CN114347866B - 一种基于vmd处理的燃料电池能量管理方法 - Google Patents
一种基于vmd处理的燃料电池能量管理方法 Download PDFInfo
- Publication number
- CN114347866B CN114347866B CN202210274520.6A CN202210274520A CN114347866B CN 114347866 B CN114347866 B CN 114347866B CN 202210274520 A CN202210274520 A CN 202210274520A CN 114347866 B CN114347866 B CN 114347866B
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- power
- lithium battery
- output
- battery
- 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
Images
Classifications
-
- 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
- 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
- Fuel Cell (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于VMD处理的燃料电池能量管理方法,首先构建燃料电池混合动力汽车模型计算车辆的推进功率和需求功率,构建燃料电池系统模型计算氢气消耗量,构建锂电池模型并计算锂电池SOC值;利用变分模态分解法对需求功率进行分解,得到需求功率的多个频率特征不同的模态函数;最后以锂电池SOC值作为输入,以燃料电池的输出功率作为输出构建燃料电池混合动力系统模糊控制器,对燃料电池混合动力系统进行能量管理,相较未使用VMD转换处理的能量管理控制策略,能使得燃料电池的输出功率变化比较平稳,且能使锂电池的SOC值维持在0.7,能有效延长燃料电池和锂电池的使用寿命,对于快速变化的负载也能满足功率需求。
Description
技术领域
本发明涉及电池能量管理领域,具体涉及一种基于VMD处理的燃料电池能量管理方法。
背景技术
随着世界经济的快速发展,能源消耗的巨大增长导致了化石燃料的逐渐枯竭,环境污染等问题日益严重。能源危机导致了对环境友好型能源的大量研究。燃料电池是一种通过电化学反应将燃料的化学能转化为电能的装置,按照电解质类别可分为磷酸燃料电池、熔融碳酸盐燃料电池、固体氧化物燃料电池、直接甲醇燃料电池和质子交换膜燃料电池,与其他燃料电池类型相比,质子交换膜燃料电池启动速度快、工作温度低、几乎零排放,是最有前途的燃料电池类型,已应用于汽车、无人机、发电等应用领域。但是燃料电池的输出特性较软、动态响应比较慢,而且燃料电池只是能量转换装置不能对能量进行存储,为满足汽车、无人机实际运行过程中快速动态响应的需求,并使它们拥有再生制动的功能,需要为燃料电池配备一个高功率密度的辅助电池(如锂电池)构成混合电源动力系统。人们普遍认为,当负载波动时,燃料电池堆的输出状态的频繁变化会增加燃料电池内部的机械应力,从而降低堆的寿命,同时,对于汽车和无人机等系统中燃料电池与辅助电池的功率分配会影响整个系统的稳定性和燃料经济性,因此需要制定有效的能量管理策略,确定燃料电系统和辅助电池之间适当的功率分配,在可变负载运行期间,保持燃料电池堆处于稳定状态并提供稳定的电源,以提高系统的燃料经济性和电池组的使用寿命、改善动态响应、最大限度的提高系统整体效率,同时,控制辅助电池锂电池的SOC值保持在一定范围,既能起到为负载提供需求功率的作用,也能保证辅助电池有足够的容量回收多余的能量。
现有技术中搭建了一种符合凸函数性质的新型燃料电池动力系统和整车模型,对等效氢耗成本进行了优化。这种方法的优化目标没有考虑燃料电池与锂电池的运行老化损耗成本,不能全面的提升燃料电池的系统经济性。同时也有将基于Pontryagin最小值原理和动态规划的两种能量管理策略进行对比,分析了阻尼因子对燃料电池功率和燃油经济性振荡的影响。这种方法没有对燃料电池功率的振荡进行优化,使得燃料电池输出功率以及锂电池的功率会产生快速的振荡变化,影响燃料电池和锂电池的使用寿命。
目前,燃料电池混合动力系统的拓扑结构主要分为三种:燃料电池+辅助电池、燃料电池+超级电容、燃料电池+辅助电池+超级电容。
在燃料电池+辅助电池这种拓扑结构中,采用燃料电池和辅助电池锂电池两种能源并联的结构方式为负载供电,辅助电池锂电池维持直流母线电压基本恒定,燃料电池输出电压通过单向DC/DC转换器与直流母线电压进行匹配,燃料电池是主要能源为负载提供持续功率,辅助电池锂电池为负载提供补偿功率,降低了负载对燃料电池动态响应的需求,并且可以回收部分再生制动能量。
在燃料电池+超级电容这种拓扑结构中,采用燃料电池和超级电容两种能源并联的结构方式为负载供电,超级电容与辅助电池锂电池相比,寿命更长、动态响应更快,但是在直流母线与超级电容之间需新增一个双向DC/DC转换器,增加了控制难度,同时,由于超级电容存储能量是有限的且持续工作的时间较短,与第一种拓扑结构相比有一定的缺陷。
在燃料电池+辅助电池+超级电容这种拓扑结构中,超级电容可以吸收超过平均功率的那部分功率,使辅助电池的充放电过程变得平缓,延长辅助电池与燃料电池的使用寿命,但是这种拓扑结构过于复杂,对整个系统来说也增加了制造成本,控制难度也大大提高。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于VMD处理的燃料电池能量管理方法。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于VMD处理的燃料电池能量管理方法,包括如下步骤:
S1、构建燃料电池混合动力汽车模型计算车辆的推进功率和需求功率,构建燃料电池系统模型计算氢气消耗量,构建锂电池模型并计算锂电池SOC值;
S2、利用变分模态分解法对需求功率进行分解,得到需求功率的多个频率特征不同的模态函数;
S3、以锂电池SOC值作为输入,以燃料电池的输出功率作为输出构建燃料电池混合动力系统模糊控制器,对燃料电池混合动力系统进行能量管理。
进一步的,所述S1中车辆的推进功率计算方式为:
所述需求功率的计算方式为:
进一步的,所述S1中氢气消耗量的计算方式为:
进一步的,所述S1中锂电池SOC值计算方式为:
进一步的,所述S2中利用变分模态分解法对需求功率进行分解的具体方式为:
S21、将整车需求功率分解为多个频率特征不同的模态函数,利用整车功率的高斯平滑度计算各模态带宽,并使所有模态带宽之和最小,并以各模态带宽之和等于需求功率为约束条件构建变分问题;
S22、利用拉格朗日乘法算子和二次惩罚因子保持约束条件严格性和信号重构准确度;
S23、利用交替方向乘子法加将S21中的变分问题进行优化,求得最优解。
进一步的,所述S21中变分问题表示为:
进一步的,所述S23中最优解具体表示为:
进一步的,所述S3中燃料电池混合动力系统模糊控制器的具体构建方式为:
S31、以锂电池SOC值作为模糊控制器的输入变量,以燃料电池输出功率作为模糊控制器的输出变量,其中,输入变量包括很低SOC、低SOC、最佳SOC和高SOC四个模糊子集,输出变量包括高功率、良好功率、优功率和低功率四个模糊子集;
S32、确定输入输出变量的隶属度函数,根据专家经验确定模糊控制器规则;
S33、通过仿真验证对燃料电池混合动力系统能量管理的合理性。
进一步的,所述S32中模糊控制器规则为:
若锂电池的SOC值为很低,燃料电池输出为高功率;
若锂电池的SOC值为低,燃料电池输出为良好功率;
若锂电池的SOC值为最优,燃料电池输出功率为优功率;
若锂电池的SOC值为高,燃料电池输出功率为低功率。
本发明具有以下有益效果:
经VMD处理之后的整车需求功率,再利用遗传算法优化的模糊控制器进行能量管理之后,相较于未使用VMD转换处理的能量管理控制策略,能使得燃料电池的输出功率变化比较平稳,且能使锂电池的SOC值维持在0.7左右,具有一个不错的控制效果,能有效延长燃料电池和锂电池的使用寿命,对于快速变化的负载也能满足功率需求,响应快速。
附图说明
图1 本发明实施例燃料电池混合动力系统结构示意图。
图2 本发明实施例基于VMD的模糊控制能量管理流程图。
图3 本发明实施例LA92工况行驶速度与对应功率。
图4 本发明实施例VMD分解流程图。
图5 本发明实施例VMD分解示意图。
图6 本发明实施例转换处理后的需求功率。
图7 本发明实施例模糊控制器设计流程图。
图8 本发明实施例遗传算法优化的模糊控制器隶属度函数示意图。
图9 本发明实施例实验结果示意图。
图10为本发明基于VMD处理的燃料电池能量管理方法流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
一种基于VMD处理的燃料电池能量管理方法,如图10所示,包括如下步骤:
S1、构建燃料电池混合动力汽车模型计算车辆的推进功率和需求功率,构建燃料电池系统模型计算氢气消耗量,构建锂电池模型并计算锂电池SOC值;
在本发明燃料电池混合动力系统中,采用了燃料电池+辅助电池这种拓扑结构为负载提供合适功率。燃料电池混合动力系统结构如图1所示。
在本发明能量管理的分析过程中,以燃料电池混合动力汽车(FCHEV)作为分析对象,首先构建燃料电池混合动力汽车模型,车辆的推进功率可以根据车辆速度计算得到:
在得到燃料电池混合动力汽车模型之后,还需要建立燃料电池系统模型和锂电池模型,燃料电池系统是通过氢气和氧气发生电化学反应将化学能转化为电能的装置,氢气消耗量是衡量燃料电池系统经济性的指标,可以根据氢摩尔质量、燃料电池电流、燃料电池堆单电池片数以及法拉第常数计算得到,如下式所示:
S2、利用变分模态分解法对需求功率进行分解,得到需求功率的多个频率特征不同的模态函数;
通过所述燃料电池混合动力系统模型可以根据车辆在几种典型工况(如高速、城镇、乡村)下的行驶速度得到整车需求功率,通过变分模态分解法(VMD)将需求功率进行转化处理得到,将VMD转化之后的需求功率和辅助电池锂电池的SOC值经过模糊控制器获取燃料电池的输出功率,实现流程如图2所示。
不同循环行驶工况下对应的汽车行驶速度不同,利用公式(1)可以计算得到不同工况下对应的整车需求功率,以LA92工况为例,行驶速度与其对应需求功率如图3所示。
对整车需求功率进行VMD分解,VMD是基于维纳滤波、Hilbert变换和混合频率的变分问题的求解过程,通过寻找约束变分模式最优解自适应的将信号分解成一系列的具有稀疏特性的模式分量,整车需求功率被变分模态分解之后,得到更加平滑的分量数据,低频的分量数据在经过模糊控制器之后得到的燃料电池功率与未经过VMD处理之后的功率相比更加平滑,波动更小,有效缓解了燃料电池堆由于输出状态的频繁变化而导致的寿命缩短问题。VMD算法的功能便是通过构造并求解约束变分问题,将原始信号x(t)分解为k个的具有特定稀疏性的分量,分解具体过程如图4所示,
S21、将整车需求功率分解为多个频率特征不同的模态函数,利用整车功率的高斯平滑度计算各模态带宽,并使所有模态带宽之和最小,并以各模态带宽之和等于需求功率为约束条件构建变分问题。
VMD首先将整车需求功率分解为K个(本发明中K=4)频率特征不同的模态函数,再通过的高斯平滑度来推测各个模态带宽,使所有模态带宽之和达到最小值。以模态之和等于序列作为约束条件,可以得到与频率中心、狄拉克分布、模态分量有关的变分问题:
S22、利用拉格朗日乘法算子和二次惩罚因子保持约束条件严格性和信号重构准确度。
通过引入拉格朗日乘法算子λ和二次惩罚因子α可以保持约束条件严格性和信号重构准确度的作用,进而得到:
S23、利用交替方向乘子法加将S21中的变分问题进行优化,求得最优解。
通过使用交替方向乘子法可以将变分问题优化,利用如下所示的更新方程在迭代序列中寻找扩展拉格朗日的鞍点,可以求的式(7)的最优解。
S3、以锂电池SOC值作为输入,以燃料电池的输出功率作为输出构建燃料电池混合动力系统模糊控制器,对燃料电池混合动力系统进行能量管理。
燃料电池混合动力系统模糊控制器的设计分为模糊化、模糊控制规则、逻辑判断、解模糊化四个部分,首先应该确定控制器的输入输出变量,在本发明中,以锂电池的SOC值作为模糊控制器的输入,以燃料电池输出功率作为模糊控制器的输出;其次要确定模糊控制器输入输出变量的隶属度函数,再根据专家经验确定模糊控制器的规则,最后通过仿真验证对燃料电池混合动力系统能量管理的合理性。模糊控制器设计的具体流程如图7所示。
在本发明中,模糊控制器的输入变量(锂电池的SOC值)包含四个模糊子集,分别为很低SOC、低SOC、最佳SOC、高SOC,对应描述成{toolow,low,optimal,high};模糊控制器的输出变量(燃料电池的功率)包含四个模糊子集,分别为高功率、良好功率、优功率、低功率,对应描述成{ toohigh ,high,optimal,low}。
根据经验,一般认为SOC值高,最优,低,很低的范围分别为0.7-1,0.5-0.7,0.2-0.5,0-0.2,模糊控制器SOC的隶属度函数可以以这个为参考进行调整,输出的隶属度函数根据输入的SOC调整,以最后的能耗最小为优化条件,燃料电池最小能耗表达式可以表述为:,其中是氢气质量消耗,是燃料输出功率,是燃料电池系统全局效率,是氢气化学能密度,通过运用遗传算法优化可以自行优化出一组满足能耗最新的输入输出的隶属度函数。
对应的模糊逻辑规则为:
如果锂电池的SOC值为很低,燃料电池输出为高功率5-5.5kw;
如果锂电池的SOC值为低,燃料电池输出为良好功率3.5-4.5kw;
如果锂电池的SOC值为最优,燃料电池输出功率为优功率2-3kw;
如果锂电池的SOC值为高,燃料电池输出功率为低功率0-1kw。
由于模糊控制器的隶属度函数和模糊逻辑规则的建立依赖于人的经验,在参数的选取和规则的制定上可能存在误差,遗传算法(GA)具有不错的收敛性、快速性,适合用于隶属度函数和模糊逻辑规则的优化,以改善燃料电池混合动力系统能量管理问题。使用遗传算法(GA),首先应寻找待优化问题,在本发明中,待优化问题为模糊控制器的隶属度函数,确定隶属度函数中参数的变化范围,然后需要确定目标函数和问题的解,保证燃料电池的输出功率变化平稳以及锂电池的SOC值基本保持在0.7左右,生成初始种群并计算个体适应值,最后使用遗传操作求解最优解。经遗传算法优化之后的模糊控制器的隶属度函数如图8所示.
未经过VMD处理和经过VMD处理之后的燃料电池输出功率效果以及辅助电池锂电池的SOC波动如图8所示。
综上所述,经VMD处理之后的整车需求功率,再利用遗传算法优化的模糊控制器进行能量管理之后,相较于未使用VMD转换处理的能量管理控制策略,能使得燃料电池的输出功率变化比较平稳,且能使锂电池的SOC值维持在0.7左右,具有一个不错的控制效果,能有效延长燃料电池和锂电池的使用寿命,对于快速变化的负载也能满足功率需求,响应快速。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种基于VMD处理的燃料电池能量管理方法,其特征在于,包括如下步骤:
S1、构建燃料电池混合动力汽车模型计算车辆的推进功率和需求功率,构建燃料电池系统模型计算氢气消耗量,构建锂电池模型并计算锂电池SOC值;
S2、利用变分模态分解法对需求功率进行分解,得到需求功率的多个频率特征不同的低频分量数据,具体而言,包括如下步骤:
S21、将整车需求功率分节为多个频率特征不同的模态函数,利用整车功率的高斯平滑度计算各模态带宽,并使所有模态带宽之和最小,并以各模态之和等于需求功率为约束条件构建变分问题;
S22、利用拉格朗日乘法算子和二次惩罚因子保持约束条件严格性和信号重构准确度,具体计算方式为:
其中,{ωk}为频率中心,δ(t)为狄拉克分布,{uk}为模态分量,Pdemand()为整车需求功率,k为模态数量,θt为狄拉克函数,λ为拉格朗日乘法算子,α为二次惩罚因子,为二范数平方运算,λ(t)为λ的时间变化;
S23、利用交替方向乘子法加将S21中的变分问题进行优化,求得最优解;
S3、以锂电池SOC值作为输入,以燃料电池的输出功率作为输出构建燃料电池混合动力系统模糊控制器,对燃料电池混合动力系统进行能量管理,其中,燃料电池混合动力系统模糊控制器的具体构建方式为:
S31、以锂电池的SOC值作为模糊控制器的输入变量,以燃料电池输出功率作为模糊控制器的输出变量,其中,输入变量包括很低SOC、低SOC、最佳SOC和高SOC四个模糊子集,输出变量包括高功率、良好功率、优功率和低功率四个模糊子集;
S32、确定输入输出变量的隶属度函数,以燃料电池最小能耗为优化条件,根据专家经验确定模糊控制器规则;其中,燃料电池最小能耗表达式可以表述为:
通过运用遗传算法自行优化出一组满足能耗最小的输入输出的隶属度函数,具体方式为:
首先确定待优化问题为模糊控制器的隶属度函数,确定隶属度函数中参数的变化范围;
然后需要确定目标函数和问题的解,保证燃料电池的输出功率变化平稳以及锂电池的SOC值保持在0.7,生成初始种群并计算个体适应值;
最后使用遗传操作求解最优解;
S33、通过仿真验证对燃料电池混合动力系统能量管理的合理性。
7.根据权利要求1所述的一种基于VMD处理的燃料电池能量管理方法,其特征在于,所述S32中模糊控制器规则为:
若锂电池的SOC值为很低,燃料电池输出为高功率;
若锂电池的SOC值为低,燃料电池输出为良好功率;
若锂电池的SOC值为最优,燃料电池输出功率为优功率;
若锂电池的SOC值为高,燃料电池输出功率为低功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210274520.6A CN114347866B (zh) | 2022-03-21 | 2022-03-21 | 一种基于vmd处理的燃料电池能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210274520.6A CN114347866B (zh) | 2022-03-21 | 2022-03-21 | 一种基于vmd处理的燃料电池能量管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114347866A CN114347866A (zh) | 2022-04-15 |
CN114347866B true CN114347866B (zh) | 2023-02-28 |
Family
ID=81094673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210274520.6A Active CN114347866B (zh) | 2022-03-21 | 2022-03-21 | 一种基于vmd处理的燃料电池能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114347866B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114889498B (zh) * | 2022-05-07 | 2023-12-15 | 苏州市华昌能源科技有限公司 | 一种氢电混合动力系统的功率优化分配方法 |
CN115140288B (zh) * | 2022-06-29 | 2024-04-26 | 上海海事大学 | 混合动力船舶的能量管理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786839A (zh) * | 2017-04-20 | 2017-05-31 | 德阳九鼎智远知识产权运营有限公司 | 一种燃料电池和锂电池混合供电系统及方法 |
CN109659970A (zh) * | 2018-10-23 | 2019-04-19 | 国网甘肃省电力公司电力科学研究院 | 基于变分模态分解的储能系统平抑风功率波动的控制方法 |
CN110126813A (zh) * | 2019-05-17 | 2019-08-16 | 吉林大学 | 一种车载燃料电池混合动力系统的能量管理方法 |
CN111459025A (zh) * | 2020-03-26 | 2020-07-28 | 河南科技大学 | 一种运用粒子算法优化的复合电源电动汽车功率分配策略 |
CN112455420A (zh) * | 2020-10-23 | 2021-03-09 | 西安交通大学 | 一种基于模糊神经网络的混合动力系统能量控制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4677819B2 (ja) * | 2005-04-15 | 2011-04-27 | トヨタ自動車株式会社 | ハイブリッド車およびその制御方法 |
US10131341B2 (en) * | 2015-06-16 | 2018-11-20 | Mississippi State University | Bandwidth-based methodology for controlling and optimally designing a hybrid power system |
CN108312870B (zh) * | 2018-02-02 | 2020-08-21 | 杭州电子科技大学 | 一种混合动力汽车氢耗与负载变化的能源管理方法 |
CN111371111A (zh) * | 2020-03-16 | 2020-07-03 | 华北电力大学 | 平抑新能源出力波动的混合储能功率分配方法 |
-
2022
- 2022-03-21 CN CN202210274520.6A patent/CN114347866B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786839A (zh) * | 2017-04-20 | 2017-05-31 | 德阳九鼎智远知识产权运营有限公司 | 一种燃料电池和锂电池混合供电系统及方法 |
CN109659970A (zh) * | 2018-10-23 | 2019-04-19 | 国网甘肃省电力公司电力科学研究院 | 基于变分模态分解的储能系统平抑风功率波动的控制方法 |
CN110126813A (zh) * | 2019-05-17 | 2019-08-16 | 吉林大学 | 一种车载燃料电池混合动力系统的能量管理方法 |
CN111459025A (zh) * | 2020-03-26 | 2020-07-28 | 河南科技大学 | 一种运用粒子算法优化的复合电源电动汽车功率分配策略 |
CN112455420A (zh) * | 2020-10-23 | 2021-03-09 | 西安交通大学 | 一种基于模糊神经网络的混合动力系统能量控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114347866A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Optimization of sizing and frequency control in battery/supercapacitor hybrid energy storage system for fuel cell ship | |
Li et al. | Adaptive energy management strategy for fuel cell/battery hybrid vehicles using Pontryagin's Minimal Principle | |
Xiong et al. | Towards a smarter hybrid energy storage system based on battery and ultracapacitor-A critical review on topology and energy management | |
Geng et al. | Simulation research on a novel control strategy for fuel cell extended-range vehicles | |
Zhao et al. | Energy management strategies for fuel cell hybrid electric vehicles: Classification, comparison, and outlook | |
Zhang et al. | A novel energy management strategy based on dual reward function Q-learning for fuel cell hybrid electric vehicle | |
Tao et al. | Frequency decoupling-based energy management strategy for fuel cell/battery/ultracapacitor hybrid vehicle using fuzzy control method | |
Li et al. | Energy management strategy for fuel cell/battery/ultracapacitor hybrid vehicle based on fuzzy logic | |
CN114347866B (zh) | 一种基于vmd处理的燃料电池能量管理方法 | |
Fu et al. | Energy management strategy for fuel cell/battery/ultracapacitor hybrid electric vehicles using deep reinforcement learning with action trimming | |
CN110126679B (zh) | 一种燃料电池最佳工作点的获取方法 | |
Huang et al. | Research on hybrid ratio of fuel cell hybrid vehicle based on ADVISOR | |
Hu et al. | Energy management strategy of hybrid energy storage system based on fuzzy control for ships | |
Chen et al. | An optimized rule based energy management strategy for a fuel cell/battery vehicle | |
Hu et al. | Energy Management Optimization Method of Plug-In Hybrid-Electric Bus Based on Incremental Learning | |
Huang et al. | Deep reinforcement learning based energymanagement strategy considering running costs and energy source aging for fuel cell hybrid electric vehicle | |
Rizzo et al. | Converting conventional cars in mild hybrid solar vehicles | |
Liu et al. | Real time power management strategy for fuel cell hybrid electric bus based on Lyapunov stability theorem | |
Ravey et al. | Control strategy of fuel cell hybrid electric vehicle based on driving cycle recognition | |
Song et al. | Study on the fuel economy of fuel cell electric vehicle based on rule-based energy management strategies | |
Boyacıoğlu et al. | Modeling and Control of a PEM Fuel Cell Hybrid Energy System Used in a Vehicle with Fuzzy Logic Method | |
Guo et al. | A lifetime extended energy management strategy for fuel cell hybrid electric vehicles via self-learning fuzzy reinforcement learning | |
Jbari et al. | Fuzzy logic controller for an ev’s dual-source hybridization | |
Mohammed et al. | Management of energy based on intelligent controller for plug-in fuel cell hybrid electric vehicles | |
Chen et al. | Ecological Driving Strategy for Fuel Cell Hybrid Electric Vehicle Based on Continuous Deep Reinforcement Learning |
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 |