英语原文共 9 页
摘要
本文讨论了燃料电池混合动力电动汽车（FC-HEV）的能源管理策略（EMS）。在这项工作中，模型参数通过使用平方根无迹卡尔曼滤波器（SR-UKF）方法在线辨识，以寻求燃料电池性能的变化。然后，在更新的模型上使用优化算法以找到最佳效率和功率操作点。该过程用于两种策略：（1）滞后能量管理策略（EMS）和（2）基于庞特里亚金最小原理的最佳EMS，用于FC-HEV。通过对FC-HEV模型进行研究，证明了所提出的EMS的有效性。
关键词：燃料电池自适应 控制 Pontryagin的最小原理卡尔曼滤波器 车辆
一、前言
燃料电池系统（FCS）作为一种（混合动力车辆）嵌入式系统，污染排放几乎为零。燃料电池混合动力电动汽车（FC-HEV）最实用的FCS是质子交换膜燃料电池（PEM-FC），因为它的工作温度和压力低，对二氧化碳和固体膜的耐受性[1]。此外，高纯度的氢气可以用可再生能源生产，例如电解和生物质过程（例如，光合作用或发酵生物），以产生接近零的全球排放电力[2,3]。当在实践中应用缓慢负载动态时，PEM-FC确保了良好的耐久性[4]。因此，PEM-FC应使用电池、超级电容器、飞轮等高能缓冲器，以满足快速动态负载车辆直流母线上的牵引力[5].另外，源的混合使得可以在自治方面接近传统车辆的性能[6]。由于能量在两个源之间分配，因此需要能量管理策略（EMS）。
在文献中，定义了FC-HEV的两类EMS：基于规则和基于优化的控制[7]。基于规则的控制基于效率图，例如Feroldi等[8]和Ettihir等人[9]。第二种方法基于成本函数的优化，其经常定义关于燃料消耗，系统效率或系统功率的标准[10]。例如，伯纳德等人[11]设计了基于Pontryagin最小值（PMP）的EMS，以减少氢气消耗并进行实验验证。Fares等人[12]基于加权动态规划技术开发最优功率分配策略。最佳管理表明了一个与状态机控制算法相比，减少了氢消耗。大多数情况下，这些EMS依赖于静态模型，这些模型在许多操作中得到了验证[13]。但是，PEM-FC是一个多物理场系统[14]，其性能取决于运行条件（如温度、气体相对湿度、气体化学计量、压力和老化）[15-17]。因此，精确建模是一项困难且耗时的任务。此外，老化现象会改变FCS行为，但它们尚不为人所知。因此，有必要通过寻找方法跟踪PEM-FC的性能漂移[18,19]。有两种方法可以实时识别FCS的性能：首先是使用极值搜索策略，例如最大功率点跟踪（MPPT）[20-22]。第二种方法是使用耦合到优化算法的模型的在线参数识别[23,24]。本文重点介绍第二篇。基本上，最大功率不是FCS上唯一有趣的操作点。例如，这里介绍的能源管理系统涉及两个同时识别点：最大功率和最高效率。在这种情况下，MPPT技术没有很好地适应。因此，在我们的研究中，使用了两步法。将识别算法应用于PEM-FC的半经验模型，然后，使用所识别的模型来优化PEM-FC的性能（功率和效率）。使用半经验模型是因为它提供了物理意义和计算成本之间的权衡[25].各种研究提出了关于在线识别主题的贡献以及FCS的优化以便找到最佳性能。Methekar等人[26]已经用Wiener模型开发了FCS的自适应控制，并提出了数值验证。达齐等人[27]模拟预测控制以确定FCS的最大功率操作。拉莫斯等人由于循环中的硬件，指定了MPPT控制[28]。Gene等人[29]进行了一项实验，以验证固体氧化物FCS的实时优化。Kelouwani等[30]提出了追求PEM-FC最高效率的实验。Kelouwani等人的研究基于PEM-FC效率的多项式模型，通过调整控制变量（电流，化学计量，温度）来寻求最佳效率。在这项工作中，使用跟踪最大效率和最大功率在线识别和顺序优化。此外，由于在这些结果中使用了这些结果，因此完成了新的步骤车辆水平，以设计电池和PEM-FC之间的自适应功率分配。
本文提出了一个两步极值搜索过程（ESP），用于跟踪特定操作点，以获得最大效率（ME）和最大功率（MP）。ESP基于半经验模型的在线识别，随后是在该最新模型上执行的优化过程（以便找到MP和ME操作点）。ESP的输出是对应于MP和PEM-FC的ME点的ifc电流的值。首先，ESP用于基于滞后行为的简单EMS[25]避免喋喋不休的影响。然后ESP使用基于Pon-的最佳EMStryagin的最低原则（PMP）。模拟结果通过比较SOC维持模式中的两个EMS，特别强调对氢消耗的研究。EMS应用于氢研究所开发的FC-HEV Nemo（低速车辆）模型[9]。本文中使用的混合系统的架构是围绕335 Ah电池组构建的2.5 kW Axane PEM-FC用作增程器。动力总成基于由连接到DC总线的逆变器控制的5kW感应电机。本文的其余部分安排如下：燃料电池混合电动车型介绍为应用EMS而开发的FC-HEV模型。ESP（在线识别和ME/MP寻求）（图1）在章节中描述极值寻求处理。设计的EMS在章节中介绍EMS: 滞后功率分裂和EMS：最佳功率分配。设计的两个EMS之间的比较研究在Section中进行能源管理比较，结论和观点将在章节中讨论结论。
二、燃料电池混合动力汽车模型
本节分为四部分：（a）PEM-FC模型;（b）铅酸电池型号;（c）感应电动机模型，（d）物理环境。基本上，这项工作涉及两种不同的FC模型。第一部分，在本节中介绍，在模拟中表示FC-HEV的PEM-FC（PEM-FC系统块见图1）。对于实验工作，第一个模型将被真实系统取代。第二个将用于参数识别（图1步骤一）。
单电池电压Vcell的表达式为(1)：
(1)
电池电位(1)包括能斯特电位。是有电化学反应开始时的活化能垒引起的，并给出了活化势垒的半经验反应式(2),是经验参数值[31]：
(2)
欧姆过电压取决于电流（A），电子电阻（电子流过电极的电阻）和质子电阻（膜中质子流动阻力）和，给出(3)：
(3)
定义当PEM-FC处于高电流密度时产生的浓度过电压(4)：
(4)
图1. 三步EMS的全局视图
三、铅酸电池组型号
铅酸蓄电池的型号由参考文献中给出的模型给出[32]。电荷和电荷的半经验方程给出放电电压和(5,6)：
(5)
(6)
其中C10 （Ah）和Dt （K）代表额定容量和温度偏差。，，，，，，，，，，，，，，，是考虑到水位、损失和温度的经验参数。SOC的表达式是[33]：
(7)
其中（Ah）， （％）分别是可用的有效电荷量和初始 SOC。
四、感应电机建模
感应电动机（IM）通过磁场定向控制。IM使用Park变换建模和定子磁通定向控制(8,9)并用电压源逆变器控制[34]。
(8)
(9)
其中(Nm)是电磁转矩并且取决于IM参数，分别是，，，转子的直流和二次电流和磁通量和定子。
五、极值寻求过程
在本节中，描述了ESP，它是自适应EMS的关键步骤。全球EMS所需的性能标准是ME和MP。这些标准的计算用PEM-FC电压Vfc，PEM-FC电流ifc 和PEM-FC氢摩尔流量Fh2进行。PEM-FC电流是控制变量，但是需要估计电压和摩尔流量来推导MP和ME。然后第一步是使用平方根无迹卡尔曼滤波器（SR-UKF）算法在线识别PEM-FC电压和氢摩尔流量。SR-UKF算法用于识别PEM-FC模型（电压和氢气摩尔流量），并且它基于模型参数的连续更新。当执行在线估计时，使用估计的模型来计算性能标准（MP和ME）使用顺序优化算法。目的是确定最佳电流ifc，其对应于效率的最大值和PEM-FC的功率。
六、SR-UKF算法
SR-UKF用于PEM-FC参数估计[35,36]。系统标识的状态空间表示定义为(10, 11)：
(10)
(11)
其中，和分别是系统参数，过程噪声向量和步长。非线性系统用表示，定义了对和系统辨识误差的非线性观测。实现SR-UKF的递归方程定义如下(12)-(24)。Van der Merwe等人[37]。提供此算法的实现：
初始情况：
(12)
其中是参数矢量的初始估计，并且使用协方差计算。被定义为矩阵协方差的矩阵平方根，并且用Cholesky分解来计算。迭代过程从时间更新和西格玛点计算开始(13)-(17)：
(13)
(14)
和分别是Cholesky因子和遗忘因子
(15)
(16)
(17)
其中和是可变加权参数，为了更加准确，详见参考文献[35,36]。然后测量最新方程式（18-24）
(18)
(19)
(20)
(21)
(22)
(23)
(24)
choleupdate是等级1的系数。
七、PEM-FC特性曲线的估计
该部分的目的是获得用于估计下一步的功率和效率曲线的参数（顺序优化算法）。推导出PEM-FC功率和效率需要两个方程。 第一个是氢摩尔流，第二个是PEM-FC电压。氢消耗直接取决于FC电流[31].线性表达式用于将氢摩尔流量与PEM-FC电流 连接。方程(25)在SR-UKF算法中用于估计线性参数和。
(25)
在之前的一项研究中，证明了Squadrito等人的模型[38]。非常适合在线识别[25]。FCS是一个非常多物理系统，在EMS设计专用模型中不能考虑所有现象（包括老化）。因此，在本文中，选择使用简单的极化曲线模型，但在燃料运行期间更新其参数，以保持接近真实的行为。选择半经验模型有意义的参数数值。缺点必须考虑到中心损失才能实现突出MP操作点。Squadrito等人。定义一个基于参考文献的PEM-FC静态半经验模型[39,40] (26)：
(26)
(25)和(26)给出估算PEM-FC功率和效率所需的重要参数。这些参数在线调整，以考虑PEM-FC性能的多物理波动。为推导出SR-UKF算法，
资料编号：[3850]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
