CN116001654A - 电池能量控制方法、装置、系统和电子设备 - Google Patents
电池能量控制方法、装置、系统和电子设备 Download PDFInfo
- Publication number
- CN116001654A CN116001654A CN202211561991.1A CN202211561991A CN116001654A CN 116001654 A CN116001654 A CN 116001654A CN 202211561991 A CN202211561991 A CN 202211561991A CN 116001654 A CN116001654 A CN 116001654A
- Authority
- CN
- China
- Prior art keywords
- power
- battery
- fuel cell
- output power
- fuel
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000000446 fuel Substances 0.000 claims abstract description 206
- 230000006870 function Effects 0.000 claims description 55
- 238000013507 mapping Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 5
- 210000004027 cell Anatomy 0.000 description 134
- 239000001257 hydrogen Substances 0.000 description 36
- 229910052739 hydrogen Inorganic materials 0.000 description 36
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 35
- 238000004364 calculation method Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000000349 chromosome Anatomy 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Landscapes
- Fuel Cell (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请涉及一种电池能量控制方法、装置、系统和电子设备。本申请方法包括：获取整车需求功率和动力电池荷电值；根据整车需求功率和动力电池荷电值得到燃料电池输出功率；根据燃料电池输出功率优化燃料消耗量。采用本方法能够对燃料电池的输出功率进行优化，使得功率得到合理分配。优化时以整车燃料消耗量为优化目标，在电池能量控制的同时可以提高整车燃料的经济性，使控制效果达到最优。
Description
技术领域
本申请涉及燃料电池技术领域，特别是涉及一种电池能量控制方法、装置、系统和电子设备。
背景技术
随着燃料电池技术的发展，出现了氢燃料电池。氢燃料电池凭借其节能、高效、零排放等特点备受关注。因为氢燃料电池具有寿命低，更换成本高的问题，所以，如何更好的对控制电池能量显得尤为重要。
传统技术中，在电池能量控制时采用基于规则的控制策略，或者根据经验判断燃料电池的输出功率。然而，基于规则控制电池能量不能处理不确定性问题，根据经验判断电池的输出功率又具有主观倾向，此外，传统技术无法对电池能量控制参数进行优化。
发明内容
基于此，有必要针对上述技术问题，提供一种能够优化电池能量控制参数的电池能量控制方法、装置、系统和电子设备。
第一方面，本申请提供了一种电池能量控制方法。该方法包括：
获取整车需求功率和动力电池荷电值；
根据整车需求功率和动力电池荷电值得到燃料电池输出功率；
根据燃料电池输出功率优化燃料消耗量。
在其中一个实施例中，根据整车需求功率和动力电池荷电值得到燃料电池输出功率，包括：
对获取的整车需求功率和动力电池荷电值进行模糊化处理；
建立模糊控制规则；
根据模糊控制规则对模糊化处理后的整车需求功率和动力电池荷电值进行模糊推理，得到燃料电池输出功率的模糊集合；
对燃料电池输出功率的模糊集合进行解模糊化处理，得到燃料电池输出功率。
在其中一个实施例中，建立模糊控制规则，包括：
构建整车需求功率与燃料电池输出功率的第一映射关系；
构建动力电池荷电值与燃料电池输出功率的第二映射关系；
根据第一映射关系和第二映射关系建立模糊控制规则。
在其中一个实施例中，根据燃料电池输出功率优化燃料消耗量，包括：
获取动力电池输出功率；
根据整车需求功率、动力电池输出功率、燃料电池输出功率和模糊控制规则的参数生成初始种群；
采用遗传算法迭代更新初始种群，得到优化后的燃料消耗量。
在其中一个实施例中，采用遗传算法迭代更新初始种群，得到优化后的燃料消耗量，包括：
构建燃料电池模型，该燃料电池模型用于通过燃料消耗量计算燃料电池输出功率；
根据燃料消耗量构建目标函数；
迭代计算目标函数，得到燃料消耗量的最优解。
在其中一个实施例中，根据燃料消耗量构建目标函数，包括：
构建惩罚函数，根据惩罚函数更新目标函数。
在其中一个实施例中，获取动力电池输出功率，包括：
构建动力电池模型，根据动力电池模型获取动力电池输出功率。
第二方面，本申请还提供了一种电池能量控制装置。该装置包括：
获取单元，用于获取整车需求功率和动力电池荷电值；
模糊控制单元，用于根据整车需求功率和动力电池荷电值得到燃料电池输出功率；
优化单元，用于根据燃料电池输出功率优化燃料消耗量。
第三方面，本申请还提供了一种电池能量控制系统，该系统包括：动力电池、燃料电池和如第二方面提供的一种电池能量控制装置。
第四方面，本申请还提供了一种电子设备。该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取整车需求功率和动力电池荷电值；
根据整车需求功率和动力电池荷电值得到燃料电池输出功率；
根据燃料电池输出功率优化燃料消耗量。
第五方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取整车需求功率和动力电池荷电值；
根据整车需求功率和动力电池荷电值得到燃料电池输出功率；
根据燃料电池输出功率优化燃料消耗量。
第六方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取整车需求功率和动力电池荷电值；
根据整车需求功率和动力电池荷电值得到燃料电池输出功率；
根据燃料电池输出功率优化燃料消耗量。
上述电池能量控制方法、装置、系统和电子设备，获取整车需求功率和动力电池荷电值；根据获取的整车需求功率和动力电池荷电值得到燃料电池输出功率；再根据计算得到的燃料电池输出功率优化燃料消耗量。该方法可以通过模糊控制规则等方法根据整车需求功率与动力电池的输出功率计算得到燃料电池的输出功率，还可以对燃料电池的输出功率进行优化，使得功率得到合理分配；在制定控制规则时，可以基于动力电池荷电值的物理特性进行控制。本方法在优化时以整车燃料消耗量为优化目标，在电池能量控制的同时可以提高整车燃料的经济性，使控制效果达到最优。
附图说明
图1为一个实施例中电池能量控制方法的流程图；
图2为一个实施例中计算燃料电池输出功率的流程图；
图3为一个实施例中优化燃料消耗量的流程图；
图4为一个实施例中计算燃料消耗量的流程图；
图5为一个实施例中氢燃料电池能量控制方法的流程图；
图6为一个实施例中氢燃料电池汽车动力系统结构图；
图7为一个实施例中模糊控制逻辑流程图；
图8为一个实施例中电池能量控制装置的结构框图；
图9为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种电池能量控制方法，包括以下步骤：
步骤102，获取整车需求功率和动力电池荷电值。
其中，整车需求功率用于表示车辆行驶时所需动力。本实施例中，整车需求功率通过动力电池和燃料电池获取，当车辆有能量需求时，燃料电池和动力电池分别作为能量源提供能量，动力电池作为储能装置起到削峰填谷的作用。动力电池荷电值是动力电池的SOC(State of Charge，荷电状态)，表示电池中剩余电荷的可用状态，可以通过百分比表示。
步骤104，根据整车需求功率和动力电池荷电值得到燃料电池输出功率。
可选地，车辆通过获取燃料电池的输出功率和动力电池的输出功率驱动，根据车辆驱动的整车需求功率和动力电池输出功率，可以得到燃料电池输出功率。在燃料电池的能量管理时，通过动力电池的荷电值计算得到动力电池的输出功率，进而结合整体需求功率获取燃料电池的输出功率。
步骤106，根据燃料电池输出功率优化燃料消耗量。
其中，燃料电池是直接将燃料的化学能转化为电能的装置。燃料电池具有能量转化率高、噪声低、零排放无污染等优点。可广泛用于汽车、飞机、列车等交通工具以及固定电站等方面。
可选地，基于燃料电池的工作原理，燃料电池的输出功率是通过消耗燃料得到。根据燃料电池输出功率，可以优化燃料消耗量，提高效率的同时还可以节能能源。
上述电池能量控制方法，先获取整车需求功率和动力电池荷电值，根据获取整车需求功率和动力电池的荷电值得到燃料电池的输出功率。并根据燃料电池的输出功率优化计算燃料电池的燃料消耗量，并以燃料电池的燃料消耗量为优化目标，更新电池能量控制策略，提高电池能量控制效果。
在一个实施例中，如图2所示，根据整车需求功率和动力电池荷电值得到燃料电池输出功率，包括以下步骤：
步骤202：对获取的整车需求功率和动力电池荷电值进行模糊化处理。
可选地，通过模糊逻辑控制策略根据整车需求功率和动力电池荷电值计算燃料电池输出功率。此时整车需求功率和动力电池荷电值均为输入参数，待计算得到的燃料电池输出功率为输出参数。
输入参数的模糊化处理是将输入参数模糊处理，形成模糊集合。模糊集合可以通过隶属函数描述，其中，隶属函数可以是双S形隶属函数、联合高斯型隶属函数、高斯型隶属函数、广义钟形隶属函数、II型隶属函数、双S形乘积隶属函数、S状隶属函数、S形隶属函数、梯形隶属函数、三角形隶属函数或Z形隶属函数等，本实施例对隶属函数的形式没有限制，可以实现对输入参数模糊化处理的隶属函数均可以使用。
步骤204：建立模糊控制规则。
根据控制原则自定义构建模糊控制规则。模糊控制规则的建立原则是控制功率分配以达到更好的燃料经济性，因此，避免燃料电池在怠速或者大功率输出状态下工作，以更好的提高燃料电池的效率，同时，动力电池的充放电功率也不宜过大。
步骤206：根据模糊控制规则对模糊化处理后的整车需求功率和动力电池荷电值进行模糊推理，得到燃料电池输出功率的模糊集合。
根据模糊控制规则进行模糊推理，模糊推理时输入值为在步骤202中经过模糊化处理的整车需求功率和动力电池荷电值。基于模糊控制规则对输入参数进行模糊推理计算，得到燃料电池输出功率的模糊集合。
步骤208：对燃料电池输出功率的模糊集合进行解模糊化处理，得到燃料电池输出功率。
其中，通过模糊推理得到的燃料电池输出功率是一个模糊集合。在实际控制时，无法根据一个集合的数据进行具体地控制，需对该模糊集合进行解模糊化处理，也称反模糊化处理。
可选地，解模糊化处理可以通过最大隶属度法、重心法或加权平均法进行。根据解模糊处理时的控制精度计算数据量，选择适当的解模糊化处理方法；对燃料电池输出功率的模糊集合进行解模糊化处理，得到燃料电池输出功率。
本实施例通过模糊控制规则计算燃料电池的输出功率，将复杂的电池能量控制过程简化，控制模型结构简单，易于实现的同时兼具较好的适应性，鲁棒性强。
在一个实施例中，建立模糊控制规则，包括：构建整车需求功率与燃料电池输出功率的第一映射关系；构建动力电池荷电值与燃料电池输出功率的第二映射关系；根据第一映射关系和第二映射关系建立模糊控制规则。
其中，模糊控制规则为控制矩阵，控制矩阵包括第一映射参数和第二映射参数。第一映射参数用于表示整车需求功率与燃料电池输出功率的第一映射关系，第二映射参数用于表示动力电池荷电值与燃料电池输出功率的第二映射关系，结合第一映射参数和第二映射参数，构成模糊控制矩阵，根据模糊控制矩阵可以通过整车需求功率与动力电池荷电值计算得到燃料电池输出功率。在模糊控制规则中，输入的整车需求功率与动力电池荷电值，以及输出的燃料电池输出功率均通过模糊集合表示。
在一个实施例中，根据燃料电池输出功率优化燃料消耗量，包括以下步骤：
步骤302：获取动力电池输出功率。
步骤304：根据整车需求功率、动力电池输出功率、燃料电池输出功率和模糊控制规则的参数生成初始种群。
可选地，模糊控制规则的参数即模糊控制规则中的第一映射参数和第二映射参数。根据整车需求功率、动力电池输出功率、燃料电池输出功率和模糊控制规则的参数构建数组，表示染色体。在约束条件构造的可行域中，随机处理染色体，生成初始种群。
步骤306：采用遗传算法迭代更新初始种群，得到优化后的燃料消耗量。
使用遗传算法迭代计算，对模糊控制的参数进行优化，进而得到优化后的燃料电池输出功率，根据计算得到的燃料电池输出功率得到优化后的燃料消耗量，合理分配电池能量。
在一个实施例中，如图4所示，采用遗传算法迭代更新初始种群，得到优化后的燃料消耗量，包括以下步骤：
步骤402：构建燃料电池模型，燃料电池模型用于通过燃料消耗量计算燃料电池输出功率。
步骤404：根据燃料消耗量构建目标函数。
以燃料消耗量为优化目标，根据燃料电池汽车在工况下的行驶时间离散值，以及燃料消耗量构建目标函数。
步骤406：迭代计算目标函数，得到燃料消耗量的最优解。
迭代计算目标函数，直至满足终止条件，得到燃料消耗量的最优解。
本实施例以燃料消耗量为优化目标，对燃料电池输出功率的控制通过遗传算法进行优化，提高整车消耗燃料的经济性，且合理分配电池功率，具有很好的控制效果。
在一个实施例中，根据燃料消耗量构建目标函数，包括：构建惩罚函数，根据惩罚函数更新目标函数。
可选地，根据燃料电池和动力电池在总线上的功率，以及动力系统的能量转换效率，构建惩罚函数。根据惩罚函数更新目标函数。
在一个实施例中，获取动力电池输出功率，包括：构建动力电池模型，根据动力电池模型获取动力电池输出功率。
其中，动力电池是将动力电池的化学能转化为电能。构建动力电池模型，先计算动力电池的化学能，再根据动力电池的化学能计算动力电池输出功率。
图5为一个实施例中氢燃料电池能量控制方法的流程图。如图5所示，在一个实施例中，氢燃料电池能量控制包括以下步骤：
步骤502：构建氢燃料电池汽车动力系统、燃料电池模型、动力电池模型和电机模型。
构建系统和模型主要包括以下(A1)至(A4)部分内容。
(A1)构建氢燃料电池汽车动力系统。
如图6所示的氢燃料电池汽车动力系统，包括燃料电池602、第一变换器604、动力电池606、第二变换器608和驱动单元610；燃料电池602和动力电池606分别通过第一变换器604和第二变换器608间接连接到功率总线，进而连接到驱动单元610，实现对车辆的驱动。
可选地，第一变换器604为单向变换器，第二变换器608为双向变换器。
将整车需求功率表示为preq，氢燃料电池输出功率表示为pfc，动力电池输出功率表示为pb，如图6所示，pfc和pb耦合形成pd作用于驱动单元610，驱动单元610再将机械功率pem传输给输出轴，可以得到：
preq＝pem (1)
pd＝pfc+pb (2)
由车辆纵向动力学，可知整车需求功率preq为：
公式(3)中，m为汽车质量，a为加速度，v为车速，
为空气密度，A为迎风面积，cd为阻力系数，Cr为滚动阻力系数，g为重力加速度，θ为路面坡度。
(A2)构建燃料电池模型。
构建燃料电池模型，氢燃料电池输出功率pfc表示为：
pfc＝pfchηfc (4)
公式(4)中，pfch为氢燃料电池系统中氢气和氧气反应产生的化学能，ηfc为氢燃料电池系统效率。
瞬时耗氢量
表示为：
公式(5)中，
为氢气的低热值。
(A3)构建动力电池模型。
动力电池模型表示为：
公式(6)中，pbh为动力电池的化学能，Vo为动力电池开路电压，Vb为负载电压，Ib为电路电流，R为动力电池内阻，pb为动力电池输出功率。
根据公式(6)可以得到动力电池的化学能pbh表示为：
公式(7)中，o为动力电池开路电压，R为动力电池内阻，pb为动力电池输出功率。
(A4)构建电机模型。
构建电机模型，整车需求功率preq表示为：
公式(8)中，pem为机械功率，pd表示动力电池输出功率和氢燃料电池输出功率耦合的功率值，ηm为电机系统效率。
步骤504：建立模糊控制规则，根据整车需求功率和动力电池荷电值得到燃料电池输出功率。
如图7所示一个实施例的模糊控制逻辑流程图，如图所示，计算燃料电池输出功率包括以下(B1)至(B4)部分内容。
(B1)获取并模糊化整车需求功率和动力电池荷电值。
获取整车需求功率preq和动力电池荷电值SOC，通过隶属函数对获取的变量进行模糊化。
可选地，高斯隶属函数具有更好的稳定性和灵敏度，其函数表达式为：
公式(9)中，σ为函数的标准差，z为函数峰值的横坐标，s＝1为函数峰值，x为函数的输入参数，分别将整车需求功率preq和动力电池荷电值SOC代入隶属函数进行计算。
(B2)建立模糊控制规则，基于模糊化后的整车需求功率和动力电池荷电值进行模糊推理。
可选地，根据控制规则建立模糊控制规则，本实施例能量管理策略应避免燃料电池在怠速或大功率下工作，以提高燃料电池的效率；动力电池的充放电功率也不宜过大。
建立的模糊控制规则如表1所示，输入变量整车需求功率preq和动力电池荷电值SOC的模糊化处理后的模糊集合，按照模糊论从低到高被设置为L，LR，M，HR和H；输出变量氢燃料电池输出功率pfc的模糊集合按照模糊论域从低到高被设置为EL，VL，RL，SL，ML，MH，SH，RH，VH，EH。
表1
根据表1所示的模糊控制规则，处理输入变量整车需求功率preq和动力电池荷电值SOC，输出处理后的氢燃料电池输出功率pfc，输出的为氢燃料电池输出功率pfc模糊集合。
例如，根据表1的模糊控制规则，在模糊推理时，当输入的整车需求功率preq和动力电池荷电值SOC模糊化后的模糊集合均为L时，输出变量氢燃料电池输出功率pfc的模糊集合为ML；当输入的整车需求功率preq模糊化后的模糊集合为LR，动力电池荷电值SOC模糊化后的模糊集合为M时，输出变量氢燃料电池输出功率pfc的模糊集合为ML；当输入的整车需求功率preq模糊化后的模糊集合为H，动力电池荷电值SOC模糊化后的模糊集合为M时，输出变量氢燃料电池输出功率pfc的模糊集合为VH。模糊控制规则用于表示整车需求功率和动力电池荷电值与氢燃料电池输出功率的映射关系，根据不同的控制要求，模糊控制规则可以自定义。
由于动力电池荷电值SOC有一定的范围，在自定义模糊规则时，需要充分考虑动力电池荷电值的剩余值对系统安全的影响，例如在进行模糊推理时，动力电池荷电值SOC不宜过小，否则容易造成安全隐患，同时，在动力电池荷电值SOC较大时，可以通过模糊规则的定义适当节约燃料电池的功率。
(B3)对模糊推理后得到的燃料电池输出功率的模糊集合解模糊化处理。
可选地，通过隶属度函数对输出的氢燃料电池功率模糊集合解模糊处理，得到燃料电池输出功率。
本实施例通过模糊控制规则计算氢燃料电池的输出功率，通过模糊控制方法将复杂的电池能量控制过程简化，控制模型结构简单，易于实现。
步骤506：采用遗传算法对燃料电池耗氢量进行优化，得到燃料消耗量的最优解。
设置整车需求功率preq、动力电池荷电值SOC和氢燃料电池输出功率pfc的基因组分别为X1(,W)，X2(,W)，Y(,W)。其中，H表示H(，c)，为模糊化计算时高斯型隶属度函数的参数，W为模糊控制规则的参数。
染色体q表示为：
q＝[X1 X2 Y W] (10)
随机处理后，遗传算法的初始种群Q表示为：
Q＝{U(qk)} (11)
公式(11)中，U是根据约束条件构造的可行域中的染色体集，qk表示染色体。
根据整车燃料经济性为优化目标，构造目标函数。设置氢燃料电池汽车在工况下的行驶时间离散为(t1,tn)，n为大于1的整数，目标函数fd可以表示为：
公式(12)中，
表示瞬时耗氢量，tk表示行驶时间，k＝1，2，3，…，n。
构建惩罚函数的惩罚算子Gp：
其中，
公式(13)中，pfc_out、pb_out分别为氢燃料电池、动力电池在功率总线上的功率，
ηfc分别为第一变换器和氢燃料电池系统的效率。
结合惩罚算子更新目标函数，更新后的目标函数fdest表示为：
fdest＝fd+Gp/2.5 (14)
本实施例通过模糊控制方法计算氢燃料电池输出功率，合理分配功率，具有较好的能量控制效果。通过遗传算法以整车耗氢量为优化目标进行优化计算，提高氢燃料电池汽车的经济性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电池能量控制方法的电池能量控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电池能量控制装置实施例中的具体限定可以参见上文中对于电池能量控制方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种电池能量控制装置，包括：获取单元802、模糊控制单元804和优化单元806，其中：
获取单元802，用于获取整车需求功率和动力电池荷电值；
模糊控制单元804，用于根据整车需求功率和动力电池荷电值得到燃料电池输出功率；
优化单元806，用于根据燃料电池输出功率优化燃料消耗量。
在一个实施例中，模糊控制单元804根据整车需求功率和动力电池荷电值得到燃料电池输出功率，包括：对获取的整车需求功率和动力电池荷电值进行模糊化处理；建立模糊控制规则；根据模糊控制规则对模糊化处理后的整车需求功率和动力电池荷电值进行模糊推理，得到燃料电池输出功率的模糊集合；
在一个实施例中，模糊控制单元804建立模糊控制规则，包括：构建整车需求功率与燃料电池输出功率的第一映射关系；构建动力电池荷电值与燃料电池输出功率的第二映射关系；根据第一映射关系和第二映射关系建立模糊控制规则。
在一个实施例中，优化单元806根据燃料电池输出功率优化燃料消耗量，包括：获取动力电池输出功率；根据整车需求功率、动力电池输出功率、燃料电池输出功率和模糊控制规则的参数生成初始种群；采用遗传算法迭代更新初始种群，得到优化后的燃料消耗量。
在一个实施例中，优化单元806采用遗传算法迭代更新初始种群，得到优化后的燃料消耗量，包括：构建燃料电池模型，燃料电池模型用于通过燃料消耗量计算燃料电池输出功率；根据燃料消耗量构建目标函数；迭代计算目标函数，得到燃料消耗量的最优解。
在一个实施例中，优化单元806根据燃料消耗量构建目标函数，包括：构建惩罚函数，根据惩罚函数更新目标函数。
在一个实施例中，优化单元806获取动力电池输出功率，包括：构建动力电池模型，根据动力电池模型获取动力电池输出功率。
上述电池能量控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种电池能量控制系统，该系统包括：动力电池、燃料电池和上述实施例表述的一种电池能量控制装置。
在一个实施例中，提供了一种电子设备，电子设备的类型不作限定，可以为计算机、整车控制器(Vehicle Management System，VMS)、TCU(Transmission Control Unit)自动变速箱控制单元、云端服务器等等，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储车辆行驶数据和电池相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电池能量控制方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和汽车行驶数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池能量控制方法，其特征在于，所述方法包括：
获取整车需求功率和动力电池荷电值；
根据所述整车需求功率和所述动力电池荷电值得到燃料电池输出功率；
根据所述燃料电池输出功率优化燃料消耗量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述整车需求功率和所述动力电池荷电值得到燃料电池输出功率，包括：
对获取的所述整车需求功率和所述动力电池荷电值进行模糊化处理；
建立模糊控制规则；
根据所述模糊控制规则对所述模糊化处理后的整车需求功率和动力电池荷电值进行模糊推理，得到所述燃料电池输出功率的模糊集合；
对所述燃料电池输出功率的模糊集合进行解模糊化处理，得到所述燃料电池输出功率。
3.根据权利要求2所述的方法，其特征在于，所述建立模糊控制规则，包括：
构建所述整车需求功率与所述燃料电池输出功率的第一映射关系；
构建所述动力电池荷电值与所述燃料电池输出功率的第二映射关系；
根据所述第一映射关系和所述第二映射关系建立模糊控制规则。
4.根据权利要求2所述的方法，其特征在于，所述根据所述燃料电池输出功率优化燃料消耗量，包括：
获取动力电池输出功率；
根据所述整车需求功率、所述动力电池输出功率、所述燃料电池输出功率和所述模糊控制规则的参数生成初始种群；
采用遗传算法迭代更新所述初始种群，得到优化后的所述燃料消耗量。
5.根据权利要求4所述的方法，其特征在于，所述采用遗传算法迭代更新所述初始种群，得到优化后的所述燃料消耗量，包括：
构建燃料电池模型，所述燃料电池模型用于通过所述燃料消耗量计算所述燃料电池输出功率；
根据所述燃料消耗量构建目标函数；
迭代计算所述目标函数，得到所述燃料消耗量的最优解。
6.根据权利要求5所述的方法，其特征在于，所述根据所述燃料消耗量构建目标函数，包括：
构建惩罚函数，根据所述惩罚函数更新所述目标函数。
7.根据权利要求4所述的方法，其特征在于，所述获取动力电池输出功率，包括：
构建动力电池模型，根据所述动力电池模型获取所述动力电池输出功率。
8.一种电池能量控制装置，其特征在于，所述装置包括：
获取单元，用于获取整车需求功率和动力电池荷电值；
模糊控制单元，用于根据所述整车需求功率和所述动力电池荷电值得到燃料电池输出功率；
优化单元，用于根据所述燃料电池输出功率优化燃料消耗量。
9.一种电池能量控制系统，其特征在于，所述系统包括：动力电池、燃料电池和如权利要求8所述的一种电池能量控制装置。
10.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211561991.1A CN116001654A (zh) | 2022-12-07 | 2022-12-07 | 电池能量控制方法、装置、系统和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211561991.1A CN116001654A (zh) | 2022-12-07 | 2022-12-07 | 电池能量控制方法、装置、系统和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116001654A true CN116001654A (zh) | 2023-04-25 |
Family
ID=86036465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211561991.1A Pending CN116001654A (zh) | 2022-12-07 | 2022-12-07 | 电池能量控制方法、装置、系统和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116001654A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116373695A (zh) * | 2023-05-25 | 2023-07-04 | 北京新研创能科技有限公司 | 基于云的燃料电池的能量输出控制方法及装置 |
| CN118092198A (zh) * | 2024-04-27 | 2024-05-28 | 西北工业大学宁波研究院 | 基于神经网络识别的自适应模糊能量管理方法及其系统 |
-
2022
- 2022-12-07 CN CN202211561991.1A patent/CN116001654A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116373695A (zh) * | 2023-05-25 | 2023-07-04 | 北京新研创能科技有限公司 | 基于云的燃料电池的能量输出控制方法及装置 |
| CN116373695B (zh) * | 2023-05-25 | 2023-08-04 | 北京新研创能科技有限公司 | 基于云的燃料电池的能量输出控制方法及装置 |
| CN118092198A (zh) * | 2024-04-27 | 2024-05-28 | 西北工业大学宁波研究院 | 基于神经网络识别的自适应模糊能量管理方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A real-time energy management control strategy for battery and supercapacitor hybrid energy storage systems of pure electric vehicles | |
| Wu et al. | Continuous reinforcement learning of energy management with deep Q network for a power split hybrid electric bus | |
| CN116001654A (zh) | 电池能量控制方法、装置、系统和电子设备 | |
| Singh et al. | Fuzzy logic and Elman neural network tuned energy management strategies for a power-split HEVs | |
| 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 | |
| Zhang et al. | Energy management strategy for fuel cell vehicles via soft actor-critic-based deep reinforcement learning considering powertrain thermal and durability characteristics | |
| Li et al. | A speedy reinforcement learning-based energy management strategy for fuel cell hybrid vehicles considering fuel cell system lifetime | |
| CN112668799A (zh) | 基于行驶大数据的phev的智能能量管理方法和存储介质 | |
| Li et al. | A novel combinatorial optimization algorithm for energy management strategy of plug-in hybrid electric vehicle | |
| Murphey et al. | Intelligent power management in a vehicular system with multiple power sources | |
| Zheng et al. | A deep reinforcement learning-based energy management strategy for fuel cell hybrid buses | |
| CN112163269A (zh) | 一种能耗优化控制方法、装置及电动四驱车 | |
| CN111645685B (zh) | 一种经济车速的规划方法、装置、存储介质及设备 | |
| CN112498334A (zh) | 智能网联混合动力汽车的鲁棒能量管理方法及系统 | |
| Li et al. | Energy sources durability energy management for fuel cell hybrid electric bus based on deep reinforcement learning considering future terrain information | |
| CN116461391A (zh) | 一种燃料电池混动汽车能量管理方法 | |
| CN113479186A (zh) | 一种混合动力汽车能量管理策略优化方法 | |
| CN117332677A (zh) | 基于深度强化学习的燃料电池混合动力汽车能量管理方法 | |
| CN113110052A (zh) | 一种基于神经网络和强化学习的混合能量管理方法 | |
| CN116714483A (zh) | 基于蛇优化算法的燃料电池汽车能量管理方法及装置 | |
| Zhang et al. | PMP method with a cooperative optimization algorithm considering speed planning and energy management for fuel cell vehicles | |
| CN112249001B (zh) | 混合动力车辆能量管理方法及装置 | |
| CN116001655A (zh) | 一种基于经验池迁移的燃料电池汽车深度强化学习能量管理方法 | |
| Jayanthi et al. | Powell Metaheuristic Cat Swarm optimized Sugeno Fuzzy Controller based Deep Belief Network for energy management in Hybrid electric vehicles | |
| CN115140059A (zh) | 一种基于多目标优化的混合动力汽车能量管理方法及系统 |
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 |