CN116341395B - 多堆燃料电池飞机的能量管理方法、系统、设备及终端 - Google Patents

多堆燃料电池飞机的能量管理方法、系统、设备及终端 Download PDF

Info

Publication number
CN116341395B
CN116341395B CN202310616955.9A CN202310616955A CN116341395B CN 116341395 B CN116341395 B CN 116341395B CN 202310616955 A CN202310616955 A CN 202310616955A CN 116341395 B CN116341395 B CN 116341395B
Authority
CN
China
Prior art keywords
representing
fuel cell
battery
aircraft
current
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.)
Active
Application number
CN202310616955.9A
Other languages
English (en)
Other versions
CN116341395A (zh
Inventor
马睿
柴晓越
孙海龙
宋剑
耿瑞雪
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202310616955.9A priority Critical patent/CN116341395B/zh
Publication of CN116341395A publication Critical patent/CN116341395A/zh
Application granted granted Critical
Publication of CN116341395B publication Critical patent/CN116341395B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D27/00—Arrangement or mounting of power plants in aircraft; Aircraft characterised by the type or position of power plants
    • B64D27/02—Aircraft characterised by the type or position of power plants
    • B64D27/24—Aircraft characterised by the type or position of power plants using steam or spring force
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
    • H01M8/04858—Electric variables
    • H01M8/04925—Power, energy, capacity or load
    • H01M8/04932—Power, energy, capacity or load of the individual fuel cell
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
    • H01M8/04858—Electric variables
    • H01M8/04925—Power, energy, capacity or load
    • H01M8/04947—Power, energy, capacity or load of auxiliary devices, e.g. batteries, capacitors
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computer Hardware Design (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Fuel Cell (AREA)

Abstract

本发明属于能量管理技术领域，公开了一种多堆燃料电池飞机的能量管理方法、系统、设备及终端，选择多堆燃料电池飞机的整体系统拓扑结构；构建模糊逻辑控制器，其中输入量为多堆系统的需求功率和蓄电池的荷电状态，输出变量为各个燃料电池的输出功率；利用海鸥优化算法优化模糊逻辑控制器内部的隶属度函数；建立基于多堆燃料电池系统成本的数学模型，并作为海鸥优化算法的适应度函数，从而得到改善的基于模糊逻辑的多堆能量管理策略。本发明提供的多堆燃料电池飞机的能量管理方法，以最小燃料消耗和最小成本为目标函数，通过引入海鸥优化算法来进行模糊逻辑控制器的参数优化，有利于提高多堆燃料电池飞机系统的效率、耐久性和能源利用率等。

Description

多堆燃料电池飞机的能量管理方法、系统、设备及终端
技术领域
本发明属于能量管理技术领域，尤其涉及一种多堆燃料电池飞机的能量管理方法、系统、设备及终端。
背景技术
目前，传统的油驱无人机依靠燃油、内燃机和涡轮机等来提供飞行动力，但是存在能量转化率低、噪声大、尾气污染严重等缺点，从而限制了油驱无人机的进一步发展。随着全球性能源危机和环境问题与日俱增，氢能作为一种清洁新能源，被认为是21世纪最有前途、最重要的能源之一，具有能量密度大，清洁无污染以及可再生等优点，在此背景下的新能源飞机应运而生。其中燃料电池是一种以氢能为原料，将化学能直接转化为电能的新型发电装置，具有转换效率高，能量密度高、噪声小、无污染等突出优点，所以燃料电池飞机具有良好的续航能力，隐身特性和任务适应性。目前航空用燃料电池存在功率密度低，功率动态响应慢，低温下冷启动困难以及不具备能量回馈能力等缺陷，一般需要结合蓄电池等具有高功率密度和储能能力的辅助电源来构成混合电源系统，从而提高系统的动态性能，进而共同完成负载的功率需求。
通常，航空用燃料电池系统仅由一个燃料电池堆组成，可将其视为单堆燃料电池系统，然而，单堆燃料电池系统可能无法满足日益增长的高功率发电需求。为了增加单堆燃料电池系统的功率范围，制造商试图制造一些单个更高功率的燃料电池，但是面临一些技术和材料的困境且成本很高。与传统内燃机从单缸到多缸的发展类似，燃料电池系统堆的数量也从一个增加到多个，形成多堆燃料电池系统。多堆燃料电池系统通过更高的灵活性提供了比单堆燃料电池系统更大的输出功率和更好的系统性能。此外，多堆燃料电池系统具有模块化的特点，使得更容易将这些模块集成和替换到各种应用中，从而降低了系统的成本。还有，多堆燃料电池系统可以提供多个最佳操作点，带来更广泛的有效操作区域和更灵活的配电方式。多堆燃料电池系统最突出的优点是可以通过冗余实现系统容错能力，进而提高系统的可靠性和耐久性，当一个或多个模块发生故障时，可以启动降级模式，只需简单地重新配置或更换组件即可继续正常运行。
能量管理系统是多堆混合动力燃料电池飞机的核心控制系统，包括数据采集、监控、控制等子系统，可以对混合电源进行实时监控及输出控制等。通过能量管理策略可以对不同电源的输出功率进行合理地分配，进而提高系统的运行效率、使用寿命、电能质量、安全性、稳定性和燃料经济性等，所以多堆燃料电池飞机系统的能量管理研究是至关重要的。
通过上述分析，现有技术存在的问题及缺陷为：
（1）传统的油驱无人机存在能量转化率低，噪声大，尾气污染严重等缺点，从而限制了油驱无人机的进一步发展，不符合当今社会对于绿色、可持续能源的要求。
（2）航空燃料电池系统只采用燃料电池会存在功率密度低，功率动态响应慢，低温条件下冷启动困难以及不具备能量回馈能力等缺陷，所以需要结合蓄电池来构成混合动力系统，进而保证系统的稳定运行。
（3）目前现有的单堆燃料电池系统越来越无法满足日益增长的高功率发电需求，单个更高功率的燃料电池面临技术和材料的困境，且成本很高，但是现存的系统大多基于单堆电池系统进行研究，对多堆燃料电池系统的研究工作基础较少，但是多堆系统是现在研究的一个热点。
（4）由于多堆燃料电池的多种结构和复杂特性，对其系统控制较难，现有的关于多堆燃料电池系统的相关技术在建模和故障检测方面略有研究，但是基于能量管理策略方面的研究少之又少。
（5）现有的能量管理策略多是基于规则的算法，十分依赖工程经验、数值模型、先验知识或实验数据等人为制定的规则，动态响应慢，适应性差，无法保证最优的系统性能，比如传统的状态机算法和模糊逻辑算法等。以模糊逻辑控制策略为例，此算法控制精度不高，且控制效果取决于隶属度函数和规则，主观性比较强，所以需要将模糊逻辑控制策略与智能优化算法相结合，从而对模糊控制规则进行动态寻优，在线修改模糊控制规则，进而改善系统的控制品质。
（6）传统的基于多堆燃料电池的能量管理方法比较简单，主要分为基于平均分配和菊花链式（Daisy-Chain）分配。其中，平均功率分配方法所需的功率平均分配给所有堆。此时所有的堆同时运行，且所有堆的实时输出功率相同。这种方法很容易实现，但无法提高系统的效率。此外，菊花链式分布方法是一种顺序方法，其中打开的堆栈数量取决于所需的功率。在上一个堆达到其最大输出功率后打开下一个堆，直到使用完所有的燃料电池堆或者达到所需求的功率。该方法易于实施，且允许更宽的功率范围。然而，仅在第一个燃料电池处达到最大效率，并且随着功率水平的增加，整个系统效率急剧下降。所以为了更好的保证系统的性能，提高多堆燃料电池系统的效率、延长寿命、减少氢耗以及降低成本，需要研究基于优化的多堆燃料电池的能量管理策略。
（7）由于多堆燃料电池系统的模型的不准确性会导致系统参数的不确定性，且多变的外在环境、复杂的工作条件、不同的操作条件等因素都会对系统造成干扰，目前对于多堆燃料电池系统精确快速的控制研究很少，所以急需研究一种基于多堆燃料电池系统的准确控制的能量管理策略，来提高系统的效率和耐久性等。
发明内容
针对现有技术存在的问题，本发明提供了一种多堆燃料电池飞机的能量管理方法、系统、设备及终端。
本发明是这样实现的，一种多堆燃料电池飞机的能量管理方法，多堆燃料电池飞机的能量管理方法包括以下步骤：
步骤一，选择多堆燃料电池飞机的整体系统拓扑结构，建立多堆燃料电池飞机系统的数学模型；
步骤二，建立优化目标函数，根据系统损耗、燃料电池和蓄电池寿命的衰减、燃料的消耗以及充电费用等因素搭建基于最小成本的多堆燃料电池飞机系统的能量管理策略模型；
步骤三，构建模糊逻辑控制器，并获取隶属度函数；其中输入量为多堆燃料电池系统的需求功率和蓄电池的荷电状态，输出变量为各个燃料电池的输出功率；
步骤四，将考虑多堆燃料电池飞机系统的燃料消耗和成本（包括氢气购买成本、蓄电池购买成本、充电费用、运输成本、老化成本等）的目标函数作为海鸥优化算法的适应度函数，利用海鸥优化算法对模糊逻辑控制器内部的隶属度参数进行优化求解，进而得到最佳的控制器参数。
进一步，步骤一中的多堆燃料电池飞机系统的拓扑结构由两个燃料电池和一个蓄电池组成。其中，两个燃料电池并联连接，从而允许对每个燃料电池进行单独控制。燃料电池由供气系统来提供氢气，并且和单向升压变换器相连到母线。因为燃料电池的动态响应慢，所以锂电池在多堆燃料电池的动力系统中可以对负载的瞬态功率进行及时响应，进而改善整个系统的动态特性。蓄电池和双向变换器相连，变换器用来控制蓄电池和直流总线的功率流，从而允许电池的充电和放电，进而维持直流母线的电压。电子调速器用来控制发电机的启停和转速，负载由电机驱动螺旋桨构成。
进一步，步骤一中的多堆燃料电池飞机系统的数学模型包括燃料电池模型、蓄电池模型和飞机动力学模型。
（1）燃料电池模型为：
其中，V cell 表示燃料电池单电池输出电压；E nernst 表示能斯特电压；V act 、V ohm 、V conc 分别表示活化过电压、欧姆过电压和浓差过电压。
燃料电池模型中的能斯特电压为：
；
使用吉布斯自由能和熵的标准值，简化之后变为：
；
其中，表示燃料电池做功过程中吉布斯自由能的变化量，单位为kJ/mol，取值为-237.3kJ/mol；/>表示法拉第常数，取值为96485C/mol；/>表示熵的变化值，单位为J/mol；/>表示通用气体常数，值为8.3145J/(mol·K)；/>表示燃料电池的绝对温度，单位为Kelvins；/>表示周围环境中的温度参考值，单位为Kelvins，取值为298.15K；/>和/>分别表示氢气在阳极的分压和氧气在阴极的分压；/>是自然对数。
燃料电池模型中的活化过电压由Tafel方程给出，表达式为：
；
其中，表示燃料电池的输出电流；/>表示氧气反应的交换电流；/>表示转移系数，通常为0.5；/>表示依赖反应的系数，由于氧气反应的系数为2，所以公式可以变为：
；
由于上式为非线性的，且电路中所有的电压降都是循环电流的函数，在电路模型中，可以用流过电流的变阻来表示活化过电压，具体表达如下所示：
；
其中，表示流过电流的活化变阻，与电流有关，表示为：
；
燃料电池模型中的欧姆过电压由欧姆损耗引起，由已知的欧姆定律可以得到具体表达为：
；
；
；
其中，表示质子交换膜燃料电池的等效欧姆阻抗；/>表示质子交换膜的厚度；/>表示质子交换膜的电阻率；/>表示质子交换膜的有效活化面积；/>表示流过欧姆电阻的电流；/>表示在电流为零、温度为/>的状态时质子交换膜的电阻率，是关于阳极相对温度和化学计量数的可调参数，exp是以自然常数e为底的指数函数。
燃料电池的浓差过电压是反应物在反应中被消耗的浓度变化的结果，具体表达式为：
；
其中，分别为浓差过电压常数1和常数2；/>表示燃料电池电路的最大电流。
由于上式为非线性的，且电路中所有的电压降都是循环电流的函数，在电路模型中，可以用流过电流的变阻来表示浓差过电压，具体表达如下所示：
；
其中，表示流过电流的浓差变阻，与电流有关，表示为：
。
（2）蓄电池模型为：
；
;
其中，表示电池的输出电压；/>表示电池的开路电压；/>表示极化电压；/>表示极化电压的一阶导数；/>表示输出电流；/>表示欧姆电阻；/>分别表示极化电阻和极化电容；/>表示电池在结束时间/>的SOC；/>表示电池在初始时间/>的SOC；/>表示电池的额定容量；/>表示充放电效率；SOC表示锂电池的荷电状态。
（3）飞机动力学模型为：
;
;
;
;
其中，L表示飞机机翼产生的升力；D表示机体受到的阻力；表示当前飞行高度下的空气密度；V表示飞机与地球的相对速度；S w 表示翼展面积；C L 与C D 分别表示升力系数和阻力系数，与机翼形状、横截面积和翼型因素有关；/>表示升力线斜率；/>和/>分别表示迎角为0°时的升力系数和阻力系数；/>表示奥斯瓦尔德因子；/>表示翼展长度；/>表示迎角，指速度方向与机翼弦线之间的夹角;
对飞机动力学模型进行受力分解为：
;
;
;
;
;
其中，表示发动机提供的推力，方向与机翼弦线方向一致；L表示飞机机翼产生的升力；D表示机体受到的阻力；/>表示迎角，是速度方向与机翼弦线之间的夹角；/>表示航迹角，是飞机相对地平面形成的夹角；m表示飞机的质量；g表示飞机的重力加速度；/>表示飞机的加速度；/>表示螺旋桨的转速；/>表示螺旋桨的扭矩；/>和/>分别表示桨拉力系数和扭矩系数；P表示飞机的需求功率；/>表示极化电阻；/>表示迎角的正弦值；/>表示迎角的余弦值；/>表示航迹角的正弦值；/>表示航迹角的余弦值。
进一步，步骤二中的目标函数为：
;
;
其中，表示当前t时刻的总成本消耗；/>表示当前t时刻第i个燃料电池的寿命衰减损耗成本，/>；/>表示当前t时刻氢气消耗成本函数；/>表示当前t时刻蓄电池的寿命衰减损耗成本；/>表示当前t时刻蓄电池的充电费用；/>表示考虑系统成本和蓄电池状态的总的目标函数；/>表示蓄电池的期望SOC参考值；/>表示当前t时刻电池的SOC；/>表示总成本损耗的权重；/>表示维持SOC的权重；
燃料电池寿命衰减损耗成本函数为：
；
；
；
其中，表示第i个燃料电池的寿命衰减系数，/>；/>表示第i个燃料电池的成本；/>表示燃料电池的运行衰减系数；/>表示燃料电池的启停次数；/>表示燃料电池的启停衰减次数；/>和/>分别表示燃料电池的增益系数和负载系数；/>表示当前t时刻的燃料电池输出功率；/>表示燃料电池额定输出功率；
氢气消耗成本函数为：
；
；
；
；
其中，表示当前t时刻的氢气消耗的成本函数；/>表示氢气消耗量；/>表示氢气的成本，包括生产成本和运输成本；/>表示正常运行时第i个燃料电池的氢气消耗量，/>；/>表示燃料电池内部包含的电池单元的数量；/>表示第i个燃料电池的输出电流，/>；/>表示氢气的摩尔质量；/>表示法拉第常数；/>表示由于运行过程中电堆衰减所产生的氢气消耗量；/>表示飞行工况变换所导致的燃料电池性能退化率；表示飞行工况变换的周期次数；/>表示高负载状态所导致的燃料电池性能退化率；/>表示高功率负荷运行时长;/>表示燃料电池1和燃料电池2总的成本；
蓄电池成本函数为：
;
;
;
;
;
其中，表示当前t时刻的蓄电池的成本函数；/>表示蓄电池的寿命衰减系数；表示蓄电池的成本；/>表示电池的容量；/>表示受蓄电池荷电状态影响的衰减项；表示受蓄电池电流影响的衰减项；/>表示电池的工作电流；/>表示当前t时刻电池的工作电流；/>表示电池的额定工作电流；/>表示蓄电池初始荷电状态；/>表示蓄电池中间过程的荷电状态；/>表示蓄电池最终荷电状态；/>表示单位蓄电池荷电状态的充电费用。
进一步，步骤三中的建立基于多堆燃料电池飞机系统的模糊控制的能量管理控制器包括：
（1）对多堆燃料电池飞机系统的需求功率进行区间模糊化，采用trimf函数与trapmf函数相结合的方法设置隶属度函数，得到在既定第一离散论域范围[0,1]内的若干个第一模糊子集；其中，若干个第一模糊子集包括第一模糊子集SS、第一模糊子集RS、第一模糊子集S、第一模糊子集M、第一模糊子集B、第一模糊子集RB和第一模糊子集SB；
（2）对动力电池荷电状态SOC进行区间模糊化，采用trapmf函数设置隶属度函数，得到在既定第二离散论域范围[0,1]内的若干个第二模糊子集；其中，若干个第二模糊子集包括第二模糊子集SS、第二模糊子集RS、第二模糊子集M、第二模糊子集RB和第二模糊子集SB；
（3）燃料电池1输出功率与需求功率的比例系数取值为{0，0.4，0.5，0.6，0.7，0.8，0.9，1，1.4}；
（4）燃料电池2输出功率与需求功率的比例系数取值为{0，0.2，0.3，0.4，0.5，0.6，0.7，0.8，1.1}；
（5）对步骤（1）中的若干个第一模糊子集、步骤（2）中的若干个第二模糊子集和输出值进行经验推理，形成模糊规则库；
（6）查询模糊控制器内部设定的模糊规则库，进而获取到对应的各个燃料电池输出功率与需求功率的比例系数。
进一步，步骤四中的以成本函数为优化目标，采用海鸥优化算法对隶属度参数进行优化求解，进而得到最佳的控制器参数，具体步骤包括：
（1）初始化海鸥优化算法的相关参数；其中，相关参数包括种群规模、最大迭代次数和控制因子等；
（2）根据种群的数量与边界初始化种群位置；
（3）基于工况数据，结合海鸥优化算法的适应度函数，迭代更新每个海鸥的当前位置；
（4）获取最佳海鸥位置指代的最优目标变量；
（5）利用最优目标变量对隶属度函数进行优化，得到合理的能量管理策略。
本发明的另一目的在于提供一种应用所述的多堆燃料电池飞机的能量管理方法的多堆燃料电池飞机的能量管理系统，多堆燃料电池飞机的能量管理系统包括两个质子交换膜燃料电池系统、蓄电池系统、变换器、电机和电子调速器。
其中，两个燃料电池系统并联连接，各通过一个boost变换器连接到母线，蓄电池通过双向变换器连接到母线，燃料电池与蓄电池并联为负载提供电源。
本发明的另一目的在于提供一种计算机设备，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，计算机程序被处理器执行时，使得处理器执行所述的多堆燃料电池飞机的能量管理方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的多堆燃料电池飞机的能量管理方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的多堆燃料电池飞机的能量管理系统。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明弥补了现有技术的缺陷，解决了现有的对于多堆燃料电池飞机系统能量管理方法的一个或多个技术问题，保证在减少系统燃料消耗的同时，提高了系统的效率和延长系统的使用寿命。本发明提出了一种新型的基于多堆燃料电池飞机系统的能量管理策略，进而提高混合动力系统的经济性和耐久性，并且降低系统的成本。
本发明至少具有以下有益效果：
（1）本发明以燃料电池作为主要功率输出装置，可以实现碳减排和能源结构改革，符合当今社会对于发展新型清洁能源的追求；
（2）为了满足日益增长的高功率发电需求，采用两个燃料电池结合蓄电池并联来构成多堆燃料电池飞机混合动力系统的拓扑结构，从而保证了系统的稳定运行；
（3）本发明建立了详细的多堆燃料电池飞机系统的数学模型，来保证系统的准确计算；
（4）本发明构建了详细的考虑多堆燃料电池系统的燃料电池和蓄电池的寿命衰减、燃料消耗以及蓄电池状态等多目标优化函数模型，避免燃料电池长期工作在高消耗区间工作，延长燃料电池的使用寿命，减少蓄电池的健康状态损耗，降低系统成本，实现对多堆燃料电池飞机混合动力系统的能量管理策略的协同调节，提高系统的经济性和耐久性；
（5）为了克服传统的基于规则的多堆系统能量管理策略的缺点，将模糊逻辑控制策略与智能优化算法相结合，采用改善的海鸥优化算法对基于模糊逻辑控制的多堆燃料电池飞机混合动力系统能量管理控制器进行优化求解，通过对模糊控制规则进行动态寻优，改善系统的控制品质。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明提供的多堆燃料电池飞机的能量管理方法，考虑燃料电池和蓄电池的寿命衰减、燃料消耗以及蓄电池状态等因素，建立准确的目标函数，通过引入海鸥优化算法来进行模糊逻辑控制器的参数优化，此方法具有一定的创新性，避免燃料电池长期工作在高消耗区间工作，延长燃料电池的使用寿命，减少蓄电池的健康状态损耗，降低系统成本，实现对多堆燃料电池飞机混合动力系统的能量管理策略的协同调节，提高系统的经济性和耐久性，且有利于提高多堆燃料电池飞机系统的效率和能源利用率。
对于多堆燃料电池系统的研究以前仅停留在对拓扑结构，对故障检测方法，对降级模式和容错控制的研究，很少对多堆燃料电池的能量管理进行研究，现存的关于多堆燃料电池的能量管理策略的研究，都是基于规则的人为制定的策略，比如基于平均分配和链式分配的能量管理策略，本发明的优点在于对多堆燃料电池飞机系统在基于规则策略的基础上提出了一种基于优化的能量管理策略，通过构建多堆燃料电池飞机系统的拓扑结构来保证系统的稳定运行，接着通过建立详细的多堆燃料电池飞机系统的数学模型来保证对系统优化的准确性，还考虑了基于燃料消耗、寿命衰减和系统状态等因素来建立目标函数，进而提高系统的经济性和耐久性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的多堆燃料电池飞机的能量管理方法流程图；
图2是本发明实施例提供的多堆燃料电池飞机系统的拓扑结构图；
图3是本发明实施例提供的多堆燃料电池飞机系统的电路模型图；
图4是本发明实施例提供的飞机动力学分析图；
图5是本发明实施例提供的模糊逻辑控制流程图；
图6是本发明实施例提供的第一隶属度函数的示意图；
图7是本发明实施例提供的第二隶属度函数的示意图；
图8是本发明实施例提供的海鸥优化算法的流程图；
图9是本发明实施列提供的燃料电池模糊逻辑规则库图。
实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种多堆燃料电池飞机的能量管理方法、系统、设备及终端，下面结合附图对本发明作详细的描述。
为了使本领域技术人员充分了解本发明如何具体实现，该部分是对技术方案进行展开说明的解释说明实施例。
如图1所示，本发明实施例提供的多堆燃料电池飞机的能量管理方法包括以下步骤：
S1，选择多堆燃料电池飞机的整体系统拓扑结构，建立多堆燃料电池飞机系统的数学模型；
S2，建立优化目标函数，根据系统损耗、燃料电池和蓄电池寿命的衰减、燃料的消耗以及充电费用成本等搭建基于最小成本的多堆燃料电池飞机系统的能量管理策略模型；
S3，构建模糊逻辑控制器，并获取隶属度函数；其中输入量为多堆燃料电池系统的需求功率和蓄电池的荷电状态，输出变量为各个燃料电池的输出功率；
S4，将多堆电池飞机系统的燃料消耗和充电费用成本的目标函数作为海鸥优化算法的适应度函数，利用海鸥优化算法对模糊逻辑控制器内部的隶属度函数进行优化求解，进而得到最佳的控制器参数。
本发明实施例提供的步骤S1中多堆燃料电池飞机系统的拓扑结构如图2所示，由两个燃料电池和一个蓄电池组成。其中，两个燃料电池并联连接，从而允许对每个燃料电池进行单独控制。燃料电池由供气系统来提供氢气，并且和单向升压变换器相连到母线。因为燃料电池的动态响应慢，所以锂电池在多堆燃料电池的动力系统中可以对负载的瞬态功率进行及时响应，进而改善整个系统的动态特性。蓄电池和双向变换器相连，变换器用来控制蓄电池和直流总线的功率流，从而允许电池的充电和放电，进而维持直流母线的电压。电子调速器用来控制发电机的启停和转速，负载由电机驱动螺旋桨构成。
本发明实施例提供的步骤S1中多堆燃料电池飞机系统的数学模型包括燃料电池模型、蓄电池模型和飞机动力学模型的燃料电池；
模型具体为：
其中，V cell 为燃料电池单电池输出电压；E nernst 为能斯特电压；V act 、V ohm 、V conc 分别为活化过电压、欧姆过电压和浓差过电压。
本发明实施例提供的步骤S1中的燃料电池模型中的能斯特电压具体为：
；
使用吉布斯自由能和熵的标准值，简化之后变为：
；
其中，为燃料电池做功过程中吉布斯自由能的变化量，单位为kJ/mol，取值为-237.3kJ/mol；F为法拉第常数，取值为96485C/mol；/>为熵的变化值，单位为J/mol；R为通用气体常数，取值为8.3145J/mol·K；T表示燃料电池的绝对温度，单位为Kelvins；/>表示周围环境中的温度参考值，单位为Kelvins，取值为295.15K；/>和/>分别表示氢气在阳极的分压和氧气在阴极的分压，分别取恒定值0.5和1.0；/>是自然对数。
本发明实施例提供的步骤S1中的燃料电池模型中的活化过电压具体为：
；
其中，表示燃料电池输出电流；/>表示氧气反应的交换电流；/>表示转移系数，通常为0.5；/>表示依赖反应的系数，由于氧气反应的系数为2，所以公式可以变为：
；
由于上式为非线性的，且电路中所有的电压降都是循环电流的函数，可以在电路模型中用流过电流的变阻来表示活化过电压，具体表示如下：
；
其中，表示流过电流的活化变阻，与电流有关，表示为：
；
本发明实施例提供的步骤S1中的燃料电池模型中的欧姆过电压由欧姆损耗引起，由已知的欧姆定律可以得到：
；
；
；
其中，表示质子交换膜燃料电池的欧姆阻抗，/>表示质子交换膜的厚度；/>表示质子交换膜的电阻率；/>表示质子交换膜的有效活化面积；/>表示流过欧姆电阻的电流；/>表示电池在电流为零、温度为30度的状态时质子交换膜的电阻率；/>是关于阳极相对温度和化学计量数的可调参数，范围为14~23；exp是以自然常数e为底的指数函数。
本发明实施例提供的步骤S1中的燃料电池模型中的浓差电压是反应物在反应中被消耗的浓度变化的结果，表达式为：
；
其中，分别为为浓差过电压常数1和常数2，/>表示燃料电池电路的最大电流，取值为1.5A；
由于上式为非线性的，且电路中所有的电压降都是循环电流的函数，可以在电路模型中用流过电流的变阻来表示浓差过电压，具体表示如下：
；
其中，表示流过电流的浓差变阻，与电流有关，表示为：/>
；
本发明实施例提供的步骤S1中的蓄电池模型具体为：
；
；
其中，是电池的输出电压；/>是电池的开路电压；/>表示极化电压；/>表示极化电压的一阶导数；/>表示蓄电池的输出电流；/>表示欧姆电阻；/>分别表示极化电阻和极化电容；/>表示电池在结束时间/>的SOC；/>表示电池在初始时间/>的SOC；表示电池的额定容量；/>表示充放电效率；SOC表示锂电池的荷电状态。
本发明实施例提供的步骤S1中的飞机动力学模型具体为：
；
；
；
；
其中，L表示飞机机翼产生的升力；D表示机体受到的阻力；表示当前飞行高度下的空气密度；V表示飞机与地球的相对速度（飞行速度）；S w 表示翼展面积；C L 与C D 分别表示升力系数和阻力系数，与机翼形状、横截面积、翼型等因素有关；/>表示迎角，指速度方向与机翼弦线之间的夹角；/>为升力线斜率，取5.6106；/>和/>分别为迎角为0°时的升力系数和阻力系数，分别取0.23和0.0434；/>为奥斯瓦尔德因子，其值为0.75；/>为翼展长度，取5.4。
本发明实施例提供的步骤S1中对飞机动力学模型进行受力分解具体为：
;
;
;
;
;
其中，表示发动机提供的推力，方向与机翼弦线方向一致；L表示飞机机翼产生的升力；D表示机体受到的阻力；/>表示迎角，是速度方向与机翼弦线之间的夹角；/>表示航迹角，是飞机相对地平面形成的夹角；m表示飞机的质量；g表示飞机的重力加速度；/>表示飞机的加速度；/>表示螺旋桨的转速；/>表示螺旋桨的扭矩；/>和/>分别表示桨拉力系数和扭矩系数；P表示飞机的需求功率；/>表示迎角的正弦值；/>表示迎角的余弦值；/>表示航迹角的正弦值；/>表示航迹角的余弦值。
本发明实施例提供的步骤S2中的目标函数具体为：
；
；
其中，表示当前t时刻的总成本消耗；/>表示当前t时刻第i个燃料电池的寿命衰减损耗成本,/>；/>表示当前t时刻氢气消耗成本函数；/>表示当前t时刻蓄电池的寿命衰减损耗成本；/>表示当前t时刻蓄电池的充电费用；/>表示考虑系统成本和蓄电池状态的总的目标函数；/>表示蓄电池的期望SOC参考值；/>表示当前t时刻电池的SOC；/>表示总成本损耗的权重；/>表示维持SOC的权重。
本发明实施例提供的步骤S2中的燃料电池寿命衰减损耗成本函数具体为：
；
；
；
其中，表示第i个燃料电池的寿命衰减系数，/>；/>表示第i个燃料电池的成本，其值为525USD；/>表示燃料电池的运行衰减系数；/>表示燃料电池的启停次数；/>表示燃料电池的启停衰减次数；/>和/>分别表示燃料电池的增益系数和负载系数，分别取0.5×10-4和4；/>表示当前t时刻的燃料电池输出功率；/>表示燃料电池额定输出功率。
本发明实施例提供的步骤S2中的氢气消耗成本函数具体为：
；
；
；
；
其中，表示当前t时刻的氢气消耗的成本函数；/>表示氢气消耗量；/>表示氢气的成本，包括生产成本和运输成本，为2.0USD/kg；/>表示正常运行时第i个燃料电池的氢气消耗量；/>表示燃料电池内部包含的电池单元的数量；/>表示第i个燃料电池的输出电流；/>表示氢气的摩尔质量；/>表示法拉第常数；/>表示由于运行过程中电堆衰减所产生的氢气消耗量；/>表示飞行工况变换所导致的燃料电池性能退化率；/>表示飞行工况变换的周期次数；/>表示高负载状态所导致的燃料电池性能退化率；/>表示高功率负荷运行时长；/>表示燃料电池1和燃料电池2总的成本。
本发明实施例提供的步骤S2中的蓄电池成本函数具体为：
;
;
;
;
;
其中，表示当前t时刻的蓄电池的成本函数；/>表示蓄电池的寿命衰减系数；表示蓄电池的成本，为640USD；/>表示电池的容量；/>表示受蓄电池荷电状态影响的衰减项；/>表示受蓄电池电流影响的衰减项；/>表示电池的工作电流；/>表示电池的额定工作电流；/>表示蓄电池初始荷电状态；/>表示蓄电池中间过程的荷电状态；/>表示蓄电池最终荷电状态；/>表示单位蓄电池荷电状态的充电费用，取值为1USD，/>表示积分运算符号。
本发明实施例提供的步骤S3具体包括以下分步骤：
S31、对多堆燃料电池飞机系统的需求功率进行区间模糊化，采用trimf函数与trapmf函数相结合的方法来设置隶属度函数，得到在既定第一离散论域范围[0,1]内的若干个第一模糊子集，其中的若干个第一模糊子集具体包括第一模糊子集SS（极小）、第一模糊子集RS（较小）、第一模糊子集S（小）、第一模糊子集M（中）、第一模糊子集B（大）、第一模糊子集RB（较大）和第一模糊子集SB（极大）。
S32、对动力电池荷电状态SOC进行区间模糊化，采用trapmf函数来设置隶属度函数，得到在既定第二离散论域范围[0,1]内的若干个第二模糊子集，其中的若干个第二模糊子集具体包括第二模糊子集SS（极小）、第二模糊子集RS（较小）、第二模糊子集M（中）、第二模糊子集RB（较大）和第二模糊子集SB（极大）。
S33、燃料电池1输出功率与需求功率的比例系数取值为：{0，0.4，0.5，0.6，0.7，0.8，0.9，1，1.4}。
S34、燃料电池2输出功率与需求功率的比例系数取值为：{0，0.2，0.3，0.4，0.5，0.6，0.7，0.8，1.1}。
S35、对步骤S31中的若干个第一模糊子集、步骤S32中的若干个第二模糊子集和输出值进行经验推理，形成模糊规则库。
S36、查询模糊控制器内部设定的模糊规则库，进而获取到对应的各个燃料电池输出功率与需求功率的比例系数。
本发明实施例提供的步骤S4具体包括以下分步骤：
S41、初始化海鸥优化算法的相关参数，包括种群规模、最大迭代次数和控制因子等；
S42、根据种群的数量与边界来初始化种群位置；
S43、基于工况数据，结合海鸥优化算法的适应度函数，迭代更新每个海鸥的当前位置；
S44、获取最佳海鸥位置指代的最优目标变量；
S45、利用最优目标变量对隶属度函数进行优化，进而得到合理的能量管理策略。
本发明实施例提供的多堆燃料电池飞机的能量管理系统包括两个质子交换膜燃料电池系统、蓄电池系统、变换器、电机和电子调速器。
其中，两个燃料电池系统并联连接，各通过一个boost变换器连接到母线，蓄电池通过双向变换器连接到母线，燃料电池与蓄电池并联为负载提供电源。
如图2所示，本发明实施例提供的多堆燃料电池飞机系统主要由两个质子交换膜燃料电池系统（供气系统给燃料电池提供反应物氢气）、蓄电池系统、变换器、电机、电子调速器等组成。其中，两个燃料电池系统并联连接，各通过一个boost变换器连接到母线，蓄电池通过双向变换器连接到母线，燃料电池与蓄电池并联为负载提供电源，电子调速器用来控制电机的转速，螺旋桨用来将发动机的转动功率转化为飞机的推力。
如图1所示，本发明实施例提供的多堆燃料电池飞机的能量管理策略的流程包括如下步骤：
步骤S1、搭建多堆燃料电池飞机系统的数学模型，包括燃料电池模型、蓄电池模型、飞机动力学模型等。
在步骤S1中，多堆燃料电池飞机系统的燃料电池模型如图3所示，表示等效活化电阻，/>表示质子交换膜燃料电池的等效欧姆阻抗，/>表示等效浓差电阻，L1-L3表示电感，C1-C8表示电容，Q1-Q4表示开关管，D1-D6表示二极管，/>分别表示极化电阻和极化电容。
本发明实施例提供的燃料电池系统是一个高阶、多变量、动态的复杂系统，内部水的相变、水在质子交换膜中的传递、多孔介质中的气体扩散以及催化层中电化学反应等同时存在并且相互耦合，因此建立燃料电池系统的动态模型较为复杂，本发明分析多堆燃料电池的稳态经验模型。
燃料电池单体的输出电压可以表示为：
；
其中，V cell 为燃料电池单电池输出电压，E nernst 为能斯特电压，V act 、V ohm 、V conc 分别为活化过电压、欧姆过电压和浓差过电压。
能斯特电压可表示为：
；
其中，为燃料电池做功过程中吉布斯自由能的变化量，单位为kJ/mol，取值为-237.3kJ/mol；F为法拉第常数，取值为96485C/mol；/>为熵的变化值，单位为J/mol；R为通用气体常数，取值为8.3145J/mol·K；T表示燃料电池的绝对温度，单位为Kelvins；/>表示周围环境中的温度参考值，单位为Kelvins，取值为295.15K；/>和/>分别表示氢气在阳极的分压和氧气在阴极的分压，分别取恒定值0.5和1.0。不考虑燃料电池启动过程中气压的变化过程，最终得到燃料电池的热力学电动势的表达式为：
；
活化过电压由Tafel方程给出，表示为：
；
其中，表示燃料电池的输出电流；/>表示氧气反应的交换电流；/>表示转移系数，通常为0.5；/>表示另一个依赖反应的系数，由于氧气反应的系数为2，所以公式可以变为：
；
由于此公式为非线性的，且电路中所有的电压降都是循环电流的函数，在电路模型中，可以用流过电流的变阻来表示活化过电压，具体表达如下所示：
；
其中，表示流过电流的活化变阻，与电流有关，表示为：
；
燃料电池模型中的欧姆过电压由欧姆损耗引起，由已知的欧姆定律可以得到具体表达为：
；/>；/>；
其中，表示质子交换膜燃料电池的等效欧姆阻抗；/>表示质子交换膜的厚度；/>表示质子交换膜的电阻率；/>表示质子交换膜的有效活化面积；/>表示流过欧姆电阻的电流；/>表示在电流为零、温度为/>的状态时质子交换膜的电阻率，是关于阳极相对温度和化学计量数的可调参数，其范围为14~23；exp是以自然常数e为底的指数函数。
燃料电池模型中的浓差过电压是反应物在反应中被消耗的浓度变化的结果，具体表达式为：
；
其中，分别为浓差过电压常数1和常数2；/>表示燃料电池电路的最大电流，取1.5A。
由于此公式为非线性的，且电路中所有的电压降都是循环电流的函数，可以在电路模型中用依赖于流过电流的变阻来表示如下：
；
其中，表示流过电流的浓差变阻，与电流有关,表示为：
；
在步骤S1中，本发明实施例提供的多堆燃料电池飞机系统的蓄电池一阶等效电路RC模型如图3所示，表示欧姆电阻，/>分别表示极化电阻和极化电容。
；
其中，是电池的输出电压，/>是电池的开路电压，/>表示极化电压，/>表示极化电压的一阶导数，/>表示输出电流。
蓄电池的荷电状态使用安时积分法表示为：
；
其中，SOC表示锂电池的荷电状态，表示电池在结束时间/>的SOC，/>表示电池在初始时间/>的SOC，/>表示电池的额定容量，/>表示充放电效率。
在步骤S1中，本发明实施例提供的多堆燃料电池飞机系统的飞机动力学模型如图4所示。
典型的无人机飞行任务剖面包括起飞、爬升、巡航、下降和着陆五个相对固定的阶段。由于需要大推力启动，无人机在起飞和爬升阶段面临功率峰值，此时的功率载荷需要由燃料电池和蓄电池同时承担。巡航阶段的气流相对稳定，负载功率需求也较低。下降和着陆阶段受气流影响，功率需求存在较大的波动。本发明结合实际航线以及飞行姿态，计算出功率剖面，从而相对真实地还原飞机航迹和需求功率。
为了方便描述飞机的空间运动姿态，通常选择不同的坐标系分别描述飞机的力和力矩以及运动参数。若要完整描述飞机运动，必须要建立飞机的力、力矩和运动参数间的等式关系，所以将不同坐标系中的物理量通过坐标变换后转移至某个坐标系中，从而在特定坐标系中建立相对应的运动学和动力学方程，本发明使用欧拉角法。
使用欧拉角法从地面系到机体系的变换过程如下：绕/>轴向右旋转一个角度/>，得到/>绕/>轴向上旋转一个角度/>，得到/>、/>绕/>轴向右旋转一个角度/>，得到机体坐标系/>；依据坐标变换方法，将三个坐标变换矩阵相乘，可得到从地面系到机体系的变换矩阵：
；
通过变换矩阵可将地面系的速度矩阵变为机体系的速度矩阵，以实现飞机的动力学分析，如图4所示。
图4中，表示发动机提供的推力，方向与机翼弦线方向一致；L表示飞机机翼产生的升力；D表示机体受到的阻力；G表示机体受到的重力；V表示速度的方向；/>表示迎角，指速度方向与机翼弦线之间的夹角；/>表示航迹角，是飞机相对地平面形成的夹角。
飞机受到的升力和阻力的大小可以分别表示为：
；
；
其中，表示当前飞行高度下的空气密度，V表示飞机与地球的相对速度（飞行速度），S w 表示翼展面积，C L 与C D 分别表示升力系数和阻力系数，与机翼形状、横截面积、翼型等因素有关。
；
；
其中，为升力线斜率，取5.6106；/>和/>分别为迎角为0°时的升力系数和阻力系数，分别取0.23和0.0434；/>为奥斯瓦尔德因子，其值为0.75；/>为翼展长度，取5.4。
将飞机的受力情况按照飞行速度方向分解，分别在速度方向及其垂直方向上得到以下受力平衡公式：
；
；
其中，m表示飞机的质量；g表示飞机的重力加速度，取；/>表示飞机的加速度。
从飞机动力学模型中，得到飞机当前推力，推力由螺旋桨的高速旋转得到，根据螺旋桨涡流理论可得螺旋桨转速和扭矩为：
；/>
；
其中，和/>分别为桨拉力系数和扭矩系数，分别取0.25和0.51；/>表示螺旋桨的转速；/>表示螺旋桨的扭矩。
最后根据功率计算公式：
；
得到飞机的需求功率P。
步骤S2、根据燃料电池的寿命衰减、蓄电池的寿命衰减、燃料的消耗以及充电费用等搭建基于最小成本的多堆燃料电池飞机系统的能量管理策略模型。
作为优选，本发明实施例提供的将多堆燃料电池飞机系统的能量管理系统所要满足的需求设定为：
（1）动力性。燃料电池和蓄电池的输出功率首先要满足多堆燃料电池飞机系统对于当前的需求功率的实时能量的需求；
（2）经济性。能量管理策略应该尽量使各个燃料电池堆和蓄电池工作在高效率的区间，从而使得系统经济效益最大化；
（3）耐久性。能量管理策略应该尽量减少燃料电池的启停循环次数，避免大的电流波动，考虑系统寿命的衰减，进而保证系统的耐久性。
为了使多堆燃料电池飞机系统的能量管理策略满足上述需求，本发明实施例根据燃料电池的寿命衰减、蓄电池的寿命衰减、燃料的消耗以及充电费用等搭建基于最小成本的函数模型。
燃料电池1的寿命衰减损耗成本为：
；/>；；
燃料电池2的寿命衰减损耗成本为：
；/>；；
其中，表示当前t时刻燃料电池1的寿命衰减损耗成本；/>表示当前t时刻燃料电池2的寿命衰减损耗成本；/>表示燃料电池1的寿命衰减系数，取值为[0,1]；/>表示燃料电池2的寿命衰减系数，取值为[0,1]；/>表示燃料电池1的成本，为525USD；/>表示燃料电池2的成本，为525USD；/>表示燃料电池1的运行衰减系数；/>表示燃料电池2的运行衰减系数；/>为燃料电池1的启停次数；/>为燃料电池2的启停次数；/>为燃料电池1的启停衰减次数；/>为燃料电池1的启停衰减次数；/>和/>表示燃料电池1的增益系数和负载系数，分别取0.5×10-4和4；/>和/>表示燃料电池2的增益系数和负载系数，分别取0.5×10-4和4；/>表示当前t时刻的燃料电池1输出功率；/>表示当前t时刻的燃料电池2输出功率；/>表示燃料电池1额定输出功率；/>表示燃料电池2额定输出功率。
燃料电池的燃料为氢气，其消耗成本为：
；/>；；/>；
其中，表示当前t时刻的氢气消耗的成本函数；/>代表氢气消耗量；/>代表氢气的成本，包括生产成本、运输成本等，为2.0USD/kg；/>和/>分别表示正常运行时燃料电池1和燃料电池2的氢气消耗量；/>表示燃料电池内部包含的电池单元的数量；/>表示第i个燃料电池的输出电流，/>；/>表示氢气的摩尔质量；F表示法拉第常数；/>表示由于运行过程中电堆衰减所产生的氢气消耗量；/>表示飞行工况变换所导致的燃料电池性能退化率；/>表示飞行工况变换的周期次数；/>表示高负载状态所导致的燃料电池性能退化率；/>表示高功率负荷运行时长；/>表示燃料电池1和燃料电池2总的成本；/>表示正常运行时第i个燃料电池的氢气消耗量。
蓄电池的寿命衰减成本为：
;/>;/>;
;
其中，表示当前t时刻的蓄电池的成本函数；/>表示蓄电池的寿命衰减系数；表示蓄电池的成本，取值为640USD；/>表示电池的容量；/>表示受蓄电池荷电状态影响的衰减项；/>表示受蓄电池电流影响的衰减项；/>表示电池的工作电流；/>表示电池的额定工作电流；/>表示蓄电池中间过程的荷电状态。
考虑消耗的蓄电池的充电费用：
;
其中，表示蓄电池的充电费用；/>表示蓄电池初始荷电状态；/>表示单位蓄电池荷电状态的充电费用，取值为1USD，/>表示蓄电池最终荷电状态。
针对损耗成本进行建模后，得到最小等效成本函数模型：
;
多目标函数在考虑成本的基础上还要维持蓄电池的荷电状态，目标函数表示为：
;/>
其中，表示当前t时刻的总成本消耗；/>表示蓄电池的期望SOC参考值；表示当前t时刻的电池的SOC；/>为总成本损耗的权重；/>表示维持SOC的权重。
步骤S3、模糊控制鲁棒性强，推理性好，实现简便，且同样适用于在线控制，因此本发明构建基于双输入双输出的T-S模糊逻辑控制器，模糊逻辑控制器以需求功率和蓄电池荷电状态为输入变量，以两个燃料电池的输出功率与需求功率的比例系数为输出变量。本发明实施例提供的T-S模糊逻辑控制流程图如图5所示，包括模糊化和模糊推理的过程，模糊推理的过程包括建立模糊集、制定模糊规则和模糊运算法则，以及去模糊化等步骤，构建过程详细描述包括以下分步骤：
S31、对多堆燃料电池飞机系统的需求功率进行区间模糊化，采用trimf函数与trapmf函数相结合的方法来设置隶属度函数，如图6所示，得到在既定第一离散论域范围[0,1]内的若干个第一模糊子集，其中的若干个第一模糊子集具体包括第一模糊子集SS(极小)、第一模糊子集RS(较小)、第一模糊子集S(小)、第一模糊子集M(中)、第一模糊子集B(大)、第一模糊子集RB(较大)和第一模糊子集SB(极大)；
S32、对动力电池荷电状态SOC进行区间模糊化，采用trapmf函数来设置隶属度函数，如图7所示，得到在既定第二离散论域范围[0,1]内的若干个第二模糊子集，其中的若干个第二模糊子集具体包括第二模糊子集SS(极小)、第二模糊子集RS(较小)、第二模糊子集M(中)、第二模糊子集RB(较大)和第二模糊子集SB(极大)；
S33、燃料电池1输出功率与需求功率的比例系数取值为：{0，0.4，0.5，0.6，0.7，0.8，0.9，1，1.4}；
S34、燃料电池2输出功率与需求功率的比例系数取值为：{0，0.2，0.3，0.4，0.5，0.6，0.7，0.8，1.1}；
S35、对步骤S31中的若干个第一模糊子集、步骤S32中的若干个第二模糊子集和输出值进行经验推理，形成模糊规则库。
本发明实施例提供的模糊规则的制定原则包括：
1）蓄电池SOC过低时，燃料电池需要尽量输出较高的功率，在满足负载要求的同时对动力电池进行充电，从而保证蓄电池的SOC保持在最佳寿命安全窗口。
2）蓄电池SOC过高时，燃料电池需要以低功率输出，此时以蓄电池作为主要的动力源；
3）蓄电池SOC处于高效区间时，燃料电池的输出需要实现一定程度的功率跟随，进而保证蓄电池较高的工作效率。
基于上述原则制定燃料电池模糊逻辑规则库，如图9所示。
S36、查询模糊控制器内部设定的模糊规则库，进而获取到对应的各个燃料电池输出功率与需求功率的比例系数。
需要说明的是，本发明实施例提供的模糊控制器在运行过程中，首先将输入的多堆燃料电池飞机系统的需求功率和蓄电池的荷电状态进行模糊化处理，得到飞机需求功率和蓄电池荷电状态的模糊量；接着通过查询模糊控制器内部设定的模糊规则库获取到对应的各个燃料电池输出功率与需求功率的比例系数，从而得到最终的各个燃料电池的输出功率。
步骤S4、以步骤S2中的函数为优化目标，采用海鸥优化算法来对步骤S3中的模糊逻辑控制器中的隶属度函数的参数进行优化求解，进而得到最佳的控制器参数。
首先对模糊逻辑控制器内部包含的隶属度函数进行获取：
(1)根据图6所示的第一隶属度函数的分段线性曲线交叉情况，获取第一隶属度函数所包含的若干个第一未知变量，其中若干个第一未知变量具体包括同时约束上述第一未知变量的取值范围分别为：/>、/>、、。
根据图7所示的第二隶属度函数的分段线性曲线交叉情况，获取第二隶属度函数所包含的若干个第二未知变量，其中若干个第二未知变量具体包括,同时约束上述第二未知变量的取值范围分别为：、/>、/>、/>、/>、、/>、/>。
在执行对所有隶属度函数的优化之前，优先对本发明所采用的海鸥优化算法的实施原理进行简要说明。海鸥优化算法是一种新的智能优化算法，主要是模拟全局搜索的海鸥迁徙和局部搜索的海鸥攻击，通过这两个操作算子迭代，来寻求最优解，具有算法简单、计算精度高、搜索效率高等优点，可以弥补当前一些优化算法的计算原理复杂、收敛精度不高、以及搜索速度较慢等不足。
上述步骤中的迁徙是通过效仿海鸥群体从某一地方转移到另一个地方的迁徙过程，进而实现全局搜索，需要满足三个条件：避免碰撞、朝最佳的位置方向移动、移动至靠近最佳位置。
为了防止海鸥之间的相互碰撞，算法通过采取添加额外变量A的方法来计算其转移后的新位置：
;
其中，表示当前t时刻的海鸥迁徙之后的新位置，/>表示当前t时刻的海鸥现在所处的位置，/>表示海鸥在指定空间里的运动方式，计算方法如下：
;
其中，是控制因子，控制A变化频率的函数，从2线性递减到0；/>表示迭代最大次数；/>表示迭代次数。
在移动过程中，为了避免与其他海鸥发生位置冲突，海鸥会向最佳位置所在的方向移动，表达式为：
；
其中，表示当前t时刻的最佳位置的方向，/>表示当前t时刻的海鸥的最佳位置，/>是随机数，用来平衡全局和局部搜索的作用，表达式为：
；
其中，为[0,1]范围内的随机数。
海鸥移动到与其他海鸥不相撞的位置之后，就朝着最佳位置的方向移动，进而到达新位置的表达式为：
；
其中表示当前t时刻海鸥的最佳新位置；
海鸥在迁徙过程中通过翅膀运动和身体重量之间来保持最佳的攻击高度。海鸥通过不断改变攻击角度和速度，以螺旋状的运动方式来攻击猎物。
x，y和z平面中的运动行为描述为：
；/>；/>；/>；
其中，代表螺旋半径，/>为自然对数的底数，/>是[0,2π]范围内的随机角度值，u和v分别是螺旋形状的常数1和2。
进而海鸥个体的攻击位置为：
；
本发明实施例提供的利用海鸥优化算法对所述所有的隶属度函数进行优化，海鸥优化算法的流程图如图8所示，具体分步骤包括：
S41、初始化海鸥优化算法的相关参数，包括种群规模、最大迭代次数和控制因子等；
S42、根据种群的数量与边界来初始化种群位置；
S43、基于工况数据，结合海鸥优化算法的适应度函数，迭代更新每个海鸥的当前位置；
S44、获取最佳海鸥位置指代的最优目标变量；
S45、利用最优目标变量对隶属度函数进行优化，进而得到合理的能量管理策略。
在本发明实施例中，引入模糊逻辑控制器，利用海鸥优化算法来进行隶属度参数优化，在优化过程中引入基于最小成本的数学模型作为海鸥优化算法的适应度函数，进而得到合理的能量管理策略，此方法可以提高多堆燃料电池飞机系统的经济性，并且在一定程度上延长使用寿命。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种多堆燃料电池飞机的能量管理方法，其特征在于，所述方法包括以下步骤：
步骤一，选择多堆燃料电池飞机的整体系统拓扑结构，建立多堆燃料电池飞机系统的数学模型；
步骤二，建立优化目标函数，根据系统损耗、燃料电池和蓄电池寿命的衰减、燃料的消耗以及充电费用成本搭建基于最小成本的多堆燃料电池飞机系统的能量管理策略模型；
步骤三，构建模糊逻辑控制器，并获取隶属度函数；其中输入量为多堆燃料电池系统的需求功率和蓄电池的荷电状态，输出变量为各个燃料电池的输出功率；
步骤四，将基于多堆系统燃料消耗和成本的目标函数作为海鸥优化算法的适应度函数，利用海鸥优化算法对模糊逻辑控制器内部的隶属度函数进行优化求解，进而得到最佳的控制器参数；
步骤二中的目标函数为：
，/>，
其中，表示当前t时刻的总成本消耗；/>表示当前t时刻第i个燃料电池的寿命衰减损耗成本，/>；/>表示当前t时刻氢气消耗成本函数；/>表示当前t时刻蓄电池的寿命衰减损耗成本；/>表示当前t时刻蓄电池的充电费用；/>表示考虑系统成本和蓄电池状态的总的目标函数；/>表示蓄电池的期望SOC参考值；/>表示当前t时刻电池的SOC；/>表示总成本损耗的权重；/>表示维持SOC的权重；
燃料电池寿命衰减损耗成本函数为：
，/>，/>，
其中，表示第i个燃料电池的寿命衰减系数，/>；/>表示第i个燃料电池的成本，/>；/>表示燃料电池的运行衰减系数；/>表示燃料电池的启停次数；/>表示燃料电池的启停衰减次数；/>和/>分别表示燃料电池的增益系数和负载系数；/>表示当前t时刻的燃料电池输出功率；/>表示燃料电池额定输出功率；
氢气消耗成本函数为：
，
，
，
，
其中，表示当前t时刻氢气消耗的成本函数；/>表示氢气消耗量；/>表示氢气的成本，包括生产成本和运输成本；/>表示正常运行时第i个燃料电池的氢气消耗量；表示燃料电池内部包含的电池单元的数量；/>表示第i个燃料电池的输出电流；/>表示氢气的摩尔质量；/>表示法拉第常数；/>表示由于运行过程中电堆衰减所产生的氢气消耗量；/>表示飞行工况变换所导致的燃料电池性能退化率；/>表示飞行工况变换的周期次数；/>表示高负载状态所导致的燃料电池性能退化率；/>表示高功率负荷运行时长；表示燃料电池1和燃料电池2总的成本；
蓄电池成本函数为：
，/>，，/>，，
其中，表示当前t时刻的蓄电池的成本函数；/>表示蓄电池的寿命衰减系数；/>表示蓄电池的成本，取值为640USD；/>表示电池的容量；/>表示受蓄电池荷电状态影响的衰减项；/>表示受蓄电池电流影响的衰减项；/>表示电池的工作电流；/>表示当前t时刻电池的工作电流；/>表示电池的额定工作电流；/>表示蓄电池初始荷电状态；/>表示蓄电池中间过程的荷电状态；/>表示蓄电池最终荷电状态；/>表示单位蓄电池荷电状态的充电费用；/>表示当前t时刻蓄电池的充电费用，/>表示积分运算符号。
2.如权利要求1所述多堆燃料电池飞机的能量管理方法，其特征在于，步骤一中的多堆燃料电池飞机的整体系统拓扑结构由两个燃料电池和一个蓄电池组成；其中，两个燃料电池并联连接，从而允许对每个燃料电池进行单独控制；燃料电池由供气系统来提供氢气，并且和单向升压变换器相连到母线；因为燃料电池的动态响应慢，所以锂电池在多堆燃料电池的动力系统中可以对负载的瞬态功率进行及时响应，进而改善整个系统的动态特性；蓄电池和双向变换器相连，变换器用来控制蓄电池和直流总线的功率流，从而允许电池的充电和放电，进而维持直流母线的电压；电子调速器用来控制发电机的启停和转速，负载由电机驱动螺旋桨构成；
步骤一中的多堆燃料电池飞机系统的数学模型包括燃料电池模型、蓄电池模型和飞机动力学模型；
（1）燃料电池模型为：
,
其中，V cell 表示燃料电池单电池输出电压；E nernst 表示能斯特电压；V act 、V ohm 、V conc 分别表示活化过电压、欧姆过电压和浓差过电压；
燃料电池模型中的能斯特电压为：
,
使用吉布斯自由能和熵的标准值，简化之后变为：
,
其中，表示燃料电池做功过程中吉布斯自由能的变化量；/>表示法拉第常数；/>表示熵的变化值；/>表示通用气体常数，/>表示燃料电池的绝对温度；/>表示周围环境中的温度参考值；/>和/>分别表示氢气在阳极的分压和氧气在阴极的分压；
燃料电池模型中的活化过电压为：
,
其中，表示燃料电池输出电流；/>表示氧气反应的交换电流；/>表示转移系数；/>表示依赖反应的系数，由于氧气反应的系数为2，所以公式可以变为：
;
由于公式为非线性的，且电路中所有的电压降都是循环电流的函数，在电路模型中用流过电流的变阻来表示活化过电压，具体表示如下：
；
其中，表示流过电流的活化变阻，与电流有关，表示为：
，
燃料电池模型中的欧姆过电压由欧姆损耗引起，由已知的欧姆定律可以得到：
，
，
，
其中，表示质子交换膜燃料电池的等效膜阻抗，/>表示质子交换膜的厚度；/>表示质子交换膜的电阻率；/>表示质子交换膜的有效活化面积；/>表示电流；表示电池在电流为零、温度为30度的状态时质子交换膜的电阻率，/>是关于阳极相对温度和化学计量数的可调参数；exp是以自然常数e为底的指数函数；
燃料电池模型中的浓差过电压是反应物在反应中被消耗的浓度变化的结果，表达式为：
，
其中，和/>分别为浓差过电压常数1和常数2；/>表示燃料电池电路的最大电流；
由于公式为非线性的，且电路中所有的电压降都是循环电流的函数，可以在电路模型中用流过电流的变阻来表示浓差过电压，具体表示如下：
，
其中，表示流过电流的浓差变阻，与电流有关，表示为：
，
（2）蓄电池模型为：
，
，
其中，表示电池的输出电压；/>表示电池的开路电压；/>表示极化电压；/>表示极化电压的一阶导数；/>表示输出电流；/>表示欧姆电阻；/>分别表示极化电阻和极化电容；/>表示电池在结束时间/>的SOC；/>表示锂电池的荷电状态；/>表示电池在初始时间/>的SOC；/>表示电池的额定容量；/>表示充放电效率；
（3）飞机动力学模型为：
，
，
，
，
其中，L表示飞机机翼产生的升力；D表示机体受到的阻力；表示当前飞行高度下的空气密度；/>表示飞机与地球的相对速度；/>表示翼展面积；/>与/>分别表示升力系数和阻力系数，与机翼形状、横截面积和翼型因素有关；/>表示升力线斜率；/>和/>分别表示迎角为0°时的升力系数和阻力系数；/>表示奥斯瓦尔德因子；/>表示翼展长度；/>表示迎角，指速度方向与机翼弦线之间的夹角；
对飞机动力学模型进行受力分解为：
，
，
，
，
，
其中，表示发动机提供的推力，方向与机翼弦线方向一致；L表示飞机机翼产生的升力；D表示机体受到的阻力；/>表示迎角，指速度方向与机翼弦线之间的夹角；/>表示航迹角，是飞机相对地平面形成的夹角；m表示飞机的质量；g表示飞机的重力加速度；/>表示飞机的加速度；/>表示螺旋桨的转速；/>表示螺旋桨的扭矩；/>和/>分别表示桨拉力系数和扭矩系数；/>表示飞机的需求功率；/>表示极化电阻；/>表示迎角的正弦值；/>表示迎角的余弦值；/>表示航迹角的正弦值；/>表示航迹角的余弦值。
3.如权利要求1所述多堆燃料电池飞机的能量管理方法，其特征在于，步骤三中的模糊逻辑控制器包括：
（1）对多堆燃料电池飞机系统的需求功率进行区间模糊化，采用trimf函数与trapmf函数相结合的方法设置隶属度函数，得到在既定第一离散论域范围[0,1]内的若干个第一模糊子集；其中，若干个第一模糊子集包括第一模糊子集SS、第一模糊子集RS、第一模糊子集S、第一模糊子集M、第一模糊子集B、第一模糊子集RB和第一模糊子集SB；
（2）对动力电池荷电状态SOC进行区间模糊化，采用trapmf函数设置隶属度函数，得到在既定第二离散论域范围[0,1]内的若干个第二模糊子集；其中，若干个第二模糊子集包括第二模糊子集SS、第二模糊子集RS、第二模糊子集M、第二模糊子集RB和第二模糊子集SB；
（3）燃料电池1输出功率与需求功率的比例系数取值为{0，0.4，0.5，0.6，0.7，0.8，0.9，1，1.4}；
（4）燃料电池2输出功率与需求功率的比例系数取值为{0，0.2，0.3，0.4，0.5，0.6，0.7，0.8，1.1}；
（5）对步骤（1）中的若干个第一模糊子集、步骤（2）中的若干个第二模糊子集和输出值进行经验推理，形成模糊规则库；
（6）查询模糊控制器内部设定的模糊规则库，进而获取到对应的各个燃料电池输出功率与需求功率的比例系数。
4.如权利要求1所述多堆燃料电池飞机的能量管理方法，其特征在于，步骤四中的最佳的控制器参数包括：
（1）初始化海鸥优化算法的相关参数；其中，相关参数包括种群规模、最大迭代次数和控制因子;
（2）根据种群的数量与边界初始化种群位置；
（3）基于工况数据，结合海鸥优化算法的适应度函数，迭代更新每个海鸥的当前位置；
（4）获取最佳海鸥位置指代的最优目标变量；
（5）利用最优目标变量对隶属度函数进行优化，得到合理的能量管理策略。
5.一种应用如权利要求1~4任意一项所述多堆燃料电池飞机的能量管理方法的多堆燃料电池飞机的能量管理系统，其特征在于，多堆燃料电池飞机的能量管理系统包括两个质子交换膜燃料电池系统、蓄电池系统、变换器、电机和电子调速器；其中，两个燃料电池系统并联连接，各通过一个boost变换器连接到母线，蓄电池通过双向变换器连接到母线，燃料电池与蓄电池并联为负载提供电源。
6.一种计算机设备，其特征在于，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，计算机程序被处理器执行时，使得处理器执行如权利要求1~4任意一项所述多堆燃料电池飞机的能量管理方法的步骤。
7.一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计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1~4任意一项所述多堆燃料电池飞机的能量管理方法的步骤。
8.一种信息数据处理终端，其特征在于，信息数据处理终端用于实现如权利要求5所述多堆燃料电池飞机的能量管理系统。
CN202310616955.9A 2023-05-29 2023-05-29 多堆燃料电池飞机的能量管理方法、系统、设备及终端 Active CN116341395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310616955.9A CN116341395B (zh) 2023-05-29 2023-05-29 多堆燃料电池飞机的能量管理方法、系统、设备及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310616955.9A CN116341395B (zh) 2023-05-29 2023-05-29 多堆燃料电池飞机的能量管理方法、系统、设备及终端

Publications (2)

Publication Number Publication Date
CN116341395A CN116341395A (zh) 2023-06-27
CN116341395B true CN116341395B (zh) 2023-08-01

Family

ID=86880749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310616955.9A Active CN116341395B (zh) 2023-05-29 2023-05-29 多堆燃料电池飞机的能量管理方法、系统、设备及终端

Country Status (1)

Country Link
CN (1) CN116341395B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117228021B (zh) * 2023-11-14 2024-01-19 贵州航天智慧农业有限公司 用于高粱害虫类别识别的无人机充放电调节方法及系统
CN117650257B (zh) * 2024-01-29 2024-04-05 北京稳力科技有限公司 一种燃料电池系统控制方法和装置
CN117799503B (zh) * 2024-03-01 2024-04-30 西北工业大学 计及节能驾驶的燃料电池重卡能量管理方法及系统
CN117799502B (zh) * 2024-03-01 2024-05-14 西北工业大学宁波研究院 一种uuv的混合动力系统的能源管理方法
CN117922384B (zh) * 2024-03-25 2024-06-04 山东大学 一种燃料电池混合动力纯电船舶的能量控制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006084080A2 (en) * 2005-02-02 2006-08-10 Ultracell Corporation Systems and methods for protecting a fuel cell
CN111572369A (zh) * 2020-05-19 2020-08-25 电子科技大学 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
CN114906014A (zh) * 2022-05-24 2022-08-16 佛山仙湖实验室 基于海鸥优化算法的燃料电池汽车能量管理方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2588180B (en) * 2019-10-11 2022-03-16 Intelligent Energy Ltd Systems and methods for providing heat control in a multi-stack fuel cell system
CN113602153B (zh) * 2021-07-30 2023-01-03 东南大学 多堆氢燃料电池系统功率管理方法
CN113884928B (zh) * 2021-09-23 2022-06-21 西南交通大学 一种基于燃料电池健康度校正的多堆分布式控制方法
CN114024008B (zh) * 2021-11-04 2024-02-20 上海重塑能源科技有限公司 一种多堆燃料电池系统功率管理集成装置及其工作方法
CN115149053A (zh) * 2022-06-22 2022-10-04 武汉天富海科技发展有限公司 基于模糊调控的多堆燃料电池系统负载功率分配方法
CN115513498A (zh) * 2022-10-24 2022-12-23 西北工业大学 一种航空用多堆燃料电池系统电热控制方法
CN115602891A (zh) * 2022-10-25 2023-01-13 吉林大学（Cn） 基于水活度校正的多堆燃料电池输出功率分配方法及系统
CN115763908B (zh) * 2022-11-29 2024-03-01 合肥工业大学 一种多堆燃料电池系统效率优化的分布式控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006084080A2 (en) * 2005-02-02 2006-08-10 Ultracell Corporation Systems and methods for protecting a fuel cell
CN111572369A (zh) * 2020-05-19 2020-08-25 电子科技大学 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
CN114906014A (zh) * 2022-05-24 2022-08-16 佛山仙湖实验室 基于海鸥优化算法的燃料电池汽车能量管理方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于模糊逻辑控制的燃料电池汽车能量管理控制策略研究;王骞;李顶根;苗华春;;汽车工程(12);全文 *
基于粒子群的燃料电池汽车模糊能量管理策略的研究;张松茂;王云亮;;自动化技术与应用(06);全文 *
适用于燃料电池混合供电系统的能量管理策略;冯茂;马辉;赵金刚;危伟;;电力科学与工程(12);全文 *

Also Published As

Publication number Publication date
CN116341395A (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN116341395B (zh) 多堆燃料电池飞机的能量管理方法、系统、设备及终端
Tao et al. State of art on energy management strategy for hybrid-powered unmanned aerial vehicle
Rezk et al. Comparison among various energy management strategies for reducing hydrogen consumption in a hybrid fuel cell/supercapacitor/battery system
Lee et al. Active power management system for an unmanned aerial vehicle powered by solar cells, a fuel cell, and batteries
Zhang et al. Fuzzy state machine energy management strategy for hybrid electric UAVs with PV/fuel cell/battery power system
Yao et al. Grey Markov prediction-based hierarchical model predictive control energy management for fuel cell/battery hybrid unmanned aerial vehicles
Zhang et al. A comprehensive review of electrochemical hybrid power supply systems and intelligent energy managements for unmanned aerial vehicles in public services
CN114919752B (zh) 一种基于ecms-mpc的氢燃料混合动力无人机能量管理方法
Sarma et al. Design optimisation for component sizing using multi‐objective particle swarm optimisation and control of PEM fuel cell‐battery hybrid energy system for locomotive application
CN112418496B (zh) 一种基于深度学习的配电台区储能配置方法
Karaoğlan et al. Investigation of the effects of battery types and power management algorithms on drive cycle simulation for a range-extended electric vehicle powertrain
Tian et al. Double-layer fuzzy adaptive NMPC coordinated control method of energy management and trajectory tracking for hybrid electric fixed wing UAVs
CN116542006B (zh) 一种车载电源系统拓扑结构设计方法
Mohammedi et al. Passivity based control and fuzzy logic estimation applied to dc hybrid power source using fuel cell and supercapacitor
Huo et al. Aircraft energy management system using chaos red fox optimization algorithm
Liu et al. Energy management and system design for fuel cell hybrid unmanned aerial vehicles
Tian et al. A coordinated optimization method of energy management and trajectory optimization for hybrid electric UAVs with PV/Fuel Cell/Battery
Cheng et al. Energy management for fuel cell/battery hybrid unmanned aerial vehicle
CN113255143B (zh) 一种分布式混合电推进飞行器能量管理系统
CN113200148A (zh) 一种基于深度强化学习的氢燃料无人机能量管理方法
Min et al. A Data-Driven MPC Energy Optimization Management Strategy for Fuel Cell Distributed Electric Propulsion UAV
Çınar et al. Current Technologies and Future Trends of Hydrogen Propulsion Systems in Hybrid Small Unmanned Aerial Vehicles
Tian et al. Adaptive hierarchical energy management strategy for fuel cell/battery hybrid electric UAVs
Lei Energy management system and strategy for a fuel cell/battery hybrid power
Tian et al. Flight trajectory and energy management coupled optimization for hybrid electric UAVs with adaptive sequential convex programming method

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