CN112810504B - 基于非线性预测模型控制的燃料电池汽车能量管理方法 - Google Patents
基于非线性预测模型控制的燃料电池汽车能量管理方法 Download PDFInfo
- Publication number
- CN112810504B CN112810504B CN202110072634.8A CN202110072634A CN112810504B CN 112810504 B CN112810504 B CN 112810504B CN 202110072634 A CN202110072634 A CN 202110072634A CN 112810504 B CN112810504 B CN 112810504B
- Authority
- CN
- China
- Prior art keywords
- state
- fuel cell
- working condition
- time domain
- vehicle
- 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.)
- Active
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 78
- 238000007726 management method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 35
- 230000007704 transition Effects 0.000 claims description 25
- 238000012546 transfer Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 19
- 239000001257 hydrogen Substances 0.000 claims description 18
- 229910052739 hydrogen Inorganic materials 0.000 claims description 18
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 125000004435 hydrogen atom Chemical group [H]* 0.000 claims description 5
- 101150036841 minJ gene Proteins 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009347 mechanical transmission Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Fuel Cell (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及一种基于非线性预测模型控制的燃料电池汽车能量管理方法，包括：1)实时采集汽车行驶的工况信息，判断当前时间内汽车行驶的工况状态；2)将步骤1)中的当前工况状态参数输入到建立的预测模型中，确定未来预测时域内汽车运行状态；3)根据步骤2)中的车辆未来预测时域内运行状态，按照经济性和电源系统耐久性的要求利用动态规划算法优化汽车有限时域内的控制序列；4)将步骤3)求出的有限时域最优控制序列的第一个元素作用给车辆，在下一时刻从步骤1)开始重复。与现有技术相比，本发明具有性能可靠、经济性和电源系统耐久性综合较优、实用性强等优点。
Description
技术领域
本发明涉及燃料电池汽车能量管理技术领域，尤其是涉及基于非线性预测模型控制的燃料电池汽车能量管理方法。
背景技术
现阶段对于纯电动汽车，蓄电池虽然响应快，成本低，但由于其能量密度低、体积大、充电时间长等缺点，使得纯电动汽车的市场化推广受到制约。燃料电池利用氢气与氧气在催化剂的作用下产生电能，只要燃料供给充足，燃料电池就能源源不断地产生电能，具有能量转换效率高、能量密度大、无须充电、零排放等优点，但是价格昂贵、冷起动性能差、动态响应慢，也限制了纯燃料电池汽车的商业化发展。由燃料电池和蓄电池组成的混合动力系统，能够在一定程度上克服以上不足。
燃料电池与动力蓄电池一起作为整车动力源，可以大幅提高电动汽车的续驶里程。
作为具有两种能量源的新能源汽车结构形式，燃料电池汽车的能量管理策略与整车的燃料经济性、动力性和电源系统耐久性相关。整车能量管理策略能够根据汽车行驶状态信息，在满足汽车动力性能的前提下，最优分配动力蓄电池和燃料电池的功率输出，以提高汽车的经济性和电源系统耐久性。
目前，燃料电池汽车的能量管理策略研究主要集中在以下几种：
1、基于规则的能量管理策略
基于规则的能量管理策略控制简单，易于实现，是最早应用于燃料电池汽车的一类控制方法。基于规则的能量管理策略是根据部件特性和工程经验选择控制参数，在控制参数的变化范围内使用一组阈值将其划分成不同的区域，在不同的控制参数区域，燃料电池汽车按照不同的状态和能量供给模式工作，从而形成一组控制规则。基于规则的能量管理策略有两种，一种是基于确定的规则，根据车辆不同的条件信息包括车速、转矩、功率和SOC等，制定确定的切换规则。另一种是基于模糊的规则，由于混合动力系统具有多变量、非线性和时变的特点，结合模糊控制的优势，建立状态变量与状态变量变化率的隶属度函数，确定模糊控制的规则进行能量分配。
2、基于优化的能量管理策略
基于优化的能量管理策略是根据动力系统的特性，定义目标函数和约束条件，采取合适的算法得到最小或较小控制目标的能量分配。目前基于优化的能量管理策略可分为两类：一类是全局最优能量管理方法，这类方法是基于特定工作状态的静态数据，优化全局控制序列。具有代表性的算法有动态规划、庞特里亚金最小值原理、遗传算法等。另一类是局部最优的能量管理方法，该类方法根据车辆的实时状态在线计算控制序列，通常可以保证局部或瞬时最优，但是和全局最优结果有一定的差距，局部最优的算法主要有基于等效油耗最小的能量管理方法、神经网络、博弈论和模型预测控制等。
以上能量管理策略方法存在以下缺陷：
基于规则的能量管理策略易于工程实现，但是，无论是否进行过控制参数的优化，其在性能提升方面还是存在一定的局限性。
全局优化模型实现了真正意义上的最优化，但实现全局最优的算法往往都比较复杂，计算量也大，需要预先获得所有的道路信息，在实时控制中很难实现。
基于瞬时优化的策略在实车应用上取得了一些成果，但应用并不广泛。
综上，上述能量管理策略优化的重点大部分是整车经济性，然而，在车辆运行过程中，电源系统也会存在一定的损耗，在燃料电池工作过程中，运行工况对电池寿命影响很大，负载的变化、启停的变化、怠速时间等都会加速燃料电池的衰减；蓄电池工作过程中频繁的充放电变化、过充或过放也会使蓄电池寿命减少。若是保证经济性最优而忽略工作模式对电源系统寿命的影响，这种优化的单一性则会降低车辆的使用周期。
发明内容
本发明的目的就是为了克服上述现有技术存在保证经济性最优而忽略工作模式对电源系统寿命的影响的缺陷而提供一种基于非线性预测模型控制的燃料电池汽车能量管理方法。
本发明的目的可以通过以下技术方案来实现：
一种基于非线性预测模型控制的燃料电池汽车能量管理方法，包括以下步骤：
S1：实时采集燃料电池汽车当前k时刻的汽车行驶信息；
S2：根据步骤S1获取的所述汽车行驶信息，确定燃料电池汽车的工况状态，并记参数m的值为1；
S3：根据步骤S2获取的k时刻的所述工况状态，结合k-m时刻对应的所述工况状态，更新预先建立的非线性预测模型的m步转移矩阵，所述m步转移矩阵包括在m个时间间隔内从某一工况状态向另一工况状态的转移个数；
S4：将k时刻的所述工况状态输入步骤S3更新后的所述m步转移矩阵中，获取k时刻的所述工况状态对应的最大转移个数，确定k+m时刻所处的工况状态；
S5：判断参数m是否大于预设的预测时域，若是，则进行步骤S6，否则，将m的值加1，并返回步骤S3；
S6：根据步骤S4获取的各个时刻工况状态，得到所述预测时域内的车辆运行状态，确定所述预测时域内的汽车需求功率；
S7：根据所述预测时域内的汽车需求功率，确定预测时域内的最优控制序列；
S8：将步骤S7获取的所述预测时域内的最优控制序列的第一个元素作用给燃料电池汽车；
S9：在k+1时刻，返回步骤S1。
进一步地，所述m步转移矩阵的表达式为：
式中，Nm为m步转移矩阵，
为从工况状态i开始，经过m个时间间隔转移到工况状态j的个数，i＝1,2,...,n，j＝1,2,...,n，n为工况状态的个数。
进一步地，步骤S3中，所述m步转移矩阵的更新表达式为：
式中，
为k时刻、从状态i出发经过个m时间间隔转移到状态j的个数，
为k-m时刻、从状态i出发经过m个时间间隔转移到状态j的个数。
进一步地，步骤S3中，所述k+m时刻的工况状态的确定过程具体为：
由蒙特卡洛方法产生一个随机数，根据随机数的取值结合所述转移矩阵，通过状态约束方程，确定k+m时刻所处的状态；
所述状态约束方程的表达式为：
式中，r1为随机数，k1为下一预测状态。
进一步地，所述汽车行驶信息包括车速信息、加速度信息和蓄电池SOC信息。
进一步地，所述步骤S2具体为，离线设置速度和加速度的离散步长，按照所述离散步长对各个工况状态点标号，相同的工况状态点标号为处于相同的工况状态；根据步骤S1采集的所述车速信息和加速度信息，与离线设置的速度和加速度的离散步长对应，确定对应的工况状态。
进一步地，步骤S7中，所述预测时域内的最优控制序列的确定具体为：
在不同的工况状态下，以经济性和电源系统耐久性为优化目标，以燃料电池输出功率为优化变量，在满足约束条件下，利用动态规划算法优化，得到预测时域内的最优控制序列。
进一步地，所述优化目标的表达式为：
式中，minJ(k)为k时刻的优化目标，cH2为氢气价格，m为氢气消耗，x(t)为t时刻的蓄电池SOC，u(t)为燃料电池输出功率，λ为综合考虑经济性和耐久性的权重因子，cfc为燃料电池价格，Pfc_sum为燃料电池总功率，Dload-change为燃料电池变载工况的衰减率，u*(k-1)为k-1时刻的最优决策量，Y为预测时域。
进一步地，所述预测时域的取值在5-15秒范围以内。
与现有技术相比，本发明具有以下优点：
(1)现有技术的能量管理策略的制定只考虑优化经济性，很少能够考虑到整车电源系统的耐久性，本发明从经济性和电源系统耐久性综合性能出发，针对不同的车辆行驶工况状态，采用通过非线性预测模型预测一定时域的汽车工况状态，从而确定汽车功率的最优控制序列的整车能量管理策略，能够通过预测与优化实现经济性和耐久性较优。
(2)本发明所制定的能量管理策略方法具有自适应特性，且计算较快，满足实时性要求。
附图说明
图1为本发明实施例中燃料电池汽车的动力系统拓扑结构示意图；
图2为本发明实施例中能量管理方法运行流程示意图；
图中，1、储氢罐，2、燃料电池，3、DC/DC，4、蓄电池，5、高压母线，6、DC/AC，7、驱动电机，8、机械传动系统。
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
本实施例提供一种基于非线性预测模型控制的燃料电池汽车能量管理方法，包括以下步骤：
S1：实时采集燃料电池汽车当前k时刻的汽车行驶信息；
S2：根据步骤S1获取的汽车行驶信息，确定燃料电池汽车的工况状态，并记参数m的值为1；
S3：根据步骤S2获取的k时刻的工况状态，结合k-m时刻对应的工况状态，更新预先建立的非线性预测模型的m步转移矩阵，m步转移矩阵包括在m个时间间隔内从某一工况状态向另一工况状态的转移个数；
S4：将k时刻的工况状态输入步骤S3更新后的m步转移矩阵中，获取k时刻的工况状态对应的最大转移个数，确定k+m时刻所处的工况状态；
S5：判断参数m是否大于预设的预测时域，若是，则进行步骤S6，否则，将m的值加1，并返回步骤S3；
S6：根据步骤S4获取的各个时刻工况状态，得到预测时域内的车辆运行状态，确定预测时域内的汽车需求功率；
S7：根据预测时域内的汽车需求功率，确定预测时域内的最优控制序列；
S8：将步骤S7获取的预测时域内的最优控制序列的第一个元素作用给燃料电池汽车；
S9：在k+1时刻，返回步骤S1。
作为一种优选的实施方式，m步转移矩阵的表达式为：
式中，Nm为m步转移矩阵，
为从工况状态i开始，经过m个时间间隔转移到工况状态j的个数，i＝1,2,...,n，j＝1,2,...,n，n为工况状态的个数。
作为一种优选的实施方式，步骤S3中，m步转移矩阵的更新表达式为：
式中，
为k时刻、从状态i出发经过个m时间间隔转移到状态j的个数，/>
为k-m时刻、从状态i出发经过m个时间间隔转移到状态j的个数。
作为一种优选的实施方式，步骤S3中，k+m时刻的工况状态的确定过程具体为：
由蒙特卡洛方法产生一个随机数，根据随机数的取值结合所述转移矩阵，通过状态约束方程，确定k+m时刻所处的状态；
所述状态约束方程的表达式为：
式中，r1为随机数，k1为下一预测状态。
假设当前汽车运行工况为X(0)，对应初始状态为k0，求下一时刻X(1)的运行工况状态。由于状态X(0)＝k0已发生，因此在X(0)＝k0已发生的条件下，m步转移矩阵的第k0行对应了X(1)状态为j的个数(j＝0,1,2…,n)，即如表1所示。
表1
按照蒙特卡洛离散型随机变量的模拟方法，取随机数r1。若对随机数存在k1满足：
那么就可以得到当前汽车运行工况状态为k0时，下一预测状态为k1。
作为一种优选的实施方式，汽车行驶信息包括车速信息、加速度信息和蓄电池SOC信息。
作为一种优选的实施方式，步骤S2具体为，离线设置速度和加速度的离散步长，按照离散步长对各个工况状态点标号，相同的工况状态点标号为处于相同的工况状态；根据步骤S1采集的车速信息和加速度信息，与离线设置的速度和加速度的离散步长对应，确定对应的工况状态。
作为一种优选的实施方式，步骤S7中，预测时域内的最优控制序列的确定具体为：
在不同的工况状态下，以经济性和电源系统耐久性为优化目标，以燃料电池输出功率为优化变量，在满足约束条件下，利用动态规划算法优化，得到预测时域内的最优控制序列。
作为一种优选的实施方式，优化目标的表达式为：
式中，minJ(k)为k时刻的优化目标，
为氢气价格，m为氢气消耗，x(t)为t时刻的蓄电池SOC，u(t)为燃料电池输出功率，λ为综合考虑经济性和耐久性的权重因子，cfc为燃料电池价格，Pfc_sum为燃料电池总功率，Dload-change为燃料电池变载工况的衰减率，u*(k-1)为k-1时刻的最优决策量，Y为预测时域。
作为一种优选的实施方式，预测时域的取值在5-15秒范围以内。
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进行描述。
一种基于非线性预测模型控制的燃料电池汽车能量管理方法，所述的混合动力系统包括燃料电池、蓄电池、DC/DC、电机等，所述的方法包括以下步骤：
1)实时采集当前k时刻汽车行驶信息，包括车速、加速度和蓄电池SOC；
2)根据步骤1)中的车速和加速度信息确定工况状态且记参数m＝1；
3)根据步骤2)中的工况状态，并结合k-m的状态，在线更新预测模型的m步转移矩阵；
4)将k时刻的工况状态输入到更新后的m步转移矩阵得到预测的k+m时刻的运行状态；
5)判断m是否小于10，若是，则m增加1执行步骤3)，若否，执行步骤6)；
6)通过上述循环步骤得到了10s预测时域的车辆运行状态，计算预测时域内车辆的需求驱动功率；
7)利用动态规划算法优化预测时域内车辆的最优控制序列；
8)将步骤7)得到的最优控制序列的第一个元素作用给车辆
9)在k+1时刻，重复步骤1)。
所述的步骤2)具体为：离线选定速度和加速度离散步长，并按照离散步长对工况状态点标号，工况状态点标号相同则认为处于相同的运行状态。根据采集的车速、加速度信息按照离线确定的离散步长确定该车速、加速度下的工况状态点。
所述的步骤3)和步骤4)具体为：
a)预测模型中，转移矩阵的组成形式为：
其中，
为从状态i出发，经过m个时间间隔转移到状态j的个数；
b)根据k时刻与k-m时刻的工况状态点更新初始转移矩阵，更新方式为：
c)预测模型的预测原理为：根据当前工况状态点，结合更新后的m步转移矩阵，确定当前状态对应的最大转移个数，由蒙特卡洛方法产生一个随机数，根据随机数的取值结合转移矩阵，确定k+m时刻所处的状态；
所述的步骤7)经动态规划优化后的最优能量管理策略是指：在不同工况下，以经济性和电源系统耐久性为优化目标，以燃料电池输出功率为优化变量，在满足汽车性能的约束条件下，利用动态规划算法优化，得到预测时域内经济性和电源系统耐久性最优的燃料电池输出功率序列，k时刻优化目标为：
式中，
为氢气价格，m为氢气消耗，包括燃料电池实际氢耗和蓄电池的等效氢耗，x(t)为状态量，即蓄电池的SOC，u(t)为决策量，即燃料电池输出功率，λ为综合考虑经济性和耐久性的权重因子，cfc为燃料电池价格，Pfc_sum为燃料电池总功率，Dload-change为燃料电池变载工况的衰减率，u*(k-1)为k-1时刻的最优决策量。
所述的基于非线性模型预测控制的瞬时能量管理策略是指：根据当前整车行驶状态，即整车车速和蓄电池SOC，得到未来10s整车需求功率，利用动态规划计算出使得有限时域内经济性和电源系统耐久性最优对应的燃料电池输出功率。
下面介绍该最优的实施方式的具体实施过程。
燃料电池汽车的动力系统拓扑结构如图1所示，该动力系统包括储氢罐1、燃料电池2、DC/DC3、蓄电池4、高压母线5、DC/AC6、驱动电机7和机械传动系统8。单实线表示燃料输出，箭头表示电能输出，双实线表示机械能输出。其中储氢罐1的作用是为燃料电池提供燃料，在FCHEV中，总线上的电压一般在350V左右，但是燃料电池系统的输出电压一般会小于总线上的电压。为了燃料电池2正常向车辆供能，需要DC/DC3使燃料电池侧的电压和母线侧的电压保持一致。电源系统通过高压母线5与驱动电机相连，电机7输出的转矩直接驱动车辆，燃料电池2和蓄电池4一起为电机供能。其中蓄电池4不仅可以提供能量，还可以吸收能量，起到能量回收的作用。
如图2所示，一种基于非线性模型预测控制的燃料电池汽车能量管理方法，该方法基于非线性模型预测控制技术，对汽车运行状态进行分析与预测，对预测时域内车辆运行状态进行优化。采用离线计算的方法，确定了能保证整车经济性和电源系统耐久性综合较优的权重因子。通过建立的预测模型预测汽车未来运行状态，并采用优化算法解决有限时域内的优化问题，以提高整车经济性和电源系统耐久性。该方法具体包括以下步骤：
S201：实时采集当前k时刻汽车行驶信息，包括车速、加速度、蓄电池SOC等信息，然后执行S202；
S202：根据车速和加速度信息确定工况状态且记参数m＝1，然后执行S203；
S203：根据工况状态，并结合k-m时刻的工况状态，在线更新预测模型的m步转移矩阵，m步转移矩阵表示为：
其中，
为从状态i出发，经过m个时间间隔转移到状态j的个数，
更新方式为：
然后执行S204；
S204：根据当前工况状态点，结合更新后的m步转移矩阵，确定当前状态对应的最大转移个数，由蒙特卡洛方法产生一个随机数，根据随机数的取值结合转移矩阵，确定k+m时刻所处的状态，然后执行S205；
S205：判断m是否大于10，若是，则执行206，若否，m增加1并执行S203；
S206：通过上述循环S得到了10s预测时域的车辆运行状态，可以得到预测时域内车辆的需求功率，然后执行S207；
S207：利用动态规划算法优化预测时域内车辆的最优控制序列，k时刻优化目标为：
式中，
为氢气价格，m为氢气消耗，包括燃料电池实际氢耗和蓄电池的等效氢耗，x(t)为状态量，即蓄电池的SOC，u(t)为决策量，即燃料电池输出功率，λ为综合考虑经济性和耐久性的权重因子，cfc为燃料电池价格，Pfc_sum为燃料电池总功率，Dload-change为燃料电池变载工况的衰减率，u*(k-1)为k-1时刻的最优决策量。
然后执行S208；
S208：将到的最优控制序列的第一个元素作用给车辆，然后执行S209；
S209：在k+1时刻，执行S201。
本方案从优化经济性和电源系统耐久性出发，预测车辆运行状态，优化有限时域内的控制需求，整车能量管理能够通过滚动的预测优化过程实现综合性能较优，具有自适应特性。
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 (4)
1.一种基于非线性预测模型控制的燃料电池汽车能量管理方法，其特征在于，包括以下步骤：
S1：实时采集燃料电池汽车当前k时刻的汽车行驶信息；
S2：根据步骤S1获取的所述汽车行驶信息，确定燃料电池汽车的工况状态，并记参数m的值为1；
S3：根据步骤S2获取的k时刻的所述工况状态，结合k-m时刻对应的所述工况状态，更新预先建立的非线性预测模型的m步转移矩阵，所述m步转移矩阵包括在m个时间间隔内从某一工况状态向另一工况状态的转移个数；
S4：将k时刻的所述工况状态输入步骤S3更新后的所述m步转移矩阵中，获取k时刻的所述工况状态对应的最大转移个数，确定k+m时刻所处的工况状态；
S5：判断参数m是否大于预设的预测时域，若是，则进行步骤S6，否则，将m的值加1，并返回步骤S3；
S6：根据步骤S4获取的各个时刻工况状态，得到所述预测时域内的车辆运行状态，确定所述预测时域内的汽车需求功率；
S7：根据所述预测时域内的汽车需求功率，确定预测时域内的最优控制序列；
S8：将步骤S7获取的所述预测时域内的最优控制序列的第一个元素作用给燃料电池汽车；
S9：在k+1时刻，返回步骤S1；
所述m步转移矩阵的表达式为：
式中，Nm为m步转移矩阵，
为从工况状态i开始，经过m个时间间隔转移到工况状态j的个数，i＝1,2,...,n，j＝1,2,...,n，n为工况状态的个数；
步骤S3中，所述m步转移矩阵的更新表达式为：
式中，
为k时刻、从状态i出发经过个m时间间隔转移到状态j的个数，/>
为k-m时刻、从状态i出发经过m个时间间隔转移到状态j的个数；
步骤S3中，所述k+m时刻的工况状态的确定过程具体为：
由蒙特卡洛方法产生一个随机数，根据随机数的取值结合所述转移矩阵，通过状态约束方程，确定k+m时刻所处的状态；
所述状态约束方程的表达式为：
式中，r1为随机数，k1为下一预测状态；
所述汽车行驶信息包括车速信息、加速度信息和蓄电池SOC信息；
步骤S7中，所述预测时域内的最优控制序列的确定具体为：
在不同的工况状态下，以经济性和电源系统耐久性为优化目标，以燃料电池输出功率为优化变量，在满足约束条件下，利用动态规划算法优化，得到预测时域内的最优控制序列；
所述优化目标的表达式为：
式中，minJ(k)为k时刻的优化目标，
为氢气价格，m为氢气消耗，x(t)为t时刻的蓄电池SOC，u(t)为燃料电池输出功率，λ为综合考虑经济性和耐久性的权重因子，cfc为燃料电池价格，Pfc_sum为燃料电池总功率，Dload-change为燃料电池变载工况的衰减率，u*(k-1)为k-1时刻的最优决策量，Y为预测时域。
2.根据权利要求1所述的一种基于非线性预测模型控制的燃料电池汽车能量管理方法，其特征在于，所述步骤S2具体为，离线设置速度和加速度的离散步长，按照所述离散步长对各个工况状态点标号，相同的工况状态点标号为处于相同的工况状态；根据步骤S1采集的所述车速信息和加速度信息，与离线设置的速度和加速度的离散步长对应，确定对应的工况状态。
3.根据权利要求1所述的一种基于非线性预测模型控制的燃料电池汽车能量管理方法，其特征在于，所述预测时域的取值在5-15秒范围以内。
4.根据权利要求1所述的一种基于非线性预测模型控制的燃料电池汽车能量管理方法，其特征在于，所述预测时域为10秒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110072634.8A CN112810504B (zh) | 2021-01-20 | 2021-01-20 | 基于非线性预测模型控制的燃料电池汽车能量管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110072634.8A CN112810504B (zh) | 2021-01-20 | 2021-01-20 | 基于非线性预测模型控制的燃料电池汽车能量管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112810504A CN112810504A (zh) | 2021-05-18 |
| CN112810504B true CN112810504B (zh) | 2023-03-31 |
Family
ID=75870213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110072634.8A Active CN112810504B (zh) | 2021-01-20 | 2021-01-20 | 基于非线性预测模型控制的燃料电池汽车能量管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112810504B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113263960B (zh) * | 2021-06-28 | 2022-08-19 | 太原理工大学 | 一种氢燃料电池汽车自适应能量管理方法 |
| CN113569948B (zh) * | 2021-07-27 | 2023-08-01 | 福州大学 | 电动汽车工况分类与评价方法及系统 |
| CN113884303A (zh) * | 2021-08-16 | 2022-01-04 | 武汉中极氢能产业创新中心有限公司 | 一种用于燃料电池发动机的性能测试方法 |
| CN113815437B (zh) * | 2021-10-28 | 2023-11-10 | 吉林大学 | 燃料电池混合动力汽车的预测性能量管理方法 |
| CN114179781B (zh) * | 2021-12-22 | 2022-11-18 | 北京理工大学 | 一种插电式混合动力汽车实时控制优化方法及系统 |
| CN114506311B (zh) * | 2022-02-22 | 2023-06-20 | 燕山大学 | 一种变时域预测能量管理方法、装置、汽车及存储介质 |
| CN114714987B (zh) * | 2022-03-08 | 2024-06-25 | 佛山仙湖实验室 | 一种燃料电池混合动力汽车的能量管理优化方法及系统 |
| CN115186935B (zh) * | 2022-09-08 | 2023-04-07 | 山东交通职业学院 | 一种机电设备非线性故障预测方法及系统 |
| CN116729106B (zh) * | 2023-07-12 | 2023-11-21 | 吉林大学 | 一种纯电动汽车的智能能量管理方法 |
| CN118219851B (zh) * | 2024-05-27 | 2024-09-03 | 瑞安市德隆汽车部件有限公司 | 新能源汽车速度分布式监测系统及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109733378A (zh) * | 2018-12-19 | 2019-05-10 | 江苏大学 | 一种线下优化线上预测的转矩分配方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103246943B (zh) * | 2013-05-31 | 2015-04-15 | 吉林大学 | 基于马尔可夫链的汽车运行工况多尺度预测方法 |
| KR102507227B1 (ko) * | 2017-11-27 | 2023-03-08 | 현대자동차주식회사 | 연료전지 차량의 전력 분배 시스템 및 방법 |
| CN108363855B (zh) * | 2018-02-02 | 2021-06-25 | 杭州电子科技大学 | 一种基于路况识别的燃料电池与超级电容系统优化方法 |
| CN109017809B (zh) * | 2018-08-27 | 2020-05-19 | 北京理工大学 | 一种基于越野工况预测的能量分配方法 |
| CN112072142B (zh) * | 2020-08-07 | 2021-09-03 | 同济大学 | 一种基于模型预测控制的燃料电池控制方法和系统 |
-
2021
- 2021-01-20 CN CN202110072634.8A patent/CN112810504B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109733378A (zh) * | 2018-12-19 | 2019-05-10 | 江苏大学 | 一种线下优化线上预测的转矩分配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112810504A (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112810504B (zh) | 基于非线性预测模型控制的燃料电池汽车能量管理方法 | |
| Li et al. | Predictive energy management of fuel cell supercapacitor hybrid construction equipment | |
| Hu et al. | Multi-objective energy management optimization and parameter sizing for proton exchange membrane hybrid fuel cell vehicles | |
| Xiong et al. | Towards a smarter hybrid energy storage system based on battery and ultracapacitor-A critical review on topology and energy management | |
| Mohammed et al. | Review of optimal sizing and power management strategies for fuel cell/battery/super capacitor hybrid electric vehicles | |
| Xiong et al. | Battery and ultracapacitor in-the-loop approach to validate a real-time power management method for an all-climate electric vehicle | |
| Song et al. | Degradation adaptive energy management strategy using fuel cell state-of-health for fuel economy improvement of hybrid electric vehicle | |
| Li et al. | Energy management and economic analysis for a fuel cell supercapacitor excavator | |
| Fares et al. | Dynamic programming technique for optimizing fuel cell hybrid vehicles | |
| Lin et al. | Predictive-ECMS based degradation protective control strategy for a fuel cell hybrid electric vehicle considering uphill condition | |
| Wang et al. | Deep reinforcement learning based energy management strategy for fuel cell/battery/supercapacitor powered electric vehicle | |
| Jia et al. | Learning-based model predictive energy management for fuel cell hybrid electric bus with health-aware control | |
| Murphey et al. | Intelligent power management in a vehicular system with multiple power sources | |
| CN115416503B (zh) | 基于智能网联的燃料电池混合动力汽车能量管理方法 | |
| 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 | |
| CN112498334B (zh) | 智能网联混合动力汽车的鲁棒能量管理方法及系统 | |
| CN112319462B (zh) | 一种插电式混合动力汽车能量管理方法 | |
| da Silva et al. | Aging-aware optimal power management control and component sizing of a fuel cell hybrid electric vehicle powertrain | |
| CN115284973B (zh) | 基于改进多目标Double DQN的燃料电池汽车能量管理方法 | |
| PS et al. | Energy management strategies for hybrid energy storage system in electric vehicles: A review | |
| Lin et al. | Charge depleting range dynamic strategy with power feedback considering fuel-cell degradation | |
| Huang et al. | Deep reinforcement learning based energymanagement strategy considering running costs and energy source aging for fuel cell hybrid electric vehicle | |
| Deng et al. | Optimal online energy management strategy of a fuel cell hybrid bus via reinforcement learning | |
| Timilsina et al. | A real-time prognostic-based control framework for hybrid electric vehicles | |
| Huang et al. | A novel data-driven energy management strategy for fuel cell hybrid electric bus based on improved twin delayed deep deterministic policy gradient algorithm |
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 |