技术领域
[0001] 本
发明属于新
能源车辆
能量管理技术领域，尤其涉及一种
燃料电池公交车实时全局优化智能控制系统及方法。
背景技术
[0002] 随着我国
汽车保有量不断增加，汽车产业的能源、环境压
力也随之不断增加。由于石油等不
可再生能源对外依赖度逐年上升，实施能源替代迫在眉睫，故氢能以其热值较高、储量丰富以及具有极好的环境友好度进入公众
视野；从氢能的应用
角度看，燃料电池汽车成为重点研究方向之一，统计显示，目前中国市场已经有超过40家车企参与了
氢燃料电池汽车生产制造。另一方面，公共出行交通工具的使用也对能源、环境压力起到极大的减缓作用，故推行燃料电池电动公交车驻扎市场势在必行。
[0003]
机器学习是
人工智能研究较为年轻的分支，是一
门人工智能的科学，其主要研究对象是人工智能，特别是如何在经验学习中改善具体
算法的性能；而
增量学习是一种动态逐步更新算法，是指每当新增数据时不需要重建所有的
知识库，仅仅在原有知识库的
基础上，对新增数据所引起的更新进行训练；这也更加符合人的思维原理，能够避免在海量数据的情况下重复学习。在实际的
数据库中，数据量往往是逐渐增加的。因此，在面临新的数据时，学习方法应能对训练好的系统进行某些改动，以对新数据中蕴涵的知识进行学习，而对一个训练好的系统进行
修改的时间代价通常低于重新训练一个系统所需的代价。
[0004]
现有技术涉及一种基于深度
强化学习的插电式混合动力车辆能量管理方法，该发明存在的不足有：1)未涉及修改因数据变化而涉及的规则，深度强化学习只是利用海量数据的情况进行
降维、融合处理，当有新增数据加入时需要重新训练一个系统；2)未涉及动态逐步更新算法，数据库中的数据是动态变化的，在面临新的数据时，学习方法应能对训练好的系统进行某些改动，以对新数据中蕴涵的知识进行学习。现有技术还涉及一种基于智能预测的插电式混合动力车辆的能量管理方法，该发明存在的不足有：1)采用
深度学习进行模型预测对数据库搜索的时效性、准确度有较大影响，因此预测范围只能到达短期；2)当出现与所述目标行驶路线差异较大时需重构模型。
[0005] 因此，如何方便而有效的反映数据的变
化成为较为迫切的研究话题。设计一套高效、准确、灵活的燃料电池公交车实时全局优化智能控制系统及方法具有极高的现实意义。
发明内容
[0006] 本发明提供了一种燃料电池公交车实时全局优化智能控制系统及方法，燃料电池公交车在行驶过程中，整车
控制器结合最优SOC
预测模型对燃料电池工作状态的控制，在新增工况信息时，利用
云端工作站中的增量学习模型再次进行训练，更新模型参数并及时下载至整车控制器VCU。
[0007] 本发明的技术方案为：
[0008] 一种燃料电池公交车实时全局优化智能控制系统，包括车辆行驶通信单元、车辆行驶信息
预测分析单元、燃料电池整车控制单元以及车辆行驶信息采集单元，所述燃料电池整车控制单元通过车辆行驶通信单元与车辆行驶信息预测分析单元
信号连接，所述燃料电池整车控制单元还与车辆行驶信息采集单元信号连接；所述车辆行驶信息预测分析单元获取预测模型参数，下载至燃料电池整车控制单元进行最优SOC预测模型更新；所述燃料电池整车控制单元控制燃料电池的工作状态。
[0009] 上述技术方案中，所述燃料电池整车控制单元控制燃料电池的工作状态是根据驱动
电机的功率参考值和实时功率、车辆下一工况
片段最优SOC参考轨迹预测值和
电池组实时SOC值进行控制的。
[0010] 上述技术方案中，所述电池组实时SOC是由
电池管理系统BMS实时检测。
[0011] 上述技术方案中，所述下一工况片段最优SOC参考轨迹预测值是由燃料电池整车控制单元中的最优SOC预测模型模
块接收当前工况片段特征参数，由Y*＝min+f(X)(max-*min)得到，其中f(X)是回归函数，max为样本数据的最大值，min为样本数据的最小值，Y 为下一工况片段最优SOC参考轨迹预测值。
[0012] 上述技术方案中，所述
驱动电机的功率参考值是燃料电池整车控制单元中的MPC预测控
制模块根据下一工况片段最优SOC参考轨迹预测值计算得到。
[0013] 上述技术方案中，所述驱动电机的实时功率是由驱动电机实时功率计算模块计算得到。
[0014] 上述技术方案中，所述预测模型参数是由特征参数计算模块计算出的特征参数传送至增量学习模型，经过训练后得到；所述特征参数计算模块接收速度信息接收模块和动态规划模块发送的车辆行驶工况信息和最优SOC参考轨迹。
[0015] 上述技术方案中，所述增量学习模型对特征参数进行训练，得到回归模型SVM1和支持向量集SV1，对新增工况信息进行整合，并与支持向量集SV1合成新样本库数据，继续训练得到全新的回归模型SVM2和支持向量集SV2作为最终模型。
[0016] 一种燃料电池公交车实时全局优化智能控制方法，包括以下步骤：
[0017] 步骤一，利用增量学习模型对得到的工况信息和最优SOC参考轨迹进行训练，得到最优SOC预测模型参数，下载至最优SOC预测模型模块进行最优SOC预测模型更新；
[0018] 步骤二，将当前工况片段特征参数输入到最优SOC预测模型模块，输出下一工况片段最优SOC参考轨迹预测值；
[0019] 步骤三，将下一工况片段最优SOC参考轨迹预测值输入到MPC预测
控制模块中，得到驱动电机功率参考值；
[0020] 步骤四，燃料电池控制单元FCU对SOC值与功率判断，控制燃料电池的工作状态；
[0021] 步骤五，整车控制器VCU判断公交车是否完成一次行程，若行程未结束，则返回步骤二循环进行；若结束，则云端分析工作站将更新的预测模型参数重新下载至整车控制器VCU中进行最优SOC预测模型更新。
[0022] 进一步，所述步骤四具体为：判断电池组实时SOC值是否大于下一工况片段最优SOC参考轨迹预测值的最大值SOCmax，若SOC＞SOCmax，则判断实时功率P是否小于功率参考值Pmin，若P＜Pmin，则燃料电池控制单元FCU关闭不再充电；如果P≥Pmin，则继续判断实时功率P是否大于功率参考值Pmax，若P＞Pmax，则燃料电池控制单元FCU开始工作，当Pmin≤P≤Pmax，则燃料电池控制单元FCU保持状态不变；当实时SOC＜SOCmin或者SOCmin≤SOC≤SOCmax且P＞Pmax，则燃料电池控制单元FCU使燃料电池电堆开启并放电，否则保持状态不变。
[0023] 本发明有益效果：
[0024] 1)避免在海量数据的情况下重复学习。当新增数据时，不需要重建所有的知识库，而是在原有模型的基础上，仅对新增数据所引起的更新进行训练。
[0025] 2)节约云端存储空间，降低成本。由于采用增量学习，原有的
训练数据在训练结束后即可删除，避免造成数据堆积，节约成本。
[0026] 3)工况适应性不断提高。车辆在一次行程结束后，云端即对新增数据进行增量训练，并将训练好的模型下载至车辆，使得车辆在同一通勤路线上的工况适应性不断提高。
附图说明
[0027] 图1为本发明一种燃料电池公交车实时全局优化智能控制系统结构图；
[0028] 图2为本发明燃料电池公交车结构示意图；
[0029] 图3为本发明燃料电池公交车整车控制原理图；
[0030] 图4为本发明最优SOC预测模型生成原理图；
[0031] 图5为本发明基于
支持向量机的增量学习模型网络结构图；
[0032] 图6为本发明一种燃料电池公交车实时全局优化智能控制工作
流程图；
[0033] 图7为本发明突发工况案例分析图；
[0034] 其中：1-燃料电池公交车，2-整车控制器VCU，3-无线通信系统，4-卫星，5-基站，6-有线通信系统，7-云端分析工作站，8-增量学习模型，9-最优SOC预测模型模块，10-MPC预测控制模块，11-燃料电池控制单元FCU，12-燃料电池储氢罐，13-燃料电池电堆，14-速度
传感器，15-
加速度传感器，16-驱动电机实时功率计算模块，17-电机控制器MCU，18-驱动电机，19-电池管理系统BMS，20-速度信息接收模块，21-动态规划模块，22-特征参数计算模块。
具体实施方式
[0035] 下面结合附图来说明本发明一种燃料电池公交车实时全局优化智能控制系统及方法的结构和工作原理。
[0036] 如图1和图2所示，本发明一种燃料电池公交车实时全局优化智能控制系统，包括车辆行驶通信单元、车辆行驶信息预测分析单元、燃料电池整车控制单元以及车辆行驶信息采集单元。所述车辆行驶通信单元包括无线通信系统3、卫星4、基站5和有线通信系统6，所述车辆行驶信息预测分析单元包括云端分析工作站7，所述燃料电池整车控制单元包括整车控制器VCU 2、燃料电池控制单元FCU 11、燃料电池储氢罐12、燃料电池电堆13、电机控制器MCU 17和驱动电机18，燃料电池储氢罐12给燃料电池电堆13提供燃料；所述车辆行驶信息采集单元包括速度传感器14、加速度传感器15和驱动电机实时功率计算模块16，速度传感器14和加速度传感器15均与整车控制器VCU 2信号连接，驱动电机实时功率计算模块16与燃料电池控制单元FCU 11及电机控制器MCU 17信号连接。
[0037] 如图2所示，整车控制器VCU 2、燃料电池控制单元FCU 11、驱动电机18、电机控制器MCU 17、速度传感器14、加速度传感器15、驱动电机实时功率计算模块16、燃料电池储氢罐12、燃料电池电堆13均设置在燃料电池公交车1顶部。
[0038] 在车辆行驶过程中，整车控制器VCU 2通过无线通信系统3与卫星4连接，卫星4通过无线通信系统3与基站5连接，基站5通过有线通信系统6与云端分析工作站7连接；如图4所示，云端分析工作站7内部设有相互连接的速度信息接收模块20和动态规划模块21，速度信息接收模块20、动态规划模块21均与特征参数计算模块22连接，特征参数计算模块22与增量学习模型8连接；燃料电池公交车1在行驶起点通过车辆行驶通信系统下载预测模型参数至整车控制器VCU 2，整车控制器VCU 2中设有相互连接的最优SOC预测模型9和MPC预测控制10，最终燃料电池控制单元FCU 11集成驱动电机18的功率参考值和实时功率，输出燃料电池的工作状态。
[0039] 如附图3所示，整车控制器VCU 2包括依次连接的最优SOC预测模型模块9和MPC预测控制模块10；最优SOC预测模型模块9接收当前工况片段特征参数，由Y*＝min+f(X)(max-min)得到下一工况片段最优SOC参考轨迹预测值，传输给MPC预测控制模块10，由MPC预测控制模块10计算得到驱动电机功率参考值，驱动电机功率参考值传输给燃料电池控制单元FCU 11。电池管理系统BMS 19实时检测电池组的SOC值，驱动电机实时功率计算模块16与电机控制器MCU 17信号连接，通过电机控制器MCU 17获取驱动电机18的转速、转矩，进而得到实时功率；燃料电池控制单元FCU 11接收驱动电机18的功率参考值和实时功率、下一工况片段最优SOC参考轨迹预测值和电池组实时SOC值，控制燃料电池的开启、关闭和保持。
[0040] 如附图4所示，云端分析工作站7中，速度信息接收模块20将车辆行驶工况信息输送给动态规划模块21并得到最优SOC参考轨迹，速度信息接收模块20、动态规划模块21再把车辆行驶工况信息、最优SOC参考轨迹发送给特征参数计算模块22，特征参数计算模块22计算出的特征参数传送至增量学习模型8，经过训练后得到预测模型参数(包括对偶参数α、α*，RBF核函数，偏差b)；燃料电池公交车1在行驶起点通过车辆行驶通信系统下载训练好的预测模型参数至整车控制器VCU 2中的最优SOC预测模型模块9；车辆行驶过程中，整车控制器VCU 2按照时间片段将工况划分成等段的工况片段TS，并上传至速度信息接收模块20。公交车1每完成一次行程后，利用新行程的工况数据(包括速度和加速度)及其最优SOC参考轨迹获取特征参数进行增量学习，生成新的预测模型参数并下载至最优SOC预测模型模块9更新其中的最优SOC预测模型。
[0041] 所述云端分析工作站7每次经过增量学习模型8的训练后，由于使用了增量学习技术，原有的训练样本可被删除，避免造成大量数据堆积，增加训练负担和生产成本。
[0042] 如附图5所示，增量学习模型8对特征参数进行训练，得到回归模型SVM1和支持向量集SV1，对新增工况信息进行整合，并与支持向量集SV1合成新样本库数据，继续训练得到全新的回归模型SVM2和支持向量集SV2作为最终模型。将当前工况片段特征参数为增量学习模型输入，将下一工况片段最优SOC参考轨迹的特征参数作为模型输出，利用大量上午输入输出训练增量学习模型，建立当前工况片段特征参数与下一工况片段最优SOC参考轨迹的特征参数之间的映射关系，实现对下一工况片段最优SOC参考轨迹的特征参数的推算和预测。对于下一工况片段的最优SOC参考轨迹Yi+1，可以表示为：
[0043]
[0044] 上式中的参数分别表示工况片段最优SOC参考轨迹的几项特征：最大SOC值、最小SOC值、SOC标准差、SOC最大变化率、平均SOC。
[0045] SOCmax＝max:SOCj (2)
[0046] SOCmin＝min:SOCj (3)
[0047]
[0048]
[0049]
[0050] Kmax＝max：Kj (7)
[0051] 其中，n为该工况片段中的数据点个数，Δt为数据点时间间隔，K为SOC变化率，j＝1,2,…,n，。
[0052] 为实现下一工况片段最优SOC参考轨迹预测，将当前工况片段特征参数记为：
[0053]
[0054] 上式中的参数分别表示当前工况片段的工况信息：最大速度、最小速度，最大加速度、最小加速度及平均速度。
[0055] Vmax＝max：Vj (9)
[0056]
[0057] amax＝max：aj (11)
[0058] amin＝min：aj (12)
[0059]
[0060] 其中V为燃料电池公交车1的车速，a为燃料电池公交车1的加速度。
[0061] 在进行增量学习的训练前，需要利用动态规划模块21对车辆行驶的路谱信息进行计算，以得到最优SOC参考轨迹。动态规划主要包括顺推法和逆推法，其中顺推法是从第一阶段开始利用状态转移方程由前向后递推，其原理如下：
[0062]
[0063] 其中，k为阶段编号；sk为状态变量；uk为控制变量；rk为阶段指标函数；fk为最优指标函数；Tk为状态转移函数。
[0064] 取动力电池SOC为状态变量，整个步长被划分为步长为1s的m个阶段。阶段指标函数rk为第k个阶段能量消耗，计算如下：
[0065]
[0066] 其中：f(Pfc)为燃料电池在输出功率Pfc时消耗能量； 为动力电池等效能耗；Z包含了燃料电池、DC-DC变换器以及动力电池的动态工作效率，可通过实验或等效
电路模型计算得到。第k阶段到k+1阶段的状态转移方程为：
[0067]
[0068] 其中：Pb_k为动力电池输出功率；Ub为总线
电压；Cb为动力电池容量。控制参数为第k阶段燃料电池输出功率Pfc_k，状态变量和控制变量约束条件为：
[0069]
[0070] 其中，Pfc_max为燃料电池最大输出功率；Pb_min和Pb_max为动力电池最大充电和放电功率；优化目标为找到整个驾驶循环内的最优控制变量Pfc_k使得能量消耗量J最小：
[0071]
[0072] 将状态变量SOC在SOCmin和SOCmax范围内按一定步长划分为N个
节点，每个节点都保存了到达该节点的最优轨迹。第k步节点i的计算过程为：首先找出第k-1步在约束条件下能够转移到节点i的全部节点，计算发生这些状态转移的累积能耗fk，使之最小的状态转移即为第k步经过节点i的最优策略。递推到循环终点，找出fk最小的节点，通过节点保存的轨迹信息即可找出最优SOC参考轨迹。
[0073] 将当前工况片段特征参数Xi作为增量学习模型的输入，将下一工况片段的最优SOC参考轨迹Yi+1作为增量学习模型的输出。为减小输入数据间数量级差别较大引起的网络预测误差，对输入数据作归一化处理，归一化数据的取值范围为[0,1]。采用离差标准化方法进行归一化，转换式为：
[0074]
[0075] 其中，max为样本数据的最大值，min为样本数据的最小值，X为原始训练数据(包括大量的当前工况片段特征参数Xi)，X*为归一化数据。
[0076] 运用SVM模型对下一工况片段最优SOC参考轨迹进行预测之后，还需对预测的结果按式(3)进行反归一化处理，使预测得到的数据符合实际范围和意义。据此，下一工况片段最优SOC参考轨迹的表达式为：
[0077]
[0078] 式中， 是从输入空间到高位特征空间的非线性映射；权重Wi和偏差b由下式得到：
[0079]
[0080] 式中W＝{W1,W2,…,Wi,…WN}， 为正则化部分；第二项中 是经验
风险，由下式给出的不敏感损失函数Lε来度量，ε为回归允许最大误差；C为用来平衡两者的权重参数，称为正则化参数。
[0081]
[0082] 为了得到Wi和b，通过RBF核函数K(Xi,Xj)将式(6)进行转化为：
[0083]
[0084] 式中α、α*是对偶参数。
[0085] 于是，回归函数变成了下面的精确形式：
[0086]
[0087] 得到增量学校模型的预测输出之后，将预测值进行反归一化，还原为下一工况片段最优SOC参考轨迹的预测值：
[0088] Y*＝min+f(X)(max-min) (25)
[0089] 结合附图6，本发明一种燃料电池公交车实时全局优化智能控制方法，具体包括以下步骤：
[0090] 步骤一：速度传感器14、加速度传感器15预先采集燃料电池公交车1的工况信息发送给整车控制器VCU 2，整车控制器VCU 2发送给速度信息接收模块20，速度信息接收模块20输送给动态规划模块21，得到下一工况最优SOC参考轨迹。特征参数计算模块22接收速度信息接收模块20和动态规划模块21发送的工况信息及下一工况最优SOC参考轨迹，并分别计算其特征参数。
[0091] 步骤二：利用增量学习模型8对得到的工况信息和最优SOC参考轨迹进行训练，进而得到最优SOC预测模型参数，下载至最优SOC预测模型模块9。
[0092] 步骤三：将当前工况片段特征参数输入到最优SOC预测模型模块9，进而输出下一工况片段最优SOC参考轨迹预测值。
[0093] 步骤四：将下一工况片段最优SOC参考轨迹预测值输入到MPC预测控制模块10中，输出相应的转速、转矩，进而得到功率P参考值，功率P参考值包括最大值Pmax和最小值Pmin。
[0094] 步骤五：电池管理系统BMS 19监测电池组实时SOC值，并与步骤三输出的下一工况片段TSi+1最优SOC参考轨迹预测值进行比较。
[0095] 步骤六：驱动电机实时功率计算模块16由驱动电机18的转速、转矩，进而测得实时功率P，并与步骤四得到的驱动电机功率参考值进行比较。
[0096] 步骤七：燃料电池控制单元FCU 11根据功率跟随式能量控制策略，综合对SOC值与功率进行判断，具体为：
[0097] 首先判断电池组实时SOC值是否大于下一工况片段最优SOC参考轨迹预测值的最大值SOCmax，若SOC＞SOCmax，则判断实时功率P是否小于功率参考值Pmin，若P＜Pmin，则燃料电池控制单元FCU 11关闭不再充电；如果P≥Pmin，则继续判断实时功率是否大于功率参考值Pmax，若P＞Pmax，则燃料电池控制单元FCU 11开始工作，当Pmin≤P≤Pmax，则燃料电池控制单元FCU 11保持状态不变。当实时SOC＜SOCmin或者SOCmin≤SOC≤SOCmax且P＞Pmax，则燃料电池控制单元FCU 11使燃料电池电堆13开启并放电，否则保持状态不变。
[0098] 步骤八：整车控制器VCU 2判断燃料电池公交车1是否到达终点完成一次行程，若行程未结束，则返回步骤三循环进行；若结束，则云端分析工作站7通过增量学习模型8对新增训练数据完成增量学习并将更新的预测模型参数重新下载至整车控制器VCU 2中的最优SOC预测模型模块9中进行最优SOC预测模型更新。
[0099] 下面结合附图7来具体描述本发明的工作流程：燃料电池公交车1在行驶过程中，整车控制器VCU 2对工况信息进行
采样并按照时间划分片段，在每段工况片段的起始时间点开始进行控制；将当前工况片段特征参数输入最优SOC预测模型模块9中，得到下一工况片段最优SOC参考轨迹预测值作为输入传送给MPC预测控制模块10，MPC预测控制模块10得到驱动电机功率参考值，电池管理系统BMS模块19实时对燃料电池车电池组SOC值进行监测，驱动电机实时功率计算模块16通过电机控制器MCU 17对车辆行驶时的电机转速转矩进行监测进而计算得到驱动电机实时功率；将测得的实时电池组SOC值、驱动电机实时功率与最优SOC预测模型模块9、MPC预测控制模块10预测输出的下一片段最优SOC参考轨迹预测值、驱动电机功率参考值共同输入燃料电池控制单元FCU 11，根据功率跟随式能量控制策略判断燃料电池的工作状态，进而完成下一工况片段的控制。在行驶过程中燃料电池公交车1不断通过车辆行驶通信系统上传各片段的工况信息，每完成一次行程之后，云端分析工作站7通过实时上传的工况信息进行增量学习训练。当原行驶路线由于施工改造造成道路工况前后发生变化，上传的工况信息也随之发生变化。在行程结束，云端分析工作站7利用增量学习模型8对新增数据进行增量学习训练，进而对模型参数进行更新，把训练后的模型参数下载至燃料电池整车控制器VCU 2。当车辆在相同突发工况下再次运行时，即可适应新环境的变化。
[0100] 上述列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
