CN113002370B - 一种燃料电池汽车实时能量管理控制方法 - Google Patents

Abstract

本发明提供了的一种燃料电池汽车实时能量管理控制方法，包括：第一步，根据汽车当前车速、最近的历史车速和选定的工况特征参数，输入到基于神经网络的短期车速预测模型中，得到未来一段时间的预测车速；第二步，进行预测车速和蓄电池SOC反馈相结合的等效因子自适应调整；第三步，基于等效氢耗最小算法建立燃料电池能量管理优化问题，得到满足系统约束条件下的最优控制序列；第四步，根据第三步得到的最优控制序列，完成燃料电池与蓄电池间的最优能量分配。本发明提供的方法基于等效氢耗最小算法实现燃料电池能量实时最优控制，解决了传统控制方法有效性和实时性不佳的问题，提高了整车能量管理策略的有效性和实时性。

Description

一种燃料电池汽车实时能量管理控制方法

技术领域

本发明属于汽车能量管理系统，更确切地说，本发明涉及燃料电池汽车实时能量管理控制方法。

背景技术

近年来，为应对能源与环境问题，世界各大汽车制造商的开始投入研发新能源汽车，燃料电池汽车作为一种新能源汽车，加料快、行驶里程长且温室气体排放为零，成为一种优秀的解决方案。

传统的燃料电池汽车能量管理策略分为两类：基于规则和基于优化。基于规则的能量管理策略鲁棒性好，实现简单；基于优化的能量管理策略能够控制系统性能最优。

但是，基于规则的能量管理策略并不能保证控制系统的性能最优，基于优化的能量管理策略只能根据全局工况进行离线计算，不能进行实时的能量管理。

发明内容

本发明所要解决的技术问题是克服现有燃料电池汽车能量管理方法实时性差、难以实现系统经济性最优的问题，提供了一种燃料电池汽车实时能量管理控制方法。

为实现上述目的，本发明提供了如下方案：

一种燃料电池汽车实时能量管理控制方法，包括下列步骤：

第一步，根据汽车当前车速、最近的历史车速和选定的工况特征参数，输入到基于神经网络的短期车速预测模型中，得到未来一段时间的预测车速；

所述的基于神经网络的短期车速预测模型是采用BP神经网络的短期车速预测模型；BP神经网络为传统的三层网络拓扑结构，其中隐藏层和输出层的激励函数均选择Sigmoid函数，定义如下：

基于神经网络的短期车速预测模型输出结果为未来一段时间的预测车速；

所述的选定的工况特征参数分别为：平均车速v_mean、加速度标准差σ_a、减速度标准差σ_d、加速度平均值a_mean、怠速时间比例r_idle；

第二步，进行未来车速预测和蓄电池SOC反馈相结合的等效因子自适应调整；

所述的等效因子自适应调整，其离散形式表示为：

s(k+1)＝s(k)+K_socε(SOC(t₀)-SOC(t)),t＝kT,k＝1,2,3…

其中，s(k+1)，s(k)分别为第k+1次、第k次的等效因子；K_soc为调整参数；ε反映未来工况变化趋势；SOC(t₀)为初始时刻蓄电池SOC值；SOC(t)为当下时刻蓄电池SOC值；SOC(t₀)-SOC(t)表示蓄电池SOC差对等效因子的调节作用；

ε定义如下：

其中，v_stdF,i为预测时域内的车速标准差；v_meanF,i为预测时域内的车速平均值；v_i为未来i时刻的预测车速；

为预测时域内的车速平均值；N为预测时域内的速度采样数目；

第三步，基于等效氢耗最小算法建立燃料电池能量管理优化问题，得到满足系统约束条件下的最优控制序列；

所述的燃料电池能量管理优化问题的目标是找到使目标函数J最小的最优控制序列u(k)，具体描述如下：

MinimizeJ(u,x)

约束条件为：

其中，P_fc为燃料电池的输出功率，P_fc,min和P_fc,max分别是燃料电池输出功率的下限值和上限值；P_bat为蓄电池的输出功率，P_bat,min和P_bat,max分别是蓄电池输出功率的下限值和上限值；ΔP_fc,min和ΔP_fc,max分别是燃料电池输出功率变化率的下限值和上限值；

所述的燃料电池能量管理优化问题的哈密顿函数表示如下：

其中，H(x,u,s)表征等效氢耗；s为等效因子；

为燃料电池氢耗率，

为蓄电池等效氢耗率；LHV为氢气的低热值，燃料电池氢耗率可以通过实验数据拟合得到，a_(k),a_(k-1),…a₍₁₎,a₍₀₎为拟合系数；

第四步，根据第三步得到的最优控制序列，完成燃料电池与蓄电池间的最优能量分配。

在第二步中所述的等效因子的初始值采用二分法迭代进行计算，具体流程可描述为：

首先，根据等效因子的上下限范围，选定等效因子迭代计算的初始值；

其次，根据等效氢耗最小算法计算当前等效因子下的SOC轨迹；

然后，定义允许的SOC偏差为Δ，SOC初始值为SOC₀，仿真结束时的SOC为SOC_t，如果满足：

|SOC₀-SOC_t|＞Δ

表明仿真结束时的SOC与SOC初始值的差值大于允许的SOC偏差，无法保证SOC的前后平衡，需要继续进行迭代计算，下一等效因子的取值区间由二分法进行确定；反之，如果满足：

|SOC₀-SOC_t|<Δ

则终止迭代计算，将当前的等效因子作为等效因子自适应调整的等效因子初始值。

本发明提出了一种燃料电池汽车实时能量管理控制方法。

与现有技术相比本发明的有益效果是：

本发明提供了的一种燃料电池汽车实时能量管理控制方法，在得到BP神经网络车速预测模型输出的未来预测时域内的未来车速预测之后，完成未来车速预测和蓄电池SOC反馈相结合的等效因子自适应调整方案，最后基于等效氢耗最小算法建立燃料电池能量管理优化问题，得到满足系统约束条件下的最优控制序列，从而完成燃料电池与蓄电池间的实时最优能量分配。

附图说明

图1为燃料电池汽车实时能量管理控制方法流程图；

图2为二分法迭代求解等效因子自适应调整的等效因子初始值判断图。

具体实施方式

下面结合附图对本发明作详细的描述：

本发明提供了的一种燃料电池汽车实时能量管理控制方法，在得到BP神经网络车速预测模型输出的未来预测时域内的未来车速预测之后，完成未来车速预测和蓄电池SOC反馈相结合的等效因子自适应调整方案，最后基于等效氢耗最小算法建立燃料电池能量管理优化问题，得到满足系统约束条件下的最优控制序列，从而完成燃料电池与蓄电池间的最优能量分配。

参阅图1，本发明所述的一种燃料电池汽车实时能量管理控制方法包括下列步骤：

第一步，根据汽车当前车速、最近的历史车速和选定的工况特征参数，输入到基于神经网络的短期车速预测模型中，得到未来一段时间的预测车速；

所述的基于神经网络的短期车速预测模型是采用BP神经网络的短期车速预测模型；BP神经网络为传统的三层网络拓扑结构，其中隐藏层和输出层的激励函数均选择Sigmoid函数，定义如下：

基于神经网络的短期车速预测模型输出结果为未来一段时间的预测车速；

所述的选定的工况特征参数分别为：平均车速v_mean、加速度标准差σ_a、减速度标准差σ_d、加速度平均值a_mean、怠速时间比例r_idle；

第二步，进行未来车速预测和蓄电池SOC反馈相结合的等效因子自适应调整；

所述的等效因子自适应调整，其离散形式表示为：

s(k+1)＝s(k)+K_socε(SOC(t₀)-SOC(t)),t＝kT,k＝1,2,3…

其中，s(k+1)，s(k)分别为第k+1次、第k次的等效因子；K_soc为调整参数；ε反映未来工况变化趋势；SOC(t₀)为初始时刻蓄电池SOC值；SOC(t)为当下时刻蓄电池SOC值；SOC(t₀)-SOC(t)表示蓄电池SOC差对等效因子的调节作用；

ε定义如下：

其中，v_stdF,i为预测时域内的车速标准差；v_meanF,i为预测时域内的车速平均值；v_i为未来i时刻的预测车速；

为预测时域内的车速平均值；N为预测时域内的速度采样数目；

所述的等效因子的初始值采用二分法迭代进行计算，参阅图2，具体流程可描述为：

首先，根据等效因子的上下限范围，选定等效因子迭代计算的初始值；

其次，根据等效氢耗最小算法计算当前等效因子下的SOC轨迹；

然后，定义允许的SOC偏差为Δ，SOC初始值为SOC₀，仿真结束时的SOC为SOC_t，如果满足：

|SOC₀-SOC_t|＞Δ

表明仿真结束时的SOC与SOC初始值的差值大于允许的SOC偏差，无法保证SOC的前后平衡，需要继续进行迭代计算，下一等效因子的取值区间由二分法进行确定；反之，如果满足：

|SOC₀-SOC_t|<Δ

则终止迭代计算，将当前的等效因子作为等效因子自适应调整的等效因子初始值。

第三步，基于等效氢耗最小算法建立燃料电池能量管理优化问题，得到满足系统约束条件下的最优控制序列；

所述的燃料电池能量管理优化问题的目标是找到使目标函数J最小的最优控制序列u(k)，具体描述如下：

MinimizeJ(u,x)

约束条件为：

其中，P_fc为燃料电池的输出功率，P_fc,min和P_fc,max分别是燃料电池输出功率的下限值和上限值；P_bat为蓄电池的输出功率，P_bat,min和P_bat,max分别是蓄电池输出功率的下限值和上限值；ΔP_fc,min和ΔP_fc,max分别是燃料电池输出功率变化率的下限值和上限值；

所述的燃料电池能量管理优化问题的哈密顿函数表示如下：

其中，H(x,u,s)表征等效氢耗；s为等效因子；

为燃料电池氢耗率，

为蓄电池等效氢耗率；LHV为氢气的低热值，燃料电池氢耗率可以通过实验数据拟合得到，a_(k),a_(k-1),…a₍₁₎,a₍₀₎为拟合系数；

第四步，根据第三步得到的最优控制序列，完成燃料电池与蓄电池间的最优能量分配。

Claims (2)

1.一种燃料电池汽车实时能量管理控制方法，其特征在于包括下列步骤：

第一步，根据汽车当前车速、最近的历史车速和选定的工况特征参数，输入到基于神经网络的短期车速预测模型中，得到未来一段时间的预测车速；

所述的基于神经网络的短期车速预测模型是采用BP神经网络的短期车速预测模型；BP神经网络为传统的三层网络拓扑结构，其中隐藏层和输出层的激励函数均选择Sigmoid函数，定义如下：

基于神经网络的短期车速预测模型输出结果为未来一段时间的预测车速；

所述的选定的工况特征参数分别为：平均车速v_mean、加速度标准差σ_a、减速度标准差σ_d、加速度平均值a_mean、怠速时间比例r_idle；

第二步，进行未来车速预测和蓄电池SOC反馈相结合的等效因子自适应调整；

所述的等效因子自适应调整，其离散形式表示为：

s(k+1)＝s(k)+K_socε(SOC(t₀)-SOC(t)),t＝kT,k＝1,2,3...···········(2)

其中，s(k+1)，s(k)分别为第k+1次、第k次的等效因子；K_soc为调整参数；ε反映未来工况变化趋势；SOC(t₀)为初始时刻蓄电池SOC值；SOC(t)为当下时刻蓄电池SOC值；SOC(t₀)-SOC(t)表示蓄电池SOC差对等效因子的调节作用；

ε定义如下：

其中，v_stdF,i为预测时域内的车速标准差；v_meanF,i为预测时域内的车速平均值；v_i为未来i时刻的预测车速；

为预测时域内的车速平均值；N为预测时域内的速度采样数目；

第三步，基于等效氢耗最小算法建立燃料电池能量管理优化问题，得到满足系统约束条件下的最优控制序列；

所述的燃料电池能量管理优化问题的目标是找到使目标函数J最小的最优控制序列u(k)，具体描述如下：

MinimizeJ(u,x)···························(6)

约束条件为：

其中，P_fc为燃料电池的输出功率，P_fc,min和P_fc,max分别是燃料电池输出功率的下限值和上限值；P_bat为蓄电池的输出功率，P_bat,min和P_bat,max分别是蓄电池输出功率的下限值和上限值；ΔP_fc,min和ΔP_fc,max分别是燃料电池输出功率变化率的下限值和上限值；

所述的燃料电池能量管理优化问题的哈密顿函数表示如下：

其中，H(x,u,s)表征等效氢耗；s为等效因子；

为燃料电池氢耗率，

为蓄电池等效氢耗率；LHV为氢气的低热值，燃料电池氢耗率可以通过实验数据拟合得到，a_(k),a_(k-1),…a₍₁₎,a₍₀₎为拟合系数；

第四步，根据第三步得到的最优控制序列，完成燃料电池与蓄电池间的最有能量分配。

2.按照权利要求1所述的一种燃料电池汽车实时能量管理控制方法，其特征在于：所述的等效因子的初始值采用二分法迭代进行计算，具体流程可描述为：

首先，根据等效因子的上下限范围，选定等效因子迭代计算的初始值；

其次，根据等效氢耗最小算法计算当前等效因子下的SOC轨迹；

然后，定义允许的SOC偏差为Δ，SOC初始值为SOC₀，仿真结束时的SOC为SOC_t，如果满足：

|SOC₀-SOC_t|＞Δ···························(11)

表明仿真结束时的SOC与SOC初始值的差值大于允许的SOC偏差，无法保证SOC的前后平衡，需要继续进行迭代计算，下一等效因子的取值区间由二分法进行确定；反之，如果满足：

|SOC₀-SOC_t|<Δ····························(12)

则终止迭代计算，将当前的等效因子作为等效因子自适应调整的等效因子初始值。

Images