燃料电池汽车的能量管理研究综述

由于化石燃料所造成的环境问题日益加重，而且能源枯竭问题也随之到来，燃料电池电动汽车成为可再生能源应用于汽车工业的重要选择之一。燃料电池汽车(FCV)是一种用车载燃料电池装置产生的电力作为动力的汽车。车载燃料电池装置所使用的燃料为高纯度氢气或含氢燃料经重整所得到的高含氢重整气。因此内部对于热能与电能的管理和优化显得尤为重要。下面介绍了几种应用于燃料电池汽车的能源管理策略。

1　基于元启发式方法的混合动力燃料电池汽车的双层能量管理策略[1]

本文着重介绍了使用元启发式方法来执行混合动力燃料电池电动汽车的能源管理策略，并且以氢气消耗、燃料电池的耐久性和计算时间作为关键性能标准。本文所提出的能量管理体系结构（文中Fig2）是一个基于规则的综合启发式方法，结合了基于规则和优化方法的简单性和有效性。仿真结果与蚁群优化算法的结果相比较，其性能接近于最佳性能。混合动力燃料电池电动汽车中主要能源的耐久性目前是一个关键问题，可以通过限制两层燃料电池的功率变化率来提供一个高水平保护，以体现低速动态特性运行限制。所提出的方法减少了计算工作量和时间，并且限制了优化层的搜索空间，从而能够快速收敛，因此在实时应用的潜力很大。

Fig 2. Hybrid power source architecture for electric vehicle

本文提出了一种混合动力燃料电池/超级电容电动汽车的双层能量管理系统（文中Fig 3），并以不同的标准驾驶循环ECE15、EUDC和HWEFT进行在线和离线管理，并将在线结果与最优离线性能进行了比较。对于EUDC和HWEFT驾驶循环来说，基于粒子群优化的算法在氢消耗方面达到了近乎最优的结果，与遗传算法相比性能稍好一些。相反，在线优化策略并没有显示出城市ECE15循环的结果，这是由于使用基于规则的能量管理只支持频繁的稳态阶段的优化，这是本研究的局限性。今后的研究工作，计划将进行不同的输入数据和参数在优化过程中对不确定性和误差影响的研究，从而提出一种更加强大和可靠的解决方案。

Fig 3.Double-layer EMS configuration

2　基于神经网络的混合动力燃料电池汽车能源管理控制器的设计[2]

混合动力电动汽车动力系统的设计和优化可以从包括辅助管理和能量通量控制策略的数学模型中得到一些启发。并且使用虚拟平台避免了昂贵和耗时的实验活动。在本文这项工作中，为混合动力燃料电池汽车开发了一个在线能源管理系统（EMS）控制器，旨在对多种驾驶风格类型采用相同的能源管理策略。该控制器使用神经网络（NN）进行设计，所述的神经网络在燃料电池系统和电池系统之间以最佳的功率通量分布进行训练，从而对整体等效能量消耗最小化。通过在八个不同的驾驶循环中，对由氢和锂离子电池供给的燃料电池汽车的动态集中参数数学模型，采用基于梯度的方法来获得最优解。进行定量和定性分析，显示不同类型驾驶循环中神经网络的性能（文中Fig 1）。

本文提出使用动态模型和神经网络来引入了一个新的在线EMS控制器来管理燃料电池汽车电源的功率通量。才有具有特定动力源的车辆动态模型确保了改进的EMS设计的可靠性，因为它们考虑了使用静态模型不能包括的若干因素（例如，电池充电的最大电流、工作温度等）。为了减少Simulink模型的优化计算成本，通过建立八个神经网络来优化简化模型，并利用输入进行训练。神经网络的使用提供了一个实时的EMS控制器。该方法的鲁棒性是通过在其余的周期中运行每个神经策略来提供的，并且也提高了预测未知周期的可靠性。实验结果表明，用NNFET驾驶循环训练的神经网络具有最高的节能效率，最高可达2%，而用CADC城市循环训练的神经网络达到的平均误差最低。

Fig 1.Work methods scheme

3　一种混合动力燃料电池汽车的新型能量管理算法[3]

本文提出了一种应用于混合动力汽车的能量管理算法。其中混合动力车辆由燃料电池作为主要能源和存储系统，由电池和超级电容器组成二次能源（见文中Fig 1）。主要来源必须为电动车辆产生必要的能量。二次能源在加速时产生附加动力，在制动过程中吸收多余的动力。在基于燃料电池的车辆中添加超级电容器和电池具有巨大的潜力，因为其可以显著地减少氢气消耗并提高车辆的能源效率。电动汽车由牵引电机、逆变器和功率调节器组成。其中功率调节器包括有三个DC/DC转换器：第一个转换器连接燃料电池和直流电路。对于第二和第三转换器，则使用两个升压-降压器以分别将超级电容器和电池与直流电路连接（文中Fig 1）。所提出的能量管理算法能够控制转换器的电流，以准确地调节由电源提供的功率。该算法采用MATLAB/Simulink软件进行仿真，并基于DSpace实验系统来实现。在本文中，所提出的算法通过新的欧洲驾驶循环（NEDC）来进行评估，实验结果验证了所提出的能量管理算法的有效性。

本文提出了一种算法来管理电动汽车应用的电力混合电源中不同元件之间的功率流。能源由一个燃料电池和一个存储系统组成，这个系统包括两个元素：电池和超级电容器。所提出的控制算法的主要优点在于它允许在没有其他算法通信的情况下管理车辆中的能量。对于在新欧洲驾驶循环（NEDC）所得到的模拟结果已经显示了本文采用的能源管理策略的效率。实验结果证实了所提出的管理算法对所研究的拓扑的有效性。这种算法可以应用于其他类型的能源（如太阳能系统和风力涡轮机）的其他拓扑（而不是隔离转换器）。

Fig 1.Electrical vehicle structure

4　基于全局极值搜索算法的燃料电池系统能量优化[4]

本文提出了一种实时优化方法，并展示了其在质子交换膜燃料电池（PEMFC）系统中的应用（文中Fig 1）。使用具有适当加权系数的两个性能指标的组合作为优化目标函数（净功率和燃料消耗效率）。在优化曲面的平台上会出现很多极值，因此添加加权系数可以修改优化曲面。本文提出的全局极值搜索算法（GES）作为实时优化方法，将定位和跟踪全局最大值点，并在此基础上建立PEMFC系统在给定负载下计算最优燃料供给速率。在这项研究中，对四种策略进行测试，包括静态前馈（sFF）控制策略作为参考。在不同负荷水平上寻求最佳操作条件，并估算这四种策略之间的差距。例如，与由sFF策略控制的PEMFC系统相比，PEMFC系统的GES操作可以提高1-2.1%的能量效率，其取决于FC电流水平和用于加权系数的值。如果PEMFC系统在可变负荷下运行，与sFF策略相比，基于GES和LF(Load Following)的优化策略的燃料消耗效率至少可以增加0.54 W/lpm。

EMU(Energy Management Unit)策略必须适应负载循环（路径）或驱动程序所要求的电池控制系统的运行模式。例如，当燃料电池车辆（FC）在上行路上行驶时需要更大的净功率AirFr，因此其策略必须将FC净功率最大化。但是当FC在下行路上行驶时则需要燃料消耗效率FuelFr最大化。采用GES算法对控制变量（AirFr和FuelFr）的当前值进行定位，追踪燃料电池系统的最佳运行点即全局最大点。未来的研究工作将集中以下几点：

Fig 1.The PEMFC system

（1）燃料电池中氢气进料子系统将以流通模式进行配置，需要以最大限度地降低由阳极“饥饿”现象而导致的退化风险。

（2）需要研究燃料电池汽车功率全频范围内的LF控制的可变负载优化策略。

（3）LF控制将通过基于频率的策略来实现，以便于将负载需求分成低频和高频分量。

5　基于经典策略的混合动力汽车燃料电池系统的改进型能量管理策略[5]

本文提出两种应用于燃料电池电动汽车的能源管理策略（EMS），并对这两种策略进行了评估比较（文中Fig 5和Fig 7）。首先介绍了一种基于固定燃料电池（FC）功率控制的频率分离的经典方法，并对其进行了测试。然后，介绍了另一种基于经典策略的改进型管理方法，该方法的优势主要体现在易于实现、经济性好和混合能源系统寿命延长等方面。能源管理策略是根据电池的充电状态，使用功率限制的在线可变功率控制来开发的，同时也要确保电池的能量保持在其工作深度（DOD）范围内。对两种策略进行了比较分析。仿真实验结果显示，改进后的能源管理系统（IEMS）在燃料经济性方面提高了13%，并降低了功率限制上22%的应用压力，从而延长了整个系统的使用寿命。为了进一步证实这一点，将通过一个组装成硬件（HIL）实时系统的测试平台进行测试。所得到的实验结果证实了改进后的能源管理系统的成效收益。

在这项工作中，IEMS策略的原理是根据能量的电池状态限制其净功率并尽可能地利用其可用能量，从而导致燃料电池系统和电池组之间的应用共享。IEMS策略通过三个必要的应力因素来延长整个系统的寿命和减少氢气消耗，即RMS功率、电池单元能量和燃料消耗。除了较低的燃油消耗和较长的使用寿命之外，所提出的改进策略的另一个优点是它仍然是一个在线战略，与驾驶循环周期无关。

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]MUÑOZ 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).