基于预测的非线性模型控制的燃料电池汽车能量管理方法

1.本发明涉及能量管理策略领域，尤其是涉及一种基于预测的非线性模型控制的燃料电池汽车能量管理方法。


背景技术：

2.能量管理策略是燃料电池汽车开发的核心技术之一，优秀的能量管理策略可以充分发挥燃料电池汽车不同动力源的优势，进而达到整车的最优性能。目前主要的能量管理策略可以分为基于规则的和基于优化的。
3.基于规则的能量管理策略控制简单，不受输入工况的影响，是最早就应用在燃料电池汽车的一类控制方法。但是受限于简单规则，并不能获得最优性能。
4.基于优化的能量管理策略主要可分为两种：一类是全局最优的能量管理策略，另一类则是局部最优的能量管理方法。全局最优的能量管理策略由于其计算量大，无法应用在实时能量管理策略上。局部最优的算法主要有基于等效油耗最小的能量管理方法、神经网络或是模型预测控制。其中，模型预测控制通过在线预测，将全局最优转化为局部最优，具有较强的鲁棒性，十分适合混合动力系统的能量管理。然而在滚动优化过程中，如何实现更加精确的预测的同时准确的控制以取得燃料电池汽车经济性和耐久性的平衡是十分困难的问题。


技术实现要素：

5.本发明的目的就是为了提供一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，通过基于优化的马尔科夫链预测的方法，通过合理的选择预测时间区间并且采用多步预测而非单步预测的方法，保证预测的准确性，并且在变工况期间采用简单的匀速预测方法同时结合工作区域的更新，使预测模型更加准确并且拥有一定的自适应性，最后通过引入在预测时域内的考虑引入变载惩罚的动态规划算法，让燃料电池汽车经济性和耐久性更加优秀的性能。
6.本发明的目的可以通过以下技术方案来实现：
7.一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，包括以下步骤：
8.s1：根据车辆历史运动信息，建立基于优化马尔科夫链的预测模型；
9.s2：在车辆行驶过程中，获取车辆当前运动信息，并依据当前运动信息，基于预测模型在线预测未来有限时域内的车辆运行状态，并自适应更新预测模型；
10.s3：建立燃料电池汽车整车动力系统模型，以预测模型获得的预测时域内车辆运行状态作为输入，输出预测时域内的车辆需求功率序列；
11.s4：将预测时域内的车辆需求功率序列作为引入变载惩罚系数的动态规划算法的输入，输出有限预测时域内的最优功率分配序列；
12.s5：将有限预测时域内的最优功率分配序列施加给车辆，在下一时刻再次获取车辆当前运动信息，返回步骤s2重新预测并进行s3-s4的优化，循环优化直到车辆停止。
13.所述s1包括以下步骤：
14.s11：对车辆历史运动信息进行离线分析，选取不同的预测时域分析运行状态的马尔科夫特性，选取最优预测时域；
15.s12：根据车辆运动信息中的车速和加速度划分运动状态空间，建立工况点集合，离线学习获得初始的状态转移矩阵，其中，状态转移概率计算公式如下：
[0016][0017]
其中：为状态转移概率，为从状态i出发，经过m个时间间隔转移到状态j的个数，表示从状态i出发，经过m个时间间隔转移到各个状态的个数之和；
[0018]
s13：根据预测结果的均方根误差更新状态转移矩阵，选取多步的状态转移矩阵构建多尺度的基于优化马尔科夫链的预测模型。
[0019]
所述燃料电池汽车整车动力系统模型包括燃料电池模型、电机模型、蓄电池模型和传动系统模型。
[0020]
所述燃料电池模型采用基本的效率-功率曲线模型：
[0021]
η＝f(p
fc
)
[0022]
其中，η为燃料电池效率，p
fc
为燃料电池输出功率。
[0023]
所述电机模型为根据选择的参数建立的map图模型：
[0024]
ηm＝f(nm，tm)
[0025]
其中，ηm为电机效率，nm为电机转速，tm为电机转矩。
[0026]
所述蓄电池采用内阻模型，计算如下：
[0027][0028]
其中，i
bat
为蓄电池电流，v
oc
为蓄电池开路电压，r
bat
为蓄电池电阻，p
bat
为蓄电池输出功率，蓄电池的荷电状态soc的计算公式为：
[0029][0030]
其中，c
cap
为蓄电池的容量。
[0031]
所述传动系统模型为：
[0032][0033]
其中，p为整车需求功率，η
t
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。
[0034]
所述引入变载惩罚系数的动态规划算法的目标函数为：
[0035][0036]
其中，m为氢气消耗量，λ为变载惩罚系数，用于平衡燃料电池和蓄电池的耐久性，d
load-change
为燃料电池输出上一时刻与现在时刻的差值，n为预测时域的大小。
[0037]
所述氢气消耗量的计算方式为：
[0038][0039]
其中，为氢气的摩尔质量，i
fc
为燃料电池堆电流，n为燃料电池单体个数，f为法拉第常数，e
h2
为氢气的低热值，η为燃料电池效率，p
fc
为燃料电池输出功率。
[0040]
所述引入变载惩罚系数的动态规划算法的约束条件为预测时域空间下可能的变化值：
[0041][0042]
其中，p
fc
为燃料电池输出功率，请补充参数解释pb，soc为蓄电池的荷电状态，p
fc-t，min
、p
b-t，min
、soc
t-min
为对应参数的预设下限，p
fc-t，max
、p
b-t，max
、soc
t-max
为对应参数的预设上限。
[0043]
与现有技术相比，本发明具有以下有益效果：
[0044]
(1)本发明通过改进的预测模型并且合理的选择预测时间跨度，采用多步预测的形式，并且在变工况期间采用简单的匀速预测方法，提高了预测模型的准确性、稳定性和自适应性能。
[0045]
(2)本发明通过不断滚动更新的预测和最优控制提高了燃料电池车辆燃料电池输出功率的鲁棒性和实时性。
[0046]
(3)本发明通过引入变载惩罚系数的动态规划算法在有限时域内平衡了燃料电池汽车对于耐久性和经济性的追求，性能趋近于全局最优。
附图说明
[0047]
图1为本发明的方法流程示意图；
[0048]
图2为一种实施例中优化马尔科夫链的预测模型的预测流程图；
[0049]
图3为一种实施例中状态转移矩阵的更新流程示意图；
[0050]
图4为一种实施例中的车辆拓扑结构示意图。
具体实施方式
[0051]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0052]
本实施例提供一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，如
图1所示，包括以下步骤：
[0053]
s1：根据车辆历史运动信息，建立基于优化马尔科夫链的预测模型，如图2的离线学习部分所示。
[0054]
s11：对车辆历史运动信息进行离线分析，选取不同的预测时域分析运行状态的马尔科夫特性，选取最优预测时域；
[0055]
s12：根据车辆运动信息中的车速和加速度划分运动状态空间，建立工况点集合，离线学习获得初始的状态转移矩阵，其中，状态转移概率计算公式如下：
[0056][0057]
其中：为状态转移概率，为从状态i出发，经过m个时间间隔转移到状态j的个数，表示从状态i出发，经过m个时间间隔转移到各个状态的个数之和；
[0058]
s13：根据预测结果的均方根误差更新状态转移矩阵，选取多步的状态转移矩阵构建多尺度的基于优化马尔科夫链的预测模型。
[0059]
本实施例中，统计得到循环工况不同时间尺度下各状态的转移概率，建立状态转移矩阵，即预测时域有n秒，就采用n步转移矩阵，而不是单步转移矩阵的迭代。
[0060]
状态转移矩阵的更新流程如图3所示。对于当前k时刻的状态j，已知k-m时刻的状态i，则状态转移矩阵根据公式进行更新。
[0061]
同时为了降低转移矩阵在未成熟时候的预测失真，采用“匀速预测”的手段以提高预测的准确度。具体的，在矩阵未成熟的时候，当预测时域的速度与实际速度的方差过大时候，认为其在接下来的一段预测时间为匀速行驶。
[0062]
s2：在车辆行驶过程中，获取车辆当前运动信息，并依据当前运动信息，基于预测模型在线预测未来有限时域内的车辆运行状态，并自适应更新预测模型，如图2的在线更新部分所示。
[0063]
s3：建立燃料电池汽车整车动力系统模型，以预测模型获得的预测时域内车辆运行状态作为输入，输出预测时域内的车辆需求功率序列。
[0064]
燃料电池汽车整车动力系统模型包括燃料电池模型、电机模型、蓄电池模型和传动系统模型，如图4所示，燃料电池电堆接收氢罐内的氢气与空气中的氧气，经过反应产生电能经dc/dc进入高压母线，驱动电机将电能转化成机械能。额外的能量同时给蓄电池充能，蓄电池起到储能和应对高负载需求的作用。
[0065]
其中，燃料电池模型采用基本的效率-功率曲线模型：
[0066]
η＝f(p
fc
)
[0067]
其中，η为燃料电池效率，p
fc
为燃料电池输出功率。
[0068]
电机模型为根据选择的参数建立的map图模型：
[0069]
ηm＝f(nm，tm)
[0070]
其中，ηm为电机效率，nm为电机转速，tm为电机转矩。
[0071]
蓄电池采用内阻模型，计算如下：
[0072][0073]
其中，i
bat
为蓄电池电流，v
oc
为蓄电池开路电压，r
bat
为蓄电池电阻，p
bat
为蓄电池输出功率，蓄电池的荷电状态soc的计算公式为：
[0074][0075]
其中，c
cap
为蓄电池的容量。
[0076]
传动系统模型为：
[0077][0078]
其中，p为整车需求功率，η
t
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。
[0079]
s4：将预测时域内的车辆需求功率序列作为引入变载惩罚系数的动态规划算法的输入，输出有限预测时域内的最优功率分配序列。
[0080]
引入变载惩罚系数的动态规划算法的目标函数为：
[0081][0082]
其中，m为氢气消耗量，λ为变载惩罚系数，用于平衡燃料电池和蓄电池的耐久性，d
load-change
为燃料电池输出上一时刻与现在时刻的差值，n为预测时域的大小。
[0083]
氢气消耗量的计算方式为：
[0084][0085]
其中，为氢气的摩尔质量，i
fc
为燃料电池堆电流，n为燃料电池单体个数，f为法拉第常数，e
h2
为氢气的低热值，η为燃料电池效率，p
fc
为燃料电池输出功率。
[0086]
引入变载惩罚系数的动态规划算法的约束条件为预测时域空间下可能的变化值：
[0087][0088]
其中，p
fc
为燃料电池输出功率，请补充参数解释pb，soc为蓄电池的荷电状态，p
fc-t，min
、p
b-t，min
、soc
t-min
为对应参数的预设下限，p
fc-t，max
、p
b-t，max
、soc
t-max
为对应参数的预设上限。
[0089]
s5：将有限预测时域内的最优功率分配序列施加给车辆，在下一时刻再次获取车辆当前运动信息，返回步骤s2重新预测并进行s3-s4的优化，循环优化直到车辆停止。
[0090]
表1为本发明方法与恒温器策略和功率跟随策略的对比结果。本发明与两种策略
相比，相比较于恒温器策略，虽然燃料电池衰减略有升高，但是蓄电池衰减、百公里氢耗和百公里运行费用降低，更好的平衡了经济性和耐久性；相比较于功率跟随策略，本发明的燃料电池衰减和百公里运行费用大幅降低，虽然蓄电池衰减和百公里氢耗略有增加，但是整体上仍提升了性能。
[0091]
表1
[0092][0093]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。

技术特征：
1.一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，其特征在于，包括以下步骤：s1：根据车辆历史运动信息，建立基于优化马尔科夫链的预测模型；s2：在车辆行驶过程中，获取车辆当前运动信息，并依据当前运动信息，基于预测模型在线预测未来有限时域内的车辆运行状态，并自适应更新预测模型；s3：建立燃料电池汽车整车动力系统模型，以预测模型获得的预测时域内车辆运行状态作为输入，输出预测时域内的车辆需求功率序列；s4：将预测时域内的车辆需求功率序列作为引入变载惩罚系数的动态规划算法的输入，输出有限预测时域内的最优功率分配序列；s5：将有限预测时域内的最优功率分配序列施加给车辆，在下一时刻再次获取车辆当前运动信息，返回步骤s2重新预测并进行s3-s4的优化，循环优化直到车辆停止。2.根据权利要求1所述的一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，其特征在于，所述s1包括以下步骤：s11：对车辆历史运动信息进行离线分析，选取不同的预测时域分析运行状态的马尔科夫特性，选取最优预测时域；s12：根据车辆运动信息中的车速和加速度划分运动状态空间，建立工况点集合，离线学习获得初始的状态转移矩阵，其中，状态转移概率计算公式如下：其中：为状态转移概率，为从状态i出发，经过m个时间间隔转移到状态j的个数，表示从状态i出发，经过m个时间间隔转移到各个状态的个数之和；s13：根据预测结果的均方根误差更新状态转移矩阵，选取多步的状态转移矩阵构建多尺度的基于优化马尔科夫链的预测模型。3.根据权利要求1所述的一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，其特征在于，所述燃料电池汽车整车动力系统模型包括燃料电池模型、电机模型、蓄电池模型和传动系统模型。4.根据权利要求3所述的一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，其特征在于，所述燃料电池模型采用基本的效率-功率曲线模型：η＝f(p
fc
)其中，η为燃料电池效率，p
fc
为燃料电池输出功率。5.根据权利要求3所述的一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，其特征在于，所述电机模型为根据选择的参数建立的map图模型：η
m
＝f(n
m
,t
m
)其中，η
m
为电机效率，n
m
为电机转速，t
m
为电机转矩。6.根据权利要求3所述的一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，其特征在于，所述蓄电池采用内阻模型，计算如下：
其中，i
bat
为蓄电池电流，v
oc
为蓄电池开路电压，r
bat
为蓄电池电阻，p
bat
为蓄电池输出功率，蓄电池的荷电状态soc的计算公式为：其中，c
cap
为蓄电池的容量。7.根据权利要求3所述的一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，其特征在于，所述传动系统模型为：其中，p为整车需求功率，η
t
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，c
d
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。8.根据权利要求1所述的一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，其特征在于，所述引入变载惩罚系数的动态规划算法的目标函数为：其中，m为氢气消耗量，λ为变载惩罚系数，用于平衡燃料电池和蓄电池的耐久性，d
load-change
为燃料电池输出上一时刻与现在时刻的差值，n为预测时域的大小。9.根据权利要求8所述的一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，其特征在于，所述氢气消耗量的计算方式为：其中，为氢气的摩尔质量，i
fc
为燃料电池堆电流，n为燃料电池单体个数，f为法拉第常数，e
h2
为氢气的低热值，η为燃料电池效率，p
fc
为燃料电池输出功率。10.根据权利要求1所述的一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，其特征在于，所述引入变载惩罚系数的动态规划算法的约束条件为预测时域空间下可能的变化值：其中，p
fc
为燃料电池输出功率，请补充参数解释p
b
，soc为蓄电池的荷电状态，p
fc-t,min
、p
b-t,min
、soc
t-min
为对应参数的预设下限，p
fc-t,max
、p
b-t,max
、soc
t-max
为对应参数的预设上限。

技术总结
本发明涉及一种基于预测的非线性模型控制的燃料电池汽车能量管理方法，包括：根据车辆历史运动信息，建立基于优化马尔科夫链的预测模型；获取车辆当前运动信息，基于预测模型在线预测未来有限时域内的车辆运行状态，并自适应更新预测模型；建立燃料电池汽车整车动力系统模型，以预测时域内车辆运行状态作为输入，输出车辆需求功率序列；将预测时域内的车辆需求功率序列作为引入变载惩罚系数的动态规划算法的输入，输出最优功率分配序列；将最优功率分配序列施加给车辆，在下一时刻再次获取车辆当前运动信息，重新进行预测、优化，直到车辆停止。与现有技术相比，本发明具有实现了燃料电池汽车经济性和耐久性的平衡等优点。燃料电池汽车经济性和耐久性的平衡等优点。燃料电池汽车经济性和耐久性的平衡等优点。


技术研发人员：梁博文 高源 刘婧 章桐
受保护的技术使用者：同济大学
技术研发日：2023.05.12
技术公布日：2023/7/13