考虑到燃料SSB蓄电池车辆的智能化，电池消除了冗余设计

2026-08-03 09:17:13

电力电池通常设计为更大容量，以确保燃料电池车辆在复杂条件下正常运行，导致冗余和成本增加。现有方法通常未考虑对运行条件的智能预测和调控，因此需要考虑极端情况的设计，且未能有效消除冗余电池容量。本文以燃料电池城市物流车辆为例进行研究。它提出了一种燃料电池匹配方法，考虑工作状态预测智能。神经网络被训练以调整其隐藏节点，影响预测结果，智能的概念通过这些结果被定义。该研究研究了在六种工作条件下匹配选择的电源，结论是更高智能会降低所需电池容量。硬件在环验证显示，95%智能值下的最佳电池容量为60Ah，分别低于0%、33%和66%智能水平。在不同智能水平下，电池对其容量的影响有一定规律性。本文提供了优化电力电池容量的实用见解，为降低超大容量电池相关成本提供了解决方案。

简介

燃料电池车依靠燃料电池和动力电池作为动力来源[1]，凭借其高效能源转换率和零排放环保特性[2]，已成为环保型车辆[2]，适合在许多地区广泛推广和应用[3]。为了确保在复杂条件下的稳定运行，燃料电池车辆通常设计使用更大容量的电池[4,5]。虽然这种保守方法在极端情况下提升了可靠性，但也导致不必要的冗余[6]。这种过剩产能增加了车辆的整体重量和制造成本[7]。在确保车辆可靠性的同时优化动力电池容量，是燃料电池车研究中的关键挑战。减少不必要的能源冗余，降低生产和运营成本，对于提升整体效率至关重要。
通过不同方法和算法，已有多种研究旨在确定和优化电池容量及其相关性能。Purnima等人[8]考虑了在模拟负载条件下，车载电源的功率重量比、能量重量比和功率效率因素，以确定不同电池的容量。Chen 等人[9]考虑了平衡算法以满足车辆的电力需求，同时确定电池容量。Lu 等人 [10] 基于双源衰减模型和低通滤波功率跟随能能管理策略（EMS）来确定不同电力电池的容量。Zhang 等人 [11] 基于预定义的驾驶循环和能量管理算法，针对燃油经济性、系统耐久性、功率组件成本和电池容量等多目标优化问题，确定不同电池容量的容量。Li等人[12]基于深度Q网络（DQN）算法在所提框架内开发了功率管理，考虑了减少氢气消耗、抑制系统劣化以及确定最低成本的最优尺寸参数等多重目标。Ceschia， A[13] 提出了基于不同性能指标的燃料电池/混合动力总成综合评估方法。Fletcher、Fletcher等人[14]采用随机动态规划（SDP）方法优化能源管理策略（EMS-RRB），以防止控制策略偏离系统设计结果。Li 等人[12]提出了一种协同方法，通过深度强化学习（DRL）实现最佳功率管理、燃料电池降解和电池降解，基于同时优化电池尺寸。Yahia等人[15]提出了一种燃料电池/混合动力车（FCEV）尺寸优化的技术经济优化模型，主要目标是优化电池成本设计和新的适当功率管理方法。Schnelle等人[16]提出了一种用于选择插电式质子交换膜（PEM）燃料电池城市公交车的优化方法。该电池设计以满足最大纯电续航，并考虑车辆加速性能和电池阻抗变化的影响。现有的动力电池选择方法假设车辆运行时没有任何智能，忽视了工作状态预测的影响。因此，匹配过程会产生冗余的电力容量。然而，现代燃料电池车控制单元已具备一定的智能水平，这一点应在优化时加以考虑。因此，有必要考虑工作状态预测智能对电池选择的影响。
大多数方法如神经网络[17]、基于模糊控制的复合电力能源管理控制策略[18]、最小二乘法[19]、遗传算法[20]和粒子群算法[21]都被用于车辆运行状态识别的预测。Zhang 等人[7] 考虑了不同履带梯度对电池和燃料电池最佳尺寸的影响。除了引入蒙特卡洛理论和优化传统的固定大小多步马尔可夫链方法外，Li 等人[22]还提出了一种自适应的实时变化预测层条件识别方法。Zheng 等人[23] 对典型条件进行了特征参数提取和样本划分，并使用了优化于网格搜索和交叉验证条件识别的最小二乘支持向量机。粒子群在不同典型工作条件下优化模糊控制策略。基于驾驶状态识别技术，Gong等人[24]在本文中建立了基于驾驶风格识别和优化等效耗最小化策略的真实车辆能源管理策略。Li等人[25]提出了基于驾驶环境特性的全路径运行状态预测，并利用遗传算法改进的BP神经网络预测操作条件的特性参数。近年来，关于变形金刚神经网络的研究已经有许多。Transformer是一种基于注意力机制的序列模型。与传统的循环神经网络（RNN）和卷积神经网络（CNN）不同，Transformer完全依赖自注意机制来处理输入和输出序列。这种设计实现了并行计算，显著提升了计算效率。然而，变压器存在高计算量和高成本的问题。本文所用的Informer神经网络是一种高效的基于Transformer的时间预测模型，用于长序列。Informer通过最小化每层参数来降低计算成本，解决了高二次计算复杂度、高内存消耗和长预测输出约束的问题[26]。与依赖预设驾驶周期或简单算法的现有优化方法不同，我们的方法通过智能预测操作条件，解决了这些技术的局限性。现有方法常忽视燃料电池车辆运行的动态特性，导致电力容量冗余和效率低下。平衡算法或能源管理策略未能实时考虑系统需求的变化。这些方法常导致产能过剩、重量和运营成本增加，整体效率下降。相比之下，我们的方法整合预测智能，利用实时数据预测未来需求并相应优化电池选择，消除导致低效的过剩容量。
尽管有研究探讨了电池容量优化，但大多数现有方法基于预设极端条件确定电池容量，而未考虑实时预测智能。这导致设计保守且多余冗余。此外，传统优化方法主要侧重于能源管理策略，缺乏基于实时运行条件动态调整电池容量需求的智能预测框架。因此，预测智能与电池容量优化之间的关系研究仍然不足。为弥合这一差距，本文引入了Informer神经网络以增强工作状态预测，实现自适应电池容量选择。通过将预测智能融入优化过程，本研究提供了一种新颖的解决方案，以减少冗余设计同时保持车辆可靠性。
在考虑智能方面，FCV可以实现成本降低。现有燃料电池规格主要为30kw、60kw、90kw和120kw。在选定燃料电池规格为30kw的前提下，为了进一步降低FCV成本，有必要研究电池的匹配和选择。本文研究了具有工作条件预测智能的FCV的电池匹配选择方法。本文的主要创新如下：

• 1)
  训练神经网络通过改变其隐藏层节点来影响工作条件的智能预测结果，并根据预测工作条件结果的准确性定义智能概念。
• 2)
  研究发现，智能的定义会影响电力电池的容量选择。智能程度越高，所需的电池容量越小。
• 3)
  提出了一种基于工作状态预测智能的电池匹配选择方法，能够有效减少电池的冗余。