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
一种基于路况识别的燃料电池与超级电容系统优化方法 Download PDFInfo
- Publication number
- CN108363855A CN108363855A CN201810107805.4A CN201810107805A CN108363855A CN 108363855 A CN108363855 A CN 108363855A CN 201810107805 A CN201810107805 A CN 201810107805A CN 108363855 A CN108363855 A CN 108363855A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- output
- super capacitor
- follows
- value
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Fuel Cell (AREA)
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
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,Edcell(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,λe常数增益,τe整体流量延迟系数。mH2燃料电池反应中的总氢消耗,为氢的分子量,AFC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,Ncell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,vc超级电容端电压,vmax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,hi为隐藏节点,nH隐藏节点个数,xj为输入节点特征向量,wij是第i个输入节点和第j个隐藏节点的权重,wi0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,zk为第k个输出节点的输出z为其向量形式,wkj第j隐藏节点和第k个输出节点的权重,hj为第j个隐藏节,wk0是k个输出节点的阈值,ck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=ΔcT*W2*hT.*(1-hT)
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:
wij(t)=wij(t-1)-ηΔhixj+η[wij(t-1)-wij(t-2)],i=1,…,p;j=1,…,nH
wjk(t)=wjk(t-1)-ηΔcjΔhk+η[wjk(t-1)-wjk(t-2)],j=1,…,nH;k=1,…,q
其中,wjk(t-1)和wjk(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,Δcj为第j个实际二进制向量,Δhk第k个输出相关分类器输出,Δhi第i个输入相关分类器输出,wij(t-1)和wij(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:
wi0=wi0-ηΔhi+η(wi0(t-1)-wi0(t-2)),i=1,…,nH
wk0=wk0-ηΔci+η(wk0(t-1)-wk0(t-2)),k=1,…,p
其中,wk0(t-1)和wk0(t-2)分别为t-1时刻和t-2时刻第k个输出节点的阈值,wi0(t-1)和wi0(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.PFC+PSC=Pdem
SOCmin≤SOC<SOCmax
vFC ≥VFC
其中,ΔIj燃料电池的当前方差,PFC是燃料电池的输出功率,为其设置的最大值,Pdem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,SOCmin和SOCmax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:
Ci=[c1i,…cji,…,c20i]
=[c1i,…,c13i,σ1i,σ2i,σ3i,k1i,k2i,k3i,k4i]
其中,Ci为第i个染色体编码,i=1,2,…,N,N为种群大小。Ci中元素cji选取方式如下:
cji=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/Ji,Ji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:
Ci'=αCi+(1-α)Ci+1
Ci'+1=αCi+1+(1-α)Ci
其中,α为(0,1)之间的随机数,Ci'和Ci'+1为第i和i+1个更新后的个体后代。若Ci中的元素cji发生变异,则根据步骤2.2中,生成新的元素cji。
2.5结合步骤1得到设计控制器的输出uf(k),可以表述如下:
Pf=(uf(k)+k(i))Pdem,i=1,…,nH
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,Pf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,Edcell(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,λe常数增益,τe整体流量延迟系数。mH2燃料电池反应中的总氢消耗,为氢的分子量,AFC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,Ncell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,vc超级电容端电压,vmax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,hi为隐藏节点,nH隐藏节点个数,xj为输入节点特征向量,wij第i个输入节点和第j个隐藏节点的权重,wi0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,zk为第k个输出节点的输出z为其向量形式,wkj第j隐藏节点和第k个输出节点的权重,hj为第j个隐藏节,wk0是k个输出节点的阈值,ck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=ΔcT*W2*hT.*(1-hT)
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:
wij(t)=wij(t-1)-ηΔhixj+η[wij(t-1)-wij(t-2)],i=1,…,p;j=1,…,nH
wjk(t)=wjk(t-1)-ηΔcjΔhk+η[wjk(t-1)-wjk(t-2)],j=1,…,nH;k=1,…,q
其中,wjk(t-1)和wjk(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,Δcj为第j个实际二进制向量,Δhk第k个输出相关分类器输出,Δhi第i个输入相关分类器输出,wij(t-1)和wij(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:
wi0=wi0-ηΔhi+η(wi0(t-1)-wi0(t-2)),i=1,…,nH
wk0=wk0-ηΔci+η(wk0(t-1)-wk0(t-2)),k=1,…,p
其中,wk0(t-1)和wk0(t-2)分别为t-1时刻和t-2时刻第k个输出节点的阈值,wi0(t-1)和wi0(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.PFC+PSC=Pdem
SOCmin≤SOC<SOCmax
vFC ≥VFC
其中,ΔIj燃料电池的当前方差,PFC是燃料电池的输出功率为其设置的最大值,Pdem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燃料电池的功率变化为其设置的最大值,PSC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超级电容提供的电流和分别为其设置的最小值和最大值,SOCmin和SOCmax分别为设置的最小充电状态值和最大充电状态值,vFC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:
Ci=[c1i,…cji,…,c20i]
=[c1i,…,c13i,σ1i,σ2i,σ3i,k1i,k2i,k3i,k4i]
其中,Ci为第i个染色体编码,i=1,2,…,N,N为种群大小。Ci中元素cji选取方式如下:
cji=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,fi=1/Ji,Ji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:
Ci'=αCi+(1-α)Ci+1
C′i+1=αCi+1+(1-α)Ci
其中,α为(0,1)之间的随机数,Ci'和Ci'+1为第i和i+1个更新后的个体后代。若Ci中的元素cji发生变异,则根据步骤2.2中,生成新的元素cji。
2.5结合步骤1得到设计控制器的输出uf(k),可以表述如下:
Pf=(uf(k)+k(i))Pdem,i=1,…,nH
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,Pf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,Edcell(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,λe常数增益,τe整体流量延迟系数;mH2燃料电池反应中的总氢消耗,为氢的分子量,AFC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,Ncell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,vc是超级电容端电压,vmax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,hi为隐藏节点,nH隐藏节点个数,xj为输入节点特征向量,wij第i个输入节点和第j个隐藏节点的权重,wi0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,zk为第k个输出节点的输出z为其向量形式,wkj第j隐藏节点和第k个输出节点的权重,hj为第j个隐藏节,wk0是k个输出节点的阈值,ck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=ΔcT*W2*hT.*(1-hT)
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:
wij(t)=wij(t-1)-ηΔhixj+η[wij(t-1)-wij(t-2)],i=1,…,p;j=1,…,nH
wjk(t)=wjk(t-1)-ηΔcjΔhk+η[wjk(t-1)-wjk(t-2)],j=1,…,nH;k=1,…,q
其中,wjk(t-1)和wjk(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,Δcj为第j个实际二进制向量,Δhk第k个输出相关分类器输出,Δhi第i个输入相关分类器输出,wij(t-1)和wij(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:
wi0=wi0-ηΔhi+η(wi0(t-1)-wi0(t-2)),i=1,…,nH
wk0=wk0-ηΔci+η(wk0(t-1)-wk0(t-2)),k=1,…,p
其中,wk0(t-1)和wk0(t-2)分别为t-1时刻和t-2时刻第k个输出节点的阈值,wi0(t-1)和wi0(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.PFC+PSC=Pdem
SOCmin≤SOC<SOCmax
vFC≥VFC
其中,ΔIj是燃料电池的当前方差,PFC是燃料电池的输出功率,为PFC的最大值,Pdem为需求功率,iFC是燃料电池提供的电流,为iFC的最大值,ΔPFC为燃料电池的功率变化,为ΔPFC的最大值,PSC为超级电容提供的功率,和分别PSC的最小值和最大值,iSC为超级电容提供的电流,和分别为iSC的最小值和最大值,SOCmin和SOCmax分别为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:
Ci=[c1i,…cji,…,c20i]
=[c1i,…,c13i,σ1i,σ2i,σ3i,k1i,k2i,k3i,k4i]
其中,Ci为第i个染色体编码,i=1,2,…,N,N为种群大小;Ci中元素cji选取方式如下:
cji=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/Ji,Ji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:
Ci'=αCi+(1-α)Ci+1
Ci'+1=αCi+1+(1-α)Ci
其中,α为(0,1)之间的随机数,Ci'和Ci'+1为第i和i+1个更新后的个体后代;若Ci中的元素cji发生变异,则根据步骤2.2中,生成新的元素cji;
2.5结合步骤1得到设计控制器的输出uf(k),可以表述如下:
Pf=(uf(k)+k(i))Pdem,i=1,…,nH
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,Pf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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810107805.4A CN108363855B (zh) | 2018-02-02 | 2018-02-02 | 一种基于路况识别的燃料电池与超级电容系统优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810107805.4A CN108363855B (zh) | 2018-02-02 | 2018-02-02 | 一种基于路况识别的燃料电池与超级电容系统优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108363855A true CN108363855A (zh) | 2018-08-03 |
CN108363855B CN108363855B (zh) | 2021-06-25 |
Family
ID=63004514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810107805.4A Active CN108363855B (zh) | 2018-02-02 | 2018-02-02 | 一种基于路况识别的燃料电池与超级电容系统优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363855B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284540A (zh) * | 2018-08-31 | 2019-01-29 | 重庆大学 | 一种基于工况识别的变衰减因子指数预测模型方法 |
CN109657194A (zh) * | 2018-12-04 | 2019-04-19 | 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 |
CN110834625A (zh) * | 2019-11-11 | 2020-02-25 | 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 |
CN112810504A (zh) * | 2021-01-20 | 2021-05-18 | 同济大学 | 基于非线性预测模型控制的燃料电池汽车能量管理方法 |
CN112848971A (zh) * | 2021-03-01 | 2021-05-28 | 上海电气集团股份有限公司 | 燃料电池动力系统及其功率控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090112384A1 (en) * | 2007-10-26 | 2009-04-30 | Hyundai Motor Company | Startup sequence control method of fuel cell-super capacitor hybrid electric vehicle |
US20090309416A1 (en) * | 2008-06-12 | 2009-12-17 | Bose Anima B | Active electrical power flow control system for optimization of power delivery in electric hybrid vehicles |
US20120130522A1 (en) * | 2012-01-26 | 2012-05-24 | Sakti3, Inc. | Methodology for design of a manufacturing facility for fabrication of solid state hybrid thin film energy storage and conversion devices |
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 |
US20150056477A1 (en) * | 2012-09-28 | 2015-02-26 | Infintium Fuel Cell Systems (Shanghai) Co., Ltd. | Fuel Cell Mixed Power Supply Energy Management Method |
CN104860294A (zh) * | 2015-04-20 | 2015-08-26 | 复旦大学 | 一种三维石墨烯纳米带/碳纳米管桥联的结构材料、制备方法及其应用 |
CN105594091A (zh) * | 2013-09-30 | 2016-05-18 | 空客集团有限公司 | 用于优化负载的电力供应架构的方法 |
CN105882648A (zh) * | 2016-05-09 | 2016-08-24 | 上汽大众汽车有限公司 | 一种基于模糊逻辑算法的混合动力系统能量管理方法 |
CN106338406A (zh) * | 2016-10-19 | 2017-01-18 | 北京交通大学 | 列车牵引电传动系统的在线监测与故障预警系统及方法 |
-
2018
- 2018-02-02 CN CN201810107805.4A patent/CN108363855B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090112384A1 (en) * | 2007-10-26 | 2009-04-30 | Hyundai Motor Company | Startup sequence control method of fuel cell-super capacitor hybrid electric vehicle |
US20090309416A1 (en) * | 2008-06-12 | 2009-12-17 | Bose Anima B | Active electrical power flow control system for optimization of power delivery in electric hybrid vehicles |
US20120130522A1 (en) * | 2012-01-26 | 2012-05-24 | Sakti3, Inc. | Methodology for design of a manufacturing facility for fabrication of solid state hybrid thin film energy storage and conversion devices |
US20150056477A1 (en) * | 2012-09-28 | 2015-02-26 | Infintium Fuel Cell Systems (Shanghai) Co., Ltd. | Fuel Cell Mixed Power Supply Energy Management Method |
CN105594091A (zh) * | 2013-09-30 | 2016-05-18 | 空客集团有限公司 | 用于优化负载的电力供应架构的方法 |
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 |
CN104860294A (zh) * | 2015-04-20 | 2015-08-26 | 复旦大学 | 一种三维石墨烯纳米带/碳纳米管桥联的结构材料、制备方法及其应用 |
CN105882648A (zh) * | 2016-05-09 | 2016-08-24 | 上汽大众汽车有限公司 | 一种基于模糊逻辑算法的混合动力系统能量管理方法 |
CN106338406A (zh) * | 2016-10-19 | 2017-01-18 | 北京交通大学 | 列车牵引电传动系统的在线监测与故障预警系统及方法 |
Non-Patent Citations (2)
Title |
---|
VANESSA PALADINI 等: "Super-capacitors fuel-cell hybrid electric vehicle optimization and control strategy development", 《ENERGY CONVERSION AND MANAGEMENT》 * |
张松茂 等: "基于粒子群的燃料电池汽车模糊能量管理策略的研究", 《自动化技术与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284540A (zh) * | 2018-08-31 | 2019-01-29 | 重庆大学 | 一种基于工况识别的变衰减因子指数预测模型方法 |
CN109284540B (zh) * | 2018-08-31 | 2022-11-15 | 重庆大学 | 一种基于工况识别的变衰减因子指数预测模型方法 |
CN109657194A (zh) * | 2018-12-04 | 2019-04-19 | 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 |
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 |
CN110834625A (zh) * | 2019-11-11 | 2020-02-25 | 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 |
CN112810504A (zh) * | 2021-01-20 | 2021-05-18 | 同济大学 | 基于非线性预测模型控制的燃料电池汽车能量管理方法 |
CN112848971A (zh) * | 2021-03-01 | 2021-05-28 | 上海电气集团股份有限公司 | 燃料电池动力系统及其功率控制方法 |
CN112848971B (zh) * | 2021-03-01 | 2023-04-28 | 上海电气集团股份有限公司 | 燃料电池动力系统及其功率控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108363855B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363855A (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 | |
Zhang et al. | Fuzzy optimal energy management for fuel cell and supercapacitor systems using neural network based driving pattern recognition | |
Li et al. | Ecological adaptive cruise control and energy management strategy for hybrid electric vehicles based on heuristic dynamic programming | |
CN108312870B (zh) | 一种混合动力汽车氢耗与负载变化的能源管理方法 | |
Zand et al. | Using adaptive fuzzy logic for intelligent energy management in hybrid vehicles | |
Fu et al. | Energy management strategy for fuel cell/battery/ultracapacitor hybrid electric vehicles using deep reinforcement learning with action trimming | |
Li et al. | A speedy reinforcement learning-based energy management strategy for fuel cell hybrid vehicles considering fuel cell system lifetime | |
Zhang et al. | Real-time optimization of energy management strategy for fuel cell vehicles using inflated 3D inception long short-term memory network-based speed prediction | |
CN112035949B (zh) | 一种结合q增强学习的实时模糊能源管理方法 | |
CN113815437B (zh) | 燃料电池混合动力汽车的预测性能量管理方法 | |
He et al. | A new cost-minimizing power-allocating strategy for the hybrid electric bus with fuel cell/battery health-aware control | |
Valdez-Resendiz et al. | Improvement of ultracapacitors-energy usage in fuel cell based hybrid electric vehicle | |
Chen et al. | Power reserve predictive control strategy for hybrid electric vehicle using recognition-based long short-term memory network | |
Ghobadpour et al. | An intelligent energy management strategy for an off‐road plug‐in hybrid electric tractor based on farm operation recognition | |
CN115230485A (zh) | 基于短期功率平滑预测的燃料电池公交车能量管理方法 | |
Ali et al. | Optimal predictive power management strategy for fuel cell electric vehicles using neural networks in real-time | |
Hou et al. | Real-time energy management strategy of a fuel cell electric vehicle with global optimal learning | |
Zheng et al. | A deep deterministic policy gradient-based energy management strategy for fuel cell hybrid vehicles | |
Belhadj et al. | Improvement of Energy Management Control Strategy of Fuel Cell Hybrid Electric Vehicles Based on Artificial Intelligence Techniques. | |
Ramasamy et al. | Energy management in plugin hybrid electric vehicles with hybrid energy storage system using hybrid approach | |
Kamoona et al. | Intelligent Energy Management System Evaluation of Hybrid Electric Vehicle Based on Recurrent Wavelet Neural Network and PSO Algorithm. | |
CN104527637A (zh) | 混合动力汽车控制方法和系统 | |
Lu et al. | Load forecast method of electric vehicle charging station using SVR based on GA-PSO | |
Elkerdany et al. | Hybrid fuel cell/battery intelligent energy management system for uav | |
Liu et al. | Real time power management strategy for fuel cell hybrid electric bus based on Lyapunov stability theorem |
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 |