阅读说明：本技术 一种顺序遗传算法的双电耦合燃料电池汽车能效优化方法 (Method for optimizing energy efficiency of double-electric-coupling fuel cell automobile by sequential genetic algorithm ) 是由 王佳 张盛龙 胡侠 姚建红 于 2019-11-11 设计创作，主要内容包括：本发明公开了一种顺序遗传算法的双电耦合燃料电池汽车能效优化方法,双电耦合燃料电池动力系统主要由氢燃料电池发电机组、锂离子电池组共同为车辆提供驱动电能。本发明根据汽车的运行情况实时优化燃料电池和锂电池放电功率的大小,燃料电池的放电功率P<Sub>fc</Sub>和锂离子电池的放电功率为P<Sub>L</Sub>,然后以这两功率参数作为优化设计变量,采用顺序遗传算法优化两个参数功率大小,最终获得总效率最高的功率输出方案,为双电耦合燃料电池电动汽车的能效优化控制提供必要的技术支持,解决现有双电耦合系统的控制方法没有将汽车的能效发挥到最优的问题。(The invention discloses a method for optimizing the energy efficiency of a double-electric coupling fuel cell automobile by a sequential genetic algorithm. The invention optimizes the discharge power of the fuel cell and the lithium battery in real time according to the running condition of the automobile, and the discharge power P of the fuel cell fc And the discharge power of the lithium ion battery is P L Then, thenThe two power parameters are used as optimization design variables, the power of the two parameters is optimized by adopting a sequential genetic algorithm, and finally, a power output scheme with the highest total efficiency is obtained, so that necessary technical support is provided for energy efficiency optimization control of the double-electric coupling fuel cell electric automobile, and the problem that the energy efficiency of the automobile is not optimally exerted by the existing control method of the double-electric coupling system is solved.)

一种顺序遗传算法的双电耦合燃料电池汽车能效优化方法

技术领域

本发明涉及一种燃料电池汽车能效优化方法，特别是一种顺序遗传算法的双电耦合燃料电池汽车能效优化方法。

背景技术

氢燃料电池汽车近年来得到了快速的发展，氢燃料电池具备能量密度高，加氢速度快的特点，很好的解决了纯电动汽车续航里程短、充电时间长的问题。目前，双电耦合型燃料电池汽车日益得到重视，因为此类型燃料电池汽车能够充分发挥燃料电池和锂电池的技术特点，在车辆加速爬坡工况，充分发挥锂离子电池放电倍率高的特点，提高车辆的动力性；在车辆正常行驶阶段，燃料电池系统工作，如燃料电池输出功率大于车辆行驶的功率需求，燃料电池可以通过双电DCDC转换器给锂离子电池充电。制动能量回收技术可以有效延长电动汽车的续航里程，在车辆制动过程中将动能转化为电能，为动力电池充电，由于制动的效能具有瞬间大电流且电压不稳定的特点，引入超级电容组可以很好的解决上述问题，同时超级电容器与锂离子电池组合使用，可以更好的提高车辆的动力性。

现有的双电耦合燃料电池动力系统的能效优化方法，都是根据车辆工况制定策略制定的规则，在车辆的起步、加速、正常行驶、制动等工况，结合锂电池SOC状态，设定燃料电池和锂离子电池输出功率，很难达获得总效率最高技术方案。

发明内容

针对上述现有技术的缺陷，本发明的目的是提供一种顺序遗传算法的双电耦合燃料电池汽车能效优化方法，获得能量消耗率最低的功率匹配方案。

本发明的技术方案是这样的：一种顺序遗传算法的双电耦合燃料电池汽车能效优化方法，基于双电耦合燃料电池动力系统实现的，所述双电耦合燃料电池动力系统包括：锂离子动力电池组、燃料电池发动机、燃料电池DCDC转换器、氢气供给系统、锂离子电池系统、超级电容组、驱动电机、驱动电机控制器和变速器，所述驱动电机与变速器机械连接，所述变速器与车辆半轴连接，所述驱动电机与驱动电机控制器电气连接，所述燃料电池发动机与燃料电池DCDC转换器电气连接，所述燃料电池DCDC转换器分别与锂离子动力电池组和超级电容器组电气连接，所述驱动电机控制器分别与所述燃料电池DCDC转换器、锂离子动力电池组和超级电容器组电气连接；所述优化方法的步骤包括：

步骤1、实时监测燃料电池系统信息、动力电池组状态信息、超级电容器组状态信息、车辆行驶速度，驾驶员意图，根据车辆行驶速度及油门踏板开度计算系统功率需求，并设定动力系统的工作模式；当系统功率需求大于燃料电池最大输出功率，小于燃料电池和锂离子电池输出功率之和，系统进入全驱动模式，燃料电池系统、锂电池系统、超级电容系统全部工作，进入步骤2；

步骤2、优化变量为燃料电池氢气消耗的速率

和锂电池等效氢气消耗速率

系统为单目标优化，优化目标为双电耦合燃料电池电动汽车实时效率最高；

步骤3、种群初始化，采用十进制编码方法对燃料电池氢气消耗速率

和锂电池等效氢气消耗速率进行编码，种群规模定义为N，交叉率为P_c，变异率为P_m，最好的个体的选择概率为q，迭代最大代数为T_max；

步骤3、随机产生N个个体，组成初始种群V₁＝{v₁,v₂,...,v_i,...,v_N}，其中第i个个体为v_i＝(v_i,1，v_i,2)，v_i,1表示第i个个体第k时刻燃料电池氢气消耗速率

大小，v_i,2表示第i个个体第k时刻锂电池等效氢气消耗速率

大小，将当前优化代数设置为t＝1；

步骤4、计算V₁中的每个个体v_i第k时刻燃料电池的输出有用功率P_fc(k)_i、第k时刻锂电池的输出有用功率P_L(k)_i、第k时刻燃料电池的工作效率η_fc(k)_i和第k时刻锂电池的放电功率η_L(k)_i；

步骤5、将第i个个体第k时刻汽车实施总效率η(k)_i大小定义为每个个体v_i的适应值大小，η(k)_i＝η_fc(k)_i×η_L(k)_i；

步骤6、判断当前优化代数t是否等于T_max，若为是则停止计算，取适应度值最大的个体，即第k时刻实时总效率η(k)_i最高的个体v_i作为所求结果并根据对应的

和

分别作为燃料电池和锂电池的氢气消耗速率，并计算第i个个体第k时刻汽车实时放电功率P_Q(k)_i，

其中，

为燃料电池的功率系数，

表示燃料电池氢气的摩尔质量，F_fc表示燃料电池法拉第常数，V_fc表示燃料电池的电压，φ为锂电池组的功率系数，H_L表示氢气的热值，s_lf为电池放电的等效系数，

η_bat为锂电池系统效率；η_fcc为燃料电池系统效率；η_DCDC为燃料电池DCDC转换器效率；

如果t<T_max，进入步骤7；

步骤7、按照适应度值大小对符合条件的个体v_i进行排序，定义最好的个体的选择概率为q，则排序后的第i个个体第k时刻v_i的选择概率为：

其中，i＝1,2,...,N，

然后按照上述概率所决定的选中机会选择再生个体；

步骤8、根据交叉率P_c得到新的群体V₂；

步骤9、根据变异率P_m按照基本的单点变异方法得到新的群体V₃；

步骤10、将群体V₃作为新一代种群，用V₃代替V，并另t＝t+1，并返回步骤4。

进一步地，所述燃料电池的功率系数由燃料电池氢气储量的大小确定，所述燃料电池氢气储量大于第一限值时，所述燃料电池的功率系数为第一值，所述燃料电池氢气储量小于等于所述第一限值且大于第二限值时，所述燃料电池的功率系数为第二值，所述燃料电池氢气储量小于等于所述第二限值时，所述燃料电池的功率系数为第三值；所述第一限值>所述第二限值，所述第三值<所述第二值<所述第一值≤1。

进一步地，所述锂电池组的功率系数由锂电池电量的大小确定，所述锂电池电量大于第一限值时，所述锂电池组的功率系数为第一值，所述锂电池电量小于等于所述第一限值且大于第二限值时，所述锂电池组的功率系数为第二值，所述锂电池电量小于等于所述第二限值时，所述锂电池组的功率系数为第三值；所述第一限值>所述第二限值，所述第三值<所述第二值<所述第一值≤1。

进一步地，所述第一限值为30％～35％，所述第一二限值为10％～15％，所述第一值为0.95～1，所述第二值为0.7～0.75，所述第三值为0.5～0.6。

进一步地，所述计算V₁中的每个个体v_i第k时刻燃料电池的输出有用功率P_fc(k)_i

其中，V_fc表示燃料电池的电压；F_fc表示燃料电池法拉第常数；

表示燃料电池氢气的摩尔质量；

表示第i个个体第k时刻燃料电池氢气消耗的速率。

进一步地，计算V₁中的每个个体v_i第k时刻锂电池的输出有用功率P_L(k)_i

其中：

为第i个个体第k时刻锂电池等效氢气消耗速率；H_L表示氢气的热值；s_lf为电池放电的等效系数。

进一步地，计算V₁中的每个个体v_i第k时刻燃料电池的工作效率η_fc(k)_i和第k时刻锂电池的放电功率η_L(k)_i

其中，

为第i个个体第k时刻燃料电池当前流速氢气完全反应所产生的功率。

进一步地，计算V₁中的每个个体v_i第k时刻锂电池的放电功率η_L(k)_i

其中，

为第i个个体第k时刻锂电池当前流速氢气完全反应所产生的功率。

进一步地，根据交叉率P_c得到新的群体V₂时按以下公式进行，

v_i′(k)＝θv_i(k)+(1-θ)v_j(k)

v_j′(k)＝θv_j(k)+(1-θ)v_i(k)

其中，θ表示0-1之间的随机交叉位置；i∈{1,2,…,N}，j∈{1,2,…,N}，v_i′(k)和v_j′(k)表示第k时刻交叉后的新个体，v_i(k)和v_j(k)表示第k时刻需要交叉的个体。

本发明所提供的技术方案的优点在于，本发明方法能够获得能量消耗率最低的功率匹配方案，充分发挥燃料电池和锂电池的优势，在保证车辆动力性的同时，获得最高的输出效率，为双电耦合燃料电池汽车的能效优化控制提供必要的技术支持。

附图说明

图1是本发明涉及的顺序选择遗传算法流程示意图。

图2是纯电动汽车动力电池组及风扇布局示意图。

图3是车辆执行系统工作模式判断流程示意图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不作为对本发明的限定。

请结合图2，本发明涉及的顺序遗传算法的双电耦合燃料电池汽车能效优化方法，是基于双电耦合燃料电池动力系统实现的，该双电耦合燃料电池动力系统包括：锂离子动力电池组7、燃料电池发动机5、燃料电池DCDC转换器4、氢气供给系统8、整车控制系统9、锂离子电池系统、超级电容组6、驱动电机2、驱动电机控制器3和变速器1，a为左前轮，b为右前轮，c为左后轮，d为右后轮，a和b连接着变速器1，氢气供给系统8连接燃料电池发动机5。

驱动电机2与变速器1机械连接，变速器1与车辆半轴连接，驱动电机2与驱动电机控制器3电气连接，燃料电池发动机5与燃料电池DCDC转换器4电气连接，燃料电池DCDC转换器4分别与锂离子动力电池组7、超级电容器组6电气连接。

如图3所示，双电耦合燃料电池汽车在行驶过程中，实时监测燃料电池系统信息、动力电池组状态信息、超级电容器组状态信息、车辆行驶速度，驾驶员意图，根据车辆行驶速度及油门踏板开度计算系统功率需求，并设定动力系统的工作模式；当系统功率需求大于燃料电池最大输出功率，小于燃料电池和锂离子电池输出功率之和，即P_fc≤P_Q≤P_fc+P_L。

执行系统进入全驱动模式，燃料电池系统、锂电池系统、超级电容系统全部工作，按照优化算法优化燃料电池和锂电池系统的输出功率。

否则进入燃料电池系统单独工作模式。此时判断车辆是否为制动模式，如果为制动模式，电动机改为发电模式，优先为锂电池组充电，如回收电能不满足锂电池回收条件，则为超级电容充电；燃料电池系统和发电机一样优先为锂电池组充电，如回收电能不满足锂电池回收条件，则为超级电容充电；

如果车辆不是制动模式，燃料电池系统工作，剩余电能优先为锂电池充电，如回收电能不满足锂电池回收条件为超级电容充电。

需要说明的：

(1)超级电容系统只在制动回收模式和急加速工况工作，不参与本专利优化。

(2)超级电容器是否工作，由整车控制系统发出指令完成。

本专利所述双电耦合动力系统模型由燃料电池、锂电池组、超级电容器组构成，由于超级电容器组作为辅助能源，能够存储的能量较少，本专利不作为优化对象。因此，本专利的优化对象为燃料电池及锂离子电池组。考虑到车载能源的有限性，针对两个能源设定功率系数。

燃料电池的功率系数用

表示，当燃料电池氢气储量大于30％时，功率分配系数

为1；当氢气储量小于30％，大于10％，功率分配系数

为0.7；当氢气储量低于10％，功率分配系数

为0.5。

锂电池组的功率系数用

表示，当电池电量大于30％时，功率分配系数

为1；当电池电量小于30％，大于10％，功率分配系数

为0.7；当电池SOC低于10％，功率分配系数

为0.5。

其中，P_Q为汽车实时放电功率；P_fc为燃料电池放电功率；P_L为锂电池放电功率；为燃料电池的功率系数；φ为锂电池组的功率系数。

燃料电池系统与锂电池系统的效率与放电功率的关系，具体如下：

燃料电池的工作效率可以表示为：

式中：η_fc为燃料电池的工作效率；P_fc为燃料电池的输出有用功率；

为燃料电池当前流速氢气完全反应所产生的功率(由化学反应理论计算得到)。

式中，

表示燃料电池氢气消耗的速率，表示燃料电池氢气的摩尔质量，F_fc表示燃料电池法拉第常数，V_fc表示燃料电池的电压。

由于燃料电池输出功率可以表示为和氢气消耗率的关系式，为了系统优化方便，可以把锂电池的输出效率也表示为耗氢速率的对应关系，因此引入如下关系式：

锂电池的放电功率P_L：

其中：

为锂电池等效氢气消耗速率；H_L表示氢气的热值；s_lf为电池放电的等效系数，这个等效系数考虑了氢气的化学能到锂电池的存储与释放的平均能量路径。

其中，η_bat为锂电池系统效率；η_fcc为燃料电池系统效率；η_DCDC为燃料电池DCDC转换器效率。

锂电池的工作效率可以等效表示为：

其中，η_L为锂电池的放电效率；为锂电池当前流速氢气完全反应所产生的功率(由化学反应理论计算得到)。

请结合图1所示，顺序遗传算法的双电耦合燃料电池汽车能效优化方法的设计步骤如下：

(1)确定优化设计变量：设计变量一共包括二个参数，分别为：燃料电池氢气消耗的速率

和锂电池等效氢气消耗速率

(2)确定优化设计目标：系统为单目标优化，优化目标为双电耦合燃料电池汽车实时效率最高。

(3)确定优化限制条件：燃料电池氢气消耗速率

和锂电池等效氢气消耗速率

(氢气消耗速率范围在氢燃料电池发电机组设计时确定，与车辆设计指标相关)。

(4)所述双电耦合燃料电池能效优化方法包括以下步骤：

步骤一、种群初始化，采用十进制编码方法对燃料电池氢气消耗速率和锂电池等效氢气消耗速率

进行编码，种群规模定义为N，交叉率为P_c，变异率为P_m，最好的个体的选择概率为q，迭代最大代数为T_max；

步骤二、随机产生N个个体，组成初始种群V₁＝{v₁,v₂,...,v_i,...,v_N}，其中第i个个体为v_i＝(v_i,1，v_i,2)，v_i,1表示第i个个体第k时刻燃料电池氢气消耗速率

大小，v_i,2表示第i个个体第k时刻锂电池等效氢气消耗速率

大小，将当前优化代数设置为t＝1(t≤T_max)；

步骤三、采用公式(1)计算第i个个体第k时刻燃料电池的输出有用功率P_fc(k)_i。

其中，V_fc表示燃料电池的电压；F_fc表示燃料电池法拉第常数；

表示燃料电池氢气的摩尔质量；

表示第i个个体第k时刻燃料电池氢气消耗的速率。

步骤四、采用公式(2)计算第i个个体第k时刻锂电池的输出有用功率P_L(k)_i。

其中：

为第i个个体第k时刻锂电池等效氢气消耗速率；H_L表示氢气的热值；s_lf为电池放电的等效系数，这个等效系数考虑了氢气的化学能到锂电池的存储与释放的平均能量路径，具体计算采用公式(3)获得。

其中，η_bat为锂电池系统效率；η_fcc为燃料电池系统效率；η_DCDC为燃料电池DCDC转换器效率。

步骤五、采用公式(4)计算第i个个体第k时刻燃料电池的工作效率η_fc(k)_i。

其中，

为第i个个体第k时刻燃料电池当前流速氢气完全反应所产生的功率(由化学反应理论计算得到)。

步骤六、采用公式(5)计算第i个个体第k时刻锂电池的放电功率η_L(k)_i。

其中，为第i个个体第k时刻锂电池当前流速氢气完全反应所产生的功率(由化学反应理论计算得到)。

步骤七、将公式(6)作为适应度函数，采用该公式计算每个个体v_i的适应度值大小，即第i个个体第k时刻汽车实施总效率η(k)_i大小；

η(k)_i＝η_fc(k)_i×η_L(k)_i (6)

步骤八、判断当前优化代数t是否等于T_max，若为是则停止计算，取适应度值最大的个体，即第k时刻实时总效率η(k)_i最高的个体v_i作为所求结果并根据对应的

和

分别作为燃料电池和锂电池的氢气消耗速率，并采用公式(7)计算第i个个体第k时刻汽车实时放电功率P_Q(k)_i，如果t<T_max，进入步骤九。

其中，

为燃料电池的功率系数，当燃料电池氢气储量大于30％时，功率分配系数

为1；当氢气储量小于30％，大于10％，功率分配系数

为0.7；当氢气储量低于10％，功率分配系数

为0.5。

其中，φ为锂电池组的功率系数，当锂电池电量大于30％时，功率分配系数

为1；当电池电量小于30％，大于10％，功率分配系数

为0.7；当电池SOC低于10％，功率分配系数

为0.5。

步骤九、按照适应度值大小对符合条件的个体v_i进行排序；

步骤十、定义最好的个体的选择概率为q，则排序后的第i个个体第k时刻v_i的选择概率为：

然后按照上述概率所决定的选中机会选择再生个体。

步骤十一、根据交叉率P_c按照公式(9)得到新的群体。

其中，θ表示0-1之间的随机交叉位置；i∈{1,2,…,N}，j∈{1,2,…,N}，v_i′(k)和v_j′(k)表示第k时刻交叉后的新个体，v_i(k)和v_j(k)表示第k时刻需要交叉的个体。

步骤十二、根据变异率P_m按照基本的单点变异方法得到新的群体。

步骤十三、将步骤十二得到的群体作为新一代种群，并另t＝t+1，并返回步骤三。