周雅夫,孫雪松,連 靜,孫宵宵

(1.工業(yè)裝備結(jié)構(gòu)分析國(guó)家重點(diǎn)實(shí)驗(yàn)室(大連理工大學(xué)),大連 116024;2.大連理工大學(xué) 汽車工程學(xué)院,大連 116024)

燃料電池具有輸出特性軟,無(wú)法實(shí)現(xiàn)制動(dòng)能量回收等缺點(diǎn)。因此在實(shí)際應(yīng)用中,燃料電池往往需要結(jié)合輔助能源組成混合動(dòng)力系統(tǒng)[1]。而能量管理策略的制定直接影響混合動(dòng)力系統(tǒng)的經(jīng)濟(jì)性。

目前關(guān)于能量管理策略的研究主要分為兩類:基于規(guī)則和基于優(yōu)化[2]?；谝?guī)則的策略傾向于工程應(yīng)用,由專家根據(jù)經(jīng)驗(yàn)和歷史數(shù)據(jù)制定規(guī)則來(lái)決定整車的能量分配[3]。而基于優(yōu)化的策略非常適合解決復(fù)雜的非線性系統(tǒng)的能量管理問(wèn)題,具有更好的優(yōu)化效果?；趦?yōu)化的能量管理策略主要分為兩種:全局優(yōu)化和瞬時(shí)優(yōu)化[4]。全局優(yōu)化需要提前知道車輛的整個(gè)行駛工況且計(jì)算量大,因此很難應(yīng)用于實(shí)車[5]。而瞬時(shí)優(yōu)化在車輛實(shí)際運(yùn)行過(guò)程中根據(jù)車輛的狀態(tài)以及運(yùn)行情況進(jìn)行能量的優(yōu)化分配,因此具有重要的應(yīng)用意義[6]。

燃料電池混合動(dòng)力汽車的行駛工況對(duì)其經(jīng)濟(jì)性有著顯著的影響,將工況識(shí)別融入到能量管理策略中成為了近些年的研究熱點(diǎn)[7-8]。文獻(xiàn)[9]通過(guò)聚類分析的方法將車輛工況劃分為5個(gè)典型工況,根據(jù)歐幾里得接近度進(jìn)行工況識(shí)別。文獻(xiàn)[10]從靜態(tài)和準(zhǔn)靜態(tài)環(huán)境的交通信息中識(shí)別出車輛模式特征的高影響因子,提出了一種基于數(shù)據(jù)聚類的車輛路線劃分算法,但是初始聚類中心的選擇很大程度上會(huì)影響聚類分析結(jié)果。近年來(lái)機(jī)器學(xué)習(xí)在工況識(shí)別中得到了進(jìn)一步應(yīng)用,BP(back propagation)神經(jīng)網(wǎng)絡(luò)和LVQ(learning vector quantization)神經(jīng)網(wǎng)絡(luò)選取可以表征車輛工況的特征參數(shù)作為輸入,對(duì)工況樣本進(jìn)行分類[11]。然而神經(jīng)網(wǎng)絡(luò)的精度很大程度上受到了自身結(jié)構(gòu)的影響[12]。

本文分析了FCHB行駛路線固定且具有片段性的特點(diǎn),提出了一種基于SOM-K-means工況識(shí)別的實(shí)時(shí)PMP能量管理策略。首先,根據(jù)公交車站點(diǎn)將行駛路線劃分為多個(gè)行駛片段,在車輛停站時(shí),運(yùn)用SOM-K-means二階聚類模型完成工況識(shí)別,獲取車輛下一行駛片段的識(shí)別協(xié)態(tài)變量;當(dāng)車輛開始運(yùn)行時(shí),運(yùn)用識(shí)別協(xié)態(tài)變量完成基于PMP求解的能量管理策略的實(shí)時(shí)應(yīng)用。其次,建立基于公交車實(shí)際運(yùn)行數(shù)據(jù)的仿真實(shí)驗(yàn),以驗(yàn)證本文所提出策略的燃料經(jīng)濟(jì)性。最后將所提出的策略應(yīng)用到了VCU中,以驗(yàn)證本文所提出策略的實(shí)際應(yīng)用效果。

1 模型的建立

1.1 混合動(dòng)力系統(tǒng)能量流動(dòng)模型

車輛動(dòng)力系統(tǒng)模型是設(shè)計(jì)能量管理策略的基礎(chǔ)。本文所研究車輛的動(dòng)力系統(tǒng)如圖1所示,主要參數(shù)見(jiàn)表1。燃料電池系統(tǒng)(Fuel cell system,FCS)和二次電池是車輛的動(dòng)力源,DC/DC變換器將燃料電池系統(tǒng)的輸出電壓升壓到電機(jī)控制器(Motor control unit, MCU)的母線電壓,車輛電氣附件包括水泵、氣泵、油泵、散熱風(fēng)扇、空調(diào)等部件。

表1 FCHB車輛參數(shù)

圖1 FCHB混合動(dòng)力系統(tǒng)拓?fù)浣Y(jié)構(gòu)圖

混合動(dòng)力系統(tǒng)的能量流動(dòng)關(guān)系如下:

Pbat+Pfcs=Pmotor+Paux

(1)

式中:Pbat為電池輸出功率,Pfcs為燃料電池系統(tǒng)的凈輸出功率,Pmotor為電機(jī)輸出功率,Paux為整車電氣附件消耗功率。

1.2 燃料電池系統(tǒng)模型

燃料電池是車輛的主要?jiǎng)恿υ粗?在設(shè)計(jì)車輛的能量管理策略時(shí),僅對(duì)燃料電池系統(tǒng)的效率、氫氣消耗率進(jìn)行建模即可。

燃料電池的氫氣消耗率表達(dá)式為[13]

(2)

式中:MH2為氫氣的摩爾質(zhì)量,nH2為氫氣分子的電子數(shù)nH2=2,Istack為燃料電池輸出電流,F為法拉第常數(shù)(96 485 C/mol)。

本文中燃料電池系統(tǒng)效率ηfcs為燃料電池系統(tǒng)的輸出功率與其消耗氫氣的功率之比:

(3)

式中:PH2為消耗氫氣的功率,SH2為氫氣的高熱值(143 kJ/g)。

而燃料電池系統(tǒng)效率還可表示為

(4)

式中:ηstack為電堆效率,其值為燃料電池電堆輸出功率Pstack和消耗的氫氣的功率PH2之比;ηfc_aux為燃料電池系統(tǒng)附件效率,其值為燃料電池系統(tǒng)輸出功率Pfcs和電堆輸出功率Pstack之比;Pfc_aux為燃料電池系統(tǒng)附件(空壓機(jī),散熱風(fēng)扇,氫氣循環(huán)泵)消耗的功率。本文所研究的燃料電池系統(tǒng)效率曲線和燃料電池系統(tǒng)氫氣消耗率曲線的多項(xiàng)式擬合結(jié)果如圖2所示。

圖2 FCS系統(tǒng)效率和耗氫率曲線

1.3 二次電池模型

本文選擇鋰電池作為所研究車輛的輔助動(dòng)力源,對(duì)鋰電池建立Rint模型,如圖3(a)所示。在本文所研究的車輛中,單體鋰電池的Uoc,Rbat和電池荷電狀態(tài)(State of charge,SOC)的關(guān)系如圖3(b)所示。其中,Uoc為開路電壓,Ibat為電池輸出電流,Rbat為內(nèi)阻,UDC為輸出電壓,二次電池的Uoc和Rbat主要由電池的荷電狀態(tài)大小FSOC決定。各參數(shù)之間的關(guān)系如下[14]:

圖3 二次電池的Rint模型

(5)

電池的實(shí)時(shí)充電效率和實(shí)時(shí)放電效率計(jì)算公式如下[15]:

(6)

1.4 邊界模型

確保FCS和二次電池安全穩(wěn)定運(yùn)行是制定能量管理策略的基本要求。因此,整個(gè)混合動(dòng)力系統(tǒng)需要滿足以下邊界條件:

(7)

式中,上標(biāo)min、max分別為各個(gè)變量取值的下限、上限。

2 基于工況識(shí)別的實(shí)時(shí)能量管理策略

2.1 能量管理策略總體架構(gòu)

本文提出的能量管理策略的結(jié)構(gòu)如圖4所示,主要由離線優(yōu)化和在線控制兩部分構(gòu)成。

圖4 能量管理模型結(jié)構(gòu)

1)離線優(yōu)化。在公交車歷史行駛循環(huán)中采集電機(jī)輸出功率組成歷史數(shù)據(jù)集,提取每個(gè)歷史行駛片段對(duì)應(yīng)的工況特征值,形成歷史工況特征值表。隨后對(duì)相同地理位置的行駛片段進(jìn)行聚類分析,得到歷史行駛片段的聚類結(jié)果。同時(shí)利用粒子群優(yōu)化算法(Particle swarm optimization,PSO)獲取各個(gè)歷史行駛片段對(duì)應(yīng)的PMP算法中的最優(yōu)協(xié)態(tài)變量。

2)在線控制。包括車輛工況識(shí)別階段和策略運(yùn)行階段。①車輛工況識(shí)別階段。當(dāng)車輛停在公交站臺(tái)時(shí),提取車輛的上一行駛片段的特征值,對(duì)上一行駛片段進(jìn)行工況識(shí)別。本文選擇每個(gè)行駛片段的電機(jī)輸出功率在不同區(qū)間的比例作為工況識(shí)別的特征參數(shù)[10],具體的識(shí)別方法為:計(jì)算上一行駛片段的特征值與處于同一位置歷史行駛片段的特征值的聚類中心的歐氏距離,從而判斷上一個(gè)行駛片段的所屬簇。然后預(yù)測(cè)車輛的下一個(gè)行駛片段的識(shí)別協(xié)態(tài)變量,具體的預(yù)測(cè)方式為:將與上一個(gè)行駛片段屬于同一簇的歷史行駛片段所對(duì)應(yīng)的下一行駛片段的最優(yōu)協(xié)態(tài)變量平均化,從而得到當(dāng)前行駛循環(huán)的下一行駛片段的識(shí)別協(xié)態(tài)變量。當(dāng)車輛位于始發(fā)站時(shí),由于無(wú)法提取上一行駛片段的特征值進(jìn)行工況識(shí)別,因此將該地理位置上的所有歷史行駛片段的最優(yōu)協(xié)態(tài)變量平均化,作為車輛在當(dāng)前行駛循環(huán)的第1個(gè)行駛片段的識(shí)別協(xié)態(tài)變量。②策略運(yùn)行階段。當(dāng)車輛越過(guò)公交站臺(tái)開始行駛片段的運(yùn)行時(shí),利用在工況識(shí)別階段時(shí)得到的識(shí)別協(xié)態(tài)變量,運(yùn)用基于PMP求解的能量管理策略,實(shí)時(shí)地進(jìn)行能量分配。

2.2 車輛行駛循環(huán)和行駛片段的定義

由于公交車的行駛路線相對(duì)固定,且具有很強(qiáng)的片段性,因此可對(duì)車輛的行駛路線進(jìn)行行駛片段劃分,將每?jī)蓚€(gè)公交站點(diǎn)之間的區(qū)域作為一個(gè)行駛片段(Driving segment,DS),將車輛從始發(fā)站到終點(diǎn)站再返回始發(fā)站的行程作為一個(gè)行駛循環(huán)(Driving cycle,DC)。本文所研究的車輛運(yùn)行于遼寧省大連市535路公交路線,該路線東起于馬欄廣場(chǎng)公交站,西起于鞍子嶺公交站,單趟行程31個(gè)站,雙趟行程共60個(gè)站。因此本文中一個(gè)DC包括60個(gè)DS。

2.3 基于K-means的一階聚類分析

K-means現(xiàn)已成為信息處理領(lǐng)域和數(shù)據(jù)關(guān)聯(lián)性挖掘領(lǐng)域中最常見(jiàn)的分析方法之一,其基本思想為通過(guò)不斷地迭代求解計(jì)算出各類的聚類中心[16]。

標(biāo)準(zhǔn)的K-means聚類算法是將k個(gè)初始聚類中心進(jìn)行分配和更新的交替迭代,直至收斂[17]。本文中設(shè)置的K-means聚類中心的收斂誤差為10-6。

在使用K-means聚類時(shí),聚類數(shù)目的選取非常重要。聚類數(shù)目過(guò)少,則無(wú)法充分挖掘數(shù)據(jù)的全部信息;聚類數(shù)目過(guò)大,不僅會(huì)使計(jì)算量大幅增加,而且會(huì)割裂相似數(shù)據(jù)之間的聯(lián)系[18]。因此本文采用肘部法確定各個(gè)地理位置的歷史行駛片段的最優(yōu)聚類數(shù)目,各個(gè)地理位置的行駛片段的最優(yōu)聚類數(shù)目如圖5所示。

圖5 行駛片段最優(yōu)聚類數(shù)目

2.4 基于K-means和SOM的二階聚類分析

基于聚類方法對(duì)車輛的每一個(gè)行駛片段進(jìn)行工況識(shí)別的準(zhǔn)確性很大程度上依賴聚類結(jié)果的準(zhǔn)確性和合理性。K-means聚類方法中聚類結(jié)果受初始聚類中心的影響非常大,若初始聚類中心選擇不合理,則容易使聚類過(guò)程陷入局部最優(yōu)。SOM神經(jīng)網(wǎng)絡(luò)聚類方法通過(guò)自組織學(xué)習(xí),可產(chǎn)生穩(wěn)定的聚類中心,但其聚類結(jié)果的物理幾何意義不明顯。因此本文綜合了K-means和 SOM的優(yōu)勢(shì),采用SOM對(duì)歷史工況進(jìn)行一階聚類,將其產(chǎn)生的聚類中心作為K-means的初始聚類中心進(jìn)行二階聚類,避免了因初始聚類中心選擇不合理帶來(lái)的聚類效果不佳。SOM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖6所示。

基于SOM-K-means的歷史工況二階聚類算法流程如圖7所示。在訓(xùn)練SOM神經(jīng)網(wǎng)絡(luò)時(shí),輸出神經(jīng)元數(shù)目代表聚類數(shù)目。因此本文在對(duì)每一地理位置的行駛片段進(jìn)行聚類時(shí),利用肘部法求得的最佳聚類數(shù)作為輸出層神經(jīng)元數(shù)。

圖7 SOM-K-means二階聚類流程圖

SOM神經(jīng)網(wǎng)絡(luò)流程如下:

1)對(duì)輸出層網(wǎng)絡(luò)權(quán)向量wij進(jìn)行初始化處理,j=1,2,…,m;i=1,2,…,n,初始化獲勝域半徑Nj*(0)和學(xué)習(xí)率β(0),m為輸出層神經(jīng)元數(shù)目。n為輸入層神經(jīng)元數(shù)目。

2)把輸入向量xi=(x1,x2,…,xp)輸入給輸出層。p為輸入向量的維數(shù),即特征值的維數(shù),本文中p=10。

3)計(jì)算輸出層節(jié)點(diǎn)和輸入向量之間的歐氏距離,通過(guò)計(jì)算得到一個(gè)具有最小距離的神經(jīng)元,將其作為獲勝神經(jīng)元j*。

4)更新獲勝神經(jīng)元j*的獲勝鄰域Nj*(t)以及學(xué)習(xí)率β(t,N),t為迭代次數(shù)。更新學(xué)習(xí)率的公式為

(8)

式中N為常數(shù),取為2。

5)通過(guò)更新公式修正優(yōu)勝鄰域內(nèi)神經(jīng)元的權(quán)值向量。更新公式如下:

wij(t+1)=wij(t)+β(t,N)(xi-xij(t))

(9)

6)判斷訓(xùn)練過(guò)程是否滿足結(jié)束訓(xùn)練的條件。在本文中訓(xùn)練結(jié)束的條件為:①訓(xùn)練迭代次數(shù)大于迭代閾值。②學(xué)習(xí)率β(t,N)<βmin。當(dāng)滿足結(jié)束條件中的任意一個(gè)訓(xùn)練結(jié)束。否則返回步驟2)繼續(xù)訓(xùn)練。

2.5 基于PMP求解的等效消耗最小策略

車輛的混合動(dòng)力系統(tǒng)是一個(gè)復(fù)雜的非線性系統(tǒng),燃料電池、二次電池必須滿足式(7)所示的邊界模型。為解決該系統(tǒng)的能量分配問(wèn)題,引入龐特里亞金極值原理,選擇Pfcs為控制變量,選擇二次電池Fsoc為狀態(tài)變量,構(gòu)建哈密頓函數(shù)H如下[19]:

(10)

在滿足約束模型的基礎(chǔ)上,要最小化H,需要在每一個(gè)時(shí)間點(diǎn)找到最優(yōu)的控制變量Pfcs(t)使得哈密頓函數(shù)H最小,因此優(yōu)化問(wèn)題變成了Pfcs(t)在約束條件下的極小值求解,即

(11)

(12)

2.6 基于PSO求解歷史行駛片段的最優(yōu)協(xié)態(tài)變量

設(shè)計(jì)歷史工況下的最優(yōu)能量管理策略,實(shí)質(zhì)上就是求解歷史工況下各個(gè)行駛片段的最優(yōu)協(xié)態(tài)變量。本文利用粒子群算法(PSO)對(duì)最優(yōu)協(xié)態(tài)變量進(jìn)行求解,建立的優(yōu)化目標(biāo)函數(shù)如下:

(13)

(14)

(15)

粒子群算法(PSO)根據(jù)鳥群覓食行為而產(chǎn)生的一種優(yōu)化算法[21]。PSO算法的輸入為協(xié)態(tài)變量α,適應(yīng)度函數(shù)為J。優(yōu)化過(guò)程的流程圖如圖8所示。

圖8 PSO優(yōu)化算法流程圖

3 實(shí)驗(yàn)與分析

3.1 車輛的工況識(shí)別效果驗(yàn)證

協(xié)態(tài)變量在能量分配中發(fā)揮著關(guān)鍵的作用,在歷史工況下已經(jīng)求解得到車輛的每一個(gè)行駛片段的最優(yōu)協(xié)態(tài)變量,而在未知工況的行駛片段中,車輛將運(yùn)用本文提出的方法得到的識(shí)別協(xié)態(tài)變量進(jìn)行能量分配。

本文總共采集了32個(gè)DC的車輛運(yùn)行數(shù)據(jù),為了驗(yàn)證車輛工況識(shí)別的準(zhǔn)確性,選取5個(gè)DC作為在線工況,命名為DC1、DC2、DC3、DC4和DC5,將剩下的27個(gè)DC作為歷史工況用于訓(xùn)練。

將在線DC中的最優(yōu)協(xié)態(tài)變量作為標(biāo)準(zhǔn)值,比較利用本文提出的策略得到的識(shí)別協(xié)態(tài)變量與最優(yōu)協(xié)態(tài)變量之間的差異,以驗(yàn)證本文提出的基于工況識(shí)別的方法得到識(shí)別協(xié)態(tài)變量的合理性。

圖9展示了分別使用一階聚類模型和二階聚類模型對(duì)歷史工況進(jìn)行聚類時(shí),在線行駛循環(huán)的最優(yōu)協(xié)態(tài)變量和識(shí)別協(xié)態(tài)變量之間的平均絕對(duì)誤差(MAE)。結(jié)果表明,二階聚類模型得到了更準(zhǔn)確的協(xié)態(tài)變量,具有更好的工況識(shí)別效果。

圖9 測(cè)試行駛循環(huán)協(xié)態(tài)變量MAE

3.2 對(duì)比實(shí)驗(yàn)的設(shè)計(jì)

為驗(yàn)證本文提出的能量管理模型的有效性,設(shè)計(jì)了如下5組對(duì)比試驗(yàn)。在這5組對(duì)比實(shí)驗(yàn)中,測(cè)試工況同樣為行駛循環(huán)DC1、DC2、DC3、DC4和DC5,訓(xùn)練工況同樣為剩余的27個(gè)行駛循環(huán)。

1)工況已知。在路況已知的情況下運(yùn)用最優(yōu)協(xié)態(tài)變量進(jìn)行仿真。

2)二階模型。在基于路況未知的情況下,使用對(duì)歷史工況二階聚類后的結(jié)果,對(duì)車輛進(jìn)行工況識(shí)別,運(yùn)用識(shí)別協(xié)態(tài)變量進(jìn)行仿真。

3)一階模型。在基于路況未知的情況下,使用對(duì)歷史工況一階聚類后的結(jié)果,對(duì)車輛進(jìn)行工況識(shí)別,運(yùn)用次優(yōu)識(shí)別協(xié)態(tài)變量進(jìn)行仿真。

4)基于規(guī)則。本文中所用到的數(shù)據(jù)來(lái)自實(shí)車運(yùn)行過(guò)程中,因此增加一組實(shí)車對(duì)比試驗(yàn)。實(shí)車上運(yùn)行的策略為基于規(guī)則的能量管理策略。

5)硬件在環(huán)。硬件在環(huán)實(shí)驗(yàn),將基于二階聚類識(shí)別的策略移植到了大連市氫能示范項(xiàng)目中的燃料電池混合動(dòng)力公交車的整車控制器(VCU)中,上位機(jī)利用CAN總線通訊方式將電機(jī)功率發(fā)送給VCU,隨后VCU將計(jì)算結(jié)果發(fā)送到上位機(jī)。

在仿真實(shí)驗(yàn)中,為了便于分析,將實(shí)驗(yàn)中二次電池的初始SOC均設(shè)置為0.7。5組實(shí)驗(yàn)對(duì)比的主要指標(biāo)為總等效耗氫量。

3.3 實(shí)驗(yàn)結(jié)果分析

下面對(duì)不同組對(duì)比實(shí)驗(yàn)中行駛循環(huán)DC1、DC2、DC3、DC4和DC5對(duì)應(yīng)的車輛運(yùn)行結(jié)果進(jìn)行總結(jié)和分析。

圖10展示了在上述5組不同的實(shí)驗(yàn)中5個(gè)在線行駛循環(huán)的等效氫氣消耗量。表2中展示了相比于基于規(guī)則的策略,各組實(shí)驗(yàn)中節(jié)省的氫氣消耗量百分比。從圖10和表2中可以看到,與基于規(guī)則的策略相比,在工況已知下運(yùn)用最優(yōu)協(xié)態(tài)變量執(zhí)行能量管理策略有著最優(yōu)的節(jié)省等效氫氣效果,在5個(gè)在線行駛循環(huán)中分別節(jié)省氫氣17.27%～25.24%,平均節(jié)省氫氣20.01%。與基于規(guī)則的策略相比,基于二階聚類的策略使用識(shí)別協(xié)態(tài)變量來(lái)執(zhí)行能量管理策略有著次優(yōu)的氫氣節(jié)省效果,在5個(gè)在線行駛循環(huán)中分別節(jié)省氫氣17.02%～25.16%,平均節(jié)省氫氣19.77%,與工況已知下的平均氫氣節(jié)省百分比相差0.24%。而在基于一階聚類的策略中,5個(gè)在線行駛循環(huán)分別節(jié)省氫氣16.20%～23.89%,平均節(jié)省氫氣18.80%,與工況已知下的氫氣節(jié)省百分比相差1.21%,與二階聚類下的氫氣節(jié)省百分比相差0.97%。結(jié)果表明,一方面本文所提出的基于SOM-K-means二階聚類模型進(jìn)行工況識(shí)別的能量管理策略具有很好的燃料經(jīng)濟(jì)性,可以很大程度上減少氫氣消耗。另一方面,與基于工況已知的能量管理策略相比,基于二階聚類模型工況識(shí)別的策略僅僅多了0.24%的氫氣消耗,與基于一階聚類模型工況識(shí)別的能量管理策略相比,基于二階聚類模型工況識(shí)別的策略節(jié)省了0.97%的氫氣,說(shuō)明了本文所提出的工況識(shí)別方法起到了很好的效果。

表2 5組仿真實(shí)驗(yàn)氫氣消耗節(jié)省百分比

圖10 耗氫量對(duì)比圖

在不同的能量管理策略中,整車燃料消耗的差異主要和動(dòng)力電池的熱量損耗和燃料電池系統(tǒng)的附件損耗有關(guān)系。為了提升整車的燃料經(jīng)濟(jì)性,應(yīng)該盡可能地減少動(dòng)力電池的熱量損耗,提高燃料電池系統(tǒng)在高效率區(qū)間的使用率。圖2中描述了燃料電池系統(tǒng)的高效率區(qū)間為[10 kW, 30 kW],表3展示了不同實(shí)驗(yàn)下的5個(gè)行駛循環(huán)燃料電池系統(tǒng)高效區(qū)間的使用率。從表3中可以看出,在工況已知的能量管理策略中,燃料電池系統(tǒng)高效區(qū)間使用率分別為61.85%～66.98%,其平均使用率為65.34%;在基于二階聚類的能量管理策略中,燃料電池系統(tǒng)高效區(qū)間使用率分別為61.43%～66.41%,其平均使用率為64.52%;在基于一階聚類的能量管理策略中,燃料電池系統(tǒng)高效區(qū)間使用率分別為59.97%～66.37%,其平均使用率為63.81%,而基于規(guī)則的策略,燃料電池系統(tǒng)高效區(qū)間使用率分別為2.65%～4.58%,其平均使用率為3.31%。因此相比較于基于規(guī)則的策略,本文提出的能量管理策略可使燃料電池較長(zhǎng)時(shí)間工作在高效區(qū)間,更有助于減少整車的等效氫氣消耗。

表3 5組仿真實(shí)驗(yàn)燃料電池高效區(qū)間使用率

表4展示了不同仿真試驗(yàn)下的5個(gè)行駛循環(huán)的終止SOC?？梢钥闯?個(gè)行駛循環(huán)的終止SOC均處于二次電池的高效工作區(qū)間[0.3-0.9],因此本文所提出的能量管理策略可以有效的避免二次電池過(guò)充或者過(guò)放。

表4 4組仿真實(shí)驗(yàn)終止SOC結(jié)果

為了驗(yàn)證所提出策略的實(shí)際可應(yīng)用性,本文建立了硬件在環(huán)實(shí)驗(yàn),并與仿真實(shí)驗(yàn)進(jìn)行對(duì)比。從圖10中可以看出,在硬件在環(huán)與仿真中,兩者的等效氫氣消耗量是完全吻合的。從表4中可以看出,硬件在環(huán)與仿真實(shí)驗(yàn)中5個(gè)行駛循環(huán)的終止SOC完全一致。為了更詳細(xì)地對(duì)比兩組實(shí)驗(yàn)中的能量分配過(guò)程,圖11中展示了兩種實(shí)驗(yàn)中5個(gè)在線行駛循環(huán)對(duì)應(yīng)的二次電池的SOC變化曲線,圖12中展示了其二次電池的輸出功率曲線。從圖11、12中可以看出,仿真結(jié)果和硬件在環(huán)實(shí)驗(yàn)結(jié)果完全吻合,這說(shuō)明了本文提出的基于二階聚類的實(shí)時(shí)能量管理策略完全可以在VCU中運(yùn)行,且具有和仿真實(shí)驗(yàn)同樣的結(jié)果,并再次驗(yàn)證了本文仿真結(jié)果的準(zhǔn)確性。

圖11 SOC曲線

圖12 二次電池輸出功率曲線

圖13展示了硬件在環(huán)實(shí)驗(yàn)的部分原始數(shù)據(jù),從圖中可以清晰的看出,從給VCU發(fā)送CAN報(bào)文到VCU將計(jì)算結(jié)果發(fā)送出來(lái),時(shí)間大約消耗30 ms,能量分配的計(jì)算步長(zhǎng)(1 s),因此滿足車輛對(duì)能量管理策略時(shí)效性的要求。

圖13 硬件在環(huán)實(shí)驗(yàn)結(jié)果

綜上所述可得,首先本文所提出的基于二階聚類識(shí)別的實(shí)時(shí)能量管理策略具有非常低的氫氣消耗量,可以極大的減少公交車在行駛時(shí)的能量消耗。其次,本文所提出來(lái)的基于二階聚類識(shí)別的實(shí)時(shí)能量管理策略可以在VCU中運(yùn)行,并且滿足車輛對(duì)能量管理策略的時(shí)效性和準(zhǔn)確性的要求。

4 結(jié) 論

1)與基于規(guī)則的實(shí)車數(shù)據(jù)相比,在本文所提出的基于二階聚類識(shí)別的策略中,等效耗氫量平均下降19.77%;與基于工況已知下的仿真結(jié)果(20.01%)相比,平均能耗差異相差0.24%。這一結(jié)果表明本文提出的方法可以大幅減少公交車的耗氫量,對(duì)于FCHB的發(fā)展起到了積極的作用。

2)將本文所提出的能量管理策略移植到了大連氫能示范項(xiàng)目中燃料電池混合動(dòng)力汽車的VCU中,根據(jù)實(shí)驗(yàn)結(jié)果顯示,VCU的計(jì)算時(shí)間大約為30 ms,且計(jì)算結(jié)果與仿真結(jié)果完全吻合。說(shuō)明本文提出的方法可以在VCU運(yùn)行,為將來(lái)基于優(yōu)化的能量管理策略應(yīng)用于FCHB中打下了堅(jiān)實(shí)的基礎(chǔ)。