CN115230485A - 基于短期功率平滑预测的燃料电池公交车能量管理方法 - Google Patents
基于短期功率平滑预测的燃料电池公交车能量管理方法 Download PDFInfo
- Publication number
- CN115230485A CN115230485A CN202210869006.7A CN202210869006A CN115230485A CN 115230485 A CN115230485 A CN 115230485A CN 202210869006 A CN202210869006 A CN 202210869006A CN 115230485 A CN115230485 A CN 115230485A
- Authority
- CN
- China
- Prior art keywords
- power
- soc
- fuel cell
- prediction
- stack
- 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
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 72
- 238000007726 management method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000009499 grossing Methods 0.000 claims abstract description 25
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 24
- 239000001257 hydrogen Substances 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 210000004027 cell Anatomy 0.000 claims description 81
- 230000006870 function Effects 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000002238 attenuated effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 3
- 125000004435 hydrogen atom Chemical group [H]* 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
- B60L15/2045—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed for optimising the use of energy
-
- 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
- B60L50/00—Electric propulsion with power supplied within the vehicle
- B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or 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
- B60L2200/00—Type of vehicles
- B60L2200/18—Buses
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/54—Energy consumption estimation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Fuel Cell (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于短期功率平滑预测的燃料电池公交车能量管理方法，包括下列步骤：从车辆控制器局域网络总线即CAN总线中采集实际公交驾驶工况的电机需求功率数据；进行短期需求功率平滑预测；建立多目标成本函数，在预测时域内采用动态规划算法求解出最优控制变量序列，将该序列第一个值施加到动力系统模型中完成能量分配。本发明提出以电机输出功率为工况表征，并采用一阶指数平滑和LSTM神经网络结合的方法进行短期功率平滑预测，有利于减小电机需求功率计算误差，降低系统能耗。本发明建立了综合氢气消耗、动力源寿命、SOC消耗轨迹维持的多目标成本函数，有利于提高燃料电池耐久性，降低车辆运营成本。
Description
技术领域
本发明涉及燃料电池汽车能量管理领域，尤其涉及一种基于短期功率平滑预测的燃料电池公交车能量管理方法。
背景技术
近年来，质子交换膜燃料电池技术不断发展，其零排放和高效率的特性使其成为内燃机的理想替代品。但质子交换膜燃料电池具有瞬态响应慢，不能满足快速的功率变化和制动能量无法回收的特点，因此常将其与动力电池组合构成双动力源混合动力系统，应用于插电式燃料电池混合动力公交车上。而城市公交运行工况的复杂性对插电式燃料电池混合动力公交车的能耗经济性、动力源耐久性和运营成本带来了严峻的考验。因此，需要研究能够实现能量可靠分配的能量管理控制方法，以期调节质子交换膜燃料电池和动力电池的输出功率，降低系统能耗，减少动力源寿命衰减，降低车辆运营成本。
越来越多的研究集中在将模型预测控制应用在能量管理上。在模型预测控制中，基于所建立的模型可以对未来的驾驶工况进行短期时域内的预测，并通过优化算法求解短期的能量管理问题，从而得到近似最优解。其应用的关键在于对未来短期时域内驾驶工况的预测。现有研究通常将车速作为驾驶工况表征，然而载客质量变化、道路坡度、主减速器以及电机系统的效率存在的波动，导致通过车速计算电机需求功率存在着很大误差。
发明内容
为解决现有技术存在的上述问题，本发明要提出一种能够降低系统能耗、提高燃料电池耐久性和降低车辆运营成本的基于短期功率平滑预测的燃料电池公交车能量管理方法。
为解决上述技术问题，本发明是采用如下技术方案实现的：一种基于短期功率平滑预测的燃料电池公交车能量管理方法，包括下列步骤：
第一步，从车辆控制器局域网络总线即CAN总线中采集实际公交驾驶工况的电机需求功率数据。
定义公交线路的两站点之间的行程为1个驾驶循环，并按固定采样时间间隔Δt采集多次驾驶循环的实际电机需求功率数据。
第二步，进行短期需求功率平滑预测。
对采集的历史需求功率曲线进行平滑处理，再利用功率预测模型对未来短期电机需求功率进行预测。
所述的功率曲线平滑处理方法是采用的一阶指数平滑法，驾驶循环中t时刻平滑后的电机需求功率计算公式如下：
其中，Pmotor(t)为t时刻的实际电机需求功率；
分别为t时刻及其上一时刻的电机需求功率的平滑结果；κ为平滑系数，是历史数据与当前时刻数据在平滑中的分配比值，其值介于0和1之间。
所述的功率预测模型是长短时记忆神经网络模型即LSTM神经网络模型。在使用LSTM神经网络模型之前，将平滑后的电机需求功率进行归一化处理，限制数据范围。LSTM神经网络模型为双层模型，输入层和输出层的神经元选择sigmoid激活函数，两个隐含层的神经元选择sigmoid和tanh激活函数。对输出层得到的数据进行反归一化处理，得到预测的平滑电机需求功率。LSTM神经网络模型的预测过程由下式表示：
其中，
为k时间步预测的电机需求功率序列；
为k时间步输入的电机历史需求功率序列；h为输入历史序列的长度；p为预测域的大小。
所述的短期功率平滑预测方法，在离线训练阶段，应采用若干个驾驶循环电机需求功率数据作为训练集，得到训练好的功率预测模型。
第三步，采用模型预测控制进行能量分配。
结合里程自适应参考荷电状态即SOC和第二步得到的预测时域内需求功率序列，建立多目标成本函数，在预测时域内采用动态规划算法求解出最优控制变量序列，将该序列第一个值施加到动力系统模型中完成能量分配，下一时刻重复上述步骤。
所述模型预测控制的控制时域的长度设置为与预测时域一致，采样步长Δt。在第k时间步的有限时域内求解时，假设控制时域内的动力电池开路电压和内阻不变，与第k时间步时的值相等。
第k时间步的控制变量u(k)和状态变量s(k)表示为：
u(k)＝ΔPstack(k)
s(k)＝[Pstack(k),SOC(k)]
式中，ΔPstack(k)为燃料电池电堆输出功率变化量；Pstack(k)为燃料电池电堆输出功率；SOC(k)为动力电池SOC。
所述的多目标成本函数为：在第k时间步时构建的考虑氢耗成本、动力源寿命衰减成本和SOC维持的多目标成本函数。控制时域内的多目标成本函数构建为：
式中，
为燃料电池氢气消耗成本；
为动力电池实时等效氢耗成本；Cfc,deg(k)为燃料电池寿命衰减成本；Cbat,deg(k)为动力电池寿命衰减成本；LSOC(k)为SOC维持惩罚项。
多目标成本函数中第一项为氢气消耗成本，计算如下：
其中，Pstack(k+t)为电堆输出功率；ηstack(k+t)为电堆效率；
为氢气热值；
为市场氢气单价。
控制时域内的动力电池实时等效氢耗成本
计算如下：
其中，ΔSOC(k+t)为动力电池SOC变化量；Qbat为动力电池标称容量；ηaux_fcs(k+t)为附件效率。
控制时域内的燃料电池寿命衰减成本项Cfc,deg(k)计算如下：
其中，ΔUcell为燃料电池单体电压衰减值；UEol,stack为燃料电池寿命终止时的单体电压衰减值；pricestack为燃料电池电堆价格；
为燃料电池电堆的最大输出功率。ΔUcell的计算模型如下：
式中，Nstart-stop为燃料电池电堆启停循环的次数；Thigh为高功率工况的持续时间；Tidling为怠速工况的持续时间；Nchange为载荷变化量；kstart-stop,khigh,kidling,kchange分别为启停、高功率、怠速和变载工况下的燃料电池单体电压衰减率。
控制时域内的动力电池寿命衰减成本Cbat,deg(k)计算如下：
其中，NEol,bat为动力电池充放电循环次数，直至其动力电池健康状态即SOH衰减到80％，由动力电池厂家提供；pricebat为动力电池的价格。
控制时域内设置的SOC维持惩罚项，计算如下：
其中，αSOC为动力电池SOC维持系数；SOCref(k)为第k时间步控制时域内的动力电池SOC参考目标值。设置SOC维持项的目的是使SOC尽量保持沿预设轨迹下降。通过设置合理的SOC维持系数αSOC，实现SOC随里程自适应消耗的同时，降低总运营成本。
所述里程自适应参考SOC的计算方法如下。实际公交车行驶时，在第k时间步的参考SOC由下式确定：
SOCref(k)＝SOCini-β(k)·(SOCini-SOCtar)
式中，SOCini、SOCfin分别为驾驶循环的起始SOC和终止SOC；β(k)为里程跟随系数；s(k)为第k时间步已行驶的里程数，s0为公交车路线全长。
为保证模型预测控制执行的有效性，在每个控制时域内使用动态规划算法求解最优序列时，设置约束条件如下：
其中，
分别为燃料电池工作时电堆升降功率速度的最小值和最大值；SOCmin,SOCmax分别为动力电池工作时SOC的最小值和最大值；Ibat(k)为动力电池的电流；SOCini为动力电池初始SOC；
分别为燃料电池工作时电堆输出功率的最小值和最大值。
通过模型预测控制在第k控制时域内可实现能量的分配决策，当预测时域内的求解完成后，将最优控制序列的第一个值施加到动力系统模型中进行状态更新，进行下一步求解。车辆在运行过程中，能量流动关系式如下：
Pbat(k)+Pstack(k)·ηaux_fcs(k)＝Pmotor(k)+Paux_veh
式中，Pbat(k),Pstack(k),Pmotor(k)分别为第k时间步动力电池输出功率、燃料电池电堆输出功率和电机需求功率；ηaux_fcs(k)为第k时间步燃料电池系统附件效率；Paux_veh为车辆附件功率。因此，控制每一步的燃料电池功率变化量，即得到每一步的燃料电池电堆输出功率，进而由车辆能量流动公式得到动力电池输出功率，更新动力电池SOC，进行下一时间步的求解。
进一步地，所述固定采样时间间隔Δt为0.5-2秒。
与现有技术相比，本发明的有益成果是：
1、本发明提出以电机输出功率为工况表征，并采用一阶指数平滑和LSTM神经网络结合的方法进行短期功率平滑预测，有利于减小电机需求功率计算误差，降低系统能耗；
2、本发明建立了综合氢气消耗、动力源寿命、SOC消耗轨迹维持的多目标成本函数，有利于提高燃料电池耐久性，降低车辆运营成本。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合附图详细叙述本发明的具体实施方式。
本发明提供了一种基于短期需求功率平滑预测的燃料电池公交车能量管理控制方法，具体步骤如图1所示，具体实施例如下：
第一步，从车辆CAN总线中采集实际公交驾驶工况的电机需求功率数据。
在本发明实施例中，定义公交线路的两站点之间的行程为1个驾驶循环，并按固定采样时间间隔Δt＝1s采集32次驾驶循环的实际电机需求功率数据。
第二步，进行短期需求功率平滑预测。
对采集的历史需求功率曲线进行平滑处理，再利用功率预测模型对未来短期电机需求功率进行预测。
所述的功率平滑处理方法是采用的一阶指数平滑法，驾驶循环中t时刻平滑后的电机需求功率计算公式如下：
其中，Pmotor(t)为t时刻的实际电机需求功率；
分别为t时刻及其上一时刻的电机需求功率的平滑结果；κ为平滑系数，是历史数据与当前时刻数据在平滑中的分配比值，其值介于0和1之间，本发明实施例中，平滑系数κ＝0.01。
所述的功率预测模型是LSTM神经网络模型。在使用LSTM神经网络模型之前，需要将平滑后的电机需求功率进行归一化处理，限制数据范围。
在本发明实施例中，采用的归一化公式为：
其中，x为需要归一化的数据；
为归一化后得到的数据；xmax,xmax为序列最大值和最小值。归一化后的数据范围为[-1,1]。
LSTM神经网络模型为双层模型，输入层和输出层的神经元选择sigmoid激活函数，两个隐含层的神经元选择sigmoid和tanh激活函数。对输出层得到的数据进行反归一化处理，得到预测的平滑电机需求功率。LSTM神经网络模型的预测过程由下式表示：
其中，
为k时间步预测的电机需求功率序列；
为k时间步输入的历史需求功率序列；h为输入历史序列的长度；p为预测域的大小。本发明实施例中，h取值为10，p取值为5。
所述的短期功率平滑预测方法，在离线训练阶段，本发明实施例采用20个驾驶循环电机需求功率数据作为训练集，得到训练好的功率预测模型。
第三步，采用模型预测控制进行能量分配。
结合里程自适应参考荷电状态SOC和第二步得到的预测时域内需求功率序列，建立多目标成本函数，在预测时域内采用动态规划算法求解出最优控制变量序列，将该序列第一个值施加到动力系统模型中完成能量分配，下一时刻重复上述步骤。
所述模型预测控制的控制时域的长度设置为与预测时域一致，采样步长Δt为1秒。在第k时间步的有限时域内求解时，假设控制时域内的动力电池开路电压和内阻不变，与第k时间步时的值相等。
k时刻的控制变量u(k)和状态变量s(k)表示为：
u(k)＝ΔPstack(k)
s(k)＝[Pstack(k),SOC(k)]
式中，ΔPstack(k)为燃料电池电堆输出功率变化量；Pstack(k)为燃料电池电堆输出功率；SOC(k)为动力电池荷电状态SOC。
所述的多目标成本函数为：在第k时间步时构建的考虑氢耗成本、动力源寿命衰减成本和SOC维持的多目标成本函数。控制时域内的多目标成本函数构建为：
式中，
为燃料电池氢气消耗成本；
为动力电池实时等效氢耗成本；Cfc,deg(k)为燃料电池寿命衰减成本；Cbat,deg(k)为动力电池寿命衰减成本；LSOC(k)为SOC维持惩罚项。
本发明实施例中，多目标成本函数中第一项为氢气消耗成本，计算如下：
其中，Pstack(k+t)为电堆输出功率；ηstack(k+t)为电堆效率；
为氢气热值，氢气高热值为1.43×105J/g，低热值为1.20×105J/g；
为市场氢气单价，取值为60￥/kg。
控制时域内的动力电池实时等效氢耗成本
计算如下：
其中，ΔSOC(k+t)为动力电池SOC变化量；Qbat为动力电池标称容量，取值为173kWh；ηaux_fcs(k+t)为附件效率。
控制时域内的燃料电池寿命衰减成本项Cfc,deg(k)计算如下：
其中，ΔUcell为燃料电池单体电压衰减值；UEol,stack为燃料电池寿命终止时的单体电压衰减值，取值为60000μV；pricestack为燃料电池电堆价格，取值为6150￥/kW；
为燃料电池电堆的最大输出功率，取值为65kW。ΔUcell的计算模型如下：
式中，Nstart-stop为燃料电池电堆启停循环的次数(cycle)；Thigh为高功率工况
的持续时间(s)；Tidling为怠速工况
的持续时间(s)；Nchange为载荷变化量(ΔkW)；kstart-stop,khigh,kidling,kchange分别为启停、高功率、怠速和变载工况下的燃料电池单体电压衰减率，取值分别为13.79μV/cycle,10.00μV/h,8.662μV/h,0.0441μV/ΔkW。
控制时域内的动力电池寿命衰减成本Cbat,deg(k)计算如下：
其中，NEol,bat为动力电池充放电循环次数，直至其动力电池健康状态SOH衰减到80％，由动力电池厂家提供，取值为3000；pricebat为动力电池的价格，取值为1200￥/kWh。
控制时域内设置了SOC维持惩罚项，计算如下：
其中，αSOC为动力电池SOC维持系数；SOCref(k)为第k时间步控制时域内的动力电池SOC参考目标值。设置SOC维持项的目的是使SOC尽量保持沿预设轨迹下降。通过设置合理的SOC维持系数αSOC，实现SOC随里程自适应消耗的同时，降低总运营成本。本发明实施例中，αSOC＝1。
所述里程自适应参考荷电状态SOC的计算方法如下。实际公交车行驶时，在第k时间步的参考SOC由下式确定：
SOCref(k)＝SOCini-β(k)·(SOCini-SOCtar)
式中，SOCini、SOCfin分别为驾驶循环的起始SOC和终止SOC，取值分别为0.9和0.45；β(k)为里程跟随系数；s(k)为第k时间步已行驶的里程数，s0为公交车路线全长，取值为32.8km。
为保证模型预测控制执行的有效性，在每个控制时域内使用动态规划算法求解最优序列时，设置约束条件如下：
其中，
分别为燃料电池工作时电堆升降功率速度的最小值和最大值，取值为-1kW/s和0.1kW/s；SOCmin,SOCmax分别为动力电池工作时SOC的最小值和最大值,取值为0.45和0.9；Ibat(k)为动力电池的电流；SOCini为动力电池初始SOC，其值为0.9；
分别为燃料电池工作时电堆输出功率的最小值和最大值，取值为3kW和65kW。
通过模型预测控制在第k控制时域内可实现能量的分配决策，当预测时域内的求解完成后，将最优控制序列的第一个值施加到动力系统模型中进行状态更新，进行下一步求解。车辆在运行过程中，能量流动关系式如下：
Pbat(k)+Pstack(k)·ηaux_fcs(k)＝Pmotor(k)+Paux_veh
式中，Pbat(k),Pstack(k),Pmotor(k)分别为第k时间步动力电池输出功率、燃料电池电堆输出功率和电机需求功率；ηaux_fcs(k)为第k时间步燃料电池系统附件效率；Paux_veh为车辆附件功率，取值为4kW。因此，控制每一步的燃料电池功率变化量，即得到每一步的燃料电池电堆输出功率，进而由车辆能量流动公式得到动力电池输出功率，更新动力电池SOC，进行下一时间步的求解。
本发明实施例中，在随机选取的5个驾驶循环组成的组合驾驶循环仿真实验下，相较于实车使用的基于规则的能量管理方法，本发明提出的方法使总氢气消耗量由6283.9g降至5743.9g，减少了8.6％，有效降低了系统能耗；使燃料电池单体电压衰减由279.9μV降至121.7μV，减少了56.5％，有效提高了燃料电池耐久性；使车辆总运营成本由￥683.6降至￥487.8，减小了28.6％，有效降低了车辆运营成本。
本发明不局限于本实施例，任何在本发明披露的技术范围内的等同构思或者改变，均列为本发明的保护范围。
Claims (2)
1.一种基于短期功率平滑预测的燃料电池公交车能量管理方法，其特征在于：包括下列步骤：
第一步，从车辆控制器局域网络总线即CAN总线中采集实际公交驾驶工况的电机需求功率数据；
定义公交线路的两站点之间的行程为1个驾驶循环，并按固定采样时间间隔Δt采集多次驾驶循环的实际电机需求功率数据；
第二步，进行短期需求功率平滑预测；
对采集的历史需求功率曲线进行平滑处理，再利用功率预测模型对未来短期电机需求功率进行预测；
所述的功率曲线平滑处理方法是采用的一阶指数平滑法，驾驶循环中t时刻平滑后的电机需求功率计算公式如下：
其中，Pmotor(t)为t时刻的实际电机需求功率；
分别为t时刻及其上一时刻的电机需求功率的平滑结果；κ为平滑系数，是历史数据与当前时刻数据在平滑中的分配比值，其值介于0和1之间；
所述的功率预测模型是长短时记忆神经网络模型即LSTM神经网络模型；在使用LSTM神经网络模型之前，将平滑后的电机需求功率进行归一化处理，限制数据范围；LSTM神经网络模型为双层模型，输入层和输出层的神经元选择sigmoid激活函数，两个隐含层的神经元选择sigmoid和tanh激活函数；对输出层得到的数据进行反归一化处理，得到预测的平滑电机需求功率；LSTM神经网络模型的预测过程由下式表示：
其中，
为k时间步预测的电机需求功率序列；
为k时间步输入的电机历史需求功率序列；h为输入历史序列的长度；p为预测域的大小；
所述的短期功率平滑预测方法，在离线训练阶段，应采用若干个驾驶循环电机需求功率数据作为训练集，得到训练好的功率预测模型；
第三步，采用模型预测控制进行能量分配；
结合里程自适应参考荷电状态即SOC和第二步得到的预测时域内需求功率序列，建立多目标成本函数，在预测时域内采用动态规划算法求解出最优控制变量序列，将该序列第一个值施加到动力系统模型中完成能量分配，下一时刻重复上述步骤；
所述模型预测控制的控制时域的长度设置为与预测时域一致，采样步长Δt；在第k时间步的有限时域内求解时，假设控制时域内的动力电池开路电压和内阻不变，与第k时间步时的值相等；
第k时间步的控制变量u(k)和状态变量s(k)表示为：
u(k)＝ΔPstack(k)
s(k)＝[Pstack(k),SOC(k)]
式中，ΔPstack(k)为燃料电池电堆输出功率变化量；Pstack(k)为燃料电池电堆输出功率；SOC(k)为动力电池SOC；
所述的多目标成本函数为：在第k时间步时构建的考虑氢耗成本、动力源寿命衰减成本和SOC维持的多目标成本函数；控制时域内的多目标成本函数构建为：
式中，
为燃料电池氢气消耗成本；
为动力电池实时等效氢耗成本；Cfc,deg(k)为燃料电池寿命衰减成本；Cbat,deg(k)为动力电池寿命衰减成本；LSOC(k)为SOC维持惩罚项；
多目标成本函数中第一项为氢气消耗成本，计算如下：
其中，Pstack(k+t)为电堆输出功率；ηstack(k+t)为电堆效率；
为氢气热值；
为市场氢气单价；
控制时域内的动力电池实时等效氢耗成本
计算如下：
其中，ΔSOC(k+t)为动力电池SOC变化量；Qbat为动力电池标称容量；ηaux_fcs(k+t)为附件效率；
控制时域内的燃料电池寿命衰减成本项Cfc,deg(k)计算如下：
其中，ΔUcell为燃料电池单体电压衰减值；UEol,stack为燃料电池寿命终止时的单体电压衰减值；pricestack为燃料电池电堆价格；
为燃料电池电堆的最大输出功率；ΔUcell的计算模型如下：
式中，Nstart-stop为燃料电池电堆启停循环的次数；Thigh为高功率工况的持续时间；Tidling为怠速工况的持续时间；Nchange为载荷变化量；kstart-stop,khigh,kidling,kchange分别为启停、高功率、怠速和变载工况下的燃料电池单体电压衰减率；
控制时域内的动力电池寿命衰减成本Cbat,deg(k)计算如下：
其中，NEol,bat为动力电池充放电循环次数，直至其动力电池健康状态即SOH衰减到80％，由动力电池厂家提供；pricebat为动力电池的价格；
控制时域内设置的SOC维持惩罚项，计算如下：
其中，αSOC为动力电池SOC维持系数；SOCref(k)为第k时间步控制时域内的动力电池SOC参考目标值；设置SOC维持项的目的是使SOC尽量保持沿预设轨迹下降；通过设置合理的SOC维持系数αSOC，实现SOC随里程自适应消耗的同时，降低总运营成本；
所述里程自适应参考SOC的计算方法如下；实际公交车行驶时，在第k时间步的参考SOC由下式确定：
SOCref(k)＝SOCini-β(k)·(SOCini-SOCtar)
式中，SOCini、SOCfin分别为驾驶循环的起始SOC和终止SOC；β(k)为里程跟随系数；s(k)为第k时间步已行驶的里程数，s0为公交车路线全长；
为保证模型预测控制执行的有效性，在每个控制时域内使用动态规划算法求解最优序列时，设置约束条件如下：
其中，
分别为燃料电池工作时电堆升降功率速度的最小值和最大值；SOCmin,SOCmax分别为动力电池工作时SOC的最小值和最大值；Ibat(k)为动力电池的电流；SOCini为动力电池初始SOC；
分别为燃料电池工作时电堆输出功率的最小值和最大值；
通过模型预测控制在第k控制时域内可实现能量的分配决策，当预测时域内的求解完成后，将最优控制序列的第一个值施加到动力系统模型中进行状态更新，进行下一步求解；车辆在运行过程中，能量流动关系式如下：
Pbat(k)+Pstack(k)·ηaux_fcs(k)＝Pmotor(k)+Paux_veh
式中，Pbat(k),Pstack(k),Pmotor(k)分别为第k时间步动力电池输出功率、燃料电池电堆输出功率和电机需求功率；ηaux_fcs(k)为第k时间步燃料电池系统附件效率；Paux_veh为车辆附件功率；因此，控制每一步的燃料电池功率变化量，即得到每一步的燃料电池电堆输出功率，进而由车辆能量流动公式得到动力电池输出功率，更新动力电池SOC，进行下一时间步的求解。
2.根据权利要求1所述一种基于短期功率平滑预测的燃料电池公交车能量管理方法，其特征在于：所述固定采样时间间隔Δt为0.5-2秒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210869006.7A CN115230485B (zh) | 2022-07-22 | 2022-07-22 | 基于短期功率平滑预测的燃料电池公交车能量管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210869006.7A CN115230485B (zh) | 2022-07-22 | 2022-07-22 | 基于短期功率平滑预测的燃料电池公交车能量管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115230485A true CN115230485A (zh) | 2022-10-25 |
| CN115230485B CN115230485B (zh) | 2024-08-09 |
Family
ID=83675496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210869006.7A Active CN115230485B (zh) | 2022-07-22 | 2022-07-22 | 基于短期功率平滑预测的燃料电池公交车能量管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115230485B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115946563A (zh) * | 2023-03-13 | 2023-04-11 | 山东理工大学 | 充电堆功率动态分配策略优化方法、系统、终端及介质 |
| CN117094704A (zh) * | 2023-10-17 | 2023-11-21 | 江苏靖江互感器股份有限公司 | 备份式互感器管理方法、装置和电子设备 |
| CN117236082A (zh) * | 2023-11-15 | 2023-12-15 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
| CN118640562A (zh) * | 2024-08-09 | 2024-09-13 | 南京寻优能源技术有限公司 | 基于神经网络与mpc算法的洁净空调控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109895760A (zh) * | 2019-04-03 | 2019-06-18 | 大连理工大学 | 基于soc参考轨迹的插电式混合动力汽车能量管理方法 |
| CN112776673A (zh) * | 2020-12-06 | 2021-05-11 | 吉林大学 | 智能网联燃料电池汽车实时能量优化管理系统 |
| CN112926211A (zh) * | 2021-03-09 | 2021-06-08 | 吉林大学 | 一种基于工况预测的燃料电池汽车能量管理优化方法 |
| WO2021239402A1 (de) * | 2020-05-25 | 2021-12-02 | Zf Friedrichshafen Ag | Computerimplementiertes verfahren zum optimieren eines ladungszustandsverlaufs eines hybrid-elektro-fahrzeuges und steuergerät, computerprogramm, computerlesbarer datenträger und datenträgersignal zum regeln/und oder steuern eines hybrid-elektro-fahrzeuges |
| CN114506250A (zh) * | 2022-03-10 | 2022-05-17 | 厦门金龙联合汽车工业有限公司 | 一种基于运营数据的燃料电池汽车工况自适应控制方法 |
-
2022
- 2022-07-22 CN CN202210869006.7A patent/CN115230485B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109895760A (zh) * | 2019-04-03 | 2019-06-18 | 大连理工大学 | 基于soc参考轨迹的插电式混合动力汽车能量管理方法 |
| WO2021239402A1 (de) * | 2020-05-25 | 2021-12-02 | Zf Friedrichshafen Ag | Computerimplementiertes verfahren zum optimieren eines ladungszustandsverlaufs eines hybrid-elektro-fahrzeuges und steuergerät, computerprogramm, computerlesbarer datenträger und datenträgersignal zum regeln/und oder steuern eines hybrid-elektro-fahrzeuges |
| CN112776673A (zh) * | 2020-12-06 | 2021-05-11 | 吉林大学 | 智能网联燃料电池汽车实时能量优化管理系统 |
| CN112926211A (zh) * | 2021-03-09 | 2021-06-08 | 吉林大学 | 一种基于工况预测的燃料电池汽车能量管理优化方法 |
| CN114506250A (zh) * | 2022-03-10 | 2022-05-17 | 厦门金龙联合汽车工业有限公司 | 一种基于运营数据的燃料电池汽车工况自适应控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 连静;常静;李琳辉;周雅夫;吕仁志;黄海洋;郑宁安;: "基于模糊在线识别的并联混合动力客车自适应控制策略", 北京理工大学学报, no. 03, 15 March 2016 (2016-03-15) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115946563A (zh) * | 2023-03-13 | 2023-04-11 | 山东理工大学 | 充电堆功率动态分配策略优化方法、系统、终端及介质 |
| CN115946563B (zh) * | 2023-03-13 | 2023-05-16 | 山东理工大学 | 充电堆功率动态分配策略优化方法、系统、终端及介质 |
| CN117094704A (zh) * | 2023-10-17 | 2023-11-21 | 江苏靖江互感器股份有限公司 | 备份式互感器管理方法、装置和电子设备 |
| CN117094704B (zh) * | 2023-10-17 | 2024-01-30 | 江苏靖江互感器股份有限公司 | 备份式互感器管理方法、装置和电子设备 |
| CN117236082A (zh) * | 2023-11-15 | 2023-12-15 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
| CN117236082B (zh) * | 2023-11-15 | 2024-01-23 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
| CN118640562A (zh) * | 2024-08-09 | 2024-09-13 | 南京寻优能源技术有限公司 | 基于神经网络与mpc算法的洁净空调控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115230485B (zh) | 2024-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115230485B (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 | |
| CN110775065B (zh) | 一种基于工况识别的混合动力汽车电池寿命预测方法 | |
| CN112036603B (zh) | 一种基于双堆燃料电池的混合储能系统能量管理策略 | |
| CN105416077B (zh) | 一种电动汽车的能量管理系统及管理方法 | |
| Wegmann et al. | Optimized operation of hybrid battery systems for electric vehicles using deterministic and stochastic dynamic programming | |
| CN112434463B (zh) | 一种车辆复合电源能量管理系统 | |
| CN109591659B (zh) | 一种智能学习的纯电动汽车能量管理控制方法 | |
| CN110254418A (zh) | 一种混合动力汽车增强学习能量管理控制方法 | |
| 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 | |
| CN113815437B (zh) | 燃料电池混合动力汽车的预测性能量管理方法 | |
| CN112757922B (zh) | 一种车用燃料电池混合动力能量管理方法及系统 | |
| Zhou et al. | Online energy management strategy of fuel cell hybrid electric vehicles based on time series prediction | |
| 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 | |
| CN113479186B (zh) | 一种混合动力汽车能量管理策略优化方法 | |
| CN112319462B (zh) | 一种插电式混合动力汽车能量管理方法 | |
| CN111736462B (zh) | 一种燃料电池汽车最优氢耗控制方法 | |
| CN115416503A (zh) | 基于智能网联的燃料电池混合动力汽车能量管理方法 | |
| CN115027290A (zh) | 一种基于多目标优化的混合动力汽车跟车能量管理方法 | |
| CN116834613B (zh) | 一种动力电池辅助的氢燃料电池汽车系统能量管理方法 | |
| CN115392588A (zh) | 一种全生命周期的电动汽车碳排放预测方法以及装置 | |
| Halima et al. | Energy management of parallel hybrid electric vehicle based on fuzzy logic control strategies | |
| CN110466388B (zh) | 一种复合储能电动汽车能量管理方法 | |
| CN116811836A (zh) | 基于双延迟q学习的插电式混合动力汽车能量管理方法 | |
| Xu et al. | Energy management optimization in consideration of battery deterioration for commuter plug-in hybrid electric vehicle | |
| Song et al. | Degree of hybridization design for a fuel cell/battery hybrid electric vehicle based on multi-objective particle swarm optimization |
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 |