燃料电池混合动力重卡的多目标热健康ECMS策略：基于深度强化学习的等效因子动态调控

本文推荐：该研究创新性地提出了一种面向燃料电池混合动力重卡的多目标等效消耗最小化策略（ECMS），通过深度强化学习（DRL）动态调控等效因子（EF），实现了能源效率、热管理（FCS温度控制）和部件健康（SOH衰减抑制）的协同优化。相比启发式策略，该方案降低5.29%油耗，同时减少77.87%燃料电池系统（FCS）超温风险，并将健康衰减降低99.36%（绝对衰减值0.0001% vs 0.0042%），硬件在环（HIL）实验验证了其实时性与泛化能力。

　　

亮点

本研究开发了一种面向燃料电池混合动力重卡的多目标等效消耗最小化策略（ECMS），通过能源-热力-健康协同优化，结合深度强化学习（DRL）动态调控等效因子（EF）。基于双延迟深度确定性策略梯度（TD3）算法，该策略在多变工况下展现出卓越性能：相比启发式策略，油耗降低5.29%，燃料电池系统（FCS）超温违规减少77.87%，健康状态（SOH）衰减抑制达99.36%（绝对衰减仅0.0001%）。硬件在环（HIL）测试进一步证实其实时性与泛化能力，在未知工况下仍实现油耗降低2.21%、FCS衰减减少87.10%、电池退化降低3.70%。

结论

本文提出的多目标ECMS框架为燃料电池混合动力系统提供了兼顾效率、热稳定性和耐久性的创新解决方案：

1. 相比动态规划（DP），该策略实现近最优能源效率，油耗较启发式策略降低5.29%；

2. 通过集成热管理目标，FCS超温违规减少77.87%，温度波动显著抑制；

3. 融合燃料电池与电池衰减模型，SOH绝对衰减值降至0.0001%（降幅99.36%）；

4. 硬件在环实验验证了DRL-ECMS在未知工况下的强泛化能力，为实车部署奠定基础。

（注：翻译严格保留PM_2.5、60–80°C等原文格式，专业术语如TD3、SOC等均采用"中文（英文）"标注）