CN115549060A - 一种基于粒子群优化阈值的混合电力系统功率分配方法 - Google Patents

一种基于粒子群优化阈值的混合电力系统功率分配方法 Download PDF

Info

Publication number
CN115549060A
CN115549060A CN202211198685.6A CN202211198685A CN115549060A CN 115549060 A CN115549060 A CN 115549060A CN 202211198685 A CN202211198685 A CN 202211198685A CN 115549060 A CN115549060 A CN 115549060A
Authority
CN
China
Prior art keywords
pemfcs
groups
power
particle
hybrid
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.)
Withdrawn
Application number
CN202211198685.6A
Other languages
English (en)
Inventor
李维波
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.)
Wuhan Tianfuhai Technology Development Co ltd
Original Assignee
Wuhan Tianfuhai Technology Development Co ltd
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 Wuhan Tianfuhai Technology Development Co ltd filed Critical Wuhan Tianfuhai Technology Development Co ltd
Priority to CN202211198685.6A priority Critical patent/CN115549060A/zh
Publication of CN115549060A publication Critical patent/CN115549060A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J1/00—Circuit arrangements for dc mains or dc distribution networks
    • H02J1/10—Parallel operation of dc sources
    • H02J1/102—Parallel operation of dc sources being switching converters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J1/00—Circuit arrangements for dc mains or dc distribution networks
    • H02J1/10—Parallel operation of dc sources
    • H02J1/106—Parallel operation of dc sources for load balancing, symmetrisation, or sharing
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J1/00—Circuit arrangements for dc mains or dc distribution networks
    • H02J1/14—Balancing the load in a network
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Fuel Cell (AREA)

Abstract

本发明涉及一种基于粒子群优化阈值的混合电力系统功率分配方法，包括以下步骤：构建混合电力船舶推进系统；所述混合电力船舶推进系统包括：三组PEMFC、与PEMFC相对应的三组单向DC/DC变换器、蓄电池和与蓄电池对应的双向DC/DC、负载和控制器；采用基于模糊控制的方法实现电池与三组PEMFC混合能量管理；采用基于粒子群优化阈值方法实现三组PEMFC之间的单体能量管理。本发明有益效果是：有效降低母线电压波动，提高了系统稳定性、可靠性和燃料电池组效率，最大限度节约氢燃料电池的耗氢量。

Description

一种基于粒子群优化阈值的混合电力系统功率分配方法
技术领域
本发明涉及电力系统功率分配领域，尤其涉及一种基于粒子群优化阈值的混合电力系统功率分配方法。
背景技术
针对质子膜交换氢燃料电池(proton exchange membrane fuel cell,PEMFC)单体功率低的问题，国内外学者提出了两个及以上多堆燃料电池并入系统的方法，Marx提出PEMFC系统以多堆协同运行的方式投入运行，较大的提升了系统功率等级和整体效率。国内外学者对混合电力源系统能量管理策略做了大量研究。
Herr为延长燃料电池系统寿命，构建预测和健康管理的框架，提出了一种基于优化的多堆燃料电池系统管理办法。
龙容以车载多模块燃料电池为对象，提出了一种基于多模式无源控制的能量管理策略。
Mokrani以车载双堆燃料电池为对象，提出了一种模式切换的能量管理策略，有效提高了燃料电池燃料经济性。
尹章文以车载超级电容和燃料电池为对象，提出了一种基于模式划分的多模块燃料电池与超级电容并联构成的混合电力源系统能量管理策略。
朱亚男针对轨道交通机车，提出了功率自适应分配能量管理策略，提升了多堆燃料电池系统效率。
李萍针对并联型混合电力汽车，提出了一种基于智能优化规则的能量管理策略，有效降低了混合电力车辆燃料消耗。
张泽辉使用粒子群算法对储能系统的容量匹配参数与能量管理系统进行联合优化，大幅降低混合电力船舶能量消耗和电压波动。陈辉以德国渡轮船Alsterwasserk号为对象，基于小波变换的燃料电池混合电力船舶的能量管理策略，提高了电能质量，延长了燃料电池寿命。
刘俊骏燃料电池混合电力汽车为对象，有效节省氢气消耗，延长燃料电池的使用寿命且具有实时应用的能力。
相比于在汽车领域丰厚的研究成果，我国燃料电池船舶包括能量管理策略等在内相关技术，尚处于起步阶段。
发明内容
有鉴于此，针对单个燃料电池存在系统可靠性低、效率不足的问题，本发明在满足动力系统动力需求的前提下，提出多堆燃料电池和蓄电池并联构成的混合电力源系统的架构，为混合电力船舶设计了基于粒子群算法的模糊逻辑能量管理策略，即根据推进系统负载功率、蓄电池荷电状态(SOC)，灵活调控燃料电池单体工作个数及其燃料电池单体输出功率，使整个混合电力源系统能够快速跟随负载的功率需求，确保其持续工作在高效率区间，最大限度节约氢燃料电池的耗氢量。
具体的，本发明提供了一种基于粒子群优化阈值的混合电力系统功率分配方法，具体包括以下步骤：
S1：构建混合电力船舶推进系统；所述混合电力船舶推进系统包括：三组PEMFC、与PEMFC相对应的三组单向DC/DC变换器、蓄电池和与蓄电池对应的双向DC/DC、负载和控制器；控制器用于控制三组PEMFC的功率输出，包括两个控制部分，分别为蓄电池与三组PEMFC混合能量管理、三组PEMFC之间的单体能量管理；
S2：采用基于模糊控制的方法实现电池与三组PEMFC混合能量管理；
S3、采用基于粒子群优化阈值方法实现三组PEMFC之间的单体能量管理。
本发明提供的有益效果是：有效降低母线电压波动，提高了系统稳定性、可靠性和燃料电池组效率，最大限度节约氢燃料电池的耗氢量。
附图说明
图1是本发明方法流程示意图；
图2是本发明混合电力船舶推进系统组成框图；
图3是控制器(模糊规则)设计示意图；
图4是直流母线状态曲线示意图；
图5是燃料电池单体输出功率曲线示意图；
图6是燃料电池系统效率曲线示意图；
图7是氢气消耗图；
图8是蓄电池SOC曲线示意图；
图9是粒子群寻优迭代示意图；
图10是优化后系统状态示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，图1是本发明方法的流程图；
本发明提供的一种基于粒子群优化阈值的混合电力系统功率分配方法，具体包括以下步骤：
S1：构建混合电力船舶推进系统；所述混合电力船舶推进系统包括：三组PEMFC、与PEMFC相对应的三组单向DC/DC变换器、蓄电池和与蓄电池对应的双向DC/DC、负载和控制器；控制器用于控制三组PEMFC的功率输出，包括两个控制部分，分别为蓄电池与三组PEMFC混合能量管理、三组PEMFC之间的单体能量管理；
所述三组PEMFC通过对应的单项DC/DC变换器、双向DC/DC后，与蓄电池并联连接；三组PEMFC之间相互独立，均通过对应单项DC/DC变换器与负载电气连接；
作为一种实施例，请参考图2，图2是混合电力船舶推进系统组成框图；
系统动力源包括蓄电池和三组PEMFC单体。蓄电池通过一个双向DC/DC变换器接入直流母线，PEMFC单体各通过一个单向DC/DC并联接入到直流母线。PEMFC与蓄电池采用并联连接，该结构允许通过变换器对PEMFC进行单独控制，系统可靠性方面有较大提升，三个PEMFC作为主要推进动力能量源，PEMFC发出直流电，通过单向DC/DC变换升压为直流母线电压。混合电力船舶推进系统需要满足的部分指标如表1所示。
表1混合电力系统参数
Figure BDA0003871407460000041
S2：采用基于模糊控制的方法实现电池与三组PEMFC混合能量管理；
需要说明的是，本发明提出基于模糊控制的方法实现蓄电池与多堆燃料电池组之间(在本实施例中即指代三组PEMFC)的功率分配，其方式为：
Figure BDA0003871407460000042
其中，Pfc-all为三组PEMFC前端输入参考功率；Pload为混合电力船舶推进系统负载功率；K为三组PEMFC前端输入参考功率和系统负载功率的比值；Pbat为蓄电池输出功率；
混合能量管理策略的设计原则是使混合电力系统满足推进系统负载功率需求，并且蓄电池SOC控制在合理区间。
本实施例选取船舶在实际航行中推进系统负载功率Pload和蓄电池SOC作为模糊控制器的两个输入变量，选取多堆燃料电池组前端参考功率Pfc-all与推进系统负载功率Pload的比值系数K作为单一输出变量。针对满足推进系统负载功率、充分利用蓄电池充放电功能，减少燃料电池组功率波动，减少氢耗量，维持蓄电池SOC处于高效区间等目标。
模糊逻辑推理控制器可以实现船舶在全工况范围内的功率分配与协调，在模糊控制规则设计时满足以下条件：
(Ⅰ)动力性：在航行过程中，混合电力系统应时刻满足拖船所需功率；
(Ⅱ)蓄电池SOC应保持在最佳工作区；
(Ⅲ)混合电力系统工作时应保证燃料电池系统的效率最大化。
作为一种实施例，本申请设计了表2所示的模糊控制规则库。
表2模糊控制规则表
Figure BDA0003871407460000051
燃料电池组与蓄电池能量管理隶属度函数是对现实的客观反映，需要客观。科学、可靠。推进系统负载功率按照从0kW到最大360kW，均匀划分，表述为VL到VH共计5个状态，隶属度函数如图3(a)所示。
SOC状态从0到最大1，均匀划分，表述为L到H三个状态，隶属度函数如图3(b)所示。
采用Mamdani算法进行解模糊计算，比值系数K从0到最大1.1，均匀划分，表述为L到VH共计5个状态，隶属度函数如图3(c)所示，且模糊控制规则曲面如图3(d)所示。通过以上设计，完成混合能量管理。
S3、采用基于粒子群优化阈值方法实现三组PEMFC之间的单体能量管理。
本发明中，对多堆燃料电池组(三组PEMFC)功率分配策略，具体如下：
当0≤Pfc-all＜P1，三个PEMFC单体均启动，保持最低输出功率，即Pfc1＝Pfc2＝Pfc3＝Pmin；
当P1≤Pfc-all≤P2时，启动一个PEMFC单体，其他两个PEMFC单体保持最低输出功率，即Pfc1＝Pfc-all，Pfc2＝Pfc3＝Pmin；
当P2＜Pfc-all≤P3，启动两个PEMFC单体，其他PEMFC单体保持最低输出功率，即Pfc1＝Pfc2＝Pfc-all/2，Pfc3＝Pmin；
当P3＜Pfc-all≤P4时，启动三个PEMFC单体，即Pfc1＝Pfc2＝Pfc3＝Pfc-all/3；
其中Pfc1、Pfc2、Pfc3分别为三个PEMFC单体前端输入参考功率；
由于燃料电池系统具有非线性的特点，工作区间跨度大的特点，这使得依据经验设计的规则控制效果具有局限性，不能达到很好的效果，随机性较大，对于影响多堆燃料电池工作的5个阈值参数(Pmin,P1,P2,P3,P4)的选定，并不一定是最优。
因此，通过粒子群算法(Particle Swarm Optinization,PSO)对规则控制的5个阈值参数在可控范围内进行优化计算，以提高系统经济性。粒子群算法(PSO)是由Kennedy等提出的一种基于群体演化的搜索优化算法，具有较好的全局求解能力，不容易陷入局部最优。
首先，设定粒子群的粒子数n＝30，迭代次数k＝200，单个粒子维度为5维，表述为Xi＝[Pmin,P1,P2,P3,P4]T，将粒子作为一个整体，带入到Simulink模型中进行运算仿真，得到对应粒子的适应度值，再对比单个粒子的适应度值，得到群体最佳适应度和个体最佳适应度。在根据速度、位置公式更新速度和位置，公式如下：
Figure BDA0003871407460000071
其中
Figure BDA0003871407460000072
为第k+1代粒子单体的第n维的速度分量，k＝1,2,3…,5,n＝1,2,…,199,200；ω为动态惯性权重系数ω1、ω2为惯性系数的初始值和末值，均为预设；惯性权重ω用来控制粒子的搜寻范围，避免系统发散；C1、C2为学习因子；r1、r2为随机数；
Figure BDA0003871407460000073
为第k代全局最优适应度值对应的位置；
Figure BDA0003871407460000074
为第k+1代粒子群粒子单体最优适应度值的对应的位置；
Figure BDA0003871407460000075
第k代、第k+1代粒子单体的第n维的位置分量。
根据工程实践，将5个参数的初始值设置为X0＝[0,5,30,50,100]T。PSO算法对5个阈值参数在线寻优，将氢气消耗量作为判断粒子适应度的适应度函数值。
初始化粒子群后，将该粒子群中的粒子依次赋给规则控制中的5个阈值参数，然后运行Simulink的模型得到一个总氢气消耗量值，并将该值返回到PSO算法中作为粒子的适应度值，并且比较粒子、粒子群适应度值大小，更新个体最佳值和全局最佳值，判断是否达到最优，如果最优则退出算法。
作为一种实施例，在Matlab/Simulink软件中搭建混合电力系统主要参数的仿真模型，其主要参数列于表3中。
表3混合电力系统的主要参数
Figure BDA0003871407460000076
采用本实施例提出的能量管理策略，控制阈值参数为工程经验设定值。
如图4(a)所示，母线电压能够稳定保持在600V(本实施例)，且波动率小于3％、功率跟随良好，如图4(b)所示。推进系统负载变化，有效抑制了电压波动，维持在3％以内，有效保证了系统的安全性和稳定性。
各个PEMFC单体输出功率如图5所示，根据不同推进系统负载功率的需求，投入参与功率等额均分的PEMFC单体工作个数较快实现切换，输出功率变化平稳，燃料电池系统效率长时间维持在高效率区间，充分利用氢气，如图6所示。氢气消耗质量为40.23g，如图7所示。蓄电池状态变化如图8所示。
为方便理解，本实施例以蓄电池在SOC＝0.5模态为例，将两种策略的对比结果汇集于表4中。
表4 SOC＝0.5时两种控制策略的对比情况
Figure BDA0003871407460000081
在MATLAB中编写PSO程序，采用粒子群算法对控制阈值Pmin,P1,P2,P3,P4进行寻优。算法程序执行后，结果如图9，收敛性良好。根据优化计算结果，将3个值替换未优化前依据工程经验的值，运行Simulink仿真，氢气消耗量结果如图10所示。
在优化后依据工程实践拟定的控制阈值模态下，混合电力系统在满足推进系统负载功率的同时，燃料电池多数时间处于高效率区间，相较于等额均分控制策略有明显优化，但是在负载变化时，相较于优化前，燃料电池效率波动幅度效，有效降低了氢气消耗量。将三种策略的对比结果汇集于表5中。
表5优化前后控制策略的对比情况
Figure BDA0003871407460000082
综合来看，为提高PEMFC和蓄电池混合电力系统的效率和可靠性，减少PEMFC氢气消耗量，延长PEMFC寿命，本实施例提出了一种基于粒子群优化阈值的混合电力系统功率分配方法。根据推进系统负载功率、蓄电池SOC动态调整多堆燃料电池组与蓄电池输出功率分配系数K，并动态分配投入承担功率输出的PEMFC单体个数。针对规则中不确定的阈值参数，采用粒子群优化算法对控制阈值参数进行优化，设计了基于智能优化的能量管理策略，并通过Matlab/Simulink仿真进行验证。仿真结果表明，混合电力系统可快速跟随推进系统负载功率，同时通过合理分配蓄电池与多堆燃料电池组之间功率分配，切换PEMFC单体工作个数，合理分配PEMFC输出功率，优化控制阈值参数的选取，可以有效降低母线电压波动，提高了系统稳定性、可靠性和燃料电池组效率，最大限度节约氢燃料电池的耗氢量。
本发明的有益效果是：可以有效降低母线电压波动，提高了系统稳定性、可靠性和燃料电池组效率，最大限度节约氢燃料电池的耗氢量。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于粒子群优化阈值的混合电力系统功率分配方法，其特征在于：包括以下步骤：
S1：构建混合电力船舶推进系统；所述混合电力船舶推进系统包括：三组PEMFC、与PEMFC相对应的三组单向DC/DC变换器、蓄电池和与蓄电池对应的双向DC/DC、负载和控制器；控制器用于控制三组PEMFC的功率输出，包括两个控制部分，分别为蓄电池与三组PEMFC混合能量管理、三组PEMFC之间的单体能量管理；
S2：采用基于模糊控制的方法实现电池与三组PEMFC混合能量管理；
S3、采用基于粒子群优化阈值方法实现三组PEMFC之间的单体能量管理。
2.如权利要求1所述的一种基于粒子群优化阈值的混合电力系统功率分配方法，其特征在于：所述三组PEMFC通过对应的单项DC/DC变换器、双向DC/DC后，与蓄电池并联连接；三组PEMFC之间相互独立，均通过对应单项DC/DC变换器与负载电气连接。
3.如权利要求1所述的一种基于粒子群优化阈值的混合电力系统功率分配方法，其特征在于：步骤S2具体为：
S21：蓄电池与多堆燃料电池组之间的功率分配，具体如下：
Figure FDA0003871407450000011
其中，Pfc-all为三组PEMFC前端输入参考功率；Pload为混合电力船舶推进系统负载功率；K为三组PEMFC前端输入参考功率和系统负载功率的比值；Pbat为蓄电池输出功率；
S22：设计控制器输入为：混合电力船舶推进系统负载功率Pload和蓄电池SOC；设计控制器输出为：三组PEMFC前端输入参考功率和系统负载功率的比值K；
S23：设计模糊控制规则如下：
保持混合电力船舶推进系统输出功率满足Pload；
保持蓄电池SOC处于预设区间；
保持三组PEMFC效率最大化；
S24：根据模糊控制规则设计模糊控制规则表，完成蓄电池与三组PEMFC混合能量管理。
4.如权利要求1所述的一种基于粒子群优化阈值的混合电力系统功率分配方法，其特征在于：步骤S3具体为：
S31、设计三组PEMFC之间的单体能量管理策略如下：
当0≤Pfc-all＜P1，三个PEMFC单体均启动，保持最低输出功率，即Pfc1＝Pfc2＝Pfc3＝Pmin；
当P1≤Pfc-all≤P2时，启动一个PEMFC单体，其他两个PEMFC单体保持最低输出功率，即Pfc1＝Pfc-all，Pfc2＝Pfc3＝Pmin；
当P2＜Pfc-all≤P3，启动两个PEMFC单体，其他PEMFC单体保持最低输出功率，即Pfc1＝Pfc2＝Pfc-all/2，Pfc3＝Pmin；
当P3＜Pfc-all≤P4时，启动三个PEMFC单体，即Pfc1＝Pfc2＝Pfc3＝Pfc-all/3；
其中Pfc1、Pfc2、Pfc3分别为三个PEMFC单体前端输入参考功率；
S32：采用粒子群算法对Pmin,P1,P2,P3,P4进行优化。
5.如权利要求4所述的一种基于粒子群优化阈值的混合电力系统功率分配方法，其特征在于：步骤S32具体如下：
S321：设定粒子群的粒子数n，迭代次数k，单粒子维度为5维，记为Xi＝[Pmin,P1,P2,P3,P4]T；
S322：将粒子输入至MATLAB的Simulink模型中进行仿真，得到对应粒子的适应度值；
S323：对比单个粒子的适应度值，更新粒子速度和位置，得到群体最佳适应度和个体最佳适应度。
6.如权利要求5所述的一种基于粒子群优化阈值的混合电力系统功率分配方法，其特征在于：步骤S323中更新粒子速度和位置的公式如下：
Figure FDA0003871407450000031
其中
Figure FDA0003871407450000032
为第k+1代粒子单体的第n维的速度分量，k＝1,2,3…,5,n＝1,2,…,199,200；ω为动态惯性权重系数ω1、ω2为惯性系数的初始值和末值，均为预设；惯性权重ω用来控制粒子的搜寻范围，避免系统发散；C1、C2为学习因子；r1、r2为随机数；
Figure FDA0003871407450000033
为第k代全局最优适应度值对应的位置；
Figure FDA0003871407450000034
为第k+1代粒子群粒子单体最优适应度值的对应的位置；
Figure FDA0003871407450000035
第k代、第k+1代粒子单体的第n维的位置分量。
CN202211198685.6A 2022-09-29 2022-09-29 一种基于粒子群优化阈值的混合电力系统功率分配方法 Withdrawn CN115549060A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211198685.6A CN115549060A (zh) 2022-09-29 2022-09-29 一种基于粒子群优化阈值的混合电力系统功率分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211198685.6A CN115549060A (zh) 2022-09-29 2022-09-29 一种基于粒子群优化阈值的混合电力系统功率分配方法

Publications (1)

Publication Number Publication Date
CN115549060A true CN115549060A (zh) 2022-12-30

Family

ID=84732213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211198685.6A Withdrawn CN115549060A (zh) 2022-09-29 2022-09-29 一种基于粒子群优化阈值的混合电力系统功率分配方法

Country Status (1)

Country Link
CN (1) CN115549060A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116599023A (zh) * 2023-05-17 2023-08-15 中国人民解放军海军工程大学 一种船用燃气轮机电网混合储能功率分配方法及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116599023A (zh) * 2023-05-17 2023-08-15 中国人民解放军海军工程大学 一种船用燃气轮机电网混合储能功率分配方法及设备
CN116599023B (zh) * 2023-05-17 2024-02-27 中国人民解放军海军工程大学 一种船用燃气轮机电网混合储能功率分配方法及设备

Similar Documents

Publication Publication Date Title
Ehsani et al. State of the art and trends in electric and hybrid electric vehicles
CN102951039B (zh) 一种基于模糊控制的增程式电动车能量管理方法
CN108987770A (zh) 一种多堆燃料电池发电系统的协调优化控制方法
CN111409510A (zh) 一种氢燃料电池混合动力汽车的能量管理方法
CN113928187B (zh) 一种燃料电池汽车的能量管理控制方法
CN111572369A (zh) 基于改进遗传算法的燃料电池混合动力汽车能量管理在线优化方法
CN112952862B (zh) 平抑风电功率波动的混合储能分频协调控制器及实现方法
CN112706753B (zh) 一种基于灰狼优化的ecms混动汽车能量管理策略
CN112455420A (zh) 一种基于模糊神经网络的混合动力系统能量控制方法
Tang et al. Energy management strategies for hybrid power systems considering dynamic characteristics of power sources
Kang et al. Rule-based energy management strategies for a fuel cell-battery hybrid locomotive
CN115549060A (zh) 一种基于粒子群优化阈值的混合电力系统功率分配方法
Dominguez et al. Sizing of fuel cell-ultracapacitors hybrid electric vehicles based on the energy management strategy
CN103661355A (zh) 一种混合动力汽车动力总成智能控制系统
Cui et al. Hybrid fuel cell/battery power system energy management by using fuzzy logic control for vehicle application
CN115149053A (zh) 基于模糊调控的多堆燃料电池系统负载功率分配方法
CN114030392B (zh) 燃料电池-锂电池混源供电系统效率优化能量管理策略
CN114940103A (zh) 考虑行驶成本与寿命成本的燃料电池重卡功率管理方法
Lorenzo et al. Sizing and energy management strategy impact on the total cost of ownership in fuel cell electric vehicles
Liu et al. Multi-objective optimization for energy management of fuel cell hybrid electric vehicles
Jing et al. Research on an Improved equivalent fuel consumption minimization strategy Based on Ant Colony Algorithm
CN111525596A (zh) 一种风储联合系统中双电池波动越限优化方法
Zhang et al. Research on energy efficiency optimization strategy of electric propulsion ships with energy storage devices
Lin et al. Power distribution methods of ultra-capacitor/battery hybrid power source for vehicular applications
Li et al. Fuzzy Control Strategy for Load Power Distribution of Multi Stack Fuel Cell System Based on Cuckoo Algorithm

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20221230

WW01 Invention patent application withdrawn after publication