基于智能迭代学习的燃料电池整车功率需求变化预测方法技术

本发明专利技术涉及一种基于智能迭代学习的燃料电池整车功率需求变化预测方法，属于新能源汽车功率需求响应控制领域。该方法：首先，采集燃料电池整车直流母线上的电流和电压信号，进而计算出实时功率、功率变化率和功率二阶导数作为迭代学习框架的初始输入数据集，再充分考虑到数据在时间维度上的特征，以最小二乘支持向量机智能算法为内核，将上一次迭代的输入数据集和输出数据集共同作为下一次迭代的输入数据集，通过迭代学习机制来预测车辆在nΔT秒后的功率及功率变化率。利用本发明专利技术基于迭代学习框架预测到的整车需求功率及其功率变化率数据，可以更好地预测控制燃料电池系统部件，提升燃料电池系统的控制响应速度。

Forecasting Method of Fuel Cell Vehicle Power Demand Change Based on Intelligent Iterative Learning

【技术实现步骤摘要】
基于智能迭代学习的燃料电池整车功率需求变化预测方法
本专利技术属于新能源汽车需求响应控制领域，涉及一种基于智能迭代学习的燃料电池整车功率需求变化预测方法。
技术介绍
在燃料电池电动汽车行驶过程中，车辆需求功率变化迅速。而燃料电池由于其反应机理和物理构造等因素，导致系统响应滞后。比如，当车辆需求功率增长较快时，燃料电池内部滞后的物质传输可能会导致其实际输出功率不足，影响车辆动力性能，严重时导致燃料电池发动机失效和加速衰退。本专利技术基于机器学习算法并考虑时间维度提出了新型迭代学习方法，可实现对燃料电池整车n秒后的需求功率及其功率变化率的精确预测，从而可以根据未来的车辆功率状态，结合燃料电池控制策略提前调节燃料电池系统辅件，为燃料电池内部物质传输提供充足的响应时间，提升燃料电池汽车在变载过程中的动态性能和瞬态响应。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于智能迭代学习的燃料电池整车功率需求变化预测方法，利用迭代机制引入数据随时间的走势特征，提高预测车辆在短期未来的需求功率及其变化率的准确度。通过机器学习迭代算法，以整车功率及功率变化率作为模型输入，一段时间后的整车功率及功率变化率作为模型输出，通过不断学习迭代实现准确预测。为达到上述目的，本专利技术提供如下技术方案：一种基于智能迭代学习的燃料电池整车功率需求变化预测方法，具体包括以下步骤：S1：采集t时刻燃料电池整车直流母线上的电流和电压信号；S2：计算出t时刻的实时功率P0、功率变化率P0′和功率二阶导数P0″；S3：将步骤S2中计算出的P0、P0′和P″0作为迭代学习框架的初始输入数据集，再充分考虑到数据在时间维度上的特征，以LSSVM为内核，将上一次迭代的输出作为下一次迭代的输入，通过迭代学习来预测到车辆在nΔT秒后的功率和功率变化率；利用基于迭代学习方法预测到的整车需求功率及其功率变化率数据，可以更好地预测控制燃料电池系统部件，提升燃料电池系统的控制响应速度，其中ΔT表示时间间隔。S4：根据预测到的nΔT秒后的需求功率及其变化率数据，进行燃料电池系统部件的预测控制，提高燃料电池系统控制响应速率，改善不利的时延特性。进一步，所述步骤S3具体包括以下步骤：S31：将P0和P0′作为智能算法(如最小二乘法支持向量机LSSVM)输入，预测(t+ΔT)时间点的功率P1；S32：将P0、P0′和P0″作为LSSVM输入，预测(t+ΔT)时间点的功率一阶导数P1′；S33：根据P0′和P1′计算(t+ΔT)时间点的功率二阶导数P1″；S34：将P0、P0′和P0″与P1、P1′和P1″一起作为预测(t+2ΔT)时间点的P2、P2′和P2″的输入数据集，进行第二轮迭代学习；S35：将P0、P0′、P1和P1′作为LSSVM输入，预测(t+2ΔT)时间点的功率P2；S36：将P0、P0′、P0″、P1′和P1″作为LSSVM输入，预测(t+2ΔT)时间点的功率一阶导数P2′；S37：根据P1′和P2′计算(t+2ΔT)时间点的功率二阶导数P2″；S38：将P0、P0′、P0″、P1、P1′和P1″与P2、P2′和P2″一起作为预测P3、P3′和P3″的输入数据集，进行第三轮迭代学习；S39：依次类推，直到预测nΔT秒后的功率Pn和功率变化率Pn′。本专利技术的有益效果在于：本专利技术中引入时间维度的迭代学习预测方法，可广泛用于车用燃料电池这一类时延系统当中，对提高车用燃料电池系统的控制响应速度有重要作用。具体有以下优点：(1)本专利技术迭代学习框架所需初始输入变量少，易于硬件系统采集和计算；(2)跨时间维度的预测方式确保可获得真正意义上的燃料电池汽车未来需求功率和功率变化率，预测数据在时间维度上与真实的未来数据匹配度高，时间相位误差极小；(3)本专利技术迭代学习方法计算速度快，内核算法结构简单，硬件系统实现难度小。能快速准确地预测燃料电池电动汽车在未来一定时间内的需求功率及其功率变化率。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。附图说明为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：图1为本专利技术的实施流程图；图2为整车功率及其功率变化率预测效果图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。如图1流程图所示，在燃料电池汽车行驶过程中，车辆的需求功率会随着行驶工况的变化而快速变化，而燃料电池的动态响应性能较差，内部物质传输较慢，控制响应时间长，属于典型的时延控制系统。采用一种迭代学习框架，进行整车需求功率及其功率变化率的预测，以提前控制燃料电池系统部件。具体实现流程如下：(1)利用车载电流电压传感器采集时间点t的直流母线电流I0和电压U0信号；(2)根据电流电压数据计算实时的功率P0、功率变化率P0′、功率二阶导数P0″；(3)利用本专利技术的迭代学习框架预测(nΔT)秒后整车需求功率Pn、功率变化率Pn′；①用实时数据的P0,P0′作为LSSVM输入，预测未来时间点(t+ΔT)的功率P1(ΔT最佳不超过0.4s，下同)；②用实时数据的P0,P0′,P0″作为LSSVM输入，预测未来时间点(t+ΔT)的功率一阶导数P1′；③用P0′和P1′计算P1″；④将P0,P0′,P0″与P1,P1′,P1″一起作为预测P2,P2′,P2″的输入数据集，进行第二轮迭代学习；⑤用P0,P0′,P1,P1′作为LSSVM输入，预测下一个未来时间点(t+2ΔT)的功率P2；⑥用P0,P0′,P0″,P1,P1′,P1″作为LSSVM输入，预测下一个未来时间点(t+2ΔT)的功率一阶导数P2′；⑦用P1′和P2′计算P2″；⑧将P0,P0′,P0″,P1,P1′,P1″与P2,P2′,P2″一起作为预测P3,P3′,P3″的输入数据集，进行第三轮迭代学习；⑨以此类推，直到预测到nΔT秒后的数据Pn,Pn′；其中(t+nΔT)时间点的功率Pn、功率变化率Pn′和功率二阶导数Pn″计算公式如下：Pn＝Un×In(4)根据预测到的nΔT秒后的需求功率及其变化率数据，进行燃料电池系统部件的预测控制，提高燃料电池系统控制响应速率，改善不利的时延特性。整车功率及其功率变化率的预测效果如图2所示，可以看出本专利技术的迭代学习方法预测性能良好，预测数据与真实数据吻合度高，基本消除二者之间的时间相延迟。最后说明的是，以上实施例仅用以说明本专利技术的技术方案而非限制，尽管参照较佳实施例对本专利技术进行了详细说明，本领域的普通技术人员应当理解，可以对本专利技术的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本专利技术的权利要求范围当本文档来自技高网...

【技术保护点】
1.一种基于智能迭代学习的燃料电池整车功率需求变化预测方法，其特征在于，该方法具体包括以下步骤：S1：采集t时刻燃料电池整车直流母线上的电流和电压信号；S2：计算出t时刻的实时功率P0、功率变化率P0′和功率二阶导数P0″；S3：将步骤S2中计算出的P0、P0′和P0″作为迭代学习框架的初始输入数据集，以LSSVM为内核，将上一次迭代的输出作为下一次迭代的输入，反复学习迭代，从而预测到车辆在nΔT秒后的功率和功率变化率；S4：根据预测到的nΔT秒后的需求功率及其变化率数据，进行燃料电池系统部件的预测控制，其中ΔT表示时间间隔。

【技术特征摘要】
1.一种基于智能迭代学习的燃料电池整车功率需求变化预测方法，其特征在于，该方法具体包括以下步骤：S1：采集t时刻燃料电池整车直流母线上的电流和电压信号；S2：计算出t时刻的实时功率P0、功率变化率P0′和功率二阶导数P0″；S3：将步骤S2中计算出的P0、P0′和P0″作为迭代学习框架的初始输入数据集，以LSSVM为内核，将上一次迭代的输出作为下一次迭代的输入，反复学习迭代，从而预测到车辆在nΔT秒后的功率和功率变化率；S4：根据预测到的nΔT秒后的需求功率及其变化率数据，进行燃料电池系统部件的预测控制，其中ΔT表示时间间隔。2.根据权利要求1所述的基于智能迭代学习的燃料电池整车功率需求变化预测方法，其特征在于，所述步骤S3具体包括以下步骤：S31：将P0和P0′作为LSSVM输入，预测(t+ΔT)时间点的功率P1；S32：将P0、P0′和P0″...

【专利技术属性】
技术研发人员：张财志，曾韬，白云峰，王成，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50