主要由车速决定。s汽车车舱外表面结构的总的表面积。h
i
为汽车车舱内表面与空气的换热系数，m
s
和c
ps
分别是车舱外围封闭结构的质量和比热。
[0180]
通过以上数学模型，乘员舱和空调系统的耦合动态模型便建立了。模型中的状态变量可表示为：
[0181]
x＝[l
e p
e t
we p
c t
wc t
s t
a
]
t
[0182]
s2：建立基于乘员舱的病毒感染风险评估模型，具体包括：
[0183]
s21：建立如图5所示的乘员舱病毒感染风险评价模型：
[0184]
乘员舱是一个狭窄的室内环境，它是病毒传播的较为理想的场所。针对控制车内空气中病毒载体quanta浓度以降低病毒感染风险的问题，建立了风险评估模型来量化空气传播感染风险：
[0185][0186]
上式中，r为人员感染的风险率，ir为易感染者的吸气速率，t为易感染者的暴露时长，c
q
为病毒载体quanta的体积浓度，其计算由下式表示：
[0187][0188]
其中，v为乘员舱体积，er
q
为感染者的病毒载体quanta发射速率，是导致病毒感染率上升的主要原因，在感染者打喷嚏时其作用尤为明显。r
d
为感染者呼出的气溶胶颗粒物沉积速率，r
i
为病毒灭活率，aer为乘员舱换气率，该值在通风风门开启时与蒸发器风扇转速n
fan
成正比，在通风风门关闭时为0。
[0189]
对于病毒感染风险评估模型中所涉及到的参数，如表1所示。
[0190]
表1病毒感染风险评估模型参数
[0191][0192]
s3：基于汽车空调系统-乘员舱耦合模型建立与之匹配的模型预测控制器，具体包括：
[0193]
s31：建立模型预测控制中的状态估计器。
[0194]
根据所建立的汽车空调和乘员舱模型，在线性化处理后，其系统可由以下状态空间式表达：
[0195]
x(k+i|k)＝ax(k+i-1|k)+b
u
u(k+i-1|k)+b
v
v(k+i-1|k)
[0196]
y(k+i|k)＝cx(k+i-1|k)
[0197]
上式中，x为状态变量矩阵。u和v分别表示控制变量矩阵和扰动输入矩阵，分别为：
[0198]
u＝[n
comp n
fan
]
t
[0199]
v＝[v
car t
ambient p
solar
]
t
[0200]
对于状态估计器的输出变量y，表示为：
[0201]
y＝[t
a t
we
]
t
[0202]
对于mpc控制参数，其调节参数如下表2所示：
[0203]
表2 mpc控制参数
[0204][0205]
s32：建立模型预测控制器的优化器。
[0206]
mpc控制器中的优化器包含了寻优算法，通过寻找代价函数最小值来求解目标函数的最优解。优化器的主要作用是在寻找一组最优解来满足控制精确的同时，尽可能的降低控制代价。
[0207]
首先，总的代价函数由以下式子表示：
[0208]
j(z
k
)＝j
y
(z
k
)+j
u
(z
k
)+j
δu
(z
k
)
[0209]
其中，j
y
,j
u
,j
δu
分别控制温度的追踪误差的代价函数，控制量大小的代价函数以及控制量变化大小的代价函数。对于当前时刻k，若控制时域为c，那么三个代价函数可以分别由以下式子表示：
[0210][0211][0212][0213]
其中,i表示时间顺序的计算步长，且有i∈[1,c]；i,c∈n；n
y
，n
u
分别表示控制输出和控制输出入的数量。分别表示y,u,δu的第j个控制输出在第i个时间步长下的权值。z
k
表示对上述目标函数的正二次规划的决策输出序列，二次规划优化的目标函数和约束条件由以下形式表示：
[0214]
min j(z
k
)
[0215]
s.t.0≤n
comp
≤6000r/min
[0216]
0≤n
fan
≤3000r/min
[0217]
0≤t
we
≤10℃
[0218]
通过求解二次规划，在控制时域为c时，可以得到z
k
的值，其值形式为：
[0219]
[0220]
为了保证实时控制的精确性，在矩阵z
k
中，只有第一个元素作为mpc控制器实际的输出。
[0221]
s4：结合病毒风险感染评估模型，建立完整的针对乘员舱内驾驶员与乘客的舒适与健康的空调系统控制器，具体包括：
[0222]
s41：设置打喷嚏时的最佳通风逻辑：
[0223]
当汽车检测到乘员舱内的喷嚏信号时，空调系统应立即开启通风风门进行外循环通风，尽可能快速的将打喷嚏所携带的病毒排出乘员舱，保证低感染风险。然而长时间开启外循环来降低感染风险会大大增加空调系统能耗。需要合理的寻找最佳的通风时间和通风风量，找到能耗和低感染风险的平衡点。为此，设计了10s、20s、30s、
…
200s等20个不同的持续时间范围，以及80～560cmh(最大风机风量)9个不同的风量范围，找出最佳的通风逻辑，表示如下：
[0224]
fafr(9
×
1)＝[80 140 200...560]，t
s，v
(1
×
20)＝[10 20 30...200]
t
[0225]
其中，fafr为新风率，t
s，v
为开启外循环通风持续时长。对于上式中180个组合，其控制的代价函数由mpc控制器进行计算并且得出最优解。代价函数表示如下：
[0226]
cost
s，e
＝f
mpc，s1
(fafr，t
s，v
)
[0227]
cost
s，ec
＝f
mpc，s2
(fafr，t
s，v
)
[0228]
cost
s，r
＝f
mpc，s3
(fafr，t
s，v
)
[0229]
cost
s，cq
＝f
mpc，s4
(fafr，t
s，v
)
[0230]
其中，cost
s，e
为控制的乘员舱温度与目标温度误差的成本，cost
s，ec
为空调系统能耗成本，cost
s，r
为感染风险成本，cost
s，cq
为乘员舱残余的病毒载体quanta浓度成本。f
mpc，s1
至f
mpc，s4
分别为在不同新风率和外循环通风时长下的成本函数。为了便于权衡不同成本，进行归一化处理，表示如下：
[0231][0232]
最终，将归一化后的不同成本加权和，得到最小化优化目标：
[0233]
cost
′
totel
＝cost
′
e
+cost
′
ec
+cost
′
r
+cost
′
cq
[0234][0235]
利用图3所示的wltc循环工况进行仿真求解最小优化目标，最终求解得出最佳通风逻辑为：
[0236]
[fafr
*
，t
s，v*
]
t
＝[560，100]
t
[0237]
即在检测到打喷嚏信号时，应立即打开通风风门并持续100s，控制风扇转速使新风率达到560cmh。
[0238]
s42：设置正常呼吸循环时最佳通风逻辑：
[0239]
感染者在正常呼吸和说话的时候也会持续性地呼出少量病毒载体，同样也需进行通风逻辑的优化，以达到低能耗、低感染风险和热舒适性平衡。需要优化的循环通风逻辑的待定参数为外循环通风门开启的频率和各换气周期的持续时间。因此，为了找到合适的通风循环逻辑，对不同的通风频率和每个通风周期的持续时间进行设计。不同的通风逻辑参数可表达为一个矩阵，如下：
[0240]
l
cycle
＝[f
c，v t
c，v
]
[0241]
其中，t
c，v
为单次开启外循环通风风门持续时长，f
c，v
为开启频率(次/小时)，分别表示为：
[0242]
f
c，v
(1
×
14)＝[2 4 6...28 30]
t
，t
c，v
(8
×
1)＝[40 60 80...160 180]
[0243]
代价函数表示如下：
[0244]
cost
c，e
＝f
mpc，c1
(f
c，v
，t
c，v
)
[0245]
cost
c，ec
＝f
mpc，c2
(f
c，v
，t
c，v
)
[0246]
cost
c，r
＝f
mpc，c3
(f
c，v
，t
c，v
)
[0247]
其中，cost
c，e
为控制的乘员舱温度与目标温度误差的成本，cost
c，ec
为空调系统能耗成本，cost
c，r
为感染风险成本，f
mpc，c1
至f
mpc，c3
分别为在不同的外循环通风开启频率和外循环通风时长下的成本函数。经过与s41步骤相同的成本函数归一化处理进行加权，得到优化目标：
[0248]
cost
′
c，totel
＝cost
′
c，e
+cost
′
c，ec
+cost
′
c，r
[0249][0250]
利用图3所示的wltc循环工况进行仿真求解最小优化目标，最终求解得出最佳通风逻辑为：
[0251]
[f
c，v*
，t
c，v*
]
t
＝[25，40]
t
[0252]
即在正常通风时，设置通风风门开启频率为25[次/h]，每次开启的时间持续40s。
[0253]
s43：建立如图6所示的实现乘员舱温度控制和低病毒感染的空调系统控制方法。
[0254]
根据s41和s42步骤求解计算得到的最优通风逻辑，结合s1、s2、s3步骤建立的基于乘员舱温度控制的模型预测控制器，最终可建立如图6所示的实现乘员舱温度控制和低病毒感染的空调系统控制方法。
[0255]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。