CN116729208A - 一种燃料电池混动汽车能量管理方法、系统及电子设备 - Google Patents
一种燃料电池混动汽车能量管理方法、系统及电子设备 Download PDFInfo
- Publication number
- CN116729208A CN116729208A CN202311020460.6A CN202311020460A CN116729208A CN 116729208 A CN116729208 A CN 116729208A CN 202311020460 A CN202311020460 A CN 202311020460A CN 116729208 A CN116729208 A CN 116729208A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- lithium battery
- indicating
- energy management
- cell 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.)
- Pending
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 200
- 238000007726 management method Methods 0.000 title claims description 31
- 238000000034 method Methods 0.000 claims abstract description 92
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 229910052744 lithium Inorganic materials 0.000 claims description 101
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 75
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 60
- 229910052739 hydrogen Inorganic materials 0.000 claims description 60
- 239000001257 hydrogen Substances 0.000 claims description 60
- 230000015556 catabolic process Effects 0.000 claims description 36
- 238000006731 degradation reaction Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 33
- 238000005457 optimization Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 230000009977 dual effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000002411 adverse Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- B60L58/40—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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Fuel Cell (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开一种燃料电池混动汽车能量管理方法、系统及电子设备,涉及汽车能量管理技术领域。本发明利用交替方向乘子法对于处理双源系统衰退协同的显著优势,采用模型预测控制的实时能量管理框架确定短期全局工况下的最优控制序列,然后,将所述最优控制序列作为控制器的输出施加给燃料电池混动汽车,能够在燃料电池混动汽车的能量管理实际应用中完成燃料电池混动汽车的功率分配,进而在有效促进双源系统衰退协同的同时,显著提升整车全生命周期经济性。
Description
技术领域
本发明涉及汽车能量管理技术领域,特别是涉及一种燃料电池混动汽车能量管理方法、系统及电子设备。
背景技术
由于燃料电池动态响应慢、输出特性疲软,且“只放不充”的电力特性,导致其无法回收制动能量,因此燃料电池汽车通常配备辅助锂动力电池,共同构成整车动力源,从这个层面来看,燃料电池电动汽车又可称为具有燃料电池、锂动力电池双能量源系统的混合动力汽车,简称燃料电池混动汽车。
燃料电池混动汽车是一个由燃料电池-锂电池构成的典型复杂双源非线性系统,对其控制和优化一直存在诸多难点与挑战。并且,现有的研究表明,燃料电池与锂电池寿命衰退轨迹表现出强烈的不协调性,寿命衰退终点表现出强烈的不一致性,具体表现为两种典型情况:锂电池先于燃料电池到达寿命衰退终点,造成燃料电池工作条件恶化,加速衰退;燃料电池先于锂电池到达寿命衰退终点,造成锂电池寿命有剩余,形成资源浪费。无论哪种情况都不利于资源高效利用与整车全生命周期经济性提升。
现有燃料电池混动汽车能量管理策略仅仅只是针对整车能耗经济性进行功率优化分配,并未考虑双能量源间的衰退协同,与双能量源实际衰退强耦合过程不符,这样所优化的经济性并非是整车全生命周期内最优的,实际工程参考价值有限。
发明内容
为解决现有技术存在的上述问题,本发明提供了一种燃料电池混动汽车能量管理方法、系统及电子设备。
为实现上述目的,本发明提供了如下方案:
一种燃料电池混动汽车能量管理方法,包括:
采用神经网络模型进行车辆行驶工况预测得到行驶工况预测结果;
基于所述行驶工况预测结果确定车辆在预测时域内的运行工况信息,形成短期全局工况;
构建燃料电池-锂电池双源系统综合寿命衰退模型;
基于所述燃料电池-锂电池双源系统综合寿命衰退模型,采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM),在系统约束条件下确定所述短期全局工况下的最优控制序列;
将所述最优控制序列作为控制器的输出施加给燃料电池混动汽车,完成燃料电池混动汽车的功率分配。
可选地,构建燃料电池-锂电池双源系统综合寿命衰退模型,具体包括:
基于不同工况下的衰退率确定燃料电池寿命衰退率;
基于所述燃料电池寿命衰退率将燃料电池在不利工况下的性能衰退代价等效为第一氢燃料消耗量;
基于锂电池的特性数据确定锂电池的寿命衰退率;
基于所述锂电池的寿命衰退率将锂电池的性能衰退代价等效为第二氢燃料消耗量;
基于所述第一氢燃料消耗量、所述第二氢燃料消耗量、燃料电池系统的氢燃料消耗量以及锂电池电耗等效的氢燃料消耗量构建所述燃料电池-锂电池双源系统综合寿命衰退模型。
可选地,所述燃料电池寿命衰退率为:
;
式中,表示燃料电池寿命衰退率,/>表示燃料电池处于怠速工况下的衰退率,表示燃料电池处于变载工况下的衰退率,/>表示燃料电池处于高功率/大负载工况下的衰退率,/>表示燃料电池处于启/停工况下的衰退率,/>表示燃料电池处于怠速工况下的工作时间、/>表示燃料电池处于变载工况下的工作时间、/>表示燃料电池处于高功率/大负载工况下的工作时间,/>表示整个工况循环的启/停次数,/>表示实际车载工况下燃料电池性能衰退相较于实验室条件下的衰退加速系数;其中,将运行功率大于设定功率且负载大于设定负载的工况作为高功率/大负载工况。
可选地,所述第一氢燃料消耗量为:
;
式中,表示第一氢燃料消耗量,/>表示车载燃料电池系统的总成本,表示氢燃料的单价。
可选地,所述锂电池的寿命衰退率为:
;
式中,表示锂电池放电功率,/>表示锂电池的寿命衰退率,/>表示锂电池能量,/>表示锂电池运行容量的校正系数,/>为时刻。
可选地,所述第二氢燃料消耗量为:
;
式中,表示第二氢燃料消耗量,/>表示锂电池的单价,/>表示氢燃料的单价,/>表示锂电池额定容量。
可选地,所述燃料电池-锂电池双源系统综合寿命衰退模型为:
;
式中,表示系统综合氢燃料消耗量,/>表示燃料电池系统氢燃料消耗量,表示锂电池电耗所等效的氢燃料消耗量。
可选地,基于所述燃料电池-锂电池双源系统综合寿命衰退模型,采用交替方向乘子法,在系统约束条件下确定所述短期全局工况下的最优控制序列,具体包括:
选取锂电池总的输出功率为统一优化变量,将所述系统综合氢燃料消耗量进行凸化近似变换,得到燃料电池混动汽车的目标函数及优化目标;燃料电池混动汽车的目标函数及优化目标均是关于锂电池总的输出功率的凸函数;
合并凸函数的同类项,并引入对偶变量改写所述凸函数得到系统综合氢耗优化问题;
设置迭代变量的初始值及惩罚项系数;
基于所述迭代变量的初始值及惩罚项系数迭代优化所述系统综合氢耗优化问题,直至满足迭代条件时得到满足当前优化目标的锂电池消耗总功率;
基于所述锂电池消耗总功率在系统约束条件下确定所述短期全局工况下的最优控制序列。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明利用交替方向乘子法对于处理双源系统衰退协同的显著优势,采用模型预测控制实时能量管理框架,提供了一种促进双源系统衰退协同的改进模型预测控制能量管理方法,在燃料电池混动汽车的能量管理实际应用中,能够在有效促进双源系统衰退协同的同时,显著提升整车全生命周期经济性。
此外,本发明还提供了以下实施结构:
一种燃料电池混动汽车能量管理系统,应用于上述提供的燃料电池混动汽车能量管理方法;所述系统包括:
行驶工况预测模块,用于采用神经网络模型进行车辆行驶工况预测得到行驶工况预测结果;
短期全局工况形成模块,用于基于所述行驶工况预测结果确定车辆在预测时域内的运行工况信息,形成短期全局工况;
模型构建模块,用于构建燃料电池-锂电池双源系统综合寿命衰退模型;
最优控制序列确定模块,用于基于所述燃料电池-锂电池双源系统综合寿命衰退模型,采用交替方向乘子法,在系统约束条件下确定所述短期全局工况下的最优控制序列;
功率分配模块,用于将所述最优控制序列作为控制器的输出施加给燃料电池混动汽车,完成燃料电池混动汽车的功率分配。
一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,与所述存储器连接,用于调取并执行所述计算机程序以实施上述提供的燃料电池混动汽车能量管理方法。
因本发明提供的上述两种实施结构实现的技术效果与本发明提供的方法实现的技术效果相同,故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中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为本发明提供的燃料电池混动汽车能量管理方法的流程图;
图2为本发明实施例提供的某燃料电池混合动力公交客车的功率分配仿真结果图;
图3为本发明实施例提供的某燃料电池混合动力公交客车的系统综合氢耗仿真结果图;
图4为本发明实施例提供的某燃料电池混合动力公交客车的双能量源衰退率仿真结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种燃料电池混动汽车能量管理方法、系统及电子设备,能够在整车综合经济性最优的基础上兼顾双源系统的衰退协同特性,完成动力源功率分配的同时,实现资源充分利用及整车全生命周期经济性提升。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,本发明提供的燃料电池混动汽车能量管理方法,包括:
步骤100:采用神经网络模型进行车辆行驶工况预测得到行驶工况预测结果。例如,基于BP(Back Propagation)神经网络模型进行车辆行驶工况的预测,得到车辆每个时刻在未来一段预测时域内的速度、加速度预测结果/>。
具体地:将标准行驶工况的车速按照历史时域步长、预测时域步长/>建立训练数据池。设置隐藏层层数为/>、节点数为/>的网络结构。训练神经网络,调参使得预测值与真实值间的差距满足精度要求。
步骤101:基于行驶工况预测结果确定车辆在预测时域内的运行工况信息,形成短期全局工况。该短期全局工况就是指在未来一段预测时间内车辆的全部运行工况。
步骤102:构建燃料电池-锂电池双源系统综合寿命衰退模型。该步骤的实现过程为:
步骤1021:基于不同工况下的衰退率确定燃料电池寿命衰退率。燃料电池寿命衰退率为:
。
式中,表示燃料电池寿命衰退率。/>表示燃料电池处于怠速工况下的衰退率,单位为/>。/>表示燃料电池处于变载工况下的衰退率,单位为/>。/>表示燃料电池处于高功率/大负载工况下的衰退率,单位为/>。/>表示燃料电池处于启/停工况下的衰退率,单位为/>。/>表示燃料电池处于怠速工况下的工作时间、/>表示燃料电池处于变载工况下的工作时间、/>表示燃料电池处于高功率/大负载工况下的工作时间,/>表示整个工况循环的启/停次数,/>表示实际车载工况下燃料电池性能衰退相较于实验室条件下的衰退加速系数。其中,将运行功率大于设定功率且负载大于设定负载的工况作为高功率/大负载工况。
步骤1022:基于燃料电池寿命衰退率将燃料电池在不利工况下的性能衰退代价等效为第一氢燃料消耗量。第一氢燃料消耗量为:
。
式中,表示第一氢燃料消耗量,/>表示车载燃料电池系统的总成本,表示氢燃料的单价。
步骤1023:基于锂电池的特性数据确定锂电池的寿命衰退率。锂电池的寿命衰退率为:
。
式中,表示锂电池放电功率。/>表示锂电池的寿命衰退率。/>表示锂电池能量。/>表示锂电池运行容量的校正系数,根据文献“MASIH-TEHRANI M, HA'IRI-YAZDIM-R, ESFAHANIAN V, et al. Optimum sizing and optimum energy management of ahybrid energy storage system for lithium battery life improvement [J].Journal of Power Sources, 2013, 244: 2-10.”中给出的实验数据可将校正系数/>表示成关于其充、放电倍率/>的多项式函数:
。
式中,、/>、/>分别是曲线拟合系数。
步骤1024:基于锂电池的寿命衰退率将锂电池的性能衰退代价等效为第二氢燃料消耗量。第二氢燃料消耗量为:
。
式中,表示第二氢燃料消耗量,/>表示锂电池的单价,/>表示氢燃料的单价,/>表示锂电池额定容量。
步骤1025:基于第一氢燃料消耗量、第二氢燃料消耗量、燃料电池系统的氢燃料消耗量以及锂电池电耗等效的氢燃料消耗量构建燃料电池-锂电池双源系统综合寿命衰退模型。燃料电池-锂电池双源系统综合寿命衰退模型为:
。
式中,表示系统综合氢燃料消耗量,/>表示燃料电池系统氢燃料消耗量,表示锂电池电耗所等效的氢燃料消耗量,符号min表示最小值。
其中,燃料电池系统氢燃料消耗量为:
。
式中,表示氢燃料的低热值,符号/>表示由效率-功率曲线所得到的/>时刻的输出功率/>下燃料电池的效率/>,/>表示时刻,/>表示总的仿真时间。
锂电池电耗所等效的氢燃料消耗量为:
。
式中,表示锂电池的工作电压。/>表示锂电池开路电压。/>表示DC/DC逆变器的效率。/>表示/>时刻锂电池总的输出功率。/>是锂电池在充、放电过程中的电荷量的变化量,/>表示处于充电状态,相应的/>表示处于放电状态。/>表示锂电池放电平均效率。/>锂电池充电平均效率。
步骤103:基于燃料电池-锂电池双源系统综合寿命衰退模型,采用交替方向乘子法,在系统约束条件下确定短期全局工况下的最优控制序列。
其中,系统约束条件设置为:
。
式中,、/>及/>、/>与/>、/>分别表示锂电池工作功率的上、下限,燃料电池工作功率的上、下限,以及锂电池荷电状态/>的上、下限。/>、/>分别表示燃料电池输出功率变化率的上、下限。
在实际应用过程中,该步骤的实施过程为:
选取时刻锂电池总的输出功率/>为统一优化变量,将系统综合氢耗(即系统综合氢燃料消耗量/>)进行凸化近似变换,得到被控系统的目标函数及优化目标均是关于/>时刻锂电池总的输出功率/>的凸函数形式。
合并同类项,并引入对偶变量,将凸函数改写成系统综合氢耗优化问题,为:
。
式中,、/>、/>均为优化目标经过合并同类项操作后的等效系数,/>为对偶变量,/>表示维度为/>向量,/>表示维度为/>的下三角矩阵,/>为满足系统优化目标及约束条件的锂电池总的输出功率最优值,/>为系统约束矩阵,/>为系统约束矩阵的初始值。
将优化目标及约束条件转化为增广形式的拉格朗日函数如下所示:
。
式中,、/>分别为拉格朗日乘子。/>、/>分别为惩罚项系数,/>为拉格朗日函数值。
设置各迭代变量的初始值及惩罚项系数:
。
式中,、/>分别表示锂电池总的输出功率/>的初始值及最大值,/>、、/>、/>分别表示各迭代变量的初始值。
按下述过程迭代更新优化变量:
。
。
。
。
。
式中,为第/>步迭代所得的锂电池总的输出功率,/>为第/>步迭代所得的锂电池总的输出功率,/>为第/>步迭代所得的迭代变量/>的值,/>为第/>步迭代所得的迭代变量/>的值,/>为单位向量,/>为第/>步迭代所得的系统约束矩阵的值,/>为第/>步迭代所得的迭代变量/>的值,/>为第/>步迭代所得的系统约束矩阵的值,/>为第/>步迭代所得的迭代变量/>的值,/>为第/>步迭代所得的迭代变量/>的值,为第/>步迭代所得的迭代变量/>的值。
直到满足终止条件则停止迭代更新。终止条件为:
。
式中,表示基本残差项,/>表示对偶残差项,/>表示基本残差项阈值,表示对偶残差项阈值。
经过上述步骤,能够优化求解出满足当前优化目标,即得到最小的燃料电池氢燃料消耗量/>、锂电池电耗所等效的氢燃料消耗量/>以及双能量源衰退代价的锂电池消耗总功率/>。
步骤104:将最优控制序列作为控制器的输出施加给燃料电池混动汽车,完成燃料电池混动汽车的功率分配。
在实际应用过程中,根据下式求解出锂电池的输出功率,为:
。
式中,表示锂电池内阻,/>表示锂电池开路电压。
根据下式整车功率平衡关系求解出燃料电池的输出功率,为:
。
式中,表示整车功率需求,/>,/>为车轮滚动阻力系数。/>为机械传动系统效率。/>为坡度。/>为空气阻力系数。/>为汽车迎风面积。/>为汽车旋转质量系数。/>为汽车总质量,/>表示车辆行驶速度,/>表示对车速进行一阶求导,/>表示电机效率,/>表示DC/AC逆变器的效率。
至此,完成了功率分配。
在具体应用过程中,步骤102至步骤104实际提供了一种基于燃料电池-锂电池双源系统综合寿命衰退模型的ADMM(Alternating Direction Method of Multipliers)交替方向乘子法的能量管理方法,以在状态变量和控制变量可行域约束下求得在该短期全局工况下的系统最优控制序列。接着,将最优控制序列的第一个控制量作为控制器的输出施加给被控系统(即燃料电池混动汽车)后,使用燃料电池-锂电池双源系统综合寿命衰退模型对双能量源的健康状态进行实时更新。
进一步,为了使用燃料电池-锂电池双源系统综合寿命衰退模型对双能量源的健康状态进行实时更新,还需要进行反馈校正,具体的,将双能量源的寿命衰退率反馈给滚动优化的燃料电池-锂电池双源系统综合寿命衰退模型,对后一个短期预测工况的功率分配控制结果进行校正。
实施例二
该实施例以采用上述实施例一提供的能量管理方法对某一燃料电池混合动力公交客车进行能量管理为例,对本发明提供的燃料电池混动汽车能量管理方法的优点进行说明。
该燃料电池混合动力公交客车重要相关参数如表1所示。在标准工况(例如,WVUSUB美国西弗吉尼亚大学工况)下,基于本发明提供的能量管理方法,能够得到整车功率分配仿真结果如图2-图4所示。
表1 燃料电池混合动力公交客车重要参数表
参数项 | 参数值 |
满载质量 | 13500kg |
迎风面积 | 8.16m2 |
轮胎滚动半径 | 0.466m |
风阻系数 | 0.55 |
滚动阻力系数 | 0.0085 |
主减速器 | 6.2 |
动力电池额定容量 | 60A·h |
动力电池标称电压DC/DC逆变器平均效率DC/AC逆变器平均效率 | 576V96%95% |
实施例三
该实施例提供了一种燃料电池混动汽车能量管理系统,以应用于上述实施例一提供的燃料电池混动汽车能量管理方法。该系统包括:
行驶工况预测模块,用于采用神经网络模型进行车辆行驶工况预测得到行驶工况预测结果。
短期全局工况形成模块,用于基于行驶工况预测结果确定车辆在预测时域内的运行工况信息,形成短期全局工况。
模型构建模块,用于构建燃料电池-锂电池双源系统综合寿命衰退模型。
最优控制序列确定模块,用于基于燃料电池-锂电池双源系统综合寿命衰退模型,采用交替方向乘子法,在系统约束条件下确定短期全局工况下的最优控制序列。
功率分配模块,用于将最优控制序列作为控制器的输出施加给燃料电池混动汽车,完成燃料电池混动汽车的功率分配。
实施例四
该实施例提供了一种电子设备。该电子设备包括:
存储器,用于存储计算机程序。
处理器,与存储器连接,用于调取并执行计算机程序以实施上述实施例一提供的燃料电池混动汽车能量管理方法。
此外,上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种燃料电池混动汽车能量管理方法,其特征在于,包括:
采用神经网络模型进行车辆行驶工况预测得到行驶工况预测结果;
基于所述行驶工况预测结果确定车辆在预测时域内的运行工况信息,形成短期全局工况;
构建燃料电池-锂电池双源系统综合寿命衰退模型;
基于所述燃料电池-锂电池双源系统综合寿命衰退模型,采用交替方向乘子法,在系统约束条件下确定所述短期全局工况下的最优控制序列;
将所述最优控制序列作为控制器的输出施加给燃料电池混动汽车,完成燃料电池混动汽车的功率分配。
2.根据权利要求1所述的燃料电池混动汽车能量管理方法,其特征在于,构建燃料电池-锂电池双源系统综合寿命衰退模型,具体包括:
基于不同工况下的衰退率确定燃料电池寿命衰退率;
基于所述燃料电池寿命衰退率将燃料电池在不利工况下的性能衰退代价等效为第一氢燃料消耗量;
基于锂电池的特性数据确定锂电池的寿命衰退率;
基于所述锂电池的寿命衰退率将锂电池的性能衰退代价等效为第二氢燃料消耗量;
基于所述第一氢燃料消耗量、所述第二氢燃料消耗量、燃料电池系统的氢燃料消耗量以及锂电池电耗等效的氢燃料消耗量构建所述燃料电池-锂电池双源系统综合寿命衰退模型。
3.根据权利要求2所述的燃料电池混动汽车能量管理方法,其特征在于,所述燃料电池寿命衰退率为:
;
式中,表示燃料电池寿命衰退率,/>表示燃料电池处于怠速工况下的衰退率,/>表示燃料电池处于变载工况下的衰退率,/>表示燃料电池处于高功率/大负载工况下的衰退率,/>表示燃料电池处于启/停工况下的衰退率,/>表示燃料电池处于怠速工况下的工作时间、/>表示燃料电池处于变载工况下的工作时间、/>表示燃料电池处于高功率/大负载工况下的工作时间,/>表示整个工况循环的启/停次数,/>表示实际车载工况下燃料电池性能衰退相较于实验室条件下的衰退加速系数;其中,将运行功率大于设定功率且负载大于设定负载的工况作为高功率/大负载工况。
4.根据权利要求3所述的燃料电池混动汽车能量管理方法,其特征在于,所述第一氢燃料消耗量为:
;
式中,表示第一氢燃料消耗量,/>表示车载燃料电池系统的总成本,/>表示氢燃料的单价。
5.根据权利要求4所述的燃料电池混动汽车能量管理方法,其特征在于,所述锂电池的寿命衰退率为:
;
式中,表示锂电池放电功率,/>表示锂电池的寿命衰退率,/>表示锂电池能量,/>表示锂电池运行容量的校正系数,/>为时刻。
6.根据权利要求5所述的燃料电池混动汽车能量管理方法,其特征在于,所述第二氢燃料消耗量为:
;
式中,表示第二氢燃料消耗量,/>表示锂电池的单价,/>表示氢燃料的单价,/>表示锂电池额定容量。
7.根据权利要求6所述的燃料电池混动汽车能量管理方法,其特征在于,所述燃料电池-锂电池双源系统综合寿命衰退模型为:
;
式中,表示系统综合氢燃料消耗量,/>表示燃料电池系统氢燃料消耗量,/>表示锂电池电耗所等效的氢燃料消耗量。
8.根据权利要求7所述的燃料电池混动汽车能量管理方法,其特征在于,基于所述燃料电池-锂电池双源系统综合寿命衰退模型,采用交替方向乘子法,在系统约束条件下确定所述短期全局工况下的最优控制序列,具体包括:
选取锂电池总的输出功率为统一优化变量,将所述系统综合氢燃料消耗量进行凸化近似变换,得到燃料电池混动汽车的目标函数及优化目标;燃料电池混动汽车的目标函数及优化目标均是关于锂电池总的输出功率的凸函数;
合并凸函数的同类项,并引入对偶变量改写所述凸函数得到系统综合氢耗优化问题;
设置迭代变量的初始值及惩罚项系数;
基于所述迭代变量的初始值及惩罚项系数迭代优化所述系统综合氢耗优化问题,直至满足迭代条件时得到满足当前优化目标的锂电池消耗总功率;
基于所述锂电池消耗总功率在系统约束条件下确定所述短期全局工况下的最优控制序列。
9.一种燃料电池混动汽车能量管理系统,其特征在于,应用于如权利要求1-8任意一项所述的燃料电池混动汽车能量管理方法;所述系统包括:
行驶工况预测模块,用于采用神经网络模型进行车辆行驶工况预测得到行驶工况预测结果;
短期全局工况形成模块,用于基于所述行驶工况预测结果确定车辆在预测时域内的运行工况信息,形成短期全局工况;
模型构建模块,用于构建燃料电池-锂电池双源系统综合寿命衰退模型;
最优控制序列确定模块,用于基于所述燃料电池-锂电池双源系统综合寿命衰退模型,采用交替方向乘子法,在系统约束条件下确定所述短期全局工况下的最优控制序列;
功率分配模块,用于将所述最优控制序列作为控制器的输出施加给燃料电池混动汽车,完成燃料电池混动汽车的功率分配。
10.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,与所述存储器连接,用于调取并执行所述计算机程序以实施如权利要求1-8任意一项所述的燃料电池混动汽车能量管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311020460.6A CN116729208A (zh) | 2023-08-15 | 2023-08-15 | 一种燃料电池混动汽车能量管理方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311020460.6A CN116729208A (zh) | 2023-08-15 | 2023-08-15 | 一种燃料电池混动汽车能量管理方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116729208A true CN116729208A (zh) | 2023-09-12 |
Family
ID=87904732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311020460.6A Pending CN116729208A (zh) | 2023-08-15 | 2023-08-15 | 一种燃料电池混动汽车能量管理方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116729208A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110450653A (zh) * | 2019-08-07 | 2019-11-15 | 浙江大学城市学院 | 基于燃料电池/锂电池退化模型的混合动力汽车最优控制策略 |
CN111274713A (zh) * | 2020-03-09 | 2020-06-12 | 西南交通大学 | 动车组多堆燃料电池系统剩余使用寿命一致性控制方法 |
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 |
CN112926211A (zh) * | 2021-03-09 | 2021-06-08 | 吉林大学 | 一种基于工况预测的燃料电池汽车能量管理优化方法 |
CN113022384A (zh) * | 2021-05-26 | 2021-06-25 | 北京理工大学 | 一种基于凸优化的燃料电池汽车能量管理方法 |
CN113428049A (zh) * | 2021-08-26 | 2021-09-24 | 北京理工大学 | 一种考虑电池老化抑制的燃料电池混动汽车能量管理方法 |
CN115107538A (zh) * | 2022-06-30 | 2022-09-27 | 安徽华菱汽车有限公司 | 汽车的能量管理方法及装置 |
CN116244888A (zh) * | 2022-11-30 | 2023-06-09 | 北京理工大学 | 基于mpc序列凸优化的混合电动无人机能源管理方法 |
CN116278993A (zh) * | 2023-04-21 | 2023-06-23 | 吉林大学 | 一种考虑多目标优化的燃料电池汽车能量管理控制方法 |
-
2023
- 2023-08-15 CN CN202311020460.6A patent/CN116729208A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110450653A (zh) * | 2019-08-07 | 2019-11-15 | 浙江大学城市学院 | 基于燃料电池/锂电池退化模型的混合动力汽车最优控制策略 |
CN111274713A (zh) * | 2020-03-09 | 2020-06-12 | 西南交通大学 | 动车组多堆燃料电池系统剩余使用寿命一致性控制方法 |
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 |
CN112926211A (zh) * | 2021-03-09 | 2021-06-08 | 吉林大学 | 一种基于工况预测的燃料电池汽车能量管理优化方法 |
CN113022384A (zh) * | 2021-05-26 | 2021-06-25 | 北京理工大学 | 一种基于凸优化的燃料电池汽车能量管理方法 |
CN113428049A (zh) * | 2021-08-26 | 2021-09-24 | 北京理工大学 | 一种考虑电池老化抑制的燃料电池混动汽车能量管理方法 |
CN115107538A (zh) * | 2022-06-30 | 2022-09-27 | 安徽华菱汽车有限公司 | 汽车的能量管理方法及装置 |
CN116244888A (zh) * | 2022-11-30 | 2023-06-09 | 北京理工大学 | 基于mpc序列凸优化的混合电动无人机能源管理方法 |
CN116278993A (zh) * | 2023-04-21 | 2023-06-23 | 吉林大学 | 一种考虑多目标优化的燃料电池汽车能量管理控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Wu et al. | A robust online energy management strategy for fuel cell/battery hybrid electric vehicles | |
CN109552079B (zh) | 一种基于规则与Q-learning增强学习的电动汽车复合能量管理方法 | |
CN109591659B (zh) | 一种智能学习的纯电动汽车能量管理控制方法 | |
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 | |
CN109552110B (zh) | 基于规则与非线性预测控制的电动汽车复合能量管理方法 | |
WO2021159660A1 (zh) | 一种混合动力汽车能量管理方法和系统 | |
CN112434463B (zh) | 一种车辆复合电源能量管理系统 | |
CN112757922B (zh) | 一种车用燃料电池混合动力能量管理方法及系统 | |
CN112319462B (zh) | 一种插电式混合动力汽车能量管理方法 | |
Chen et al. | Online energy management of plug‐in hybrid electric vehicles for prolongation of all‐electric range based on dynamic programming | |
CN116436019B (zh) | 一种多资源协调优化方法、装置及存储介质 | |
Jia et al. | Learning-based model predictive energy management for fuel cell hybrid electric bus with health-aware control | |
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 | |
CN110962684B (zh) | 电动汽车能源管理与分配方法 | |
CN111301397A (zh) | 一种插电混合动力汽车变时域模型预测能量管理方法 | |
CN113799659B (zh) | 一种燃料电池整车能量分配方法 | |
Li et al. | Energy sources durability energy management for fuel cell hybrid electric bus based on deep reinforcement learning considering future terrain information | |
CN115587645A (zh) | 一种考虑充电行为随机性的电动汽车充电管理方法及系统 | |
Jia et al. | Energy management strategy of fuel cell/battery hybrid vehicle based on series fuzzy control | |
Huo et al. | An improved soft actor-critic based energy management strategy of fuel cell hybrid electric vehicle | |
CN117034666B (zh) | 燃料电池汽车能量管理方法、系统、介质、设备及终端 | |
Zou et al. | A real-time energy management approach with fuel cell and battery competition-synergy control for the fuel cell vehicle | |
Hai et al. | Deep learning-based prediction of lithium-ion batteries state of charge for electric vehicles in standard driving cycle | |
CN113428049A (zh) | 一种考虑电池老化抑制的燃料电池混动汽车能量管理方法 |
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 |