智能网联燃料电池汽车实时能量优化管理系统技术方案

一种智能网联燃料电池汽车实时能量优化管理系统，属于燃料电池汽车优化控制领域。本发明专利技术的目的是提出了燃料电池汽车分层式实时能量滚动优化控制智能网联燃料电池汽车实时能量优化管理系统。本发明专利技术设计宏观长时域的平均交通流速轨迹预测模块，设计微观短时域的车速预测模块，建立面向能量优化控制的燃料电池汽车动力系统模型，建立能量优化管理问题，利用长时域预瞄信息，设计上层轨迹滚动优化控制器，利用短时域预瞄信息，设计下层能量滚动优化控制器，将求解得到的控制输入序列信号传递至燃料电池汽车的功率执行控制单元。本发明专利技术挖掘智能网联交通环境下燃料电池汽车的节能空间，显著提高了智能网联环境下燃料电池汽车的燃料经济性。

【技术实现步骤摘要】
智能网联燃料电池汽车实时能量优化管理系统
本专利技术属于燃料电池汽车优化控制领域。
技术介绍
随着我国汽车保有量的不断增加，能源消耗问题和环境污染问题日益严重，节约能源和保护环境已经成为我国关注的核心问题。燃料电池汽车是一种对环境十分友好的新型清洁能源汽车。相比于传统的内燃机汽车，燃料电池的工作过程不受卡诺循环限制，能量转化效率高，并且终端排放产物是水，可以实现零排放和零污染。实现氢能及燃料电池汽车的大规模应用，燃料电池汽车保有量达到100万辆左右；同时完全掌握燃料电池核心关键技术，建立完备的燃料电池材料、部件、系统的制备与生产产业链。燃料电池汽车由燃料电池和动力电池两个动力源共同为汽车提供动力。燃料电池是燃料电池混合动力系统的核心能源，它具有较高的功率密度，在保证车辆正常运行的过程中起主要作用，但其动态响应速度较慢，较难适应负载的频繁变化；动力电池是燃料电池混合动力系统的辅助能源，它的功率密度较低，但具有较快的动态响应速度，能够较好的应对负载变化较大的情况，在汽车运行时提供燃料电池无法提供的部分能量。同时，当汽车处于刹车制动状态时，汽车的电机工作模式会由电动机模式变成发电机模式，动力电池可回收汽车刹车制动时产生的再生制动能量，为自身充电，一定程度上可以避免能源的浪费。两种动力源协同工作，弥补了燃料电池响应速度慢和动力电池功率密度小的缺点。燃料电池汽车的能量流动方向复杂，且其工作效率随功率的增加呈现先上升后下降的趋势，并不是简单的线性关系，在燃料电池汽车系统中需要有能量管理策略合理地分配各动力源的功率，使燃料电池尽可能工作在高效率区间，动力电池充分利用回收制动能量。能量管理策略是提升燃料经济性的核心所在，因此设计一个优良的能量管理系统对于燃料电池汽车来说有着至关重要的意义。另外，随着人工智能、传感器技术和云计算的迅速发展，智能网联汽车是未来汽车发展的必然趋势，智能网联汽车利用自身传感器感知周围环境，并通过通信设备与其他车辆进行信息交互，得到多源化的行驶预瞄信息。利用这些多源预瞄信息，车辆控制系统结合云计算给出的参考信息有预见性的对燃料电池汽车进行能量优化管理，能够为车辆的燃料经济性提供更大的提升空间。专利CN108944900A公开了一种燃料电池汽车能量管理控制方法，该专利技术根据当前车辆的行驶需求功率，结合动力电池的电量状态制定了燃料电池和动力电池的功率分配策略。但是，该专利技术是一种基于规则的瞬时能量管理策略，只能根据当前的车辆状态对能量分配进行决策，无法让燃料电池和动力电池的工作效率达到最优。另外，该专利技术并未涉及智能网联环境下的汽车能量管理策略，车辆的节能潜力没有得到充分挖掘。专利CN109795373A公开了一种基于耐久性的燃料电池商用车能量管理控制方法，该专利技术采用模糊逻辑策略对燃料电池和动力电池的输出功率进行分配，较好的提高了燃料电池汽车的燃料经济性。但该策略需要在已知固定驾驶工况的情况下设计相应的功率分配模糊逻辑，且只能离线运算，在面对未知的、具有高度不确定性的复杂交通环境下具有较大的应用局限性。专利CN110696815A公开了一种网联式混合动力汽车的预测能量管理方法，该专利技术将油电混合动力汽车作为研究对象，通过引入网联信息，对发动机和动力电池的能量进行分配。但该专利技术并未涉及对于燃料电池汽车的能量优化管理策略，燃料电池不同于发动机，在工作时不能频繁启停，具有更严苛的约束条件，相对油电混合的动力汽车，燃料电池汽车的能量管理设计难度更大。综上所述，虽然目前公开的专利已经涉及了一些燃料电池汽车能量管理的解决方案，但是基本都是基于规则设计的方法，难以得到最优的燃料经济性，而想要得到最优的燃料经济性，所要用到的算法计算量大，需要提前知道完整的工况信息，且只能离线运算。为了解决优化算法的实时性与节能效果的矛盾，进一步挖掘智能网联交通环境下燃料电池汽车的节能潜力，设计智能网联燃料电池汽车实时能量优化管理系统是亟待解决的问题也充满了挑战。
技术实现思路
本专利技术的目的利用历史车速序列预测短时域的车速信息，并结合长时域的车速预瞄信息及多动力源系统模型，提出了燃料电池汽车分层式实时能量滚动优化控制智能网联燃料电池汽车实时能量优化管理系统。本专利技术步骤是：步骤一：设计宏观长时域的平均交通流速轨迹预测模块；其特征在于：步骤二：设计微观短时域的车速预测模块神经网络包含三层结构，即输入层、隐含层和输出层。输入向量定义为m(k)，输出向量定义为BPNN的结构可以由带权重和阈值的离散模型表示其中，w1是输入层和隐含层之间的权重，w2是隐含层和输出层之间的权重，b1是隐含层神经元的阈值，b2是输出层神经元的阈值，m(k)代表输入的历史车速序列，代表输出的预测车速序列，g(h)是隐含层到输出层的激活函数，其传递函数步骤三：建立面向能量优化控制的燃料电池汽车动力系统模型3.1建立汽车纵向行驶动力学模型燃料电池汽车参数：电机传动效率ηt_veh(％)、旋转元件的质量系数σveh(-)、重力加速度g(m/s2)、空气阻力系数CD_veh(-)、空气密度ρair(kg/m3)、汽车质量mveh(kg)、迎风面积Aveh(m2)、滑动阻力系数f(-)、路面坡度θroad(-)；车辆的需求功率其中Pveh_req是车辆的需求功率，f是滑动阻力系数，ηt_veh是电机传动效率，σveh是旋转元件的质量系数，mveh是汽车质量，g是重力加速度，θroad是路面坡度，Aveh是汽车的迎风面积，ρair是空气密度，CD_veh是空气阻力系数，是车辆的速度Vveh对于时间t的微分；3.2建立燃料电池电堆效率模型燃料电池的耗氢量其中，Pfc_req是燃料电池的输出功率，ηfc_st是燃料电池的工作效率，是氢气的低热值；3.3建立动力电池SOC模型Pbatt_req＝Pveh_req-Pfc_req(5)其中，Pbatt_req是动力电池的输出功率；动力电池的SOC动态方程为其中，Voc_batt是动力电池的开路电压，Rint_batt是动力电池的内阻，Qbatt是动力电池的总电量，是动力电池荷电状态SOC的导数；步骤四：建立能量优化管理问题4.1燃料电池的输出功率Pfc_req状态方程为：上式可以通过公式表示；最小化预测时域[t0,tf]内的系统耗氢量：其中，J是满足系统终端约束的条件下预测时域内的总耗氢量，t0是预测时域的起始时间，tf是预测时域的终止时间，u是控制输入变量，U是控制输入变量的取值集合，代表系统在t时刻的耗氢量是与t时刻的控制输入u(t)变量有关的函数，控制输入变量取u＝Pfc_req，状态变量取x＝SOC，φ(x(tf))是状态变量的终端约束；4.2满足的约束条件如下：(1)需要满足燃料电池的输出功率约束：Pfc_low≤Pfc_req(t)≤Pfc_up(10)<本文档来自技高网...

【技术保护点】
1.一种智能网联燃料电池汽车实时能量优化管理系统，/n步骤一：设计宏观长时域的平均交通流速轨迹预测模块；/n其特征在于：/n步骤二：设计微观短时域的车速预测模块/n神经网络包含三层结构，即输入层、隐含层和输出层。输入向量定义为m(k)，输出向量定义为

【技术特征摘要】
1.一种智能网联燃料电池汽车实时能量优化管理系统，
步骤一：设计宏观长时域的平均交通流速轨迹预测模块；
其特征在于：
步骤二：设计微观短时域的车速预测模块
神经网络包含三层结构，即输入层、隐含层和输出层。输入向量定义为m(k)，输出向量定义为BPNN的结构可以由带权重和阈值的离散模型表示



其中，w1是输入层和隐含层之间的权重，w2是隐含层和输出层之间的权重，b1是隐含层神经元的阈值，b2是输出层神经元的阈值，m(k)代表输入的历史车速序列，代表输出的预测车速序列，g(h)是隐含层到输出层的激活函数，其传递函数



步骤三：建立面向能量优化控制的燃料电池汽车动力系统模型
3.1建立汽车纵向行驶动力学模型
燃料电池汽车参数：电机传动效率ηt_veh(％)、旋转元件的质量系数σveh(-)、重力加速度g(m/s2)、空气阻力系数CD_veh(-)、空气密度ρair(kg/m3)、汽车质量mveh(kg)、迎风面积Aveh(m2)、滑动阻力系数f(-)、路面坡度θroad(-)；
车辆的需求功率



其中Pveh_req是车辆的需求功率，f是滑动阻力系数，ηt_veh是电机传动效率，σveh是旋转元件的质量系数，mveh是汽车质量，g是重力加速度，θroad是路面坡度，Aveh是汽车的迎风面积，ρair是空气密度，CD_veh是空气阻力系数，是车辆的速度Vveh对于时间t的微分；
3.2建立燃料电池电堆效率模型
燃料电池的耗氢量



其中，Pfc_req是燃料电池的输出功率，ηfc_st是燃料电池的工作效率，是氢气的低热值；
3.3建立动力电池SOC模型
Pbatt_req＝Pveh_req-Pfc_req(5)
其中，Pbatt_req是动力电池的输出功率；
动力电池的SOC动态方程为



其中，Voc_batt是动力电池的开路电压，Rint_batt是动力电池的内阻，Qbatt是动力电池的总电量，是动力电池荷电状态SOC的导数；
步骤四：建立能量优化管理问题
4.1燃料电池的输出功率Pfc_req状态方程为：



上式可以通过公式表示；
最小化预测时域[t0,tf]内的系统耗氢量：



其中，J是满足系统终端约束的条件下预测时域内的总耗氢量，t0是预测时域的起始时间，tf是预测时域的终止时间，u是控制输入变量，U是控制输入变量的取值集合，代表系统在t时刻的耗氢量是与t时刻的控制输入u(t)变量有关的函数，控制输入变量取u＝Pfc_req，状态变量取x＝SOC，φ(x(tf))是状态变量的终端约束；
4.2满足的约束条件如下：
(1)需要满足燃料电池的输出功率约束：
Pfc_low≤Pfc_req(t)≤Pfc_up(10)
其中，Pfc_low是燃料电池的最小输出功率，Pfc_up是燃料电池的最大输出功率，Pfc_req(t)是燃料电池在t时刻的输出功率；
(2)需要满足动力电池SOC的动态方程及状态约束：



其中，SOCbegin是动力电池在初始时刻的SOC值，SOClow是动力电池的SOC最小值，SOCup是动力电池SOC的最大值，SOC(t)代表t时刻动力电池SOC的值，SOC(t0)代表初始时刻动力电池SOC的值,SOC(tf)代表终端时刻动力电池SOC的值；
(3)需要满足动力电池的功率约束
Pbatt_low≤Pbatt_req(t)≤Pbatt_up(12)
其中，Pbatt_low是动力电池最大充电功率，Pbatt_up是动力电池最大放电功率,Pbatt_req(t)是t时刻动力电池的输出功率；
(4)需要满足汽车运行时的需求功率
Pveh_req(t)＝Pbatt_req(t)+Pfc_req(t)(13)
其中，Pveh_req(t)是t时刻汽车的需求功率，Pbatt_req(t)是动力电池在t时刻的输出功率；
步骤五：利用长时域预瞄信息，设计上层SOC轨迹滚动优化控制器
5.1上层SOC轨迹滚动优化控制器优化问题
将该时间尺度下的预测时域[t0,m,tf,m]离散成Nm等份，其中，t0,m为该预测时域的起始时间，tf,m为该预测时域的终止时间，离散时间记为k∈{1,2,...,Nm+1},得到优化目标：



其中，J是满足终端约束条件下系统所有采样时刻的总耗氢量，φ(x(Nm+1))是状态变量的终端约束，代表耗氢量是与k时刻的控制输入u(k)有关的函数，Δt是相邻两车速信息间的采样时间间隔，控制变量u(k)是燃料电池在k时刻的输出功率Pfc_req_m(k)；
满足的具体约束条件是：
(1)满足燃料电池的输出功率约束：
Pfc_low≤Pfc_req_m(k)≤Pfc_up(15)
(2)满足该时域下动力电池SOC的动态方程及状态约束：



其中，SOCm(k+1)是在k时刻动力电池SOCm(k)经控制输入作用后得到的该时域下一时刻动力电池SOC的值，即动力电池在k+1时刻SOC的值，Voc_batt_m(k)是该时域下k时刻动力电池的开路电压，Rint_batt_m(k)是该时域下k时刻动力电池的内阻，Pveh_req_m(k)是汽车在k时刻的需求功率，Pfc_req_m(k)是该时域下k时刻燃料电池的输出功率，SOCm(k)是该时域下k时刻动力电池的荷电状态值，SOCm(1)是该时域下动力电池SOC初始时刻的值，SOCm(Nm+1)是该时域下动力电池SOC终端时刻的值；
(3)满足动力电池的输出功率约束：
Pbatt_low≤Pbatt_req_m(k)≤Pbatt_up(17)
其中，Pbatt_req_m(k)是该时域下动力电池在k时刻的输出功率；

【专利技术属性】
技术研发人员：杨惠策，胡云峰，宫洵，林佳眉，高金武，汪介瑜，于彤，陈虹，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22