CN113991151B - 一种基于功率预测的燃料电池自适应控制方法及系统 - Google Patents

一种基于功率预测的燃料电池自适应控制方法及系统 Download PDF

Info

Publication number
CN113991151B
CN113991151B CN202111189617.9A CN202111189617A CN113991151B CN 113991151 B CN113991151 B CN 113991151B CN 202111189617 A CN202111189617 A CN 202111189617A CN 113991151 B CN113991151 B CN 113991151B
Authority
CN
China
Prior art keywords
power
fuel cell
correlation
power prediction
value
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
Application number
CN202111189617.9A
Other languages
English (en)
Other versions
CN113991151A (zh
Inventor
张锐明
田文颖
孟子寒
唐浩林
隋邦杰
黄亮
龚聪文
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.)
Guangdong Institute Of Hydrogen Energy Industry Technology
Original Assignee
Guangdong Institute Of Hydrogen Energy Industry Technology
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 Guangdong Institute Of Hydrogen Energy Industry Technology filed Critical Guangdong Institute Of Hydrogen Energy Industry Technology
Priority to CN202111189617.9A priority Critical patent/CN113991151B/zh
Publication of CN113991151A publication Critical patent/CN113991151A/zh
Application granted granted Critical
Publication of CN113991151B publication Critical patent/CN113991151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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"
    • 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
    • H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
    • H01M8/04746—Pressure; Flow
    • H01M8/04753—Pressure; Flow of fuel cell reactants
    • 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
    • H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
    • H01M8/04858—Electric variables
    • H01M8/04925—Power, energy, capacity or load
    • H01M8/0494—Power, energy, capacity or load of fuel cell stacks
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Medical Informatics (AREA)

Abstract

本发明公开了一种基于功率预测的燃料电池自适应控制方法，在燃料电池系统工作过程中根据历史数据进行预测获得功率预测值，根据功率预测值调整空气供给量。在进行功率预测时，使用特征参数提取和相关性分析的方法从历史数据中获得特征参数向量，采用人工智能算法计算功率预测值。如果燃料电池系统功率预测值大于实时输出功率，提前采取响应控制动作，提高空气供应量。本发明采用RBF神经网络提高功率预测准确性，通过降低特征参数维度提高计算效率，可以显著提高燃料电池系统的变载响应速度。

Description

一种基于功率预测的燃料电池自适应控制方法及系统
技术领域
本发明涉及燃料电池系统技术领域，具体涉及一种基于功率预测的燃料电池自适应控制方法及系统。
背景技术
燃料电池具有发电效率高、零排放、噪声小的优点，在汽车、无人机、固定式发电等领域具有广阔应用前景。电堆是燃料电池系统中最核心的部件，通常与储氢系统、氢气循环系统、空气供给系统、热管理系统、加湿器、DC/DC等辅助部件组成完整的发电系统。在实际应用中，燃料电池放电功率的变载响应速度较低，尤其是在燃料电池汽车领域，进行快速的载荷变换时，燃料电池系统的响应速度远小于驱动电机的需求，必须通过动力电池来实现快速变工况运行。因此，如何提高燃料电池系统本身的变载响应速度，成为亟待解决的关键技术问题。
在现有技术中，燃料电池系统的放电功率调节一般有两种策略：第一种控制策略是预先标定多个不同的燃料电池系统运行工况，系统运行过程中在几个工况之间切换，变载时通过动力电池进行缓冲；第二种控制策略是根据功率需求进行实时功率调节，根据燃料电池输出功率、电压、电流的状态进行反馈控制。第一种控制策略简单易行，但是系统运行效率较低，对动力电池的要求较高。第二种控制策略较为复杂，系统运行效率高，但是变载时的响应速度慢。因此，在交通领域等载荷变化较为频繁的应用领域，需要在兼顾运行效率、安全性的前提下提高燃料电池变载响应速度。
一篇公开号为CN111071073A中国发明专利揭示一种基于随机负载的燃料电池混合动力系统，包括作为主动力源的燃料电池装置、作为辅助动力源的蓄电池装置、电力变换装置和功率预测能量管理控制装置，所燃料电池装置和蓄电池装置均与电力变换装置连接，功率预测能量管理控制装置与燃料电池装置、蓄电池装置和电力变换装置均连接。该发明通过采用功率预测能量管理控制装置，在面对随机负载或负载变换较大情况的工况时，不仅保证了动力的高效输出，而且保证了主动力源和辅助动力源的健康稳定运行。
然而，现有的基于功率预测的专利多数是针对用电负载的功率需求进行预测，在用电负载的功率需求发生变化时，向燃料电池系统传输功率需求指令，仍然存在变载响应速度慢的问题。而且，现有的功率预测模型算法复杂度较高，为了保证实时性需要性能较高的硬件条件，不利于降低功耗和生产成本。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供一种基于功率预测的燃料电池自适应控制方法及系统，在燃料电池系统运行过程中，通过对燃料电池系统内部的响应策略进行优化，进而有效提升燃料电池变载响应速度。
为达到以上目的，本发明采用如下技术方案。
一种基于功率预测的燃料电池自适应控制方法，其特征在于，根据燃料电池系统输出功率的历史数据预测未来一段时间的输出功率，并根据功率预测值采取响应的控制动作。
所述的历史数据是指过去一段时间的燃料电池系统输出功率随时间变化的数据记录Power_pre，所述的过去一段时间长度应足够短，优选为30-90s，以能够反应燃料电池系统的实时特征。
更为优选的是，所述的根据功率预测值采取响应的控制动作原理为：将功率预测值Power_next与当前时刻的功率值Power_now作比较获得差值Power_diff。
Power_diff = Power_next – Power_now。
当差值Power_diff大于阈值C时，提高空压机转速，提前增加空气供气量；当差值Power_diff小于阈值C时，根据电流值I对空压机转速进行实时反馈控制。
更为优选的是，所述的未来一段时间的输出功率预测方法为：先对历史数据进行数据预处理，获得历史数据的特征参数向量V，降低数据维度，然后采用RBF神经网络计算功率预测值。
所述的RBF神经网络包含三层神经网络结构，分别是输入层、输出层和隐藏层，所述的输入层单元数由历史数据的特征参数数量决定，所述的输出层只有一个神经元。
更为优选的是，采用统计分析的方法获得所述的特征参数向量V，所述的特征参数向量V包括以下特征参数：平均功率、功率标准差、最大功率、平均功率变化率、怠速时间、平均启停次数等。
更为优选的是，所述的降低数据维度是通过分析特征参数向量V的历史数据和输出功率的历史数据之间的相关性来实现的，选取相关度较高的若干特征参数作为特征参数向量。
更为优选的是，特征参数与功率之间的相关性分析可以使用皮尔森（Pearson）相关性系数、斯皮尔曼（Spearman）相关性系数或者肯德尔（Kendall）相关性系数作为评价指标，相关性系数取值范围为-1到+1，0表示两个变量不相关，正值表示正相关，负值表示负相关，值越大表示相关性越强。
更为优选的是，所述功率预测值采用人工智能算法获得，不限于RBF神经网络，还可以使用K近邻、贝叶斯网络、支持向量机、深度学习等方法。
一种燃料电池自适应控制系统，其特征在于，具有如上所述的一种基于功率预测的燃料电池自适应控制方法。
与现有技术相比，本发明的有益效果是：鉴于现有技术均没有针对燃料电池系统的输出功率进行分析，本发明创造性地在另一个层级上、对燃料电池系统内部的响应策略进行优化，根据燃料电池系统输出功率的历史数据预测未来一段时间的输出功率，进而实现燃料电池系统功率变化趋势的预判，根据预判采取响应的控制动作，可以有效提升燃料电池变载响应速度。
本发明提出的一种基于功率预测的燃料电池自适应控制方法，在燃料电池系统工作工程中实时预测功率，如果系统功率提高，可以提前增加空气供气量，提高燃料电池系统变载响应速度。
在对燃料电池系统的输出功率进行预测时，通过参数相关性分析的方法降低数据维度，大大提高了预算算法的运行效率，保证功率预测的实时性。
在对燃料电池系统的输出功率进行预测时，采用RBF神经网络，可以根据预测结果与实际结果的偏差自适应地改变神经网络结构，进一步提高预测精度。
附图说明
图1所示为本发明提供的基于功率预测的燃料电池自适应控制方法流程图。
图2所示为本发明所使用的RBF神经网络结构示意图。
图3所示为本发明的燃料电池变载响应速度提升效果示意图。
图3中，A代表采用功率预测的功率相应曲线，B代表传统的未采用功率预测的功率相应曲线，C代表功率需求曲线。
具体实施方式
下面结合说明书的附图，对本发明的具体实施方式作进一步的描述，使本发明的技术方案及其有益效果更加清楚、明确。下面通过参考附图描述实施例是示例性的，旨在解释本发明，而不能理解为对本发明的限制。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
实施例1。
如图1所示，一种基于功率预测的燃料电池自适应控制方法，在燃料电池系统运行过程中实时记录最近的70s过程中的功率曲线，作为历史数据Power_pre。实时的功率值为Power_now。
根据所述的历史数据Power_pre计算燃料电池系统的功率预测值Power_next，分为以下两个步骤。
1）对历史数据Power_pre进行统计分析，获得平均功率、功率标准差、最大功率、平均功率变化率、怠速时间、平均启停次数等特征参数，形成特征参数向量V，其中元素用Vi表示，i表示特征参数的序号。
2）对特征参数向量V的历史数据和输出功率的历史数据进行相关性分析，使用皮尔森（Pearson）相关性系数R作为相关性评价指标，计算公式如下。
Figure 755165DEST_PATH_IMAGE001
。
其中，V表示特征参数，i表示特征参数的序号，t表示时间，Ri表示第i个特征参数与功率Power_pre的相关性系数，Ri取值范围为-1到+1，0表示两个不相关，正值表示正相关，负值表示负相关，值越大表示相关性越强。挑选相关性系数大于0.5的特征参数组成关键特征参数向量VCritical，用于进行功率预测。
3）将所述的关键特征参数向量VCritical输入RBF神经网络，所述的RBF神经网络包含三层神经网络结构，分别是输入层、输出层和隐藏层。如图2所示，所述的输入层单元数由历史数据的特征参数数量决定，所述的输出层只有一个神经元，所述的隐藏层神经元单元数为20个。使用关键特征参数向量VCritical和功率的历史数据Power_pre对RBF神经网络进行训练。最后将关键特征参数向量VCritical的实时值输入RBF神经网络，通过计算获得功率预测值Power_next。
所述的功率预测值Power_next与当前时刻的功率值Power_now作比较获得差值Power_diff。
当差值Power_diff大于阈值C时，提高空压机转速，提前增加空气供气量，如图3所示提升了燃料电池变载响应速度；当差值Power_diff小于阈值C时，根据电流值I对空压机转速进行实时反馈控制。
在一些实施方式中，对特征参数向量V的历史数据和输出功率的历史数据进行相关性分析采用斯皮尔曼（Spearman）相关性系数或者肯德尔（Kendall）相关性系数作为评价指标。
在一些实施方式中，功率预测值Power_next还可以采用人工智能算法，如使用K近邻、贝叶斯网络、支持向量机、深度学习等方法；不限于RBF神经网络。
另外需要说明的是，在燃料电池系统运行过程中还实时记录最近的30s、60s或90s过程中的功率曲线，作为历史数据Power_pre。显然，最近的时长是本领域技术人员可以根据实际需要进行适当调整的；不局限于以上举例。
通过上述的结构和原理的描述，所属技术领域的技术人员应当理解，本发明不局限于上述的具体实施方式，在本发明基础上采用本领域公知技术的改进和替代均落在本发明的保护范围，本发明的保护范围应由各权利要求项及其等同物限定之。具体实施方式中未阐述的部分均为现有技术或公知常识。

Claims (4)

1.一种基于功率预测的燃料电池自适应控制方法，其特征在于，根据燃料电池系统输出功率的历史数据预测未来一段时间的输出功率，并根据功率预测值采取响应的控制动作；
所述的历史数据是指最近的过去一段时间的燃料电池系统输出功率随时间变化的数据记录，所述的过去一段时间的时长为30-90s；
所述的根据功率预测值采取响应的控制动作是指根据功率预测值与实时输出功率的差值调整空气供给量；所述的根据功率预测值采取响应的控制动作原理为：将功率预测值Power_next与当前时刻的功率值Power_now作比较获得差值Power_diff；
Power_diff = Power_next – Power_now；
当差值Power_diff大于阈值C时，提高空压机转速，提前增加空气供气量；当差值Power_diff小于阈值C时，根据电流值I对空压机转速进行实时反馈控制；
所述的未来一段时间的输出功率预测方法为：先对历史数据进行数据预处理，获得历史数据的特征参数向量V，降低数据维度，然后采用人工智能的方法计算功率预测值；
所述的特征参数向量V采用统计分析的方法获得，所述的特征参数向量V包括以下特征参数：平均功率、功率标准差、最大功率、平均功率变化率、怠速时间和平均启停次数；
所述的降低数据维度是通过分析特征参数向量V的历史数据和输出功率的历史数据之间的相关性来实现的，选取相关度较高的若干特征参数作为特征参数向量；
所述人工智能的方法包括：RBF神经网络、K近邻、贝叶斯网络、支持向量机、深度学习方法中的一种或几种。
2.根据权利要求1所述的一种基于功率预测的燃料电池自适应控制方法，其特征在于，特征参数向量V的历史数据和输出功率的历史数据之间的相关性分析通过皮尔森（Pearson）相关性系数、斯皮尔曼（Spearman）相关性系数或者肯德尔（Kendall）相关性系数作为评价指标，相关性系数取值范围为-1到+1，0表示两个变量不相关，正值表示正相关，负值表示负相关，值越大表示相关性越强。
3.根据权利要求2所述的一种基于功率预测的燃料电池自适应控制方法，其特征在于，所述的RBF神经网络包含三层神经网络结构，分别是输入层、输出层和隐藏层，所述的输入层单元数由相关度较高的特征参数的数量决定，所述的输出层只有一个神经元。
4.一种燃料电池自适应控制系统，其特征在于，具有如权利要求1-3中任意一项所述的一种基于功率预测的燃料电池自适应控制方法。
CN202111189617.9A 2021-10-12 2021-10-12 一种基于功率预测的燃料电池自适应控制方法及系统 Active CN113991151B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111189617.9A CN113991151B (zh) 2021-10-12 2021-10-12 一种基于功率预测的燃料电池自适应控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111189617.9A CN113991151B (zh) 2021-10-12 2021-10-12 一种基于功率预测的燃料电池自适应控制方法及系统

Publications (2)

Publication Number Publication Date
CN113991151A CN113991151A (zh) 2022-01-28
CN113991151B true CN113991151B (zh) 2023-07-07

Family

ID=79738329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111189617.9A Active CN113991151B (zh) 2021-10-12 2021-10-12 一种基于功率预测的燃料电池自适应控制方法及系统

Country Status (1)

Country Link
CN (1) CN113991151B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115498213B (zh) * 2022-11-14 2023-02-17 北京亿华通科技股份有限公司 一种燃料电池热管理系统及其迟滞补偿控制方法
CN117558948A (zh) * 2022-11-22 2024-02-13 苏州氢辀新能源科技有限公司 一种燃料电池的调节方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005100972A (ja) * 2003-08-28 2005-04-14 Matsushita Electric Ind Co Ltd 燃料電池システム
CN101734249A (zh) * 2010-01-08 2010-06-16 清华大学 一种燃料电池发动机稳态运行控制方法
CN112993344A (zh) * 2019-12-12 2021-06-18 郑州宇通客车股份有限公司 基于神经网络的燃料电池系统输出性能预测方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110103776B (zh) * 2019-05-06 2022-06-03 重庆大学 基于智能迭代学习的燃料电池整车功率需求变化预测方法
CN110069033B (zh) * 2019-05-07 2021-08-31 福州大学 一种全功率燃料电池空压机双层预测控制方法
CN110606076B (zh) * 2019-09-30 2021-06-22 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
CN111993955B (zh) * 2020-07-20 2022-04-12 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
CN113002370B (zh) * 2021-04-16 2022-06-21 吉林大学 一种燃料电池汽车实时能量管理控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005100972A (ja) * 2003-08-28 2005-04-14 Matsushita Electric Ind Co Ltd 燃料電池システム
CN101734249A (zh) * 2010-01-08 2010-06-16 清华大学 一种燃料电池发动机稳态运行控制方法
CN112993344A (zh) * 2019-12-12 2021-06-18 郑州宇通客车股份有限公司 基于神经网络的燃料电池系统输出性能预测方法及装置

Also Published As

Publication number Publication date
CN113991151A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN113991151B (zh) 一种基于功率预测的燃料电池自适应控制方法及系统
Ripaccioli et al. A stochastic model predictive control approach for series hybrid electric vehicle power management
CN109591659B (zh) 一种智能学习的纯电动汽车能量管理控制方法
CN112926211A (zh) 一种基于工况预测的燃料电池汽车能量管理优化方法
CN103700871B (zh) 机车质子交换膜燃料电池系统最优效率控制方法
CN113022380B (zh) 一种考虑衰减的燃料电池汽车动力电池优化设计方法
CN113002370A (zh) 一种燃料电池汽车实时能量管理控制方法
CN113110052B (zh) 一种基于神经网络和强化学习的混合能量管理方法
CN115544899A (zh) 基于多智能体深度强化学习的水厂取水泵站节能调度方法
CN111824119B (zh) 增程器瞬时优化控制方法
CN111823883A (zh) 一种纯电动汽车的功率分配方法
CN115230485A (zh) 基于短期功率平滑预测的燃料电池公交车能量管理方法
CN117578466B (zh) 一种基于优势函数分解的电力系统暂态稳定预防控制方法
Ramasamy et al. Energy management in plugin hybrid electric vehicles with hybrid energy storage system using hybrid approach
CN112440974B (zh) 基于分布式深度确定性策略梯度的hev能量管理方法
Zhou et al. Deep reinforcement learning guided cascade control for air supply of polymer exchange membrane fuel cell
CN110808579A (zh) 主动配电网源网荷协调运行方法
CN112084680A (zh) 一种基于dqn算法的能源互联网优化策略方法
CN115716469A (zh) 一种混合动力系统的输出功率分配控制方法
Sahwal et al. Advanced Equivalent Consumption Minimization Strategy for Fuel Cell Hybrid Electric Vehicles
CN115526504A (zh) 泵站供水系统节能调度方法、系统、电子设备及存储介质
CN112084645B (zh) 一种基于混合迭代adp方法的锂离子电池储能系统能量管理方法
Huangfu et al. An energy management strategy of more-electric aircraft based on fuzzy neural network trained by dynamic programming
CN111275572A (zh) 一种基于粒子群和深度强化学习的机组调度系统及方法
CN111404374A (zh) 一种运用遗传算法优化的双向dc-dc变换器的控制方法

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