[发明专利]考虑动态响应能力的基于神经网络的汽车动力控制方法

说明书

本发明涉及一种考虑动态响应能力的基于神经网络的汽车动力控制方法，包括：S1：实时获取汽车的整车工况特征速度、动力系统的需求功率、能量源的功率和蓄电池SOC；S2：根据蓄电池SOC判断燃料电池是否开启，若燃料电池开启则执行步骤S3；S3：将整车工况特征速度、动力系统的需求功率和能量源的功率载入神经网络中，获取能量源的当前最优功率分配参数；S4：根据燃料电池系统的动态响应能力曲线，对能量源的当前最优功率分配参数进行修正；S5：根据修正后的能量源的当前最优功率分配参数，对能量源的输出功率进行分配控制。与现有技术相比，本发明考虑了燃料电池的动态响应能力，而且具有燃油经济性好、结构简单、易于实车实现等优点。

技术领域

本发明涉及燃料电池汽车动力控制领域，尤其是涉及考虑动态响应能力的基于神经网络的汽车动力控制方法。

背景技术

纯燃料电池汽车有以下几个缺点：启动时间长，冷启动性能差；系统的动态响应慢；当输出功率较低和较高时，燃料电池的效率低；不能通过再生制动来回收能量。为了克服这些缺点，燃料电池一般与其他储能设备，如电池和超级电容器结合使用。因此，多能量源之间的能量分配，即能量管理策略是燃料电池汽车设计的重点研究问题之一。燃料电池汽车的性能与其能量管理策略密切相关，最佳的能量管理策略不仅能提高整车的经济性，而且能提高电源系统的使用寿命。

根据控制方法不同，燃料电池汽车的能量管理策略(EMS)主要可以分为两类：基于规则的策略和基于优化算法的策略。基于规则的能量管理策略根据实验结果或研究经验在燃料电池系统和电池之间设计一定的规则以分配需求功率。基于规则的能量管理策略虽然简单，但是经济性较差。

基于优化的EMS通常分为两类：全局优化策略和瞬时优化策略。全局优化策略需要事先知道驾驶工况，因此无法实时应用。瞬时优化策略通过定义随时间更新的瞬时成本函数来解决优化问题。常用的瞬时优化方法如随机动态规划、模型预测控制实现能量管理的前提是驾驶工况预测，而在实际工况中，驾驶员的行为和交通状况往往具有很大的随机性，因此难以保证预测的精度。

公开号为CN102951144B的发明公开了一种基于最小功率损失算法的自调整神经网络能量管理方法，包括以下步骤：1)整车控制器通过CAN总线从汽车动力附件获取能量管理策略计算所需数据，同时采集当前的能量源的实时效率值；2)整车控制器判断是否已接收到完整的数据；3)整车控制器判断是否接收到需更新神经网络的指令，若是，则更新神经网络；4)整车控制器根据接收到的能量管理策略计算所需数据，通过神经网络计算出当前最优功率分配；5)使用功率增益系数对神经网络计算出的最优功率分配进行修正；6)整车控制器通过CAN总线向能量控制器发送功率分配结果。

该方案在神经网络的训练过程中，通过最小功率损失算法获取功率分配结果，对燃料电池和蓄电池的工作性能考虑不够全面，并且经实验得出采用该方案时，燃料电池寿命有所下降。

发明内容

本发明的目的就是为了克服上述现有技术存在难以保证预测的精度，燃料电池寿命有所下降的缺陷而提供一种考虑动态响应能力的基于神经网络的汽车动力控制方法。

本发明的目的可以通过以下技术方案来实现：

一种考虑动态响应能力的基于神经网络的汽车动力控制方法，所述汽车的动力系统的能量源包括燃料电池和蓄电池，所述方法包括以下步骤：

S1：实时获取汽车的能量状态数据，该能量状态数据包括整车工况特征速度、动力系统的需求功率、能量源的功率和蓄电池SOC；

S2：根据步骤S1获取的所述蓄电池SOC判断燃料电池是否开启，若燃料电池开启则执行步骤S3；

S3：将步骤S1获取的所述整车工况特征速度、动力系统的需求功率和能量源的功率载入预先建立并训练好的神经网络中，获取能量源的当前最优功率分配参数；

S4：根据预先获取的燃料电池系统的动态响应能力曲线，对所述能量源的当前最优功率分配参数进行修正；