CN115027290A - 一种基于多目标优化的混合动力汽车跟车能量管理方法 - Google Patents

一种基于多目标优化的混合动力汽车跟车能量管理方法 Download PDF

Info

Publication number
CN115027290A
CN115027290A CN202210728546.3A CN202210728546A CN115027290A CN 115027290 A CN115027290 A CN 115027290A CN 202210728546 A CN202210728546 A CN 202210728546A CN 115027290 A CN115027290 A CN 115027290A
Authority
CN
China
Prior art keywords
vehicle
fuel cell
lithium battery
following
hybrid electric
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.)
Pending
Application number
CN202210728546.3A
Other languages
English (en)
Inventor
陶发展
朱龙龙
付主木
宁韧
王子清
吴阳
陈启宏
宋书中
高爱云
焦龙吟
张冬凯
司鹏举
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN202210728546.3A priority Critical patent/CN115027290A/zh
Publication of CN115027290A publication Critical patent/CN115027290A/zh
Pending legal-status Critical Current

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
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
    • B60L50/75—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using propulsion power supplied by both fuel cells and batteries
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
    • 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
    • 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]
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Power Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • General Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Transportation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明涉及混合动力汽车设计领域，且公开了一种基于多目标优化的混合动力汽车跟车能量管理方法，包括下述步骤：首先根据前车和被控车辆的行驶状态信息，设计基于可变时距的车间距策略获取参考跟车距离；其次基于参考跟车距离和燃料电池混合动力汽车纵向动力学模型，利用反步法设计非线性离散自适应巡航控制器求解车辆需求功率；然后建立被控车辆车载动力***中燃料电池和锂电池的经验老化模型，设计等消耗最小策略分配燃料电池和锂电池的功率；最后利用非支配排序遗传算法III对离散自适应巡航控制器和能量管理策略的参数进行离线优化，实现被控车辆跟驰行驶过程中各性能指标的均衡和全面提升。

Description

一种基于多目标优化的混合动力汽车跟车能量管理方法
技术领域
本发明涉及混合动力汽车设计领域，具体的说是一种基于多目标优化的混合动力汽车跟车能量管理方法。
背景技术
随着当今世界汽车的保有量不断地增加，由此带来的能源危机、交通安全和环境污染问题日益严峻，节能、高效、环保、安全及舒适成为当今汽车工业发展的主题。燃料电池混合动力汽车配备燃料电池和锂电池，不仅可以缓解纯电动汽车电池续航里程的问题，而且又不存在污染问题，是目前解决能源危机与环境污染的有效途径之一。对于跟车场景下的燃料电池混合动力汽车能量优化控制来说，车辆行驶安全性、舒适性、燃料经济性和能量源耐久性的均衡问题仍然是一大挑战。
发明内容
本发明旨在提供一种基于多目标优化的混合动力汽车跟车能量管理方法，解决被控车辆的跟驰行驶过程中安全性、舒适性、燃料经济性和能量源耐久性多目标均衡问题，达到提升燃料电池混合动力汽车整车性能的目的。
为了解决以上技术问题，本发明采用的具体方案为：一种基于多目标优化的混合动力汽车跟车能量管理方法，包括下述步骤：首先设计基于可变时距的车间距策略获取参考跟车距离；其次基于参考跟车距离和燃料电池混合动力汽车纵向动力学模型，利用反步法设计非线性离散自适应巡航控制器求解车辆需求功率；然后建立被控车辆车载动力***中燃料电池和锂电池的经验老化模型，设计等消耗最小策略分配燃料电池和锂电池的功率；最后利用非支配排序遗传算法III(Non-dominated sorting genetic algorithm III,NSGA III)对离散自适应巡航控制器和能量管理策略的参数进行离线优化，实现被控车辆与前车的跟驰行驶过程中各目标之间的均衡。
优选的，包括以下步骤：
S1:利用V2V、V2I相关无线通信和车载雷达传感装置，实时获取前方车辆的位置、速度信息；结合被控的燃料电池混合动力汽车车辆的位置、速度和加速度信息，设计基于可变时距的车间距策略，获取参考跟车距离；
S2:建立燃料电池混合动力汽车的纵向动力学模型，并基于S1中获取的参考跟车距离，利用反步法设计非线性离散自适应巡航控制器，控制整车驱动力，使得被控车辆以参考跟车距离跟随前车行驶；
S3:根据车辆驱动电机需求功率与行驶速度、驱动力和电机效率的关系，将S2中控制器输出的整车驱动力信号转化为车辆的需求功率信号；
S4:建立车载动力***能量源的经验老化模型，主要包括：燃料电池经验老化模型和锂电池经验老化模型；
S5:根据S3中获取的整车需求功率信号和S4中建立的能量源老化模型，将燃料电池和锂电池输出功率作为优化变量，以燃料电池氢气消耗和电池等效氢气消耗之和最小化为目标，构造待优化问题的成本函数及约束条件，设计基于等效氢气消耗最小化的能量管理策略，求解燃料电池和锂电池最优输出功率，并经DC/DC变换器作用于驱动电机；
S6:根据S4中建立的能量源老化模型，分别建立行驶安全性、舒适性、燃料经济性和能量源耐久性的成本函数及约束条件，设计基于NSGA III的跟车控制与能量管理Pareto多目标优化方法，对S2中离散自适应巡航控制器和S5中的能量管理策略的参数进行离线优化，实现被控车辆与前车的跟驰行驶过程中各目标之间的均衡。
优选的，S1中可变时距车间距策略为：
Figure BDA0003711766970000021
其中，d为期望跟车距离，s0是最小安全距离，th为前车制动时车辆驾驶员的最大反应时间(车头时距)，vi和vp分别为本车和前车的速度，cv和ca为正常数，ap为前车的加速度，t0为初始车头时距。
优选的，S2中燃料电池混合动力汽车的纵向动力学模型为：
Figure BDA0003711766970000022
其中，xi为被控车辆的行驶路程，Ts为采样时间，mi为被控车辆质量，u为被控车辆的驱动力/制动力，Fa、Fr和Fg分别为空气阻力、摩擦阻力和爬坡阻力，具体表示如下：
Figure BDA0003711766970000023
其中，Cd为车辆空气阻力系数，ρ为空气密度，A为被控车辆迎风面积，fr为路面摩擦系数，g为重力加速度，θ为道路坡度。
优选的，S2中非线性自适应巡航控制器设计为：
Figure BDA0003711766970000031
其中，Z2为速度误差，α为虚拟控制输入，具体表示如下：
Figure BDA0003711766970000032
其中，xp为前车位置，Z1为速度误差，具体表示如下：
Z1(k)＝xi(k)-xp(k)+d(k)；
优选的，S3中车辆的需求功率信号为：
Figure BDA0003711766970000033
其中，ηmotor为驱动电机效率。
优选的，S4中建立车载动力***的能量源老化模型进一步包括：根据燃料电池的电压衰减与使用寿命的关系，建立以外部电压为特征的燃料电池经验老化模型如下：
Figure BDA0003711766970000034
其中，Dfc为燃料电池老化程度(百分比)，kr为实际工况修正系数，V1、V2、V3和V4分别为燃料电池启停循环、低负载运行模式、高负载运行模式和负载波动模式下的电压衰减值，ns为启停循环次数，t1和t2分别为燃料电池低负载和高负载模式下运行时间，ΔPfc为燃料电池功率波动(W/s)，ΔV燃料电池电压最大允许衰减值。
优选的，S4中建立车载动力***的能量源老化模型进一步包括：根据锂电池容量衰减与使用寿命的关系，建立以总充放电量(安时)为特征的锂电池经验老化模型如下：
Figure BDA0003711766970000035
其中，Dbat为锂电池老化程度，其单位为百分比％，Ib为燃料电池充放电电流，Ncycle为锂电池最大充放电循环次数，Qc为锂电池额定容量。
优选的，S5中优化问题的整车燃料等效消耗成本函数及约束条件构造为：
Figure BDA0003711766970000041
其中，k3为大于0小于1的常值，ηfc为燃料电池效率，
Figure BDA0003711766970000048
为氢气的低热值，Pfc为燃料电池功率，Pbat为锂电池功率，
Figure BDA0003711766970000042
为燃料电池最小输出功率，
Figure BDA0003711766970000043
为燃料电池最大输出功率，
Figure BDA0003711766970000044
为锂电池最小输出功率，
Figure BDA0003711766970000045
为锂电池最大输出功率，λbat为锂电池能耗等效因子，具体表示如下：
Figure BDA0003711766970000046
其中，ηdis和ηchg分别为锂电池的充放电效率。
优选的，S6中行驶安全性、舒适性、燃料经济性和能量源耐久性的成本函数和约束条件设计为：
Figure BDA0003711766970000047
其中，n为行驶工况总时间，ω为权重因子。
本发明利用V2V、V2I相关无线通信和车载雷达传感装置，实时获取前方车辆的位置、速度信息；设计基于可变时距的车间距策略，根据被控车辆速度、加速度和与前车的相对速度实时调整参考跟车距离，以保证行驶安全和道路通行能力；在此基础上，设计基于反步法的离散自适应巡航控制器，以实现对参考跟车距离的精确跟踪；然后建立被控车辆车载动力***中燃料电池和锂电池的经验老化模型，设计等消耗最小策略将跟踪控制输出的需求功率分配给燃料电池和锂电池；最后利用NSGA III对离散自适应巡航控制器和能量管理策略的参数进行离线优化；使得本发明在解决跟车场景下的混合动力汽车能量优化控制问题时，实现了驾驶安全性、舒适性、燃料经济性和能量源耐久性各性能指标的整体提升和均衡的有益技术效果。
附图说明
图1基于多目标优化的燃料电池混合动力汽车跟车能量管理方法流程示意图；
图2燃料电池混合动力汽车拓扑结构图；
图3基于多目标优化的燃料电池混合动力汽车跟车能量管理方法原理图。
具体实施方式
本发明提供的基于多目标优化的燃料电池混合动力汽车跟车能量管理方法，如图1所示，从图中可以看出，该方法首先根据前车和被控车辆的行驶状态信息设计基于可变时距的车间距策略；其次基于获取的参考跟车距离，设计基于反步法的自适应巡航控制器得到车辆需求功率；然后建立被控车辆车载动力***中燃料电池和锂电池的经验老化模型，设计等消耗最小策略分配燃料电池和锂电池的功率；最后利用NSGA III对离散自适应巡航控制器和能量管理策略的参数进行离线优化，实现被控车辆跟驰行驶过程中各目标之间的均衡和提升，具体的，包括以下步骤：
S1:根据前车和被控车辆的行驶状态信息设计基于可变时距的车间距策略；
S2:根据S1中获取的参考跟车距离，利用反步法设计离散自适应巡航控制器；
S3:根据S2中所设计的自适应巡航控制器，实现参考跟车距离的跟踪并输出车辆的需求功率；
S4:建立车载动力***的燃料电池和锂电池经验老化模型；
S5:根据S3中获取的整车需求功率和S4中建立的能量源老化模型，利用等消耗最小方法实现整车能量管理，分配燃料电池和锂电池功率；
S6:根据S4中建立的能量源老化模型，分别建立行驶安全性、舒适性、燃料经济性和能量源耐久性的成本函数及约束条件，设计基于NSGA III的跟车控制与能量管理Pareto多目标优化方法，对S2中离散自适应巡航控制器和S5中的能量管理策略的参数进行离线优化；
在步骤S1中，利用V2V、V2I相关无线通信和车载雷达传感装置，实时获取前方车辆的位置、速度信息；结合被控的燃料电池混合动力汽车车辆的位置、速度和加速度信息，设计基于可变时距的车间距策略；
对于车间距策略的设计，为了适应复杂的道路交通环境，参考跟车距离要随着前车和被控车辆运动状态信息的变化而变化；同时考虑前车加速度的突变易导致追尾的问题，设计基于可变时距的车间距策略如下：
Figure BDA0003711766970000061
其中，d为期望跟车距离，s0是最小安全距离，th为前车制动时车辆驾驶员的最大反应时间(车头时距)，vi和vp分别为本车和前车的速度，cv和ca为正常数，ap为前车的加速度，t0为初始车头时距；
在步骤S2中，根据汽车动力学理论，建立燃料电池混合动力汽车的纵向动力学模型如下：
Figure BDA0003711766970000062
其中，xi为被控车辆的行驶路程，Ts为采样时间，mi为被控车辆质量，u为被控车辆的驱动力/制动力，Fa、Fr和Fg分别为空气阻力、摩擦阻力和爬坡阻力，具体表示如下：
Figure BDA0003711766970000063
其中，Cd为车辆空气阻力系数，ρ为空气密度，A为被控车辆迎风面积，fr为路面摩擦系数，g为重力加速度，θ为道路坡度；
基于燃料电池混合动力汽车纵向动力学模型和S1中获取的参考跟车距离，利用反步法设计离散自适应巡航控制器，使得被控车辆以参考跟车距离跟随前车行驶，具体设计步骤如下：
第一步：定义位置跟踪误差Z1
Figure BDA0003711766970000064
其中，xp为前车位置；
定义第一个李雅普诺夫函数
Figure BDA0003711766970000065
则其差分函数表示为：
Figure BDA0003711766970000066
引入虚拟误差α(k)，则速度跟踪误差Z2(k)＝vi(k)-α(k)；
为确保Z2(k)＝0时，在α(k)作用下的ΔL1(k)＜0，α(k)被设计为：
Figure BDA0003711766970000071
第二步，定义第二个李雅普诺夫函数
Figure BDA0003711766970000072
则其差分函数表示为：
Figure BDA0003711766970000073
第三步，设计总的李雅普诺夫函数为：
Figure BDA0003711766970000074
为了确保跟车误差***的稳定性，要求ΔL3(k)＜0，设计离散自适应巡航控制器如下：
Figure BDA0003711766970000075
在步骤S3中，根据车辆驱动电机需求功率与行驶速度、驱动力和电机效率的关系，将S2中控制器输出的整车驱动力信号转化为车辆的需求功率信号如下：
Figure BDA0003711766970000076
其中，ηmotor为驱动电机效率；
在步骤S4中，车载动力***的能量源主要由燃料电池和锂电池组成，其拓扑结构如图2所示，燃料电池经单向DC/DC变换器升压后为驱动电机提供能量输出，双向DC/DC变换器实现驱动电机侧和超级电容侧能量的双向流动；
基于此，在步骤S4中建立车载动力***能量源老化模型中进一步包括：
首先，根据四种工作模式下的燃料电池电压衰减速率，以当前总的电压衰减与最大允许电压衰减的比值来描述燃料电池老化程度，建立燃料电池经验老化模型如下：
Figure BDA0003711766970000077
其中，Dfc为燃料电池老化程度(百分比)，kr为实际工况修正系数，V1、V2、V3和V4分别为燃料电池启停循环、低负载运行模式、高负载运行模式和负载波动模式下的电压衰减值，ns为启停循环次数，t1和t2分别为燃料电池低负载和高负载模式下运行时间，ΔPfc为燃料电池功率波动(W/s)，ΔV燃料电池电压最大允许衰减值；
考虑燃料电池退化程度，燃料电池的输出电压表达式为：
Figure BDA0003711766970000081
其中，Vfc、Voc、Ifc、Re、IL分别为燃料电池输出电压、开路电压、输出电流、内阻和极限电流，R为，T为运行温度，β为，z为电子转移数目，F为法拉第常数；
在此基础上，燃料电池氢气消耗的表达式为：
Figure BDA0003711766970000082
其中，
Figure BDA0003711766970000083
为氢气消耗质量，Pfc为燃料电池功率，ηfc为燃料电池效率，
Figure BDA0003711766970000084
为氢气低热值；
其次，根据锂电池容量衰减与使用寿命的关系，建立以总充放电量(安时)为特征的锂电池经验老化模型如下：
Figure BDA0003711766970000085
其中，Dbat为锂电池老化程度，其单位为百分比％，Ib为燃料电池充放电电流，Ncycle为锂电池最大充放电循环次数，Qc为锂电池额定容量；
考虑到锂电池的退化程度，锂电池的剩余容量表达式为：
Qb＝(1-0.2Dbat)Qc (15)
基于此，锂电池的荷电状态表达式如下：
Figure BDA0003711766970000086
其中，SOCbat为锂电池和超级电容的荷电状态，SOCinit为锂电池初始荷电状态值，ηbat为锂电池的充放电效率，ib为锂电池电流，Qb为锂电池的额定容量；
在步骤S5中，根据S3中获取的整车需求功率信号和S4中建立的能量源老化模型，将燃料电池和锂电池输出功率作为优化变量，以燃料电池氢气消耗和电池等效氢气消耗之和最小化为目标，构造待优化问题的成本函数及约束条件如下：
Figure BDA0003711766970000087
其中，k3为大于0小于1的常值，ηfc为燃料电池效率，
Figure BDA0003711766970000091
为氢气的低热值，Pfc为燃料电池功率，Pbat为锂电池功率，
Figure BDA0003711766970000092
为燃料电池最小输出功率，
Figure BDA0003711766970000093
为燃料电池最大输出功率，
Figure BDA0003711766970000094
为锂电池最小输出功率，
Figure BDA0003711766970000095
为锂电池最大输出功率，λbat为锂电池能耗等效因子，具体表示如下：
Figure BDA0003711766970000096
其中，ηdis和ηchg分别为锂电池的充放电效率；
然后利用序列二次规划算法对公式(17)进行求解，获取燃料电池和锂电池最优输出功率，并经DC/DC变换器作用于驱动电机；
根据S4中建立的能量源老化模型，分别建立行驶安全性、舒适性、燃料经济性和能量源耐久性的成本函数及约束条件，设计基于NSGA III的跟车控制与能量管理Pareto多目标优化方法，对S2中离散自适应巡航控制器和S5中的能量管理策略的参数进行离线优化，实现被控车辆跟驰行驶过程中各目标之间的均衡，行驶安全性、舒适性、燃料经济性和能量源耐久性的成本函数和约束条件设计为：
Figure BDA0003711766970000097
其中，JDS,JDF,JFE,JPD分别为行驶安全性、舒适性、燃料经济性和能量源耐久性的相应成本函数，具体表示如下：
Figure BDA0003711766970000098
其中，n为行驶工况总时间，ω为权重因子；
最后利用NSGA III对公式(19)(20)进行离线优化，获取FCHEV控制策略Pareto非劣解集，分析跟车控制与能量管理参数对各性能指标的影响规律，进而遴选出兼顾各目标的综合最优解。

Claims (9)

1.一种基于多目标优化的混合动力汽车跟车能量管理方法，其特征在于：包括下述步骤：首先设计基于可变时距的车间距策略获取参考跟车距离；其次基于参考跟车距离和燃料电池混合动力汽车纵向动力学模型，利用反步法设计非线性离散自适应巡航控制器求解车辆需求功率；然后建立被控车辆动力***中燃料电池和锂电池的经验老化模型，设计等消耗最小策略分配燃料电池和锂电池的功率；最后利用非支配排序遗传算法III对离散自适应巡航控制器和能量管理策略的参数进行离线优化，实现被控车辆与前车的跟驰行驶过程中各目标之间的均衡。
2.根据权利要求1所述的一种基于多目标优化的混合动力汽车跟车能量管理方法，其特征在于：所述方法包括以下步骤：
S1:利用V2V、V2I相关无线通信和车载雷达传感装置，实时获取前方车辆的位置、速度信息；结合被控的燃料电池混合动力汽车车辆的位置、速度和加速度信息，设计基于可变时距的车间距策略，获取参考跟车距离；
S2:建立燃料电池混合动力汽车的纵向动力学模型，并基于S1中获取的参考跟车距离，利用反步法设计非线性离散自适应巡航控制器，控制整车驱动力，使得被控车辆以参考跟车距离跟随前车行驶；
S3:根据车辆驱动电机需求功率与行驶速度、驱动力和电机效率的关系，将S2中控制器输出的整车驱动力信号转化为车辆的需求功率信号；
S4:建立车载动力***能量源的经验老化模型，主要包括：燃料电池经验老化模型和锂电池经验老化模型；
S5:根据S3中获取的整车需求功率信号和S4中建立的能量源老化模型，将燃料电池和锂电池输出功率作为优化变量，以燃料电池氢气消耗和电池等效氢气消耗之和最小化为目标，构造待优化问题的成本函数及约束条件，设计基于等效氢气消耗最小化的能量管理策略，求解燃料电池和锂电池最优输出功率，并经DC/DC变换器作用于驱动电机；
S6:根据S4中建立的能量源老化模型，分别建立行驶安全性、舒适性、燃料经济性和能量源耐久性的成本函数及约束条件，设计基于NSGA III的跟车控制与能量管理Pareto多目标优化方法，对S2中离散自适应巡航控制器和S5中的能量管理策略的参数进行离线优化，实现被控车辆与前车的跟驰行驶过程中各目标之间的均衡。
3.根据权利要求2所述的一种基于多目标优化的混合动力汽车跟车能量管理方法，其特征在于：所述步骤S1中可变时距车间距策略为：
Figure FDA0003711766960000021
其中，d为期望跟车距离，s0是最小安全距离，th为前车制动时车辆驾驶员的最大反应时间，vi和vp分别为本车和前车的速度，cv和ca为正常数，ap为前车的加速度，t0为初始车头时距。
4.根据权利要求2所述的一种基于多目标优化的混合动力汽车跟车能量管理方法，其特征在于：所述步骤S2中燃料电池混合动力汽车的纵向动力学模型为：
Figure FDA0003711766960000022
其中，xi为被控车辆的行驶路程，Ts为采样时间，mi为被控车辆质量，u为被控车辆的驱动力/制动力；
Fa、Fr和Fg分别为空气阻力、摩擦阻力和爬坡阻力，具体表示如下：
Figure FDA0003711766960000023
其中，Cd为车辆空气阻力系数，ρ为空气密度，A为被控车辆迎风面积，fr为路面摩擦系数，g为重力加速度，θ为道路坡度。
5.根据权利要求2所述的一种基于多目标优化的混合动力汽车跟车能量管理方法，其特征在于：所述步骤S2中非线性自适应巡航控制器设计为：
Figure FDA0003711766960000024
其中，Z2为速度误差，α为虚拟控制输入，其具体表示如下：
Figure FDA0003711766960000025
其中，xp为前车位置，Z1为速度误差，具体表示如下：
Z1(k)＝xi(k)-xp(k)+d(k)。
6.根据权利要求2所述的一种基于多目标优化的混合动力汽车跟车能量管理方法，其特征在于：所述步骤S3中车辆的需求功率信号为：
Figure FDA0003711766960000031
其中，ηmotor为驱动电机效率。
7.根据权利要求2所述的一种基于多目标优化的混合动力汽车跟车能量管理方法，其特征在于：所述步骤S4中建立车载动力***的能量源老化模型包括：
根据燃料电池的电压衰减与使用寿命的关系，建立以外部电压为特征的燃料电池经验老化模型如下：
Figure FDA0003711766960000032
其中，Dfc为燃料电池老化程度、其单位为百分比％，kr为实际工况修正系数，V1、V2、V3和V4分别为燃料电池启停循环、低负载运行模式、高负载运行模式和负载波动模式下的电压衰减值，ns为启停循环次数，t1和t2分别为燃料电池低负载和高负载模式下运行时间，ΔPfc为燃料电池功率波动、其单位为W/s，ΔV燃料电池电压最大允许衰减值；
根据锂电池容量衰减与使用寿命的关系，建立以总充放电量为特征的锂电池经验老化模型如下：
Figure FDA0003711766960000033
其中，Dbat为锂电池老化程度、其单位为百分比％，Ib为燃料电池充放电电流，Ncycle为锂电池最大充放电循环次数，Qc为锂电池额定容量。
8.根据权利要求2所述的一种基于多目标优化的混合动力汽车跟车能量管理方法，其特征在于：所述步骤S5中优化问题的整车燃料等效消耗成本函数及约束条件构造为：
Figure FDA0003711766960000034
其中，k3为大于0小于1的常值，ηfc为燃料电池效率，
Figure FDA0003711766960000035
为氢气的低热值，Pfc为燃料电池功率，Pbat为锂电池功率，
Figure FDA0003711766960000036
为燃料电池最小输出功率，
Figure FDA0003711766960000037
为燃料电池最大输出功率，
Figure FDA0003711766960000041
为锂电池最小输出功率，
Figure FDA0003711766960000042
为锂电池最大输出功率，λbat为锂电池能耗等效因子，具体表示如下：
Figure FDA0003711766960000043
其中，ηdis和ηchg分别为锂电池的充放电效率。
9.根据权利要求2所述的一种基于多目标优化的混合动力汽车跟车能量管理方法，其特征在于：所述步骤S6中行驶安全性、舒适性、燃料经济性和能量源耐久性的成本函数和约束条件设计为：
Figure FDA0003711766960000044
其中，JDS,JDF,JFE,JPD分别为行驶安全性、舒适性、燃料经济性和能量源耐久性的相应成本函数，具体表示如下：
Figure FDA0003711766960000045
其中，n为行驶工况总时间，ω为权重因子。
CN202210728546.3A 2022-06-24 2022-06-24 一种基于多目标优化的混合动力汽车跟车能量管理方法 Pending CN115027290A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210728546.3A CN115027290A (zh) 2022-06-24 2022-06-24 一种基于多目标优化的混合动力汽车跟车能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210728546.3A CN115027290A (zh) 2022-06-24 2022-06-24 一种基于多目标优化的混合动力汽车跟车能量管理方法

Publications (1)

Publication Number Publication Date
CN115027290A true CN115027290A (zh) 2022-09-09

Family

ID=83126780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210728546.3A Pending CN115027290A (zh) 2022-06-24 2022-06-24 一种基于多目标优化的混合动力汽车跟车能量管理方法

Country Status (1)

Country Link
CN (1) CN115027290A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115848217A (zh) * 2022-11-11 2023-03-28 武汉理工大学 一种基于多能源模组的能源管理方法
CN116118705A (zh) * 2022-12-09 2023-05-16 聊城大学 一种跟驰场景下插电式混合动力公交车能量管理控制方法
CN117799502A (zh) * 2024-03-01 2024-04-02 西北工业大学宁波研究院 一种uuv的混合动力***的能源管理方法
CN117799503A (zh) * 2024-03-01 2024-04-02 西北工业大学 计及节能驾驶的燃料电池重卡能量管理方法及***

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115848217A (zh) * 2022-11-11 2023-03-28 武汉理工大学 一种基于多能源模组的能源管理方法
CN115848217B (zh) * 2022-11-11 2023-09-19 武汉理工大学 一种基于多能源模组的能源管理方法
CN116118705A (zh) * 2022-12-09 2023-05-16 聊城大学 一种跟驰场景下插电式混合动力公交车能量管理控制方法
CN116118705B (zh) * 2022-12-09 2023-08-11 聊城大学 一种跟驰场景下插电式混合动力公交车能量管理控制方法
CN117799502A (zh) * 2024-03-01 2024-04-02 西北工业大学宁波研究院 一种uuv的混合动力***的能源管理方法
CN117799503A (zh) * 2024-03-01 2024-04-02 西北工业大学 计及节能驾驶的燃料电池重卡能量管理方法及***
CN117799503B (zh) * 2024-03-01 2024-04-30 西北工业大学 计及节能驾驶的燃料电池重卡能量管理方法及***
CN117799502B (zh) * 2024-03-01 2024-05-14 西北工业大学宁波研究院 一种uuv的混合动力***的能源管理方法

Similar Documents

Publication Publication Date Title
Song et al. Pontryagin’s minimum principle-based real-time energy management strategy for fuel cell hybrid electric vehicle considering both fuel economy and power source durability
Xie et al. Microsimulation of electric vehicle energy consumption and driving range
CN115027290A (zh) 一种基于多目标优化的混合动力汽车跟车能量管理方法
Xu et al. Optimal sizing of plug-in fuel cell electric vehicles using models of vehicle performance and system cost
CN108394401A (zh) 汽车动力装置的控制方法、***、装置及存储介质
Han et al. A real-time energy management strategy based on energy prediction for parallel hybrid electric vehicles
CN113085860B (zh) 一种跟车环境下的燃料电池混合动力汽车的能量管理方法
CN109552110B (zh) 基于规则与非线性预测控制的电动汽车复合能量管理方法
CN113815437B (zh) 燃料电池混合动力汽车的预测性能量管理方法
CN112009456A (zh) 一种网联混合动力汽车能量管理方法
CN114132302A (zh) 一种车辆控制方法、装置、***及存储介质
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
Zhu et al. Multiobjective optimization of safety, comfort, fuel economy, and power sources durability for FCHEV in car-following scenarios
CN115549159A (zh) 一种考虑调峰成本的大规模电动汽车分群调度策略
Burnett et al. A power system combining batteries and supercapacitors in a solar/hydrogen hybrid electric vehicle
Ye et al. Reinforcement learning-based energy management system enhancement using digital twin for electric vehicles
Halima et al. Energy management of parallel hybrid electric vehicle based on fuzzy logic control strategies
CN115848217B (zh) 一种基于多能源模组的能源管理方法
Song et al. Study on the fuel economy of fuel cell electric vehicle based on rule-based energy management strategies
CN110341537A (zh) 一种基于模型预测控制的车载双向充电机充电控制策略
Sabatini et al. Battery aging management for fully electric vehicles
CN116394803A (zh) 一种考虑速度优化的混合燃料电池车辆功率优化控制方法
CN115284896A (zh) 一种基于双堆燃料电池的混合动力***能量管理方法
Wang et al. Simulation of Energy Control Strategy for Hybrid Electric Vehicle Based on Modified Dynamic Programming
Xiao et al. An optimized energy management strategy for fuel cell hybrid 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