编辑推荐：
质子交换膜（PEM）燃料电池的氧气供应管理对耐久性和性能至关重要。针对 OER 精确控制难题，研究人员提出模糊自适应二阶自抗扰控制（ADRC）策略。仿真表明其响应和精度优于传统控制，CLTC 下 MRE 降低 35.3%，HIL 验证了实时性，为燃料电池系统优化提供新方案。
在能源转型的浪潮中，氢燃料电池作为高效清洁的动力来源备受瞩目。质子交换膜（PEM）燃料电池凭借高能量效率、长续航和快速加氢等优势，成为新能源汽车的理想动力选择。然而，其商业化进程却面临成本、效率和耐久性等 “拦路虎”。尤其是空气供应子系统的精准控制，如同燃料电池的 “呼吸调节器”，一旦氧气供应不足，不仅会导致电池电压下降，还可能引发阴极析氢、极性反转，甚至腐蚀碳组件和铂催化剂载体，造成不可逆损伤；而空气流速过快又会导致膜干冷、水热管理失效和压缩机功耗增加，降低净输出功率。因此，如何通过精确控制氧气过剩比（OER，定义为进入电堆的氧气流量与电化学反应消耗的氧气流量之比）实现高效供气管理，成为提升燃料电池系统性能与寿命的关键瓶颈。
为突破这一难题，国内研究团队开展了深入研究。他们的成果发表在国际期刊《Fuel》上，针对 100kW 车用燃料电池系统的空气呼吸子系统 OER 跟踪控制问题，提出了一种融合模糊自适应技术的改进型二阶自抗扰控制（ADRC）策略，为燃料电池的 “呼吸系统” 打造了更智能的 “控制器”。
研究人员采用了以下关键技术方法：首先，建立动态集总参数模型描述阴极传质过程，并利用 100kW 车用燃料电池系统的实验数据集进行模型参数化和精度验证；其次，设计模糊扩张状态观测器（FESO）估算无法直接测量的阴极压力，以重构 OER；最后，结合模糊逻辑理论实现二阶 ADRC 控制器参数的在线自适应调整，并通过硬件在环（HIL）实验验证控制器的实时应用潜力。
模型构建与验证
研究构建了包含燃料电池电压模型和阴极侧空气动力学模型的简化集总参数模型。通过自主设计的 100kW 燃料电池测试平台（由高压氢源、冷却液温度控制模块、双向电子负载和数据采集单元组成）获取实验数据，对模型进行参数辨识和验证。空气压缩机模型采用基于差分蝙蝠算法（DBO）优化的支持向量回归（SVR）机器学习方法构建，提升了模型对未知数据的泛化能力和精度。
模糊自适应二阶 ADRC 控制器设计
提出基于 OER 观测器的二阶模糊 ADRC 策略框架（图 3）。模糊扩张状态观测器（FESO）相比线性扩张状态观测器（LESO），可通过模糊逻辑在线智能调整带宽参数，实现对不可测阴极内部压力的最优状态估计，进而完成 OER 重构。结合 OER “真实” 值与最优参考值，利用模糊系统对二阶非线性 ADRC 的控制参数进行在线自适应调谐，以应对复杂工况下的干扰。
性能评估与实验验证
在阶跃变负载场景下的仿真结果显示，与传统 PID、模糊 PID、一阶 ADRC 和二阶 ADRC 相比，所提策略具有最优的瞬态响应性能和稳态跟踪精度，发电效率至少提升 1.7%。在中国轻型车辆测试循环（CLTC）条件下，其最优 OER 跟踪的平均相对误差（MRE）较基准二阶 ADRC 策略降低 35.3%。在新欧洲驾驶循环（NEDC）条件下的硬件在环（HIL）实验中，实验与仿真的 MRE 仅为 0.2%，验证了控制器的实时性和可靠性。
结论与意义
该研究首次系统地利用 100kW 商用燃料电池系统实测数据集完成系统集总参数模型的参数辨识，结合机器学习优化压缩机模型，提升了建模精度。通过 FESO 实现 “真实” OER 重构，并创新性地将模糊自适应技术与二阶 ADRC 结合，解决了传统控制方法对精确模型的依赖和参数调谐难题。研究成果不仅为燃料电池空气供应管理提供了一种高效的抗干扰控制方案，其提出的模型参数辨识流程和控制器设计方法也为同类复杂非线性系统的控制问题提供了重要参考，有望推动燃料电池在新能源汽车领域的商业化应用，助力 “双碳” 目标下清洁动力技术的突破。
