考虑多工况的燃料电池电动汽车能量分配方法及系统

技术领域

本发明涉及燃料电池电动汽车的功率控制技术领域，具体地涉及一种考虑多工况的燃料电池电动汽车能量分配方法及系统。

背景技术

随着化石能源的枯竭，燃料电池汽车正作为一种新型环保的交通方式逐步推广开来，由于燃料电池电动汽车本身的化学特性决定其动力响应慢，难以提供持续稳定的峰值功率，因此将燃料电池与锂电池组成新的燃料电池电动汽车动力系统是一种保证提供稳定输出的新方法，并且能从一定程度上降低氢燃料消耗。在目前的燃料电池电动汽车混合储能系统中所采用的能量分配方法主要有离线以及在线优化方法，离线优化方法应用较为简单，如使用动态规划方法或者庞特里亚金极小值原理以获得车辆的最优输出，但是其工作前提是车辆的驾驶周期以及驾驶工况已知，在方案设计中要提前对可能出现的驾驶周期进行预设并应用该能量分配方法，在车辆行驶中难以及时获得最优的功率输出；在线优化方法应用模糊逻辑，预测控制器能够提供较为满意的能量分配方案，及时调节系统需求的峰值功率，电压电流，但是在实际应用中缺少对车辆多个驾驶模式，工况的考虑，如汽车在郊区，高速公路，市区等工况都会对在线控制器提出不同的要求以达到汽车输出较高功率，实现较低的氢燃料消耗的目的。

发明内容

本发明实施方式的目的是提供一种考虑多工况的燃料电池电动汽车能量分配方法及系统，该方法及系统能够基于不同的驾驶模式实现对电动汽车的准确控制，从而降低氢燃料的消耗。

为了实现上述目的，本发明实施方式提供一种考虑多工况的燃料电池电动汽车能量分配方法，所述方法包括：

获取汽车当前的燃料电池的第一输出功率、锂电池的第二输出功率以及速度参数；

采用LVQ型神经网络根据所述第一输出功率、所述第二输出功率以及速度参数确定所述汽车当前的驾驶模式；

根据所述驾驶模式调节所述第一输出功率、第二输出功率。

可选地，所述方法进一步包括：

采用D-S证据理论基于调节后的所述第一输出功率、所述第二输出功率以及速度参数优化隶属度函数的梯形边界。

可选地，所述速度参数包括平均车速、加速时间、最大加速度、最大制动减速度、最大速度百分比、平均车速百分比中的至少一者；

所述采用LVQ型神经网络根据所述第一输出功率、所述第二输出功率以及速度参数确定所述汽车当前的驾驶模式具体包括：

对所述平均车速、加速时间、最大加速度、最大制动减速度、最大速度百分比、平均车速百分比中的至少一者进行加权计算以得到所述速度参数。

可选地，所述根据所述第一输出功率、所述第二输出功率以及速度参数确定所述汽车当前的驾驶模式具体包括：

构建包括至少三个神经元构成输入层的LVQ型神经网络，其中，所述至少三个神经元中针对所述第一输出功率、所述第二输出功率以及速度参数分别包括至少一个对应的所述神经元；

采用预设的数据集对所述LVQ型神经网络进行训练，其中，所述数据集包括所述第一输出功率、所述第二输出功率以及速度参数与不同的驾驶模式的对应关系；

将当前的所述第一输出功率、所述第二输出功率以及速度参数输入训练完成的所述LVQ型神经网络中；

所述LVQ型神经网络将当前的所述第一输出功率、所述第二输出功率以及速度参数转化为对应的输入向量，并将所述输入向量和每种所述驾驶模式对应的参考向量进行比对，以计算出两者的欧氏距离；

选取欧氏距离最小的所述驾驶模式作为所述汽车当前的驾驶模式。

可选地，所述根据所述驾驶模式调节所述第一输出功率、第二输出功率具体包括：

将所述驾驶模式输入根据训练好的模糊逻辑控制器中以得到所述锂电池和所述燃料电池的SOC分配系数；

根据所述SOC分配系数调节所述锂电池和所述燃料电池的工作功率。

另一方面，本发明还提供一种考虑多工况的燃料电池电动汽车能量分配系统，所述系统处理器，所述处理器用于被机器读取以使得所述机器执行如上述任一所述的方法。

再一方面，本发明还提供一种存储介质，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。

通过上述技术方案，本发明提供的考虑多工况的燃料电池电动汽车能量分配方法及系统通过采用LVQ型神经网络对燃料电池的第一输出功率、锂电池的第二输出功率以及速度参数进行驾驶模式的识别，并针对驾驶模式的识别结果对燃料电池电动汽车进行控制，克服了现有技术中电动汽车的控制没有针对不同驾驶模式采用不同的控制策略而导致的氢气燃烧效率低的技术缺陷，提高了电动汽车的可续航里程。

本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：

图1是根据本发明的一个实施方式的考虑多工况的燃料电池电动汽车能量分配方法的流程图；

图2是根据本发明的一个实施方式的考虑多工况的燃料电池电动汽车能量分配方法的部分流程图。

具体实施方式

以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施方式，并不用于限制本发明实施方式。

在本发明实施方式中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。

另外，若本发明实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

如图1所示是根据本发明的一个实施方式的考虑多工况的燃料电池电动汽车能量分配方法的流程图。在图1中，该方法可以包括：

在步骤S10中，获取汽车当前的燃料电池的第一输出功率、锂电池的第二输出功率以及速度参数；

在步骤S11中，采用LVQ型神经网络根据第一输出功率、第二输出功率以及速度参数确定汽车当前的驾驶模式；

在步骤S12中，根据驾驶模式调节第一输出功率、第二输出功率。

在步骤S10中，当前的第一输出功率、第二输出功率以及速度参数能够直接反应出该电动汽车的行驶状态；在步骤S11中，通过将获得的第一输出功率、第二输出功率以及速度参数直接输入训练好的LVQ型神经网络中，从而得到对应的驾驶模式。最后基于该驾驶模式来反馈调节第一输出功率和第二输出功率。

进一步地，由于燃料电池、锂电池随着使用时间的增长，其自身的可输出功率以及SOC变化率会发生一定程度上的变化。此时，如果仍然采用原本仅适用于出厂状态下的燃料电池、锂电池的能量分配方法，显然无法满足当前燃料电池、锂电池的特殊条件。因此，在本发明的一个实施方式中，为了实现控制系统的动态调整，在步骤S12调节第一输出功率和第二输出功率后，该方法可以包括采用D-S证据理论基于调节后的第一输出功率、第二输出功率以及速度参数优化(内置于模糊逻辑控制器的)隶属度函数的梯形边界。

虽然速度参数的选取可以是本领域人员所知的多种形式。但是，通过对不同驾驶模式下，各种因素的对比。在本发明的一个示例中，该速度参数可以包括平均车速、加速时间、最大加速度、最大制动减速度、最大速度百分比、平均车速百分比中的至少一者。在该示例中，驾驶模式可以是包括高速工况、郊区工况以及城市工况。以高速工况为例，由于电动汽车的行驶速度高，且速度较为稳定。因此，在该模式下，平均车速会相对较高，加速时间相对较长，最大加速度也会较大，最大制动减速度则会相对较小，最大速度百分比也会较大，平均车速百分比也较大。而在城市工况下则不同，由于城市的道路复杂且车辆较多，那么在该模式下，平均车速相对较低，加速时间相对较短，最大加速度也较小，最大制动减速度相对较大，最大速度百分比会很小，平均车速百分比也会很小。至于郊区工况，由于郊区属于城市公路，但是路面的车辆相对较少，因此电动汽车可以在一个较小的速度下平稳行驶。所以在该模式下，该平均车速相对较低，加速时间相对较长，最大加速度相对较大，最大制动减速度相对较小，最大速度百分比会很大，平均车速百分比也会很大。因此，这些速度参数可以反映出不同驾驶模式的特点。进一步地，为了便于融合这些速度参数，从而提高LVQ型神经网络对第一输出功率、第二输出功率以及速度参数的处理过程，在该示例中，可以先对平均车速、加速时间、最大加速度、最大制动减速度、最大速度百分比、平均车速百分比中的至少一者进行加权计算以得到速度参数。这样降低了输入LVQ型神经网络中的参数，也减少了LVQ型神经网络的计算负载量，从而提高了LVQ型神经网络运行的效率。

更进一步地，在步骤S11采用LVQ型神经网络确定驾驶模式时，为了便于针对输入的参数进行处理，可以将该LVQ型神经网络设计为包括至少三个神经元构成的输入层，这样针对输入的每个参数，就可以有至少一个神经元来接收。那么相应地，该步骤S11则进一步包括如图2中所示出的步骤。在图2中，该方法可以包括：

在步骤S20中，构建包括至少三个神经元构成输入层的LVQ型神经网络。其中，至少三个神经元中针对第一输出功率、第二输出功率以及速度参数分别包括至少一个对应的神经元；

在步骤S21中，采用预设的数据集对LVQ型神经网络进行训练。其中，数据集包括第一输出功率、第二输出功率以及速度参数与不同的驾驶模式的对应关系；在该步骤S21中，虽然获取上述预设的数据集可以是本领域人员所知的多种方式。但是，由于现有技术中并未出现针对第一输出功率、第二输出功率以及速度参数来确定该汽车当前的驾驶模式的相关方法，因此要获得该数据集，就需要人为进行试验。但是，对于该数据集而言，如果采用人为试验的方式，其成本是相当巨大的，并且耗时也会很长。因此，在本发明的一个优选示例中，可以是通过接入企业的车辆测试平台中，针对车辆的测试数据，分别定位车辆在郊区、高速路以及城区的时间段，结合该时间段内测试数据中第一输出功率、第二输出功率以及速度参数进行重新关联，从而输出在不同驾驶模式下第一输出功率、第二输出功率以及速度参数的连续数据；再对该连续数据进行数据融合，例如通过在同一驾驶模式下的连续数据，进行不同时间段内数据的对比，依照优势理论原则，对不同时间段内的数据进行横向比对，剔除支持度较低的时间段内的数据，最终得到大于预设支持度的时间段内的数据，从而实现数据集的压缩和精度提高。

在步骤S22中，将当前的第一输出功率、第二输出功率以及速度参数输入训练完成的LVQ型神经网络中；

在步骤S23中，LVQ型神经网络将当前的第一输出功率、第二输出功率以及速度参数转化为对应的输入向量，并将输入向量和每种驾驶模式对应的参考向量进行比对，以计算出两者的欧氏距离；

在步骤S24中，选取欧氏距离最小的驾驶模式作为汽车当前的驾驶模式。

对于步骤S12中如何基于识别出的驾驶模式对第一输出功率和第二输出功率进行调整的具体过程，虽然也可以是本领域人员所知的多种形式。但是，在该实施方式中，可以是基于模糊逻辑控制器原理来进行控制。具体地，可以是先将驾驶模式输入根据训练好的模糊逻辑控制器中以得到锂电池和燃料电池的SOC分配系数，然后在根据得到的SOC分配系数来调节锂电池和燃料电池的工作功率。

另一方面，本发明还提供一种考虑多工况的燃料电池电动汽车能量分配系统，所述系统处理器，所述处理器用于被机器读取以使得所述机器执行如上述任一所述的方法。

再一方面，本发明还提供一种存储介质，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。

通过上述技术方案，本发明提供的考虑多工况的燃料电池电动汽车能量分配方法及系统通过采用LVQ型神经网络对燃料电池的第一输出功率、锂电池的第二输出功率以及速度参数进行驾驶模式的识别，并针对驾驶模式的识别结果对燃料电池电动汽车进行控制，克服了现有技术中电动汽车的控制没有针对不同驾驶模式采用不同的控制策略而导致的氢气燃烧效率低的技术缺陷，提高了电动汽车的可续航里程。

以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个可以是单片机，芯片等或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

此外，本发明实施方式的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。