基于遗传算法的燃料电池汽车能量管理策略优化研究

摘要：对于燃料电池汽车（FCV），有效的能量管理策略（EMS）对提高其能效和延长电池寿命至关重要。据此，采用遗传算法（GA）优化支持向量机（SVM）等方法，对燃料电池混合动力汽车的能量管理策略进行优化。通过实车仿真数据，验证了优化后策略在降低氢气消耗及提升电池维护效果上的优势，相较于传统方法，所提策略显著提高了能量利用效率和系统运行的稳定性。

关键词：燃料电池汽车；能量管理；遗传算法；支持向量机；系统优化

中图分类号：U469.72 收稿日期：2024-08-27

DOI：10.19999/j.cnki.1004-0226.2024.12.016

1 前言

燃料电池汽车（FCV）在提供环境友好的交通工具方面展现出独特优势，然而，其能量管理系统的效率直接关联到能源利用率和经济性。传统的能量管理策略往往依赖于预设的模式和参数，难以适应复杂多变的实际行驶环境。因此，开发一种能够实时适应不同驾驶条件，优化能量分配的智能管理策略显得尤为重要。

利用遗传算法优化支持向量机，为燃料电池混合动力汽车提供了一种新的能量管理方法，该方法通过动态调整和优化参数，提升了车辆在不同工况下的经济性和电池的使用寿命。通过集成实时工况识别与能量流优化，新策略能显著降低氢耗和改善电池的充放电性能，这对于推动燃料电池车的商业化应用具有重要意义。

2 燃料电池混合动力汽车系统结构与工作原理

燃料电池混合动力汽车（FCHV）结合了氢燃料电池和电池存储系统，以提供高效且环境友好的动力解决方案。这种系统的核心是质子交换膜燃料电池（PEMFC），它通过氢气与氧气的电化学反应直接产生电力。该过程中，氢气在阳极被催化剂分解为质子和电子。质子穿过质子交换膜到达阴极，而电子则通过外部电路流动，产生电流。在阴极，氧气、电子和质子结合生成水和热量。

电动机则利用这一产生的电力来驱动车辆，同时电池组作为能量缓冲，支持高峰负荷需求和能量回收系统。在车辆需求超过燃料电池当前输出或在加速及上坡时，电池组可提供额外能量，以维持动力输出。反之，在制动或下坡时，多余的动能通过再生制动系统转换为电能，被电池储存[1]。

FCHV的动力管理由电力电子控制系统（EMS）负责。EMS利用各种传感器输入，实时监控车辆状态和驾驶条件，动态调整电力分配，从而优化整车的性能和经济性。图1所示为FCHV动力系统拓扑结构，PEMFC与DC/DC变换器相连，确保电压稳定供应至车辆的驱动系统和电池组。变换器调节从燃料电池到电动机的电能流，以及反向从电池到电动机的能量回馈。而DC/AC逆变器则可以将直流电转换为交流电，供应给电动机使用，同时连接到高压蓄电池，以供不同工况下使用。

3 能量管理策略的建立与优化需求

在FCHV中，EMS的主要目的是合理分配燃料电池和电池储能之间的能量流，以达到最优的能效和性能。传统的能量管理策略通常依赖于预设的规则或简单的逻辑控制，其策略采用如下的控制规则：

P=P-P

式中，P为电池组需要提供的功率；P为当前负载需求；P为燃料电池的输出功率。这种方法在稳定的驾驶条件下可能表现良好，但在动态变化的实际行驶环境中，很难适应复杂多变的能量需求和环境变化。

此外，传统策略中的SOC管理通常设置为保持在一个安全的充电范围，如40%～80%之间，以防止电池过充或过放，从而延长电池的使用寿命[2]。然而，这种保守的SOC控制限制了电池在提供峰值负载和捕获再生能量方面的潜力。

为了克服这些局限性，选择一种高效的优化算法成为必要。在能量管理策略中引入遗传算法（GA），可以在广泛的驾驶条件和不同的能量需求中找到最优解，其策略的优化目标通常包括最小化燃料消耗、保持SOC在理想范围内，并确保车辆动力性能满足驾驶需求。优化的目标函数可以表示为：

Minimize：fx=w·ΔFuel+wΔSOC

式中，[ΔFuel]和[ΔSOC]分别表示在一定行驶距离内的燃料消耗和SOC变化量；[w1]和[w2]是相应的权重系数，表明不同目标之间的权衡。通过这种方法，能量管理系统能够动态适应于各种行驶环境，优化燃料使用效率，同时保护电池健康。

4 遗传算法的原理与应用

GA是启发式搜索算法中的一种，其设计灵感来源于自然界的进化机制。算法基于达尔文的“适者生存”原则，通过模拟自然选择、遗传、突变等生物学现象解决优化问题。遗传算法在EMS中的应用主要是寻找最优或近似最优的解决方案，以优化燃料电池和电池组之间的能量分配。

GA的基本步骤包括初始化、选择、交叉（杂交）、突变和评估。算法从一个由随机生成的染色体（解决方案）组成的初始种群开始，每个染色体代表EMS的一个潜在配置。初始化生成初始种群，每个个体代表一种可能的EMS配置。然后评估计算每个染色体的适应度，通常是它们满足特定性能指标的程度，如能量效率、成本和环境影响。之后根据适应度选择染色体进行繁殖，适应度高的染色体有更大的机会被选中。随机选取配对的染色体，进行交叉操作，以交换它们的部分基因，产生新的染色体[3]。并以较低的概率随机改变染色体中的某些基因，增加种群的遗传多样性。最后通过交叉和突变生成的新染色体形成新的种群，重复上述过程直到满足终止条件，如达到最大迭代次数或适应度足够高。GA流程如图2所示。

在FCHV的能量管理系统中，遗传算法可以用来优化控制策略，确保在不同的行驶条件下实现能源的最优利用。例如，算法可以调整燃料电池输出和电池充放电策略，以整体能耗最小化并行驶里程最大化。通过实时模拟不同策略的性能，GA帮助设计者选择最佳的能量管理参数。

使用遗传算法优化EMS不仅能提升燃料电池车的经济性和环境性能，还能增强车辆在各种操作条件下的可靠性和稳定性。通过这种方法，可以系统地探索和利用复杂的能量管理策略，实现对先进车辆技术的精确控制和优化。

5 遗传算法优化SVM的实现

支持向量机（SVM）是一种强大的分类技术，通过找到一个最优的超平面来最大化不同类别之间的边界。在FCHV的能量管理系统中，SVM可用于预测和适应不同的驾驶条件，但其性能大幅依赖于核函数的参数配置，如惩罚参数C和核参数γ。这些参数的优化是实现高效能量管理的关键。

为了优化SVM的参数，GA被用作自动搜索最优参数的方法。GA的配置如下：a.将SVM的每个参数编码为染色体的一部分，C和γ参数被转换为二进制形式并组合成单一的染色体串。b.定义适应度函数以评估某一参数组合下SVM的性能，通常采用交叉验证的分类准确率作为适应度评价标准。c.选择机制，使用轮盘选择或锦标赛选择方法从种群中选出优良个体进行繁殖。d.是应用单点或多点交叉方法产生新个体，并通过突变操作引入新的遗传变异，增加种群多样性。e.设置算法停止的条件，常见的包括达到最大迭代次数或适应度达到某一阈值。

实现从随机生成初始种群，种群中的每个个体代表一组可能的C和γ值。然后对种群中的每个个体，通过计算其代表的SVM参数在交叉验证数据集上的分类准确率来评估适应度。基于适应度，选择更优的个体进行交叉和突变，产生新一代种群。重复以上步骤，直到满足终止条件。每一代种群都期望优于前一代，逐步接近最优解[4]。

6 模拟实验设计与结果分析

6.1 实验设计与仿真模型建立

为了全面评估GA优化的SVM在FCHV的能量管理策略中的表现，研究设计了一系列详尽的模拟实验。实验的目标是在控制条件下模拟城市和高速驾驶环境，并比较传统和优化策略下的性能差异。

6.1.1 仿真模型构建

车辆使用一款中型FCHV车型，配备100 kW的燃料电池和一个20 kWh的锂离子电池组。

驾驶模拟包括两种主要驾驶环境：城市循环（低速多变速度和频繁启停）和高速循环（长时间均速行驶）。城市循环模拟New European Driving Cycle（NEDC），而高速循环则模仿高速公路驾驶条件。

6.1.2 参数设定

燃料电池参数最大效率为60%，功率范围从5～100 kW。电池参数最大放电率为2 C，最大充电率为1.5 C，电池初始SOC设为70%。

6.1.3 控制策略

传统策略基于固定阈值的SOC控制，燃料电池输出固定不变，只有在必要时电池辅助提供额外功率。

采用遗传算法优化SVM，动态调整燃料电池和电池的输出，以响应实时能量需求和驾驶状态，目标是总能量消耗最小化并维持电池SOC在理想范围。

6.2 模拟实验结果

模拟实验结果收集了在不同策略下的燃料消耗和电池SOC变化情况。具体结果如表1所示。

从表1可见，遗传算法优化的SVM策略在城市循环和高速循环中均显示出较传统策略更低的燃料消耗和更少的电池SOC波动。特别是在城市循环中，优化策略降低了约9.4%的燃料消耗和50%的SOC波动，表明优化策略能够更有效地管理能量，在频繁变速的城市驾驶环境中维持更高的能效和稳定性[5]。

6.3 实际应用中的效能和可行性分析

遗传算法优化后的能量管理策略显示出显著的性能提升，这表明其在实际应用中具有很高的潜力。减少能量消耗和优化电池使用不仅能延长燃料电池和电池的寿命，还能降低运营成本。然而，实际应用中的挑战包括算法的计算复杂性和实时执行需求。未来的工作将需要进一步研究如何将这些优化策略集成到车辆控制系统中，以及如何处理实时数据以实时调整能量输出。

7 结语

研究通过遗传算法优化支持向量机的方法成功提升了燃料电池混合动力汽车的能量管理策略，实现了在多种驾驶环境下的能耗最优化。仿真实验结果表明，相比传统能量管理策略，遗传算法优化后的策略在城市循环和高速循环中均有效降低了燃料消耗和电池SOC的波动。这一优化策略不仅提高了能源使用效率，还有助于延长电池的使用寿命和降低整车运行成本。遗传算法优化的能量管理策略在实际应用中具有显著的经济和环境效益，展示了其在未来智能汽车能量系统中的广阔应用前景。

参考文献：

[1]陈薇玉，姜莉.氢燃料电池混合动力汽车能量管理策略研究综述 [J].黑龙江工程学院学报，2024，38（4）：1-8.

[2]刘植.燃料电池混动新能源汽车能量管理控制方法研究[D].长春：长春师范大学，2023.

[3]聂金泉，王敖，魏长银，等.燃料电池汽车工况自适应的模糊能量管理策略[J].重庆理工大学学报（自然科学），2023，37（9）：71-78.

[4]李贝佳.面向燃料电池性能衰减的混合动力系统参数匹配和能量管理研究[D].武汉：华中科技大学，2023.

[5]赵勇，谢金法，时佳威，等.基于遗传算法优化支持向量机工况识别的燃料电池混合动力汽车能量管理策略[J].科学技术与工程，2020，20（14）：5820-5827.

作者简介：

李子奇，男，1984年生，讲师，研究方向为新能源汽车技术、智能驾驶汽车技术。