基于深度强化学习的燃料电池混合动力工程车辆自适应分层能量管理策略研究

本文提出了一种融合等效消耗最小化策略（ECMS）与深度确定性策略梯度（DDPG）的自适应分层能量管理系统，通过CNN-GRU-Attention预测模型提升策略收敛性。仿真与硬件在环测试表明，该方法燃料效率达动态规划（DP）的94.8%，等效氢耗降低最高达17.4%，为混合储能系统能效优化提供了智能算法基础。

　　

Highlight

本研究针对燃料电池混合动力工程车辆（FCHEVs）的复杂工况，创新性地提出了一种分层能量管理框架：指导层采用深度确定性策略梯度（DDPG）优化全局荷电状态（SoC）参考轨迹，执行层通过等效消耗最小化策略（ECMS）实现燃料电池功率的实时分配。结合CNN-GRU-Attention短期功率预测模型，系统在动态负载下仍保持高精度跟踪，等效氢耗较传统方法降低12.6%-17.4%。

System description

研究以5吨轮式装载机为对象，其混合动力架构包含质子交换膜燃料电池（PEMFC）、磷酸铁锂电池及单向DC/DC转换器。液压系统驱动的铲斗机构与电驱传动系统构成典型工程车辆多尺度负载场景，为能量管理提供了复杂测试环境。

EMS development

框架突破性地将学习与优化算法结合：离线阶段通过历史数据预训练环境模型，在线阶段则通过实时学习更新策略。ECMS的等效因子引入SoC偏差惩罚函数，形成闭环调整机制，显著提升系统动态响应能力。

Simulation and experiment

在880秒涵盖14次装卸循环的测试中，该方法燃料效率达到动态规划的94.8%，硬件在环验证显示其氢耗较DDPG、自适应ECMS分别降低17.4%和3.6%。坡度作业与突加负载等工况下的稳定性尤为突出。

Conclusion

该分层策略通过DDPG的全局规划与ECMS的实时优化协同，解决了工程车辆强周期性与负载突变带来的控制难题。CNN-GRU-Attention模型对非稳态功率特征的捕捉能力，为混合动力系统智能管理提供了新范式。