燃料電池汽車的能量管理研究綜述

由于化石燃料所造成的環境問題日益加重，而且能源枯竭問題也隨之到來，燃料電池電動汽車成為可再生能源應用于汽車工業的重要選擇之一。燃料電池汽車(FCV)是一種用車載燃料電池裝置產生的電力作為動力的汽車。車載燃料電池裝置所使用的燃料為高純度氫氣或含氫燃料經重整所得到的高含氫重整氣。因此內部對于熱能與電能的管理和優化顯得尤為重要。下面介紹了幾種應用于燃料電池汽車的能源管理策略。

1　基于元啟發式方法的混合動力燃料電池汽車的雙層能量管理策略[1]

本文著重介紹了使用元啟發式方法來執行混合動力燃料電池電動汽車的能源管理策略，并且以氫氣消耗、燃料電池的耐久性和計算時間作為關鍵性能標準。本文所提出的能量管理體系結構（文中Fig2）是一個基于規則的綜合啟發式方法，結合了基于規則和優化方法的簡單性和有效性。仿真結果與蟻群優化算法的結果相比較，其性能接近于最佳性能?；旌蟿恿θ剂想姵仉妱悠囍兄饕茉吹哪途眯阅壳笆且粋€關鍵問題，可以通過限制兩層燃料電池的功率變化率來提供一個高水平保護，以體現低速動態特性運行限制。所提出的方法減少了計算工作量和時間，并且限制了優化層的搜索空間，從而能夠快速收斂，因此在實時應用的潛力很大。

Fig 2. Hybrid power source architecture for electric vehicle

本文提出了一種混合動力燃料電池/超級電容電動汽車的雙層能量管理系統（文中Fig 3），并以不同的標準駕駛循環ECE15、EUDC和HWEFT進行在線和離線管理，并將在線結果與最優離線性能進行了比較。對于EUDC和HWEFT駕駛循環來說，基于粒子群優化的算法在氫消耗方面達到了近乎最優的結果，與遺傳算法相比性能稍好一些。相反，在線優化策略并沒有顯示出城市ECE15循環的結果，這是由于使用基于規則的能量管理只支持頻繁的穩態階段的優化，這是本研究的局限性。今后的研究工作，計劃將進行不同的輸入數據和參數在優化過程中對不確定性和誤差影響的研究，從而提出一種更加強大和可靠的解決方案。

Fig 3.Double-layer EMS configuration

2　基于神經網絡的混合動力燃料電池汽車能源管理控制器的設計[2]

混合動力電動汽車動力系統的設計和優化可以從包括輔助管理和能量通量控制策略的數學模型中得到一些啟發。并且使用虛擬平臺避免了昂貴和耗時的實驗活動。在本文這項工作中，為混合動力燃料電池汽車開發了一個在線能源管理系統（EMS）控制器，旨在對多種駕駛風格類型采用相同的能源管理策略。該控制器使用神經網絡（NN）進行設計，所述的神經網絡在燃料電池系統和電池系統之間以最佳的功率通量分布進行訓練，從而對整體等效能量消耗最小化。通過在八個不同的駕駛循環中，對由氫和鋰離子電池供給的燃料電池汽車的動態集中參數數學模型，采用基于梯度的方法來獲得最優解。進行定量和定性分析，顯示不同類型駕駛循環中神經網絡的性能（文中Fig 1）。

本文提出使用動態模型和神經網絡來引入了一個新的在線EMS控制器來管理燃料電池汽車電源的功率通量。才有具有特定動力源的車輛動態模型確保了改進的EMS設計的可靠性，因為它們考慮了使用靜態模型不能包括的若干因素（例如，電池充電的最大電流、工作溫度等）。為了減少Simulink模型的優化計算成本，通過建立八個神經網絡來優化簡化模型，并利用輸入進行訓練。神經網絡的使用提供了一個實時的EMS控制器。該方法的魯棒性是通過在其余的周期中運行每個神經策略來提供的，并且也提高了預測未知周期的可靠性。實驗結果表明，用NNFET駕駛循環訓練的神經網絡具有最高的節能效率，最高可達2%，而用CADC城市循環訓練的神經網絡達到的平均誤差最低。

Fig 1.Work methods scheme

3　一種混合動力燃料電池汽車的新型能量管理算法[3]

本文提出了一種應用于混合動力汽車的能量管理算法。其中混合動力車輛由燃料電池作為主要能源和存儲系統，由電池和超級電容器組成二次能源（見文中Fig 1）。主要來源必須為電動車輛產生必要的能量。二次能源在加速時產生附加動力，在制動過程中吸收多余的動力。在基于燃料電池的車輛中添加超級電容器和電池具有巨大的潛力，因為其可以顯著地減少氫氣消耗并提高車輛的能源效率。電動汽車由牽引電機、逆變器和功率調節器組成。其中功率調節器包括有三個DC/DC轉換器：第一個轉換器連接燃料電池和直流電路。對于第二和第三轉換器，則使用兩個升壓-降壓器以分別將超級電容器和電池與直流電路連接（文中Fig 1）。所提出的能量管理算法能夠控制轉換器的電流，以準確地調節由電源提供的功率。該算法采用MATLAB/Simulink軟件進行仿真，并基于DSpace實驗系統來實現。在本文中，所提出的算法通過新的歐洲駕駛循環（NEDC）來進行評估，實驗結果驗證了所提出的能量管理算法的有效性。

本文提出了一種算法來管理電動汽車應用的電力混合電源中不同元件之間的功率流。能源由一個燃料電池和一個存儲系統組成，這個系統包括兩個元素：電池和超級電容器。所提出的控制算法的主要優點在于它允許在沒有其他算法通信的情況下管理車輛中的能量。對于在新歐洲駕駛循環（NEDC）所得到的模擬結果已經顯示了本文采用的能源管理策略的效率。實驗結果證實了所提出的管理算法對所研究的拓撲的有效性。這種算法可以應用于其他類型的能源（如太陽能系統和風力渦輪機）的其他拓撲（而不是隔離轉換器）。

Fig 1.Electrical vehicle structure

4　基于全局極值搜索算法的燃料電池系統能量優化[4]

本文提出了一種實時優化方法，并展示了其在質子交換膜燃料電池（PEMFC）系統中的應用（文中Fig 1）。使用具有適當加權系數的兩個性能指標的組合作為優化目標函數（凈功率和燃料消耗效率）。在優化曲面的平臺上會出現很多極值，因此添加加權系數可以修改優化曲面。本文提出的全局極值搜索算法（GES）作為實時優化方法，將定位和跟蹤全局最大值點，并在此基礎上建立PEMFC系統在給定負載下計算最優燃料供給速率。在這項研究中，對四種策略進行測試，包括靜態前饋（sFF）控制策略作為參考。在不同負荷水平上尋求最佳操作條件，并估算這四種策略之間的差距。例如，與由sFF策略控制的PEMFC系統相比，PEMFC系統的GES操作可以提高1-2.1%的能量效率，其取決于FC電流水平和用于加權系數的值。如果PEMFC系統在可變負荷下運行，與sFF策略相比，基于GES和LF(Load Following)的優化策略的燃料消耗效率至少可以增加0.54 W/lpm。

EMU(Energy Management Unit)策略必須適應負載循環（路徑）或驅動程序所要求的電池控制系統的運行模式。例如，當燃料電池車輛（FC）在上行路上行駛時需要更大的凈功率AirFr，因此其策略必須將FC凈功率最大化。但是當FC在下行路上行駛時則需要燃料消耗效率FuelFr最大化。采用GES算法對控制變量（AirFr和FuelFr）的當前值進行定位，追蹤燃料電池系統的最佳運行點即全局最大點。未來的研究工作將集中以下幾點：

Fig 1.The PEMFC system

（1）燃料電池中氫氣進料子系統將以流通模式進行配置，需要以最大限度地降低由陽極“饑餓”現象而導致的退化風險。

（2）需要研究燃料電池汽車功率全頻范圍內的LF控制的可變負載優化策略。

（3）LF控制將通過基于頻率的策略來實現，以便于將負載需求分成低頻和高頻分量。

5　基于經典策略的混合動力汽車燃料電池系統的改進型能量管理策略[5]

本文提出兩種應用于燃料電池電動汽車的能源管理策略（EMS），并對這兩種策略進行了評估比較（文中Fig 5和Fig 7）。首先介紹了一種基于固定燃料電池（FC）功率控制的頻率分離的經典方法，并對其進行了測試。然后，介紹了另一種基于經典策略的改進型管理方法，該方法的優勢主要體現在易于實現、經濟性好和混合能源系統壽命延長等方面。能源管理策略是根據電池的充電狀態，使用功率限制的在線可變功率控制來開發的，同時也要確保電池的能量保持在其工作深度（DOD）范圍內。對兩種策略進行了比較分析。仿真實驗結果顯示，改進后的能源管理系統（IEMS）在燃料經濟性方面提高了13%，并降低了功率限制上22%的應用壓力，從而延長了整個系統的使用壽命。為了進一步證實這一點，將通過一個組裝成硬件（HIL）實時系統的測試平臺進行測試。所得到的實驗結果證實了改進后的能源管理系統的成效收益。

在這項工作中，IEMS策略的原理是根據能量的電池狀態限制其凈功率并盡可能地利用其可用能量，從而導致燃料電池系統和電池組之間的應用共享。IEMS策略通過三個必要的應力因素來延長整個系統的壽命和減少氫氣消耗，即RMS功率、電池單元能量和燃料消耗。除了較低的燃油消耗和較長的使用壽命之外，所提出的改進策略的另一個優點是它仍然是一個在線戰略，與駕駛循環周期無關。

Fig 5.Principle of separation frequency management strategy

Fig 7.Principle of improved energy management strategy

[1]KOUBAA R,KRICHEN L.Double layer metaheuristic based energy management strategy for a Fuel Cell/Ultra-Capacitor hybrid electric vehicle[J].Energy,2017,133:1079-1093.

[2]MU?OZ P M,CORREA G,GAUDIANO M E,et al.Energy management control design for fuel cell hybrid electric vehicles using neural networks[J].International Journal of Hydrogen Energy,2017,42(48):28932-28944.

[3]MARZOUGUI H,AMARI M,KADRI A,et al.Energy management of fuel cell/battery/ultracapacitor in electrical hybrid vehicle[J].International Journal of Hydrogen Energy,2017,42(13):8857-8869.

[4]BIZON N.Energy optimization of fuel cell system by using global extremum seeking algorithm[J].Applied Energy,2017,206:458-474.

[5]BENDJEDIA B,RIZOUG N,BOUKHNIFER M,et al.Improved energy management strategy for a hybrid fuel cell battery system Simulation and experimental results[J].COMPEL-THE INTERNATIONAL JOURNAL FOR COMPUTATION AND MATHEMATICS IN ELECTRICAL AND ELECTRONIC ENGINEERING,2017,36(4).