由于化石燃料所造成的環(huán)境問(wèn)題日益加重,而且能源枯竭問(wèn)題也隨之到來(lái),燃料電池電動(dòng)汽車(chē)成為可再生能源應(yīng)用于汽車(chē)工業(yè)的重要選擇之一。燃料電池汽車(chē)(FCV)是一種用車(chē)載燃料電池裝置產(chǎn)生的電力作為動(dòng)力的汽車(chē)。車(chē)載燃料電池裝置所使用的燃料為高純度氫氣或含氫燃料經(jīng)重整所得到的高含氫重整氣。因此內(nèi)部對(duì)于熱能與電能的管理和優(yōu)化顯得尤為重要。下面介紹了幾種應(yīng)用于燃料電池汽車(chē)的能源管理策略。
本文著重介紹了使用元啟發(fā)式方法來(lái)執(zhí)行混合動(dòng)力燃料電池電動(dòng)汽車(chē)的能源管理策略,并且以氫氣消耗、燃料電池的耐久性和計(jì)算時(shí)間作為關(guān)鍵性能標(biāo)準(zhǔn)。本文所提出的能量管理體系結(jié)構(gòu)(文中Fig2)是一個(gè)基于規(guī)則的綜合啟發(fā)式方法,結(jié)合了基于規(guī)則和優(yōu)化方法的簡(jiǎn)單性和有效性。仿真結(jié)果與蟻群優(yōu)化算法的結(jié)果相比較,其性能接近于最佳性能?;旌蟿?dòng)力燃料電池電動(dòng)汽車(chē)中主要能源的耐久性目前是一個(gè)關(guān)鍵問(wèn)題,可以通過(guò)限制兩層燃料電池的功率變化率來(lái)提供一個(gè)高水平保護(hù),以體現(xiàn)低速動(dòng)態(tài)特性運(yùn)行限制。所提出的方法減少了計(jì)算工作量和時(shí)間,并且限制了優(yōu)化層的搜索空間,從而能夠快速收斂,因此在實(shí)時(shí)應(yīng)用的潛力很大。
Fig 2. Hybrid power source architecture for electric vehicle
本文提出了一種混合動(dòng)力燃料電池/超級(jí)電容電動(dòng)汽車(chē)的雙層能量管理系統(tǒng)(文中Fig 3),并以不同的標(biāo)準(zhǔn)駕駛循環(huán)ECE15、EUDC和HWEFT進(jìn)行在線和離線管理,并將在線結(jié)果與最優(yōu)離線性能進(jìn)行了比較。對(duì)于EUDC和HWEFT駕駛循環(huán)來(lái)說(shuō),基于粒子群優(yōu)化的算法在氫消耗方面達(dá)到了近乎最優(yōu)的結(jié)果,與遺傳算法相比性能稍好一些。相反,在線優(yōu)化策略并沒(méi)有顯示出城市ECE15循環(huán)的結(jié)果,這是由于使用基于規(guī)則的能量管理只支持頻繁的穩(wěn)態(tài)階段的優(yōu)化,這是本研究的局限性。今后的研究工作,計(jì)劃將進(jìn)行不同的輸入數(shù)據(jù)和參數(shù)在優(yōu)化過(guò)程中對(duì)不確定性和誤差影響的研究,從而提出一種更加強(qiáng)大和可靠的解決方案。
Fig 3.Double-layer EMS configuration
混合動(dòng)力電動(dòng)汽車(chē)動(dòng)力系統(tǒng)的設(shè)計(jì)和優(yōu)化可以從包括輔助管理和能量通量控制策略的數(shù)學(xué)模型中得到一些啟發(fā)。并且使用虛擬平臺(tái)避免了昂貴和耗時(shí)的實(shí)驗(yàn)活動(dòng)。在本文這項(xiàng)工作中,為混合動(dòng)力燃料電池汽車(chē)開(kāi)發(fā)了一個(gè)在線能源管理系統(tǒng)(EMS)控制器,旨在對(duì)多種駕駛風(fēng)格類型采用相同的能源管理策略。該控制器使用神經(jīng)網(wǎng)絡(luò)(NN)進(jìn)行設(shè)計(jì),所述的神經(jīng)網(wǎng)絡(luò)在燃料電池系統(tǒng)和電池系統(tǒng)之間以最佳的功率通量分布進(jìn)行訓(xùn)練,從而對(duì)整體等效能量消耗最小化。通過(guò)在八個(gè)不同的駕駛循環(huán)中,對(duì)由氫和鋰離子電池供給的燃料電池汽車(chē)的動(dòng)態(tài)集中參數(shù)數(shù)學(xué)模型,采用基于梯度的方法來(lái)獲得最優(yōu)解。進(jìn)行定量和定性分析,顯示不同類型駕駛循環(huán)中神經(jīng)網(wǎng)絡(luò)的性能(文中Fig 1)。
本文提出使用動(dòng)態(tài)模型和神經(jīng)網(wǎng)絡(luò)來(lái)引入了一個(gè)新的在線EMS控制器來(lái)管理燃料電池汽車(chē)電源的功率通量。才有具有特定動(dòng)力源的車(chē)輛動(dòng)態(tài)模型確保了改進(jìn)的EMS設(shè)計(jì)的可靠性,因?yàn)樗鼈兛紤]了使用靜態(tài)模型不能包括的若干因素(例如,電池充電的最大電流、工作溫度等)。為了減少Simulink模型的優(yōu)化計(jì)算成本,通過(guò)建立八個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)優(yōu)化簡(jiǎn)化模型,并利用輸入進(jìn)行訓(xùn)練。神經(jīng)網(wǎng)絡(luò)的使用提供了一個(gè)實(shí)時(shí)的EMS控制器。該方法的魯棒性是通過(guò)在其余的周期中運(yùn)行每個(gè)神經(jīng)策略來(lái)提供的,并且也提高了預(yù)測(cè)未知周期的可靠性。實(shí)驗(yàn)結(jié)果表明,用NNFET駕駛循環(huán)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有最高的節(jié)能效率,最高可達(dá)2%,而用CADC城市循環(huán)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)達(dá)到的平均誤差最低。
Fig 1.Work methods scheme
本文提出了一種應(yīng)用于混合動(dòng)力汽車(chē)的能量管理算法。其中混合動(dòng)力車(chē)輛由燃料電池作為主要能源和存儲(chǔ)系統(tǒng),由電池和超級(jí)電容器組成二次能源(見(jiàn)文中Fig 1)。主要來(lái)源必須為電動(dòng)車(chē)輛產(chǎn)生必要的能量。二次能源在加速時(shí)產(chǎn)生附加動(dòng)力,在制動(dòng)過(guò)程中吸收多余的動(dòng)力。在基于燃料電池的車(chē)輛中添加超級(jí)電容器和電池具有巨大的潛力,因?yàn)槠淇梢燥@著地減少氫氣消耗并提高車(chē)輛的能源效率。電動(dòng)汽車(chē)由牽引電機(jī)、逆變器和功率調(diào)節(jié)器組成。其中功率調(diào)節(jié)器包括有三個(gè)DC/DC轉(zhuǎn)換器:第一個(gè)轉(zhuǎn)換器連接燃料電池和直流電路。對(duì)于第二和第三轉(zhuǎn)換器,則使用兩個(gè)升壓-降壓器以分別將超級(jí)電容器和電池與直流電路連接(文中Fig 1)。所提出的能量管理算法能夠控制轉(zhuǎn)換器的電流,以準(zhǔn)確地調(diào)節(jié)由電源提供的功率。該算法采用MATLAB/Simulink軟件進(jìn)行仿真,并基于DSpace實(shí)驗(yàn)系統(tǒng)來(lái)實(shí)現(xiàn)。在本文中,所提出的算法通過(guò)新的歐洲駕駛循環(huán)(NEDC)來(lái)進(jìn)行評(píng)估,實(shí)驗(yàn)結(jié)果驗(yàn)證了所提出的能量管理算法的有效性。
本文提出了一種算法來(lái)管理電動(dòng)汽車(chē)應(yīng)用的電力混合電源中不同元件之間的功率流。能源由一個(gè)燃料電池和一個(gè)存儲(chǔ)系統(tǒng)組成,這個(gè)系統(tǒng)包括兩個(gè)元素:電池和超級(jí)電容器。所提出的控制算法的主要優(yōu)點(diǎn)在于它允許在沒(méi)有其他算法通信的情況下管理車(chē)輛中的能量。對(duì)于在新歐洲駕駛循環(huán)(NEDC)所得到的模擬結(jié)果已經(jīng)顯示了本文采用的能源管理策略的效率。實(shí)驗(yàn)結(jié)果證實(shí)了所提出的管理算法對(duì)所研究的拓?fù)涞挠行?。這種算法可以應(yīng)用于其他類型的能源(如太陽(yáng)能系統(tǒng)和風(fēng)力渦輪機(jī))的其他拓?fù)洌ǘ皇歉綦x轉(zhuǎn)換器)。
Fig 1.Electrical vehicle structure
本文提出了一種實(shí)時(shí)優(yōu)化方法,并展示了其在質(zhì)子交換膜燃料電池(PEMFC)系統(tǒng)中的應(yīng)用(文中Fig 1)。使用具有適當(dāng)加權(quán)系數(shù)的兩個(gè)性能指標(biāo)的組合作為優(yōu)化目標(biāo)函數(shù)(凈功率和燃料消耗效率)。在優(yōu)化曲面的平臺(tái)上會(huì)出現(xiàn)很多極值,因此添加加權(quán)系數(shù)可以修改優(yōu)化曲面。本文提出的全局極值搜索算法(GES)作為實(shí)時(shí)優(yōu)化方法,將定位和跟蹤全局最大值點(diǎn),并在此基礎(chǔ)上建立PEMFC系統(tǒng)在給定負(fù)載下計(jì)算最優(yōu)燃料供給速率。在這項(xiàng)研究中,對(duì)四種策略進(jìn)行測(cè)試,包括靜態(tài)前饋(sFF)控制策略作為參考。在不同負(fù)荷水平上尋求最佳操作條件,并估算這四種策略之間的差距。例如,與由sFF策略控制的PEMFC系統(tǒng)相比,PEMFC系統(tǒng)的GES操作可以提高1-2.1%的能量效率,其取決于FC電流水平和用于加權(quán)系數(shù)的值。如果PEMFC系統(tǒng)在可變負(fù)荷下運(yùn)行,與sFF策略相比,基于GES和LF(Load Following)的優(yōu)化策略的燃料消耗效率至少可以增加0.54 W/lpm。
EMU(Energy Management Unit)策略必須適應(yīng)負(fù)載循環(huán)(路徑)或驅(qū)動(dòng)程序所要求的電池控制系統(tǒng)的運(yùn)行模式。例如,當(dāng)燃料電池車(chē)輛(FC)在上行路上行駛時(shí)需要更大的凈功率AirFr,因此其策略必須將FC凈功率最大化。但是當(dāng)FC在下行路上行駛時(shí)則需要燃料消耗效率FuelFr最大化。采用GES算法對(duì)控制變量(AirFr和FuelFr)的當(dāng)前值進(jìn)行定位,追蹤燃料電池系統(tǒng)的最佳運(yùn)行點(diǎn)即全局最大點(diǎn)。未來(lái)的研究工作將集中以下幾點(diǎn):
Fig 1.The PEMFC system
(1)燃料電池中氫氣進(jìn)料子系統(tǒng)將以流通模式進(jìn)行配置,需要以最大限度地降低由陽(yáng)極“饑餓”現(xiàn)象而導(dǎo)致的退化風(fēng)險(xiǎn)。
(2)需要研究燃料電池汽車(chē)功率全頻范圍內(nèi)的LF控制的可變負(fù)載優(yōu)化策略。
(3)LF控制將通過(guò)基于頻率的策略來(lái)實(shí)現(xiàn),以便于將負(fù)載需求分成低頻和高頻分量。
本文提出兩種應(yīng)用于燃料電池電動(dòng)汽車(chē)的能源管理策略(EMS),并對(duì)這兩種策略進(jìn)行了評(píng)估比較(文中Fig 5和Fig 7)。首先介紹了一種基于固定燃料電池(FC)功率控制的頻率分離的經(jīng)典方法,并對(duì)其進(jìn)行了測(cè)試。然后,介紹了另一種基于經(jīng)典策略的改進(jìn)型管理方法,該方法的優(yōu)勢(shì)主要體現(xiàn)在易于實(shí)現(xiàn)、經(jīng)濟(jì)性好和混合能源系統(tǒng)壽命延長(zhǎng)等方面。能源管理策略是根據(jù)電池的充電狀態(tài),使用功率限制的在線可變功率控制來(lái)開(kāi)發(fā)的,同時(shí)也要確保電池的能量保持在其工作深度(DOD)范圍內(nèi)。對(duì)兩種策略進(jìn)行了比較分析。仿真實(shí)驗(yàn)結(jié)果顯示,改進(jìn)后的能源管理系統(tǒng)(IEMS)在燃料經(jīng)濟(jì)性方面提高了13%,并降低了功率限制上22%的應(yīng)用壓力,從而延長(zhǎng)了整個(gè)系統(tǒng)的使用壽命。為了進(jìn)一步證實(shí)這一點(diǎn),將通過(guò)一個(gè)組裝成硬件(HIL)實(shí)時(shí)系統(tǒng)的測(cè)試平臺(tái)進(jìn)行測(cè)試。所得到的實(shí)驗(yàn)結(jié)果證實(shí)了改進(jìn)后的能源管理系統(tǒng)的成效收益。
在這項(xiàng)工作中,IEMS策略的原理是根據(jù)能量的電池狀態(tài)限制其凈功率并盡可能地利用其可用能量,從而導(dǎo)致燃料電池系統(tǒng)和電池組之間的應(yīng)用共享。IEMS策略通過(guò)三個(gè)必要的應(yīng)力因素來(lái)延長(zhǎng)整個(gè)系統(tǒng)的壽命和減少氫氣消耗,即RMS功率、電池單元能量和燃料消耗。除了較低的燃油消耗和較長(zhǎng)的使用壽命之外,所提出的改進(jìn)策略的另一個(gè)優(yōu)點(diǎn)是它仍然是一個(gè)在線戰(zhàn)略,與駕駛循環(huán)周期無(wú)關(guān)。
Fig 5.Principle of separation frequency management strategy
Fig 7.Principle of improved energy management strategy
[1]KOUBAA R,KRICHEN L.Double layer metaheuristic based energy management strategy for a Fuel Cell/Ultra-Capacitor hybrid electric vehicle[J].Energy,2017,133:1079-1093.
[2]MU?OZ P M,CORREA G,GAUDIANO M E,et al.Energy management control design for fuel cell hybrid electric vehicles using neural networks[J].International Journal of Hydrogen Energy,2017,42(48):28932-28944.
[3]MARZOUGUI H,AMARI M,KADRI A,et al.Energy management of fuel cell/battery/ultracapacitor in electrical hybrid vehicle[J].International Journal of Hydrogen Energy,2017,42(13):8857-8869.
[4]BIZON N.Energy optimization of fuel cell system by using global extremum seeking algorithm[J].Applied Energy,2017,206:458-474.
[5]BENDJEDIA B,RIZOUG N,BOUKHNIFER M,et al.Improved energy management strategy for a hybrid fuel cell battery system Simulation and experimental results[J].COMPEL-THE INTERNATIONAL JOURNAL FOR COMPUTATION AND MATHEMATICS IN ELECTRICAL AND ELECTRONIC ENGINEERING,2017,36(4).