CN112434463B - 一种车辆复合电源能量管理*** - Google Patents

一种车辆复合电源能量管理*** Download PDF

Info

Publication number
CN112434463B
CN112434463B CN202011167418.3A CN202011167418A CN112434463B CN 112434463 B CN112434463 B CN 112434463B CN 202011167418 A CN202011167418 A CN 202011167418A CN 112434463 B CN112434463 B CN 112434463B
Authority
CN
China
Prior art keywords
lithium battery
bat
charge
value
particle
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
CN202011167418.3A
Other languages
English (en)
Other versions
CN112434463A (zh
Inventor
冯娜
马铁华
陈昌鑫
王晨斌
高伟涛
孟青
牛慧芳
张文
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.)
North University of China
Original Assignee
North University of China
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 North University of China filed Critical North University of China
Priority to CN202011167418.3A priority Critical patent/CN112434463B/zh
Publication of CN112434463A publication Critical patent/CN112434463A/zh
Application granted granted Critical
Publication of CN112434463B publication Critical patent/CN112434463B/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]
    • G06F30/20—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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/345—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering using capacitors as storage or buffering devices
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2207/00—Indexing scheme relating to details of circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J2207/50—Charging of capacitors, supercapacitors, ultra-capacitors or double layer capacitors
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明涉及车辆复合电源***能量管理技术领域，一种车辆复合电源能量管理***，主要包括复合电源管理单元，模糊逻辑控制器，粒子群优化算法，复合电源管理单元的作用是采集锂电池和超级电容的运行参数处理后将荷电状态值输出到模糊逻辑控制器中，同时接收模糊逻辑控制器的输出信号控制复合电源的输出；模糊逻辑控制器的作用是将输入的锂电池SOC预估值、超级电容SOC和需求功率通过逻辑关系得到超级电容的充放电控制信号；粒子群优化算法的作用是对模糊逻辑控制器隶属度函数的参数进行优化。本发明能够有效减小锂电池的充放电次数，延长锂电池寿命，提高复合电源***的供电效率。

Description

一种车辆复合电源能量管理***
技术领域
本发明涉及车辆复合电源***能量管理技术领域，具体涉及一种车辆复合电源能量管理***。
背景技术
随着全球能源危机和环境问题的日益凸显，开发新能源汽车成为汽车产业发展的必然趋势。纯电动汽车采用单一动力电源容易出现续航能力弱、加速动力不足、电池寿命短等缺陷，因此混合动力汽车的研发显得尤为重要。将超级电容与蓄电池相结合作为电动汽车的动力电源，可以充分利用超级电容的快速响应特性，降低蓄电池的充放电频率，以延长蓄电池的使用寿命，增大电动汽车的续驶里程。
混合动力汽车的性能与其采用的能量管理策略密切相关，目前最常见的能量管理策略分为两大类，分别是基于规则的能量管理策略和基于优化的能量管理策略。其中，模糊逻辑控制属于模拟人的思维方式制定规则实现能量管理的方法，控制器的隶属度函数和规则的制定基础来源于专家的经验或理论知识，设计简单，易于理解，但容易陷入局部最优的情况。
在制定模糊控制规则时，需要考虑电池的SOC值，传统的安时积分法由于SOC初值计算、测量仪器误差、电流和温度导致容量变化等得到SOC值不实时，难以用在实际的车辆动力***中。
发明内容
为了解决上述技术问题，本发明提供了一种车辆复合电源能量管理***及方法，以解决锂电池荷电状态估计精度不高，锂电池使用寿命短，复合电源动力***供电效率不高等问题。
本发明所采用的技术方案是：一种车辆复合电源能量管理***，按如下的步骤进行
步骤一：建立车辆复合电源动力***模型；
建立锂电池电路模型：
Figure BDA0002745328410000021
Figure BDA0002745328410000022
UL＝Ubat-ibatRbat
其中，SOCbat是锂电池实时的荷电状态SOC值；SOCbat.ini是锂电池的初始SOC值；QN为锂电池的额定容量；ibat表示锂电池的充放电电流，在一段时间内的积分累计值表示锂电池已使用容量；Ubat和Rbat分别为锂电池的开路电压和欧姆内阻；Pbat为锂电池的功率，UL是锂电池负载电压，
锂电池的负载电压不允许超过开路电压，因此锂电池的最大充放电电流为：
Figure BDA0002745328410000023
其中，Imax为锂电池的最大充放电电流，电池的充放电电流ibat在输出前必须与最大充放电电流Imax比较，如果充放电电流超过Imax时，则输出Imax，
锂电池容量损耗模型采用Arrhenius模型，容量累计损耗为：
Figure BDA0002745328410000031
其中，CRate为电池充放电倍率，
Figure BDA0002745328410000032
i1c为1C充放电电流；R为气体常数，取8.341J/(mol·K)；Tbat为电池温度，单位为K；t(k+1)-t(k)为仿真步长时间间隔，单位为s；
建立超级电容电路模型
Figure BDA0002745328410000033
Figure BDA0002745328410000034
其中，SOCsc是超级电容的荷电状态值，Usc.max和Usc.min分别为超级电容的最大和最小电压，Usc为超级电容的实时电压，Isc为超级电容的充放电电流，Rsc和Psc分别为超级电容的内阻和电功率；
建立复合电源***模型
Preq＝Pbat+Psc
其中，Preq为负载需求功率，Pbat和Psc分别为锂电池和超级电容的充放电功率，放电时功率为正，充电时功率为负；
步骤二、设计锂电池SOC预估器，预估算法采用贝叶斯-蒙特卡洛法估计得到锂电池的荷电状态SOCbat.e的值，
将贝叶斯-蒙特卡洛方法应用于锂电池荷电状态的估计，该方法通过一组具有相关权重的随机样本来近似概率密度函数：
Figure BDA0002745328410000035
其中，
Figure BDA0002745328410000036
为锂电池任意k时刻的荷电状态和开路电压所构成的列向量，表示k时刻生成的随机粒子集；Ubat.k表示k时刻锂电池的开路电压，SOCbat.k表示k时刻锂电池的荷电状态；
Figure BDA0002745328410000041
表示在Ubat.k条件下，产生随机粒子集
Figure BDA0002745328410000042
所服从的概率密度函数；
Figure BDA0002745328410000043
是k时刻从概率密度函数
Figure BDA0002745328410000044
表示的分布中提取的第i(i＝1～Ns)个随机粒子集，Ns表示随机粒子集的个数；
Figure BDA0002745328410000045
表示k时刻提取的第i个粒子集的权重；δ(·)表示Dirac函数。
k时刻的权重
Figure BDA0002745328410000046
以正态分布概率密度函数在k-1时刻的权重
Figure BDA0002745328410000047
的基础上更新，更新规律的推导式为：
Figure BDA0002745328410000048
其中，Ubat,k和
Figure BDA0002745328410000049
分别为k时刻锂电池开路电压的实测值和模型输出平均值，σ为其标准差。
Figure BDA00027453284100000410
表示在满足粒子集
Figure BDA00027453284100000411
的条件下Ubat.k所服从的概率密度函数，符合正态分布概率密度函数。
对所有粒子的权重进行归一化处理：
Figure BDA00027453284100000412
考虑所有粒子总权重后的预估结果可以表示为：
Figure BDA00027453284100000413
锂电池SOC预估器中执行贝叶斯-蒙特卡洛算法，将产生的粒子集的权重不断的迭代运算，最后通过粒子加权求和的方式，得到锂电池荷电状态的预估值，即为向量
Figure BDA00027453284100000414
的第一个元素，表示为：
Figure BDA00027453284100000415
步骤三、将不同运行工况下需求功率Preq、锂电池荷电状态预估值SOCbat.e和超级电容的荷电状态SOCsc作为模糊逻辑控制器的输入，采用粒子群优化算法对模糊逻辑控制器的隶属度函数参数进行优化，经过逻辑关系输出超级电容充放电的控制信号比例因子Ksc，进而得到超级电容充放电控制信号Psc＝Ksc·Preq，锂电池充放电控制信号Pbat＝(1-Ksc)·Preq。
模糊逻辑控制器将输入信号SOCbat.e和SOCsc的模糊子集分别设置为：低L，中M，高H；将Preq和输出信号Ksc模糊子集分别设置为：较小TS，小S，中M，大B，较大TB，模糊逻辑控制器输入输出变量的隶属度函数采用梯形和三角形隶属度函数相结合，
三角形隶属度函数的表达式为：
Figure BDA0002745328410000051
梯形隶属度函数的表达式为：
Figure BDA0002745328410000052
隶属度函数曲线的形状由参数a，b，c，d确定，基于步骤三模糊逻辑控制器的隶属度函数，将参数点间的距离进行编码，得到待优化的参数m1到m10，均为实数。
根据粒子群优化算法的思路，考虑锂电池的使用寿命，将优化目标设计为锂电池的容量累计损耗最小，具体的步骤为：
(1)确定待优化的粒子群解空间维数d＝10，学习因子c1＝c2＝2，粒子群规模为30，惯性权重ω在2到0.5之间线性下降；
(2)初始化粒子群，包括粒子群的大小、随机位置和速度，经验粒子的位置初始值设为图3中优化前的参数位置编码值，其余29个粒子的初始位置值在变化范围内随机生成，迭代次数为50，速度最大值设为0.08；
(3)根据f(x)计算出每个粒子的对应的适应度值；
(4)将每个粒子当前的适应度值与其个体最优适应度值pbest比较，若较好则更新pbest；
(5)将每个粒子当前的适应度值与全局最优适应度值gbest比较，若较好则将该粒子的gbest值更新为全局最优值；
(6)根据位置更新公式和速度更新公式更新粒子的速度和位置；
(7)判断是否达到最大迭代次数，若满足继续步骤(8)，否则返回步骤(2)继续执行；
(8)输出整个粒子群的全局最优适应度值gbest，结束寻优操作。
将全局最优适应度值gbest对应的隶属度函数参数输出，并将该结果作为新的模糊逻辑控制器的隶属度函数。
模糊逻辑控制器的输入输出逻辑关系采用Mamdami模型推理方法，复合电源动力***模型通过Matlab工作空间向粒子群算法.m文件传递优化目标函数所需要的实时值，粒子群算法将更新的粒子传递到***模型中用于计算优化目标。
本发明的有益效果是：本发明解决了锂电池荷电状态估计精度不高，锂电池使用寿命短，复合电源动力***供电效率不高等问题。
附图说明
图1为本发明的***总体结构框图；
图2为本发明的控制***图；
图3为本发明放电模糊控制器隶属度函数图及待优化参数示意图；
图4为本发明模糊控制器隶属度函数的粒子群优化流程图；
图5为本发明粒子群优化模糊控制器***执行图。
具体实施方式
下面结合附图对本发明作更进一步的说明。显然，所描述的实施例仅仅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。
本发明的一种车辆复合电源能量管理***，其***总体结构如图1所示。本***主要包括复合电源管理单元，模糊逻辑控制器，粒子群优化算法。复合电源管理单元的作用是采集锂电池和超级电容的运行参数处理后将荷电状态值输出到模糊逻辑控制器中，同时接收模糊逻辑控制器的输出信号控制复合电源的输出；模糊逻辑控制器的作用是将输入的锂电池SOC预估值、超级电容SOC和需求功率通过逻辑关系得到超级电容的充放电控制信号；粒子群优化算法的作用是对模糊逻辑控制器隶属度函数的参数进行优化。复合电源管理单元中，包括锂电池管理单元、超级电容管理单元、锂电池和超级电容，锂电池管理单元的作用是采集锂电池的温度、电流和电压信号，通过SOC预估器得到锂电池荷电状态估计值，接收模糊控制器输出的锂电池的充放电信号，控制锂电池的过充和过放电；超级电容管理单元的作用是采集超级电容的温度、电流和电压信号，接收模糊控制器输出的超级电容充放电信号，控制超级电容的功率输出。控制***图如图2所示。
本发明的一种车辆复合电源能量管理***，具体方法步骤如下：
步骤一：建立车辆复合电源动力***模型；
所述步骤一建立的车辆复合电源动力***模型包括：
(1)建立锂电池电路模型：
Figure BDA0002745328410000081
Figure BDA0002745328410000082
UL＝Ubat-ibatRbat
其中，SOCbat是锂电池实时的荷电状态SOC值；SOCbat.ini是锂电池的初始SOC值；QN为锂电池的额定容量；ibat表示锂电池的充放电电流，在一段时间内的积分累计值表示锂电池已使用容量；Ubat和Rbat分别为锂电池的开路电压和欧姆内阻；Pbat为锂电池的功率，UL是锂电池负载电压。
锂电池的负载电压不允许超过开路电压，因此锂电池的最大充放电电流为：
Figure BDA0002745328410000083
其中，Imax为锂电池的最大充放电电流。电池的充放电电流ibat在输出前必须与最大充放电电流Imax比较，如果充放电电流超过Imax时，则输出Imax。
锂电池容量损耗模型采用Arrhenius模型，容量累计损耗为：
Figure BDA0002745328410000091
其中，CRate为电池充放电倍率，
Figure BDA0002745328410000092
i1c为1C充放电电流；R为气体常数，取8.341J/(mol·K)；Tbat为电池温度，单位为K；t(k+1)-t(k)为仿真步长时间间隔，单位为s。
(2)建立超级电容电路模型：
Figure BDA0002745328410000093
Figure BDA0002745328410000094
其中，SOCsc是超级电容的荷电状态值，Usc.max和Usc.min分别为超级电容的最大和最小电压，Usc为超级电容的实时电压，Isc为超级电容的充放电电流，Rsc和Psc分别为超级电容的内阻和电功率。
(3)建立复合电源***模型：
Preq＝Pbat+Psc
其中，Preq为负载需求功率，Pbat和Psc分别为锂电池和超级电容的充放电功率，放电时功率为正，充电时功率为负。
步骤二：设计锂电池SOC预估器，预估算法采用安时积分法与贝叶斯-蒙特卡洛法估计得到锂电池的荷电状态SOCbat.e的值。
所述步骤二中，将贝叶斯-蒙特卡洛方法应用于锂电池荷电状态的估计。该方法通过一组具有相关权重的随机样本来近似概率密度函数：
Figure BDA0002745328410000101
其中，
Figure BDA0002745328410000102
为锂电池任意k时刻的荷电状态和开路电压所构成的列向量，表示k时刻生成的随机粒子集；Ubat.k表示k时刻锂电池的开路电压，SOCbat.k表示k时刻锂电池的荷电状态；
Figure BDA0002745328410000103
表示在Ubat.k条件下，产生随机粒子集
Figure BDA0002745328410000104
所服从的概率密度函数；
Figure BDA0002745328410000105
是k时刻从概率密度函数
Figure BDA0002745328410000106
表示的分布中提取的第i(i＝1～Ns)个随机粒子集，Ns表示随机粒子集的个数；
Figure BDA0002745328410000107
表示k时刻提取的第i个粒子集的权重；δ(·)表示Dirac函数。
k时刻的权重
Figure BDA0002745328410000108
以正态分布概率密度函数在k-1时刻的权重
Figure BDA0002745328410000109
的基础上更新，更新规律的推导式为：
Figure BDA00027453284100001010
其中，Ubat,k和
Figure BDA00027453284100001011
分别为k时刻锂电池开路电压的实测值和模型输出平均值，σ为其标准差。
Figure BDA00027453284100001012
表示在满足粒子集
Figure BDA00027453284100001013
的条件下Ubat.k所服从的概率密度函数，符合正态分布概率密度函数。
对所有粒子的权重进行归一化处理：
Figure BDA00027453284100001014
考虑所有粒子总权重后的预估结果可以表示为：
Figure BDA00027453284100001015
锂电池SOC预估器中执行贝叶斯-蒙特卡洛算法，将产生的粒子集的权重不断的迭代运算，最后通过粒子加权求和的方式，得到锂电池荷电状态的预估值，即为向量
Figure BDA0002745328410000111
的第一个元素，表示为：
Figure BDA0002745328410000112
步骤三：基于步骤一建立的车辆复合电源动力***模型，将不同运行工况下需求功率Preq、锂电池荷电状态预估值SOCbat.e和超级电容的荷电状态SOCsc作为模糊逻辑控制器的输入，采用粒子群优化算法对模糊逻辑控制器的隶属度函数参数进行优化，经过逻辑关系输出超级电容充放电的控制信号比例因子Ksc，进而得到超级电容充放电控制信号Psc。
模糊逻辑控制器将输入信号SOCbat.e和SOCsc的模糊子集分别设置为：低L，中M，高H；将Preq和输出信号Ksc模糊子集分别设置为：较小TS，小S，中M，大B，较大TB。模糊逻辑控制器输入输出变量的隶属度函数采用梯形和三角形隶属度函数相结合，其论域和隶属度函数如图3所示。
三角形隶属度函数的表达式为：
Figure BDA0002745328410000113
梯形隶属度函数的表达式为：
Figure BDA0002745328410000114
隶属度函数曲线的形状由参数a，b，c，d确定，基于步骤三模糊逻辑控制器的隶属度函数，将参数点间的距离进行编码，得到待优化的参数m1到m10，均为实数，如图3隶属度函数曲线中的标注所示。
根据粒子群优化算法的思路，考虑锂电池的使用寿命，将优化目标设计为锂电池的损耗最小，粒子群算法优化隶属度函数的流程如图4所示，具体的步骤为：
(1)确定待优化的粒子群解空间维数d＝10，学习因子c1＝c2＝2，粒子群规模为30，惯性权重ω在2到0.5之间线性下降；
(2)初始化粒子群，包括粒子群的大小、随机位置和速度，经验粒子的位置初始值设为图3中优化前的参数位置编码值，其余29个粒子的初始位置值在变化范围内随机生成，迭代次数为50，速度最大值设为0.08；
(3)根据f(x)计算出每个粒子的对应的适应度值；
(4)将每个粒子当前的适应度值与其个体最优适应度值pbest比较，若较好则更新pbest；
(5)将每个粒子当前的适应度值与全局最优适应度值gbest比较，若较好则将该粒子的gbest值更新为全局最优值；
(6)根据位置更新公式和速度更新公式更新粒子的速度和位置；
(7)判断是否达到最大迭代次数，若满足继续步骤(8)，否则返回步骤(2)继续执行；
(8)输出整个粒子群的全局最优适应度值gbest，结束寻优操作。
将全局最优适应度值gbest对应的隶属度函数参数输出，并将该结果作为新的模糊逻辑控制器的隶属度函数。
进一步，模糊逻辑控制器的输入输出逻辑关系采用Mamdami模型推理方法，规则表如下表所示：
Figure BDA0002745328410000131
复合电源动力***模型通过Matlab工作空间向粒子群算法.m文件传递优化目标函数所需要的实时值，粒子群算法将更新的粒子传递到***模型中用于计算优化目标，***执行过程如图5所示。
模糊逻辑控制器的输出参数为Ksc，超级电容充放电控制信号表示为：
Psc＝Ksc·Preq
锂电池充放电控制信号表示为：
Pbat＝(1-Ksc)·Preq
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
本发明涉及车辆复合电源***能量管理技术领域，一种车辆复合电源能量管理***及方法，主要包括复合电源管理单元，模糊逻辑控制器，粒子群优化算法，复合电源管理单元的作用是采集锂电池和超级电容的运行参数处理后将荷电状态值输出到模糊逻辑控制器中，同时接收模糊逻辑控制器的输出信号控制复合电源的输出；模糊逻辑控制器的作用是将输入的锂电池SOC预估值、超级电容SOC和需求功率通过逻辑关系得到超级电容的充放电控制信号。

Claims (4)

1.一种车辆复合电源能量管理***，其特征在于：按如下的步骤进行步骤一：建立车辆复合电源动力***模型；
建立锂电池电路模型：
Figure FDA0004048094840000011
Figure FDA0004048094840000012
UL＝Ubat-ibatRbat
其中，SOCbat是锂电池实时的荷电状态SOC值；SOCbat.ini是锂电池的初始SOC值；QN为锂电池的额定容量；ibat表示锂电池的充放电电流，在一段时间内的积分累计值表示锂电池已使用容量；Ubat和Rbat分别为锂电池的开路电压和欧姆内阻；Pbat为锂电池的功率，UL是锂电池负载电压，
锂电池的负载电压不允许超过开路电压，因此锂电池的最大充放电电流为：
Figure FDA0004048094840000013
其中，Imax为锂电池的最大充放电电流，电池的充放电电流ibat在输出前必须与最大充放电电流Imax比较，如果充放电电流超过Imax时，则输出Imax，
锂电池容量损耗模型采用Arrhenius模型，容量累计损耗为：
Figure FDA0004048094840000014
其中，CRate为电池充放电倍率，
Figure FDA0004048094840000015
i1c为1C充放电电流；R为气体常数，取8.341J/(mol·K)；Tbat为电池温度，单位为K；t(k+1)-t(k)为仿真步长时间间隔，单位为s，k表示k时刻，k+1表示k+1时刻；建立超级电容电路模型
Figure FDA0004048094840000021
Figure FDA0004048094840000022
其中，SOCsc是超级电容的荷电状态值，Usc.max和Usc.min分别为超级电容的最大和最小电压，Usc为超级电容的实时电压，Isc为超级电容的充放电电流，Rsc和Psc分别为超级电容的内阻和电功率；
建立复合电源***模型
Preq＝Pbat+Psc
其中，Preq为负载需求功率，Pbat和Psc分别为锂电池和超级电容的充放电功率，放电时功率为正，充电时功率为负；
步骤二、设计锂电池SOC预估器，预估算法采用贝叶斯-蒙特卡洛法估计得到锂电池的荷电状态SOCbat.e的值，
将贝叶斯-蒙特卡洛方法应用于锂电池荷电状态的估计，该方法通过一组具有相关权重的随机样本来近似概率密度函数：
Figure FDA0004048094840000023
其中，
Figure FDA0004048094840000024
为锂电池任意k时刻的荷电状态和开路电压所构成的列向量，表示k时刻生成的随机粒子集；Ubat.k表示k时刻锂电池的开路电压，SOCbat.k表示k时刻锂电池的荷电状态；
Figure FDA0004048094840000025
表示在Ubat.k条件下，产生随机粒子集
Figure FDA0004048094840000026
所服从的概率密度函数；
Figure FDA0004048094840000031
是k时刻从概率密度函数
Figure FDA0004048094840000032
表示的分布中提取的第i(i＝1～Ns)个随机粒子集，Ns表示随机粒子集的个数；
Figure FDA0004048094840000033
表示k时刻提取的第i个粒子集的权重；δ(·)表示Dirac函数，
k时刻的权重
Figure FDA0004048094840000034
以正态分布概率密度函数在k-1时刻的权重
Figure FDA0004048094840000035
的基础上更新，更新规律的推导式为：
Figure FDA0004048094840000036
其中，Ubat,k和
Figure FDA0004048094840000037
分别为k时刻锂电池开路电压的实测值和模型输出平均值，σ为其标准差，
Figure FDA0004048094840000038
表示在满足粒子集
Figure FDA0004048094840000039
的条件下Ubat.k所服从的概率密度函数，符合正态分布概率密度函数，
对所有粒子的权重进行归一化处理：
Figure FDA00040480948400000310
考虑所有粒子总权重后的预估结果可以表示为：
Figure FDA00040480948400000311
锂电池SOC预估器中执行贝叶斯-蒙特卡洛算法，将产生的粒子集的权重不断的迭代运算，最后通过粒子加权求和的方式，得到锂电池荷电状态的预估值，即为向量
Figure FDA00040480948400000312
的第一个元素，表示为：
Figure FDA00040480948400000313
步骤三、将不同运行工况下需求功率Preq、锂电池荷电状态预估值SOCbat.e和超级电容的荷电状态SOCsc作为模糊逻辑控制器的输入，采用粒子群优化算法对模糊逻辑控制器的隶属度函数参数进行优化，经过逻辑关系输出超级电容充放电的控制信号比例因子Ksc，进而得到超级电容充放电控制信号Psc＝Ksc·Preq，锂电池充放电控制信号Pbat＝(1-Ksc)·Preq。
2.根据权利要求1所述的一种车辆复合电源能量管理***，其特征在于：模糊逻辑控制器将输入信号SOCbat.e和SOCsc的模糊子集分别设置为：低L，中M，高H；将Preq和输出信号Ksc模糊子集分别设置为：较小TS，小S，中M，大B，较大TB，模糊逻辑控制器输入输出变量的隶属度函数采用梯形和三角形隶属度函数相结合，三角形隶属度函数的表达式为：
Figure FDA0004048094840000041
梯形隶属度函数的表达式为：
Figure FDA0004048094840000042
隶属度函数曲线的形状由参数a，b，c，d确定，基于步骤三模糊逻辑控制器的隶属度函数，将参数点间的距离进行编码，得到待优化的参数m1到m10，均为实数。
3.根据权利要求2所述的一种车辆复合电源能量管理***，其特征在于：根据粒子群优化算法的思路，考虑锂电池的使用寿命，将优化目标设计为锂电池的容量累计损耗最小，具体的步骤为：
(1)确定待优化的粒子群解空间维数d＝10，学习因子c1＝c2＝2，粒子群规模为30，惯性权重ω在2到0.5之间线性下降；
(2)初始化粒子群，包括粒子群的大小、随机位置和速度，经验粒子的位置初始值设为优化前的参数位置编码值，其余29个粒子的初始位置值在变化范围内随机生成，迭代次数为50，速度最大值设为0.08；
(3)计算出每个粒子的对应的适应度值；
(4)将每个粒子当前的适应度值与其个体最优适应度值pbest比较，若较好则更新pbest；
(5)将每个粒子当前的适应度值与全局最优适应度值gbest比较，若较好则将该粒子的gbest值更新为全局最优值；
(6)根据位置更新公式和速度更新公式更新粒子的速度和位置；
(7)判断是否达到最大迭代次数，若满足继续步骤(8)，否则返回步骤(2)继续执行；
(8)输出整个粒子群的全局最优适应度值gbest，结束寻优操作；
将全局最优适应度值gbest对应的隶属度函数参数输出，并将该结果作为新的模糊逻辑控制器的隶属度函数。
4.根据权利要求3所述的一种车辆复合电源能量管理***，其特征在于：模糊逻辑控制器的输入输出逻辑关系采用Mamdami模型推理方法，复合电源动力***模型通过Matlab工作空间向粒子群算法.m文件传递优化目标函数所需要的实时值，粒子群算法将更新的粒子传递到***模型中用于计算优化目标。
CN202011167418.3A 2020-10-27 2020-10-27 一种车辆复合电源能量管理*** Active CN112434463B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011167418.3A CN112434463B (zh) 2020-10-27 2020-10-27 一种车辆复合电源能量管理***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011167418.3A CN112434463B (zh) 2020-10-27 2020-10-27 一种车辆复合电源能量管理***

Publications (2)

Publication Number Publication Date
CN112434463A CN112434463A (zh) 2021-03-02
CN112434463B true CN112434463B (zh) 2023-04-07

Family

ID=74696280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011167418.3A Active CN112434463B (zh) 2020-10-27 2020-10-27 一种车辆复合电源能量管理***

Country Status (1)

Country Link
CN (1) CN112434463B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI784800B (zh) * 2021-11-16 2022-11-21 宏碁股份有限公司 電子裝置及其負載調整方法
CN114083997A (zh) * 2021-11-30 2022-02-25 四川轻化工大学 一种考虑温度影响的电动汽车能量管理策略优化方法
CN115092012B (zh) * 2022-07-20 2024-04-12 四川轻化工大学 考虑复合电源***多工作模式的等效荷电状态估计方法
CN115071449B (zh) * 2022-07-20 2024-04-19 无锡军工智能电气股份有限公司 一种基于多模糊控制器的复合电源能量管理方法
CN115906654B (zh) * 2022-12-14 2023-07-28 南京信息工程大学 一种用于EVs无线充电的基于模糊粒子群算法的控制方法
CN116702516B (zh) * 2023-08-03 2023-10-13 张家港格居信息科技有限公司 一种电源预算分配方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778653A (zh) * 2012-06-20 2012-11-14 哈尔滨工业大学 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法
CN103795373A (zh) * 2013-11-29 2014-05-14 电子科技大学中山学院 一种不完备***故障诊断的生成粒子滤波器方法
CN107103160A (zh) * 2017-05-25 2017-08-29 长沙理工大学 基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法
CN108074017A (zh) * 2017-12-26 2018-05-25 国网北京市电力公司 电动汽车充电负荷预测方法及装置
CN109164392A (zh) * 2018-08-22 2019-01-08 清华大学深圳研究生院 一种动力电池的soc估算方法
CN109492769A (zh) * 2018-10-31 2019-03-19 深圳大学 一种粒子滤波方法、***和计算机可读存储介质
CN110442941A (zh) * 2019-07-25 2019-11-12 桂林电子科技大学 一种基于改进粒子滤波与过程噪声多特征融合算法的电池状态跟踪与rul预测方法
CN110716148A (zh) * 2019-10-18 2020-01-21 兰州交通大学 一种复合动力储能实时安全监测***
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***能量实时优化方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778653A (zh) * 2012-06-20 2012-11-14 哈尔滨工业大学 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法
CN103795373A (zh) * 2013-11-29 2014-05-14 电子科技大学中山学院 一种不完备***故障诊断的生成粒子滤波器方法
CN107103160A (zh) * 2017-05-25 2017-08-29 长沙理工大学 基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法
CN108074017A (zh) * 2017-12-26 2018-05-25 国网北京市电力公司 电动汽车充电负荷预测方法及装置
CN109164392A (zh) * 2018-08-22 2019-01-08 清华大学深圳研究生院 一种动力电池的soc估算方法
CN109492769A (zh) * 2018-10-31 2019-03-19 深圳大学 一种粒子滤波方法、***和计算机可读存储介质
CN110442941A (zh) * 2019-07-25 2019-11-12 桂林电子科技大学 一种基于改进粒子滤波与过程噪声多特征融合算法的电池状态跟踪与rul预测方法
CN110716148A (zh) * 2019-10-18 2020-01-21 兰州交通大学 一种复合动力储能实时安全监测***
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***能量实时优化方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Fuzzy energy management strategy for hybrid electric vehicles on battery state-of-charge estimation by particle filter;Feng Na等;《SN Applied Sciences》;20220904;第4卷(第10期);第1-11页 *
State‐of‐Charge estimation of Li‐ion battery at different temperatures using particle filter;Sangwan V等;《The Journal of Engineering》;20191231(第18期);第5320-5324页 *
一种基于优化粒子滤波的锂电池SOC估计算法;吴兰花等;《福州大学学报（自然科学版）》;20180430;第46卷(第2期);第186-191页 *
基于改进粒子滤波算法的动力锂离子电池荷电状态估计;刘淑杰等;《大连理工大学学报》;20200731;第60卷(第4期);第392-401页 *
基于粒子群优化模糊控制的双源混合动力***能量管理策略研究;曾甜;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200715(第7期);第C035-532页 *

Also Published As

Publication number Publication date
CN112434463A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN112434463B (zh) 一种车辆复合电源能量管理***
Li et al. Battery optimal sizing under a synergistic framework with DQN-based power managements for the fuel cell hybrid powertrain
CN109987000B (zh) 一种动力电池温度预测***及方法
Wang et al. Energy management strategy of hybrid energy storage system for electric vehicles based on genetic algorithm optimization and temperature effect
CN110133507B (zh) 一种基于narx-ukf算法的电池剩余电量估计方法
CN112215434A (zh) 一种lstm模型的生成方法、充电时长预测方法及介质
CN104512266B (zh) 汽车起动过程中的供电管理方法和汽车供电***
CN113815437B (zh) 燃料电池混合动力汽车的预测性能量管理方法
CN112345940B (zh) 基于soc预估的车辆复合电源***模糊逻辑控制方法
Pan et al. Exponential Smoothing and Particle Filter
CN111079349B (zh) 一种锂电池与超级电容复合电源***能量实时优化方法
CN115230485A (zh) 基于短期功率平滑预测的燃料电池公交车能量管理方法
Jia et al. Energy management strategy of fuel cell/battery hybrid vehicle based on series fuzzy control
CN114545279A (zh) 一种基于神经网络常微分方程的锂电池健康状态估计方法
CN113076688A (zh) 一种锂离子动力电池效能状态评估方法
CN113013509A (zh) 一种基于动态规划的锂离子电池快速充电方法及***
CN110466388B (zh) 一种复合储能电动汽车能量管理方法
CN115360738B (zh) 一种考虑可控域约束的电动汽车一次调频控制方法
Guo et al. A lifetime extended energy management strategy for fuel cell hybrid electric vehicles via self-learning fuzzy reinforcement learning
CN115511203A (zh) 基于锂电池荷电状态估计电动船舶航程优化方法及***
Cheng et al. Power prediction method of lithium-ion battery for unmanned vehicles based on combined constraint intelligence algorithm
Zheng et al. State of power and state of charge estimation of vanadium redox flow battery based on an online equivalent circuit model
Yang et al. Fuzzy logic based energy management algorithm of a hybrid electric vehicle with range-extender
George et al. Fuzzy-based control strategy for supercapacitor assisted battery powered ev
Li et al. Rule and Q-learning based hybrid energy management for electric vehicle

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