CN120409230A - 燃料电池锂电池混合动力的能量管理系统参数优化方法 - Google Patents

Abstract

本发明涉及锂电池技术领域，更具体地说，涉及燃料电池锂电池混合动力的能量管理系统参数优化方法，包括：获取混合动力系统的工作状态数据和负载需求数据；获取燃料电池和锂电池的实时性能参数；基于所述工作状态数据和负载需求数据，确定系统运行模式；根据所述系统运行模式，执行相应的控制策略；基于所述实时性能参数，动态调整控制策略的参数；生成优化后的功率分配指令；将所述功率分配指令发送至混合动力系统的执行单元，本发明的方法通过引入基于动态规划和模型预测控制的优化策略，在保证优化效果的同时，大大提高了计算效率，使得实时优化成为可能。

Description

燃料电池锂电池混合动力的能量管理系统参数优化方法

技术领域

本发明涉及锂电池技术领域，更具体地说，涉及燃料电池锂电池混合动力的能量管理系统参数优化方法。

背景技术

随着环保意识的提升和可再生能源技术的发展，燃料电池锂电池混合动力系统在各种应用领域中日益受到重视。这种混合动力系统结合了燃料电池的高能量密度和锂电池的高功率密度特性，理论上可以实现长续航和高性能的完美平衡。然而，如何有效管理这两种能源的协同工作，以及如何优化系统参数以实现最佳性能，一直是该领域的研究热点和挑战。

现有的能量管理系统通常采用基于规则的控制策略或简单的优化算法。这些方法在特定工况下可以取得不错的效果，但面对复杂多变的实际运行环境时往往显得力不从心。例如，基于规则的控制策略难以适应负载的快速变化和系统参数的长期漂移；而简单的优化算法则往往只能考虑单一目标，难以在燃料经济性、系统效率和寿命等多个方面取得平衡。

此外，现有方法普遍存在以下问题：首先，对系统动态特性的考虑不足，导致在瞬态工况下的表现欠佳；其次，缺乏有效的自适应机制，难以应对系统参数的变化和外部环境的扰动；再者，对系统长期性能的关注不够，往往只追求短期效益而忽视了系统寿命等长期指标；最后，现有方法在计算效率和优化效果之间难以取得良好平衡，要么实时性不足，要么优化结果不够理想。

鉴于上述问题，亟需一种能够全面考虑系统特性、具有自适应能力、兼顾短期和长期性能、计算高效的能量管理系统参数优化方法。本发明正是针对这一需求而提出的。

发明内容

本发明提出的燃料电池锂电池混合动力的能量管理系统参数优化方法，通过综合运用先进的控制理论和优化算法，有效解决了现有技术中存在的问题。该方法不仅能够实现对系统参数的动态优化，还能根据实时工况进行自适应调整，从而显著提升了混合动力系统的整体性能。

本发明提供燃料电池锂电池混合动力的能量管理系统参数优化方法，包括：

获取步骤，包括：

获取混合动力系统的工作状态数据和负载需求数据；

获取燃料电池和锂电池的实时性能参数；

处理步骤，包括：

基于所述工作状态数据和负载需求数据，确定系统运行模式；

根据所述系统运行模式，执行相应的控制策略；

基于所述实时性能参数，动态调整控制策略的参数；

输出步骤，包括：

生成优化后的功率分配指令；

将所述功率分配指令发送至混合动力系统的执行单元。

作为优选，所述控制策略包括PID控制策略、状态机解耦控制策略、ECMS等效氢最小消耗策略和基于DP-MPC的优化控制策略中的至少一种。

作为优选，所述PID控制策略具体包括：

获取系统输出功率与目标功率之间的误差信号；

基于所述误差信号，计算比例项、积分项和微分项；

根据所述比例项、积分项和微分项的加权和，生成控制信号。

作为优选，所述状态机解耦控制策略具体包括：

基于所述工作状态数据，确定系统当前所处的状态；

根据所述状态，选择预设的功率分配策略；

基于所述预设的功率分配策略，生成燃料电池和锂电池的功率分配比例。

作为优选，所述ECMS等效氢最小消耗策略具体包括：

获取燃料电池的瞬时氢气消耗率和锂电池的等效氢气消耗率；

基于所述瞬时氢气消耗率和等效氢气消耗率，构建优化目标函数；

求解所述优化目标函数，得到最优功率分配方案。

作为优选，所述基于DP-MPC的优化控制策略具体包括：

基于当前系统状态，预测未来一段时间的负载需求；

使用动态规划算法，在预测时域内求解最优控制序列；

执行所述最优控制序列的第一个控制量，并在下一控制周期重复优化过程。

作为优选，还包括参数优化步骤：

获取系统运行历史数据；

基于所述历史数据，构建系统性能评估指标；

使用多目标优化算法，优化控制策略的关键参数。

作为优选，所述系统性能评估指标包括氢气消耗量、能源利用率、功率稳定性和系统寿命中的至少一种。

作为优选，还包括自适应参数调整步骤：

实时监测系统运行状态和性能指标；

基于所述运行状态和性能指标的变化趋势，动态调整控制策略的参数；

将调整后的参数应用于下一控制周期。

作为优选，还包括模型更新步骤：

收集系统实际运行数据；

基于所述实际运行数据，使用在线参数识别方法更新系统模型；

将更新后的系统模型用于后续的控制策略优化。

本发明的有益效果主要体现在以下几个方面：

本发明的方法通过建立准确的系统模型，充分考虑了燃料电池和锂电池的动态特性，能够有效应对负载的快速变化。通过引入多目标优化算法，该方法在燃料经济性、系统效率、功率稳定性和寿命等多个方面实现了均衡。特别是，本发明的方法通过引入基于动态规划和模型预测控制的优化策略，在保证优化效果的同时，大大提高了计算效率，使得实时优化成为可能。

此外，本发明的方法还具有显著的自适应能力。通过实时监测系统状态并更新模型参数，该方法能够有效应对系统性能的长期变化和外部环境的扰动。这种自适应机制不仅提高了系统的鲁棒性，还延长了整个混合动力系统的使用寿命。

值得一提的是，本发明的方法在实现上述优化目标的同时，还保持了较低的计算复杂度。这一特点使得该方法能够在嵌入式系统上实时运行，大大扩展了其应用范围。

综上所述，本发明提出的能量管理系统参数优化方法，通过多项创新性的设计，有效解决了现有技术中存在的问题。该方法不仅提高了混合动力系统的能量利用效率，还显著增强了系统的适应性和可靠性。这些改进将为燃料电池锂电池混合动力系统在各种应用场景中的推广应用提供强有力的技术支持，具有重要的理论意义和实际应用价值。

附图说明

图1为本发明的方法流程图。

图2为本发明的处理步骤中的控制策略选择逻辑图。

图3为本发明的优化步骤的逻辑框图。

图4为本发明的自适应参数调整的逻辑框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

请参照图1-4，本发明公开了燃料电池锂电池混合动力的能量管理系统参数优化方法。该方法旨在提高混合动力系统的能量效率、延长系统寿命，并实现动态优化控制。

具体而言，本发明的方法包括获取步骤、处理步骤和输出步骤。在获取步骤中，首先获取混合动力系统的工作状态数据和负载需求数据。这些数据可以通过各种传感器实时采集，例如电压传感器、电流传感器、温度传感器等。优选地，工作状态数据包括燃料电池和锂电池的输出电压、输出电流、温度等参数。负载需求数据则反映了系统当前的功率需求，可以通过负载功率传感器获得。

接下来，本发明的方法还获取燃料电池和锂电池的实时性能参数。这些参数对于评估电池的健康状态和性能至关重要。对于燃料电池，可以获取其膜电导率、催化剂活性等参数；对于锂电池，则可以获取其内阻、剩余容量等参数。这些性能参数可以通过专门的电池管理系统(BMS)获取。

在处理步骤中，本发明的方法首先基于所获取的工作状态数据和负载需求数据，确定系统的运行模式。例如，系统可能处于启动模式、正常运行模式、高功率需求模式或低功率需求模式等。确定运行模式的过程可以通过预设的规则或机器学习算法实现。举例来说，如果负载需求突然增加到系统额定功率的90％以上，可以判定系统进入高功率需求模式。

然后，根据确定的系统运行模式，本发明的方法执行相应的控制策略。本发明提供了多种控制策略，包括PID控制策略、状态机解耦控制策略、ECMS等效氢最小消耗策略和基于DP-MPC的优化控制策略。这些策略的选择取决于系统的运行模式和性能要求。例如，在正常运行模式下，可能优先选择ECMS策略以最小化氢气消耗；而在高功率需求模式下，可能选择基于DP-MPC的优化控制策略以快速响应负载变化。

此外，本发明的方法还基于获取的实时性能参数，动态调整控制策略的参数。这种自适应调整机制使得系统能够更好地适应电池性能的变化和老化过程。例如，当检测到燃料电池的催化剂活性下降时，可以相应地调整其输出功率上限，以避免过度使用并延长其寿命。

在输出步骤中，本发明的方法生成优化后的功率分配指令。这些指令决定了燃料电池和锂电池各自应输出的功率。优选地，功率分配指令以百分比的形式给出，例如燃料电池承担70％的负载，锂电池承担30％的负载。最后，将这些功率分配指令发送至混合动力系统的执行单元，如DC/DC变换器或功率电子接口，以实现实际的功率控制。

本发明的PID控制策略是一种经典的反馈控制方法。具体来说，该策略首先获取系统输出功率与目标功率之间的误差信号。误差信号e(t)可以表示为：

e(t)＝P_target(t)-P_output(t),

本发明的PID控制策略是一种经典的反馈控制方法。具体来说，该策略首先获取系统输出功率与目标功率之间的误差信号。误差信号e(t)可以表示为：其中P_target(t)为目标功率，P_output(t)为实际输出功率。

然后，基于该误差信号，计算比例项、积分项和微分项。这三项分别表示为：比例项：P＝K_p·e(t)；积分项：微分项：其中，K_p,K_i,K_d分别为比例增益、积分增益和微分增益。这些参数的选择对PID控制器的性能至关重要。一般来说，可以通过Ziegler-Nichols整定法或其他优化算法来确定这些参数的最佳值。

最后，根据这三项的加权和，生成控制信号u(t):

这个控制信号用于调整燃料电池和锂电池的输出功率，使系统的实际输出功率接近目标功率。

本发明的PID控制策略具有结构简单、鲁棒性强的优点，适用于各种运行模式。特别是在系统负载变化不大的情况下，PID控制可以提供稳定、快速的响应。然而，对于非线性度较高或负载变化剧烈的情况，可能需要结合其他控制策略以获得更好的性能。

本发明的状态机解耦控制策略是一种基于系统状态的分层控制方法。该策略首先基于工作状态数据，确定系统当前所处的状态。优选地，本发明定义了以下几种状态：

1.启动状态：系统刚刚启动，燃料电池尚未达到最佳工作温度。

2.正常运行状态：系统在额定功率范围内稳定运行。

3.高功率需求状态：负载功率超过系统额定功率的80％。

4.低功率需求状态：负载功率低于系统额定功率的20％。

5.紧急状态：系统出现故障或异常。

状态的判断可以通过设定合适的阈值来实现。例如，当检测到负载功率突然增加并超过额定功率的80％时，系统进入高功率需求状态。这些阈值的选择需要根据具体的系统特性和应用场景进行调整。

确定当前状态后，本发明的方法会选择预设的功率分配策略。每种状态下的功率分配策略都经过优化设计，以满足该状态下的特定需求。例如：

在启动状态下，主要依赖锂电池供电，同时逐步提高燃料电池的输出功率。这可以表示为：

P_batt＝P_load-P_fc

这里，P_fc和P_batt分别代表燃料电池和锂电池的输出功率；是燃料电池的最大输出功率；T_warmup是预设的预热时间；P_load为负载功率。

正常运行状态

在正常运行状态下，优先使用燃料电池供电，并保持在其最佳工作点附近：其中表示燃料电池的最佳工作功率点，通常位于其效率曲线的峰值附近。

在高功率需求状态下，策略可能变为：

这种策略确保燃料电池工作在其最大输出功率，而锂电池补充剩余的功率需求。

基于选定的功率分配策略，本发明的方法生成燃料电池和锂电池的功率分配比例。这些比例可以直接用于控制各个电源的输出功率。

状态机解耦控制策略的优点在于其逻辑清晰、易于实现和调试。通过将复杂的控制问题分解为多个相对简单的状态，该策略可以有效处理系统在不同工作条件下的需求。然而，这种策略也存在一些局限性，例如在状态切换时可能出现不连续的控制输出。因此，在实际应用中，通常需要结合其他控制策略，如PID控制或模型预测控制，以获得更平滑、更优化的控制效果。本发明的状态机解耦控制策略进一步包括动态调整功能。在实际运行过程中，系统可能会遇到预设状态无法完全覆盖的情况。因此，本发明的方法引入了状态边界的模糊处理机制。具体而言，当系统状态接近两个预设状态的边界时，采用加权平均的方式计算功率分配比例。这种处理方式可以平滑状态转换过程，避免控制输出的突变。

例如，假设系统当前负载功率处于正常运行状态和高功率需求状态之间，可以定义一个过渡函数f(P_load):

其中P_{threshold_low}和P_{threshold_high}分别为状态转换的低阈值和高阈值。然后，最终的功率分配可以表示为：

P_batt＝P_load-P_fc,

其中和分别为正常运行状态和高功率需求状态下燃料电池的输出功率。

本发明的ECMS等效氢最小消耗策略是一种基于瞬时优化的能量管理方法。该策略的核心思想是将电池的电能消耗转换为等效的氢气消耗，从而将问题转化为单一目标的优化问题。

在实施ECMS策略时，本发明的方法首先获取燃料电池的瞬时氢气消耗率和锂电池的等效氢气消耗率。燃料电池的氢气消耗率可以通过以下公式计算：

其中m_H2,fc为燃料电池的氢气消耗率(g/s),P_fc为燃料电池的输出功率(W),η_fc为燃料电池的效率，LHV_H2为氢气的低位热值(约120MJ/kg)。

锂电池的等效氢气消耗率可以表示为：

其中m_H2,batt为锂电池的等效氢气消耗率，P_batt为锂电池的输出功率，η_batt为锂电池的效率，s(t)为等效因子。等效因子s(t)是ECMS策略的关键参数，它反映了电池能量与氢气能量之间的转换关系。基于上述消耗率，本发明的方法构建优化目标函数：

J＝m_H2,fc+m_H2,batt,

优化问题可以表述为：

其中P_load为负载功率，P_fc,min和P_fc,max分别为燃料电池的最小和最大输出功率，P_batt,min和P_batt,max分别为锂电池的最小和最大输出功率，SOC_min和SOC_max分别为锂电池允许的最小和最大荷电状态。

为了求解这个优化问题，本发明的方法采用黄金分割搜索算法。该算法能够快速找到局部最优解，适合实时控制的需求。

优化过程的输出即为最优功率分配方案。ECMS策略的一个关键挑战是等效因子s(t)的选择。在本发明的优选实施例中，采用自适应ECMS(A-ECMS)方法动态调整等效因子。具体而言，根据电池SOC的偏差来更新等效因子：

s(t)＝s₀+K_p(SOC_ref-SOC)+K_i∫(SOC_ref-SOC)dt,

其中s₀为初始等效因子，SOC_ref为目标SOC值，K_p和K_i分别为比例和积分增益。这种自适应机制能够使系统在长期运行中保持电池SOC在合理范围内。

本发明的基于DP-MPC的优化控制策略结合了动态规划(DP)的全局最优性和模型预测控制(MPC)的实时性，是一种高级的能量管理方法。该策略的实施过程可以分为以下几个步骤：

首先，基于当前系统状态，预测未来一段时间的负载需求。本发明采用改进的长短期记忆网络(LSTM)进行负载预测。预测模型的输入包括历史负载数据、时间信息以及可能的环境因素。预测步长N_p通常选择在10到30秒之间，这个范围能够在预测精度和计算复杂度之间取得良好的平衡。

接下来，使用动态规划算法在预测时域内求解最优控制序列。动态规划的状态变量包括燃料电池输出功率P_fc和电池荷电状态SOC。控制变量为燃料电池的功率变化率ΔP_fc。目标函数定义为：

其中m_H2(k)为第k步的氢气消耗量，C_deg(k)为燃料电池的退化成本，SOC(k)为电池荷电状态，SOC_ref为目标荷电状态，α、β和γ为权重系数。动态规划的递推方程可以表示为：

其中x_k为系统状态，u_k为控制输入，g(x_k,u_k)为阶段代价函数。求解得到最优控制序列后，本发明的方法执行该序列的第一个控制量。这种滚动优化的方式使得系统能够及时响应实际工况的变化。在下一控制周期，系统会更新状态信息，重新进行预测和优化，从而实现闭环控制。

DP-MPC策略的一个关键优势在于其能够同时考虑短期和长期的性能目标。通过调整目标函数中各项的权重，可以在燃料经济性、电池寿命和动态响应之间取得良好的平衡。例如，在电池SOC较低时，可以增加γ的值，以鼓励系统充电；在燃料电池老化严重时，可以增加β的值，以减少燃料电池的使用。

本发明的方法还包括参数优化步骤，旨在进一步提高能量管理系统的性能。该步骤首先获取系统运行历史数据，包括负载功率、燃料电池和锂电池的输出功率、效率、温度等信息。这些数据通常以高频率(如1Hz)采样，并经过预处理以去除异常值和噪声。

基于获取的历史数据，本发明的方法构建系统性能评估指标。这些指标全面反映了系统的运行效果，主要包括：

1.氢气消耗量：反映系统的燃料经济性，计算公式为：

2.能源利用率：衡量系统对能源的利用效率，定义为：

3.功率稳定性：评估系统输出功率的波动程度，可用功率标准差表示：

4.系统寿命指标：考虑燃料电池和锂电池的退化情况，可以表示为：

L_sys＝min(L_fc,L_batt),

其中L_fc和L_batt分别为燃料电池和锂电池的预估剩余寿命。在构建这些评估指标后，本发明的方法使用多目标优化算法来优化控制策略的关键参数。优选地，采用改进的非支配排序遗传算法(NSGA-II)进行优化。该算法的目标函数可以表示为：

minF(x)＝[f₁(x),f₂(x),f₃(x),f₄(x)],

其中x为待优化的参数向量，f₁、f₂、f₃、f₄分别对应上述四个评估指标。

NSGA-II算法的主要步骤包括：

1.初始化种群；

2.非支配排序；

3.拥挤度计算；

4.选择；

5.交叉和变异；

6.精英保留；

通过多次迭代，算法最终得到一组Pareto最优解。系统管理者可以根据实际需求从这组解中选择最合适的参数配置。

本发明的参数优化步骤能够显著提高能量管理系统的整体性能。通过综合考虑多个目标，该方法可以在燃料经济性、系统效率、稳定性和寿命之间找到最佳平衡点。此外，由于优化过程是离线进行的，因此可以使用更复杂的算法和更长的计算时间，从而得到更优的结果。本发明的方法在构建系统性能评估指标时，综合考虑了氢气消耗量、能源利用率、功率稳定性和系统寿命等多个方面。这些指标的选择旨在全面反映燃料电池锂电池混合动力系统的运行效果，为后续的参数优化提供可靠的依据。

具体而言，氢气消耗量是评估系统燃料经济性的直接指标。在本发明的优选实施例中，氢气消耗量的计算不仅考虑了燃料电池的直接消耗，还包括了锂电池充放电过程中的等效消耗。这种全面的计算方法能够更准确地反映系统的真实能耗情况。

能源利用率则反映了系统对能源的转换效率。本发明采用输出功率与输入功率之比来表征能源利用率，这种方法简单直观，易于实时计算和监控。在实际应用中，能源利用率通常会随着负载功率的变化而波动。因此，本发明的方法会在一定时间周期内(如15分钟)计算平均能源利用率，以消除短期波动的影响。

功率稳定性是衡量系统动态性能的重要指标。本发明使用功率输出的标准差来量化功率稳定性。这种方法不仅考虑了功率波动的幅度，还反映了波动的频率。在实际操作中，可以根据应用场景的不同，选择不同的时间窗口来计算标准差。例如，对于要求快速响应的应用，可以选择较短的时间窗口(如1秒)；而对于注重长期稳定性的应用，可以选择较长的时间窗口(如1分钟)。

系统寿命指标则体现了本发明对系统长期可靠性的关注。该指标综合考虑了燃料电池和锂电池的退化情况。在计算过程中，本发明的方法会根据各部件的使用情况(如充放电次数、深度、温度等)建立退化模型，预估剩余寿命。值得注意的是，系统寿命取决于寿命最短的关键部件，因此本发明采用最小值作为系统寿命指标。

这些性能评估指标的选择和计算方法体现了本发明的全面性和前瞻性。通过这些指标，系统管理者可以全面了解混合动力系统的运行状况，为后续的优化和维护提供有力支持。

本发明的方法还包括自适应参数调整步骤，这是提高系统适应性和鲁棒性的关键。该步骤首先实时监测系统运行状态和性能指标。监测的参数包括但不限于：燃料电池和锂电池的输出电压、电流、温度，系统输出功率，负载需求，以及前文提到的各项性能指标。

基于这些监测数据，本发明的方法分析运行状态和性能指标的变化趋势。这一过程采用滑动时间窗口的方式，既考虑了短期波动，也关注长期趋势。例如，对于功率稳定性指标，可以同时计算1分钟、15分钟和1小时的移动平均值，以全面把握系统的动态特性。

在分析基础上，本发明的方法动态调整控制策略的参数。这种调整是连续、平滑的，以避免系统出现剧烈波动。以PID控制器为例，其参数调整可以表示为：

K_p(t)＝K_p0+ΔK_p(t)；

K_i(t)＝K_i0+ΔK_i(t)；

K_d(t)＝K_d0+ΔK_d(t)；

其中，K_p0、K_i0、K_d0为初始参数值，ΔK_p(t)、ΔK_i(t)、ΔK_d(t)为动态调整量。这些调整量可以通过模糊逻辑或神经网络等智能算法计算得到。

优选地，本发明的方法还引入了参数调整的约束机制，以确保系统始终保持在安全、稳定的工作范围内。例如，可以设定参数变化率的上限：

其中∈_p、∈_i、∈_d为预设的最大变化率。

调整后的参数会立即应用于下一控制周期。这种实时调整机制使得系统能够快速适应工作条件的变化，如负载波动、环境温度变化等，从而保持最佳的运行状态。

本发明的自适应参数调整步骤大大提高了能量管理系统的灵活性和鲁棒性。与固定参数的控制策略相比，这种方法能够更好地应对复杂多变的工作环境，延长系统的使用寿命，提高整体性能。

最后，本发明的方法还包括模型更新步骤，这是保证控制策略长期有效性的关键。该步骤首先收集系统实际运行数据，包括各种物理量的测量值以及控制输入输出数据。数据收集过程采用高频采样(如100Hz)，以捕捉系统的快速动态特性。

收集到的数据经过预处理，去除异常值和噪声。预处理方法包括中值滤波、小波变换等。处理后的数据被用于在线参数识别，更新系统模型。本发明优选采用递归最小二乘法(RLS)进行参数识别。以燃料电池模型为例，其电压输出可以表示为：

V_fc＝E₀-R·I-A·ln(I)-m·exp(n·I),

RLS算法的核心步骤包括：

1.预测：

2.计算预测误差：

3.计算增益向量：K(t)＝P(t-1)·φ(t)·[λ+φ^T(t)·P(t-1)·φ(t)]^-1；

4.更新参数估计：θ(t)＝θ(t-1)+K(t)·e(t)；

5.更新协方差矩阵：P(t)＝[λ^-1·P(t-1)-λ^-1·K(t)·φ^T(t)·P(t-1)]；其中，θ为参数向量，φ为回归向量，λ为遗忘因子(通常取0.95～0.99)。

通过这种方法，系统模型能够持续更新，适应部件性能的缓慢变化(如燃料电池的老化)。更新后的模型随即用于后续的控制策略优化，形成一个闭环的自适应过程。

本发明的模型更新步骤确保了能量管理系统始终基于最新、最准确的系统模型进行决策。这不仅提高了控制的精度，还能及时发现系统性能的异常变化，为预防性维护提供依据。结合前述的参数优化和自适应调整步骤，本发明的方法构建了一个全面、智能、自适应的能量管理系统，能够在各种工况下保持最佳性能，显著提升燃料电池锂电池混合动力系统的整体效率和可靠性。

需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.燃料电池锂电池混合动力的能量管理系统参数优化方法，其特征在于，包括：

获取步骤，包括：

获取混合动力系统的工作状态数据和负载需求数据；

获取燃料电池和锂电池的实时性能参数；

处理步骤，包括：

基于所述工作状态数据和负载需求数据，确定系统运行模式；

根据所述系统运行模式，执行相应的控制策略；

基于所述实时性能参数，动态调整控制策略的参数；

输出步骤，包括：

生成优化后的功率分配指令；

将所述功率分配指令发送至混合动力系统的执行单元。

2.根据权利要求1所述的方法，其特征在于，所述控制策略包括PID控制策略、状态机解耦控制策略、ECMS等效氢最小消耗策略和基于DP-MPC的优化控制策略中的至少一种。

3.根据权利要求2所述的方法，其特征在于，所述PID控制策略具体包括：

获取系统输出功率与目标功率之间的误差信号；

基于所述误差信号，计算比例项、积分项和微分项；

根据所述比例项、积分项和微分项的加权和，生成控制信号。

4.根据权利要求2所述的方法，其特征在于，所述状态机解耦控制策略具体包括：

基于所述工作状态数据，确定系统当前所处的状态；

根据所述状态，选择预设的功率分配策略；

基于所述预设的功率分配策略，生成燃料电池和锂电池的功率分配比例。

5.根据权利要求2所述的方法，其特征在于，所述ECMS等效氢最小消耗策略具体包括：

获取燃料电池的瞬时氢气消耗率和锂电池的等效氢气消耗率；

基于所述瞬时氢气消耗率和等效氢气消耗率，构建优化目标函数；

求解所述优化目标函数，得到最优功率分配方案。

6.根据权利要求2所述的方法，其特征在于，所述基于DP-MPC的优化控制策略具体包括：

基于当前系统状态，预测未来一段时间的负载需求；

使用动态规划算法，在预测时域内求解最优控制序列；

执行所述最优控制序列的第一个控制量，并在下一控制周期重复优化过程。

7.根据权利要求1所述的方法，其特征在于，还包括参数优化步骤：

获取系统运行历史数据；

基于所述历史数据，构建系统性能评估指标；

使用多目标优化算法，优化控制策略的关键参数。

8.根据权利要求7所述的方法，其特征在于，所述系统性能评估指标包括氢气消耗量、能源利用率、功率稳定性和系统寿命中的至少一种。

9.根据权利要求1所述的方法，其特征在于，还包括自适应参数调整步骤：

实时监测系统运行状态和性能指标；

基于所述运行状态和性能指标的变化趋势，动态调整控制策略的参数；

将调整后的参数应用于下一控制周期。

10.根据权利要求1所述的方法，其特征在于，还包括模型更新步骤：

收集系统实际运行数据；

基于所述实际运行数据，使用在线参数识别方法更新系统模型；

将更新后的系统模型用于后续的控制策略优化。