一种基于深度强化学习算法的燃料电池汽车能量管理方法技术

本发明专利技术涉及一种基于深度强化学习算法的燃料电池汽车能量管理方法，属于新能源汽车领域。该方法包括：S1：获取燃料电池汽车状态信息；S2：搭建燃料电池汽车能量管理系统模型；S3：利用深度强化学习算法构建燃料电池汽车能量管理策略，求解包含燃油经济性以及燃料电池效率的多目标优化问题，从而得出最优能量分配结果。本发明专利技术将深度强化学习算法应用于燃料电池汽车能量管理制，具有良好的优化性以及实时性；同时在奖励函数中考虑了燃料电池的工作效率，为能量管理提供了新思路。为能量管理提供了新思路。为能量管理提供了新思路。

【技术实现步骤摘要】
一种基于深度强化学习算法的燃料电池汽车能量管理方法


[0001]本专利技术属于新能源汽车领域，涉及一种基于深度强化学习(DQN)算法的燃料电池汽车能量管理方法。

技术介绍

[0002]目前，传统汽车面临着环境污染、全球变暖、石油资源有限等问题，使得汽车制造商将注意力转向混合动力汽车、电动汽车和燃料电池汽车的研究。混合动力汽车作为从传统汽车向未来清洁汽车的过渡车型，通常由储能系统、电动机和内燃机组成，这些部件仍然消耗燃料油并产生污染。同时，由于电池和电动机组成的电动汽车行驶距离有限，充电时间长，已成为其商业化的一大障碍。因此，随着燃料电池技术的发展，零排放、长里程、高耐久性的燃料电池汽车(Fuel cell vehicle,FCV)越来越受到汽车制造商的重视。
[0003]燃料电池汽车作为当前最有发展前景的新能源汽车之一，针对其能量管理问题，学者们提出了许多的能量管理控制方法，大致可以分为两类：基于规则的能量管理策略与基于优化的能量管理策略。其中，基于规则的能量管理包括状态机控制、模糊逻辑控制等，基于优化的能量管理策略包括基于全局优化的能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度强化学习算法的燃料电池汽车能量管理方法，其特征在于，该方法包括以下步骤：S1：获取燃料电池汽车状态信息；S2：搭建燃料电池汽车能量管理系统模型；S3：利用深度强化学习(Deep Q-learning，DQN)算法构建燃料电池汽车能量管理策略，求解包含燃油经济性以及燃料电池效率的多目标优化问题，从而得出最优能量分配结果。2.根据权利要求1所述的燃料电池汽车能量管理方法，其特征在于，步骤S1中，所述燃料电池汽车状态信息包括：车辆状态信息，包括：车辆的速度、电机转速、电机效率以及传动系统；燃料电池状态信息，包括：燃料电池的功率、效率以及氢耗；锂离子电池状态信息，包括：锂离子电池电流、电压、内阻以及SOC。3.根据权利要求2所述的燃料电池汽车能量管理方法，其特征在于，步骤S2中，搭建燃料电池汽车能量管理系统模型，具体包括以下步骤：S21：搭建整车模型；S22：搭建燃料电池氢耗模型以及效率模型；S23：搭建锂离子电池模型。4.根据权利要求3所述的燃料电池汽车能量管理方法，其特征在于，步骤S21中，搭建的整车模型为：其中，P
dem
为需求功率，m
v
为车辆的重量，η
motor
为电机效率，v为速度，F
a
为空气阻力，F
r
为滚动摩擦，F
g
为坡度阻力；P
dem
＝P
fc
+P
bat
其中，P
fc
为燃料电池功率，P
bat
为锂离子电池功率。5.根据权利要求4所述的燃料电池汽车能量管理方法，其特征在于，步骤S22中，搭建的燃料电池氢耗模型为：其中，为氢耗量，为氢的低热值，η
fc
为燃料电池效率；搭建的燃料电池效率模型为：其中，为与燃料电池氢耗相关的理论功率。6.根据权利要求5所述的燃料电池汽车能量管理方法，其特征在于，步骤S23中，搭建的锂离子电池模型为：
其中，I
bat
为锂离子电池电流，V
oc
为锂...

【专利技术属性】
技术研发人员：唐小林，周海涛，邓忠伟，胡晓松，李佳承，陈佳信，
申请(专利权)人：重庆大学，
类型：发明
国别省市：