1.一种燃料电池汽车实时能量管理控制方法,其特征在于包括下列步骤:第一步,根据汽车当前车速、最近的历史车速和选定的工况特征参数,输入到基于神经网络的短期车速预测模型中,得到未来一段时间的预测车速;
所述的基于神经网络的短期车速预测模型是采用BP神经网络的短期车速预测模型;BP神经网络为传统的三层网络拓扑结构,其中隐藏层和输出层的激励函数均选择Sigmoid函数,定义如下:基于神经网络的短期车速预测模型输出结果为未来一段时间的预测车速;
所述的选定的工况特征参数分别为:平均车速vmean、加速度标准差σa、减速度标准差σd、加速度平均值amean、怠速时间比例ridle;
第二步,进行未来车速预测和蓄电池SOC反馈相结合的等效因子自适应调整;
所述的等效因子自适应调整,其离散形式表示为:
s(k+1)=s(k)+Ksocε(SOC(t0)‑SOC(t)),t=kT,k=1,2,3...···········(2)其中,s(k+1),s(k)分别为第k+1次、第k次的等效因子;Ksoc为调整参数;ε反映未来工况变化趋势;SOC(t0)为初始时刻蓄电池SOC值;SOC(t)为当下时刻蓄电池SOC值;SOC(t0)‑SOC(t)表示蓄电池SOC差对等效因子的调节作用;
ε定义如下:
其中,vstdF,i为预测时域内的车速标准差;vmeanF,i为预测时域内的车速平均值;vi为未来i时刻的预测车速;为预测时域内的车速平均值;N为预测时域内的速度采样数目;
第三步,基于等效氢耗最小算法建立燃料电池能量管理优化问题,得到满足系统约束条件下的最优控制序列;
所述的燃料电池能量管理优化问题的目标是找到使目标函数J最小的最优控制序列u(k),具体描述如下:MinimizeJ(u,x)···························(6)约束条件为:
其中,Pfc为燃料电池的输出功率,Pfc,min和Pfc,max分别是燃料电池输出功率的下限值和上限值;Pbat为蓄电池的输出功率,Pbat,min和Pbat,max分别是蓄电池输出功率的下限值和上限值;ΔPfc,min和ΔPfc,max分别是燃料电池输出功率变化率的下限值和上限值;
所述的燃料电池能量管理优化问题的哈密顿函数表示如下:
其中,H(x,u,s)表征等效氢耗;s为等效因子; 为燃料电池氢耗率, 为蓄电池等效氢耗率;LHV为氢气的低热值,燃料电池氢耗率可以通过实验数据拟合得到,a(k),a(k‑1),…a(1),a(0)为拟合系数;
第四步,根据第三步得到的最优控制序列,完成燃料电池与蓄电池间的最有能量分配。
2.按照权利要求1所述的一种燃料电池汽车实时能量管理控制方法,其特征在于:所述的等效因子的初始值采用二分法迭代进行计算,具体流程可描述为:首先,根据等效因子的上下限范围,选定等效因子迭代计算的初始值;
其次,根据等效氢耗最小算法计算当前等效因子下的SOC轨迹;
然后,定义允许的SOC偏差为Δ,SOC初始值为SOC0,仿真结束时的SOC为SOCt,如果满足:|SOC0‑SOCt|>Δ···························(11)表明仿真结束时的SOC与SOC初始值的差值大于允许的SOC偏差,无法保证SOC的前后平衡,需要继续进行迭代计算,下一等效因子的取值区间由二分法进行确定;反之,如果满足:|SOC0‑SOCt|<Δ····························(12)则终止迭代计算,将当前的等效因子作为等效因子自适应调整的等效因子初始值。