文摘
能量管理策略可以提高燃料电池混合动力电动汽车动态和燃油经济性,基于模型预测控制策略在优化方面显示了很大的优势力量分割效果和实时。本文预测地平线在预测误差的影响,燃料消耗,并详细研究了实时。能量管理策略的框架下提出了模型预测控制理论。给出了径向基函数神经网络的预测在未来获得短期的速度。动态规划算法应用于获得优化控制律在预测地平线。考虑到车载控制器的实时性能,我们建立了一个简单的燃料电池汽车数学模型模拟。采用不同预测视野udd和HWFET测试影响预测和能量管理策略。仿真结果表明该策略在燃油经济性和实时性能表现良好,和大约20年代的预测地平线适合这种策略。
1。介绍
运输行业是能源消耗和废气排放的主要来源。很多技术在内华达州(新能源汽车)有很高的燃油效率和更少的排放。作为一种最受欢迎的内华达州,流量控制阀(燃料电池汽车)在运输过程中有巨大的发展空间,这取决于他们的零排放和效率高。
汽车与燃料电池堆栈单一能源贫困动态响应,和实际的解决方案是添加一个短期存储系统组装一个混合动力汽车,从而改善汽车的驾驶性能和动态。最常见的短期存储系统包括电池和supercapacitor-the前可以存储更多的电能由于其特定的能源,而后者具有较高的功率密度。混合动力汽车的动态性能和燃油经济性相关架构、组件和能量管理策略的车辆1]。燃油经济性的工作集中在优化流量控制阀的能量管理策略。
车辆推进系统的权力分割时能量管理策略优化的动态车辆性能感到满意。根据不同的控制方法,包括文中针对和基于规则的能量管理策略。
当前能源管理策略主要是基于某些/模糊逻辑规则。某些基于规则的策略是首先提出解决功率分流混合动力汽车,和这些策略被广泛应用于实际车辆如丰田的Mirai和现代的Nexo。模糊基于逻辑的策略,依靠控制变量的模糊处理和阈值,更健壮和适应性比基于特定的规则。
恩等人首次提出一个混合动力汽车开关逻辑控制系统(2]。对于燃料电池/电池流量控制阀配置,刘等人设计了一个控制策略实现车辆的冷启动会议的动态性能要求(3]。半等人分析了流量控制阀的性能的三个未知驱动周期的配置和实时驱动条件(4]。然而,基于规则的制定策略依靠工程经验,不同于可行的解决方案。
文中针对策略可以决定为瞬时优化,全局优化,MPC-based (model-predictive-control-based)。最流行的瞬时优化策略是ecm(相当于消耗最小化策略),在氢燃料电池的等效消费变成燃料的电池,和使用的策略是尽量减少等效燃油消耗在每个采样时间(5,6]。全局优化策略,采用DP等优化算法(动态规划)7,8],Pontryagin最低原则[9),pseudospectral方法(10),可以获得全局最优控制律后,某些驱动循环。此外,陆等人提出一个对燃料电池混合动力汽车的能量管理系统从启发式算法的角度(11]。在某种意义上,MPC-based策略可以被看作是一个瞬时优化和全局优化的之间的妥协。在这个战略,未来汽车的短期要求速度预测的构造模型,并预测视野中的控制器优化控制律(12- - - - - -14]。
摘要MPC-based能源管理策略提出了燃料电池汽车,并详细研究了预测地平线的影响。MPC构建框架,径向基函数(RBF)神经网络采用预测得到预测速度,采用动态规划算法求解得到最优轨迹的SOC,和不同预测视野测试预测误差、燃料消耗和实时性能。这项工作是基于燃料电池汽车,但该方法适用于其他车辆有两个能源。
本文的其余部分组织如下。燃料电池汽车动力系统的数学模型是建立在部分2。MPC-based能量管理策略提出了部分3,部分4给出了仿真结果。部分5给出了结论。
2。流量控制阀的数学模型
2.1。车辆与动力传动系统
图1研究显示了车辆结构。车辆推进系统包含燃料电池系统和电池提供动力的电机在车辆操作。总线电压是由电池连接到公共汽车,和一个单向直流-直流转换器用于燃料电池系统连接到总线。车辆运营与动能提供的直流电机。
当横向动力学的影响和回转质量忽视,牵引力可以通过计算 在哪里汽车的总质量,车辆的当前速度,是空气密度,是额叶区,是空气动力阻力系数,滚动阻力系数,是道路的倾角。表1显示了燃料电池汽车的参数。
计算的牵引力和速度,力矩和速度的车轮 在哪里轮子的滚动半径。当车轮转矩是正的,汽车出口动能来驱动车辆;当它是负的,车辆在制动能量回收,和发动机将制动能量转换为电能充电电池。车轮轮速度和扭矩,扭矩 ,的速度 ,和电力需求电机的如下。 在和是效率和最终传动的齿轮传动比,分别。电动机的效率可以抬起头在电机的效率地图。
定义,电机功率的需求在牵引阶段是积极的和消极的在破坏阶段。燃料电池净功率是积极的,和电池充电时卸货时是积极的和消极的。三个变量的关系是写成
2.2。燃料电池系统
选择50千瓦的燃料电池系统作为主要的能量来源。一个完整的车载燃料电池系统(15)包含一个燃料电池堆栈和其他辅助设备,如氢存储系统,氢电路,空气循环,水电路和冷却回路。完整的模型可以获得燃料电池系统的详细内部动态响应,但是花费更多的时间。在这项工作中,采用简化模型获得快速反应。的净功率可分为栈权力和辅助动力作为
氢的消耗速率可以写成当前堆栈的功能 : 在哪里细胞的数量,氢的摩尔质量,是法拉第常数,是电子的数量在电化学反应。
协议栈的净功率是一个函数,和氢的消耗速率可以被描述为一个净功率的函数。图2显示了它们之间的关系。
效率燃料电池系统被定义为一个函数的净功率和氢提供的权力: 低热值的氢的低热值。
2.3。电池
图3显示了一个典型的物理模型的电池。在这个模型中,电池可以用一个理想电压源串联内阻。电池的输出功率可以写成 在哪里 , ,和开路电压,电流终端,分别和电池的内部阻力。
开路电压和内阻SOC和温度的函数。测试可以用来获取内部阻力和开路电压之间的关系和SOC(见图4)。电池工作温度被认为是常数。
SOC的变化率是定义为终端电流和电池容量的比值: 在哪里SOC的变化率和吗是电池容量。与公式(11)和(12),计算SOC的变化率
每一个电池的容量为6啊,峰值电压为3.8 V。与87个细胞构成电池组系列和三个电池组并联形成的模拟。
3所示。MPC-Based能量管理策略
3.1。MPC-Based结构能量管理策略
与全局优化转换为一系列的次优化,MPC可以获得最优局部控制法律基于模型预测,滚动优化和反馈校正。在图5,典型的MPC-based能源管理策略包括三个步骤16]。
步骤1。短期预测未来车辆的速度通过构建预测模型。
步骤2。在短期内获得最优控制规则驱动循环通过最小化代价函数。
步骤3。应用最优控制规则在第一次一步预测地平线到车辆的控制系统。重复以上步骤,直到驱动周期结束。
整个系统离散成有限时域约束优化问题,和DP算法(17,18算法采用)作为解决方案。选择的权力分割因子和SOC作为控制变量和状态变量,分别。因此,系统功能被描述为在每一个预测步骤 在哪里是电池的SOC,是分裂的因素,是预测速度,是驱动周期的长度。
采用的燃料消耗作为代价函数: 在哪里 每一步,燃料消耗吗是滚动的步长(1)。
对燃料电池汽车的结构,实现终端约束的SOC在每一个控制层 在哪里 是每个控制层和终端目标SOC的吗的长度是预测地平线。
其他参数约束方程所示(下17)。
3.2。速度与神经网络预测
神经网络可以对输入和输出之间的非线性关系通过培训黑箱模型。在这项工作中,径向基函数的神经网络训练速度预测。
在图6中,神经网络的输入速度序列( ];输出的预测速度序列( ]在未来;是抽样层长度;的长度是预测地平线。选择高斯函数作为隐层的激活函数,这是制定 在哪里是神经网络中心,是输入向量,然后呢之间的最大宽度是选定的中心。
在这里,一个10 - 50 - rbf神经网络的结构构造预测速度。七个标准驱动周期(ARB-02、LA92 NYCC, REP05, SC03, UNIF01,和US06),包括城市、郊区,和公路条件,用于网络培训;70%的数据作为训练数据集和30%,测试数据集。此外,未经训练的驱动周期(udd)和高速公路燃油经济性测试(HWFET)作为验证数据集。
4所示。仿真结果和讨论
在MATLAB仿真进行了2018 b在笔记本电脑上配置的国米核心i3 - 3227 u @ 1.90 GHz CPU。七个驱动周期被用来训练网络,另外两个用于测试网络的性能和MPC-based能量管理策略。这是定义的采样时间十年代,预测时间吗是5到25年代。最初的电池的SOC是0.6,和终端目标SOC预测地平线是最初的SOC的设置为相同的值。SOC的上、下边界分别为0.5和0.7,分别。此外,平均根均方误差(RMSE)是用来评估网络性能,作为制定 在哪里是预测的RMSE预测地平线(来自哪里 秒 秒)步骤 , 是全球平均的RMSE预测,是驱动周期的长度。
事实上,货币政策委员会的结构,最后SOC全球时间范围几乎是不可能的 。SOC偏差转换成等价的氢消费消除上述影响。
评估的性能构造控制器,采用DP-based能量管理策略作为基准的模拟。应该注意的是,与DP算法中提到的部分3所示。1DP-based能源管理策略选择有一个全局优化策略,旨在获得最优控制规则和氢消费在整个驾驶循环。
不同的预测视野测试这项工作探索预测地平线对燃油经济性的影响。图7显示了udd的结果在预测视野十年代,15秒,20多岁。三个预测视野的预测结果反映速度的变化趋势没有例外;然而,随着减少,进一步预测的速度是不同的实际速度,这意味着预测误差增加。图8礼物的结果预测的视野中HWFET 10年代,15秒,20年代,它显示了相同的趋势udd的结果;然而,很明显,HWFET的预测结果更接近实际的速度轨迹与udd相比。
数据9和10分别显示udd的SOC轨迹和HWFET。每个图包括4 SOC轨迹,3是获得三个预测(预测视野十年代,15秒,20年代,分别),另一个是得到DP-based能量管理策略。在这两个人物,DP的SOC轨迹不同于这些MPC的轨迹;这是有关这两个算法的优化的视野。受益于全局优化,SOC DP算法最优轨迹规划的具体驱动周期,而MPC-based能量管理策略获得局部最优SOC轨迹在每个预测地平线。MPC-based能量管理策略,具有相同的约束在最后SOC,电池的功率分流能力可以提高通过增加预测地平线。
探索预测误差之间的关系,预测地平线,氢和燃料消耗,消耗在不同预测视野udd和HWFET表所示2和3,分别。在这些表,计算时间MPC的优化时间每个预测地平线,DP,它是整个驱动周期。反独联,应该注意的是,增加的预测地平线 ,预测精度减少,燃油经济性改善了。随之而来的问题是,计算时间增加;而HWFET,预测地平线的增加,燃油经济性提高,然后减少,能获得最好的燃料消耗 。这些趋势图所示11很明显。
随着机载控制器,实时性能的策略也应该被考虑。仿真时间在笔记本电脑是0.213预测地平线20年代;这些数据表明MPC-based能量管理策略有一个实时的基础。在这个工作中,考虑到需求对燃料消耗的能量管理策略和实时性能,选择预测地平线是20多岁。下面的分析是建立在选定的地平线。表4显示了比较MPC-based和DP-based能量管理策略。在燃油经济性方面,基于模型预测控制策略的效果(与20年代预测地平线的长度)可以达到87.42%的udd DP-based,在HWFET,受益于一个较小的预测误差,这些数据可以上升到90.09%。
5。结论
基于简单的车辆模型,RBF-based预测值,DP-based解决算法,提出一个MPC-based燃料电池车辆能量管理策略。建造模型预测不同的视野来研究预测的影响时间的步骤。
仿真结果表明,燃油经济性表现最好25 s作为udd预测地平线,而对于HWFET最佳燃油经济性出现在20多岁。此外,大型预测地平线导致优化时间越长。事实上,一个真正的汽车,除了能源管理策略、机载控制器还需要从其他组件过程中大量的实时数据,这可能会导致更大的实际处理时间比模拟。考虑到这一点,大约20年代的预测地平线适合机载MPC-based能量管理策略。
尽管MPC-based能量管理策略的结构是研究工作,结果是基于单帧与RBF神经网络预测模型。在未来,预测模型与多个算法将得到面糊预测研究。
数据可用性
本文的数据和代码的仿真可从相应的作者如果要求。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
创新发展专项基金支持的研究项目广西(Guike AA18242033),柳州科学研究和规划开发项目(2020 gaaa0403和2019 ad10203),刘东科技项目(20200108)、和项目学校的制度创新研究生教育(2019 ycxs008)。