CN108312870B - 一种混合动力汽车氢耗与负载变化的能源管理方法 - Google Patents
一种混合动力汽车氢耗与负载变化的能源管理方法 Download PDFInfo
- Publication number
- CN108312870B CN108312870B CN201810107809.2A CN201810107809A CN108312870B CN 108312870 B CN108312870 B CN 108312870B CN 201810107809 A CN201810107809 A CN 201810107809A CN 108312870 B CN108312870 B CN 108312870B
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- representing
- supercapacitor
- power
- fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/30—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling fuel cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/40—Application of hydrogen technology to transportation, e.g. using fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Sustainable Development (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Sustainable Energy (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Power Engineering (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Fuel Cell (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种混合动力汽车氢耗与负载变化的能源管理方法。本发明通过模型建立、模糊规则引入、能量管理控制器设计、优化等手段,建立了一个遗传算法优化的模糊能量管理控制方法,提高了燃料电池汽车的运行效率。本发明定义了一个隶属度函数及其模糊规则库,专家知识可以用来把握主要的输出规则。本发明的核心在于优化隶属度函数的参数,对输入,输出及其模糊规则库的模糊划分进行优化。由于模糊规则的结构不能直接用数学表达,因此本发明使用遗传算法来解决优化问题。
Description
技术领域
本发明属于自动化技术领域,涉及一种混合动力汽车氢耗与负载变化的能源管理方法。
背景技术
随着能源危机和环境污染的加剧,燃料电池动力汽车受到了越来越多的关注。然而,由于动态响应缓慢,负载跟随能力有限或在瞬态和波动功率需求下的氢气不足,燃料电池通常与一个或两个蓄电池或超级电容器混合。燃料电池与超级电容器的混合能够满足大的瞬时功率需求,吸收反馈能量并使燃料电池小型化。燃料电池和蓄电池或超级电容器的混合使用就必然存在两电源配比以及能量流向管理和控制,这就需要一个能量管理方案。
针对混合动力汽车中的能量管理,已经提出了很多种控制方案,如模糊逻辑控制器,模糊逻辑控制器加哈尔小波能量管理系统,启发式控制器,分布式电源管理控制器等,这些方法都是比较稳定的,可以实时使用,但是,这些控制策略的设计过程比较复杂,不适用于优化。动态规划,神经网络,遗传算法和粒子群算法都已经被用来优化能量管理系统,但是,这些方法只考虑了减少燃料或能源消耗,而没有考虑如驱动能力,排放等因素,而且大多数优化算法都过于复杂,不能够实时操作。
发明内容
本发明针对现有技术的不足,提供了一种混合动力汽车氢耗与负载变化的能源管理方法。
本发明的技术方案是通过模型建立、模糊规则引入、能量管理控制器设计、优化等手段,建立了一个遗传算法优化的模糊能量管理控制系统,提高了燃料电池汽车的运行效率。
本发明方法的步骤包括:
步骤1.设计燃料电池汽车相关模型。具体是:
1.1建立燃料电池模型
Vout=N0Ecell-Vact-Vohm
Vact=Bln(CI),Vohm=IRohm
式中,N0是串联的燃料电池的数量,B和C是计算被激活电压的常数,Rohm是燃料电池内阻,Vohm是燃料电池内部欧姆电压,I是燃料电池电流。PH2和PO2分别是氢和氧分压。T是燃料电池堆的温度,R是气体常数。λe和τe均为恒定的常数。Ecell表示能斯特电池电压,Vact表示激活电压,是每个电池单元的标准参考电位,kE是一个常系数,Edcell通过一个一阶传递函数计算。
1.2建立一个具有等效串联电阻和等效电容的功率负载超级电容模型:
式中,SOC表示超级电容器的充电状态,Vmax表示超级电容器的最大电压,v表示超级电容器的端电压,i表示超级电容器的端电流,R表示超级电容器的等效串联电阻,Ploss表示等效串联电阻的损耗功率,P表示等效串联电阻的输出功率,ηP表示等效串联电阻的功率效率,n1表示串联电容器的数量,n2表示并联超级电容器分支的数量,C1表示额定电容,R1表示等效串联电阻。C表示超级电容器的总电容,Rs表示超级电容器的总电阻。
1.3.能量管理控制的目的是最大限度地减少燃料消耗,延长电池的寿命,用数学表达式表示为:
s.t.PFC+PSC=Pdem
0<PFC≤40
0<IFC≤150
-5≤ΔPFC≤5
-30≤PSC≤30
-150≤ISC≤150
60≤VSC≤188
0.5≤SOC≤0.9
式中:ΔIj(j=1,2,...,K)表示整个驾驶过程中燃料电池的电流方差,J1表示电池的寿命,J2表示燃料消耗,K表示采集的样本个数。PFC表示为燃料电池分配的功率,PSC表示为超级电容器分配的功率,IFC表示燃料电池的电流,ΔPFC表示燃料电池功率变化大小,VSC表示燃料电池的电压。Pdem表示燃料电池和超级电容器的功率之和。mH2表示燃料电池反应中消耗的氢气量。
1.3.引入模糊逻辑控制器,根据以下模糊化方程,Pdem和SOC分别变为模糊域[0,1],[0,1].
式中,In1表示所需要的功率,Pmax表示最大功率,In2表示超级电容器的充电状态,SOCmin表示燃料电池状态最小值,SOCmax表示燃料电池状态的最大值。
1.4.使用质心去模糊化,模糊逻辑控制器的输出可以表述为:
1.5采用低通滤波器来限制燃料电池在启动,突然加速等过程中的功率输出的瞬态峰值,将燃料电池的功率输出修正为:
PFC(k)=k1PFC(k-1)+(1-k1)ufPdem
式中,k1是影响输出平滑度的时间常数。
步骤2:采用遗传算法对步骤1中的模糊规则进行优化。
2.1.初始化最大代数G,种群大小N,算子概率Pc,Pm和权重系数ω1,在搜索空间随机生成染色体。使用十进制编码的第i个染色体来描述步骤一中的模糊逻辑控制系统:
Ci=[c1,i,…,c19,i]
式中,i=1,2,…,N,N表示种群大小。
2.2.将步骤2.1公式中的元素在[min,max]之间随机初始化:
Cj,i=min+δ·(max-min)1≤j≤19
式中,δ在(0,1)之间生成。
2.3.计算每一代的性能J,构造N个模糊能量管理控制器。为了延长燃料电池的使用寿命并满足所需的驱动功率,采用加权目标法将步骤1.3中的两个目标变为一个目标。
Min J(Ci)=J1+ω1J2
式中,ω1表示影响优化结果的权重系数,通过实验确定。
2.4.将SOC不等式约束和幂等约束作为惩罚因子处理,加入到J惩罚因子,计算如下:
2.5步骤2.3中的等式可以被重写为:
2.6.使用轮盘选择法计算每个Ci被选中的概率:
2.7.以概率Pc执行交叉算子,以概率Pm实现变异算子。
Ci'=αCi+(1-α)Ci+1
Ci'+1=αCi+1+(1-α)Ci
式中,交叉位置α是随机生成的,α∈(0,1)
2.8.重复步骤2.2到2.7,直到达到最大的演化代。
本发明的有益效果:本发明将负载变化最小和燃料消耗最小相结合,以延长燃料电池的寿命。本发明提出了燃料电池电流输出的波动指数来描述燃料电池的负载变化。本发明定义了一个隶属度函数及其模糊规则库,专家知识可以用来把握主要的输出规则。本发明的核心在于优化隶属度函数的参数,对输入,输出及其模糊规则库的模糊划分进行优化。由于模糊规则的结构不能直接用数学表达,因此本发明使用遗传算法来解决优化问题。
具体实施方式
以美国环保局公路燃油经济性认证测试,新欧洲驾驶循环和EPA城市测功机驾驶时间为例来测试所提出的算法的效率,燃料电池汽车则选择一辆在美国改装的混合动力汽车的一辆大众捷达。
步骤1.设计燃料电池汽车相关模型。具体方法是:
1.1建立燃料电池模型
Vout=N0Ecell-Vact-Vohm
Vact=Bln(CI),Vohm=IRohm
式中,N0是串联的燃料电池的数量,B和C是计算被激活电压的常数,Rohm是燃料电池内阻,Vohm是燃料电池内部欧姆电压,I是燃料电池电流。PH2和PO2分别是氢和氧分压。T是燃料电池堆的温度,R是气体常数。λe和τe均为恒定的常数。Ecell表示能斯特电池电压,Vact表示激活电压,是每个电池单元的标准参考电位,kE是一个常系数,Edcell通过一个一阶传递函数计算。
1.2建立一个具有等效串联电阻和等效电容的功率负载超级电容模型:
式中,SOC表示超级电容器的充电状态,Vmax表示超级电容器的最大电压,v表示超级电容器的端电压,i表示超级电容器的端电流,R表示超级电容器的等效串联电阻,Ploss表示等效串联电阻的损耗功率,P表示等效串联电阻的输出功率,ηP表示等效串联电阻的功率效率,n1表示串联电容器的数量,n2表示并联超级电容器分支的数量,C1表示额定电容,R1表示等效串联电阻。C表示超级电容器的总电容,Rs表示超级电容器的总电阻。
1.3.能量管理控制器的目的是最大限度地减少燃料消耗,延长电池的寿命,用数学表达式表示为:
s.t.PFC+PSC=Pdem
0<PFC≤40
0<IFC≤150
-5≤ΔPFC≤5
-30≤PSC≤30
-150≤ISC≤150
60≤VSC≤188
0.5≤SOC≤0.9
式中:ΔIj(j=1,2,...,K)表示整个驾驶过程中燃料电池的电流方差,J1表示电池的寿命,J2表示燃料消耗,K表示采集的样本个数。PFC表示为燃料电池分配的功率,PSC表示为超级电容器分配的功率,IFC表示燃料电池的电流,ΔPFC表示燃料电池功率变化大小,VSC表示燃料电池的电压。Pdem表示燃料电池和超级电容器的功率之和。mH2表示燃料电池反应中消耗的氢气量。
1.3.引入模糊逻辑控制器,根据以下模糊化方程,Pdem和SOC分别变为模糊域[0,1],[0,1].
式中,In1表示所需要的功率,Pmax表示最大功率,In2表示超级电容器的充电状态,SOCmin表示燃料电池状态最小值,SOCmax表示燃料电池状态的最大值。
1.4.使用质心去模糊化,模糊逻辑控制器的输出可以表述为:
1.5采用低通滤波器来限制燃料电池在启动,突然加速等过程中的功率输出的瞬态峰值,将燃料电池的功率输出修正为:
PFC(k)=k1PFC(k-1)+(1-k1)ufPdem
式中,k1是影响输出平滑度的时间常数。
步骤2:采用遗传算法对步骤一中的模糊规则进行优化。
2.1.初始化最大代数G,种群大小N,算子概率Pc,Pm和权重系数ω1,在搜索空间随机生成染色体。使用十进制编码的第i个染色体来描述步骤一中的模糊逻辑控制系统:
Ci=[c1,i,…,c19,i]
式中,i=1,2,…,N,N表示种群大小。
2.2.将步骤2.1公式中的元素在[min,max]之间随机初始化:
Cj,i=min+δ·(max-min)1≤j≤19
式中,δ在(0,1)之间生成。
2.3.计算每一代的性能J,构造N个模糊能量管理控制器。为了延长燃料电池的使用寿命并满足所需的驱动功率,采用加权目标法将步骤1.3中的两个目标变为一个目标。
Min J(Ci)=J1+ω1J2
式中,ω1表示影响优化结果的权重系数,通过实验确定。
2.4.将SOC不等式约束和幂等约束作为惩罚因子处理,加入到J惩罚因子,计算如下:
2.5步骤2.3中的等式可以被重写为:
2.6.使用轮盘选择法计算每个Ci被选中的概率:
2.7.以概率Pc执行交叉算子,以概率Pm实现变异算子。
Ci'=αCi+(1-α)Ci+1
C'i+1=αCi+1+(1-α)Ci
式中,交叉位置α是随机生成的,α∈(0,1)
2.8.重复步骤2.2到2.7,直到达到最大的演化代。
Claims (1)
1.一种混合动力汽车氢耗与负载变化的能源管理方法,其特征在于该方法具体是:
步骤1.设计燃料电池汽车模型;具体是:
1.1 建立燃料电池模型
Vout=N0Ecell-Vact-Vohm
Vact=B ln(CI),Vohm=IRohm
式中,N0是串联的燃料电池的数量,B和C是计算被激活电压的常数,Rohm是燃料电池内阻,Vohm是燃料电池内部欧姆电压,I是燃料电池电流;PH2和PO2分别是氢和氧分压;T是燃料电池堆的温度,R是气体常数;λe和τe均为恒定的常数;Ecell表示能斯特电池电压,Vact表示激活电压,是每个电池单元的标准参考电位,kE是一个常系数,Edcell通过一个一阶传递函数计算;
1.2 建立一个具有等效串联电阻和等效电容的功率负载超级电容模型:
式中,SOC表示超级电容器的充电状态,Vmax表示超级电容器的最大电压,v表示超级电容器的端电压,i表示超级电容器的端电流,R表示超级电容器的等效串联电阻,Ploss表示等效串联电阻的损耗功率,P表示等效串联电阻的输出功率,ηP表示等效串联电阻的功率效率,n1表示串联电容器的数量,n2表示并联超级电容器分支的数量,C1表示额定电容,R1表示等效串联电阻;C表示超级电容器的总电容,Rs表示超级电容器的总电阻;
1.3.能量管理控制的目的是最大限度地减少燃料消耗,延长电池的寿命,用数学表达式表示为:
s.t.PFC+PSC=Pdem
0<PFC≤40
0<IFC≤150
-5≤ΔPFC≤5
-30≤PSC≤30
-150≤ISC≤150
60≤VSC≤188
0.5≤SOC≤0.9
式中:ΔIj(j=1,2,...,K)表示整个驾驶过程中燃料电池的电流方差,J1表示电池的寿命,J2表示燃料消耗,K表示采集的样本个数;PFC表示为燃料电池分配的功率,PSC表示为超级电容器分配的功率,IFC表示燃料电池的电流,ΔPFC表示燃料电池功率变化大小,VSC表示燃料电池的电压;Pdem表示燃料电池和超级电容器的功率之和;mH2表示燃料电池反应中消耗的氢气量;
1.3.引入模糊逻辑控制器,根据以下模糊化方程,Pdem和SOC分别变为模糊域[0,1],[0,1];
式中,In1表示所需要的功率,Pmax表示最大功率,In2表示超级电容器的充电状态,SOCmin表示燃料电池状态最小值,SOCmax表示燃料电池状态的最大值;
1.4.使用质心去模糊化,模糊逻辑控制器的输出表述为:
1.5 采用低通滤波器来限制燃料电池在启动或突然加速过程中的功率输出的瞬态峰值,将燃料电池的功率输出修正为:
PFC(k)=k1PFC(k-1)+(1-k1)ufPdem
式中,k1是影响输出平滑度的时间常数;
步骤2:采用遗传算法对步骤1中的模糊规则进行优化;
2.1.初始化最大代数G,种群大小N,算子概率Pc,Pm和权重系数ω1,在搜索空间随机生成染色体;使用十进制编码的第i个染色体来描述步骤1中的模糊逻辑控制系统:
Ci=[c1,i,…,c19,i]
式中,i=1,2,…,N,N表示种群大小;
2.2.将步骤2.1公式中的元素在[min,max]之间随机初始化:
Cj,i=min+δ·(max-min)1≤j≤19
式中,δ在(0,1)之间生成;
2.3.计算每一代的性能J,构造N个模糊能量管理控制器;为了延长燃料电池的使用寿命并满足所需的驱动功率,采用加权目标法将步骤1.3中的两个目标变为一个目标;
Min J(Ci)=J1+ω1J2
式中,ω1表示影响优化结果的权重系数,通过实验确定;
2.4.将SOC不等式约束和幂等约束作为惩罚因子处理,加入到J惩罚因子,计算如下:
2.5 步骤2.3中的等式重写为:
2.6.使用轮盘选择法计算每个Ci被选中的概率:
2.7.以概率Pc执行交叉算子,以概率Pm实现变异算子;
C′i=αCi+(1-α)Ci+1
C′i+1=αCi+1+(1-α)Ci
式中,交叉位置α是随机生成的,α∈(0,1)
2.8.重复步骤2.2到2.7,直到达到最大的演化代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810107809.2A CN108312870B (zh) | 2018-02-02 | 2018-02-02 | 一种混合动力汽车氢耗与负载变化的能源管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810107809.2A CN108312870B (zh) | 2018-02-02 | 2018-02-02 | 一种混合动力汽车氢耗与负载变化的能源管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108312870A CN108312870A (zh) | 2018-07-24 |
CN108312870B true CN108312870B (zh) | 2020-08-21 |
Family
ID=62901675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810107809.2A Active CN108312870B (zh) | 2018-02-02 | 2018-02-02 | 一种混合动力汽车氢耗与负载变化的能源管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108312870B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657194B (zh) * | 2018-12-04 | 2022-12-27 | 浙江大学宁波理工学院 | 一种基于Q-learning和规则的混合动力车辆运行实时能源管理方法 |
CN110126813B (zh) * | 2019-05-17 | 2020-09-08 | 吉林大学 | 一种车载燃料电池混合动力系统的能量管理方法 |
CN110501902A (zh) * | 2019-08-27 | 2019-11-26 | 江苏华存电子科技有限公司 | 一种单输入模糊滑动平面控制方法 |
CN110834625B (zh) * | 2019-11-11 | 2021-02-09 | 常熟理工学院 | 一种自适应异步粒子群的双电耦合燃料电池汽车能效优化方法 |
CN111572369B (zh) * | 2020-05-19 | 2023-01-03 | 电子科技大学 | 基于改进遗传算法的燃料电池混合动力汽车能量管理在线优化方法 |
CN111613817B (zh) * | 2020-06-02 | 2022-04-08 | 上海电力大学 | 基于改进粒子群算法的电池混动系统能源优化策略 |
CN111695202B (zh) * | 2020-06-19 | 2022-04-12 | 太原理工大学 | 一种基于近似模型的燃料电池汽车模糊控制策略优化方法 |
CN111993957B (zh) * | 2020-08-04 | 2021-09-14 | 河南科技大学 | 一种等效消耗最小策略的混合动力汽车能量管理方法 |
CN112800708B (zh) * | 2021-01-19 | 2022-08-09 | 武汉理工大学 | 一种基于滚动时域算法的全钒液流电池峰值功率估计方法 |
CN112810503B (zh) * | 2021-01-20 | 2023-02-10 | 同济大学 | 考虑动态响应能力的基于神经网络的汽车动力控制方法 |
CN113110052B (zh) * | 2021-04-15 | 2022-07-26 | 浙大宁波理工学院 | 一种基于神经网络和强化学习的混合能量管理方法 |
CN114056184B (zh) * | 2021-10-28 | 2024-04-26 | 东南大学 | 一种降成本增寿命的复合电池能量控制方法 |
CN114083997A (zh) * | 2021-11-30 | 2022-02-25 | 四川轻化工大学 | 一种考虑温度影响的电动汽车能量管理策略优化方法 |
CN114497646B (zh) * | 2021-12-24 | 2024-02-06 | 深圳氢时代新能源科技有限公司 | 一种基于模糊逻辑的控制燃料电池输出功率的方法 |
CN114347866B (zh) * | 2022-03-21 | 2023-02-28 | 西北工业大学 | 一种基于vmd处理的燃料电池能量管理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101837165B (zh) * | 2010-06-07 | 2012-08-15 | 天津大学 | 基于遗传蚁群融合模糊控制器的助行电刺激精密控制方法 |
CN104071033A (zh) * | 2013-12-07 | 2014-10-01 | 西南交通大学 | 燃料电池超级电容混合动力机车参数匹配优化方法 |
FR3024290A1 (fr) * | 2014-07-23 | 2016-01-29 | Gdf Suez | Systeme de production d'energie associant une pile a combustible et une batterie rechargeable et procedes mettant en œuvre un tel dispositif |
CN105226721B (zh) * | 2015-11-09 | 2017-07-28 | 温州大学 | 独立微电网系统分数阶频率控制器优化设计方法 |
-
2018
- 2018-02-02 CN CN201810107809.2A patent/CN108312870B/zh active Active
Non-Patent Citations (2)
Title |
---|
GA based FC/SC fuzzy energy management system considering H2 consumption and loading variation;Jili Tao;《2017 36th Chinese Control Conference》;20170728;第4312-4317页 * |
Improved GA based FC-UC hybrid power management considering prolong lifetime;Hong Guang;《2017 36th Chinese Control Conference》;20170728;第4150-4354页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108312870A (zh) | 2018-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108312870B (zh) | 一种混合动力汽车氢耗与负载变化的能源管理方法 | |
Zhang et al. | GA-based fuzzy energy management system for FC/SC-powered HEV considering H 2 consumption and load variation | |
Jiang et al. | Energy management and component sizing for a fuel cell/battery/supercapacitor hybrid powertrain based on two-dimensional optimization algorithms | |
Rezk et al. | Comparison among various energy management strategies for reducing hydrogen consumption in a hybrid fuel cell/supercapacitor/battery system | |
Fu et al. | Optimization based energy management strategy for fuel cell/battery/ultracapacitor hybrid vehicle considering fuel economy and fuel cell lifespan | |
Hu et al. | A study on energy distribution strategy of electric vehicle hybrid energy storage system considering driving style based on real urban driving data | |
Li et al. | A review of energy management strategy for fuel cell hybrid electric vehicle | |
Li et al. | A speedy reinforcement learning-based energy management strategy for fuel cell hybrid vehicles considering fuel cell system lifetime | |
CN108363855B (zh) | 一种基于路况识别的燃料电池与超级电容系统优化方法 | |
Lü et al. | Extension control strategy of a single converter for hybrid PEMFC/battery power source | |
CN113815437B (zh) | 燃料电池混合动力汽车的预测性能量管理方法 | |
CN115416503A (zh) | 基于智能网联的燃料电池混合动力汽车能量管理方法 | |
Liu et al. | A novel hybrid-point-line energy management strategy based on multi-objective optimization for range-extended electric vehicle | |
Rezk et al. | Energy management control strategy for renewable energy system based on spotted hyena optimizer | |
Zhang et al. | Vehicle speed optimized fuzzy energy management for hybrid energy storage system in electric vehicles | |
Seixas et al. | Particle swarm optimization of a fuzzy controlled hybrid energy storage system-HESS | |
Gu et al. | Energy management strategy considering fuel economy and life of fuel cell for fuel cell electric vehicles | |
CN114347866A (zh) | 一种基于vmd处理的燃料电池能量管理方法 | |
Traoré et al. | Energy management strategy design based on frequency separation, fuzzy logic and Lyapunov control for multi-sources electric vehicles | |
CN112467717A (zh) | 一种基于模糊控制的混合能源系统实时负荷分配方法 | |
Vishnu et al. | Adaptive intelligent hybrid energy management strategy for electric vehicles | |
Traoré et al. | Energy management strategy based on a new adaptive filtering algorithm for battery-ultracapacitor electric vehicles | |
Song et al. | Study on the fuel economy of fuel cell electric vehicle based on rule-based energy management strategies | |
Zhang et al. | Wavelet transform-based energy management strategy for fuel cell/variable-structure super-capacitor hybrid power system | |
Boyacıoğlu et al. | Modeling and Control of a PEM Fuel Cell Hybrid Energy System Used in a Vehicle with Fuzzy Logic Method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |