The invention discloses a method for optimizing fuel cell and ultracapacitor system based on road condition recognition. An adaptive energy management strategy based on road condition recognition is proposed to solve the real time power allocation problem between fuel cells and supercapacitor systems in hybrid electric vehicles, which can maximize less fuel consumption and use the designed energy management controller for power allocation. In order to prolong the life of fuel cell and reduce the consumption of hydrogen, the design algorithm optimizes some key parameters. Based on the features extracted from the designed multilayer perceptron classifier, the new energy vehicle can successfully identify the current driving mode. In the range of the supercapacitor charging state within the desired limit, the new energy vehicle is in a variety of driving conditions. Under conditions, less current fluctuations and fuel consumption can be achieved with traditional energy management control.
【技术实现步骤摘要】
一种基于路况识别的燃料电池与超级电容系统优化方法
本专利技术属于自动化
,涉及一种基于路况识别的燃料电池与超级电容系统优化方法。
技术介绍
随着科技的发展与能源的消耗,改变能源消费结构是一件非常有意义的事情,因此新能源已经得到世界各国的重视,尤其在汽车能源上,由于广泛的使用汽油等不可再生能源,不仅在短时间内不可恢复,而且恶化环境带来温室效应,因此新能源汽车应运而生,其中的燃料电池汽车就是一种很实用的新能源汽车,是用车载燃料电池装置产生的电力作为动力的汽车,无需等待时间充电,通过燃料电池产生动力。动力系统一般由质子交换膜燃料电池、蓄电池、电机和系统控制设备组成,电动汽车的关键能源动力技术包括电池技术、电机技术、控制器技术,因此开发使用新的控制算法,提高燃料电池的效率,是一件亟待解决的事情,虽然现在也有很多的控制方法,但是现在燃料电池的控制效果还需要进行优化,本专利技术提出一种新的控制方法,基于实时路况检测的燃料电池与超级电容系统优化控制,这样基于实际运行的状况能够进一步提高控制性能,减少燃料消耗。
技术实现思路
本专利技术针对现有技术的不足,提供了一种基于路况识别的燃料电池与超级电容系统优化方法。本专利技术方法的步骤包括:步骤1、建立燃料电池与超级电容系统中被控对象的机理模型,具体方法是:1.1首先根据燃料电池的实际过程,建立燃料电池的机理模型,传递函数形式如下:其中,Edcell(s)为输出电压拉氏变换形式,I(s)为当前输出电流拉氏变换形式,λe常数增益,τe整体流量延迟系数。mH2燃料电池反应中的总氢消耗,为氢的分子量,AFC为每个单元活动区域的面积 ...
【技术保护点】
1.一种基于路况识别的燃料电池与超级电容系统优化方法,其特征在于该方法具体是:步骤1、建立燃料电池与超级电容系统中被控对象的机理模型,具体是:1.1首先根据燃料电池的实际过程,建立燃料电池的机理模型,传递函数形式如下:
【技术特征摘要】
1.一种基于路况识别的燃料电池与超级电容系统优化方法,其特征在于该方法具体是:步骤1、建立燃料电池与超级电容系统中被控对象的机理模型,具体是:1.1首先根据燃料电池的实际过程,建立燃料电池的机理模型,传递函数形式如下:其中,Edcell(s)为输出电压拉氏变换形式,I(s)为当前输出电流拉氏变换形式,λe常数增益,τe整体流量延迟系数;mH2燃料电池反应中的总氢消耗,为氢的分子量,AFC为每个单元活动区域的面积,F为法拉第常数,I为当前输出电流,Ncell单元活动区域的个数;1.2具有功率负载的超级电容系统的模型,形式如下:其中,SOC是超级电容的充电状态,v是终端电压,i是终端电流,P是终端功率,R是匹配的终端电阻,vc是超级电容端电压,vmax是超级电容允许的最大电压,C为超级电容的电容值;1.3驾驶模式识别设计,多层感知器神经网络分类器提取的特征,形式如下:其中,hi为隐藏节点,nH隐藏节点个数,xj为输入节点特征向量,wij第i个输入节点和第j个隐藏节点的权重,wi0是i个输入节点的阈值,p为输入层节点数,exp()为表示指数;1.4提高控制精度设计误差,形式如下:其中,zk为第k个输出节点的输出z为其向量形式,wkj第j隐藏节点和第k个输出节点的权重,hj为第j个隐藏节,wk0是k个输出节点的阈值,ck为k分量二进制向量分类器,c为其向量形式,E为定义的误差,q为输出节点个数;1.5利用梯度下降反向传播算法,最小化误差E,形式如下:Δc=(z-c).*c.*(1-c)Δh=ΔcT*W2*hT.*(1-hT)其中,Δc为实际二进制向量,Δh分类器输出,.*为矩阵点乘符号,T为转置符号,W2为设计的权重系数;1.6为了提高速度,添加动量项到权重更新方程中:wij(t)=wij(t-1)-ηΔhixj+η[wij(t-1)-wij(t-2)],i=1,…,p;j=1,…,nHwjk(t)=wjk(t-1)-ηΔcjΔhk+η[wjk(t-1)-wjk(t-2)],j=1,…,nH;k=1,…,q其中,wjk(t-1)和wjk(t-2)分别为t-1时刻和t-2时刻的第k个输出节点和第j隐藏节点的权重,η为(0,1)之间的学习率,Δcj为第j个实际二进制向量,Δhk第k个输出相关分类器输出,Δhi第i个输入相关分类器输出,wij(t-1)和wij(t-2)分别为t-1时刻和t-2时刻的第i个输入节点和第j个隐藏节点的权重,p输入节点数;1.7隐藏层和输出层的阈值的更新可以如下获得,形式如下:wi0=wi0-ηΔhi+η(wi0(t-1)-wi0(t-2)),i=1,…,nHwk0=wk0...
【专利技术属性】
技术研发人员:张日东,陶吉利,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。