CN108363855A - 一种基于路况识别的燃料电池与超级电容系统优化方法 - Google Patents

Abstract

本发明公开了一种基于路况识别的燃料电池与超级电容系统优化方法。本发明针对混合动力汽车中燃料电池与超级电容系统之间的实时功率分配问题，提出了一种基于路况识别的自适应能量管理策略，能够最大化较少燃料消耗，利用设计的能量管理控制器进行功率分配。为了延长燃料电池的使用寿命和减少氢气消耗，设计算法优化一些关键参数，基于设计的多层感知器分类器提取的特征，使新能源汽车能够成功地识别当前的驾驶模式，在超级电容的充电状态维持在期望的限度内，在各种驾驶条件下可以实现更少的电流波动和燃料消耗与传统的能源管理控制。

Description

一种基于路况识别的燃料电池与超级电容系统优化方法

技术领域

本发明属于自动化技术领域，涉及一种基于路况识别的燃料电池与超级电容系统优化方法。

背景技术

随着科技的发展与能源的消耗，改变能源消费结构是一件非常有意义的事情，因此新能源已经得到世界各国的重视，尤其在汽车能源上，由于广泛的使用汽油等不可再生能源，不仅在短时间内不可恢复，而且恶化环境带来温室效应，因此新能源汽车应运而生，其中的燃料电池汽车就是一种很实用的新能源汽车，是用车载燃料电池装置产生的电力作为动力的汽车，无需等待时间充电，通过燃料电池产生动力。动力系统一般由质子交换膜燃料电池、蓄电池、电机和系统控制设备组成，电动汽车的关键能源动力技术包括电池技术、电机技术、控制器技术，因此开发使用新的控制算法，提高燃料电池的效率，是一件亟待解决的事情，虽然现在也有很多的控制方法，但是现在燃料电池的控制效果还需要进行优化，本发明提出一种新的控制方法，基于实时路况检测的燃料电池与超级电容系统优化控制，这样基于实际运行的状况能够进一步提高控制性能，减少燃料消耗。

发明内容

本发明针对现有技术的不足，提供了一种基于路况识别的燃料电池与超级电容系统优化方法。

本发明方法的步骤包括：

步骤1、建立燃料电池与超级电容系统中被控对象的机理模型，具体方法是：

1.1首先根据燃料电池的实际过程，建立燃料电池的机理模型，传递函数形式如下：

其中，E_dcell(s)为输出电压拉氏变换形式，I(s)为当前输出电流拉氏变换形式，λ_e常数增益，τ_e整体流量延迟系数。m_H2燃料电池反应中的总氢消耗，为氢的分子量，A_FC为每个单元活动区域的面积，F为法拉第常数，I为当前输出电流，N_cell单元活动区域的个数。

1.2具有功率负载的超级电容系统的模型，形式如下：

其中，SOC是超级电容的充电状态，v是终端电压，i是终端电流，P是终端功率，R是匹配的终端电阻，v_c超级电容端电压，v_max是超级电容允许的最大电压，C为超级电容的电容值。

1.3驾驶模式识别设计，多层感知器神经网络分类器提取的特征，形式如下：

其中，h_i为隐藏节点，n_H隐藏节点个数，x_j为输入节点特征向量，w_ij是第i个输入节点和第j个隐藏节点的权重，w_i0是i个输入节点的阈值，p为输入层节点数，exp()为表示指数。

1.4提高控制精度设计误差，形式如下：

其中，z_k为第k个输出节点的输出z为其向量形式，w_kj第j隐藏节点和第k个输出节点的权重，h_j为第j个隐藏节，w_k0是k个输出节点的阈值，c_k为k分量二进制向量分类器，c为其向量形式，E为定义的误差，q为输出节点个数。

1.5利用梯度下降反向传播算法，最小化误差E，形式如下：

Δc＝(z-c).*c.*(1-c)

Δh＝Δc^T*W₂*h^T.*(1-h^T)

其中，Δc为实际二进制向量，Δh分类器输出，.*为矩阵点乘符号，T为转置符号，W₂为设计的权重系数。

1.6为了提高速度，添加动量项到权重更新方程中：

w_ij(t)＝w_ij(t-1)-ηΔh_ix_j+η[w_ij(t-1)-w_ij(t-2)]，i＝1,…,p；j＝1,…,n_H

w_jk(t)＝w_jk(t-1)-ηΔc_jΔh_k+η[w_jk(t-1)-w_jk(t-2)]，j＝1,…,n_H；k＝1,…,q

其中，w_jk(t-1)和w_jk(t-2)分别为t-1时刻和t-2时刻的第k个输出节点和第j隐藏节点的权重，η为(0,1)之间的学习率，Δc_j为第j个实际二进制向量，Δh_k第k个输出相关分类器输出，Δh_i第i个输入相关分类器输出，w_ij(t-1)和w_ij(t-2)分别为t-1时刻和t-2时刻的第i个输入节点和第j个隐藏节点的权重，p输入节点数。

1.7隐藏层和输出层的阈值的更新可以如下获得，形式如下：

w_i0＝w_i0-ηΔh_i+η(w_i0(t-1)-w_i0(t-2))，i＝1,…,n_H

w_k0＝w_k0-ηΔc_i+η(w_k0(t-1)-w_k0(t-2)),k＝1,…,p

其中，w_k0(t-1)和w_k0(t-2)分别为t-1时刻和t-2时刻第k个输出节点的阈值，w_i0(t-1)和w_i0(t-2)分别为t-1时刻和t-2时刻第i个输入节点的阈值。

步骤2、设计被控对象的批次过程控制器，具体是：

2.1为了在约束条件下跟踪参考值，并且在未知过程中保持期望的控制性能，选取被控对象的性能指标函数J，最小化性能指标函数J即可，形式如下：

s.t.P_FC+P_SC＝P_dem

SOC^min≤SOC<SOC^max

v_FC ≥V_FC

其中，ΔI_j燃料电池的当前方差，P_FC是燃料电池的输出功率，为其设置的最大值，P_dem为需求功率，_iFC是燃料电池提供的电流，为其设置的最大值，_ΔPFC为燃料电池的功率变化，为其设置的最大值，_PSC为超级电容提供的功率，和分别为其设置的最小值和最大值，_iSC为超级电容提供的电流，和分别为其设置的最小值和最大值，SOC^min和SOC^max分别为设置的最小充电状态值和最大充电状态值，_vFC为燃料电池设定电压的最小值，_ω为两个目标的权重系数。_K是整个驱动行程中的样本数目，_s.t.表示所受约束。

2.2然后使用先进控制算法求解性能指标函数，对能量管理控制器中的参数进行优化，过程如下，首先根据待优化问题进行参数编码：

C_i＝[c_1i,…c_ji,…,c_20i]

＝[c_1i,…,c_13i,σ_1i,σ_2i,σ_3i,k_1i,k_2i,k_3i,k_4i]

其中，C_i为第i个染色体编码，i＝1,2,…,N，N为种群大小。C_i中元素c_ji选取方式如下：

c_ji＝min+δ·(max-min)1≤j≤20

其中，δ是(0,1)之间的随机数。min和max分别为根据能量管理控制器设置的最小数和最大数。

2.3选择轮盘选择方法，根据目标函数的值来计算概率分布，形式如下：

其中，fi＝1/J_i，J_i是具有第i个体的带约束的目标函数值。

2.4根据算法计算交叉算子，形式如下：

C_i'＝αC_i+(1-α)C_i+1

C_i'₊₁＝αC_i+1+(1-α)C_i

其中，α为(0,1)之间的随机数，C_i'和C_i'₊₁为第i和i+1个更新后的个体后代。若C_i中的元素c_ji发生变异，则根据步骤2.2中，生成新的元素c_ji。

2.5结合步骤1得到设计控制器的输出u_f(k)，可以表述如下：

P_f＝(u_f(k)+k(i))Pdem，i＝1,…,n_H

其中，r₁和r₂分别为分配数，为处理后的推理数，为I₁的隶属程度，为I₂的隶属程度，P_f为燃料电池输出功率，k(i)为驱动条件。

2.6在下一时刻，重复步骤2.2到2.5的方法，继续求解新的优化参数，得到最优燃料电池输出功率，并依次循环。

本发明的有益效果：本发明针对混合动力汽车中燃料电池与超级电容系统之间的实时功率分配问题，提出了一种基于路况识别的自适应能量管理策略，能够最大化较少燃料消耗，利用设计的能量管理控制器进行功率分配。为了延长燃料电池的使用寿命和减少氢气消耗，设计算法优化一些关键参数，基于设计的多层感知器分类器提取的特征，使新能源汽车能够成功地识别当前的驾驶模式，在超级电容的充电状态维持在期望的限度内，在各种驾驶条件下可以实现更少的电流波动和燃料消耗与传统的能源管理控制。

具体实施方式

以燃料电池与超级电容系统工艺为例：

这里以燃料电池与超级电容系统燃料电池燃油的供给量为例加以描述，调节手段是控制燃料电池输出功率。

本发明方法的步骤包括：

步骤1、建立燃料电池与超级电容系统中被控对象的机理模型，具体方法是：

1.1首先根据燃料电池的实际过程，建立燃料电池的机理模型，传递函数形式如下：

其中，E_dcell(s)为输出电压拉氏变换形式，I(s)为当前输出电流拉氏变换形式，λ_e常数增益，τ_e整体流量延迟系数。m_H2燃料电池反应中的总氢消耗，为氢的分子量，A_FC为每个单元活动区域的面积，F为法拉第常数，I为当前输出电流，N_cell单元活动区域的个数。

1.2具有功率负载的超级电容系统的模型，形式如下：

其中，SOC是超级电容的充电状态，v是终端电压，i是终端电流，P是终端功率，R是匹配的终端电阻，v_c超级电容端电压，v_max是超级电容允许的最大电压，C为超级电容的电容值。

1.3驾驶模式识别设计，多层感知器神经网络分类器提取的特征，形式如下：

其中，h_i为隐藏节点，n_H隐藏节点个数，x_j为输入节点特征向量，w_ij第i个输入节点和第j个隐藏节点的权重，w_i0是i个输入节点的阈值，p为输入层节点数，exp()为表示指数。

1.4提高控制精度设计误差，形式如下：

其中，z_k为第k个输出节点的输出z为其向量形式，w_kj第j隐藏节点和第k个输出节点的权重，h_j为第j个隐藏节，w_k0是k个输出节点的阈值，c_k为k分量二进制向量分类器c为其向量形式，E为定义的误差，q为输出节点个数。

1.5利用梯度下降反向传播算法，最小化误差E，形式如下：

Δc＝(z-c).*c.*(1-c)

Δh＝Δc^T*W₂*h^T.*(1-h^T)

其中，Δc为实际二进制向量，Δh分类器输出，.*为矩阵点乘符号，T为转置符号，W₂为设计的权重系数。

1.6为了提高速度，添加动量项到权重更新方程中：

w_ij(t)＝w_ij(t-1)-ηΔh_ix_j+η[w_ij(t-1)-w_ij(t-2)]，i＝1,…,p；j＝1,…,n_H

w_jk(t)＝w_jk(t-1)-ηΔc_jΔh_k+η[w_jk(t-1)-w_jk(t-2)]，j＝1,…,n_H；k＝1,…,q

其中，w_jk(t-1)和w_jk(t-2)分别为t-1时刻和t-2时刻的第k个输出节点和第j隐藏节点的权重，η为(0,1)之间的学习率，Δc_j为第j个实际二进制向量，Δh_k第k个输出相关分类器输出，Δh_i第i个输入相关分类器输出，w_ij(t-1)和w_ij(t-2)分别为t-1时刻和t-2时刻的第i个输入节点和第j个隐藏节点的权重，p输入节点数。

1.7隐藏层和输出层的阈值的更新也可以类似地获得，形式如下：

w_i0＝w_i0-ηΔh_i+η(w_i0(t-1)-w_i0(t-2))，i＝1,…,n_H

w_k0＝w_k0-ηΔc_i+η(w_k0(t-1)-w_k0(t-2)),k＝1,…,p

其中，w_k0(t-1)和w_k0(t-2)分别为t-1时刻和t-2时刻第k个输出节点的阈值，w_i0(t-1)和w_i0(t-2)分别为t-1时刻和t-2时刻第i个输入节点的阈值。

步骤2、设计被控对象的批次过程控制器，具体是：

2.1为了在约束条件下跟踪参考值，并且在未知过程中保持期望的控制性能，选取被控对象的性能指标函数J，最小化性能指标函数J即可，形式如下：

s.t.P_FC+P_SC＝P_dem

SOC^min≤SOC<SOC^max

v_FC ≥V_FC

其中，_ΔIj燃料电池的当前方差，P_FC是燃料电池的输出功率为其设置的最大值，P_dem为需求功率，i_FC是燃料电池提供的电流为其设置的最大值，ΔP_FC燃料电池的功率变化为其设置的最大值，P_SC超级电容提供的功率和分别为其设置的最小值和最大值，i_SC超级电容提供的电流和分别为其设置的最小值和最大值，SOC^min和SOC^max分别为设置的最小充电状态值和最大充电状态值，v_FC燃料电池设定电压的最小值，_ω两个目标的权重系数。_K是整个驱动行程中的样本数目，_s.t.表示所受约束。

2.2然后使用先进控制算法求解性能指标函数，对能量管理控制器中的参数进行优化，过程如下，首先根据待优化问题进行编码：

C_i＝[c_1i,…c_ji,…,c_20i]

＝[c_1i,…,c_13i,σ_1i,σ_2i,σ_3i,k_1i,k_2i,k_3i,k_4i]

其中，C_i为第i个染色体编码，i＝1,2,…,N，N为种群大小。C_i中元素c_ji选取方式如下：

c_ji＝min+δ·(max-min)1≤j≤20

其中，δ是(0,1)之间的随机数。min和max分别为根据能量管理控制器设置的最小和最大数。

2.3选择轮盘选择方法，根据目标函数的值来计算概率分布，形式如下：

其中，f_i＝1/J_i，J_i是具有第i个体的带约束的目标函数值。

2.4根据算法计算交叉算子，形式如下：

C_i'＝αC_i+(1-α)C_i+1

C′_i+1＝αC_i+1+(1-α)C_i

其中，α为(0,1)之间的随机数，C_i'和C_i'₊₁为第i和i+1个更新后的个体后代。若C_i中的元素c_ji发生变异，则根据步骤2.2中，生成新的元素c_ji。

2.5结合步骤1得到设计控制器的输出u_f(k)，可以表述如下：

P_f＝(u_f(k)+k(i))P_dem，i＝1,…,n_H

其中，r₁和r₂分别为分配数，为处理后的推理数，为I₁的隶属程度，为I₂的隶属程度，P_f为燃料电池输出功率，k(i)为驱动条件。

2.6在下一时刻，重复步骤2.2到2.5的方法，继续求解新的优化参数，得到最优燃料电池输出功率，最小化燃油的供给量，并依次循环。

Claims (1)

1.一种基于路况识别的燃料电池与超级电容系统优化方法，其特征在于该方法具体是：

步骤1、建立燃料电池与超级电容系统中被控对象的机理模型，具体是：

1.1首先根据燃料电池的实际过程，建立燃料电池的机理模型，传递函数形式如下：

其中，E_dcell(s)为输出电压拉氏变换形式，I(s)为当前输出电流拉氏变换形式，λ_e常数增益，τ_e整体流量延迟系数；m_H2燃料电池反应中的总氢消耗，为氢的分子量，A_FC为每个单元活动区域的面积，F为法拉第常数，I为当前输出电流，N_cell单元活动区域的个数；

1.2具有功率负载的超级电容系统的模型，形式如下：

其中，SOC是超级电容的充电状态，v是终端电压，i是终端电流，P是终端功率，R是匹配的终端电阻，v_c是超级电容端电压，v_max是超级电容允许的最大电压，C为超级电容的电容值；

1.3驾驶模式识别设计，多层感知器神经网络分类器提取的特征，形式如下：

其中，h_i为隐藏节点，n_H隐藏节点个数，x_j为输入节点特征向量，w_ij第i个输入节点和第j个隐藏节点的权重，w_i0是i个输入节点的阈值，p为输入层节点数，exp()为表示指数；

1.4提高控制精度设计误差，形式如下：

其中，z_k为第k个输出节点的输出z为其向量形式，w_kj第j隐藏节点和第k个输出节点的权重，h_j为第j个隐藏节，w_k0是k个输出节点的阈值，c_k为k分量二进制向量分类器，c为其向量形式，E为定义的误差，q为输出节点个数；

1.5利用梯度下降反向传播算法，最小化误差E，形式如下：

Δc＝(z-c).*c.*(1-c)

Δh＝Δc^T*W₂*h^T.*(1-h^T)

其中，Δc为实际二进制向量，Δh分类器输出，.*为矩阵点乘符号，T为转置符号，W₂为设计的权重系数；

1.6为了提高速度，添加动量项到权重更新方程中：

w_ij(t)＝w_ij(t-1)-ηΔh_ix_j+η[w_ij(t-1)-w_ij(t-2)]，i＝1,…,p；j＝1,…,n_H

w_jk(t)＝w_jk(t-1)-ηΔc_jΔh_k+η[w_jk(t-1)-w_jk(t-2)]，j＝1,…,n_H；k＝1,…,q

其中，w_jk(t-1)和w_jk(t-2)分别为t-1时刻和t-2时刻的第k个输出节点和第j隐藏节点的权重，η为(0,1)之间的学习率，Δc_j为第j个实际二进制向量，Δh_k第k个输出相关分类器输出，Δh_i第i个输入相关分类器输出，w_ij(t-1)和w_ij(t-2)分别为t-1时刻和t-2时刻的第i个输入节点和第j个隐藏节点的权重，p输入节点数；

1.7隐藏层和输出层的阈值的更新可以如下获得，形式如下：

w_i0＝w_i0-ηΔh_i+η(w_i0(t-1)-w_i0(t-2))，i＝1,…,n_H

w_k0＝w_k0-ηΔc_i+η(w_k0(t-1)-w_k0(t-2)),k＝1,…,p

其中，w_k0(t-1)和w_k0(t-2)分别为t-1时刻和t-2时刻第k个输出节点的阈值，w_i0(t-1)和w_i0(t-2)分别为t-1时刻和t-2时刻第i个输入节点的阈值；

步骤2、设计被控对象的批次过程控制器，具体是：

2.1为了在约束条件下跟踪参考值，并且在未知过程中保持期望的控制性能，选取被控对象的性能指标函数J，最小化性能指标函数J即可，形式如下：

s.t.P_FC+P_SC＝P_dem

SOC^min≤SOC<SOC^max

v_FC≥V_FC

其中，ΔI_j是燃料电池的当前方差，P_FC是燃料电池的输出功率，为P_FC的最大值，P_dem为需求功率，i_FC是燃料电池提供的电流，为i_FC的最大值，ΔP_FC为燃料电池的功率变化，为ΔP_FC的最大值，P_SC为超级电容提供的功率，和分别P_SC的最小值和最大值，i_SC为超级电容提供的电流，和分别为i_SC的最小值和最大值，SOC^min和SOC^max分别为最小充电状态值和最大充电状态值，v_FC为燃料电池设定电压的最小值，ω为两个目标的权重系数；K是整个驱动行程中的样本数目，s.t.表示所受约束；

2.2使用先进控制算法求解性能指标函数，对能量管理控制器中的参数进行优化，过程如下，根据待优化问题进行参数编码：

C_i＝[c_1i,…c_ji,…,c_20i]

＝[c_1i,…,c_13i,σ_1i,σ_2i,σ_3i,k_1i,k_2i,k_3i,k_4i]

其中，C_i为第i个染色体编码，i＝1,2,…,N，N为种群大小；C_i中元素c_ji选取方式如下：

c_ji＝min+δ·(max-min)1≤j≤20

其中，δ是(0,1)之间的随机数；min和max分别为根据能量管理控制器设置的最小数和最大数；

2.3选择轮盘选择方法，根据目标函数的值来计算概率分布，形式如下：

其中，f_i＝1/J_i，J_i是具有第i个体的带约束的目标函数值；

2.4根据算法计算交叉算子，形式如下：

C_i'＝αC_i+(1-α)C_i+1

C_i'₊₁＝αC_i+1+(1-α)C_i

其中，α为(0,1)之间的随机数，C_i'和C_i'₊₁为第i和i+1个更新后的个体后代；若C_i中的元素c_ji发生变异，则根据步骤2.2中，生成新的元素c_ji；

2.5结合步骤1得到设计控制器的输出u_f(k)，可以表述如下：

P_f＝(u_f(k)+k(i))P_dem，i＝1,…,n_H

其中，r₁和r₂分别为分配数，为处理后的推理数，为I₁的隶属程度，为I₂的隶属程度，P_f为燃料电池输出功率，k(i)为驱动条件；

2.6在下一时刻，重复步骤2.2到2.5的方法，继续求解新的优化参数，得到最优燃料电池输出功率，并依次循环。