CN112776673B - 智能网联燃料电池汽车实时能量优化管理*** - Google Patents

智能网联燃料电池汽车实时能量优化管理*** Download PDF

Info

Publication number
CN112776673B
CN112776673B CN202011409457.XA CN202011409457A CN112776673B CN 112776673 B CN112776673 B CN 112776673B CN 202011409457 A CN202011409457 A CN 202011409457A CN 112776673 B CN112776673 B CN 112776673B
Authority
CN
China
Prior art keywords
time
soc
value
power
fuel cell
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
CN202011409457.XA
Other languages
English (en)
Other versions
CN112776673A (zh
Inventor
杨惠策
胡云峰
宫洵
林佳眉
高金武
汪介瑜
于彤
陈虹
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202011409457.XA priority Critical patent/CN112776673B/zh
Publication of CN112776673A publication Critical patent/CN112776673A/zh
Application granted granted Critical
Publication of CN112776673B publication Critical patent/CN112776673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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)
  • Artificial Intelligence (AREA)
  • Transportation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Fuel Cell (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

一种智能网联燃料电池汽车实时能量优化管理***，属于燃料电池汽车优化控制领域。本发明的目的是提出了燃料电池汽车分层式实时能量滚动优化控制智能网联燃料电池汽车实时能量优化管理***。本发明设计宏观长时域的平均交通流速轨迹预测模块，设计微观短时域的车速预测模块，建立面向能量优化控制的燃料电池汽车动力***模型，建立能量优化管理问题，利用长时域预瞄信息，设计上层轨迹滚动优化控制器，利用短时域预瞄信息，设计下层能量滚动优化控制器，将求解得到的控制输入序列信号传递至燃料电池汽车的功率执行控制单元。本发明挖掘智能网联交通环境下燃料电池汽车的节能空间，显著提高了智能网联环境下燃料电池汽车的燃料经济性。

Description

智能网联燃料电池汽车实时能量优化管理***
技术领域
本发明属于燃料电池汽车优化控制领域。
背景技术
随着我国汽车保有量的不断增加，能源消耗问题和环境污染问题日益严重，节约能源和保护环境已经成为我国关注的核心问题。燃料电池汽车是一种对环境十分友好的新型清洁能源汽车。相比于传统的内燃机汽车，燃料电池的工作过程不受卡诺循环限制，能量转化效率高，并且终端排放产物是水，可以实现零排放和零污染。实现氢能及燃料电池汽车的大规模应用，燃料电池汽车保有量达到100万辆左右；同时完全掌握燃料电池核心关键技术，建立完备的燃料电池材料、部件、***的制备与生产产业链。
燃料电池汽车由燃料电池和动力电池两个动力源共同为汽车提供动力。燃料电池是燃料电池混合动力***的核心能源，它具有较高的功率密度，在保证车辆正常运行的过程中起主要作用，但其动态响应速度较慢，较难适应负载的频繁变化；动力电池是燃料电池混合动力***的辅助能源，它的功率密度较低，但具有较快的动态响应速度，能够较好的应对负载变化较大的情况，在汽车运行时提供燃料电池无法提供的部分能量。同时，当汽车处于刹车制动状态时，汽车的电机工作模式会由电动机模式变成发电机模式，动力电池可回收汽车刹车制动时产生的再生制动能量，为自身充电，一定程度上可以避免能源的浪费。两种动力源协同工作，弥补了燃料电池响应速度慢和动力电池功率密度小的缺点。
燃料电池汽车的能量流动方向复杂，且其工作效率随功率的增加呈现先上升后下降的趋势，并不是简单的线性关系，在燃料电池汽车***中需要有能量管理策略合理地分配各动力源的功率，使燃料电池尽可能工作在高效率区间，动力电池充分利用回收制动能量。能量管理策略是提升燃料经济性的核心所在，因此设计一个优良的能量管理***对于燃料电池汽车来说有着至关重要的意义。另外，随着人工智能、传感器技术和云计算的迅速发展，智能网联汽车是未来汽车发展的必然趋势，智能网联汽车利用自身传感器感知周围环境，并通过通信设备与其他车辆进行信息交互，得到多源化的行驶预瞄信息。利用这些多源预瞄信息，车辆控制***结合云计算给出的参考信息有预见性的对燃料电池汽车进行能量优化管理，能够为车辆的燃料经济性提供更大的提升空间。
专利CN108944900A公开了一种燃料电池汽车能量管理控制方法，该发明根据当前车辆的行驶需求功率，结合动力电池的电量状态制定了燃料电池和动力电池的功率分配策略。但是，该发明是一种基于规则的瞬时能量管理策略，只能根据当前的车辆状态对能量分配进行决策，无法让燃料电池和动力电池的工作效率达到最优。另外，该发明并未涉及智能网联环境下的汽车能量管理策略，车辆的节能潜力没有得到充分挖掘。
专利CN109795373A公开了一种基于耐久性的燃料电池商用车能量管理控制方法，该发明采用模糊逻辑策略对燃料电池和动力电池的输出功率进行分配，较好的提高了燃料电池汽车的燃料经济性。但该策略需要在已知固定驾驶工况的情况下设计相应的功率分配模糊逻辑，且只能离线运算，在面对未知的、具有高度不确定性的复杂交通环境下具有较大的应用局限性。
专利CN110696815A公开了一种网联式混合动力汽车的预测能量管理方法，该发明将油电混合动力汽车作为研究对象，通过引入网联信息，对发动机和动力电池的能量进行分配。但该发明并未涉及对于燃料电池汽车的能量优化管理策略，燃料电池不同于发动机，在工作时不能频繁启停，具有更严苛的约束条件，相对油电混合的动力汽车，燃料电池汽车的能量管理设计难度更大。
综上所述，虽然目前公开的专利已经涉及了一些燃料电池汽车能量管理的解决方案，但是基本都是基于规则设计的方法，难以得到最优的燃料经济性，而想要得到最优的燃料经济性，所要用到的算法计算量大，需要提前知道完整的工况信息，且只能离线运算。为了解决优化算法的实时性与节能效果的矛盾，进一步挖掘智能网联交通环境下燃料电池汽车的节能潜力，设计智能网联燃料电池汽车实时能量优化管理***是亟待解决的问题也充满了挑战。
发明内容
本发明的目的利用历史车速序列预测短时域的车速信息，并结合长时域的车速预瞄信息及多动力源***模型，提出了燃料电池汽车分层式实时能量滚动优化控制智能网联燃料电池汽车实时能量优化管理***。
本发明步骤是：
步骤一：设计宏观长时域的平均交通流速轨迹预测模块；
其特征在于：
步骤二：设计微观短时域的车速预测模块
神经网络包含三层结构，即输入层、隐含层和输出层。输入向量定义为m(k)，输出向量定义为
Figure GDA0002994279790000021
BPNN的结构可以由带权重和阈值的离散模型表示
Figure GDA0002994279790000022
其中，w1是输入层和隐含层之间的权重，w2是隐含层和输出层之间的权重，b1是隐含层神经元的阈值，b2是输出层神经元的阈值，m(k)代表输入的历史车速序列，
Figure GDA0002994279790000023
代表输出的预测车速序列，g(h)是隐含层到输出层的激活函数，其传递函数
Figure GDA0002994279790000024
步骤三：建立面向能量优化控制的燃料电池汽车动力***模型
3.1建立汽车纵向行驶动力学模型
燃料电池汽车参数：电机传动效率ηt_veh(％)、旋转元件的质量系数σveh(-)、重力加速度g(m/s2)、空气阻力系数CD_veh(-)、空气密度ρair(kg/m3)、汽车质量mveh(kg)、迎风面积Aveh(m2)、滑动阻力系数f(-)、路面坡度θroad(-)；
车辆的需求功率
Figure GDA0002994279790000025
其中Pveh_req是车辆的需求功率，f是滑动阻力系数，ηt_veh是电机传动效率，σveh是旋转元件的质量系数，mveh是汽车质量，g是重力加速度，θroad是路面坡度，Aveh是汽车的迎风面积，ρair是空气密度，CD_veh是空气阻力系数，
Figure GDA0002994279790000026
是车辆的速度Vveh对于时间t的微分；
3.2建立燃料电池电堆效率模型
燃料电池的耗氢量
Figure GDA0002994279790000031
Figure GDA0002994279790000032
其中，Pfc_req是燃料电池的输出功率，ηfc_st是燃料电池的工作效率，
Figure GDA0002994279790000033
是氢气的低热值；
3.3建立动力电池SOC模型
Pbatt_req＝Pveh_req-Pfc_req (5)
其中，Pbatt_req是动力电池的输出功率；
动力电池的SOC动态方程为
Figure GDA0002994279790000034
其中，Voc_batt是动力电池的开路电压，Rint_batt是动力电池的内阻，Qbatt是动力电池的总电量，
Figure GDA0002994279790000035
是动力电池荷电状态SOC的导数；
步骤四：建立能量优化管理问题
4.1燃料电池的输出功率Pfc_req状态方程为：
Figure GDA0002994279790000036
上式可以通过公式
Figure GDA0002994279790000037
表示；
最小化预测时域[t0,tf]内的***耗氢量：
Figure GDA0002994279790000038
其中，J是满足***终端约束的条件下预测时域内的总耗氢量，t0是预测时域的起始时间，tf是预测时域的终止时间，u是控制输入变量，U是控制输入变量的取值集合，
Figure GDA0002994279790000039
代表***在t时刻的耗氢量是与t时刻的控制输入u(t)变量有关的函数，控制输入变量取u＝Pfc_req，状态变量取x＝SOC，φ(x(tf))是状态变量的终端约束；
4.2满足的约束条件如下：
(1)需要满足燃料电池的输出功率约束：
Pfc_low≤Pfc_req(t)≤Pfc_up (10)
其中，Pfc_low是燃料电池的最小输出功率，Pfc_up是燃料电池的最大输出功率，Pfc_req(t)是燃料电池在t时刻的输出功率；
(2)需要满足动力电池SOC的动态方程及状态约束：
Figure GDA0002994279790000041
其中，SOCbegin是动力电池在初始时刻的SOC值，SOClow是动力电池的SOC最小值，SOCup是动力电池SOC的最大值，SOC(t)代表t时刻动力电池SOC的值，SOC(t0)代表初始时刻动力电池SOC的值,SOC(tf)代表终端时刻动力电池SOC的值；
(3)需要满足动力电池的功率约束
Pbatt_low≤Pbatt_req(t)≤Pbatt_up (12)
其中，Pbatt_low是动力电池最大充电功率，Pbatt_up是动力电池最大放电功率,Pbatt_req(t)是t时刻动力电池的输出功率；
(4)需要满足汽车运行时的需求功率
Pveh_req(t)＝Pbatt_req(t)+Pfc_req(t) (13)
其中，Pveh_req(t)是t时刻汽车的需求功率，Pbatt_req(t)是动力电池在t时刻的输出功率；
步骤五：利用长时域预瞄信息，设计上层SOC轨迹滚动优化控制器
5.1上层SOC轨迹滚动优化控制器优化问题
将该时间尺度下的预测时域[t0,m,tf,m]离散成Nm等份，其中，t0,m为该预测时域的起始时间，tf,m为该预测时域的终止时间，离散时间记为k∈{1,2,...,Nm+1},得到优化目标：
Figure GDA0002994279790000042
其中，J是满足终端约束条件下***所有采样时刻的总耗氢量，φ(x(Nm+1))是状态变量的终端约束，
Figure GDA0002994279790000051
代表耗氢量是与k时刻的控制输入u(k)有关的函数，Δt是相邻两车速信息间的采样时间间隔，控制变量u(k)是燃料电池在k时刻的输出功率Pfc_req_m(k)；
满足的具体约束条件是：
(1)满足燃料电池的输出功率约束：
Pfc_low≤Pfc_req_m(k)≤Pfc_up (15)
(2)满足该时域下动力电池SOC的动态方程及状态约束：
Figure GDA0002994279790000052
其中，SOCm(k+1)是在k时刻动力电池SOCm(k)经控制输入作用后得到的该时域下一时刻动力电池SOC的值，即动力电池在k+1时刻SOC的值，Voc_batt_m(k)是该时域下k时刻动力电池的开路电压，Rint_batt_m(k)是该时域下k时刻动力电池的内阻，Pveh_req_m(k)是汽车在k时刻的需求功率，Pfc_req_m(k)是该时域下k时刻燃料电池的输出功率，SOCm(k)是该时域下k时刻动力电池的荷电状态值，SOCm(1)是该时域下动力电池SOC初始时刻的值，SOCm(Nm+1)是该时域下动力电池SOC终端时刻的值；
(3)满足动力电池的输出功率约束：
Pbatt_low≤Pbatt_req_m(k)≤Pbatt_up (17)
其中，Pbatt_req_m(k)是该时域下动力电池在k时刻的输出功率；
(4)满足汽车运行时的需求功率
Pveh_req_m(k)＝Pfc_req_m(k)+Pbatt_req_m(k) (18)；
5.2划分关于***状态及控制变量的网格
将状态变量动力电池划分出81个状态网格；燃料电池输出功率从开始增幅递增81个控制变量网格；
5.3计算代价成本
在控制变量u(k)的作用下，状态变量x(k)会经状态转移方程计算后得到新的状态变量x(k+1)，从1时刻开始，不同的控制变量网格作用在状态变量网格上会得到下一时刻的状态变量网格，产生对应的代价成本J(k)，同时新的控制变量网格作用到该时刻的状态变量网格上，产生下一时刻对应的代价成本J(k+1)直到整个驾驶循环工况计算完成，产生的成本可由公式
Figure GDA0002994279790000061
计算得到，将每一次从前向后迭代计算产生的代价成本存储在网格中；
5.4确定最优决策
确定终端时刻k＝Nm+1的状态变量的值，即x(Nm+1)，对应初始目标函数J(Nm+1)＝0，则从终端时刻的上一时刻开始有：
Figure GDA0002994279790000062
其中，J*(k)表示第k时刻***状态变量为x(k)时的耗氢量的最小值。L(x(k),u(k))表示第k时刻，***处在状态变量x(k)经控制输入u(k)作用后产生的耗氢量，即状态转移成本，J*(k+1)为上一时刻***状态变量为x(k+1)时的耗氢量最小值，从每一时刻选取使得代价成本函数最小值时对应的状态变量，即可得到最优的状态变量序列{x*(1),x*(2),...,x*(k)}，即最优的动力电池SOC序列SOC*；
步骤六：利用短时域预瞄信息，设计下层能量滚动优化控制器
6.1接收当前采样时刻下预测时域内的SOC*轨迹序列，读取当前动力电池的SOC值；
6.2下层的能量滚动优化控制器优化问题
将微观短时域[t0,n,tf,n]的车速预瞄信息离散成Nn等份，离散时间记为s∈{1,2,...,Nn+1}，其中t0,n是该预测时域的起始时间，tf,n是该预测时域的终止时间，得到优化目标函数：
Figure GDA0002994279790000063
其中，ud是该时域下的控制输入，Ud是该时域下控制输入的取值范围内的控制输入取值集合，I是满足***终端约束的条件下***所有采样时刻动力电池SOC与SOC*差值的平方和及耗氢量的和，SOCn(s)是该时域下s时刻动力电池SOC的值，φ(xd(Nn+1))是状态变量的终端约束，ud(s)是该时域下控制输入在s时刻的值，
Figure GDA0002994279790000071
代表耗氢量是与控制输入ud(s)有关的函数，控制变量选取ud＝Pfc_req_n(s)，状态变量选取xd＝SOCn(s)，满足的具体约束条件是：
(1)满足燃料电池的输出功率约束：
Pfc_low＜Pfc_req_n(s)＜Pfc_up (21)
(2)满足动力电池SOC的动态方程及状态约束：
Figure GDA0002994279790000072
其中，SOCn(s+1)是该时域下s时刻动力电池SOCn(s)经控制输入作用后得到的该时域下一时刻动力电池SOC的值，即动力电池在s+1时刻SOC的值，Voc_batt_n(s)是该时域下s时刻动力电池的开路电压，Pveh_req_n(s)是该时域下s时刻汽车的需求功率，Pfc_req_n(s)是该时域下s时刻燃料电池的输出功率，Rint_batt_n(s)是该时域下s时刻动力电池的内阻，SOCn(1)是该时域下初始时刻动力电池SOC的值，SOCn(Nn+1)是该时域下终端时刻动力电池SOC的值；
(3)满足动力电池的输出功率约束：
Pbatt_low≤Pbatt_req_n(s)≤Pbatt_up (23)
(4)满足汽车运行时的需求功率：
Pveh_req_n(s)＝Pfc_req_n(s)+Pbatt_req_n(s) (24)
6.3构造哈密顿函数
H(xd(s),ud(s),λ(s),s)＝(SOCn(s)-SOC*(s))2·Δt
+((WH2_fc(ud(s))·Δt+λ(s)ΔSOCn(s), (25)
其中，H(xd(s),ud(s),λ(s),s)代表哈密顿函数与状态变量在s时刻的值xd(s)、控制输入在s时刻的值ud(s)、协态变量在s时刻的值λ(s)和当前时刻s有关，优化需要满足的必要性条件如下：
Figure GDA0002994279790000081
λ(s+1)＝λ(s)+Δλ(s)·Δt, (26)
其中，Δλ(s)是相邻两时刻协态变量的差值，
Figure GDA0002994279790000082
代表s时刻哈密顿函数对动力电池SOC求偏导的值，λ(s+1)是在s时刻协态变量λ(s)经计算后得到的该时域下下一时刻协态变量的值，即协态变量在s+1时刻的值。同时，最优控制输入
Figure GDA0002994279790000083
需要在每个采样时刻保证哈密顿函数最小，即需要满足以下公式：
Figure GDA0002994279790000084
其中，
Figure GDA0002994279790000085
是状态变量在s时刻的最优值，
Figure GDA0002994279790000086
是控制输入在s时刻的最优值，λ*(s)是协态变量在s时刻的最优值，
Figure GDA0002994279790000087
代表最优哈密顿函数与状态变量在s时刻的最优值
Figure GDA0002994279790000088
控制输入在s时刻的最优值
Figure GDA0002994279790000089
协态变量在s时刻的最优值λ*(s)和当前时刻s有关，
Figure GDA00029942797900000810
代表哈密顿函数与状态变量在s时刻的最优值
Figure GDA00029942797900000811
控制输入在s时刻的值ud(s)、协态变量在s时刻的最优值λ*(s)和当前时刻s有关；
6.4求解最优控制输入序列
(1)设定初始时刻的状态变量SOC0，并通过二分法计算初始时刻的协态变量初值λ0；
(2)哈密顿函数值最小时的控制输入即为最优控制输入
Figure GDA00029942797900000812
Figure GDA00029942797900000813
Ud(s)＝[ud_low(s):Δud(s):ud_up(s)], (28)
其中，Δud(s)是该时域下在s时刻控制输入相邻两等份的差值，ud_up(s)是控制输入在s时刻约束范围内的最大值，ud_low(s)是控制输入在约束范围内的最小值，Ud(s)是该时域下控制输入在s时刻的取值集合；
(3)根据最优控制输入作用
Figure GDA00029942797900000814
在状态转移方程的结果，计算下一采样时刻的状态变量SOC值及协态变量λ的值，重复步骤2)直至最后一个采样时刻；
(4)对SOC值最后的末端边界误差值进行判断，若误差在设定的范围内则结束计算，否则需要重新输入λ0，并在λ设定的取值范围内通过二分法来确定在误差允许范围内协态变量λ的值，重复步骤2)，全部计算完成后即可得到最优的控制输入序列；
步骤七：将求解得到的控制输入序列信号传递至燃料电池汽车的功率执行控制单元。
本发明面向智能网联环境下的燃料电池汽车，提出了智能网联燃料电池汽车实时能量优化管理***，解决了现有能量优化研究算法中存在的优化实时性和节能效果的矛盾，进一步挖掘智能网联交通环境下燃料电池汽车的节能空间，显著提高了智能网联环境下燃料电池汽车的燃料经济性。
附图说明
图1为燃料电池汽车动力与传动部分结构图；
图2为智能网联燃料电池汽车实时能量优化管理***简图；
图3为智能网联燃料电池汽车实时能量优化管理***工作流程图；
图4为BPNN算法预测短期车速的示意图；
图5为多时间尺度车速信息预测示意图；
图6为燃料电池的工作效率曲线图；
图7为动力电池内阻与SOC关系曲线图；
图8为选取的拥堵工况驾驶循环(LA92)的车速曲线图；
图9为拥堵工况驾驶循环(LA92)下上层SOC轨迹滚动优化控制器计算得到的动力电池最优SOC*轨迹；
图10为拥堵工况驾驶循环(LA92)的车速曲线与BPNN预测的车速曲线对比图；
图11为拥堵工况驾驶循环(LA92)下上层SOC轨迹滚动优化控制器计算得到的参考最优SOC*轨迹与下层能量滚动优化控制器计算得到的实际SOC曲线的对比图；
图12为拥堵工况驾驶循环(LA92)下汽车的需求功率与下层能量滚动优化控制器计算得到的燃料电池输出功率、动力电池输出功率结果曲线图；
图13为拥堵工况驾驶循环(LA92)下能量滚动优化控制器每一采样时刻求解燃料电池与动力电池输出功率所需的计算时间曲线；
图14为拥堵工况驾驶循环(LA92)下智能网联燃料电池汽车实时能量优化管理***计算得到的耗氢量曲线；
图15为拥堵工况驾驶循环(LA92)下智能网联燃料电池汽车实时能量优化管理***计算得到的耗氢量与基于规则的能量管理策略计算得到的耗氢量及离线全局最优耗氢量的结果对比图。
具体实施方式
现有挖掘智能网联交通环境下燃料电池汽车的主要挑战和问题包括：1、网联环境下获得的宏观与微观交通预瞄信息随着时间和空间的迁移而动态更新，如何利用丰富多源的预瞄信息设计高效的能量优化管理***实现燃料电池汽车的预测节能是一个挑战；2、燃料电池频繁启停会导致性能衰减,动力电池的荷电状态(State of Charge,SOC)只有处在合适的工作范围内才具有较高的工作效率，在燃料电池混合动力汽车行驶过程中对燃料电池电堆的启停和动力电池SOC的范围需要严格限制，设计带有约束条件的多动力源实时能量优化算法又是一个挑战。
本发明的步骤是：
步骤一：设计宏观长时域的平均交通流速轨迹预测模块。网络终端通过收集电子地图、全球定位***(Global Positioning System,GPS)及网联交通中的其他车辆的驾驶信息，利用云计算资源生成宏观长时域(600秒)的平均交通流速轨迹预瞄信息，并按照300秒一次的频率实时动态更新。
步骤二：设计微观短时域的车速预测模块。结合宏观长时域的平均交通流速轨迹信息，根据车辆过去5秒的历史车速序列，利用反向传播神经网络算法(Back PropagationNeural Network,BPNN)，生成预瞄的微观短时域(5秒)的车速信息，并按照1秒一次的频率实时动态更新。
步骤三：建立面向能量优化控制的燃料电池汽车动力***模型。建立汽车纵向行驶动力学模型、燃料电池电堆效率模型、动力电池SOC模型；根据宏观长时域的平均交通流速轨迹信息和微观短时域的车速预瞄信息，计算汽车的需求功率。
步骤四：建立能量优化管理问题描述。选取控制输入变量，建立能量优化管理问题描述，确定优化问题的约束条件。
步骤五：利用长时域预瞄信息，设计上层SOC轨迹滚动优化控制器。根据云计算资源提供的宏观长时域的平均交通流速轨迹信息及步骤二计算出的需求功率，在保证满足***终端约束的条件下以燃料电池汽车的耗氢量最小为目标，提出了基于动态规划算法(DynamicProgramming,DP)的滚动优化问题在线求解算法，利用云计算资源求解出该时域下最优的动力电池SOC轨迹。
步骤六：利用短时域预瞄信息，设计下层能量滚动优化控制器。将SOC轨迹滚动优化控制器优化出的动力电池参考SOC轨迹(SOC*)作为下层能量滚动优化控制器的参考输入，在保证满足***终端约束的同时以微观短时域下实际的动力电池SOC对上层SOC轨迹滚动优化控制器给出的SOC*轨迹跟踪误差及耗氢量最小为目标，在庞特里亚金极大值原理(Pontryagin Maximum Principle,PMP)的理论框架下，提出了燃料电池汽车能量滚动优化问题在线求解算法，求解出该短时域下燃料电池和动力电池的输出功率序列，即***最优的控制输入序列。
步骤七：将求解得到的控制输入序列信号传递至燃料电池汽车的功率执行控制单元。
步骤八：进行实验仿真，评估所设计的实时能量优化管理***的节能效果。
本发明采集的信息包括通过GPS采集的位置信息、坡度信息，通过电子地图采集的路线信息，通过网联通信采集的路***通灯信息，其他车辆的行驶状态信息等。
本发明面向智能网联环境下的燃料电池汽车，利用云计算资源提供的交通预瞄信息，考虑燃料电池的动力特性和频繁启停导致性能衰减的问题，提出了智能网联燃料电池汽车实时能量优化管理***，挖掘智能网联交通环境下的燃料电池汽车的节氢潜力。
本发明涉及的多尺度动态交通预瞄网联信息包括：宏观长时域(分钟级)的平均交通流速轨迹信息和微观短时域(秒级)的车速预瞄信息。其中，长时域的平均交通流速轨迹信息由云计算数据处理中心处理后，提供给燃料电池汽车，且以固定时间动态更新(通常5-10分钟)。短时域的车速轨迹预瞄信息(通常5-10秒)可以结合目标车辆的历史车速序列和长时域的平均交通流速轨迹信息等数据通过机器学习的方法(本发明以BPNN为例)实时学习得到。
本发明结合宏观长时域与微观短时域两种不同时间尺度的交通信息，针对燃料电池汽车多动力源能量协调优化问题，考虑拥堵行驶状态下的***安全约束，提出了燃料电池汽车分层式实时能量滚动优化控制方法，其中包括1)上层SOC轨迹滚动优化控制器和2)下层能量滚动优化控制器，说明如下：
(1)上层SOC轨迹滚动优化控制器：利用云计算资源，将每300秒更新一次的前方600秒平均交通流速轨迹信息作为***的参考输入，在满足***终端约束的条件下以燃料的经济性最优为目标，应用DP算法求解到氢消耗最小情况下的动力电池的SOC轨迹SOC*。
(2)下层能量滚动优化控制器：车载控制器结合上层的平均交通流速轨迹信息、路口的交通灯信息、当前道路的坡度信息和过去5秒的历史车速序列，利用BPNN算法得到每1秒钟一次的频率预测未来5秒的微观短时域车速序列。车载控制器结合得到的短期车速预测序列，将上层SOC轨迹滚动优化控制器得到的最优动力电池SOC轨迹SOC*作为本层的参考输入，在保证满足***终端约束的同时以微观短时域下动力电池SOC对上层SOC轨迹滚动优化控制器给出的SOC*轨迹跟踪误差及耗氢量最小为目标，在该短时域下，利用PMP算法求解燃料电池和动力电池的输出功率，得到最佳的功率分配方案。
本发明的燃料电池汽车动力与传动部分结构图如图1所示，燃料电池与动力电池分别通过单向DC/DC变换器和双向DC/DC变换器连接到电路总线，电路总线与电机之间通过双向DC/AC变换器连接，由电机驱动车轮旋转，为汽车的行驶提供动力。
本发明智能网联燃料电池汽车实时能量优化管理***简图，如图2所示。具体实施方式为：网络终端采集汽车的位置信息、目的地信息及其它网联车辆的交互信息等信息上传到云计算数据处理中心。云计算数据处理中心对采集的信息处理后，按照每300秒一次的更新频率生成宏观长时域的平均交通流速轨迹信息(600秒)并发送至目标车辆，车载控制器结合上层的平均交通流速轨迹信息、路口的交通灯信息、当前道路的坡度信息和过去5秒的历史车速序列，利用BPNN算法按照每1秒更新一次的频率预测未来5秒的微观短时域车速序列。然后建立汽车纵向行驶动力学模型、燃料电池电堆效率模型、电池SOC模型和实时能量优化管理***，并建立实时能量优化管理问题的问题描述，确定优化问题的约束条件。在实时能量优化管理***中，上层SOC轨迹滚动优化控制器结合每300秒更新一次的前方600秒宏观长时域的平均交通流速信息及需求功率，在满足***终端约束的条件下以耗氢量最小为目标，云计算资源采用DP算法求解出该时域下动力电池的SOC轨迹SOC*。下层能量滚动优化控制器将最优的SOC轨迹(SOC*)作为参考输入，车载控制器在保证满足***终端约束的同时以微观短时域下动力电池SOC对上层SOC轨迹滚动优化控制器给出的SOC*轨迹跟踪误差及耗氢量最小为目标，得到***的燃料电池功率与动力电池功率序列，即最优控制输入序列。最后将得到的最优控制输入序列信号传递至燃料电池汽车的功率执行控制单元。对所设计的***进行实验仿真，验证所设计的***对于燃料电池汽车的节能效果。具体地：
智能网联燃料电池汽车实时能量优化管理***工作流程图如图3所示，具体包括以下步骤：
1、设计宏观长时域的平均交通流速轨迹预测模块。
网络终端通过收集电子地图、GPS及网联交通中的其他车辆的驾驶信息，利用云计算资源生成预瞄的宏观长时域(600秒)的平均交通流速轨迹信息，传递给燃料电池汽车，并按照300秒一次的频率实时动态更新。
2、设计微观短时域的车速预测模块
车载控制器结合宏观长时域的平均交通流速轨迹信息、路口的交通灯信息、当前道路的坡度信息和过去5秒的历史车速序列，利用BPNN算法，生成微观短时域(5秒)的车速预瞄信息，并按照1秒一次的频率实时动态更新。
BPNN算法预测短期车速的示意图如图4所示，神经网络包含三层结构，即输入层、隐含层和输出层。输入向量定义为m(k)，输出向量定义为
Figure GDA0002994279790000111
BPNN的结构可以由带权重和阈值的离散模型表示，如公式(1)所示：
Figure GDA0002994279790000112
其中，w1是输入层和隐含层之间的权重，w2是隐含层和输出层之间的权重，b1是隐含层神经元的阈值，b2是输出层神经元的阈值，m(k)代表输入的历史车速序列，
Figure GDA0002994279790000113
代表输出的预测车速序列，g(h)是隐含层到输出层的激活函数。
其传递函数如公式(2)所示：
Figure GDA0002994279790000114
经过多种典型工况数据训练得到神经网络车速预测模型。在该模型中按照每1秒一次的频率输入5秒的车辆历史车速序列，即可滚动预测未来5秒的车速序列。图10为拥堵工况驾驶循环(LA92)的车速曲线与BPNN预测的车速曲线对比图，从图中可以看出BPNN算法预测出的车速曲线能够较高程度的与实际驾驶循环车速曲线吻合，具有良好的预测效果。
3、建立面向能量优化控制的燃料电池汽车动力***模型。
建立汽车纵向行驶动力学模型，燃料电池电堆效率模型、动力电
池SOC模型，结合宏观长时域的平均交通流速轨迹信息和微观短时域的车速预瞄信息，计算汽车的需求功率。
3.1建立汽车纵向行驶动力学模型
根据车速预瞄信息，计算汽车行驶时的需求功率。本专利的燃料电池汽车参数如表1所示：
表1：燃料电池汽车参数表
变量含义 符号及单位
电机传动效率 η<sub>t_veh</sub>(％)
旋转元件的质量系数 σ<sub>veh</sub>(-)
重力加速度 g(m/s<sup>2</sup>)
空气阻力系数 C<sub>D_veh</sub>(-)
空气密度 ρ<sub>air</sub>(kg/m<sup>3</sup>)
汽车质量 m<sub>veh</sub>(kg)
迎风面积 A<sub>veh</sub>(m<sup>2</sup>)
滑动阻力系数 f(-)
路面坡度 θ<sub>road</sub>(-)
根据云计算资源提供的宏观长时域的平均交通流速轨迹信息，利用公式(3)计算车辆的需求功率。
Figure GDA0002994279790000121
其中Pveh_req是车辆的需求功率，f是滑动阻力系数，ηt_veh是电机传动效率，σveh是旋转元件的质量系数，mveh是汽车质量，g是重力加速度，θroad是路面坡度，Aveh是汽车的迎风面积，ρair是空气密度，CD_veh是空气阻力系数，
Figure GDA0002994279790000122
是车辆的速度Vveh对于时间t的微分。
3.2建立燃料电池电堆效率模型
燃料电池是驱动燃料电池汽车行驶的主要能源，通过实验标定的方式得到本发明中涉及的燃料电池的工作效率曲线如图6所示。燃料电池的耗氢量
Figure GDA0002994279790000123
计算公式如下：
Figure GDA0002994279790000124
其中，Pfc_req是燃料电池的输出功率，ηfc_st是燃料电池的工作效率，
Figure GDA0002994279790000125
是氢气的低热值，数值为120000J/g，它表示燃烧1g氢气会产生120000J的能量。
3.3建立动力电池SOC模型
动力电池是燃料电池汽车的辅助能源，其输出功率为汽车需求功率与燃料电池输出功率的差值，如公式5所示：
Pbatt_req＝Pveh_req-Pfc_req, (5)
其中，Pbatt_req是动力电池的输出功率。
动力电池的SOC动态方程为
Figure GDA0002994279790000131
其中，Voc_batt是动力电池的开路电压，Rint_batt是动力电池的内阻，Qbatt是动力电池的总电量，
Figure GDA0002994279790000132
是动力电池荷电状态SOC的导数。
4、建立能量优化管理问题描述
选取控制输入变量，建立能量优化管理问题描述，确定优化问题的约束条件。
4.1建立能量优化管理问题描述
动力电池内阻与SOC关系曲线图如图7所示，其在SOC状态过高或过低时内阻较大，工作效率较低；燃料电池的寿命和工作性能会由于车辆运行过程中的频繁启停有所衰减。结合上述动力源的特性，优化过程中需要对燃料电池电堆的启停及动力电池SOC的范围进行严格限制。本发明选取动力电池的SOC作为状态变量，通过对燃料电池混合动力***工作原理的分析，可得开路电压Voc_batt与动力电池的内阻Rint_batt均是与动力电池SOC有关的函数，因而可将动态方程中的多个控制变量简化为一个控制变量，即燃料电池的输出功率Pfc_req，其状态方程为：
Figure GDA0002994279790000133
上式可以通过公式
Figure GDA0002994279790000134
表示。
优化目标是满足***终端约束的条件下最小化预测时域[t0,tf]内的***耗氢量：
Figure GDA0002994279790000135
其中，J是满足***终端约束的条件下预测时域内的总耗氢量，t0是预测时域的起始时间，tf是预测时域的终止时间，u是控制输入变量，U是控制输入变量的取值集合，
Figure GDA0002994279790000136
代表***在t时刻的耗氢量是与t时刻的控制输入u(t)变量有关的函数，控制输入变量取u＝Pfc_req，状态变量取x＝SOC，φ(x(tf))是状态变量的终端约束。
4.2确定优化问题的约束条件
智能网联燃料电池汽车实时能量优化管理***需要满足的约束条件如下：
(1)需要满足燃料电池的输出功率约束：
Pfc_low≤Pfc_req(t)≤Pfc_up, (9)
其中，Pfc_low是燃料电池的最小输出功率，Pfc_up是燃料电池的最大输出功率，Pfc_req(t)是燃料电池在t时刻的输出功率。
需要满足动力电池SOC的动态方程及状态约束：
Figure GDA0002994279790000141
其中，SOCbegin是动力电池在初始时刻的SOC值，SOClow是动力电池的SOC最小值，SOCup是动力电池SOC的最大值，SOC(t)代表t时刻动力电池SOC的值，SOC(t0)代表初始时刻动力电池SOC的值,SOC(tf)代表终端时刻动力电池SOC的值；
4.3需要满足动力电池的功率约束
Pbatt_low≤Pbatt_req(t)≤Pbatt_up, (11)
其中，Pbatt_low是动力电池最大充电功率，Pbatt_up是动力电池最大放电功率,Pbatt_req(t)是t时刻动力电池的输出功率；
4.4需要满足汽车运行时的需求功率
Pveh_req(t)＝Pbatt_req(t)+Pfc_req(t)， (12)
其中，Pveh_req(t)是t时刻汽车的需求功率，Pbatt_req(t)是动力电池在t时刻的输出功率。
结合以上确定的优化问题和约束条件，对***的最优控制量进行求解。多时间尺度车速信息预测示意图如图5所示。在上层，云计算资源按照每300秒一次的频率预测前方600秒的宏观长时域的平均交通流速轨迹信息,并将预测的交通流速轨迹信息传递到上层SOC轨迹滚动优化控制器和下层的车载控制器；在下层，车载控制器结合上层给出的交通流速轨迹信息、路口的交通灯信息、当前道路的坡度信息和过去5秒的历史车速序列，按照每1秒钟一次的频率预测前方5秒的微观短时域的车速预瞄信息，并将短时域的车速预瞄信息传递至下层能量滚动优化控制器。针对上下两层不同时间尺度的车速预瞄信息设计上层SOC轨迹滚动优化控制器(步骤5)和下层能量滚动优化控制器(步骤6)。具体阐述如下：
5、利用长时域预瞄信息，设计上层SOC轨迹滚动优化控制器。
结合宏观长时域的平均交通流速轨迹信息及需求功率，以燃料经济性最优为目标，设计上层SOC轨迹滚动优化控制器求解出该时域下动力电池的最优SOC轨迹SOC*。具体包含以下步骤：
5.1上层SOC轨迹滚动优化控制器优化问题描述
上层SOC轨迹滚动优化控制器利用云计算资源提供的每300秒更新一次的前方600秒宏观长时域的平均交通流速轨迹信息，在保证满足***终端约束的条件下以耗氢量最小为目标，利用云计算资源进行优化求解。在求解过程中，需要对数据进行采样，将该时间尺度下的预测时域[t0,m,tf,m]离散成Nm等份，其中，t0,m为该预测时域的起始时间，tf,m为该预测时域的终止时间，离散时间记为k∈{1,2,...,Nm+1},得到优化目标：
Figure GDA0002994279790000151
其中，J是满足终端约束条件下***所有采样时刻的总耗氢量，φ(x(Nm+1))是状态变量的终端约束，
Figure GDA0002994279790000152
代表耗氢量是与k时刻的控制输入u(k)有关的函数，Δt是相邻两车速信息间的采样时间间隔，控制变量u(k)是燃料电池在k时刻的输出功率Pfc_req_m(k)，轨迹滚动优化过程中需要保证动力电池初始的SOC值等于终端的SOC值，因为当动力电池初始的SOC与最终的SOC不同时，会产生等效氢消耗。如最终的SOC值比初始SOC值高时，认为燃料电池的一部分能量存储在动力电池中，并没有真的被消耗，同理，当动力电池最终的SOC值比初始的SOC值低时，认为动力电池替燃料电池额外消耗了能量。为避免动力电池产生额外的等效氢消耗的对耗氢量结果造成的干扰，便于对比耗氢量结果，需要约束最终的SOC与初始的SOC值相同。需要满足的具体约束条件是：
1、需要满足燃料电池的输出功率约束：
Pfc_low≤Pfc_req_m(k)≤Pfc_up； (14)
2、需要满足该时域下动力电池SOC的动态方程及状态约束：
Figure GDA0002994279790000153
其中，SOCm(k+1)是在k时刻动力电池SOCm(k)经控制输入作用后得到的该时域下一时刻动力电池SOC的值，即动力电池在k+1时刻SOC的值，Voc_batt_m(k)是该时域下k时刻动力电池的开路电压，Rint_batt_m(k)是该时域下k时刻动力电池的内阻，Pveh_req_m(k)是汽车在k时刻的需求功率，Pfc_req_m(k)是该时域下k时刻燃料电池的输出功率，SOCm(k)是该时域下k时刻动力电池的荷电状态值，SOCm(1)是该时域下动力电池SOC初始时刻的值，SOCm(Nm+1)是该时域下动力电池SOC终端时刻的值；
3、需要满足动力电池的输出功率约束：
Pbatt_low≤Pbatt_req_m(k)≤Pbatt_up, (16)
其中，Pbatt_req_m(k)是该时域下动力电池在k时刻的输出功率；
4、需要满足汽车运行时的需求功率
Pveh_req_m(k)＝Pfc_req_m(k)+Pbatt_req_m(k)， (17)
5.2划分关于***状态及控制变量的网格
为了应用DP方法，将状态变量动力电池的SOC从0.3开始以每格0.005的增幅递增至0.7，划分出81个状态网格；燃料电池输出功率从5kW开始以每格0.5625kW的增幅递增到50kW的81个控制变量网格。
5.3计算代价成本
在控制变量u(k)的作用下，状态变量x(k)会经状态转移方程计算后得到新的状态变量x(k+1)。从1时刻开始，不同的控制变量网格作用在状态变量网格上会得到下一时刻的状态变量网格，产生对应的代价成本J(k)。同时新的控制变量网格作用到该时刻的状态变量网格上，产生下一时刻对应的代价成本J(k+1)直到整个驾驶循环工况计算完成。产生的成本可由公式
Figure GDA0002994279790000161
计算得到，将每一次从前向后迭代计算产生的代价成本存储在网格中。
5.4确定最优决策
确定最优的控制输入序列需要通过从后向前迭代计算实现。优化问题的优化目标为满足终端约束的条件下，燃料电池汽车的耗氢量最小。首先确定终端时刻k＝Nm+1的状态变量的值(取值为SOCbegin)，即x(Nm+1)，对应初始目标函数J(Nm+1)＝0，则从终端时刻的上一时刻开始有：
Figure GDA0002994279790000162
其中，J*(k)表示第k时刻***状态变量为x(k)时的耗氢量的最小值。L(x(k),u(k))表示第k时刻，***处在状态变量x(k)经控制输入u(k)作用后产生的耗氢量，即状态转移成本。J*(k+1)为上一时刻***状态变量为x(k+1)时的耗氢量最小值。从每一时刻选取使得代价成本函数最小值时对应的状态变量，即可得到最优的状态变量序列{x*(1),x*(2),...,x*(k)}，即最优的动力电池SOC序列SOC*。
6、利用短时域预瞄信息，设计下层能量滚动优化控制器。
将上层SOC轨迹滚动优化控制器给出的最优SOC轨迹SOC*作为参考输入，结合由BPNN算法得到的每1秒更新一次的前方5秒微观短时域的车速预瞄信息，在保证满足***终端约束的同时以微观短时域下实际的动力电池SOCn对上层SOC轨迹滚动优化控制器给出的SOC*轨迹跟踪误差及耗氢量最小为目标，设计下层能量滚动优化控制器，利用车载控制器求解出该时域下燃料电池和动力电池的输出功率序列，即***最优的控制输入序列。具体包含以下步骤：
6.1接收当前采样时刻下预测时域内的SOC*轨迹序列，读取当前动力电池的SOC值。
6.2下层的能量滚动优化控制器优化问题描述
下层能量滚动优化控制器，在保证满足***终端约束的同时以微观短时域下实际的动力电池SOCn对上层SOC轨迹滚动优化控制器给出的SOC*轨迹跟踪误差及耗氢量最小为目标，对燃料电池和动力电池的输出功率进行求解。在求解过程中，需要将微观短时域[t0,n,tf,n]的车速预瞄信息离散成Nn等份，离散时间记为s∈{1,2,...,Nn+1}，其中t0,n是该预测时域的起始时间，tf,n是该预测时域的终止时间，得到优化目标函数：
Figure GDA0002994279790000171
其中，ud是该时域下的控制输入，Ud是该时域下控制输入的取值范围内的控制输入取值集合，I是满足***终端约束的条件下***所有采样时刻动力电池SOC与SOC*差值的平方和及耗氢量的和，SOCn(s)是该时域下s时刻动力电池SOC的值，φ(xd(Nn+1))是状态变量的终端约束，ud(s)是该时域下控制输入在s时刻的值，
Figure GDA0002994279790000172
代表耗氢量是与控制输入ud(s)有关的函数，控制变量选取ud＝Pfc_req_n(s)，状态变量选取xd＝SOCn(s)。
需要满足的具体约束条件是：
(1)需要满足燃料电池的输出功率约束：
Pfc_low＜Pfc_req_n(s)＜Pfc_up； (20)
(2)需要满足动力电池SOC的动态方程及状态约束：
Figure GDA0002994279790000173
其中，SOCn(s+1)是该时域下s时刻动力电池SOCn(s)经控制输入作用后得到的该时域下一时刻动力电池SOC的值，即动力电池在s+1时刻SOC的值，Voc_batt_n(s)是该时域下s时刻动力电池的开路电压，Pveh_req_n(s)是该时域下s时刻汽车的需求功率，Pfc_req_n(s)是该时域下s时刻燃料电池的输出功率，Rint_batt_n(s)是该时域下s时刻动力电池的内阻，SOCn(1)是该时域下初始时刻动力电池SOC的值，SOCn(Nn+1)是该时域下终端时刻动力电池SOC的值，能量滚动优化控制器同样要满足***终端的SOC值等于初始的SOC值以避免等效氢消耗产生的干扰；
3、需要满足动力电池的输出功率约束：
Pbatt_low≤Pbatt_req_n(s)≤Pbatt_up； (22)
4、需要满足汽车运行时的需求功率：
Pveh_req_n(s)＝Pfc_req_n(s)+Pbatt_req_n(s). (23)
6.3构造哈密顿函数
构造哈密顿函数如下：
Figure GDA00029942797900001813
其中，H(xd(s),ud(s),λ(s),s)代表哈密顿函数与状态变量在s时刻的值xd(s)、控制输入在s时刻的值ud(s)、协态变量在s时刻的值λ(s)和当前时刻s有关。
优化需要满足的必要性条件如下：
Figure GDA0002994279790000181
λ(s+1)＝λ(s)+Δλ(s)·Δt,
其中，Δλ(s)是相邻两时刻协态变量的差值，
Figure GDA0002994279790000182
代表s时刻哈密顿函数对动力电池SOC求偏导的值，λ(s+1)是在s时刻协态变量λ(s)经计算后得到的该时域下下一时刻协态变量的值，即协态变量在s+1时刻的值。
同时，最优控制输入
Figure GDA0002994279790000183
需要在每个采样时刻保证哈密顿函数最小，即需要满足以下公式：
Figure GDA0002994279790000184
其中，
Figure GDA0002994279790000185
是状态变量在s时刻的最优值，
Figure GDA0002994279790000186
是控制输入在s时刻的最优值，λ*(s)是协态变量在s时刻的最优值，
Figure GDA0002994279790000187
代表最优哈密顿函数与状态变量在s时刻的最优值
Figure GDA0002994279790000188
控制输入在s时刻的最优值
Figure GDA0002994279790000189
协态变量在s时刻的最优值λ*(s)和当前时刻s有关，
Figure GDA00029942797900001810
代表哈密顿函数与状态变量在s时刻的最优值
Figure GDA00029942797900001811
控制输入在s时刻的值ud(s)、协态变量在s时刻的最优值λ*(s)和当前时刻s有关，公式(24)～(26)实际上是一个两固定端点的边界值问题，该问题通过满足PMP的必要条件进行求解，得到最优的控制输入序列。
6.4求解最优控制输入序列
(1)设定初始时刻的状态变量SOC0，并通过二分法计算初始时刻的协态变量初值λ0。
(2)在控制输入允许的范围内，将控制输入分成100等份，作用在每一采样时刻对哈密顿函数进行计算，哈密顿函数值最小时的控制输入即为最优控制输入
Figure GDA00029942797900001812
Figure GDA0002994279790000191
Ud(s)＝[ud_low(s):Δud(s):ud_up(s)],
其中，Δud(s)是该时域下在s时刻控制输入相邻两等份的差值，ud_up(s)是控制输入在s时刻约束范围内的最大值，ud_low(s)是控制输入在约束范围内的最小值，Ud(s)是该时域下控制输入在s时刻的取值集合。
(3)根据最优控制输入作用
Figure GDA0002994279790000192
在状态转移方程的结果，计算下
一采样时刻的状态变量SOC值及协态变量λ的值，重复步骤2)直至最后一个采样时刻；
(4)对SOC值最后的末端边界误差值进行判断，若误差在设定的范围内则结束计算，否则需要重新输入λ0，并在λ设定的取值范围内通过二分法来确定在误差允许范围内协态变量λ的值。重复步骤2)，全部计算完成后即可得到最优的控制输入序列。
7、将求解得到的最优控制输入序列信号传递至燃料电池汽车的功率执行控制单元将下层能量滚动优化控制器得到的最优控制输入序列信号通过数据总线传递至燃料电池汽车的功率执行控制单元，作用于燃料电池混合动力***，使燃料电池汽车按照算法计算的结果分配功率，最终提升燃料电池汽车的燃料经济性。
8、进行实验仿真，评估所设计的实时能量优化管理***的节能效果选取拥堵驾驶循环工况(LA92)的车速曲线验证所设计***的有效性。LA92驾驶循环曲线时长1435秒，包含低速、频繁启停等丰富的工况信息。
根据仿真结果，可以看出本发明所提出的智能网联燃料电池汽车实时能量优化管理***具有如下优越性：
(1)设计的智能网联燃料电池汽车实时能量优化管理***的上层
SOC轨迹滚动优化控制器与下层能量滚动优化控制器，充分利用宏观长时域的网联信息和微观短时域的车速预瞄信息，得到宏观预测时域下最优耗氢量对应的动力电池SOC轨迹，为下层能量滚动优化控制器提供了充分的参考信息，进一步挖掘了燃料电池汽车的节能潜力。
图8为选取的拥堵工况驾驶循环(LA92)的车速曲线图。图11为拥堵工况驾驶循环(LA92)下上层SOC轨迹滚动优化控制器计算得到的参考最优SOC*轨迹与下层能量滚动优化控制器计算得到的实际SOC曲线的对比图，从图中可以看出对SOC的跟踪效果良好，且SOC值始终处在约束范围内。图14为拥堵工况驾驶循环(LA92)下智能网联燃料电池汽车实时能量优化管理***计算得到的耗氢量曲线，图15为拥堵工况驾驶循环(LA92)下智能网联燃料电池汽车实时能量优化管理***计算得到的耗氢量与基于规则的能量管理策略计算得到的耗氢量及离线全局最优耗氢量的结果对比图。从图中可以看出本发明设计的网联燃料电池汽车实时能量优化管理策略计算得到的耗氢量为169.93g，基于规则的能量管理策略计算得到的耗氢量为199.32g，离线全局最优策略得到的理论最优耗氢量为164.52g，通过对比可以看出所设计的***比基于规则的能量管理策略节省了高达17.3％的耗氢量，燃料经济性相比基于规则的能量管理策略有明显提升，且与离线全局最优策略计算得到的理论最优耗氢量仅仅相差3.2％，接近理论最优耗氢量，说明所设计的***十分有效，能够充分利用丰富的网联信息，挖掘燃料电池汽车的节氢潜力，极大地提升汽车的燃料经济性。
(2)保证汽车在运行过程中能量合理有效的分配，燃料电池的功率始终大于5kW，在车辆在运行过程中避免了燃料电池电堆停机的情况。同时动力电池的SOC在车辆运行过程中始终处在约束范围内，避免动力电池在低效率区间工作，延长了燃料电池和动力电池的使用寿命。
图12为拥堵工况驾驶循环(LA92)下汽车的需求功率与下层能量滚动优化控制器计算得到的燃料电池输出功率、动力电池输出功率结果曲线图，图9为拥堵工况驾驶循环(LA92)下上层SOC轨迹滚动优化控制器计算得到的动力电池最优SOC*轨迹，图11为拥堵工况驾驶循环(LA92)下上层SOC轨迹滚动优化控制器计算得到的参考最优SOC*轨迹与下层能量滚动优化控制器计算得到的实际SOC曲线的对比图，从图中可以看出SOC的跟踪效果良好，且其数值始终保持在0.45-0.52之间，即动力电池的最优效率区间，说明燃料电池和动力电池与车辆传动***之间的能量分配合理有效，进一步提升了燃料电池汽车的续航能力与使用寿命。
(3)设计的下层能量滚动优化控制器，计算速率快，保证了***求解的实时性。上层SOC轨迹滚动优化控制器所有采样时刻求解动力电池SOC轨迹的最长计算时间为41.63秒，远远小于300秒，能够满足上层SOC轨迹滚动优化控制器300秒一次的更新频率；图13为拥堵工况驾驶循环(LA92)下能量滚动优化控制器每一采样时刻求解燃料电池与动力电池输出功率所需的计算时间曲线，从图中可以看出下层能量滚动优化控制器所有采样时刻的最长计算时间为0.052秒，远远小于1秒，能够满足每1秒采样一次的更新频率，保证了***求解的实时性和快速性。
本发明结合多尺度网联预测信息，提出了燃料电池汽车分层式实时能量滚动优化控制方法，有效降低了燃料电池汽车能量管理实时优化的计算负担，大幅提升了燃料电池汽车的能效。
本发明的积极效果是：
1、设计了智能网联燃料电池汽车实时能量优化管理***及***工作流程，利用多尺度的网联信息，相比基于规则的能量管理策略提升了17.3％的燃料经济性，进一步挖掘了燃料电池汽车的节能空间；
2、针对多尺度网联信息下多动力源燃料电池汽车的预测节能优化问题，提出了燃料电池汽车分层式实时能量滚动优化控制方法，所得的燃料经济性接近理论最优经济性；同时下层所有采样时刻求解燃料电池与动力电池输出功率的最大求解时间仅为0.052秒，远远小于1秒，能够满足每1秒钟采样一次的更新频率。既有效利用了不同时间尺度的预瞄信息，充分挖掘燃料电池汽车的节氢潜力，又能够满足实时性的计算需求。
3、利用宏观长时域的网联预瞄信息，在上层设计了SOC轨迹滚动优化控制器，利用云计算资源求解出该时域下最优燃料经济性所对应的动力电池SOC轨迹，并将轨迹信息发送至下层能量滚动优化控制器为其提供丰富的参考信息，充分提升燃料电池汽车的节能空间。
4、利用微观短时域的预瞄信息，结合上层滚动优化出的SOC轨迹参考信息，在下层设计能量滚动优化控制器，利用车载控制器快速高效的求解燃料电池与动力电池的输出功率。

Claims (1)

1.一种智能网联燃料电池汽车实时能量优化管理***，
步骤一：设计宏观长时域的平均交通流速轨迹预测模块；
其特征在于：
步骤二：设计微观短时域的车速预测模块
神经网络包含三层结构，即输入层、隐含层和输出层； 输入向量定义为m(k)，输出向量定义为
Figure FDA0002819249500000011
BPNN的结构可以由带权重和阈值的离散模型表示
Figure FDA0002819249500000012
其中，w1是输入层和隐含层之间的权重，w2是隐含层和输出层之间的权重，b1是隐含层神经元的阈值，b2是输出层神经元的阈值，m(k)代表输入的历史车速序列，
Figure FDA0002819249500000013
代表输出的预测车速序列，g(h)是隐含层到输出层的激活函数，其传递函数
Figure FDA0002819249500000014
步骤三：建立面向能量优化控制的燃料电池汽车动力***模型
3.1建立汽车纵向行驶动力学模型
燃料电池汽车参数：电机传动效率ηt_veh(％)、旋转元件的质量系数σveh(-)、重力加速度g(m/s2)、空气阻力系数CD_veh(-)、空气密度ρair(kg/m3)、汽车质量mveh(kg)、迎风面积Aveh(m2)、滑动阻力系数f(-)、路面坡度θroad(-)；
车辆的需求功率
Figure FDA0002819249500000015
其中Pveh_req是车辆的需求功率，f是滑动阻力系数，ηt_veh是电机传动效率，σveh是旋转元件的质量系数，mveh是汽车质量，g是重力加速度，θroad是路面坡度，Aveh是汽车的迎风面积，ρair是空气密度，CD_veh是空气阻力系数，
Figure FDA0002819249500000016
是车辆的速度Vveh对于时间t的微分；
3.2建立燃料电池电堆效率模型
燃料电池的耗氢量
Figure FDA0002819249500000017
Figure FDA0002819249500000018
其中，Pfc_req是燃料电池的输出功率，ηfc_st是燃料电池的工作效率，
Figure FDA0002819249500000021
是氢气的低热值；
3.3建立动力电池SOC模型
Pbatt_req＝Pveh_req-Pfc_req (5)
其中，Pbatt_req是动力电池的输出功率；
动力电池的SOC动态方程为
Figure FDA0002819249500000022
其中，Voc_batt是动力电池的开路电压，Rint_batt是动力电池的内阻，Qbatt是动力电池的总电量，
Figure FDA0002819249500000023
是动力电池荷电状态SOC的导数；
步骤四：建立能量优化管理问题
4.1燃料电池的输出功率Pfc_req状态方程为：
Figure FDA0002819249500000024
上式可以通过公式
Figure FDA0002819249500000025
表示；
最小化预测时域[t0,tf]内的***耗氢量：
Figure FDA0002819249500000026
其中，J是满足***终端约束的条件下预测时域内的总耗氢量，t0是预测时域的起始时间，tf是预测时域的终止时间，u是控制输入变量，U是控制输入变量的取值集合，
Figure FDA0002819249500000027
代表***在t时刻的耗氢量是与t时刻的控制输入u(t)变量有关的函数，控制输入变量取u＝Pfc_req，状态变量取x＝SOC，φ(x(tf))是状态变量的终端约束；
4.2满足的约束条件如下：
(1)需要满足燃料电池的输出功率约束：
Pfc_low≤Pfc_req(t)≤Pfc_up (10)
其中，Pfc_low是燃料电池的最小输出功率，Pfc_up是燃料电池的最大输出功率，Pfc_req(t)是燃料电池在t时刻的输出功率；
(2)需要满足动力电池SOC的动态方程及状态约束：
Figure FDA0002819249500000031
其中，SOCbegin是动力电池在初始时刻的SOC值，SOClow是动力电池的SOC最小值，SOCup是动力电池SOC的最大值，SOC(t)代表t时刻动力电池SOC的值，SOC(t0)代表初始时刻动力电池SOC的值,SOC(tf)代表终端时刻动力电池SOC的值；
(3)需要满足动力电池的功率约束
Pbatt_low≤Pbatt_req(t)≤Pbatt_up (12)
其中，Pbatt_low是动力电池最大充电功率，Pbatt_up是动力电池最大放电功率,Pbatt_req(t)是t时刻动力电池的输出功率；
(4)需要满足汽车运行时的需求功率
Pveh_req(t)＝Pbatt_req(t)+Pfc_req(t) (13)
其中，Pveh_req(t)是t时刻汽车的需求功率，Pbatt_req(t)是动力电池在t时刻的输出功率；
步骤五：利用长时域预瞄信息，设计上层SOC轨迹滚动优化控制器
5.1上层SOC轨迹滚动优化控制器优化问题
将该时间尺度下的预测时域[t0,m,tf,m]离散成Nm等份，其中，t0,m为该预测时域的起始时间，tf,m为该预测时域的终止时间，离散时间记为k∈{1,2,...,Nm+1},得到优化目标：
Figure FDA0002819249500000032
其中，J是满足终端约束条件下***所有采样时刻的总耗氢量，φ(x(Nm+1))是状态变量的终端约束，
Figure FDA0002819249500000033
代表耗氢量是与k时刻的控制输入u(k)有关的函数，Δt是相邻两车速信息间的采样时间间隔，控制变量u(k)是燃料电池在k时刻的输出功率Pfc_req_m(k)；
满足的具体约束条件是：
(1)满足燃料电池的输出功率约束：
Pfc_low≤Pfc_req_m(k)≤Pfc_up (15)
(2)满足该时域下动力电池SOC的动态方程及状态约束：
Figure FDA0002819249500000041
其中，SOCm(k+1)是在k时刻动力电池SOCm(k)经控制输入作用后得到的该时域下一时刻动力电池SOC的值，即动力电池在k+1时刻SOC的值，Voc_batt_m(k)是该时域下k时刻动力电池的开路电压，Rint_batt_m(k)是该时域下k时刻动力电池的内阻，Pveh_req_m(k)是汽车在k时刻的需求功率，Pfc_req_m(k)是该时域下k时刻燃料电池的输出功率，SOCm(k)是该时域下k时刻动力电池的荷电状态值，SOCm(1)是该时域下动力电池SOC初始时刻的值，SOCm(Nm+1)是该时域下动力电池SOC终端时刻的值；
(3)满足动力电池的输出功率约束：
Pbatt_low≤Pbatt_req_m(k)≤Pbatt_up (17)
其中，Pbatt_req_m(k)是该时域下动力电池在k时刻的输出功率；
(4)满足汽车运行时的需求功率
Pveh_req_m(k)＝Pfc_req_m(k)+Pbatt_req_m(k) (18)；
5.2划分关于***状态及控制变量的网格
将状态变量动力电池划分出81个状态网格；燃料电池输出功率从开始增幅递增81个控制变量网格；
5.3计算代价成本
在控制变量u(k)的作用下，状态变量x(k)会经状态转移方程计算后得到新的状态变量x(k+1)，从1时刻开始，不同的控制变量网格作用在状态变量网格上会得到下一时刻的状态变量网格，产生对应的代价成本J(k)，同时新的控制变量网格作用到该时刻的状态变量网格上，产生下一时刻对应的代价成本J(k+1)直到整个驾驶循环工况计算完成，产生的成本可由公式
Figure FDA0002819249500000051
计算得到，将每一次从前向后迭代计算产生的代价成本存储在网格中；
5.4确定最优决策
确定终端时刻k＝Nm+1的状态变量的值，即x(Nm+1)，对应初始目标函数J(Nm+1)＝0，则从终端时刻的上一时刻开始有：
Figure FDA0002819249500000052
其中，J*(k)表示第k时刻***状态变量为x(k)时的耗氢量的最小值； L(x(k),u(k))表示第k时刻，***处在状态变量x(k)经控制输入u(k)作用后产生的耗氢量，即状态转移成本，J*(k+1)为上一时刻***状态变量为x(k+1)时的耗氢量最小值，从每一时刻选取使得代价成本函数最小值时对应的状态变量，即可得到最优的状态变量序列{x*(1),x*(2),...,x*(k)}，即最优的动力电池SOC序列SOC*；
步骤六：利用短时域预瞄信息，设计下层能量滚动优化控制器
6.1接收当前采样时刻下预测时域内的SOC*轨迹序列，读取当前动力电池的SOC值；
6.2下层的能量滚动优化控制器优化问题
将微观短时域[t0,n,tf,n]的车速预瞄信息离散成Nn等份，离散时间记为s∈{1,2,...,Nn+1}，其中t0,n是该预测时域的起始时间，tf,n是该预测时域的终止时间，得到优化目标函数：
Figure FDA0002819249500000053
其中，ud是该时域下的控制输入，Ud是该时域下控制输入的取值范围内的控制输入取值集合，I是满足***终端约束的条件下***所有采样时刻动力电池SOC与SOC*差值的平方和及耗氢量的和，SOCn(s)是该时域下s时刻动力电池SOC的值，φ(xd(Nn+1))是状态变量的终端约束，ud(s)是该时域下控制输入在s时刻的值，
Figure FDA0002819249500000054
代表耗氢量是与控制输入ud(s)有关的函数，控制变量选取ud＝Pfc_req_n(s)，状态变量选取xd＝SOCn(s)，满足的具体约束条件是：
(1)满足燃料电池的输出功率约束：
Pfc_low＜Pfc_req_n(s)＜Pfc_up (21)
(2)满足动力电池SOC的动态方程及状态约束：
Figure FDA0002819249500000061
其中，SOCn(s+1)是该时域下s时刻动力电池SOCn(s)经控制输入作用后得到的该时域下一时刻动力电池SOC的值，即动力电池在s+1时刻SOC的值，Voc_batt_n(s)是该时域下s时刻动力电池的开路电压，Pveh_req_n(s)是该时域下s时刻汽车的需求功率，Pfc_req_n(s)是该时域下s时刻燃料电池的输出功率，Rint_batt_n(s)是该时域下s时刻动力电池的内阻，SOCn(1)是该时域下初始时刻动力电池SOC的值，SOCn(Nn+1)是该时域下终端时刻动力电池SOC的值；
(3)满足动力电池的输出功率约束：
Pbatt_low≤Pbatt_req_n(s)≤Pbatt_up (23)
(4)满足汽车运行时的需求功率：
Pveh_req_n(s)＝Pfc_req_n(s)+Pbatt_req_n(s) (24)
6.3构造哈密顿函数
Figure FDA0002819249500000062
其中，H(xd(s),ud(s),λ(s),s)代表哈密顿函数与状态变量在s时刻的值xd(s)、控制输入在s时刻的值ud(s)、协态变量在s时刻的值λ(s)和当前时刻s有关，优化需要满足的必要性条件如下：
Figure FDA0002819249500000063
λ(s+1)＝λ(s)+Δλ(s)·Δt, (26)
其中，Δλ(s)是相邻两时刻协态变量的差值，
Figure FDA0002819249500000071
代表s时刻哈密顿函数对动力电池SOC求偏导的值，λ(s+1)是在s时刻协态变量λ(s)经计算后得到的该时域下下一时刻协态变量的值，即协态变量在s+1时刻的值； 同时，最优控制输入
Figure FDA0002819249500000072
需要在每个采样时刻保证哈密顿函数最小，即需要满足以下公式：
Figure FDA0002819249500000073
其中，
Figure FDA0002819249500000074
是状态变量在s时刻的最优值，
Figure FDA0002819249500000075
是控制输入在s时刻的最优值，λ*(s)是协态变量在s时刻的最优值，
Figure FDA0002819249500000076
代表最优哈密顿函数与状态变量在s时刻的最优值
Figure FDA0002819249500000077
控制输入在s时刻的最优值
Figure FDA0002819249500000078
协态变量在s时刻的最优值λ*(s)和当前时刻s有关，
Figure FDA0002819249500000079
代表哈密顿函数与状态变量在s时刻的最优值
Figure FDA00028192495000000710
控制输入在s时刻的值ud(s)、协态变量在s时刻的最优值λ*(s)和当前时刻s有关；
6.4求解最优控制输入序列
(1)设定初始时刻的状态变量SOC0，并通过二分法计算初始时刻的协态变量初值λ0；
(2)哈密顿函数值最小时的控制输入即为最优控制输入
Figure FDA00028192495000000711
Figure FDA00028192495000000712
Ud(s)＝[ud_low(s):Δud(s):ud_up(s)], (28)
其中，Δud(s)是该时域下在s时刻控制输入相邻两等份的差值，ud_up(s)是控制输入在s时刻约束范围内的最大值，ud_low(s)是控制输入在约束范围内的最小值，Ud(s)是该时域下控制输入在s时刻的取值集合；
(3)根据最优控制输入作用
Figure FDA00028192495000000713
在状态转移方程的结果，计算下一采样时刻的状态变量SOC值及协态变量λ的值，重复步骤2)直至最后一个采样时刻；
(4)对SOC值最后的末端边界误差值进行判断，若误差在设定的范围内则结束计算，否则需要重新输入λ0，并在λ设定的取值范围内通过二分法来确定在误差允许范围内协态变量λ的值，重复步骤2)，全部计算完成后即可得到最优的控制输入序列；
步骤七：将求解得到的控制输入序列信号传递至燃料电池汽车的功率执行控制单元。
CN202011409457.XA 2020-12-06 2020-12-06 智能网联燃料电池汽车实时能量优化管理*** Active CN112776673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011409457.XA CN112776673B (zh) 2020-12-06 2020-12-06 智能网联燃料电池汽车实时能量优化管理***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011409457.XA CN112776673B (zh) 2020-12-06 2020-12-06 智能网联燃料电池汽车实时能量优化管理***

Publications (2)

Publication Number Publication Date
CN112776673A CN112776673A (zh) 2021-05-11
CN112776673B true CN112776673B (zh) 2022-06-21

Family

ID=75750741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011409457.XA Active CN112776673B (zh) 2020-12-06 2020-12-06 智能网联燃料电池汽车实时能量优化管理***

Country Status (1)

Country Link
CN (1) CN112776673B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113085666B (zh) * 2021-05-18 2022-05-10 北京理工大学 一种分层式燃料电池汽车节能驾驶方法
CN113071506B (zh) * 2021-05-20 2022-04-05 吉林大学 考虑座舱温度的燃料电池汽车能耗优化***
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
CN113263960B (zh) * 2021-06-28 2022-08-19 太原理工大学 一种氢燃料电池汽车自适应能量管理方法
CN113246805B (zh) * 2021-07-02 2022-07-19 吉林大学 考虑汽车驾驶舱温度的燃料电池功率管理控制方法
CN113561793B (zh) * 2021-08-02 2023-09-08 昆明理工大学 一种动态约束的智能燃料电池汽车能量管理策略
CN113581019B (zh) * 2021-08-11 2023-04-11 佛山仙湖实验室 一种混合驱动无人驾驶矿用卡车的能量管理方法
CN113779703B (zh) * 2021-09-22 2023-12-22 北京理工大学 一种燃料电池汽车车速规划与能量管理的联合优化方法
CN113815437B (zh) * 2021-10-28 2023-11-10 吉林大学 燃料电池混合动力汽车的预测性能量管理方法
CN114122466B (zh) * 2021-11-11 2024-05-31 广东汉合汽车有限公司 燃料电池车电池优化管理方法、***、设备及介质
CN114103971B (zh) * 2021-11-23 2023-10-10 北京理工大学 一种燃料电池汽车节能驾驶优化方法及装置
CN114154107A (zh) * 2021-12-09 2022-03-08 重庆金康赛力斯新能源汽车设计院有限公司 一种平均能耗计算方法和装置
CN114333364B (zh) * 2021-12-17 2022-11-18 宁波大学 一种自动驾驶车辆通过信号交叉口生态驾驶方法
CN117078030B (zh) * 2023-07-12 2024-05-03 贵州大学 一种基于车速预测的燃料电池公交车能量管理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107901776A (zh) * 2017-11-15 2018-04-13 吉林大学 电动汽车复合电源燃料电池混合能量***功率分流方法
CN111891110A (zh) * 2020-05-15 2020-11-06 吉林大学 智能网联混合动力汽车能量-热量一体化实时管理***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6621489B2 (ja) * 2018-02-16 2019-12-18 本田技研工業株式会社 燃料電池システム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107901776A (zh) * 2017-11-15 2018-04-13 吉林大学 电动汽车复合电源燃料电池混合能量***功率分流方法
CN111891110A (zh) * 2020-05-15 2020-11-06 吉林大学 智能网联混合动力汽车能量-热量一体化实时管理***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Dynamic Programming Algorithm for Energy Management Strategy of the Fuel Cell Vehicle;Shengyan Hou等;《2019 3rd Conference on Vehicle Control and Intelligence (CVCI)》;20200109;全文 *
Energy Management Strategy of Fuel Cell Hybrid Electric Vehicle Based on Dynamic Programming;Yang hui-ce等;《2020 Chinese Automation Congress (CAC)》;20210129;第3134-3139页 *
混合动力汽车模型预测能量管理研究现状与展望;张风奇等;《机械工程学报》;20190531;第55卷(第010期);第86-108页 *

Also Published As

Publication number Publication date
CN112776673A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN112776673B (zh) 智能网联燃料电池汽车实时能量优化管理***
Zand et al. Using adaptive fuzzy logic for intelligent energy management in hybrid vehicles
CN104269849B (zh) 基于建筑光伏微电网的能量管理方法及***
Liu et al. Rule-corrected energy management strategy for hybrid electric vehicles based on operation-mode prediction
CN108819934B (zh) 一种混合动力车辆的动力分配控制方法
Singh et al. Fuzzy logic and Elman neural network tuned energy management strategies for a power-split HEVs
CN113554337B (zh) 融合交通信息的插电式混动汽车能量管理策略构建方法
Zhang et al. A novel learning-based model predictive control strategy for plug-in hybrid electric vehicle
CN114771293A (zh) 一种基于等效消耗最小策略的燃料电池汽车能量管理方法
CN115416503A (zh) 基于智能网联的燃料电池混合动力汽车能量管理方法
CN112757922A (zh) 一种车用燃料电池混合动力能量管理方法及***
CN113135113B (zh) 一种全局soc规划方法及装置
CN115805840A (zh) 一种增程式电动装载机能耗控制方法及***
Yang et al. Energy management of the power-split hybrid electric city bus based on the stochastic model predictive control
CN113815437A (zh) 燃料电池混合动力汽车的预测性能量管理方法
Vignesh et al. Intelligent energy management through neuro-fuzzy based adaptive ECMS approach for an optimal battery utilization in plugin parallel hybrid electric vehicle
CN113779703B (zh) 一种燃料电池汽车车速规划与能量管理的联合优化方法
CN113276829B (zh) 一种基于工况预测的车辆行驶节能优化变权重方法
Xia et al. A predictive energy management strategy for multi-mode plug-in hybrid electric vehicle based on long short-term memory neural network
Zhang et al. A Novel Model Predictive Control Based Co-Optimization Strategy for Velocity Planning and Energy Management of Intelligent PHEVs
Yang et al. A real time multi-objective optimization Guided-MPC strategy for power-split hybrid electric bus based on velocity prediction
Liu et al. Computationally efficient energy management for a parallel hybrid electric vehicle using adaptive dynamic programming
Zhang et al. An optimal vehicle speed planning algorithm for regenerative braking at traffic lights intersections based on reinforcement learning
CN114291067B (zh) 基于预测的混合动力汽车凸优化能量控制方法及***
Janulin et al. Energy minimization in city electric vehicle using optimized multi-speed transmission

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