CN116985646B - 车辆超级电容器控制方法、设备和介质 - Google Patents

车辆超级电容器控制方法、设备和介质 Download PDF

Info

Publication number
CN116985646B
CN116985646B CN202311264126.5A CN202311264126A CN116985646B CN 116985646 B CN116985646 B CN 116985646B CN 202311264126 A CN202311264126 A CN 202311264126A CN 116985646 B CN116985646 B CN 116985646B
Authority
CN
China
Prior art keywords
vehicle
super capacitor
supercapacitor
ion battery
lithium ion
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
CN202311264126.5A
Other languages
English (en)
Other versions
CN116985646A (zh
Inventor
罗锋
廖程亮
邓建明
龚循飞
于勤
樊华春
张萍
熊慧慧
张俊
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.)
Jiangxi Isuzu Motors Co Ltd
Original Assignee
Jiangxi Isuzu Motors Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangxi Isuzu Motors Co Ltd filed Critical Jiangxi Isuzu Motors Co Ltd
Priority to CN202311264126.5A priority Critical patent/CN116985646B/zh
Publication of CN116985646A publication Critical patent/CN116985646A/zh
Application granted granted Critical
Publication of CN116985646B publication Critical patent/CN116985646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/40—Electric propulsion with power supplied within the vehicle using propulsion power supplied by capacitors
    • 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
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
    • B60L50/60—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by batteries
    • 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
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/12—Speed
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/14—Acceleration
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种车辆超级电容器控制方法、设备和介质，应用于一车辆超级电容器控制系统，车辆超级电容器控制系统具有超级电容器组、锂离子电池和神经网络控制器，方法包括：实时获取车辆的运行状态和能量需求；将运行状态和能量需求作为输入信号，神经网络控制器按照，对输入信号进行非线性变换和加权求和，调节超级电容器组和锂离子电池的能量分配。本申请能够满足车辆的动力需求，实现最优化的储能效率和续航能力。

Description

车辆超级电容器控制方法、设备和介质
技术领域
本发明涉及车辆子系统的联合控制技术领域，尤其涉及一种车辆超级电容器控制方法、设备和介质。
背景技术
超级电容器是一种新型的储能装置，它利用电极、电解质界面形成的双电层或赝电容来存储电荷，具有充放电速度快、功率密度高、循环寿命长等优点。
车辆可使用超级电容器作为储能装置，超级电容器可以与锂离子电池、燃料电池等组合，形成多能源混合动力系统。
本申请发明人在实现本发明实施例技术方法的过程中，至少发现现有技术中存在如下技术问题：
现有的多能源混合动力系统中没有提供超级电容器的控制系统，无法调节超级电容器。
综上，现有技术无法调节超级电容器。
发明内容
本发明实施例提供一种车辆超级电容器控制方法、设备和介质，解决了现有技术无法调节超级电容器的技术问题。
本发明实施例一方面提供了一种车辆超级电容器控制方法，应用于一车辆超级电容器控制系统，所述车辆超级电容器控制系统具有超级电容器组、锂离子电池和神经网络控制器，所述方法包括：实时获取车辆的运行状态和能量需求；将所述运行状态和所述能量需求作为输入信号，所述神经网络控制器按照，对所述输入信号进行非线性变换和加权求和，调节所述超级电容器组和所述锂离子电池的能量分配，其中，h j表示第j个神经元的输出，f表示激活函数，w ij表示第i个输入到第j个神经元的权重，x i表示第i个输入，b j是表示第j个神经元的偏置。
可选的，所述输入信号具体为：车辆的速度、车辆的加速度、车辆的油门开度、车辆的制动强度、超级电容器组的电压、超级电容器组的电流、超级电容器组的温度、锂离子电池的电压、锂离子电池的电流、锂离子电池的温度。
可选的，在所述调节所述超级电容器组和所述锂离子电池的能量分配之前，所述方法还包括：使用遗传算法对所述神经网络控制器的结构和参数进行优化，以使所述神经网络控制器的输出信号能够满足车辆的能量需求，并使所述超级电容器组和所述锂离子电池的能量利用率最大化。
可选的，在所述调节所述超级电容器组和所述锂离子电池的能量分配之前，所述方法还包括：使用反向传播算法对所述神经网络控制器进行训练以使所述神经网络控制器的输出信号与期望控制信号之间的误差最小化。
可选的，所述调节所述超级电容器组和所述锂离子电池的能量分配，具体包括：计算车辆实际输出功率和期望输出功率之间的误差e(t)；基于所述误差e(t)，采用模糊逻辑控制方法，控制所述超级电容器组的充放电。
可选的，所述基于所述误差e(t)，采用模糊逻辑控制方法，控制所述超级电容器组的充放电，具体包括：根据所述误差e(t)和超级电容器组的充放电速度u(t)的模糊控制规则表，对误差e(t)进行模糊推理，得到u(t)的模糊输出；对所述u(t)的模糊输出进行去模糊化处理，得到u(t)的实际值；将所述u(t)的实际值作为控制信号，控制所述超级电容器组的充放电。
可选的，在所述根据所述误差e(t)和超级电容器组的充放电速度u(t)的模糊控制规则表，对误差e(t)进行模糊推理，得到u(t)的模糊输出之前，还包括：将所述误差e(t)分为五个模糊集，分别为负大（NB）、负小（NS）、零（ZE）、正小（PS）和正大（PB）；设定超级电容器组的充放电速度u(t)，将u(t)划分为七个模糊集，分别为负大（NB）、负中（NM）、负小（NS）、零（ZE）、正小（PS）、正中（PM）和正大（PB）；根据所述误差e(t)和所述超级电容器组的充放电速度u(t)的模糊集，建立所述模糊控制规则表。
可选的，所述方法还包括：实时显示所述运行状态和所述能量需求。
另一方面，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述实施例中车辆超级电容器控制方法的步骤。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述实施例中车辆超级电容器控制方法的步骤。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
一种车辆超级电容器控制方法，应用于一车辆超级电容器控制系统，所述车辆超级电容器控制系统具有超级电容器组、锂离子电池和神经网络控制器，所述方法包括：实时获取车辆的运行状态和能量需求；将所述运行状态和所述能量需求作为输入信号，所述神经网络控制器按照，对所述输入信号进行非线性变换和加权求和，调节所述超级电容器组和所述锂离子电池的能量分配，其中，h j表示第j个神经元的输出，f表示激活函数，w ij表示第i个输入到第j个神经元的权重，x i表示第i个输入，b j是表示第j个神经元的偏置。本申请的神经网络控制器能够根据车辆的运行状态和能量需求，对超级电容器进行调节，解决了现有技术存在的无法调节超级电容器的技术问题。本申请的运行状态和能量需求反应车辆的运行模式和工况，神经网络控制器能够根据车辆的运行模式和工况，调节超级电容器组和锂离子电池的能量分配，能够满足车辆的动力需求，实现最优化的储能效率和续航能力。
进一步，所述输入信号具体为：车辆的速度、车辆的加速度、车辆的油门开度、车辆的制动强度、超级电容器组的电压、超级电容器组的电流、超级电容器组的温度、锂离子电池的电压、锂离子电池的电流、锂离子电池的温度。输入信号多样化，有利于对超级电容器组和锂离子电池进行精确调控。
再进一步，在所述调节所述超级电容器组和所述锂离子电池的能量分配之前，所述方法还包括：使用遗传算法对所述神经网络控制器的结构和参数进行优化，以使所述神经网络控制器的输出信号能够满足车辆的能量需求，并使所述超级电容器组和所述锂离子电池的能量利用率最大化。既能满足车辆的能量需求，又能提高车辆的能量利用率。
又进一步，在所述调节所述超级电容器组和所述锂离子电池的能量分配之前，所述方法还包括：使用反向传播算法对所述神经网络控制器进行训练以使所述神经网络控制器的输出信号与期望控制信号之间的误差最小化。能够令神经网络控制器的输出信号达到期望控制信号。
还进一步，所述调节所述超级电容器组和所述锂离子电池的能量分配，具体包括：计算车辆实际输出功率和期望输出功率之间的误差e(t)；基于所述误差e(t)，采用模糊逻辑控制方法，控制所述超级电容器组的充放电。e(t)表示车辆实际输出功率P(t)与期望输出功率P_d(t)之间的误差，其中P_d(t)由油门开度和制动强度决定。e(t)的作用是用于控制超级电容器组和锂离子电池之间的能量分配，以满足车辆的能量需求，并使超级电容器组和锂离子电池的能量利用率最大化。
再进一步，所述基于所述误差e(t)，采用模糊逻辑控制方法，控制所述超级电容器组的充放电，具体包括：根据所述误差e(t)和超级电容器组的充放电速度u(t)的模糊控制规则表，对误差e(t)进行模糊推理，得到u(t)的模糊输出；对所述u(t)的模糊输出进行去模糊化处理，得到u(t)的实际值；将所述u(t)的实际值作为控制信号，控制所述超级电容器组的充放电。通过u(t)的实际值，能够控制超级电容器组的充放电状态和速度。
又进一步，在所述根据所述误差e(t)和超级电容器组的充放电速度u(t)的模糊控制规则表，对误差e(t)进行模糊推理，得到u(t)的模糊输出之前，还包括：将所述误差e(t)分为五个模糊集，分别为负大（NB）、负小（NS）、零（ZE）、正小（PS）和正大（PB）；设定超级电容器组的充放电速度u(t)，将u(t)划分为七个模糊集，分别为负大（NB）、负中（NM）、负小（NS）、零（ZE）、正小（PS）、正中（PM）和正大（PB）；根据所述误差e(t)和所述超级电容器组的充放电速度u(t)的模糊集，建立所述模糊控制规则表。能够基于误差和充放电速度建立模糊控制规则表，便于后期基于模糊控制表对超级电容器组进行控制。
还进一步，所述方法还包括：实时显示所述运行状态和所述能量需求。能够方便驾驶员和维修人员查看和操作。
附图说明
图1为本发明一实施例中车辆超级电容器控制方法的流程图；
图2为本发明一实施例中神经网络控制器的控制流程图。
具体实施方式
本发明实施例提供一种车辆超级电容器控制方法、设备和介质，解决了现有技术无法调节超级电容器的技术问题。
本发明一实施例的技术方案为解决上述的问题，总体思路如下：
一种车辆超级电容器控制方法，应用于一车辆超级电容器控制系统，车辆超级电容器控制系统具有超级电容器组、锂离子电池和神经网络控制器，方法包括：实时获取车辆的运行状态和能量需求；将运行状态和能量需求作为输入信号，神经网络控制器按照，对输入信号进行非线性变换和加权求和，调节超级电容器组和锂离子电池的能量分配，其中，h j表示第j个神经元的输出，f表示激活函数，w ij表示第i个输入到第j个神经元的权重，x i表示第i个输入，b j是表示第j个神经元的偏置。本申请的神经网络控制器能够根据车辆的运行状态和能量需求，对超级电容器进行调节，解决了现有技术存在的无法调节超级电容器的技术问题。本申请的运行状态和能量需求反应车辆的运行模式和工况，神经网络控制器能够根据车辆的运行模式和工况，调节超级电容器组和锂离子电池的能量分配，能够满足车辆的动力需求，实现最优化的储能效率和续航能力。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。显然，本发明所描述的实施例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。
本发明实施例提供的车辆超级电容器控制方法应用于一车辆超级电容器控制系统，车辆超级电容器控制系统具有超级电容器组、锂离子电池和神经网络控制器。
其中，超级电容器组用于存储和输出高功率能量，锂离子电池用于存储和输出低功率能量，神经网络控制器用于根据车辆的运行状态和能量需求，调节超级电容器组和锂离子电池的能量分配。
将多个超级电容器单体串并联形成超级电容器组，超级电容器单体采用石墨烯、碳纳米管、聚苯胺复合材料作为正负极电极，将正负极电极与隔膜和电解液组装成超级电容器单体。
请参考图1，对本发明实施例中车辆超级电容器控制方法进行详细的描述。
步骤101：实时获取车辆的运行状态和能量需求；
步骤102：将运行状态和能量需求作为输入信号，神经网络控制器按照，对输入信号进行非线性变换和加权求和，调节超级电容器组和锂离子电池的能量分配，其中，h j表示第j个神经元的输出，f表示激活函数，w ij表示第i个输入到第j个神经元的权重，x i表示第i个输入，b j是表示第j个神经元的偏置。
当车辆超级电容器控制系统启动时，开始执行步骤101：实时获取车辆的运行状态和能量需求。
在具体实施过程中，例如：车辆设置传感器网络，传感器网络实时采集表征车辆运行状态和能量需求的传感数据。运行状态和能量需求能够反映车辆的运行模式和工况，例如：大功率输出工况、匀速行驶工况和可回收能量工况。大功率输出工况包括起动、加速、爬坡等，可回收能量工况包括：制动、下坡等。
车辆的运行状态和能量需求是神经网络控制器的输入信号。为了令输入信号多样化，有利于对超级电容器组和锂离子电池进行精确调控。输入信号具体为：车辆的速度、车辆的加速度、车辆的油门开度、车辆的制动强度、超级电容器组的电压、超级电容器组的电流、超级电容器组的温度、锂离子电池的电压、锂离子电池的电流、锂离子电池的温度。
在获得运行状态和能量需求之后，开始执行步骤102：将运行状态和能量需求作为输入信号，神经网络控制器按照，对输入信号进行非线性变换和加权求和，调节超级电容器组和锂离子电池的能量分配，其中，h j表示第j个神经元的输出，f表示激活函数，w ij表示第i个输入到第j个神经元的权重，x i表示第i个输入，b j是表示第j个神经元的偏置。
在具体实施过程中，例如：神经网络控制器包括输入层、隐藏层和输出层。其中，输入层用于接收运行状态和能量需求，将其作为输入信号。隐藏层用于对输入信号进行非线性变换和加权求和。输出层用于根据隐藏层的输出信号生成控制信号，以调节超级电容器组和锂离子电池的能量分配。
神经网络控制器的结构是一个三层的前馈神经网络，该神经网络的参数包括：
输入层的神经元个数：根据输入信号的维度确定，在本申请实施例中，输入层的神经元个数为10个；
隐藏层的神经元个数：根据神经网络的复杂度和泛化能力确定，在本申请实施例中，隐藏层的神经元个数为5个；
输出层的神经元个数：根据输出信号的维度确定，在本申请实施例中，输出层的神经元个数为3个；
输入层到隐藏层的权重矩阵：根据输入层的神经元个数和隐藏层的神经元个数确定，在本申请实施例中，输入层到隐藏层的权重矩阵是一个10×5的矩阵，每个元素表示一个权重值；
隐藏层到输出层的权重矩阵：根据隐藏层的神经元个数和输出层的神经元个数确定，在本申请实施例中，隐藏层到输出层的权重矩阵是一个5×3的矩阵，每个元素表示一个权重值；
隐藏层的偏置向量：在本实施例中，隐藏层的偏置向量是一个5维的向量，每个元素表示一个偏置值；
输出层的偏置向量：在本实施例中，输出层的偏置向量是一个3维的向量，每个元素表示一个偏置值；
隐藏层的激活函数：一个非线性函数，用于对隐藏层的输出进行变换，在本实施例中，隐藏层的激活函数为 sigmoid 函数；
输出层的激活函数：一个非线性函数，用于对输出层的输出进行变换，在本实施例中，输出层的激活函数为 tanh 函数。
神经网络控制器的输入信号是一个10维的向量，包括以下内容：
车辆的速度：表示车辆在一定时间内行驶的距离，单位为km/h；
车辆的加速度：表示车辆在一定时间内速度的变化率，单位为m/s2；
车辆的油门开度：表示车辆的驾驶员给出的油门信号，单位为%；
车辆的制动强度：表示车辆的驾驶员给出的制动信号，单位为%；
超级电容器组的电压：表示超级电容器组两端的电势差，单位为V；
超级电容器组的电流：表示超级电容器组在一定时间内通过的电荷量，单位为A；
超级电容器组的温度：表示超级电容器组内部的热度，单位为℃；
锂离子电池的电压：表示锂离子电池两端的电势差，单位为V；
锂离子电池的电流：表示锂离子电池在一定时间内通过的电荷量，单位为 A；
锂离子电池的温度：表示锂离子电池内部的热度，单位为℃；
神经网络控制器的输出信号是一个3维的向量，包括以下内容：
超级电容器组的充放电状态：表示超级电容器组是处于充电模式还是放电模式，取值为0或1；
锂离子电池的充放电状态：表示锂离子电池是处于充电模式还是放电模式，取值为0或1；
超级电容器组的充放电速度：表示超级电容器组在一定时间内通过的电荷量，单位为A。
当隐藏层有n个神经元，每个神经元有m个输入信号，那么隐藏层的非线性变换和加权求和的公式可以表示为：
；
其中，h j表示第j个神经元的输出；
f表示激活函数，例如sigmoid、tanh、ReLU等；
w ij表示第i个输入到第j个神经元的权重；
x i表示第i个输入；
b j是表示第j个神经元的偏置。
非线性变换和加权求和的公式含义是，每个神经元都对其所有输入信号进行加权求和，并加上一个偏置，然后通过一个激活函数进行非线性变换，得到输出信号。这样，隐藏层可以实现对输入信号的特征提取和维度降维。
为了既能满足车辆的能量需求，又能提高车辆的能量利用率。在步骤102的调节超级电容器组和锂离子电池的能量分配之前，方法还包括：使用遗传算法对神经网络控制器的结构和参数进行优化，以使神经网络控制器的输出信号能够满足车辆的能量需求，并使超级电容器组和锂离子电池的能量利用率最大化。
为了能够令神经网络控制器的输出信号达到期望控制信号。在步骤102的调节超级电容器组和锂离子电池的能量分配之前，方法还包括：使用反向传播算法对神经网络控制器进行训练以使神经网络控制器的输出信号与期望控制信号之间的误差最小化。
为了满足车辆的能量需求，并使超级电容器组和锂离子电池的能量利用率最大化，步骤102的调节超级电容器组和锂离子电池的能量分配，具体包括：计算车辆实际输出功率和期望输出功率之间的误差e(t)；基于误差e(t)，采用模糊逻辑控制方法，控制超级电容器组的充放电。
在具体实施过程中，例如：计算车辆实际输出功率和期望输出功率之间的误差e (t)，e(t)表示车辆实际输出功率P(t)与期望输出功率P_d(t)之间的误差，其中P_d(t)由油门开度和制动强度决定，e(t)的作用是用于控制超级电容器组和锂离子电池之间的能量分配，采用模糊逻辑控制方法的效果具体如下：
当e(t)为负值时，表示车辆实际输出功率低于期望输出功率，此时需要增加超级电容器组的放电速度，以补充车辆的能量需求；
当e(t)为正值时，表示车辆实际输出功率高于期望输出功率，此时需要增加超级电容器组的充电速度，以回收车辆的多余能量；
当e(t)为零时，表示车辆实际输出功率等于期望输出功率，此时不需要调节超级电容器组的充放电速度。
如图2所示，在起动、加速、爬坡等大功率输出工况时，e(t)为负值，神经网络控制器控制超级电容器组放电，为车辆提供额外的动力。
在匀速行驶工况时，e(t)为零，神经网络控制器控制超级电容器组与锂离子电池平衡充放电，保持稳定的输出。
在制动、下坡等可回收能量工况时，神经网络控制器控制超级电容器充电，将多余的能量存储起来。
为了通过u(t)的实际值，能够控制超级电容器组的充放电状态和速度。基于误差e (t)，采用模糊逻辑控制方法，控制超级电容器组的充放电，具体包括：根据误差e(t)和超级电容器组的充放电速度u(t)的模糊控制规则表，对误差e(t)进行模糊推理，得到u(t)的模糊输出；对u(t)的模糊输出进行去模糊化处理，得到u(t)的实际值；将u(t)的实际值作为控制信号，控制超级电容器组的充放电。
为了能够基于误差和充放电速度建立模糊控制规则表，便于后期基于模糊控制表对超级电容器组进行控制。在根据误差e(t)和超级电容器组的充放电速度u(t)的模糊控制规则表，对误差e(t)进行模糊推理，得到u(t)的模糊输出之前，还包括建立模糊控制规则表的步骤，具体如下：
将误差e(t)分为五个模糊集，分别为负大（NB）、负小（NS）、零（ZE）、正小（PS）和正大（PB）；
设定超级电容器组的充放电速度u(t)，将u(t)划分为七个模糊集，分别为负大（NB）、负中（NM）、负小（NS）、零（ZE）、正小（PS）、正中（PM）和正大（PB）；
根据误差e(t)和超级电容器组的充放电速度u(t)的模糊集，建立模糊控制规则表，具体如下表所示：
e(t) NB NS ZE PS PB
NB PB PM PS ZE NS
NS PM PS ZE NS NM
ZE PS ZE NS NM NB
PS ZE NS NM NB NB
PB NS NM NB NB NB
为了能够方便驾驶员和维修人员查看和操作，方法还包括：实时显示运行状态和能量需求。
在具体实施过程中，例如：车辆上设有一显示屏，用于实时显示运行状态和能量需求，显示屏可以是液晶显示屏、触摸屏等。
本发明另一实施例提供一种计算机设备，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前述实施例中车辆超级电容器控制方法的步骤。
本发明实施例还提供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前述实施例中车辆超级电容器控制方法的步骤。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
一种车辆超级电容器控制方法，应用于一车辆超级电容器控制系统，车辆超级电容器控制系统具有超级电容器组、锂离子电池和神经网络控制器，方法包括：实时获取车辆的运行状态和能量需求；将运行状态和能量需求作为输入信号，神经网络控制器按照，对输入信号进行非线性变换和加权求和，调节超级电容器组和锂离子电池的能量分配，其中，h j表示第j个神经元的输出，f表示激活函数，w ij表示第i个输入到第j个神经元的权重，x i表示第i个输入，b j是表示第j个神经元的偏置。本申请的神经网络控制器能够根据车辆的运行状态和能量需求，对超级电容器进行调节，解决了现有技术存在的无法调节超级电容器的技术问题。本申请的运行状态和能量需求反应车辆的运行模式和工况，神经网络控制器能够根据车辆的运行模式和工况，调节超级电容器组和锂离子电池的能量分配，能够满足车辆的动力需求，实现最优化的储能效率和续航能力。
进一步，输入信号具体为：车辆的速度、车辆的加速度、车辆的油门开度、车辆的制动强度、超级电容器组的电压、超级电容器组的电流、超级电容器组的温度、锂离子电池的电压、锂离子电池的电流、锂离子电池的温度。输入信号多样化，有利于对超级电容器组和锂离子电池进行精确调控。
再进一步，在调节超级电容器组和锂离子电池的能量分配之前，方法还包括：使用遗传算法对神经网络控制器的结构和参数进行优化，以使神经网络控制器的输出信号能够满足车辆的能量需求，并使超级电容器组和锂离子电池的能量利用率最大化。既能满足车辆的能量需求，又能提高车辆的能量利用率。
又进一步，在调节超级电容器组和锂离子电池的能量分配之前，方法还包括：使用反向传播算法对神经网络控制器进行训练以使神经网络控制器的输出信号与期望控制信号之间的误差最小化。能够令神经网络控制器的输出信号达到期望控制信号。
还进一步，调节超级电容器组和锂离子电池的能量分配，具体包括：计算车辆实际输出功率和期望输出功率之间的误差e(t)；基于误差e(t)，采用模糊逻辑控制方法，控制超级电容器组的充放电。e(t)表示车辆实际输出功率P(t)与期望输出功率P_d(t)之间的误差，其中P_d(t)由油门开度和制动强度决定。e(t)的作用是用于控制超级电容器组和锂离子电池之间的能量分配，以满足车辆的能量需求，并使超级电容器组和锂离子电池的能量利用率最大化。
再进一步，基于误差e(t)，采用模糊逻辑控制方法，控制超级电容器组的充放电，具体包括：根据误差e(t)和超级电容器组的充放电速度u(t)的模糊控制规则表，对误差e (t)进行模糊推理，得到u(t)的模糊输出；对u(t)的模糊输出进行去模糊化处理，得到u(t)的实际值；将u(t)的实际值作为控制信号，控制超级电容器组的充放电。通过u(t)的实际值，能够控制超级电容器组的充放电状态和速度。
又进一步，在根据误差e(t)和超级电容器组的充放电速度u(t)的模糊控制规则表，对误差e(t)进行模糊推理，得到u(t)的模糊输出之前，还包括：将误差e(t)分为五个模糊集，分别为负大（NB）、负小（NS）、零（ZE）、正小（PS）和正大（PB）；设定超级电容器组的充放电速度u(t)，将u(t)划分为七个模糊集，分别为负大（NB）、负中（NM）、负小（NS）、零（ZE）、正小（PS）、正中（PM）和正大（PB）；根据误差e(t)和超级电容器组的充放电速度u(t)的模糊集，建立模糊控制规则表。能够基于误差和充放电速度建立模糊控制规则表，便于后期基于模糊控制表对超级电容器组进行控制。
还进一步，方法还包括：实时显示运行状态和能量需求。能够方便驾驶员和维修人员查看和操作。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种车辆超级电容器控制方法，应用于一车辆超级电容器控制系统，其特征在于，所述车辆超级电容器控制系统具有超级电容器组、锂离子电池和神经网络控制器，所述方法包括：
实时获取车辆的运行状态和能量需求；
将所述运行状态和所述能量需求作为输入信号，所述神经网络控制器按照，对所述输入信号进行非线性变换和加权求和，调节所述超级电容器组和所述锂离子电池的能量分配，其中，h j表示第j个神经元的输出，f表示激活函数，w ij表示第i个输入到第j个神经元的权重，x i表示第i个输入，b j是表示第j个神经元的偏置；所述神经网络控制器的输入信号是一个10维的向量，包括以下内容：车辆的速度、车辆的加速度、车辆的油门开度、车辆的制动强度、超级电容器组的电压、超级电容器组的电流、超级电容器组的温度、锂离子电池的电压、锂离子电池的电流和锂离子电池的温度；所述神经网络控制器的输出信号是一个3维的向量，包括以下内容：超级电容器组的充放电状态、锂离子电池的充放电状态和超级电容器组的充放电速度；
所述调节所述超级电容器组和所述锂离子电池的能量分配，具体包括：
计算车辆实际输出功率和期望输出功率之间的误差e(t)；其中，e(t)表示车辆实际输出功率P(t)与期望输出功率P_d(t)之间的误差，P_d(t)由油门开度和制动强度决定，e(t)的作用是用于控制所述超级电容器组和所述锂离子电池之间的能量分配；
基于所述误差e(t)，采用模糊逻辑控制方法，控制所述超级电容器组的充放电；在起动、加速、爬坡的大功率输出工况时，e(t)为负值，表示车辆实际输出功率低于期望输出功率，此时需要增加所述超级电容器组的放电速度，以补充车辆的能量需求，所述神经网络控制器控制所述超级电容器组放电，为车辆提供额外的动力；在制动、下坡的可回收能量工况时，e(t)为正值时，表示车辆实际输出功率高于期望输出功率，此时需要增加所述超级电容器组的充电速度，以回收车辆的多余能量，所述神经网络控制器控制超级电容器充电，将多余的能量存储起来；在匀速行驶工况时，e(t)为零，表示车辆实际输出功率等于期望输出功率，此时不需要调节所述超级电容器组的充放电速度；
所述基于所述误差e(t)，采用模糊逻辑控制方法，控制所述超级电容器组的充放电，具体包括：
根据所述误差e(t)和超级电容器组的充放电速度u(t)的模糊控制规则表，对误差e(t)进行模糊推理，得到u(t)的模糊输出；
对所述u(t)的模糊输出进行去模糊化处理，得到u(t)的实际值；
将所述u(t)的实际值作为控制信号，控制所述超级电容器组的充放电；
在所述根据所述误差e(t)和超级电容器组的充放电速度u(t)的模糊控制规则表，对误差e(t)进行模糊推理，得到u(t)的模糊输出之前，还包括：
将所述误差e(t)分为五个模糊集，分别为负大（NB）、负小（NS）、零（ZE）、正小（PS）和正大（PB）；
设定超级电容器组的充放电速度u(t)，将u(t)划分为七个模糊集，分别为负大（NB）、负中（NM）、负小（NS）、零（ZE）、正小（PS）、正中（PM）和正大（PB）；
根据所述误差e(t)和所述超级电容器组的充放电速度u(t)的模糊集，建立所述模糊控制规则表。
2.如权利要求1所述的方法，其特征在于，在所述调节所述超级电容器组和所述锂离子电池的能量分配之前，所述方法还包括：
使用遗传算法对所述神经网络控制器的结构和参数进行优化，以使所述神经网络控制器的输出信号能够满足车辆的能量需求，并使所述超级电容器组和所述锂离子电池的能量利用率最大化。
3.如权利要求1所述的方法，其特征在于，在所述调节所述超级电容器组和所述锂离子电池的能量分配之前，所述方法还包括：
使用反向传播算法对所述神经网络控制器进行训练以使所述神经网络控制器的输出信号与期望控制信号之间的误差最小化。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
实时显示所述运行状态和所述能量需求。
5.一种计算机设备，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1-4中任一项所述的方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法的步骤。
CN202311264126.5A 2023-09-28 2023-09-28 车辆超级电容器控制方法、设备和介质 Active CN116985646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311264126.5A CN116985646B (zh) 2023-09-28 2023-09-28 车辆超级电容器控制方法、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311264126.5A CN116985646B (zh) 2023-09-28 2023-09-28 车辆超级电容器控制方法、设备和介质

Publications (2)

Publication Number Publication Date
CN116985646A CN116985646A (zh) 2023-11-03
CN116985646B true CN116985646B (zh) 2024-01-12

Family

ID=88527042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311264126.5A Active CN116985646B (zh) 2023-09-28 2023-09-28 车辆超级电容器控制方法、设备和介质

Country Status (1)

Country Link
CN (1) CN116985646B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117238680B (zh) * 2023-11-10 2024-04-09 江西五十铃汽车有限公司 一种氧化石墨烯/聚吡咯复合电极材料及其制备方法与应用

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103490494A (zh) * 2013-09-18 2014-01-01 江苏大学 一种应用于混合动力汽车车载复合电源
EP3369604A1 (en) * 2015-10-30 2018-09-05 Beijing Electric Vehicle Co., Ltd. Method and system for estimating remaining range of electric car, and electric car
CN110979030A (zh) * 2019-11-18 2020-04-10 杭州电子科技大学 一种复合模糊控制的电动汽车复合电源系统控制方法
CN111079349A (zh) * 2019-12-28 2020-04-28 绍兴市上虞区理工高等研究院 一种锂电池与超级电容复合电源系统能量实时优化方法
CN114154729A (zh) * 2021-12-08 2022-03-08 山东中科先进技术研究院有限公司 一种混合动力汽车复合储能系统能量管理系统及方法
CN114572053A (zh) * 2022-03-04 2022-06-03 中南大学 一种基于工况识别的电动汽车能量管理方法及系统
WO2022252559A1 (zh) * 2021-05-31 2022-12-08 深圳先进技术研究院 基于规则和双深度q网络的混合动力汽车能量管理方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103490494A (zh) * 2013-09-18 2014-01-01 江苏大学 一种应用于混合动力汽车车载复合电源
EP3369604A1 (en) * 2015-10-30 2018-09-05 Beijing Electric Vehicle Co., Ltd. Method and system for estimating remaining range of electric car, and electric car
CN110979030A (zh) * 2019-11-18 2020-04-10 杭州电子科技大学 一种复合模糊控制的电动汽车复合电源系统控制方法
CN111079349A (zh) * 2019-12-28 2020-04-28 绍兴市上虞区理工高等研究院 一种锂电池与超级电容复合电源系统能量实时优化方法
WO2022252559A1 (zh) * 2021-05-31 2022-12-08 深圳先进技术研究院 基于规则和双深度q网络的混合动力汽车能量管理方法
CN114154729A (zh) * 2021-12-08 2022-03-08 山东中科先进技术研究院有限公司 一种混合动力汽车复合储能系统能量管理系统及方法
CN114572053A (zh) * 2022-03-04 2022-06-03 中南大学 一种基于工况识别的电动汽车能量管理方法及系统

Also Published As

Publication number Publication date
CN116985646A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Wu et al. Continuous reinforcement learning of energy management with deep Q network for a power split hybrid electric bus
Chen et al. Optimal strategies of energy management integrated with transmission control for a hybrid electric vehicle using dynamic particle swarm optimization
Jiang et al. Energy management and component sizing for a fuel cell/battery/supercapacitor hybrid powertrain based on two-dimensional optimization algorithms
US11958365B2 (en) Method for dual-motor control on electric vehicle based on adaptive dynamic programming
Xiang et al. Energy management of a dual-mode power-split hybrid electric vehicle based on velocity prediction and nonlinear model predictive control
CN116985646B (zh) 车辆超级电容器控制方法、设备和介质
CN108312870B (zh) 一种混合动力汽车氢耗与负载变化的能源管理方法
Li et al. Power management for a plug-in hybrid electric vehicle based on reinforcement learning with continuous state and action spaces
Li et al. A speedy reinforcement learning-based energy management strategy for fuel cell hybrid vehicles considering fuel cell system lifetime
CN109703548B (zh) 一种基于混合动力的汽车动力分配方法
Wang et al. Deep reinforcement learning based energy management strategy for fuel cell/battery/supercapacitor powered electric vehicle
Bo et al. A Q-learning fuzzy inference system based online energy management strategy for off-road hybrid electric vehicles
CN109910863B (zh) 一种基于插电式混合动力轿车专用变速器的控制方法
CN113479186B (zh) 一种混合动力汽车能量管理策略优化方法
CN113815437B (zh) 燃料电池混合动力汽车的预测性能量管理方法
CN113110052B (zh) 一种基于神经网络和强化学习的混合能量管理方法
CN112765723A (zh) 好奇心驱动的混合动力系统深度强化学习能量管理方法
CN109552112A (zh) 一种用于混合动力汽车的电池储能控制方法
CN116985679A (zh) 一种燃料电池机车实时能量管理方法
Zhang et al. Driving behavior oriented torque demand regulation for electric vehicles with single pedal driving
CN116001654A (zh) 电池能量控制方法、装置、系统和电子设备
CN114969982A (zh) 一种基于策略迁移的燃料电池汽车深度强化学习能量管理方法
Hu et al. An apprenticeship-reinforcement learning scheme based on expert demonstrations for energy management strategy of hybrid electric vehicles
CN111332126A (zh) 车辆制动能量回收控制方法、装置、车辆及存储介质
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

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