CN111572369A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111572369A
CN111572369A CN202010427010.9A CN202010427010A CN111572369A CN 111572369 A CN111572369 A CN 111572369A CN 202010427010 A CN202010427010 A CN 202010427010A CN 111572369 A CN111572369 A CN 111572369A
Authority
CN
China
Prior art keywords
fuel cell
cost
electric vehicle
energy management
hybrid electric
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
Application number
CN202010427010.9A
Other languages
English (en)
Other versions
CN111572369B (zh
Inventor
彭超
邹见效
肖栋
徐红兵
朱云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010427010.9A priority Critical patent/CN111572369B/zh
Publication of CN111572369A publication Critical patent/CN111572369A/zh
Application granted granted Critical
Publication of CN111572369B publication Critical patent/CN111572369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B60L50/75—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using propulsion power supplied by both fuel cells and batteries
    • 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
    • B60L58/40—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for controlling a combination of batteries and fuel cells
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0275—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/023—Learning or tuning the parameters of a fuzzy system
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了一种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，其包括建立燃料电池的等效成本函数模型，建立基于模糊控制的混合动力汽车能量管理控制器，以步骤S1中燃料电池的等效成本函数模型最小化为优化目标，采用改进遗传算法对模糊控制器进行优化求解，得到最优控制器参数。本发明实现了对燃料电池混合动力汽车能量管理的在线优化调节，显著提升了燃料电池混合动力汽车的经济性和耐久性。

Description

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
技术领域
本发明属于燃料电池混合动力汽车能量管理技术领域，具体涉及一种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。
背景技术
燃料电池混合动力汽车是目前最有前途的新能源汽车之一，与传统汽车相比，燃料电池混合动力汽车与传统的内燃机驱动汽车在构造及动力传输等方面不同,为汽车的整体设计提出了新的要求。传统内燃机汽车的发动机在燃料电池汽车中不复存在,取而代之的是燃料电池反应堆、蓄电池、氢气罐、电动机、DC/DC转化器等设备。因此,根据燃料电池汽车自身特点,在设计时,应作相应的变化和改进。燃料电池汽车具有以下优点：无污染、续航里程长和能量补充耗时短等。
尽管燃料电池汽车应用前景广阔，但是由于其成本高昂以及受燃料电池存在性能衰减且寿命短等缺点，燃料电池混合动力电动汽车目前尚未实现大规模的商业应用。燃料电池的性能衰减主要由载荷的动态变化和电池的反复启停引起的。例如用于汽车的质子交换膜燃料电池(PEMFC)的使用寿命估计为1200次启动/停止循环。对于蓄电池，应当限制其荷电状态(SOC)范围以避免过早老化。因此对于提高燃料电池混合动力汽车的经济性和耐久性成为了一个重要的研究课题。
国内外学者对提高燃料电池混合动力汽车的经济性和耐久性展开了一系列的研究，发现能量管理策略对于提高燃料电池混合动力汽车的经济性和耐久性有着至关重要的作用。能量管理策略作用于对不同能源来进行功率分配。在燃料电池混合动力汽车中，能量管理策略不仅可以满足车辆实时加载的必要的动力变化需求，也能影响车辆的经济性和耐久性。目前对于燃料电池混合动力汽车，设计其能量管理策略的目标为：(1)最大限度地减少燃料(氢)的消耗；(2)增加电源的使用寿命：最小化质子交换膜燃料电池的启动\停止循环次数；限制储能蓄电池的荷电状态。目前对于燃料电车汽车常见的能量管理策略有动态规划,操作模式切换控制和模糊控制。其中模糊控制是最成熟的在线能量管理方法，特别是对于系统非线性和电力系统的混合动力特性。其具有计算复杂度低，适宜在线操作的特点。但是上述燃料电池混合动力电动汽车的能量管理策略只注重经济性而忽视耐久性，特别是能源的耐久性。
发明内容
本发明的目的在于克服现有技术的不足，保证在最大限度地减少燃料消耗以及增加电源使用寿命条件下同时兼顾燃料电池汽车的经济性，提供了一种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，以实现对燃料电池混合动力汽车能量管理的在线优化调节，进而提升燃料电池混合动力汽车的经济性和耐久性。
为了达到上述发明目的，本发明采用的技术方案为：
一种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，包括以下步骤：
S1、根据燃料电池寿命衰减、燃料消耗、储能蓄电池寿命衰减和充电费用建立燃料电池的等效成本函数模型；
S2、建立用于对燃料电池和储能蓄电池进行实时功率分配的基于模糊控制的混合动力汽车能量管理控制器；
S3、以步骤S1中燃料电池的等效成本函数模型最小化为优化目标，采用改进遗传算法对步骤S2中基于模糊控制的混合动力汽车能量管理控制器进行优化求解，得到最优控制器参数。
进一步地，所述步骤S1中燃料电池的等效成本函数模型具体为：
costall＝costΔfc(t)+costH2+costΔbat(t)+costbat-charge
其中，costall为燃料电池的等效成本函数，costΔfc(t)为燃料电池寿命衰减损耗成本，costH2(t)为燃料消耗损耗成本，costΔbat(t)为储能蓄电池寿命衰减损耗成本，costbat-charge为蓄电池充电费用损耗成本。
本发明步骤S1中燃料电池寿命衰减损耗成本具体为：
costΔfc(t)＝Δfc(t)FCcost
Figure BDA0002499085760000031
Figure BDA0002499085760000032
其中，Δfc为燃料电池寿命衰减，δt为燃料电池运行时的衰减系数，Nswitch为燃料电池的启动或停止次数，Δswitch为燃料电池启动或停止的衰减系数，δ0和β均为负载相关系数，pfc-nom为燃料电池系统额定输出功率，pfc(t)为燃料电池运行时的实时功率，FCcost为燃料电池耗损成本系数。
本发明步骤S1中燃料消耗损耗成本具体为：
Figure BDA0002499085760000033
其中，
Figure BDA0002499085760000034
为燃料H2消耗量，H2cost为氢气消耗的成本系数。
本发明步骤S1中储能蓄电池寿命衰减损耗成本具体为：
costΔbat(t)＝Δbat(t)BATcost
Figure BDA0002499085760000041
H(SoCbat)＝1+3.25(1-SoCbat)2
Figure BDA0002499085760000042
其中，Δbat为蓄电池的性能衰减，H(SoCbat)为受电池荷电状态SoC影响的蓄电池的衰减项，G(ibat)为受电池工作电流影响的蓄电池的衰减项，Qbat-max为新电池的容量，ibat-nom为电池的额定工作电流，BATcost为蓄电池衰减成本系数，ibat(t)为蓄电池的工作电流，SoCbat为蓄电池的荷电状态。
本发明步骤S1中蓄电池充电费用损耗成本具体为：
costbat-charge＝|SoCinitial-SoCend|Chargecost
其中，SoCinitial和SoCend分别为储能蓄电池的初始荷电状态和经路况循环测试后最终的电池荷电状态，Chargecost为蓄电池充电成本系数。
进一步地，所述步骤S2具体包括以下分步骤：
S21、设定混合动力汽车能量管理控制器的输入变量和输出变量
将蓄电池的荷电状态和混合动力汽车的负载功率作为控制器的输入变量，将燃料电池的负载电流参考值作为控制器的输出变量；
S22、对混合动力汽车能量管理控制器的输入变量和输出变量模糊化对输入量取其语言变量为Pload，其模糊集合为{NB,NM,NS,Z,PS,PM,PB}，分别表示负载功率的范围为{负大区域，负中区域，负小区域，近零区域，正小区域，正中区域，正大区域)；
对输入量取其语言变量为SoCbat，其模糊集合为{S,M,B},分别表示的范围为{小区域，中区域，大区域}；
对输出量取其语言变量为ifc-ref，其模糊集合为{VS,S,M,B,VB},分别表示为{极小区域，小区域，中区域，大区域，极大区域}；
S23、设定模糊控制的控制规则并进行模糊推理；
S24、对控制器的输出变量进行去模糊化，得到实际的输出量为燃料电池的负载电流参考值。
进一步地，所述步骤S3具体包括以下分步骤：
S31、设定遗传算法的运行初始参数，所述运行初始参数包括群体规模大小、迭代次数、变异概率和交叉概率；
S32、建立利用步骤S2中基于模糊控制的混合动力汽车能量管理控制器进行进行实时能量管理的燃料电池混动汽车的动力总成模型，并选择测试工况；
S33、将基于模糊控制的混合动力汽车能量管理控制器参数作为遗传算法的决策变量；
S34、将步骤S1中燃料电池的等效成本函数模型作为遗传算法的适应度函数，计算各种群对应的适应度值；
S35、判断是否达到设定的最大迭代次数；若是，则输出优化后的控制器参数及其等效成本函数值；否则分别执行选择运算、交叉运算和变异运算后返回步骤S33。
本发明采用的选择运算具体为：
根据父代和子代种群的适应度值，利用改进的锦标赛策略对二代种群进行选择。
本发明执行选择运算后再在整个新种群中删去一个适应度值最低的个体，并用当前适应度最高的特征个体替换。
本发明具有以下有益效果：
(1)本发明利用影响燃料电池汽车性能衰减和寿命短的多种损耗因素建立燃料电池的等效成本函数模型，实现对燃料电池混合动力汽车的能量管理策略的协同调节，提升了燃料电池混合动力汽车的经济性和耐久性；
(2)本发明采用改进遗传算法对基于模糊控制的混合动力汽车能量管理控制器进行优化求解，得到最优控制器参数，从而使得总的等效成本函数模型最小化；
(3)本发明优化后的基于模糊策略的能量管理系统可以满足混和动力汽车实际路况下的实时负载功率需求，燃料电池的输出功率趋于平稳，而系统的储能蓄电池则可以提供系统的动态瞬时功率，并且有利于减小燃料电池的性能衰减延长电池的使用寿命。
附图说明
图1为本发明的燃料电池混合动力汽车拓扑结构图；
图2为本发明的混合动力汽车动力系统结构图；
图3为本发明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流程图；
图4为本发明中混合动力汽车的能量管理结构图；
图5为本发明中模糊控制器输入量和输出量的隶属度关系图；
图6为本发明中改进遗传算法流程图；
图7为本发明中三种测试工况的速度特征图；
图8为本发明中NDEC路况下优化结果图；
图9为本发明中NDEC路况下的速度变化曲线图；
图10为本发明中NDEC路况下的功率变化曲线图；
图11为本发明中NEDC路况下蓄电池荷电状态和储氢罐氢容量变化曲线图；
图12为本发明中WLTC路况下优化结果图；
图13为本发明中WLTC路况下的速度变化曲线图；
图14为本发明中WLTC路况下的功率变化曲线图；
图15为本发明中WLTC路况下蓄电池荷电状态和储氢罐氢容量变化曲线图；
图16为本发明中实际城市路况下优化结果图；
图17为本发明中实际城市路况下的速度变化曲线图
图18为本发明中实际城市路况下的功率变化曲线图；
图19为本发明中实际城市路况下蓄电池荷电状态和储氢罐氢容量变化曲线图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本发明实施例中针对燃料电池混合动力汽车动力总成模型进行能量管理策略优化，其实际参考对象为四轮汽车，质量为698kg(不包含乘客的质量)，搭配变速箱、差速锁和两个驱动轮。其动力系统拓扑结构图如图1所示，包括一个15kW的直流感应电机，逆变器，80V-40Ah锂电池组和燃料电池组成。燃料电池模块的额定输出功率为16kW，最大输出电流为400A，电压输出范围为40V-60V。由于燃料电池的输出电压较低，因此需要利用斩波器和电感构成升压电路接入直流母线回路。而锂电池则是直接介入主电路。这样的拓扑结构的主要优点在于限制电力电子器件的数目，减小设备体积和重量，进而降低成本。在图1中，将燃料电池等效为电压源。系统的其他动力参数如表1所示。
表1系统的其他动力参数表
燃料电池 40-60V,16kW,400A(I<sub>max</sub>)
氢气储气罐 5.5kg(H<sub>2</sub>),350bar
储能电池(LiFePO4) 80V,40Ah
最大输出功率 15kW
DC/DC逆变器 5.5mΩ,025mH
汽车重量 837.8kg
最大行驶速度 85km/h
在图1中，混合动力汽车的动力总成模型可以分为两部分组成：储能子系统和牵引子系统。因此在设计控制策略时需要分别设计储能子系统的能量管理策略与电动车再生制动下的牵引子系统控制策略。本发明对系统模型加以简化，混合动力汽车动力系统的结构图如图2所示，着重进行储能子系统的能量管理策略及优化。
下面结合图1和图2对本发明的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进行详细说明，如图3所示，本发明的优化方法包括以下步骤S1至S3：
S1、根据燃料电池寿命衰减、燃料消耗、储能蓄电池寿命衰减和充电费用建立燃料电池的等效成本函数模型；
在本实施例中，本发明将燃料电池混合动力汽车的能量管理系统所要满足的需求设定为三个部分：
(1)动态性能。能量管理系统应该满足燃料电池混合动力汽车对于当前实际路况的实时能量需求；
(2)经济性。能量管理系统应该尽量使燃料电池和蓄电池能够工作在高效率区间，尽可能使燃料经济效益最大化；
(3)耐久性。能量管理策略应该使燃料电池和蓄电池尽可能工作在理想的区域，避免大突变电流造成的不可逆损伤，同时最小化燃料电池的启动/停止循环次数，从而延长燃料电池的使用寿命。
为了实现燃料电池混合动力汽车的能量管理策略能够同时满足上述需求，本发明根据燃料电池混合动力汽车的各项损耗，具体包括燃料电池寿命衰减、燃料消耗、储能蓄电池寿命衰减和充电费用损耗分别建立损耗成本模型，并根据各项损耗成本模型建立相关的燃料电池等效成本函数模型。
燃料电池的寿命衰减Δfc与其输出功率和启动或停止次数相关，从而将燃料电池寿命衰减损耗成本costΔfc(t)具体表示为：
costΔfc(t)＝Δfc(t)FCcost
Figure BDA0002499085760000091
Figure BDA0002499085760000092
其中，Δfc为燃料电池寿命衰减，取值范围为[0,1]；δt为燃料电池运行时的衰减系数，Nswitch为燃料电池的启动或停止次数，Δswitch为燃料电池启动或停止的衰减系数，δ0和β均为负载相关系数，pfc-nom为燃料电池系统额定输出功率，FCcost＝600US$。
混合动力系统的燃料电池为质子交换膜燃料电池，其工作时将氢气作为燃料，因此对氢气会有消耗，从而将燃料消耗损耗成本costH2(t)具体表示为：
Figure BDA0002499085760000101
其中，
Figure BDA0002499085760000104
为燃料H2消耗量，H2cost＝3.5US$/kg。
蓄电池的性能衰减Δbat与电池的荷电状态SoC和工作电流有关，从而将储能蓄电池寿命衰减损耗成本costΔbat(t)具体表示为：
costΔbat(t)＝Δbat(t)BATcost
Figure BDA0002499085760000102
H(SoCbat)＝1+3.25(1-SoCbat)2
Figure BDA0002499085760000103
其中，Δbat为蓄电池的性能衰减，H(SoCbat)为受电池荷电状态SoC影响的蓄电池的衰减项，G(ibat)为受电池工作电流，Qbat-max为新电池的容量，ibat-nom为电池的额定工作电流，BATcost＝640US$。
为了更为全面的衡量评估能量管理策略的性能，本发明还考虑储能电池的充电费用消耗，将蓄电池充电费用损耗成本costbat-charge具体表示为：
costbat-charge＝|SoCinitial-SoCend|Chargecost
其中，SoCinitial和SoCend分别为储能蓄电池的初始荷电状态和经路况循环测试后最终的电池荷电状态，Chargecost＝1US$。
对上述四项耗损成本进行建模后，本发明将对应单位时间内的耗损金额作为对应耗损权重，建立燃料电池等效成本函数模型具体表示为：
costall＝costΔfc(t)+costH2+costΔbat(t)+costbat-charge
其中，costall为燃料电池的等效成本函数。
S2、建立用于对燃料电池和储能蓄电池进行实时功率分配的基于模糊控制的混合动力汽车能量管理控制器；
在本实施例中，本发明基于模糊规则建立混合动力汽车能量管理控制器，混合动力汽车的能量管理结构图如图4所示。
混合动力汽车能量管理控制器的构建方法具体包括以下分步骤：
S21、设定混合动力汽车能量管理控制器的输入变量和输出变量
参照图3，本发明将SoCbat和Pload作为控制器的输入变量，将燃料电池的负载电流参考值ifc-ref作为控制器的输出变量，根据混合动力汽车的模型，输入和输出变量的值域为：
Figure BDA0002499085760000111
S22、对混合动力汽车能量管理控制器的输入变量和输出变量模糊化对输入量取其语言变量为Pload，其模糊集合为{NB,NM,NS,Z,PS,PM,PB}，分别表示负载功率的范围为{负大区域，负中区域，负小区域，近零区域，正小区域，正中区域，正大区域)；其模糊论域取值范围为[-1，1]。
对输入量取其语言变量为SoCbat，其模糊集合为{S,M,B},分别表示的范围为{低区域，中区域，高区域}；其模糊论域取值范围为[-1，1]
对输出量取其语言变量为ifc-ref，其模糊集合为{VS,S,M,B,VB},分别表示为{极小区域，小区域，中区域，大区域，极大区域}；其模糊论域取值范围为[-1，1]。
模糊控制器输入量和输出量的隶属度函数如图5所示。由于模糊控制器的隶属度函数需要满足完备性条件，即隶属度函数的分布必须覆盖语言变量的整个论域，因此设定有关隶属度函数未知变量的取值范围为：
Figure BDA0002499085760000121
模糊控制器输入输出变量的模糊化和去模糊化系数为：
Figure BDA0002499085760000122
S23、设定模糊控制的控制规则并进行模糊推理；
本发明基于燃料电池混合动力汽车调试数据设定模糊控制的控制规则，采用“IF-THEN”的语言形式表述，一共有21条模糊规则构成了模糊控制器的模糊规则表，如表2所示。
Figure BDA0002499085760000123
Figure BDA0002499085760000131
对于二维控制器，控制规则具体表示为：
R1：if Pload＝NB and SoCbat＝S,then ifc-ref＝VS；
R2：if Pload＝NB and SoCbat＝M,then ifc-ref＝VS；
……………
R21：if Pload＝PB and SoCbat＝B,then ifc-ref＝B；
则整个系统的控制规则总的模糊关系R表示为：
R＝R1∪R2∪...∪R21。
S24、对控制器的输出变量进行去模糊化，得到实际的输出量为燃料电池的负载电流参考值。
控制器的实际输入值经过模糊化处理转化为对应的语言变量，通过查询表2所示模糊规则库进行模糊推理得到控制器的输出模糊值。由模糊推理得到的这个模糊输出值是输出论域上的模糊子集，只有将其转化为精确控制量，才能施加于对象上。本发明采用重心法对所设计的模糊控制器进行去模糊化，即把图4中输出量的隶属度函数与横坐标围成面积的重心作为模糊推理的最终输出值。
S3、以步骤S1中燃料电池的等效成本函数模型最小化为优化目标，采用改进遗传算法对步骤S2中基于模糊控制的混合动力汽车能量管理控制器进行优化求解，得到最优控制器参数。
在本实施例中，实际混合动力汽车在运行中模糊控制的控制器参数是固定的，而模糊控制器中的隶属度函数中变量x1-x6，y1-y3,z1-z8的取值都是在一定范围内的。因此根据当前的控制器参数取值范围，无法给出模糊控制器的最优参数设计与取值。因此本发明采用改进遗传算法对步骤S2中基于模糊控制的混合动力汽车能量管理控制器进行优化求解，得到不同测试路况下的最优控制器参数，以此来最小化燃料电池混合动力汽车的等效成本函数，提高控制系统的准确性。
如图6所示，以步骤S1中燃料电池的等效成本函数模型最小化为优化目标，采用改进遗传算法对步骤S2中基于模糊控制的混合动力汽车能量管理控制器进行优化求解具体包括以下分步骤：
S31、设定遗传算法的运行初始参数，所述运行初始参数包括群体规模大小M、迭代次数G、变异概率和交叉概率Pm；
S32、建立利用步骤S2中基于模糊控制的混合动力汽车能量管理控制器进行进行实时能量管理的燃料电池混动汽车的动力总成模型，并选择测试工况；
本发明建立质子交换膜燃料电池、功率变换器、储能电池的模型与车辆动力学模型。测试系统利用基于模糊控制的混合动力汽车能量管理控制器进行实时能量管理，调节燃料电池和储能电池的工作状态，满足负载需求。其中，车辆动力学模型用来建立测试工况下车辆行驶速度与动力需求功率的关系。
本发明采用燃料电池混合动力汽车动力总成模型，同时在从三种工况：NEDC，WLTC和真实城市道路选择其中一种用于测试，三种测试工况的速度特征图如图7所示；测试时将在选定模拟路况下测试一个循环后计算一次成本值。
S33、将基于模糊控制的混合动力汽车能量管理控制器参数作为遗传算法的决策变量；
本发明设定遗传算法的决策变量为模糊控制器中的隶属度函数的未知变量：x1,x2,x3,x4,x5,x6,y1,y2,y3,z1,z2,z3,z4,z5,z6,z7,z8。将需要进行优化的参数构成向量表示为X＝[x1,x2,x3,x4,x5,x6,y1,y2,y3,z1,z2,z3,z4,z5,z6,z7,z8,]。根据隶属度函数的未知变量的取值范围提出的隶属度函数变量的取值范围对控制器参数值进行限制。则控制器参数取值上限为Pupper＝[0.2,0.3,0.5,0.7,0.8,1.0,0.6,0.8,1.0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8]。控制器参数取值下限为Plow＝[0,0.2,0.3,0.5,0.7,0.8,0,0.6,0.8,0,0.1,0.2,0.3,0.4,0.5,0.6,0.7]。
根据种群数目M随机初始化10组这个未知变量参数，他们的随机值都在相应的取值范围内。
S34、将步骤S1中燃料电池的等效成本函数模型作为遗传算法的适应度函数，计算各种群对应的适应度值；
将步骤S1中燃料电池的等效成本函数模型作为遗传算法的适应度函数，以评估各个由模糊控制器中的变量参数组成的染色体的适应度值；带入测试工况参数和初始化控制器参数至测试系统进行测试，获取燃料电池输出功率、燃料电池启动/停止次数、系统氢气消耗量、储能电池SOC，储能电池电流等数据。利用以上数据，计算出等效成本函数，即各种群对应的适应度值。
S35、判断是否达到设定的最大迭代次数；若是，则输出优化后的控制器参数及其等效成本函数值；否则分别执行选择运算、交叉运算和变异运算后返回步骤S33。
其中选择运算过程具体为：
根据父代和子代种群的适应度值，利用改进的锦标赛策略对二代种群进行选择。由于选择运算一般只在子代与父代之间进行，而未在整个种群里进行优化筛选，因此本发明对遗传算法进行改进，在选择运算后再在整个新种群中删去一个适应度值最低的用当前适应度最高的特征个体替换。
交叉运算过程具体为：
根据给定的交叉因子和交叉策略，将两个父亲一代的信息进行交叉组合，产生新的优秀个体。通过交叉操作，遗传算法的种群多样性得到保持，使得遗传算法的全局搜索能力大幅提升。交叉运算选用模拟二进制交叉(SBX)计算，即模拟二进制表示的单点交叉，表示为
Figure BDA0002499085760000161
Figure BDA0002499085760000162
其中，
Figure BDA0002499085760000163
且μj∈U(0，1)，η>0为分布指数。一般η＝1，μj为(0，1)中的随机数，x1j(t)，x2j(t)为第t代交叉前个体，
Figure BDA0002499085760000164
表示第t代交叉后的个体，γj为交叉系数。
变异运算过程具体为：
根据生成的变异算子，对种群内个体进行随机变异，保持种群的多样性。变异运算利用多项式变异，其变异算子形式是：
Figure BDA0002499085760000165
其中，
Figure BDA0002499085760000171
δ1＝(Vk-lk)/(μk-lk),δ2＝(μk-lk)/(Vk-lk),
μ为[0,1]区间内的随机数，ηm为分布指数，Vk表示一个父个体，
Figure BDA0002499085760000172
表示变异后的子代。μk,lk为Vk取值范围上下限，δ为变异步长，δ1,δ2为多项式变异系数。
下面对本发明基于改进遗传算法的能量管理控制策略对燃料电池混合动力汽车在三种不同的模拟工况下的优化结果进行分析。
对于NEDC测试循环，遗传算法(GA)和改进后的遗传算法(OptimizationScreening Genetic Algorithm,OSGA)的迭代结果如图8所示。OSGA算法相较于普通GA算法有更好的优化结果和更快的收敛速度。图中两种算法优化结果的初始值差距较大，是由于种群初始化的随机性造成的。利用优化算法获得的最优控制参数，可以得到NEDC循环下的混合动力汽车的各项性能指标，如图9、图10、图11所示。由图9的速度响应曲线图，可以看到经参数优化后的能量管理系统具有良好的动态性能，能够控制系统中的燃料电池和储能蓄电池协同工作满足混动电动汽车的实时功率需求。从图10的功率曲线图中，可以发现燃料电池的输出功率在NEDC测试期间保持相对平缓的变化，而储能蓄电池提供了大部分的动态瞬时功率需求。考虑燃料电池在动态响应上具有较慢的时间特性，这在一定程度上减轻了燃料电池输出功率动态调节的负担。另外过于频繁地或是瞬时大功率地调节燃料电池将极有可能造成电池供气不足燃料饥饿，从而对燃料电池系统造成不可逆的寿命衰减。因此如图10所示，本发明采用的改进遗传算法优化的控制器有利于保护燃料电池。氢气罐氢气容量变化和储能蓄电池的荷电状态变化如图11所示。此外，需要说明的是在当前循环条件下测试，燃料电池的启动/停止次数为1。类似得，对于WLTC循环和真实城市道路循环的实验结果如图12和图16所示。OSGA算法相较于普通GA算法有更好的优化结果和更快的收敛速度。根据遗传算法得到的最优控制器参数的测试结果分别如图13、图14、图15所示和图17、图18、图19所示。从测试的结果可以发现优化后的基于模糊策略的能量管理系统可以满足混动汽车实际路况下的实时负载功率需求，燃料电池的输出功率趋于平稳，而系统的储能蓄电池则可以提供系统的动态瞬时功率。此外，在后面两个测试循环中燃料电池的启动/停止次数均为1。则有利于减小燃料电池的性能衰减延长电池的使用寿命。
本发明从兼顾燃料电池混合动力电动汽车经济性和耐久性的角度出发，提出了一种基于改进遗传算法的在线优化方法应用于燃料电池混动汽车的能量管理系统。本发明根据燃料电池混动汽车的动力总成模型，提出了基于燃料电池寿命衰减、燃料消耗、储能蓄电池寿命衰减和充电费用的等效成本函数；然后建立了基于模糊逻辑的混合动力汽车的能量管理控制器，用于实现燃料电池和储能蓄电池之间的实时功率分配；随后考虑三种不同的汽车驾驶工况测试循环，利用遗传算法设计了一种在线调节模糊控制器参数的优化算法，并在一般遗传算法的基础上做了改进。经仿真实验验证，改进后的遗传算法对于本发明应用背景有更好的优化结果，并且优化的收敛速度更快。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种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，其特征在于，包括以下步骤：
S1、根据燃料电池寿命衰减、燃料消耗、储能蓄电池寿命衰减和充电费用建立燃料电池的等效成本函数模型；
S2、建立用于对燃料电池和储能蓄电池进行实时功率分配的基于模糊控制的混合动力汽车能量管理控制器；
S3、以步骤S1中燃料电池的等效成本函数模型最小化为优化目标，采用改进遗传算法对步骤S2中基于模糊控制的混合动力汽车能量管理控制器进行优化求解，得到最优控制器参数。
2.根据权利要求1所述的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，其特征在于，所述步骤S1中燃料电池的等效成本函数模型具体为：
Figure FDA0002499085750000011
其中，costall为燃料电池的等效成本函数，costΔfc(t)为燃料电池寿命衰减损耗成本，
Figure FDA0002499085750000012
为燃料消耗损耗成本，costΔbat(t)为储能蓄电池寿命衰减损耗成本，costbat-charge为蓄电池充电费用损耗成本。
3.根据权利要求2所述的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，其特征在于，所述步骤S1中燃料电池寿命衰减损耗成本具体为：
costΔfc(t)＝Δfc(t)FCcost
Figure FDA0002499085750000013
Figure FDA0002499085750000021
其中，Δfc为燃料电池寿命衰减，δt为燃料电池运行时的衰减系数，Nswitch为燃料电池的启动或停止次数，Δswitch为燃料电池启动或停止的衰减系数，δ0和β均为负载相关系数，pfc-nom为燃料电池系统额定输出功率，pfc(t)为燃料电池运行时的实时功率，FCcost为燃料电池耗损成本系数。
4.根据权利要求2所述的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，其特征在于，所述步骤S1中燃料消耗损耗成本具体为：
Figure FDA0002499085750000022
其中，
Figure FDA0002499085750000023
为燃料H2消耗量，H2cost为氢气消耗的成本系数。
5.根据权利要求2所述的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，其特征在于，所述步骤S1中储能蓄电池寿命衰减损耗成本具体为：
costΔbat(t)＝Δbat(t)BATcost
Figure FDA0002499085750000024
H(SoCbat)＝1+3.25(1-SoCbat)2
Figure FDA0002499085750000025
其中，Δbat为蓄电池的性能衰减，H(SoCbat)为受电池荷电状态SoC影响的蓄电池的衰减项，G(ibat)为受电池工作电流影响的蓄电池的衰减项，Qbat-max为新电池的容量，ibat-nom为电池的额定工作电流，BATcost为蓄电池衰减成本系数，ibat(t)为蓄电池的工作电流，SoCbat为蓄电池的荷电状态。
6.根据权利要求2所述的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，其特征在于，所述步骤S1中蓄电池充电费用损耗成本具体为：
costbat-charge＝|SoCinitial-SoCend|Chargecost
其中，SoCinitial和SoCend分别为储能蓄电池的初始荷电状态和经路况循环测试后最终的电池荷电状态，Chargecost为蓄电池充电成本系数。
7.根据权利要求1所述的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，其特征在于，所述步骤S2具体包括以下分步骤：
S21、设定混合动力汽车能量管理控制器的输入变量和输出变量
将蓄电池的荷电状态和混合动力汽车的负载功率作为控制器的输入变量，将燃料电池的负载电流参考值作为控制器的输出变量；
S22、对混合动力汽车能量管理控制器的输入变量和输出变量模糊化
对输入量取其语言变量为Pload，其模糊集合为{NB,NM,NS,Z,PS,PM,PB}，分别表示负载功率的范围为{负大区域，负中区域，负小区域，近零区域，正小区域，正中区域，正大区域)；
对输入量取其语言变量为SoCbat，其模糊集合为{S,M,B},分别表示的范围为{小区域，中区域，大区域}；
对输出量取其语言变量为ifc-ref，其模糊集合为{VS,S,M,B,VB},分别表示为{极小区域，小区域，中区域，大区域，极大区域}；
S23、设定模糊控制的控制规则并进行模糊推理；
S24、对控制器的输出变量进行去模糊化，得到实际的输出量为燃料电池的负载电流参考值。
8.根据权利要求1所述的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，其特征在于，所述步骤S3具体包括以下分步骤：
S31、设定遗传算法的运行初始参数，所述运行初始参数包括群体规模大小、迭代次数、变异概率和交叉概率；
S32、建立利用步骤S2中基于模糊控制的混合动力汽车能量管理控制器进行进行实时能量管理的燃料电池混动汽车的动力总成模型，并选择测试工况；
S33、将基于模糊控制的混合动力汽车能量管理控制器参数作为遗传算法的决策变量；
S34、将步骤S1中燃料电池的等效成本函数模型作为遗传算法的适应度函数，计算各种群对应的适应度值；
S35、判断是否达到设定的最大迭代次数；若是，则输出优化后的控制器参数及其等效成本函数值；否则分别执行选择运算、交叉运算和变异运算后返回步骤S33。
9.根据权利要求8所述的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，其特征在于，所述选择运算具体为：
根据父代和子代种群的适应度值，利用改进的锦标赛策略对二代种群进行选择。
10.根据权利要求9所述的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，其特征在于，所述选择运算后再在整个新种群中删去一个适应度值最低的个体，并用当前适应度最高的特征个体替换。
CN202010427010.9A 2020-05-19 2020-05-19 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 Active CN111572369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010427010.9A CN111572369B (zh) 2020-05-19 2020-05-19 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010427010.9A CN111572369B (zh) 2020-05-19 2020-05-19 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

Publications (2)

Publication Number Publication Date
CN111572369A true CN111572369A (zh) 2020-08-25
CN111572369B CN111572369B (zh) 2023-01-03

Family

ID=72113880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010427010.9A Active CN111572369B (zh) 2020-05-19 2020-05-19 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

Country Status (1)

Country Link
CN (1) CN111572369B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112339615A (zh) * 2020-09-25 2021-02-09 南京金龙客车制造有限公司 基于在线支持向量机的燃料电池客车续航里程预测方法
CN112677771A (zh) * 2020-12-31 2021-04-20 吉林大学 一种基于模糊控制的前驱电动汽车的再生制动控制方法
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
CN113071507A (zh) * 2021-03-22 2021-07-06 江铃汽车股份有限公司 一种基于模糊控制的电动汽车能量管理控制方法
CN114056184A (zh) * 2021-10-28 2022-02-18 东南大学 一种降成本增寿命的复合电池能量控制方法
CN114784324A (zh) * 2022-04-21 2022-07-22 中汽创智科技有限公司 一种燃料电池系统控制方法、装置、电子设备及储存介质
CN116341395A (zh) * 2023-05-29 2023-06-27 西北工业大学 多堆燃料电池飞机的能量管理方法、系统、设备及终端
CN116729208A (zh) * 2023-08-15 2023-09-12 北京理工大学 一种燃料电池混动汽车能量管理方法、系统及电子设备
CN117111451A (zh) * 2023-10-24 2023-11-24 湘江实验室 基于源网荷储拓扑的多能源系统智能调控方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108312870A (zh) * 2018-02-02 2018-07-24 杭州电子科技大学 一种混合动力汽车氢耗与负载变化的能源管理方法
CN109606137A (zh) * 2019-01-23 2019-04-12 吉林大学 融合成本寿命因素的多源电驱动系统经济性优化方法
CN110254418A (zh) * 2019-06-28 2019-09-20 福州大学 一种混合动力汽车增强学习能量管理控制方法
CN110834552A (zh) * 2019-11-11 2020-02-25 常熟理工学院 一种自适应遗传的双电耦合燃料电池汽车能效优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108312870A (zh) * 2018-02-02 2018-07-24 杭州电子科技大学 一种混合动力汽车氢耗与负载变化的能源管理方法
CN109606137A (zh) * 2019-01-23 2019-04-12 吉林大学 融合成本寿命因素的多源电驱动系统经济性优化方法
CN110254418A (zh) * 2019-06-28 2019-09-20 福州大学 一种混合动力汽车增强学习能量管理控制方法
CN110834552A (zh) * 2019-11-11 2020-02-25 常熟理工学院 一种自适应遗传的双电耦合燃料电池汽车能效优化方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112339615A (zh) * 2020-09-25 2021-02-09 南京金龙客车制造有限公司 基于在线支持向量机的燃料电池客车续航里程预测方法
CN112677771A (zh) * 2020-12-31 2021-04-20 吉林大学 一种基于模糊控制的前驱电动汽车的再生制动控制方法
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
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
CN113071507A (zh) * 2021-03-22 2021-07-06 江铃汽车股份有限公司 一种基于模糊控制的电动汽车能量管理控制方法
CN113071507B (zh) * 2021-03-22 2022-03-01 江铃汽车股份有限公司 一种基于模糊控制的电动汽车能量管理控制方法
CN114056184A (zh) * 2021-10-28 2022-02-18 东南大学 一种降成本增寿命的复合电池能量控制方法
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
CN114784324A (zh) * 2022-04-21 2022-07-22 中汽创智科技有限公司 一种燃料电池系统控制方法、装置、电子设备及储存介质
CN114784324B (zh) * 2022-04-21 2023-12-22 中汽创智科技有限公司 一种燃料电池系统控制方法、装置、电子设备及储存介质
CN116341395A (zh) * 2023-05-29 2023-06-27 西北工业大学 多堆燃料电池飞机的能量管理方法、系统、设备及终端
CN116341395B (zh) * 2023-05-29 2023-08-01 西北工业大学 多堆燃料电池飞机的能量管理方法、系统、设备及终端
CN116729208A (zh) * 2023-08-15 2023-09-12 北京理工大学 一种燃料电池混动汽车能量管理方法、系统及电子设备
CN117111451A (zh) * 2023-10-24 2023-11-24 湘江实验室 基于源网荷储拓扑的多能源系统智能调控方法及装置
CN117111451B (zh) * 2023-10-24 2024-02-02 湘江实验室 基于源网荷储拓扑的多能源系统智能调控方法及装置

Also Published As

Publication number Publication date
CN111572369B (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
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
Lü et al. Energy management of hybrid electric vehicles: A review of energy optimization of fuel cell hybrid power system based on genetic algorithm
Geng et al. Simulation research on a novel control strategy for fuel cell extended-range vehicles
Li et al. Battery optimal sizing under a synergistic framework with DQN-based power managements for the fuel cell hybrid powertrain
Yu et al. Real time energy management strategy for a fast charging electric urban bus powered by hybrid energy storage system
CN111409510B (zh) 一种氢燃料电池混合动力汽车的能量管理方法
CN112287463B (zh) 一种基于深度强化学习算法的燃料电池汽车能量管理方法
CN109606137A (zh) 融合成本寿命因素的多源电驱动系统经济性优化方法
da Silva et al. Dual HESS electric vehicle powertrain design and fuzzy control based on multi-objective optimization to increase driving range and battery life cycle
Zhou et al. Total travel costs minimization strategy of a dual-stack fuel cell logistics truck enhanced with artificial potential field and deep reinforcement learning
da Silva et al. Aging-aware optimal power management control and component sizing of a fuel cell hybrid electric vehicle powertrain
CN114347866B (zh) 一种基于vmd处理的燃料电池能量管理方法
Jia et al. Energy management strategy of fuel cell/battery hybrid vehicle based on series fuzzy control
Zheng et al. A deep deterministic policy gradient-based energy management strategy for fuel cell hybrid vehicles
Huang et al. Deep reinforcement learning based energymanagement strategy considering running costs and energy source aging for fuel cell hybrid electric vehicle
Li et al. Research on multi-energy management system of fuel cell vehicle based on fuzzy control
Arani et al. Energy management of dual-source propelled electric vehicle using fuzzy controller optimized via genetic algorithm
BOYACIOĞLU et al. Modeling and Control of a PEM Fuel Cell Hybrid Energy System Used in a Vehicle with Fuzzy Logic Method
Liu et al. Multi-objective optimization for energy management of fuel cell hybrid electric vehicles
Zhang et al. An online energy management strategy for fuel cell hybrid vehicles
Guo et al. A lifetime extended energy management strategy for fuel cell hybrid electric vehicles via self-learning fuzzy reinforcement learning
CN114030392A (zh) 燃料电池-锂电池混源供电系统效率优化能量管理策略
Chen et al. Ecological Driving Strategy for Fuel Cell Hybrid Electric Vehicle Based on Continuous Deep Reinforcement Learning
Yu et al. Research on the Control Strategy of Hybrid Energy Storage System for Electric Bus
Hu et al. Optimized Energy Management Strategy for Fuel Cell/Battery Hybrid Vehicles to Balance both Fuel Economy and Power Sources Durability

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