CN116160923A - 电池汽车能量的监控管理方法及监控管理系统 - Google Patents
电池汽车能量的监控管理方法及监控管理系统 Download PDFInfo
- Publication number
- CN116160923A CN116160923A CN202310240235.7A CN202310240235A CN116160923A CN 116160923 A CN116160923 A CN 116160923A CN 202310240235 A CN202310240235 A CN 202310240235A CN 116160923 A CN116160923 A CN 116160923A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- equivalent
- monitoring
- obtaining
- aging degree
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000007726 management method Methods 0.000 title claims abstract description 42
- 239000000446 fuel Substances 0.000 claims abstract description 162
- 230000032683 aging Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000007637 random forest analysis Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 13
- 229910052739 hydrogen Inorganic materials 0.000 claims description 35
- 239000001257 hydrogen Substances 0.000 claims description 35
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 34
- 238000003066 decision tree Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010248 power generation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000032677 cell aging Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/30—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Fuel Cell (AREA)
Abstract
本发明实施例提供一种电池汽车能量的监控管理方法及监控管理系统，属于电池汽车能量监控管理技术领域。所述监控管理方法包括：获取燃料电池汽车行驶过程中预设时间段内的多个行驶工况；获取所述燃料电池汽车的燃料电池的老化程度指标。本发明通过对燃料电池汽车在行驶过程中的多个工况进行获取，计算出燃料电池的老化程度指标，再根据该老化程度指标计算出不同行驶工况的等效因子以及相关的特征参数，最后采用随机森林算法对行驶工况、等效因子和特征参数进行训练以获得自适应等效因子，该自适应等效因子能够实现对不同老化程度的燃料电池的不同能量管理，提高了对燃料电池能量管理的可靠性，有效地延长了燃料电池的使用寿命。
Description
技术领域
本发明涉及电池汽车能量监控管理技术领域，具体地涉及一种电池汽车能量的监控管理方法及监控管理系统。
背景技术
燃料电池是一种把燃料所具有的化学能直接转换成电能的化学装置，又称电化学发电器。它是继水力发电、热能发电和原子能发电之后的第四种发电技术。
在燃料电池汽车的使用过程中，燃料电池会随着运行时间的增加而老化，老化的燃料电池在性能和效率上都会有所下降。可以看出在输出功率相同时，老化程度严重的燃料电池效率更低。因此当燃料电池老化程度达到一定时，其性能和之前相比将会有明显差异，之前使用的能量管理策略也将变得不再合适，而使用不合适的能量管理策略又会加剧燃料电池的老化，进而形成恶性循环，影响燃料电池的性能和寿命。
本申请发明人在实现本发明的过程中发现，现有技术的上述方案具有影响燃料电池的性能和使用寿命的缺陷。
发明内容
本发明实施例的目的是提供一种电池汽车能量的监控管理方法及监控管理系统，该电池汽车能量的监控管理方法及监控管理系统具有根据燃料电池的老化程度，对燃料电池进行不同的能量管理策略。
为了实现上述目的，本发明实施例提供一种电池汽车能量的监控管理方法，包括：
获取燃料电池汽车行驶过程中预设时间段内的多个行驶工况；
获取所述燃料电池汽车的燃料电池的老化程度指标；
根据所述行驶工况以及所述燃料电池的老化程度指标获取对应的等效因子以及特征参数，其中，所述特征参数包括电池SOC值、车速、加速性能；
根据随机森林算法获取所述燃料电池的自适应等效因子。
可选地，获取所述燃料电池汽车的燃料电池的老化程度指标包括：
获取所述燃料电池的在当前时刻的端电压、电流以及电流密度；
根据公式(1)计算所述燃料电池在当前时刻的欧姆电阻，
其中，Vfc为所述燃料电池的端电压，N为所述燃料电池的个数，Enernst为所述燃料电池的开路电压，I为所述燃料电池的电流，Rohm为所述燃料电池在当前时刻的欧姆电阻，a和b均为常数系数，T为所述燃料电池在当前时刻的温度，i为所述电流密度，i0为所述燃料电池的交换电流密度，iL为所述燃料电池的极限电流密度。
可选地，获取所述燃料电池汽车的燃料电池的老化程度指标还包括：
根据公式(2)计算所述燃料电池的老化程度指标，
其中，SOH为所述燃料电池的老化程度指标，Rohm_EOL为所述燃料电池在寿命结束时的欧姆电阻，Rohm_NEw为所述燃料电池初始时的欧姆电阻。
可选地，根据所述行驶工况以及所述燃料电池的老化程度指标获取对应的等效因子以及特征参数包括：
根据公式(3)计算所述燃料电池的瞬时等效氢气消耗率，
其中，
为瞬时等效氢气消耗率，/>
为所述燃料电池的氢气消耗率，
为动力电池的等效氢气消耗率；
根据系统库建立燃料电池汽车动力系统的仿真模型；
将所述行驶工况输入至所述仿真模型中，以获得所述瞬时等效氢气消耗率在最小值时对应的所述燃料电池的氢气消耗率和动力电池的等效氢气消耗率的最优解。
可选地，根据所述行驶工况以及所述燃料电池的老化程度指标获取对应的等效因子以及特征参数还包括：
预设所述等效因子的范围；
根据公式(4)计算所述行驶工况对应的等效因子，
其中，s(t)为所述行驶工况对应的等效因子，Pbat(t)为所述动力电池的功率，ηbat为所述动力电池的效率，
为氢气的低热值。
可选地，根据随机森林算法获取所述燃料电池的自适应等效因子包括：
获取预设时间段内每个所述行驶工况的等效因子和特征参数；
根据公式(5)计算原始数据集的数量值，
S＝floor(1+log2M)， (5)
其中，S为所述原始数据集的数量值，floor为向下取整函数，M为特征参数的总个数；
在每个所述行驶工况的等效因子和特征参数中随机选取与所述原始数据集的数量值相等的特征参数以形成特征参数集合。
可选地，根据随机森林算法获取所述燃料电池的自适应等效因子还包括：
根据公式(6)计算出所述特征参数集合中每个特征参数对应的特征变量，
其中，Si为所述特征参数集合中第i个特征参数，Ti为所述特征参数集合中第i个特征参数对应的特征变量，i为整数编号，ki为所述特征参数集合中第i个特征参数的随机数。
可选地，根据随机森林算法获取所述燃料电池的自适应等效因子还包括：
对每个特征参数对应的特征变量进行汇总，以形成样本子集；
利用随机子空间思想对生成的随机森林中每棵决策树的节点进行分裂；
利用测试集对所有决策树进行测试，以获得预测类别；
将票选最多的所述预测类别作为最后的所属类别；
根据最后的所属类别获取所述燃料电池的自适应等效因子。
另一方面，本发明还提供一种电池汽车能量的监控管理系统，包括：
燃料电池；
控制器，与所述燃料电池连接，用于执行如上任一所述的监控管理方法。
再一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上任一所述的监控管理方法。
通过上述技术方案，本发明提供的电池汽车能量的监控管理方法及监控管理系统通过对燃料电池汽车在行驶过程中的多个工况进行获取，计算出燃料电池的老化程度指标，再根据该老化程度指标计算出不同行驶工况的等效因子以及相关的特征参数，最后采用随机森林算法对行驶工况、等效因子和特征参数进行训练以获得自适应等效因子，该自适应等效因子能够实现对不同老化程度的燃料电池的不同能量管理，提高了对燃料电池能量管理的可靠性，有效地延长了燃料电池的使用寿命。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是根据本发明的一个实施方式的电池汽车能量的监控管理方法的流程图；
图2是根据本发明的一个实施方式的电池汽车能量的监控管理方法中获取燃料电池老化程度指标的流程图；
图3是根据本发明的一个实施方式的电池汽车能量的监控管理方法中计算行驶工况对应的等效因子的流程图；
图4是根据本发明的一个实施方式的电池汽车能量的监控管理方法中采用随机森林算法的流程图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1是根据本发明的一个实施方式的电池汽车能量的监控管理方法的流程图。在图1中，该监控管理方法可以包括：
在步骤S10中，获取燃料电池汽车行驶过程中预设时间段内的多个行驶工况。其中，不同工况下的等效因子、电池SOC、车速、加速性能参数不相同，因此需要在获取不同的行驶工况。
在步骤S11中，获取燃料电池汽车的燃料电池的老化程度指标。其中，由于燃料电池的老化程度，会影响燃料电池的等效因子，因此需要对燃料电池的老化程度指标进行计算。
在步骤S12中，根据行驶工况以及燃料电池的老化程度指标获取对应的等效因子以及特征参数，其中，特征参数包括电池SOC值、车速、加速性能。其中，将燃料电池汽车在不同行驶工况下的等效因子、电池SOC、车速、加速性能作为随机森林的训练数据。
在步骤S13中，根据随机森林算法获取燃料电池的自适应等效因子。其中，将上述的训练数据对随机森林模型进行训练即可，进而可通过燃料电池的实际老化程度以及相关参数，获得自适应等效因子来调节燃料电池。
在步骤S10至步骤S13中，先获取燃料电池汽车在行驶过程中的多个工况以及不同工况下的电池SOC、车速、加速性参数，再结合根据燃料电池的老化程度指标计算出的不同工况下的等效因子，对随机森林模型进行训练即可。在随机森林模型训练好后，根据实时的燃料电池的老化程度指标、特征参数等即可获得自适应等效因子，进而可根据该自适应等效因子对燃料电池的能量进行适应性地管理。具体地，自适应等效因子对燃料电池能量管理即为自适应等效氢耗最小策略。
传统的燃料电池汽车的使用过程中，燃料电池会随着运行时间的增加而老化，在输出功率相同时，老化程度严重的燃料电池效率更低。因此对于老化的燃料电池如果采用原有的能量管理策略会加剧燃料电池的老化，并形成恶性循环，影响燃料电池的性能和寿命。在本发明的该实施方式中，采用将根据燃料电池的老化程度计算出的不同工况下的等效因子与特征参数结合训练随机森林模型的方式，能够获得适用于燃料电池现有的老化状态下的自适应等效因子。根据该自适应等效因子能够实现对不同老化程度的燃料电池的不同能量管理，提高了对燃料电池能量管理的可靠性，有效地延长了燃料电池的使用寿命。
在本发明的该实施方式中，为了获取燃料电池的老化程度，还需要对其老化程度指标进行计算，具体地计算步骤可以如图2所示。具体地，在图2中，该监控管理方法还可以包括：
在步骤S20中，获取燃料电池的在当前时刻的端电压、电流以及电流密度。
在步骤S21中，根据公式(1)计算燃料电池在当前时刻的欧姆电阻，
其中，Vfc为燃料电池的端电压，N为燃料电池的个数，Enernst为燃料电池的开路电压，它的大小与燃料电池的温度和反应物的分压有关。I为燃料电池的电流，Rohm为燃料电池在当前时刻的欧姆电阻，a和b均为常数系数，需要通过离线的参数辨识获得。T为燃料电池在当前时刻的温度，i为电流密度，i0为燃料电池的交换电流密度，iL，为燃料电池的极限电流密度。
在步骤S22中，根据公式(2)计算燃料电池的老化程度指标，
其中，SOH为燃料电池的老化程度指标，Rohm_EOL为燃料电池在寿命结束时的欧姆电阻，Rohm_NEW为燃料电池初始时的欧姆电阻。具体地，之所以只选择欧姆电阻作为燃料电池老化程度的评价指标，是因为极化电阻可能存在自我恢复。此外，初始时和寿命结束时的欧姆电阻需要通过同批次的燃料电池离线测试获得。为了保障测量的准确度，对于每一次老化程度的评测，都需要多次采用测量，然后计算取均值。
在步骤S20至步骤S22中，根据燃料电池在当前时刻的端电压、电流以及电流密度等数据，对燃料电池在当前时刻的欧姆电阻进行计算获取。再根据燃料电池当前时刻的欧姆电阻以及初始时和寿命结束时的欧姆电阻计算出燃料电池的老化程度指标即可，该燃料电池的老化程度指标即代表着燃料电池的老化状态。
在本发明的该实施方式中，为了对随机森林模型进行训练，还需要计算出在当前时刻老化程度指标下燃料电池的等效因子，具体地步骤可以如图3所示。具体地，在图3中，该监控管理方法还可以包括：
在步骤S30中，根据公式(3)计算燃料电池的瞬时等效氢气消耗率，
其中，
为瞬时等效氢气消耗率，/>
为燃料电池的氢气消耗率，
为动力电池的等效氢气消耗率。具体地，燃料电池汽车上的燃料电池为主要能量源，而动力电池为能量缓冲器，动力电池电能的释放或吸收可以等效为氢气的消耗或补偿，因此可以把燃料电池的氢气消耗量和动力电池的等效的氢气消耗量之和作为优化目标，在两者之和(即燃料电池的瞬时等效氢气消耗率/>
)最小时可得瞬时的最优解。此外，该燃料电池的瞬时等效氢气消耗率/>
为其中一个行驶工况下t时刻的值，需要对所有行驶工况下每个时刻的值进行计算。
在步骤S31中，根据系统库建立燃料电池汽车动力系统的仿真模型。其中，在仿真软件advisor中利用系统库建立燃料电池汽车动力系统的仿真模型。
在步骤S32中，将行驶工况输入至仿真模型中，以获得瞬时等效氢气消耗率在最小值时对应的燃料电池的氢气消耗率和动力电池的等效氢气消耗率的最优解。
在步骤S33中，预设等效因子的范围。
在步骤S34中，根据公式(4)计算行驶工况对应的等效因子，
其中，s(t)为行驶工况对应的等效因子，Pbat(t)为动力电池的功率，ηbat为动力电池的效率，
为氢气的低热值。具体地，等效因子对等效耗氢策略的优化结果影响很大，因此需要对每个行驶工况的等效因子进行计算，以实现燃料电池实时获取自适应的等效因子。也即在燃料电池汽车行驶过程中，根据其相关参数的变化，实时调整等效因子的值，从而提升等效耗氢最小策略的鲁棒性。此外，该等效因子即为其中一个行驶工况下t时刻的最佳等效因子，需要对所有行驶工况的每一时刻的最佳等效因子进行求解。
在步骤S30至步骤S34中，采用燃料电池的瞬时等效氢气消耗率最小的策略，从燃料电池汽车动力系统的仿真模型中获取燃料电池的氢气消耗率和动力电池的等效氢气消耗率的最优解，进而能够求取出对应的最佳等效因子，将同一时刻的最佳等效因子与特征参数作为训练数据一起输入至随机森林模型中进行训练即可。
在本发明的该实施方式中，为了使得随机森林模型能够输出自适应等效因子，还需要利用上述求取出的训练数据对其进行训练，具体地训练步骤可以如图4所示。具体地，在图4中，该监控管理方法可以包括：
在步骤S40中，获取预设时间段内每个行驶工况的等效因子和特征参数。其中，获取的即为每个行驶工况下每一个时刻的等效因子和特征参数。
在步骤S41中，根据公式(5)计算原始数据集的数量值，
S＝floor(1+log2 M)， (5)
其中，S为原始数据集的数量值，Tloor为向下取整函数，M为特征参数的总个数。
在步骤S42中，在每个行驶工况的等效因子和特征参数中随机选取与原始数据集的数量值相等的特征参数以形成特征参数集合。其中，随机选取多次，并形成多个特征参数集合。
在步骤S43中，根据公式(6)计算出特征参数集合中每个特征参数对应的特征变量，
其中，Si为特征参数集合中第i个特征参数，Ti为特征参数集合中第i个特征参数对应的特征变量，i为整数编号，且i≤S，ki为特征参数集合中第i个特征参数的随机数。
在步骤S44中，对每个特征参数对应的特征变量进行汇总，以形成样本子集。其中，每个特征参数集合中特征参数对应的特征变量形成一个样本子集，进而多个特征参数集合可以得到多个样本子集，可以表示为{C1，C2，…，Cm}，m为整数编号。
在步骤S45中，利用随机子空间思想对生成的随机森林中每棵决策树的节点进行分裂。其中，构建随机森林模型，该随机森林模型中有与样本子集数量相对应的多个决策树。将所有的样本子集与对应的随机森林模型中每棵决策树结合以进行节点分裂。
在步骤S46中，利用测试集对所有决策树进行测试，以获得预测类别。其中，在每棵决策树都自上而下构建好之后，保留树的完整性不对其进行剪枝处理，并通过测试集对所有的决策树进行测试，并获得多个预测类别C1(X)、C2(X)、…、Cm(X)。
在步骤S47中，将票选最多的预测类别作为最后的所属类别。其中，将票选最多的预测类别作为随机森林模型的输出，也即为燃料电池的自适应等效因子。
在步骤S48中，根据最后的所属类别获取燃料电池的自适应等效因子。
在步骤S40至步骤S48中，根据样本子集的数量确定随机森林模型中决策树的数量，并将每个样本子集与对应的决策树结合以进行节点分裂。用测试集对该决策树进行测试，并将票选最高的预测类别作为最后的所属类别输出，也即随机森林模型输出燃料电池的自适应等效因子。
另一方面，本发明还提供一种电池汽车能量的监控管理系统。具体地，该监控管理系统可以包括燃料电池以及控制器。具体地，该控制器用于执行如上任一的监控管理方法。
再一方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有指令，指令用于被机器读取以使得机器执行如上任一的监控管理方法。
通过上述技术方案，本发明提供的电池汽车能量的监控管理方法及监控管理系统通过对燃料电池汽车在行驶过程中的多个工况进行获取，计算出燃料电池的老化程度指标，再根据该老化程度指标计算出不同行驶工况的等效因子以及相关的特征参数，最后采用随机森林算法对行驶工况、等效因子和特征参数进行训练以获得自适应等效因子，该自适应等效因子能够实现对不同老化程度的燃料电池的不同能量管理，提高了对燃料电池能量管理的可靠性，有效地延长了燃料电池的使用寿命。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种电池汽车能量的监控管理方法，其特征在于，包括：
获取燃料电池汽车行驶过程中预设时间段内的多个行驶工况；
获取所述燃料电池汽车的燃料电池的老化程度指标；
根据所述行驶工况以及所述燃料电池的老化程度指标获取对应的等效因子以及特征参数，其中，所述特征参数包括电池SOC值、车速、加速性能；
根据随机森林算法获取所述燃料电池的自适应等效因子。
2.根据权利要求1所述的监控管理方法，其特征在于，获取所述燃料电池汽车的燃料电池的老化程度指标包括：
获取所述燃料电池的在当前时刻的端电压、电流以及电流密度；
根据公式(1)计算所述燃料电池在当前时刻的欧姆电阻，
其中，Vfc为所述燃料电池的端电压，N为所述燃料电池的个数，Enernst为所述燃料电池的开路电压，I为所述燃料电池的电流，Rohm为所述燃料电池在当前时刻的欧姆电阻，a和b均为常数系数，T为所述燃料电池在当前时刻的温度，i为所述电流密度，i0为所述燃料电池的交换电流密度，iL为所述燃料电池的极限电流密度。
3.根据权利要求2所述的监控管理方法，其特征在于，获取所述燃料电池汽车的燃料电池的老化程度指标还包括：
根据公式(2)计算所述燃料电池的老化程度指标，
其中，SOH为所述燃料电池的老化程度指标，Rohm_EOL为所述燃料电池在寿命结束时的欧姆电阻，Rohm_NEW为所述燃料电池初始时的欧姆电阻。
4.根据权利要求3所述的监控管理方法，其特征在于，根据所述行驶工况以及所述燃料电池的老化程度指标获取对应的等效因子以及特征参数包括：
根据公式(3)计算所述燃料电池的瞬时等效氢气消耗率，
其中，
为瞬时等效氢气消耗率，/>
为所述燃料电池的氢气消耗率，
为动力电池的等效氢气消耗率；
根据系统库建立燃料电池汽车动力系统的仿真模型；
将所述行驶工况输入至所述仿真模型中，以获得所述瞬时等效氢气消耗率在最小值时对应的所述燃料电池的氢气消耗率和动力电池的等效氢气消耗率的最优解。
5.根据权利要求4所述的监控管理方法，其特征在于，根据所述行驶工况以及所述燃料电池的老化程度指标获取对应的等效因子以及特征参数还包括：
预设所述等效因子的范围；
根据公式(4)计算所述行驶工况对应的等效因子，
其中，s(t)为所述行驶工况对应的等效因子，Pbat(t)为所述动力电池的功率，ηbat为所述动力电池的效率，
为氢气的低热值。
6.根据权利要求5所述的监控管理方法，其特征在于，根据随机森林算法获取所述燃料电池的自适应等效因子包括：
获取预设时间段内每个所述行驶工况的等效因子和特征参数；
根据公式(5)计算原始数据集的数量值，
S＝floor(1+log2M)， (5)
其中，S为所述原始数据集的数量值，floor为向下取整函数，M为特征参数的总个数；
在每个所述行驶工况的等效因子和特征参数中随机选取与所述原始数据集的数量值相等的特征参数以形成特征参数集合。
7.根据权利要求6所述的监控管理方法，其特征在于，根据随机森林算法获取所述燃料电池的自适应等效因子还包括：
根据公式(6)计算出所述特征参数集合中每个特征参数对应的特征变量，
其中，Si为所述特征参数集合中第i个特征参数，Ti为所述特征参数集合中第i个特征参数对应的特征变量，i为整数编号，ki为所述特征参数集合中第i个特征参数的随机数。
8.根据权利要求7所述的监控管理方法，其特征在于，根据随机森林算法获取所述燃料电池的自适应等效因子还包括：
对每个特征参数对应的特征变量进行汇总，以形成样本子集；
利用随机子空间思想对生成的随机森林中每棵决策树的节点进行分裂；
利用测试集对所有决策树进行测试，以获得预测类别；
将票选最多的所述预测类别作为最后的所属类别；
根据最后的所属类别获取所述燃料电池的自适应等效因子。
9.一种电池汽车能量的监控管理系统，其特征在于，包括：
燃料电池；
控制器，与所述燃料电池连接，用于执行如权利要求1至8任一所述的监控管理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至8任一所述的监控管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310240235.7A CN116160923A (zh) | 2023-03-08 | 2023-03-08 | 电池汽车能量的监控管理方法及监控管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310240235.7A CN116160923A (zh) | 2023-03-08 | 2023-03-08 | 电池汽车能量的监控管理方法及监控管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116160923A true CN116160923A (zh) | 2023-05-26 |
Family
ID=86420091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310240235.7A Pending CN116160923A (zh) | 2023-03-08 | 2023-03-08 | 电池汽车能量的监控管理方法及监控管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116160923A (zh) |
-
2023
- 2023-03-08 CN CN202310240235.7A patent/CN116160923A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111157897B (zh) | 评估动力电池的方法、装置、存储介质及处理器 | |
| US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
| CN111965545B (zh) | 锂电池自放电检测方法、装置及系统 | |
| CN111190111B (zh) | 电化学储能电池荷电状态估算方法、装置及系统 | |
| US20220099743A1 (en) | Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods | |
| CN116502112B (zh) | 一种新能源电源测试数据管理方法及系统 | |
| CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
| Zheng et al. | Performance prediction of fuel cells using long short‐term memory recurrent neural network | |
| CN112214862B (zh) | 基于遗传算法的电池参数标定方法、系统及设备 | |
| US20220373609A1 (en) | State Value for Rechargeable Batteries | |
| CN114330130A (zh) | 一种电池剩余使用寿命预测方法、设备及介质 | |
| Pan et al. | Prediction of remaining useful life for lithium‐ion battery based on particle filter with residual resampling | |
| Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
| CN116381541A (zh) | 一种储能锂电池系统的健康评估方法及系统 | |
| CN110634082A (zh) | 一种基于深度学习的低频减载系统运行阶段预测方法 | |
| CN110674569A (zh) | 基于决策树的充电剩余时间估算方法及系统 | |
| CN112230152B (zh) | 测量单体电芯内阻增量的方法及系统 | |
| CN117054892A (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
| CN115600728A (zh) | 一种动力电池的年度碳排放量估算方法及装置 | |
| CN117491895A (zh) | 电池衰老异常检测方法、装置及存储介质 | |
| CN110619413A (zh) | 用于评估风力发电机组健康度的方法及装置 | |
| CN116160923A (zh) | 电池汽车能量的监控管理方法及监控管理系统 | |
| CN114594397B (zh) | 基于泛化模型的锂离子电池健康状态估计方法及系统 | |
| CN116628570A (zh) | 风机叶片覆冰失效检测方法、装置、存储介质和设备 | |
| CN118837761A (zh) | 电芯跳水预测方法、装置、存储介质、电子设备及车辆 |
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 |