燃料电池锂电池混合动力系统参数匹配方法技术方案

本发明专利技术提供燃料电池锂电池混合动力系统参数匹配方法，S1、设立了多维参数匹配优化张量空间，进行混合动力系统参数匹配优化；S2、多维参数匹配优化张量空间内各三维变量为待评估的备选参数匹配方案；S3、基于深度强化学习算法，针对特征工况，为各备选方案优化功率分配策略；S4、根据各备选方案由基于强化学习算法的能量管理策略生成的最优功率分配结果。本发明专利技术在燃料电池能量管理策略优化问题中对等效氢耗成本、燃料电池运行老化损耗成本、动力电池运行老化损耗成本进行了实时量化考虑，优化目标涵盖全面，可以减少计算时间，提高效率。提高效率。提高效率。

【技术实现步骤摘要】
燃料电池锂电池混合动力系统参数匹配方法


[0001]本专利技术属于新能源
，具体为燃料电池锂电池混合动力系统参数匹配方法。

技术介绍

[0002]由于化石能源的逐渐短缺，质子交换膜燃料电池汽车因使用可再生资源氢气，相较传统发动机更为高效、环保，现已成为国家能源领域的重点研发技术。然而，燃料电池输出特性疲软且动态响应慢，为满足汽车正常行驶需求，并使汽车拥有再生制动功能，通常需要配备高功率密度的动力电池（如锂电池）形成混合动力系统。燃料电池汽车混合动力系统参数匹配的优劣将严重影响整车的动力性、经济性等多项性能。此外，怎样进行两个功率源之间的功率分配以及能量管理策略制定与参数匹配问题相耦合，也会影响参数匹配的效果。围绕上述问题，为协同处理静态的多源系统尺寸匹配问题与动态的功率分配策略设计问题，需要提出能够融合功率分配策略优化的参数匹配方法。
[0003]李奇等人的专利CN104071033A，燃料电池超级电容混合动力机车参数匹配优化方法，采用高速群体智能优化算法对燃料电池/超级电容混合动力系统的重量、体积指标进行了多目标优化。这种方法的优化目标中没有考虑动态工况下混合动力系统的表现，优化目标中也没有考虑减少部件运行寿命损耗，不能全面地提升系统经济性。
[0004]Hu等人在文献（multi
‑
objective energy management optimization and parameter sizing for proton exchange membrane hybrid fuel cell vehicles）中提出对燃料电池客车混合动力系统进行经济性和系统耐久性的多目标优化，此外，通过综合考虑锂电池各参数和等效氢耗，对锂电池的全生命周期成本进行了优化。这种方法中使用的能量管理策略需要基于全局优化算法，计算量大，耗时长，其结果不具备实时应用的潜力。这种方法没有细化考虑燃料电池除额定功率和动力电池除容量以外的关键动力参数对整车经济性的影响。

技术实现思路

[0005]目前的燃料电池客车混合动力系统参数匹配方法仅考虑满足静态的动力性要求指标，没有考虑动态的功率分配策略对动力系统的影响，也没有全面考虑动力部件运行损耗对整车经济性的影响，得到的结果不能实现理想的经济性效果。针对特定车型与工况需求，本专利技术的目的是提供一种能够产出最优功率分配策略的参数匹配方法和系统，细化考虑了燃料电池除额定功率和动力电池除容量以外的关键动力参数对整车经济性的影响，同时考虑氢气消耗、部件损耗等各个因素，使参数匹配结果能实现理想的整车经济性。
[0006]燃料电池锂电池混合动力系统参数匹配方法，包括以下步骤：S1、结合燃料电池和锂电池各自的动态特性，设立了多维参数匹配优化张量空间，分别以燃料电池输出功率变化量阈值、混合动力系统最大功率的标幺值、及
电池最大充放电率为优化变量，进行混合动力系统参数匹配优化；S2、多维参数匹配优化张量空间内各三维变量即为待评估的备选参数匹配方案；S3、基于深度强化学习算法，针对特征工况，为各备选方案优化功率分配策略；S4、根据各备选方案由基于强化学习算法的能量管理策略生成的最优功率分配结果，量化燃料电池客车特征工况平均运行成本：等效氢耗成本、燃料电池运行损耗成本和动力电池运行损耗成本之和；利用成本分析结果，获得使得平均运行成本最小的最优参数匹配方案三维变量取值，反算出电池容量，并获得该方案所对应的深度强化学习最优能量管理策略，用于进行实时控制。
[0007]进一步的，步骤S1具体包括以下步骤：基于特定车型，根据客车最高车速巡航时的稳态大功率输出需求确定燃料电池额定功率，与整车质量相关；根据特征工况循环下，峰值功率需求、最高车速需求功率、最大爬坡度需求功率、最大加速度需求功率的最大值确定动力源最大总功率标准值，其中，均为整车质量的函数；混合动力系统最大功率为燃料电池额定功率与动力电池最大充放电功率之和；混合动力系统最大功率的标幺值以最大总功率标准值为标准；多维参数匹配优化张量空间由三维变量组成。根据各变量的约束范围建立优化张量空间内的备选参数匹配方案。
[0008]步骤S 2、具体包括以下步骤：针对各备选参数匹配方案，基于深度强化学习算法根据特征工况动态优化功率分配策略；最小化某工况下的氢气消耗、燃料电池运行损耗成本和动力电池运行损耗成本这三个指标为优化目标，为了协调不同优化目标，实现系统运行成本最小，各个指标均量化为运行成本进行统筹考虑；等效氢耗成本根据氢气价格、燃料电池耗氢量、动力电池等效氢耗模型计算得到。燃料电池运行损耗成本根据燃料电池成本和衰退模型计算得到；燃料电池衰退模型可根据燃料电池运行情况实时量化衰退程度；动力电池运行损耗成本根据动力电池初始投资成本和动力电池衰退模型计算得到，其中动力电池初始投资成本是参数匹配方案三维变量的函数；动力电池衰退模型可根据电池运行情况实时量化衰退程度；将三个方面的指标量化值根据一定的权重系数组成强化学习奖励函数。
[0009]本专利技术提提供的燃料电池超级电容混合动力机车参数匹配优化方法，具有的有益
效果：1、本专利技术首次在燃料电池能量管理策略优化问题中对等效氢耗成本、燃料电池运行老化损耗成本、动力电池运行老化损耗成本进行了实时量化考虑，优化目标涵盖全面；2、本专利技术能适用于多种工况场合，不局限于客车；3、本专利技术同时给出了最优的参数匹配结果及对应的能量管理策略，可以实现实时应用；4、本专利技术使用了基于深度强化学习算法的能量管理策略优化方法，相比传统的全局优化算法可以减少计算时间，提高效率。
附图说明
[0010]图1为本专利技术方法的流程图；图2为本专利技术燃料电池系统输出功率
‑
氢耗效率图；图3为本专利技术多维参数匹配优化张量空间及不同三维优化变量示意图；图4为实施例的工况曲线；图5为实施例的经过深度强化学习算法优化后的能量管理策略下燃料电池功率分布；图6为未使用本专利技术中能量管理策略的燃料电池功率分布。
具体实施方式
[0011]结合实施例说明本专利技术的具体技术方案。
[0012]本专利技术的流程如图1所示，包括以下步骤：S1、本专利技术充分考虑了燃料电池和锂电池各自的动态特性，设立了多维参数匹配优化张量空间，如图2所示,分别以燃料电池输出功率变化量阈值、混合动力系统最大功率的标幺值、及电池最大充放电率为优化变量，进行深入细致的混合动力系统参数匹配优化，包括如下具体步骤：基于特定车型，根据客车最高车速巡航时的稳态大功率输出需求确定燃料电池额定功率，与整车质量相关。
[0013]根据特征工况循环下，峰值功率需求、最高车速需求功率、最大爬坡度需求功率、最大加速度需求功率的最大值确定动力源最大总功率标准值，其中，均为整车质量的函数。
[0014]混合动力系统最大功率为燃料电池额定功率与动力电池最大充放电功率之和。混合动力系统最大功率的标幺值最大总功率标准值为标准。
[0015]多维参数匹配优化张量空间由三维变量组成。根据各变量的约束范围建立优化张量空间内的备选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.燃料电池锂电池混合动力系统参数匹配方法，其特征在于，包括以下步骤：S1、结合燃料电池和锂电池各自的动态特性，设立了多维参数匹配优化张量空间，分别以燃料电池输出功率变化量阈值、混合动力系统最大功率的标幺值、及电池最大充放电率为优化变量，进行混合动力系统参数匹配优化；S2、多维参数匹配优化张量空间内各三维变量即为待评估的备选参数匹配方案；S3、基于深度强化学习算法，针对特征工况，为各备选方案优化功率分配策略；S4、根据各备选方案由基于强化学习算法的能量管理策略生成的最优功率分配结果，量化燃料电池客车特征工况平均运行成本：等效氢耗成本、燃料电池运行损耗成本和动力电池运行损耗成本之和；利用成本分析结果，获得使得平均运行成本最小的最优参数匹配方案三维变量取值，反算出电池容量，并获得该方案所对应的深度强化学习最优能量管理策略，用于进行实时控制。2.根据权利要求1所述的燃料电池锂电池混合动力系统参数匹配方法，其特征在于，步骤S1具体包括以下步骤：基于特定车型，根据客车最高车速巡航时的稳态大功率输出需求确定燃料电池额定功率，与整车质量相关；根据特征工况循环下，峰值功率需求、最高车速需求功率、最大爬坡度需求功率、最大加速度需求功率的最大值确定动力源最大总功率...

【专利技术属性】
技术研发人员：李建威，王含笑，王成，何洪文，魏中宝，邹巍涛，杨青青，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：