技术新讯 > 车辆装置的制造及其改造技术 > 一种考虑前车跟驰的燃料电池汽车能量管理方法  >  正文

一种考虑前车跟驰的燃料电池汽车能量管理方法

  • 国知局
  • 2024-10-21 14:43:27

本发明涉及燃料电池汽车能量管理,尤其是涉及一种考虑前车跟驰的燃料电池汽车能量管理方法。

背景技术:

1、随着化石燃料的消耗与碳排放总量快速上升,由于全球石油储量不断减少,环境污染问题和能源短缺问题日益严重,导致全球各地的排放规定日益严格,对汽车的能耗和排放提出了很高要求。燃料电池汽车能够将燃料中的自由能量直接转化为电能,具有行驶里程长、充电周期短的优点,燃料电池混合动力汽车具有多种输入能量来源和工作模式的多样性的特点。因此,实现燃料电池混合动力汽车高效的能量管理至关重要。

2、目前,混合动力车辆能量管理算法主要分为基于规则的策略、基于优化的策略和基于学习的策略三个大类。其中,基于规则的策略计算量小,在工程实践中应用广泛,但其过于依赖工程师经验,且对不同驾驶工况和车型的可移植性差;

3、基于优化的策略可分为全局优化和实时优化,前者不适合应用在实时控制的场景,后者仍依赖于未来工况信息等先验知识和参数的调节,且易于陷入局部最优;

4、基于学习的策略是当前的研究热点,其结合了基于规则和基于优化的特点,具有较好的工况适应性,但在实际应用中,针对现有汽车的能量管理都是基于固定工况开发,而没有考虑前车跟驰的问题,因此策略的有效性还有提升的空间。

5、此外,在考虑基于数据驱动的前车跟车问题和速度问题后,车辆实际行驶时,除了受到基本路线的影响,还会受到来自前车的行车工况影响,并在此影响下,车辆容易做出与道路预期不符合的决策,导致车辆燃油经济性较差。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑前车跟驰的燃料电池汽车能量管理方法,通过对车辆速度进行预测,实现对燃料电池汽车能量的燃油经济性最优控制,同时提高控制的实时性。

2、本发明的目的可以通过以下技术方案来实现:一种考虑前车跟驰的燃料电池汽车能量管理方法,包括以下步骤:

3、s1、收集车辆行驶相关数据,通过训练lstm(long short-term memory,长短期记忆)-bp(back propagation,反向传播)神经网络,得到车速预测模型;

4、s2、构建车辆的整车动力系统模型;

5、s3、将车辆当前速度、前车距离及前车速度输入车速预测模型,输出得到预测时域内车辆速度,并输入整车动力系统模型,得到对应预测时域内的车辆需求驱动序列;

6、s4、基于车辆需求驱动序列,采用ecms(equivalent consumption minimizationstrategy,等效消耗最小化策略)能量管理算法,确定出有限时域内最优功率分配序列;

7、s5、根据最优的燃料电池驱动功率,由车辆混合动力系统控制器执行完成能量分配。

8、进一步地,所述步骤s1中lstm-bp神经网络包括lstm网络层及其连接的bp网络层,所述lstm网络层用于学习历史时域信息与当前车速的隐藏关系,并将学习到的结果代入到bp网络层中,以输出得到车辆预测速度。

9、进一步地,所述步骤s1中车速预测模型包括输入层、隐藏层和输出层,其中,输入层的输入数据包括跟驰车辆的距离和车速、目标车辆的车速,输出层的输出数据为车辆下一刻车速。

10、进一步地,所述步骤s2中整车动力系统模型包括燃料电池模型、蓄电池模型、传动系统模型。

11、进一步地,所述传动系统模型、即整车纵向动力模型为:

12、

13、其中,p为整车需求功率,ηt为传动系统的效率,m为整车质量,g为重力加速度,f为滚动阻力系数,cd为空气阻力系数,a为迎风面积,u为无风时汽车的行驶速度,δ为汽车旋转质量换算系数,α为道路坡度。

14、进一步地,所述燃料电池模型采用基本的效率-功率曲线模型,燃料电池的氢气消耗为:

15、

16、其中,m为氢气消耗量,eh2为氢气的低热值,η为燃料电池效率,pfc为燃料电池输出功率。

17、进一步地,所述蓄电池采用内阻模型,计算如下:

18、

19、其中,ibat为蓄电池电流,voc为蓄电池开路电压,rbat为蓄电池电阻,pbat为蓄电池输出功率,ηbat为蓄电池的效率;

20、蓄电池的soc(state of charge,荷电状态)的计算公式为:

21、

22、其中,ccap为蓄电池的容量。

23、进一步地,所述步骤s4中ecms能量管理算法的求解过程包括:

24、s31、根据车辆动力系统参数和汽车行驶状态,缩小等效因子选择范围;

25、s32、采用二分法查找,根据哈密顿方程计算出对应的协态变量,选取对应的等效因子,计算在该等效因子相应工况下的燃料消耗量,寻找局部最优解。

26、进一步地,所述步骤s31具体是根据需求功率和蓄电池的soc状态,计算出对应特殊工况下最大的等效因子数值,进而缩小可查找范围。

27、进一步地,所述步骤s32的具体过程为:

28、设定考虑燃料电池和蓄电池综合油耗的目标函数:

29、

30、其中,ψ(soctg-soc(t)为蓄电池soc变化的惩罚函数,其中soctg为预设的soc目标值,取

31、根据安时积分法,电池soc的变化是通过其电流和输出功率得到,动力系统状态方程为:

32、

33、构建的哈密顿函数如下:

34、

35、能够使哈密顿函数取得极小值的最优控制量为即:

36、

37、对应最优解下的协态变量与等效因子分别为:

38、

39、其中,ηs为燃料电池与蓄电池间的能量转化效率,λ(t)为协态变量,s(t)为等效因子,μ为蓄电池soc变化的惩罚系数,qbat为蓄电池的总电量,为燃料电池的瞬时氢气消耗量,hfc为燃料电池系统的等效燃料低热值。

40、与现有技术相比,本发明具有以下优点:

41、本发明通过收集车辆行驶相关数据,以训练得到车速预测模型,再结合构建的车辆整车动力系统模型,将车辆当前速度、前车距离及前车速度输入车速预测模型,输出得到车辆预测速度,将预测速度输入整车动力系统模型,得到对应的需求驱动序列;之后采用ecms能量管理算法,确定出最优功率分配序列。由此充分考虑前车跟驰问题,结合ecms能量管理算法,能够实现对燃料电池汽车能量的燃油经济性最优控制,同时提高控制的实时性。

42、本发明将lstm网络与bp网络组合构建车速预测模型,建立lstm网络学习历史时域信息与当前车速的隐藏关系,随后将学习到的结果代入到bp神经网络层,最后得到预测速度,其中,lstm和bp神经网络的隐藏层和神经元个数参数均可根据实际需求作调整,将收集的车辆行驶相关数据输入进行训练直到残差稳定,即可获得训练好的考虑车辆跟驰的车速预测模型,能够确保实时、准确地预测得到自车在未来设定时间段内的速度。

43、本发明将车速预测模型与整车动力系统模型相结合,利用车速预测模型预测未来设定时间段内车辆速度,将该速度输入整车动力系统模型中,即可确定出对应的整车需求驱动序列,使得后续求解ecms能量管理算法时,能够在保证策略最优性的同时提高策略的实时性。

44、本发明建立等效燃油消耗最小的策略并进行求解,首先根据车辆动力系统参数和汽车行驶状态,缩小等效因子选择范围,之后采用二分法查找,根据哈密顿方程计算出对应的协态变量,获得对应的等效因子,进一步计算出对应工况下的氢气消耗,寻找局部最优解,能够获得有限时域最优功率分配序列。

本文地址:https://www.jishuxx.com/zhuanli/20241021/319078.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。