【技术实现步骤摘要】
本专利技术属于燃料电池汽车能量管理，具体涉及一种基于数据驱动的燃料电池汽车实时能量管理方法。
技术介绍
1、车用燃料电池经过全球近十年的持续研发，已在体积与质量、能量转化效率、功率密度以及低温启动等方面取得突破性进展，预示着新一轮燃料电池汽车产业化浪潮即将到来。车用燃料电池系统是燃料电池汽车的核心部分，然而由于其成本高昂且存在性能衰减和寿命短等缺点，燃料电池汽车目前尚未实现大规模的商业应用。燃料电池中能量是不可逆的，且动态响应慢，难以适应变化剧烈的复杂驾驶工况，因此燃料电池汽车通常需要搭配多种动力源构成混合动力系统以此弥补单一动力源的不足；由于有多种动力源存在，能量管理策略是使系统可靠、稳定、高效工作的关键技术之一。混合动力驱动时，能量管理策略的设计至关重要。通过合理的能量分配，可以进一步提高燃料电池汽车的经济性，并成为解决燃料电池耐久性问题的突破口之一，因此学术界针对这一问题展开了广泛的研究。
2、目前国内外学者针对燃料电池混合动力汽车能量管理问题提出了许多控制算法，常见的两类能量管理控制策略为：基于规则和基于优化的控制策略。基于规则的方法通常是基于人类专业知识设计的规则，这种策略对实时驾驶条件不敏感，计算强度低、可靠性高、易于实现，一般用于实时应用，但它很大程度上依赖于工程经验，这使得寻找全面高质量的规则以适应不同的驾驶条件变得十分困难。在这种情况下，基于优化的策略逐渐出现，其从最佳控制角度解决能源管理问题。基于优化的策略通常分为两类：全局优化策略和实时优化策略。全局优化策略是基于整体的驾驶周期信息进行的，可以得
3、虽然目前已经针对传统的混合动力汽车成功开发了许多能量管理策略，但相同的策略无法直接应用于燃料电池混合动力汽车上，因为燃料电池和传统内燃机之间存在巨大的差异。具体而言，大多数传统混合动力汽车的控制策略仅以燃油经济性作为首要优化目标，即为单目标优化问题。然而，燃料电池混合动力汽车是一个非常复杂的系统，在复杂的约束条件下，如何有效地管理混合动力系统的能量，并优化动力系统，以满足车辆的动力性能，同时兼顾整车燃料经济性和能源耐久性，是一个重要挑战。在解决该多目标能量管理问题时候一种常见的解决策略是采用基于优化的策略，试图从最佳控制角度解决能源管理问题，即尝试在所有可能解中寻找出最优解。然而在实现最优的能量管理策略时候又产生了工程上常见的问题：最优性与实时性之间的矛盾。
4、因此，为了实现能量管理策略实时性与最优性的平衡，本专利技术通过将数据驱动方法与传统的能量管理策略各自优势进行融合，利用传统的全局优化算法获取全局最优解，同时使用数据驱动方法来学习最优数据集的内部隐藏关系，从而实现对整车能量管理策略规律的准确表述。
技术实现思路
1、本专利技术的目的是为了实现能量管理策略的最优性与实时性之间的平衡，将全局优化策略与数据驱动方法紧密结合，提出了一种基于模糊c均值聚类和极限梯度提升算法的燃料电池混合动力汽车能量管理方法。该方法首先使用模糊c均值算法对标准驾驶工况数据集进行聚类，并将相同类别下的多种驾驶工况通过动态规划算法求解得到全局最优参考轨迹数据集；然后采用极限梯度提升算法学习最优参考轨迹数据集的内部隐藏关系，通过汇总多个基评估器的结果来实现对整车能量管理策略规律的准确表述。
2、为实现上述专利技术目的，本专利技术采用的技术方案如下：
3、一种基于数据驱动的燃料电池汽车实时能量管理方法，包括以下步骤：
4、s1、建立燃料电池混合动力汽车整车模型；
5、s2、基于fcm的驾驶工况聚类；
6、s2.1、标准驾驶工况数据分析与特征提取
7、选取至少40种常用标准驾驶工况，并分别进行特征参数的提取，得到驾工况特征数据。所述驾工况特征数据，包括运动学特征数据和统计学特征数据；所述运动学特征，包括：运行总时间、运行距离、最大速度、平均速度、运行平均速度、最大加速度、最大减速度、加速段平均加速度、减速段平均减速度、加速度标准差、减速度标准差；所述统计学特征，包括：加速比例、减速比例、匀速比例、怠速比例。
8、s2.2、pca特征降维
9、采用pca对驾驶工况特征数据进行降维，得到一组重要性从高到低排列的新特征；选取前七个新特征构建新的驾驶工况数据集。
10、s2.3、基于模糊c均值算法的驾驶工况聚类
11、采用模糊c均值算法对新的驾驶工况数据集进行聚类，并在聚类过程中引入轮廓系数指标评估聚类结果中的簇间离散程度和簇内稠密程度，从而得到聚类结果。
12、s3、基于dp构建全局最优参考轨迹数据集
13、基于步骤s2得到的聚类结果，分聚类使用动态规划算法构建全局最优参考轨迹数据集；
14、具体地，通过车辆动力学模型计算出各驾驶工况的需求功率，以等效氢耗最小为目标函数的动态规划算法来进行全局优化能量管理策略的求解，从而构建出同种类型驾驶工况的最优参考轨迹数据集。
15、s4、基于极限梯度提升算法学习隐藏规率
16、使用极限梯度提升算法在全局最优参考轨迹数据集上构建多个基评估器来学习功率分配的隐藏规律；通过汇总多个基评估器的结果，得到燃料电池汽车实时能量管理方法。
17、进一步地，步骤s3中，构建全局最优参考轨迹数据集的过程如下：
18、建立燃料电池氢气消耗模型mfc：
19、
20、其中，pfc表示燃料电池输出功率，拟合系数k1＝1.526e-7、k2＝-1.577e-5、k3＝0.0004387、k4＝0.009941、k5＝0.04112。
21、建立蓄电池的等效氢气消耗模型mbat：
22、
23、其中，pbat表示蓄电池功率，ηdc/dc表示dc/dc转换器效率，η1表示蓄电池的放电充电效率，mh2表示氢气的摩尔质量，δh表示氢气的低热值。
24、结合燃料电池氢气消耗模型mfc和蓄电池的等效氢气消耗模型mbat，将评价燃料电池混合动力汽车性能的目标函数表示为：
25、
26、其中，u(k)表示第k个采样时刻燃料电池的输出功率pfc，x(k)表示第k个采样时刻为蓄电池荷电状态soc，k＝0,1,2,…,k。优化目标函数使燃料电池混合动力汽车从初始时刻t0到终止时刻tf氢气消耗最小。
27、综上所述，建立基于动态规划算法的燃料电池混合动力汽车的数学求解模型，其状态转移方程如下所示：
28、
29、其中，soc(t)为t时刻的蓄电池荷电状态，t＝k*tf，tf表示采样周期，t0为初始时刻，为初始时刻的蓄电池荷电状态，ηb为蓄电池效率，ibat为蓄电池电流，e为蓄电池电势，rbat为蓄电池内阻。
30、设置约束条本文档来自技高网...
【技术保护点】
1.一种基于数据驱动的燃料电池汽车实时能量管理方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于数据驱动的燃料电池汽车实时能量管理方法，其特征在于，步骤S3中，构建全局最优参考轨迹数据集的过程如下：
3.如权利要求1或2所述的一种基于数据驱动的燃料电池汽车实时能量管理方法，其特征在于，步骤4中，构建极限梯度提升算法模型时，利用贝叶斯优化算法的快速寻优能力，充分利用前一次的搜索结果，增加搜索效率，从而得到最优的超参数组合。
4.如权利要求3所述的一种基于数据驱动的燃料电池汽车实时能量管理方法，其特征在于，步骤4中，采用的极限梯度提升算法为改进型的梯度提升树算法，其计算过程包括：
【技术特征摘要】
1.一种基于数据驱动的燃料电池汽车实时能量管理方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于数据驱动的燃料电池汽车实时能量管理方法，其特征在于，步骤s3中，构建全局最优参考轨迹数据集的过程如下：
3.如权利要求1或2所述的一种基于数据驱动的燃料电池汽车实时能量管理方法，其特...
【专利技术属性】
技术研发人员：彭超，邹见效，肖栋，朱云，于力，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
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。