CN112231830B - 基于自适应等效因子的混合动力车辆多目标优化控制方法 - Google Patents

基于自适应等效因子的混合动力车辆多目标优化控制方法 Download PDF

Info

Publication number
CN112231830B
CN112231830B CN202011065246.9A CN202011065246A CN112231830B CN 112231830 B CN112231830 B CN 112231830B CN 202011065246 A CN202011065246 A CN 202011065246A CN 112231830 B CN112231830 B CN 112231830B
Authority
CN
China
Prior art keywords
fuel cell
cell system
aging
lithium battery
battery system
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
CN202011065246.9A
Other languages
English (en)
Other versions
CN112231830A (zh
Inventor
陈剑
马延
朱晓媛
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011065246.9A priority Critical patent/CN112231830B/zh
Publication of CN112231830A publication Critical patent/CN112231830A/zh
Application granted granted Critical
Publication of CN112231830B publication Critical patent/CN112231830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/24—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means
    • B60W10/26—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means for electrical energy, e.g. batteries or capacitors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fuel Cell (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种基于自适应等效因子的混合动力车辆多目标优化控制方法。建立混合动力车辆的氢气消耗模型、燃料电池***老化模型和锂电池***老化模型，获得氢气消耗量、燃料电池***和锂电池***的老化状态量，并转化为能量消耗代价；建立半经验燃料电池***老化模型，设置老化参数，建立老化参数与燃料电池的电阻和限制电流的关系，求解获得老化参数，用老化参数计算自适应等效因子；建立由能量消耗代价组成包含自适应等效因子的多目标函数，最小化目标求解得到优化的功率分配来控制。本发明在当燃料电池***性能衰减时依然能够通过设计的自适应等效因子合理地分配输出功率从而实现多目标优化控制，同时方法实时性好。

Description

基于自适应等效因子的混合动力车辆多目标优化控制方法
技术领域
本发明涉及一种混合动力车辆的多目标优化控制方法，在燃料电池***性能衰减的情况下，通过基于燃料电池***老化状态设计自适应等效因子保证多目标优化和锂电池***荷电状态的稳定，同时确保该算法的实时性能。
背景技术
混合动力车辆具有零排放、高能量转换效率以及续航里程长等优势受到了工业界和学术界广泛的关注。目前混合动力车辆的能源***主要由燃料电池***和锂电池***或超级电容组成。研究如何高效地分配两者能源***的供能比，在满足动力性需求的基础上改善混合动力车辆的经济性是当前大多数能量控制方法的关注点。然而燃料电池***代价高以及使用寿命短是限制混合动力车辆推广应用的主要原因之一。因此在能量控制方法中考虑混合动力车辆中燃料电池***和锂电池***的使用寿命也是必要的研究工作。此外，混合动力车辆的燃料电池***频繁的启停会导致它的性能衰减，从而降低燃料电池***的工作效率。这势必会增加锂电池***的使用以满足需求的功率，从而造成锂电池***荷电状态的波动影响混合动力车辆的性能。因此，研究改善混合动力车辆的经济性、耐久性以及保证锂电池***荷电状态稳定的多目标优化是必要的。
发明内容
在燃料电池***性能衰退的情况下，为了实现混合动力车辆经济性、耐久性以及锂电池***荷电状态稳定的多目标优化，本发明的技术方案提供了基于自适应等效因子的混合动力车辆多目标优化控制方法，本发明在于当燃料电池***性能衰减时依然能够通过设计的自适应等效因子合理地分配输出功率从而实现多目标优化控制，同时设计算法的实时性好。
本发明所采用的技术方案是：
步骤1、建立混合动力车辆的氢气消耗模型、燃料电池***老化模型以及锂电池***老化模型：
混合动力车辆的氢气消耗模型主要由燃料电池***的氢气消耗和锂电池***的等效氢气消耗组成；燃料电池***老化模型是通过启动次数和输出功率描述燃料电池***的老化状态的模型；锂电池***老化模型是由放电速率和工作温度描述锂电池***的老化状态的模型。
燃料电池***的氢气消耗由燃料电池***的输出功率决定，而锂电池***的等效氢气消耗取决于锂电池***的输出功率和等效因子。
燃料电池***、锂电池***的输出功率和等效因子输入到混合动力车辆的氢气消耗模型输出获得混合动力车辆的氢气消耗，燃料电池***的输出功率和启停次数输入到燃料电池***老化模型输出获得燃料电池***老化状态，锂电池***的放电速率和电池温度输入到锂电池***老化模型输出获得锂电池***老化状态。
步骤2、通过步骤1建立的模型获得混合动力车辆的氢气消耗量、燃料电池***老化状态量和锂电池***老化状态量，燃料电池***老化状态和锂电池***老化状态均为1-100％的量，从而将混合动力车辆的氢气消耗量、燃料电池***老化状态量和锂电池***老化状态量转化为对应的能量消耗代价；
步骤3、建立半经验燃料电池***老化模型，并设置一个燃料电池***的老化参数，建立老化参数与燃料电池的电阻和限制电流的关系，通过该老化参数能够更精确地反映燃料电池***老化状态；采用无迹卡尔曼滤波算法处理半经验燃料电池***老化模型求解估计获得老化参数，同时使用协方差匹配方法计算无迹卡尔曼滤波算法中过程噪声和测量噪声的方差，提高无迹卡尔曼滤波算法估计的准确性。最终用估计得到的老化参数计算自适应等效因子，自适应等效因子用以确保锂电池***荷电状态的稳定；
本发明设计构建了包含在多目标函数中的自适应等效因子合理分配燃料电池***和锂电池***的输出功率，保证了在燃料电池***性能衰减时锂电池***的荷电状态稳定，获得更精确的燃料电池***老化状态。
其中，本发明实施采用半经验燃料电池***老化模型。利用半经验燃料电池***老化模型，可得无论在静态负载还是动态负载，燃料电池的电阻和限制电流变化十分明显，提高燃料电池***老化状态估计精度。
步骤4、建立由步骤2的三个能量消耗代价组成包含自适应等效因子的多目标函数，多目标函数满足车辆动力性的需求以及限制燃料电池***输出功率和锂电池***输出功率的变化范围，将多目标函数作为带约束二次规划的凸优化问题，然后利用有效集算法以最小化多目标函数为目标进行求解得到优化的功率分配来进行控制，实现了多目标优化控制，从而提高混合动力车辆的经济性、耐久性以及保证锂电池***荷电状态的稳定。
所述的混合动力车辆内设有燃料电池***和锂电池***，燃料电池***和锂电池***相连接共同为混合动力车辆提供能量。
所述步骤2具体为：
燃料电池***的老化状态量Δfc和锂电池***的老化状态量Δb采用以下公式计算获得：
Figure GDA0003500340330000031
Figure GDA0003500340330000032
其中，Ns为燃料电池***的启停次数，δs为燃料电池***的启停次数系数，Pfc为燃料电池***的输出功率，Pfc,r为燃料电池***的额定功率，δ0和α0为燃料电池***的第一、第二衰减系数，T为混合动力车辆的运行时间，Ibat为锂电池***输出电流，锂电池***的最大使用周期N(c,Tc)取决于放电速率c和工作温度Tc，Qn为锂电池***的标称容量，t为时间。
所述步骤3具体为：
所述的半经验的燃料电池***老化模型表达为：
Figure GDA0003500340330000033
其中，Nfc为燃料电池***中燃料电池的数量，Eo为燃料电池的开路电压，Ifc和Vfc分别为燃料电池***的电流和电压，At和Bc分别为塔菲尔常数和浓度常数，To和Io分别为燃料电池的工作温度和交换电流，Pfc和Il分别表示燃料电池的电阻和限制电流；
燃料电池的电阻和限制电流与燃料电池***老化状态有着密切的联系。
然后设置燃料电池***的老化参数α，利用老化参数α来描述燃料电池电阻Rfc和限制电流Il的变化：
Rfc＝Rfco·(1-α)
Il＝Ilo·(1+α)
Figure GDA0003500340330000034
其中，Rfco和Ilo分别为初始的燃料电池电阻和限制电流，β为燃料电池***老化参数α的变化率；
然后采用无迹卡尔曼滤波算法对半经验的燃料电池***老化模型进行处理估计燃料电池***的老化参数，同时利用协方差匹配方法实时更新无迹卡尔曼滤波算法中过程噪声和测量噪声的方差；
最终利用获得的燃料电池***老化参数按照以下公式处理获得自适应等效因子λe：
λe＝λeo·(1+kbα)2
其中，λeo为初始的等效因子，kb表示正常数，用来调节自适应等效因子的变化。
所述步骤4具体为：
构建多目标函数表示为：
Figure GDA0003500340330000041
其中，Je为多目标函数，Pbat为锂电池***的输出功率，Af和Bf分别为燃料电池***输出功率二次项系数和一次项系数；Ab和Bb分别为锂电池***输出功率二次项系数和一次项系数；其中自适应等效因子λe包含在二次项系数Bb中。
Figure GDA0003500340330000042
其中，cbat为锂电池***单位能量的消耗代价，Eb,r为锂电池***的额定容量，Atol为总的放电容量，Vob为锂电池***的开路电压，
Figure GDA0003500340330000043
为氢气低热值，sgn()为符号函数；
多目标函数的约束表示为：
Pfc+Pbat＝Pdem
Pfc，min≤Pfc≤Pfc,max
Pb,min≤Pbat≤Pb,max
其中，Pdem为混合动力车辆需求功率，Pfc,min和Pfc,max分别为燃料电池***的最小和最大输出功率，Pb,min和Pb,max分别为锂电池***的最小和最大输出功率；
最后将多目标函数视为带约束的二次规划问题利用有效集算法进行求解优化，获得最优的燃料电池***的输出功率Pfc和锂电池***的输出功率Pbat，能够保证算法的实时性能。
本发明能基于无迹卡尔曼滤波算法设计自适应等效因子，在燃料电池***性能衰退的情况下合理高效地分配燃料电池***和锂电池***的输出功率，实现多目标的优化。
本发明的有益效果是：
本发明能够在改善混合动力经济性和耐久性的同时保证锂电池***荷电状态的稳定。能够有效地提高能源的利用率和锂电池***性能，同时增长燃料电池***和锂电池***使用寿命。
附图说明
图1为多目标优化算法方法框图；
图2为UDDS行驶工况；
图3为HWFET行驶工况；
图4UDDS工况下燃料电池***输出功率变化
图5UDDS工况下锂电池***输出功率变化
图6HWFET工况下燃料电池***输出功率变化
图7HFET工况下锂电池***输出功率变化
图8为UDDS工况下锂电池***荷电状态的变化；
图9为HWFET工况下锂电池***荷电状态的变化；
表1为UDDS工况下各方法消耗代价对比；
表2为HWFET工况下各方法消耗代价对比。
具体实施方式
下面结合具体实例，进一步阐述本发明。应理解，这些实例仅用于说明本发明而不用于限制本发明的范围。
本发明具体实施在仿真环境中针对老化的燃料电池***验证多目标优化控制方法的有效性。具体实施例及其实施过程情况如下：
图1为本发明提供的多目标优化控制方法的***框图，该多目标优化控制方法工作流程为：基于混合动力车辆的车速和车辆的动力学模型可以计算得到需求功率。通过建立的混合动力车辆的氢气消耗模型、燃料电池***老化模型以及锂电池***老化模型可以得到衡量经济性和耐久性的指标为总代价。计算表达式如下
C＝Ce+Cfc+Cbat
其中，Ce为氢气消耗代价，由燃料电池***的氢气消耗和锂电池***的等效氢气消耗组成，其中锂电池***的等效氢气消耗是通过利用自适应等效因子将消耗的电能等价地转换为氢气消耗；Cfc为燃料电池***老化的损耗代价，Cbat为锂电池***老化的损耗代价。
然后通过最小化多目标函数来提高混合动力车辆的经济性和耐久性，该多目标函数表示为：
Figure GDA0003500340330000061
其中，
Figure GDA0003500340330000062
为氢气消耗代价变化率，
Figure GDA0003500340330000063
为燃料电池***老化消耗代价变化率，
Figure GDA0003500340330000064
为燃料电池***老化消耗代价变化率。多目标函数由能量消耗代价的变化率组成的目的在于能够将多目标优化最终转换为二次规划问题，提高多目标优化控制方法的实时性。
为了保证在燃料电池***性能衰减下锂电池***荷电状态的稳定，基于半经验燃料电池***老化模型，采用无迹卡尔曼滤波算法精确地估计燃料电池***的老化参数，从而得到自适应等效因子维持锂电池***荷电状态稳定。
上述半经验的燃料电池***老化模型表示为：
Figure GDA0003500340330000065
其中，Nfc为燃料电池***中燃料电池的数量，Eo为燃料电池的开路电压，Ifc和Vfc分别为燃料电池***的电流和电压，At和Bc分别为塔菲尔常数和浓度常数，To和Io分别为燃料电池的工作温度和交换电流。
其中燃料电池的电阻Rfc和限制电流Il与燃料电池***老化状态有着密切的联系。
然后设置燃料电池***的老化参数α，利用老化参数α来描述燃料电池电阻Rfc和限制电流Il的变化：
Rfc＝Rfco·(1-a)
Il＝Ilo·(1+α)
Figure GDA0003500340330000066
其中，Rfco和Ilo分别为初始的燃料电池电阻和限制电流，β为燃料电池***老化参数α的变化率。然后采用无迹卡尔曼滤波算法估计燃料电池***老化参数，同时利用协方差匹配方法实时更新无迹卡尔曼滤波算法中过程噪声和测量噪声的方差。最终，基于估计的燃料电池***老化参数，自适应等效因子λe表达为：
λe＝λeo·(1+kbα)2
其中，λeo为初始的等效因子，正常数kb用来调节自适应等效因子的变化。然后简化多目标函数可以得到如下表达式：
Figure GDA0003500340330000071
其中，Pbat为锂电池***的输出功率，Af和Bf分别为燃料电池***输出功率二次项系数和一次项系数；Ab和Bb分别为锂电池***输出功率二次项系数和一次项系数；其中自适应等效因子λe包含在二次项系数Bb中。
Figure GDA0003500340330000072
其中，cbat为锂电池***单位能量的消耗代价，Eb,r为锂电池***的额定容量，Atol为总的放电容量，Vob为锂电池***的开路电压，
Figure GDA0003500340330000073
为氢气低热值。
为了满足车辆的动力性要求以及保证燃料电池***和锂电池***的输出功率限制在可允许的变化范围，建立一下多目标函数的等式和不等式约束，表示为：
Pfc+Pbat＝Pdem
Pfc，min≤Pfc≤Pfc,max
Pb,min≤Pbat≤Pb,max
其中，Pfc,min和Pfc,max分别为燃料电池***的最小和最大输出功率，Pb,min和Pb,max分别为锂电池***的最小和最大输出功率。
最后将多目标函数视为带约束的二次规划问题利用有效集算法进行求解优化，获得最优的燃料电池***的输出功率Pfc和锂电池***的输出功率Pbat，同时能够保证算法的实时性能。
本发明方法在仿真平台上进行了验证，在两种标准工况下对该算法进行验证。初始的锂电池***荷电状态设为0.7，初始的等效因子根据新的燃料电池***确定。燃料电池***和锂电池***的最大输出功率分别为50kW和25kW。然后对比基于常值等效因子和自适应等效因子能量控制方法在燃料电池***老化时的仿真结果，两者能量控制优化方法的区别仅仅在于是否更新等效因子。同时常用的等效能量消耗最小方法提出来对比设计的多目标能量控制方法的有效性。两种仿真的工况见图2和图3。两种工况下的功率分配如图4-图7。两种工况下得电池荷电状态变化情况如图8和图9。此外，两种工况下各方法的能量控制消耗代价对比如表1和表2所示。从仿真结果可得，等效能量消耗最小方法虽然降低了锂电池***的老化损耗，但是却增加了燃料电池***的老化损耗。相比多目标优化控制方法，等效能量消耗最小方法总的能量消耗代价最大。与常值等效因子的多目标优化控制方法相比，自适应等效因子能够维持锂电池***的荷电状态维持在初始值附近。
表1 UDDS工况下各方法消耗代价对比
方法 等效能量消耗最小 常值等效因子 自适应等效因子
C<sub>e</sub>($) 0.301 0.2625 0.229
C<sub>bat</sub>($) 6.909e-08 1.673e-08 1.427e-07
C<sub>fc</sub>($) 1.672 1.65 1.641
总计 1.973 1.913 1.87
表2 HWFET工况下各方法消耗代价对比
方法 等效能量消耗最小 常值等效因子 自适应等效因子
C<sub>e</sub>($) 0.3316 0.2771 0.2462
C<sub>bat</sub>($) 4.678e-08 1.397e-07 1.164e-07
C<sub>fc</sub>($) 0.7694 0.7549 0.7469
总计 1.101 1.032 0.9931
因此，对比其他控制方法，本发明方法在不同工况下的总消耗代价最低，这意味着设计的多目标优化控制方法能够均衡混合动力车辆经济性和耐久性，同时该方法也能够保持锂电池***荷电状态的稳定。

Claims (3)

1.一种基于自适应等效因子的混合动力车辆多目标优化控制方法，其特征在于：
步骤1、建立混合动力车辆的氢气消耗模型、燃料电池***老化模型以及锂电池***老化模型：
步骤2、通过步骤1建立的模型获得混合动力车辆的氢气消耗量、燃料电池***老化状态量和锂电池***老化状态量，从而将混合动力车辆的氢气消耗量、燃料电池***老化状态量和锂电池***老化状态量转化为对应的能量消耗代价；
步骤3、建立半经验燃料电池***老化模型，并设置一个燃料电池***的老化参数，建立老化参数与燃料电池的电阻和限制电流的关系，采用无迹卡尔曼滤波算法处理半经验燃料电池***老化模型求解估计获得老化参数，同时使用协方差匹配方法计算无迹卡尔曼滤波算法中过程噪声和测量噪声的方差，最终用估计得到的老化参数计算自适应等效因子；
步骤4、建立由步骤2的三个能量消耗代价组成包含自适应等效因子的多目标函数，然后利用有效集算法以最小化多目标函数为目标进行求解得到优化的功率分配来进行控制；
所述步骤3具体为：
所述的半经验的燃料电池***老化模型表达为：
Figure FDA0003500340320000011
其中，Nfc为燃料电池***中燃料电池的数量，Eo为燃料电池的开路电压，Ifc和Vfc分别为燃料电池***的电流和电压，At和Bc分别为塔菲尔常数和浓度常数，To和Io分别为燃料电池的工作温度和交换电流，Rfc和Il分别表示燃料电池的电阻和限制电流；
然后设置燃料电池***的老化参数α，利用老化参数α来描述燃料电池电阻Rfc和限制电流Il的变化：
Rfc＝Rfco·(1-α)
Il＝Ilo·(1+α)
Figure FDA0003500340320000024
其中，Rfco和Ilo分别为初始的燃料电池电阻和限制电流，β为燃料电池***老化参数α的变化率；
然后采用无迹卡尔曼滤波算法对半经验的燃料电池***老化模型进行处理估计燃料电池***的老化参数，同时利用协方差匹配方法实时更新无迹卡尔曼滤波算法中过程噪声和测量噪声的方差；
最终利用获得的燃料电池***老化参数按照以下公式处理获得自适应等效因子λe：
λe＝λeo·(1+kbα)2
其中，λeo为初始的等效因子，kb表示正常数；
所述步骤4具体为：
构建多目标函数表示为：
Figure FDA0003500340320000021
其中，Je为多目标函数，Pbat为锂电池***的输出功率，Af和Bf分别为燃料电池***输出功率二次项系数和一次项系数；Ab和Bb分别为锂电池***输出功率二次项系数和一次项系数；
Figure FDA0003500340320000022
其中，cbat为锂电池***单位能量的消耗代价，Eb,r为锂电池***的额定容量，Atol为总的放电容量，Vob为锂电池***的开路电压，
Figure FDA0003500340320000023
为氢气低热值，sgn()为符号函数，Pfc为燃料电池***的输出功率；
多目标函数的约束表示为：
Pfc+Pbat＝Pdem
Pfc，min≤Pfc≤Pfc,max
Pb,min≤Pbat≤Pb,max
其中，Pdem为混合动力车辆需求功率，Pfc,min和Pfc,max分别为燃料电池***的最小和最大输出功率，Pb,min和Pb,max分别为锂电池***的最小和最大输出功率；
最后将多目标函数视为带约束的二次规划问题利用有效集算法进行求解优化，获得最优的燃料电池***的输出功率Pfc和锂电池***的输出功率。
2.根据权利要求1所述的一种基于自适应等效因子的混合动力车辆多目标优化控制方法，其特征在于：所述的混合动力车辆内设有燃料电池***和锂电池***，燃料电池***和锂电池***相连接共同为混合动力车辆提供能量。
3.根据权利要求1所述的一种基于自适应等效因子的混合动力车辆多目标优化控制方法，其特征在于：所述步骤2具体为：
燃料电池***的老化状态量Δfc和锂电池***的老化状态量Δb采用以下公式计算获得：
Figure FDA0003500340320000031
Figure FDA0003500340320000032
其中，Ns为燃料电池***的启停次数，δs为燃料电池***的启停次数系数，Pfc,r为燃料电池***的额定功率，δ0和α0为燃料电池***的第一、第二衰减系数，T为混合动力车辆的运行时间，Ibat为锂电池***输出电流，Qn为锂电池***的标称容量，N(c,Tc)为锂电池***的最大使用周期，t为时间。
CN202011065246.9A 2020-09-30 2020-09-30 基于自适应等效因子的混合动力车辆多目标优化控制方法 Active CN112231830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011065246.9A CN112231830B (zh) 2020-09-30 2020-09-30 基于自适应等效因子的混合动力车辆多目标优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011065246.9A CN112231830B (zh) 2020-09-30 2020-09-30 基于自适应等效因子的混合动力车辆多目标优化控制方法

Publications (2)

Publication Number Publication Date
CN112231830A CN112231830A (zh) 2021-01-15
CN112231830B true CN112231830B (zh) 2022-04-08

Family

ID=74120581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011065246.9A Active CN112231830B (zh) 2020-09-30 2020-09-30 基于自适应等效因子的混合动力车辆多目标优化控制方法

Country Status (1)

Country Link
CN (1) CN112231830B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112918330B (zh) * 2021-03-18 2022-11-18 北京交通大学 一种燃料电池车最优工作状态控制策略的计算方法
CN113158429A (zh) * 2021-03-23 2021-07-23 东南大学 一种电池可行域建模方法及其装置
CN113043917B (zh) * 2021-04-15 2022-09-02 西南交通大学 一种多堆燃料电池混合动力***分层控制方法
CN113222387B (zh) * 2021-04-30 2023-11-24 北京理工新源信息科技有限公司 面向氢燃料车辆的多目标调度与协同优化方法
CN113085665B (zh) * 2021-05-10 2022-02-11 重庆大学 一种基于td3算法的燃料电池汽车能量管理方法
CN113022384B (zh) * 2021-05-26 2021-08-24 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
CN113434962B (zh) * 2021-07-05 2024-07-05 南京航空航天大学 一种混联式混合动力无人机动力***的优化方法
CN113533991B (zh) * 2021-07-13 2023-08-15 浙江大学 一种基于燃料电池自适应混合老化特征的老化诊断方法
CN114379386B (zh) * 2022-03-25 2022-06-10 北京理工大学 一种燃料电池和锂电池混动***协同衰退控制方法及***
CN114824370B (zh) * 2022-04-08 2024-05-03 金龙联合汽车工业（苏州）有限公司 一种双堆燃料电池***整车能量控制方法
CN114889498B (zh) * 2022-05-07 2023-12-15 苏州市华昌能源科技有限公司 一种氢电混合动力***的功率优化分配方法
CN114843561B (zh) * 2022-05-13 2024-07-09 中国第一汽车股份有限公司 燃料电池的控制方法及装置
CN115107538B (zh) * 2022-06-30 2024-04-26 安徽华菱汽车有限公司 汽车的能量管理方法及装置
CN115339330A (zh) * 2022-09-07 2022-11-15 武汉理工大学 基于电池老化的混合动力汽车的能量输出管理方法
CN115422764B (zh) * 2022-09-22 2023-11-24 西北工业大学太仓长三角研究院 一种基于无源性的侧向车速估计方法
CN118099487A (zh) * 2024-04-28 2024-05-28 中科嘉鸿(佛山市)新能源科技有限公司 一种高温甲醇燃料电池的能量管理控制方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8612079B2 (en) * 2011-12-14 2013-12-17 GM Global Technology Operations LLC Optimizing system performance using state of health information
US9843069B2 (en) * 2014-09-26 2017-12-12 Ford Global Technologies, Llc Battery capacity degradation resolution methods and systems
EP3621846A1 (en) * 2017-05-12 2020-03-18 The Ohio State Innovation Foundation Real-time energy management strategy for hybrid electric vehicles with reduced battery aging
CN107351701A (zh) * 2017-06-07 2017-11-17 东莞市德尔能新能源股份有限公司 基于老化均衡的多目标自适应控制方法
CN108490365B (zh) * 2018-04-18 2020-07-03 北京理工大学 一种估计电动汽车的动力电池的剩余寿命的方法

Also Published As

Publication number Publication date
CN112231830A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN112231830B (zh) 基于自适应等效因子的混合动力车辆多目标优化控制方法
Xu et al. Multi-objective component sizing based on optimal energy management strategy of fuel cell electric vehicles
Becherif et al. MPPT of a PEMFC based on air supply control of the motocompressor group
CN108011437B (zh) 带有过充过放保护装置的混合储能功率分配方法
CN105978016A (zh) 一种基于最优潮流的多端柔性直流输电***优化控制方法
Xing et al. An adaptive droop control for distributed battery energy storage systems in microgrids with DAB converters
Lu et al. Online optimization of energy management strategy for FCV control parameters considering dual power source lifespan decay synergy
e Huma et al. Robust integral backstepping controller for energy management in plugin hybrid electric vehicles
CN114944661B (zh) 一种基于储能***滚动优化的微电网三阶段优化控制方法
CN112069600A (zh) 一种多动力源混合动力***及其能量管理方法
CN112241923B (zh) 一种基于综合能源***源荷等效外特性的配网电力平衡方法
Sun et al. Energy management strategy for FCEV considering degradation of fuel cell
Quan et al. Health-aware model predictive energy management for fuel cell electric vehicle based on hybrid modeling method
Monden et al. Charging and discharging control of a hybrid battery energy storage system using different battery types in order to avoid degradation
CN110380404B (zh) 考虑高耗能点负荷的输电网励磁***调差系数优化整定方法
Chen et al. Real‐time optimal energy management for a fuel cell/battery hybrid system
Zuo et al. A deterioration-aware energy management strategy for the lifetime improvement of a multi-stack fuel cell system subject to a random dynamic load
CN111071073B (zh) 基于随机负载的燃料电池混合动力***及其控制方法
CN110470993A (zh) 一种启停电池soc算法
CN116742632A (zh) 一种配电网最大承载力估算方法及***
CN114488821B (zh) 燃料电池过氧比的区间经济模型预测控制方法及***
Tang et al. Degradation adaptive energy management strategy for FCHEV based on the Rule-DDPG method: tailored to the current SOH of the powertrain
CN111404374B (zh) 运用遗传算法优化的双向dc-dc变换器的控制方法
CN111564868B (zh) 离网型光储微电网***容量配置评估方法及装置
Wu Real-time energy management and transient power control for fuel cell electrified vehicles

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