燃料电池车辆未来短时需求表征与能量管理OA

为提升燃料电池车辆(fuel cell electric vehicles,FCEVs)能量管理对未来负载变化的感知与前瞻决策能力,针对未来信息输入形式与控制目标匹配不足的问题,研究未来短时需求表征及其控制应用。采用交通模拟软件SUMO(simulation of urban mobility)构建实时道路信息数据集,建立未来5 s驱动需求功率预测模型,比较直接功率预测与速度预测—功率换算2条路线,并构造低维未来短时需求表征,在统一深度强化学习(deep reinforcement learning,DRL)框架下开展能量管理验证。结果表明:极限梯度提升(extreme gradient boosting,XGBoost)综合预测性能较好,决定系数为0.571;直接功率预测路线更优;引入未来短时需求表征后,双延迟深度确定性策略梯度(twin delayed deep deterministic policy gradient,TD3)总等效金额下降18.7%,最小荷电状态(state of charge,SOC)上升15.4%,综合经济性与安全性均得到改善。