基于神經(jīng)網(wǎng)絡(luò)的增程式電動(dòng)汽車能量管理策略

基于神經(jīng)網(wǎng)絡(luò)的增程式電動(dòng)汽車能量管理策略

0通過提高能量效率而非蓄電池和增程器的能量管理策略混合動(dòng)力電動(dòng)汽車（hv）是指由兩種以上能量源驅(qū)動(dòng)的車輛。正如所示，增速電壓電動(dòng)汽車（e-revs）是一種特殊的混合動(dòng)力電動(dòng)汽車，由電池制成。當(dāng)電池能量不足時(shí)，增程器工作時(shí)引導(dǎo)電池并直接驅(qū)動(dòng)車輛。由于使用了兩個(gè)能源系統(tǒng)（電池和增程器），增程電動(dòng)汽車的性能與所采用的能量管理策略密切相關(guān)。為了平衡電池和增程器之間的工作效率，我們需要根據(jù)車輛的動(dòng)態(tài)能力來提高能量效率，提高車輛的經(jīng)濟(jì)性，必須制定適當(dāng)?shù)哪芰抗芾聿呗浴?能量規(guī)劃1.1能量管理策略本文的研究對象是一輛以小型燃料電池堆作為增程器,蓄電池作為主要能源的增程式電動(dòng)汽車,其動(dòng)力系統(tǒng)結(jié)構(gòu)類似于串聯(lián)式的燃料電池汽車,如圖1.然而,串聯(lián)式的燃料電池汽車以燃料電池堆為主要能源,蓄電池為輔助能源.在制定能量管理策略時(shí),采用功率跟隨模式,燃料電池始終工作在合理功率范圍內(nèi),在滿足動(dòng)力性要求的前提下,盡可能以其高效率點(diǎn)處功率對外做功,由蓄電池來實(shí)現(xiàn)系統(tǒng)功率平衡.此種策略的問題在于忽略了蓄電池在充放電時(shí)所產(chǎn)生的能量損失.但是在制定以蓄電池為主要能量源的增程式電動(dòng)汽車能量管理策略時(shí),必須把這部分能量損失考慮在內(nèi).因此本文結(jié)合瞬時(shí)優(yōu)化思想,制定了在瞬時(shí)工況下,綜合計(jì)算蓄電池和燃料電池的工作效率,從而合理分配功率需求,確定燃料電池輸出功率的能量管理策略.1.2控制策略描述在整車運(yùn)行與某一具體工況下時(shí),在一小段時(shí)間內(nèi)假設(shè)整車的需求功率為Preq,此時(shí)分為兩種工況:A),若時(shí),燃料電池不工作,由蓄電池輸出能量;否則,蓄電池不工作,由燃料電池以最高效率點(diǎn)處功率輸出能量B),有兩種提供能量的方式:a)燃料電池以需求功率點(diǎn)處功率對外做功,蓄電池不做功:b)燃料電池以最高效率點(diǎn)處功率對外做功,蓄電池補(bǔ)充不足功率對外做功:在工況B中的兩種能量供給方式都不可避免地會(huì)產(chǎn)生能量損失,對全局而言,方案a的能量損失在于同樣大小的能量在不同功率處輸出,因效率不同所產(chǎn)生的差異,方案b的能量損失在于蓄電池在充放電能過程中的效率損失,這兩種能量損失分別為:其中以上分析的是在一小段時(shí)間內(nèi)的能量損失,若將這一時(shí)間段無限縮小逼近零,即對式(3)、式(4)進(jìn)行微分,就可視為某一時(shí)刻t的功率損失.對式(3)、式(4)進(jìn)行微分:因此,通過比較式(6)、式(7)計(jì)算所得的功率損失,可確定使用何種能量供給方式.綜上所述,可將能量管理控制策略歸納為如圖2所示流程圖.雖然計(jì)算過程中燃料電池效率,蓄電池充放電效率等參數(shù)僅與燃料電池輸出功率,蓄電池電量SOC有關(guān),但是其計(jì)算過程復(fù)雜、運(yùn)算量太大,同時(shí)部分參數(shù)難以準(zhǔn)確估值,導(dǎo)致其時(shí)效性較差,難以應(yīng)用在實(shí)際控制中.為此,可通過離線仿真的方法將能量管理策略的控制規(guī)則提取出來,這些控制規(guī)則的集合可以看作一組多輸入單輸出的非線性映射.神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意復(fù)雜的非線性映射,并且具有良好的學(xué)習(xí)、歸納和泛化能力,因此可以通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)本文的能量管理策略的控制規(guī)則.2基于神經(jīng)網(wǎng)絡(luò)戰(zhàn)略的開發(fā)2.1存在大量本構(gòu)模型的bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)反向傳播神經(jīng)網(wǎng)絡(luò)(BP神經(jīng)網(wǎng)絡(luò))只要設(shè)計(jì)合理,就能夠模擬任意復(fù)雜的非線性映射.因此,采用如圖3所示的含有兩個(gè)隱含層的4層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).輸入層有2個(gè)神經(jīng)元,分別與Preq和SOC對應(yīng),輸出層有1個(gè)神經(jīng)元,代表燃料電池輸出功率,隱含層中各層的神經(jīng)元個(gè)數(shù)在訓(xùn)練時(shí)采用試湊法確定.2.2樣本及神經(jīng)網(wǎng)絡(luò)的制備神經(jīng)網(wǎng)絡(luò)的性能與訓(xùn)練所使用的樣本密切相關(guān).神經(jīng)網(wǎng)絡(luò)所要模擬的系統(tǒng)的特性全由訓(xùn)練樣本體現(xiàn),因此樣本一定要有足夠的代表性,選擇樣本時(shí),要同時(shí)兼顧樣本的多樣性和均勻性.隨著網(wǎng)絡(luò)輸入層神經(jīng)元的增加,所需的訓(xùn)練樣本數(shù)目將迅速增加.如果不按一定規(guī)則而隨意選擇訓(xùn)練樣本,很難保證不出現(xiàn)樣本的冗余,而過多的冗余樣本不但會(huì)增加網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān),而且也有可能因樣本包含信息量過剩而導(dǎo)致網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象.為此,首先均勻設(shè)置不同SOC(例如SOC從0.3變化到0.7,間隔為0.1),在不同SOC下均勻設(shè)置需求功率Preq,然后采用本文的能量管理控制策略離線仿真求出燃料電池最優(yōu)輸出功率.這樣就得到了一個(gè)分布均勻,多樣性好的離散樣本集.得到樣本后,使用MATLAB軟件編寫程序建立神經(jīng)網(wǎng)絡(luò)并進(jìn)行訓(xùn)練.由于BP神經(jīng)網(wǎng)絡(luò)存在訓(xùn)練時(shí)間長以及會(huì)陷入局部極小值等缺點(diǎn),可采用Levenverg-Marquardt法進(jìn)行訓(xùn)練.這一算法是梯度下降法和牛頓法的結(jié)合,既可以得到較快的收斂速度,又能在最優(yōu)值附近產(chǎn)生一個(gè)理想的搜索方向.3建模、模擬和結(jié)果分析3.1汽車建模為驗(yàn)證神經(jīng)網(wǎng)絡(luò)控制器的有效性,基于ADVISOR軟件平臺(tái)建立以燃料電池堆為增程器的電動(dòng)車仿真模型.車輛的主要參數(shù)見表2和圖4.3.2不同特性仿真限于整車模型動(dòng)力性的不足,采用圖5、圖6所示的減半的UDDC工況和減半的JA1015工況,在SOC初始為0.7,下限為0.3,氫氣儲(chǔ)量為8L(14MPa)的條件下,對本文策略(B&FCStrategy)以及一般燃料電池車所采用的策略(FCStrategy,優(yōu)先考慮燃料電池效率,忽略電池充放電效率)進(jìn)行仿真.從表3可以看出在兩種不同工況下,本文策略均具有較長的續(xù)駛里程,分別增加3.32%和4.77%