基于复杂工况多尺度预测的燃料电池混合动力工程车辆分层优化预测控制研究

Fuel cell hybrid engineering vehicles can fundamentally solve the problems of energy saving and emission reduction, which have important research value and practical significance. The complex work conditions of engineering vehicles, including operation loads and strongly changed loads, have a great effect on the coupling characteristics and fuel cell durability of fuel cell hybrid system, and restrict the optimization control of the system. This project focuses on the theoretical and experimental research on the dynamic model of the fuel cell hybrid system, and the predictive control methodology based on the working condition prediction, under the complex working conditions. First, a multi-state model of the fuel cell hybrid engineering vehicle will be established by theoretical and experimental methods, and the multi-state transformation mechanism will be explored. Through model simulation and simulated loading experiments, the influences of complex working conditions on the coupling characteristics of the system and fuel cell durability will be explored. Secondly, energy management under complex working conditions will be explored. A hierarchical optimized multi-model predictive control method will be proposed. A multi-scale prediction method based on Calman filtering and wavelet neural network will be developed to predict the complex working conditions online. The multi-objective dynamic optimization method will be explored to achieve comprehensive performance optimization. The multi-model handover control and the handover process stability will be discussed. Finally, the proposed theories will be validated through hardware-in-the-loop tests. This project will provide theoretical basis and technical supports for product development with independent intellectual property rights.

燃料电池工程车辆可根本上解决行业节能减排的重要问题，具有重要的研究价值和现实意义。工程车辆作业载荷与强变负载的复杂工况影响燃料电池混合动力系统耦合特性和燃料电池耐久性，制约着系统优化控制。本项目围绕复杂工况下燃料电池混合动力系统动态模型和基于工况预测的预测控制方法进行理论和试验研究。首先，采用理论与实验相结合的方法，建立燃料电池工程车辆混合动力系统多状态模型，研究多状态变换机理。通过模型仿真与模拟加载试验方法，探明复杂工况对系统耦合特性和燃料电池耐久性的影响规律。其次，探索复杂工况下系统能量管理，提出一种分层优化多模型预测控制方法。发展一种基于卡尔曼滤波和小波神经网络的多尺度混合预测方法，实现复杂工况在线预测；研究多目标动态优化方法实现性能综合优化；研究多模型切换控制方法和切换过程稳定性。最后通过硬件在环仿真试验验证算法有效性。本项目将为开发具有自主知识产权的产品提供理论依据与技术支持。

燃料电池混合动力工程车辆可以解决工程车辆节能减排的重要问题。工程车辆的复杂工作环境、作业载荷与强变负载的复杂工况制约着燃料电池混合动力系统的优化控制。本项目深入探索复杂工况对燃料电池工程车辆混合动力系统特性的影响，围绕燃料电池混合动力工程车辆系统建模和基于工况预测的预测控制能量优化管理进行了深入研究。首先，分析了工程车辆载荷特征，对燃料电池混合动力系统进行了能量流路径分析，建立了燃料电池神经网络模型，根据系统不同工况状态建立了燃料电池混合动力系统多状态数学模型，基于鲁棒控制理论研究了采用模糊监督规则的多模型切换控制方法。在此基础上，分析了复杂工况对混合动力系统耦合特性的影响规律，提出了功率比系数来描述系统工况，面向工程车辆应用建立了燃料电池耐久性评价模型，分析了典型工况对燃料电池性能衰退及耐久性的影响规律。其次，针对工程车辆负载工况预测，研究了基于马尔科夫链和神经网络的工程车辆负载功率预测方法，提出了基于卡尔曼滤波小波神经网络的混合预测方法，预测精度较好，融合了工况预测和工况模式识别。进而，提出了一种基于分层优化的模型预测控制混合动力系统能量管理策略，上层经济优化层通过优化获取系统最优状态参考轨迹，下层跟踪控制层进行在线跟踪，能更好适应复杂工况和系统对多目标优化的要求，控制效果较好。并研究了基于模糊逻辑算法的多目标优化自适应权值方法，根据实时工况和辅助储能元件状态动态调整权重。最后，通过模型仿真及硬件在环试验验证了所提理论及方法。本项目为燃料电池工程车辆设计开发提供了新的理论支持与技术手段，有助于解决复杂工况条件下燃料电池混合动力系统的优化控制问题。受本项目支持，在Energy等期刊发表SCI检索学术论文6篇，申请发明专利2项，授权实用新型1项。培养博士研究生毕业1人，硕士研究生毕业1人。