基于遺傳算法的燃料電池汽車能量管理策略優(yōu)化研究

摘要：對于燃料電池汽車（FCV），有效的能量管理策略（EMS）對提高其能效和延長電池壽命至關重要。據此，采用遺傳算法（GA）優(yōu)化支持向量機（SVM）等方法，對燃料電池混合動力汽車的能量管理策略進行優(yōu)化。通過實車仿真數(shù)據，驗證了優(yōu)化后策略在降低氫氣消耗及提升電池維護效果上的優(yōu)勢，相較于傳統(tǒng)方法，所提策略顯著提高了能量利用效率和系統(tǒng)運行的穩(wěn)定性。

關鍵詞：燃料電池汽車；能量管理；遺傳算法；支持向量機；系統(tǒng)優(yōu)化

中圖分類號：U469.72 收稿日期：2024-08-27

DOI：10.19999/j.cnki.1004-0226.2024.12.016

1 前言

燃料電池汽車（FCV）在提供環(huán)境友好的交通工具方面展現(xiàn)出獨特優(yōu)勢，然而，其能量管理系統(tǒng)的效率直接關聯(lián)到能源利用率和經濟性。傳統(tǒng)的能量管理策略往往依賴于預設的模式和參數(shù)，難以適應復雜多變的實際行駛環(huán)境。因此，開發(fā)一種能夠實時適應不同駕駛條件，優(yōu)化能量分配的智能管理策略顯得尤為重要。

利用遺傳算法優(yōu)化支持向量機，為燃料電池混合動力汽車提供了一種新的能量管理方法，該方法通過動態(tài)調整和優(yōu)化參數(shù)，提升了車輛在不同工況下的經濟性和電池的使用壽命。通過集成實時工況識別與能量流優(yōu)化，新策略能顯著降低氫耗和改善電池的充放電性能，這對于推動燃料電池車的商業(yè)化應用具有重要意義。

2 燃料電池混合動力汽車系統(tǒng)結構與工作原理

燃料電池混合動力汽車（FCHV）結合了氫燃料電池和電池存儲系統(tǒng)，以提供高效且環(huán)境友好的動力解決方案。這種系統(tǒng)的核心是質子交換膜燃料電池（PEMFC），它通過氫氣與氧氣的電化學反應直接產生電力。該過程中，氫氣在陽極被催化劑分解為質子和電子。質子穿過質子交換膜到達陰極，而電子則通過外部電路流動，產生電流。在陰極，氧氣、電子和質子結合生成水和熱量。

電動機則利用這一產生的電力來驅動車輛，同時電池組作為能量緩沖，支持高峰負荷需求和能量回收系統(tǒng)。在車輛需求超過燃料電池當前輸出或在加速及上坡時，電池組可提供額外能量，以維持動力輸出。反之，在制動或下坡時，多余的動能通過再生制動系統(tǒng)轉換為電能，被電池儲存[1]。

FCHV的動力管理由電力電子控制系統(tǒng)（EMS）負責。EMS利用各種傳感器輸入，實時監(jiān)控車輛狀態(tài)和駕駛條件，動態(tài)調整電力分配，從而優(yōu)化整車的性能和經濟性。圖1所示為FCHV動力系統(tǒng)拓撲結構，PEMFC與DC/DC變換器相連，確保電壓穩(wěn)定供應至車輛的驅動系統(tǒng)和電池組。變換器調節(jié)從燃料電池到電動機的電能流，以及反向從電池到電動機的能量回饋。而DC/AC逆變器則可以將直流電轉換為交流電，供應給電動機使用，同時連接到高壓蓄電池，以供不同工況下使用。

3 能量管理策略的建立與優(yōu)化需求

在FCHV中，EMS的主要目的是合理分配燃料電池和電池儲能之間的能量流，以達到最優(yōu)的能效和性能。傳統(tǒng)的能量管理策略通常依賴于預設的規(guī)則或簡單的邏輯控制，其策略采用如下的控制規(guī)則：

P=P-P

式中，P為電池組需要提供的功率；P為當前負載需求；P為燃料電池的輸出功率。這種方法在穩(wěn)定的駕駛條件下可能表現(xiàn)良好，但在動態(tài)變化的實際行駛環(huán)境中，很難適應復雜多變的能量需求和環(huán)境變化。

此外，傳統(tǒng)策略中的SOC管理通常設置為保持在一個安全的充電范圍，如40%～80%之間，以防止電池過充或過放，從而延長電池的使用壽命[2]。然而，這種保守的SOC控制限制了電池在提供峰值負載和捕獲再生能量方面的潛力。

為了克服這些局限性，選擇一種高效的優(yōu)化算法成為必要。在能量管理策略中引入遺傳算法（GA），可以在廣泛的駕駛條件和不同的能量需求中找到最優(yōu)解，其策略的優(yōu)化目標通常包括最小化燃料消耗、保持SOC在理想范圍內，并確保車輛動力性能滿足駕駛需求。優(yōu)化的目標函數(shù)可以表示為：

Minimize：fx=w·ΔFuel+wΔSOC

式中，[ΔFuel]和[ΔSOC]分別表示在一定行駛距離內的燃料消耗和SOC變化量；[w1]和[w2]是相應的權重系數(shù)，表明不同目標之間的權衡。通過這種方法，能量管理系統(tǒng)能夠動態(tài)適應于各種行駛環(huán)境，優(yōu)化燃料使用效率，同時保護電池健康。

4 遺傳算法的原理與應用

GA是啟發(fā)式搜索算法中的一種，其設計靈感來源于自然界的進化機制。算法基于達爾文的“適者生存”原則，通過模擬自然選擇、遺傳、突變等生物學現(xiàn)象解決優(yōu)化問題。遺傳算法在EMS中的應用主要是尋找最優(yōu)或近似最優(yōu)的解決方案，以優(yōu)化燃料電池和電池組之間的能量分配。

GA的基本步驟包括初始化、選擇、交叉（雜交）、突變和評估。算法從一個由隨機生成的染色體（解決方案）組成的初始種群開始，每個染色體代表EMS的一個潛在配置。初始化生成初始種群，每個個體代表一種可能的EMS配置。然后評估計算每個染色體的適應度，通常是它們滿足特定性能指標的程度，如能量效率、成本和環(huán)境影響。之后根據適應度選擇染色體進行繁殖，適應度高的染色體有更大的機會被選中。隨機選取配對的染色體，進行交叉操作，以交換它們的部分基因，產生新的染色體[3]。并以較低的概率隨機改變染色體中的某些基因，增加種群的遺傳多樣性。最后通過交叉和突變生成的新染色體形成新的種群，重復上述過程直到滿足終止條件，如達到最大迭代次數(shù)或適應度足夠高。GA流程如圖2所示。

在FCHV的能量管理系統(tǒng)中，遺傳算法可以用來優(yōu)化控制策略，確保在不同的行駛條件下實現(xiàn)能源的最優(yōu)利用。例如，算法可以調整燃料電池輸出和電池充放電策略，以整體能耗最小化并行駛里程最大化。通過實時模擬不同策略的性能，GA幫助設計者選擇最佳的能量管理參數(shù)。

使用遺傳算法優(yōu)化EMS不僅能提升燃料電池車的經濟性和環(huán)境性能，還能增強車輛在各種操作條件下的可靠性和穩(wěn)定性。通過這種方法，可以系統(tǒng)地探索和利用復雜的能量管理策略，實現(xiàn)對先進車輛技術的精確控制和優(yōu)化。

5 遺傳算法優(yōu)化SVM的實現(xiàn)

支持向量機（SVM）是一種強大的分類技術，通過找到一個最優(yōu)的超平面來最大化不同類別之間的邊界。在FCHV的能量管理系統(tǒng)中，SVM可用于預測和適應不同的駕駛條件，但其性能大幅依賴于核函數(shù)的參數(shù)配置，如懲罰參數(shù)C和核參數(shù)γ。這些參數(shù)的優(yōu)化是實現(xiàn)高效能量管理的關鍵。

為了優(yōu)化SVM的參數(shù)，GA被用作自動搜索最優(yōu)參數(shù)的方法。GA的配置如下：a.將SVM的每個參數(shù)編碼為染色體的一部分，C和γ參數(shù)被轉換為二進制形式并組合成單一的染色體串。b.定義適應度函數(shù)以評估某一參數(shù)組合下SVM的性能，通常采用交叉驗證的分類準確率作為適應度評價標準。c.選擇機制，使用輪盤選擇或錦標賽選擇方法從種群中選出優(yōu)良個體進行繁殖。d.是應用單點或多點交叉方法產生新個體，并通過突變操作引入新的遺傳變異，增加種群多樣性。e.設置算法停止的條件，常見的包括達到最大迭代次數(shù)或適應度達到某一閾值。

實現(xiàn)從隨機生成初始種群，種群中的每個個體代表一組可能的C和γ值。然后對種群中的每個個體，通過計算其代表的SVM參數(shù)在交叉驗證數(shù)據集上的分類準確率來評估適應度。基于適應度，選擇更優(yōu)的個體進行交叉和突變，產生新一代種群。重復以上步驟，直到滿足終止條件。每一代種群都期望優(yōu)于前一代，逐步接近最優(yōu)解[4]。

6 模擬實驗設計與結果分析

6.1 實驗設計與仿真模型建立

為了全面評估GA優(yōu)化的SVM在FCHV的能量管理策略中的表現(xiàn)，研究設計了一系列詳盡的模擬實驗。實驗的目標是在控制條件下模擬城市和高速駕駛環(huán)境，并比較傳統(tǒng)和優(yōu)化策略下的性能差異。

6.1.1 仿真模型構建

車輛使用一款中型FCHV車型，配備100 kW的燃料電池和一個20 kWh的鋰離子電池組。

駕駛模擬包括兩種主要駕駛環(huán)境：城市循環(huán)（低速多變速度和頻繁啟停）和高速循環(huán)（長時間均速行駛）。城市循環(huán)模擬New European Driving Cycle（NEDC），而高速循環(huán)則模仿高速公路駕駛條件。

6.1.2 參數(shù)設定

燃料電池參數(shù)最大效率為60%，功率范圍從5～100 kW。電池參數(shù)最大放電率為2 C，最大充電率為1.5 C，電池初始SOC設為70%。

6.1.3 控制策略

傳統(tǒng)策略基于固定閾值的SOC控制，燃料電池輸出固定不變，只有在必要時電池輔助提供額外功率。

采用遺傳算法優(yōu)化SVM，動態(tài)調整燃料電池和電池的輸出，以響應實時能量需求和駕駛狀態(tài)，目標是總能量消耗最小化并維持電池SOC在理想范圍。

6.2 模擬實驗結果

模擬實驗結果收集了在不同策略下的燃料消耗和電池SOC變化情況。具體結果如表1所示。

從表1可見，遺傳算法優(yōu)化的SVM策略在城市循環(huán)和高速循環(huán)中均顯示出較傳統(tǒng)策略更低的燃料消耗和更少的電池SOC波動。特別是在城市循環(huán)中，優(yōu)化策略降低了約9.4%的燃料消耗和50%的SOC波動，表明優(yōu)化策略能夠更有效地管理能量，在頻繁變速的城市駕駛環(huán)境中維持更高的能效和穩(wěn)定性[5]。

6.3 實際應用中的效能和可行性分析

遺傳算法優(yōu)化后的能量管理策略顯示出顯著的性能提升，這表明其在實際應用中具有很高的潛力。減少能量消耗和優(yōu)化電池使用不僅能延長燃料電池和電池的壽命，還能降低運營成本。然而，實際應用中的挑戰(zhàn)包括算法的計算復雜性和實時執(zhí)行需求。未來的工作將需要進一步研究如何將這些優(yōu)化策略集成到車輛控制系統(tǒng)中，以及如何處理實時數(shù)據以實時調整能量輸出。

7 結語

研究通過遺傳算法優(yōu)化支持向量機的方法成功提升了燃料電池混合動力汽車的能量管理策略，實現(xiàn)了在多種駕駛環(huán)境下的能耗最優(yōu)化。仿真實驗結果表明，相比傳統(tǒng)能量管理策略，遺傳算法優(yōu)化后的策略在城市循環(huán)和高速循環(huán)中均有效降低了燃料消耗和電池SOC的波動。這一優(yōu)化策略不僅提高了能源使用效率，還有助于延長電池的使用壽命和降低整車運行成本。遺傳算法優(yōu)化的能量管理策略在實際應用中具有顯著的經濟和環(huán)境效益，展示了其在未來智能汽車能量系統(tǒng)中的廣闊應用前景。

參考文獻：

[1]陳薇玉，姜莉.氫燃料電池混合動力汽車能量管理策略研究綜述 [J].黑龍江工程學院學報，2024，38（4）：1-8.

[2]劉植.燃料電池混動新能源汽車能量管理控制方法研究[D].長春：長春師范大學，2023.

[3]聶金泉，王敖，魏長銀，等.燃料電池汽車工況自適應的模糊能量管理策略[J].重慶理工大學學報（自然科學），2023，37（9）：71-78.

[4]李貝佳.面向燃料電池性能衰減的混合動力系統(tǒng)參數(shù)匹配和能量管理研究[D].武漢：華中科技大學，2023.

[5]趙勇，謝金法，時佳威，等.基于遺傳算法優(yōu)化支持向量機工況識別的燃料電池混合動力汽車能量管理策略[J].科學技術與工程，2020，20（14）：5820-5827.

作者簡介：

李子奇，男，1984年生，講師，研究方向為新能源汽車技術、智能駕駛汽車技術。