具体实施方式

本发明要解决的是现有能量管理方法经济性不够好、燃料电池效率低和缺失未来车速信息的问题。

现有燃料电池混合动力汽车能量管理方法存在诸多不足，本发明旨在解决在传统能量管理方法中存在的问题：1、没有考虑到能量管理方法的经济性，这会增加不必要的氢气消耗量；2、燃料电池内部存在着欧姆极化、活化极化和浓差极化现象，有着自身的能量-效率特性关系。当燃料电池运行于低效率区时，极化现象会导致较大的电压损失，进而降低能量利用率；3、在实际应用中，未来车速信息是无法预知的。针对这一问题传统的处理方法是假设车辆匀速行驶，然后进行计算，这显然会导致优化效果变差；4、建立转移概率矩阵是建立车速预测模型过程中的重要的一步。由于不同路况下车辆的行驶信息差别很大，所以传统方法所建立的转移概率矩阵往往发散程度很高，从而导致预测精度的不足。

本发明分为四个部分阐述：混合动力系统的拓扑结构；燃料电池混合动力汽车模型建立；车速预测与车辆驾驶模式识别；基于模型预测控制的燃料电池混合动力汽车在线能量管理方法设计。

混合动力系统的拓扑结构：燃料电池、锂电池与总线的连接方式。

燃料电池混合动力汽车模型建立：建立包括车辆纵向动力学模型，驱动电机模型、燃料电池模型和锂电池内阻模型的燃料电池混合动力汽车的整体模型。

车速预测与车辆驾驶模式识别：为了解决传统能量管理方法缺乏未来车速的问题，根据车辆历史行驶信息建立车速与加速度的转移概率矩阵预测未来车速。考虑到不同路况下车辆行驶信息差别很大，会导致转移概率矩阵发散程度过大，故将车辆行驶的路况分为三类：高速公路路况、城市拥堵路况、城市畅通路况，又设计了一种车辆行驶模式识别方法，根据三种路况分别建立三个对应不同路况的转移概率矩阵，采用先识别后预测的方式提高了车速预测的精度。

基于模型预测控制的燃料电池混合动力汽车在线能量管理方法设计：为了解决传统能量管理方法没有考虑到燃料电池经济性和效率的问题，设计了一种多目标的优化方法。在保持锂电池SOC处在参考值附近的同时，保证燃料电池以高效率运行，在满足上述条件的情况下使氢气的消耗达到最小。

结合附图，对本发明所提出的技术方案进行进一步阐述和说明：

1、混合动力系统的拓扑结构

在燃料电池混合动力汽车内，燃料电池、锂电池和驱动电机间通过总线连接。依照燃料电池与总线的连接方式，燃料电池-锂电池混合动力系统的拓扑结构可以分为两种：第一种是直接混动，第二种是间接混动。本发明采用的是间接混动的方式，混动系统的拓扑结构如图1所示，燃料电池与总线通过单向DC-DC变换器连接，锂电池直接与总线相连。通过控制DC-DC变换器的占空比可以实现对燃料电池电堆电流的控制。

2、燃料电池混合动力汽车模型建立

一、车辆纵向动力学模型

车辆纵向动力学模型描述了车辆的受力情况与车速的关系。车辆在行驶过程中，其受力情况为

F_trac＝F_roll+F_aero+F_grade+F_inertia (1)

其中，F_trac为车辆所受的驱动力，F_roll为滚动阻力，F_aero为空气阻力，F_grade为坡道阻力，F_inertia为加速阻力，分别计算为

F_roll＝fmg cosθ (2)

F_grade＝mg sinθ (4)

其中，m为车辆的半载质量，f为车轮滚阻系数，θ为行驶路面坡度，A_f为迎风面积，C_d为空气阻力系数，u为行驶车速，δ为旋转质量转换系数，g为重力加速度，t为时间。

由此可见，驱动力是跟车速有关的变量，即

F_trac＝h(u) (6)

则汽车车轮所受力矩T_wheel和旋转角速度ω_wheel与汽车行驶驱动力和车速u的关系可表示为

T_wheel＝F_trac·r (7)

其中，r为车轮半径。

二、驱动电机模型

驱动电机的建模方法，一般可以分为根据驱动原理搭建的理论模型和根据查表方法的效率模型。电机的理论模型一般用于研究电机的工作特性和控制性能，需要知道电机较为详细的参数信息，建模较为复杂；而根据查表方法的效率模型主要基于电机的Map图，仿真速度较快，适用于研究整车能量管理方法。由于本发明研究重点不是驱动电机的工作原理，而是燃料电池混合动力汽车能量分配，因此选择基于查表的效率模型搭建电机模型。其中，电机Map表格信息由厂家提供或由实车实验提供，可将其看作是电机输出特性的查表函数，即

η_MG＝f_MG(T_MG,ω_MG) (9)

其中，T_MG为电机输出转矩，ω_MG为角速度，η_MG为电机工作效率。根据电机某时刻的输出转矩和输出转速，查找效率MAP表得到电机此刻的工作效率。f_MG(·)是效率查表函数。

根据整车动力学可知，电机转矩和转速可由下式得到

ω_MG＝ω_wheeli_fd (11)

其中，i_fd为主减速比，η_DL为主减速差速器的传动效率。

则电机的机械功率P_MG和电功率P_e分别是

其中，P_MG＜0时为再生制动，能量由电机流向蓄电池。

三、动力电池模型

在本发明中，我们采取内阻模型进行动力蓄电池系统的建模。蓄电池系统可以等效为电源与内阻的串联电路，以此来模拟其在充放电过程中端电压和SOC的动态过程。

根据电路原理，可将模型表示为

V_BP＝V_OC-I_BP·R (13)

其中，V_OC为电池的开路电压，I_BP为电池的电流，R为电池内阻，V_BP为电池两端的电压，P_BP为电池的功率。

电池SOC用来表征电池的剩余电量情况，用公式表示为

其中，Q代表电池剩余电量，Q_c代表电池容量。

在内阻模型中，SOC的估计选择安时积分法，其公式化表达为

其中，I为电池充放电电流，I≥0表示放电，I＜0表示充电，Q_int为电池初始电量，η_BP为电池的库伦效率，在放电时数值为1。

由于存在电池容量的限制，因此其最大充放电功率可表示为

其中，P_BP,max为电池充放电时所能达到的最大功率，V_min为电池端电压最低值，V_max为电池电压最高值。电池开路电压是与电池SOC有关的函数，电池充放电时刻的内阻不一样，但都可以表述成SOC的函数。

四、燃料电池模型

因为本发明中能量管理方法的优化目标包括提高燃料电池效率和减小氢气消耗量，所以燃料电池系统模型建立主要描述氢气消耗速率和燃料电池功率、效率的对应关系，其中氢气消耗速率为

其中，η_fc为燃料电池效率，通过燃料电池系统效率-燃料电池系统功率输出曲线可得，η_fc＝f_fc(P_fcs)，P_fcs为燃料电池系统的功率，LHV为氢气的低热值。

直流变换器(DC-DC)的作用的输出功率P_DCDC

P_DCDC＝η_DCDCP_fcs (19)

其中，η_DCDC为DC-DC模型转换效率，可查表计算。

则燃料电池-锂电池的混合动力系统各部件间的功率平衡关系为

P_e+P_aux＝P_BP+P_DCDC (20)

其中，P_aux为附件功率，车辆行驶中设置为一个固定值。

3、车速预测与车辆驾驶模式识别

一、车辆驾驶路况识别

一般来说，汽车的行驶场景包括高速公路和城市道路。城市道路上的汽车可能会遇到交通堵塞，或者一路畅通。不同的驾驶场景会产生不同的驾驶数据，可据此对汽车的驾驶模式进行分类。分类后的驾驶数据包含了不同驾驶场景的特征，使得车辆速度的预测更加容易。本发明将汽车的行驶模式分为三种类型：高速公路路况、城市拥堵路况和城市畅通路况。

面对小样本低维数的分类问题，支持向量机具有训练速度快、识别速度快、准确率高的特点。因此本发明采用支持向量机(Support Vector Machine，SVM)来解决分类问题。值得一提的是，SVM只能解决二元分类问题，而本文的分类问题是三元分类问题。因此，本发明采用一对一的方法来解决这一问题。一对一的方法是训练三个支持向量机，对三种模式中的任意两个进行分类，最后采用举手表决的方式，得票多的模式为分类结果。

在本发明中，整个数据集包括600个150秒长的标准循环工况片段，这些片段被分为10个包，一个包作为测试集，其余包作为训练集。在每个训练包中截取30个片段。采用随机数法截取行驶工况段

T₀＝τ(T-ΔT) (21)

其中，T₀是每个采样周期的起始时间，τ为一个位于0到1的随机数，T是每个包的长度，ΔT是每个采样片段的长度，在本发明中为150s。

在每个采样片段中提取特征向量

l(k)＝[v_ave,ε,a_max,a_min]^T (22)

其中，v_ave为每个片段的平均速度，ε是怠速时间比，a_max为加速度的最大值，a_min为加速度的最小值。

由于每个特征之间的数量级有所不同，所以要对特征向量进行归一化处理

其中，l^*为归一化后的特征值，l为原来的特征，l_min与l_max分别为最小和最大的原有特征。预处理后的训练集可以用来训练支持向量机。为了最大限度地利用数据集，本发明在支持向量机训练中使用k折交叉验证算法。SVM需要训练的参数有两个，分别是惩罚系数和核函数宽度。k折交叉验证算法将本发明中的10个数据包依次作为测试集，训练10个不同的分类器，再取精度最高的作为最终的训练结果。

二、车速预测

在已知车辆行驶路况的前提下，就可以针对不同的路况分别进行车速预测。目前已有多种速度预测方法，如神经网络预测方法、马尔可夫预测方法、深度学习方法和基于多源信息融合的方法。在这些方法中，马尔可夫预测器具有精度高、效率高的优点。为了提高速度预测的准确性，本发明已经设计了路况识别方法。这一部分针对三种不同的行驶路况(高速公路、城市拥堵、城市流动)设计马尔可夫预测器，并以六种标准驾驶工况为数据库构建转移概率矩阵。将数据集的加速度和速度离散划分为有限长序列

其中代表N_a个离散的加速度数据，代表N_r个离散的速度数据。

转移概率矩阵为

其中，表示当车速等于vⁱ时，加速度在n个采样周期内由aⁱ变为a^j的概率。

采用最大似然估计来计算

其中，表示当车速等于vⁱ时，加速度为aⁱ的数据个数，表示当车速等于vⁱ时，加速度在n个采样周期内由aⁱ变为a^j的数据个数。

满足

建立好的转移概率矩阵如图2所示。

为验证路况识别的有效性，设计了如图3所示的自定义驾驶循环，循环由三种代表性的标准循环工况构成。识别结果如图4所示，纵轴类别中1代表高速公路路况、2代表城市拥堵路况、3代表城市畅通路况。本发明提出的路况识别方法精度能达到95％以上，识别错误的片段基本只出现在模式切换时，在不发生模式切换时，识别结果和真实路况的契合度很好。准确的路况识别结果为车速预测提供了保证。图5为高速公路路况下的车速预测结果。可以看到虽然预测车速与真实车速存在一定误差，但预测车速与实际车速的趋势是大致相同的。

4、基于模型预测控制的燃料电池混合动力汽车在线能量管理方法设计本节给出能量管理方法的具体设计过程。首先以公式形式描述本发明中的三个优化目标。为了保证汽车在行驶过程中电池不会耗尽电量，定义电池SOC的性能指标

其中，为矩阵的二范数。该性能指标表征实际SOC与参考SOC的误差大小。有时这一性能指标也被改写为不等式约束，但这样做的缺点是无法调整SOC误差指标与其他性能指标之间的权重关系。S(SOC(k))是代价函数中的一个惩罚项。其权重可以根据SOC与其他性能指标间的平衡关系进行调整。

考虑到混合动力系统的经济性，氢消耗应尽可能小，因此定义了第二个性能指标

其中，N-1为预测时域的长度。这样的性能指标能够保证每个预测时域内的氢耗量最低。

为了提高燃料电池的效率，延长电堆的使用寿命，定义了第三个性能指标

其中，η_fc(k)是燃料电池效率。由于对最优控制问题的求解过程是一个寻找最小值的过程，所以E(P_fc(k))的符号是负的才能保证效率最大化。

燃料电池混合动力汽车电力系统中的设备存在一定的物理约束。考虑到元件的安全性和使用寿命，有必要在最优控制器的设计过程中加入这些约束条件。质子交换膜燃料电池系统由空气压缩机等辅助设备组成，为了保护空气压缩机的电机，应限制燃料电池的功率变化率。此外，为防止空压机频繁启动和关闭，还应限制燃料电池功率的界限。根据上述性能指标和约束条件，最终目标函数为

其中，x₁(k)为SOC(k)，x₂(k)为P_fc(k)，θ(k)为k时刻车辆速度。

求解上述目标函数，得到控制序列

其中，表示k+1时刻的燃料电池电堆电流。在k时刻求解目标函数并得到控制序列u_k后，在k+1时刻将控制序列中的第一个元素作用于系统，然后再求解J_N(u_k+1,x₀)。重复上述过程，就可以实现燃料电池、锂电池之间实时的能量分配。本发明中能量管理方法的实施流程图见图6。

仿真过程及结果

1、车辆驾驶模式识别：

第一步建立SVM训练所需数据库。数据来源是标准循环工况，其中高速公路路况数据来自循环：US06_HWY，HWFET；城市畅通路况数据来自循环：UDDS，INDIA_URBAN_SAMPLE；城市拥堵路况数据来源：MANHATTAN，NYCC。对于以上六个循环，每个循环用随机数法截取100个长度为150s的驾驶数据片段。然后对这600个片段进行特征提取，特征向量有四维，包括平均速度、最大加速度、最小加速度、怠速时间比。由于各特征间量纲不统一，因此还要对其进行归一化处理。这一步是离线进行的。

第二步是SVM训练。由于单一的SVM只能解决二分类问题，而本发明涉及到的是三分类问题，因此要训练三个SVM，对三个模式中的任意两个进行两两识别，并使用k折交叉验证的方法优化训练过程。这一步也是离线进行的。

第三步就是识别过程，这一步是在线进行的。假设当前时刻为第k秒，首先截取第k-150到第k-1秒的驾驶片段，对截取出的驾驶片段进行特征提取、归一化处理，最后进行识别。

识别结果如说明书中的图3和图4所示。其中图3是自定义驾驶循环的速度曲线，图4是对图3的驾驶模式识别结果。纵轴类别中1代表高速公路路况、2代表城市拥堵路况、3代表城市畅通路况。本发明提出的路况识别方法精度能达到95％以上，识别错误的片段基本只出现在模式切换时，在不发生模式切换时，识别结果和真实路况的契合度很好。准确的路况识别结果为车速预测提供了保证。

2、车速预测

第一步建立车速预测所需数据库。数据来源是标准循环工况，其中高速公路路况数据来自循环：US06_HWY，HWFET；城市畅通路况数据来自循环：UDDS，INDIA_URBAN_SAMPLE；城市拥堵路况数据来源：MANHATTAN，NYCC。对以上六个循环，将其加速度与速度离散化为整数。这一步是离线进行的。

第二步是建立转移概率矩阵。本发明分路况进行车速预测，建立三个转移概率矩阵，每种路况对应一个转移概率矩阵。建立1s的转移概率矩阵，建立过程如公式(24)-(27)描述。这一步也是离线进行的。

第三步是车速预测，这一步是在线进行的。假设当前时刻为第k秒，计算当前时刻车辆加速度和速度，然后结合上面的驾驶模式识别结果选择对应的转移概率矩阵。通过搜索匹配计算得出未来t秒的预测车速序列。

车速预测结果见说明书中图5。可以看到虽然预测车速与真实车速存在一定误差，但预测车速与实际车速的趋势是大致相同的。

3、基于模型预测控制的燃料电池混合动力汽车在线能量管理方法仿真流程如说明书中图6所示。假设当前时刻为第k秒，首先截取第k-150到第k-1秒的驾驶片段，对截取出的驾驶片段进行特征提取、归一化处理，最后进行驾驶模式识别。然后计算当前时刻车辆加速度和速度，结合上面的驾驶模式识别结果选择对应的转移概率矩阵。通过搜索匹配计算得出未来t秒的预测车速序列。将未来t秒的预测车速序列代入模型中，得出未来t秒的车辆能量需求序列。然后将来t秒的车辆能量需求序列代入目标函数进行最优控制问题求解，求出数值解序列，序列中的第一个元素即为下一时刻的能量分配方案。

仿真结果见说明书中图7-图10。如图7和图8所示，公式(31)中取λ₁＝0.5,λ₂＝100，λ₃＝0，车速预测的引入让使氢气的消耗量降低2.5％以上，同时，与没有车速预测的能量管理方法相比，SOC与参考值0.6之间的误差更小了。考虑燃料电池效率方面，如图9所示传统方法无法保持燃料电池以较高效率运行，其效率分布在0-44％之间。而在图10中可以看出，本发明中的能量管理方法能够使燃料电池的平均运行效率达到38.4％。