摘要：跟车场景下燃料电池混合动力汽车(FCHEV)的速度与能量管理协同优化是实现车辆节能的重要有效手段,针对现有策略中双能量源退化与能耗耦合关系不明,且难以兼顾全局优化与实时性能的问题,提出一种基于Stackelberg博弈的FCHEV跟车能量管理策略。首先,建立了燃料电池/锂电池的能耗与性能退化模型,并纳入到统一量纲的整车综合使用成本函数中;其次,提出了基于分层解耦的跟车能量管理策略,实现跟车速度与功率分配的解耦控制;最后,综合考虑跟车安全性、舒适性、燃料经济性和能源耐久性,建立跟车控制层与能量管理层对应的双层规划模型,并基于Stackelberg博弈思想设计了双层差分遗传算法对策略核心参数进行离线优化。仿真和实验结果表明:相较于模型预测控制方法,该方法可降低平均车间距误差37.7%、平均冲击度2.4%、等效氢气消耗9.3%和能源退化成本13.9%,实现了优化性能与实时性的兼顾。

摘要：针对燃料电池混合动力汽车中燃料电池、电池、超级电容的能量分配问题,提出一种分层能量管理策略。该策略分为上下两层,上层依据燃料电池效率、电池SOC值和需求功率,设计基于规则的控制策略,优化燃料电池的能量输出;下层依据电池和超级电容特性,设计滑动平均滤波算法,使电池平稳输出能量。最后,在UD-DS+HWFET工况下对该策略进行仿真,结果表明,与Advisor自带能量管理策略相比,该策略能更合理地分配能量源的能量输出,燃料电池效率提升0.17%,氢气消耗量减少4.37%。

摘要：为了既提高整车系统效率,又维持燃料电池和蓄电池工作在各自的高效区,提出了一种全局优化与局部协调相结合的燃料电池混合车的能量控制策略的设计思想.首先形成一个非线性、具有限制的、以整车系统效率最大为目标的优化问题,然后选用序列二次规划法算法求解.为保证各子系统工作在最优的范围内,利用燃料电池动态特性慢的特点,采用蓄电池第一优先使用的策略.仿真结果表明,所提议的优化控制策略提高了整车系统的效率,维持了蓄电池的荷电状态在合理的区间,同时使燃料电池也工作在高效区.

摘要：为了缓解城市交通拥挤和减少能源消耗,本文提出一种基于智能交通信息的燃料电池混合动力汽车(FCHEV)分层能量管理策略。利用车联网技术获取目标车辆的路况信息,建立交通信号灯正时模型,获取最优目标车速。基于目标车速,获取车辆的需求功率,分层设计自适应等效消耗最小策略和模型预测控制方法,实现对3种能量源需求功率的最优分配。通过仿真和实验验证所提能量管理策略的有效性。研究结果表明:该策略能够有效避免红灯前频繁启停,燃料经济性和续航里程分别提高了9.83%和5.13%。

摘要：针对传统深度Q学习对经验样本提取效率差、学习效率低的问题,提出一种改进深度Q学习的能量管理策略。首先,采用基于模糊控制的自适应低通滤波器进行功率分层,由超级电容承担需求功率的峰值部分。然后,设计基于深度Q学习的能量管理策略,以减少氢消耗量、提升燃料电池工作效率为目标,优化锂电池与燃料电池的能量分配。在策略训练过程采用基于求和树结构的优先经验回放机制。最后,在多种工况下仿真并进行平台试验。结果表明:所提出能量管理策略在燃料经济性上与基于传统深度Q学习策略相比平均提高5.1%,可有效延长锂电池使用寿命,实现对三能量源燃料电池混合动力汽车的能量管理。

摘要：随着环境问题和能源紧缺问题的日益严重,燃料电池混合动力汽车(FCHEV)作为一种可持续和高效的交通工具逐渐受到关注。能量管理策略是FCHEV设计和开发中的重要内容之一,其性能很大程度上影响车辆的动力性和经济性。以非插电式燃料电池/动力电池混合动力汽车为研究对象,提出一种基于模糊逻辑控制(FLC)的能量管理策略,以改善车辆运行的燃料经济性,同时使动力电池荷电状态尽可能维持在初始水平。首先,在Matlab中建立燃料电池混合动力汽车后向仿真模型,作为能量管理策略研究的仿真平台;其次,以车辆运行需求功率、动力电池荷电状态和燃料电池输出功率为关键变量,在确保满足车辆运行功率需求的前提下,以减少氢耗和维持动力电池荷电状态为原则,进行模糊规则设计;最后,分别将所提策略和功率跟随策略在新欧洲驾驶循环(NEDC)下进行仿真实验。仿真结果表明,与功率跟随策略相比,所提出的基于模糊逻辑控制的能量管理策略使车辆运行燃料经济性提高了17.13%,动力电池荷电状态维持能力提高了68.72%,同时,燃料电池启停次数减少,燃料电池性能衰退也随之减少,验证了所提策略的有效性。

摘要：针对配置有燃料电池、锂电池和超级电容3能量源的混合动力汽车,提出一种基于改进深度确定性策略梯度(DDPG)算法的分层能量管理策略,以降低氢耗、提高燃料电池工作效率及维持锂电池荷电状态(SoC)。首先,采用基于模糊规则的自适应低通滤波器对功率进行分层处理,由超级电容承担峰值功率。其次,设计基于DDPG的能量管理框架,利用等效消耗最小策略的计算思想构建优化函数,并加入与燃料电池效率和锂电池SoC偏差有关的惩罚因子,优化燃料电池和锂电池的功率分配。此外,为避免噪声探索导致极端动作值的频繁出现,利用动态规划最优解辅助策略训练,提升优化效果。最后,在不同工况下进行仿真,并搭建试验平台进行验证。结果表明:与基于传统DDPG策略相比,所提策略可以有效减少锂电池SoC消耗,更好确保燃料电池工作在高效率区间,并且显著降低氢消耗,在燃料经济性方面平均可提升19%。