CN112838247A - 燃料电池系统功率模型预测计算方法、装置、介质及设备 - Google Patents
燃料电池系统功率模型预测计算方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN112838247A CN112838247A CN202011636255.9A CN202011636255A CN112838247A CN 112838247 A CN112838247 A CN 112838247A CN 202011636255 A CN202011636255 A CN 202011636255A CN 112838247 A CN112838247 A CN 112838247A
- Authority
- CN
- China
- Prior art keywords
- motor power
- fuel cell
- time
- moment
- cell system
- 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.)
- Pending
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 59
- 238000004364 calculation method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 20
- 239000000126 substance Substances 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 12
- 230000007423 decrease Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Abstract
本发明公开了燃料电池系统功率模型预测计算方法、装置、介质及设备，该方法包括：设定时间序列；基于设定的时间序列，采集与时间序列对应的电机功率实际数据；基于电机功率实际数据，建立基于时间序列的自回归模型；基于自回归模型，获得t+1时刻的电机功率预测值。本发明的燃料电池系统功率模型预测计算方法通过建立基于时间序列的自回归模型，进而获得t+1时刻的电机功率预测值，能够根据燃料电池汽车实时运行状态，预测计算功率的稳态分量，从而使燃料电池能够表现出更好的跟随特性。该计算方法实现简单，对原有的控制系统改动不大，具有一定的兼容和通用性。
Description
技术领域
本发明属于新能源汽车控制技术领域，更具体地，涉及一种燃料电池系统功率模型预测计算方法、装置、介质及设备。
背景技术
随着能源的逐渐枯竭和科技的发展，新能源汽车、电驱动飞行器、新能源船舶等应运而生，而燃料电池混合动力系统，是其中的一种能源解决方案。
而目前燃料电池系统的汽车，是在燃料电池系统和动力电池系统的匹配下完成的，根据车辆状态需要对两个动力源的功率进行实时分配。由于燃料电池响应较慢，所以在分配后需要一定的时间来达到响应功率，所以，为了更好地完成燃料电池系统和动力电池系统的匹配，一方面考虑设定功率点的效率问题，另一方面更重要的是，需要优化功率模型算法，使得功率变化跟随性更好。
目前功率变化跟随性的方案中，存在两方面问题。一方面，要求燃料电池系统对功率变化能够瞬时响应，这样就导致对燃料电池系统的要求增高，对系统中BOP(平衡)的性能也提出更高的要求。因此，最终系统的成本提升，对于标定和控制系统开发难度增加。另一方面，由于功率不断跟随，需要对功率高频迅速调节，如果频率过高，也会导致燃料电池老化，从而缩短燃料电池的寿命，由此，考虑通过提前预测电机功率来弥补燃料功率系统带来的问题。
因此，特别需要一种根据燃料电池汽车的实时运行状态，预测计算电机功率的稳态分量，从而使燃料电池能够表现出更好的跟随特性。
发明内容
本发明的目的是提出一种根据燃料电池汽车的实时运行状态，预测计算电机功率的稳态分量，从而使燃料电池能够表现出更好的跟随特性的燃料电池系统功率模型预测计算方法、装置、介质及电子设备。
第一方面，本发明提供了一种燃料电池系统功率模型预测计算方法，包括：设定时间序列；基于设定的时间序列，采集与所述时间序列对应的电机功率实际数据；基于电机功率实际数据，建立基于时间序列的自回归模型；基于所述自回归模型，获得t+1时刻的电机功率预测值。
优选地，所述基于时间序列的自回归模型为：
Xt＝k1Xt-1+k2Xt-2+k3Xt-3+······+kpXt-p+σt
其中，Xt为t时刻的电机功率，Xt-p为t-p时刻的电机功率，k1,k2,k3,......kp为回归系数，p为阶数，σ为随机扰动的白噪声。
优选地，所述t+1时刻的电机功率预测值为：
其中，
表示t+1时刻的电机功率预测值。
优选地，采用时序指数平滑法确定所述回归系数。
优选地，通过以下公式简化计算t+1时刻的电机功率预测值：
其中，
表示t+1时刻的电机功率预测值，k为权重常数，p为阶数，Xt-1为t-1时刻的电机功率实际值，Xt-p为t-p时刻的电机功率实际值。
第二方面，本发明还提供一种电子设备，存储器，存储有可执行指令；处理器，所述处理器运行所述存储器中的所述可执行指令，以实现上述燃料电池系统功率模型预测计算方法。
第三方面，本发明还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述燃料电池系统功率模型预测计算方法。
第四方面，本发明还提供一种燃料电池系统功率模型预测计算装置，包括：时间序列设定模块，设定时间序列；数据获取模块，基于设定的时间序列，采集与所述时间序列对应的电机功率实际数据；自回归预测模型建立模块，基于电机功率的实际数据，建立基于时间序列的自回归模型；t+1时刻的电机功率预测值获得模块，基于所述自回归模型，获得t+1时刻的电机功率预测值。
优选地，所述基于时间序列的自回归模型为：
Xt＝k1Xt-1+k2Xt-2+k3Xt-3+······+kpXt-p+σt
其中，Xt为t时刻的电机功率，Xt-p为t-p时刻的电机功率，k1,k2,k3,......kp为回归系数，p为阶数，σ为随机扰动的白噪声。
优选地，所述t+1时刻的电机功率预测值为：
其中，
表示t+1时刻的电机功率预测值。
优选地，采用时序指数平滑法确定所述回归系数。
优选地，通过以下公式简化计算t+1时刻的电机功率预测值：
其中，
表示t+1时刻的电机功率预测值，k为权重常数，p为阶数，Xt-1为t-1时刻的电机功率实际值，Xt-p为t-p时刻的电机功率实际值。
本发明的有益效果在于：本发明的燃料电池系统功率模型预测计算方法通过建立基于时间序列的自回归模型，进而获得t+1时刻的电机功率预测值，能够根据燃料电池汽车实时运行状态，预测计算功率的稳态分量，从而使燃料电池能够表现出更好的跟随特性。该计算方法实现简单，对原有的控制系统改动不大，具有一定的兼容和通用性。
本发明的方法具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施例中将是显而易见的，或者将在并入本文中的附图和随后的具体实施例中进行详细陈述，这些附图和具体实施例共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。其中，在本发明示例性实施方式中，相同的附图标记通常代表相同部件。
图1示出了根据本发明的一个实施例的燃料电池系统功率模型预测计算方法的流程图。
图2示出了根据本发明的一个实施例的燃料电池系统功率模型预测计算装置的框图。
附图说明
102、时间序列设定模块；104、数据获取模块；106、自回归模型建立模块；108、t+1时刻的电机功率预测值获得模块。
具体实施方式
下面将参照附图更详细地描述本发明的优选实施例。虽然附图中显示了本发明的优选实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
本发明提供了一种燃料电池系统功率模型预测计算方法，包括：设定时间序列；基于设定的时间序列，采集与时间序列对应的电机功率实际数据；基于电机功率实际数据，建立基于时间序列的自回归模型；基于自回归模型，获得t+1时刻的电机功率预测值。
具体的，考虑到电机功率受到油门踏板、当前路况、电池电机自身系统状态、测量误差等综合因素的影响，若采用详细物理模型的方式来计算，不能满足控制实时性的需要。所以，采用电机运行过程中已有的数据来分析，推测出下一步的电机功率。实际上，一段时间内的电机功率数据是和时间具有一一对应关系，从而构成了一组时间序列的向量组，每个数据之间包含了所有影响电机功率变化的因素，可以作为推测的样本使用。因此，设定时间序列，采集与时间序列对应的电机功率实际数据，根据时间序列和电机功率实际数据，建立了基于时间序列的自回归模型，通过电机功率模型计算t+1时刻的电机功率预测值。
根据示例性的实施方式，燃料电池系统功率模型预测计算方法通过建立基于时间序列的自回归模型，进而获得t+1时刻的电机功率预测值，能够根据燃料电池汽车实时运行状态，预测计算功率的稳态分量，从而使燃料电池能够表现出更好的跟随特性。该计算方法实现简单，对原有的控制系统改动不大，具有一定的兼容和通用性。
作为优选方案，基于时间序列的自回归模型为：
Xt＝k1Xt-1+k2Xt-2+k3Xt-3+······+kpXt-p+σt
其中，Xt为t时刻的电机功率，Xt-p为t-p时刻的电机功率，k1,k2,k3,......kp为回归系数，p为阶数，σ为随机扰动的白噪声。
具体的，P阶的基于时间序列的自回归模型的定义为：
Xt＝k1Xt-1+k2Xt-2+k3Xt-3+······+kpXt-p+σt (1)
其中，Xt为t时刻的电机功率，Xt-1为t-1时刻的电机功率，Xt-p为t-p时刻的电机功率，k1,k2,k3,......kp为回归系数，p为阶数，σ为随机扰动的白噪声。
从式1中可见，其实Xt本身就是t时刻X的预测值，也就是在下一时刻t+1时，X的预测值可表达为式2：
其中，Xt+1为t+1时刻的电机功率预测值，Xt+1-i为t+1-i时刻的电机功率实际值，k1,k2,k3,......kp为回归系数，p为阶数，σ为随机扰动的白噪声。
作为优选方案，t+1时刻的电机功率预测值为：
其中，
表示t+1时刻的电机功率预测值，ki为回归系数，Xt+1-i为t+1-i时刻的电机功率实际值，p为阶数。
具体的，对(2)式求导，可得：
从式3可见，相对于上一时刻t来说，t+1时刻的值减去随机扰动的增量，则是时间序列中所有之前变量相对于时间变化的总和。也就是说，
代表了稳态部分的增量，而
是瞬态变量带来的变化。从控制角度，希望能够预测电机下一时刻功率的稳态增量，这样便于优化燃料电池的功率分配，而下一时刻的瞬态变量可以由锂电池系统很好的弥补这一动态过程。同时，由于电机功率采样时间很短，所以从连续性上来讲，一个步长内的电机功率随机扰动量变化也很小，稳态部分基本代表了此时刻下电机功率趋势，即有式4。
其中，
表示电机功率t+1时刻预测值，ki为回归系数，Xt+1-i为t+1-i时刻的电机功率实际值，p为阶数。
作为优选方案，采用时序指数平滑法确定回归系数。
具体的，ki可以理解为对时间序列各个离散值的权重系数分配。基本来看，时间序列中的样本值包含的有效信息越多，与预测值的相关性越大，所以距预测值越近的样本值要给以更多的权重分配，相对应的越远的样本值分配的权重就越小。因此，权重就决定了样本中的数据对预测值的贡献程度，其随着距离预测点变远而快速下降，类似呈指数速度递减，所以在权重分配中，采用时序指数平滑法，将权重值的大小按指数规律分配，即按照已有观测值的“新旧”程度呈指数速度递减。
对式4做进一步简化：
其中，
表示t+1时刻电机功率预测值的稳态增量，k为权重常数，p为阶数，Xt-1为t-1时刻的电机功率实际值，Xt-p为t-p时刻的电机功率实际值。
作为优选方案，通过以下公式简化计算t+1时刻的电机功率预测值：
其中，
表示t+1时刻的电机功率预测值，k为权重常数，p为阶数，Xt-1为t-1时刻的电机功率实际值，Xt-p为t-p时刻的电机功率实际值。
为了便于控制的实现，根据实际应用中k值大小取有限个数样本数据迭代计算，例如，k＝0.6，则p＝5时，k(1-k)p＝0.0061，此时值已经很小，所以之后的样本值可以忽略，这种情况下就定阶为5，简化计算量，便于实时计算应用。
第二方面，本发明还提供一种电子设备，存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述燃料电池系统功率模型预测计算方法。
第三方面，本发明还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述燃料电池系统功率模型预测计算方法。
第四方面，本发明还提供一种燃料电池系统功率模型预测计算装置，包括：时间序列设定模块，设定时间序列；数据获取模块，基于设定的时间序列，采集与时间序列对应的电机功率实际数据；自回归模型建立模块，基于电机功率实际数据，建立基于时间序列的自回归模型；t+1时刻的电机功率预测值获得模块，基于自回归模型，获得t+1时刻的电机功率预测值。
具体的，考虑到电机功率受到油门踏板、当前路况、电池电机自身系统状态、测量误差等综合因素的影响，若采用详细物理模型的方式来计算，不能满足控制实时性的需要。所以，采用电机运行过程中已有的数据来分析，推测出下一步的电机功率。实际上，一段时间内的电机功率数据是和时间具有一一对应关系，从而构成了一组时间序列的向量组，每个数据之间包含了所有影响电机功率变化的因素，可以作为推测的样本使用。因此，设定时间序列，采集与时间序列对应的电机功率实际数据，根据时间序列和电机功率实际数据，建立了基于时间序列的自回归模型，通过电机功率模型计算t+1时刻的电机功率预测值。
根据示例性的实施方式，燃料电池系统功率模型预测计算方法通过建立基于时间序列的自回归模型，进而获得t+1时刻的电机功率预测值，能够根据燃料电池汽车实时运行状态，预测计算功率的稳态分量，从而使燃料电池能够表现出更好的跟随特性。该计算方法实现简单，对原有的控制系统改动不大，具有一定的兼容和通用性。
作为优选方案，基于时间序列的自回归模型为：
Xt＝k1Xt-1+k2Xt-2+k3Xt-3+······+kpXt-p+σt
其中，Xt为t时刻的电机功率，Xt-p为t-p时刻的电机功率，k1,k2,k3,......kp为回归系数，p为阶数，σ为随机扰动的白噪声。
具体的，P阶的基于时间序列的自回归模型的定义为：
Xt＝k1Xt-1+k2Xt-2+k3Xt-3+······+kpXt-p+σt (1)
其中，Xt为t时刻的电机功率，Xt-1为t-1时刻的电机功率，Xt-p为t-p时刻的电机功率，k1,k2,k3,......kp为回归系数，p为阶数，σ为随机扰动的白噪声。
从式1中可见，其实Xt本身就是t时刻X的预测值，也就是在下一时刻t+1时，X的预测值可表达为式2：
其中，Xt+1为t+1时刻的电机功率预测值，Xt+1-i为t+1-i时刻的电机功率实际值，k1,k2,k3,......kp为权重系数，p为阶数，σ为随机扰动的白噪声。
作为优选方案，t+1时刻的电机功率预测值为：
其中，
表示t+1时刻的电机功率预测值，ki为回归系数，Xt+1-i为t+1-i时刻的电机功率实际值，p为阶数。
具体的，对(2)式求导，可得：
从式3可见，相对于上一时刻t来说，t+1时刻的值减去随机扰动的增量，则是时间序列中所有之前变量相对于时间变化的总和。也就是说，
代表了稳态部分的增量，而
是瞬态变量带来的变化。从控制角度，希望能够预测电机下一时刻功率的稳态增量，这样便于优化燃料电池的功率分配，而下一时刻的瞬态变量可以由锂电池系统很好的弥补这一动态过程。同时，由于电机功率采样时间很短，所以从连续性上来讲，一个步长内的电机功率随机扰动量变化也很小，稳态部分基本代表了此时刻下电机功率趋势，即有式4。
其中，
表示电机功率t+1时刻预测值，ki为回归系数，Xt+1-i为t+1-i时刻的电机功率实际值，p为阶数。
作为优选方案，采用时序指数平滑法确定回归系数。
具体的，ki可以理解为对时间序列各个离散值的权重系数分配。基本来看，时间序列中的样本值包含的有效信息越多，与预测值的相关性越大，所以距预测值越近的样本值要给以更多的权重分配，相对应的越远的样本值分配的权重就越小。因此，权重就决定了样本中的数据对预测值的贡献程度，其随着距离预测点变远而快速下降，类似呈指数速度递减，所以在权重分配中，借鉴时序指数平滑法，权重值的大小按指数规律分配，即按照已有观测值的“新旧”程度呈指数速度递减。
对式4做进一步简化：
其中，
表示t+1时刻电机功率预测值的稳态增量，k为权重常数，p为阶数，Xt-1为t-1时刻的电机功率实际值，Xt-p为t-p时刻的电机功率实际值。
作为优选方案，通过以下公式简化计算t+1时刻的电机功率预测值：
其中，
表示t+1时刻的电机功率预测值，k为权重常数，p为阶数，Xt-1为t-1时刻的电机功率实际值，Xt-p为t-p时刻的电机功率实际值。
为了便于控制的实现，根据实际应用中k值大小取有限个数样本数据迭代计算，例如，k＝0.6，则p＝5时，k(1-k)p＝0.0061，此时值已经很小，所以之后的样本值可以忽略，这种情况下就定阶为5，简化计算量，便于实时计算应用。
实施例一
图1示出了根据本发明的一个实施例的燃料电池系统功率模型预测计算方法的流程图。
如图1所示，该燃料电池系统功率模型预测计算方法，包括：
步骤1：设定时间序列；
步骤2：基于设定的时间序列，采集与时间序列对应的电机功率实际数据；
步骤3：基于电机功率实际数据，建立基于时间序列的自回归模型；
其中，基于时间序列的自回归模型为：
Xt＝k1Xt-1+k2Xt-2+k3Xt-3+······+kpXt-p+σt
其中，Xt为t时刻的电机功率，Xt-p为t-p时刻的电机功率，k1,k2,k3,......kp为回归系数，p为阶数，σ为随机扰动的白噪声。
步骤4：基于自回归模型，获得t+1时刻的电机功率预测值。
其中，t+1时刻的电机功率预测值为：
其中，
表示t+1时刻的电机功率预测值，ki为回归系数，Xt+1-i为t+1-i时刻的电机功率实际值，p为阶数。
其中，采用时序指数平滑法确定回归系数。
其中，通过以下公式简化计算t+1时刻的电机功率预测值：
其中，
表示t+1时刻的电机功率预测值，k为权重常数，p为阶数，Xt-1为t-1时刻的电机功率实际值，Xt-p为t-p时刻的电机功率实际值。
实施例二
图2示出了根据本发明的一个实施例的燃料电池系统功率模型预测计算的装置框图。
如图2所示，该燃料电池系统功率模型预测计算的装置，包括：
时间序列设定模块102，设定时间序列；
数据获取模块104，基于设定的时间序列，采集与时间序列对应的电机功率实际数据；
自回归模型建立模块106，基于电机功率实际数据，建立基于时间序列的自回归模型；
t+1时刻的电机功率预测值获得模块108，基于自回归模型，获得t+1时刻的电机功率预测值。
其中，基于时间序列的自回归模型为：
Xt＝k1Xt-1+k2Xt-2+k3Xt-3+······+kpXt-p+σt
其中，Xt为t时刻的电机功率，Xt-p为t-p时刻的电机功率，k1,k2,k3,......kp为回归系数，p为阶数，σ为随机扰动的白噪声。
其中，t+1时刻的电机功率预测值为：
其中，
表示t+1时刻的电机功率预测值，ki为回归系数，Xt+1-i为t+1-i时刻的电机功率实际值，p为阶数。
其中，采用时序指数平滑法确定回归系数。
其中，通过以下公式简化计算t+1时刻的电机功率预测值：
其中，
表示t+1时刻的电机功率预测值，k为权重常数，p为阶数，Xt-1为t-1时刻的电机功率实际值，Xt-p为t-p时刻的电机功率实际值。
实施例三
本公开提供一种电子设备包括，该电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述燃料电池系统功率模型预测计算的方法。
根据本公开实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
实施例四
本公开提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述燃料电池系统功率模型预测计算的方法。
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于：光存储介质(例如：CD－ROM和DVD)、磁光存储介质(例如：MO)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置ROM的媒体(例如：ROM盒)。
以上已经描述了本发明的实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的实施例。在不偏离所说明的实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种燃料电池系统功率模型预测计算方法，其特征在于，包括：
设定时间序列；
基于设定的时间序列，采集与所述时间序列对应的电机功率实际数据；
基于所述电机功率实际数据，建立基于时间序列的自回归模型；
基于所述自回归模型，获得t+1时刻的电机功率预测值。
2.根据权利要求1所述的燃料电池系统功率模型预测计算方法，其特征在于，所述基于时间序列的自回归模型为：
Xt＝k1Xt-1+k2Xt-2+k3Xt-3+······+kpXt-p+σt
其中，Xt为t时刻的电机功率，Xt-p为t-p时刻的电机功率，k1,k2,k3,......kp为回归系数，p为阶数，σ为随机扰动的白噪声。
3.根据权利要求2所述的燃料电池系统功率模型预测计算方法，其特征在于，所述t+1时刻的电机功率预测值为：
其中，
表示t+1时刻的电机功率预测值。
4.根据权利要求3所述的燃料电池系统功率模型预测计算方法，其特征在于，采用时序指数平滑法确定所述回归系数。
5.根据权利要求4所述的燃料电池系统功率模型预测计算方法，其特征在于，通过以下公式简化计算t+1时刻的电机功率预测值：
其中，
表示t+1时刻的电机功率预测值，k为权重常数，p为阶数，Xt-1为t-1时刻的电机功率实际值，Xt-p为t-p时刻的电机功率实际值。
6.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现根据权利要求1-5所述的燃料电池系统功率模型预测计算方法。
7.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的燃料电池系统功率模型预测计算方法。
8.一种燃料电池系统功率模型预测计算装置，其特征在于，包括：
时间序列设定模块，设定时间序列；
数据获取模块，基于设定的时间序列，采集与所述时间序列对应的电机功率实际数据；
自回归模型建立模块，基于电机功率的实际数据，建立基于时间序列的自回归模型；
t+1时刻的电机功率预测值获得模块，基于所述自回归模型，获得t+1时刻的电机功率预测值。
9.根据权利要求1所述的燃料电池系统功率模型预测计算装置，其特征在于，所述基于时间序列的自回归模型为：
Xt＝k1Xt-1+k2Xt-2+k3Xt-3+······+kpXt-p+σt
其中，Xt为t时刻的电机功率，Xt-p为t-p时刻的电机功率，k1,k2,k3,......kp为回归系数，p为阶数，σ为随机扰动的白噪声。
10.根据权利要求9所述的燃料电池系统功率模型预测计算装置，其特征在于，所述t+1时刻的电机功率预测值为：
其中，
表示t+1时刻的电机功率预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011636255.9A CN112838247A (zh) | 2020-12-31 | 2020-12-31 | 燃料电池系统功率模型预测计算方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011636255.9A CN112838247A (zh) | 2020-12-31 | 2020-12-31 | 燃料电池系统功率模型预测计算方法、装置、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112838247A true CN112838247A (zh) | 2021-05-25 |
Family
ID=75926657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011636255.9A Pending CN112838247A (zh) | 2020-12-31 | 2020-12-31 | 燃料电池系统功率模型预测计算方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112838247A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112977088A (zh) * | 2021-03-10 | 2021-06-18 | 陈俊霖 | 一种燃料电池车辆的控制方法 |
| CN114188575A (zh) * | 2021-12-10 | 2022-03-15 | 四川荣创新能动力系统有限公司 | 一种基于功率区间的多堆燃料电池系统功率调控方法 |
| WO2024061716A1 (de) * | 2022-09-19 | 2024-03-28 | Robert Bosch Gmbh | Verfahren zum betrieb einer elektrochemischen vorrichtung, steuer- oder regelvorrichtung und elektrochemische vorrichtung |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968056A (zh) * | 2012-12-07 | 2013-03-13 | 上海电机学院 | 质子交换膜燃料电池的建模系统及其智能预测控制方法 |
| CN109921072A (zh) * | 2019-03-20 | 2019-06-21 | 南京理工大学 | 一种质子交换膜燃料电池输出功率的预测控制方法 |
| CN110040038A (zh) * | 2019-04-24 | 2019-07-23 | 中通客车控股股份有限公司 | 一种氢-电混合燃料电池客车能量管理控制方法及系统 |
| CN111834654A (zh) * | 2020-07-24 | 2020-10-27 | 上海捷氢科技有限公司 | 质子交换膜燃料电池最大功率的在线预测控制方法及装置 |
-
2020
- 2020-12-31 CN CN202011636255.9A patent/CN112838247A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968056A (zh) * | 2012-12-07 | 2013-03-13 | 上海电机学院 | 质子交换膜燃料电池的建模系统及其智能预测控制方法 |
| CN109921072A (zh) * | 2019-03-20 | 2019-06-21 | 南京理工大学 | 一种质子交换膜燃料电池输出功率的预测控制方法 |
| CN110040038A (zh) * | 2019-04-24 | 2019-07-23 | 中通客车控股股份有限公司 | 一种氢-电混合燃料电池客车能量管理控制方法及系统 |
| CN111834654A (zh) * | 2020-07-24 | 2020-10-27 | 上海捷氢科技有限公司 | 质子交换膜燃料电池最大功率的在线预测控制方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 陈平: "燃料电池插电式混合动力轿车关键技术研究", 《工程科技Ⅱ辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112977088A (zh) * | 2021-03-10 | 2021-06-18 | 陈俊霖 | 一种燃料电池车辆的控制方法 |
| CN114188575A (zh) * | 2021-12-10 | 2022-03-15 | 四川荣创新能动力系统有限公司 | 一种基于功率区间的多堆燃料电池系统功率调控方法 |
| CN114188575B (zh) * | 2021-12-10 | 2024-03-15 | 四川荣创新能动力系统有限公司 | 一种基于功率区间的多堆燃料电池系统功率调控方法 |
| WO2024061716A1 (de) * | 2022-09-19 | 2024-03-28 | Robert Bosch Gmbh | Verfahren zum betrieb einer elektrochemischen vorrichtung, steuer- oder regelvorrichtung und elektrochemische vorrichtung |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805217B (zh) | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 | |
| CN112838247A (zh) | 燃料电池系统功率模型预测计算方法、装置、介质及设备 | |
| CN112666464B (zh) | 电池健康状态预测方法、装置、电子设备和可读存储介质 | |
| CN110091751B (zh) | 基于深度学习的电动汽车续航里程预测方法、设备及介质 | |
| CN113306449B (zh) | 一种新能源汽车的电池健康提醒方法及系统 | |
| CN110658460B (zh) | 一种电池包的电池寿命预测方法及装置 | |
| JP2023139227A (ja) | 電池健康状態予測方法、装置、電子機器及び可読記憶媒体 | |
| CN111231758B (zh) | 一种电池容量的估算方法、装置、电子设备及介质 | |
| CN115610252A (zh) | 一种车辆电池热管理启用方法、装置、设备及存储介质 | |
| JP2021124419A (ja) | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム | |
| CN113147506B (zh) | 基于大数据的车与车互学习充电剩余时间预测方法和装置 | |
| CN110503301B (zh) | 一种基于Cox比例风险模型的电动汽车传导充电安全影响因素评价方法 | |
| CN112993344A (zh) | 基于神经网络的燃料电池系统输出性能预测方法及装置 | |
| US11624625B2 (en) | System and method for evaluation of a route score for an electric vehicle and electric vehicle fleets | |
| CN115600728A (zh) | 一种动力电池的年度碳排放量估算方法及装置 | |
| CN113246797A (zh) | 一种电池寿命预测的方法和装置 | |
| CN112782584A (zh) | 电池电量的剩余使用额度的预测方法、系统、介质及设备 | |
| JP2021124420A (ja) | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム | |
| CN116945907B (zh) | 一种新能源电动汽车里程计算方法及系统 | |
| CN113552802B (zh) | 重卡智能空调控制方法及系统 | |
| CN116340767B (zh) | 一种电动汽车行程能耗概率分布预测方法、系统及产品 | |
| CN112633373A (zh) | 一种车辆工况预测方法及装置 | |
| CN117048424A (zh) | 荷电状态的获取方法、模型训练方法、装置和车辆 | |
| CN112183984A (zh) | 驾驶行为处理方法、装置、存储介质和电子设备 | |
| CN117774778A (zh) | 车辆电池系统加热方法、装置、介质及车辆 |
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 | ||
| CB02 | Change of applicant information |
Address after: 100176 floor 10, building 1, zone 2, yard 9, Taihe 3rd Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Beijing National New Energy Vehicle Technology Innovation Center Co.,Ltd. Address before: 102600 1705, block a, building 1, No. 10, Ronghua Middle Road, economic and Technological Development Zone, Daxing District, Beijing Applicant before: BEIJING NEW ENERGY VEHICLE TECHNOLOGY INNOVATION CENTER Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210525 |
|
| RJ01 | Rejection of invention patent application after publication |