(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211095257.0 (22)申请日 2022.09.05 (71)申请人 湖南大学 地址 410082 湖南省长 沙市岳麓区麓山 南 路1号 (72)发明人 付建勤　孙希雷　周峰　李超　 刘敬平　 (74)专利代理 机构 北京律谱知识产权代理有限 公司 11457 专利代理师 黄云铎 (51)Int.Cl. B60L 58/40(2019.01) G06F 30/20(2020.01) (54)发明名称 基于改进多目标Double DQN的燃料电池汽 车能量管理方法 (57)摘要 本发明涉及一种基于改进多目标Double   DQN算法的燃料电池混合动力汽车能量管理方 法， 属于新能源汽车领域。 由三部分组成： 第一部 分为建立燃料电池混合动力汽车的能量管理系 统模型， 主要包括整车纵向动力学模型、 燃料电 池氢耗模型、 燃料电池寿命模型、 动力电池等效 电路模型和动力电池衰减模型； 第二部分为获取 燃料电池混合动力汽车在实际行驶中的状态信 息， 主要包括车辆状态信息、 燃料电池状态信息 和动力电池状态信息； 第三部分提出了改进多目 标Double  DQN算法， 并基于改进多目标Double   DQN算法， 以燃 料电池混合动力汽车的经济性、 燃 料电池的寿命和动力电池的寿命为目标， 实现了 燃料电池混合动力汽车能量管理策略的多目标 优化。 权利要求书3页 说明书9页 附图2页 CN 115284973 A 2022.11.04 CN 115284973 A 1.一种基于改进多目标Double  DQN算法的燃料电池混合动力汽车 能量管理方法， 其特 征在于， 所述基于改进多目标Double  DQN算法的燃料电池混合动力汽 车能量管理方法包括 以下步骤： 步骤S1， 建立FCHEV整车能量管理系统模型， 主要包括整车纵向动力学模型、 燃料电池 氢耗模型、 燃料电池寿命 模型、 动力电池等效电路模型和动力电池衰减 模型； 步骤S2， 获取燃料电池混合动力汽车在实际行驶中的状态信息， 主要包括车辆状态信 息、 燃料电池状态信息和动力电池状态信息； 步骤S3， 以燃料电池混合动力汽车的经济性、 动力电池寿命和燃料电池寿命为目标， 基 于IMDDQN算法对燃料电池混合动力汽车能量管理策略进行多目标寻优。 2.根据权利 要求1所述基于改进多目标Double  DQN算法的燃料电池混合动力 汽车能量 管理方法， 其特 征在于， 在步骤S1中， 所述整车纵向动力学模型为： 其中， FD为驱动力， PD为驱动功率， PN为需求功率， PFC为燃料电池功率， PBat为动力电池功 率， v为车速， ηDC/AC为DC/AC转换器的效率， ηDC/DC为DC/DC转换器的效率， ηMotor为电机效率， ηTran为齿轮传动效率， FRoll、 FAir、 FGrade、 FAcc分别为车辆行驶中的滚动阻力、 空气阻力、 坡度 阻力和加速阻力， 分别通过 下式获取： 其中， A为车辆的迎风面积， CD为空气阻力系数， ρ 为 空气密度， cR为滚动阻力系数， m为车 辆的总质量， g为重力加速度， θ 为道路坡度， δ 为车辆 旋转质量换算系数， 为行驶加速度。 3.根据权利 要求1所述基于改进多目标Double  DQN算法的燃料电池混合动力 汽车能量 管理方法， 其特 征在于， 在步骤S1中， 燃料电池氢耗模型为： 其中， 为氢气的低热值， ηFC为燃料电池的效率， 为氢耗量， Pstack为燃料电池堆输 出功率， PAUX为辅助设备消耗功率， 为与氢气流 量消耗有关的理论功率。 4.根据权利 要求1所述基于改进多目标Double  DQN算法的燃料电池混合动力 汽车能量 管理方法， 其特 征在于， 在步骤S1中， 对燃料电池的寿命影响进行量 化处理： 权　利　要　求　书 1/3 页 2 CN 115284973 A 2其中， TFC为燃料电池 的可用寿命， ΔP为燃料电池电压退化的最大值， kP燃料电池环境 修正系数， k1、 k2、 k3、 k4分别为燃料电池启停工况、 怠速工况、 负载变化工况、 重负载工况的 衰退系数， n1、 t1、 t2、 t3分别为启停次数、 怠速时间、 负载变化时间和重负载时间。 5.根据权利 要求1所述基于改进多目标Double  DQN算法的燃料电池混合动力 汽车能量 管理方法， 其特 征在于， 在步骤S1中， 动力电池等效电路模型为： 其中， IBat为电池电流， UBat为开路电流， RBat为电池内阻， SOC(0)为SOC初始值， QBat为电 池容量。 6.根据权利 要求1所述基于改进多目标Double  DQN算法的燃料电池混合动力 汽车能量 管理方法， 其特 征在于， 在步骤S1中， 动力电池衰减 模型为： 其中， QLoss为电池容量衰减， α和β 为常数项， EA为活化能， IC为电池充放电倍率， η为IC的 补偿系数， R为摩尔气体常数， TK为环境的热力学温度， Ah为安时通量， z为幂指数因子， EOL 为电池寿命终止， 为额定条件下电池的充放电倍率， σ(IC,TK,SOC)为影响因子， 用以表 征实际运行条件对电池容量衰减的影响， γ(IC,TK,SOC)为实际运行条件下电池寿命终止时 流经电池的总电量， Aheff为流经电池的有效电量， 当Aheff＝τ时表示电池寿命终止， 因此可 减少Aheff来减缓电池寿命衰减程度。 7.根据权利 要求1所述基于改进多目标Double  DQN算法的燃料电池混合动力 汽车能量 管理方法， 其特征在于， 在步骤3中， 假设智能体的有限状态集合为S＝{s1,s2,…,sn}， 有限 动作序列为A＝{a1,a2,…,an}， 当智能体的当前状态为st∈S， 采取动作为at∈A时， 在环境的 作用下智能体的状态转移为 新的状态st+1∈S， 产生的即时奖励为r(st,at)； 当智能体 状态为st、 采取动作为at的最优动作价 值函数Q*(st,at)为： 最优动作价 值函数Q*(st,at)遵循贝尔曼 方程： Q*(st,at)＝E[r(st,at)+γ Q*(st+1,at+1)|st,at] 其中， Rt为带折扣的累计奖励， γ 为折扣因子， γ∈[0,1]， T为终止时间； 基于IMDDQN算法的目标是以最大化累计奖励的方式来选择智能体的动作， 即综合考虑 即时奖励和未来奖励， 不断改进策略π使得获得的累计奖励最大， 从而得到最佳策略π*(a| s)， 其中， 策略π 为智能体采取的一系列动作。权　利　要　求　书 2/3 页 3 CN 115284973 A 3