一种基于回归学习的燃料电池汽车能量管理方法技术

本发明专利技术公开了一种基于回归学习的燃料电池汽车能量管理方法，包括：获取车辆的实时速度信息；根据车辆的实时速度信息，得到最近120s行驶工况的特征信息；将特征信息进行主成分变换，得到第一类型特征信息；其中，第一类型特征信息具体为从特征信息中筛选出来的四个特征；将第一类型特征信息输入训练好的k均值聚类器，得到驾驶模式的类别；将车辆的实时速度信息输入车辆的纵向动力学模型，得到车辆的需求功率；将驾驶模式的类别和车辆的需求功率输入能量管理回归器，得到预测的锂电池功率。实现了在线自适应燃料电池汽车能量管理，提高了能源消耗的管理效率。了能源消耗的管理效率。了能源消耗的管理效率。

【技术实现步骤摘要】
一种基于回归学习的燃料电池汽车能量管理方法


[0001]本专利技术涉及燃料电池能源管理
，尤其涉及一种基于回归学习的燃料电池汽车能量管理方法。

技术介绍

[0002]随着交通电气化的不断发展，将氢能转化为电能的燃料电池正受到人们的关注。在各种类型的燃料电池中，质子交换膜燃料电池(PEMFC)效率高，工作温度较低，是车载发电的合适选择。然而，车辆行驶工况复杂且动态，燃料电池动态响应缓慢，在波动工况下会导致加速老化。因此，实际应用中往往会使用锂电池来提高系统的效率和耐用性。随着燃料电池混合动力汽车的普及，能量管理策略(EMS)变得越来越重要。EMS控制着燃料电池、锂电池和电机负载之间的能量流动，从而在复杂多变的驾驶条件下实现高效的电力需求分配。
[0003]当前的EMS可分为基于规则的策略和基于优化的策略两大类。基于规则的EMS根据专家经验或启发式原则设计特定的规则，如逻辑域方法、有限状态机方法等。基于规则的控制策略具有计算复杂度低的优点，适合于实时控制器的应用。然而，预先设定的规则可能并不总是与实际驾驶条件一致，导致性能欠佳。基于优化的EMS通过构造能量管理的优化问题进行求解，如动态规划算法、模型预测控制方法等。然而，动态规划算法属于离线优化范畴，虽能得到全局最优解，但无法用于在线使用。模型预测控制虽然能够在线使用，但其滚动优化计算量大。

技术实现思路

[0004]为解决
技术介绍
中存在的技术问题，本专利技术提出一种基于回归学习的燃料电池汽车能量管理方法。
[0005]本专利技术提出的一种基于回归学习的燃料电池汽车能量管理方法，包括：
[0006]获取车辆的实时速度信息；
[0007]根据车辆的实时速度信息，得到最近120s行驶工况的特征信息；
[0008]将特征信息进行主成分变换，得到第一类型特征信息；其中，第一类型特征信息具体为从特征信息中筛选出来的四个特征；
[0009]将第一类型特征信息输入训练好的k均值聚类器，得到驾驶模式的类别；
[0010]将车辆的实时速度信息输入车辆的纵向动力学模型，得到车辆的需求功率；
[0011]将驾驶模式的类别和车辆的需求功率输入能量管理回归器，得到预测的锂电池功率；
[0012]其中，所述特征信息具体为平均速度、速度的标准差、平均正向加速度、正向加速度的标准差、平均负向加速度、负向加速度的标准差、平均绝对加速度、怠速时间比例、加速时间比例、减速时间比例。
[0013]优选地，“将特征信息进行主成分变换，得到第一类型特征信息”具体包括：
[0014]将特征信息进行归一化处理并计算特征信息中不同特征之间的协方差构建协方
差矩阵，得到特征信息对应的特征值和特征向量；
[0015]根据特征信息对应的特征值和特征向量，比较各特征信息中不同特征的贡献率，选择贡献率前4个特征向量组成变换矩阵P，得到第一类型特征信息；其中，第一类型特征信息还包括变换矩阵P。
[0016]优选地，“将第一类型特征信息输入训练好的k均值聚类器，得到驾驶模式的类别”具体包括：
[0017]将第一类型特征信息输入训练好的k均值聚类器，通过计算特征输入值和不同簇的质心点坐标之间的距离并进行比较，取距离最小值，得到驾驶模式的类别。
[0018]优选地，k均值聚类器训练过程包括：
[0019]对多个驾驶状态样本数据集进行随机样本的抽取，每个样本长度为120s，共计4000个样本；
[0020]为抽取的随机样本进行聚类工作，选择10个特征来代表每个样本的属性，分别为平均速度、速度的标准差、平均正向加速度、正向加速度的标准差、平均负向加速度、负向加速度的标准差、平均绝对加速度、怠速时间比例、加速时间比例、减速时间比例；
[0021]对抽取的随机样本进行特征计算，得到不同的特征参数；
[0022]对这些特征参数进行主成分变换，得到样本的主成分；
[0023]对不同样本的主成分进行聚类，得到聚类结果以及聚类中心(不同簇的质心)。
[0024]优选地，车辆的纵向动力学模型具体为：
[0025]P
de
＝(μMgcosθ+Mgsinθ+0.5Aρ
air
C
air
v2+δ
c
Ma)v；
[0026]其中，P
de
是车辆需求功率；μ是滚动摩擦系数；M是车质量；g是重力加速度；θ是道路坡度；A是迎风面积；ρ
air
是空气密度；C
air
是风阻系数；v是车速；δ
c
是旋转质量修正系数；a是加速度。
[0027]优选地，能量管理回归器具体为回归集成树模型；“将驾驶模式的类别和车辆的需求功率输入能量管理回归器，得到预测的锂电池功率”具体包括：
[0028]根据驾驶模式的类别确定回归集成树模型；
[0029]将车辆的需求功率输入确定好的回归集成树模型，得到预测的锂电池功率。
[0030]优选地，能量管理回归器离线训练部分过程具体为：
[0031]通过执行动态规划算法得到能量管理回归器的数据集；
[0032]对于多个驾驶状态样本数据集执行动态规划能量管理策略，得到最优的功率分配结果；
[0033]结合k均值聚类结果，将4000个样本的需求功率、锂电池功率提取出来，分成三类；
[0034]这三类功率数据构成了用于训练不同驾驶模式下的能量管理回归学习的数据集。
[0035]优选地，还包括：根据预测的锂电池功率和功率守恒，得到燃料电池的功率，进而完成燃料电池和锂电池之间的功率分配。
[0036]本专利技术中，所提出的基于回归学习的燃料电池汽车能量管理方法，使用40个汽车行驶工况数据集训练驾驶模式识别器，无须对工况类别进行人工标注，使用聚类方法完成了工况类别的分类训练与在线识别。基于动态规划进行了离线最优能量管理，并基于驾驶工况样本聚类将功率数据分为三类。通过对回归集成树机器学习模型进行训练，获得了能量管理回归器。将此能量管理回归器和工况类别识别器相结合，完成了离线最优策略的在
线应用。实现了在线自适应燃料电池汽车能量管理，提高了能源消耗的管理效率。
附图说明
[0037]图1为本专利技术提出的一种基于回归学习的燃料电池汽车能量管理方法的工作流程的结构示意图；
[0038]图2为本专利技术提出的一种基于回归学习的燃料电池汽车能量管理方法的流程框架的结构示意图；
[0039]图3为本专利技术提出的一种基于回归学习的燃料电池汽车能量管理方法的驾驶模式的选择机制的结构示意图；
[0040]图4为本专利技术提出的一种基于回归学习的燃料电池汽车能量管理方法的功率平衡表达式的系统拓扑结构示意图。
具体实施方式
[0041]参照图1
‑
4，本专利技术提出的一种基于回归学习的燃料电池汽车能量管理方法，包括：
[0042]获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于回归学习的燃料电池汽车能量管理方法，其特征在于，包括：获取车辆的实时速度信息；根据车辆的实时速度信息，得到最近120s行驶工况的特征信息；将特征信息进行主成分变换，得到第一类型特征信息；其中，第一类型特征信息具体为从特征信息中筛选出来的四个特征；将第一类型特征信息输入训练好的k均值聚类器，得到驾驶模式的类别；将车辆的实时速度信息输入车辆的纵向动力学模型，得到车辆的需求功率；将驾驶模式的类别和车辆的需求功率输入能量管理回归器，得到预测的锂电池功率；其中，所述特征信息具体为平均速度、速度的标准差、平均正向加速度、正向加速度的标准差、平均负向加速度、负向加速度的标准差、平均绝对加速度、怠速时间比例、加速时间比例、减速时间比例。2.根据权利要求1所述的基于回归学习的燃料电池汽车能量管理方法，其特征在于，“将特征信息进行主成分变换，得到第一类型特征信息”具体包括：将特征信息进行归一化处理并计算特征信息中不同特征之间的协方差构建协方差矩阵，得到特征信息对应的特征值和特征向量；根据特征信息对应的特征值和特征向量，比较各特征信息中不同特征的贡献率，选择贡献率前4个特征向量组成变换矩阵P，得到第一类型特征信息；其中，第一类型特征信息还包括变换矩阵P。3.根据权利要求1所述的基于回归学习的燃料电池汽车能量管理方法，其特征在于，“将第一类型特征信息输入训练好的k均值聚类器，得到驾驶模式的类别”具体包括：将第一类型特征信息输入训练好的k均值聚类器，通过计算特征输入值和不同簇的质心点坐标之间的距离并进行比较，取距离最小值，得到驾驶模式的类别。4.根据权利要求3所述的基于回归学习的燃料电池汽车能量管理方法，其特征在于，k均值聚类器训练过程包括：对多个驾驶状态样本数据集进行随机样本的抽取，每个样本长度为120s，共计4000个样本；为抽取的随机样本进行聚类工作，选择10个特征来代表每个样本的属性，分别为平均速度、速度的标准差、平均正向加速度、正向加速度的标准差、平均负向加速度、负向加速度的标准差、平均...

【专利技术属性】
技术研发人员：陈睿杨，张国卿，李民策，孙震东，王健，桂旺胜，
申请(专利权)人：安徽理安极科技有限公司，
类型：发明
国别省市：