不确定工况PEMFC-SC混合能源多目标实时优化管理方法研究

In fuel cell hybrid electric new energy vehicle area, the energy optimal control under uncertainty running conditions is hot spots of hybrid energy management system, there are important research and application significances. A fast sliding window kernel PCA is first proposed to obtain the vehicle running signal reliably by computing complexity and precision analysis, and driving condition prediction model is constructed by artificial intelligence method, such as deep learning neural network; Set wave oscillation as the life cycle index and acceleration time as driving performance, the multi-objective constraint optimization scheme is then studied to satisfy the SOC inequality constraint of super capacity and vehicle power demand equality constraint; Combined driving condition predictive model with Pareto front distributed characteristics, a new fuzzy energy real time management rule based on uncertain driving condition is put forward and illustrated by simulations and experiments. The project is mainly focus on the problem of real time energy management and control for PEMFC-SC, which will provide a new method and thinking to solve the application bottleneck of fuel cell.

在燃料电池混合动力新能源汽车领域，不确定车辆运行工况下的能量优化控制是混合能源管理系统的研究热点，有重要的理论和应用研究意义。首先，研究加窗KPCA快速主元分析方法实现多维车辆运行信息的特征提取，并进行计算复杂度和精度分析。在此基础上，结合人工智能方法如深度学习神经网络，建立车辆运行不确定实时工况预测模型；其次，研究以纹波脉动为生命周期指标，以加速时间为动力性能指标的双目标带约束优化策略，使模糊能源管理器满足超级电容SOC不等式约束条件和车辆运行能源需求等式约束条件；最后，研究特定工况的动力性需求和Pareto前端分布特性之间的关系，制定不确定工况自适应的模糊能量在线管理新规则，并进行仿真和试验验证。本项目旨在解决不确定工况下的PEMFC-SC混合能源管理实时优化控制问题，延长燃料电池生命周期，提高整车动力性能，为克服燃料电池的应用瓶颈提供一种新的思路和方法。

项目主要研究不确定工况下的燃料电池/超级电容能源管理优化控制策略，以降低燃料电池氢气消耗，延长使用寿命。所开展研究内容如下：（1）研究了加窗KPCA快速主元分析方法进行车辆运行信息的特征提取，并结合神经网络进行车辆不确定实时工况的识别。（2）研究了一种以燃料电池电流纹波脉动最小、燃料消耗最少为目标的模糊能源管理策略，采用GA进行双目标带约束优化求解，使模糊能源管理器满足超级电容SOC不等式约束条件和车辆运行能源需求等式约束条件；（3）研究了基于神经网络不确定路况识别的模糊能源在线管理新规则。（4）引入Q增强学习和CNN深度学习神经网络，以进一步增强自适应工况感知能力，有利于控制器的性能优化提高。（5）进行了仿真和实验验证，在一定程度上解决了不确定工况下的PEMFC-SC混合能源管理实时优化管理和控制。

内容获取失败，请点击重试