论文部分内容阅读
燃料电池因其高效率、零排放、高功率密度、低工作温度和工作压力等特点，成为了绿色可持续洁净能源的研究热点。燃料电池目前广泛运用于航空航天、联产发电、清洁电站、交通运输等多个行业。尤其是在汽车行业，近年来，全球对于燃料电池电动汽车的研究正如火如荼地开展。然而，纯燃料电池电动汽车在不同负载下所有功率需求全部由燃料电池系统承担，存在动态响应能力差、再生制动能量无法回收利用、后备功率不足及低温冷启动性能差等诸多无法解决的问题，这些问题极大地限制了燃料电池电动汽车的发展。因此一些辅助电源应运而生，与燃料电池共同组成混合动力源，成为燃料电池电动汽车动力系统发展的主流，以弥补纯燃料电池电动汽车的不足。目前，主流的辅助电源主要包括蓄电池，超级电容器及蓄电池和超级电容器组成的复合电源。本文以锂离子超级电容器作为辅助电源，对燃料电池电动汽车动力系统的能量管理控制策略展开研究，围绕提高燃料电池整车燃料经济性为目的，主要开展了以下工作：
(1)以课题组燃料电池项目为依托，对本文的燃料电池电动汽车整车参数和性能指标进行了设计。基于设计指标对燃料电池电动汽车动力系统各部件进行参数计算，并根据计算结果对驱动电机、燃料电池和锂离子超级电容器进行选型。根据选型的结果和计算的参数对三个主要部件进行建模，最后将所有搭建的部件模型整合成燃料电池电动汽车的整车模型，并利用基本功率控制策略进行整车性能指标的验证，结果显示部件的参数和模型满足本文整车性能指标，可以很好地用于之后的动力系统能量管理控制策略的研究。
(2)以建立的基于锂离子超级电容器的燃料电池电动汽车动力系统模型为依托，通过对常用控制策略进行建模并仿真。主要包含开关控制策略和功率跟随控制策略。在这两种控制策略的基础上建立模糊控制策略，用来对带锂离子超级电容器的燃料电池电动汽车进行能量管理。利用MATLAB平台进行不同工况仿真后，发现简单开关控制策略在NEDC工况下表现出最佳的燃料经济性，为3.97L/100km，模糊控制策略则在UDDS工况下表现出最佳的燃料经济性，为4.43L/100km。然而通过对仿真结果对比可以发现，燃料电池在模糊控制策略和开关控制策略下存在频繁启停的情况，严重影响了燃料电池电动汽车的使用寿命。同时由于模糊控制器的参数是人为按照经验随机给定，无法达到最优控制，因此需要对模糊控制器进行进一步研究。
(3)以建立的模糊控制策略为依托，利用遗传算法对模糊控制器参数进行优化，优化的目标为整车燃料经济性，以期获得在NEDC工况下的最佳控制效果。通过对模糊控制器进行分析，确定需要优化的参数为73个，主要包含隶属度函数参数及规则库参数。设定迭代次数200代后，对优化结果分析，发现在183代时获得最佳燃料经济性，并将该代下的模糊控制器参数写入整车模型，获得基于模糊控制的燃料电池电动汽车模型。对仿真结果进行分析，发现通过遗传算法优化，在NEDC工况下燃料经济性提升了11.22%，在UDDS工况下燃料经济性提升了4.48%，因此基于NEDC工况的遗传算法起到了很好的优化效果，同时也轻微提升了其他工况下的优化效果。
(4)以建立的基于锂离子超级电容器的燃料电池电动汽车动力系统模型为依托，设计主动型控制策略。其主要思想包括通过历史时刻车速对未来时刻车速进行预测，基于预测结果利用动态规划，以燃料经济性为规划目标，获得当前时刻下的能量管理分配策略。本文主要是基于BP神经网络，利用相关分析确定8个特征输入，获得了神经网络车速预测模型，并通过该预测模型，实时预测10s后的车速，再利用动态规划算法对能量管理系统进行控制。最终仿真结果显示了主动型控制策略获得了更优于模糊控制器的燃料经济性。
(1)以课题组燃料电池项目为依托，对本文的燃料电池电动汽车整车参数和性能指标进行了设计。基于设计指标对燃料电池电动汽车动力系统各部件进行参数计算，并根据计算结果对驱动电机、燃料电池和锂离子超级电容器进行选型。根据选型的结果和计算的参数对三个主要部件进行建模，最后将所有搭建的部件模型整合成燃料电池电动汽车的整车模型，并利用基本功率控制策略进行整车性能指标的验证，结果显示部件的参数和模型满足本文整车性能指标，可以很好地用于之后的动力系统能量管理控制策略的研究。
(2)以建立的基于锂离子超级电容器的燃料电池电动汽车动力系统模型为依托，通过对常用控制策略进行建模并仿真。主要包含开关控制策略和功率跟随控制策略。在这两种控制策略的基础上建立模糊控制策略，用来对带锂离子超级电容器的燃料电池电动汽车进行能量管理。利用MATLAB平台进行不同工况仿真后，发现简单开关控制策略在NEDC工况下表现出最佳的燃料经济性，为3.97L/100km，模糊控制策略则在UDDS工况下表现出最佳的燃料经济性，为4.43L/100km。然而通过对仿真结果对比可以发现，燃料电池在模糊控制策略和开关控制策略下存在频繁启停的情况，严重影响了燃料电池电动汽车的使用寿命。同时由于模糊控制器的参数是人为按照经验随机给定，无法达到最优控制，因此需要对模糊控制器进行进一步研究。
(3)以建立的模糊控制策略为依托，利用遗传算法对模糊控制器参数进行优化，优化的目标为整车燃料经济性，以期获得在NEDC工况下的最佳控制效果。通过对模糊控制器进行分析，确定需要优化的参数为73个，主要包含隶属度函数参数及规则库参数。设定迭代次数200代后，对优化结果分析，发现在183代时获得最佳燃料经济性，并将该代下的模糊控制器参数写入整车模型，获得基于模糊控制的燃料电池电动汽车模型。对仿真结果进行分析，发现通过遗传算法优化，在NEDC工况下燃料经济性提升了11.22%，在UDDS工况下燃料经济性提升了4.48%，因此基于NEDC工况的遗传算法起到了很好的优化效果，同时也轻微提升了其他工况下的优化效果。
(4)以建立的基于锂离子超级电容器的燃料电池电动汽车动力系统模型为依托，设计主动型控制策略。其主要思想包括通过历史时刻车速对未来时刻车速进行预测，基于预测结果利用动态规划，以燃料经济性为规划目标，获得当前时刻下的能量管理分配策略。本文主要是基于BP神经网络，利用相关分析确定8个特征输入，获得了神经网络车速预测模型，并通过该预测模型，实时预测10s后的车速，再利用动态规划算法对能量管理系统进行控制。最终仿真结果显示了主动型控制策略获得了更优于模糊控制器的燃料经济性。