基于ANFIS的燃料电池混合汽车能量管理策略研究

纯模糊控制具有一定的主观性,缺乏自适应能力,使其在燃料电池混合汽车(FCHV)能量管理中的应用受限,由此提出一种基于自适应神经模糊推理系统(ANFIS)的能量管理策略(EMS)。首先利用MATLAB/simulink建立FCHV动力系统简化模型,然后设计ANFIS控制器,采用BP算法和最小二乘估计法对ANFIS的前后件参数进行自适应调节,最后对所提出的EMS进行仿真验证和分析。结果表明,在基于ANFIS的EMS下,蓄电池soc全程波动范围仅为功率跟随策略的70%,且soc初值与最终值的差值更小;此外,相比于功率跟随策略,燃料电池全程工作于低功率点之上,工作于高功率点的时间仅为功率跟随策略的40%,工作于高功率变化率的时间减少了26%。因此,所提出的EMS不仅能有效管理FCHV动力系统中能量的流动,满足负载功率需求,而且有助于延长蓄电池和燃料电池寿命,从而降低整车成本。

基于TD3-PER的氢燃料电池混合动力汽车能量管理策略研究

为优化氢燃料电池混合动力汽车的燃料经济性及辅助动力电池性能,提出了一种基于优先经验采样的双延迟深度确定性策略梯度(TD3-PER)能量管理策略。采用双延迟深度确定性策略梯度(TD3)算法,在防止训练过优估计的同时实现了更精准的连续控制;同时结合优先经验采样(PER)算法,在获得更好优化性能的基础上加速了策略的训练。仿真结果表明:相较于深度确定性策略梯度(DDPG)算法,所提出的TD3-PER能量管理策略的百公里氢耗量降低了7.56%,平均功率波动降低了6.49%。

基于Stackelberg博弈的燃料电池混合动力汽车跟车能量管理

跟车场景下燃料电池混合动力汽车(FCHEV)的速度与能量管理协同优化是实现车辆节能的重要有效手段,针对现有策略中双能量源退化与能耗耦合关系不明,且难以兼顾全局优化与实时性能的问题,提出一种基于Stackelberg博弈的FCHEV跟车能量管理策略。首先,建立了燃料电池/锂电池的能耗与性能退化模型,并纳入到统一量纲的整车综合使用成本函数中;其次,提出了基于分层解耦的跟车能量管理策略,实现跟车速度与功率分配的解耦控制;最后,综合考虑跟车安全性、舒适性、燃料经济性和能源耐久性,建立跟车控制层与能量管理层对应的双层规划模型,并基于Stackelberg博弈思想设计了双层差分遗传算法对策略核心参数进行离线优化。仿真和实验结果表明:相较于模型预测控制方法,该方法可降低平均车间距误差37.7%、平均冲击度2.4%、等效氢气消耗9.3%和能源退化成本13.9%,实现了优化性能与实时性的兼顾。

燃料电池混合动力汽车能量管理策略研究进展

随着能源与环境问题日益凸显,混合动力汽车 (Hybrid Electric Vehicle,HEV) 成为目前汽车行业的一个重要发展方向。燃料电池混合动力汽车 (Fuel Cell Hybrid Electric Vehicle,FCHEV) 由于其具有零排放、绿色环保、运行噪音低等优点,也被认为是汽车行业中极具吸引力的技术之一。FCHEV 作为一种混合动力系统汽车,能量管理策略也是 FCHEV 混合动力系统控制策略的核心,使汽车在保证动力性和经济性的前提下实现能量高效且合理分配。就目前而言,FCHEV 的能量管理策略仍有很多挑战。本文从此着手,先从多个角度概述能量管理的策略,并分析不同类型策略的优缺点以及不足,最后结合分析对 FCHEV 能量管理策略的研究方向进行展望。

网联环境下的燃料电池混合动力汽车能量管理

为了缓解城市交通拥挤和减少能源消耗,本文提出一种基于智能交通信息的燃料电池混合动力汽车(FCHEV)分层能量管理策略。利用车联网技术获取目标车辆的路况信息,建立交通信号灯正时模型,获取最优目标车速。基于目标车速,获取车辆的需求功率,分层设计自适应等效消耗最小策略和模型预测控制方法,实现对3种能量源需求功率的最优分配。通过仿真和实验验证所提能量管理策略的有效性。研究结果表明:该策略能够有效避免红灯前频繁启停,燃料经济性和续航里程分别提高了9.83%和5.13%。

燃料电池混合电动汽车智能能量管理

针对燃料电池混合电动汽车复杂的拓扑结构,提出一种改进软执行者-评论者(SAC)算法的能量管理策略。首先,利用自适应模糊滤波对需求功率进行频率解耦来实现功率分层,让超级电容来提供/吸收需求功率中的峰值功率。然后,通过采用基于等效消耗最小的思想构建SAC的奖励函数,以实现降低氢耗量和改善燃料电池工作效率的目标,并优化燃料电池和锂电池的功率分配。在训练过程中,引入启发式经验回放机制来提高SAC算法的收敛性能和优化效果。最后,在多种典型工况下仿真并进行平台试验。结果表明:所提策略在燃料经济性上与传统SAC策略相比平均提高6.4%,并且在面对极端工况时,依旧能够保证燃料电池的平稳运行,实现对3能量源燃料电池汽车的能量管理。

基于模糊逻辑控制的燃料电池混合动力汽车能量管理策略究

随着环境问题和能源紧缺问题的日益严重,燃料电池混合动力汽车(FCHEV)作为一种可持续和高效的交通工具逐渐受到关注。能量管理策略是FCHEV设计和开发中的重要内容之一,其性能很大程度上影响车辆的动力性和经济性。以非插电式燃料电池/动力电池混合动力汽车为研究对象,提出一种基于模糊逻辑控制(FLC)的能量管理策略,以改善车辆运行的燃料经济性,同时使动力电池荷电状态尽可能维持在初始水平。首先,在Matlab中建立燃料电池混合动力汽车后向仿真模型,作为能量管理策略研究的仿真平台;其次,以车辆运行需求功率、动力电池荷电状态和燃料电池输出功率为关键变量,在确保满足车辆运行功率需求的前提下,以减少氢耗和维持动力电池荷电状态为原则,进行模糊规则设计;最后,分别将所提策略和功率跟随策略在新欧洲驾驶循环(NEDC)下进行仿真实验。仿真结果表明,与功率跟随策略相比,所提出的基于模糊逻辑控制的能量管理策略使车辆运行燃料经济性提高了17.13%,动力电池荷电状态维持能力提高了68.72%,同时,燃料电池启停次数减少,燃料电池性能衰退也随之减少,验证了所提策略的有效性。

丰田Mirai氢能源燃料电池混合动力汽车核心控制策略(三)

(4)HV蓄电池温度传感器HV蓄电池温度传感器位于HV蓄电池模块下方,共有4个温度传感器,其中一个位于HV蓄电池模块和HV蓄电池冷却鼓风机总成之间的空气进气口附近。EV控制ECU基于此HV蓄电池温度传感器通过HV蓄电池电压传感器发送给它的信息,控制HV蓄电池冷却鼓风机总成,如图26所示。

基于马尔可夫决策理论的燃料电池混合动力汽车能量管理策略

根据道路试验记录的数据建立驾驶员需求功率的马尔可夫模型,利用马尔可夫决策理论获得混合动力汽车的随机能量管理策略。借助燃料电池混合动力汽车控制系统的仿真平台进行仿真计算。北京公交车中速工况的仿真结果表明,与原先的恒电压控制策略相比,随机能量管理策略可以降低燃料消耗。

燃料电池混合动力汽车动力系统匹配与优化研究

首先,基于中国客车典型循环工况对燃料电池混合动力系统进行匹配计算,确定了电动机、燃料电池发动机和蓄电池的基本参数;然后基于中国客车典型循环工况,建立燃料电池混合动力系统的优化模型,采用序列二次规划算法进行优化,分析了各种参数对整车燃料经济性的影响,包括燃料电池发动机与动力蓄电池之间的功率分配比、SOC的初始值与目标值、变速器传动比及传动比间隔以及主减速比等,为燃料电池混合动力汽车的构型提供指导。

燃料电池电动汽车改进深度强化学习能量管理

针对配置有燃料电池、锂电池和超级电容3能量源的混合动力汽车,提出一种基于改进深度确定性策略梯度(DDPG)算法的分层能量管理策略,以降低氢耗、提高燃料电池工作效率及维持锂电池荷电状态(SoC)。首先,采用基于模糊规则的自适应低通滤波器对功率进行分层处理,由超级电容承担峰值功率。其次,设计基于DDPG的能量管理框架,利用等效消耗最小策略的计算思想构建优化函数,并加入与燃料电池效率和锂电池SoC偏差有关的惩罚因子,优化燃料电池和锂电池的功率分配。此外,为避免噪声探索导致极端动作值的频繁出现,利用动态规划最优解辅助策略训练,提升优化效果。最后,在不同工况下进行仿真,并搭建试验平台进行验证。结果表明:与基于传统DDPG策略相比,所提策略可以有效减少锂电池SoC消耗,更好确保燃料电池工作在高效率区间,并且显著降低氢消耗,在燃料经济性方面平均可提升19%。

混合型燃料电池汽车动力系统零下冷启动仿真

燃料电池汽车在零下冷起动仍然是制约燃料电池汽车商业化的技术难点问题。研究了能量混合型燃料电池汽车动力系统的零下冷起动电堆的温升过程。依据动力蓄电池、燃料电池的电化学特性、热动力学特性,以及燃料电池辅助系统特性,建立了电电混合型燃料电池汽车动力系统零下冷起动过程的仿真模型;利用MATLAB/Simulink作为仿真工具,研究不同加热功率对电堆温升过程中能量消耗与动力电池状态变化的影响,为动力系统配置和能耗优化控制提供了依据。

燃料电池/蓄电池混合动力汽车建模与仿真（英文）

对以燃料电池为主电源,蓄电池为辅助电源的混合动力汽车进行建模。采用设定阈值的方法进行功率控制。当车辆需要的功率超过设定阈值时,蓄电池与燃料电池共同输出功率。否则,由燃料电池单独输出功率,制动能量回收为蓄电池充电。应用MATLAB/Simulink软件对FUDS和NEDC两种驾驶循环模式进行仿真,结果显示蓄电池的存电状态可以获得良好的恢复,氢气消耗量大幅度降低。

改进深度Q学习的燃料电池混合动力汽车能量管理

针对传统深度Q学习对经验样本提取效率差、学习效率低的问题,提出一种改进深度Q学习的能量管理策略。首先,采用基于模糊控制的自适应低通滤波器进行功率分层,由超级电容承担需求功率的峰值部分。然后,设计基于深度Q学习的能量管理策略,以减少氢消耗量、提升燃料电池工作效率为目标,优化锂电池与燃料电池的能量分配。在策略训练过程采用基于求和树结构的优先经验回放机制。最后,在多种工况下仿真并进行平台试验。结果表明:所提出能量管理策略在燃料经济性上与基于传统深度Q学习策略相比平均提高5.1%,可有效延长锂电池使用寿命,实现对三能量源燃料电池混合动力汽车的能量管理。

燃料电池混合动力汽车分层能量管理策略

针对燃料电池混合动力汽车中燃料电池、电池、超级电容的能量分配问题,提出一种分层能量管理策略。该策略分为上下两层,上层依据燃料电池效率、电池SOC值和需求功率,设计基于规则的控制策略,优化燃料电池的能量输出;下层依据电池和超级电容特性,设计滑动平均滤波算法,使电池平稳输出能量。最后,在UD-DS+HWFET工况下对该策略进行仿真,结果表明,与Advisor自带能量管理策略相比,该策略能更合理地分配能量源的能量输出,燃料电池效率提升0.17%,氢气消耗量减少4.37%。

基于深度强化学习的燃料电池混合动力汽车能量管理策略研究

为提高燃料电池混合动力汽车的燃油经济性和燃料电池寿命,该文提出一种基于深度强化学习(Deep Reinforcement Learning,DRL)的能量管理策略。该策略首先在DRL奖励信号中加入寿命因子,通过降低燃料电池功率波动,起到延长燃料电池寿命的效果;其次,通过限制DRL的动作空间的方法,使燃料电池系统工作在高效率区间,从而提高整车效率。在UDDS、WLTC、Japan1015三个标准工况下进行了离线训练,并在NEDC工况下实时应用以验证所提出策略的工况适应性。仿真结果显示,在离线训练中,所提出的策略可以快速收敛,表明其具有较好的稳定性。在燃油经济性方面,与基于动态规划的策略相比,在3个训练工况下的差异仅为5.58%、3.03%和4.65%,接近最优燃油经济性;相比基于强化学习的策略,分别提升了4.46%、7.26%和5.35%。与无寿命因子的DRL策略相比,所提出的策略在3个训练工况下将燃料电池平均功率波动降低了10.27%、47.95%和10.85%,这有利于提升燃料电池寿命。在未知工况的实时应用中,所提出策略的燃油经济性比基于强化学习的策略提升了3.39%,这表明其工况适应性。

基于遗传算法优化支持向量机工况识别的燃料电池混合动力汽车能量管理策略

为了提高氢燃料电池混合动力汽车的燃料经济性,延长蓄电池寿命,选取中国重型商用车行驶工况-货车工况中3种典型工况代表“市区”“市郊”和“高速公路”,分别制定相应的最优能量管理策略;运用遗传算法优化支持向量机(gentic algorithm-support vector machine,GA-SVM)算法识别车辆运行工况,动态选择相应的能量管理策略,使其对选定的几种代表性工况具有自适应性,从而降低氢耗量,延长蓄电池寿命。仿真结果表明,与无工况识别的能量管理策略和采用传统算法优化的支持向量机(support vector machine,SVM)工况识别能量管理策略相比,使用GA-SVM工况识别的能量管理策略的等效氢耗量分别降低了7.78%和1.31%,蓄电池电池荷电状态(battery state of charge,SOC)变化量减小,变化相对平稳,有利于延长电池寿命。

混合型燃料电池汽车电力系统的设计与仿真

介绍了一种混合型燃料电池汽车电力系统的开发与设计,分析了燃料电池的电压–电流特性,给出了燃料电池的模型参数,通过仿真计算,对燃料电池汽车电力系统的运行模式进行了分析。实验验证了所设计的电力系统能满足基本的运行要求。

燃料电池混合动力汽车驱动系统的优化控制

为了既提高整车系统效率,又维持燃料电池和蓄电池工作在各自的高效区,提出了一种全局优化与局部协调相结合的燃料电池混合车的能量控制策略的设计思想.首先形成一个非线性、具有限制的、以整车系统效率最大为目标的优化问题,然后选用序列二次规划法算法求解.为保证各子系统工作在最优的范围内,利用燃料电池动态特性慢的特点,采用蓄电池第一优先使用的策略.仿真结果表明,所提议的优化控制策略提高了整车系统的效率,维持了蓄电池的荷电状态在合理的区间,同时使燃料电池也工作在高效区.

基于等效因子的Q学习燃料电池汽车能量管理策略

为提高燃料电池混合动力汽车(FCHEV)燃料经济性以及维持蓄电池能量平衡,该文提出了基于等效因子的Q-learning算法的能量管理策略。构建等效耗氢量最小与维持蓄电池荷电状态(SOC)平衡的目标函数,建立FCHEV动力源能量流转化平衡模型,通过能量转化平衡机理得到耗氢量的等效因子;在城市循环+全球轻型汽车测试循环(UDDS+WLTC)工况下,对需求功率的转移概率矩阵进行求解,利用Q-learning算法离线优化燃料电池和蓄电池的输出功率;基于MATLAB/Simulink平台建立了前向仿真模型,进行整车性能的仿真试验。结果表明:在WLTC循环工况下,该策略的100 km等效耗氢量为0.730 kg,接近基于动态规则(DP)控制策略的耗氢量,且SOC保持在合理的范围内,验证了该策略的有效性;在西宁市实际工况下,验证了本文所提控制策略的适应性。