基于3D有序膜电极的燃料电池电动汽车多目标协同优化与帕累托前沿研究

《International Journal of Hydrogen Energy》：Optimal sizing and energy management for fuel cell electric vehicles with 3D-ordered MEAs: A pareto frontier study

为解决燃料电池电动汽车(FCEV)成本高、功率密度低及耐久性差等问题，本研究针对搭载3D有序膜电极(MEA)的FCEV，采用基于分解的多目标进化算法(MOEA/D)同步优化动力系统尺寸与能量管理策略(EMS)。研究得出中尺寸配置(63.31 kW燃料电池+52.15 kWh电池)可实现零部件成本降低26.71%，氢耗最高减少12.76%，且燃料电池降解显著改善。该研究为FCEV的全局优化设计提供了创新方法学和工程实践指导。

　　

随着全球碳中和目标的推进，氢燃料电池电动汽车(FCEV)作为零排放交通工具备受关注。然而其商业化仍面临三大核心挑战：高昂的制造成本（燃料电池堆占整车成本25%以上）、有限的功率密度以及耐久性问题。特别是膜电极组件(MEA)——作为燃料电池的核心部件，不仅占据燃料电池40%以上的成本，更是性能衰减的主要来源。传统MEA结构存在催化剂利用率低、传质效率差等问题，导致燃料电池在车辆动态工况下寿命大幅缩短。

英国伯明翰大学Du团队创新性开发出三维有序纳米结构自支撑MEA，采用垂直排列的铂纳米线阵列和超薄催化剂层，显著提升了质传效率和催化剂利用率。但先进材料需与整车系统协同设计才能发挥最大效益——需要平衡动力系统尺寸（燃料电池活性面积与电池模块数量）与能量管理策略(EMS)的参数优化，这是一个涉及多目标、高维度的复杂优化问题。

为此，研究团队在《International Journal of Hydrogen Energy》发表了这项突破性研究，首次将多目标分解进化算法(MOEA/D)与等效消耗最小化策略(ECMS)相结合，对搭载3D有序MEA的FCEV进行动力系统尺寸与能量管理的同步协同优化。研究团队建立了包含燃料电池退化模型、电池二阶RC模型和整车动力学的数字孪生平台，采用MOEA/D算法处理三个冲突目标：零部件制造成本(J_mfg)、运行成本(J_op，含氢耗与SOC维持惩罚)和燃料电池降解成本(J_deg)。通过在三种激进驾驶循环(GAC-1/2/3)下进行帕累托前沿分析，并对比混沌增强粒子群算法(CAPSO)，最终选取最优配置进行多工况验证。

关键技术方法包括：1)基于实验数据的3D有序MEA极化曲线拟合与降解建模（含怠速、启停、动态负载和高负载四种退化模式）；2)采用MOEA/D算法同步优化燃料电池活性面积、电池模块数量和等效因子初始值；3)建立包含PI调节器的自适应ECMS策略实现SOC维持；4)通过敏感性分析评估2030-2040年组件成本和氢价变化的影响。

研究结果通过四个维度系统呈现：

2.1 车辆系统与功率流

基于长安CS75 FCEV平台，建立永磁同步电机（峰值功率85kW）、400V锂离子电池和400V燃料电池堆的混合架构，明确DC/DC转换器、防反二极管等部件的连接关系与功率分配逻辑。

2.2 组件缩放模型

电池包采用2-RC等效电路模型，容量通过并联模块数缩放，质量基于150Wh/kg能量密度估算。燃料电池堆基于单细胞3D有序MEA实验数据（50cm2活性面积）缩放，建立输出功率与活性面积关系，辅助系统损耗按净功率的80%折算。降解模型量化四种工况衰减：怠速（功率<10%峰值）、启停、动态负载（功率变化率>10%/s）和高负载（功率>90%峰值），并通过42,000次电位扫描循环实验验证。

2.3 混合功率流

基于纵向动力学模型计算需求功率，车辆质量随动力系统尺寸动态变化。燃料电池和电池功率通过控制信号协调，满足总线功率需求，同时遵守SOC、功率限值和变化率约束。

2.4 基于ECMS的能量管理

采用等效消耗最小化策略，通过哈密顿函数生成燃料电池控制信号阵列，电池功率作为补偿。引入PI调节器和SOC惩罚项增强可持续性，等效因子(EF)通过优化确定。

4.2 进化策略

MOEA/D将多目标问题分解为标量子问题，采用Tchebycheff法聚合目标，通过中间交叉和变异操作生成子代，仅更新邻居个体保持多样性。结果表明算法在100代内收敛，超体积(HV)维持在0.6-0.8间，显示良好多样性。

4.3 帕累托前沿

三代驾驶循环分别获得76、92和55个非支配解。前沿分析表明：运行成本随制造成本增加而降低，但超过1.5后趋于平缓；降解成本在制造成本低于1.3时保持<5%，之后急剧上升。尺寸分布显示集群集中于小燃料电池(20-40kW)+大电池(46-57kWh)或中燃料电池(50-75kW)+中电池(40-45kWh)组合。

5.1 MOEA/D性能

相比CAPSO算法，MOEA/D以8000次仿真获得76个PF解，收敛距离(GD)仅0.0109，超体积0.93，显著优于CAPSO的16000次仿真、GD=0.0553和HV=0.85。

5.2 帕累托分析与选择

通过斜率变化率法从PF中选择三个最优配置(S-PF1/2/3)。S-PF2（63.31kW燃料电池+51.15kWh电池+EF=2.1608）在多数工况表现最佳。

5.3 敏感性分析

氢价降低主要减少运行成本，对制造和降解成本影响小；组件成本和氢价同时降低时，PF向低制造和运行成本区域移动，降解成本仍保持低敏感性。S-PF2在所有场景均靠近PF，证明其鲁棒性。

5.4 优化参数下的动力系统性能

在WLTP、Artemis和真实驾驶循环(JRCC)中验证：S-PF2实现组件成本降低26.71%，氢耗节省最高12.76%（Artemis Urban），燃料电池降解减少77.63%（RTS-95）。功率分配显示S-PF2以燃料电池为主电源、电池为缓冲，而S-PF3以小燃料电池为增程器导致SOC维持差（JRCC循环中SOC降至36.53%）。

研究结论表明，采用3D有序MEA的FCEV通过协同优化可显著提升经济性和耐久性。中尺寸配置(S-PF2)在成本、能耗和降解间取得最佳平衡，组件成本降至￡25,131，氢耗820.1-1385.8g/100km，降解率仅0.0017-0.017%。敏感性分析证实该配置在2030-2040年成本下降场景下仍保持近帕累托最优。该研究不仅提供了FCEV系统优化的创新方法，还为未来氢能交通的技术经济评估提供了重要参考。未来工作将聚焦全尺寸电堆集成与实车验证，进一步推动3D有序MEA技术的产业化应用。