《Applied System Innovation》：Hydrogen-Efficient Operation of a PEMFC-Powered Induction Motor Drive via Dhole-Inspired Optimization and a Neural Network Controller
编辑推荐：
研究人员提出一种由质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)供电的三相感应电机驱动的高能效运行策略。该策略通过依据负载需求连续调节电机端电压，在宽运行范围内最小化氢耗并提高电机效率。对应于每个负载转
研究人员提出一种由质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)供电的三相感应电机驱动的高能效运行策略。该策略通过依据负载需求连续调节电机端电压，在宽运行范围内最小化氢耗并提高电机效率。对应于每个负载转矩的最优参考电压采用豺犬启发优化算法(dholes-inspired optimization algorithm, DIOA)——一种近期基于群的优化技术——确定。DIOA还用于确定比例积分(proportional–integral, PI)控制器的最优参数，从而实现对参考电压的准确且快速跟踪。为评估所提优化器的有效性，将其性能与著名的粒子群优化(particle swarm optimization, PSO)算法进行比较。由DIOA和PSO获得的参考电压差异小于1.1%，其氢耗差异小于0.02%，并且直接电压扫描确认了最优值。动态性能分别采用最优整定的PI控制器和神经网络控制器(neural network controller, NNC)进行研究。仿真结果表明，与PI控制器相比，NNC具有更快的调节时间、更低的瞬态偏差和更好的动态性能。稳态结果表明，氢节省强烈依赖于电机负载。在负载转矩为0.5 N·m（满载的5%）时，氢耗从1.999121 slpm降低至0.706726 slpm，节省64.65%。在负载转矩为2 N·m（满载的20%）时，氢节省达到24.17%。当负载接近额定值时，电机运行于接近其最大效率和额定电压。
研究背景与问题：气候变化和温室气体排放使能源系统脱碳成为优先事项；可再生能源(renewable energy sources, RESs)如光伏、风电具有波动性和间歇性，限制大规模可靠并网。氢作为清洁能源载体可由RESs电解制取、储存并多部门利用，燃料电池使氢与氧电化学反应发电，副产物仅为水。质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)具有高能量转换效率、约60–80 °C低运行温度、高功率密度、短启动时间和快速动态响应，适用于交通和分布式电源，并已用于电驱动系统。PEMFC与电机驱动集成时，燃料电池将氢转化为电能供给推进系统，功率变换器调节电压并控制电机转速和转矩；高效运行需先进控制与能量管理策略协调PEMFC、变换器和电机。传统PI(proportional–integral)控制器、磁场定向控制(field-oriented control, FOC)和直接转矩控制(direct torque control, DTC)存在局限：FOC依赖精确电机参数和坐标变换，对参数变化和模型不确定性敏感；DTC可能产生转矩和电流脉动及可变开关频率；PEMFC具有强非线性电化学行为，工况变化时模型方法性能可能下降。现有研究多聚焦功率提取、效率或动态性能，氢相关优化主要在混合燃料电池驱动和车辆的能量管理层面或燃料流量调节实验；据作者所知，尚无研究通过在每个负载转矩下优化感应电机驱动端电压来最小化电堆氢耗。经典损耗模型控制器仅从电机参数计算使电机损耗最小的磁链或电压，或在线搜索最小输入功率，不包括燃料电池；PEMFC馈电驱动中需最小化氢流，其也取决于电堆极化曲线和变换器，因此最优直流母线(DC-link)电压不一定是仅使电机损耗最小的电压。现有工作多依赖PI或矢量控制，传统与智能控制器比较有限。因此研究人员开展本研究，目标是在保持所需电机性能的同时降低氢耗。主要贡献包括：建立从电堆到轴端的公式，通过在每个负载转矩下优化标量控制感应电机驱动的直流母线电压参考来最小化PEMFC氢耗；用豺犬启发优化算法(dholes-inspired optimization algorithm, DIOA)离线获得负载相关参考电压图并与粒子群优化(particle swarm optimization, PSO)比较，同时整定Boost变换器PI控制器；将NARMA-L2（反馈线性化）神经网络控制器(neural network controller, NNC)与优化PI控制器在负载阶跃下比较；量化相对于额定直流母线电压537 V运行的氢节省。驱动采用标量控制，逆变器固定频率和调制指数，电机端电压通过直流母线电压调节；仅优化电压，电压与频率同时优化留待未来工作。
关键技术方法：研究基于MATLAB/Simulink仿真，无实验样本队列；电机参数取自实际物理电机，PEMFC参数为Simulink库预设。模型包括PEMFC半经验模型（含电荷双层效应）、Boost DC–DC状态空间平均模型、三相感应电机d-q模型及1200 Ω铁损电阻。DIOA与PSO用于优化：参考电压优化种群/迭代均10，每转矩三次试验取最优；PI增益整定种群/迭代均20，目标为积分时间绝对误差(integral time absolute error, ITAE)。NARMA-L2 NNC离线辨识，Levenberg–Marquardt(trainlm)训练150,000样本，子网络各含5个sigmoid隐藏神经元和1个线性输出神经元。仿真固定步长5×10
?5 s，氢耗取4–5 s稳态均值；优化离线完成并存为查找表。
研究结果：
5.1 系统描述与基准性能：研究人员在Simulink/Matlab中建立系统模型，电机参数为实际物理感应电机参数，PEMFC参数为MATLAB/Simulink库预设值；通过仿真给出PEMFC电堆电压和功率随负载电流的变化，作为后续优化与比较的基准。
5.2 氢耗最小化的参考电压优化：以每个负载转矩下最小化燃料电池氢耗为目标，采用PSO和DIOA在0.5–10 N·m范围以0.5 N·m步长优化Boost变换器控制器参考电压。两种算法所得参考电压差异小于1.1%，氢耗差异小于0.02%，最大电压差出现在6.0 N·m但仅使氢耗变化0.004%，因目标函数在最小值附近平坦；在2和6.5 N·m的直接电压扫描显示单一最小值，与DIOA结果一致。与固定537 V相比，0.5 N·m时最优电压132.76 V使氢耗从1.9991 slpm降至0.7067 slpm，节省64.65%；2 N·m时节省24.17%；8.5 N·m以上节省可忽略，最优电压接近537 V。降低电压会增加滑差并降低转速，使所提运行输出功率最多低约7%，这是因为目标在给定转矩下最小化氢耗而未约束转速。氢节省主要源于电机效率提高：0.5 N·m效率仅30.94%，按负载降低电压后效率在4.5 N·m以下保持约75.7%，更高负载时两曲线趋同并在8.5 N·m以上重合。
5.3 最优PI控制器整定与动态响应：研究人员以ITAE最小为目标，用DIOA和PSO优化Boost变换器PI增益；三次试验中最优ITAE为DIOA 83.12、PSO 96.65，但因仅三次试验且终值逐次变化，该差异不足以对两算法排序，两种整定控制器跟踪参考电压的精度和速度相近。对负载转矩从0.5 N·m阶跃至额定10 N·m的仿真表明，系统约0.6 s恢复稳态；直流母线电压继续有效跟踪参考，氢耗从0.706726 slpm升至18.499556 slpm，瞬态峰值约28.88 slpm（PSO整定）和28.3 slpm（DIOA整定）；电机转矩从0.5 N·m增至10 N·m，最大瞬态约11 N·m；转速从约1395 rpm降至新的稳态约1366 rpm，暂态最低约1313 rpm（PSO）和1320 rpm（DIOA）。结果确认两种优化方法在严重负载变化下均能保持稳定运行，瞬态性能相当。
5.4 神经网络控制器性能评估：在相同0.5 N·m至10 N·m负载阶跃下，NNC使直流母线电压响应快于最优整定PI控制器，ITAE为63.59，表明跟踪性能和瞬态行为改善。NNC系统更快达到稳态且瞬态偏差小；负载阶跃后转速恢复时间为DIOA整定PI 0.4 s、PSO整定PI 0.5 s、NNC 0.2 s。瞬态期间氢耗峰值约26.74 slpm，电机转矩和转速最大值/最小值分别约10.6 N·m和1334 rpm，显示相较最优PI控制器更好的瞬态性能。
讨论与结论：讨论部分指出本研究仅基于仿真，模型忽略压缩机及辅助功率、变换器寄生损耗（采用理想变换器）、PEMFC气体供应动态、压力振荡和水传输；优化中假设负载转矩已知。实验或硬件在环验证、对电机和电堆参数变化的鲁棒性以及电压与频率同时优化留待未来工作。研究结论（译）：结果表明，依据负载转矩变化通过DC–DC变换器调节电机电压可降低PEMFC馈电三相感应电机驱动的氢耗。DIOA被用于优化变换器参考电压和PI控制器参数。DIOA所得电压与PSO结果非常接近，偏差小于1.1%，氢耗差异小于0.02%，2和6.5 N·m的直接电压扫描确认最优。与固定537 V参考不同，优化电压随负载自适应，在0.5 N·m负载转矩（5%满载）降至132.76 V，在2 N·m（20%满载）为258.78 V，分别带来64.65%和24.17%的氢节省。随负载增加，参考电压逐渐升至额定537 V，此时电机已接近最大效率，节省可忽略。氢耗降低主要归因于电机效率提高，尤其轻载下0.5 N·m效率从30.9%升至75.7%。研究人员通过5%至满载的阶跃负载测试NNC动态性能并与PSO和DIOA方法比较；NNC响应最稳定，将转速下降限制在1334.14 rpm，仅0.057 s，约0.2 s完全恢复稳态；DIOA和PSO整定PI控制器偏差更大，转速最低分别降至1320 rpm和1313 rpm，达到最低转速分别需0.084 s和0.089 s，恢复稳态分别需0.4 s和0.5 s；NNC还将氢耗超调从28.88 slpm降至26.74 slpm。这些结果证明神经方法在处理突发系统变化时显著更快、更鲁棒。
