CN117601722A - 一种多堆燃料电池混合发电系统能量管理方法 - Google Patents
一种多堆燃料电池混合发电系统能量管理方法 Download PDFInfo
- Publication number
- CN117601722A CN117601722A CN202311709545.5A CN202311709545A CN117601722A CN 117601722 A CN117601722 A CN 117601722A CN 202311709545 A CN202311709545 A CN 202311709545A CN 117601722 A CN117601722 A CN 117601722A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- storage battery
- value
- power
- soc
- 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 209
- 238000007726 management method Methods 0.000 title claims abstract description 57
- 238000010248 power generation Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 28
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 44
- 229910052739 hydrogen Inorganic materials 0.000 claims description 44
- 239000001257 hydrogen Substances 0.000 claims description 44
- 230000015556 catabolic process Effects 0.000 claims description 36
- 238000006731 degradation reaction Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 241000288673 Chiroptera Species 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000007789 gas Substances 0.000 claims description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 229910052744 lithium Inorganic materials 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract description 5
- 230000001502 supplementing effect Effects 0.000 abstract description 3
- 238000011084 recovery Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002918 waste heat 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Sustainable Development (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开一种多堆燃料电池混合发电系统能量管理方法,将负载功率需求、蓄电池荷电状态作为输入状态变量,以系统运行过程中的等效价值损耗最小为目标,调节燃料电池多堆系统中每个单元的输出功率,管理蓄电池组补充系统缺额功率或吸收制动功率。本发明实时检测燃料电池多堆发电系统每个单元以及蓄电池组的输出电压、电流情况,并根据负载功率的需求,分配每个单元的输出功率,实现系统运行过程中的等效价值损耗最小,这样既能在满足负载功率需求的情况下最大化系统的经济性,延长燃料电池和蓄电池的使用寿命,又能维持蓄电池组的SOC在一定范围内,保证系统的稳定长久运行。
Description
技术领域
本发明属于燃料电池技术领域,特别是涉及一种多堆燃料电池混合发电系统能量管理方法。
背景技术
燃料电池发电技术作为一种高效、低排放的能源转换技术,具有在电力、交通等领域广泛应用的潜力。多堆燃料电池混合发电系统作为其应用形式,通过多个燃料电池单元的协同工作,能够提高系统整体性能,适应不同工况下的能源需求。这种系统的构成涉及到燃料电池多堆发电系统、蓄电池组、单向直直变换器、双向直直变换器以及能量管理和控制单元。这些部分通过精心设计和结合,形成了一个相互协作的系统,具备高效、灵活、可持续的能源转换和储存能力。
多堆燃料电池混合发电系统能量管理方法的现有技术缺陷主要包括以下几点:
能量转化效率低:传统的多堆燃料电池混合发电系统通常采用简单的功率分配策略,将总的功率需求平均分配给每个堆,忽略了不同堆的特性和动态变化。这种分配方式可能导致某些堆的能量转化效率低下,造成整车的能量利用效率不高。
动态响应慢:在动态负载变化的情况下,多堆燃料电池混合发电系统的能量管理策略需要具备快速的动态响应能力。然而,现有的技术手段往往难以实现快速、准确的功率分配和调整,导致系统对负载变化的响应速度较慢。
能量回收能力不足:在燃料电池堆运行过程中产生的废热和废气,可以通过能量回收技术转化为电能。然而,现有的能量回收技术尚不完善,回收效率不高,限制了整车的能量利用效率。
系统稳定性差:多堆燃料电池混合发电系统需要保证稳定运行。然而,由于不同堆的特性差异、负载变化以及外部环境的影响,系统的稳定性往往受到影响。现有的技术手段难以有效地提高系统的稳定性。
智能化程度低:传统的多堆燃料电池混合发电系统往往依赖于人工操作和经验调整,智能化程度较低。这不仅增加了操作难度和成本,也可能导致系统性能的不稳定。
为了克服这些缺陷,需要进一步研究和改进多堆燃料电池混合发电系统能量管理方法,提高整车的能量利用效率、动态响应速度、稳定性以及智能化程度。
发明内容
为了解决上述问题,本发明提出了一种多堆燃料电池混合发电系统能量管理方法,以保证系统快速响应负载的动态变化,回收电能,尽可能地减小燃料电池和蓄电池的性能衰减,维持蓄电池的SOC处于目标值附近,提高系统的经济性,延长系统使用寿命,降低系统成本。
为达到上述目的,本发明采用的技术方案是:一种多堆燃料电池混合发电系统能量管理方法,基于多堆燃料电池混合发电系统,包括:
燃料电池多堆系统,包括n个燃料电池单元并联、n个与燃料电池级联的单向直直变换器和燃料电池多堆系统输出端连接负载端口;
和蓄电池系统,包括一组蓄电池、与蓄电池组级联的双向直直变换器、蓄电池供电系统的输出端与燃料电池多堆系统输出端并联;
基于所述多堆燃料电池混合发电系统的能量管理方法,包括步骤:
建立系统功率平均公式,建立系统氢耗模型,建立燃料电池性能衰减模型,建立蓄电池性能衰减模型,建立蓄电池SOC损失价值模型;
基于系统氢耗模型、燃料电池性能衰减模型、建立蓄电池性能衰减模型和建立蓄电池SOC损失价值模型,确定系统的等效价值损耗函数,并添加系统的约束条件;
判断参数是否更新,若更新了利用人工智能算法求解获得动力源输出最优功率,若没有更新利用神经网络参数辨识后重新确定系统的等效价值损耗函数。
进一步的是,所述的多堆燃料电池混合动力系统还包括信号收集处理系统以及基于DSP控制器的能量管理和控制单元;
信号收集处理系统将每个单元输出端的电压和电流信号按照比例缩放处理后传输到能量管理和控制单元;
能量管理和控制单元包括ADC转换单元、数据处理单元和PWM信号产生单元,数据经由能量管理和控制单元处理后将各个燃料电池和蓄电池的参考功率信息反馈,通过控制相应的直直变换器间接控制各单元输出功率,实现能量管理的目的。
进一步的是,建立系统功率平均公式包括:
设置燃料电池最大输出功率PFC_Max和最小输出功率PFC_Min,设置蓄电池最大输出功率Pbat_Max和最小输出功率Pbat_Min,设置蓄电池SOC最高值SOCMax和最低值SOCmin,以及设置燃料电池输出功率变化率最大和最小值,且有以下关系成立:
其中,PFC,i为第i个燃料电池的输出功率,n为燃料电池总数,Pbat为蓄电池的输出功率,Pload为负载需求的功率,ΔPFCi为第i个燃料电池输出功率变化率,PFCi_rate为第i个燃料电池的额定功率。
进一步的是,构建系统氢耗模型包括:燃料电池氢耗以及蓄电池等效氢耗;
根据燃料电池和蓄电池在系统运行过程中的输出功率计算得到系统运行时的氢耗价值,所述的系统等效氢耗函数为:
Csys=Cfcs+kCbats;
其中,Csys为系统的总氢耗,Cfcs为燃料电池的氢耗,k为蓄电池SOC修正系数,Cbats为蓄电池的等效氢耗。
进一步的是,构建燃料电池性能衰减模型,根据燃料电池性能衰减模型计算系统运行过程中燃料电池的性能衰减价值,将燃料电池的运行过程分为四种状态包括启停、低功率运行、高功率运行和变载运行,燃料电池的性能衰减价值由四种状态造成的性能衰减价值来确定;
所述的燃料电池性能衰减模型为:
DFC_D=DStart_Stop+DLow+DHigh+DChg;
其中,DFC_D为燃料电池性能衰减价值,DStart_stop为启停时的性能退化价值,DLow为低功率运行时的性能退化价值,DHigh为高功率运行时的性能退化价值,DChg为变载运行时的性能退化价值。
进一步的是,所述蓄电池性能衰减模型,根据蓄电池性能衰减模型计算系统运行过程中蓄电池的性能衰减价值;蓄电池的性能衰减与时间、蓄电池的放电深度、蓄电池的充放电倍率、环境温度等有关,所述的蓄电池性能衰减模型为:
其中,pBat为每千瓦时锂电池成本,Ubat为蓄电池电压,Ibat为蓄电池电流,Q为蓄电池额定容量,NP为并联数,t为时间,B是指数前因子,z是幂律因子,C是活化能系数,T是系统所处的环境温度,D为活化能增量系数,Crate为蓄电池的充放电倍率,R是气体常数,Qloss,k是第k时刻电池容量损失百分比。
进一步的是,所述蓄电池SOC损失价值模型,根据蓄电池性能衰减模型计算得到系统在运行过程中由于蓄电池SOC波动带来的等效价值损耗;
所述的蓄电池SOC损失价值模型:
Lsoc=γ·SOC t-SOCinit 2
其中,γ为权重系数,SOCt为第t时刻蓄电池的SOC,SOCinit是初始SOC值。
进一步的是,所述系统的等效价值损耗函数,通过深度强化学习算法对此进行优化求解,获得系统运行时各动力源的最优功率分配结果;系统的等效价值损耗包括系统氢耗价值、燃料电池性能退化价值、蓄电池性能退化价值以及蓄电池SOC损失价值;通过深度强化学习算法对系统的等效价值损耗函数进行最小化求解,获得燃料电池和蓄电池的最优输出功率;
所述的系统等效价值损耗函数为:
J=Csys+DFC_D+CBAT_D+LSOC;
其中,Csys是系统的氢耗价值,DFC_D是燃料电池性能退化价值,CBAT_D是蓄电池性能退化价值,LSOC是蓄电池SOC损失价值,βFC表示燃料电池购置单价,βH2表示氢气购置单价,βbat表示蓄电池购置单价;另外,定义当燃料电池额定输出电压跌落10%时,视为其寿命终点,定义蓄电池容量损失20%时则不能再继续使用。
进一步的是,系统等效价值损耗函数最小化求解受到约束条件的限制,约束条件为:
即燃料电池和蓄电池输出功率最大值PFC_Max与Pbat_Max和最小值PFC_Min与Pbat_Min限制,蓄电池SOC最高值SOCMax与最低值SOCMin限制,燃料电池输出功率变化率最大值ΔPFC与最小值-ΔPFC限制。
进一步的是,在参数辨识环节中,对燃料电池和蓄电池的内部参数进行实时评估,在线更新;采用循环神经网络RNN对待辨识参数进行实时预测更新,并基于更新后的参数值实现能量管理;
使用RNN对燃料电池和蓄电池的运行状态进行辨识,包括步骤:
(1)数据预处理,对采集到的燃料电池和蓄电池信息数据进行预处理,包括去噪和归一化操作;
(2)特征提取,利用RNN的循环特性,对已经测得的燃料电池和蓄电池的性能衰减数据中的特征进行学习;
(3)模型训练,使用已经处理的数据和提取的特征,训练RNN模型,学习燃料电池和蓄电池性能衰减规律和模式;
(4)预测与辨识,利用训练好的RNN模型,对运行过程中的燃料电池和蓄电池进行参数识别状态预测。
采用本技术方案的有益效果:
本发明公开了一种考虑系统等效价值损耗最小的多堆燃料电池混合发电系统能量管理方法。本发明将负载功率需求、蓄电池荷电状态(SOC)等作为输入状态变量,以系统运行过程中的等效价值损耗最小为目标,调节燃料电池多堆系统中每个单元的输出功率,管理蓄电池组补充系统缺额功率或吸收制动功率。本发明中的等效价值损耗包括:系统氢耗价值、燃料电池性能退化价值、蓄电池性能退化价值以及蓄电池SOC损失价值。在系统运行时,燃料电池多堆发电系统为主要动力源,由蓄电池组补充功率缺额。当系统因为制动而产生大量制动能量时,由蓄电池组回收能量以提高能量回收效率。本发明实时检测燃料电池多堆发电系统每个单元以及蓄电池组的输出电压、电流情况,并根据负载功率的需求,分配每个单元的输出功率,实现系统运行过程中的等效价值损耗最小,这样既能在满足负载功率需求的情况下最大化系统的经济性,延长燃料电池和蓄电池的使用寿命,又能维持蓄电池组的SOC在一定范围内,保证系统的稳定长久运行。
本发明提出的多堆燃料电池混合发电系统的能量管理方法,不仅仅考虑了系统运行中的功率匹配问题,更引入了等效价值损耗最小化的目标,以负载功率需求、蓄电池荷电状态SOC等为输入状态变量,实时调节燃料电池多堆系统各单元的输出功率,从而在系统运行过程中最小化等效价值损耗,实现了对系统性能的全面优化。
本发明基于等效价值损耗最小的多堆燃料电池混合动力系统能量管理方法使得系统在满足工况需求的前提下保证系统快速响应负载的动态变化,回收电能,尽可能地减小燃料电池和蓄电池的性能衰减,维持蓄电池的SOC处于目标值附近,提高系统的经济性,延长系统使用寿命,降低系统成本。
本发明将系统氢耗价值、燃料电池性能退化价值、蓄电池性能退化价值以及蓄电池SOC损失价值四者合并为等效价值损耗,用以进行能量管理的基础。并联若干燃料电池构成燃料电池多堆系统,针对燃料电池多堆系统中每个单元工作性能等不完全一致,在满足负载需求的前提下,为延迟燃料电池和蓄电池使用寿命以及最大化地提高系统经济性,需要将燃料电池和蓄电池的性能退化价值计入能量管理中。蓄电池在系统的运行过程中补充燃料电池系统无法满足的功率差额。根据蓄电池老化原理,大范围的SOC波动将不利于蓄电池长久运行。因此,应保证蓄电池SOC位于目标值附近,以保证系统的稳定运行和延长蓄电池的使用寿命,蓄电池SOC损耗的价值也被计入能量管理当中。
附图说明
图1为本发明的一种多堆燃料电池混合发电系统能量管理方法流程示意图;
图2为本发明实施例中一种多堆燃料电池混合发电系统能量的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本发明实施例中,如图2所示,基于多堆燃料电池混合发电系统,包括:
燃料电池多堆系统100,包括n个燃料电池单元101、103并联、n个与燃料电池级联的单向直直变换器102、104和燃料电池多堆系统输出端连接负载端口500;
和蓄电池系统200,包括一组蓄电池201、与蓄电池组级联的双向直直变换器202、蓄电池供电系统的输出端与燃料电池多堆系统输出端并联。
多堆燃料电池混合动力系统还包括信号收集处理系统300以及基于DSP控制器的能量管理和控制单元400;
信号收集处理系统将每个单元输出端的电压和电流信号按照比例缩放处理后传输到能量管理和控制单元;
能量管理和控制单元400包括ADC转换单元401、数据处理单元402和PWM信号产生单元403,数据经由能量管理和控制单元400处理后将各个燃料电池和蓄电池的参考功率信息反馈,通过控制相应的直直变换器间接控制各单元输出功率,实现能量管理的目的。
本发明公开了一种考虑系统等效价值损耗最小的多堆燃料电池混合发电系统能量管理方法,该方法将系统氢耗价值、燃料电池性能退化价值、蓄电池性能退化价值以及蓄电池SOC损失价值四者合并为等效价值损耗,用以进行能量管理的基础。并联若干燃料电池构成燃料电池多堆系统,针对燃料电池多堆系统中每个单元工作性能等不完全一致,在满足负载需求的前提下,为延迟燃料电池和蓄电池使用寿命以及最大化地提高系统经济性,需要将燃料电池和蓄电池的性能退化价值计入能量管理中。蓄电池在系统的运行过程中补充燃料电池系统无法满足的功率差额。根据蓄电池老化原理,大范围的SOC波动将不利于蓄电池长久运行。因此,应保证蓄电池SOC位于目标值附近,以保证系统的稳定运行和延长蓄电池的使用寿命,蓄电池SOC损耗的价值也被计入能量管理当中。
此外,考虑系统等效价值损耗最小的多堆燃料电池混合发电系统能量管理方法的实现过程收到动力源输出能力和使用条件的约束限制,包括燃料电池和蓄电池输出功率最大和最小值,蓄电池SOC最高和最低值以及燃料电池输出功率变化率最大和最小值。在动力源满足如上约束限制的情况下,将负载需求功率,蓄电池SOC,燃料电池和蓄电池SOC,燃料电池和蓄电池的输出电压、电流等作为系统输入状态变量,实现相应的能量管理。
基于所述多堆燃料电池混合发电系统的能量管理方法,如图1所示,包括步骤:
建立系统功率平均公式,建立系统氢耗模型,建立燃料电池性能衰减模型,建立蓄电池性能衰减模型,建立蓄电池SOC损失价值模型;
基于系统氢耗模型、燃料电池性能衰减模型、建立蓄电池性能衰减模型和建立蓄电池SOC损失价值模型,确定系统的等效价值损耗函数,并添加系统的约束条件;
判断参数是否更新,若更新了利用人工智能算法求解获得动力源输出最优功率,若没有更新利用神经网络参数辨识后重新确定系统的等效价值损耗函数。
考虑系统等效价值损耗最小的多堆燃料电池混合发电系统能量管理方法具体操作包括两个环节。
第一个环节为顶层功率分配环节,该环节的实现过程如下所示:
(1)建立系统功率平均公式包括:
设置燃料电池最大输出功率PFC_Max和最小输出功率PFC_Min,设置蓄电池最大输出功率Pbat_Max和最小输出功率Pbat_Min,设置蓄电池SOC最高值SOCMax和最低值SOCmin,以及设置燃料电池输出功率变化率最大和最小值,且有以下关系成立:
其中,PFC,i为第i个燃料电池的输出功率,n为燃料电池总数,Pbat为蓄电池的输出功率,Pload为负载需求的功率,ΔPFCi为第i个燃料电池输出功率变化率,PFCi_rate为第i个燃料电池的额定功率。
(2)构建系统氢耗模型包括:燃料电池氢耗以及蓄电池等效氢耗;系统的负载功率需求由燃料电池和蓄电池共同提供,所以系统的氢耗由燃料电池的氢耗和蓄电池的等效氢耗构成。
根据燃料电池和蓄电池在系统运行过程中的输出功率计算得到系统运行时的氢耗价值,所述的系统等效氢耗函数为:
Csys=Cfcs+kCbats;
其中,Csys为系统的总氢耗,Cfcs为燃料电池的氢耗,k为蓄电池SOC修正系数,Cbats为蓄电池的等效氢耗。
(3)构建燃料电池性能衰减模型,根据燃料电池性能衰减模型计算系统运行过程中燃料电池的性能衰减价值,将燃料电池的运行过程分为四种状态包括启停、低功率运行、高功率运行和变载运行,燃料电池的性能衰减价值由四种状态造成的性能衰减价值来确定;
所述的燃料电池性能衰减模型为:
DFC_D=DStart_Stop+DLow+DHigh+DChg;
其中,DFC_D为燃料电池性能衰减价值,DStart_stop为启停时的性能退化价值,DLow为低功率运行时的性能退化价值,DHigh为高功率运行时的性能退化价值,DChg为变载运行时的性能退化价值。
在能量管理的过程中,若设置燃料电池开始运行后便不停止,则忽略由燃料电池的启停状态造成的性能衰减价值;若忽略由燃料电池的启停状态造成的性能衰减价值,其余性能衰减价值由下式计算得到:
其中,t1表示第i个燃料电池运行过程中低功率运行总时间,U1表示低功率运行时燃料电池电压退化速率,t2表示第i个燃料电池运行过程中高功率运行总时间,U2表示高功率运行时燃料电池电压退化速率,ΔPFCi,i表示第i时刻第i个燃料电池输出功率波动量,U3表示变载时燃料电池电压退化速率,N表示电堆片数,PFCi(t)是第t时刻燃料电池的输出功率,DFCi表示对第i个燃料电池运行状态进行评估,采用下式进行评估:
其中,Uratedi,init表示第i个燃料电池性能最佳时的额定电压,Uratedi,degraded表示当前性能状态下额定电压。
(4)所述蓄电池性能衰减模型,根据蓄电池性能衰减模型计算系统运行过程中蓄电池的性能衰减价值。蓄电池的性能衰减与时间、蓄电池的放电深度、蓄电池的充放电倍率、环境温度等有关,所述的蓄电池性能衰减模型为:
其中,pBat为每千瓦时锂电池成本,Ubat为蓄电池电压,Ibat为蓄电池电流,Q为蓄电池额定容量,NP为并联数,t为时间,B是指数前因子,z是幂律因子,C是活化能系数,T是系统所处的环境温度,D为活化能增量系数,Crate为蓄电池的充放电倍率,R是气体常数,Qloss,k是第k时刻电池容量损失百分比。
(5)所述蓄电池SOC损失价值模型,根据蓄电池性能衰减模型计算得到系统在运行过程中由于蓄电池SOC波动带来的等效价值损耗;由于范围的SOC波动将不利于蓄电池长久运行,蓄电池SOC应位于目标值附近,以保证系统的稳定运行和延长蓄电池的使用寿命;蓄电池SOC的损失价值与当前的SOC值和初始SOC值有关,
所述的蓄电池SOC损失价值模型:
Lsoc=γ·SOC t-SOCinit 2
其中,γ为权重系数,SOCt为第t时刻蓄电池的SOC,SOCinit是初始SOC值。
(6)所述系统的等效价值损耗函数,通过深度强化学习算法对此进行优化求解,获得系统运行时各动力源的最优功率分配结果;系统的等效价值损耗包括系统氢耗价值、燃料电池性能退化价值、蓄电池性能退化价值以及蓄电池SOC损失价值;通过深度强化学习算法对系统的等效价值损耗函数进行最小化求解,获得燃料电池和蓄电池的最优输出功率;
所述的系统等效价值损耗函数为:
J=Csys+DFC_D+CBAT_D+LSOC;
其中,Csys是系统的氢耗价值,DFC_D是燃料电池性能退化价值,CBAT_D是蓄电池性能退化价值,LSOC是蓄电池SOC损失价值,βFC表示燃料电池购置单价,βH2表示氢气购置单价,βbat表示蓄电池购置单价;另外,定义当燃料电池额定输出电压跌落10%时,视为其寿命终点,定义蓄电池容量损失20%时则不能再继续使用。
(7)为保证系统的安全稳定运行,系统等效价值损耗函数最小化求解受到约束条件的限制,约束条件为:
即燃料电池和蓄电池输出功率最大值PFC_Max与Pbat_Max和最小值PFC_Min与Pbat_Min限制,蓄电池SOC最高值SOCMax与最低值SOCMin限制,燃料电池输出功率变化率最大值ΔPFC与最小值-ΔPFC限制。
第二个环节为底层的参数辨识环节,在参数辨识环节中,考虑到燃料电池的内部因素(如工艺的不一致、性能差异等)和外部因素(如温湿度等)、负荷功率变化、运行环境等可能引起燃料电池和蓄电池运行过程中发生的变化,状态变化会影响到各动力源的能量管理。所以需要对燃料电池和蓄电池的内部参数进行实时评估,在线更新;采用循环神经网络RNN对待辨识参数进行实时预测更新,并基于更新后的参数值实现能量管理;
RNN是一种循环神经网络,模型包括一个输入层、一个或多个隐藏层和一个输出层。x(t)为输入序列的第t个位置的输入,h(t)为第t个位置模型的隐层状态,y(t)为第t个位置的模型输出。
在每个时间步长(t)上,输入数据进入输入层,然后通过隐藏层处理并存储在隐藏状态中。在下一个时间步长(t+1)上,隐藏状态成为输入,经过处理后输出结果。RNN模型的核心是记忆单元,它能够存储前一个时间步长的隐藏状态,并将其传递到下一个时间步长,这使得RNN适合用于进行时间序列预测,与燃料电池和蓄电池状态预测的需求匹配。
使用RNN对燃料电池和蓄电池的运行状态进行辨识,包括步骤:
(1)数据预处理,对采集到的燃料电池和蓄电池信息数据进行预处理,包括去噪和归一化操作;
(2)特征提取,利用RNN的循环特性,对已经测得的燃料电池和蓄电池的性能衰减数据中的特征进行学习;
(3)模型训练,使用已经处理的数据和提取的特征,训练RNN模型,学习燃料电池和蓄电池性能衰减规律和模式;
(4)预测与辨识,利用训练好的RNN模型,对运行过程中的燃料电池和蓄电池进行参数识别状态预测;
(5)模型优化,为了提高预测的准确性,还可以对RNN模型中的参数不断调整。
针对燃料电池多堆系统,当评估燃料电池运行状态变化时,需要依据实时运行状态修正输出功率。针对蓄电池,当评估蓄电池状态低于预先设定值时,将对其输出状态进行降级处理。
考虑系统等效价值损耗最小的多堆燃料电池混合发电系统能量管理方法使得系统在满足工况需求的前提下保证系统快速响应负载的动态变化,回收电能,尽可能地减小燃料电池和蓄电池的性能衰减,维持蓄电池的SOC处于目标值附近,提高系统的经济性,延长系统使用寿命,降低系统成本。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种多堆燃料电池混合发电系统能量管理方法,其特征在于,基于多堆燃料电池混合发电系统,包括:
燃料电池多堆系统(100),包括n个燃料电池单元(101、103)并联、n个与燃料电池级联的单向直直变换器(102、104)和燃料电池多堆系统输出端连接负载端口(500);
和蓄电池系统(200),包括一组蓄电池(201)、与蓄电池组级联的双向直直变换器(202)、蓄电池供电系统的输出端与燃料电池多堆系统输出端并联;
基于所述多堆燃料电池混合发电系统的能量管理方法,包括步骤:
建立系统功率平均公式,建立系统氢耗模型,建立燃料电池性能衰减模型,建立蓄电池性能衰减模型,建立蓄电池SOC损失价值模型;
基于系统氢耗模型、燃料电池性能衰减模型、建立蓄电池性能衰减模型和建立蓄电池SOC损失价值模型,确定系统的等效价值损耗函数,并添加系统的约束条件;
判断参数是否更新,若更新了利用人工智能算法求解获得动力源输出最优功率,若没有更新利用神经网络参数辨识后重新确定系统的等效价值损耗函数。
2.根据权利要求1所述的一种多堆燃料电池混合发电系统能量管理方法,其特征在于,所述的多堆燃料电池混合动力系统还包括信号收集处理系统(300)以及基于DSP控制器的能量管理和控制单元(400);
信号收集处理系统将每个单元输出端的电压和电流信号按照比例缩放处理后传输到能量管理和控制单元;
能量管理和控制单元(400)包括ADC转换单元(401)、数据处理单元(402)和PWM信号产生单元(403),数据经由能量管理和控制单元(400)处理后将各个燃料电池和蓄电池的参考功率信息反馈,通过控制相应的直直变换器间接控制各单元输出功率,实现能量管理的目的。
3.根据权利要求1所述的一种多堆燃料电池混合发电系统能量管理方法,其特征在于,建立系统功率平均公式包括:
设置燃料电池最大输出功率PFC_Max和最小输出功率PFC_Min,设置蓄电池最大输出功率Pbat_Max和最小输出功率Pbat_Min,设置蓄电池SOC最高值SOCMax和最低值SOCmin,以及设置燃料电池输出功率变化率最大和最小值,且有以下关系成立:
其中,PFC,i为第i个燃料电池的输出功率,n为燃料电池总数,Pbat为蓄电池的输出功率,Pload为负载需求的功率,ΔPFCi为第i个燃料电池输出功率变化率,PFCi_rate为第i个燃料电池的额定功率。
4.根据权利要求1所述的一种多堆燃料电池混合发电系统能量管理方法,其特征在于,构建系统氢耗模型包括:燃料电池氢耗以及蓄电池等效氢耗;
根据燃料电池和蓄电池在系统运行过程中的输出功率计算得到系统运行时的氢耗价值,所述的系统等效氢耗函数为:
Csys=Cfcs+kCbats;
其中,Csys为系统的总氢耗,Cfcs为燃料电池的氢耗,k为蓄电池SOC修正系数,Cbats为蓄电池的等效氢耗。
5.根据权利要求1所述的一种多堆燃料电池混合发电系统能量管理方法,其特征在于,构建燃料电池性能衰减模型,根据燃料电池性能衰减模型计算系统运行过程中燃料电池的性能衰减价值,将燃料电池的运行过程分为四种状态包括启停、低功率运行、高功率运行和变载运行,燃料电池的性能衰减价值由四种状态造成的性能衰减价值来确定;
所述的燃料电池性能衰减模型为:
DFC_D=DStart_Stop+DLow+DHigh+DChg;
其中,DFC_D为燃料电池性能衰减价值,DStart_stop为启停时的性能退化价值,DLow为低功率运行时的性能退化价值,DHigh为高功率运行时的性能退化价值,DChg为变载运行时的性能退化价值。
6.根据权利要求1所述的一种多堆燃料电池混合发电系统能量管理方法,其特征在于,所述蓄电池性能衰减模型,根据蓄电池性能衰减模型计算系统运行过程中蓄电池的性能衰减价值;蓄电池的性能衰减与时间、蓄电池的放电深度、蓄电池的充放电倍率、环境温度等有关,所述的蓄电池性能衰减模型为:
其中,pBat为每千瓦时锂电池成本,Ubat为蓄电池电压,Ibat为蓄电池电流,Q为蓄电池额定容量,NP为并联数,t为时间,B是指数前因子,z是幂律因子,C是活化能系数,T是系统所处的环境温度,D为活化能增量系数,Crate为蓄电池的充放电倍率,R是气体常数,Qloss,k是第k时刻电池容量损失百分比。
7.根据权利要求1所述的一种多堆燃料电池混合发电系统能量管理方法,其特征在于,
所述蓄电池SOC损失价值模型,根据蓄电池性能衰减模型计算得到系统在运行过程中由于蓄电池SOC波动带来的等效价值损耗;
所述的蓄电池SOC损失价值模型:
LSOC=γ·SOC t-SOCinit 2
其中,γ为权重系数,SOCt为第t时刻蓄电池的SOC,SOCinit是初始SOC值。
8.根据权利要求2所述的一种多堆燃料电池混合发电系统能量管理方法,其特征在于,所述系统的等效价值损耗函数,通过深度强化学习算法对此进行优化求解,获得系统运行时各动力源的最优功率分配结果;系统的等效价值损耗包括系统氢耗价值、燃料电池性能退化价值、蓄电池性能退化价值以及蓄电池SOC损失价值;通过深度强化学习算法对系统的等效价值损耗函数进行最小化求解,获得燃料电池和蓄电池的最优输出功率;
所述的系统等效价值损耗函数为:
J=Csys+DFC_D+CBAT_D+LSOC;
其中,Csys是系统的氢耗价值,DFC_D是燃料电池性能退化价值,CBAT_D是蓄电池性能退化价值,LSOC是蓄电池SOC损失价值,βFC表示燃料电池购置单价,βH2表示氢气购置单价,βbat表示蓄电池购置单价;另外,定义当燃料电池额定输出电压跌落10%时,视为其寿命终点,定义蓄电池容量损失20%时则不能再继续使用。
9.根据权利要求1所述的一种多堆燃料电池混合发电系统能量管理方法,其特征在于,系统等效价值损耗函数最小化求解受到约束条件的限制,约束条件为:
即燃料电池和蓄电池输出功率最大值PFC_Max与Pbat_Max和最小值PFC_Min与Pbat_Min限制,蓄电池SOC最高值SOCMax与最低值SOCMin限制,燃料电池输出功率变化率最大值ΔPFC与最小值-ΔPFC限制。
10.根据权利要求1所述的一种多堆燃料电池混合发电系统能量管理方法,其特征在于,在参数辨识环节中,对燃料电池和蓄电池的内部参数进行实时评估,在线更新;采用循环神经网络RNN对待辨识参数进行实时预测更新,并基于更新后的参数值实现能量管理;
使用RNN对燃料电池和蓄电池的运行状态进行辨识,包括步骤:
(1)数据预处理,对采集到的燃料电池和蓄电池信息数据进行预处理,包括去噪和归一化操作;
(2)特征提取,利用RNN的循环特性,对已经测得的燃料电池和蓄电池的性能衰减数据中的特征进行学习;
(3)模型训练,使用已经处理的数据和提取的特征,训练RNN模型,学习燃料电池和蓄电池性能衰减规律和模式;
(4)预测与辨识,利用训练好的RNN模型,对运行过程中的燃料电池和蓄电池进行参数识别状态预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311709545.5A CN117601722A (zh) | 2023-12-13 | 2023-12-13 | 一种多堆燃料电池混合发电系统能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311709545.5A CN117601722A (zh) | 2023-12-13 | 2023-12-13 | 一种多堆燃料电池混合发电系统能量管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117601722A true CN117601722A (zh) | 2024-02-27 |
Family
ID=89948170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311709545.5A Pending CN117601722A (zh) | 2023-12-13 | 2023-12-13 | 一种多堆燃料电池混合发电系统能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117601722A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118136898A (zh) * | 2024-05-07 | 2024-06-04 | 西北工业大学宁波研究院 | 一种混合动力水下航行器能量管理方法及其系统 |
-
2023
- 2023-12-13 CN CN202311709545.5A patent/CN117601722A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118136898A (zh) * | 2024-05-07 | 2024-06-04 | 西北工业大学宁波研究院 | 一种混合动力水下航行器能量管理方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111276960B (zh) | 一种光-储直流微电网系统中储能模块预测控制方法 | |
CN112060982B (zh) | 一种动态平衡的燃料电池无人机能量管理方法 | |
CN111244988B (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
CN110758122B (zh) | 一种电-电混合电源系统的燃料电池效率优化方法 | |
CN105225022A (zh) | 一种热电联产型微电网的经济性优化运行方法 | |
CN117601722A (zh) | 一种多堆燃料电池混合发电系统能量管理方法 | |
CN106911136B (zh) | 基于温度和功率控制平抑分布式能源功率波动的方法及系统 | |
Huangfu et al. | An optimal energy management strategy with subsection bi-objective optimization dynamic programming for photovoltaic/battery/hydrogen hybrid energy system | |
CN112769156A (zh) | 一种计及大规模海上风电并网的源网荷储协调运行方法 | |
CN116613725A (zh) | 一种光伏电站直流制氢优化配置方法 | |
CN108365632A (zh) | 一种基于储能电池的电力系统及运行方法 | |
CN103915851B (zh) | 一种递进步长和期望输出均可变的储能系统优化控制方法 | |
CN114977246A (zh) | 一种光伏电站制氢储能的方法及设备 | |
CN116544982A (zh) | 一种光伏消纳与峰谷套利的光储系统及其控制方法 | |
CN115940284B (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
CN111509716A (zh) | 电网柔性负荷控制方法、装置、计算机设备和存储介质 | |
CN116169700A (zh) | 一种配电网储能配置模型及其求解方法 | |
CN116131303A (zh) | 基于蓄能-储能-光伏电池的综合能源系统协同优化方法 | |
CN114079284B (zh) | 计及燃料电池效率特性的分布式发电系统能量管理与优化控制方法 | |
CN115395545A (zh) | 考虑环境修正模型参数的磷酸铁锂电池参与电网调频方法 | |
CN115065084A (zh) | 一种储能系统跟踪风电计划出力的控制方法 | |
CN111244989B (zh) | 一种基于电池储能的风电机组与火电机组的协调运行方法 | |
CN104701907A (zh) | 一种风光互补系统铅蓄电池的控制方法 | |
CN115117906B (zh) | 一种基于动态约束区间的双电池储能控制方法 | |
CN114049004B (zh) | 一种电氢能源站容量随机规划方法、系统和装置 |
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 |