CN111613817B - 基于改进粒子群算法的电池混动***能源优化策略 - Google Patents

Abstract

本发明属于电池能源管理领域，具体涉及一种基于改进粒子群算法的电池混动***能源优化策略，具有这样的特征，包括：步骤1，利用确定性规则和模糊规则相结合的方法，根据能源控制器输入变量的不同状态，输出质子交换膜燃料电池功率，输入变量包括功率需求和电池荷电状态，考虑到加速、突然启动对质子交换膜燃料电池的损伤，采用一个平整度常数对功率对应的输出信号进行修正，步骤2，提出一种改进的粒子群算法，对其中的惯性权重系数，学***整度参数以氢气最小化以及电流波动最小化作为优化目标进行迭代寻优。

Description

基于改进粒子群算法的电池混动***能源优化策略

技术领域

本发明属于电池能源管理领域，具体涉及一种基于改进粒子群算法的电池混动***能源优化策略。

背景技术

随着科学技术的发展，焊接作为一门综合性应用技术，已经从一种传统的热加工工艺发展成为及材料、冶金、结构、力学、机械以及电子等多门类学科为一体的材料连接及成型技术，从几吨重的汽车到不足一克的电子元件，在生产制造中都不同程度地利用焊接技术。由于焊接烟尘、弧光、金属飞溅的存在，焊接的工作环境又非常恶劣，并且焊接质量的好坏对产品质量起决定性的影响，这些促使了焊接机器人的出现和热销。目前焊接机器人已经占据了整个工业机器人总量的40％以上，对于稳定焊接质量，提高了劳动生产率，改善工人劳动条件意义重大。

基于电缆供电的驱动方式限制了焊接机器人的移动范围，不利于大型工件的焊接。而采用可充电式电池供电时，由于电池充电时间长，并在供电时间方面有一定局限性，焊接机器人无法持续完成长时间长距离的作业。

针对机器人传统电能能源所存在的局限性，采用新型能源来代替传统电能能源应用于焊接机器人动力驱动***中。其中，新型清洁能源机器人，特别是质子交换膜燃料电池(PEMFC)机器人受到了业界的广泛关注。PEMFC作为一种新型环保型电池能源，可为动力***提供一个良好的供电方案。但是，PEMFC能源也有一定的局限性，其输出特性偏软，动态响应能力较差且具有一定时滞性，不支持能量流的双向流动，也不能回收电机制动回馈的电能。因此，需要增加辅助动力源，例如锂电池(LIB)和超级电容(SC)等，和PEMFC共同构成多能源混合动力***为负载需求提供能量，以实现整个***对能量的高效利用。而对于混合动力***，如何合理有效地分配负载功率，并且减少能源消耗和燃料电池输出波动成为了研究的重点和难点。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于改进粒子群算法的电池混动***能源优化策略。

本发明提供了一种基于改进粒子群算法的电池混动***能源优化策略，具有这样的特征，包括：步骤1，利用确定性规则和模糊规则相结合的方法，根据能源控制器的输入变量的不同状态，输出质子交换膜燃料电池功率P_FC，输入变量包括功率需求P_dem和电池荷电状态SOC，考虑到加速、突然启动对质子交换膜燃料电池的损伤，采用一个平整度常数对功率对应的输出信号进行修正，得到修正后的质子交换膜燃料电池功率P_FC(k)'：

其中，Δt是影响前后3个输出功率差距的平整度常数；

步骤2，提出一种改进的粒子群算法，对其中的惯性权重系数，学习因子进行自适应改变，并在粒子聚集度过高时进行变异，算法包括以下步骤：

步骤2-1，为了提高动态调整能力，引入与算法迭代次数相关的自适应因子D：

其中，k为算法迭代次数，k_max为最大迭代次数，惯性权重w，学习因子c₁、c₂根据以下公式进行自适应变化：

w＝w_min+(w_max-w_min)·D

c₁＝c_1,end+(c_1,start-c_1,end)·D

c₂＝c_2,end+(c_2,start-c_2,end)·D

其中，w_min、w_max分别是权重系数的最小最大值；c_1,start、c_1,end分别为c₁变化的起始值与结尾值；c_2,start、c_2,end分别为c₂变化的起始值与结尾值。

步骤2-2，针对粒子群算法后期容易陷入局部最优解无法跳出的缺点，引入最优解变异，将第k代种群的聚集度表示为：

其中，N为种群的粒子数量，f(x_i)为第k代中粒子x_i的适应度值，f_avg、f_min、f_max分别为当代种群的平均适应度、最小适应度与最大适应度。ε^k越大则粒子的多样性越好。设计变异概率P_m ^k为：

其中，α为控制变异概率快慢的常量，在此处采用对全局最优位置进行变异的方法，当一个0到1之间的完全随机数a小于变异概率时，全局最优进行变异，即：

步骤3，基于自适应粒子群算法，对模糊规则中的隶属度函数和平整度参数进行优化，该优化过程包括以下步骤：

步骤3-1，选取优化参数，选取P_dem的隶属度函数和P_FC的隶属度函数的中心点以及平整度常数作为初始参数，该初始参数的数量为11个，将11个初始参数排列成序列X，得到种群中的第i个序列X(i)为

X(i)＝[x₁(i),x₂(i),…,x₁₁(i)]＝[a₁(i),…,a₅(i),c₁(i),…,c₅(i),Δt(i)]

其中，i为种群数量N；a₁，…，a₅为P_dem的隶属度函数的中心点；c₁，…，c₅为P_FC的隶属度函数的中心点，初代种群的序列中各个值在对应的[min,max]区间内任意取值

x_j(i)＝min(x_j)+δ×[max(x_j)-min(x_j)]

其中，δ在(0,1)内随机选取，

步骤3-2，确定优化目标，优化目标为

J₁为氢气最小化；J₂为电流波动最小化，即该采样点与上一个采样点之间电流偏差；S为整个实验过程的总采样数，

选取特定的某个初代种群对应的两个目标值J₁，J₂记作R₁，R₂，将后续优化后的***的两个目标值分别除以参考量R₁，R₂，并将得到的比较值作为新的优化目标值，从而将优化目标由多目标优化转化为单目标优化，即

ω₁，ω₂分别为新的优化目标值的权重，

步骤3-3，采用自适应粒子群算法对单目标优化的优化目标进行迭代寻优。

在本发明提供的基于改进粒子群算法的电池混动***能源优化策略中，还可以具有这样的特征：其中，步骤1包括以下子步骤：

步骤1-1，以质子交换膜燃料电池的最优输出区间为限将P_dem划分为高、正常、低三个状态，最优输出区间的上限P_FCmax和下限P_FCmin分别设为500W和200W，将SOC的上限SOC_max和下限SOC_min分别设为85％和45％，从而将SOC划分为高、正常、低三个状态，基于P_dem和SOC的不同状态将P_FC分为以下9种：

(1)State 1：P_dem>P_FCmax且高SOC，此时P_FC＝P_FCmax，且锂电池加速放电；

(2)State 2：P_dem>P_FCmax且正常SOC，此时P_FC＝P_FCmax，且剩余的需求能量由锂电池进行补充；

(3)State 3：P_dem>P_FCmax且低SOC，此时SOC很低，为保护锂电池，P_FC>P_FCmax，且P_FC由模糊控制器决定；

(4)State 4：P_FCmin<P_dem<P_FCmax且高SOC，此时P_FC由模糊控制器决定，且锂电池加速放电；

(5)State 5：P_FCmin<P_dem<P_FCmax且正常SOC，此时P_FC由模糊控制器决定；

(6)State 6：P_FCmin<P_dem<P_FCmax且低SOC，此时P_FC由模糊控制器决定，且锂电池加速充电；

(7)State 7：P_dem<P_FCmin且高SOC，此时P_FC<P_FCmin，且P_FC由模糊控制器决定；

(8)State 8：P_dem<P_FCmin且正常SOC。此时P_FC＝P_FCmin，且锂电池回收多余能量；

(9)State 9：P_dem<P_FCmin且低SOC，此时P_FC＝P_FCmin，且锂电池加速充电，

步骤1-2，模糊控制器中，P_dem分为五类，分别为非常低VL、中等低ML、低L、中M、高H，P_dem的范围设为[0,700]，SOC分为三类，分别为低L、中M、高H，SOC的范围设为[0,100]，P_FC分为五类，分别为非常低VL、中等低ML、低L、中M、高H，P_FC的范围设为[0,600]，对P_dem和P_FC采用高斯型隶属度函数来赋值，对于SOC采用钟型隶属度函数(gbellmf)来赋值，

模糊控制器的模糊规则为

采用mamdani推理方法进行模糊推理，并采用中心法完成解模糊，得到P_FC。

在本发明提供的基于改进粒子群算法的电池混动***能源优化策略中，还可以具有这样的特征：其中，电池混动***为机器人的燃料电池混合动力***。

发明的作用与效果

根据本发明所涉及的基于改进粒子群算法的电池混动***能源优化策略，因为先根据能源管理控制器的输入变量的不同状态，利用确定性规则和模糊规则相结合的方法，来确定混合动力***中输出的质子交换膜燃料电池功率P_FC；然后基于改进粒子群算法，对模糊规则中的隶属度函数和平整度参数以氢气最小化以及电流波动最小化作为优化目标进行迭代寻优，所以本发明能源管理策略能够在实现能量分配的基础上，进一步减少氢气消耗和电流波动，提高元件的使用寿命。

附图说明

图1是本发明的实施例中机器人的燃料电池混合动力***能源分配示意图；

图2是优化目标采用不同权重系数时，本发明的实施例中的自适应粒子群算法(SAPSO)和传统的粒子群优化算法(PSO)优化结果对比图；以及

图3是利用折线形焊缝的跟踪功率作为验证范本对本发明的实施例中池混动***能源管理策略进行仿真的结果图，其中图3(b)是图3(a)的局部放大图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明基于改进粒子群算法的电池混动***能源优化策略作具体阐述。

图1是本发明的实施例中机器人的燃料电池混合动力***能源分配示意图。

如图1所示，本实施例提供了一种基于改进粒子群算法的电池混动***能源优化策略，用于对PEMFC/LIB混合动力***的功率进行分配。其中，电池混动***为机器人的燃料电池混合动力***。该能源管理策略包括以下步骤：

步骤1，根据能源管理控制器的输入变量的不同状态，划分9种不同的规则来输出PEMFC功率P_FC，输入变量包括功率需求(P_dem)和锂电池荷电状态(SOC)，其具体过程包括以下子步骤：

步骤1-1，以PEMFC的最优输出区间为限将P_dem划分为高、正常、低三个状态，把500W和200W作为P_dem的分界线，即把PEMFC的最优输出区间的上限P_FCmax和下限P_FCmin分别设为500W和200W。当P_dem超过P_FCmax时，尽量让PEMFC输出减小，当P_dem小于P_FCmin时，则尽量让PEMFC输出增大。

同样，将SOC的上限SOC_max和下限SOC_min分别设为85％和45％，从而将SOC划分为高、正常、低三个状态。当SOC的值小于SOC_min(低SOC)时尽量让LIB开始充电，当SOC的值超过SOC_max(高SOC)时，让LIB加速放电，而当SOC处于正常状态(正常SOC)时或者P_dem与SOC处于相反状态时，则采用模糊控制器的输出功率信号。

基于上述P_dem和SOC的不同状态，将P_FC的具体状态分为以下9种：(1)State 1：P_dem>P_FCmax且高SOC，此时PEMFC提供最优输出区间的最高功率，即P_FC＝P_FCmax，且由于LIB电量也很高，LIB加速放电；

(2)State 2：P_dem>P_FCmax且正常SOC，此时PEMFC提供最优输出区间的最高功率，即P_FC＝P_FCmax，且剩余的需求能量由LIB进行补充；

(3)State 3：P_dem>P_FCmax且低SOC，此时SOC很低，为保护LIB，PEMFC的输出功率适当超过最优输出区间上限，P_FC>P_FCmax，且P_FC由模糊控制器决定；

(4)State 4：P_FCmin<P_dem<P_FCmax且高SOC，此时SOC较高，考虑让LIB加速放电，P_FC由模糊控制器决定；

(5)State 5：P_FCmin<P_dem<P_FCmax且正常SOC，此时P_FC由模糊控制器决定；

(6)State 6：P_FCmin<P_dem<P_FCmax且低SOC，此时SOC较低，考虑让LIB加速充电，P_FC由模糊控制器决定；

(7)State 7：P_dem<P_FCmin且高SOC，此时P_dem很低，但SOC处于不健康的高状态，为保护LIB，让PEMFC的输出功率适当低于最优输出区间下限，即P_FC<P_FCmin，且P_FC由模糊控制器决定；

(8)State 8：P_dem<P_FCmin且正常SOC。此时PEMFC提供最优输出区间的最低功率，即P_FC＝P_FCmin，且LIB回收多余能量；

(9)State 9：P_dem<P_FCmin且低SOC，此时PEMFC提供最优输出区间的最低功率，即P_FC＝P_FCmin，且锂电池加速充电。

由此，PEMFC处于state 1,2,8,9时的输出功率已经确定。

步骤1-2，模糊控制器的输入变量同样为P_dem和SOC，输出变量为P_FC。模糊控制器中，P_dem分为五类，分别为非常低(VL)、中等低(ML)、低(L)、中(M)、高(H)，由于机器人负载功率绝大多数概率低于700W，所以将其范围设置为[0,700]。SOC分为三类，分别为低(L)、中(M)、高H，范围设为[0,100]。P_FC分为五类，分别为非常低(VL)、中等低(ML)、低(L)、中(M)、高(H)，考虑到本实施例中PEMFC最大输出功率及其最优输出区间，将范围设为[0,600]。每个语言值都由一个隶属度函数赋值，考虑到输出的平滑性，对于P_dem和P_FC采用高斯型隶属度函数来赋值，对于SOC采用钟型隶属度函数(gbellmf)来赋值。

模糊控制的规则库是一组模糊推理的集合，列于表1中。采用mamdani推理方法进行模糊推理，将模糊推理的形式定为：IF P_dem is A AND SOCis B THENP_FC IS C。所定义的模糊推理规则均基于能源管理的实际操作经验，都为了合理分配PEMFC和LIB的输出。

表1模糊规则

最后，应用中心法完成解模糊。

另外考虑到加速、突然启动等对PEMFC的损伤，采用一个平整度系数对峰值功率对应的输出信号进行修正，得到修正后的PEMFC功率P_FC(k)'：

其中，Δt是影响前后3个输出功率差距的平整度常数。

步骤2，提出一种改进的粒子群算法，对其中的惯性权重系数，学习因子进行自适应改变，并在粒子聚集度过高时进行变异。算法包括以下步骤：

步骤2-1，为了提高动态调整能力，引入与算法迭代次数相关的自适应因子D：

其中，k为算法迭代次数，k_max为最大迭代次数。惯性权重w，学习因子c₁、c₂根据以下公式进行自适应变化：

w＝w_min+(w_max-w_min)·D

c₁＝c_1,end+(c_1,start-c_1,end)·D

c₂＝c_2,end+(c_2,start-c_2,end)·D

其中，w_min、w_max分别是权重系数的最小最大值；c_1,start、c_1,end分别为c₁变化的起始值与结尾值；c_2,start、c_2,end分别为c₂变化的起始值与结尾值。

步骤2-2，针对粒子群算法后期容易陷入局部最优解无法跳出的缺点，这里引入最优解变异。将第k代种群的聚集度表示为：

其中，N为种群的粒子数量，f(x_i)为第k代中粒子x_i的适应度值，f_avg、f_min、f_max分别为当代种群的平均适应度、最小适应度与最大适应度。ε^k越大则粒子的多样性越好。设计变异概率

为：

其中，α为控制变异概率快慢的常量。在此处采用对全局最优位置进行变异的方法，当一个0到1之间的完全随机数a小于变异概率时，全局最优进行变异，即：

步骤3，基于自适应粒子群算法(SAPSO)，对模糊规则中的隶属度函数和平整度参数进行优化，该优化过程包括以下子步骤：

步骤3-1，选取优化参数：由于SOC的隶属度函数选择LIB的最优输出区间，所以无需对其中心位置进行改进，因此，选取P_dem的隶属度函数和P_FC的隶属度函数的中心点进行优化，一共有十个参数。另外，平整度常数也是一个优化参数。将这11个参数作为初始参数，排列成序列X，得到种群中的第i个序列X(i)为

X(i)＝[x₁(i),x₂(i),…,x₁₁(i)]＝[a₁(i),…,a₅(i),c₁(i),…,c₅(i),Δt(i)]

其中，i为种群数量N；a₁，…，a₅为P_dem的隶属度函数的中心点；c₁，…，c₅为P_FC的隶属度函数的中心点，初代种群的序列中各个值在对应的[min,max]区间内任意取值

x_j(i)＝min(x_j)+δ×[max(x_j)-min(x_j)]

其中，δ在(0,1)内随机选取。

步骤3-2，确定优化目标：负载电流波动直接影响PEMFC寿命，氢气消耗又决定了运行成本。因此，减少氢气消耗和电流输出波动是本实施例优化的主要手段，这两个指标的统计是基于全局的，所以需要对整个实验过程的数据累加后进行最小化，即优化目标为

J₁为氢气最小化；J₂为电流波动最小化，即该采样点与上一个采样点之间电流偏差；S为整个实验过程的总采样数。

由于两个优化目标数值属于不同的单位体系，本问题属于多目标优化，为了降低优化操作的复杂性，将其转化为单目标问题。选取特定的某个初代种群对应的两个目标值J₁，J₂记作R₁，R₂，将后续优化后的***的两个目标值分别除以参考量R₁，R₂，并将得到的比较值作为新的优化目标值，这样就把两个不同单位的量统一到同是百分比形式的无单位数，将两者乘上相应的权重进行简单相加即可把问题转化为单目标问题，适应度值量化了两个目标增加或者减少的程度，从而将优化目标由多目标优化转化为单目标优化，即

ω₁，ω₂分别为新的优化目标值的权重。

步骤3-3，采用全局寻优和局部寻优均优于传统PSO的SAPSO对单目标优化的优化目标进行迭代寻优。

上述方法对氢气消耗和输出电流波动进行综合优化，权重取值不同时会有不同的优化结果。

将优化目标不同权重系数时的SAPSO和PSO优化结果进行对比，结果如表1所示，寻优过程如图2中。另外，利用折线形焊缝的跟踪功率作为验证范本对上述优化过的策略进行仿真，结果如图3所示。

表1 SAPSO和传统PSO的优化结果对比

从图2的11个对比图可以看出，SAPSO的全局收敛性和局部收敛性均优于传统PSO。

图3中，在启动过程中PEMFC的功率缓慢且平滑的上升，电池提供的功率差值且承担了大部分负载功率波动。而在3到7秒的机器人变换角度跟踪时负载出现大量的功率波动，由图中绿线可知电池对此承担主要抖振，PEMFC输出功率的波动较小。而在功率趋于平稳后，由PEMFC承担主要输出任务，电池仅对缺少的部分作出相应补充。表3为优化后的策略和未优化策略运行后的结果比较，可知在整个跟踪过程中，PEMFC承受的输出负担较小，特别是在功率波动时。由于此负载功率的波动较多，优化后的策略对于功率波动分配的改善程度大于氢气消耗，对两者进行了平衡。由此可见***的优化效果较好。

表3未使用本发明策略与使用了策略的跟踪过程中能源分配效果验证

实施例的作用与效果

根据本实施例所涉及的基于改进粒子群算法的电池混动***能源优化策略，因为先根据能源管理控制器的输入变量的不同状态，利用确定性规则和模糊规则相结合的方法，来确定混合动力***中输出的质子交换膜燃料电池功率P_FC；然后基于自适应粒子群算法，对模糊规则中的隶属度函数和平整度参数以氢气最小化以及电流波动最小化作为优化目标进行迭代寻优，所以实施例的能源管理策略能够在实现能量分配的基础上，进一步减少氢气消耗和电流波动，提高元件的使用寿命。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (3)

1.一种基于改进粒子群算法的电池混动***能源优化策略，用于对质子交换膜燃料电池/锂电池混合动力***的功率进行分配，其特征在于，包括：

步骤1，利用确定性规则和模糊规则相结合的方法，根据能源控制器的输入变量的不同状态，输出质子交换膜燃料电池功率P_FC，所述输入变量包括功率需求P_dem和电池荷电状态SOC，

考虑到加速、突然启动对所述质子交换膜燃料电池的损伤，采用一个平整度常数对功率对应的输出信号进行修正，得到修正后的质子交换膜燃料电池功率P_FC(k)'：

其中，Δt是影响前后3个输出功率差距的平整度常数；

步骤2，提出一种改进的粒子群算法，对其中的惯性权重系数，学习因子进行自适应改变，并在粒子聚集度过高时进行变异，算法包括以下步骤：

步骤2-1，为了提高动态调整能力，引入与算法迭代次数相关的自适应因子D：

其中，k为算法迭代次数，k_max为最大迭代次数，惯性权重w，学习因子c₁、c₂根据以下公式进行自适应变化：

w＝w_min+(w_max-w_min)·D

c₁＝c_1,end+(c_1,start-c_1,end)·D

c₂＝c_2,end+(c_2,start-c_2,end)·D

其中，w_min、w_max分别是权重系数的最小最大值；c_1,start、c_1,end分别为c₁变化的起始值与结尾值；c_2,start、c_2,end分别为c₂变化的起始值与结尾值；

步骤2-2，针对粒子群算法后期容易陷入局部最优解无法跳出的缺点，引入最优解变异，将第k代种群的聚集度表示为：

其中，N为种群的粒子数量，f(x_i)为第k代中粒子x_i的适应度值，f_avg、f_min、f_max分别为当代种群的平均适应度、最小适应度与最大适应度；ε^k越大则粒子的多样性越好；设计变异概率

为：

其中，α为控制变异概率快慢的常量，在此处采用对全局最优位置进行变异的方法，当一个0到1之间的完全随机数a小于变异概率时，全局最优进行变异，即：

步骤3，基于自适应粒子群算法，对所述模糊规则中的隶属度函数和平整度参数进行优化，该优化过程包括以下步骤：

步骤3-1，选取优化参数，选取P_dem的隶属度函数和P_FC的隶属度函数的中心点以及所述平整度常数作为初始参数，该初始参数的数量为11个，将11个所述初始参数排列成序列X，得到种群中的第i 个序列X(i)为

X(i)＝[x₁(i),x₂(i),…,x₁₁(i)]＝[a₁(i),…,a₅(i),c₁(i),…,c₅(i),Δt(i)]

其中，i为种群数量N；a₁，…，a₅为P_dem的隶属度函数的中心点；c₁，…，c₅为P_FC的隶属度函数的中心点，初代种群的序列中各个值在对应的[min,max]区间内任意取值

x_j(i)＝min(x_j)+δ×[max(x_j)-min(x_j)]

其中，δ在(0,1)内随机选取，

步骤3-2，确定优化目标，优化目标为

J₁为氢气最小化；J₂为电流波动最小化，即该采样点与上一个采样点之间电流偏差；S为整个实验过程的总采样数，

选取特定的某个初代种群对应的两个目标值J₁，J₂记作R₁，R₂，将后续优化后的***的两个目标值分别除以参考量R₁，R₂，并将得到的比较值作为新的优化目标值，从而将所述优化目标由多目标优化转化为单目标优化，即

ω₁，ω₂分别为新的优化目标值的权重，

步骤3-3，采用自适应粒子群算法对单目标优化的所述优化目标进行迭代寻优。

2.根据权利要求1所述的基于改进粒子群算法的电池混动***能源优化策略，其特征在于：

其中，步骤1包括以下子步骤：

步骤1-1，以所述质子交换膜燃料电池的最优输出区间为限将P_dem划分为高、正常、低三个状态，所述最优输出区间的上限P_FCmax和下限P_FCmin分别设为500W和200W，将SOC的上限SOC_max和下限SOC_min分别设为85％和45％，从而将SOC划分为高、正常、低三个状态，基于P_dem和SOC的不同状态将P_FC分为以下9种：

(1)State 1：P_dem>P_FCmax且高SOC，此时P_FC＝P_FCmax，且所述锂电池加速放电；

(2)State 2：P_dem>P_FCmax且正常SOC，此时P_FC＝P_FCmax，且剩余的需求能量由所述锂电池进行补充；

(3)State 3：P_dem>P_FCmax且低SOC，此时SOC很低，为保护所述锂电池，P_FC>P_FCmax，且P_FC由模糊控制器决定；

(4)State 4：P_FCmin<P_dem<P_FCmax且高SOC，此时P_FC由所述模糊控制器决定，且所述锂电池加速放电；

(5)State 5：P_FCmin<P_dem<P_FCmax且正常SOC，此时P_FC由所述模糊控制器决定；

(6)State 6：P_FCmin<P_dem<P_FCmax且低SOC，此时P_FC由所述模糊控制器决定，且所述锂电池加速充电；

(7)State 7：P_dem<P_FCmin且高SOC，此时P_FC<P_FCmin，且P_FC由所述模糊控制器决定；

(8)State 8：P_dem<P_FCmin且正常SOC，此时P_FC＝P_FCmin，且所述锂电池回收多余能量；

(9)State 9：P_dem<P_FCmin且低SOC，此时P_FC＝P_FCmin，且所述锂电池加速充电，

步骤1-2，所述模糊控制器中，P_dem分为五类，分别为非常低VL、中等低ML、低L、中M、高H，P_dem的范围设为[0,700]，SOC分为三类，分别为低L、中M、高H，SOC的范围设为[0,100]，P_FC分为五类，分别为非常低VL、中等低ML、低L、中M、高H，P_FC的范围设为[0,600]，对P_dem和P_FC采用高斯型隶属度函数来赋值，对于SOC采用钟型隶属度函数(gbellmf)来赋值，

所述模糊控制器的模糊规则为

采用mamdani推理方法进行模糊推理，并采用中心法完成解模糊，得到P_FC。

3.根据权利要求1所述的基于改进粒子群算法的电池混动***能源优化策略，其特征在于：

其中，所述电池混动***为机器人的燃料电池混合动力***。

Images