清洁环保的燃料电池混合动力有轨电车近年来受到极大关注,其高效的能量管理方法对混合动力系统性能起到至关重要的作用。传统等效氢耗最小化方法的荷电状态(state of charge,SOC)平衡系数通常采用恒定值,而有轨电车在大功率峰值需求和...清洁环保的燃料电池混合动力有轨电车近年来受到极大关注,其高效的能量管理方法对混合动力系统性能起到至关重要的作用。传统等效氢耗最小化方法的荷电状态(state of charge,SOC)平衡系数通常采用恒定值,而有轨电车在大功率峰值需求和减速制动过程中,恒定的SOC平衡系数不能满足瞬时等效氢耗最小的指标要求,并且在未知有轨电车工况条件下最优SOC平衡系数无法确定。针对上述问题,建立基于燃料电池/锂电池的混合动力有轨电车动力系统模型,并通过分析SOC平衡系数与氢耗特性,提出一种基于运行模式和动态混合度的等效氢耗最小化能量管理控制方法。该方法通过划分有轨电车运行模式,分析不同运行模式下SOC平衡系数与瞬时氢耗的关系,在此基础上提出基于运行模式和动态混合度的等效氢耗瞬时优化方法。结合有轨电车典型工况,搭建RT-LAB实时仿真平台,开展有轨电车能量管理系统实时仿真,并与传统等效氢耗最小化方法进行对比分析。结果表明,所提出的能量管理方法能够根据有轨电车工况的实时变化而自动分配需求功率,并在不同初始SOC的情况下,满足等效氢耗量最小的性能指标要求,提高整车燃料经济性。展开更多
光伏发电系统在局部阴影条件下,传统的最大功率点跟踪算法(maximum power point tracking,MPPT)容易陷入局部寻优,无法跟踪到全局最大功率点.针对这一问题,本文提出了一种基于自适应学习因子粒子群算法的最大功率跟踪方法.该方法在普通...光伏发电系统在局部阴影条件下,传统的最大功率点跟踪算法(maximum power point tracking,MPPT)容易陷入局部寻优,无法跟踪到全局最大功率点.针对这一问题,本文提出了一种基于自适应学习因子粒子群算法的最大功率跟踪方法.该方法在普通粒子群算法的基础上不断改变学习因子和权重系数,以提高算法收敛的速度和精度.将其应用于局部阴影条件下的光伏发电系统最大功率点跟踪中,并在RT-LAB实时仿真平台中以两个接受不同光照强度的光伏阵列为例进行实时仿真验证.仿真结果表明,两峰情况下本文所提出的自适应学习因子粒子群算法能够在0.298 s左右跟踪到全局最大功率点,普通粒子群算法需要约0.615 s,而扰动观察法陷入了局部最大功率点,本文所提算法能够有效提高系统的收敛速度和精度并且适用于多峰情况.最后设置仿真算例验证本算法适用于光照突变的情况.展开更多
文摘清洁环保的燃料电池混合动力有轨电车近年来受到极大关注,其高效的能量管理方法对混合动力系统性能起到至关重要的作用。传统等效氢耗最小化方法的荷电状态(state of charge,SOC)平衡系数通常采用恒定值,而有轨电车在大功率峰值需求和减速制动过程中,恒定的SOC平衡系数不能满足瞬时等效氢耗最小的指标要求,并且在未知有轨电车工况条件下最优SOC平衡系数无法确定。针对上述问题,建立基于燃料电池/锂电池的混合动力有轨电车动力系统模型,并通过分析SOC平衡系数与氢耗特性,提出一种基于运行模式和动态混合度的等效氢耗最小化能量管理控制方法。该方法通过划分有轨电车运行模式,分析不同运行模式下SOC平衡系数与瞬时氢耗的关系,在此基础上提出基于运行模式和动态混合度的等效氢耗瞬时优化方法。结合有轨电车典型工况,搭建RT-LAB实时仿真平台,开展有轨电车能量管理系统实时仿真,并与传统等效氢耗最小化方法进行对比分析。结果表明,所提出的能量管理方法能够根据有轨电车工况的实时变化而自动分配需求功率,并在不同初始SOC的情况下,满足等效氢耗量最小的性能指标要求,提高整车燃料经济性。
文摘光伏发电系统在局部阴影条件下,传统的最大功率点跟踪算法(maximum power point tracking,MPPT)容易陷入局部寻优,无法跟踪到全局最大功率点.针对这一问题,本文提出了一种基于自适应学习因子粒子群算法的最大功率跟踪方法.该方法在普通粒子群算法的基础上不断改变学习因子和权重系数,以提高算法收敛的速度和精度.将其应用于局部阴影条件下的光伏发电系统最大功率点跟踪中,并在RT-LAB实时仿真平台中以两个接受不同光照强度的光伏阵列为例进行实时仿真验证.仿真结果表明,两峰情况下本文所提出的自适应学习因子粒子群算法能够在0.298 s左右跟踪到全局最大功率点,普通粒子群算法需要约0.615 s,而扰动观察法陷入了局部最大功率点,本文所提算法能够有效提高系统的收敛速度和精度并且适用于多峰情况.最后设置仿真算例验证本算法适用于光照突变的情况.
