[发明专利]一种基于近似模型的燃料电池汽车模糊控制策略优化方法

说明书

本发明公开了一种基于近似模型的燃料电池汽车模糊控制策略优化方法，将椭球基神经网络近似模型的方法引入到燃料电池汽车领域中，进行控制策略优化。建立关于优化变量的椭球基神经网络的整车仿真近似模型，在近似模型基础上，以等效氢耗最小为目标函数，利用多岛遗传算法对模糊控制策略中隶属度函数的相关参数进行优化。优化后的燃料电池系统输出功率更加平稳，处于燃料电池最佳效率区的概率增加，提高了整车的经济性能，对燃料电池汽车的应用发展具有重要意义。

技术领域

本发明涉及燃料电池汽车技术领域，尤其涉及一种基于椭球基神经网络近似模型的燃料电池汽车整车模糊控制策略优化方法。

背景技术

燃料电池是一种将化学能转化为电能的发电装置，在不使用化石燃料的情况下，以氢气为燃料、空气/氧气为氧化剂，能够连续稳定地输出电能，产生水和热。伴随着燃料电池技术的发展，燃料电池汽车也得到了快速发展，燃料电池汽车能够实现零污染、零排放，解决了纯电动汽车续航里程短等问题。

由于燃料电池输出特性偏软，动态响应特性较差，需要在汽车行驶过程中增加辅助能源进行“削峰填谷”，使燃料电池输出功率维持在相对稳定状态，以提高其使用寿命。由于存在多个能量源，整车能量的管理问题显得尤为重要。模糊控制策略作为规则型整车能量控制策略的一种，是燃料电池汽车最常见也最实用的整车控制方式之一。模糊控制器设计过程中，隶属函数与模糊规则的制定主要靠工程与实践经验，具有较大的偶然性和不确定性，造成燃料电池汽车性能难以达到最佳，影响整车经济性，具有较大的优化改进空间。

发明内容

为了解决上述问题，本发明提出了一种基于近似模型的燃料电池汽车整车能量模糊控制策略优化方法。将椭球基神经网络近似模型方法引入到燃料电池汽车整车控制策略优化领域中，对模糊控制策略中隶属函数的相关设计参数进行等效氢耗的敏感度分析，筛选出优化设计变量。通过优化的拉丁超立方设计对筛选的设计变量进行采样，建立了椭球基神经网络整车仿真近似模型。在此模型的基础上，以等效氢耗最小为目标函数，利用多岛遗传算法对模糊控制策略进行了优化。

为达到以上目的，一种基于近似模型的燃料电池汽车整车能量模糊控制策略优化方法，包括以下步骤：

设计燃料电池汽车整车能量模糊控制管理策略：燃料电池汽车Mamdani型模糊控制器采用双输入单输出的结构形式，模糊控制器的两输入变量选取为整车需求功率P_load以及动力电池SOC相对于设定值SOC^*的变化量△SOC，模糊控制器输出变量为燃料电池系统参考输出功率P_f；定义输入输出量的模糊分布，并制定模糊控制规则；

建立关于优化变量的椭球基神经网络整车仿真近似模型：

(1)确定优化设计变量：通过计算参数贡献率，对输入输出量隶属度函数的优化设计变量进行筛选，减少设计变量的个数；首先，采用优化的拉丁超立方方法对设计变量进行采样，完成试验设计；其次，进行敏感性分析，根据样本点及其对应的仿真输出结果y，建立多元二次回归模型，其中，β₀、β_i、β_ij为回归模型的系数；将输入设计变量归一化到[-1，1]，对多元二次回归模型利用最小二乘法拟合，得到模型系数为S_i，将S_i转化为对等效氢耗的贡献率百分比，反映出每个设计变量对响应—等效氢耗的贡献；根据设计变量对等效氢耗的影响结果，确定最终需要优化的模糊控制策略设计变量；

(2)建立基于椭球基神经网络的整车仿真近似模型：

采用优化的拉丁超立方设计方法对筛选的最终需要优化的设计变量进行采样，并利用获得的样本数据对椭球基神经网络进行训练，从而建立关于优化设计变量的整车仿真近似模型；