基于燃料電池的復合電源式裝載機分層控制

張志文,杜文杰,梁君飛,張艷崗,武雅文

(1.中北大學 能源與動力工程學院,太原 030051; 2.燕山大學 車輛與能源學院,秦皇島 066004)

當今社會通過科技變革與新能源技術創新推動著汽車的節能減排[1]。在工程機械領域,傳統的工程機械排放大,能量利用率低,造成能源浪費與環境污染等問題[2-3]。近年來,國內外通過混合動力、純電動驅動等技術來提高工程機械能源利用率,國外工程機械生產廠商如卡特彼勒、沃爾沃、約翰迪爾、日立建機、川崎等新能源工程機械產品早已商業化[1]。

文獻[4]以某5t輪式裝載機為研究對象,探索工程機械新能源汽車新技術。裝載機需求功率變化頻繁、整車沖擊振動劇烈,因此,新能源裝載機能量部件需要具備高功率密度與高能量密度的特性,儲能元件應具有快速充放電特性與高循環壽命。

本文設計燃料電池復合電源式裝載機。以燃料電池作為主動力源、超級電容作為輔助能源構建復合電源系統,通過電力驅動滿足負載液壓系統與行走系統的需求。在不同負載工況下,控制系統通過調節功率分配因子動態調節燃料電池與超級電容功率輸出以滿足裝載機工況需求。要發揮復合電源的優勢需充分利用超級電容功率密度高、循環壽命長、充放電速度快的優點及燃料電池高效率、零排放、壽命長、能量密度高的優點。

韓國于2016年著手燃料電池挖掘機的商用化,2018年氫能經濟路線圖提出要“培育以燃料電池叉車和挖掘機為中心的氫能建筑機械產業”。2020年3月,現代工程機械、現代摩比斯與現代汽車聯合開發全球首臺氫動力工程機械設備,計劃于2023年進行批量生產和分銷。2020年7月,英國工程機械生產商JCB開發出建筑行業第一臺氫動力挖掘機,已在試驗場對一臺由氫燃料電池驅動的20t220X挖掘機進行了為期12個月的測試。2020年3月,濰柴動力股份有限公司氫燃料電池發動機工廠正式投產使用,預計年產量約20000臺,這是其氫燃料電池商業化的關鍵一步。

高效合理的能量管理策略是解決復合電源系統功率分配的關鍵。2017年,法國貝松實驗室Munoz等[5]提出了基于電池和超級電容總功率共享的實時控制策略,建立非線性自回歸神經網絡預測模型,設計了離散小波變換的時域濾波器,延長了動力電池的壽命,控制策略具有良好的魯棒性。2018年,Ben Elghali等[6]研究了以質子交換膜燃料電池為主體的應用于汽車上的復合電源系統,提出了一種基于自適應濾波的能量管理策略,采用模糊邏輯動態調整分離頻率,驅動循環仿真表明,燃料電池與超級電容都取得了良好的性能。S.G.R.E機構的Ibrahim等[7]基于模糊邏輯、向量機控制、頻率解耦等策略研究燃料電池汽車能量管理,改善了電動汽車動態響應速度和穩定性,根據動力電池充放電狀態、燃料電池氫氣消耗量、整車效率等參數進行參數匹配。浙江大學Zhang等[8]在2019年通過多層感知與神經網絡方法提取復合電源系統的特征參數,通過驅動模式識別實現燃料電池和超級電容實時功率優化分配。

文獻對燃料電池復合電源系統的研究集中在汽車上,在工程機械領域的研究甚少,由于工況的差異性導致工程機械復合電源系統控制策略更加復雜。為了滿足裝載機工況需求,動力系統需實現大功率和高能量的雙重目標,本文將燃料電池和超級電容組成復合電源系統,在頻繁變化的工況下,由于超級電容的存在,可以瞬間動態平衡負載功率需求,同時燃料電池能夠提供穩定的功率輸出。因此,超級電容與燃料電池組成的復合電源系統是解決電動裝載機電源問題的重要途徑[9],但復合儲能使得系統的功率與能量流變得更加錯綜復雜,目前亟須新技術解決多模式能量分流關系,制定高效合理的能量管理與優化策略,才能充分發揮復合儲能系統的性能和優勢,也是打破工程機械車載儲能技術瓶頸的關鍵。

本文通過分析傳統裝載機工況特征,采集各動力系統的性能參數,設計復合電源式裝載機動力傳動方案,對燃料電池、超級電容、動力驅動等系統進行建模;考慮到系統能量管理過程中一些混沌和暫態需求功率分量對復合電源系統耦合特性和燃料電池耐久性的影響,基于三階Haar小波變換分解需求功率;設計模糊邏輯控制策略,將小波處理后的低頻負載分量、超級電容SOC值作為輸入,輸出功率分配因子,以系統的經濟性為控制目標對復合電源系統進行功率分配;基于粒子群(particle swarm optimization,PSO)算法優化模糊邏輯隸屬度函數,提高復合電源系統的效率與壽命,并提高動力系統的響應速度。

1 系統傳動方案及模型建立

如圖1所示,燃料電池和超級電容組成復合電源系統作為純電動輪式裝載機的能量系統,通過電動機為動力傳動系統與液壓系統提供動力,控制器根據實時采集工況數據進行能量管理。

圖1 復合電源裝載機動力傳動方案Fig.1 Power transmission scheme of hybrid power loader

復合電源系統主要包括燃料電池、超級電容、DC/DC變換器等元件,通過電力驅動將動力分配到工作液壓系統和行走系統[4]。超級電容作為輔助電源配合燃料電池系統完成裝載機各個工況需求,在裝載機起步、重載、能量回收、負載變化劇烈等工況時,通過超級電容的“削峰填谷”保證電動裝載機系統的高效穩定工作,并延長燃料電池系統的壽命。因此,針對不同工況需求,需要探索耦合系統的能量管理方案,首先對裝載機系統進行模型建立。

1.1 燃料電池模型

燃料電池標準理論可逆電動勢Eref為

式中:ΔG為燃料電池系統的吉布斯自由能;n為氫氣的電子數;F為法拉第常數。

燃料電池輸出電壓EFC為

式中:Eact為活化過電勢;Eohm為歐姆過電勢;Econ為濃差過電勢。

燃料電池電壓與電流密度變化有關,電流密度較低時,由活化極化和歐姆電壓損耗引起的電壓損失起主要作用,而在高電流密度時,由濃度極化引起的電壓損失占主導作用[10]。圖2為燃料電池的極化曲線,曲線分別代表陰(RHca)、陽(RHan)兩極不同相對濕度下的曲線。

圖2 燃料電池極化曲線Fig.2 Polarization curves of fuel cell

通過MATLAB/Simulink平臺建立燃料電池系統模型Simulink模型,其結構如圖3所示。

圖3 燃料電池模型結構Fig.3 Structure of fuel cell model

1.2 超級電容模型

電容的容量取決于兩極板間存儲的電荷量。圖4為超級電容等效電路模型,主要由并聯電容器C、串聯充放電電阻R1、并聯自放電損耗電阻R2組成[10]。

圖4 超級電容等效電路模型Fig.4 Equivalent circuit model of super capacitor

超級電容輸出端電壓U0、等效電容電壓U與放電電流I的關系為

超級電容的荷電狀態(SOC)取決于輸出端電壓,其值為

式中:Urt為超級電容實時電壓;Umax和Umin分別為超級電容最大和最小工作電壓。

根據以上超級電容等效電路數學公式建立如圖5所示的MATLAB/Simulink模型。

圖5 超級電容模型結構Fig.5 Structure of super capacitor model

1.3 其他模型

1)整車動力傳動模型

裝載機動力平衡方程表示為[10]

式中:Ft為驅動力;Ff為滾動阻力;Fw為空氣阻力;Fi為坡度阻力;Fj為慣性阻力。

2)電動機模型

建立永磁同步電機力矩平衡方程[10]:

式中:Tm為電動機的電磁轉矩;TL為電動機負載轉矩;J為電動機的轉子及負載慣量;ωm為電動機角速度;B為黏滯摩擦系數。

基于以上數學模型在MATLAB/Simulink平臺建立如圖6所示電動機模型。

圖6 65kW/125kW電動機模型結構Fig.6 Structure of65kW/125kW motor model

3)液壓系統模型

液壓泵出口壓力轉換成泵驅動轉矩,液壓系統總消耗轉矩TP為[10]

式中:Ti為各液壓泵驅動轉矩;p為各液壓泵的出口壓力;q為各液壓泵排量;ηp為各液壓泵機械效率。

2 燃料電池復合電源能量控制策略

2.1 裝載機工況特性分析

圖7為裝載機作業循環過程,其工況特點是:作業循環周期短,整車頻繁起停,功率變化頻率與幅度大,駕駛員需要頻繁加減油門、變換擋位、操控轉向與工作液壓系統。因此,對于燃料電池復合電源裝載機循環工作過程中,輸出功率、車速、載荷等相關參數頻繁變化,控制系統需根據裝載機的負載工況特性進行分析,并制定對應的控制策略。

圖7 裝載機工作示意圖Fig.7 Working diagram of loader

2.2 燃料電池復合電源系統控制策略

為了滿足復合電源式裝載機對功率和能量的雙重需求,控制系統需要將燃料電池和超級電容輸出功率進行實時分配。但復合儲能使得動力系統的功率與能量流變得更加錯綜復雜,需制定高效合理的能量管理與優化策略,解決多模式能量分流關系,才能發揮復合電源系統的性能和優勢。

圖8為控制系統工作結構。裝載機復合電源能量控制系統主要工作過程如下:首先,根據復雜工況下系統多狀態模型,通過模型仿真探索復雜工況對系統耦合特性。然后,基于Haar小波理論進行功率分配,用超級電容平衡需求功率中混沌和暫態分量,將低頻分量輸入到模糊邏輯控制器中進行功率分配。最后,通過PSO算法優化模糊邏輯隸屬度函數,優化功率分配因子,實現多能源系統的最優能量控制策略。

圖8 整車控制系統結構框圖Fig.8 Structure block diagram of vehicle control system

裝載機在復雜工況下,通過調節功率分配因子對燃料電池和超級電容進行功率分配與分層優化控制,分析多系統耦合特征,探索分層優化控制的機理,以滿足裝載機的工作需求,提高裝載機能源利用率。挖掘復合電源的性能潛力,實現系統綜合性能最優。

2.3 小波功率分配

小波理論用于將給定的函數或連續時間信號分成不同尺度的分量,該技術已經成功應用于多數字信號處理和壓縮領域。裝載機工作過程中頻繁處于功率波動、啟停變化、怠速和大功率運行狀態。劇烈的功率波動和頻繁的啟停變化是燃料電池性能衰退的關鍵影響因素[11-12]。因此,在復合電源系統中將需求功率進行小波分配,避免燃料電池應對一些混沌和暫態功率分量,提高燃料電池的耐久性和復合電源系統的可靠性。

Haar小波與其他小波相比在時域上具有最短的濾波長度,非常適合裝載機負載功率頻繁變化的特點。本文使用Haar小波變換策略提取系統需求功率暫態信號。Haar函數ψ(x)為

式中:x為時間。

本文將裝載機實際載荷譜曲線加載到Haar小波變換策略中,將負載功率曲線分解為高頻和低頻部分,燃料電池系統主要負責低頻功率部分,高頻分量及制動能量回收部分由超級電容負責?？紤]計算效率和頻率的限制,設置3層小波分解,解壓縮和重構濾波器分別為[H1(z),H0(z)]T和[G1(z),G0(z)]T。輸入信號x(t)采用3級Haar小波分解和重構。如圖9所示,分解和重構的過程分別采用下采樣和上采樣的方法,H0(z)與G1(z)為低通濾波器,H1(z)與G0(z)為高通濾波器。原始信號x(n)等于裝載機負載功率譜的預定功率需求。

圖9 Haar小波信號處理Fig.9 Haar wavelet signal processing

將裝載機實車功率載荷譜作為原始信號x(n)。經過3層Haar小波變換處理,原始信號被劃分為x0(n)、x1(n)、x2(n)、x3(n)來描述頻率的特征。低頻分量PLC和高頻分量PHC分配表達式為

低頻分量為需求功率中穩態分量,將其作為模糊邏輯控制器的輸入變量,而高頻分量是需求功率中混沌和暫態分量,由超級電容平衡。

2.4 模糊邏輯控制策略

本文的控制策略目標是:通過調節功率分配因子滿足裝載機工況需求,使復合電源與負載更好地匹配,系統各元件高效工作,提高整機效率和燃料電池系統的壽命。復合電源裝載機控制系統的特點是:動力驅動系統輸出功率非線性突出,工作環境的復雜多變導致控制參數突變與信號失真,負載載荷具有很強的魯棒性,控制單元復雜繁瑣,因此很難建立精確的數學模型。模糊邏輯控制策略把人的經驗控制用計算機實現,基于人的控制經驗建立控制系統的知識模型,定義模糊語言變量,確定模糊集合,設計模糊邏輯推理程序,實現高魯棒性自適應的非線性控制[13-14]。本文基于模糊邏輯理論研究復合電源裝載機系統控制策略,通過實時采集負載載荷數據與超級電容SOC值,控制燃料電池與超級電容系統工作點。

根據裝載機工況特征對其負載特性及能量流向進行分析,實現工況劃分并制定相應的工作模式[5]。根據裝載機、燃料電池和超級電容的特征及工況需求,劃分4種工作模式來適配混合動力能量源[15]。控制器工作模式分為以下4種模式[10]。

1)模式1。起步,超級電容獨立驅動車輛。

式中:Pdem為裝載機需求功率;PFC為燃料電池系統的輸出功率;Pm為電動機的輸出功率;PSC為超級電容輸出功率;ηm為電動機輸出效率。

2)模式2。燃料電池系統獨立驅動車輛,燃料電池系統在自己約束條件內滿足需求功率并同時平衡超級電容SOC值。

式中:SOC、SOCe、SOCh、SOCl分別為超級電容的荷電狀態、荷電狀態期望值、設置的超級電容荷電狀態的最大、最小值;PC為超級電容SOC的調節功率;ηDC為燃料電池DC/DC變換器效率。

3)模式3。超級電容和燃料電池聯合驅動,若超級電容的SOC值大于期望值,超級電容參與工作并提供較大功率,剩余需求功率由燃料電池系統提供。若需求功率較大,單純燃料電池無法滿足要求,需要超級電容放電以平衡負載需求。

式中:PFC-max為燃料電池最大輸出功率。

4)模式4。制動回收模式,在車輛減速剎車或降臂時,電動機以發電模式工作,超級電容吸收能量而燃料電池系統不工作。

復合電源系統模糊邏輯控制結構如圖10所示,采用功率控制,控制器的輸入變量是系統需求功率Pdem與超級電容SOC值,輸出為功率分配因子K。需求功率為工作液壓系統和行走系統驅動功率之和,SOC值為超級電容的荷電狀態[10]。

圖10 復合電源系統模糊邏輯控制結構Fig.10 Fuzzy logic control structure of composite power supply system

在模糊邏輯控制系統中,首先設定輸入與輸出參數的基本論域,然后設計模糊邏輯控制器并制定控制規則,模糊邏輯控制器如圖11所示。

圖11 模糊邏輯控制器Fig.11 Fuzzy logic controller

在該模糊邏輯控制器中,輸入變量1為小波處理后整車需求功率Pdem,設置模糊論域為[0,160],Pdem的模糊子集劃分為{VL,L,A,H,VH};輸入變量2為超級電容SOC值,設置模糊論域為[0,1],超級電容SOC的模糊子集劃分為{vlow,low,mid,high,vhigh};輸出變量燃料電池系統功率PFC設置模糊論域為[10,100],燃料電池PFC模糊子集為{L1,L2,L3,L4,L5}。根據不同工況制定模糊規則集,建立隸屬度函數,根據專家庫制定控制規則,圖12為對應的調節規則。

圖12 Pdem、SOC、PFC對應的調節規則Fig.12 Regulation rules of Pdem,SOC and PFC

2.5 小波變換-模糊邏輯控制器

基于小波變換算法分離高低頻需求功率,基于MATLAB代碼來確定最優的3層分解閾值[16],對應d1、d2、d3最優值為10.6645、14.4748、6.8130;3層Haar小波處理后對應的負載功率曲線如圖13所示,s/ds=a3+d3+d2+d1,其曲線為原功率,a3代表的曲線為分解后的低頻功率曲線,d1、d2、d3代表超級電容負責的高頻功率部分[10]。

圖13 三層Haar小波處理載荷譜曲線Fig.13 Three-layer wavelet processing of load spectrum curves

經過最優閾值3層Haar小波處理后,將需求功率進行分配,一些混沌和暫態分量用超級電容平衡,有效提升燃料電池系統的壽命與整車經濟性。圖14和圖15為3層Haar小波處理后的裝載機典型工況下功率分流結構。該工況是以某5t輪式裝載機(ZL50)為例,分析其對原生土進行作業時的載荷譜數據,控制器通過各傳感器實時采集車速、動力傳動軸轉矩、工作液壓泵出口壓力及流量、轉向液壓泵出口壓力及流量等數據。由圖14和圖15可見,分解后的燃料電池功率需求曲線具有全局低頻性,將低頻分量輸入到模糊邏輯控制器中。

圖14 動力系統負載功率曲線Fig.14 Load power curves of power system

圖15 液壓系統負載功率曲線Fig.15 Load power curves of hydraulic system

將實際載荷譜數據低頻分量加載到Simulink模型中,模型主要包括燃料電池系統、超級電容系統、發電機、電動機、工作液壓系統、控制模塊等。建立復合電源裝載機系統仿真模型,研究系統動力耦合特性,將復合電源控制策略集成到整車控制層中,挖掘復合電源的性能潛力。其仿真模型如圖16所示。

圖16 復合電源系統仿真模型Fig.16 Simulation model of composite power supply system

將載荷譜功率數據作為模型輸入,通過一個周期的對比仿真分析。圖17為超級電容SOC值變化曲線,圖18為燃料電池輸出功率。對比可知,載荷功率經過3層Haar小波變換后,超級電容SOC值變化更加頻繁,燃料電池功率變化幅度減緩,兼顧經濟性的同時提高燃料電池壽命。因為超級電容在控制過程中平衡負載功率的暫態與混沌分量,導致SOC值變化幅度相對劇烈,但在0.6左右處于動態平衡狀態,Haar小波變換后燃料電池輸出功率更加平滑,圖中局部放大處波峰功率下降了4.14kW,因此,小波變換提高了系統綜合效率,控制策略更合理。

圖17 超級電容SOC變化曲線Fig.17 SOC curves of super capacitor

圖18 燃料電池輸出功率曲線Fig.18 Output power curves of fuel cell

3 PSO算法優化模糊邏輯隸屬度函數

由于模糊邏輯推理過程依靠豐富的專家經驗,需要反復訓練才得到最佳控制模式,PSO算法采用簡單速度-位置更新公式迭代,粒子通過交換自己的成功經驗信息來尋求最優解[17-18]。為適合復合電源裝載機系統工況特性,利用PSO算法優化模糊邏輯隸屬度函數,實現復雜工況下系統功率分配及優化控制策略,提高系統綜合性能。

3.1 PSO算法原理

首先,在一個設定的D維空間中進行目標搜索,搜索粒子群落由N個粒子構成,其中第i個粒子表示為D維空間的向量。第i個粒子的“飛行”速度也是一個D維向量,第i個粒子迄今為止搜索到的最優位置稱為個體極值,最優位置是由整個粒子群到此為止搜索到的,記為全局極值,找到全局最優位置和個體極值最優位置時,粒子在這時會根據如下公式更新速度和位置[19]。PSO算法的具體流程如圖19所示。

圖19 PSO算法優化流程Fig.19 Flow chart of particle swarm optimization algorithm

式中:t為當前迭代次數;r1、r2表示(0,1)之間的隨機數;c1、c2為加速因子,一般在(0,4)之間取值;ω為慣性權重;xi為粒子位置;vi為粒子速度函數;pi為個體極值;pg為全體極值。

3.2 PSO算法優化隸屬度函數

模型以裝載機典型的工作周期實際載荷功率作為模糊邏輯控制器的輸入之一。本文使用已知控制規則優化隸屬函數的優化方法[20],在仿真系統中代入實際的模糊控制器。超級電容的SOC值應該保持在一定的范圍內,約束條件如下:

復合電源中放電功率約束為:在裝載機行駛過程中,復合電源系統的放電功率要受到其自身功率的限制,約束條件如下:

粒子群優化目標是降低燃料電池汽車在整個運行工況的總等效氫耗,即

式中:MFC為燃料電池耗氫量;MSC當超級電容等效耗氫量。

將輸入輸出中所有的隸屬度函數進行優化,隸屬函數通過PSO優化算法迭代了474次后保持不變,并達到最大適應度1。將輸入輸出中所有的隸屬函數優化后代入到新的模糊邏輯控制器中進行觀測。優化前后模糊邏輯規則對比觀察器如圖20所示,選則觀測器片段,提取Pdem=106kW,超級電容SOC=0.659時刻數據,通過優化后燃料電池輸出功率為PFC=58.3kW。與原觀察器相比,燃料電池輸出功率下降0.7kW。

圖20 優化前后的模糊邏輯規則觀察器(部分)Fig.20 Rule observer before and after fuzzy logic controller optimization(part)

4 PSO算法優化-模糊邏輯控制器仿真

以裝載機同樣工況周期的實際載荷功率曲線作為模糊邏輯控制器的輸入,按照PSO算法優化的隸屬度函數建立控制規則,通過控制模式對比仿真分析。

經過PSO算法優化控制器后,燃料電池輸出功率對比曲線如圖21所示。Haar小波處理代表通過3層Haar小波處理需求功率后進行模糊邏輯控制結果,PSO算法優化代表通過小波處理后并對模糊邏輯隸屬度函數進行粒子群優化后的控制結果。在“波峰波谷”處清晰看到燃料電池輸出功率波動較少,變化平緩,在滿足裝載機系統動力性要求的前提下,燃料電池輸出平均功率同比下降5%左右,有效提高燃料電池的效率。因此,通過PSO算法優化模糊邏輯控制器對復合電源系統功率分配因子進行修正,有效平衡燃料電池系統在快速變載、頻繁啟停、過載等惡劣工況下的功率輸出,提高燃料電池的使用壽命與系統的綜合性能。滿足裝載機系統的動態工況需求,保證燃料電池工作狀態變化更加平穩,兼顧系統的耐久性和經濟性。

圖21 優化后燃料電池輸出功率變化曲線Fig.21 Output power curves of optimized fuel cell

如圖22所示,經過優化后,選擇在某單循環工況中重載頻繁工況(35s)下研究超級電容平衡功率數據。通過3種控制模式進行對比仿真分析,圖中原始數據代表未處理載荷譜數據進行模糊邏輯控制,Haar小波處理代表通過3層Haar小波處理需求功率后進行模糊邏輯控制,PSO算法優化代表通過小波處理并對模糊邏輯隸屬度函數進行優化后的控制。超級電容輸出功率中,原始數據曲線變化相對平滑,但Haar小波處理后,曲線變化幅度較大,PSO算法優化后,曲線變化頻率與變化幅度最大。因此,在復合電源系統中,為了提高燃料電池的綜合效率,利用超級電容吸收負載功率中混沌和暫態分量。

圖22 優化后超級電容輸出功率變化曲線Fig.22 Output power curves of optimized super capacitor

圖23為超級電容在全周期工況下Haar小波處理與PSO算法優化后的SOC值變化曲線對比。優化后曲線變化幅度更劇烈,但超級電容SOC值保持在0.6左右,說明超級電容能夠滿足工況需求,優化后的控制器效果明顯。

圖23 優化后超級電容SOC變化曲線Fig.23 SOC curves of optimized supercapacitor

5 結 論

本文圍繞復雜工況下燃料電池和超級電容復合電源式裝載機進行控制策略研究,分析多系統耦合特征,探索分層優化控制的機理。首先,建立燃料電池復合電源裝載機復雜工況下系統多狀態模型;其次,基于Haar小波理論分層處理載荷功率;然后,基于模糊邏輯控制策略探索復雜工況對系統耦合特性的影響規律;最后,基于PSO算法優化隸屬度函數,探索復雜工況下系統功率分配及優化控制策略。通過仿真數據驗證結論如下:

1)經過最優閾值3層Haar小波處理后,將需求功率進行分配,一些混沌和暫態分量用超級電容平衡,避免燃料電池處理急速變化的功率需求,有效提升燃料電池系統壽命與整車經濟性。

2)提出模糊邏輯能量管理策略動態平衡需求功率,設計模糊邏輯控制器,制定控制規則,仿真結果顯示,燃料電池功率變化平滑,提高了電源系統的效率,超級電容工作在設定區域內,工作功率變化幅度相對劇烈,控制策略合理。

3)經過PSO算法優化控制器后,燃料電池輸出功率變化幅度變得更平緩,燃料電池平均功率同比下降5%左右。有效提高燃料電池的效率與耐久性。