【技术实现步骤摘要】
本专利技术涉及新能源汽车，尤其是涉及一种燃料电池车用低电量状态下驱动模式控制方法及系统。
技术介绍
1、当前氢燃料电池商用车本质上是氢燃料电池和动力电池的电电混合驱动，从高压架构来看，氢燃料电池和动力电池的输出端为并联模式，共同支撑整车的功率需求。
2、根据整车使用的不同场景，整车驱动模式可根据车辆使用者的需求，进行纯电驱动和电电混驱动的选择；也可以按既定的能量管理策略进行启停控制，本质上是能量分配的策略。
3、当前商用车驱动模式的选择一般是通过物理开关实现，高电平或者低电平有效，开关有效时，vcu禁止燃电启动；开关无效时，vcu根据整车能量管理需求进行燃电的启停控制。当动力电池soc过低以及氢燃料压力不足时，通过光或者蜂鸣声的方式提醒车辆使用者。
4、驱动模式选择控制策略简单，无法满足车辆实际使用场景的需求，如在低soc下容易造成车辆意外趴窝，例如：车辆使用者通过物理开关选择纯电驱动模式时，忽略了soc低的提醒，（一般仪表图标和蜂鸣，车辆使用者容易忽略）未切换回混动驱动模式，导致车辆动力电池电量过低，最终导致车辆氢气量充足的情况下，整车却无法行驶的问题。
5、此外，驱动模式采用物理开关也容易被误触发，出现车辆趴窝的场景。
6、现有技术中，专利（申请号：201911303571.1）公开了一种燃料电池汽车双源混合动力系统的上电启动逻辑及方法，该系统采用燃料
7、电池与动力锂电池组的双能源混合动力系统结构，汽车启动后整车控制唤醒所有通信节点，各节点自检完成后电
技术实现思路
1、鉴于以上现有技术的不足，本专利技术提供了一种燃料电池车用低电量状态下驱动模式控制方法及系统，不仅能够对车辆处于低电量状态下进行不同驱动模式的切换以保证车辆的正常行驶，而且降低因策略问题导致的整车故障率，进而减少因该问题带来的额外用车成本。
2、为了实现上述目的及其他相关目的，本专利技术提供的技术方案如下：
3、一种燃料电池车用低电量状态下驱动模式控制方法，所述方法包括：
4、l1.采集不同时刻的动力电池的电压、电流、温度、内阻、累计放出电量和环境温度数据信息，输入神经网络模型对动力电池的soc进行预测，得到预测后的动力电池soc数据信息，并建立动力电池soc数据模型，输出动力电池soc数据模型数据信息；
5、l2.基于所述动力电池soc数据模型数据信息，采用卡尔曼滤波算法对动力电池的soc进行误差纠正，得到纠正后的动力电池的soc数据信息；
6、l3.基于所述纠正后的动力电池的soc数据信息，采用阈值算法对车辆的驱动模式进行划分，得到划分后的车辆驱动模式数据信息，所述划分后的车辆驱动模式数据信息包括智慧模式、呆子模式和跛行模式。
7、进一步的，所述智慧模式为：
8、当所述纠正后的动力电池的soc数据信息低于20%时，若车辆的纯电驱动模式控制变量有效时，则进入纯电驱动一级限功并通知用户或运营管理者，若车辆的纯电驱动模式控制变量无效时，则按正常的燃电启动策略执行；
9、当所述纠正后的动力电池的soc数据信息低于15%，若车辆的纯电驱动模式控制变量有效时，则进入纯电驱动二级限功并通知用户或运营管理者，若车辆的纯电驱动模式控制变量无效时，则强制进入燃电启动策略。
10、进一步的，所述呆子模式为：
11、当所述纠正后的动力电池的soc数据信息低于10%时，则车辆的驱动功率限制为0，判断车辆停止后，整车主动下高压。
12、进一步的，所述跛行模式为：
13、当所述纠正后的动力电池的soc数据信息低于5%时，则整车下电后重新上电，或者整车在休眠状态下上电，跛行模式变量有效，车辆仅支持低速行驶，跛行模式为被动触发，当所述纠正后的动力电池的soc数据信息高于5%时，vcu不响应跛行模式。
14、进一步的，在步骤l1中，所述输入神经网络模型对动力电池的soc进行预测，得到预测后的动力电池soc数据信息包括：
15、l11.将所述不同时刻的动力电池的电压、电流、温度、内阻、累计放出电量和环境温度数据信息划分为训练数据集和测试训练集，并将所述训练数据集输入神经网络模型进行训练和学习，得到训练好的神经网络模型；
16、l12.基于所述训练好的神经网络模型，输入所述测试训练集对动力电池的soc进行预测，得到预测后的动力电池soc数据信息。
17、进一步的，所述神经网络模型包括输入层、激活函数层和输出层，所述激活函数为f，
18、，
19、其中，λ1，λ2和λ3为权重系数，x为输入层到激活函数层的输入参数。
20、进一步的，在步骤l2中，所述采用卡尔曼滤波算法对动力电池的soc进行误差纠正包括：
21、l21.基于所述动力电池soc数据模型数据信息，建立动力电池的soc状态预测函数xk和pk，
22、xk=fkxk-1+bkpk,
23、pk=fkpk-1fkt+qk，
24、其中，fk为k时刻的系统状态矩阵，bk为k时刻的控制矩阵，xk为k时刻的动力电池的soc状态，pk为k时刻的动力电池的soc期望状态，qk为k时刻的噪音分布的方差矩阵，得到动力电池的soc状态预测数据信息；
25、l22.基于所述动力电池的soc状态预测数据信息，建立动力电池的误差函数w，
26、，
27、其中，x为动力电池soc数据模型数据信息，xk为k时刻的动力电池的soc状态，kk为k时刻的卡尔曼增益矩阵，zk为k时刻的不确定度系数矩阵，hk为状态空间转换系数矩阵，对动力电池soc误差进行推算，得到动力电池soc的误差数据信息；
28、l23.基于所述动力电池soc的误差数据信息，建立误差纠正函数j，
29、，
30、其中，xi为第i时刻的动力电池soc数据模型数据信息，ωi为第i时刻的动力电池soc的误差数据信息，n为采样样本数量，对动力电池的soc进行误差纠正，得到纠正后的动力电池soc数据信息。
31、为了实现上述目的及其他相关目的，本专利技术还提供了一种用于实现任一项所述的燃料电池车用低电量状态下驱动模式控制方法的系统，所述系统包括整车控制器、fcu、hms、中控、仪表、t-box及车联网平台，其中，所述整车控制器，负责获取动力电池soc状态、氢气容量状态并结合整车运行情况，实行整车低soc下的能量管理，并将相关信息通过所述仪表提示用户，通过所述t-box和所述车联网平台通知运营方进行车辆管理；
32、所述fcu，用于接收所述整车控制器的启停控制指令，并根据氢燃料系统的状态进本文档来自技高网...
【技术保护点】
1.一种燃料电池车用低电量状态下驱动模式控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的燃料电池车用低电量状态下驱动模式控制方法，其特征在于，所述智慧模式为：
3.根据权利要求1所述的燃料电池车用低电量状态下驱动模式控制方法，其特征在于，所述呆子模式为：
4.根据权利要求1所述的燃料电池车用低电量状态下驱动模式控制方法，其特征在于，所述跛行模式为：
5.根据权利要求1所述的燃料电池车用低电量状态下驱动模式控制方法，其特征在于，在步骤L1中，所述输入神经网络模型对动力电池的SOC进行预测，得到预测后的动力电池SOC数据信息包括：
6.根据权利要求5所述的燃料电池车用低电量状态下驱动模式控制方法，其特征在于：所述神经网络模型包括输入层、激活函数层和输出层，所述激活函数为F，
7.根据权利要求1所述的燃料电池车用低电量状态下驱动模式控制方法，其特征在于，在步骤L2中，所述采用卡尔曼滤波算法对动力电池的SOC进行误差纠正包括：
8.一种用于实现权利要求1-7任一项所述的燃料电池车用低电量状态
9.根据权利要求8所述的系统，其特征在于：所述中控通过CAN报文与所述整车控制器进行模式控制交互，所述模式控制包括智慧模式、呆子模式和跛行模式。
10.根据权利要求8所述的系统，其特征在于：所述T-BOX和所述车联网平台用于负责所述整车控制器的智慧模式下，运行状态的提醒，通过短信和电话提醒用户和运营管理者。
...【技术特征摘要】
1.一种燃料电池车用低电量状态下驱动模式控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的燃料电池车用低电量状态下驱动模式控制方法，其特征在于，所述智慧模式为：
3.根据权利要求1所述的燃料电池车用低电量状态下驱动模式控制方法，其特征在于，所述呆子模式为：
4.根据权利要求1所述的燃料电池车用低电量状态下驱动模式控制方法，其特征在于，所述跛行模式为：
5.根据权利要求1所述的燃料电池车用低电量状态下驱动模式控制方法，其特征在于，在步骤l1中，所述输入神经网络模型对动力电池的soc进行预测，得到预测后的动力电池soc数据信息包括：
6.根据权利要求5所述的燃料电池车用低电量状态下驱动模式控制方法，其特征在于：所述神经网络模型包括输入层、激活函数层和输出层，所述激活函数为f，
7.根据权利要求1所述的燃料电池车用低电量状态下驱动模式控...
【专利技术属性】
技术研发人员：危波，吴明瞭，李波，熊军林，徐凯，董伟，赵阳，尹文慧，
申请(专利权)人：广州海珀特科技有限公司，
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。