原文传递
基于智能迭代学习的燃料电池整车功率需求变化预测方法
| 专利名称： | 基于智能迭代学习的燃料电池整车功率需求变化预测方法 |
| 摘要： | 本发明涉及一种基于智能迭代学习的燃料电池整车功率需求变化预测方法，属于新能源汽车功率需求响应控制领域。该方法：首先，采集燃料电池整车直流母线上的电流和电压信号，进而计算出实时功率、功率变化率和功率二阶导数作为迭代学习框架的初始输入数据集，再充分考虑到数据在时间维度上的特征，以最小二乘支持向量机智能算法为内核，将上一次迭代的输入数据集和输出数据集共同作为下一次迭代的输入数据集，通过迭代学习机制来预测车辆在nΔT秒后的功率及功率变化率。利用本发明基于迭代学习框架预测到的整车需求功率及其功率变化率数据，可以更好地预测控制燃料电池系统部件，提升燃料电池系统的控制响应速度。 |
| 专利类型： | 发明专利 |
| 国家地区组织代码： | 重庆;50 |
| 申请人： | 重庆大学 |
| 发明人： | 张财志;曾韬;白云峰;王成 |
| 专利状态： | 有效 |
| 申请日期： | 2019-05-06T00:00:00+0800 |
| 发布日期： | 2019-08-09T00:00:00+0800 |
| 申请号： | CN201910372378.7 |
| 公开号： | CN110103776A |
| 代理机构： | 北京同恒源知识产权代理有限公司 |
| 代理人： | 赵荣之 |
| 分类号： | B60L58/30(2019.01);B;B60;B60L;B60L58 |
| 申请人地址： | 400044 重庆市沙坪坝区沙坪坝正街174号 |
| 主权项： | 1.一种基于智能迭代学习的燃料电池整车功率需求变化预测方法，其特征在于，该方法具体包括以下步骤： S1：采集t时刻燃料电池整车直流母线上的电流和电压信号； S2：计算出t时刻的实时功率P0、功率变化率P0′和功率二阶导数P0″； S3：将步骤S2中计算出的P0、P0′和P0″作为迭代学习框架的初始输入数据集，以LSSVM为内核，将上一次迭代的输出作为下一次迭代的输入，反复学习迭代，从而预测到车辆在nΔT秒后的功率和功率变化率； S4：根据预测到的nΔT秒后的需求功率及其变化率数据，进行燃料电池系统部件的预测控制，其中ΔT表示时间间隔。 2.根据权利要求1所述的基于智能迭代学习的燃料电池整车功率需求变化预测方法，其特征在于，所述步骤S3具体包括以下步骤： S31：将P0和P0′作为LSSVM输入，预测(t+ΔT)时间点的功率P1； S32：将P0、P0′和P0″作为LSSVM输入，预测(t+ΔT)时间点的功率一阶导数P1′； S33：根据P0′和P1′计算(t+ΔT)时间点的功率二阶导数P1″； S34：将P0、P0′和P0″与P1、P1′和P1″一起作为预测(t+2ΔT)时间点的P2、P2′和P2″的输入数据集，进行第二轮迭代学习； S35：将P0、P0′、P1和P1′作为LSSVM输入，预测(t+2ΔT)时间点的功率P2； S36：将P0、P0′、P0″、P1′和P1″作为LSSVM输入，预测(t+2ΔT)时间点的功率一阶导数P2′； S37：根据P1′和P2′计算(t+2ΔT)时间点的功率二阶导数P2″； S38：将P0、P0′、P0″、P1、P1′和P1″与P2、P2′和P2″一起作为预测P3、P3′和P3″的输入数据集，进行第三轮迭代学习； S39：依次类推，直到预测nΔT秒后的功率Pn和功率变化率Pn′。 |
| 所属类别： | 发明专利 |
检索历史
应用推荐
