基于鸽群优化算法的氢燃料电池汽车能量管理方法及系统与流程

1.本发明涉及氢燃料电池汽车技术领域，具体是涉及一种基于鸽群优化算法的氢燃料电池汽车能量管理方法、系统、设备及存储介质。


背景技术：

2.虽然氢燃料电池具有持续的发电能力，但其动态响应较慢的缺点也较为突出，当工况变化较大时难以快速适应负载的急剧变化。因此在车载动力源应用领域，通常增加诸如动力电池等必要的储能设备来作为辅助动力源，以解决氢燃料电池在负载需求功率波动时响应较慢的问题，同时动力电池能够有效地回收车辆在制动过程中所产生的回馈制动能量。
3.由于大部分氢燃料电池汽车都具有辅助动力源，为了获取更好的车辆性能和更高的车辆经济性、并且能够延长车辆动力系统的使用寿命，如何制定合理的能量管理策略以更好地分配动力源的能量输出就显得尤为重要。


技术实现要素：

4.本发明提供一种基于鸽群优化算法的氢燃料电池汽车能量管理方法、系统、设备及存储介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
5.第一方面，提供一种基于鸽群优化算法的氢燃料电池汽车能量管理方法，所述方法包括：
6.步骤100、构建氢燃料电池汽车的整车等效氢耗量模型；
7.步骤200、构建模糊控制器，其以整车需求功率和动力电池的soc为输入，以氢燃料电池的输出功率为输出；
8.步骤300、根据所述整车等效氢耗量模型确定适应度函数，利用鸽群优化算法对所述模糊控制器内部设置的隶属度函数进行优化，以获取最优模糊控制器；
9.步骤400、将当前整车需求功率和所述动力电池的当前soc输入至所述最优模糊控制器，得到当前时间下所述氢燃料电池所需的输出功率；
10.步骤500、控制所述氢燃料电池按照所述输出功率运行。
11.进一步地，所述整车等效氢耗量模型为：
12.m
whole
＝m
fc
+m
bat
；
13.[0014][0015]
其中，m
whole
为整车等效氢耗量，m
fc
为氢燃料电池的氢耗量，m
bat
为动力电池的等效氢耗量，为氢气的低热值，p
fc
为氢燃料电池的输出功率，η
fc
为氢燃料电池的效率，p
bat
为动力电池的输出功率，η
chg
为动力电池的平均充电效率，η
dis
为动力电池的平均放电效率。
[0016]
进一步地，所述整车需求功率的计算公式为：
[0017][0018]
所述动力电池的soc的计算公式为：
[0019][0020]
其中，pm为整车需求功率，η为传动效率，m为车辆质量，g为重力加速度，f为滚动摩擦系数，α为坡道角度，δ为旋转质量系数，v为车辆速度，cd为空气阻力系数，a为迎风面积，soc(t+1)为在t+1时刻下的电池荷电状态，i为电池充放电电流，q为电池容量。
[0021]
进一步地，所述模糊控制器的构建过程包括：
[0022]
将所述整车需求功率、所述动力电池的soc和所述氢燃料电池的输出功率定义为三个变量参数；
[0023]
对所述三个变量参数所对应的三个物理论域进行转化，得到三个模糊论域；
[0024]
根据所述三个模糊论域，构建所述三个变量参数所对应的三个模糊集及其关联的三个隶属度函数，其中每个模糊集包含有六个模糊子集；
[0025]
对所述三个模糊集所包含的所有模糊子集进行经验推理，构建模糊规则表。
[0026]
进一步地，所述三个隶属度函数均为三角形隶属度函数，其中每个隶属度函数均由三个不同变量参数进行调节。
[0027]
进一步地，所述步骤300包括：
[0028]
根据所述三个隶属度函数所关联的九个不同变量参数，确定鸽群优化算法需要执行优化的目标变量；
[0029]
在既定取值范围内对所述目标变量进行随机初始化，得到不同的若干个初始目标变量值；
[0030]
获取所述氢燃料电池汽车在一段历史时间下的运行工况数据集，其包括所述模糊控制器的输入变量和所述适应度函数涉及到的相关参数值；
[0031]
结合所述运行工况数据集和所述适应度函数，利用鸽群优化算法对所述若干个初始目标变量值进行迭代更新与寻优，以得到最优目标变量值；
[0032]
根据所述最优目标变量值对所述三个隶属度函数进行更新，以获取最优模糊控制器。
[0033]
进一步地，更新后的三个隶属度函数包括所述整车需求功率的隶属度函数、所述动力电池的soc的隶属度函数和所述氢燃料电池的输出功率的隶属度函数；所述步骤400包括：
[0034]
根据所述整车需求功率的隶属度函数，确定当前整车需求功率所属的模糊子集并记为第一模糊子集；
[0035]
根据所述动力电池的soc的隶属度函数，确定所述动力电池的当前soc所属的模糊子集并记为第二模糊子集；
[0036]
将所述第一模糊子集和所述第二模糊子集在所述模糊规则表中进行匹配，得到与所述氢燃料电池的输出功率相关的一个模糊子集；
[0037]
根据所述氢燃料电池的输出功率的隶属度函数，利用重心法对匹配到的模糊子集进行解模糊处理，得到当前时间下所述氢燃料电池所需的输出功率。
[0038]
第二方面，提供一种基于鸽群优化算法的氢燃料电池汽车能量管理系统，所述系统包括：
[0039]
第一构建模块，用于构建氢燃料电池汽车的整车等效氢耗量模型；
[0040]
第二构建模块，用于构建模糊控制器，其以整车需求功率和动力电池的soc为输入，以氢燃料电池的输出功率为输出；
[0041]
优化模块，用于根据所述整车等效氢耗量模型确定适应度函数，利用鸽群优化算法对所述模糊控制器内部设置的隶属度函数进行优化，以获取最优模糊控制器；
[0042]
运行模块，用于将当前整车需求功率和所述动力电池的当前soc输入至所述最优模糊控制器，得到当前时间下所述氢燃料电池所需的输出功率；
[0043]
控制模块，用于控制所述氢燃料电池按照所述输出功率运行。
[0044]
第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序以实现如第一方面所述的基于鸽群优化算法的氢燃料电池汽车能量管理方法。
[0045]
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于鸽群优化算法的氢燃料电池汽车能量管理方法。
[0046]
本发明至少具有以下有益效果：通过采用模糊控制器来辅助制定氢燃料电池汽车的能量管理策略，可以适用于不同车辆行驶工况，具有较好的动态适应性和鲁棒性；通过采用鸽群优化算法来对模糊控制器内部所设置的所有隶属度函数执行优化操作，可以降低制定能量管理策略时的主观性，本发明引入整车等效氢耗量来构建鸽群优化算法的适应度函数，使得制定出来的能量管理策略在投入应用时可以提高车辆经济性。
附图说明
[0047]
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
[0048]
图1是本发明实施例中的一种基于鸽群优化算法的氢燃料电池汽车能量管理方法
的流程示意图；
[0049]
图2是本发明实施例中的整车需求功率的隶属度函数示意图；
[0050]
图3是本发明实施例中的动力电池的soc的隶属度函数示意图；
[0051]
图4是本发明实施例中的氢燃料电池的输出功率的隶属度函数示意图；
[0052]
图5是本发明实施例中的一种基于鸽群优化算法的氢燃料电池汽车能量管理系统的组成示意图；
[0053]
图6是本公开实施例中的计算机设备的硬件结构示意图。
具体实施方式
[0054]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0055]
需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如包含了一系列步骤或单元的过程、方法、系统、产品或装置不必限定于清楚列出的那些步骤或单元，而是可以包含没有清楚列出的对于这些过程、方法、产品或装置固有的其他步骤或单元。
[0056]
首先，对本发明中涉及的部分名词进行解释如下：
[0057]
模糊控制器，其不依赖于工业对象模型，仅是利用语言变量而并非数值变量来描述系统特征，并根据系统的动态信息以及由专家经验所制定的模糊规则来进行推理以获得合适的控制量，具有很强的鲁棒性，在诸多的复杂系统控制领域得到广泛的应用。
[0058]
鸽群优化算法，通过使用地图和指南针算子以及地标算子这两个导航单元来模拟鸽群的归巢机制，具体表现为：在地图和指南针算子中，鸽群将根据所处地的磁场与太阳的高度作为自身位置的判定依据，并同时更新自身的速度；在地标算子中，鸽群将通过附近的地标来判断自身的位置，如果鸽子对于附近的地标较为熟悉，则鸽子会直接飞向目的地，反之则会追随其他对于附近地标更熟悉的鸽子。
[0059]
请参考图1，图1是本发明实施例提供的一种基于鸽群优化算法的氢燃料电池汽车能量管理方法的流程示意图，所述氢燃料电池汽车是通过内部设置的氢燃料电池和动力电池进行配合供电运行的，所述方法包括如下步骤：
[0060]
s110、构建氢燃料电池汽车的整车等效氢耗量模型；
[0061]
s120、构建模糊控制器，其以整车需求功率和动力电池的soc为输入，以氢燃料电池的输出功率为输出；
[0062]
s130、根据所述整车等效氢耗量模型确定适应度函数，利用鸽群优化算法对所述模糊控制器内部设置的隶属度函数进行优化，以获取最优模糊控制器；
[0063]
s140、将当前整车需求功率和所述动力电池的当前soc输入至所述最优模糊控制
器，得到当前时间下所述氢燃料电池所需的输出功率；
[0064]
s150、控制所述氢燃料电池按照所述输出功率运行。
[0065]
在本发明实施例中，所述步骤s110的具体实施过程包括如下：
[0066]
步骤s111、构建所述氢燃料电池的等效氢耗量模型(以下简述为第一等效氢耗量模型)为：
[0067][0068]
步骤s112、构建所述动力电池的等效氢耗量模型(以下简述为第二等效氢耗量模型)为：
[0069][0070]
步骤s113、根据所述第一等效氢耗量模型和所述第二等效氢耗量模型，构建所述氢燃料电池汽车的整车等效氢耗量模型为：
[0071]mwhole
＝m
fc
+m
bat
；
[0072]
在以上各式中，m
fc
为所述氢燃料电池的氢耗量，为氢气的低热值，η
fc
为所述氢燃料电池的效率，p
fc
为所述氢燃料电池的输出功率，m
bat
为所述动力电池的等效氢耗量，p
bat
为所述动力电池的输出功率，η
dis
为所述动力电池的平均放电效率，η
chg
为所述动力电池的平均充电效率，m
whole
为整车等效氢耗量。
[0073]
在本发明实施例中，所述模糊控制器主要涉及到输入变量、输出变量、隶属度函数和模糊规则表，所述步骤s120的具体实施过程包括如下：
[0074]
步骤s121、将所述动力电池的soc(state of charge，荷电状态)以及所述氢燃料电池汽车的整车需求功率作为所述模糊控制器的两个输入变量，将所述氢燃料电池的输出功率作为所述模糊控制器的单个输出变量；其中，
[0075]
所述整车需求功率涉及到所述氢燃料电池汽车在行驶过程中所受到的各个阻力，其相应的计算公式为：
[0076][0077]
所述动力电池的soc主要采用安时积分法进行计算，相应的计算公式为：
[0078][0079]
在以上各式中，pm为整车需求功率，m为车辆质量，η为传动效率，α为坡道角度，f为滚动摩擦系数，g为重力加速度，δ为旋转质量系数，cd为空气阻力系数，v为车辆速度，a为迎
风面积，soc(t+1)为所述动力电池在t+1时刻下的荷电状态值，soc(t)为所述动力电池在t时刻下的荷电状态值，q为所述动力电池的容量，i为所述动力电池的充放电电流。
[0080]
步骤s122、确定所述两个输入变量以及所述单个输出变量的模糊论域，具体表现如下：
[0081]
(1)基于所述整车需求功率的物理论域为[0,p
m,max
]及其关联的量化因子为k1＝1/p
m,max
，通过现有的论域转化方式确定所述整车需求功率的模糊论域为[0,1]，其中p
m,max
为最大整车需求功率；
[0082]
(2)基于所述动力电池的soc的物理论域为[0,1]及其关联的量化因子为k2＝1，通过现有的论域转化方式确定所述动力电池的soc的模糊论域为[0,1]；
[0083]
(3)基于所述氢燃料电池的输出功率的物理论域为[0,p
fc,max
]及其关联的比例因子为w＝1/p
fc,max
，通过现有的论域转化方式确定所述氢燃料电池的输出功率的模糊论域为[0,1]，其中p
fc,max
为所述氢燃料电池的最大输出功率。
[0084]
步骤s123、构建出所述两个输入变量以及所述单个输出变量的模糊集，具体表现如下：
[0085]
(1)构建所述整车需求功率的模糊集为{zo，ps，s，m，b，pb}，其中zo指代零型的模糊子集、ps指代很小型的模糊子集、s指代小型的模糊子集、m指代适中型的模糊子集、b指代大型的模糊子集、pb指代很大型的模糊子集；
[0086]
(2)构建所述动力电池的soc的模糊集为{pl，l，sl，m，sh，h}，其中pl指代很低型的模糊子集、l指代低型的模糊子集、sl指代略低型的模糊子集、m指代适中型的模糊子集、sh指代略高型的模糊子集、h指代高型的模糊子集；
[0087]
(3)构建所述氢燃料电池的输出功率的模糊集为{off，ps，s，m，b，pb}，其中off指代关闭型的模糊子集、ps指代很小型的模糊子集、s指代小型的模糊子集、m指代适中型的模糊子集、b指代大型的模糊子集、pb指代很大型的模糊子集。
[0088]
步骤s124、针对上述步骤s123所构建出来的三个模糊集进行经验推理，进而建立所述模糊控制器内部所依赖的模糊规则表，具体参见表1所示。
[0089]
表1模糊规则表
[0090][0091]
步骤s125、根据上述步骤s122所确定的三个模糊论域以及上述步骤s123所构建出
来的三个模糊集，构建出所述两个输入变量以及所述单个输出变量的隶属度函数，具体表现如下：
[0092]
(1)根据所述整车需求功率的模糊论域和模糊集，构建出所述整车需求功率的隶属度函数(以下简述为第一隶属度函数)为：
[0093]
zo：[-0.2,0.5-v
1-v
2-v3,0.5-v
1-v2]；
[0094]
ps：[0.5-v
1-v
2-v3,0.5-v
1-v2,0.5-v1]；
[0095]
s：[0.5-v
1-v2,0.5-v1,0.5+v1]；
[0096]
m：[0.5-v1,0.5+v1,0.5+v1+v2]；
[0097]
b：[0.5+v1,0.5+v1+v2,0.5+v1+v2+v3]；
[0098]
pb：[0.5+v1+v2,0.5+v1+v2+v3,1.2]；
[0099]
(2)根据所述动力电池的soc的模糊论域和模糊集，构建出所述动力电池的soc的隶属度函数(以下简述为第二隶属度函数)为：
[0100]
pl：[-0.2,0.5-v
4-v
5-v6,0.5-v
4-v5]；
[0101]
l：[0.5-v
4-v
5-v6,0.5-v
4-v5,0.5-v4]；
[0102]
sl：[0.5-v
4-v5,0.5-v4,0.5+v4]；
[0103]
m：[0.5-v4,0.5+v4,0.5+v4+v5]；
[0104]
sh：[0.5+v4,0.5+v4+v5,0.5+v4+v5+v6]；
[0105]
h：[0.5+v4+v5,0.5+v4+v5+v6,1.2]；
[0106]
(3)根据所述氢燃料电池的输出功率的模糊论域和模糊集，构建出所述氢燃料电池的输出功率的隶属度函数(以下简述为第三隶属度函数)为：
[0107]
off：[-0.2,0.5-v
7-v
8-v9,0.5-v
7-v8]；
[0108]
ps：[0.5-v
7-v
8-v9,0.5-v
7-v8,0.5-v7]；
[0109]
s：[0.5-v
7-v8,0.5-v7,0.5+v7]；
[0110]
m：[0.5-v7,0.5+v7,0.5+v7+v8]；
[0111]
b：[0.5+v7,0.5+v7+v8,0.5+v7+v8+v9]；
[0112]
pb：[0.5+v7+v8,0.5+v7+v8+v9,1.2]；
[0113]
其中，所述第一隶属度函数(可参见图2所示)、所述第二隶属度函数(可参见图3所示)和所述第三隶属度函数(可参见图4所示)均为三角形隶属度函数，并且所述第一隶属度函数受到v1、v2、v3这三个变量参数的影响，所述第二隶属度函数受到v4、v5、v6这三个变量参数的影响，所述第三隶属度函数受到v7、v8、v9这三个变量参数的影响。
[0114]
在本发明实施例中，所述步骤s130的具体实施过程包括如下：
[0115]
步骤s131、设定鸽群优化算法所涉及到的基本参数，包括种群数量n、搜索空间维度d、地图和指南针算子的最大迭代次数n
1,max
、指南针因子r和地标算子的最大迭代次数n
2,max
；
[0116]
步骤s132、根据上述步骤s125所构建出来的三个隶属度函数，设置鸽群优化算法所要执行优化的目标变量为x＝[v1,v2,v3,v4,v5,v6,v7,v8,v9]；
[0117]
步骤s133、根据所述整车等效氢耗量模型，确定鸽群优化算法所依赖的适应度函数为：
[0118]
f(x)＝m
whole
(x)；
[0119]
其中，m
whole
(x)为整车等效氢耗量，m
whole
(x)》0，并且在迭代过程中求解所述适应度函数f(x)的最小值；
[0120]
步骤s134、设定所述目标变量x中所包含的各个不同变量参数的取值范围均为[0,0.5]，在此基础上对所述目标变量x进行随机初始化处理，以生成与所述种群数量n相当的若干个初始目标变量值，并且每一个初始目标变量值可以指代鸽群中的单只鸽子的初始位置，同时生成与所述若干个初始目标变量值相对应的若干个初始位置变化率，并且每一个初始位置变化率可以指代其所对应的初始目标变量值所指代的鸽子的初始速度；需要说明的是，鸽群中的每只鸽子的初始位置和初始速度均是互不相同的；
[0121]
步骤s135、获取所述氢燃料电池汽车在一段历史时间下处于稳定运行状态时的运行工况数据集，其主要提供在计算所述适应度函数(实际为所述整车等效氢耗量模型)以及所述模糊控制器的两个输入变量时所涉及到的相关参数值；
[0122]
步骤s136、根据所述适应度函数和所述运行工况数据集，利用地图和指南针算子在d维搜索空间内对鸽群中的每只鸽子的位置和速度进行迭代更新，直至达到所述最大迭代次数n
1,max
；
[0123]
步骤s137、根据所述适应度函数和所述运行工况数据集，利用地标算子在d维搜索空间内继续对当前鸽群中的每只鸽子的位置进行迭代更新，直至达到所述最大迭代次数n
2,max
之后，可以得到一个最优鸽子位置，将其定义为最优目标变量值并记为xb＝[v
1b
,v
2b
,v
3b
,v
4b
,v
5b
,v
6b
,v
7b
,v
8b
,v
9b
]；
[0124]
步骤s138、将v1＝v
1b
、v2＝v
2b
、v3＝v
3b
代入所述第一隶属度函数中，将v4＝v
4b
、v5＝v
5b
、v6＝v
6b
代入所述第二隶属度函数中，以及将v7＝v
7b
、v8＝v
8b
、v9＝v
9b
代入所述第三隶属度函数中，进而将所述模糊控制器更新为最优模糊控制器。
[0125]
更为具体的，在鸽群优化算法开始投入应用时所述鸽群中原本包含有n只鸽子，上述步骤s136中所提及到的所述地图和指南针算子在执行每一次迭代时均会对n只鸽子中的每一只鸽子的位置和速度进行更新，相关的计算公式如下：
[0126][0127]
其中，vi(t)为在第t次迭代之后鸽群中的第i只鸽子的速度，vi(t-1)为在第t-1次迭代之后鸽群中的第i只鸽子的速度，e为自然对数，rand为在区间(0,1)内的随机数，x
best
为在第t-1次迭代之后的全局最优鸽子位置，xi(t-1)为在第t-1次迭代之后鸽群中的第i只鸽子的位置，xi(t)为在第t次迭代之后鸽群中的第i只鸽子的位置。
[0128]
需要说明的是，关于x
best
的确定方式为：根据所述适应度函数和所述运行工况数据集，计算在第t-1次迭代之后鸽群中的每只鸽子的当前适应度值，再将其中当前适应度值最小的单只鸽子的位置作为全局最优鸽子位置x
best
输出。
[0129]
更为具体的，在完成所述地图和指南针算子的迭代运算之后所述鸽群中仍然还包含有n只鸽子，上述步骤s137中所提及到的所述地标算子在执行每一次迭代时均会对当前鸽群中的每一只鸽子的位置进行更新，并且在执行每一次迭代之后均会舍弃掉当前鸽群中的一半数量的鸽子，被舍弃掉的鸽子相对远离目的地且不具有分辨地标的能力，即被舍弃掉的鸽子的当前适应度值相对较高，相关的计算公式如下：
[0130][0131]
其中，n
t
为在第t次迭代之后当前鸽群中的鸽子数量，n
t-1
为在第t-1次迭代之后当前鸽群中的鸽子数量，x
center
(t-1)为在第t-1次迭代之后当前鸽群的中心位置(即目的地)，xi(t-1)为在第t-1次迭代之后当前鸽群中的第i只鸽子的位置，f[xi(t-1)]为在第t-1次迭代之后当前鸽群中的第i只鸽子的当前适应度值，其可通过所述适应度函数和所述运行工况数据集来进行计算获取。
[0132]
在本发明实施例中，所述步骤s140的具体实施过程包括如下：
[0133]
步骤s141、获取所述氢燃料电池汽车在当前时间下的部分运行工况数据集，其主要提供在计算所述模糊控制器的两个输入变量时所涉及到的相关参数值；
[0134]
步骤s142、根据所述部分运行工况数据集，计算出当前整车需求功率以及所述动力电池的当前soc；
[0135]
步骤s143、将所述当前整车需求功率通过上述步骤s138所更新得到的第一隶属度函数进行映射，以获取相应的模糊子集并将其记为第一模糊子集；
[0136]
步骤s144、将所述动力电池的当前soc通过上述步骤s138所更新得到的第二隶属度函数进行映射，以获取相应的模糊子集并将其记为第二模糊子集；
[0137]
步骤s145、根据上述步骤s124中所建立的所述模糊规则表(可参见表1所示)，对所述第一模糊子集和所述第二模糊子集进行匹配操作，以获取与所述氢燃料电池的输出功率存在关联的一个模糊子集并将其记为第三模糊子集；
[0138]
步骤s146、结合上述步骤s138所更新得到的第三隶属度函数，再利用重心法对所述第三模糊子集进行解模糊处理，以得到所述氢燃料电池在当前时间下所需的输出功率。
[0139]
更为具体的，上述步骤s146所提及到的所述重心法在本发明中的实施方式包括如下：
[0140]
首先，将所述第三模糊子集所关联的隶属度函数与横轴所围面积的重心所对应的横坐标值作为精确化结果，相应的计算公式为：
[0141][0142]
其中，f(x1)为所述第三模糊子集所关联的隶属度函数，u为隶属度函数f(x1)所对应的模糊论域，x1为模糊论域u中的任一横坐标值，u为重心所对应的横坐标值；需要说明的
是，更新后的第三隶属度函数实际还是由六个三角形隶属度函数所构成的，每个模糊子集对应着一个三角形隶属度函数(可参见图4所示)，即所述第三模糊子集所关联的隶属度函数f(x1)实际为其中的一个三角形隶属度函数，模糊论域u实际为该三角形隶属度函数的横坐标取值范围；
[0143]
其次，将该精确化结果u从其所在的模糊论域u转化到物理论域来进行表示(可以通过上述步骤s122所提及到的比例因子w来实现转化操作)，即可得到最终所需的输出功率。
[0144]
在本发明实施例中，通过采用模糊控制器来辅助制定氢燃料电池汽车的能量管理策略，可以适用于不同车辆行驶工况，具有较好的动态适应性和鲁棒性；通过采用鸽群优化算法来对模糊控制器内部所设置的所有隶属度函数执行优化操作，可以降低制定能量管理策略时的主观性，本发明引入整车等效氢耗量来构建鸽群优化算法的适应度函数，使得制定出来的能量管理策略在投入应用时可以提高车辆经济性。
[0145]
请参考图5，图5是本发明实施例提供的一种基于鸽群优化算法的氢燃料电池汽车能量管理系统的组成示意图，所述氢燃料电池汽车是通过内部设置的氢燃料电池和动力电池进行配合供电运行的，所述系统包括：
[0146]
第一构建模块210，用于构建氢燃料电池汽车的整车等效氢耗量模型；
[0147]
第二构建模块220，用于将动力电池的soc以及整车需求功率作为两个输入变量，将氢燃料电池的输出功率作为一个输出变量，构建出模糊控制器；
[0148]
优化模块230，用于根据所述整车等效氢耗量模型来构建出适应度函数，再利用鸽群优化算法对所述模糊控制器内部设置的所有隶属度函数进行优化处理，进而获取到最优模糊控制器；
[0149]
运行模块240，用于利用所述最优模糊控制器对输入的所述动力电池的当前soc以及当前整车需求功率进行模糊推理运算之后，输出当前时间下所述氢燃料电池所需的输出功率；
[0150]
控制模块250，用于控制所述氢燃料电池以所述输出功率继续运行。
[0151]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所实现的功能与上述方法实施例相同，并且所达到的有益效果与上述方法实施例相同，在此不再赘述。
[0152]
此外，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中的基于鸽群优化算法的氢燃料电池汽车能量管理方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、cd-rom、和磁光盘)、rom(read-only memory，只读存储器)、ram(random access memory，随即存储器)、eprom(erasable programmable read-only memory，可擦写可编程只读存储器)、eeprom(electrically erasable programmableread-only memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是说，存储设备包括由设备(例如计算机、手机等)以可读的形式存储或传输信息的任何介质，可以是只读存储器、磁盘或光盘等。
[0153]
此外，图6是本发明实施例提供的计算机设备的硬件结构示意图，所述计算机设备包括处理器320、存储器330、输入单元340和显示单元350等器件。本领域技术人员可以理解，图6示出的设备结构器件并不构成对所有设备的限定，可以包括比图示更多或更少的部
件，或者组合某些部件。存储器330可用于存储计算机程序310以及各功能模块，处理器320运行存储在存储器330的计算机程序310，从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储器。内存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦写可编程rom(eeprom)、快闪存储器或者随机存储器。外存储器可以包括硬盘、软盘、zip盘、u盘、磁带等。本发明实施例所公开的存储器330包括但不限于上述这些类型的存储器。本发明实施例所公开的存储器330只作为例子而非作为限定。
[0154]
输入单元340用于接收信号的输入，以及接收用户输入的关键字。输入单元340包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户利用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、鼠标等中的一种或多种。显示单元350可用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元350可采用液晶显示器、有机发光二极管等形式。处理器320是终端设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。
[0155]
作为一个实施例，所述计算机设备包括处理器320、存储器330和计算机程序310，其中所述计算机程序310被存储在所述存储器330中并被配置为由所述处理器320所执行，所述计算机程序310被配置用于执行上述实施例中的基于鸽群优化算法的氢燃料电池汽车能量管理方法。
[0156]
尽管本技术的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本技术的预定范围。此外，上文以发明人可预见的实施例对本技术进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本技术的非实质性改动仍可代表本技术的等效改动。

技术特征：
1.一种基于鸽群优化算法的氢燃料电池汽车能量管理方法，其特征在于，所述方法包括：步骤100、构建氢燃料电池汽车的整车等效氢耗量模型；步骤200、构建模糊控制器，其以整车需求功率和动力电池的soc为输入，以氢燃料电池的输出功率为输出；步骤300、根据所述整车等效氢耗量模型确定适应度函数，利用鸽群优化算法对所述模糊控制器内部设置的隶属度函数进行优化，以获取最优模糊控制器；步骤400、将当前整车需求功率和所述动力电池的当前soc输入至所述最优模糊控制器，得到当前时间下所述氢燃料电池所需的输出功率；步骤500、控制所述氢燃料电池按照所述输出功率运行。2.根据权利要求1所述的基于鸽群优化算法的氢燃料电池汽车能量管理方法，其特征在于，所述整车等效氢耗量模型为：m
whole
＝m
fc
+m
bat
；；其中，m
whole
为整车等效氢耗量，m
fc
为氢燃料电池的氢耗量，m
bat
为动力电池的等效氢耗量，lhv
h2
为氢气的低热值，p
fc
为氢燃料电池的输出功率，η
fc
为氢燃料电池的效率，p
bat
为动力电池的输出功率，η
chg
为动力电池的平均充电效率，η
dis
为动力电池的平均放电效率。3.根据权利要求1所述的基于鸽群优化算法的氢燃料电池汽车能量管理方法，其特征在于，所述整车需求功率的计算公式为：所述动力电池的soc的计算公式为：其中，p
m
为整车需求功率，η为传动效率，m为车辆质量，g为重力加速度，f为滚动摩擦系数，α为坡道角度，δ为旋转质量系数，v为车辆速度，c
d
为空气阻力系数，a为迎风面积，soc(t+1)为在t+1时刻下的电池荷电状态，i为电池充放电电流，q为电池容量。4.根据权利要求1所述的基于鸽群优化算法的氢燃料电池汽车能量管理方法，其特征在于，所述模糊控制器的构建过程包括：
将所述整车需求功率、所述动力电池的soc和所述氢燃料电池的输出功率定义为三个变量参数；对所述三个变量参数所对应的三个物理论域进行转化，得到三个模糊论域；根据所述三个模糊论域，构建所述三个变量参数所对应的三个模糊集及其关联的三个隶属度函数，其中每个模糊集包含有六个模糊子集；对所述三个模糊集所包含的所有模糊子集进行经验推理，构建模糊规则表。5.根据权利要求4所述的基于鸽群优化算法的氢燃料电池汽车能量管理方法，其特征在于，所述三个隶属度函数均为三角形隶属度函数，其中每个隶属度函数均由三个不同变量参数进行调节。6.根据权利要求5所述的基于鸽群优化算法的氢燃料电池汽车能量管理方法，其特征在于，所述步骤300包括：根据所述三个隶属度函数所关联的九个不同变量参数，确定鸽群优化算法需要执行优化的目标变量；在既定取值范围内对所述目标变量进行随机初始化，得到不同的若干个初始目标变量值；获取所述氢燃料电池汽车在一段历史时间下的运行工况数据集，其包括所述模糊控制器的输入变量和所述适应度函数涉及到的相关参数值；结合所述运行工况数据集和所述适应度函数，利用鸽群优化算法对所述若干个初始目标变量值进行迭代更新与寻优，以得到最优目标变量值；根据所述最优目标变量值对所述三个隶属度函数进行更新，以获取最优模糊控制器。7.根据权利要求6所述的基于鸽群优化算法的氢燃料电池汽车能量管理方法，其特征在于，更新后的三个隶属度函数包括所述整车需求功率的隶属度函数、所述动力电池的soc的隶属度函数和所述氢燃料电池的输出功率的隶属度函数；所述步骤400包括：根据所述整车需求功率的隶属度函数，确定当前整车需求功率所属的模糊子集并记为第一模糊子集；根据所述动力电池的soc的隶属度函数，确定所述动力电池的当前soc所属的模糊子集并记为第二模糊子集；将所述第一模糊子集和所述第二模糊子集在所述模糊规则表中进行匹配，得到与所述氢燃料电池的输出功率相关的一个模糊子集；根据所述氢燃料电池的输出功率的隶属度函数，利用重心法对匹配到的模糊子集进行解模糊处理，得到当前时间下所述氢燃料电池所需的输出功率。8.一种基于鸽群优化算法的氢燃料电池汽车能量管理系统，其特征在于，所述系统包括：第一构建模块，用于构建氢燃料电池汽车的整车等效氢耗量模型；第二构建模块，用于构建模糊控制器，其以整车需求功率和动力电池的soc为输入，以氢燃料电池的输出功率为输出；优化模块，用于根据所述整车等效氢耗量模型确定适应度函数，利用鸽群优化算法对所述模糊控制器内部设置的隶属度函数进行优化，以获取最优模糊控制器；运行模块，用于将当前整车需求功率和所述动力电池的当前soc输入至所述最优模糊
控制器，得到当前时间下所述氢燃料电池所需的输出功率；控制模块，用于控制所述氢燃料电池按照所述输出功率运行。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1至7任一项所述的基于鸽群优化算法的氢燃料电池汽车能量管理方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于鸽群优化算法的氢燃料电池汽车能量管理方法。

技术总结
本发明公开了一种基于鸽群优化算法的氢燃料电池汽车能量管理方法、系统、设备及存储介质，其中所述方法包括：构建氢燃料电池汽车的整车等效氢耗量模型；构建模糊控制器，其以整车需求功率和动力电池的SOC为输入，以氢燃料电池的输出功率为输出；根据所述整车等效氢耗量模型确定适应度函数，利用鸽群优化算法对所述模糊控制器内部设置的隶属度函数进行优化，以获取最优模糊控制器；将当前整车需求功率和所述动力电池的当前SOC输入至所述最优模糊控制器，得到当前时间下所述氢燃料电池所需的输出功率；控制所述氢燃料电池按照所述输出功率运行。本发明引入模糊控制器和鸽群优化算法可以制定较为合理的车辆能量管理策略，具有良好的实用性。良好的实用性。良好的实用性。


技术研发人员：肖纯 周炳寅 陈静 易子淳 刘岩 万昱 杨牧
受保护的技术使用者：佛山仙湖实验室
技术研发日：2023.03.16
技术公布日：2023/6/27