CN113659178B - 多堆燃料电池发电***协调控制方法、***及车辆 - Google Patents
多堆燃料电池发电***协调控制方法、***及车辆 Download PDFInfo
- Publication number
- CN113659178B CN113659178B CN202110858492.8A CN202110858492A CN113659178B CN 113659178 B CN113659178 B CN 113659178B CN 202110858492 A CN202110858492 A CN 202110858492A CN 113659178 B CN113659178 B CN 113659178B
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- power
- stack
- range
- efficiency
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2250/00—Fuel cells for particular applications; Specific features of fuel cell system
- H01M2250/20—Fuel cells in motive systems, e.g. vehicle, ship, plane
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/40—Application of hydrogen technology to transportation, e.g. using fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Sustainable Development (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Manufacturing & Machinery (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Fuel Cell (AREA)
- Theoretical Computer Science (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本公开提供了一种多堆燃料电池发电***协调控制方法、***及车辆,基于单堆燃料电池功率‑效率曲线,建立瞬时效率最高的多堆燃料电池数学优化模型;考虑燃料电池总需求功率范围,按照设定功率间隔,进行功率全范围优化,对所述多堆燃料电池数学优化模型进行寻优,计算最优解,根据最优解,进行瞬时效率最高的多堆协调控制;本公开在保证***所需功率的同时,通过优化算法合理分配各电堆功率,保证多堆燃料电池***每一时刻都具有高效特性,进而提高轨道交通车辆的整车运行经济性。
Description
技术领域
本公开属于电池控制技术领域,具体涉及一种多堆燃料电池发电***协调控制方法、***及车辆。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
由于氢燃料电池的无污染、能量密度高等优点,氢燃料电池在作为轨道交通车辆用主动力或备用电源领域具有重大潜力。燃料电池以氢气和氧气为反应物,生成电与水。转换效率高且完全无污染、零排放,是未来车载能源的发展方向,多堆燃料电池***集成是提升***功率密度、能量密度的重要途径。
然而,在多堆燃料电池长期运行过程中,各电堆之间的差异性日益加剧,又或是某个电堆因为某种原因而采用新电堆替代,不同批次的电堆之间差异较大,目前的功率分配策略无法适应具有显著老化差异的多堆***。
发明内容
本公开为了解决上述问题,提出了一种多堆燃料电池发电***协调控制方法、***及车辆,本公开在保证***所需功率的同时,通过优化算法合理分配各电堆功率,保证多堆燃料电池***每一时刻都具有高效特性,进而提高轨道交通车辆的整车运行经济性。
根据一些实施例,本公开采用如下技术方案:
一种多堆燃料电池发电***协调控制方法,包括以下步骤:
基于单堆燃料电池功率-效率曲线,建立瞬时效率最高的多堆燃料电池数学优化模型;
考虑燃料电池总需求功率范围,按照设定功率间隔,进行功率全范围优化,对所述多堆燃料电池数学优化模型进行寻优,计算最优解,根据最优解,进行瞬时效率最高的多堆协调控制。
上述技术方案,在保证***所需功率的同时,通过优化算法合理分配各电堆功率,适用于燃料电池总需求功率整个范围。
作为可选择的实施方式,建立瞬时效率最高的多堆燃料电池数学优化模型的具体方法包括:确定各个单堆燃料电池功率-效率曲线,多堆***瞬时效率的量为各单堆燃料电池实时效率的平均数,构建多堆***瞬时效率的量最大的目标函数。
作为可选择的实施方式,建立瞬时效率最高的多堆燃料电池数学优化模型时,还包括构建优化模型的约束条件,所述约束条件包括:
(1)满足当前燃料电池总需求功率等于各电堆输出功率之和;
(2)各个单堆电堆的输出功率须在限制范围内。
作为可选择的实施方式,对所述多堆燃料电池数学优化模型进行寻优时,利用粒子群算法进行寻优计算。
作为进一步的限定,寻优计算的具体步骤包括:
对多堆燃料电池效率建立粒子群优化模型,设置种群数、迭代次数和自变量个数;
粒子群算法参数初始化,利用随机数初始种群,均值为单堆燃料电池输出功率限制范围中心,利用随机数生成初始速度;
计算各粒子目标函数,找到当前个体最佳和全局最佳,以及个体最佳适应度值和全局最佳适应度值;
迭代更新速度和种群;
判断是否达到迭代的最大次数,如果是,则输出最优解。
作为可选择的实施方式,按照设定功率间隔,进行功率全范围优化的具体过程包括:根据当前燃料电池总需求功率的限定范围,在该限定范围内以设定功率为间隔,进行功率全范围优化,得到优化后的各电堆功率;
结合当前燃料电池总需求功率,计算当前燃料电池总需求功率与相应电堆输出功率差值之间的关系。
作为进一步的限定,根据当前燃料电池总需求功率与相应电堆输出功率差值之间的关系,进行瞬时效率最高的多堆协调控制。
一种多堆燃料电池发电***协调控制***,包括:
优化模型构建模块,被配置为基于单堆燃料电池功率-效率曲线,建立瞬时效率最高的多堆燃料电池数学优化模型;
寻优计算模块,被配置为考虑燃料电池总需求功率范围,按照设定功率间隔,进行功率全范围优化,对所述多堆燃料电池数学优化模型进行寻优,计算最优解;
协调控制模块,被配置为根据最优解,对各个电堆进行瞬时效率最高的多堆协调控制。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法中的步骤。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法中的步骤。
一种轨道交通车辆,采用上述一种多堆燃料电池发电***协调控制方法或包括上述一种多堆燃料电池发电***协调控制***或包括上述电子设备。
与现有技术相比,本公开的有益效果为:
本公开在保证***所需功率的同时,通过优化算法合理分配各电堆功率,保证多堆燃料电池***每一时刻都具有高效特性,进而提高轨道交通车辆的整车运行经济性。
本公开采用粒子群算法进行寻优计算,计算速度快,且计算结果准确。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本实施例的多堆燃料电池控制结构示意图;
图2是本实施例的粒子群优化算法流程图;
图3是本实施例的多堆燃料电池高效协调控制整体流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本公开中的具体含义,不能理解为对本公开的限制。
本实施例适用的多堆燃料电池控制结构,如图1所示,各电堆之间并联。在本实施例中,各电堆均和ECU电子控制单元连接。
一种多堆燃料电池发电***协调控制方法,如图3所示,包括以下步骤:
1、建立瞬时效率最高多堆燃料电池数学优化模型:
(1-1)确定单堆燃料电池功率-效率曲线。
η=aP5+bP4+cP3+dP2+eP+f
其中,a、b、c、d、e、f表示功率-效率曲线多项式拟合系数,η为效率,P为功率。
(1-2)建立优化目标:多堆燃料电池***瞬时效率最高定义1#燃料电池、2#燃料电池和3#燃料电池的实时效率为η1、η2、η3,单堆燃料电池输出功率分别P1、P2、P3,则表征多堆***瞬时效率的量为H=(η1+η2+η3)/3,即为目标函数。
(1-3)构建约束条件:
(1)等式约束:满足当前燃料电池总需求功率PFCj等于各电堆输出功率之和,即:
P1+P2+P3=PFCj
(2)不等式约束:每个电堆的输出功率须在限制范围内[Pmin,Pmax],即
Pmin≤P1≤Pmax
Pmin≤P2≤Pmax
Pmin≤P3≤Pmax
(1-4)确定待优化变量:各电堆的输出功率,即P1、P2、P3。
2、模型求解
本实施例将采用粒子群算法进行寻优计算。当然,在其他实施例中,可以采用遗传算法、灰色预测算法、模拟退火算法和神经网络算法等方法进行替换。
本实施例中,该模型的求解步骤如下:
对多堆燃料电池效率建立粒子群优化模型,本次模型设置种群数为m,迭代n次,自变量个数为D,建立模型的基础数据。
(2-1)粒子群算法参数初始化,利用随机数初始种群,均值为单堆燃料电池输出功率限制范围中心,同样利用随机数生成初始速度。
粒子i种群:xi=(xi1,xi2,...xiD)
粒子i速度:Vi=(Vi1,Vi2,...ViD),1≤i≤m,1≤D≤3;
(2-2)通过计算各粒子目标函数,找到当前个体最佳和全局最佳,以及个体最佳适应度值和全局最佳适应度值。
个体粒子i最佳种群:pi=(pi1,pi2,...piD)
全局粒子最佳种群:pg=(pg1,pg2,...pgD);
(2-3)迭代更新速度和种群。
其中:c1、c2为学习因子或加速系数,一般为正常数,这里设置为1.49445。r1、r2取值范围是[0,1],是该区间均匀分布的伪随机数。
(2-4)判断是否达到迭代的最大次数,如果是,则输出最优解;如果否,回到(2-3)。整个算法流程如图2所示。
3、多堆燃料电池***全范围优化及在线功率分配
(3-1)多堆燃料电池功率全范围寻优
当前燃料电池总需求功率PFC的范围为[PFCmin,PFCmax],在该范围内以10kW功率为间隔或步长,当然,在其他实施例中,可以以其他设定功率为间隔,进行功率全范围优化,即将PFCj(j=1,2,3,…,n),这里n为存在间隔的总个数,代入数学模型并进行模型求解,可得到相对应的各堆燃料电池的优化后的P1j、P2j、P3j(j=1,2,3,…,n)。
PFC=[PFC1,PFC2,PFC3,…,PFCn],其中PFCj+1-PFCj=10kW(j=1,2,3,…,n-1),PFC1无限逼近PFCmin,PFCn无限逼近PFCmax,则P1=[P11,P12,P13,…,P1n],P2=[P21,P22,P23,…,P2n],P3=[P31,P32,P33,…,P3n],最终可得到PFC-P1、PFC-P2、PFC-P3之间的关系。
(3-2)准在线多堆燃料电池高效协调控制
整车使用时可根据PFC-P1、PFC-P2、PFC-P3之间的关系进行瞬时效率最高的多堆协调控制。
在进行控制时,还需要考虑整车需求功率,利用混动能量控制策略,确定燃料电池总输出功率,结合PFC-P1、PFC-P2、PFC-P3之间的关系,确定各堆燃料电池的当前功率P1now,P2now,P3now,进行多堆燃料电池的功率分配。
当然,在本实施例中,可以将PFC-P1、PFC-P2、PFC-P3之间的关系用曲线表示,再各曲线拟合为表格,查表确定各堆燃料电池的当前功率P1now,P2now,P3now。
本发明还提供以下产品实施例:
一种多堆燃料电池发电***协调控制***,包括:
优化模型构建模块,被配置为基于单堆燃料电池功率-效率曲线,建立瞬时效率最高的多堆燃料电池数学优化模型;
寻优计算模块,被配置为考虑燃料电池总需求功率范围,按照设定功率间隔,进行功率全范围优化,对所述多堆燃料电池数学优化模型进行寻优,计算最优解;
协调控制模块,被配置为根据最优解,对各个电堆进行瞬时效率最高的多堆协调控制。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法中的步骤。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法中的步骤。
一种轨道交通车辆,采用上述一种多堆燃料电池发电***协调控制方法或包括上述一种多堆燃料电池发电***协调控制***或包括上述电子设备。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (9)
1.一种多堆燃料电池发电***协调控制方法,其特征是:包括以下步骤:
基于单堆燃料电池功率-效率曲线,建立瞬时效率最高的多堆燃料电池数学优化模型;
考虑燃料电池总需求功率范围,按照设定功率间隔,进行功率全范围优化,对所述多堆燃料电池数学优化模型进行寻优,计算最优解,根据最优解,进行瞬时效率最高的多堆协调控制;
按照设定功率间隔,进行功率全范围优化的具体过程包括:根据当前燃料电池总需求功率的限定范围,在该限定范围内以设定功率为间隔,进行功率全范围优化,得到优化后的各电堆功率;
结合当前燃料电池总需求功率,计算当前燃料电池总需求功率与相应电堆输出功率差值之间的关系;
根据当前燃料电池总需求功率与相应电堆输出功率差值之间的关系,进行瞬时效率最高的多堆协调控制。
2.如权利要求1所述的一种多堆燃料电池发电***协调控制方法,其特征是:建立瞬时效率最高的多堆燃料电池数学优化模型的具体方法包括:确定各个单堆燃料电池功率-效率曲线,多堆***瞬时效率的量为各单堆燃料电池实时效率的平均数,构建多堆***瞬时效率的量最大的目标函数。
3.如权利要求1所述的一种多堆燃料电池发电***协调控制方法,其特征是:建立瞬时效率最高的多堆燃料电池数学优化模型时,还包括构建优化模型的约束条件,所述约束条件包括:
(1)满足当前燃料电池总需求功率等于各电堆输出功率之和;
(2)各个单堆电堆的输出功率须在限制范围内。
4.如权利要求1所述的一种多堆燃料电池发电***协调控制方法,其特征是:对所述多堆燃料电池数学优化模型进行寻优时,利用粒子群算法进行寻优计算。
5.如权利要求4所述的一种多堆燃料电池发电***协调控制方法,其特征是:寻优计算的具体步骤包括:
对多堆燃料电池效率建立粒子群优化模型,设置种群数、迭代次数和自变量个数;
粒子群算法参数初始化,利用随机数初始种群,均值为单堆燃料电池输出功率限制范围中心,利用随机数生成初始速度;
计算各粒子目标函数,找到当前个体最佳和全局最佳,以及个体最佳适应度值和全局最佳适应度值;
迭代更新速度和种群;
判断是否达到迭代的最大次数,如果是,则输出最优解。
6.一种多堆燃料电池发电***协调控制***,其特征是:包括:
优化模型构建模块,被配置为基于单堆燃料电池功率-效率曲线,建立瞬时效率最高的多堆燃料电池数学优化模型;
寻优计算模块,被配置为考虑燃料电池总需求功率范围,按照设定功率间隔,进行功率全范围优化,对所述多堆燃料电池数学优化模型进行寻优,计算最优解;
协调控制模块,被配置为根据最优解,对各个电堆进行瞬时效率最高的多堆协调控制;
按照设定功率间隔,进行功率全范围优化的具体过程包括:根据当前燃料电池总需求功率的限定范围,在该限定范围内以设定功率为间隔,进行功率全范围优化,得到优化后的各电堆功率;
结合当前燃料电池总需求功率,计算当前燃料电池总需求功率与相应电堆输出功率差值之间的关系;
根据当前燃料电池总需求功率与相应电堆输出功率差值之间的关系,进行瞬时效率最高的多堆协调控制。
7.一种计算机可读存储介质,其特征是:用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-5中任一项所述的方法中的步骤。
8.一种电子设备,其特征是:包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-5中任一项所述的方法中的步骤。
9.一种轨道交通车辆,其特征是:采用权利要求1-5中任一项所述的一种多堆燃料电池发电***协调控制方法或包括如权利要求6所述的一种多堆燃料电池发电***协调控制***或包括如权利要求8所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858492.8A CN113659178B (zh) | 2021-07-28 | 2021-07-28 | 多堆燃料电池发电***协调控制方法、***及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858492.8A CN113659178B (zh) | 2021-07-28 | 2021-07-28 | 多堆燃料电池发电***协调控制方法、***及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113659178A CN113659178A (zh) | 2021-11-16 |
CN113659178B true CN113659178B (zh) | 2022-12-13 |
Family
ID=78478873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110858492.8A Active CN113659178B (zh) | 2021-07-28 | 2021-07-28 | 多堆燃料电池发电***协调控制方法、***及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113659178B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114079284B (zh) * | 2021-11-19 | 2023-08-08 | 湖南大学 | 计及燃料电池效率特性的分布式发电***能量管理与优化控制方法 |
CN114142071B (zh) * | 2021-11-19 | 2024-05-14 | 华中科技大学 | 一种多堆固体氧化物燃料电池的热电联供运行方法及*** |
CN115763908B (zh) * | 2022-11-29 | 2024-03-01 | 合肥工业大学 | 一种多堆燃料电池***效率优化的分布式控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108987770A (zh) * | 2018-07-18 | 2018-12-11 | 西南交通大学 | 一种多堆燃料电池发电***的协调优化控制方法 |
CN112670539A (zh) * | 2020-12-23 | 2021-04-16 | 佛山仙湖实验室 | 准确获得燃料电池***输出电流与输出功率关系的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6174553B2 (ja) * | 2014-12-11 | 2017-08-02 | 本田技研工業株式会社 | 燃料電池システムの制御方法及び燃料電池自動車 |
JP6091535B2 (ja) * | 2015-02-17 | 2017-03-08 | 富士重工業株式会社 | 車両用表示装置 |
CN108767294B (zh) * | 2018-03-29 | 2020-11-17 | 西南交通大学 | 一种燃料电池发电阵列***的功率输出控制方法及*** |
-
2021
- 2021-07-28 CN CN202110858492.8A patent/CN113659178B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108987770A (zh) * | 2018-07-18 | 2018-12-11 | 西南交通大学 | 一种多堆燃料电池发电***的协调优化控制方法 |
CN112670539A (zh) * | 2020-12-23 | 2021-04-16 | 佛山仙湖实验室 | 准确获得燃料电池***输出电流与输出功率关系的方法 |
Non-Patent Citations (1)
Title |
---|
基于 Salp 群算法的多堆燃料电池***效率优化控制方法;刘强 等;《中国电机工程学报》;20210527;第41卷(第22期);第7731页右栏第2行至12行,第7732页右栏倒数第3行至第7733页右栏最后1行,第7736页左栏倒数第7行至右栏第11行 * |
Also Published As
Publication number | Publication date |
---|---|
CN113659178A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113659178B (zh) | 多堆燃料电池发电***协调控制方法、***及车辆 | |
Fu et al. | Optimization based energy management strategy for fuel cell/battery/ultracapacitor hybrid vehicle considering fuel economy and fuel cell lifespan | |
CN113394817B (zh) | 一种风光水火储***的多能容量优化配置方法 | |
Yu et al. | Real time energy management strategy for a fast charging electric urban bus powered by hybrid energy storage system | |
CN112036603B (zh) | 一种基于双堆燃料电池的混合储能***能量管理策略 | |
CN111572369B (zh) | 基于改进遗传算法的燃料电池混合动力汽车能量管理在线优化方法 | |
CN112418605A (zh) | 一种光储式充电站储能***优化运行方法 | |
Hegazy et al. | Optimal power management and powertrain components sizing of fuel cell/battery hybrid electric vehicles based on particle swarm optimisation | |
CN108764552A (zh) | 一种配电网分布式电源的选址定容规划的确定方法 | |
Dominguez et al. | Sizing of fuel cell-ultracapacitors hybrid electric vehicles based on the energy management strategy | |
Khalatbarisoltani et al. | Integrating model predictive control with federated reinforcement learning for decentralized energy management of fuel cell vehicles | |
Zheng et al. | A deep deterministic policy gradient-based energy management strategy for fuel cell hybrid vehicles | |
CN112260274A (zh) | 一种基于全景理论的虚拟电厂组建方法 | |
CN109447233B (zh) | 电动汽车充放电调度方法及*** | |
CN114389294B (zh) | 一种面向降维等效的海量电动汽车集中式控制方法及*** | |
CN115366929A (zh) | 有轨电车用氢燃料电池混合动力***参数配置优化方法 | |
CN111668879B (zh) | 一种基于c-pso算法的高渗透率配电网调度模型及其计算方法 | |
CN113442795A (zh) | 基于分层式mpc的燃料电池混合动力***控制方法 | |
CN108711874B (zh) | 一种电动汽车参与公共楼宇常规调峰的用电控制策略方法 | |
CN112434374A (zh) | 一种纯电动汽车复合电源***的容量配比方法及*** | |
Liu et al. | Multi-objective optimization for energy management of fuel cell hybrid electric vehicles | |
Lian et al. | Real‐time energy management strategy for fuel cell plug‐in hybrid electric bus using short‐term power smoothing prediction and distance adaptive state‐of‐charge consumption | |
CN113837551B (zh) | 一种短期能源***模型领域多目标决策优化方法 | |
Li et al. | Control and development of a PEMFC electric bicycle | |
Ramy et al. | Study and design of a power management system using two-stage controller for PEM fuel cell 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 |