CN110834552A - 一种自适应遗传的双电耦合燃料电池汽车能效优化方法 - Google Patents
一种自适应遗传的双电耦合燃料电池汽车能效优化方法 Download PDFInfo
- Publication number
- CN110834552A CN110834552A CN201911094155.5A CN201911094155A CN110834552A CN 110834552 A CN110834552 A CN 110834552A CN 201911094155 A CN201911094155 A CN 201911094155A CN 110834552 A CN110834552 A CN 110834552A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- power
- efficiency
- lithium battery
- electric coupling
- 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.)
- Withdrawn
Links
Images
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
- B60L50/00—Electric propulsion with power supplied within the vehicle
- B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
-
- 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
- B60L50/00—Electric propulsion with power supplied within the vehicle
- B60L50/40—Electric propulsion with power supplied within the vehicle using propulsion power supplied by capacitors
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
-
- 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
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/14—Plug-in electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Sustainable Energy (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Sustainable Development (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种自适应遗传的双电耦合燃料电池汽车能效优化方法,为了解决现有双电耦合系统的控制方法没有将汽车的能效发挥到最优的问题。双电耦合燃料电池动力系统主要由氢燃料电池发电机组、锂离子电池组共同为车辆提供驱动电能。本发明根据汽车的运行情况实时优化燃料电池和锂电池放电功率的大小,燃料电池的放电功率Pfc和锂离子电池的放电功率为PL,然后以这两功率参数作为优化设计变量,采用自适应遗传算法优化两个参数功率大小,最终获得总效率最高的功率输出方案,为双电耦合燃料电池电动汽车的能效优化控制提供必要的技术支持。本发明适用于汽车设计制造领域。
Description
技术领域
本发明涉及一种汽车能效优化方法,尤其涉及一种自适应遗传的双电耦合燃料电池汽车能效优化方法。
背景技术
氢燃料电池汽车近年来得到了快速的发展,氢燃料电池具备能量密度高,加氢速度快的特点,很好的解决了纯电动汽车续航里程短、充电时间长的问题。目前,双电耦合型燃料电池汽车日益得到重视,因为此类型燃料电池汽车能够充分发挥燃料电池和锂电池的技术特点,在车辆加速爬坡工况,充分发挥锂离子电池放电倍率高的特点,提高车辆的动力性;在车辆正常行驶阶段,燃料电池系统工作,如燃料电池输出功率大于车辆行驶的功率需求,燃料电池可以通过双电DCDC转换器给锂离子电池充电。制动能量回收技术可以有效延长电动汽车的续航里程,在车辆制动过程中将动能转化为电能,为动力电池充电,由于制动的效能具有瞬间大电流且电压不稳定的特点,引入超级电容组可以很好的解决上述问题,同时超级电容器与锂离子电池组合使用,可以更好的提高车辆的动力性。
现有的双电耦合燃料电池动力系统的能效优化控制方法,都是根据车辆工况制定策略制定的规则,在车辆的起步、加速、正常行驶、制动等工况,结合锂电池SOC状态,设定燃料电池和锂离子电池输出功率,很难达获得总效率最高技术方案。因此,本发明专利提出一种基于自适应遗传算法的自适应遗传的双电耦合燃料电池汽车能效优化方法。在传统遗传算法中添加了自适应算法,解决了传统算法在交叉概率和变异概率中选择困难的问题,提高了算法的全局搜索能力。该发明专利所述双电耦合燃料电池动力系统能够充分发挥燃料电池和锂电池的优势,在保证车辆动力性的同时,获得最高的输出效率。本专利针对双电耦合燃料电池动力系统求解最优。
发明内容
发明目的:本发明的目的是为了解决现有的双电耦合燃料电池动力系统的能效优化控制方法,都是根据车辆工况制定策略制定的规则,在车辆的起步、加速、正常行驶、制动等工况,结合锂电池SOC状态,设定燃料电池和锂离子电池输出功率,很难达获得总效率最高技术方案的问题。
技术方案:为了实现上述目的,本发明采用了如下技术方案:
一种自适应遗传的双电耦合燃料电池汽车能效优化方法,包括以下步骤:
2)确定优化设计目标:系统为单目标优化,优化目标为双电耦合燃料电池电动汽车实时效率最高;
3)确定优化限制条件:根据氢燃料电池发电机组参数确定氢气消耗速率范围;
4)基于自适应遗传算法进行能效优化,所述能效优化方法包括以下步骤:
步骤二、分别计算初始种群中的第i个个体vi第k时刻燃料电池和锂电池的输出有用功率;
步骤三、计算初始种群中的第i个个体vi第k时刻燃料电池的工作效率ηfc(k)i;
步骤四、计算初始种群中的第i个个体vi第k时刻锂电池的放电功率ηL(k)i;
步骤五、引入适应度函数,计算初始种群中的第i个个体vi的适应度值大小,即第i个个体vi第k时刻汽车实施总效率η(k)i大小;
步骤六、判断当前优化代数t是否等于Tmax,若为是则停止计算,取适应度值最大的个体,即第k时刻实时总效率η(k)i最高的个体vi作为所求结果并根据对应的和分别作为燃料电池和锂电池的氢气消耗速率,并计算第i个个体第k时刻汽车实时放电功率PQ(k)i,如果t<Tmax,计算概率;
步骤七、计算交叉率Pc并根据交叉率得到新的群体V2;
步骤八、计算变异率Pm并根据变异率得到新的群体V3;
步骤九、将群体V3作为新一代种群,用V3代替V,并令t=t+1,并返回步骤二。
进一步地,所述步骤一中,种群初始化具体地,随机产生N个个体,组成初始种群V1={v1,v2,...,vi,...,vN},其中第i个个体为vi=(vi,1,vi,2),vi,1表示第i个个体第k时刻燃料电池氢气消耗速率大小,vi,2表示第i个个体第k时刻锂电池等效氢气消耗速率大小,将当前优化代数设置为t=1(t≤Tmax)。
进一步地,所述步骤二中,第i个个体vi第k时刻燃料电池的输出有用功率Pfc(k)i计算如下式:
第i个个体vi第k时刻锂电池的输出有用功率Pfc(k)i计算如下式:
其中,ηbat为锂电池系统效率;ηfcc为燃料电池系统效率;ηDCDC为燃料电池DCDC转换器效率。
进一步地,所述步骤三中,第i个个体vi第k时刻燃料电池的工作效率ηfc(k)i计算如下式:
进一步地,所述步骤四中,第i个个体vi第k时刻锂电池的放电功率ηL(k)i计算如下式:
其中,为第i个个体第k时刻锂电池当前流速氢气完全反应所产生的功率。
进一步地,所述步骤五中,适应值的计算如下式:
η(k)i=ηfc(k)i×ηL(k)i。 (6)
进一步地,所述步骤六中,计算第i个个体vi第k时刻汽车实时放电功率PQ(k)i如下式:
如果t<Tmax,采用下式计算概率:
然后概率所决定的选中机会选择再生个体,系统实时效率η(k)i高的个体被选中的概率高,系统实时效率η(k)i低的个体被淘汰。
进一步地,所述步骤七中,具体地,按照公式(9)计算交叉率Pc,然后根据交叉率Pc按照公式(10)得到新的群体V2;
其中,k1和k2为0-1之间的交叉常数;ηmax表示η(k)i中的最大效率大小;ηavg表示η(k)i中平均效率大小;ηc表示要交叉的两个个体中较大的效率;θ表示0-1之间的随机交叉位置;i∈{1,2,…,N},j∈{1,2,…,N},vi'(k)和vj'(k)表示第k时刻交叉后的新个体,vi(k)和vj(k)表示第k时刻需要交叉的个体。
进一步地,所述步骤八中,具体地,按照公式(11)计算变异率Pm,然后根据变异率Pm按照基本的单点变异方法得到新的群体V3;
其中,k3和k4为0-1之间的自定义常数;ηmax表示η(k)i中最大效率大小;ηavg表示η(k)i中平均效率大小;ηb’表示要变异个体的效率大小。
与现有技术相比,本发明的有益效果是:
本发明提供一种基于自适应遗传算法的双电耦合燃料电池汽车能效优化控制方法,能够获得能量消耗率最低的功率匹配方案,为双电耦合燃料电池汽车的能效优化控制提供必要的技术支持。
附图说明
图1为本发明的流程图;
图2为本发明双电耦合燃料电池汽车的结构示意图;
图3为本发明汽车工作模式切换的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
一种基于自适应遗传算法的双电耦合燃料电池汽车能效优化控制方法,是基于双电耦合燃料电池动力系统实现的,所述双电耦合燃料电池动力系统包括动力电池组、燃料电池发动机、双向DCDC转换器、氢气供给系统、整车控制系统、锂离子电池系统、超级电容组、驱动电机、驱动电机控制系统和变速器;
双电耦合燃料电池汽车在行驶过程中,实时监测燃料电池系统信息、动力电池组状态信息、超级电容器组状态信息、车辆行驶速度,驾驶员意图,根据车辆行驶速度及油门踏板开度计算车辆需求转矩,电机控制系统根据转矩需求,计算能源系统输出功率。能源系统输出有三种模式;第一:全输出模式,即燃料电池系统、锂离子电池系统、超级电容器组共同驱动车辆行驶;第二:正常行驶模式,燃料电池系统工作,如系统功率需求低于燃料电池系统的额定输出功率,燃料电池的剩余功率通过DCDC转换器为锂离子电池充电,(如锂离子电池SOC超过限定值,则为超级电容器组充电);第三:车辆制动减速模式,燃料电池系统关闭,电动机改为发电机模式,回收电能为超级电容器组充电。本专利研究第一种工作模式下,能效最优的问题。
设计步骤:
双电耦合燃料电池电动汽车在行驶过程中,实时监测动力电池剩余电量SOC及动力电池状态信息(包括单体电压、电流、温度、绝缘电阻阻值等),燃料电池系统信息,车辆行驶速度,驾驶员意图(实为检测油门踏板开度)。根据车辆行驶速度及油门踏板开度计算车辆需求转矩,根据车辆需求转矩,计算车辆驱动能源的功率需求。
本专利所述双电耦合动力系统模型由燃料电池、锂电池组、超级电容器组构成,由于超级电容器组作为辅助能源,能够存储的能量较少,本专利不作为优化对象。因此,本专利的优化对象为燃料电池及锂离子电池组。考虑到车载能源的有限性,针对两个能源设定功率系数。
其中,PQ为汽车实时放电功率;Pfc为燃料电池放电功率;PL为锂电池放电功率;为燃料电池的功率系数;φ为锂电池组的功率系数。
燃料电池系统与锂电池系统的效率与放电功率的关系,具体如下:
燃料电池的工作效率可以表示为:
由于燃料电池输出功率可以表示为和氢气消耗率的关系式,为了系统优化方便,可以把锂电池的输出效率也表示为耗氢速率的对应关系,因此引入如下关系式:
锂电池的放电功率PL:
其中,ηbat为锂电池系统效率;ηfcc为燃料电池系统效率;ηDCDC为燃料电池DCDC转换器效率。
锂电池的工作效率可以等效表示为:
技术方案:
一种基于自适应遗传算法的自适应遗传的双电耦合燃料电池汽车能效优化方法的设计步骤如下:
(2)确定优化设计目标:系统为单目标优化,优化目标为双电耦合燃料电池电动汽车实时效率最高。
(4)所述双电耦合燃料电池能效优化方法包括以下步骤:
步骤二、随机产生N个个体,组成初始种群V1={v1,v2,...,vi,...,vN},其中第i个个体为vi=(vi,1,vi,2),vi,1表示第i个个体第k时刻燃料电池氢气消耗速率大小,vi,2表示第i个个体第k时刻锂电池等效氢气消耗速率大小,将当前优化代数设置为t=1(t≤Tmax);
步骤三、采用公式(1)计算第i个个体第k时刻燃料电池的输出有用功率Pfc(k)i。
步骤四、采用公式(2)计算第i个个体第k时刻锂电池的输出有用功率PL(k)i。
其中,ηbat为锂电池系统效率;ηfcc为燃料电池系统效率;ηDCDC为燃料电池DCDC转换器效率。
步骤五、采用公式(4)计算第i个个体第k时刻燃料电池的工作效率ηfc(k)i。
步骤六、采用公式(5)计算第i个个体第k时刻锂电池的放电功率ηL(k)i。
步骤七、将公式(6)作为适应度函数,采用该公式计算每个个体vi的适应度值大小,即第i个个体第k时刻汽车实施总效率η(k)i大小;
η(k)i=ηfc(k)i×ηL(k)i (6)
步骤八、判断当前优化代数t是否等于Tmax,若为是则停止计算,取适应度值最大的个体,即第k时刻实时总效率η(k)i最高的个体vi作为所求结果并根据对应的和分别作为燃料电池和锂电池的氢气消耗速率,并采用公式(7)计算第i个个体第k时刻汽车实时放电功率PQ(k)i,如果t<Tmax,采用公式(8)计算概率:
然后按照上述概率所决定的选中机会选择再生个体,系统实时效率η(k)i高的个体被选中的概率高,系统实时效率η(k)i低的个体可能被淘汰。
步骤九、按照公式(9)计算交叉率Pc,然后根据交叉率Pc按照公式(10)得到新的群体V2。
其中,k1和k2为0-1之间的交叉常数;ηmax表示η(k)i中的最大效率大小;ηavg表示η(k)i中平均效率大小;ηc表示要交叉的两个个体中较大的效率;θ表示0-1之间的随机交叉位置;i∈{1,2,…,N},j∈{1,2,…,N},vi'(k)和vj'(k)表示第k时刻交叉后的新个体,vi(k)和vj(k)表示第k时刻需要交叉的个体。
步骤十、按照公式(11)计算变异率Pm,然后根据变异率Pm按照基本的单点变异方法得到新的群体V3。
其中,k3和k4为0-1之间的自定义常数;ηmax表示η(k)i中最大效率大小;ηavg表示η(k)i中平均效率大小;ηb’表示要变异个体的效率大小。
步骤十一、将步骤十得到的群体作为新一代种群,并另t=t+1,并返回步骤三。
本发明将自适应遗传算法应用在双电耦合燃料电池汽车上,其是基于汽车的双电耦合燃料电池动力系统实现的,如图2所示,该双电耦合燃料电池动力系统包括:锂离子动力电池组7、燃料电池发动机5、燃料电池DCDC转换器4、氢气供给系统8、整车控制系统9、锂离子电池系统、超级电容组6、驱动电机2、驱动电机控制器3和变速器1,a为左前轮,b为右前轮,c为左后轮,d为右后轮,a和b连接着变速器1。
如图2所示,驱动电机2与变速器1机械连接,变速器1与车辆半轴连接,驱动电机2与驱动电机控制器3电气连接,燃料电池发动机5与燃料电池DCDC转换器4电气连接,燃料电池DCDC转换器4分别与锂离子动力电池组7、超级电容器组6电气连接。
如图3所示,双电耦合燃料电池汽车在行驶过程中,实时监测燃料电池系统信息、动力电池组状态信息、超级电容器组状态信息、车辆行驶速度,驾驶员意图,根据车辆行驶速度及油门踏板开度计算车辆需求转矩,并设定动力系统的工作模式;当系统功率需求大于燃料电池最大输出功率,小于燃料电池和锂离子电池输出功率之和,即Pfc≤PQ≤Pfc+PL。
执行系统进入全驱动模式,燃料电池系统、锂电池系统、超级电容系统全部工作,按照优化算法优化燃料电池和锂电池系统的输出功率。
否则进入燃料电池系统单独工作模式。此时判断车辆是否为制动模式,如果为制动模式,电动机改为发电模式,优先为锂电池组充电,如回收电能不满足锂电池回收条件,则为超级电容充电;燃料电池系统和发电机一样优先为锂电池组充电,如回收电能不满足锂电池回收条件,则为超级电容充电;
如果车辆不是制动模式,燃料电池系统工作,剩余电能优先为锂电池充电,如回收电能不满足锂电池回收条件为超级电容充电。
需要说明的:
(1)超级电容系统只在制动回收模式和急加速工况工作,不参与本专利优化。
(2)超级电容器是否工作,由整车控制系统发出指令完成。
Claims (9)
1.一种自适应遗传的双电耦合燃料电池汽车能效优化方法,其特征在于:包括以下步骤:
2)确定优化设计目标:系统为单目标优化,优化目标为双电耦合燃料电池电动汽车实时效率最高;
3)确定优化限制条件:根据氢燃料电池发电机组参数确定氢气消耗速率范围;
4)基于自适应遗传算法进行能效优化,所述能效优化方法包括以下步骤:
步骤二、分别计算初始种群中的第i个个体vi第k时刻燃料电池和锂电池的输出有用功率;
步骤三、计算初始种群中的第i个个体vi第k时刻燃料电池的工作效率ηfc(k)i;
步骤四、计算初始种群中的第i个个体vi第k时刻锂电池的放电功率ηL(k)i;
步骤五、引入适应度函数,计算初始种群中的第i个个体vi的适应度值大小,即第i个个体vi第k时刻汽车实施总效率η(k)i大小;
步骤六、判断当前优化代数t是否等于Tmax,若为是则停止计算,取适应度值最大的个体,即第k时刻实时总效率η(k)i最高的个体vi作为所求结果并根据对应的和分别作为燃料电池和锂电池的氢气消耗速率,并计算第i个个体第k时刻汽车实时放电功率PQ(k)i,如果t<Tmax,计算概率;
步骤七、计算交叉率Pc并根据交叉率得到新的群体V2;
步骤八、计算变异率Pm并根据变异率得到新的群体V3;
步骤九、将群体V3作为新一代种群,用V3代替V,并令t=t+1,并返回步骤二。
3.根据权利要求1所述的自适应遗传的双电耦合燃料电池汽车能效优化方法,其特征在于:所述步骤二中,第i个个体vi第k时刻燃料电池的输出有用功率Pfc(k)i计算如下式:
第i个个体vi第k时刻锂电池的输出有用功率Pfc(k)i计算如下式:
其中,ηbat为锂电池系统效率;ηfcc为燃料电池系统效率;ηDCDC为燃料电池DCDC转换器效率。
6.根据权利要求1所述的自适应遗传的双电耦合燃料电池汽车能效优化方法,其特征在于:所述步骤五中,适应值的计算如下式:
η(k)i=ηfc(k)i×ηL(k)i。 (6)
7.根据权利要求1所述的自适应遗传的双电耦合燃料电池汽车能效优化方法,其特征在于:所述步骤六中,计算第i个个体vi第k时刻汽车实时放电功率PQ(k)i如下式:
如果t<Tmax,采用下式计算概率:
然后概率所决定的选中机会选择再生个体,系统实时效率η(k)i高的个体被选中的概率高,系统实时效率η(k)i低的个体被淘汰。
9.根据权利要求1所述的自适应遗传的双电耦合燃料电池汽车能效优化方法,其特征在于:所述步骤八中,具体地,按照公式(11)计算变异率Pm,然后根据变异率Pm按照基本的单点变异方法得到新的群体V3;
其中,k3和k4为0-1之间的自定义常数;ηmax表示η(k)i中最大效率大小;ηavg表示η(k)i中平均效率大小;ηb’表示要变异个体的效率大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911094155.5A CN110834552A (zh) | 2019-11-11 | 2019-11-11 | 一种自适应遗传的双电耦合燃料电池汽车能效优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911094155.5A CN110834552A (zh) | 2019-11-11 | 2019-11-11 | 一种自适应遗传的双电耦合燃料电池汽车能效优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110834552A true CN110834552A (zh) | 2020-02-25 |
Family
ID=69574766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911094155.5A Withdrawn CN110834552A (zh) | 2019-11-11 | 2019-11-11 | 一种自适应遗传的双电耦合燃料电池汽车能效优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110834552A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111572369A (zh) * | 2020-05-19 | 2020-08-25 | 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 |
CN113022385A (zh) * | 2021-05-28 | 2021-06-25 | 北京理工大学 | 燃料电池锂电池混合动力系统参数匹配方法 |
CN113442922A (zh) * | 2021-06-04 | 2021-09-28 | 黄冈格罗夫氢能汽车有限公司 | 一种氢燃料电池氢能汽车的坡道辅助系统 |
CN114132227A (zh) * | 2021-11-25 | 2022-03-04 | 西北工业大学深圳研究院 | 一种燃料电池电动汽车用能量管理方法 |
CN114932815A (zh) * | 2022-05-19 | 2022-08-23 | 青岛同清湖氢能源科技有限公司 | 一种氢燃料电池保电车发电功率分配方法 |
CN115257466A (zh) * | 2022-06-23 | 2022-11-01 | 安徽普思标准技术有限公司 | 一种在线燃料电池能量管理方法、系统及汽车 |
-
2019
- 2019-11-11 CN CN201911094155.5A patent/CN110834552A/zh not_active Withdrawn
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111572369A (zh) * | 2020-05-19 | 2020-08-25 | 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 |
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 |
CN113022385A (zh) * | 2021-05-28 | 2021-06-25 | 北京理工大学 | 燃料电池锂电池混合动力系统参数匹配方法 |
CN113022385B (zh) * | 2021-05-28 | 2021-08-10 | 北京理工大学 | 燃料电池锂电池混合动力系统参数匹配方法 |
CN113442922A (zh) * | 2021-06-04 | 2021-09-28 | 黄冈格罗夫氢能汽车有限公司 | 一种氢燃料电池氢能汽车的坡道辅助系统 |
CN114132227A (zh) * | 2021-11-25 | 2022-03-04 | 西北工业大学深圳研究院 | 一种燃料电池电动汽车用能量管理方法 |
CN114132227B (zh) * | 2021-11-25 | 2023-08-25 | 西北工业大学深圳研究院 | 一种燃料电池电动汽车用能量管理方法 |
CN114932815A (zh) * | 2022-05-19 | 2022-08-23 | 青岛同清湖氢能源科技有限公司 | 一种氢燃料电池保电车发电功率分配方法 |
CN114932815B (zh) * | 2022-05-19 | 2023-08-29 | 青岛同清湖氢能源科技有限公司 | 一种氢燃料电池保电车发电功率分配方法 |
CN115257466A (zh) * | 2022-06-23 | 2022-11-01 | 安徽普思标准技术有限公司 | 一种在线燃料电池能量管理方法、系统及汽车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110834552A (zh) | 一种自适应遗传的双电耦合燃料电池汽车能效优化方法 | |
CN109693578B (zh) | 一种燃料电池车整车功率分配控制方法和系统 | |
CN110834625B (zh) | 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 | |
CN110816303A (zh) | 一种顺序遗传算法的双电耦合燃料电池汽车能效优化方法 | |
Xu et al. | Dynamic programming algorithm for minimizing operating cost of a PEM fuel cell vehicle | |
CN111572369B (zh) | 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 | |
CN113928187B (zh) | 一种燃料电池汽车的能量管理控制方法 | |
CN111409510A (zh) | 一种氢燃料电池混合动力汽车的能量管理方法 | |
CN109552110B (zh) | 基于规则与非线性预测控制的电动汽车复合能量管理方法 | |
CN111409471A (zh) | 一种四驱电动汽车的扭矩控制方法 | |
CN110834624B (zh) | 一种自适应遗传算法的全混动汽车能效优化控制方法 | |
CN112706753A (zh) | 一种基于灰狼优化的ecms混动汽车能量管理策略 | |
CN113147514B (zh) | 一种多能量源氢燃料电池汽车能量管理控制方法及系统 | |
Jia et al. | Energy management strategy of fuel cell/battery hybrid vehicle based on series fuzzy control | |
CN110955931A (zh) | 一种二阶振荡粒子群双电耦合燃料电池汽车能效优化方法 | |
CN111159916A (zh) | 一种车载双电池复合储能系统及其参数优化设计方法 | |
CN113022318B (zh) | 双转子轮毂电机变压充电制动能量回收系统及方法 | |
Riczu et al. | Design and optimization of an electric vehicle with two battery cell chemistries | |
CN110834623B (zh) | 一种基于顺序选择遗传算法的全混动汽车能效优化方法 | |
CN110466388B (zh) | 一种复合储能电动汽车能量管理方法 | |
CN117013145A (zh) | 电池包自加热方法、电池包、用电装置及车辆 | |
CN115848217B (zh) | 一种基于多能源模组的能源管理方法 | |
CN110837679A (zh) | 一种基于自适应遗传算法的分布式驱动汽车能效优化方法 | |
CN116661296B (zh) | 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 | |
CN114771271B (zh) | 一种纯电动汽车再生制动力分配优化方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200225 |
|
WW01 | Invention patent application withdrawn after publication |