CN115716469A - 一种混合动力***的输出功率分配控制方法 - Google Patents
一种混合动力***的输出功率分配控制方法 Download PDFInfo
- Publication number
- CN115716469A CN115716469A CN202211485333.9A CN202211485333A CN115716469A CN 115716469 A CN115716469 A CN 115716469A CN 202211485333 A CN202211485333 A CN 202211485333A CN 115716469 A CN115716469 A CN 115716469A
- Authority
- CN
- China
- Prior art keywords
- power
- pemfc
- output power
- current
- actual
- 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
Links
Images
Landscapes
- Fuel Cell (AREA)
Abstract
本发明属于混合动力能量分配领域,具体涉及一种混合动力***的输出功率分配控制方法,包括:计算预测的当前所需实际功率与采集的PEMFC当前实际输出功率的偏差,当前实际输出功率与前一次采集的实际输出功率之间的偏差,以及当前采集下与前一次采集下PEMFC的寿命指标之间的偏差;计算各偏差绝对值之间的加权和,各权重系数取同号;控制已训练的自适应模糊神经网络基于加权和,对当前所需实际功率和当前实际输出功率的差值进行供给分配,输出PEMFC待向负载输出的功率值,该功率值与加权和成反比,上述差值与该功率值之间的差值部分由其它动力源提供或接收,使得PEMFC向负载输出能够延缓PEMFC衰老的功率值,同时混合动力***满足负载当前所需实际功率需求。
Description
技术领域
本发明属于混合动力能量分配领域,更具体地,涉及一种混合动力***的输出功率分配控制方法。
背景技术
从人类早期文明时期以木材等资源作为能源的开始,经历了工业革命时期化石燃料的***式发展,到今日太阳能、风能、氢能等新一代清洁能源逐渐占领能源市场的一席之地,能源技术的更新换代是推动世界经济发展的重要动力来源之一。在日益紧张的国际能源形势和日渐严重的环境污染现状面前,以新型清洁能源氢能为动力的燃料电池凭借其自身环保、高效、可靠、低风险等诸多优势广泛应用于交通运输、工业生产、分布式储能等领域。与其广阔的应用前景相悖的一点是氢能燃料电池的耐久性问题。
特别是实际负载功率需求频繁发生变化的复杂工况,例如车辆行驶工况,车用的PEMFC***需要根据车辆行驶工况计算得到的实际需求功率实时地调整电能的输出,这很有可能会导致PEMFC***内部某些部件出现结构变化或性能衰减,例如催化层的铂催化剂溶解或沉积导致电化学活性面积的降低或者气体扩散层的碳腐蚀等等,这些微小的损伤很难直接观察得到,若不加以注意,则可能会引发电堆输出特性的大幅度下降,严重的情况甚至会影响到整个车辆的运行。因此,为了维持PEMFC***持续稳定的工作条件,关于PEMFC性能退化的预测和延缓衰老的控制策略至关重要。
目前对于燃料电池的衰退机理分析已经做了一定的工作,但是还不够全面,例如,对车用燃料电池***的建模中很少有涉及到电堆衰减的因素,对车用燃料电池剩余寿命预测存在的一些问题;由于衰退机理的复杂,目前的实验和研究仍在探索阶段,给出一个反映出燃料电池衰减的统一模型十分困难。在此基础上,目前对混合动力***采用的控制方法有基于下垂控制的状态机策略的控制、基于频率分离的能量管理策略的控制、基于支持向量机的控制、基于双Q强化学习的能量管理的控制和基于深层神经网络的控制等,而这些控制策略少有考虑到混合动力***的延寿,设计一个能够实现混合动力***的实时控制与延寿的方法是十分重要的。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种混合动力***的输出功率分配控制方法,其目的在于提出一种混合动力***的输出功率分配控制方法,以在实时快速响应负载需求的同时延缓PEMFC的衰老。
为实现上述目的,按照本发明的一个方面,提供了一种混合动力***的输出功率分配控制方法,包括:
预测负载当前所需实际功率,并采集混合动力***中PEMFC的当前实际输出功率;
计算所述当前所需实际功率与所述当前实际输出功率的偏差,所述当前实际输出功率与前一次采集的实际输出功率之间的偏差,以及当前采集下与前一次采集下PEMFC的寿命指标之间的偏差;并计算各偏差绝对值之间的加权和,其中各权重系数取同号;
控制已训练的自适应模糊神经网络基于所述加权和的取值,通过模糊推理对所述当前所需实际功率和所述当前实际输出功率的差值进行供给分配,输出PEMFC待向负载输出的功率值,该功率值与所述加权和成反比,所述差值与该功率值之间的差值部分由PEMFC以外的其它动力源提供或接收,使得PEMFC向负载输出能够延缓PEMFC衰老的功率值,同时混合动力***满足负载当前所需实际功率需求,完成混合动力***的当前控制。
进一步,采用已训练的GRU预测神经网络,基于历史实际工况,预测负载当前所需实际功率。
进一步,各偏差具体为差值的平方和。
进一步,所述寿命指标为剩余电化学活性表面积。
进一步,所述寿命指标为剩余电化学活性表面积与原始电化学活性表面积的比值。
进一步,在加权和计算时,当前采集下与前一次采集下PEMFC的寿命指标之间的偏差的权重系数取值大于其它权重系数。
进一步,所述自适应模糊神经网络的训练样本采用循环工况数据。
本发明提供一种混合动力***的输出功率分配控制***,其特征在于,用于执行如上所述的一种混合动力***的输出功率分配控制方法,包括:预测单元,采集单元,以及功率分配单元;
预测单元用于预测负载当前所需实际功率;
采集单元用于采集混合动力***中PEMFC的当前实际输出功率;
注意力增强单元用于计算所述当前所需实际功率与所述当前实际输出功率的偏差,所述当前实际输出功率与前一次采集的实际输出功率之间的偏差,以及当前采集下与前一次采集下PEMFC的寿命指标之间的偏差;并计算各偏差绝对值之间的加权和,其中各权重系数取同号;
功率分配单元用于控制已训练的自适应模糊神经网络基于所述加权和的取值,通过模糊推理,对所述当前所需实际功率和所述PEMFC当前实际输出功率的差值进行供给分配,输出PEMFC待向负载输出的功率值,该功率值与所述加权和成反比,所述差值与该功率值之间的差值部分由PEMFC以外的其它动力源提供或接收,使得PEMFC向负载输出能够延缓PEMFC衰老的功率值,同时混合动力***满足负载当前所需实际功率需求。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种混合动力***的输出功率分配控制方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明讨论操作条件对于燃料电池寿命的影响,通过控制的手段延缓燃料电池的衰减。具体提出基于注意力增强机制的模糊自适应神经网络,注意力增强机制即为:计算当前所需实际功率与PEMFC当前实际输出功率的偏差,PEMFC当前实际输出功率与前一次采集的实际输出功率之间的偏差,以及当前采集下与前一次采集下PEMFC的寿命指标之间的偏差;并计算各偏差绝对值之间的加权和,其中各权重系数取同号,将该加权和作为模糊神经网络的一个输入,模糊神经网络通过模糊推理,对当前所需实际功率和PEMFC当前实际输出功率的差值进行供给分配,输出PEMFC待向负载输出的功率值,该功率值与所述加权和成反比,所述差值与该功率值之间的差值部分由其它动力源提供或接收,使得PEMFC向负载输出能够延缓PEMFC衰老的功率值。也就是,上述加权和作为模糊神经网络输出的影响因子,使得分配给PEMFC的功率值与加权和成反比,通过奖惩的方式,多次反馈,使得加权和趋近于0,实现功率快速跟踪、实现功率波动小、实现PEMFC的ECSA缓慢波动,从而能够充分保护PEMFC。
(2)在加权和计算时,当前采集下与前一次采集下PEMFC的寿命指标之间的偏差的权重系数取值大于其它权重系数,使得自适应模糊神经网络优先对ΔECSA进行优化考虑,更好达到延寿的效果。
(3)本发明通过GRU预测神经网络对于包含PEMFC的混合动力***的实际工况进行预测,并将预测得到的当前的负载需求功率Preq传递给自适应模糊神经网络,从而能够实现实时的预测控制功能。
附图说明
图1为本发明实施例提供的一种混合动力***的输出功率分配控制方法框架示意图;
图2为本发明实施例提供的车用PEMFC***结构图;
图3为本发明实施例提供的一种混合动力***的输出功率分配控制方法流程图;
图4为本发明实施例提供的在CLTC-P、EPA、NYCC和WLTC四种工作状况下利用GRU预测网络进行预测的结果图;
图5为本发明实施例提供的在CLTC-P、EPA、NYCC和WLTC四种工作状况,采用普通模糊神经网络与基于预测和注意力增强机制的模糊神经网络对混合动力***进行调控得到PEMFC的ECSA随时间变化图;
图6为本发明实施例提供的在CLTC-P、EPA、NYCC和WLTC四种工作状况,采用普通模糊神经网络与基于预测和注意力增强机制的模糊神经网络对混合动力***进行调控得到锂电池的SOC随时间变化图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
一种混合动力***的输出功率分配控制方法,如图1所示,包括:
预测负载当前所需实际功率,并采集混合动力***中PEMFC的当前实际输出功率;
计算当前所需实际功率与当前实际输出功率的偏差,当前实际输出功率与前一次采集的实际输出功率之间的偏差,以及当前采集下与前一次采集下PEMFC的寿命指标之间的偏差;并计算各偏差绝对值之间的加权和,其中各权重系数取同号;
控制已训练的自适应模糊神经网络基于所述加权和的取值,通过模糊推理,对当前所需实际功率和当前实际输出功率的差值进行供给分配,输出PEMFC待向负载输出的功率值,该功率值与所述加权和成反比,所述差值与该功率值之间的差值部分由其它动力源提供或接收,使得PEMFC向负载输出能够延缓PEMFC衰老的功率值,同时混合动力***满足负载当前所需实际功率需求,完成PEMFC/锂电池混合动力***的当前控制。
本实施例选用车用质子交换膜燃料电池(Proton Exchange Membrane FuelCell,PEMFC)/锂电池混合动力***作为示例,解释说明本发明,也可以用其它包含PEMFC的混合动力***,达到功率快速跟踪、功率波动小、PEMFC的ECSA缓慢波动的效果。
本实施例以车用质子交换膜燃料电池(Proton Exchange Membrane Fuel Cell,PEMFC)/锂电池混合动力***的耐久性问题为出发点,从建模、预测和控制的不同角度对PEMFC的输出电特性进行分配,在实时快速响应负载需求的同时延缓PEMFC的衰老。
具体的,首先,为了简洁明了且极具代表性地展示PEMFC的剩余寿命,本实施例选用PEMFC电堆催化层铂的溶解和沉积造成的电化学活性面积(ECSA),可作为优选的,利用归一化后的ECSA作为PEMFC剩余使用寿命的指标,以方便不同型号PEMFC的寿命性能对比。
其次,为了能够实时对车用PEMFC混合动力***进行控制,控制器需要更加迅速地做出响应。为了使得控制器能够反应更加迅速的方法有两种,一种是从硬件升级的角度出发,而另一种是从软件编程的角度出发。但是硬件的升级相比较于软件而言,其升级换代周期较长,这是不利于用户的一种方法。因此,为了能够更加贴近现实生活,本实施例选用从软件的角度出发来解决这个问题,可作为优选的,采用神经网络预测器对未来情况进行***,将预测信息作为前馈信息传递给自适应模糊神经网络。
针对本发明研究的背景,实际的交通中,存在各种各样的随机性问题,往往需要在很短的时间内通过少量的历史数据来窥探未来。为了能够做到快速高效地实时预测未来的工作状况,本实施例提出一种轻量化的神经网络来实现这个功能。因此,可作为优选的,选取GRU预测神经网络来作为预测器,基于历史实际工况,预测负载当前所需实际功率,本方法均方误差较低,准确度高,且由于神经网络已训练完成,在实际运行时所需算力少,运算成本相对较低,运算速度快。
关于GRU预测神经网络,本实施例采用的GRU预测神经网络有三个门:更新门、重置门和输出门。在更新门和重置门的辅助下,GRU最终实现了调节输入值、记忆值和输出值的功能。为了能够更好地针对实时的工作状况进行预测,通过实践可作为优选的示例,其输入层神经元个数为1,隐藏层神经元个数为288,输出层神经元个数为1。在训练中,求解器的设置为adam,梯度阈值的设置为1。为了避免过拟合的情况出现,指定初始学习率为0.005,并且每500轮训练后通过乘以因子0.2来降低学习率。通过GRU预测神经网络对于PEMFC/锂电池混合动力***的实际工况进行预测,并将预测得到的当前的负载需求功率Preq传递给自适应模糊神经网络,从而能够实现实时的预测控制功能。
另外,在控制中,为了实现同时满足PEMFC混合动力***为车辆的正常行驶提供充足的能量以及PEMFC的延寿,这对控制方法提出了较大的要求。而模糊神经网络控制由于具有强大的学习与推理能力。所以它能够在复杂的环境中,根据先有经验、***的固有属性与***本身的约束等,合理地推断出需要如何输出才能够实现PEMFC的延寿。因而较为适合处理这类问题。
模糊神经网络是将神经网络与模糊***结合之后得到的产物,汲取了二者的优点,不仅是使得本身具有了学习、想象、自适应的能力,同时还包含了推理计算、逻辑思考的能力。模糊神经网络的本质是将常规的神经网络输入模糊输入信号和模糊权值。神经网络的输入层是模糊***的输入信号,输出层是模糊***的输出信号,隐藏层是隶属函数和模糊规则。对于从环境中知识的表达、存储、运用以及获取方面来看,模糊神经网络具有以下一些特点:
(1)从知识的表达方式来看,模糊***可以表达人的经验性知识,便于理解,而神经网络只能描述大量数据之间的复杂函数关系,难于理解。
(2)从知识的存储方式来看,模糊***将知识存在规则集中,神经网络将知识存在权系数中,都具有分布存储的特点。
(3)从知识的运用方式来看,模糊***和神经网络都具有并行处理的特点,模糊***同时激活的规则不多,计算量小,而神经网络涉及的神经元很多,计算量大。
(4)从知识的获取方式来看,模糊***的规则靠专家提供或设计,难于自动获取。而神经网络的权系数可由输入输出样本中学习,无需人来设置。
模糊神经网络虽然也是局部逼近网络,但是它是按照模糊***模型建立的,网络中的各个结点及所有参数均有明显的物理意义,因此这些参数的初值可以根据***或定性的知识来加以确定(本实施例中,输入的物理含义包括功率,输出的物理含义为电流),然后利用上述的学习算法可以很快收敛到要求的输入输出关系,这是模糊神经网络比前面单纯的神经网络的优点所在。同时由于它具有神经网络的结构,因而参数的学习和调整比较容易,这是它比单纯的模糊逻辑***的优点所在。
另外,基于本发明研究问题的复杂程度,不仅需要一种能够具有学习、自我矫正并且泛化能力强的控制方案来实现控制功能,而且需要这种控制方案能够充分地保护被控对象,针对性地改进其性能,提出注意力增强机制的模糊自适应神经网络控制器,作为核心控制器。
注意力增强机制即为:计算当前所需实际功率与PEMFC当前实际输出功率的偏差,PEMFC当前实际输出功率与前一次采集的实际输出功率之间的偏差,以及当前采集下与前一次采集下PEMFC的寿命指标之间的偏差;并计算各偏差绝对值之间的加权和,其中各权重系数取同号,将该加权和作为模糊神经网络的一个输入,模糊神经网络通过模糊推理,对当前所需实际功率和PEMFC当前实际输出功率的差值进行供给分配,输出PEMFC待向负载输出的功率值,该功率值与所述加权和成反比,所述差值与该功率值之间的差值部分由锂电池提供或接收,使得PEMFC向负载输出能够延缓PEMFC衰老的功率值,从而使得模糊神经网络学习到如何调控输出以使得最能延缓PEMFC的衰老,矫正了输出,增强了模糊神经网络的泛化能力,因此,上述加权和作为模糊神经网络输出的影响因子,使得分配给PEMFC的功率值与加权和成反比,通过奖惩的方式,多次反馈,使得加权和趋近于0,实现功率快速跟踪(体现在当前所需实际功率与PEMFC当前实际输出功率的偏差)、实现功率波动小(体现在PEMFC当前实际输出功率与前一次采集的实际输出功率之间的偏差)、实现PEMFC的ECSA缓慢波动(体现在当前采集下与前一次采集下PEMFC的寿命指标之间的偏差),能够充分保护PEMFC。
也就是,本实施例提出的基于注意力增强机制的模糊自适应神经网络,与传统的模糊神经网络相比,注意力增强机制将更多的要求模糊自适应神经网络够实现功率快速跟踪、实现功率波动小、实现ECSA波动缓慢。对于尚未加权和趋近于0时,需要继续采用上述加权和对神经网络进行奖惩。
注意力增强机制可表达为:
其中,Perror表示预测的当前负载需求功率Preq与PEMFC当前的实际输出功率PFC的差值,ΔPFC表示在两个采样点之间的PEMFC输出功率变化值,ΔECSA表示在两个采样点之间的ECSA变化值,ξ1、ξ2和ξ3分别代表的是Perror、ΔPFC和ΔECSA的权重值,其取值均为正数。
通过改变ξ1、ξ2和ξ3的相对大小,可以改变自适应模糊神经网络对Perror、ΔPFC和ΔECSA进行优化考虑的优先级关系,作为优选的,在加权和计算时,当前采集下与前一次采集下PEMFC的寿命指标之间的偏差的权重系数取值大于其它权重系数。同时使得Perror、ΔPFC和ΔECSA在混合动力***中呈现出较好的表现。
总的来说,本实施例方法通过GRU神经网络预测模块可以对实际工况进行实时预测,并采用注意力增强机制矫正模糊神经网络的动作,即具有极强的实时性。另外,在混合动力***功率分配的过程中,可以减缓PEMFC中ECSA的降解,并且还可减缓其它动力源的寿命衰减(例如减缓锂电池的SOC波动)。即这种控制方案实现了对PEMFC混合动力***的实时控制与延寿。
优选的,上述各偏差为差值的平方和,方便计算。自适应模糊神经网络的训练样本采用循环工况数据。
关于ECSA的求解,现给出如下说明:
ECSA的衰减模型分为水含量影响的ECSA衰减的子模型、电压影响ECSA衰减的子模型和催化层气体流道的子模型。
其中,描述水含量影响的ECSA衰减的子模型是通过获取不同的膜水含量λm对ECSA衰减影响的情况而总结的经验模型。膜水含量λm与质子交换膜处的气体相对湿度又相关,于是具体的子模型搭建方法是分别在当质子交换膜处的气体相对湿度为50%与100%的条件下,获取它们对于ECSA衰减的影响,再采用线性插值的方式,得到水含量对ECSA衰减的经验公式。描述水含量影响的ECSA衰减的子模型的输入有包括:进气湿度、气体流速、电流等。描述水含量影响的ECSA衰减的子模型的输出为水含量影响因子。通过该子模型可实现通过控制PEMFC水含量在一定的范围来保证PEMFC的健康状态,达到对其健康管控的目的。
其中膜水含量λm一般不能通过直接测量的方式得到,本实施例采用间接计算的方式得到。而采用间接计算则是需要获知通入气体的相对湿度。假设PEMFC的阴阳极出口的气体中,初始状态下相对湿度RH=0.5,设定入口气体的湿度RH为可调节量,则阴阳极的入口水蒸气分压如式(1)所示:
Pv,i=RH×Psat,i (1)
Psat,i表示在i处的环境大气压力,例如Psat,m表示质子交换膜处的大气压力;Pv,i表示在i处的水蒸气分压,例如:Pv,in表示入口处的水蒸气分压,Pv,out表示出口处的水蒸气分压,Pv,m表示质子交换膜处的水蒸气分压。Psat,i可以根据Emanuel推荐的经验公式(2)计算,其单位为Pa:
其中,T表示在i处的温度。假设从阴阳极入口到出口的水蒸气分压呈现出线性递增关系,则阴阳极气体中的水蒸气分压如式(3)所示:
Pv,in表示入口处的水蒸气压力,Pv,out表示出口处的水蒸气压力,由于从阴阳极的入口到出口的距离比较短,本发明采用Pv代替Pv,m。在得到Pv,m后,质子交换膜的水含量λm采用经验公式(4)、(5)求得:
λm表示质子交换膜处的水含量,am表示质子交换膜处的相对湿度,Psat,m表示质子交换膜处的大气压力。
由此获得膜水含量λm后,再计算膜水含量λm对对ECSA衰减影响。
描述电压影响ECSA衰减的子模型是通过获取不同的电压和电压变化率对ECSA衰减影响的情况而总结的经验模型。
描述催化层气体流道的子模型是对催化层物理描述数值化的经验模型,具体包括设定的Pt粒子总表面积、输入到该流道的氧气流速、输入到该流道的氢气流速以及可通过催化层的最大电流密度。
根据经验公式推导得到,当水含量越小时,ECSA衰减至最小值所消耗的时间越长;当电压越小、电压变化率越小时,ECSA衰减至最小值所消耗的时间越长。因此为了保持混合动力***中PEMFC的健康状态,需要保持较低的水含量与较低的电压及较低的电压变化率。
用剩余活性表面积S(N)与初始总活性表面积S0构建关系式,如式(6)所示:
k表示影响因子,N表示循环次数,也可用时间/s代替,当湿度为50%时,通过对于实际数据的拟合,得到k=2.05×10-4min-1,当湿度为100%时,通过对于实际数据的拟合,得到k=3.72×10-4min-1。设当ECSA不断降解时,存在一个最小的ECSA,记为ECSAmin,将ECSAmin其定义为最小铂表面积,取值为0.2。这二者之间的关系如式(7)所示:
ktotal=kSC×kT×kRH×kUPL×kdwell(8)
式(7)中,ktotal表示全部影响因素的总降解率,kSC是标准电压循环的降解率,kT为温度导致的ECSA衰减速率因子,kRH为相对湿度导致的ECSA衰减速率因子,kUPL为上限电压值导致的ECSA衰减速率因子,kdwell为电压持续时间导致的ECSA衰减速率因子。可以独立的研究温度、湿度、电压等对PEMFC中ECSA降解造成的影响。定义kUPL、kdwell计算公式如式(9)、(10)所示:
kUPL=eC×(UPL-0.95) (9)
kdwell=0.38+0.29×tdwell (10)
式中,C为常数值,取值为0.00152mV-1,UPL表示在采样周期内电压的局部最大值,tdwell表示在采用周期内电压维持在电压局部最小值的时长。在本发明只研究相对湿度、电压与PEMFC中ECSA降解速率之间的关系,即假设kSC=kT=1。
为了更好地说明本发明,在基于质子交换膜燃料电池***实验测试平台上进行示例验证。其中,测试平台主要由PEMFC电堆和空气供给***、氢气供给***、冷却水路***三个子***共同组成,如图2所示。
在所述测试平台上运行本实施例所提出的输出功率分配控制方法以及基于普通模糊神经网络的控制方案,在WLTP、CLTC-P、EPA以及NYCC四种不同工况下进行仿真,并比较仿真结果。其中,各工况数据是将各自工况的原始速度数据通过经验公式转化为功率数据得到。
本实施例所提出的输出功率分配控制方法,如图3所示,执行流程可如下:
(1)实际负载需求功率的历史信息传入负载功率预测模块,获得该时刻的负载功率需求Preq。
(2)Preq一方面与PEMFC的输出功率PFC做差以得到Perror,另一方面输入至控制器作为调控的影响因素之一。
(3)Perror、ΔPFC、ΔECSA共同作用于注意力增强机制,计算出其产生的影响值J后,与Preq、Perror共同输入至自适应模糊神经网络。
(4)通过部署在自适应模糊神经网络中的控制方法,实时调节PEMFC与锂电池的能量输出。同时控制器还兼具延缓PEMFC性能衰减与锂电池保护的功能,能够使它们都在正常的工作区间内工作。
(5)PEMFC/锂电池混合动力***的功率输出通过反馈的方式满足当前时刻实际的负载功率需求,当需求功率高于PEMFC的输出功率时,需求功率高于PEMFC输出功率的部分将由锂电池提供,而当需求功率低于PEMFC的输出功率时,PEMFC输出功率高于需求功率的部分将为锂电池进行充电。
(6)返回步骤(1),如此反复循环,最终达到实时响应负载功率需求与延缓PEMFC性能衰退的目的。
图4,是在CLTC-P、EPA、NYCC、WLTC工作状况下利用GRU预测网络进行预测的结果。可以发现预测出来的负载需求功率与实际负载需求功率已经非常吻合了。为了能够更加清晰地呈现出GRU预测网络的预测结果与实际结果之间的差距,本实施例采用RMSE作为其误差指标,记录结果如表所示。可见,利用GRU预测网络对不同工作状态进行预测,能够保证其预测结果与实际结果非常接近。RMSE值保持在很低的水平,这表明GRU预测神经网络的预测误差很小,同时意味着用GRU预测网络的预测值来估计未来的工作状况这一个方法是准确且可行的。
在不同工况下的GRU预测结果与实际结果之间的差距
图5,是在CLTC-P、EPA、NYCC、WLTC工作状况,采用普通模糊神经网络与基于预测和注意力增强机制的模糊神经网络对混合动力***进行调控得到PEMFC的ECSA随时间变化的情况。本实施例所采用的改进后的模糊神经网络,即注意力增强机制的模糊自适应神经网络,相比较于普通的模糊神经网络而言,可以更好地减少PEMFC中ECSA的衰减。这说明本实施例采用的注意力增强机制对于抑制ECSA衰减产生了积极的作用。
图6,是在CLTC-P、EPA、NYCC、WLTC工作状况下,采用普通模糊神经网络与基于预测和注意力增强机制的模糊神经网络对混合动力***进行调控得到锂电池的SOC随时间变化的情况。本发明采用的注意力增强机制,不仅仅是保护了PEMFC,减缓了ECSA的衰减,同时还减缓了SOC的变化。而减缓SOC的变化,意味着对于锂电池来说,其寿命也得到了延长。与此同时,本实施例采用的注意力增强机制也保证了SOC处于正常的工作范围。相比较于普通的模糊神经网络而言,本文采用的注意力增强机制的模糊神经网络更加能够延长PEMFC混合动力***的使用寿命。
总的来说,本实施例给出一种对于PEMFC/锂电池混合动力***的控制方法,这种方法是基于预测和注意力增强机制的模糊自适应神经网络控制的方法,属于混合动力能量分配领域。基于预测和注意力增强机制的模糊自适应神经网络控的方法,通过GRU神经网络预测模块对实际工况进行实时预测并采用注意力增强机制矫正模糊神经网络控制器的动作,同时考虑了预测的当前负载需求功率、PEMFC当前的实际输出功率和注意力增强机制的影响值,三种因素交叉耦合共同作用,更准确实时地对PEMFC/锂电池混合动力***进行了调控。基于预测和注意力增强机制的模糊自适应神经网络控制的方法,在混合动力***功率分配的过程中,可以减缓PEMFC中ECSA的降解,并且减缓锂电池的SOC波动。即这种控制方案实现了对PEMFC混合动力***的实时控制与延寿。
实施例二
一种混合动力***的控制器,用于执行如上所述的一种混合动力***的输出功率分配控制方法,包括:预测单元,采集单元,以及功率分配单元。
其中,预测单元用于预测负载当前所需实际功率;采集单元用于采集PEMFC当前实际输出功率;注意力增强单元用于计算当前所需实际功率与PEMFC当前实际输出功率的偏差,PEMFC当前实际输出功率与前一次采集的实际输出功率之间的偏差,以及当前采集下与前一次采集下PEMFC的寿命指标之间的偏差;并计算各偏差绝对值之间的加权和,其中各权重系数取同号;功率分配单元用于控制已训练的自适应模糊神经网络基于所述加权和的取值,通过模糊推理,对所述当前所需实际功率和所述PEMFC当前实际输出功率的差值进行供给分配,输出PEMFC待向负载输出的功率值,该功率值与所述加权和成反比,所述差值与该功率值之间的差值部分由其它动力源提供或接收,使得PEMFC向负载输出能够延缓PEMFC衰老的功率值,同时混合动力***满足负载当前所需实际功率需求。
相关技术方案同实施例一,在此不再赘述。
实施例三
一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如实施例一所述的一种混合动力***的输出功率分配控制方法。
相关技术方案同实施例一,在此不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种混合动力***的输出功率分配控制方法,其特征在于,包括:
预测负载当前所需实际功率,并采集混合动力***中PEMFC的当前实际输出功率;
计算所述当前所需实际功率与所述当前实际输出功率的偏差,所述当前实际输出功率与前一次采集的实际输出功率之间的偏差,以及当前采集下与前一次采集下PEMFC的寿命指标之间的偏差;并计算各偏差绝对值之间的加权和,其中各权重系数取同号;
控制已训练的自适应模糊神经网络基于所述加权和的取值,通过模糊推理对所述当前所需实际功率和所述当前实际输出功率的差值进行供给分配,输出PEMFC待向负载输出的功率值,该功率值与所述加权和成反比,所述差值与该功率值之间的差值部分由PEMFC以外的其它动力源提供或接收,使得PEMFC向负载输出能够延缓PEMFC衰老的功率值,同时混合动力***满足负载当前所需实际功率需求,完成混合动力***的当前控制。
2.根据权利要求1所述的输出功率分配控制方法,其特征在于,采用已训练的GRU预测神经网络,基于历史实际工况,预测负载当前所需实际功率。
3.根据权利要求1所述的输出功率分配控制方法,其特征在于,各偏差具体为差值的平方和。
4.根据权利要求1所述的输出功率分配控制方法,其特征在于,所述寿命指标为剩余电化学活性表面积。
5.根据权利要求1所述的输出功率分配控制方法,其特征在于,所述寿命指标为剩余电化学活性表面积与原始电化学活性表面积的比值。
6.根据权利要求1所述的输出功率分配控制方法,其特征在于,在加权和计算时,当前采集下与前一次采集下PEMFC的寿命指标之间的偏差的权重系数取值大于其它权重系数。
7.根据权利要求1所述的输出功率分配控制方法,其特征在于,所述自适应模糊神经网络的训练样本采用循环工况数据。
8.一种混合动力***的输出功率分配控制***,其特征在于,用于执行如权利要求1至7任一项所述的一种混合动力***的输出功率分配控制方法,包括:预测单元,采集单元,以及功率分配单元;
预测单元用于预测负载当前所需实际功率;
采集单元用于采集混合动力***中PEMFC的当前实际输出功率;
注意力增强单元用于计算所述当前所需实际功率与所述当前实际输出功率的偏差,所述当前实际输出功率与前一次采集的实际输出功率之间的偏差,以及当前采集下与前一次采集下PEMFC的寿命指标之间的偏差;并计算各偏差绝对值之间的加权和,其中各权重系数取同号;
功率分配单元用于控制已训练的自适应模糊神经网络基于所述加权和的取值,通过模糊推理,对所述当前所需实际功率和所述PEMFC当前实际输出功率的差值进行供给分配,输出PEMFC待向负载输出的功率值,该功率值与所述加权和成反比,所述差值与该功率值之间的差值部分由PEMFC以外的其它动力源提供或接收,使得PEMFC向负载输出能够延缓PEMFC衰老的功率值,同时混合动力***满足负载当前所需实际功率需求。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至7任一项所述的一种混合动力***的输出功率分配控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211485333.9A CN115716469A (zh) | 2022-11-24 | 2022-11-24 | 一种混合动力***的输出功率分配控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211485333.9A CN115716469A (zh) | 2022-11-24 | 2022-11-24 | 一种混合动力***的输出功率分配控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115716469A true CN115716469A (zh) | 2023-02-28 |
Family
ID=85256367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211485333.9A Pending CN115716469A (zh) | 2022-11-24 | 2022-11-24 | 一种混合动力***的输出功率分配控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115716469A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116191571A (zh) * | 2023-04-17 | 2023-05-30 | 深圳量云能源网络科技有限公司 | 风电储能输出功率控制方法及*** |
-
2022
- 2022-11-24 CN CN202211485333.9A patent/CN115716469A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116191571A (zh) * | 2023-04-17 | 2023-05-30 | 深圳量云能源网络科技有限公司 | 风电储能输出功率控制方法及*** |
CN116191571B (zh) * | 2023-04-17 | 2023-08-04 | 深圳量云能源网络科技有限公司 | 风电储能输出功率控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ettihir et al. | Optimization-based energy management strategy for a fuel cell/battery hybrid power system | |
Liu et al. | PEMFC residual life prediction using sparse autoencoder-based deep neural network | |
Chen et al. | Performance analysis of PEM fuel cell in mobile application under real traffic and environmental conditions | |
CN114447378B (zh) | 一种质子交换膜燃料电池的参数优化方法 | |
Dolatabadi et al. | A novel model-free deep reinforcement learning framework for energy management of a PV integrated energy hub | |
Zheng et al. | Performance prediction of fuel cells using long short‐term memory recurrent neural network | |
Miao et al. | Metamodel based design optimization approach in promoting the performance of proton exchange membrane fuel cells | |
Li et al. | Intelligent controller based on distributed deep reinforcement learning for PEMFC air supply system | |
Li et al. | Adaptive controller of PEMFC output voltage based on ambient intelligence large-scale deep reinforcement learning | |
Lu et al. | Online optimization of energy management strategy for FCV control parameters considering dual power source lifespan decay synergy | |
Li et al. | Distributed deep reinforcement learning for optimal voltage control of PEMFC | |
CN115716469A (zh) | 一种混合动力***的输出功率分配控制方法 | |
CN117039981A (zh) | 一种面向含新能源的大规模电网优化调度方法、装置、存储介质 | |
CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及*** | |
Li et al. | Active fault-tolerant coordination energy management for a proton exchange membrane fuel cell using curriculum-based multiagent deep meta-reinforcement learning | |
Li et al. | Large-scale multi-agent deep reinforcement learning-based coordination strategy for energy optimization and control of proton exchange membrane fuel cell | |
Goh et al. | Hybrid SDS and WPT-IBBO-DNM based model for ultra-short term photovoltaic prediction | |
Sahajpal et al. | Accurate long-term prognostics of proton exchange membrane fuel cells using recurrent and convolutional neural networks | |
Li et al. | An optimal coordinated proton exchange membrane fuel cell heat management method based on large-scale multi-agent deep reinforcement learning | |
CN112563541A (zh) | 一种改进粒子群pid的燃料电池阴极压力控制方法 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
CN115115145B (zh) | 分布式光伏智能住宅的需求响应调度方法及*** | |
CN114488821B (zh) | 燃料电池过氧比的区间经济模型预测控制方法及*** | |
Li et al. | Multi-objective optimal control for proton exchange membrane fuel cell via large-scale deep reinforcement learning | |
Li et al. | A large-scale multi-agent deep reinforcement learning method for cooperative output voltage control of PEMFCs |
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 |