车辆混合储能装置的功率调控方法、系统、设备及介质

1.本发明涉及燃料电池技术领域，具体涉及一种车辆混合储能装置的功率调控方法、系统、设备及介质。


背景技术：

2.在碳中和的背景下，全球车辆行业迫切需要探索新能源燃料，以减少对传统石化燃料的依赖。氢作为一种新能源，具有清洁、无污染、来源广泛、燃烧能量高的优点。燃料电池(fuel cell，fc)由于其能量转换效率高、运行过程清洁等优点，已成为氢能应用的主要形式，受到广泛关注。虽然燃料电池可以作为燃料电池车辆的主要能源，但由于其内部的电化学反应，其动态响应相对较慢。因此，燃料电池车辆通常引入具有更快动态响应特性的电储能设备(如锂离子电池，超级电容器，锂离子电容器等)，形成混合储能装置。
3.混合储能装置在燃料电池和电储能设备之间的功率分配方面仍然面临许多问题。现有技术一般只考虑系统电压稳定性或fc电流斜率等单一方面。但是，仍然有许多方面没有涵盖，应该同时考虑。例如，电储能设备的荷电状态(state ofcharge，soc)在一个运行周期内应该在合理的范围内，在一个运行周期后应该保持不变。fc的电流应该尽可能小，以避免昂贵的氢气消耗。此外，fc电流的快速变化会缩短fc的寿命，因此fc的电流变化率应尽可能小。因此，需要提供一种车辆混合储能装置的功率调控方法、系统、设备及介质。


技术实现要素：

4.鉴于以上现有技术的缺点，本发明的目的在于提供一种车辆混合储能装置的功率调控方法、系统、设备及介质，以改善现有技术中，车辆的混合储能装置没有全方位考虑各种影响其当前时刻运行的因素，导致无法为下一时刻的混合储能装置合理分配电流的问题。
5.为实现上述目的及其它相关目的，本发明提供一种车辆混合储能装置的功率调控方法，混合动力车辆的混合储能装置包括燃料电池和电储能设备，所述电储能设备包括锂离子电池、超级电容器、锂离子电容器中的一种或多种，所述方法包括以下过程：
6.根据所述车辆在当前时刻给定的燃料电池的电流变化量，预测所述混合储能装置的误差补偿值；
7.获取所述车辆在当前时刻电储能设备的荷电状态及负载电流，得到所述混合储能装置的自适应权重值；
8.将预设参考值及所述误差补偿值、自适应权重值输入至模型预测控制算法中的模型，给定所述车辆在下一时刻燃料电池的电流变化量，调控所述混合储能装置在下一时刻的功率分配；其中，所述预设参考值为电储能设备的预设荷电状态以及燃料电池的预设电流值。
9.在本发明一实施例中，所述获取所述车辆在当前时刻电储能设备的荷电状态及负载电流，得到所述混合储能装置的自适应权重值，包括：
10.计算所述电储能设备的荷电状态与预设参考值的差值，作为所述荷电状态的偏差值；
11.基于所述偏差值和所述负载电流，根据预设的权重计算方法，计算所述混合储能装置的自适应权重值。
12.在本发明一实施例中，所述自适应权重值包括第一自适应状态权重、第二自适应状态权重和自适应输入权重。
13.在本发明一实施例中，若所述负载电流小于预设阈值，所述偏差值为第一预设偏移量时，所述第一自适应状态权重取最小值；若所述负载电流大于或等于所述预设阈值，所述偏差值为第二预设偏移量时，所述第一自适应状态权重取最小值。
14.在本发明一实施例中，所述将预设参考值及当前时刻的误差补偿值、自适应权重值输入至模型预测控制算法中的模型，给定车辆在下一时刻燃料电池的电流变化量，调控所述混合储能装置在下一时刻的功率分配，包括：
15.将预设参考值和所述自适应权重值、所述误差补偿值输入至所述模型预测控制算法中的模型，根据成本函数最小化，给定下一时刻燃料电池的电流变化量；
16.将下一时刻燃料电池的电流变化量输入至预设的比例积分控制器中，预测升压变换器在下一时刻的占空比，调控下一时刻的功率分配；其中，所述升压变换器与所述燃料电池串联后，与所述电储能设备并联连接。
17.在本发明一实施例中，所述模型预测控制算法中的模型表示为状态空间方程，所述状态空间方程为：x
k+1
＝axk+(bu+kcc2)uk+bddk+kcc1，其中，a为状态系数矩阵，bu为输入系数矩阵，bd为扰动系数矩阵，c1、c2为补偿因子，xk为k时刻的状态变量，uk为k时刻输入数据，dk为k时刻扰动，kc为补偿权重，x
k+1
为k+1时刻的状态变量。
18.在本发明一实施例中，所述根据所述车辆在当前时刻给定的燃料电池的电流变化量，预测所述混合储能装置的误差补偿值之前，还包括：根据所述燃料电池和所述电储能设备预设的约束条件及所述混合储能装置的运行需求，构建所述混合储能装置的成本函数，得到所述模型预测控制算法中的模型。
19.在本发明一实施例中，还提供一种车辆混合储能装置的功率调控系统，混合动力车辆的混合储能装置包括燃料电池和电储能设备，所述电储能设备包括锂离子电池、超级电容器、锂离子电容器中的一种或多种，所述系统包括：
20.误差补偿获取模块，用于根据所述车辆在当前时刻给定的燃料电池的电流变化量，预测所述混合储能装置的误差补偿值；
21.权重获取模块，用于获取所述车辆在当前时刻电储能设备的荷电状态及负载电流，得到所述混合储能装置的自适应权重值；
22.调控模块，用于将预设参考值及当前时刻的误差补偿值、自适应权重值输入至模型预测控制算法中的模型，给定所述车辆在下一时刻燃料电池的电流变化量，调控所述混合储能装置在下一时刻的功率分配；其中，所述预设参考值为电储能设备的预设荷电状态以及燃料电池的预设电流值。
23.在本发明一实施例中，还提供一种车辆混合储能装置的功率调控设备，包括处理器，所述处理器与存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时，实现上述任一项所述的方法。
24.在本发明一实施例中，还提供一种计算机可读存储介质，包括程序，当所述程序在计算机上运行时，执行上述中任一项所述的方法。
25.综上所述，本发明中，通过获取车辆在当前时刻燃料电池的电流变化量，可得到误差补偿值。通过对当前时刻电储能设备的荷电状态和负载电流进行计算，可获得对应的自适应权重值。将误差补偿值和自适应权重值，以及预设参考值输入至模型预测控制算法中的模型中，求得下一时刻燃料电池的电流变化量。并可通过燃料电池的电流变化量，对下一时刻混合储能装置的功率进行调控。使得最终的功率分配更加合理，提升了燃料电池的使用寿命。
附图说明
26.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
27.图1显示为本发明中燃料电池混合动力电动车辆的半主动的动力系统拓扑图；
28.图2显示为本发明中控制方案的概述示意图；
29.图3显示为本发明中基于sc soc偏差的自适应权重q1；
30.图4显示为本发明中sc soc偏差的自适应权重q2和r；
31.图5显示为本发明中模拟sc soc的波动曲线图；
32.图6显示为本发明中模拟fc电流变化率的曲线图；
33.图7显示为本发明一实施例中车辆混合储能装置的功率调控方法的流程示意图；
34.图8显示为本发明中步骤s20的流程示意图；
35.图9显示为本发明一实施例中步骤s30的流程示意图；
36.图10显示为本发明一实施例中车辆混合储能装置的功率调控系统的原理结构示意图。
37.元件标号说明：
38.100、车辆混合储能装置的功率调控系统；110、误差补偿获取模块；120、权重获取模块；130、调控模块。
具体实施方式
39.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本发明的保护范围。下列实施例中未注明具体条件的试验方法，通常按照常规条件，或者按照各制造商所建议的条件。
40.请参阅图1至图10。须知，本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施
的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容所能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
41.当实施例给出数值范围时，应理解，除非本发明另有说明，每个数值范围的两个端点以及两个端点之间任何一个数值均可选用。除非另外定义，本发明中使用的所有技术和科学术语与本技术领域的技术人员对现有技术的掌握及本发明的记载，还可以使用与本发明实施例中所述的方法、设备、材料相似或等同的现有技术的任何方法、设备和材料来实现本发明。
42.请参阅图1至图2，本发明提供一种车辆混合储能装置的功率调控方法，对于燃料电池混合动力电动车辆，燃料电池与升压变换器串联，作为主电源使用，电储能设备用作能量缓冲器，与升压变换器并联。基于传统的半主动拓扑结构，在模型预测控制算法的基础上，引入了自适应权重和模型误差补偿，提出了一种新的功率管理策略，相比于传统模型预测控制算法在氢消耗，电储能设备荷电状态稳定和缓解燃料电池老化方面具有更优秀的表现。
43.请参阅图1和图7，在本发明一实施例中，所述车辆混合储能装置的功率调控方法包括以下过程：
44.s10、根据所述车辆在当前时刻给定的燃料电池的电流变化量，预测所述混合储能装置的误差补偿值。
45.图1中，负载包括dc/ac逆变器和电机等部件。l
fc
是模拟升压转换器的输入电感，r
fc
表示l
fc
的寄生电阻，d
fc
是pi控制器产生的占空比信号。当前时刻燃料电池的电流变化量是指：与前一时刻相比，燃料电池在当前时刻电流改变的数值。由于模型预测控制(model predictive control，mpc)算法中的模型是基于线性系统的模型，考虑到本发明所述的混合储能装置(hybrid energy storage system，hess)为非线性，而在将混合储能装置线性化处理时，会导致误差产生，从而使得模型后续输出的结果不准确。为了改善这一情况，本发明中，引入误差补偿的概念，并将误差补偿值输入至模型预测控制算法中的模型，以实现对下一时刻模型预测控制算法中的模型输出值的修正。具体地，由于状态变量实际值和预测值之间的差值可通过公式(1)所示的泰勒级数予以展开：
46.e(uk)＝c1+c2uk+c3u
k2
+
…ꢀꢀꢀꢀ
(1)
47.其中，e(uk)为k时刻状态变量预测值和实际值的差值，uk为k时刻的输入数据(即为k时刻燃料电池的电流变化量)，c1、c2、c3为对应的补偿因子。其中，状态变量包括燃料电池的电流值、以及电储能设备的荷电状态。需要说明的是，电储能设备的类型包括但不限于锂离子电池、超级电容器、锂离子电容器等功率特性相比燃料电池较好的储能设备，电储能设备的类型可以为一种，也可为多种，在此不做限定。本发明以超级电容器为例，对相关作用原理予以叙述，其他类型的电储能设备的作用原理与超级电容器类似，在此不做赘述。由于差值e(uk)可视为误差补偿值，为了降低计算成本，在本发明一实施例中，忽略uk的二次幂以及更高次幂，得到的补偿方程如公式(2)所示，并基于公式(2)获得混合储能装置在当前k时刻的误差补偿值c(uk)，作为误差补偿部分。
48.c(uk)＝c1+c2ukꢀꢀꢀ
(2)
49.因此，通过当前k时刻的输入数据uk(即燃料电池的电流变化量)，即可获得误差补偿值，并将其作为误差补偿部分，输入至模型预测控制算法中的模型，以调整下一时刻混合储能装置中，超级电容器和燃料电池的功率分配情况。可以理解的是，还可通过忽略uk的n次幂以及更高次幂(n为大于2的整数)以实现误差补偿值的计算，本领域技术人员可根据实际计算精度及计算成本需要，适应性选择适应的方式，在此不做限定。
50.s20、获取所述车辆在当前时刻电储能设备的荷电状态及负载电流，得到所述混合储能装置的自适应权重值。
51.请参阅图1、图2和图8，在本发明一实施例中，步骤s20包括以下过程：
52.s21、计算所述电储能设备的荷电状态与预设参考值的差值，作为荷电状态的偏差值；
53.s22、基于所述偏差值和所述负载电流，根据预设的权重计算方法，计算所述混合储能装置的自适应权重值。
54.请参阅图1，由于本发明是使用模型预测控制算法中的模型对车辆的hess进行功率的预测控制，其中，本发明所述的车辆是指具有燃料电池混合动力的电动车辆。该车辆的功率管理策略的目标是将功率适当地拆分和分配给燃料电池和超级电容器，减少氢气消耗量，并缓解燃料电池的退化。但根据车辆的驾驶条件和混合储能装置的工作条件，一个目标可能需要以更高的优先级进行优化。考虑到若模型预测控制算法中的模型的相关权重为固定值时，一旦车辆的驾驶条件发生变化，则无法及时调控，导致无法及时准确的为燃料电池和超级电容器分配功率，大大降低了控制性能。为了解决这一问题，本发明引入了自适应权重的概念，将超级电容器荷电状态相对于其预设参考值的偏差值作为自适应权重，可将荷电状态的偏差值socd表示为公式(3)所示：
55.socd＝soc
k-soc
ref
ꢀꢀꢀ
(3)
56.其中，sock为超级电容器在k时刻的荷电状态，soc
ref
为超级电容器的预设荷电状态。具体地，将模型预测控制算法中的模型的相关权重以偏差值socd的方式表述，以实现通过偏差值socd对各权重的调整，具体地，各权重如公式(4)所示：
[0057][0058]
其中，q1为第一自适应状态权重，q2为第二自适应状态权重，r为自适应输入权重，α
q1
、β
q11
、β
q12
、α
q2
、β
q2
、αr和βr为预设的自适应参数值，其与车辆参数的设置相关，od、oc为偏移量，i
load
为负载电流。根据上述公式(4)可知，根据当前k时刻负载电流的数值是否为负，即可选择对应的q1进行计算。并基于当前k时刻超级电容器的荷电状态sock及预设参考值soc
ref
的对应数值，即可获得模型预测控制算法中的模型的三个自适应权重q1、q2和r的取值，从而通过调整对应权重值，改变后续模型预测控制算法中的模型的输出值。
[0059]
进一步地，请参阅图3和图4，由于q1、q2和r均与偏差值socd有关，如果偏差值socd较小，则说明此时超级电容器的荷电状态(即sc soc)已经得到很好的控制，为了进一步保
持这种较小的偏差值socd，此时可以减小q1，同时可以增加q2和r。另一方面，当偏差值socd较大时，此时需要增加q1，同时可以减小q2和r。需要说明的是，图4中纵坐标有两个，q2对应左侧纵坐标(即0.009至0.011)，r对应右侧纵坐标(即0.8至1.05)。进一步地，公式(4)中各自适应参数值及燃料电池和超级电容器相关仿真参数如表1所示：
[0060]
表1仿真参数表
[0061][0062]
在本发明一实施例中，由于自适应权重值包括第一自适应状态权重q1、第二自适应状态权重q2和自适应输入权重r，若所述负载电流小于预设阈值，所述偏差值为第一预设偏移量时，所述第一自适应状态权重取最小值；若所述负载电流大于或等于所述预设阈值，所述偏差值为第二预设偏移量时，所述第一自适应状态权重取最小值。具体地，结合表1和图4可知，q2和r在偏差值socd为零时达到峰值。另一方面，如图3中绘制了两条q1曲线：一条对应于负载电流大于或等于零时，q1的取值分布，另一条对应于负载电流小于零时，q1的取值分布。对于q1，引入两个偏移量od和oc。其中，当负载电流i
load
大于或等于零时，第一自适应权重值q1在第一预设偏移量od为-1％时取最小值；当负载电流i
load
小于零时，第一自适应权重值q1在第二预设偏移量oc为1％时取最小值。由此可知，q1不是在荷电状态的偏差值为零时达到最小值，而是通过引入偏移量oc，使得q1在荷电状态的偏差值socd为-1(即为偏移量oc)时达到最小值。其中，预设阈值可根据需要适应性设置，本实施例中，预设阈值设置为零。通过引入两个偏移量od和oc，保证超级电容器的荷电状态能够保持在一个相对稳定的水平，以使混合储能装置可以正常运行。以偏移量oc为例，当负载电流小于零时，超级电容器被充电。若将超级电容器的预设荷电状态预设为50％，当超级电容器的荷电状态达到49％时，荷电状态的偏差值socd为-1时，q1达到最小值。这意味着超级电容器可能仍在充电，但电流非常小。如果在下一个采样间隔期间产生大的再生功率脉冲，超级电容器仍然可以充电。
[0063]
s30、将预设参考值及所述误差补偿值、自适应权重值输入至模型预测控制算法中的模型，给定车辆在下一时刻燃料电池的电流变化量，调控所述混合储能装置在下一时刻
的功率分配；其中，所述预设参考值为电储能设备的预设荷电状态以及燃料电池的预设电流值。
[0064]
请参阅图1、图2和图9，在本发明一实施例中，步骤s30包括以下过程：
[0065]
s31、将预设参考值和自适应权重值、误差补偿值输入至所述模型预测控制算法中的模型，根据成本函数最小化，给定下一时刻燃料电池的电流变化量；
[0066]
s32、将下一时刻燃料电池的电流变化量输入至预设的比例积分控制器中，预测升压变换器在下一时刻的占空比，调控下一时刻的功率分配；其中，所述升压变换器与所述燃料电池串联后，与所述电储能设备并联连接。
[0067]
获取当前时刻的误差补偿值和自适应权重值后，通过将误差补偿值、自适应权重值和预设参考值输入至模型预测控制算法中的模型中，模型预测控制算法中的模型会求得下一时刻燃料电池的电流变化量。通过比例积分(proportional integral，pi)控制器可获得下一时刻升压变换器的占空比，并基于占空比调整混合储能装置的功率分配。进一步地，在本发明一实施例中，根据所述车辆在当前时刻给定的燃料电池的电流变化量，预测所述混合储能装置的误差补偿值之前，还包括：根据所述燃料电池和所述电储能设备预设的约束条件及所述混合储能装置的运行需求，构建所述混合储能装置的成本函数，得到所述模型预测控制算法中的模型。本发明中，该模型预测控制算法的成本函数j及对应的约束条件如公式(5)所示：
[0068][0069]
其中，xk为k时刻预测的n个状态变量的集合，uk为k时刻预测的n-1个输入数据的集合，q为状态变量的对称正定权重系数矩阵，r为输入数据的对称正定权重系数矩阵，x
ref
为状态变量预设参考值的集合，n为预测步长。具体地，x
k|k
为k时刻预测的k时刻的状态变量，x
k+n|k
为k时刻预测的k+n时刻的状态变量，u
k|k
为k时刻预测的k时刻的输入数据，u
k+n-1|k
为k时刻预测的k+n-1时刻的输入数据。x
ref
包括状态变量的引用：x
ref
＝[soc
ref
，0]
t
，soc
ref
为超级电容器的预设荷电状态。r＝r。其中，q1为第一自适应状态权重值，q2为第二自适应状态权重值，r为自适应输入权重值。需要说明的是，
[0070]
将预设参考值和当前时刻k的误差补偿值、自适应权重值输入至模型预测控制算法中的模型后，通过最小化公式(5)中的成本函数j(xk，uk)，求得使得成本函数最小的输入数据。并根据下述空间状态方程，获得下一时刻状态变量的预测值。可以理解的是，若将预测步长设置为n，将预设参考值以及当前时刻k的误差补偿值、自适应权重值共同输入至模型预测控制算法中的模型后，本发明中模型预测控制算法中的模型会求得n个燃料电池的电流变化量δi
fc
(k)，δi
fc
(k+1)，δi
fc
(k+2)，...，δi
fc
(k+n-1)，且相邻燃料电池的电流变化量以固定的采样周期ts为时间间隔。通过pi控制器，可获得n个对应的占空比数据d
fc
(k)，d
fc
(k+1)，d
fc
(k+2)，
…
，d
fc
(k+n-1)，形成占空比序列。将序列中第一个占空比数据d
fc
(k)作为调整信号输出，通过调整升压变换器的占空比，使得流经燃料电池的电流和流经超级电容器的电流发生改变，从而实现对下一时刻混合储能装置的功率调控。
[0071]
进一步地，本发明中，状态变量的预测值通过状态空间方程获得，模型预测控制算法中的模型可以通过使用欧拉离散化在离散状态空间中表示为公式(6)所示的空间状态方程：
[0072]
x
k+1
＝axk+buuk+bddkꢀꢀꢀ
(6)
[0073]
其中，x
k+1
为k+1时刻的状态变量，a为状态系数矩阵，bu为输入系数矩阵，bd为扰动系数矩阵，dk为k时刻的扰动，xk为k时刻的状态变量，uk为k时刻的输入数据。考虑到状态变量的误差，将误差补偿部分加入至公式(6)中，可得状态空间方程为：
[0074]
x
k+1
＝axk+buuk+bddk+kcc(uk)
ꢀꢀ
(7)
[0075]
其中，kc为补偿权重，进一步地，结合公式(2)可将公式(7)更新为如公式(8)所示：
[0076]
x
k+1
＝axk+(bu+kcc2)uk+bddk+kcc1ꢀꢀ
(8)
[0077]
可以理解的是，c1和c2本领域技术人员可根据实际需要，适应性设置相应数值，在此不做要求。对于本发明考虑的特定mpc方案，上述k时刻的状态变量、输入数据和扰动分别表示为公式(9)至(11)所示：
[0078]
xk＝[soc(k)，i
fc
(k)]
t
ꢀꢀꢀꢀ
(9)
[0079]
uk＝δi
fc
(k)
ꢀꢀꢀꢀ
(10)
[0080]dk
＝i
load
(k)
ꢀꢀꢀꢀ
(11)
[0081]
其中，soc(k)为k时刻超级电容器的荷电状态，i
fc
(k)为k时刻燃料电池的电流，δi
fc
(k)为k时刻燃料电池的电流变化量，i
load
(k)为k时刻的负载电流。进一步地，上述各系数矩阵分别表示为公式(12)至(14)所示：
[0082][0083][0084][0085]
请参阅图2，其中，η
boost
为升压变换器的效率，v
fc
(k)为k时刻燃料电池的电压值，ts为预设的采样周期，c
sc
为超级电容器的电容值，v
sc
(k)为k时刻超级电容器的输出电压，v
max
为燃料电池的最大工作电压。通过将公式(9)至(14)代入公式(8)中，可以计算下一时刻的状态变量的预测值。然后在下一时刻来临时，根据状态变量的预测值和实际值，生成三个自适应权重值，根据燃料电池的电流变化量，获得误差补偿值，并根据自适应权重值和误差补偿值，补偿由于非线性混合储能装置的线性化引起的误差，并通过模型预测控制算法中的模型给定下一时刻燃料电池的电流变化量及状态变量的预测值。需要说明的是，本发明中状态变量x
k+1
包括在k+1时刻燃料电池的预测电流值和超级电容器的预测荷电状态，对应的xk即为k时刻燃料电池的电流值和超级电容器的荷电状态。
[0086]
进一步地，根据功率守恒，可知负载功率如公式(15)所示：
[0087]
p
load
＝η
boost
p
fc
+p
sc
ꢀꢀꢀ
(15)
[0088]
其中，p
fc
为燃料电池的功率，p
sc
为超级电容器的功率，p
load
为负载功率。因此通过
改变燃料电池的电流和超级电容器的电流，即可改变混合储能装置的整体功率分配情况。
[0089]
进一步地，仿真模拟时，需要构建燃料电池模型、超级电容器模型和升压变换器模型。其中，对于燃料电池模型，由于单个燃料电池的电压相对较低，并随负载电流而变化。因此实际应用时，通常将多个燃料电池串联形成一个堆栈以获得一定的输出电压，其中，k时刻燃料电池的输出电压如公式(16)所示：
[0090]vfc
(k)＝v
ofc-r
ofcifc
(k)
ꢀꢀꢀꢀ
(16)
[0091]
其中，v
ofc
为燃料电池的开路电压，r
ofc
为燃料电池的等效电阻，v
fc
(k)为连续时域为k时燃料电池的输出电压，i
fc
(k)为连续时域为k时燃料电池的电流。显然，若k时刻燃料电池的电流i
fc
(k)增加，则对应燃料电池的输出电压随之减少，从而使得k时刻燃料电池的功率受到影响。
[0092]
对于超级电容器模型，由于超级电容器的特点是荷电状态(state of charge，soc)的变化率，而荷电状态的变化率与超级电容器的输出电流有关，如公式(17)所示：
[0093][0094]
其中，c
sc
为超级电容器的电容值，v
max
为燃料电池的最大工作电压，i
sc
(k)为k时刻超级电容器的输出电流。
[0095]
请参见图1，对于升压变换器模型，由于升压变换器用于弥合燃料电池和超级电容器之间的电压差，升压变换器的输出电流如公式(18)所示：
[0096][0097]
其中，v
sc
(k)为k时刻超级电容器的输出电压，i
dc
(k)为k时刻升压变换器的输出电流，η
boost
为升压变换器的效率。显然，如公式(19)所示，k时刻的负载电流i
load
(k)由k时刻升压变换器的输出电流i
dc
(k)、及k时刻超级电容器的输出电流i
sc
(k)组成：
[0098]iload
(k)＝i
sc
(k)+i
dc
(k)
ꢀꢀꢀꢀ
(19)
[0099]
因此，将公式(18)和(19)代入公式(17)，可将公式(17)改写为公式(20)所示：
[0100][0101]
请参阅图5，可知超级电容器荷电状态(即sc soc)波动良好有界，在550s左右负载剧烈变化，此期间，超级电容器的荷电状态分别达到最小值58.45％，以及最大值64.04％。在整个仿真模拟期间，超级电容器的波动状态在5.59％内，且超级电容器最终会达到与初始值大致相等的荷电状态，这表明通过本发明所述的方法，超级电容器的荷电状态可以保持在合理的范围(在驾驶循环期间)和合理水平(之后驱动循环)内，从而降低超级电容器的荷电状态过度充电或过度放电的可能。
[0102]
请参阅图6，可知燃料电池的电流变化率小于8a/s，210s左右燃料电池达到电流变化率最大值7.6672a/s，从而表明使用本发明所述的方法，可以有效缓解燃料电池的退化情况。证明了本发明所述方法的有效性。
[0103]
从下表可知，在氢气消耗量方面，虽然没有自适应补偿的mpc相较于dual-loop，降低了5.14％，但本发明氢气消耗量降低了6.98％，降幅更为显著，从而有效减少了氢气消耗。车辆行驶过程中，超级电容器荷电状态改变量明显减少，有效缓解了超级电容器荷电状
态急速变化的情况。此外，对于燃料电池最大电流变化率，相较于mpc(燃料电池的最大电流变化率为21.1621a/s)，本发明燃料电池的最大电流变化率低至18.1322a/s。因此，本发明提出的acmpc方案在减少氢气消耗量、缓解燃料电池退化、保持超级电容器的荷电状态改变量三个方面都优于前两种方案。
[0104]
表2三种功率管理策略的比较表
[0105][0106]
综上所述，本发明中车辆混合储能装置的功率调控方法过程如下：获取车辆在当前时刻k燃料电池的电流变化量δi
fc
(k)，以及超级电容器的荷电状态(sc soc)和负载电流i
load
。基于预设的泰勒展开方式，根据当前时刻k燃料电池的电流变化量δi
fc
(k)，获得误差补偿值。并根据预设的权重计算方式，基于当前时刻超级电容器的荷电状态和负载电流，获得对应的自适应权重值。将超级电容器的预设电荷状态soc
ref
和燃料电池的预设电流值i
fcref
、误差补偿值uk和对应的自适应权重值共同输入至模型预测控制算法中的模型，给定下一时刻k+1燃料电池的电流变化量δi
fc
(k+1)，以及下一时刻k+1状态变量的预测值。然后将k+1时刻燃料电池的电流变化量输入至pi控制器中，获得升压变换器的占空比d
fc
。通过占空比可调控升压变换器，改变下一时刻燃料电池的电流值和超级电容器的荷电状态，实现对混合储能装置的功率调控。
[0107]
上面方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包含相同的逻辑关系，都在本发明的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该发明的保护范围内。
[0108]
请参阅图10。该车辆混合储能装置的功率调控系统100包括误差补偿获取模块110、权重获取模块120和调控模块130。其中，误差补偿获取模块110用于根据所述车辆在当前时刻给定的燃料电池的电流变化量，预测所述混合储能装置的误差补偿值。权重获取模块120用于获取所述车辆在当前时刻电储能设备的荷电状态及负载电流，得到所述混合储能装置的自适应权重值。调控模块130用于将预设参考值及当前时刻的误差补偿值、自适应权重值输入至预先训练好的模型预测控制算法中的模型，给定车辆在下一时刻燃料电池的电流变化量，调控所述混合储能装置在下一时刻的功率分配；其中，所述预设参考值为电储能设备的预设荷电状态以及燃料电池的预设电流值。
[0109]
需要说明的是，为了突出本发明的创新部分，本实施例中并没有将与解决本发明
所提出的技术问题关系不太密切的模块引入，但这并不表明本实施例中不存在其它的模块。
[0110]
此外，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0111]
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0112]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0113]
本实施例还提出了一种车辆混合储能装置的功率调控设备，该设备包括处理器和存储器，处理器和存储器耦合，存储器存储有程序指令，当存储器存储的程序指令被处理器执行时实现上述任务管理方法。处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件；所述存储器可能包含随机存取存储器(random access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。所述存储器可以为随机存取存储器(random access memory，ram)类型的内部存储器，所述处理器、存储器可以集成为一个或多个独立的电路或硬件，如：专用集成电路(application specific integrated circuit，asic)。需要说明的是，上述的存储器中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
[0114]
本实施例还提出一种计算机可读的存储介质，所述存储介质存储有计算机指令，所述计算机指令用于使计算机执行上述的车辆混合储能装置的功率调控方法。存储介质可以是电子介质、磁介质、光介质、电磁介质、红外介质或半导体系统或传播介质。存储介质还可以包括半导体或固态存储器、磁带、可移动计算机磁盘、随机存取存储器(ram)、只读存储器(rom)、硬磁盘和光盘。光盘可以包括光盘-只读存储器(cd-rom)、光盘-读/写(cd-rw)和dvd。
[0115]
综上所述，本发明中，考虑到非线性mpc方案的计算成本通常很高，而线性mpc方案的准确性通常会受到影响。因此通过将线性mpc方案和自适应补偿相结合，构建acmpc方案，使得最终模型预测控制算法中的模型的线性精度有效提升，能够实现有效的功率分配，从而极大地提升了燃料电池的使用期限，在避免高成本的氢气消耗的同时，还使电储能设备的荷电状态保持在合理范围内，有效减缓了资源消耗。所以，本发明有效克服了现有技术中的一些实际问题从而有很高的利用价值和使用意义。
[0116]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

技术特征：
1.一种车辆混合储能装置的功率调控方法，其特征在于，混合动力车辆的混合储能装置包括燃料电池和电储能设备，所述电储能设备包括锂离子电池、超级电容器、锂离子电容器中的一种或多种，所述方法包括以下过程：根据所述车辆在当前时刻给定的燃料电池的电流变化量，预测所述混合储能装置的误差补偿值；获取所述车辆在当前时刻电储能设备的荷电状态及负载电流，得到所述混合储能装置的自适应权重值；将预设参考值及所述误差补偿值、自适应权重值输入至模型预测控制算法中的模型，给定所述车辆在下一时刻燃料电池的电流变化量，调控所述混合储能装置在下一时刻的功率分配；其中，所述预设参考值为电储能设备的预设荷电状态以及燃料电池的预设电流值。2.根据权利要求1所述的车辆混合储能装置的功率调控方法，其特征在于，所述获取所述车辆在当前时刻电储能设备的荷电状态及负载电流，得到所述混合储能装置的自适应权重值，包括：计算所述电储能设备的荷电状态与预设参考值的差值，作为所述荷电状态的偏差值；基于所述偏差值和所述负载电流，根据预设的权重计算方法，计算所述混合储能装置的自适应权重值。3.根据权利要求2所述的车辆混合储能装置的功率调控方法，其特征在于，所述自适应权重值包括第一自适应状态权重、第二自适应状态权重和自适应输入权重。4.根据权利要求3所述的车辆混合储能装置的功率调控方法，其特征在于，若所述负载电流小于预设阈值，所述偏差值为第一预设偏移量时，所述第一自适应状态权重取最小值；若所述负载电流大于或等于所述预设阈值，所述偏差值为第二预设偏移量时，所述第一自适应状态权重取最小值。5.根据权利要求1所述的车辆混合储能装置的功率调控方法，其特征在于，所述将预设参考值及当前时刻的误差补偿值、自适应权重值输入至模型预测控制算法中的模型，给定所述车辆在下一时刻燃料电池的电流变化量，调控所述混合储能装置在下一时刻的功率分配，包括：将预设参考值和所述自适应权重值、所述误差补偿值输入至所述模型预测控制算法中的模型，根据成本函数最小化，给定下一时刻燃料电池的电流变化量；将下一时刻燃料电池的电流变化量输入至预设的比例积分控制器中，预测升压变换器在下一时刻的占空比，调控下一时刻的功率分配；其中，所述升压变换器与所述燃料电池串联后，与所述电储能设备并联连接。6.根据权利要求5所述的车辆混合储能装置的功率调控方法，其特征在于，所述模型预测控制算法中的模型表示为状态空间方程，所述状态空间方程为：x
k+1
＝ax
k
+(b
u
+k
c
c2)u
k
+b
d
d
k
+k
c
c1，其中，a为状态系数矩阵，b
u
为输入系数矩阵，b
d
为扰动系数矩阵，c1、c2为补偿因子，x
k
为k时刻的状态变量，u
k
为k时刻输入数据，d
k
为k时刻扰动，k
c
为补偿权重，x
k+1
为k+1时刻的状态变量。7.根据权利要求1所述的车辆混合储能装置的功率调控方法，其特征在于，所述根据所述车辆在当前时刻给定的燃料电池的电流变化量，预测所述混合储能装置的误差补偿值之前，还包括：根据所述燃料电池和所述电储能设备预设的约束条件及所述混合储能装置的
运行需求，构建所述混合储能装置的成本函数，得到所述模型预测控制算法中的模型。8.一种车辆混合储能装置的功率调控系统，其特征在于，混合动力车辆的混合储能装置包括燃料电池和电储能设备，所述电储能设备包括锂离子电池、超级电容器、锂离子电容器中的一种或多种，所述系统包括：误差补偿获取模块，用于根据所述车辆在当前时刻给定的燃料电池的电流变化量，预测所述混合储能装置的误差补偿值；权重获取模块，用于获取所述车辆在当前时刻电储能设备的荷电状态及负载电流，得到所述混合储能装置的自适应权重值；调控模块，用于将预设参考值及当前时刻的误差补偿值、自适应权重值输入至模型预测控制算法中的模型，给定所述车辆在下一时刻燃料电池的电流变化量，调控所述混合储能装置在下一时刻的功率分配；其中，所述预设参考值为电储能设备的预设荷电状态以及燃料电池的预设电流值。9.一种车辆混合储能装置的功率调控设备，其特征在于：包括处理器，所述处理器与存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时，实现权利要求1至7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于：包括程序，当所述程序在计算机上运行时，执行如权利要求1至7中任一项所述的方法。

技术总结
本发明提供一种车辆混合储能装置的功率调控方法、系统、设备及介质。所述方法包括：根据车辆在当前时刻给定的燃料电池的电流变化量，预测混合储能装置的误差补偿值；获取车辆在当前时刻电储能设备的荷电状态及负载电流，得到混合储能装置的自适应权重值；将预设参考值及误差补偿值、自适应权重值输入至模型预测控制算法中的模型，给定车辆在下一时刻燃料电池的电流变化量，调控混合储能装置在下一时刻的功率分配；其中，预设参考值为电储能设备的预设荷电状态以及燃料电池的预设电流值。本发明能够实现有效的功率分配，从而极大地提升了燃料电池的使用期限。燃料电池的使用期限。燃料电池的使用期限。


技术研发人员：杨恒昭 李秋雨
受保护的技术使用者：上海科技大学
技术研发日：2023.05.19
技术公布日：2023/7/5