CN117799502A - 一种uuv的混合动力***的能源管理方法 - Google Patents
一种uuv的混合动力***的能源管理方法 Download PDFInfo
- Publication number
- CN117799502A CN117799502A CN202410234431.8A CN202410234431A CN117799502A CN 117799502 A CN117799502 A CN 117799502A CN 202410234431 A CN202410234431 A CN 202410234431A CN 117799502 A CN117799502 A CN 117799502A
- Authority
- CN
- China
- Prior art keywords
- model
- power
- battery
- sofc
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 135
- 239000000446 fuel Substances 0.000 claims abstract description 76
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 41
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 41
- 239000007787 solid Substances 0.000 claims abstract description 26
- 230000032683 aging Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims description 57
- 230000015556 catabolic process Effects 0.000 claims description 46
- 238000006731 degradation reaction Methods 0.000 claims description 46
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 38
- 239000001257 hydrogen Substances 0.000 claims description 37
- 229910052739 hydrogen Inorganic materials 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 11
- 238000003487 electrochemical reaction Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000009396 hybridization Methods 0.000 claims description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 229910052744 lithium Inorganic materials 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 238000007254 oxidation reaction Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 230000009849 deactivation Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000000376 reactant Substances 0.000 claims description 3
- 239000013535 sea water Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 4
- 238000011002 quantification Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000629 steam reforming Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Fuel Cell (AREA)
Abstract
本公开实施例是关于一种UUV的混合动力***的能源管理方法。本公开实施例能够描述电源输出功率与复杂工况的映射关系，从而实现燃料电池和锂离子电池实时老化量化，构建的SOH预测模型能够更加精准地预测燃料电池的衰减；且利用离散优化方法能够更好地建立固体氧化物燃料电池与锂离子电池之间的衰减相互作用，以解耦两种电池之间的寿命竞争，基于以上混合***提高了UUV的续航能力。
Description
技术领域
本公开实施例涉及电池能源管理技术领域，尤其涉及一种UUV的混合动力***的能源管理方法。
背景技术
随着对减轻化石燃料对环境影响的需求日益增长，固体氧化物燃料电池（SolidOxide Fuel Cell，SOFC）的技术发展也随之进一步发展。由于电化学电力资源（如燃料电池（Fuel Cell，FC）和辅助储能***（Energy Storage System，ESS））的动态特性，各种能源管理策略（Energy management strategy，EMS）已被广泛开发和分析，以实现最佳功率分配。燃料电池有望提高无人海底航行器（Unmanned undersea vehicle，UUV）的续航能力。氢氧燃料电池通常用于海底，存在成本高和技术问题。然而，几乎所有的商用燃料电池都是为开放空间设计的，不适合在海底应用。
目前，大多数商用UUV都是电池供电的。电池是一种简单的解决方案，可以为当前应用提供足够的电力。然而，电池的能量密度是有限的，这将限制UUV的续航能力并限制它们可以用于的任务。基于未来UUV的耐力要求，燃料电池动力***正在成为一种有前途的海底能源技术。氢气具有高达143MJ/kg的高热值。氢气提供的能量几乎是每公斤汽油的三倍。燃料电池动力***具有低振动噪声、低碳排放和高能量转换效率的优点。与燃料电池相比，电池具有更高的功率密度和更快的响应，可以弥补燃料电池的缺点。因此，由固体氧化物燃料电池和电池组成的混合动力***（Fuel cell/battery system，FCBS）被认为是合适的。这种混合动力***通常减小了能源***的尺寸，从而降低了制造成本，提高了***效率并延长了耐用性。然而，对于燃料电池来说，其性能下降是一个根深蒂固的问题。因此，除了效率和氢气消耗外，还必须解决使用燃料电池的寿命退化问题，这极易受到操作环境的影响。
发明内容
为了避免现有技术的不足之处，本发明提本申请UUV的混合动力***的能源管理方法，用以解决现有技术中存在混合动力***性能下降快和寿命退化快的问题。
根据本公开实施例，提供一种UUV的混合动力***的能源管理方法，该方法包括：
根据混合动力***中固体氧化物燃料电池和锂离子电池的混合程度，构建无量纲参数模型；
基于无量纲参数模型，分别构建电化学模型、降解模型、内阻模型和SOH（state ofhealth，电池健康状态）预测模型；其中，根据固体氧化物燃料电池的电化学反应公式，构建电化学模型；根据固体氧化物燃料电池的老化公式，构建降解模型；根据锂离子电池的等效电路公式，构建内阻模型；根据电池循环寿命测试数据，构建SOH预测模型；
根据UUV的外部结构参数、航行阻力与航行速度，构建粘性电阻模型；
根据电化学模型和降解模型，得到氢气消耗成本和燃料电池降解成本，根据内阻模型和SOH预测模型，得到锂离子电池老化成本，根据粘性电阻模型得到SOC（State ofCharge，电池荷电状态）偏差成本，并根据氢气消耗成本、燃料电池降解成本、锂离子电池老化成本和SOC偏差成本，构建成本函数；
利用最小-最大博弈的离散优化算法对成本函数进行优化，以得到最优的能源分配方案。
进一步的，根据混合动力***中固体氧化物燃料电池和锂离子电池的混合程度，构建无量纲参数模型的步骤中，包括：
基于负载功率的固体氧化物燃料电池和锂离子电池的混合程度，以构建无量纲参数模型；其中，无量纲参数模型的方程包括：
（1）
（2）
（3）
（4）
（5）
（6）
（7）
（8）
（9）
（10）
式中，为SOFC提供的平均功率，/>为功率曲线的低功率，/>为第一放电时间，/>为第一充电时间，/>为第二放电时间，/>为第二充电时间，/>为基础功率，/>为巡航功率，/>为功率杂化度，/>为最大负载功率，/>为锂电池提供的功率，/>为比功率，/>为比时间，/>为锂电池能量消耗，/>为SOFC能量消耗，/>为能量杂化度。
进一步的，根据固体氧化物燃料电池的电化学反应公式，构建电化学模型的步骤中，包括：
根据吉布斯自由能变化决定H2基于物质摩尔分数和SOFC温度的氧化反应，以得到能斯特电压；
根据SOFC工作温度的Butler-Volmer方程，以得到活化过电压；
根据SOFC工作温度和膜厚度，以得到欧姆过电压；
根据反应位置反应物浓度的耗尽，以得到浓度过电压；
从能斯特电压中去除去活化过电压、欧姆过电压和浓度过电压，以得到SOFC堆的净电压；
根据氢气和氧气之间的电化学反应，以得到瞬时氢气消耗；
基于无量纲参数模型，结合SOFC堆的净电压和瞬时氢气消耗，以得到SOFC堆的净功率，并根据SOFC堆的净功率构建电化学模型。
进一步的，降解模型为：
（11）
式中，为第一模型参数，/>为第二模型参数，/>为第三模型参数，/>为第四模型参数，/>为SOFC在大功率工况下运行的时间，/>为SOFC怠速工况下运行的时间，为SOFC的启动-停止序号，/>为SOFC输出功率的变化，/>为校正因子。
进一步的，内阻模型为：
（12）
式中，为开路电压，/>为等效内阻，/>为电池容量；/>为电池总电量。
进一步的，根据电池循环寿命测试数据，构建SOH预测模型的步骤中，包括：
根据电池循环寿命测试数据构建寿命数据池，利用雨流计数法对寿命数据池中容量恢复效应的数量和严重程度进行统计；
对统计后的寿命数据池进行修正，并根据修正后的寿命数据池构建SOH预测模型；其中，SOH预测模型为：
（13）
式中，为当前生命周期内电池的寿命，/>下一个生命周期内电池的寿命，/>为电池寿命的下降，/>为量化电池寿命下降的校正因子。
进一步的，粘性电阻模型的方程包括：
（14）
（15）
（16）
（17）
（18）
（19）
（20）
式中，为巡航阻力，/>为航行阻力系数，/>为海水的质量密度，/>为水下航行器面积，/>为航行速度，/>为有效阻力系数，/>为摩擦系数，/>为雷诺数，/>为UUV的长度，/>为粘度系数，/>为形状系数，/>为UUV的直径，/>为能斯特电位，/>为提案的效率，R为UUV的航程。
进一步的，氢气消耗成本为：
（21）
式中，为瞬时氢气消耗，/>为电池储存能量的变化，/>为氢气的低热值，/>为效率因子，/>为氢气的价格；
燃料电池降解成本为：
（22）
式中，为燃料电池投资，/>为SOFC的最大功率；
锂离子电池老化成本为：
（23）
式中，为锂离子电池健康状态变化，/>为电池的价格，/>为电池容量；
SOC偏差成本为：
（24）
式中，为SOC权系数，/>为参考SOC，/>为实际SOC；
构建的成本函数为：
（25）
式中，为氢气消耗成本，/>为燃料电池降解成本，/>为锂离子电池老化成本，/>为SOC偏差成本。
进一步的，利用最小-最大博弈的离散优化算法对成本函数进行优化，以得到最优的能源分配方案的步骤中，包括：
能源管理***从策略集中选择一个策略以最小化成本函数，从而获得对不同驾驶条件响应的鲁棒性；其中，能源管理***为非线性离散时间***，描述如下：
（26）
式中，为***状态，/>为动力***的控制输入，/>为预测速度；
约束条件应设置为:
（27）
式中，为允许的最小SOC，/>为允许的最小SOC，/>为SOFC的最小电流变化，/>为SOFC的最大电流变化，/>为燃料电池***的最小允许输出功率，/>为燃料电池***的最大允许输出功率；
以能源管理***和预测速度作为两方，利用基于最小-最大博弈的方法进行决策；其中，决策过程为：
（28）
式中，为成本函数，/>为能源管理***做出的决策，/>为能源管理***的策略集，/>为环境的策略集，G为***状态的约束；
引入离散优化问题，利用离散优化算法对成本函数进行优化；其中，离散优化问题的描述为：
（29）
式中，为最优控制序列，/>为预测速度的纯策略，/>是环境在每一步设置的纯策略，/>为能源管理***在每一步设定的策略，其是SOFC输出功率的离散值；其中，能源管理***在每一步设定的策略/>的描述为：
（30）
式中，为第i次的SOFC输出功率。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开的实施例中，通过上述UUV的混合动力***的能源管理方法，能够描述电源输出功率与复杂工况的映射关系，从而实现燃料电池和锂离子电池实时老化量化，SOH预测模型能够更加精准地预测燃料电池的衰减，离散优化方法能够更好地建立固体氧化物燃料电池与锂离子电池之间的衰减相互作用，以解耦两种电池之间的寿命竞争，基于以上混合***提高了UUV的续航能力。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开示例性实施例中一种UUV的混合动力***的能源管理方法的步骤图；
图2示出本公开示例性实施例中SOH数据处理中，原始数据图；
图3示出本公开示例性实施例中SOH数据处理中，数据清洗后的结果；
图4示出本公开示例性实施例中SOH数据处理中，数据填写后的结果；
图5示出本公开示例性实施例中SOH数据处理中，所有数据的一阶导数；
图6示出本公开示例性实施例中训练数据集的预测结果中，第一组数据清洗后的结果；
图7示出本公开示例性实施例中训练数据集的预测结果中，第二组数据清洗后的结果；
图8示出本公开示例性实施例中训练数据集的预测结果中，第三组数据清洗后的结果；
图9示出本公开示例性实施例中训练数据集的预测结果中，第四组数据清洗后的结果；
图10示出本公开示例性实施例中UUV的混合动力***的能源管理方法的流程图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开实施例的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
本示例实施方式中提供了一种UUV的混合动力***的能源管理方法。参考图1中所示，该UUV的混合动力***的能源管理方法可以包括：步骤S101~步骤S105。
步骤S101：根据混合动力***中固体氧化物燃料电池和锂离子电池的混合程度，构建无量纲参数模型；
步骤S102：基于无量纲参数模型，分别构建电化学模型、降解模型、内阻模型和SOH预测模型；其中，根据固体氧化物燃料电池的电化学反应公式，构建电化学模型；根据固体氧化物燃料电池的老化公式，构建降解模型；根据锂离子电池的等效电路公式，构建内阻模型；根据电池循环寿命测试数据，构建SOH预测模型；
步骤S103：根据UUV的外部结构参数、航行阻力与航行速度，构建粘性电阻模型；
步骤S104：根据电化学模型和降解模型，得到氢气消耗成本和燃料电池降解成本，根据内阻模型和SOH预测模型，得到锂离子电池老化成本，根据粘性电阻模型得到SOC偏差成本，并根据氢气消耗成本、燃料电池降解成本、锂离子电池老化成本和SOC偏差成本，构建成本函数；
步骤S105：利用最小-最大博弈的离散优化算法对成本函数进行优化，以得到最优的能源分配方案。
通过上述UUV的混合动力***的能源管理方法，能够描述电源输出功率与复杂工况的映射关系，从而实现燃料电池和锂离子电池实时老化量化，SOH预测模型能够更加精准地预测燃料电池的衰减，离散优化方法能够更好地建立固体氧化物燃料电池与锂离子电池之间的衰减相互作用，以解耦两种电池之间的寿命竞争，基于以上混合***提高了UUV的续航能力。
下面，将参考图1至图10对本示例实施方式中的上述UUV的混合动力***的能源管理方法的各个步骤进行更详细的说明。
在步骤S101中，基于负载功率的固体氧化物燃料电池和锂离子电池的混合程度，以构建无量纲参数模型；其中，无量纲参数模型的方程包括：
（1）
（2）
（3）
（4）
（5）
（6）
（7）
（8）
（9）
（10）
式中，为SOFC提供的平均功率，/>为功率曲线的低功率，/>为第一放电时间，/>为第一充电时间，/>为第二放电时间，/>为第二充电时间，/>为基础功率，/>为巡航功率，/>为功率杂化度，/>为最大负载功率，/>为锂电池提供的功率，/>为比功率，/>为比时间，/>为锂电池能量消耗，/>为SOFC能量消耗，/>为能量杂化度。
具体的，SOFC***提供平均功率，这个功率可以简化为两个部分，即基础功率和巡航功率/>，如公式（1）和公式（2）所示。如公式（3）所示，它用于描述两种电源所提供功率的相对大小。/>和/>分别代表锂离子电池提供的功率和FC***提供的功率。比功率（）和比时间（/>）的无量纲参数定义分别如公式（4）和公式（5）所示。当满足/>=/>、/>=/>条件时，HDP与/>和/>的函数关系如公式（6）所示。在为负载供电的过程中，燃料电池***和电池提供的能量分别如公式（7）和公式（8）所示。公式（9）表示电池能量消耗与燃料电池能量消耗之比。能量杂化度（HDE）用于描述两种电源在功率曲线周期内的相对大小，如公式（10）所示。
考虑体积和重量，灵敏度影响因子（sen）用于定量评估灵敏度:
（31）
式中，为目标参数，/>为输入参数，/>为输入参数差值。
在步骤S102中，构建固体氧化物燃料电池的电化学模型。由于水汽变换（Watergas shift，WGS）反应的反应速率远高于电化学反应的反应速率，本申请未考虑电化学反应CO氧化。H2氧化反应为：
（32）
SOFC堆中产生的总热量通过从参与反应燃料的总形成焓中减去固体氧化物燃料电池堆的净功率来确定。可知，外重整器发生的主要反应有甲烷蒸汽重整反应、水煤气变换反应和直接蒸汽重整反应：
（33）
（34）
（35）
根据吉布斯自由能变化决定H2基于物质摩尔分数和SOFC温度的氧化反应，以得到能斯特电压：
（36）
式中，为标准压力和温度下的吉布斯自由能变化，/>为通用气体常数，/>为法拉第数，/>为SOFC温度，/>为/>的分压，/>为/>的分压，/>为/>的分压；
根据SOFC工作温度的Butler-Volmer方程，以得到活化过电压：
（37）
式中，为阳极的离子转移系数，/>为阴极的离子转移系数，/>为SOFC中阳极的交换电流密度，/>为SOFC中阴极的交换电流密度，/>为SOFC的有效区域，/>为电流，/>为普朗克常数；
根据SOFC工作温度和膜厚度，以得到欧姆过电压：
（38）
式中，为SOFC的电解质厚度，/>为SOFC的有效面积，/>为活化的吉布斯自由能；
根据反应位置反应物浓度的耗尽，以得到浓度过电压：
（39）
式中，为经验常数，/>为极限电流密度；
从能斯特电压中去除去活化过电压、欧姆过电压和浓度过电压，以得到SOFC堆的净电压：
（40）
根据氢气和氧气之间的电化学反应，以得到瞬时氢气消耗：
（41）
式中，为SOFC的输出功率，/>为SOFC效率，/>为氢气的低热值；
基于无量纲参数模型，结合SOFC堆的净电压和瞬时氢气消耗，以得到SOFC堆的净功率，并根据SOFC堆的净功率构建电化学模型。
构建固体氧化物燃料电池的降解模型。为了评估运行中燃料电池的降解，降解模型如下示：
（11）
式中，为降解模型即燃料电池降解率，/>为第一模型参数，/>为第二模型参数，/>为第三模型参数，/>为第四模型参数，/>为SOFC在大功率工况下运行的时间，/>为SOFC怠速工况下运行的时间，/>为SOFC的启动-停止序号，/>为SOFC输出功率的变化，/>为校正因子。
构建锂离子电池的内阻模型。等效内阻和开路电压/>是电池充电状态（SOC）的函数。内阻模型即电池SOC如下式：
（12）
式中，为开路电压，/>为等效内阻，/>为电池容量；/>为电池总电量。
构建锂离子电池的SOH预测模型。
利用电池循环寿命测试数据构建寿命数据池。
为了进一步减少异常数据，本申请采用雨流计数法对寿命数据池中容量恢复效应的数量和严重程度进行统计，以进一步进行数据评分清洗。评分规则如下：
（42）
式中，和/>分别是基于雨流算法的健康状态（SOH）恢复效应数和相应的深度；/>是测试数据的总周期；/>和/>分别是测试数据的最大剩余容量和最小剩余容量。
在得到寿命数据池的分数后，为了能够直观地比较数据的优劣，需要对寿命数据池的分数进行标准化。计算公式如下：
（43）
式中，为对应组别所计算出的值，/>为每组中最小的数值，/>为每组中最大的数值。
标准化后，直接删除得分高于0.1的数据。
在一个实施例中，利用斯坦福大学的电池循环寿命测试数据构建数据池。提出动态卡尔曼滤波，在电池寿命衰减轨迹急剧波动时，给出较小的滤波系数，保证曲线的平滑度。SOH数据处理结果如图2至图5所示；其中，图2为SOH数据处理中，原始数据；图3为SOH数据处理中，数据清洗后的结果；图4为SOH数据处理中，数据填写后的结果；图5为SOH数据处理中，所有数据的一阶导数。
本申请从数据库中随机抽取4组数据作为测试数据集，其余数据集作为训练数据集。预测结果如图6至图9所示；其中，图6为训练数据集的预测结果中，第一组数据清洗后的结果；图7为训练数据集的预测结果中，第二组数据清洗后的结果；图8为训练数据集的预测结果中，第三组数据清洗后的结果；图9为训练数据集的预测结果中，第四组数据清洗后的结果。
每个退化临界点与寿命结束之间的关系如下：
（44）
其中，是各寿命关键点对应的历史循环寿命与电池总循环寿命的关系；/>是电池组的标签。然后，可以得到以SOH为状态变量的权重向量：
（45）
其中，是生命退化每个关键点下对应的权重向量。
以上反映了充放电深度和次数对电池退化的影响。但是，电池寿命也受到充电和放电速率、温度和SOC。为了更好地模拟电池退化，需要这些辅助参数来校正电池寿命。结合试验数据和粒子群优化算法，建立了电池充放电倍率和SOC对电池循环寿命校正的定量影响模型：
（46）
（47）
（48）
其中，是电池SOC对电池循环寿命的修正系数，/>是电池对电池循环寿命的修正系数，/>是SOC和电池循环寿命修改的综合影响。直观显示电池/>率和SOC对电池寿命的校正。
电池运行期间的功率和充放电速率可以通过以下公式计算：
（49）
其中，代表锂离子电池输出功率；/>代表电池电压；/>表示电池容量。Crate和SOC对电池寿命下降的量化结果进行修正，其数学公式表示如下：
（50）
（51）
其中，是下一个生命周期内的总循环寿命；/>是下一个生命周期的历史周期寿命；/>是电池寿命的下降；/>是量化电池寿命下降的校正因子。量化电池寿命下降和更新电池的SOH的公式如下：
（13）
式中，为当前生命周期内电池的寿命，/>下一个生命周期内电池的寿命，/>为电池寿命的下降，/>为量化电池寿命下降的校正因子。
在步骤S103中，构建的粘性电阻模型的方程包括：
（14）
（15）
（16）
（17）
（18）
（19）
（20）
式中，为巡航阻力，/>为航行阻力系数，/>为海水的质量密度，/>为水下航行器面积，/>为航行速度，/>为有效阻力系数，/>为摩擦系数，/>为雷诺数，/>为UUV的长度，/>为粘度系数，/>为形状系数，/>为UUV的直径，/>为能斯特电位，/>为提案的效率，R为UUV的航程。
在步骤S104中，根据电化学模型和降解模型，得到氢气消耗成本和燃料电池降解成本，根据内阻模型和SOH预测模型，得到锂离子电池老化成本，根据粘性电阻模型得到SOC偏差成本，并根据氢气消耗成本、燃料电池降解成本、锂离子电池老化成本和SOC偏差成本，构建成本函数。其中，氢气消耗成本为：
（21）
式中，为瞬时氢气消耗，/>为电池储存能量的变化，/>为氢气的低热值，/>为效率因子，/>为氢气的价格；
燃料电池降解成本为：
（22）
式中，为燃料电池投资，/>为SOFC的最大功率；
锂离子电池老化成本为：
（23）/>
式中，为锂离子电池健康状态变化，/>为电池的价格，/>为电池容量；
SOC偏差成本为：
（24）
式中，为SOC权系数，/>为参考SOC，/>为实际SOC；
构建的成本函数为：
（25）
式中，为氢气消耗成本，/>为燃料电池降解成本，/>为锂离子电池老化成本，/>为SOC偏差成本。
在步骤S105中，参与者EMS通过从策略集中选择一个策略来最小化目标函数，其中速度是一个预测范围，这样EMS就能处理最坏的情况，从而获得对不同驾驶条件响应的鲁棒性。考虑一个非线性离散时间***，描述如下：
（26）
式中，为***状态，/>为动力***的控制输入，/>为预测速度；
为确保***的安全运行，约束条件应设置为：
（27）
式中，为允许的最小SOC，/>为允许的最小SOC，/>为SOFC的最小电流变化，/>为SOFC的最大电流变化，/>为燃料电池***的最小允许输出功率，/>为燃料电池***的最大允许输出功率；
以能源管理***（EMS）和预测速度作为游戏的两方。环境被认为是一个“虚拟”玩家，它做出与控制者的目的相反的决定，这使得控制者能够处理未来可能出现的最坏情况。那么利用基于最小-最大博弈的方法进行决策；其中，决策过程为：
（28）
式中，为成本函数，/>为能源管理***做出的决策，/>为预测速度，/>为能源管理***的策略集，/>为环境的策略集，/>为***状态的约束；
基于以上概念，本发明提出的离散优化方法中，环境是一个确定的因素，即速度是一个确定的预测值，被视为最坏的驾驶情况。在这种情况下，环境参与者的策略集是纯策略，但根据混合策略的定义，仍可将其视为概率为1的特殊混合策略给定的预测范围内，则离散优化问题可以描述为：
（29）
式中，为最优控制序列，/>为预测速度的纯策略，/>是环境在每一步设置的纯策略，/>为能源管理***在每一步设定的策略，其是SOFC输出功率的离散值：
（30）/>
式中，为第i次的SOFC输出功率，SOFC输出功率/>被选为优化变量由公式（3）可知锂离子电池输出功率/>总可以用/>表示，/>是环境在每一步设置的纯策略，可以用马尔可夫链预测；/>是***状态的约束。
在一个实施例中，在相同电流条件下，随着电流的增加，模拟的理论电压和实际电压均呈现出相似的下降趋势。最大误差为1.4%，表明拟合效果优异，满足理论计算的要求。
根据燃料电池衰减公式，启停工况对燃料电池衰减的影响最大。设立每个步骤表示一个启动-停止条件。在离散优化方法下，启停工况的次数最少，表明燃料电池退化最小。
对于不同的初始SOH，降解模型的量化结果是不同的。初始 SOH 越低，寿命退化越快。初始SOH为0.85时的降解速率比初始SOH为13.59时高1.0%。
在一个实施例中，随着SOC的降低，电压首先迅速下降。然后，电压变化减慢，接近水平，SOC约为0.3–0.8。在SOC约为0.7–0.3时，仿真电压的最大精度为0.8%。由于在后续计算中只应用了SOC大于0.3的数据部分，因此该模型可以满足计算要求。
在一个实施例中，由于功率反映了能量随时间的变化，因此 HDP 描述了每个时刻的主要电源。 在T<9的区域，HDP随P的增加而急剧增加，随T的减小而急剧下降。 在 T>9 的大区域中，HDP 接近于零，并且不随 T 和 P 变化。
在一个实施例中，离散优化的总运行成本是最低的，约为41.24元，其中氢气成本贡献最大。电池退化是第二大支出。燃料电池的降解成本，与氢气和电池降解相比是最小的。
如图4所示，为本发明的UUV的混合动力***的能源管理方法的流程图。通过上述UUV的混合动力***的能源管理方法，能够描述电源输出功率与复杂工况的映射关系，从而实现燃料电池和锂离子电池实时老化量化，SOH预测模型能够更加精准地预测燃料电池的衰减，离散优化方法能够更好地建立固体氧化物燃料电池与锂离子电池之间的衰减相互作用，以解耦两种电池之间的寿命竞争，基于以上混合***提高了UUV的续航能力。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行结合和组合。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
Claims (9)
1.一种UUV的混合动力***的能源管理方法，其特征在于，该方法包括：
根据混合动力***中固体氧化物燃料电池和锂离子电池的混合程度，构建无量纲参数模型；
基于无量纲参数模型，分别构建电化学模型、降解模型、内阻模型和SOH预测模型；其中，根据固体氧化物燃料电池的电化学反应公式，构建电化学模型；根据固体氧化物燃料电池的老化公式，构建降解模型；根据锂离子电池的等效电路公式，构建内阻模型；根据电池循环寿命测试数据，构建SOH预测模型；
根据UUV的外部结构参数、航行阻力与航行速度，构建粘性电阻模型；
根据电化学模型和降解模型，得到氢气消耗成本和燃料电池降解成本，根据内阻模型和SOH预测模型，得到锂离子电池老化成本，根据粘性电阻模型得到SOC偏差成本，并根据氢气消耗成本、燃料电池降解成本、锂离子电池老化成本和SOC偏差成本，构建成本函数；
利用最小-最大博弈的离散优化算法对成本函数进行优化，以得到最优的能源分配方案。
2.根据权利要求1所述UUV的混合动力***的能源管理方法，其特征在于，根据混合动力***中固体氧化物燃料电池和锂离子电池的混合程度，构建无量纲参数模型的步骤中，包括：
基于负载功率的固体氧化物燃料电池和锂离子电池的混合程度，以构建无量纲参数模型；其中，无量纲参数模型的方程包括：
（1）
（2）
（3）
（4）
（5）
（6）
（7）
（8）
（9）
（10）
式中，为SOFC提供的平均功率，/>为功率曲线的高功率，/>为功率曲线的低功率，为第一放电时间，/>为第一充电时间，/>为第二放电时间，/>为第二充电时间，/>为基础功率，/>为巡航功率，/>为功率杂化度，/>为最大负载功率，/>为锂电池提供的功率，为比功率，/>为比时间，/>为锂电池能量消耗，/>为SOFC能量消耗，/>为能量杂化度。
3.根据权利要求2所述UUV的混合动力***的能源管理方法，其特征在于，根据固体氧化物燃料电池的电化学反应公式，构建电化学模型的步骤中，包括：
根据吉布斯自由能变化决定H2基于物质摩尔分数和SOFC温度的氧化反应，以得到能斯特电压；
根据SOFC工作温度的Butler-Volmer方程，以得到活化过电压；
根据SOFC工作温度和膜厚度，以得到欧姆过电压；
根据反应位置反应物浓度的耗尽，以得到浓度过电压；
从能斯特电压中去除去活化过电压、欧姆过电压和浓度过电压，以得到SOFC堆的净电压；
根据氢气和氧气之间的电化学反应，以得到瞬时氢气消耗；
基于无量纲参数模型，结合SOFC堆的净电压和瞬时氢气消耗，以得到SOFC堆的净功率，并根据SOFC堆的净功率构建电化学模型。
4.根据权利要求3所述UUV的混合动力***的能源管理方法，其特征在于，降解模型为：
（11）
式中，为第一模型参数，/>为第二模型参数，/>为第三模型参数，/>为第四模型参数，为SOFC在大功率工况下运行的时间，/>为SOFC怠速工况下运行的时间，/>为SOFC的启动-停止序号，/>为SOFC输出功率的变化，/>为校正因子。
5.根据权利要求4所述UUV的混合动力***的能源管理方法，其特征在于，内阻模型为：
（12）
式中，为开路电压，/>为等效内阻，/>为电池容量；/>为电池总电量。
6.根据权利要求5所述UUV的混合动力***的能源管理方法，其特征在于，根据电池循环寿命测试数据，构建SOH预测模型的步骤中，包括：
根据电池循环寿命测试数据构建寿命数据池，利用雨流计数法对寿命数据池中容量恢复效应的数量和严重程度进行统计；
对统计后的寿命数据池进行修正，并根据修正后的寿命数据池构建SOH预测模型；其中，SOH预测模型为：
（13）
式中，为当前生命周期内电池的寿命，/>下一个生命周期内电池的寿命，为电池寿命的下降，/>为量化电池寿命下降的校正因子。
7.根据权利要求6所述UUV的混合动力***的能源管理方法，其特征在于，粘性电阻模型的方程包括：
（14）
（15）
（16）
（17）
（18）
（19）
（20）
式中，为巡航阻力，/>为航行阻力系数，/>为海水的质量密度，/>为水下航行器面积，为航行速度，/>为有效阻力系数，/>为摩擦系数，/>为雷诺数，/>为UUV的长度，/>为粘度系数，/>为形状系数，/>为UUV的直径，/>为能斯特电位，/>为提案的效率，R为UUV的航程。
8.根据权利要求7所述UUV的混合动力***的能源管理方法，其特征在于，氢气消耗成本为：
（21）
式中，为瞬时氢气消耗，/>为电池储存能量的变化，/>为氢气的低热值，为效率因子，/>为氢气的价格；
燃料电池降解成本为：
（22）
式中，为燃料电池投资，/>为SOFC的最大功率；
锂离子电池老化成本为：
（23）
式中，为锂离子电池健康状态变化，/>为电池的价格，/>为电池容量；
SOC偏差成本为：
（24）
式中，为SOC权系数，/>为参考SOC，/>为实际SOC；
构建的成本函数为：
（25）
式中，为氢气消耗成本，/>为燃料电池降解成本，/>为锂离子电池老化成本，为SOC偏差成本。
9.根据权利要求8所述UUV的混合动力***的能源管理方法，其特征在于，利用最小-最大博弈的离散优化算法对成本函数进行优化，以得到最优的能源分配方案的步骤中，包括：
能源管理***从策略集中选择一个策略以最小化成本函数，从而获得对不同驾驶条件响应的鲁棒性；其中，能源管理***为非线性离散时间***，描述如下：
（26）
式中，为***状态，/>为动力***的控制输入，/>为预测速度；
约束条件应设置为:
（27）
式中，为允许的最小SOC，/>为允许的最小SOC，/>为SOFC的最小电流变化，/>为SOFC的最大电流变化，/>为燃料电池***的最小允许输出功率，/>为燃料电池***的最大允许输出功率；
以能源管理***和预测速度作为两方，利用基于最小-最大博弈的方法进行决策；其中，决策过程为：
（28）
式中，为成本函数，/>为能源管理***做出的决策，/>为能源管理***的策略集，/>为环境的策略集，/>为***状态的约束；
引入离散优化问题，利用离散优化算法对成本函数进行优化；其中，离散优化问题的描述为：
（29）
式中，为最优控制序列，/>为预测速度的纯策略，/>是环境在每一步设置的纯策略，为能源管理***在每一步设定的策略，其是SOFC输出功率的离散值；其中，能源管理***在每一步设定的策略/>的描述为：
（30）
式中，为第i次的SOFC输出功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410234431.8A CN117799502B (zh) | 2024-03-01 | 2024-03-01 | 一种uuv的混合动力***的能源管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410234431.8A CN117799502B (zh) | 2024-03-01 | 2024-03-01 | 一种uuv的混合动力***的能源管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117799502A true CN117799502A (zh) | 2024-04-02 |
| CN117799502B CN117799502B (zh) | 2024-05-14 |
Family
ID=90433856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410234431.8A Active CN117799502B (zh) | 2024-03-01 | 2024-03-01 | 一种uuv的混合动力***的能源管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117799502B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030105562A1 (en) * | 2001-11-30 | 2003-06-05 | Industrial Technology Research Institute | Power output control system for electric vehicle with hybrid fuel cell |
| CN110450653A (zh) * | 2019-08-07 | 2019-11-15 | 浙江大学城市学院 | 基于燃料电池/锂电池退化模型的混合动力汽车最优控制策略 |
| WO2021043323A1 (zh) * | 2019-09-03 | 2021-03-11 | 金龙联合汽车工业（苏州）有限公司 | 一种优化燃料电池汽车功率分配方法 |
| WO2021120798A1 (zh) * | 2019-12-16 | 2021-06-24 | 金龙联合汽车工业（苏州）有限公司 | 氢燃料电池与动力电池混合动力客车的能量控制方法 |
| CN113022385A (zh) * | 2021-05-28 | 2021-06-25 | 北京理工大学 | 燃料电池锂电池混合动力***参数匹配方法 |
| CN114889498A (zh) * | 2022-05-07 | 2022-08-12 | 苏州市华昌能源科技有限公司 | 一种氢电混合动力***的功率优化分配方法 |
| CN114919752A (zh) * | 2022-04-26 | 2022-08-19 | 西北工业大学 | 一种基于ecms-mpc的氢燃料混合动力无人机能量管理方法 |
| CN115027290A (zh) * | 2022-06-24 | 2022-09-09 | 河南科技大学 | 一种基于多目标优化的混合动力汽车跟车能量管理方法 |
| US11598282B1 (en) * | 2022-02-23 | 2023-03-07 | Atlantic Towing Limited | Systems and methods for optimizing vessel fuel consumption |
| CN116341395A (zh) * | 2023-05-29 | 2023-06-27 | 西北工业大学 | 多堆燃料电池飞机的能量管理方法、***、设备及终端 |
| KR20230103224A (ko) * | 2021-12-31 | 2023-07-07 | 한화오션 주식회사 | 선박의 배전시스템 및 배전시스템에서의 전력 분배 방법 |
| CN116736171A (zh) * | 2023-07-05 | 2023-09-12 | 西北工业大学 | 一种基于数据驱动的锂离子电池健康状态估算方法 |
-
2024
- 2024-03-01 CN CN202410234431.8A patent/CN117799502B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030105562A1 (en) * | 2001-11-30 | 2003-06-05 | Industrial Technology Research Institute | Power output control system for electric vehicle with hybrid fuel cell |
| CN110450653A (zh) * | 2019-08-07 | 2019-11-15 | 浙江大学城市学院 | 基于燃料电池/锂电池退化模型的混合动力汽车最优控制策略 |
| WO2021043323A1 (zh) * | 2019-09-03 | 2021-03-11 | 金龙联合汽车工业（苏州）有限公司 | 一种优化燃料电池汽车功率分配方法 |
| WO2021120798A1 (zh) * | 2019-12-16 | 2021-06-24 | 金龙联合汽车工业（苏州）有限公司 | 氢燃料电池与动力电池混合动力客车的能量控制方法 |
| CN113022385A (zh) * | 2021-05-28 | 2021-06-25 | 北京理工大学 | 燃料电池锂电池混合动力***参数匹配方法 |
| KR20230103224A (ko) * | 2021-12-31 | 2023-07-07 | 한화오션 주식회사 | 선박의 배전시스템 및 배전시스템에서의 전력 분배 방법 |
| US11598282B1 (en) * | 2022-02-23 | 2023-03-07 | Atlantic Towing Limited | Systems and methods for optimizing vessel fuel consumption |
| CN114919752A (zh) * | 2022-04-26 | 2022-08-19 | 西北工业大学 | 一种基于ecms-mpc的氢燃料混合动力无人机能量管理方法 |
| CN114889498A (zh) * | 2022-05-07 | 2022-08-12 | 苏州市华昌能源科技有限公司 | 一种氢电混合动力***的功率优化分配方法 |
| CN115027290A (zh) * | 2022-06-24 | 2022-09-09 | 河南科技大学 | 一种基于多目标优化的混合动力汽车跟车能量管理方法 |
| CN116341395A (zh) * | 2023-05-29 | 2023-06-27 | 西北工业大学 | 多堆燃料电池飞机的能量管理方法、***、设备及终端 |
| CN116736171A (zh) * | 2023-07-05 | 2023-09-12 | 西北工业大学 | 一种基于数据驱动的锂离子电池健康状态估算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张泽辉;高海波;管聪;陈辉;林治国;: "典型工况下的燃料电池船舶复合储能***设计", 船舶工程, no. 08, 25 August 2018 (2018-08-25), pages 103 - 108 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117799502B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yue et al. | Review on health-conscious energy management strategies for fuel cell hybrid electric vehicles: Degradation models and strategies | |
| Venkatasatish et al. | Reinforcement learning based energy management systems and hydrogen refuelling stations for fuel cell electric vehicles: An overview | |
| JP7271365B2 (ja) | 表示制御装置、表示制御方法、及びプログラム | |
| CN111162295A (zh) | 一种考虑退化的燃料电池混合***的能量管理方法 | |
| Davis et al. | Fuel cell vehicle energy management strategy based on the cost of ownership | |
| CN117922384B (zh) | 一种燃料电池混合动力纯电船舶的能量控制方法及*** | |
| Radica et al. | Control strategy of a fuel-cell power module for electric forklift | |
| CN117799502B (zh) | 一种uuv的混合动力***的能源管理方法 | |
| JP2019017185A (ja) | 燃料電池システムおよび燃料電池システムの制御方法 | |
| KR20210053360A (ko) | 연료전지 제어 방법 | |
| KR102439629B1 (ko) | 연료전지 차량의 제어방법 및 제어시스템 | |
| CN115792642A (zh) | 一种动力电池寿命的估算方法及装置 | |
| Deutsch et al. | Energy management strategies for fuel cell-battery hybrid AUVs | |
| Woodfield et al. | Electro-thermal modelling of redox flow-batteries with electrolyte swapping for an electric ferry | |
| CN111422075A (zh) | 一种车辆供电方法、装置及*** | |
| Chen et al. | Hierarchical power management system for a fuel cell/battery hybrid electric scooter | |
| KR20230103224A (ko) | 선박의 배전시스템 및 배전시스템에서의 전력 분배 방법 | |
| JP4984484B2 (ja) | 燃料電池システムの制御装置 | |
| CN114670719B (zh) | 一种燃料电池的功率修正方法及相关装置 | |
| Akram | EV battery state changes & RL considerations | |
| Singh et al. | Design and Applications of Fuel Cells | |
| Singla et al. | Hydrogen storage in activated carbon for fuel cell-powered vehicles: A cost-effective and sustainable approach | |
| JP7411000B2 (ja) | 情報処理装置、及び車両 | |
| Wang et al. | Energy management strategy for fuel cell electric vehicles based on scalable reinforcement learning in novel environment | |
| Mariappan et al. | Study On Performance Simulation of 100kW Proton Exchange Membrane Fuel Cell For Heavy Commercial Vehicle Applications |
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 |