《不確定工況PEMFC-SC混合能源多目標實時最佳化管理方法研究》是依託浙大寧波理工學院，由陶吉利擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：不確定工況PEMFC-SC混合能源多目標實時最佳化管理方法研究
- 項目類別：青年科學基金項目
- 項目負責人：陶吉利
- 依託單位：浙大寧波理工學院
項目摘要,結題摘要,
項目摘要
在燃料電池混合動力新能源汽車領域，不確定車輛運行工況下的能量最佳化控制是混合能源管理系統的研究熱點，有重要的理論和套用研究意義。首先，研究加窗KPCA快速主元分析方法實現多維車輛運行信息的特徵提取，並進行計算複雜度和精度分析。在此基礎上，結合人工智慧方法如深度學習神經網路，建立車輛運行不確定實時工況預測模型；其次，研究以紋波脈動為生命周期指標，以加速時間為動力性能指標的雙目標帶約束最佳化策略，使模糊能源管理器滿足超級電容SOC不等式約束條件和車輛運行能源需求等式約束條件；最後，研究特定工況的動力性需求和Pareto前端分布特性之間的關係，制定不確定工況自適應的模糊能量線上管理新規則，並進行仿真和試驗驗證。本項目旨在解決不確定工況下的PEMFC-SC混合能源管理實時最佳化控制問題，延長燃料電池生命周期，提高整車動力性能，為克服燃料電池的套用瓶頸提供一種新的思路和方法。
結題摘要
項目主要研究不確定工況下的燃料電池/超級電容能源管理最佳化控制策略，以降低燃料電池氫氣消耗，延長使用壽命。所開展研究內容如下：（1）研究了加窗KPCA快速主元分析方法進行車輛運行信息的特徵提取，並結合神經網路進行車輛不確定實時工況的識別。（2）研究了一種以燃料電池電流紋波脈動最小、燃料消耗最少為目標的模糊能源管理策略，採用GA進行雙目標帶約束最佳化求解，使模糊能源管理器滿足超級電容SOC不等式約束條件和車輛運行能源需求等式約束條件；（3）研究了基於神經網路不確定路況識別的模糊能源線上管理新規則。（4）引入Q增強學習和CNN深度學習神經網路，以進一步增強自適應工況感知能力，有利於控制器的性能最佳化提高。（5）進行了仿真和實驗驗證，在一定程度上解決了不確定工況下的PEMFC-SC混合能源管理實時最佳化管理和控制。
