CN112810503B

CN112810503B - 考虑动态响应能力的基于神经网络的汽车动力控制方法

Info

Publication number: CN112810503B
Application number: CN202110072633.3A
Authority: CN
Inventors: 宋珂; 丁钰航; 王一旻; 徐宏杰
Original assignee: Tongji University
Current assignee: Tongji University
Priority date: 2021-01-20
Filing date: 2021-01-20
Publication date: 2023-02-10
Anticipated expiration: 2041-01-20
Also published as: CN112810503A

Abstract

本发明涉及一种考虑动态响应能力的基于神经网络的汽车动力控制方法，包括：S1：实时获取汽车的整车工况特征速度、动力系统的需求功率、能量源的功率和蓄电池SOC；S2：根据蓄电池SOC判断燃料电池是否开启，若燃料电池开启则执行步骤S3；S3：将整车工况特征速度、动力系统的需求功率和能量源的功率载入神经网络中，获取能量源的当前最优功率分配参数；S4：根据燃料电池系统的动态响应能力曲线，对能量源的当前最优功率分配参数进行修正；S5：根据修正后的能量源的当前最优功率分配参数，对能量源的输出功率进行分配控制。与现有技术相比，本发明考虑了燃料电池的动态响应能力，而且具有燃油经济性好、结构简单、易于实车实现等优点。

Description

考虑动态响应能力的基于神经网络的汽车动力控制方法

技术领域

本发明涉及燃料电池汽车动力控制领域，尤其是涉及考虑动态响应能力的基于神经网络的汽车动力控制方法。

背景技术

纯燃料电池汽车有以下几个缺点：启动时间长，冷启动性能差；系统的动态响应慢；当输出功率较低和较高时，燃料电池的效率低；不能通过再生制动来回收能量。为了克服这些缺点，燃料电池一般与其他储能设备，如电池和超级电容器结合使用。因此，多能量源之间的能量分配，即能量管理策略是燃料电池汽车设计的重点研究问题之一。燃料电池汽车的性能与其能量管理策略密切相关，最佳的能量管理策略不仅能提高整车的经济性，而且能提高电源系统的使用寿命。

根据控制方法不同，燃料电池汽车的能量管理策略(EMS)主要可以分为两类：基于规则的策略和基于优化算法的策略。基于规则的能量管理策略根据实验结果或研究经验在燃料电池系统和电池之间设计一定的规则以分配需求功率。基于规则的能量管理策略虽然简单，但是经济性较差。

基于优化的EMS通常分为两类：全局优化策略和瞬时优化策略。全局优化策略需要事先知道驾驶工况，因此无法实时应用。瞬时优化策略通过定义随时间更新的瞬时成本函数来解决优化问题。常用的瞬时优化方法如随机动态规划、模型预测控制实现能量管理的前提是驾驶工况预测，而在实际工况中，驾驶员的行为和交通状况往往具有很大的随机性，因此难以保证预测的精度。

公开号为CN102951144B的发明公开了一种基于最小功率损失算法的自调整神经网络能量管理方法，包括以下步骤：1)整车控制器通过CAN总线从汽车动力附件获取能量管理策略计算所需数据，同时采集当前的能量源的实时效率值；2)整车控制器判断是否已接收到完整的数据；3)整车控制器判断是否接收到需更新神经网络的指令，若是，则更新神经网络；4)整车控制器根据接收到的能量管理策略计算所需数据，通过神经网络计算出当前最优功率分配；5)使用功率增益系数对神经网络计算出的最优功率分配进行修正；6)整车控制器通过CAN总线向能量控制器发送功率分配结果。

该方案在神经网络的训练过程中，通过最小功率损失算法获取功率分配结果，对燃料电池和蓄电池的工作性能考虑不够全面，并且经实验得出采用该方案时，燃料电池寿命有所下降。

发明内容

本发明的目的就是为了克服上述现有技术存在难以保证预测的精度，燃料电池寿命有所下降的缺陷而提供一种考虑动态响应能力的基于神经网络的汽车动力控制方法。

本发明的目的可以通过以下技术方案来实现：

一种考虑动态响应能力的基于神经网络的汽车动力控制方法，所述汽车的动力系统的能量源包括燃料电池和蓄电池，所述方法包括以下步骤：

S1：实时获取汽车的能量状态数据，该能量状态数据包括整车工况特征速度、动力系统的需求功率、能量源的功率和蓄电池SOC；

S2：根据步骤S1获取的所述蓄电池SOC判断燃料电池是否开启，若燃料电池开启则执行步骤S3；

S3：将步骤S1获取的所述整车工况特征速度、动力系统的需求功率和能量源的功率载入预先建立并训练好的神经网络中，获取能量源的当前最优功率分配参数；

S4：根据预先获取的燃料电池系统的动态响应能力曲线，对所述能量源的当前最优功率分配参数进行修正；

S5：根据步骤S4获取的修正后的能量源的当前最优功率分配参数，对所述能量源的输出功率进行分配控制；

所述神经网络的训练过程包括获取汽车在各个工况下能量源的状态数据，采用动态规划方法根据该状态数据计算在各个已知工况下，能量源的全局优化分配结果，从而根据各已知工况对应的整车工况特征速度和能量源的全局优化分配结果构建训练集，采用该训练集训练所述神经网络。

进一步地，所述整车工况特征速度包括整车的平均速度、平均加速度、最大加速度、最小加速度和怠速率。

进一步地，所述动态规划方法的代价函数J的表达式为：

式中，

为燃料电池的氢耗量，

为蓄电池的等效氢耗量，P_fc为燃料电池功率，η_fc为燃料电池的效率，

为氢气的低热值，P_bat为蓄电池功率，η_dis为蓄电池的放电效率，η_cha为蓄电池的充电效率，η_cha,avg为蓄电池的平均充电效率，η_dis,avg为蓄电池的平均放电效率；m_fc,avg为燃料电池的平均瞬时氢耗量，n为步数，Δt为单步步长，P_DC为与蓄电池相连的DC/DC的输出功率。

进一步地，所述动态规划方法的规划过程中，所述燃料电池功率的寻优范围的表达式为：

f_min(P_fc(t))≤P_fc(t+1)≤f_max(P_fc(t))

式中，P_fc(t+1)为t+1时刻的燃料电池功率，f_min(P_fc(t))为t时刻的燃料电池功率的最小值，f_max(P_fc(t))为t时刻的燃料电池功率的最大值。

进一步地，步骤S4中，所述能量源的当前最优功率分配参数包括燃料电池的需求功率和蓄电池的需求功率，对所述能量源的当前最优功率分配参数进行修正具体为：

根据所述燃料电池的需求功率计算当前时刻燃料电池的功率变化率；基于燃料电池的动态响应能力曲线，如果所述当前时刻燃料电池的功率变化率大于燃料电池动态响应能力决定的最大变化率，则按照该最大变化率输出燃料电池的需求功率。

进一步地，步骤S2中，判断燃料电池是否开启具体为：

如果步骤S1获取的所述蓄电池SOC大于0.7，则燃料电池不开启，如果所述蓄电池SOC小于0.7，则燃料电池开启。

进一步地，所述神经网络为NARX神经网络。

进一步地，所述汽车的动力系统包括整车控制器、CAN总线、能量源、能量控制器和汽车动力附件，所述汽车动力控制方法通过所述整车控制器执行。

进一步地，步骤S3中，所述动力系统的需求功率包括当前时刻之前在预设第一时间段中的整车需求功率和整车需求功率的积分。

进一步地，步骤S3中，所述能量源的功率包括当前时刻之前在预设第一时间段中的燃料电池功率和燃料电池功率的积分。

与现有技术相比，本发明具有以下优点：

(1)本发明建立的基于神经网络的汽车动力控制方法一方面避免了工况预测的不准确对能量管理带来的影响，另一方面仅需要一个神经网络就可以实现对各种不同工况的能量管理，因此结构更简单；因为神经网络是由动态规划的结果作为数据集训练的，因此建立的能量管理策略也具有很好的整车经济性；

此外，本发明考虑到燃料电池系统的动态响应过程较慢，通常在10s左右，而且需求功率变化率越大，系统响应时间越长。整车的需求功率通常在1s内变化十几甚至几十kW，虽然燃料电池通过DC/DC与母线相连，但是DC/DC的响应非常迅速(通常在毫秒级)，所以如果不在能量管理策略中限制燃料电池的功率变化率，会使DC/DC盲目的拉电流，燃料电池不仅达不到需求功率，还有可能造成燃料饥饿，损坏电堆内的部件，使燃料电池寿命下降；

本发明在根据燃料电池系统的动态响应能力曲线，对神经网络输出的能量源的当前最优功率分配参数进行修正，一方面可以提高整车的经济性，另一方面可以避免能量管理策略计算出的燃料电池需求功率变化率太大而对燃料电池系统造成损害。

(2)本发明考虑动态响应能力的基于神经网络的汽车动力控制方法可以方便的应用于内燃机/蓄电池，燃料电池/超级电容等混合动力系统，具有良好的扩展性。

附图说明

图1为本发明实施例中考虑动态响应能力的基于神经网络的汽车动力控制方法的流程示意图；

图2为本发明实施例中考虑燃料电池动态响应能力的动态规划算法的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

如图1所示，本实施例提供一种考虑动态响应能力的基于神经网络的汽车动力控制方法，汽车的动力系统包括整车控制器、CAN总线、能量源、能量控制器和汽车动力附件，能量源包括燃料电池和蓄电池，方法包括以下步骤：

S2：根据步骤S1获取的蓄电池SOC判断燃料电池是否开启，若燃料电池开启则执行步骤S3；

S3：将步骤S1获取的整车工况特征速度、动力系统的需求功率和能量源的功率载入预先建立并训练好的神经网络中，获取能量源的当前最优功率分配参数；

S4：根据预先获取的燃料电池系统的动态响应能力曲线，对能量源的当前最优功率分配参数进行修正；

S5：根据步骤S4获取的修正后的能量源的当前最优功率分配参数，对能量源的输出功率进行分配控制；

神经网络的训练过程包括获取汽车在各个工况下能量源的状态数据，采用动态规划方法根据该状态数据计算在各个已知工况下，能量源的全局优化分配结果，从而根据各已知工况对应的整车工况特征速度和能量源的全局优化分配结果构建训练集，采用该训练集训练神经网络。

动态规划方法的代价函数J的表达式为：

式中，

为燃料电池的氢耗量，

为氢气的低热值，P_bat为蓄电池功率，η_dis为蓄电池的放电效率，η_cha为蓄电池的充电效率，η_cha,avg为蓄电池的平均充电效率，η_dis,avg为蓄电池的平均放电效率；m_fc,avg为燃料电池的平均瞬时氢耗量，n为动态规划方法的步数，Δt为动态规划方法的单步步长，P_DC为与蓄电池相连的DC/DC的输出功率。

动态规划方法的规划过程中，燃料电池功率的寻优范围的表达式为：

f_min(P_fc(t))≤P_fc(t+1)≤f_max(P_fc(t))

作为一种优选的实施方式，整车工况特征速度包括整车的平均速度、平均加速度、最大加速度、最小加速度和怠速率。

作为一种优选的实施方式，步骤S3中，动力系统的需求功率包括当前时刻之前在预设第一时间段中的整车需求功率和整车需求功率的积分。

作为一种优选的实施方式，步骤S3中，能量源的功率包括当前时刻之前在预设第一时间段中的燃料电池功率和燃料电池功率的积分。

作为一种优选的实施方式，步骤S4中，能量源的当前最优功率分配参数包括燃料电池的需求功率和蓄电池的需求功率，对能量源的当前最优功率分配参数进行修正具体为：

根据燃料电池的需求功率计算当前时刻燃料电池的功率变化率；基于燃料电池的动态响应能力曲线，如果当前时刻燃料电池的功率变化率大于燃料电池动态响应能力决定的最大变化率，则按照该最大变化率输出燃料电池的需求功率。

作为一种优选的实施方式，步骤S2中，判断燃料电池是否开启具体为：

如果步骤S1获取的蓄电池SOC大于0.7，则燃料电池不开启，如果蓄电池SOC小于0.7，则燃料电池开启。

作为一种优选的实施方式，神经网络为NARX(Nonlinear autoregressive withexternal input)神经网络。

作为一种优选的实施方式，上述考虑动态响应能力的基于神经网络的汽车动力控制方法所应用的混合动力系统包括整车控制器(VMS)、CAN总线、能量源(燃料电池与蓄电池)、能量控制器和汽车动力附件。VMS控制整车的所有部件，能量管理策略正是其主要控制软件之一；CAN总线用于整车各部件间的信息通信；能量源为车辆行驶提供能量，其控制器主要控制能量源的功率输出，汽车动力附件包括散热系统、空调系统等辅助系统。

将上述优选的实施方式进行组合可以得到一种最优的实施方式，下面对该最优的实施方式的具体实施过程进行描述。

如图1所示，一种考虑动态响应能力的基于神经网络的汽车动力控制方法，该方法使用动态规划离线计算出的全局优化结果作为数据集训练非线性自回归外生(NARX)神经网络。NARX神经网络的输入包括：过去一定时域内的整车需求功率、需求功率的积分、燃料电池功率、燃料电池功率的积分，以及代表不同工况的平均速度、平均加速度、最大加速度、最小加速度和怠速率。此外，还根据燃料电池的动态响应能力曲线进一步约束燃料电池的功率变化率。

上述考虑动态响应能力的基于神经网络的汽车动力控制方法具体包括以下步骤：

1)整车控制器通过CAN总线向汽车动力附件发送访问信号，从汽车动力附件获取能量管理策略计算所需数据，包括整车速度、需求功率、蓄电池SOC等。然后执行步骤2)；

2)根据蓄电池SOC判断燃料电池是否开启，如果SOC>0.7，燃料电池不开启；如果SOC<0.7，否则执行步骤3)；

3)整车控制器根据接收到的能量管理策略计算所需数据，通过神经网络计算出当前最优功率分配。然后执行步骤4)

通过神经网络计算出当前最优功率分配具体包括以下步骤：

a)离线计算，使用动态规划方法计算已知工况下的全局优化分配结果，动态规划的代价函数J如下：

式中，

为燃料电池的氢耗量，

为氢气的低热值，P_bat为蓄电池功率，η_dis为蓄电池的放电效率，η_cha为蓄电池的充电效率，η_cha,avg为蓄电池的平均充电效率，η_dis,avg为蓄电池的平均放电效率；m_fc,avg为燃料电池的平均瞬时氢耗量。

需要注意的是，在动态规划的求解寻优过程中，当前时刻燃料电池功率的寻优范围取决于上一时刻的燃料电池功率，该限制可以保证动态规划计算出的需求功率不超过燃料电池的动态响应能力。

具体地，燃料电池功率的寻优范围的表达式为：

f_min(P_fc(t))≤P_fc(t+1)≤f_max(P_fc(t))

b)根据动态规划离线计算的结果，对神经网络进行训练，神经网络的输入包含能代表不同工况的特征参数：平均速度、平均加速度、最大加速度、最小加速度和怠速率；

c)通过训练后的神经网络计算出当前最优功率分配；

4)根据燃料电池系统的动态响应能力曲线限制燃料电池功率变化率，对功率分配结果进行修正。然后进入步骤5)；

5)整车控制器通过CAN总线向燃料电池和蓄电池发送功率需求，完成整车控制器对混合动力系统中各能量源输出功率的分配控制。

图2为考虑燃料电池动态响应能力的动态规划算法流程图。动态规划求解过程如下：输入已知工况；设置蓄电池SOC、燃料电池功率、蓄电池功率范围；根据上一时刻的燃料电池功率计算当前时刻燃料电池功率寻优范围；在寻优范围内计算不同燃料电池功率下整车的总氢耗量，得到最优的燃料电池功率；通过状态转移方程判断所求的解是否为最优解；重复计算上述步骤直到完成整个工况的计算，然后找到该工况下的最优燃料电池输出功率曲线和SOC曲线。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims

1.一种考虑动态响应能力的基于神经网络的汽车动力控制方法，所述汽车的动力系统的能量源包括燃料电池和蓄电池，其特征在于，所述方法包括以下步骤：

所述神经网络的训练过程包括获取汽车在各个工况下能量源的状态数据，采用动态规划方法根据该状态数据计算在各个已知工况下，能量源的全局优化分配结果，从而根据各已知工况对应的整车工况特征速度和能量源的全局优化分配结果构建训练集，采用该训练集训练所述神经网络；

所述动态规划方法的代价函数J的表达式为：

式中，

为燃料电池的氢耗量，

为氢气的低热值，P_bat为蓄电池功率，η_dis为蓄电池的放电效率，η_cha为蓄电池的充电效率，η_cha,avg为蓄电池的平均充电效率，η_dis,avg为蓄电池的平均放电效率；m_fc,avg为燃料电池的平均瞬时氢耗量，n为步数，Δt为单步步长，P_DC为与蓄电池相连的DC/DC的输出功率；

所述动态规划方法的规划过程中，所述燃料电池功率的寻优范围的表达式为：

f_min(P_fc(t))≤P_fc(t+1)≤f_max(P_fc(t))

2.根据权利要求1所述的一种考虑动态响应能力的基于神经网络的汽车动力控制方法，其特征在于，所述整车工况特征速度包括整车的平均速度、平均加速度、最大加速度、最小加速度和怠速率。

3.根据权利要求1所述的一种考虑动态响应能力的基于神经网络的汽车动力控制方法，其特征在于，步骤S4中，所述能量源的当前最优功率分配参数包括燃料电池的需求功率和蓄电池的需求功率，对所述能量源的当前最优功率分配参数进行修正具体为：

4.根据权利要求1所述的一种考虑动态响应能力的基于神经网络的汽车动力控制方法，其特征在于，步骤S2中，判断燃料电池是否开启具体为：

5.根据权利要求1所述的一种考虑动态响应能力的基于神经网络的汽车动力控制方法，其特征在于，所述神经网络为NARX神经网络。

6.根据权利要求1所述的一种考虑动态响应能力的基于神经网络的汽车动力控制方法，其特征在于，所述汽车的动力系统包括整车控制器、CAN总线、能量源、能量控制器和汽车动力附件，所述汽车动力控制方法通过所述整车控制器执行。

7.根据权利要求1所述的一种考虑动态响应能力的基于神经网络的汽车动力控制方法，其特征在于，步骤S3中，所述动力系统的需求功率包括当前时刻之前在预设第一时间段中的整车需求功率和整车需求功率的积分。

8.根据权利要求1所述的一种考虑动态响应能力的基于神经网络的汽车动力控制方法，其特征在于，步骤S3中，所述能量源的功率包括当前时刻之前在预设第一时间段中的燃料电池功率和燃料电池功率的积分。