原文传递
电动汽车复合电源参数优化方法
| 专利名称： | 电动汽车复合电源参数优化方法 |
| 摘要： | 本发明提供了一种电动汽车复合电源参数优化方法，包括：S10根据电动汽车运行M年的成本PM、复合电源中蓄电池单体容量Cbat和超级电容器单体Cuc的约束条件建立目标函数：S20调用电动汽车的车型文件，更改其中的相关参数，并加载复合电源控制策略及再生制动控制策略；S30采用杂交粒子群算法，根据目标函数、约束条件及控制策略进行迭代运算直至达到终止条件，输出蓄电池组和超级电容器组的最优容量和质量，完成复合电源参数的优化。其从复合电源成本、质量、使用年限以及复合电源控制策略以及制动能量回收等方面对复合电源的参数进行优化设计，达到满足原有动力性的基础上，降低其成本的目的。 |
| 专利类型： | 发明专利 |
| 国家地区组织代码： | 江苏;32 |
| 申请人： | 江苏理工学院 |
| 发明人： | 姜苏杰;汪伟;张焱;罗金 |
| 专利状态： | 有效 |
| 申请日期： | 2019-08-08T00:00:00+0800 |
| 发布日期： | 2019-11-22T00:00:00+0800 |
| 申请号： | CN201910730363.3 |
| 公开号： | CN110481325A |
| 代理机构： | 常州佰业腾飞专利代理事务所(普通合伙) |
| 代理人： | 顾翰林 |
| 分类号： | B60L3/00(2019.01);B;B60;B60L;B60L3 |
| 申请人地址： | 213001 江苏省常州市中吴大道1801号 |
| 主权项： | 1.一种电动汽车复合电源参数优化方法，其特征在于，包括： S10根据电动汽车运行M年的成本PM、复合电源中蓄电池单体容量Cbat和超级电容器单体Cuc的约束条件建立目标函数L： L＝min(PM) 其中，cbat为蓄电池组比价，cuc为超级电容器组比价，单位为元/kWh；n为电池使用寿命；P1为充一次电的价格，单位为元；K为一年的充电次数；Ebat为蓄电池组提供的最大能量，Euc为超级电容器组能提供的最大能量；Ubat为蓄电池组的总电压；Vucmax为超级电容器单体最大电压；Vucmin为超级电容器单体最小电压；[]为取整函数； 蓄电池单体容量Cbat的约束条件为： K4≤Cbat≤K6 超级电容器单体Cuc的约束条件为： K5≤Cuc≤K7 其中，K6和K7由下式计算得到： Pbat_max为蓄电池组所能提供的最大功率，Vbat为蓄电池单体电压，Vuc为超级电容器单体电压，Puc_max为超级电容器组所能提供的最大功率，Nuc为超级电容器单体的数量，ηuc为超级电容器组效率，ρE_bat为蓄电池组能量密度，ρE_uc为超级电容器组能量密度， S20调用电动汽车的车型文件，更改其中的相关参数，并加载复合电源控制策略及再生制动控制策略； S30采用杂交粒子群算法，根据目标函数、约束条件及控制策略进行迭代运算直至达到终止条件，输出蓄电池组和超级电容器组的最优容量和质量，完成复合电源参数的优化。 2.如权利要求1所述的电动汽车复合电源参数优化方法，其特征在于，在步骤S10之前，还包括： S01选定蓄电池组的比例系数ess_cap_scale和超级电容器组容量参数的比例系数ess2_cap_scale作为优化变量； S02根据复合电源中蓄电池单体容量Cbat和超级电容器单体Cuc的约束条件得到比例系数ess_cap_scale和ess2_cap_scale的约束条件，其中，蓄电池单体容量Cbat由比例系数ess_cap_scale和容量矩阵M1相乘得到，超级电容器单体容量Cuc由比例系数ess2_cap_scale与容量矩阵M2相乘得到； 在步骤S10中，根据电动汽车运行M年的成本PM、比例系数ess_cap_scale和ess2_cap_scale的约束条件建立目标函数L。 3.如权利要求1或2所述的电动汽车复合电源参数优化方法，其特征在于，在步骤S10中，还包括复合电源的约束条件： 其中，Mess为复合电源的质量；cess为复合电源的成本；ρE_bat为蓄电池组能量密度，单位为Wh/kg。 4.如权利要求1或2所述的电动汽车复合电源参数优化方法，其特征在于，在步骤S10中，还包括电动汽车的约束条件： 最大车速约束： 最大爬坡度约束： 加速约束： 传动系统约束： 其中，ηt为传动效率；Vmax为最大车速；Pmax为电机峰值功率；m为整车质量；f为滚动阻力系数；CD为风阻系数；A为迎风面积；i为主减速比与固定速比的乘积；nb为电机额定转速；αmax为最大爬坡度；V为爬坡时的车速；tg为加速时间；vb为加速tg达到的速度；Pm为额定功率，r为车轮半径；nmax为电机最高转速。 5.如权利要求1或2所述的电动汽车复合电源参数优化方法，其特征在于，在步骤S30中包括： S31设置杂交粒子群算法的个体数目N、学习因子c1和c2、惯性权重W、杂交概率bc、杂交池大小比例bs、最大迭代次数Y、空间搜索维数D； S32根据目标函数评价每个粒子适应度，并通过粒子群算法随机设置各个粒子的速度、位置、个体最优值pBest和全局最优极值gBest； S33对当前粒子位置和速度进行更新： xi，j(t+1)＝xi，j(t)+Vi，j(t+1)，i＝1，2，...，n，j＝1，2，...，d Vi，j(t+1)＝W*Vi，j(t)+c1*r1[pi，j-xi，j(t)]+c2*r2[pg，j-xi，j(t)] 其中，xi，j(t+1)为第t代的第i个粒子进化到第t+1代的第j维的位置，Vi，j(t+1)为第t代的第i个粒子进化到第t+1代的第i维的速度； S34将每个粒子的适应值和粒子的最好位置进行比较，若相近，则将当前值作为粒子的最好位置，并比较当前所有的个体最优值pBest和全局最优极值gBest，对全局最优极值gBest进行； S35根据设定的杂交概率选取指定数量的粒子放入杂交池中，并将其两两杂交产生相同数目的子代粒子n，并用子代粒子n替代亲代粒子m，子代粒子n的位置和速度计算如下： n(x)＝p*ml(x)+(1-p)*m2(x) 其中，p是[0，1]之间的随机数； S36判断算法是否达到停止条件，若是，停止搜索，输出结果；否则跳转至步骤S33重新搜索。 |
| 所属类别： | 发明专利 |
检索历史
应用推荐
