CN110955931A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110955931A CN110955931A CN201911095484.1A CN201911095484A CN110955931A CN 110955931 A CN110955931 A CN 110955931A CN 201911095484 A CN201911095484 A CN 201911095484A CN 110955931 A CN110955931 A CN 110955931A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- power
- double
- optimization
- lithium battery
- 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- Withdrawn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
- 239000000446 fuel Substances 0.000 title claims abstract description 144
- 239000002245 particle Substances 0.000 title claims abstract description 81
- 238000005457 optimization Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010168 coupling process Methods 0.000 title claims abstract description 42
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 42
- 230000010355 oscillation Effects 0.000 title claims abstract description 25
- 230000008878 coupling Effects 0.000 title claims abstract description 23
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 67
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 67
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 15
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 15
- 229910052739 hydrogen Inorganic materials 0.000 claims description 66
- 239000001257 hydrogen Substances 0.000 claims description 66
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 59
- 238000009826 distribution Methods 0.000 claims description 29
- 239000003990 capacitor Substances 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 9
- HEZMWWAKWCSUCB-PHDIDXHHSA-N (3R,4R)-3,4-dihydroxycyclohexa-1,5-diene-1-carboxylic acid Chemical compound O[C@@H]1C=CC(C(O)=O)=C[C@H]1O HEZMWWAKWCSUCB-PHDIDXHHSA-N 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 241000764238 Isis Species 0.000 claims 1
- 238000011084 recovery Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009194 climbing Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000005984 hydrogenation reaction Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fuel Cell (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于二阶振荡粒子群的双电耦合燃料电池电动汽车能效优化控制方法，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，采用二阶振荡粒子群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。本发明在二阶微粒群算法中引入了一个振荡环节，来改善传统粒子群算法的全局收敛性，使得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，不但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，而且使得双电耦合燃料电池汽车的能效发挥到最优。
Description
技术领域
本发明属于汽车设计制造领域，涉及一种双电耦合燃料电池汽车的控制方法，具体涉及一种基于二阶振荡粒子群算法的双电耦合燃料电池电动汽车能效优化控制方法。
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，这种方法很难获得总效率最高技术方案。
发明内容
发明目的：为了解决现有的双电耦合燃料电池汽车能效优化的问题，提供一种基于二阶振荡粒子群算法的双电耦合燃料电池汽车能效优化控制方法，其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。
技术方案：为实现上述目的，本发明提供一种基于二阶振荡粒子群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，驱动电机控制系统根据转矩需求，计算能源系统输出功率，并设定动力系统的工作模式；动力系统包括三种工作模式，第一：全输出模式；第二：正常行驶模式；第三：车辆制动减速模式；
当动力系统进入到全输出模式时，采用二阶振荡粒子群算法对动力系统能效进行优化，包括如下步骤：
S1：确定优化设计变量：
设计变量一共包括二个参数，分别为：燃料电池氢气消耗的速率
和锂电池等效氢气消耗速率
S2：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；
S3：确定优化限制条件；
S4：对设计变量进行优化，其具体的优化流程如下：
S4-1：初始化粒子群优化算法参数，包括：最大迭代次数Tmax、粒子数目m、惯性权重系数ω、加速系数c1、c2，将当前优化代数设置为t＝1(t≤Tmax)，在二维空间中，随机产生m个粒子x1，x2，...,xi,...,xm，构成种群X(t)，随机产生各粒子初始速度v1，v2，...,vi,...,vm，构成种群V(t)，其中第i个粒子的位置为xi＝(xi,1，xi,2)，速度为vi＝(vi,1，vi,2)，xi,1表示第i个个体第k时刻燃料电池氢气消耗速率
大小，xi,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；
S4-2：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；
S4-3：计算第i个个体第k时刻锂电池的输出有用功率PL(k)i；
S4-4：计算第i个个体第k时刻燃料电池的工作效率ηfc(k)i；
S4-5：计算第i个个体第k时刻锂电池的放电功率ηL(k)i；
S4-6：将计算得到的第i个粒子第k时刻的实时系统效率η(k)i的倒数S(k)i作为适应度值大小来评价每个粒子的好坏，存储当前各粒子的最佳位置pbest和与之对应的实时系统效率的倒数S(k)i，并将种群中适应度值最优的粒子作为整个种群中的最佳位置gbest；
S4-7：更新粒子的速度和位置，产生新的种群X(t+1)；
S4-8：更新粒子的pbest和gbest；
S4-9：判断当前优化代数t是否等于Tmax，若为是则停止计算，则输出适应度值S(k)i最小的粒子vi，即将第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，计算第i个个体第k时刻汽车实时放电功率PQ(k)i，然后结束流程；如果t<Tmax，则另t＝t+1，并返回步骤S4-7继续搜索。
进一步的，所述步骤S3中优化限制条件为燃料电池氢气消耗速率
和锂电池等效氢气消耗速率
的范围。
进一步的，所述步骤S4-2中采用公式(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：
其中，Vfc表示燃料电池的电压；Ffc表示燃料电池法拉第常数；
表示燃料电池氢气的摩尔质量；
表示第i个个体第k时刻燃料电池氢气消耗的速率。
进一步的，所述步骤S4-3中采用公式(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，
为第i个个体第k时刻锂电池等效氢气消耗速率；HL表示氢气的热值；slf为电池放电的等效系数，这个等效系数考虑了氢气的化学能到锂电池的存储与释放的平均能量路径，具体计算采用公式(3)获得；
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。
进一步的，所述步骤S4-4中采用公式(4)计算第i个个体第k时刻燃料电池的工作效率ηfc(k)i。
其中，
为第i个个体第k时刻燃料电池当前流速氢气完全反应所产生的功率。
进一步的，所述步骤S4-5中采用公式(5)计算第i个个体第k时刻锂电池的放电功率ηL(k)i：
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。
进一步的，所述步骤S4-6中将公式(6)作为适应度函数，将计算得到的第i个粒子第k时刻的实时系统效率η(k)i的倒数S(k)i作为适应度值大小来评价每个粒子的好坏。
进一步的，所述步骤S4-7中如果当前进化代数t小于最大进化代数Tmax的1/2，通过公式(7)-(8)更新粒子的速度和位置，产生新的种群X(t+1)：
xi,j(t+1)＝xi,j(t)+vi,j(t+1) (8)
其中，
如果当前进化代数t大于最大进化代数Tmax的1/2，通过公式(10)-(11)更新粒子的速度和位置，产生新的种群X(t+1)：
xi,j(t+1)＝xi,j(t)+vi,j(t+1) (11)
其中，
上式中，i＝1,2,...,m；j＝1,2；vi，j为第i个粒子的当前速度；ω表示惯性权重系数；c1和c2表示正的加速系数；r1、r2、ξ1、ξ2为随机数，在算法前期，即当前进化代数t小于最大进化代数Tmax的1/2时，按照公式(9)计算ξ1和ξ2，目的保证算法具有较强的全局搜索能力，在算法后期，即当前进化代数t大于最大进化代数Tmax的1/2时，按照公式(12)计算ξ1和ξ2，保证算法良好的收敛性能；pi,j表示第i个例子迄今找到的最佳位置pbest；pg，j是整个粒子群搜索到的最佳位置gbest；xi，j为第i个粒子的当前位置。
进一步的，所述步骤S4-9中采用公式(13)计算第i个个体第k时刻汽车实时放电功率PQ(k)i：
其中，
为燃料电池的功率分配系数，φ为锂电池组的功率分配系数。
进一步的，所述燃料电池的功率分配系数
和锂电池组的功率分配系数φ的确定方式为：
当燃料电池氢气储量大于30％时，功率分配系数
为1；当氢气储量小于30％，大于10％，功率分配系数
为0.7；当氢气储量低于10％，功率分配系数
为0.5；
当锂电池电量大于30％时，功率分配系数φ为1；当电池电量小于30％，大于10％，功率分配系数φ为0.7；当电池SOC低于10％，功率分配系数φ为0.5。
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，采用二阶振荡粒子群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。
有益效果：本发明与现有技术相比，基于二阶振荡粒子群算法的双电耦合燃料电池电动汽车能效优化控制方法在二阶微粒群算法中引入了一个振荡环节，来改善传统粒子群算法的全局收敛性，使得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，最终获得能量消耗率最低的功率匹配方案，不但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，而且使得双电耦合燃料电池汽车的能效发挥到最优，解决了现有的双电耦合燃料电池动力系统的控制方法没有将汽车的能效发挥到最优的问题。
附图说明
图1为本发明的优化流程图；
图2为双电耦合燃料电池动力系统连接示意图；
图3为双电耦合燃料电池动力系统整体控制方案示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。
本实施例将基于二阶振荡粒子群算法的能效优化控制方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(包括单体电压、电流、温度、绝缘电阻阻值等)、超级电容器组状态信息、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，并设定动力系统的工作模式，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。
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。执行系统进入全输出模式，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。
这里需要说明的是：
(1)超级电容系统只在制动回收模式和急加速工况工作，不参与本方案优化。
(2)超级电容器是否工作，由整车控制系统发出指令完成。
本实施例中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，不作为优化对象。因此，本实施例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，首先针对两个能源设定功率分配系数，其具体如下：
燃料电池的功率分配系数用
表示，当燃料电池氢气储量大于30％时，功率分配系数
为1；当氢气储量小于30％，大于10％，功率分配系数
为0.7；当氢气储量低于10％，功率分配系数
为0.5。
锂电池组的功率分配系数用φ表示，当锂电池电量大于30％时，功率分配系数φ为1；当电池电量小于30％，大于10％，功率分配系数φ为0.7；当电池SOC低于10％，功率分配系数φ为0.5。
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。
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：
式中：ηfc为燃料电池的工作效率；Pfc为燃料电池的输出有用功率；
为燃料电池当前流速氢气完全反应所产生的功率(由化学反应理论计算得到)。
式中，
表示燃料电池氢气消耗的速率，
表示燃料电池氢气的摩尔质量，Ffc表示燃料电池法拉第常数，Vfc表示燃料电池的电压。
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：
为锂电池等效氢气消耗速率；HL表示氢气的热值；slf为电池放电的等效系数，这个等效系数考虑了氢气的化学能到锂电池的存储与释放的平均能量路径。
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：
其中，ηL为锂电池的放电效率；
为锂电池当前流速氢气完全反应所产生的功率(由化学反应理论计算得到)。
如图1所示，当动力系统进入到全输出模式时，采用二阶振荡粒子群算法对动力系统能效进行优化，包括如下步骤：
S1：确定优化设计变量：
设计变量一共包括二个参数，分别为：燃料电池氢气消耗的速率
和锂电池等效氢气消耗速率
S2：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；
S3：确定优化限制条件：燃料电池氢气消耗速率
和锂电池等效氢气消耗速率
的范围在氢燃料电池发电机组设计时确定，与车辆设计指标相关；
S4：对设计变量进行优化，其具体的优化流程如下：
S4-1：初始化粒子群优化算法参数，包括：最大迭代次数Tmax、粒子数目m、惯性权重系数ω、加速系数c1、c2，将当前优化代数设置为t＝1(t≤Tmax)，在二维空间中，随机产生m个粒子x1，x2，...,xi,...,xm，构成种群X(t)，随机产生各粒子初始速度v1，v2，...,vi,...,vm，构成种群V(t)，其中第i个粒子的位置为xi＝(xi,1，xi,2)，速度为vi＝(vi,1，vi,2)，xi,1表示第i个个体第k时刻燃料电池氢气消耗速率
大小，xi,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；
S4-2：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：
其中，Vfc表示燃料电池的电压；Ffc表示燃料电池法拉第常数；
表示燃料电池氢气的摩尔质量；
表示第i个个体第k时刻燃料电池氢气消耗的速率；
S4-3：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，
为第i个个体第k时刻锂电池等效氢气消耗速率；HL表示氢气的热值；slf为电池放电的等效系数，这个等效系数考虑了氢气的化学能到锂电池的存储与释放的平均能量路径，具体计算采用公式(3)获得；
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；
S4-4：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；
其中，
为第i个个体第k时刻燃料电池当前流速氢气完全反应所产生的功率；
S4-5：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：
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；
S4-6：将公式(6)作为适应度函数，将计算得到的第i个粒子第k时刻的实时系统效率η(k)i的倒数S(k)i作为适应度值大小来评价每个粒子的好坏，存储当前各粒子的最佳位置pbest和与之对应的实时系统效率的倒数S(k)i，并将种群中适应度值最优的粒子作为整个种群中的最佳位置gbest；
S4-7：如果当前进化代数t小于最大进化代数Tmax的1/2，通过公式(7)-(8)更新粒子的速度和位置，产生新的种群X(t+1)：
xi,j(t+1)＝xi,j(t)+vi,j(t+1) (8)
其中，
如果当前进化代数t大于最大进化代数Tmax的1/2，通过公式(10)-(11)更新粒子的速度和位置，产生新的种群X(t+1)：
xi,j(t+1)＝xi,j(t)+vi,j(t+1) (11)
其中，
上式中，i＝1,2,...,m；j＝1,2；vi，j为第i个粒子的当前速度；ω表示惯性权重系数；c1和c2表示正的加速系数；r1、r2、ξ1、ξ2为随机数，在算法前期，即当前进化代数t小于最大进化代数Tmax的1/2时，按照公式(9)计算ξ1和ξ2，目的保证算法具有较强的全局搜索能力，在算法后期，即当前进化代数t大于最大进化代数Tmax的1/2时，按照公式(12)计算ξ1和ξ2，保证算法良好的收敛性能；pi,j表示第i个例子迄今找到的最佳位置pbest；pg，j是整个粒子群搜索到的最佳位置gbest；xi，j为第i个粒子的当前位置；
S4-8：更新粒子的pbest和gbest；
S4-9：判断当前优化代数t是否等于Tmax，若为是则停止计算，则输出适应度值S(k)i最小的粒子vi，即将第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，采用公式(13)计算第i个个体第k时刻汽车实时放电功率PQ(k)i，然后结束流程；如果t<Tmax，则另t＝t+1，并返回步骤S4-7继续搜索。
Claims (10)
1.一种基于二阶振荡粒子群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，驱动电机控制系统根据转矩需求，计算能源系统输出功率，并设定动力系统的工作模式；动力系统包括三种工作模式，第一：全输出模式；第二：正常行驶模式；第三：车辆制动减速模式；
其特征在于：当动力系统进入到全输出模式时，采用二阶振荡粒子群算法对动力系统能效进行优化，包括如下步骤：
S1：确定优化设计变量：
设计变量一共包括二个参数，分别为：燃料电池氢气消耗的速率
和锂电池等效氢气消耗速率
S2：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；
S3：确定优化限制条件；
S4：对设计变量进行优化，其具体的优化流程如下：
S4-1：初始化粒子群优化算法参数，包括：最大迭代次数Tmax、粒子数目m、惯性权重系数ω、加速系数c1、c2，将当前优化代数设置为t＝1(t≤Tmax)，在二维空间中，随机产生m个粒子x1，x2，...,xi,...,xm，构成种群X(t)，随机产生各粒子初始速度v1，v2，...,vi,...,vm，构成种群V(t)，其中第i个粒子的位置为xi＝(xi,1，xi,2)，速度为vi＝(vi,1，vi,2)，xi,1表示第i个个体第k时刻燃料电池氢气消耗速率
大小，xi,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；
S4-2：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；
S4-3：计算第i个个体第k时刻锂电池的输出有用功率PL(k)i；
S4-4：计算第i个个体第k时刻燃料电池的工作效率ηfc(k)i；
S4-5：计算第i个个体第k时刻锂电池的放电功率ηL(k)i；
S4-6：将计算得到的第i个粒子第k时刻的实时系统效率η(k)i的倒数S(k)i作为适应度值大小来评价每个粒子的好坏，存储当前各粒子的最佳位置pbest和与之对应的实时系统效率的倒数S(k)i，并将种群中适应度值最优的粒子作为整个种群中的最佳位置gbest；
S4-7：更新粒子的速度和位置，产生新的种群X(t+1)；
S4-8：更新粒子的pbest和gbest；
S4-9：判断当前优化代数t是否等于Tmax，若为是则停止计算，则输出适应度值S(k)i最小的粒子vi，即将第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，计算第i个个体第k时刻汽车实时放电功率PQ(k)i，然后结束流程；如果t<Tmax，则另t＝t+1，并返回步骤S4-7继续搜索。
2.根据权利要求1所述的一种基于二阶振荡粒子群算法的双电耦合燃料电池汽车能效优化控制方法，其特征在于：所述步骤S3中优化限制条件为燃料电池氢气消耗速率
和锂电池等效氢气消耗速率
的范围。
3.根据权利要求1所述的一种基于二阶振荡粒子群算法的双电耦合燃料电池汽车能效优化控制方法，其特征在于：所述步骤S4-2中采用公式(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：
其中，Vfc表示燃料电池的电压；Ffc表示燃料电池法拉第常数；
表示燃料电池氢气的摩尔质量；
表示第i个个体第k时刻燃料电池氢气消耗的速率。
4.根据权利要求1所述的一种基于二阶振荡粒子群算法的双电耦合燃料电池汽车能效优化控制方法，其特征在于：所述步骤S4-3中采用公式(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，
为第i个个体第k时刻锂电池等效氢气消耗速率；HL表示氢气的热值；slf为电池放电的等效系数，这个等效系数考虑了氢气的化学能到锂电池的存储与释放的平均能量路径，具体计算采用公式(3)获得；
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。
5.根据权利要求1所述的一种基于二阶振荡粒子群算法的双电耦合燃料电池汽车能效优化控制方法，其特征在于：所述步骤S4-4中采用公式(4)计算第i个个体第k时刻燃料电池的工作效率ηfc(k)i。
其中，
为第i个个体第k时刻燃料电池当前流速氢气完全反应所产生的功率。
6.根据权利要求1所述的一种基于二阶振荡粒子群算法的双电耦合燃料电池汽车能效优化控制方法，其特征在于：所述步骤S4-5中采用公式(5)计算第i个个体第k时刻锂电池的放电功率ηL(k)i：
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。
7.根据权利要求1所述的一种基于二阶振荡粒子群算法的双电耦合燃料电池汽车能效优化控制方法，其特征在于：所述步骤S4-6中将公式(6)作为适应度函数，将计算得到的第i个粒子第k时刻的实时系统效率η(k)i的倒数S(k)i作为适应度值大小来评价每个粒子的好坏。
8.根据权利要求1所述的一种基于二阶振荡粒子群算法的双电耦合燃料电池汽车能效优化控制方法，其特征在于：所述步骤S4-7中如果当前进化代数t小于最大进化代数Tmax的1/2，通过公式(7)-(8)更新粒子的速度和位置，产生新的种群X(t+1)：
xi,j(t+1)＝xi,j(t)+vi,j(t+1) (8)
其中，
如果当前进化代数t大于最大进化代数Tmax的1/2，通过公式(10)-(11)更新粒子的速度和位置，产生新的种群X(t+1)：
xi,j(t+1)＝xi,j(t)+vi,j(t+1) (11)
其中，
上式中，i＝1,2,...,m；j＝1,2；vi，j为第i个粒子的当前速度；ω表示惯性权重系数；c1和c2表示正的加速系数；r1、r2、ξ1、ξ2为随机数，在算法前期，即当前进化代数t小于最大进化代数Tmax的1/2时，按照公式(9)计算ξ1和ξ2，目的保证算法具有较强的全局搜索能力，在算法后期，即当前进化代数t大于最大进化代数Tmax的1/2时，按照公式(12)计算ξ1和ξ2，保证算法良好的收敛性能；pi,j表示第i个例子迄今找到的最佳位置pbest；pg，j是整个粒子群搜索到的最佳位置gbest；xi，j为第i个粒子的当前位置。
9.根据权利要求1所述的一种基于二阶振荡粒子群算法的双电耦合燃料电池汽车能效优化控制方法，其特征在于：所述步骤S4-9中采用公式(13)计算第i个个体第k时刻汽车实时放电功率PQ(k)i：
其中，
为燃料电池的功率分配系数，φ为锂电池组的功率分配系数。
10.根据权利要求9所述的一种基于二阶振荡粒子群算法的双电耦合燃料电池汽车能效优化控制方法，其特征在于：所述燃料电池的功率分配系数
和锂电池组的功率分配系数φ的确定方式为：
当燃料电池氢气储量大于30％时，功率分配系数
为1；当氢气储量小于30％，大于10％，功率分配系数
为0.7；当氢气储量低于10％，功率分配系数
为0.5；
当锂电池电量大于30％时，功率分配系数φ为1；当电池电量小于30％，大于10％，功率分配系数φ为0.7；当电池SOC低于10％，功率分配系数φ为0.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911095484.1A CN110955931A (zh) | 2019-11-11 | 2019-11-11 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911095484.1A CN110955931A (zh) | 2019-11-11 | 2019-11-11 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110955931A true CN110955931A (zh) | 2020-04-03 |
Family
ID=69977117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911095484.1A Withdrawn CN110955931A (zh) | 2019-11-11 | 2019-11-11 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110955931A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111736462A (zh) * | 2020-04-21 | 2020-10-02 | 河南科技大学 | 一种燃料电池汽车最优氢耗控制方法 |
| CN113022380A (zh) * | 2021-03-09 | 2021-06-25 | 吉林大学 | 一种考虑衰减的燃料电池汽车动力电池优化设计方法 |
-
2019
- 2019-11-11 CN CN201911095484.1A patent/CN110955931A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111736462A (zh) * | 2020-04-21 | 2020-10-02 | 河南科技大学 | 一种燃料电池汽车最优氢耗控制方法 |
| CN111736462B (zh) * | 2020-04-21 | 2022-09-23 | 河南科技大学 | 一种燃料电池汽车最优氢耗控制方法 |
| CN113022380A (zh) * | 2021-03-09 | 2021-06-25 | 吉林大学 | 一种考虑衰减的燃料电池汽车动力电池优化设计方法 |
| CN113022380B (zh) * | 2021-03-09 | 2022-06-21 | 吉林大学 | 一种考虑衰减的燃料电池汽车动力电池优化设计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109693578B (zh) | 一种燃料电池车整车功率分配控制方法和系统 | |
| CN109747625B (zh) | 一种混合动力车辆复合式能量管理方法 | |
| 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 | |
| CN101496255B (zh) | 二次电池的充放电控制装置和装有该装置的混合动力车辆 | |
| 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 | |
| JP6146396B2 (ja) | 電動モーターによって駆動する車両、および、その車両の制御方法 | |
| CN112959901A (zh) | 一种燃料电池汽车的控制方法 | |
| 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 | |
| WO2024045321A1 (zh) | 一种面向增程式电传动矿用卡车的能量输出控制方法及系统 | |
| 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 | |
| WO2024022043A1 (zh) | 车辆中动力电池的充放电功率控制方法、装置及车辆 | |
| Jia et al. | Energy management strategy of fuel cell/battery hybrid vehicle based on series fuzzy control | |
| CN113434962A (zh) | 一种混联式混合动力无人机动力系统的优化方法 | |
| CN117013145B (zh) | 电池包自加热方法、电池包、用电装置及车辆 | |
| 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 | |
| Li et al. | Research on multi-energy management system of fuel cell vehicle based on fuzzy control | |
| CN117465412A (zh) | 基于能量流效率最优的混合动力车辆在线能量管理方法 | |
| WO2024087590A1 (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 | |
| CN110466388B (zh) | 一种复合储能电动汽车能量管理方法 | |
| Song et al. | Degree of hybridization design for a fuel cell/battery hybrid electric vehicle based on multi-objective particle swarm optimization | |
| Zheng et al. | Powertrain hybridization and parameter optimization design of a conventional fuel vehicle based on the multi-objective particle swarm optimization algorithm | |
| CN111645530B (zh) | 考虑电池寿命的制动能量滚动优化控制方法 | |
| CN111284472B (zh) | 混合动力汽车的控制策略以及控制器 | |
| Xu et al. | Control strategy optimization of a hybrid fuel cell vehicle with braking energy regeneration |
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: 20200403 |
|
| WW01 | Invention patent application withdrawn after publication |