买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜合肥工业大学申请的专利智能网联燃料电池汽车热-电集成式优化控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119247786B 。

龙图腾网通过国家知识产权局官网在2025-03-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411754855.3，技术领域涉及：G05B13/04；该发明授权智能网联燃料电池汽车热-电集成式优化控制方法是由江维海;郑润泽;佟强;李丞;朱仲文;王维志;潘轶山设计研发完成，并于2024-12-03向国家知识产权局提交的专利申请。

本智能网联燃料电池汽车热-电集成式优化控制方法在说明书摘要公布了：本发明涉及智能网联燃料电池汽车热‑电集成式优化控制方法，所述方法包括以下步骤：建立面向滚动时域的速度预测模型；建立面向控制的电池热管理系统模型；建立能量热量优化管理问题；使用强化学习进行求解；基于车载域控制器的并行计算控制策略。本发明提出的智能网联燃料电池汽车整车‑系统集成式热管理系统的热‑电耦合一体化集成式优化控制方法，在燃料电池汽车热‑电协同优化控制领域具有重要的创新意义和应用价值。通过引入强化学习控制策略和并行计算控制分配策略，可以实现对燃料电池汽车热电协同需求的精准控制和高效利用，为提升整车性能、降低能耗和减少排放提供了有效的技术支撑。

本发明授权智能网联燃料电池汽车热-电集成式优化控制方法在权利要求书中公布了：1.智能网联燃料电池汽车热-电集成式优化控制方法，其特征在于，所述方法包括以下步骤：1建立面向滚动时域的速度预测模型；2建立面向控制的电池热管理系统模型；3建立能量热量优化管理问题；4使用强化学习进行求解；5基于车载域控制器的并行计算控制策略；建立面向滚动时域的速度预测模型的步骤包括：首先通过智能网联技术获取燃料电池汽车未来状态的车速v，通过汽车功率平衡公式，获取车辆的驱动需求功率preq； 式中：m-车辆质量，f-滚动阻力系数，CD-空气阻力系数，A-迎风面积，δ-旋转质量换算系数，-车辆加速度；通过功率分配关系得到燃料电池和动力电池所需提供的驱动功率Pfc-req、Pbat-req；由于车辆驱动需求功率Preq只和速度v有关，因此Preq看做v的函数，即Preq＝fv，同理，燃料电池和动力电池所需提供的驱动功率Pfc-req、Pbat-req都看做关于速度v的函数；建立面向控制的电池热管理系统模型的步骤包括：得到燃料电池和动力电池需要提供的牵引力功率Pfc-req、Pbat-req后，针对热管理系统建立动力电池的热模型fbat、燃料电池热模型ffc、乘员舱热模型fcab和电池fsoc；2.1动力电池的热模型fbat：风扇冷却管道流入动力电池的气体质量流量表示如下： 式中，Pfan-bat是动力电池风扇冷却系统的功率，Pfan-bat-max是动力电池风扇冷却系统的最大功率，是风扇冷却管道流入动力电池的最大气体质量流量；通过风扇冷却方式，动力电池对外界空气传热率为: 式中，Cair是为空气热容，Tbat为动力电池温度，Tair为周围环境温度，hair为空气的传热系数，Aair为空气与电池的接触面积；水泵冷却管道流入动力电池的质量流量表示如下： 式中，Ppump-bat是动力电池水泵冷却系统的功率，Ppump-bat-max是动力电池水泵冷却系统的最大功率，是水泵冷却管道流入动力电池的最大质量流量；通过水泵冷却方式，动力电池对冷却液传热率为: 式中，Cwater是为冷却液热容，Twater为冷却液温度，hwater为冷却液的传热系数，Awater为冷却液与电池的接触面积；动力电池的总功率Pbat＝Pfan-bat+Ppump-bat+Pair+Pbat-req，其中Pair是空调的功率，动力电池的充放电SOC表示为： 式中，Rbat代表动力电池的内阻，Ibat为动力电池输出电流，Uoc是开路电压，Nbat是动力电池总的电荷量，Rbat和Uoc都是电池荷电状态SOC和温度的函数，函数通过实验生成的MAP表来建模，因此SOC表示为； 动力电池温度的动态方程为： 式中，mbat为动力电池的质量；Cbat为动力电池热容量；动力电池的传热率为： 2.2燃料电池的热模型ffc：风扇冷却管道流入燃料电池的气体质量流量表示如下： 式中，Pfan-fc是燃料电池风扇冷却系统的功率，Pfan-fc-max是燃料电池风扇冷却系统的最大功率，是风扇冷却管道流入燃料电池的最大气体质量流量；通过风扇冷却方式，燃料电池对外界空气传热率为: 式中，Tfc为燃料电池温度，Aair-fc为空气与燃料电池的接触面积；水泵冷却管道流入燃料电池的质量流量表示如下： 式中，Ppump-fc是燃料电池水泵冷却系统的功率，Ppump-fc-max是燃料电池水泵冷却系统的最大功率，是水泵冷却管道流入燃料电池的最大质量流量；通过水泵冷却方式，燃料电池对冷却液传热率为: 式中，Awater-fc为冷却液与燃料电池的接触面积；燃料电池的充放电电流Ifc是燃料电池功率的函数，通过实验生成的MAP表来建模；燃料电池温度的动态方程为： 式中，Rfc为燃料电池内阻，mfc为燃料电池的质量；Cfc为燃料电池热容量；燃料电池的传热率为： 2.3乘员舱发热模型fcab；燃料电池系统通过热交换器1传递到热泵空调系统的余热传热率为： 式中，εfc是热交换器1的效率；动力电池系统通过热交换器2传递到热泵空调系统的余热传热率为： 式中，εbat是热交换器2的效率；热泵空调自身的传热率为： 式中，Pair-max是热泵空调的最大功率，wair是热泵空调最大制冷量；在低温环境下，与乘员舱温度变化有关的因素有热泵空调、燃料电池和乘员舱的余热和车速，因此乘员舱的热量的动态方程为： 式中，εv是速度对乘员舱温度的影响系数；乘员舱的温度的动态方程为： 式中，ρ是空气的密度，V是乘员舱的体积，Cp是乘员舱的热容；建立能量热量优化管理问题的步骤包括：选取控制输入变量，建立能量热量优化管理问题描述，确定优化问题的约束条件；3.1建立能量热量优化管理问题描述：优化过程旨在实现两个目标：一是保持电池在最佳温度范围内运行，以提高其性能和安全性；二是优化热管理系统的电耗，以提高整车的能源利用效率；选取氢燃料电池汽车的动力电池、燃料电池和乘员舱的温度以及动力电池SOC作为状态变量，选取控制量为风扇控制功率、水泵控制功率和热泵空调控制功率，优化目标最小化全局时间范围内[t0，tf温度与最优温度之间的跟踪误差和控制能耗： xi+1|t＝Fxi|t，ui|t，v；其中，t0是预测时域的起始时间，tf是预测时域的终止时间，状态变量xi|t＝[Tbat、Tfc、Tcab、SOC]T，其中分别是动力电池、燃料电池和乘员舱的最佳工作温度，控制输入ui|t＝[Ppump-fc、Pfan-fc、Ppump-bat、Pfan-bat、Pair]T，Q和M是正定加权矩阵，其中Q为M为F是动力电池的热模型fbat、燃料电池热模型ffc、乘员舱热模型fcab和电池fsoc的集合，T是预测时域是指在控制算法中考虑的未来时间长度，xi|t，ui|t描述了在虚拟预测时间步i中，从当前时间步t开始的状态和控制；3.2确定优化问题的约束条件：需要满足动力电池温度的动态方程及安全约束： 其中，Tbat-min是保证动力电池安全的最低温度，Tbat-max是保证动力电池安全的最高温度，Tbatk是动力电池在k时刻的温度，Tbat-init为动力电池的初始温度，t0为初始时间；需要满足氢燃料电池温度的动态方程及安全约束： 其中，Tfc-min是保证燃料电池安全的最低温度，Tfc-max是保证燃料电池安全的最高温度，Tfck是燃料电池在k时刻的温度，Tfc-init为燃料电池的初始温度，t0为初始时间；需要满足乘员舱温度的动态方程及安全约束： 其中，Tcab-min是保证乘员舱舒适的最低温度，Tcab-max是保证乘员舱舒适的最高温度，Tcabk是乘员舱在k时刻的温度，Tcab-init为乘员舱的初始温度，t0为初始时间；需要满足风扇冷却控制功率和水泵冷却控制功率约束： 其中，Ppump-fck是在k时刻燃料电池水泵冷却系统的功率，Pfan-fck是在k时刻燃料电池风扇冷却系统的功率，Ppump-batk是在k时刻动力电池水泵冷却系统的功率，Pfan-batk是在k时刻动力电池风扇冷却系统的功率，Ppump-fc-max是燃料电池水泵冷却系统的最大功率，Pfan-fc-max是燃料电池风扇冷却系统的最大功率，Ppump-bat-max是动力电池水泵冷却系统的最大功率，Pfan-bat-max是动力电池风扇冷却系统的最大功率；需要满足动力电池SOC约束： 其中，SOCmin是动力电池SOC最低值，SOCmax是动力电池SOC最高值，SOCk是动力电池在k时刻的SOC，SOCinit为动力电池的初始SOC，t0为初始时间；使用强化学习进行求解的步骤包括：4.1建立强化学习问题描述：采用actor-critic方法是一种合适的选择，转化后的强化学习问题形式为： 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表示了所有的约束，其中Q和M是正定加权矩阵，其中Q为M为πθ和vw分别对应于actor和critic，分别由θ和w参数化；ut＝πθxi|t，v；J＝vwxi|t，ut，v；式中，ut为t时刻对应的控制量，J为t时刻对应的代价；4.2解决强化学习问题：采用策略迭代框架，其中采用策略评估和策略改进两个过程交替更新actor和critic，由于critic更新是一个通过普通梯度下降方法进行优化的无约束问题，因此主要关注actor更新，它由于其大尺度的参数空间、非线性性质和数量多的状态约束而具有挑战性；通过广义外点法来处理约束，广义外点法的基本思想是通过引入一个“惩罚项”或“惩罚函数”，将不等式约束转化为等式约束，从而将原始的约束优化问题转化为新的无约束优化问题，这个无约束问题通过迭代的方式来逼近最优解，其中每一步迭代都要在原优化问题的局部近似上增加一个“外点”，以确保迭代逐步逼近最优解，通过外部惩罚函数将有约束问题的actor转换为无约束问题如下： s.t.xi+1|t＝fxi|t,πθxi|t，v； 其中，为惩罚函数，ρ为惩罚因子，然后，通过执行梯度下降迭代来优化策略参数；4.3离线训练：对于每次迭代次数i，有critic网络vw和actor网络πθ与随机参数w，θ，学习率βw和βθ，对于每个环境步骤执行，ut＝πθxi|t,v，Jt＝vwxi|t,v，执行ut来获取xt+1，计算Jρ和Jcritic，最后更新参数，4.4在线应用：得到由离线训练出的最优控制策略和最优评价函数和当前状态xi|t，应用和J*＝vwxi|t,v获得最优的风扇功率、水泵功率和热泵空调功率以及所需的代价。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。