详情

原文传递基于车速预测的燃料电池混合动力汽车能量管理策略研究

论文题名：	基于车速预测的燃料电池混合动力汽车能量管理策略研究
关键词：	燃料电池混合动力汽车;车速预测;能量管理策略;神经网络
摘要：	随着燃油供求问题和环境污染问题的日趋严重，新型绿色动力的电动汽车引起了国内外学者的广泛重视。由质子交换膜燃料电池（ProtonExchangeMembraneFuelCell,PEMFC）和锂离子电池作为动力源的燃料电池混合动力汽车（FuelCellHybridElectricVehicle,FCHEV）因其零排放、高效率、再生性好和燃料来源广泛等优点，已成为最具发展前景的新型环保车辆之一。由于PEMFC的动态响应慢且无法回收能量，所以需要设计合理的能量管理策略（EnergyManagementStrategy,EMS），协调分配两个能量源的功率输出，在满足整车动力性要求的同时，提升FCHEV的经济性，实现节能和延长燃料电池寿命，对FCHEV整车性能提升具有重要意义。本文以东风X37车型的动力系统为研究对象，做了以下研究工作：　　首先，对各种燃料电池混合动力系统的结构类型的的优缺点进行了比较，选择了PEMFC和锂离子电池的拓扑结构，以东风X37车型数据为参考建立了FCHEV的车辆纵向动力学模型，又依次建立了电机模型和锂离子电池模型，详细分析了PEMFC不同极化现象产生压降的原因，可以看出PEMFC极化现象导致PEMFC输出电压特性偏软，工作效率随输出的功率先增大后减小，进而推导得到输出电压模型和氢耗模型。建立燃料电池混合动力汽车模型为后续设计EMS，使燃料电池工作在高工作效率区间，提升经济性奠定了基础。　　其次，针对现有EMS不能预见性的对FCHEV实现能量分配，无法适应所有工况，只能离线优化且经济性不佳的问题，建立了基于径向基函数（RadialBasisFunction,RBF）神经网络的车速预测模型。利用麻雀搜索优化算法（SparrowSearchAlgorithm,SSA）调整网络的初始聚类中心，通过更新麻雀位置优化RBF神经网络模型的中心值、宽度值以及权值等参数，提高了神经网络的训练速度。基于标准驾驶周期组合工况作为训练数据进行训练，选取典型城区流动类、城区拥堵类和高速公路类三类工况作为测试样本，进行了不同预测时长的速度预测有效性验证，以均方根误差作为评价标准分析了预测模型准确程度与预测时长关系，验证了所设计的SSA-RBF神经网络车速预测模型的准确性和合理性，可有效应用于在线EMS的制定。　　最后，应用庞德里亚金极小值原理（Pontryagin’sMinimumPrinciple,PMP）来解决FCHEV全局能量分配优化的问题，通过求解哈密顿函数获得最优PEMFC输出功率，以协态变量分配锂离子电池和PEMFC之间的功率输出，并引入不等式约束来防止PEMFC输出功率的剧烈变化，提高PEMFC的耐久性。在UDDS工况下进行PMP的仿真试验，可以看出协态变量取值对PMP性能的重要影响，为获取最优的协态变量解决不同工况的PMP在线应用问题，构建了自适应PMP策略，结合SSA-RBF车速预测方法，实现了对协态变量的实时在线调整。通过进行了未来工况已知、未来工况未知和未来工况预测三种情况下的比较性研究，验证了基于车速预测的EMS的有效性，并且能保证锂离子荷电状态（Stateofcharge,SOC）平稳变化，提升了FCHEV运行的稳定性。将自适应PMP策略与基于规则的EMS在不同工况下的进行对比分析，进一步验证了所提出的基于车速预测的EMS在提升FCHEV燃料效率方面的有效性和实际应用潜力，该策略不仅可以稳定电池充放电状态轨迹，提升FCHEV运行的安全性和稳定性，同时可以显著减少其氢气消耗量，并大幅度提升其能量管理效率。
作者：	王思雨
专业：	控制科学与工程
导师：	隋振
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2023