CN115416503A - 基于智能网联的燃料电池混合动力汽车能量管理方法 - Google Patents

基于智能网联的燃料电池混合动力汽车能量管理方法 Download PDF

Info

Publication number
CN115416503A
CN115416503A CN202211135272.3A CN202211135272A CN115416503A CN 115416503 A CN115416503 A CN 115416503A CN 202211135272 A CN202211135272 A CN 202211135272A CN 115416503 A CN115416503 A CN 115416503A
Authority
CN
China
Prior art keywords
fuel cell
soc
power
output power
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.)
Pending
Application number
CN202211135272.3A
Other languages
English (en)
Inventor
隋振
王思雨
马彦
高金武
胡云峰
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202211135272.3A priority Critical patent/CN115416503A/zh
Publication of CN115416503A publication Critical patent/CN115416503A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • B60L50/75—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using propulsion power supplied by both fuel cells and batteries
    • 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
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/40—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for controlling a combination of batteries and fuel cells
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Fuel Cell (AREA)

Abstract

一种基于智能网联的燃料电池混合动力汽车能量管理方法，属于新能源汽车电源技术领域。本发明的目的是通过远程监控中心采集车辆信息和交通信息，并设计了基于径向基神经网络预测器，利用车联网获得的车辆信息和交通信息来预测未来短期驾驶行为的基于智能网联的燃料电池混合动力汽车能量管理方法。本发明的步骤是设计径向基神经网络车速预测器，建立面向控制的燃料电池汽车动力系统模型，建立能量优化管理方法。本发明有效结合了智能网联车速预测信息，具备高度融合的行驶环境信息、及高效优化算法的能量管理策更能适应复杂多变的工况环境，提升了实际应用潜力。

Description

基于智能网联的燃料电池混合动力汽车能量管理方法
技术领域
本发明属于新能源汽车电源技术领域。
背景技术
随着环境不断恶化和能源短缺问题日益严重，开发智能网联新能源汽车是实现节能减排、提升车辆性能和促进汽车产业转型升级的必然趋势，是目前全球汽车厂商和科研机构关注的热点。而以质子交换膜燃料电池为动力源的燃料电池汽车，相比传统的内燃机汽车，具有零排放、工作温度低、效率高、功率密度高和行驶里程长等优点，质子交换膜燃料电池也被认为是新能源汽车最有前途的动力来源。
车辆运行过程中频繁变化的工况是车用燃料电池寿命衰减的主要原因，由于其瞬态响应缓慢，不能满足快速的功率变化需求，燃料电池混合动力汽车的动力系统往往配备锂离子电池作为辅助能源。一方面燃料电池作为新能源汽车主要的能量来源，可以平稳输出电能，锂离子电池则在需求功率有较大变化时起到削峰填谷的作用，缓解燃料电池在动态工况下的压力。另一方面还能吸收车辆制动过程的能量，提高燃料电池汽车的耐久性与经济性。
由于燃料电池内部存在着欧姆极化、活化极化和浓差极化现象，会导致较大的电压损失，其工作效率随功率的增加呈现先上升后下降的趋势，所以需要设计能量管理方法分配动力源的输出功率，使燃料电池尽可能工作在高效率区间。而传统的能量管理方法在优化目标的设计上并没有从经济性的角度去设计能量管理方法，往往只考虑了约束锂电池SOC(State of Charge)在合理范围内，没有对燃料电池输出功率进行约束，燃料电池输出效率低，增加不必要的氢气消耗量。所以需要设计合理的能量管理方法，在各动力源之间优化分配所需的能量，提升燃料经济性。随着新一代移动互联网技术的发展，车与人、车以及后台等智能信息实现了交换共享，获取的道路交通信息为解决混合动力汽车能量管理最优控制问题提供了可能，有预见性的对燃料电池汽车进行能量优化管理，能够为车辆的燃料经济性提供更大的提升空间。
专利CN111002873A公开了一种基于规则的瞬时燃料电池汽车能量管理方法，该发明根据当前车辆的行驶需求功率，结合动力电池的电量状态制定了燃料电池和动力电池的功率分配策略。但是，该发明只能根据当前的车辆状态对能量分配进行决策，无法让燃料电池和动力电池的工作效率达到最优。
专利CN113002370A公开了一种燃料电池汽车实时能量管理控制方法，该发明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，但是每一瞬时的最优值并不能保证车辆在整个循环工况下内均保持最优的工作状态，车辆的节能潜力没有得到充分挖掘。
专利CN113752920A公开了一种基于动态规划的全局优化方法，该发明解决了现有技术未考虑燃料电池的最优运行特性导致整车的燃料经济性较差的问题。但是在解决长时间行驶的能源管理问题时，需要巨大的计算强度，且不能在线应用，在面对未知的复杂交通环境下有较大的应用局限性。
综上所述，虽然目前公开的专利已经涉及了一些燃料电池混合动力汽车能量管理方法，基于规则的方法在实际应用中面对不同工况适应性差，很难制定出能够适应所有工况的规则，并且不能保证最佳性能的实现。基于优化的方法，例如动态规划算法可以获得最优的燃料经济性，所要用到的算法计算量大，需要提前知道完整的工况信息，且只能离线运算。
发明内容
本发明的目的是通过远程监控中心采集车辆信息和交通信息，并设计了基于径向基神经网络预测器，利用车联网获得的车辆信息和交通信息来预测未来短期驾驶行为的基于智能网联的燃料电池混合动力汽车能量管理方法。
本发明的步骤是：
S1、设计径向基神经网络车速预测器
隐藏层和输出层的激励函数定义如下：
Figure BDA0003851723650000021
其中，a为输入层信号，aj是第j个激励函数的中心，σ为扩展宽度，wj为连接权向量；将历史车速信息作为输入
Vhis＝Vt-k,Vt-k+1,...,Vt (2)
输出的未来车速
Vfut＝h(Vhis)＝Vt+1,Vt+2,...,Vt+k (3)
其中，Vhis表示历史速度序列，Vfut为预测速度序列，h(Vhis)为径向基神经网络内部的函数关系，k为预测长度；
S2、建立面向控制的燃料电池汽车动力系统模型
行驶过程中的路面需求驱动功率
Figure BDA0003851723650000031
其中，m为汽车的半载质量，f为车轮滚阻系数，θ为行驶路面坡度，A为迎风面积，Cd为空气阻力系数，ρ为空气密度，α表示道路的倾斜角，v为行驶车速，δ为旋转质量转换系数，g为重力加速度；
根据路面需求功率得出需求功率，因此总线上的需求功率表示为
Figure BDA0003851723650000032
其中，ηmotor表示电机的效率，ηDC/AC表示DC/AC变换器的效率；
动力源系统需要输出的功率为
Pdemand＝Pfc+Pb (6)
其中，Pfc为燃料电池输出功率，Pb为锂电池输出功率；
氢气消耗率
Figure BDA0003851723650000033
与输出功率的关系为
Figure BDA0003851723650000034
其中，ηfc为燃料电池效率，
Figure BDA0003851723650000035
为氢气的低热值；
锂电池SOC动态方程表示为
Figure BDA0003851723650000036
其中，Ib为电池的电流，Pb为电池的功率，Rb为电池的内阻，Voc为电池的开路电压，Q为锂电池的容量；
S3、建立能量优化管理方法
在建立能量优化管理方法时，首先基于极小值原理建立燃料电池能量管理优化问题，目标函数是使整个过程中氢气消耗最小，获得最优经济性，因此在时长为[t0,tf]的循环工况下的目标函数J表示为
Figure BDA0003851723650000041
公式(8)锂电池SOC动态方程写成
Figure BDA0003851723650000042
约束燃料电池的最大输出功率和输出功率变化率如下
Figure BDA0003851723650000043
其中，Pfc,min为燃料电池最小输出功率，Pfc,max为燃料电池最大输出功率，ΔPfc为输出功率变化率，Pb,min为锂电池最小输出功率，Pb,max为锂电池最大输出功率；
根据径向基神经网络车速预测得到的预测结果，在每个预测长度内状态变量SOC需要满足边界条件
Figure BDA0003851723650000044
其中，SOCref为电池SOC参考值，锂离子电池SOC限制在最小值SOCmin为0.4和最大值SOCmax为0.8之间，初始值SOC(t0)和终值SOC(tfinal)均为0.6，所以哈密顿函数表示为
Figure BDA0003851723650000045
其中，λ(t)被称为协态变量，代表着氢气消耗和电量消耗的等效因子，引入的S和L为惩罚函数；
在行驶过程中要求控制变量Pfc使哈密顿哈函数取最小值实现最小化氢气消耗量，因此燃料电池的最优输出功率
Figure BDA0003851723650000046
表示为
Figure BDA0003851723650000047
在每个预测长度内满足以下必要条件
Figure BDA0003851723650000051
SOC初末状态差值需要满足在如下范围内
|SOC(tfinal)-SOC(t0)|≤0.005 (16)
对SOC的末端边界误差值进行判断后，若误差在设定的范围内则结束，否则需要重新输入协态变量初始值，并在协态变量λ设定的取值范围内通过二分法来确定在误差允许范围内协态变量的值，全部完成后即得到最优的控制输入序列；最后将求解得到的控制输入序列信号传递至燃料电池汽车的功率执行控制单元。
本发明有益效果为：
1.本发明提出了一种在网联环境下综合考虑锂电池SOC、燃料电池的经济性和效率的多约束优化的能量管理方法。通过加入惩罚函数提高燃料电池的耐久性，快速高效的求解燃料电池与动力电池的输出功率，实现更好的能量分配效果，从而提升燃料经济性，稳定电池充放电状态轨迹，提升燃料电池混合动力汽车运行的安全性和稳定性，降低平均燃料电池功率变化，实现极小值原理的在线应用，大幅度提升能量管理效率。
2.提出了一种基于智能网联的燃料电池混合动力汽车能量管理方法，设计径向基神经网络车速预测器，利用车联网获得的车辆信息和交通信息来预测未来的短期驾驶行为，与传统方法假设车辆匀速运动对比，本发明预测出的车速更贴近实际的车速，能量管理方法据此求解出的能量分配结果也具备更好的性能。
3.针对优化算法的最优性与适应性的问题，将径向基神经网络车速预测器与极小值原理结合，有效结合了智能网联车速预测信息，具备高度融合的行驶环境信息、及高效优化算法的能量管理策更能适应复杂多变的工况环境，提升了实际应用潜力。
附图说明
图1是混合动力系统的拓扑结构图；
图2是本发明实施框图；
图3是径向基神经网络车速预测原理图；
图4是径向基神经网络驾驶训练库图；
图5是径向基神经网络车速预测结果图；
图6是基于智能网联的极小值原理的方法功率分配关系图；
图7是不同方法的电池SOC轨迹的比较图；
图8是不同方法的氢气消耗量对比图。
具体实施方式
为了解决优化算法的实时性与节能效果的矛盾，进一步挖掘燃料电池汽车的节能潜力，设计一种结合智能网联的在线优化方法是目前亟待解决的问题。
本发明提出一种基于智能网联的燃料电池混合动力汽车在线能量管理方法，通过远程监控中心采集车辆信息和交通信息，并设计了基于径向基神经网络预测器，利用车联网获得的车辆信息和交通信息来预测未来的短期驾驶行为。庞德里亚金极小值根据车速预测结果，综合考虑了锂电池SOC，燃料电池的经济性和效率，通过更新协态变量对混合动力源进行能量分配。然后利用无线通信技术，将优化后的燃料电池和锂电池输出功率传递给燃料电池混合动力汽车，更新车辆状态，实现智能网联环境下的整车能量管理策略的优化。该方法不仅能够预测驾驶行为的变化，而且相比传统的离线极小值原理可以更合理地调整协态变量，实现更好的能量分配效果，从而提升燃料经济性，稳定电池充放电状态轨迹，提升燃料电池混合动力汽车运行的安全性和稳定性，降低平均燃料电池功率变化，实现极小值原理的在线应用，大幅度提升能量管理效率。
在燃料电池混合动力汽车内，燃料电池、锂离子电池和驱动电机间通过总线连接，本发明采用间接混动的方式，混动系统的拓扑结构如图1所示，燃料电池与动力电池分别通过单向DC/DC变换器和双向DC/DC变换器连接到电路总线，电路总线与电机之间通过双向DC/AC变换器连接，由电机驱动车轮旋转，为燃料电池混合动力汽车的行驶提供动力。
本发明基于智能网联的燃料电池混合动力汽车能量管理方法实施框图如图2所示。具体实施方式为：远程监控中心收集车辆运行数据、车辆运行状态，然后建立驾驶周期数据库时，采用标准驾驶周期组合作为训练数据库，充分考虑到日常交通状况包含多种工况信息，给径向基神经网络提供数据进行充分的训练学习，通过远程监控中心采集的过去40s的车速信息来预测未来40s的车速，速度预测器与极小值原理相结合，为协态变量的更新提供实时驾驶信息。然后根据汽车纵向行驶动力学、燃料电池电堆效率、电池SOC建立面向控制的燃料电池汽车动力系统模型，并设计实时能量优化管理方法，采用极小值原理在40s的预测域内解一个完整的优化问题。确定优化问题的约束条件，最后将得到的最优控制输入序列信号传递至燃料电池汽车的功率执行控制单元。对所设计的系统进行实验仿真，验证所设计的能量管理方法对于燃料电池汽车的节能效果。
具体步骤如下：
步骤一：设计径向基神经网络车速预测器
将联网获得的历史车速输入到基于径向基神经网络的车速预测模型中，得到未来一段时间的预测车速，径向基神经网络为传统的三层网络拓扑结构，其原理如图3所示，其中隐藏层和输出层的激励函数定义如下：
Figure BDA0003851723650000071
其中，a为输入层信号，aj是第j个激励函数的中心，σ为扩展宽度，wj为连接权向量。
利用径向基神经网络对车速进行预测，可为后期极小值原理在线应用做准备，本发明将历史车速信息作为输入，该预测过程如下
历史车速序列作为输入
Vhis＝Vt-k,Vt-k+1,...,Vt (2)
输出的未来车速
Vfut＝h(Vhis)＝Vt+1,Vt+2,...,Vt+k (3)
其中，Vhis表示历史速度序列，Vfut为预测速度序列，h(Vhis)为径向基神经网络内部的函数关系，k为预测长度。预测误差随着预测长度的增加而变大，这将使得在预测域中找到的协态变量远离实际的最佳协态，较短的预测长度将限制电池的使用，因为在预测长度中会维持电荷在设定值附近。因此，速度预测长度的选择是一个折中的过程。在本发明中，选择40s作为速度预测长度。
步骤二：建立面向控制的燃料电池汽车动力系统模型
根据汽车的驱动力和行驶过程中的车速，可以得出行驶过程中的路面需求驱动功率
Figure BDA0003851723650000072
其中，m为汽车的半载质量，f为车轮滚阻系数，θ为行驶路面坡度，A为迎风面积，Cd为空气阻力系数，ρ为空气密度，α表示道路的倾斜角，v为行驶车速，δ为旋转质量转换系数，g为重力加速度。
路面需求驱动功率由总线提供，根据路面需求功率可进一步求出总线上的需求功率，因此总线上的需求功率可以表示为
Figure BDA0003851723650000073
其中，ηmotor表示电机的效率，ηDC/AC表示DC/AC变换器的效率。
动力源系统需要输出的功率为
Pdemand＝Pfc+Pb (6)
其中，Pfc为燃料电池输出功率，Pb为锂电池输出功率。
燃料电池氢气消耗率和燃料电池输出功率的对应关系是关于燃料电池系统在输出不同功率下相对应所消耗的氢气率的多少，其直接影响到能量分配策略的制定，氢气消耗率
Figure BDA0003851723650000074
与输出功率的关系可计算为
Figure BDA0003851723650000081
其中，ηfc为燃料电池效率，
Figure BDA0003851723650000082
为氢气的低热值。
锂电池SOC用来表征电池的剩余电量情况，其动态方程表示为
Figure BDA0003851723650000083
其中，Ib为电池的电流，Pb为电池的功率，Rb为电池的内阻，Voc为电池的开路电压，Q为锂电池的容量。
步骤三：建立能量优化管理方法
对于混合动力系统的能量管理方法，可解析为在约束条件下根据总线需求功率分配各动力部件，即燃料电池和锂电池之间的使用功率，获得最小化氢气消耗量并保持电池荷电状态在允许范围内的平衡。在给定行驶周期和目标函数的情况下，每组动力系统参数的最优管理方法是唯一的。然而，实际的行驶周期具有随机性，因此很难获得全局最优计算出的动力系统参数。预测未来车速是解决上述问题的有效措施，把预测长度作为全局长度，通过预测车速更新协态变量。
在建立能量优化管理方法时，首先基于极小值原理建立燃料电池能量管理优化问题，目标函数是使整个过程中氢气消耗最小，获得最优经济性。因此在一段时长为[t0,tf]的循环工况下的目标函数J可表示为
Figure BDA0003851723650000084
对于混合动力汽车，系统中仅有电池SOC这一状态变量，因此公式(8)可以写成
Figure BDA0003851723650000085
进一步完善则需要考虑系统中的不等式约束。燃料电池作为混合动力汽车主要的动力源，在行驶过程中为了减少燃料电池系统的损伤并提升耐久性，要约束燃料电池的最大输出功率和输出功率变化率如下
Figure BDA0003851723650000086
其中，Pfc,min为燃料电池最小输出功率，Pfc,max为燃料电池最大输出功率，ΔPfc为输出功率变化率，Pb,min为锂电池最小输出功率，Pb,max为锂电池最大输出功率。
根据径向基神经网络车速预测得到的预测结果，在每个预测长度内状态变量SOC需要满足边界条件
Figure BDA0003851723650000091
其中，SOCref为电池SOC参考值。
锂离子电池SOC限制在最小值SOCmin为0.4和最大值SOCmax为0.8之间，初始值SOC(t0)和终值SOC(tfinal)均为0.6，所以哈密顿函数表示为
Figure BDA0003851723650000092
其中，λ(t)被称为协态变量，代表着氢气消耗和电量消耗的等效因子，引入的S和L为惩罚函数。
在行驶过程中要求控制变量Pfc使哈密顿哈函数取最小值实现最小化氢气消耗量，因此燃料电池的最优输出功率
Figure BDA0003851723650000093
表示为
Figure BDA0003851723650000094
用极小值原理在预测域内解一个完整的优化问题，则燃料电池的最优输出功率即控制序列为每个预测长度全局的最优解，而不是整个驾驶循环的最优解。在每个预测长度内满足以下必要条件
Figure BDA0003851723650000095
在本发明中，锂电池被约束在最佳性能区域，其开路电压及内阻被当作常数处理，与SOC的变化无关，因此认为其仅和锂电池的输出功率有关。基于上述分析可知协态变量为常数，由于最优输出功率
Figure BDA0003851723650000101
和最优协态变量λ*未知，并且SOC初末状态差值需要满足在如下范围内
|SOC(tfinal)-SOC(t0)|≤0.005 (16)
对SOC的末端边界误差值进行判断后，若误差在设定的范围内则结束计算，否则需要重新输入协态变量初始值，并在协态变量λ设定的取值范围内通过二分法来确定在误差允许范围内协态变量的值，全部计算完成后即可得到最优的控制输入序列。最后将求解得到的控制输入序列信号传递至燃料电池汽车的功率执行控制单元。
验证例:
进行实验仿真，验证所设计的燃料电池混合动力汽车能量管理方法的有效性。选取城市道路循环UDDS(Urban Dynamometer Driving Schedule)验证所设计的车速预测器的预测效果和能量管理方法的有效性，UDDS工况驾驶循环共计1370秒，包含了频繁的停车情况。最高车速是25.3m/s，平均车速是8.8m/s。
根据仿真结果，可以看出本发明所提出的基于智能网联的燃料电池混合动力汽车能量管理方法具有如下优越性：
通过远程监控中心采集的交通信息和车辆信息，设计基于径向基神经网络预测器，利用车联网获得的车辆信息和交通信息来预测未来的短期驾驶行为，庞德里亚金极小值根据车速预测结果，综合考虑了锂电池SOC，燃料电池的经济性和效率，通过更新协态变量对混合动力源进行能量分配。最终将优化后的燃料电池和锂电池输出功率传递给燃料电池混合动力汽车，更新车辆状态，实现智能网联环境下的整车能量管理策略的优化。从而提升燃料经济性，稳定电池充放电状态轨迹，提升燃料电池混合动力汽车运行的安全性和稳定性，降低平均燃料电池功率变化，减少了氢气消耗量，大幅度提升能量管理效率。
建立驾驶循环数据库如图4所示，采用NEDC(New European Driving Cycle)、HWFET(Highway Fuel Economy Test)、NYCC(New York City Cycle)、WVUINTER(WestVirginia Interstate Driving Schedule)等标准驾驶周期组合作为训练数据库，充分考虑了日常交通状况包含了多种工况信息，用UDDS工况来检验径向基神经网络速度预测器下的预测精度，UDDS工况下的实际车速和预测车速如图5所示。图6为结合了智能网联的在线极小值原理的方法功率分配。从上述图中可以看出，本发明提出的能量管理方法可以满足动力性的需求。图7为不同方法下电池SOC轨迹的比较，可以看出基于在线极小值原理的方法中电池SOC更稳定，SOC最终值更接近初始值0.6。图8为不同策略的氢气消耗量对比，图中可以看出本发明设计的基于智能网联的能量管理方法计算得到的耗氢量为107.6g，基于规则的能量管理策略计算得到的耗氢量为115.3g，离线全局最优策略得到的理论最优耗氢量为105.7g，通过对比可以看出所设计的方法比基于规则的能量管理策略节省了7.4％的耗氢量，燃料经济性相比基于规则的能量管理策略有明显提升，且与离线全局最优策略计算得到的理论最优耗氢量仅相差1.7％，接近理论最优耗氢量，说明所设计的方法十分有效。

Claims (1)

1.一种基于智能网联的燃料电池混合动力汽车能量管理方法，其特征在于：其步骤是：
S1、设计径向基神经网络车速预测器
隐藏层和输出层的激励函数定义如下：
Figure FDA0003851723640000011
其中，a为输入层信号，aj是第j个激励函数的中心，σ为扩展宽度，wj为连接权向量；
将历史车速信息作为输入
Vhis＝Vt-k,Vt-k+1,...,Vt (2)
输出的未来车速
Vfut＝h(Vhis)＝Vt+1,Vt+2,...,Vt+k (3)
其中，Vhis表示历史速度序列，Vfut为预测速度序列，h(Vhis)为径向基神经网络内部的函数关系，k为预测长度；
S2、建立面向控制的燃料电池汽车动力系统模型
行驶过程中的路面需求驱动功率
Figure FDA0003851723640000012
其中，m为汽车的半载质量，f为车轮滚阻系数，θ为行驶路面坡度，A为迎风面积，Cd为空气阻力系数，ρ为空气密度，α表示道路的倾斜角，v为行驶车速，δ为旋转质量转换系数，g为重力加速度；
根据路面需求功率得出需求功率，因此总线上的需求功率表示为
Figure FDA0003851723640000013
其中，ηmotor表示电机的效率，ηDC/AC表示DC/AC变换器的效率；
动力源系统需要输出的功率为
Pdemand＝Pfc+Pb (6)
其中，Pfc为燃料电池输出功率，Pb为锂电池输出功率；
氢气消耗率
Figure FDA0003851723640000014
与输出功率的关系为
Figure FDA0003851723640000015
其中，ηfc为燃料电池效率，
Figure FDA0003851723640000016
为氢气的低热值；
锂电池SOC动态方程表示为
Figure FDA0003851723640000021
其中，Ib为电池的电流，Pb为电池的功率，Rb为电池的内阻，Voc为电池的开路电压，Q为锂电池的容量；
S3、建立能量优化管理方法
在建立能量优化管理方法时，首先基于极小值原理建立燃料电池能量管理优化问题，目标函数是使整个过程中氢气消耗最小，获得最优经济性，因此在时长为[t0,tf]的循环工况下的目标函数J表示为
Figure FDA0003851723640000022
公式(8)锂电池SOC动态方程写成
Figure FDA0003851723640000027
约束燃料电池的最大输出功率和输出功率变化率如下
Figure FDA0003851723640000023
其中，Pfc,min为燃料电池最小输出功率，Pfc,max为燃料电池最大输出功率，ΔPfc为输出功率变化率，Pb,min为锂电池最小输出功率，Pb,max为锂电池最大输出功率；
根据径向基神经网络车速预测得到的预测结果，在每个预测长度内状态变量SOC需要满足边界条件
Figure FDA0003851723640000024
其中，SOCref为电池SOC参考值，锂离子电池SOC限制在最小值SOCmin为0.4和最大值SOCmax为0.8之间，初始值SOC(t0)和终值SOC(tfinal)均为0.6，所以哈密顿函数表示为
Figure FDA0003851723640000025
其中，λ(t)被称为协态变量，代表着氢气消耗和电量消耗的等效因子，引入的S和L为惩罚函数；
在行驶过程中要求控制变量Pfc使哈密顿哈函数取最小值实现最小化氢气消耗量，因此燃料电池的最优输出功率
Figure FDA0003851723640000026
表示为
Figure FDA0003851723640000031
在每个预测长度内满足以下必要条件
Figure FDA0003851723640000032
SOC初末状态差值需要满足在如下范围内
|SOC(tfinal)-SOC(t0)|≤0.005 (16)
对SOC的末端边界误差值进行判断后，若误差在设定的范围内则结束，否则需要重新输入协态变量初始值，并在协态变量λ设定的取值范围内通过二分法来确定在误差允许范围内协态变量的值，全部完成后即得到最优的控制输入序列；最后将求解得到的控制输入序列信号传递至燃料电池汽车的功率执行控制单元。
CN202211135272.3A 2022-09-19 2022-09-19 基于智能网联的燃料电池混合动力汽车能量管理方法 Pending CN115416503A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211135272.3A CN115416503A (zh) 2022-09-19 2022-09-19 基于智能网联的燃料电池混合动力汽车能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211135272.3A CN115416503A (zh) 2022-09-19 2022-09-19 基于智能网联的燃料电池混合动力汽车能量管理方法

Publications (1)

Publication Number Publication Date
CN115416503A true CN115416503A (zh) 2022-12-02

Family

ID=84203561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211135272.3A Pending CN115416503A (zh) 2022-09-19 2022-09-19 基于智能网联的燃料电池混合动力汽车能量管理方法

Country Status (1)

Country Link
CN (1) CN115416503A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115782700A (zh) * 2022-12-07 2023-03-14 北京理工大学 考虑电池热健康约束的燃料电池混动汽车能量管理方法
CN115932609A (zh) * 2023-03-15 2023-04-07 中交一公局第五工程有限公司 一种智能网联汽车的测试方法、装置与平台
CN116454324A (zh) * 2023-06-16 2023-07-18 广东技术师范大学 燃料电池的控制方法及系统
CN116729356A (zh) * 2023-06-02 2023-09-12 深圳市哲思特科技有限公司 一种基于物联网技术的新能源汽车控制系统及方法
CN116861199A (zh) * 2023-09-04 2023-10-10 中汽研汽车检验中心（天津）有限公司 一种燃油清净增效剂的减排测评方法、设备和存储介质
CN118099487A (zh) * 2024-04-28 2024-05-28 中科嘉鸿(佛山市)新能源科技有限公司 一种高温甲醇燃料电池的能量管理控制方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115782700A (zh) * 2022-12-07 2023-03-14 北京理工大学 考虑电池热健康约束的燃料电池混动汽车能量管理方法
CN115932609A (zh) * 2023-03-15 2023-04-07 中交一公局第五工程有限公司 一种智能网联汽车的测试方法、装置与平台
CN116729356A (zh) * 2023-06-02 2023-09-12 深圳市哲思特科技有限公司 一种基于物联网技术的新能源汽车控制系统及方法
CN116729356B (zh) * 2023-06-02 2024-03-15 深圳市哲思特科技有限公司 一种基于物联网技术的新能源汽车控制系统及方法
CN116454324A (zh) * 2023-06-16 2023-07-18 广东技术师范大学 燃料电池的控制方法及系统
CN116454324B (zh) * 2023-06-16 2023-08-18 广东技术师范大学 燃料电池的控制方法及系统
CN116861199A (zh) * 2023-09-04 2023-10-10 中汽研汽车检验中心（天津）有限公司 一种燃油清净增效剂的减排测评方法、设备和存储介质
CN116861199B (zh) * 2023-09-04 2024-01-02 中汽研汽车检验中心（天津）有限公司 一种燃油清净增效剂的减排测评方法、设备和存储介质
CN118099487A (zh) * 2024-04-28 2024-05-28 中科嘉鸿(佛山市)新能源科技有限公司 一种高温甲醇燃料电池的能量管理控制方法

Similar Documents

Publication Publication Date Title
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
CN112287463B (zh) 一种基于深度强化学习算法的燃料电池汽车能量管理方法
CN110562239B (zh) 基于需求功率预测的变域最优能量管理控制方法及装置
CN112776673B (zh) 智能网联燃料电池汽车实时能量优化管理系统
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
Gharibeh et al. Energy management of fuel cell electric vehicles based on working condition identification of energy storage systems, vehicle driving performance, and dynamic power factor
Hu et al. A study on energy distribution strategy of electric vehicle hybrid energy storage system considering driving style based on real urban driving data
CN111547041B (zh) 一种并行混合动力汽车的协同优化能量管理方法
Lü et al. Hybrid electric vehicles: A review of energy management strategies based on model predictive control
CN112810504B (zh) 基于非线性预测模型控制的燃料电池汽车能量管理方法
Wang et al. Deep reinforcement learning based energy management strategy for fuel cell/battery/supercapacitor powered electric vehicle
Xu et al. Optimization of energy management strategy for extended range electric vehicles using multi-island genetic algorithm
CN113815437A (zh) 燃料电池混合动力汽车的预测性能量管理方法
Wang et al. Real-time energy management strategy for a plug-in hybrid electric bus considering the battery degradation
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
PS et al. Energy management strategies for hybrid energy storage system in electric vehicles: A review
CN113779703B (zh) 一种燃料电池汽车车速规划与能量管理的联合优化方法
CN113928182B (zh) 基于全局交通信息的混合动力汽车电池热管理优化系统
Song et al. Model predictive control energy management strategy integrating long short-term memory and dynamic programming for fuel cell vehicles
Guo et al. Clustered energy management strategy of plug-in hybrid electric logistics vehicle based on Gaussian mixture model and stochastic dynamic programming
Azim Mohseni et al. Energy management strategies of hybrid electric vehicles: A comparative review
Gong et al. Energy Management for a DM-i Plug-in Hybrid Electric Vehicle via Continuous-Discrete Reinforcement Learning
CN113276829B (zh) 一种基于工况预测的车辆行驶节能优化变权重方法
Wang et al. Application of dynamic programming algorithm based on model predictive control in hybrid electric vehicle control strategy
Hu et al. Supplementary learning control for energy management strategy of hybrid electric vehicles at scale

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