CN113002367A - 车载燃料电池系统的控制方法及相关装置 - Google Patents

车载燃料电池系统的控制方法及相关装置 Download PDF

Info

Publication number
CN113002367A
CN113002367A CN202110199049.4A CN202110199049A CN113002367A CN 113002367 A CN113002367 A CN 113002367A CN 202110199049 A CN202110199049 A CN 202110199049A CN 113002367 A CN113002367 A CN 113002367A
Authority
CN
China
Prior art keywords
information
predicted
fuel cell
road condition
control strategy
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
CN202110199049.4A
Other languages
English (en)
Other versions
CN113002367B (zh
Inventor
陈海波
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.)
Deep Blue Technology Shanghai Co Ltd
Original Assignee
Deep Blue Technology Shanghai Co Ltd
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 Deep Blue Technology Shanghai Co Ltd filed Critical Deep Blue Technology Shanghai Co Ltd
Priority to CN202110199049.4A priority Critical patent/CN113002367B/zh
Publication of CN113002367A publication Critical patent/CN113002367A/zh
Application granted granted Critical
Publication of CN113002367B publication Critical patent/CN113002367B/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
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/30—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/12—Speed
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/64—Road conditions
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/64—Road conditions
    • B60L2240/642—Slope of road
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/68—Traffic data
    • 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)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Fuel Cell (AREA)

Abstract

本申请提供了一种车载燃料电池系统的控制方法及相关装置，所述方法应用于电动车，所述电动车包括车载燃料电池系统，所述方法包括：获取电动车的行驶方向的当前路况信息；根据当前路况信息，预测得到电动车的预测行驶信息；根据预测行驶信息，获取预测行驶信息对应的控制策略；根据预测行驶信息对应的控制策略，控制车载燃料电池系统工作，以增加车载燃料电池系统的实际效率处于预设效率区间的时长占比。该方法可以根据不同的路况对电动车的行动进行预测，从而采取不同的控制策略，补偿车载燃料电池系统动态响应的滞后性，使得车载燃料电池系统的实际效率可以较长时间保持在预设效率区间内，车载燃料电池系统的零部件更为耐用。

Description

车载燃料电池系统的控制方法及相关装置
技术领域
本申请涉及燃料电池技术领域，尤其涉及车载燃料电池系统的控制方法、装置、电子设备、电动车及计算机可读存储介质。
背景技术
燃料电池是一种把燃料所具有的化学能直接转换成电能的化学装置，又称电化学发电器。燃料电池多以氢气为燃料，以氧气为氧化剂，将燃料的化学能直接转化为电能，它不受卡诺循环的限制，只要有足够的燃料和氧气，即可长时间连续运行，并且具有比能量高、噪音小、无污染、零排放和能量转换效率高等特点，可广泛应用于小型电站、通信电源、机器人电源、汽车、电力系统、家庭生活等各领域。燃料电池技术被认为是21世纪首选的洁净、高效发电技术。燃料电池按其电解质的不同，可分为碱性燃料电池、磷酸型燃料电池、质子交换膜燃料电池、熔融碳酸盐型燃料电池及固体氧化物燃料电池等。
车载燃料电池一般是利用氧气作为氧化剂，与氢气进行电化学反应。《汽车工程学报》在2013年3月公开了《燃料电池发动机启动过程效率特性分析》一文，文中指出：(车载燃料电池)发动机启动刚开始时氢气流量较大，这是为了扫除残留在燃料电池阳极内的杂质气体。电流阶跃上升时，氢气流量也上升，由于电磁阀门相对于电流变化的滞后性，氢气流量并不是直接达到稳态值，而是有一定程度的滞后，然后再逐渐趋向稳态值。燃料电池发动机的系统效率随着启动时间的增加而急剧增加，当系统效率达到最大值后，随着启动时间的增加，系统效率缓慢减小。氢气利用率和辅助系统功率对系统效率特性影响显著。
电动车在频繁的启动、停止、变速过程中，电动车的速度及加速度波动非常频繁，这就要求燃料的供给速度、燃料电池的输出功率等参数能快速变化以适应负载的变化，但车载燃料电池系统的动态响应有一定的时滞，其动态响应过程一般需要几秒钟，但氢气与氧气的电化学反应工程是毫秒级，导致车载燃料电池系统容易工作在非最优效率区间，长此以往会影响车载燃料电池的核心零部件寿命。
发明内容
本申请的目的在于提供车载燃料电池系统的控制方法、装置、电子设备、电动车及计算机可读存储介质，可以补偿车载燃料电池系统动态响应的滞后性，使得车载燃料电池系统的实际效率可以较长时间保持在预设效率区间内，车载燃料电池系统的零部件更为耐用。
本申请的目的采用以下技术方案实现：
第一方面，本申请提供了一种车载燃料电池系统的控制方法，应用于电动车，所述电动车包括车载燃料电池系统，所述方法包括：获取所述电动车的行驶方向的当前路况信息；根据所述当前路况信息，预测得到所述电动车的预测行驶信息；根据所述预测行驶信息，获取所述预测行驶信息对应的控制策略；根据所述预测行驶信息对应的控制策略，控制所述车载燃料电池系统工作，以增加所述车载燃料电池系统的实际效率处于预设效率区间的时长占比。该技术方案的有益效果在于，可以根据电动车的行驶方向的当前路况检测数据获取当前路况信息，根据当前路况信息对电动车的行动进行预测，得到电动车的预测行驶信息，根据预测行驶信息获取对应的控制策略，从而控制车载燃料电池系统工作，该方法可以根据不同的路况对电动车的行动进行预测，从而采取不同的控制策略，补偿车载燃料电池系统动态响应的滞后性，使得车载燃料电池系统的实际效率可以较长时间保持在预设效率区间内，车载燃料电池系统的零部件更为耐用。
在一些可选的实施例中，所述获取所述电动车的行驶方向的当前路况信息，包括：获取所述电动车的行驶方向的当前路况检测数据；根据所述当前路况检测数据，得到所述电动车的行驶方向的当前路况信息。该技术方案的有益效果在于，可以根据电动车的行驶方向的当前路况检测数据获取当前路况信息，从而预测电动车的行动。
在一些可选的实施例中，所述当前路况检测数据是设置在所述电动车上的路况检测设备实时检测当前路况得到的；或者，所述当前路况检测数据是云服务器发送的。该技术方案的有益效果在于，当前路况检测数据可以通过电动车自身的检测设备实时检测得出，当前路况检测数据还可以通过云服务器发送，数据不易丢失，安全可靠，且稳定性佳、响应速度快。
在一些可选的实施例中，所述当前路况信息包括以下至少一种：路面类型；平均车速；平均坡度；路面拥堵程度；当前路段是否发生交通事故；当前路段是否存在障碍物；所述预测行驶信息包括以下至少一种：启动；加速；减速；停止；所述预测行驶信息对应的控制策略包括以下至少一种：单个燃料电池的输出功率；燃料电池堆的输出功率；储能电池的充放电策略。该技术方案的有益效果在于，针对不同的路况，可以对电动车的行动进行预判，得到预测行驶信息，从而根据预测行驶信息采取不同的控制策略，例如调节单个燃料电池的输出功率、调节燃料电池堆的输出功率、储能电池进行充电或放电等。
在一些可选的实施例中，所述根据所述当前路况信息，预测得到所述电动车的预测行驶信息，包括：获取多个样本路况信息以及每个所述样本路况信息对应的行驶信息；根据所述多个样本路况信息以及每个所述样本路况信息对应的行驶信息，利用深度学习模型进行训练，得到行驶预测模型；将所述当前路况信息输入所述行驶预测模型，得到所述当前路况信息对应的行驶信息作为所述电动车的预测行驶信息。该技术方案的有益效果在于，可以根据多个样本路况信息以及对应的行驶信息，利用深度学习模型进行训练，得到行驶预测模型，一方面，通过向行驶预测模型输入当前路况信息，可以得到对应的预测行驶信息；另一方面，行驶预测模型可以由大量的样本数据训练而成，可以识别多种路况信息，适用范围广，智能化水平高。
在一些可选的实施例中，所述根据所述预测行驶信息，获取所述预测行驶信息对应的控制策略，包括：获取多个样本行驶信息以及每个所述样本行驶信息对应的控制策略；根据所述多个样本行驶信息以及每个所述样本行驶信息对应的控制策略，利用深度学习模型进行训练，得到第一控制策略模型；将所述预测行驶信息输入所述第一控制策略模型，得到所述预测行驶信息对应的控制策略。该技术方案的有益效果在于，可以根据多个样本行驶信息以及对应的控制策略，利用深度学习模型进行训练，得到第一控制策略模型，一方面，通过向第一控制策略模型输入预测行驶信息，可以得到对应的控制策略；另一方面，第一控制策略模型可以由大量的样本数据训练而成，可以识别多种预测行驶信息，适用范围广，智能化水平高。
在一些可选的实施例中，所述根据所述预测行驶信息，获取所述预测行驶信息对应的控制策略，包括：根据所述预测行驶信息，预测得到所述预测行驶信息对应的预测用电信息；根据所述预测用电信息，获取所述预测用电信息对应的控制策略；确定所述预测用电信息对应的控制策略作为所述预测行驶信息对应的控制策略。该技术方案的有益效果在于，可以根据预测行驶信息，对电动车的用电情况进行预测，得到对应的预测用电信息，从而根据预测用电信息获取对应的控制策略，将预测用电信息对应的控制策略作为预测行驶信息对应的控制策略。
在一些可选的实施例中，所述根据所述预测用电信息，获取所述预测用电信息对应的控制策略，包括：获取多个样本用电信息以及每个所述样本用电信息对应的控制策略；根据所述多个样本用电信息以及每个所述样本用电信息对应的控制策略，利用深度学习模型进行训练，得到第二控制策略模型；将所述预测用电信息输入所述第二控制策略模型，得到所述预测用电信息对应的控制策略。该技术方案的有益效果在于，可以根据多个样本用电信息以及对应的控制策略，利用深度学习模型进行训练，得到第二控制策略模型，一方面，通过向第二控制策略模型输入预测用电信息，可以得到对应的控制策略；另一方面，第二控制策略模型可以由大量的样本数据训练而成，可以识别多种预测用电信息，适用范围广，智能化水平高。
第二方面，本申请提供了一种车载燃料电池系统的控制装置，应用于电动车，所述电动车包括车载燃料电池系统，所述装置包括：信息获取模块，用于获取所述电动车的行驶方向的当前路况信息；行驶预测模块，用于根据所述当前路况信息，预测得到所述电动车的预测行驶信息；策略获取模块，用于根据所述预测行驶信息，获取所述预测行驶信息对应的控制策略；系统控制模块，用于根据所述预测行驶信息对应的控制策略，控制所述车载燃料电池系统工作，以增加所述车载燃料电池系统的实际效率处于预设效率区间的时长占比。
在一些可选的实施例中，所述信息获取模块包括：数据获取单元，用于获取所述电动车的行驶方向的当前路况检测数据；当前路况单元，用于根据所述当前路况检测数据，得到所述电动车的行驶方向的当前路况信息。
在一些可选的实施例中，所述当前路况检测数据是设置在所述电动车上的路况检测设备实时检测当前路况得到的；或者，所述当前路况检测数据是云服务器发送的。
在一些可选的实施例中，所述当前路况信息包括以下至少一种：路面类型；平均车速；平均坡度；路面拥堵程度；当前路段是否发生交通事故；当前路段是否存在障碍物；所述预测行驶信息包括以下至少一种：启动；加速；减速；停止；所述预测行驶信息对应的控制策略包括以下至少一种：单个燃料电池的输出功率；燃料电池堆的输出功率；储能电池的充放电策略。
在一些可选的实施例中，所述行驶预测模块包括：第一样本单元，用于获取多个样本路况信息以及每个所述样本路况信息对应的行驶信息；第一训练单元，用于根据所述多个样本路况信息以及每个所述样本路况信息对应的行驶信息，利用深度学习模型进行训练，得到行驶预测模型；第一输入单元，用于将所述当前路况信息输入所述行驶预测模型，得到所述当前路况信息对应的行驶信息作为所述电动车的预测行驶信息。
在一些可选的实施例中，所述策略获取模块包括：第二样本单元，用于获取多个样本行驶信息以及每个所述样本行驶信息对应的控制策略；第二训练单元，用于根据所述多个样本行驶信息以及每个所述样本行驶信息对应的控制策略，利用深度学习模型进行训练，得到第一控制策略模型；第二输入单元，用于将所述预测行驶信息输入所述第一控制策略模型，得到所述预测行驶信息对应的控制策略。
在一些可选的实施例中，所述策略获取模块包括：预测用电单元，用于根据所述预测行驶信息，预测得到所述预测行驶信息对应的预测用电信息；控制策略单元，用于根据所述预测用电信息，获取所述预测用电信息对应的控制策略；策略确定单元，用于确定所述预测用电信息对应的控制策略作为所述预测行驶信息对应的控制策略。
在一些可选的实施例中，所述控制策略单元包括：第三样本子单元，用于获取多个样本用电信息以及每个所述样本用电信息对应的控制策略；第三训练子单元，用于根据所述多个样本用电信息以及每个所述样本用电信息对应的控制策略，利用深度学习模型进行训练，得到第二控制策略模型；第三输入子单元，用于将所述预测用电信息输入所述第二控制策略模型，得到所述预测用电信息对应的控制策略。
第三方面，本申请提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项方法的步骤。
第四方面，本申请提供了一种电动车，所述电动车包括壳体、车载燃料电池系统和上述任一项电子设备。该技术方案的有益效果在于，电子设备可以包括存储器和处理器，将电子设备应用于电动车，可以提升电动车的自动化水平和智能化水平。
在一些可选的实施例中，所述电动车还包括设置在所述壳体上的路况检测设备，所述路况检测设备包括以下至少一种：前视摄像头、左后视摄像头、右后视摄像头、定位设备、毫米波雷达、左激光雷达和右激光雷达。该技术方案的有益效果在于，电动车可以根据电动车上的路况检测设备实时获取当前路况检测数据。
第五方面，本申请提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项方法的步骤。
附图说明
下面结合附图和实施例对本申请进一步说明。
图1是本申请实施例提供的一种车载燃料电池系统的控制方法的流程示意图；
图2是本申请实施例提供的一种获取当前路况信息的流程示意图；
图3是本申请实施例提供的一种得到预测行驶信息的流程示意图；
图4是本申请实施例提供的一种获取控制策略的流程示意图；
图5是本申请实施例提供的一种获取控制策略的流程示意图；
图6是本申请实施例提供的一种获取控制策略的流程示意图；
图7是本申请实施例提供的一种燃料电池效率和燃料电池系统效率的变化示意图；
图8是本申请实施例提供的一种车载燃料电池系统的控制装置的结构示意图；
图9是本申请实施例提供的一种信息获取模块的结构示意图；
图10是本申请实施例提供的一种行驶预测模块的结构示意图；
图11是本申请实施例提供的一种策略获取模块的结构示意图；
图12是本申请实施例提供的一种策略获取模块的结构示意图；
图13是本申请实施例提供的一种控制策略单元的结构示意图；
图14是本申请实施例提供的一种电子设备的结构框图；
图15是本申请实施例提供的一种电动车的局部结构示意图；
图16是本申请实施例提供的一种电动车的局部结构示意图；
图17是本申请实施例提供的一种电动车的局部结构示意图；
图18是本申请实施例提供的一种电动车的局部结构示意图；
图19是本申请实施例提供的一种电动车的局部结构示意图；
图20是本申请实施例提供的一种电动车的局部结构示意图；
图21是本申请实施例提供的一种电动车的局部结构示意图；
图22是本申请实施例提供的一种电动车的局部结构示意图；
图23是本申请实施例提供的一种用于实现车载燃料电池系统的控制方法的程序产品的结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本申请做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
参见图1，本申请实施例提供了一种车载燃料电池系统的控制方法，应用于电动车，电动车可以是电动汽车，例如电动轿车、电动大巴等，所述电动车包括车载燃料电池系统，所述方法包括步骤S101～S104。
步骤S101：获取所述电动车的行驶方向的当前路况信息。
参见图2，在一具体实施方式中，所述步骤S101可以包括步骤S201～S202。
步骤S201：获取所述电动车的行驶方向的当前路况检测数据。
在一具体实施方式中，所述当前路况检测数据可以是设置在所述电动车上的路况检测设备实时检测当前路况得到的；或者，所述当前路况检测数据可以是云服务器发送的。其中，云服务器例如是车路协同系统的后台服务器。
由此，当前路况检测数据可以通过电动车自身的检测设备实时检测得出，当前路况检测数据还可以通过云服务器发送，数据不易丢失，安全可靠，且稳定性佳、响应速度快。
步骤S202：根据所述当前路况检测数据，得到所述电动车的行驶方向的当前路况信息。
由此，可以根据电动车的行驶方向的当前路况检测数据获取当前路况信息，从而预测电动车的行动。
步骤S102：根据所述当前路况信息，预测得到所述电动车的预测行驶信息。
参见图3，在一具体实施方式中，所述步骤S102可以包括步骤S301～S303。
步骤S301：获取多个样本路况信息以及每个所述样本路况信息对应的行驶信息。
步骤S302：根据所述多个样本路况信息以及每个所述样本路况信息对应的行驶信息，利用深度学习模型进行训练，得到行驶预测模型。
步骤S303：将所述当前路况信息输入所述行驶预测模型，得到所述当前路况信息对应的行驶信息作为所述电动车的预测行驶信息。
由此，可以根据多个样本路况信息以及对应的行驶信息，利用深度学习模型进行训练，得到行驶预测模型，一方面，通过向行驶预测模型输入当前路况信息，可以得到对应的预测行驶信息；另一方面，行驶预测模型可以由大量的样本数据训练而成，可以识别多种路况信息，适用范围广，智能化水平高。
步骤S103：根据所述预测行驶信息，获取所述预测行驶信息对应的控制策略。
在一具体实施方式中，所述当前路况信息可以包括以下至少一种：路面类型；平均车速；平均坡度；路面拥堵程度；当前路段是否发生交通事故；当前路段是否存在障碍物；所述预测行驶信息可以包括以下至少一种：启动；加速；减速；停止；所述预测行驶信息对应的控制策略可以包括以下至少一种：单个燃料电池的输出功率；燃料电池堆的输出功率；储能电池的充放电策略。具体地，燃料电池堆由若干单个燃料电池组合而成，储能电池设置于电动车上，其可以是混合动力储能电池。其中，路面类型例如是平整、颠簸，平均坡度例如是15度或者30度，路面拥堵程度例如是不拥堵、轻微拥堵、中等拥堵、严重拥堵、极度拥堵，当前路段是否发生交通事故例如是“当前路段发生交通事故”或者“当前路段没有发生交通事故”，当前路段是否存在障碍物例如是“当前路段存在障碍物”或者“当前路段不存在障碍物”。单个燃料电池的输出功率例如是15W，燃料电池堆的输出功率例如是500W，储能电池的充放电策略例如是储能电池充电或者储能电池放电。其中，预测行驶信息还可以包括转向，转向例如是转弯或者调头。
在一具体实施方式中，当前路况信息为路面拥堵程度是严重拥堵时，对应的预测行驶信息可以是减速，减速对应的控制策略可以是降低单个燃料电池的输出功率和燃料电池堆的输出功率，并配合调节储能电池进行充电，由此可以使车载燃料电池系统的实际效率处于较高的范围。
由此，针对不同的路况，可以对电动车的行动进行预判，得到预测行驶信息，从而根据预测行驶信息采取不同的控制策略，例如调节单个燃料电池的输出功率、调节燃料电池堆的输出功率、储能电池进行充电或放电等。
在一具体实施方式中，所述当前路况信息对应的控制策略还可以包括以下至少一种：燃料供给量控制策略，燃料例如是氢气；处理系统反应条件控制策略；未反应气体循环控制策略；反应温度、压力、空气供给量控制策略；直流电流和电压控制策略、热回收系统控制策略、电压和交流频率控制策略、电流和电压输出控制策略。
参见图4，在一具体实施方式中，所述步骤S103可以包括步骤S401～S403。
步骤S401：获取多个样本行驶信息以及每个所述样本行驶信息对应的控制策略。
步骤S402：根据所述多个样本行驶信息以及每个所述样本行驶信息对应的控制策略，利用深度学习模型进行训练，得到第一控制策略模型。
步骤S403：将所述预测行驶信息输入所述第一控制策略模型，得到所述预测行驶信息对应的控制策略。
由此，可以根据多个样本行驶信息以及对应的控制策略，利用深度学习模型进行训练，得到第一控制策略模型，一方面，通过向第一控制策略模型输入预测行驶信息，可以得到对应的控制策略；另一方面，第一控制策略模型可以由大量的样本数据训练而成，可以识别多种预测行驶信息，适用范围广，智能化水平高。
参见图5，在一具体实施方式中，所述步骤S103可以包括步骤S501～S503。
步骤S501：根据所述预测行驶信息，预测得到所述预测行驶信息对应的预测用电信息。预测用电信息可以包括以下至少一种：预测负载功率；预测负载电流；预测负载电压。
在一具体实施方式中，当前路况信息为平均坡度是30度时，预测行驶信息可以是爬坡，可以预判电动车的负载功率将增大，即预测负载功率增大。
步骤S502：根据所述预测用电信息，获取所述预测用电信息对应的控制策略。
参见图6，在一具体实施方式中，所述步骤S502可以包括步骤S601～S603。
步骤S601：获取多个样本用电信息以及每个所述样本用电信息对应的控制策略。
步骤S602：根据所述多个样本用电信息以及每个所述样本用电信息对应的控制策略，利用深度学习模型进行训练，得到第二控制策略模型。
步骤S603：将所述预测用电信息输入所述第二控制策略模型，得到所述预测用电信息对应的控制策略。
由此，可以根据多个样本用电信息以及对应的控制策略，利用深度学习模型进行训练，得到第二控制策略模型，一方面，通过向第二控制策略模型输入预测用电信息，可以得到对应的控制策略；另一方面，第二控制策略模型可以由大量的样本数据训练而成，可以识别多种预测用电信息，适用范围广，智能化水平高。
步骤S503：确定所述预测用电信息对应的控制策略作为所述预测行驶信息对应的控制策略。
由此，可以根据预测行驶信息，对电动车的用电情况进行预测，得到对应的预测用电信息，从而根据预测用电信息获取对应的控制策略，将预测用电信息对应的控制策略作为预测行驶信息对应的控制策略。
步骤S104：根据所述预测行驶信息对应的控制策略，控制所述车载燃料电池系统工作，以增加所述车载燃料电池系统的实际效率处于预设效率区间的时长占比。其中，2009年9月北京航空航天大学出版社出版的《燃料电池系统》中记载了燃料电池系统的实际效率的计算方法，此处不做赘述。另外，预设效率区间可以是预先设定的效率区间，例如是最优效率区间，最优效率区间例如是60～80％或者70％～90％。
参见图7，车载燃料电池一般是利用氧气作为氧化剂，与氢气进行电化学反应。电动车在频繁的启动、停止、变速过程中，电动车的速度及加速度波动非常频繁，这就要求燃料的供给速度、燃料电池的输出功率等参数能快速变化以适应负载的变化，但车载燃料电池系统的动态响应有一定的时滞，其动态响应过程一般需要几秒钟，但氢气与氧气的电化学反应工程是毫秒级，导致车载燃料电池系统容易工作在非最优效率区间，长此以往会影响车载燃料电池的核心零部件寿命。
由此，可以根据电动车的行驶方向的当前路况检测数据获取当前路况信息，根据当前路况信息对电动车的行动进行预测，得到电动车的预测行驶信息，根据预测行驶信息获取对应的控制策略，从而控制车载燃料电池系统工作，该方法可以根据不同的路况对电动车的行动进行预测，从而采取不同的控制策略，补偿车载燃料电池系统动态响应的滞后性，使得车载燃料电池系统的实际效率可以较长时间保持在预设效率区间内，车载燃料电池系统的零部件更为耐用。
参见图8，本申请实施例还提供了一种车载燃料电池系统的控制装置，其具体实现方式与上述车载燃料电池系统的控制方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
所述装置应用于电动车，所述电动车包括车载燃料电池系统，所述装置包括：信息获取模块101，用于获取所述电动车的行驶方向的当前路况信息；行驶预测模块102，用于根据所述当前路况信息，预测得到所述电动车的预测行驶信息；策略获取模块103，用于根据所述预测行驶信息，获取所述预测行驶信息对应的控制策略；系统控制模块104，用于根据所述预测行驶信息对应的控制策略，控制所述车载燃料电池系统工作，以增加所述车载燃料电池系统的实际效率处于预设效率区间的时长占比。
参见图9，在一具体实施方式中，所述信息获取模块101可以包括：数据获取单元1011，可以用于获取所述电动车的行驶方向的当前路况检测数据；当前路况单元1012，可以用于根据所述当前路况检测数据，得到所述电动车的行驶方向的当前路况信息。
在一具体实施方式中，所述当前路况检测数据可以是设置在所述电动车上的路况检测设备实时检测当前路况得到的；或者，所述当前路况检测数据可以是云服务器发送的。
在一具体实施方式中，所述当前路况信息可以包括以下至少一种：路面类型；平均车速；平均坡度；路面拥堵程度；当前路段是否发生交通事故；当前路段是否存在障碍物；所述预测行驶信息可以包括以下至少一种：启动；加速；减速；停止；所述预测行驶信息对应的控制策略可以包括以下至少一种：单个燃料电池的输出功率；燃料电池堆的输出功率；储能电池的充放电策略。
参见图10，在一具体实施方式中，所述行驶预测模块102可以包括：第一样本单元1021，可以用于获取多个样本路况信息以及每个所述样本路况信息对应的行驶信息；第一训练单元1022，可以用于根据所述多个样本路况信息以及每个所述样本路况信息对应的行驶信息，利用深度学习模型进行训练，得到行驶预测模型；第一输入单元1023，可以用于将所述当前路况信息输入所述行驶预测模型，得到所述当前路况信息对应的行驶信息作为所述电动车的预测行驶信息。
参见图11，在一具体实施方式中，所述策略获取模块103可以包括：第二样本单元1031，可以用于获取多个样本行驶信息以及每个所述样本行驶信息对应的控制策略；第二训练单元1032，可以用于根据所述多个样本行驶信息以及每个所述样本行驶信息对应的控制策略，利用深度学习模型进行训练，得到第一控制策略模型；第二输入单元1033，可以用于将所述预测行驶信息输入所述第一控制策略模型，得到所述预测行驶信息对应的控制策略。
参见图12，在一具体实施方式中，所述策略获取模块103可以包括：预测用电单元1034，可以用于根据所述预测行驶信息，预测得到所述预测行驶信息对应的预测用电信息；控制策略单元1035，可以用于根据所述预测用电信息，获取所述预测用电信息对应的控制策略；策略确定单元1036，可以用于确定所述预测用电信息对应的控制策略作为所述预测行驶信息对应的控制策略。
参见图13，在一具体实施方式中，所述控制策略单元1035可以包括：第三样本子单元1035a，可以用于获取多个样本用电信息以及每个所述样本用电信息对应的控制策略；第三训练子单元1035b，可以用于根据所述多个样本用电信息以及每个所述样本用电信息对应的控制策略，利用深度学习模型进行训练，得到第二控制策略模型；第三输入子单元1035c，可以用于将所述预测用电信息输入所述第二控制策略模型，得到所述预测用电信息对应的控制策略。
参见图14，本申请实施例还提供了一种电子设备200，电子设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
存储器210可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)211和/或高速缓存存储器212，还可以进一步包括只读存储器(ROM)213。
其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220执行本申请实施例中车载燃料电池系统的控制方法的步骤，其具体实现方式与上述车载燃料电池系统的控制方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
存储器210还可以包括具有一组(至少一个)程序模块215的程序/实用工具214，这样的程序模块215包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
相应的，处理器220可以执行上述计算机程序，以及可以执行程序/实用工具214。
总线230可以为表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
参见图15，本申请实施例还提供了一种电动车20，其具体实现方式与上述车载燃料电池系统的控制方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
所述电动车20包括壳体30、车载燃料电池系统(图中未示出)和上述任一项电子设备200。
由此，电子设备200可以包括存储器和处理器，将电子设备200应用于电动车20，可以提升电动车20的自动化水平和智能化水平。
本申请一些实施例中，所述电动车20包括燃料电池43、储能电池46和控制系统，还可以包括路况检测设备，控制系统包括整车控制器41、燃料电池控制器42和效率控制器44，还可以包括储能电池控制器45和自动变速箱控制器。
整车控制器41(Vehicle Control Unit，简称VCU)是电动车20的中央控制单元。车载燃料电池系统可以包括燃料电池控制器42和燃料电池43，还可以包括燃料子系统、热管理子系统、电力转换子系统。燃料电池43是电动车20的主要动力来源，提供车辆正常行驶的能量，燃料电池43还可以为储能电池46充电。燃料电池控制器42(Fuel Cell Unit，简称FCU)可用于控制燃料电池43的工作，具体地，整车控制器41可以连接燃料电池控制器42并向燃料电池控制器42发送能量要求的信号，燃料电池控制器42收到信号后，调整燃料电池43的工况，进而控制燃料电池发动机的工况和输出功率。
储能电池46是电动车20的辅助动力来源，燃料电池43的富余电能可以被储能电池46吸收和存储，储能电池46可以包括以下至少一种：铅酸电池、氢镍电池和锂离子电池。储能电池控制器45用于控制储能电池46的工作。
效率控制器44例如是AI主机，效率控制器44用于制定燃料电池43和/或储能电池46的控制策略，具体地，效率控制器44根据所述电动车20的预测行驶信息制定燃料电池43和/或储能电池46的控制策略，电动车20的预测行驶信息可以根据当前路况信息预测得到，具体可以通过如步骤S301～S303所示的方法获得。当前路况信息可以根据如步骤S201～S202所示的方法获得。根据所述电动车20的预测行驶信息制定燃料电池43和/或储能电池46的控制策略具体可以通过如步骤S103所示的方法获得。
在一具体实施方式中，路况检测设备获取电动车20的当前路况检测数据，路况检测设备能够准确实时获取当前路况检测数据，所述效率控制器44连接所述路况检测设备以获取当前路况检测数据，效率控制器44可以根据所述当前路况检测数据预测得到所述电动车20的预测行驶信息，具体可以采用如步骤S201～S202、步骤S301～S303所示的方法获得，然后根据所述电动车20的预测行驶信息制定燃料电池43和/或储能电池46的控制策略。
在一具体实施方式中，参见图16，所述路况检测设备包括以下至少一种：前视摄像头31、左后视摄像头32、右后视摄像头33、定位设备34、毫米波雷达35、左激光雷达36和右激光雷达37。其中，所述前视摄像头31设置在所述电动车20的前侧，和/或所述左后视摄像头32和右后视摄像头33分别设置在所述电动车20的左侧和右侧，和/或所述定位设备设置34在所述电动车20上，和/或所述毫米波雷达35设置在所述电动车20的前侧，和/或所述左激光雷达36和右激光雷达37分别设置在所述电动车20的左侧和右侧。
在一替换实施方式中，所述效率控制器44连接云服务器以获取当前路况检测数据和/或当前路况信息，云服务器例如是车路协同系统的后台服务器，效率控制器44通过当前路况检测数据可以得到所述电动车20的行驶方向的当前路况信息，和/或通过云服务器直接获得当前路况信息，根据当前路况信息预测得到电动车20的预测行驶信息，再根据预测行驶信息制定燃料电池43和/或储能电池46的控制策略。
当控制策略是燃料电池43的控制策略时，参见图17，所述整车控制器41连接所述效率控制器44以获取燃料电池43的控制策略，整车控制器41可通过CAN总线连接效率控制器44，所述整车控制器41连接所述燃料电池控制器42以向所述燃料电池控制器42发送信号，燃料电池控制器42根据信号控制燃料电池43的工作；或者，参见图18，所述效率控制器44连接所述燃料电池控制器42以向所述燃料电池控制器42发送信号，燃料电池控制器42根据信号控制燃料电池43的工作。
当控制策略是储能电池46的控制策略时，参见图19，所述控制系统还包括储能电池控制器45，所述整车控制器41连接所述效率控制器44以获取储能电池46的控制策略，所述整车控制器41连接所述储能电池控制器45以向所述储能电池控制器45发送信号，储能电池控制器45根据信号控制储能电池46的工作；或者，参见图20，所述效率控制器44连接所述储能电池控制器45以向所述储能电池控制器45发送信号，储能电池控制器45根据信号控制储能电池46的工作。
当控制策略是燃料电池43和储能电池46的控制策略时，参见图21，所述控制系统还包括储能电池控制器45，所述整车控制器41连接所述效率控制器44以获取燃料电池43和储能电池46的控制策略，所述整车控制器41分别连接所述燃料电池控制器42和储能电池控制器45以分别向所述燃料电池控制器42和储能电池控制器45发送信号，燃料电池控制器42根据信号控制燃料电池43的工作，储能电池控制器45根据信号控制储能电池46的工作；或者，参见图22，所述效率控制器44分别连接所述燃料电池控制器42和储能电池控制器45以分别向所述燃料电池控制器42和储能电池控制器45发送信号，燃料电池控制器42根据信号控制燃料电池43的工作，储能电池控制器45根据信号控制储能电池46的工作。
由此，效率控制器44可以制定燃料电池43和/或储能电池46的控制策略，并通过燃料电池控制器42控制燃料电池43的工作，和/或通过储能电池控制器45控制储能电池46的工作，从而补偿车载燃料电池系统动态响应的滞后性，使得车载燃料电池系统的实际效率可以较长时间保持在预设效率区间内，车载燃料电池系统的零部件更为耐用。
在一具体实施方式中，所述电动车20还包括连接所述效率控制器44的自动变速箱控制器(未示出)，所述效率控制器44根据预测得到所述电动车20的预测行驶信息，向自动变速箱控制器发送信号，再由自动变速箱控制器控制自动变速箱的工作。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，所述计算机程序被执行时实现本申请实施例中车载燃料电池系统的控制方法的步骤，其具体实现方式与上述车载燃料电池系统的控制方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
图23示出了本实施例提供的用于实现上述车载燃料电池系统的控制方法的程序产品300，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品300不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如Java、C++等，还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本申请从使用目的上，效能上，进步及新颖性等观点进行阐述，其设置有的实用进步性，已符合专利法所强调的功能增进及使用要件，本申请以上的说明及附图，仅为本申请的较佳实施例而已，并非以此局限本申请，因此，凡一切与本申请构造，装置，特征等近似、雷同的，即凡依本申请专利申请范围所作的等同替换或修饰等，皆应属本申请的专利申请保护的范围之内。

Claims (20)

1.一种车载燃料电池系统的控制方法，其特征在于，应用于电动车，所述电动车包括车载燃料电池系统，所述方法包括：
获取所述电动车的行驶方向的当前路况信息；
根据所述当前路况信息，预测得到所述电动车的预测行驶信息；
根据所述预测行驶信息，获取所述预测行驶信息对应的控制策略；
根据所述预测行驶信息对应的控制策略，控制所述车载燃料电池系统工作，以增加所述车载燃料电池系统的实际效率处于预设效率区间的时长占比。
2.根据权利要求1所述的车载燃料电池系统的控制方法，其特征在于，所述获取所述电动车的行驶方向的当前路况信息，包括：
获取所述电动车的行驶方向的当前路况检测数据；
根据所述当前路况检测数据，得到所述电动车的行驶方向的当前路况信息。
3.根据权利要求2所述的车载燃料电池系统的控制方法，其特征在于，所述当前路况检测数据是设置在所述电动车上的路况检测设备实时检测当前路况得到的；或者，
所述当前路况检测数据是云服务器发送的。
4.根据权利要求1所述的车载燃料电池系统的控制方法，其特征在于，所述当前路况信息包括以下至少一种：
路面类型；
平均车速；
平均坡度；
路面拥堵程度；
当前路段是否发生交通事故；
当前路段是否存在障碍物；
所述预测行驶信息包括以下至少一种：
启动；
加速；
减速；
停止；
所述预测行驶信息对应的控制策略包括以下至少一种：
单个燃料电池的输出功率；
燃料电池堆的输出功率；
储能电池的充放电策略。
5.根据权利要求1所述的车载燃料电池系统的控制方法，其特征在于，所述根据所述当前路况信息，预测得到所述电动车的预测行驶信息，包括：
获取多个样本路况信息以及每个所述样本路况信息对应的行驶信息；
根据所述多个样本路况信息以及每个所述样本路况信息对应的行驶信息，利用深度学习模型进行训练，得到行驶预测模型；
将所述当前路况信息输入所述行驶预测模型，得到所述当前路况信息对应的行驶信息作为所述电动车的预测行驶信息。
6.根据权利要求1所述的车载燃料电池系统的控制方法，其特征在于，所述根据所述预测行驶信息，获取所述预测行驶信息对应的控制策略，包括：
获取多个样本行驶信息以及每个所述样本行驶信息对应的控制策略；
根据所述多个样本行驶信息以及每个所述样本行驶信息对应的控制策略，利用深度学习模型进行训练，得到第一控制策略模型；
将所述预测行驶信息输入所述第一控制策略模型，得到所述预测行驶信息对应的控制策略。
7.根据权利要求1所述的车载燃料电池系统的控制方法，其特征在于，所述根据所述预测行驶信息，获取所述预测行驶信息对应的控制策略，包括：
根据所述预测行驶信息，预测得到所述预测行驶信息对应的预测用电信息；
根据所述预测用电信息，获取所述预测用电信息对应的控制策略；
确定所述预测用电信息对应的控制策略作为所述预测行驶信息对应的控制策略。
8.根据权利要求7所述的车载燃料电池系统的控制方法，其特征在于，所述根据所述预测用电信息，获取所述预测用电信息对应的控制策略，包括：
获取多个样本用电信息以及每个所述样本用电信息对应的控制策略；
根据所述多个样本用电信息以及每个所述样本用电信息对应的控制策略，利用深度学习模型进行训练，得到第二控制策略模型；
将所述预测用电信息输入所述第二控制策略模型，得到所述预测用电信息对应的控制策略。
9.一种车载燃料电池系统的控制装置，其特征在于，应用于电动车，所述电动车包括车载燃料电池系统，所述装置包括：
信息获取模块，用于获取所述电动车的行驶方向的当前路况信息；
行驶预测模块，用于根据所述当前路况信息，预测得到所述电动车的预测行驶信息；
策略获取模块，用于根据所述预测行驶信息，获取所述预测行驶信息对应的控制策略；
系统控制模块，用于根据所述预测行驶信息对应的控制策略，控制所述车载燃料电池系统工作，以增加所述车载燃料电池系统的实际效率处于预设效率区间的时长占比。
10.根据权利要求9所述的车载燃料电池系统的控制装置，其特征在于，所述信息获取模块包括：
数据获取单元，用于获取所述电动车的行驶方向的当前路况检测数据；
当前路况单元，用于根据所述当前路况检测数据，得到所述电动车的行驶方向的当前路况信息。
11.根据权利要求10所述的车载燃料电池系统的控制装置，其特征在于，所述当前路况检测数据是设置在所述电动车上的路况检测设备实时检测当前路况得到的；或者，
所述当前路况检测数据是云服务器发送的。
12.根据权利要求9所述的车载燃料电池系统的控制装置，其特征在于，所述当前路况信息包括以下至少一种：
路面类型；
平均车速；
平均坡度；
路面拥堵程度；
当前路段是否发生交通事故；
当前路段是否存在障碍物；
所述预测行驶信息包括以下至少一种：
启动；
加速；
减速；
停止；
所述预测行驶信息对应的控制策略包括以下至少一种：
单个燃料电池的输出功率；
燃料电池堆的输出功率；
储能电池的充放电策略。
13.根据权利要求9所述的车载燃料电池系统的控制装置，其特征在于，所述行驶预测模块包括：
第一样本单元，用于获取多个样本路况信息以及每个所述样本路况信息对应的行驶信息；
第一训练单元，用于根据所述多个样本路况信息以及每个所述样本路况信息对应的行驶信息，利用深度学习模型进行训练，得到行驶预测模型；
第一输入单元，用于将所述当前路况信息输入所述行驶预测模型，得到所述当前路况信息对应的行驶信息作为所述电动车的预测行驶信息。
14.根据权利要求9所述的车载燃料电池系统的控制装置，其特征在于，所述策略获取模块包括：
第二样本单元，用于获取多个样本行驶信息以及每个所述样本行驶信息对应的控制策略；
第二训练单元，用于根据所述多个样本行驶信息以及每个所述样本行驶信息对应的控制策略，利用深度学习模型进行训练，得到第一控制策略模型；
第二输入单元，用于将所述预测行驶信息输入所述第一控制策略模型，得到所述预测行驶信息对应的控制策略。
15.根据权利要求9所述的车载燃料电池系统的控制装置，其特征在于，所述策略获取模块包括：
预测用电单元，用于根据所述预测行驶信息，预测得到所述预测行驶信息对应的预测用电信息；
控制策略单元，用于根据所述预测用电信息，获取所述预测用电信息对应的控制策略；
策略确定单元，用于确定所述预测用电信息对应的控制策略作为所述预测行驶信息对应的控制策略。
16.根据权利要求15所述的车载燃料电池系统的控制装置，其特征在于，所述控制策略单元包括：
第三样本子单元，用于获取多个样本用电信息以及每个所述样本用电信息对应的控制策略；
第三训练子单元，用于根据所述多个样本用电信息以及每个所述样本用电信息对应的控制策略，利用深度学习模型进行训练，得到第二控制策略模型；
第三输入子单元，用于将所述预测用电信息输入所述第二控制策略模型，得到所述预测用电信息对应的控制策略。
17.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述方法的步骤。
18.一种电动车，其特征在于，所述电动车包括壳体、车载燃料电池系统和权利要求17所述的电子设备。
19.根据权利要求18所述的电动车，其特征在于，所述电动车还包括设置在所述壳体上的路况检测设备，所述路况检测设备包括以下至少一种：前视摄像头、左后视摄像头、右后视摄像头、定位设备、毫米波雷达、左激光雷达和右激光雷达。
20.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
CN202110199049.4A 2021-02-22 2021-02-22 车载燃料电池系统的控制方法及相关装置 Active CN113002367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110199049.4A CN113002367B (zh) 2021-02-22 2021-02-22 车载燃料电池系统的控制方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110199049.4A CN113002367B (zh) 2021-02-22 2021-02-22 车载燃料电池系统的控制方法及相关装置

Publications (2)

Publication Number Publication Date
CN113002367A true CN113002367A (zh) 2021-06-22
CN113002367B CN113002367B (zh) 2023-03-21

Family

ID=76406605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110199049.4A Active CN113002367B (zh) 2021-02-22 2021-02-22 车载燃料电池系统的控制方法及相关装置

Country Status (1)

Country Link
CN (1) CN113002367B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070112475A1 (en) * 2005-11-17 2007-05-17 Motility Systems, Inc. Power management systems and devices
CN105711592A (zh) * 2016-04-27 2016-06-29 蔚来汽车有限公司 用于电动汽车的自适应驾驶行为调节方法
CN107825994A (zh) * 2015-11-30 2018-03-23 于在水 电动车辆控制方法
US20180236994A1 (en) * 2017-02-17 2018-08-23 Hyliion Inc. Tractor unit with on-board regenerative braking energy storage for stopover hvac operation without engine idle
CN109792063A (zh) * 2016-09-26 2019-05-21 株式会社Lg化学 人工智能燃料电池系统
CN109808518A (zh) * 2018-12-29 2019-05-28 清华大学 基于地理位置信息的燃料电池汽车能量管理方法与系统
CN110116640A (zh) * 2019-05-31 2019-08-13 广东宏远氢能动力装备制造有限公司 车载铝水制氢燃料电池电动汽车的混合动力系统
KR20190131451A (ko) * 2018-05-16 2019-11-26 한국과학기술원 전기 자동차의 주행 파라미터 결정 방법 및 장치
CN110606076A (zh) * 2019-09-30 2019-12-24 潍柴动力股份有限公司 一种混合动力车辆能量分配方法及装置
CN111071259A (zh) * 2019-12-27 2020-04-28 清华大学 车速预测方法、装置、车辆控制装置和存储介质
CN111348028A (zh) * 2018-12-20 2020-06-30 北汽福田汽车股份有限公司 整车控制方法、装置和车辆
CN111993955A (zh) * 2020-07-20 2020-11-27 北汽福田汽车股份有限公司 一种燃料电池系统控制方法、装置及车辆
US20200391615A1 (en) * 2019-06-17 2020-12-17 Ford Global Technologies, Llc Methods and system for operating a fuel cell vehicle

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070112475A1 (en) * 2005-11-17 2007-05-17 Motility Systems, Inc. Power management systems and devices
CN107825994A (zh) * 2015-11-30 2018-03-23 于在水 电动车辆控制方法
CN105711592A (zh) * 2016-04-27 2016-06-29 蔚来汽车有限公司 用于电动汽车的自适应驾驶行为调节方法
CN109792063A (zh) * 2016-09-26 2019-05-21 株式会社Lg化学 人工智能燃料电池系统
US20180236994A1 (en) * 2017-02-17 2018-08-23 Hyliion Inc. Tractor unit with on-board regenerative braking energy storage for stopover hvac operation without engine idle
KR20190131451A (ko) * 2018-05-16 2019-11-26 한국과학기술원 전기 자동차의 주행 파라미터 결정 방법 및 장치
CN111348028A (zh) * 2018-12-20 2020-06-30 北汽福田汽车股份有限公司 整车控制方法、装置和车辆
CN109808518A (zh) * 2018-12-29 2019-05-28 清华大学 基于地理位置信息的燃料电池汽车能量管理方法与系统
CN110116640A (zh) * 2019-05-31 2019-08-13 广东宏远氢能动力装备制造有限公司 车载铝水制氢燃料电池电动汽车的混合动力系统
US20200391615A1 (en) * 2019-06-17 2020-12-17 Ford Global Technologies, Llc Methods and system for operating a fuel cell vehicle
CN110606076A (zh) * 2019-09-30 2019-12-24 潍柴动力股份有限公司 一种混合动力车辆能量分配方法及装置
CN111071259A (zh) * 2019-12-27 2020-04-28 清华大学 车速预测方法、装置、车辆控制装置和存储介质
CN111993955A (zh) * 2020-07-20 2020-11-27 北汽福田汽车股份有限公司 一种燃料电池系统控制方法、装置及车辆

Also Published As

Publication number Publication date
CN113002367B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
US20220250509A1 (en) Energy control method for hybrid bus using hydrogen fuel battery and power battery
Wang et al. A comparative study of power allocation strategies used in fuel cell and ultracapacitor hybrid systems
US6653817B2 (en) State-of-charge detection device for a battery
CN108011916B (zh) 用于远程控制燃料电池电动车辆的装置和方法
Boukoberine et al. Hybrid fuel cell powered drones energy management strategy improvement and hydrogen saving using real flight test data
Huang et al. A new application of the UltraBattery to hybrid fuel cell vehicles
CN103515637B (zh) 用于燃料电池推进系统的基于效率的待机模式
He et al. Regenerative fuel cell-battery-supercapacitor hybrid power system modeling and improved rule-based energy management for vehicle application
KR101876733B1 (ko) 연료 전지 차량용 고전압 배터리의 출력 제어 방법 및 장치
CN110303946A (zh) 一种燃料电池汽车的控制方法及装置
Ferrara et al. Energy management of heavy-duty fuel cell electric vehicles: Model predictive control for fuel consumption and lifetime optimization
Davis et al. Fuel cell vehicle energy management strategy based on the cost of ownership
Lin et al. Charge depleting range dynamic strategy with power feedback considering fuel-cell degradation
CN107054124B (zh) 一种基于车载导航的混合动力系统及方法
Li et al. Adaptive equivalent consumption minimization strategy and its fast implementation of energy management for fuel cell electric vehicles
Zhang et al. A review of energy management optimization based on the equivalent consumption minimization strategy for fuel cell hybrid power systems
Zhu et al. Multiobjective optimization of safety, comfort, fuel economy, and power sources durability for fchev in car-following scenarios
Xu et al. Development of a comprehensive transient fuel cell-battery hybrid system model and rule-based energy management strategy
CN113002368B (zh) 车载燃料电池系统的控制方法及相关装置
Oladosu et al. Energy management strategies, control systems, and artificial intelligence-based algorithms development for hydrogen fuel cell-powered vehicles: a review
CN113002367B (zh) 车载燃料电池系统的控制方法及相关装置
Del Pizzo et al. An energy management strategy for fuel-cell hybrid electric vehicles via particle swarm optimization approach
CN113002369B (zh) 车载燃料电池系统的控制策略获取方法及相关装置
Li et al. Research on multi-energy management system of fuel cell vehicle based on fuzzy control
Chen et al. Control strategy of an all-electric cruise ship based on cycle life mode of lithium battery pack

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