燃料电池-HAWKER蓄电池电力系统的能源管理规则，有助于提升耐用性

燃料电池混合动力系统的能源管理影响能源消耗和电源的使用寿命。虽然机器学习和优化算法在降低能耗方面具有优势，但基于规则的策略在耐用性方面并不逊色。基于规则的策略可以在解决未解决的问题后实现长寿命目标：1）如何通过基于规则设计降低燃料电池系统的功率变频频率。2）如何设定燃料电池系统的最小输出功率，特别是考虑到水浸的缓解。为解决这些问题，提出了一种热稳定性感知延迟机制，以降低燃料电池系统功率变化的频率。此外，引入了一种设定燃料电池系统最小输出功率的方法，专门考虑了水淹水条件。通过对实验结果的分析，我们发现该策略将燃料电池功率波动减少了49.9%。这减少了温度波动，促进燃料电池堆内的电化学均匀性。

简介

燃料电池锂离子电池混合动力系统（FCB-HPS）中的能源管理是两种电源之间电力分配的问题——决定燃料电池系统和电池分别提供的电力量。这种分配会影响燃料电池和电池的能耗和使用寿命。低能耗和长使用寿命是燃料电池-混合动力系统的主要需求。为实现这两个目标，研究人员开发了多种能源管理策略（EMS）。

基于优化的EMS旨在通过制定和解决优化问题，实现低能耗和延长使用寿命。总能耗和动力源（燃料电池和电池）的退化通常被纳入目标函数。通过限制电池的放电/充电功率及其充电状态（SoC）范围，从而支持延长电池寿命的目标。根据实时适用性，基于优化的EMS分为两类：离线优化和在线优化。

燃料电池混合动力系统中用于离线优化的能源管理方法包括动态规划（DP）、庞特里亚金最小原理（PMP）和遗传算法（GA）。
DP和PMP是FCB-HPS能源管理中离线优化的基础工具。DP对状态和控制空间进行离散化，以寻找燃料电池和电池功率分配的全局最优，考虑电池SoC和燃料电池爬坡率等约束[1]。而PMP则为最优性提供必要条件，常用于实时规则提取或作为等效消耗最小化策略的基础[2]。DP和PMP在理论最优性以及处理非线性和约束方面具有优势。但它们的计算成本很高，尤其是在长时间驾驶周期或高维系统时。
GA是一种启发式优化方法，灵感来源于自然选择，适用于多目标问题，如元件尺寸调整和EMS参数调优[3,4]。GA灵活，能处理非线性和多目标，但计算量大。
离线优化方法可以提供理论基准，尤其是全局最优性。限制在于它们需要已知的驾驶周期[5]。但实际上，驾驶周期往往是未知的。此外，它们的实时适用性受限于计算复杂性。这些是其应用的障碍。

研究人员提出了在线优化EMS以克服离线优化的缺点。为了实现近全球优化，这些策略采用模型预测控制（MPC）框架，需要在线解决优化问题[6]。因此，一个关键挑战是减轻相关的计算负担。一项研究提出了一种层级模型预测控制，用于全球解决问题并提高计算效率。通过参数化控制变量，优化变量数量显著减少，从而实现更快的计算，同时不影响解的质量[7]。
考虑到模型参数的变化，一些研究监测燃料电池老化并调整控制参数，以维持电荷维持，并在不同驾驶周期下最大限度地减少劣化[[8]， [9]， [10]]。

基于优化的方法依赖模型，使其对模型变化和不确定性缺乏适应性。然而，机器学习方法是无模型且具备自学习能力的，已被应用于能源管理以解决这些问题。
例如，基于模糊Q学习的EMS无需模型，无需燃料电池系统的精确数学模型。它通过与环境的交互学习最优策略，使其高度适应性[11]。一项研究提出了基于双深度Q网络的优先级对决EMS。它实现了全球最优动态规划EMS的99.2%性能，但具备实时应用性。它能够适应未知的驾驶周期，无需重新训练[12]。
机器学习的训练过程通常耗时。为此，一项研究提出了改进方案。它提出了一种EMS，不仅实现了不同燃料电池车辆类型（从燃料电池轿车到燃料电池公交车）之间的知识转移，还能跨越不同的优化任务（从单一目标的氢气节约任务到考虑燃油经济性和燃料电池寿命的多目标任务）。这克服了传统基于深度强化学习的EMS对新车辆类型或任务进行重复且耗时培训的局限[13]。

对于基于规则的EMS，典型的控制逻辑是。
如果电池SOC<较低阈值，燃料电池系统会供电并为电池充电。
如果电池SOC达到上限阈值>，电池供电。
否则，权力分配由预定义的规则或查找表决定。
基于规则的EMS也通过离线优化和成本函数分析推导规则构建。例如，使用庞特里亚金最小原理或动态规划等方法生成最优控制序列，然后抽象为简单的实时规则[14]。规则通常基于最小化包括氢气消耗、电池使用和劣化罚款的成本函数[15,16]。
此外，模糊逻辑是实现基于规则的EMS的一种方式。一项研究利用突变模糊逻辑控制器延长燃料电池寿命[17]。

与基于MPC和基于学习的EMS相比，基于规则的EMS在实际部署中具有优势，且无需数据训练。基于规则的EMS无法有效处理不确定性或实现近乎全球的优化。对于低能耗目标，受负载需求和模型参数不确定性影响，MPC和机器学习相较于基于规则的策略具有优势[18]。
虽然机器学习和MPC在降低能耗方面具有优势，但基于规则的策略在耐用性方面并不逊色，且实现持久运行可以由基于规则的策略实现。电源的使用寿命受其降解机制控制，通常遵循确定性模式。在此背景下，基于规则的策略可以与机器学习和MPC方法竞争甚至更优。这一点还得到了基于规则的策略消除了大量训练数据的需求，并且显著降低了在线计算成本。因此，为了实现长寿命，基于规则的策略相较于机器学习和MPC提供了更有利的解决方案。
在依赖能源管理策略的降解机制中，对于锂离子电池来说，高放电电流加速了降解。大放电深度（DoD）会增加机械应力，导致电极断裂、空洞和界面脱离[19,20]。高电荷电流（快速充电）加速容量衰减，增加内阻，缩短循环寿命[21]。
对于燃料电池，频繁的功率波动和频繁的启停循环加速了燃料电池的劣化。一项研究表明，在最佳条件下，降解率最低可达−0.019%/天，但在过载或高频循环时可降至−0.124%/天[22]。启停循环促进碳腐蚀[23]。频繁的功率波动会导致燃料电池温度波动，在这种情况下，功率增加往往使水蒸气分压（阳极或阴极）超过饱和蒸气压，导致水淹没（阳极或阴极）。阴极注注会导致燃料电池性能下降，但大多能够恢复。但阳极注水会不可逆地降低燃料电池的性能和寿命[24]。
对于锂离子电池，当前研究已制定相应规则以确保耐用性，例如限制SoC的续航范围和最大放电/充电功率。然而，对于燃料电池的耐久性，当前基于规则的能源管理策略存在以下研究空白：

• 1)
  很少有研究专门设计规则来降低燃料电池系统功率变化的频率。
• 2)
  在设定燃料电池系统最小输出功率限制时，通常不考虑减少水淹的需求。

燃料电池系统的最低功率设置必须考虑水淹风险，以确保运行耐久性。水淹直接受到电力变化的影响。功率增加（电流增加）加速了水产，加剧了洪水问题。相反，功率下降可以帮助缓解。因此，一旦检测到洪水，EMS必须维持甚至降低燃料电池系统的功率以促进恢复。
在最低功率设置下不考虑水浸是有缺点的。如果在燃料电池系统已处于最低功率运行时发生严重进水，EMS缺乏必要的缓冲器进一步降低功率，而动力是主要的对策。这种无法应对的行为可能延长洪水事件，可能导致不可逆的损害，如碳腐蚀。相反，主动考虑水浸余裕的最低功率设置则有益处。它赋予EMS在必要时降低功率的灵活性，有助于缓解洪水，防止性能下降，最终保护燃料电池的耐用性。
为弥补这些研究空白，本研究设计了基于规则的策略，以减少燃料电池系统功率波动的频率，并确保燃料电池和锂离子电池的耐久性。在设定最低燃料电池系统输出功率时，会考虑水淹问题。