CH717533B1

CH717533B1 - Intelligent control system and method with real-time global optimization for a fuel cell bus.

Info

Publication number: CH717533B1
Application number: CH01054/20A
Authority: CH
Inventors: Hu Donghai; Wang Jing; He Hongwen; Yi Fengyan; Zhou Jiaming; Gao Jiangping; Li Zhongyan; Liu Xinlei
Original assignee: Univ Jiangsu
Priority date: 2019-10-15
Filing date: 2020-03-13
Publication date: 2022-01-14
Also published as: WO2021073036A1; CN110852482B; CN110852482A

Abstract

Die vorliegende Erfindung offenbart ein intelligentes Steuerungssystem und -verfahren mit einer globalen Echtzeit-Optimierung für einen Brennstoffzellenbus, wobei am Fahrtstartpunkt der Brennstoffzellenbus die Fahrzeugfahrkommunikationseinheit die Vorhersagemodellparameter auf die Brennstoffzellen-Fahrzeugsteuerung VCU herunterlädt; und wobei das Batteriemanagementsystem und das Berechnungsmodul der Echtzeitleistung des Antriebsmotors jeweils das Echtzeit-SOC des Batteriepacks und die Echtzeitleistung erhalten, und wobei das Modul des optimalen SOC-Vorhersagemodells den vorhergesagten Wert der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments erhält, und wobei das MPC-Vorhersagesteuerungsmodul den Leistungsreferenzwert erhält, und wobei die obigen Parameter jeweils in die Brennstoffzellensteuereinheit eingegeben werden, um den Arbeitszustand der Brennstoffzelle zu beurteilen. Im Fahrprozess lädt der Bus ständig durch die Fahrzeugfahrkommunikationseinheit die segmentierten Fahrzeugfahrbetriebszustandsinformationen hoch, nach dem Abschluss jeder Fahrt führt die Cloud-Analyse-Arbeitsstation durch die in Echtzeit hochgeladenen Fahrzeugfahrbetriebszustandsinformationen ein inkrementelles Lernen und Training durch, um das optimale SOC-Vorhersagemodell zu aktualisieren. Die vorliegende Erfindung kann den Brennstoffzellenbus in Echtzeit genau und flexibel steuern, um den Brennstoffverbrauch zu reduzieren.The present invention discloses an intelligent control system and method with real-time global optimization for a fuel cell bus, wherein at the fuel cell bus trip starting point, the vehicle driving communication unit downloads the prediction model parameters to the fuel cell vehicle controller VCU; and wherein the battery management system and the real-time engine power calculation module obtain the real-time SOC of the battery pack and the real-time power, respectively, and wherein the optimal SOC prediction model module obtains the predicted value of the optimal SOC reference trajectory of a next operating state segment, and wherein the MPC Prediction control module obtains the performance reference value, and the above parameters are respectively input to the fuel cell control unit to judge the working state of the fuel cell. In the driving process, the bus constantly uploads the segmented vehicle driving status information through the vehicle driving communication unit, after the completion of each trip, through the vehicle driving status information uploaded in real time, the cloud analysis workstation performs incremental learning and training to update the optimal SOC prediction model. The present invention can accurately and flexibly control the fuel cell bus in real time to reduce fuel consumption.

Description

Technisches Gebiettechnical field

[0001] Die vorliegende Erfindung betrifft das technische Gebiet des Energiemanagements der Fahrzeuge neuer Energie, insbesondere ein Intelligentes Steuerungssystem und - verfahren mit einer globalen Echtzeit-Optimierung für einen Brennstoffzellenbus. The present invention relates to the technical field of energy management of new energy vehicles, in particular to an intelligent control system and method with real-time global optimization for a fuel cell bus.

Stand der TechnikState of the art

[0002] Mit der ständigen Zunahme der Anzahl der Fahrzeuge in China steigt auch der Energie- und Umweltdruck der Automobilindustrie. Aufgrund der zunehmenden externen Abhängigkeit nicht erneuerbarer Energien wie Erdöl ist die Umsetzung der Energiesubstitution äußerst dringend; deshalb tritt die Wasserstoffenergie mit einem hohen Heizwert, einer reichlichen Reserve und der hervorragenden Umweltfreundlichkeit in die Sicht der Öffentlichkeit ein; von der Wasserstoffanwendung ausgehend ist das Brennstoffzellenfahrzeug zu einer der wichtigsten Forschungsrichtungen geworden, nach den Statistiken sind über 40 Autohersteller auf dem chinesischen Markt an der Produktion von Fahrzeugen mit Wasserstoffbrennstoffzellen beteiligt. Andererseits wird durch den Einsatz von öffentlichen Verkehrsmitteln auch der Druck auf die Energie und die Umwelt erheblich reduziert, aufgrund dessen ist es unerlässlich, den Einsatz von Brennstoffzellen-Elektrobussen auf dem Markt zu verbreiten. With the steady increase in the number of vehicles in China, the energy and environmental pressures of the automobile industry are also increasing. Due to the increasing external dependency on non-renewable energies such as oil, the implementation of energy substitution is extremely urgent; therefore, the hydrogen energy enters the public view with a high calorific value, an ample reserve and the excellent environmental friendliness; From the application of hydrogen, the fuel cell vehicle has become one of the major research directions, according to the statistics, over 40 automakers in the Chinese market are involved in the production of hydrogen fuel cell vehicles. On the other hand, the use of public transport also significantly reduces the pressure on energy and the environment, due to which it is imperative to spread the use of fuel cell electric buses in the market.

[0003] Das maschinelle Lernen ist ein jüngerer Zweig der Forschung der künstlichen Intelligenz und eine Wissenschaft der künstlichen Intelligenz, sein Hauptforschungsobjekt ist die künstliche Intelligenz, insbesondere die Verbesserung der Leistung spezifischer Algorithmen beim empirischen Lernen; das inkrementelle Lernen ist ein dynamisch und schrittweise aktualisierter Algorithmus, der sich darauf bezieht, dass nicht alle Wissensdatenbanken neu erstellt werden sollen, wenn neue Daten hinzugefügt werden, sondern nur auf der Grundlage der ursprünglichen Wissensdatenbank ein Trainieren für die durch die neuen Daten verursachten Aktualisierungen durchgeführt wird; das entspricht auch eher den Prinzipien des menschlichen Denkens und kann ein wiederholtes Lernen bei massiven Daten vermeiden. In tatsächlichen Datenbanken nimmt die Datenmenge häufig allmählich zu. Aufgrund dessen soll die Lernmethode angesichts neuer Daten in der Lage sein, einige Änderungen am trainierten System vorzunehmen, um das in den neuen Daten enthaltene Wissen zu erlernen, und die Zeitkosten für die Änderung eines trainierten Systems sind normalerweise niedriger als die Kosten für das erneute Trainieren eines Systems. Machine learning is a younger branch of artificial intelligence research and artificial intelligence science, its main research object is artificial intelligence, especially improving the performance of specific algorithms in empirical learning; incremental learning is a dynamic and step-by-step updating algorithm that refers to not recreating all knowledge bases when new data is added, but only training based on the original knowledge base for the updates caused by the new data will; this is also more in line with the principles of human thinking and can avoid repeated learning on massive data. In actual databases, the amount of data often increases gradually. Because of this, in the face of new data, the learning method is said to be able to make some changes to the trained system to learn the knowledge contained in the new data, and the time cost of changing a trained system is usually lower than the cost of retraining of a system.

[0004] Der Stand der Technik betrifft ein auf einem tief verstärkten Lernen basiertes Energiemanagementverfahren für Plug-in-Hybridfahrzeuge, wobei diese Erfindung über die folgenden Mängel verfügt:1) die Erfindung betrifft keine Änderung der beteiligten Regeln aufgrund von Datenänderungen, bei dem tief verstärkten Lernen handelt es sich nur darum, unter Verwendung des Falls der Verwendung von massiven Daten eine Dimensionsreduktions- und Fusionsverarbeitung durchzuführen, wenn neue Daten hinzugefügt werden, soll ein System erneut trainiert werden;2) die Erfindung betrifft keinen dynamisch und schrittweise aktualisierten Algorithmus, die Daten in der Datenbank ändern sich dynamisch, wenn neue Daten vorliegen, soll die Lernmethode in der Lage sein, bestimmte Änderungen für das trainierte System vorzunehmen, um das in den neuen Daten enthaltene Wissen zu erlernen. Der Stand der Technik betrifft weiterhin ein auf einer intelligenten Vorhersage basiertes Energiemanagementverfahren für Plug-in-Hybridfahrzeuge, wobei diese Erfindung über die folgenden Mängel verfügt:1) die Verwendung von tiefem Lernen zur Modellvorhersage hat einen größeren Einfluss auf die Aktualität und Genauigkeit der Datenbanksuche, aufgrund dessen kann der Vorhersagebereich nur kurzfristig erreicht werden; 2) wenn ein großer Unterschied zur Zielfahrroute auftritt, soll das Modell rekonstruiert werden. The prior art relates to an energy management method for plug-in hybrid vehicles based on deep-boosted learning, this invention has the following shortcomings: 1) the invention does not concern changing the rules involved due to data changes in the deep-boosted Learning is only about performing dimension reduction and fusion processing using the case of using massive data, when new data is added, a system should be retrained; 2) the invention does not concern a dynamically and stepwise updated algorithm, the data in the database change dynamically when there is new data, the learning method should be able to make certain changes for the trained system to learn the knowledge contained in the new data. The prior art further relates to an intelligent prediction-based energy management method for plug-in hybrid vehicles, this invention has the following shortcomings: 1) the use of deep learning for model prediction has a greater impact on the timeliness and accuracy of the database search, as a result, the forecast range can only be reached in the short term; 2) if there is a large difference from the target driving route, the model should be reconstructed.

[0005] Aufgrund dessen ist es zu einer relativ dringenden Untersuchungsrichtung geworden, die Änderungen der Daten bequem und wirksam widerzuspiegeln. Es ist von großer praktischer Bedeutung, ein effizientes, genaues und flexibles intelligentes Steuerungssystem und -verfahren mit einer globalen Echtzeit-Optimierung für einen Brennstoffzellenbus zu entwickeln. Because of this, it has become a relatively urgent research direction to reflect the changes in data conveniently and effectively. It is of great practical importance to develop an efficient, accurate and flexible intelligent control system and method with real-time global optimization for a fuel cell bus.

Inhalt der Erfindungcontent of the invention

[0006] Die vorliegende Erfindung stellt ein intelligentes Steuerungssystem und -verfahren mit einer globalen Echtzeit-Optimierung für einen Brennstoffzellenbus zur Verfügung, wobei während des Fahrprozesses des Brennstoffzellenbusses die Fahrzeugsteuerung in Kombination mit einem optimalen SOC-Vorhersagemodell den Arbeitszustand der Brennstoffzelle steuert, im Falle von neuen Fahrzeugfahrbetriebszustandsinformationen ein erneutes Trainieren mittels des inkrementellen Lernmodells in der Cloud-Workstation durchführt, die Modellparameter aktualisiert und diese rechtzeitig auf das VCU der Fahrzeugsteuerung herunterlädt. The present invention provides an intelligent control system and method with global real-time optimization for a fuel cell bus, wherein during the driving process of the fuel cell bus, the vehicle controller in combination with an optimal SOC prediction model controls the working state of the fuel cell in the event of new vehicle driving condition information performs retraining using the incremental learning model in the cloud workstation, updates the model parameters and timely downloads them to the VCU of the vehicle controller.

[0007] Die vorliegende Erfindung umfasst ein intelligentes Steuerungssystem mit einer globalen Echtzeit-Optimierung für einen Brennstoffzellenbus eine Fahrzeugfahrkommunikationseinheit, eine Vorhersage- und Analyseeinheit der Fahrzeugfahrbetriebszustandsinformationen, eine Brennstoffzellenfahrzeugsteuereinheit und eine Erfassungseinheit der Fahrzeugfahrbetriebszustandsinformationen, wobei die Brennstoffzellenfahrzeugsteuereinheit durch die Fahrzeugfahrkommunikationseinheit eine Signalverbindung mit der Vorhersage- und Analyseeinheit der Fahrzeugfahrbetriebszustandsinformationen bildet, und wobei die Brennstoffzellenfahrzeugsteuereinheit weiterhin eine Signalverbindung mit der Erfassungseinheit der Fahrzeugfahrbetriebszustandsinformationen bildet; und wobei die Vorhersage- und Analyseeinheit der Fahrzeugfahrbetriebszustandsinformationen die Vorhersagemodellparameter erfasst und diese auf die Brennstoffzellenfahrzeugsteuereinheit herunterlädt, um eine Aktualisierung des optimalen SOC-Vorhersagemodells durchzuführen; und wobei die Brennstoffzellenfahrzeugsteuereinheit den Arbeitszustand der Brennstoffzelle steuert. The present invention comprises an intelligent control system with global real-time optimization for a fuel cell bus, a vehicle running communication unit, a vehicle running condition information prediction and analysis unit, a fuel cell vehicle control unit and a vehicle running condition information acquisition unit, wherein the fuel cell vehicle control unit has a signal connection with the prediction and a vehicle running state information analysis unit, and wherein the fuel cell vehicle control unit further forms a signal connection with the vehicle running state information acquisition unit; and wherein the vehicle running state information prediction and analysis unit acquires the prediction model parameters and downloads them to the fuel cell vehicle control unit to perform an update of the optimal SOC prediction model; and wherein the fuel cell vehicle control unit controls the working state of the fuel cell.

[0008] In einer Ausführungsform steuert die Brennstoffzellenfahrzeugsteuereinheit basierend auf dem Leistungsreferenzwert und der Echtzeitleistung des Antriebsmotors, dem vorhergesagten Wert der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments des Fahrzeugs und dem Echtzeit-SOC-Wert des Batteriepacks den Arbeitszustand der Brennstoffzelle. In one embodiment, the fuel cell vehicle control unit controls the working state of the fuel cell based on the power reference value and the real-time power of the drive motor, the predicted value of the optimal SOC reference trajectory of a next operating state segment of the vehicle, and the real-time SOC value of the battery pack.

[0009] In einer Ausführungsform wird das Echtzeit-SOC des Batteriepacks durch das Batteriemanagementsystem BMS in Echtzeit erfasst. In one embodiment, the real-time SOC of the battery pack is detected by the battery management system BMS in real-time.

[0010] In einer Ausführungsform ist der vorhergesagte Wert der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments durch die Formel Y* = min+ f(X)(max-min) erhalten, wobei das Modul des optimalen SOC-Vorhersagemodells in der Brennstoffzellenfahrzeugsteuereinheit die Charakteristikparameter des aktuellen Betriebszustandssegments empfängt, wobei f(X) die Regressionsfunktion, max der Maximalwert der Probendaten, min der Minimalwert der Probendaten und Y* der vorhergesagte Wert der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments ist. In one embodiment, the predicted value of the optimal SOC reference trajectory of a next operating state segment is obtained by the formula Y*=min+f(X)(max-min), where the optimal SOC prediction model module in the fuel cell vehicle control unit calculates the characteristic parameters of the current operating state segment, where f(X) is the regression function, max is the maximum value of the sample data, min is the minimum value of the sample data, and Y* is the predicted value of the optimal SOC reference trajectory of a next operating state segment.

[0011] In einer Ausführungsform wird der Leistungsreferenzwert des Antriebsmotors durch das MPC-Vorhersagesteuerungsmodul in der Brennstoffzellenfahrzeugsteuereinheit in Übereinstimmung mit dem vorhergesagten Wert der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments berechnet. In one embodiment, the power reference value of the drive motor is calculated by the MPC prediction control module in the fuel cell vehicle control unit in accordance with the predicted value of the optimal SOC reference trajectory of a next operating state segment.

[0012] In einer Ausführungsform wird die Echtzeitleistung des Antriebsmotors durch ein Berechnungsmodul der Echtzeitleistung des Antriebsmotors berechnet. In one embodiment, the real-time engine power is calculated by a real-time engine power calculation module.

[0013] Gemäss der Erfindung werden die Vorhersagemodellparameter dadurch erhalten, dass die durch das Charakteristikparameter-Berechnungsmodul berechneten Charakteristikparameter ans inkrementelle Lernmodell übertragen und trainiert werden; wobei das Charakteristikparameter-Berechnungsmodul die durch das Geschwindigkeitsinformationsempfangsmodul und das dynamische Planungsmodul gesendete Fahrzeugfahrbetriebszustandsinformation und optimale SOC-Referenztrajektorie empfängt. According to the invention, the prediction model parameters are obtained by transferring the characteristic parameters calculated by the characteristic parameter calculation module to the incremental learning model and training them; wherein the characteristic parameter calculation module receives the vehicle running condition information and optimal SOC reference trajectory sent by the speed information receiving module and the dynamic planning module.

[0014] In einer Ausführungsform trainiert das inkrementelle Lernmodell die Charakteristikparameter, um ein Regressionsmodell SVM1 und einen Unterstützungsvektorsatz SV1 zu erhalten, wobei neue Fahrzeugfahrbetriebszustandsinformationen integriert werden, die mit dem Unterstützungsvektorsatz SV1 zu den neuen Daten der Probendatenbank synthetisiert werden, und wobei das Trainieren fortgesetzt wird, um ein völlig neues Regressionsmodell SVM2 und einen völlig neuen Unterstützungsvektorsatz SV2 als endgültiges Modell zu erhalten. In one embodiment, the incremental learning model trains the characteristic parameters to obtain a regression model SVM1 and a support vector set SV1, integrating new vehicle driving condition information synthesized with the support vector set SV1 into the new data of the sample database and training continues to get a completely new regression model SVM2 and a completely new support vector set SV2 as the final model.

[0015] Ein intelligentes Steuerungsverfahren mit einer globalen Echtzeit-Optimierung für einen Brennstoffzellenbus umfasst die folgenden Schritte: Schritt 1: Durchführen eines Trainings für die erhaltene Fahrzeugfahrbetriebszustandsinformation und optimale SOC-Referenztrajektorie mittels des inkrementellen Lernmodells, um die Parameter des optimalen SOC-Vorhersagemodells zu erhalten, wobei diese auf das Modul des optimalen SOC-Vorhersagemodells heruntergeladen werden, um eine Aktualisierung des optimalen SOC-Vorhersagemodells durchzuführen; Schritt 2: Eingeben der Charakteristikparameter des aktuellen Betriebszustandssegments ins Modul des optimalen SOC-Vorhersagemodells, um den vorhergesagten Wert der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments auszugeben; Schritt 3: Eingeben des vorhergesagten Werts der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments ins MPC-Vorhersagesteuerungsmodul, um den Leistungsreferenzwert des Antriebsmotors zu erhalten; Schritt 4: die Brennstoffzellensteuereinheit FCU beurteilt den SOC-Wert und die Leistung und steuert den Arbeitszustand der Brennstoffzelle; Schritt 5: die Fahrzeugsteuerung VCU beurteilt, ob der Bus eine Fahrt abgeschlossen hat, wenn die Fahrt nicht beendet ist, kehrt es zum Schritt 2 zurück und der Prozess zirkuliert; wenn die Fahrt beendet ist, lädt die Cloud-Analyse-Arbeitsstation die aktualisierten Vorhersagemodellparameter erneut in die Fahrzeugsteuerung VCU herunter, um eine Aktualisierung des optimalen SOC-Vorhersagemodells durchzuführen.An intelligent control method with global real-time optimization for a fuel cell bus includes the following steps: Step 1: Perform training for the obtained vehicle driving condition information and optimal SOC reference trajectory using the incremental learning model to obtain the parameters of the optimal SOC prediction model downloading them to the optimal SOC prediction model module to perform an optimal SOC prediction model update; Step 2: inputting the characteristic parameters of the current operating state segment into the optimal SOC prediction model module to output the predicted value of the optimal SOC reference trajectory of a next operating state segment; Step 3: inputting the predicted value of the optimal SOC reference trajectory of a next operating state segment to the MPC prediction control module to obtain the power reference value of the engine; Step 4: the fuel cell control unit FCU judges the SOC value and the output and controls the working state of the fuel cell; Step 5: the vehicle controller VCU judges whether the bus has completed a trip, if the trip is not completed, it returns to Step 2 and the process circulates; when the trip is finished, the cloud analysis workstation downloads the updated prediction model parameters again to the vehicle controller VCU to perform an update of the optimal SOC prediction model.

[0016] Bevorzugt ist der Schritt 4 insbesondere wie folgt: Beurteilen, ob der Echtzeit-SOC-Wert des Batteriepacks größer als der Maximalwert SOCmaxdes vorhergesagten Werts der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments ist, wenn SOC>SOCmaxist, wird es beurteilt, ob die Echtzeitleistung P kleiner als der Leistungsreferenzwert Pminist, wenn P < Pminist, wird die Brennstoffzellensteuereinheit FCU ausgeschaltet, und der Ladevorgang wird gestoppt; wenn P≥Pminist, wird es weiter beurteilt, ob die Echtzeitleistung P größer als der Leistungsreferenzwert Pmaxist, wenn P > Pmaxist, fängt die Brennstoffzellensteuereinheit FCU mit der Arbeit an, wenn Pmin≤P≤Pmaxist, bleibt der Zustand der Brennstoffzellensteuereinheit FCU unverändert; wenn SOC < SOCminoder SOCmin≤SOC≤SOCmax. und P > Pmaxist, ermöglicht die Brennstoffzellensteuereinheit FCU ein Ausschalten und Entladen des Brennstoffzellenstapels, sonst bleibt der Zustand unverändert. In particular, step 4 is preferably as follows: judging whether the real-time SOC value of the battery pack is greater than the maximum value SOCmax of the predicted value of the optimal SOC reference trajectory of a next operating state segment, if SOC>SOCmaxist, it is judged whether the real-time power P is smaller than the power reference value Pmin, if P < Pmin, the fuel cell control unit FCU is turned off and charging is stopped; if P≥Pmin, it is further judged whether the real-time power P is greater than the power reference value Pmax, if P>Pmax, the fuel cell control unit FCU starts working, if Pmin≤P≤Pmax, the state of the fuel cell control unit FCU remains unchanged; if SOC < SOCminor SOCmin≤SOC≤SOCmax. and P > Pmaxist, the fuel cell control unit FCU enables the fuel cell stack to be switched off and discharged, otherwise the state remains unchanged.

[0017] Die vorliegende Erfindung hat folgende Vorteile: 1) Vermeiden eines wiederholten Lernens bei massiven Daten. Beim Hinzufügen neuer Daten besteht kein Bedarf, alle Wissensdatenbanken neu zu erstellen, sondern wird auf der Grundlage des ursprünglichen Modells nur ein Training für die durch die neuen Daten verursachten Aktualisierungen durchgeführt. 2) Sparen des Cloud-Speicherplatzes und Reduzieren der Kosten. Aufgrund der Verwendung von inkrementellem Lernen können die ursprünglichen Trainingsdaten nach Abschluss des Trainings gelöscht werden, um eine Datenansammlung zu vermeiden und eine Kosteneinsparung zu erzielen. 3) Ständiges Verbessern der Betriebszustandsanpassungsfähigkeit. Nach dem Abschluss einer Fahrt des Fahrzeugs führt das Cloud ein inkrementelles Training für die neuen Daten durch und lädt das trainierte Modell ins Fahrzeug herunter, so dass die Betriebszustandsanpassungsfähigkeit des Fahrzeugs an derselben Pendelstrecke ständig verbessert wird.The present invention has the following advantages: 1) Avoiding repeated learning on massive data. When adding new data, there is no need to rebuild all knowledge bases, only training for the updates caused by the new data is performed based on the original model. 2) Saving cloud storage space and reducing costs. Due to the use of incremental learning, the original training data can be deleted after the training is completed to avoid data accumulation and achieve cost savings. 3) Constantly improve the operating condition adaptability. After the vehicle completes a trip, the cloud performs incremental training on the new data and downloads the trained model to the vehicle, continuously improving the vehicle's operating state adaptability over the same commute.

Kurze Beschreibung der ZeichnungenBrief description of the drawings

[0018] Figur 1 zeigt eine Strukturansicht eines intelligenten Steuerungssystems mit einer globalen Echtzeit-Optimierung für einen Brennstoffzellenbus gemäß einer Ausführungsform der vorliegenden Erfindung. Figur 2 zeigt eine schematische Strukturansicht eines Brennstoffzellenbusses gemäß einer Ausführungsform der vorliegenden Erfindung. Figur 3 zeigt ein schematisches Diagramm des Steuerprinzips für den gesamten Fahrzeugbrennstoffzellenbus gemäß einer Ausführungsform der vorliegenden Erfindung. Figur 4 zeigt ein schematisches Diagramm des Generierungsprinzips eines optimalen SOC-Vorhersagemodells gemäß einer Ausführungsform der vorliegenden Erfindung. Figur 5 zeigt eine Strukturansicht eines auf einer Unterstützungsvektormaschine basierten inkrementellen Lernmodells gemäß einer Ausführungsform der vorliegenden Erfindung. Figur 6 zeigt ein Arbeitsflussdiagramm einer intelligenten Steuerung mit einer globalen Echtzeit-Optimierung für einen Brennstoffzellenbus gemäß einer Ausführungsform der vorliegenden Erfindung. Figur 7 zeigt ein Fallanalysediagramm eines plötzlichen Betriebszustandes einer Ausführungsform der vorliegenden Erfindung.Figure 1 shows a structural view of an intelligent control system with global real-time optimization for a fuel cell bus according to an embodiment of the present invention. FIG. 2 shows a schematic structural view of a fuel cell bus according to an embodiment of the present invention. Figure 3 shows a schematic diagram of the control principle for the entire vehicle fuel cell bus according to an embodiment of the present invention. FIG. 4 shows a schematic diagram of the generation principle of an optimal SOC prediction model according to an embodiment of the present invention. FIG. 5 shows a structural view of a support vector machine-based incremental learning model according to an embodiment of the present invention. FIG. 6 shows a workflow diagram of an intelligent controller with global real-time optimization for a fuel cell bus according to an embodiment of the present invention. Figure 7 shows a case analysis diagram of a sudden operating condition of an embodiment of the present invention.

BezugszeichenlisteReference List

[0019] 1 Brennstoffzellenbus 2 Fahrzeugsteuerung VCU 3 Drahtloses Kommunikationssystem 4 Satellit 5 Basisstation 6 Drahtgebundenes Kommunikationssystem 7 Cloud-Analyse-Arbeitsstation 8 Inkrementelles Lernmodell 9 Modul des optimalen SOC-Vorhersagemodells 10 MPC-Vorhersagesteuerungsmodul 11 Brennstoffzellensteuereinheit FCU 12 Brennstoffzellen-Wasserstoffspeichertank 13 Brennstoffzellenstapel 14 Geschwindigkeitssensor 15 Beschleunigungssensor 16 Berechnungsmodul der Echtzeitleistung des Antriebsmotors 17 Motorsteuerung MCU 18 Antriebsmotor 19 Batteriemanagementsystem BMS 20 Geschwindigkeitsinformationsempfangsmodul 21 Dynamisches Planungsmodul 22 Charakteristikparameter-Berechnungsmodul 1 Fuel cell bus 2 Vehicle controller VCU 3 Wireless communication system 4 Satellite 5 Base station 6 Wire communication system 7 Cloud analysis workstation 8 Incremental learning model 9 Optimal SOC prediction model module 10 MPC prediction control module 11 Fuel cell control unit FCU 12 Fuel cell hydrogen storage tank 13 Fuel cell stack 14 Speed sensor 15 Acceleration sensor 16 Drive motor real-time power calculation module 17 Motor controller MCU 18 Drive motor 19 Battery management system BMS 20 Speed information receiving module 21 Dynamic planning module 22 Characteristic parameter calculation module

Ausführliche AusführungsformenDetailed Embodiments

[0020] Im Zusammenhang mit Figuren werden die Struktur und das Arbeitsprinzip eines intelligenten Steuerungssystems und -verfahrens mit einer globalen Echtzeit-Optimierung für einen Brennstoffzellenbus gemäß der vorliegenden Erfindung im Folgenden näher erläutert. In connection with figures, the structure and the working principle of an intelligent control system and method with global real-time optimization for a fuel cell bus according to the present invention are explained in more detail below.

[0021] Wie in Figuren 1 und 2 dargestellt, ein intelligentes Steuerungssystem mit einer globalen Echtzeit-Optimierung für einen Brennstoffzellenbus gemäß einer Ausführungsform der vorliegenden Erfindung, umfassend eine Fahrzeugfahrkommunikationseinheit, eine Vorhersage- und Analyseeinheit der Fahrzeugfahrbetriebszustandsinformationen, eine Brennstoffzellenfahrzeugsteuereinheit und eine Erfassungseinheit der Fahrzeugfahrbetriebszustandsinformationen. Die Fahrzeugfahrkommunikationseinheit umfasst ein drahtloses Kommunikationssystem 3, einen Satelliten 4, eine Basisstation 5 und ein drahtgebundenes Kommunikationssystem 6, wobei die Vorhersage- und Analyseeinheit der Fahrzeugfahrbetriebszustandsinformationen eine Cloud-Analyse-Arbeitsstation 7 umfasst, und wobei die Brennstoffzellenfahrzeugsteuereinheit eine Fahrzeugsteuerung VCU 2, eine Brennstoffzellensteuereinheit FCU 11, einen Brennstoffzellen-Wasserstoffspeichertank 12, einen Brennstoffzellenstapel 13, eine Motorsteuerung MCU 17 und einen Antriebsmotor 18 umfasst, und wobei der Brennstoffzellen-Wasserstoffspeichertank 12 den Brennstoff dem Brennstoffzellenstapel 13 zur Verfügung stellt; und wobei die Erfassungseinheit der Fahrzeugfahrbetriebszustandsinformationen einen Geschwindigkeitssensor 14, einen Beschleunigungssensor 15 und ein Berechnungsmodul der Echtzeitleistung des Antriebsmotors 16 umfasst, und wobei der Geschwindigkeitssensor 14 und der Beschleunigungssensor 15 jeweils eine Signalverbindung mit der Fahrzeugsteuerung VCU 2 bilden, und wobei das Berechnungsmodul der Echtzeitleistung des Antriebsmotors 16 eine Signalverbindung mit der Brennstoffzellensteuereinheit FCU 11 und der Motorsteuerung MCU 17 bildet. As shown in Figures 1 and 2, an intelligent control system with global real-time optimization for a fuel cell bus according to an embodiment of the present invention, comprising a vehicle running communication unit, a vehicle running state information prediction and analysis unit, a fuel cell vehicle control unit and a vehicle running state information acquisition unit. The vehicle driving communication unit comprises a wireless communication system 3, a satellite 4, a base station 5 and a wired communication system 6, wherein the vehicle driving condition information prediction and analysis unit comprises a cloud analysis workstation 7, and the fuel cell vehicle control unit comprises a vehicle controller VCU 2, a fuel cell control unit FCU 11, a fuel cell hydrogen storage tank 12, a fuel cell stack 13, a motor controller MCU 17 and a drive motor 18, and wherein the fuel cell hydrogen storage tank 12 provides the fuel to the fuel cell stack 13; and wherein the vehicle running condition information acquisition unit comprises a speed sensor 14, an acceleration sensor 15 and a real-time drive motor power calculation module 16, and wherein the speed sensor 14 and the acceleration sensor 15 each form a signal connection with the vehicle controller VCU 2, and the real-time drive motor power calculation module 16 forms a signal connection with the fuel cell control unit FCU 11 and the engine control unit MCU 17 .

[0022] Wie in Figur 2 dargestellt, sind die Fahrzeugsteuerung VCU 2, die Brennstoffzellensteuereinheit FCU 11, der Antriebsmotor 18, die Motorsteuerung MCU 17, der Geschwindigkeitssensor 14, der Beschleunigungssensor 15, das Berechnungsmodul der Echtzeitleistung des Antriebsmotors 16, der Brennstoffzellen-Wasserstoffspeichertank 12 und der Brennstoffzellenstapel 13 jeweils am Oberteil des Brennstoffzellenbusses 1 angeordnet. As shown in Figure 2, the vehicle controller VCU 2, the fuel cell control unit FCU 11, the drive motor 18, the motor controller MCU 17, the speed sensor 14, the acceleration sensor 15, the real-time power calculation module of the drive motor 16, the fuel cell hydrogen storage tank 12 and the fuel cell stack 13 are arranged at the upper part of the fuel cell bus 1, respectively.

[0023] Während der Fahrt des Fahrzeugs ist die Fahrzeugsteuerung VCU 2 durch das drahtlose Kommunikationssystem 3 mit dem Satelliten 4 verbunden, wobei der Satellit 4 durch das drahtlose Kommunikationssystem 3 mit der Basisstation 5 verbunden ist, und wobei die Basisstation 5 durch das drahtgebundene Kommunikationssystem 6 mit der Cloud-Analyse-Arbeitsstation 7 verbunden ist; wie in Figur 4 dargestellt, sind in der Cloud-Analyse-Arbeitsstation 7 ein miteinander verbundenes Geschwindigkeitsinformationsempfangsmodul 20 und dynamisches Planungsmodul 21 angeordnet, wobei das Geschwindigkeitsinformationsempfangsmodul 20 und das dynamische Planungsmodul 21 jeweils mit dem Charakteristikparameter-Berechnungsmodul 22 verbunden sind, und wobei das Charakteristikparameter-Berechnungsmodul 22 mit dem inkrementellen Lernmodell 8 verbunden ist; am Fahrtstartpunkt lädt der Brennstoffzellenbus 1 durch das Fahrzeugfahrkommunikationssystem die Vorhersagemodellparameter auf die Fahrzeugsteuerung VCU 2 herunter, wobei in der Fahrzeugsteuerung VCU ein miteinander verbundenes optimales SOC-Vorhersagemodell 9 und MPC-Vorhersagesteuerungsmodul 10 angeordnet sind, am Ende integriert die Brennstoffzellensteuereinheit FCU 11 den Leistungsreferenzwert und die Echtzeitleistung des Antriebsmotors 18 miteinander und gibt den Betriebszustand der Brennstoffzelle aus. While the vehicle is driving, the vehicle controller VCU 2 is connected to the satellite 4 through the wireless communication system 3, the satellite 4 being connected to the base station 5 through the wireless communication system 3, and the base station 5 through the wired communication system 6 connected to the cloud analysis workstation 7; As shown in Figure 4, in the cloud analysis workstation 7, a speed information receiving module 20 and dynamic planning module 21 connected to each other are arranged, wherein the speed information receiving module 20 and the dynamic planning module 21 are respectively connected to the characteristic parameter calculation module 22, and the characteristic parameter calculation module 22 is connected to the incremental learning model 8; at the driving start point, the fuel cell bus 1 downloads the prediction model parameters to the vehicle controller VCU 2 through the vehicle driving communication system, wherein in the vehicle controller VCU an interconnected optimal SOC prediction model 9 and MPC prediction control module 10 are arranged, at the end the fuel cell control unit FCU 11 integrates the power reference value and the Real-time performance of the drive motor 18 with each other and outputs the operating state of the fuel cell.

[0024] Wie in Figur 3 dargestellt, umfasst die Fahrzeugsteuerung VCU 2 ein Modul des optimalen SOC-Vorhersagemodells 9 und ein MPC-Vorhersagesteuerungsmodul 10, die nacheinander verbunden sind; wobei das Modul des optimalen SOC-Vorhersagemodells 9 die Charakteristikparameter des aktuellen Betriebszustandssegments empfängt, um mit der Formel Y* = min + f(X)(max- min) einen vorhergesagten Wert der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments zu erhalten und diesen ans MPC-Vorhersagesteuerungsmodul 10 zu übertragen, darauf basiert ermittelt das MPC-Vorhersagesteuerungsmodul 10 den Leistungsreferenzwert des Antriebsmotors, der an die Brennstoffzellensteuereinheit FCU 11 übertragen wird. Das Batteriemanagementsystem BMS 19 detektiert den SOC-Wert des Batteriepacks in Echtzeit, wobei das Berechnungsmodul der Echtzeitleistung des Antriebsmotors 16 eine Signalverbindung mit der Motorsteuerung MCU 17 bildet, und wobei durch die Motorsteuerung MCU 17 die Drehzahl und das Drehmoment des Antriebsmotors 18 erfasst werden, um somit die Echtzeitleistung zu erhalten; und wobei die Brennstoffzellensteuereinheit FCU 11 den Leistungsreferenzwert und die Echtzeitleistung des Antriebsmotors 18, den vorhergesagten Wert der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments und den Echtzeit-SOC-Wert des Batteriepacks, um das Einschalten, Ausschalten und Aufrechterhalten der Brennstoffzelle anzusteuern. As shown in Figure 3, the vehicle controller VCU 2 comprises an optimal SOC prediction model module 9 and an MPC prediction control module 10, which are sequentially connected; wherein the module of the optimal SOC prediction model 9 receives the characteristic parameters of the current operating state segment in order to obtain a predicted value of the optimal SOC reference trajectory of a next operating state segment with the formula Y*=min+f(X)(max-min) and this ans MPC prediction control module 10 , based on this, the MPC prediction control module 10 determines the power reference value of the drive motor, which is transmitted to the fuel cell control unit FCU 11 . The battery management system BMS 19 detects the SOC value of the battery pack in real time, with the calculation module of the real-time power of the drive motor 16 forming a signal connection with the motor control MCU 17, and with the motor control MCU 17 detecting the speed and torque of the drive motor 18 in order to thus to get the real-time performance; and wherein the fuel cell control unit FCU 11 uses the power reference value and the real-time power of the drive motor 18, the predicted value of the optimal SOC reference trajectory of a next operating state segment and the real-time SOC value of the battery pack to control the turning on, turning off and maintaining of the fuel cell.

[0025] Wie in Figur 4 dargestellt, sendet das Geschwindigkeitsinformationsempfangsmodul 20 in der Cloud-Analyse-Arbeitsstation 7 die Fahrzeugfahrbetriebszustandsinformation ans dynamische Planungsmodul 21, um eine optimale SOC-Referenztrajektorie zu erhalten; wobei das Geschwindigkeitsinformationsempfangsmodul 20 und das dynamische Planungsmodul 21 dann die Fahrzeugfahrbetriebszustandsinformation und die optimale SOC-Referenztrajektorie ans Charakteristikparameter-Berechnungsmodul 22 senden, und wobei das Charakteristikparameter-Berechnungsmodul 22 die berechneten Charakteristikparameter ans inkrementelle Lernmodell 8 überträgt, um nach dem Trainieren die Vorhersagemodellparameter (einschließlich Doppelparameter α, α*, RBF-Kernfunktion, Abweichung b) zu erhalten; und wobei der Brennstoffzellenbus 1 an dem Fahrstartpunkt durch das Fahrzeugfahrkommunikationssystem die Parameter des trainierten Vorhersagemodells auf das Modul des optimalen SOC-Vorhersagemodells 9 in der Fahrzeugsteuerung VCU 2 herunterlädt; und wobei im Fahrprozess des Fahrzeugs die Fahrzeugsteuerung VCU 2 in Übereinstimmung mit den Zeitsegmenten den Betriebszustand in gleichmäßige Betriebszustandssegmente TS aufteilt und diese ans Geschwindigkeitsinformationsempfangsmodul 20 hoch lädt. Nachdem der Bus 1 jede Fahrt abgeschlossen hat, erfasst er unter Verwendung der Betriebszustandsdaten einer neuen Fahrt (einschließlich der Geschwindigkeit und der Beschleunigung) und ihrer optimalen SOC-Referenztrajektorie die Charakteristikparameter, um ein inkrementelles Lernen durchzuführen, wobei der Bus neue Vorhersagemodellparameter generiert und diese auf das Modul des optimalen SOC-Vorhersagemodells 9 herunterlädt, um das optimale SOC-Vorhersagemodell darin zu aktualisieren. As shown in Figure 4, the speed information receiving module 20 in the cloud analysis workstation 7 sends the vehicle driving condition information to the dynamic planning module 21 to obtain an optimal SOC reference trajectory; wherein the speed information receiving module 20 and the dynamic planning module 21 then send the vehicle running state information and the optimal SOC reference trajectory to the characteristic parameter calculation module 22, and wherein the characteristic parameter calculation module 22 transmits the calculated characteristic parameters to the incremental learning model 8 to obtain the prediction model parameters (including dual parameters α, α*, RBF core function, deviation b) to obtain; and wherein the fuel cell bus 1 downloads the parameters of the trained prediction model to the optimal SOC prediction model module 9 in the vehicle controller VCU 2 at the driving start point through the vehicle driving communication system; and in the running process of the vehicle, the vehicle controller VCU 2 divides the operating state into equal operating state segments TS in accordance with the time segments and uploads them to the speed information receiving module 20 . After the bus 1 completes each trip, using the operating state data of a new trip (including the speed and acceleration) and its optimal SOC reference trajectory, it acquires the characteristic parameters to perform incremental learning, with the bus generating new prediction model parameters and applying them to downloads the optimal SOC prediction model module 9 to update the optimal SOC prediction model therein.

[0026] Nachdem die Cloud-Analyse-Arbeitsstation 7 jedes Mal ein Training durch das inkrementelle Lernmodell 8 erlebte, da die inkrementelle Lerntechnologie verwendet wird, können die ursprünglichen Trainingsmuster gelöscht werden, um eine Sammlung großer Datenmenge und eine Erhöhung der Trainingslast und der Produktionskosten zu vermeiden. After the cloud analysis workstation 7 undergoes training by the incremental learning model 8 each time, since the incremental learning technology is used, the original training patterns can be deleted to result in a large amount of data collection and an increase in the training load and production costs avoid.

[0027] Wie in Figur 5 dargestellt, trainiert das inkrementelle Lernmodell 8 die Charakteristikparameter, um ein Regressionsmodell SVM1 und einen Unterstützungsvektorsatz SV1 zu erhalten, wobei neue Fahrzeugfahrbetriebszustandsinformationen integriert werden, die mit dem Unterstützungsvektorsatz SV1 zu den neuen Daten der Probendatenbank synthetisiert werden, und wobei das Trainieren fortgesetzt wird, um ein völlig neues Regressionsmodell SVM2 und einen völlig neuen Unterstützungsvektorsatz SV2 als endgültiges Modell zu erhalten. Verwenden des Charakteristikparameters des aktuellen Betriebszustandssegments als die Eingabe des inkrementellen Lernmodells und Verwenden des Charakteristikparameters der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments als die Ausgabe des Modells, wobei unter Verwendung einer großen Menge an den Eingaben und Ausgaben das inkrementelle Lernmodell trainiert wird, um eine Abbildungsbeziehung zwischen den Charakteristikparametern des aktuellen Betriebszustandssegments und den Charakteristikparametern der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments zu bilden, wodurch eine Schätzung und Vorhersage für die Charakteristikparameter der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments realisiert werden. Die optimale SOC-Referenztrajektorie eines nächsten Betriebszustandssegments Yi+1kann wie folgt ausgedrückt werden: As shown in Figure 5, the incremental learning model 8 trains the characteristic parameters to obtain a regression model SVM1 and a support vector set SV1, integrating new vehicle driving condition information synthesized with the support vector set SV1 into the new data of the sample database, and where training is continued to obtain a completely new regression model SVM2 and a completely new support vector set SV2 as final model. Using the characteristic parameter of the current operating state segment as the input of the incremental learning model and using the characteristic parameter of the optimal SOC reference trajectory of a next operating state segment as the output of the model, using a large amount of the inputs and outputs, the incremental learning model is trained to form a mapping relationship between the characteristic parameters of the current operating state segment and the characteristic parameters of the optimal SOC reference trajectory of a next operating state segment, thereby realizing an estimation and prediction for the characteristic parameters of the optimal SOC reference trajectory of a next operating state segment. The optimal SOC reference trajectory of a next operating state segment Yi+1 can be expressed as follows:

[0028] Die Parameter in der obigen Formel repräsentieren jeweils mehrere Merkmale der optimalen SOC-Referenztrajektorie des Betriebszustandssegments: maximalen SOC-Wert, minimalen SOC-Wert, SOC-Standardabweichung, maximale SOC-Änderungsrate und durchschnittliches SOC. SOCmax= max:SOCj(2) SOCmin= min:SOCj(3) Kmax= max: Kj(7) The parameters in the above formula each represent several features of the optimal SOC reference trajectory of the operating state segment: maximum SOC value, minimum SOC value, SOC standard deviation, maximum SOC rate of change and average SOC. SOCmax= max:SOCj(2) SOCmin= min:SOCj(3) Kmax= max: Kj(7)

[0029] Dabei steht n für die Anzahl der Datenpunkte in dem Betriebszustandssegment, Δt für das Datenpunktzeitintervall und K für die SOC-Änderungsrate, j = 1,2, ..., n, . Where n stands for the number of data points in the operating state segment, Δt for the data point time interval and K for the SOC change rate, j=1.2,...,n,.

[0030] Um die Vorhersage der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments zu realisieren, werden die Charakteristikparameter des aktuellen Betriebszustandssegments wie folgt aufgezeichnet: In order to realize the prediction of the optimal SOC reference trajectory of a next operating state segment, the characteristic parameters of the current operating state segment are recorded as follows:

[0031] Die Parameter in der obigen Formel repräsentieren jeweils die Fahrzeugfahrbetriebszustandsinformationen des aktuellen Betriebszustandssegments: maximale Geschwindigkeit, minimale Geschwindigkeit, maximale Beschleunigung, minimale Beschleunigung und Durchschnittsgeschwindigkeit. Vmax= max: Vj(9) amax= max: aj(11) amin= min: aj(12) The parameters in the above formula each represent the vehicle running condition information of the current running condition segment: maximum speed, minimum speed, maximum acceleration, minimum acceleration and average speed. Vmax= max: Vj(9) amax= max: aj(11) amin= min: aj(12)

[0032] Dabei steht V für die Geschwindigkeit des Hrennstottzellenbusses 1 und a für die Beschleunigung des Brennstoffzellenbusses 1. Here V stands for the speed of the Hrennstott cell bus 1 and a for the acceleration of the fuel cell bus 1.

[0033] Vor dem Training des inkrementellen Lernens soll das dynamische Planungsmodul 21 verwendet werden, um die Straßenspektruminformationen des Fahrzeugs zu berechnen und somit die optimale SOC-Referenztrajektorie zu erhalten. Die dynamische Planung umfasst hauptsächlich die rekursive Methode und die inverse Methode, bei der rekursiven Methode wird von der ersten Stufe an eine Rekursion von vorne nach hinten mittels einer Zustandsübergangsgleichung durchgeführt, dabei ist das Prinzip wie folgt: Before training the incremental learning, the dynamic planning module 21 shall be used to calculate the road spectrum information of the vehicle and thus obtain the optimal SOC reference trajectory. The dynamic planning mainly includes the recursive method and the inverse method, in the recursive method, from the first stage, a front-to-back recursion is carried out by means of a state transition equation, the principle is as follows:

[0034] Dabei steht k für die Stufennummer, Skfür die Zustandsvariable, ukfür die Steuervariable, rkfür die Stufenindexfunktion, fkfür die optimale Indexfunktion und Tk für die Zustandsübergangsfunktion. Here, k stands for the stage number, Sk for the state variable, uk for the control variable, rk for the stage index function, fk for the optimal index function and Tk for the state transition function.

[0035] Unter Verwendung von Leistungsbatterie-SOC als Zustandsvariable wird die gesamte Schrittlänge in Stufen mit einer Anzahl von m und einer Schrittlänge von 1 s unterteilt. Die Stufenindexfunktion rk ist der Energieverbrauch der k-ten Stufe, der wie folgt berechnet wird: Using power battery SOC as a state variable, the total stride length is divided into steps of m number and 1 s step length. The stage index function rk is the energy consumption of the kth stage, calculated as follows:

[0036] Dabei steht f(Pfc) für den Energieverbrauch der Brennstoffzelle bei einer Ausgangsleistung Pfc; wobei für den äquivalenten Energieverbrauch der Leistungsbatterie steht; und wobei Z die dynamische Arbeitseffizienz der Brennstoffzelle, des DC-DC-Wandlers und der Leistungsbatterie enthält, die durch Experimente oder ein Modell der Ersatzschaltungen berechnet werden kann. where f(Pfc) stands for the energy consumption of the fuel cell at an output power Pfc; where is the equivalent energy consumption of the power battery; and where Z includes the dynamic working efficiency of the fuel cell, the DC-DC converter and the power battery, which can be calculated by experiments or a model of the equivalent circuits.

[0037] Die Zustandsübergangsgleichung von der k-ten Stufe zur k+1-Stufe lautet: The state transition equation from the kth stage to the k+1 stage is:

[0038] Dabei steht Pb_kfür die Ausgangsleistung der Leistungsbatterie, Ubfür die Busspannung und Cbfür die Leistungsbatteriekapazität. Der Steuerparameter ist die Ausgangsleistung Pfc_kder Brennstoffzelle in der k-ten Stufe, und die Einschränkungen der Zustandsvariablen und Steuervariablen sind: Pb_k stands for the output power of the power battery, Ub for the bus voltage and Cb for the power battery capacity. The control parameter is the output power Pfc_k of the fuel cell in the kth stage, and the constraints of the state variables and control variables are:

[0039] Dabei steht Pfc_maxfür die maximale Ausgangsleistung der Brennstoffzelle, und Pb_minund Pb max stehen für die die maximale Lade- und Entladeleistung der Leistungsbatterie; das Optimierungsziel liegt darin, die optimale Steuervariable Pfc_kwährend des gesamten Fahrzyklus zu finden, so dass der Energieverbrauch J minimal ist: Here, Pfc_max represents the maximum output power of the fuel cell, and Pb_min and Pb_max represent the maximum charge and discharge power of the power battery; the optimization goal is to find the optimal control variable Pfc_k throughout the driving cycle such that the energy consumption J is minimal:

[0040] Die Zustandsvariable SOC wird in dem Bereich von SOCminund SOCmaxin Übereinstimmung mit einer bestimmten Schrittlänge in N Knoten unterteilt, und jeder Knoten speichert die optimale Trajektorie, mit der der Knoten erreicht wird. Der Berechnungsprozess des Knotens i im k-ten Schritt ist wie folgt: zuerst Herausfinden aller Knoten, die im k-1-ten Schritt unter Einschränkungen auf den Knoten i übertragen werden können, und Berechnen des kumulativen Energieverbrauchs fkdieser Zustandsübergänge, so dass der minimale Zustandsübergang die optimale Strategie ist, mit der der k-te Schritt den Knoten i durchläuft. Rekursion zum Endpunkt des Zyklus, Herausfinden des Knotens mit minimalen fk, wobei die optimale SOC-Referenztrajektorie durch die vom Knoten gespeicherten Trajektorieninformationen herausgefunden werden kann. The state variable SOC is divided into N nodes in the range of SOCmin and SOCmax in accordance with a certain step length, and each node stores the optimal trajectory with which the node is reached. The calculation process of node i in the kth step is as follows: first find out all the nodes that can be transferred to node i in the k-1th step under constraints and calculate the cumulative energy consumption fk of these state transitions such that the minimum state transition is the optimal strategy with which the kth step traverses node i. Recursion to the endpoint of the cycle, finding the node with minimum fk, where the optimal SOC reference trajectory can be found out through the trajectory information stored by the node.

[0041] Verwenden des Charakteristikparameters des aktuellen Betriebszustandssegments X, als die Eingabe des inkrementellen Lernmodells und Verwenden der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments Yi+1als die Ausgabe des inkrementellen Lernmodells. Um den Netzwerkvorhersagefehler zu verringern, der durch einen relativ großen Größenordnungsunterschied zwischen den Eingabedaten verursacht wird, werden die Eingabedaten normalisiert und der Wertebereich der normalisierten Daten beträgt [0,1]. Mit dem Dispersionsstandardisierungsverfahren wird die Normalisierung durchgeführt, wobei die Umrechnungsformel wie folgt ist: Using the characteristic parameter of the current operating state segment X as the input of the incremental learning model and using the optimal SOC reference trajectory of a next operating state segment Yi+1 as the output of the incremental learning model. In order to reduce the network prediction error caused by a relatively large difference in magnitude between the input data, the input data is normalized and the range of values of the normalized data is [0,1]. With the dispersion standardization method, the normalization is performed, the conversion formula is as follows:

[0042] Dabei steht max für den Maximalwert der Probendaten, min für den Minimalwert der Probendaten, X für die ursprünglichen Trainingsdaten (einschließlich einer großen Anzahl an Charakteristikparametern des aktuellen Betriebszustandssegments Xi) und X* für die normalisierten Daten. Here, max stands for the maximum value of the sample data, min for the minimum value of the sample data, X for the original training data (including a large number of characteristic parameters of the current operating state segment Xi), and X* for the normalized data.

[0043] Nach der Verwendung des SVM-Modells zur Vorhersage der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments ist es auch erforderlich, die Vorhersageergebnisse mit der Gleichung (3) zu denormalisieren, so dass die vorhergesagten Daten dem tatsächlichen Bereich und der tatsächlichen Bedeutung entsprechen. Entsprechend ist der Ausdruck der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments wie folgt: After using the SVM model to predict the optimal SOC reference trajectory of a next operating state segment, it is also necessary to denormalize the prediction results with equation (3) so that the predicted data corresponds to the actual range and importance. Correspondingly, the expression of the optimal SOC reference trajectory of a next operating state segment is as follows:

[0044] In der Formel ist ϕ, eine nichtlineare Abbildung vom Eingaberaum zu dem Merkmalsraum auf hoher Ebene; die Gewichtung Wi und die Abweichung b werden durch die folgende Formel erhalten: In the formula, φ is a non-linear mapping from the input space to the high-level feature space; the weight Wi and the deviation b are obtained by the following formula:

[0045] In der Formel sind W={W1,W2,..,Wi, ... WN}, die Regularisierungsteile, im zweiten Punkt ist das empirische Risiko, das durch die unempfindliche Verlustfunktion Lε in der folgenden Formel gemessen wird, ε ist der maximale Fehler, der für die Regression zulässig ist; C ist der Gewichtsparameter, der zum Ausgleich der beiden verwendet wird, und wird als Regularisierungsparameter bezeichnet wird. In the formula, W={W1,W2,..,Wi,...WN}, are the regularization parts, in the second point, the empirical risk measured by the insensitive loss function Lε in the following formula is ε is the maximum error allowed for the regression; C is the weight parameter used to balance the two and is called the regularization parameter.

[0046] Um Wiund b zu erhalten, wird die Gleichung (6) durch die RBF-Kernfunktion K(Xi,Xj) umgewandelt in: To obtain Wi and b, equation (6) is transformed by the RBF kernel function K(Xi,Xj) to:

[0047] In der Formel sind α und α* die Doppelparameter. In the formula, α and α* are the dual parameters.

[0048] Aufgrund dessen ist die Regressionsfunktion in die folgende genaue Form umgewandelt: Because of this, the regression function is converted to the following precise form:

[0049] Nachdem die Vorhersageausgabe des inkrementellen Lernmodells erhalten wurde, wird der vorhergesagte Wert denormalisiert und auf den vorhergesagten Wert der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments zurückgesetzt: Y* = min + ƒ(X)(max-min) (25) After the prediction output of the incremental learning model is obtained, the predicted value is denormalized and reset to the predicted value of the optimal SOC reference trajectory of a next operating state segment: Y* = min + ƒ(X)(max-min) (25)

[0050] Siehe Figur 6, ein intelligentes Steuerungsverfahren mit einer globalen Echtzeit-Optimierung für einen Brennstoffzellenbus, umfassend die folgenden Schritte: Schritt 1: Der Geschwindigkeitssensor 14 und der Beschleunigungssensor 15 erfassen zuerst die Fahrzeugfahrbetriebszustandsinformationen des Brennstoffzellenbusses 1 und sendet diese an die Fahrzeugsteuerung VCU 2, wobei die Fahrzeugsteuerung VCU 2 diese ans Geschwindigkeitsinformationsempfangsmodul 20 sendet, und wobei das Geschwindigkeitsinformationsempfangsmodul 20 diese ans dynamische Planungsmodul 21 überträgt, um eine optimale SOC-Referenztrajektorie eines nächsten Betriebszustandes zu erhalten. Das Charakteristikparameter-Berechnungsmodul 22 empfängt die durch das Geschwindigkeitsinformationsempfangsmodul 20 und das dynamische Planungsmodul 21 gesendete Fahrzeugfahrbetriebszustandsinformation und optimale SOC-Referenztrajektorie eines nächsten Betriebszustandes und berechnet jeweils ihre Charakteristikparameter. Schritt 2: Durchführen eines Trainings für die erhaltene Fahrzeugfahrbetriebszustandsinformation und optimale SOC-Referenztrajektorie mittels des inkrementellen Lernmodells 8, um die Parameter des optimalen SOC-Vorhersagemodells zu erhalten und diese auf das Modul des optimalen SOC-Vorhersagemodells 9 herunterzuladen. Schritt 3: Eingeben der Charakteristikparameter des aktuellen Betriebszustandssegments ins Modul des optimalen SOC-Vorhersagemodells 9, um den vorhergesagten Wert der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments auszugeben; Schritt 4: Eingeben des vorhergesagten Werts der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments ins MPC-Vorhersagesteuerungsmodul 10 und Ausgeben der entsprechenden Drehzahl und des Drehmoments, um somit den Referenzwert für die Leistung P zu erhalten, der einen Maximalwert Pmax und einen Minimalwert Pmin enthält. Schritt 5: Das Batteriemanagementsystem BMS 19 überwacht den Echtzeit-SOC-Wert des Batteriepacks und vergleicht diesen mit den im Schritt 3 ausgegebenen vorhergesagten Wert der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments TSi+1. Schritt 6: Das Berechnungsmodul der Echtzeitleistung des Antriebsmotors 16 misst mittels der Drehzahl und des Drehmoments des Antriebsmotors 18 die Echtzeitleistung P und vergleicht diese mit dem im Schritt 4 erhaltenen Leistungsreferenzwert des Antriebsmotors. Schritt 7: gemäß einer die Leistung verfolgenden Energiesteuerstrategie beurteilt die Brennstoffzellensteuereinheit FCU 11 zusammenfassend den SOC-Wert und die Leistung, was insbesondere wie folgt ist: zuerst wird es beurteilt, ob der Echtzeit-SOC-Wert des Batteriepacks größer als der Maximalwert SOCmaxdes vorhergesagten Werts der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments ist, wenn SOC>SOCmaxist, wird es beurteilt, ob die Echtzeitleistung P kleiner als der Leistungsreferenzwert Pmin ist, wenn P<Pminist, wird die Brennstoffzellensteuereinheit FCU 11 ausgeschaltet, und der Ladevorgang wird gestoppt; wenn P≥ Pminist, wird es weiter beurteilt, ob die Echtzeitleistung größer als der Leistungsreferenzwert Pmax ist, wenn P>Pmaxist, fängt die Brennstoffzellensteuereinheit FCU 11 mit der Arbeit an, wenn Pmin≤P≤Pmaxist, bleibt der Zustand der Brennstoffzellensteuereinheit FCU 11 unverändert; wenn SOC < SOCminoder SOCmin≤SOC≤SOCmaxund P > Pmaxist, ermöglicht die Brennstoffzellensteuereinheit FCU 11 ein Ausschalten und Entladen des Brennstoffzellenstapels 13, sonst bleibt der Zustand unverändert. Schritt 8: die Fahrzeugsteuerung VCU 2 beurteilt, ob der Brennstoffzellenbus 1 den Endpunkt erreicht und eine Fahrt abgeschlossen hat, wenn die Fahrt nicht beendet ist, kehrt es zum Schritt 3 zurück und der Prozess zirkuliert; wenn die Fahrt beendet ist, schließt die Cloud-Analyse-Arbeitsstation 7 durch das inkrementelle Lernmodell 8 ein inkrementelles Lernen für die neuen Trainingsdaten ab und lädt die aktualisierten Vorhersagemodellparameter erneut ins Modul des optimalen SOC-Vorhersagemodells 9 in der Fahrzeugsteuerung VCU 2 herunter, um eine Aktualisierung des optimalen SOC-Vorhersagemodells durchzuführen.See Figure 6, an intelligent control method with a global real-time optimization for a fuel cell bus, comprising the following steps: Step 1: The speed sensor 14 and the acceleration sensor 15 first detect the vehicle driving operating status information of the fuel cell bus 1 and sends it to the vehicle controller VCU 2 , the vehicle controller VCU 2 sends it to the speed information receiving module 20, and the speed information receiving module 20 transmits it to the dynamic planning module 21 to obtain an optimal SOC reference trajectory of a next operating state. The characteristic parameter calculation module 22 receives the vehicle running state information sent by the speed information receiving module 20 and the dynamic planning module 21 and optimal SOC reference trajectory of a next running state, and calculates their characteristic parameters, respectively. Step 2: Perform training for the obtained vehicle driving condition information and optimal SOC reference trajectory by means of the incremental learning model 8 to obtain the parameters of the optimal SOC prediction model and download them to the optimal SOC prediction model module 9 . Step 3: input the characteristic parameters of the current operating state segment into the optimal SOC prediction model module 9 to output the predicted value of the optimal SOC reference trajectory of a next operating state segment; Step 4: Inputting the predicted value of the optimal SOC reference trajectory of a next operating state segment into the MPC prediction control module 10 and outputting the corresponding speed and torque, so as to obtain the reference value for the power P, which contains a maximum value Pmax and a minimum value Pmin. Step 5: The battery management system BMS 19 monitors the real-time SOC value of the battery pack and compares it with the predicted value of the optimal SOC reference trajectory of a next operating state segment TSi+1 output in step 3. Step 6: The real-time engine power calculation module 16 measures the real-time power P using the speed and torque of the engine 18 and compares it with the engine power reference value obtained in step 4. Step 7: According to a power tracking energy control strategy, the fuel cell control unit FCU 11 summarizes the SOC value and the power, which is specifically as follows: first, it is judged whether the real-time SOC value of the battery pack is greater than the maximum value SOCmax of the predicted value of the optimal SOC reference trajectory of a next operating state segment, if SOC>SOCmax, it is judged whether the real-time power P is smaller than the power reference value Pmin, if P<Pmin, the fuel cell control unit FCU 11 is turned off, and charging is stopped; if P≥ Pminist, it is further judged whether the real-time power is greater than the power reference value Pmax, if P>Pmaxist, the fuel cell control unit FCU 11 starts to work, if Pmin≤P≤Pmaxist, the state of the fuel cell control unit FCU 11 remains unchanged ; if SOC < SOCmin or SOCmin≤SOC≤SOCmax and P > Pmax, the fuel cell control unit FCU 11 allows the fuel cell stack 13 to be turned off and discharged, otherwise the state remains unchanged. Step 8: the vehicle controller VCU 2 judges whether the fuel cell bus 1 has reached the end point and completed a trip, if the trip is not completed, it returns to Step 3 and the process circulates; when the trip is over, the cloud analysis workstation 7 completes incremental learning for the new training data through the incremental learning model 8 and downloads the updated prediction model parameters again to the optimal SOC prediction model module 9 in the vehicle controller VCU 2 to obtain a update the optimal SOC prediction model.

[0051] Im Zusammenhang mit Figur 7 wird der Arbeitsfluss gemäß einer Ausführungsform der vorliegenden Erfindung im Folgenden näher erläutert: im Fahrprozess des Brennstoffzellenbusses 1 führt die Fahrzeugsteuerung VCU 2 eine Probenahme für die Fahrzeugfahrbetriebszustandsinformationen durch und teilt diese in Segmente auf, wobei am Startzeitpunkt von jedem Betriebszustandssegment eine Steuerung gestartet wird; die Charakteristikparameter des aktuellen Betriebszustandssegments werden ins Modul des optimalen SOC-Vorhersagemodells 9 eingegeben, um einen vorhergesagten Wert der optimalen SOC-Referenztrajektorie eines nächsten Betriebszustandssegments zu erhalten, der als Eingabe ans MPC-Vorhersagesteuerungsmodul 10 übertragen wird, wobei das MPC-Vorhersagesteuerungsmodul 10 einen Leistungsreferenzwert des Antriebsmotors erhält, und wobei das Modul des Batteriemanagementsystems BMS 19 den SOC-Wert des Batteriepacks des Brennstoffzellenfahrzeugs in Echtzeit überwacht, und wobei das Berechnungsmodul der Echtzeitleistung des Antriebsmotors 16 durch die Motorsteuerung MCU 17 die Drehzahl und das Drehmoment im Fahrprozess des Fahrzeugs überwacht, um somit die Echtzeitleistung des Antriebsmotors zu berechnen; der Echtzeit-SOC-Wert des Batteriepacks und die Echtzeitleistung des Antriebsmotors, die gemessen wurden, sowie der vorhergesagte Wert der optimalen SOC-Referenztrajektorie eines nächsten Segments und der Leistungsreferenzwert des Antriebsmotors, die durch das Modul des optimalen SOC-Vorhersagemodells 9 und das MPC-Vorhersagesteuerungsmodul 10 vorhergesagt und ausgegeben wurden, werden gemeinsam in die Brennstoffzellensteuereinheit FCU 11 eingegeben, wobei gemäß einer die Leistung verfolgenden Energiesteuerstrategie der Arbeitszustand der Brennstoffzelle beurteilt wird, um die Steuerung eines nächsten Betriebszustandssegments abzuschließen. Im Fahrprozess lädt der Brennstoffzellenbus 1 ständig durch das Fahrzeugfahrkommunikationssystem die Fahrzeugfahrbetriebszustandsinformationen der jeweiligen Segmente hoch, nach dem Abschluss jeder Fahrt führt die Cloud-Analyse-Arbeitsstation 7 durch die in Echtzeit hochgeladenen Fahrzeugfahrbetriebszustandsinformationen ein inkrementelles Lernen und Training durch. Wenn eine Umgestaltung der ursprünglichen Fahrroute zur Änderung der Straßenarbeitsbedingungen führt, ändern sich die hochgeladenen Fahrzeugfahrbetriebszustandsinformationen auch entsprechend. Nach dem Abschluss der Fahrt führt die Cloud-Analyse-Arbeitsstation 7 unter Verwendung des inkrementellen Lernmodells 8 ein inkrementelles Lernen und Training für die neuen Daten durch, dann werden die Modellparameter aktualisiert, und die trainierten Modellparameter werden auf die Brennstoffzellen-Fahrzeugsteuerung VCU 2 heruntergeladen. Wenn das Fahrzeug unter gleichem plötzlichem Betriebszustand erneut fährt, kann es sich an die Änderung der neuen Umgebung anpassen. The workflow according to an embodiment of the present invention is explained in more detail below in connection with FIG operating state segment a controller is started; the characteristic parameters of the current operating state segment are input to the optimal SOC prediction model module 9 to obtain a predicted value of the optimal SOC reference trajectory of a next operating state segment, which is transmitted as input to the MPC prediction control module 10, the MPC prediction control module 10 providing a performance reference value of the driving motor, and wherein the battery management system module BMS 19 monitors the SOC value of the battery pack of the fuel cell vehicle in real time, and wherein the real-time power calculation module of the driving motor 16 monitors the speed and the torque in the driving process of the vehicle by the motor controller MCU 17 in order to thus to calculate the real-time performance of the drive motor; the real-time SOC value of the battery pack and the real-time power of the traction motor that were measured, and the predicted value of the optimal SOC reference trajectory of a next segment and the power reference value of the traction motor, which were calculated by the optimal SOC prediction model module 9 and the MPC predicted and outputted by the prediction control module 10 are collectively input to the fuel cell control unit FCU 11, and according to a power tracking energy control strategy, the working state of the fuel cell is judged to complete the control of a next operating state segment. In the driving process, the fuel cell bus 1 constantly uploads the vehicle driving status information of the respective segments through the vehicle driving communication system, after the completion of each trip, the cloud analysis workstation 7 performs incremental learning and training through the vehicle driving status information uploaded in real time. If a reconfiguration of the original travel route leads to a change in road working conditions, the uploaded vehicle running condition information will also change accordingly. After completing the trip, the cloud analysis workstation 7 performs incremental learning and training on the new data using the incremental learning model 8 , then the model parameters are updated, and the trained model parameters are downloaded to the fuel cell vehicle controller VCU 2 . When the vehicle runs again under the same sudden operating condition, it can adapt to the change of the new environment.

[0052] Die obigen Reihen von detaillierten Erläuerungen beziehen sich nur auf die ausführbaren Ausführungsformen der vorliegenden Erfindung und stellen keine Beschränkung für den Schutzumfang der vorliegenden Erfindung dar, alle äquivalenten Ausführungsformen oder Änderungen, die nicht von dem Gedanken der vorliegenden Erfindung abweichen, sollen als von dem Schutzumfang der vorliegenden Erfindung gedeckt angesehen werden. The above series of detailed explanations relate only to the practicable embodiments of the present invention and do not limit the scope of the present invention, any equivalent embodiments or changes that do not depart from the gist of the present invention shall be construed as of are considered to be within the scope of the present invention.

Claims

1. Intelligent control system with global real-time optimization for a fuel cell bus, characterized in that it comprises a vehicle driving communication unit, a vehicle driving condition information prediction and analysis unit, a fuel cell vehicle control unit and a vehicle driving condition information acquisition unit, wherein the fuel cell vehicle control unit comprises a vehicle controller (2) and a fuel cell control unit (11) wherein the vehicle running communication unit enables signal connection between the fuel cell vehicle control unit and the vehicle running state information prediction and analysis unit, and signal connection between the fuel cell vehicle control unit and the vehicle running state information acquisition unit; and wherein the vehicle running state information prediction and analysis unit is configured to calculate prediction model parameters and download them to the fuel cell vehicle control unit to perform an update of an optimal SOC prediction model; and wherein the fuel cell control unit is adapted to control the working state of the fuel cell, wherein the intelligent control system is adapted to obtain the predictive model parameters by transmitting and training characteristic parameters calculated by a characteristic parameter calculation module (22) to an incremental learning model (8). will; wherein the characteristic parameter calculation module (22) receives the vehicle running condition information and optimal SOC reference trajectory sent by a speed information receiving module (20) and a dynamic planning module (21).

2. Intelligent control system with global real-time optimization for a fuel cell bus according to claim 1, characterized in that the fuel cell vehicle control unit is designed to, based on a power reference value and a real-time power of a drive motor (18), a predicted value of an optimal state of charge reference trajectory of a next operating state segment of the Fuel cell bus and a real-time state of charge value of a battery pack to control the working state of the fuel cell.

3. Intelligent control system with global real-time optimization for a fuel cell bus according to claim 2, characterized in that a battery management system (19) is designed to detect a real-time state of charge of the battery pack in real time.

4. Intelligent control system with a global real-time optimization for a fuel cell bus according to claim 2, characterized in that the predicted value of the optimal state of charge reference trajectory of the next operating state segment is defined by the formula Y* = min+ f(X)(max- min), where a module of the optimal state of charge prediction model (9) in the fuel cell vehicle control unit is designed to receive the characteristic parameters of the current operating state segment, where f(X) is the regression function, max is the maximum value of the sample data, min is the minimum value of the sample data and Y* is the predicted value of the optimal State of charge reference trajectory of a next operating state segment is.

5. Intelligent control system with global real-time optimization for a fuel cell bus according to claim 4, characterized in that a prediction control module (10) in the fuel cell vehicle control unit is adapted to calculate the power reference value of the drive motor (18) in accordance with the predicted value of the optimal state of charge reference trajectory of the to calculate the next operating state segment.

6. Intelligent control system with global real-time optimization for a fuel cell bus according to claim 1, characterized in that the incremental learning model (8) is adapted to train the characteristic parameters to obtain a regression model and a support vector set, with new vehicle driving operating status information being integrated , which are synthesized with the support vector set to the new sample database data, and training continues to obtain an entirely new regression model and an entirely new support vector set as the final model.

7. Intelligent control method with global real-time optimization for a fuel cell bus, characterized in that it comprises the following steps: Step 1: Performing training for the obtained vehicle driving condition information and optimal state of charge reference trajectory using the incremental learning model (8) to obtain the optimal state of charge prediction model parameters, downloading them to the optimal state of charge prediction model module (9) to update the optimal state of charge prediction model to carry out; Step 2: inputting the characteristic parameters of the current operating state segment into the optimal state of charge prediction model module (9) to output the predicted value of the optimal state of charge reference trajectory of a next operating state segment; Step 3: inputting the predicted value of the optimal state of charge reference trajectory of a next operating state segment into the prediction control module (10) to obtain the power reference value of the drive motor; Step 4: the fuel cell control unit (11) judges the state of charge value and the output and controls the working state of the fuel cell; Step 5: the vehicle controller (2) judges whether the fuel cell bus has completed a trip, if the trip is not completed, it returns to Step 2 and the process circulates; when the trip is finished, the cloud analysis workstation (7) downloads the updated prediction model parameters again to the vehicle controller (2) in order to update the optimal state of charge prediction model.

8. Intelligent control method with global real-time optimization for a fuel cell bus according to claim 7, characterized in that step 4 is as follows: judging whether the real-time state of charge value SOC of the battery pack is greater than the maximum value SOCmaxdes predicted value of the optimal state of charge reference trajectory of a next Operating state segment is when SOC>SOCmax, it is judged whether the real-time power P is smaller than the power reference value Pmin when P<Pmin. , the fuel cell control unit (11) is turned off and charging is stopped; if P≥Pmin, it is further judged whether the real-time power P is greater than the power reference value Pmax, if P>Pmax, the fuel cell control unit (11) starts to work, if Pmin≤P≤Pmax, the state of the fuel cell control unit (11 ) unchanged; if SOC<SOCmin or S0Cmin≤SOC≤SOCmax and P>Pmax, the fuel cell control unit (11) enables the fuel cell stack (13) to be switched off and discharged, otherwise the state remains unchanged.