CN114771293A - 一种基于等效消耗最小策略的燃料电池汽车能量管理方法 - Google Patents

Abstract

本发明公开了一种基于等效消耗最小策略的燃料电池汽车在线能量管理方法，涉及新能源汽车领域。该方法包括离线和在线两部分，离线部分包括：获取车辆驾驶工况数据；建立燃料电池混合动力汽车模型；基于庞特里亚金极小值原理，由目标函数建立哈密顿函数，用打靶法得到历史工况数据的最优解；将得到的最优解作为样本集训练LSTM模型。在线部分包括：基于网联信息在线预测车辆未来短期速度；利用训练好的LSTM模型实时得到最优协态变量；根据PMP与ECMS的关系得到最优等效因子；通过ECMS实时求解燃料电池汽车最优功率分配。本发明结果具有良好的全局优化性，计算效率高，实时性好；综合考虑了车辆历史信息与未来信息的影响，提升了燃油经济性和管理策略的鲁棒性。

Description

一种基于等效消耗最小策略的燃料电池汽车能量管理方法

技术领域

本发明涉及新能源汽车技术领域，特别是涉及一种基于等效消耗最小策略(ECMS)的燃料电池汽车在线能量管理方法。

背景技术

近年来，随着汽车保有量的快速增长，空气污染、能源危机等问题也变得越来越严重，混合动力汽车、纯电动汽车汽车、燃料电池汽车等新能源汽车受到人们越来越多的关注。而燃料电池汽车(Fuel Cell Hybrid Vehicle,FCHVs)由于其高效、清洁无污染、续航里程长等优点越来越受到汽车制造商的重视。

能量管理是燃料电池汽车的关键技术之一。目前的能量管理策略(EnergyManagement Strategy,EMS)有基于动态规划(Dynamic Programming,DP)、庞特里亚金极小值原理(Pontryagin's Minimum Principle,PMP)等全局优化算法的策略，该种策略虽然能获得全局最优解，但是需要获得全局的先验信息，而且计算量大，不能实时应用。

等效消耗最小策略(Equivalent Consumption Minimum Strategy，ECMS)不需要先验信息，可实时求解，能够应用于实时控制，但是该种策略仅能获得局部最优解，其最优性无法保证。

因此，需要设计一种新的燃料电池能量管理方法来满足燃料电池汽车对实时性和最优性的要求。同时随着智能网联技术的发展，车辆自身及外界信息如自车行驶工况、道路交通信息等数据的获取变得越来越容易，如何利用人工智能技术从庞大的数据信息中挖掘有效信息，将其应用于燃料电池能量管理方法中，使能量管理方法性能更好也是值得考虑的问题。

发明内容

有鉴于此，本发明的目的在于提供一种等效消耗最小策略(ECMS)的燃料电池汽车在线能量管理方法，在保证优化结果接近最优性的同时能够实时应用，提高燃料电池汽车整体经济性。同时挖掘网联环境下交通数据的有效信息，进一步提升能量管理策略的优化性和鲁棒性。

为达到上述目的，本发明提供如下技术方案：

一种基于等效消耗最小策略的燃料电池汽车在线能量管理方法，具体包括以下步骤：

步骤1：获取燃料电池混合动力汽车在历史行驶过程中的多维路况信息；

步骤2：基于燃料电池混合动力汽车的动力系统结构，建立燃料电池混合动力汽车整车动力系统模型；所述燃料电池混合动力汽车整车动力系统模型包括：整车动力学模型、燃料电池氢耗模型和效率模型和动力电池模型；

步骤3：以总的耗氢量为目标，建立目标函数，并确定状态变量和控制变量所受的约束条件；基于庞特里亚金极小值原理，由目标函数建立哈密顿函数，用打靶法对步骤1中获得的燃料电池混合动力汽车在历史行驶过程中的多维路况信息求解，获得最优协态变量及其对应的车辆状态信息，对应的车辆状态信息包括：车辆速度、SOC轨迹和需求功率；

步骤4：将步骤3得到的最优协态变量以及对应的车辆状态信息作为样本集训练基于LSTM的最优协态变量预测模型；

步骤5：利用步骤1获得的道路交通信息通过基于LSTM的车速预测模型在线预测本车未来1s、2s、3s、4s、5s的车速；所述基于LSTM的车速预测模型以步骤1获得的道路交通信息作为模型输入，本车车速作为模型输出；

步骤6：利用步骤4训练好的基于LSTM的最优协态变量预测模型在线实时预测最优协态变量；

步骤7：根据庞特里亚金极小值原理与等效消耗最小策略关系，由步骤6中获得的最优协态变量求得最优等效因子；所述庞特里亚金极小值原理与等效消耗最小策略关系为：

式中，S(t)为自适应等效因子，

为氢的低热值，U_OC为动力电池开路电压，Q_bat为动力电池容量，λ(t)为协态变量；

步骤8：基于等效消耗最小策略，以实时的总能量消耗最小为目标，建立目标函数，所述目标函数为：

式中，

为等效耗氢量；

为动力电池荷电状态变化率；

为氢气消耗率；

将步骤7中获得的最优等效因子应用于所述目标函数，求得使目标函数最小的最优解为燃料电池和动力电池之间的最优功率分配。

进一步地，所述多维路况信息包括：车速、加速度、前车速度、前车加速度、道路坡度以及路线中途经的交通灯信息。

进一步地，所述整车动力学模型为：

式中，P_dem为需求功率，v_h为本车车速，m为车辆重量，ρ为空气密度，A为车辆迎风面积，C_d为空气阻力系数，g为重力加速度，μ_r为滚动阻力系数，θ为道路坡度，η_m为电机效率；

P_dem＝P_fc+P_bat；

式中，P_fc为燃料电池堆功率，P_bat为动力电池功率。

进一步地，所述燃料电池氢耗模型为：

式中，

为氢气消耗率，N_fc为燃料电池堆中燃料电池单体数，

为氢气摩尔质量，I_fc为燃料电池电流，n_e为电化学反应中转移的电子数，F为法拉第常数；

所述燃料电池效率模型为：

式中，η_fc为燃料电池效率，

为氢的低热值。

进一步地，所述动力电池模型为：

式中，I_bat为动力电池电流，U_OC为动力电池开路电压，R_bat为动力电池内阻；

式中，

为动力电池荷电状态变化率，Q_bat为动力电池容量。

进一步地，所述以总的氢气消耗为目标函数，基于庞特里亚金极小值原理，建立哈密顿函数为：

式中，H(SOC(t),P_fc(t),λt())为哈密顿函数值，λ(t)为协态变量。

进一步地，将步骤3得到的最优协态变量以及对应的车辆状态信息作为样本集训练基于LSTM的最优协态变量预测模型，包括：

将步骤3中获得的车辆速度、SOC轨迹、需求功率作为基于LSTM的最优协态变量预测模型的输入量，将最优协态变量作为基于LSTM的最优协态变量预测模型的输出量；

构建基于LSTM的最优协态变量预测模型的网络结构，所述网络结构包括输入层、LSTM层、输出层，并确定每层网络神经元的个数；

将输入量、输出量归一化处理，对基于LSTM的最优协态变量预测模型进行离线训练，得到协态变量预测模型。

本发明与现有技术相比，具有以下有益效果：

(1)本发明利用PMP与ECMS的关系设计燃料电池汽车能量管理方法，优化结果接近全局最优，同时计算效率高，实时性好，能够用于实时控制。

(2)本发明利用LSTM模型预测最优协态变量，考虑了变量预测变量与时间序列高度相关的问题，预测结果更精确。

(3)本发明在预测协态变量时考虑了本车未来短期内的速度，考虑了未来信息对优化结果的影响，进一步提升了燃料电池汽车的节能潜力。

(4)本发明利用人工智能方法提取网联环境下庞大交通数据中的有效信息，并应用于所提出的能量管理方法，提升了能量管理方法的全局最优性与鲁棒性，并且为基于网联环境下的能量管理方法研究提供了新的思路。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中一种基于等效消耗最小策略的燃料电池汽车能量管理方法的流程图；

图2是本发明实施例中燃料电池汽车动力系统结构图；

图3是本发明实施例中基于LSTM的最优协态变量预测模型的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示，本发明实施例提供了一种基于等效消耗最小策略的燃料电池汽车能量管理方法，具体包括以下步骤：

步骤1、获取燃料电池混合动力汽车在历史行驶过程中的多维路况信息；

其中，多维路况信息具体包括：本车状态信息，包括：车辆速度、车辆加速度等信息；道路交通信息，包括：前车速度、前车加速度、道路坡度、路线中途经的交通灯时序和相位信息等信息。

步骤2、基于燃料电池混合动力汽车的动力系统结构，建立燃料电池汽车整车动力系统模型；

如图2所示，燃料电池混合动力汽车的动力系统结构包括：燃料电池系统、辅助系统、DC/DC双向变换器、动力电池系统、整车控制器、逆变器和电动机控制器以及电动机。其中，燃料电池系统、DC/DC双向变换器、动力电池系统、逆变器和电动机控制器均与整车控制器进行双向信号收发。能量由燃料供给提供，在燃料电池系统、辅助系统、DC/DC双向变换器、动力电池系统、逆变器和电动机控制器以及电动机之间传递和流动。本发明通过合理分配燃料电池和动力电池之间的功率，使燃料电池混合动力汽车的能量消耗最小。

建立燃料电池汽车整车动力系统模型，包括建立整车动力学模型、燃料电池氢耗模型和效率模型以及动力电池模型。具体包括以下步骤：

步骤2.1、搭建整车动力学模型为：

式中，P_dem为需求功率，v_h为本车车速，m为车辆重量，ρ为空气密度，A为车辆迎风面积，C_d为空气阻力系数，g为重力加速度，μ_r为滚动阻力系数，θ为道路坡度，η_m为电机效率。

P_dem＝P_fc+P_bat；

式中，P_fc为燃料电池堆功率，P_bat为动力电池功率。

步骤2.2、分别搭建燃料电池氢耗模型和效率模型为：

式中，

为氢气消耗率，N_fc为燃料电池堆中燃料电池单体数，

为氢气摩尔质量，I_fc为燃料电池电流，n_e为电化学反应中转移的电子数，F为法拉第常数。

式中，η_fc为燃料电池效率，

为氢的低热值。

步骤2.3、搭建动力电池模型为：

式中，I_bat为动力电池电流，U_OC为动力电池开路电压，R_bat为动力电池内阻。

式中，

为动力电池荷电状态变化率，Q_bat为动力电池容量。

步骤3、基于庞特里亚金极小值原理，由目标函数建立哈密顿函数，用打靶法对步骤1中获得的历史数据求解，即通过不断尝试不同的初始协态值使结果逼近最优，获得最优协态变量；

协态变量(co-state variables)是庞特里亚金极小值原理中求解时用得到辅助变量。

具体包括以下步骤：

步骤3.1、以总的耗氢量为目标，建立目标函数为：

状态变量和控制变量所受的约束条件为：

步骤3.2、基于庞特里亚金原理，由目标函数建立的哈密顿函数为：

式中，H(SOC(t),P_fc(t),λt())为哈密顿函数值，λ(t)为协态变量。

步骤3.3、用打靶法对步骤1中获得的工况求最优解，获得最优协态变量以及对应的车辆状态信息，包括：车辆速度、SOC轨迹、需求功率。

步骤4、将步骤3得到的最优协态变量以及最优协态变量对应的状态信息作为样本集训练LSTM(Long Short-Term Memory，长短期记忆网络)模型；

具体包括以下步骤：

步骤4.1、将步骤3中获得的车辆速度、SOC轨迹、需求功率作为LSTM的输入量，将最优协态变量作为LSTM的输出量；

步骤4.2、如图3所示，构建LSTM网络结构，包括输入层、LSTM层、输出层，并确定每层网络神经元的个数，其中输入层神经元个数为3，LSTM层为两层，每层神经元个数分别为30、10，输出层神经元个数为1。

步骤4.3、将输入量、输出量归一化处理，对LSTM模型进行离线训练，得到协态变量预测模型。

步骤5、利用步骤1中获得的道路交通信息在线预测本车未来1s、2s、3s、4s、5s的车速。

步骤6、将车辆的实时状态信息包括：SOC值、需求功率以及实时预测的车辆未来速度作为输入给到训练好的LSTM模型，在线预测最优协态变量。

步骤7、用预测得到的最优协态变量根据庞特里亚金极小值原理(PMP)与等效消耗最小策略(ECMS)的关系式实时计算自适应等效因子，关系式如下：

式中，S(t)为自适应等效因子。

步骤8、基于ECMS，以实时的总能量消耗为目标，建立目标函数，并将步骤7中获得的最优等效因子给到ECMS，得到燃料电池和动力电池之间的最优功率分配，具体包括以下步骤：

步骤8.1、基于ECMS，以实时的总能量消耗为目标，建立目标函数：

式中，

为等效耗氢量。

步骤8.2、将求得的自适应等效因子给到ECMS，求最优解得到燃料电池和动力电池之间的最优功率分配。

其中，步骤1～步骤4可以离线进行，步骤5～步骤8为在线进行。

本发明实施例中的一种基于等效消耗最小策略的燃料电池汽车能量管理方法，具有以下有益效果：

(1)本发明利用PMP与ECMS的关系设计燃料电池汽车能量管理方法，优化结果接近全局最优，同时计算效率高，实时性好，能够用于实时控制。

(2)本发明利用LSTM模型预测最优协态变量，考虑了变量预测变量与时间序列高度相关的问题，预测结果更精确。

(3)本发明在预测协态变量时考虑了本车未来短期内的速度，考虑了未来信息对优化结果的影响，进一步提升了燃料电池汽车的节能潜力。

(4)本发明利用人工智能方法提取网联环境下庞大交通数据中的有效信息，并应用于所提出的能量管理方法，提升了能量管理方法的全局最优性与鲁棒性，并且为基于网联环境下的能量管理方法研究提供了新的思路。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种基于等效消耗最小策略的燃料电池汽车在线能量管理方法，其特征在于，包括：

步骤1：获取燃料电池混合动力汽车在历史行驶过程中的多维路况信息；

步骤2：基于燃料电池混合动力汽车的动力系统结构，建立燃料电池混合动力汽车整车动力系统模型；所述燃料电池混合动力汽车整车动力系统模型包括：整车动力学模型、燃料电池氢耗模型和效率模型和动力电池模型；

步骤3：以总的耗氢量为目标，建立目标函数，并确定状态变量和控制变量所受的约束条件；基于庞特里亚金极小值原理，由目标函数建立哈密顿函数，用打靶法对步骤1中获得的燃料电池混合动力汽车在历史行驶过程中的多维路况信息求解，获得最优协态变量及其对应的车辆状态信息，对应的车辆状态信息包括：车辆速度、SOC轨迹和需求功率；

步骤4：将步骤3得到的最优协态变量以及对应的车辆状态信息作为样本集训练基于LSTM的最优协态变量预测模型；

步骤5：利用步骤1获得的道路交通信息通过基于LSTM的车速预测模型在线预测本车未来1s、2s、3s、4s、5s的车速；所述基于LSTM的车速预测模型以步骤1获得的道路交通信息作为模型输入，本车车速作为模型输出；

步骤6：利用步骤4训练好的基于LSTM的最优协态变量预测模型在线实时预测最优协态变量；

步骤7：根据庞特里亚金极小值原理与等效消耗最小策略关系，由步骤6中获得的最优协态变量求得最优等效因子；所述庞特里亚金极小值原理与等效消耗最小策略关系为：

式中，S(t)为自适应等效因子，

为氢的低热值，U_OC为动力电池开路电压，Q_bat为动力电池容量，λ(t)为协态变量；

步骤8：基于等效消耗最小策略，以实时的总能量消耗最小为目标，建立目标函数，所述目标函数为：

式中，

为等效耗氢量；

为动力电池荷电状态变化率；

为氢气消耗率；

将步骤7中获得的最优等效因子应用于所述目标函数，求得使目标函数最小的最优解为燃料电池和动力电池之间的最优功率分配。

2.根据权利要求1所述的一种基于等效消耗最小策略的燃料电池汽车在线能量管理方法，其特征在于，所述多维路况信息包括：车速、加速度、前车速度、前车加速度、道路坡度以及路线中途经的交通灯信息。

3.根据权利要求1所述的一种基于等效消耗最小策略的燃料电池汽车在线能量管理方法，其特征在于，所述整车动力学模型为：

式中，P_dem为需求功率，v_h为本车车速，m为车辆重量，ρ为空气密度，A为车辆迎风面积，C_d为空气阻力系数，g为重力加速度，μ_r为滚动阻力系数，θ为道路坡度，η_m为电机效率；

P_dem＝P_fc+P_bat；

式中，P_fc为燃料电池堆功率，P_bat为动力电池功率。

4.根据权利要求3所述的一种基于等效消耗最小策略的燃料电池汽车在线能量管理方法，其特征在于，所述燃料电池氢耗模型为：

式中，

为氢气消耗率，N_fc为燃料电池堆中燃料电池单体数，

为氢气摩尔质量，I_fc为燃料电池电流，n_e为电化学反应中转移的电子数，F为法拉第常数；

所述燃料电池效率模型为：

式中，η_fc为燃料电池效率，

为氢的低热值。

5.根据权利要求3所述的一种基于等效消耗最小策略的燃料电池汽车在线能量管理方法，其特征在于，所述动力电池模型为：

式中，I_bat为动力电池电流，U_OC为动力电池开路电压，R_bat为动力电池内阻；

式中，

为动力电池荷电状态变化率，Q_bat为动力电池容量。

6.根据权利要求1所述的一种基于等效消耗最小策略的燃料电池汽车在线能量管理方法，其特征在于，所述以总的氢气消耗为目标函数，基于庞特里亚金极小值原理，建立哈密顿函数为：

式中，H(SOC(t),P_fc(t),λt())为哈密顿函数值，λ(t)为协态变量。

7.根据权利要求1所述的一种基于等效消耗最小策略的燃料电池汽车在线能量管理方法，其特征在于，将步骤3得到的最优协态变量以及对应的车辆状态信息作为样本集训练基于LSTM的最优协态变量预测模型，包括：

将步骤3中获得的车辆速度、SOC轨迹、需求功率作为基于LSTM的最优协态变量预测模型的输入量，将最优协态变量作为基于LSTM的最优协态变量预测模型的输出量；

构建基于LSTM的最优协态变量预测模型的网络结构，所述网络结构包括输入层、LSTM层、输出层，并确定每层网络神经元的个数；

将输入量、输出量归一化处理，对基于LSTM的最优协态变量预测模型进行离线训练，得到协态变量预测模型。

Images