買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜合肥工業大學申請的專利智能網聯燃料電池汽車熱-電集成式優化控制方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119247786B 。

龍圖騰網通過國家知識產權局官網在2025-03-25發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411754855.3，技術領域涉及：G05B13/04；該發明授權智能網聯燃料電池汽車熱-電集成式優化控制方法是由江維海;鄭潤澤;佟強;李丞;朱仲文;王維志;潘軼山設計研發完成，并于2024-12-03向國家知識產權局提交的專利申請。

本智能網聯燃料電池汽車熱-電集成式優化控制方法在說明書摘要公布了：本發明涉及智能網聯燃料電池汽車熱?電集成式優化控制方法，所述方法包括以下步驟：建立面向滾動時域的速度預測模型；建立面向控制的電池熱管理系統模型；建立能量熱量優化管理問題；使用強化學習進行求解；基于車載域控制器的并行計算控制策略。本發明提出的智能網聯燃料電池汽車整車?系統集成式熱管理系統的熱?電耦合一體化集成式優化控制方法，在燃料電池汽車熱?電協同優化控制領域具有重要的創新意義和應用價值。通過引入強化學習控制策略和并行計算控制分配策略，可以實現對燃料電池汽車熱電協同需求的精準控制和高效利用，為提升整車性能、降低能耗和減少排放提供了有效的技術支撐。

本發明授權智能網聯燃料電池汽車熱-電集成式優化控制方法在權利要求書中公布了：1.智能網聯燃料電池汽車熱-電集成式優化控制方法，其特征在于，所述方法包括以下步驟：1建立面向滾動時域的速度預測模型；2建立面向控制的電池熱管理系統模型；3建立能量熱量優化管理問題；4使用強化學習進行求解；5基于車載域控制器的并行計算控制策略；建立面向滾動時域的速度預測模型的步驟包括：首先通過智能網聯技術獲取燃料電池汽車未來狀態的車速v，通過汽車功率平衡公式，獲取車輛的驅動需求功率preq； 式中：m-車輛質量，f-滾動阻力系數，CD-空氣阻力系數，A-迎風面積，δ-旋轉質量換算系數，-車輛加速度；通過功率分配關系得到燃料電池和動力電池所需提供的驅動功率Pfc-req、Pbat-req；由于車輛驅動需求功率Preq只和速度v有關，因此Preq看做v的函數，即Preq＝fv，同理，燃料電池和動力電池所需提供的驅動功率Pfc-req、Pbat-req都看做關于速度v的函數；建立面向控制的電池熱管理系統模型的步驟包括：得到燃料電池和動力電池需要提供的牽引力功率Pfc-req、Pbat-req后，針對熱管理系統建立動力電池的熱模型fbat、燃料電池熱模型ffc、乘員艙熱模型fcab和電池fsoc；2.1動力電池的熱模型fbat：風扇冷卻管道流入動力電池的氣體質量流量表示如下： 式中，Pfan-bat是動力電池風扇冷卻系統的功率，Pfan-bat-max是動力電池風扇冷卻系統的最大功率，是風扇冷卻管道流入動力電池的最大氣體質量流量；通過風扇冷卻方式，動力電池對外界空氣傳熱率為: 式中，Cair是為空氣熱容，Tbat為動力電池溫度，Tair為周圍環境溫度，hair為空氣的傳熱系數，Aair為空氣與電池的接觸面積；水泵冷卻管道流入動力電池的質量流量表示如下： 式中，Ppump-bat是動力電池水泵冷卻系統的功率，Ppump-bat-max是動力電池水泵冷卻系統的最大功率，是水泵冷卻管道流入動力電池的最大質量流量；通過水泵冷卻方式，動力電池對冷卻液傳熱率為: 式中，Cwater是為冷卻液熱容，Twater為冷卻液溫度，hwater為冷卻液的傳熱系數，Awater為冷卻液與電池的接觸面積；動力電池的總功率Pbat＝Pfan-bat+Ppump-bat+Pair+Pbat-req，其中Pair是空調的功率，動力電池的充放電SOC表示為： 式中，Rbat代表動力電池的內阻，Ibat為動力電池輸出電流，Uoc是開路電壓，Nbat是動力電池總的電荷量，Rbat和Uoc都是電池荷電狀態SOC和溫度的函數，函數通過實驗生成的MAP表來建模，因此SOC表示為； 動力電池溫度的動態方程為： 式中，mbat為動力電池的質量；Cbat為動力電池熱容量；動力電池的傳熱率為： 2.2燃料電池的熱模型ffc：風扇冷卻管道流入燃料電池的氣體質量流量表示如下： 式中，Pfan-fc是燃料電池風扇冷卻系統的功率，Pfan-fc-max是燃料電池風扇冷卻系統的最大功率，是風扇冷卻管道流入燃料電池的最大氣體質量流量；通過風扇冷卻方式，燃料電池對外界空氣傳熱率為: 式中，Tfc為燃料電池溫度，Aair-fc為空氣與燃料電池的接觸面積；水泵冷卻管道流入燃料電池的質量流量表示如下： 式中，Ppump-fc是燃料電池水泵冷卻系統的功率，Ppump-fc-max是燃料電池水泵冷卻系統的最大功率，是水泵冷卻管道流入燃料電池的最大質量流量；通過水泵冷卻方式，燃料電池對冷卻液傳熱率為: 式中，Awater-fc為冷卻液與燃料電池的接觸面積；燃料電池的充放電電流Ifc是燃料電池功率的函數，通過實驗生成的MAP表來建模；燃料電池溫度的動態方程為： 式中，Rfc為燃料電池內阻，mfc為燃料電池的質量；Cfc為燃料電池熱容量；燃料電池的傳熱率為： 2.3乘員艙發熱模型fcab；燃料電池系統通過熱交換器1傳遞到熱泵空調系統的余熱傳熱率為： 式中，εfc是熱交換器1的效率；動力電池系統通過熱交換器2傳遞到熱泵空調系統的余熱傳熱率為： 式中，εbat是熱交換器2的效率；熱泵空調自身的傳熱率為： 式中，Pair-max是熱泵空調的最大功率，wair是熱泵空調最大制冷量；在低溫環境下，與乘員艙溫度變化有關的因素有熱泵空調、燃料電池和乘員艙的余熱和車速，因此乘員艙的熱量的動態方程為： 式中，εv是速度對乘員艙溫度的影響系數；乘員艙的溫度的動態方程為： 式中，ρ是空氣的密度，V是乘員艙的體積，Cp是乘員艙的熱容；建立能量熱量優化管理問題的步驟包括：選取控制輸入變量，建立能量熱量優化管理問題描述，確定優化問題的約束條件；3.1建立能量熱量優化管理問題描述：優化過程旨在實現兩個目標：一是保持電池在最佳溫度范圍內運行，以提高其性能和安全性；二是優化熱管理系統的電耗，以提高整車的能源利用效率；選取氫燃料電池汽車的動力電池、燃料電池和乘員艙的溫度以及動力電池SOC作為狀態變量，選取控制量為風扇控制功率、水泵控制功率和熱泵空調控制功率，優化目標最小化全局時間范圍內[t0，tf溫度與最優溫度之間的跟蹤誤差和控制能耗： xi+1|t＝Fxi|t，ui|t，v；其中，t0是預測時域的起始時間，tf是預測時域的終止時間，狀態變量xi|t＝[Tbat、Tfc、Tcab、SOC]T，其中分別是動力電池、燃料電池和乘員艙的最佳工作溫度，控制輸入ui|t＝[Ppump-fc、Pfan-fc、Ppump-bat、Pfan-bat、Pair]T，Q和M是正定加權矩陣，其中Q為M為F是動力電池的熱模型fbat、燃料電池熱模型ffc、乘員艙熱模型fcab和電池fsoc的集合，T是預測時域是指在控制算法中考慮的未來時間長度，xi|t，ui|t描述了在虛擬預測時間步i中，從當前時間步t開始的狀態和控制；3.2確定優化問題的約束條件：需要滿足動力電池溫度的動態方程及安全約束： 其中，Tbat-min是保證動力電池安全的最低溫度，Tbat-max是保證動力電池安全的最高溫度，Tbatk是動力電池在k時刻的溫度，Tbat-init為動力電池的初始溫度，t0為初始時間；需要滿足氫燃料電池溫度的動態方程及安全約束： 其中，Tfc-min是保證燃料電池安全的最低溫度，Tfc-max是保證燃料電池安全的最高溫度，Tfck是燃料電池在k時刻的溫度，Tfc-init為燃料電池的初始溫度，t0為初始時間；需要滿足乘員艙溫度的動態方程及安全約束： 其中，Tcab-min是保證乘員艙舒適的最低溫度，Tcab-max是保證乘員艙舒適的最高溫度，Tcabk是乘員艙在k時刻的溫度，Tcab-init為乘員艙的初始溫度，t0為初始時間；需要滿足風扇冷卻控制功率和水泵冷卻控制功率約束： 其中，Ppump-fck是在k時刻燃料電池水泵冷卻系統的功率，Pfan-fck是在k時刻燃料電池風扇冷卻系統的功率，Ppump-batk是在k時刻動力電池水泵冷卻系統的功率，Pfan-batk是在k時刻動力電池風扇冷卻系統的功率，Ppump-fc-max是燃料電池水泵冷卻系統的最大功率，Pfan-fc-max是燃料電池風扇冷卻系統的最大功率，Ppump-bat-max是動力電池水泵冷卻系統的最大功率，Pfan-bat-max是動力電池風扇冷卻系統的最大功率；需要滿足動力電池SOC約束： 其中，SOCmin是動力電池SOC最低值，SOCmax是動力電池SOC最高值，SOCk是動力電池在k時刻的SOC，SOCinit為動力電池的初始SOC，t0為初始時間；使用強化學習進行求解的步驟包括：4.1建立強化學習問題描述：采用actor-critic方法是一種合適的選擇，轉化后的強化學習問題形式為： s.t.xi+1|t＝fxi|t,πθxi|t，v；gexi|t≥0； f是fbat、ffc、fcab和fsoc的集合，gexi|t表示了所有的約束，其中Q和M是正定加權矩陣，其中Q為M為πθ和vw分別對應于actor和critic，分別由θ和w參數化；ut＝πθxi|t，v；J＝vwxi|t，ut，v；式中，ut為t時刻對應的控制量，J為t時刻對應的代價；4.2解決強化學習問題：采用策略迭代框架，其中采用策略評估和策略改進兩個過程交替更新actor和critic，由于critic更新是一個通過普通梯度下降方法進行優化的無約束問題，因此主要關注actor更新，它由于其大尺度的參數空間、非線性性質和數量多的狀態約束而具有挑戰性；通過廣義外點法來處理約束，廣義外點法的基本思想是通過引入一個“懲罰項”或“懲罰函數”，將不等式約束轉化為等式約束，從而將原始的約束優化問題轉化為新的無約束優化問題，這個無約束問題通過迭代的方式來逼近最優解，其中每一步迭代都要在原優化問題的局部近似上增加一個“外點”，以確保迭代逐步逼近最優解，通過外部懲罰函數將有約束問題的actor轉換為無約束問題如下： s.t.xi+1|t＝fxi|t,πθxi|t，v； 其中，為懲罰函數，ρ為懲罰因子，然后，通過執行梯度下降迭代來優化策略參數；4.3離線訓練：對于每次迭代次數i，有critic網絡vw和actor網絡πθ與隨機參數w，θ，學習率βw和βθ，對于每個環境步驟執行，ut＝πθxi|t,v，Jt＝vwxi|t,v，執行ut來獲取xt+1，計算Jρ和Jcritic，最后更新參數，4.4在線應用：得到由離線訓練出的最優控制策略和最優評價函數和當前狀態xi|t，應用和J*＝vwxi|t,v獲得最優的風扇功率、水泵功率和熱泵空調功率以及所需的代價。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人合肥工業大學，其通訊地址為：230009 安徽省合肥市屯溪路193號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。