《Batteries》:Performance Comparison of Intelligent Energy Management Strategies for Hybrid Electric Vehicles with Photovoltaic Fuel Cell and Battery Integration
Mohammed A. Albadrani,
Ragab A. Sayed,
Sabry Allam,
Hossam Youssef Hegazy,
Md. Morsalin,
Mohamed H. Abdelati and
Samia Abdel Fattah
编辑推荐:
本研究对应用于光伏-燃料电池-电池混合动力汽车(PV-FC-HEV)的四种智能能量管理策略——比例-积分-微分(PID)、模糊逻辑控制(FLC)、等效消耗最小化策略(ECMS)和人工神经网络(ANN)——进行了优化与比较研究。高保真MATLAB/Simulin
本研究对应用于光伏-燃料电池-电池混合动力汽车(PV-FC-HEV)的四种智能能量管理策略——比例-积分-微分(PID)、模糊逻辑控制(FLC)、等效消耗最小化策略(ECMS)和人工神经网络(ANN)——进行了优化与比较研究。高保真MATLAB/Simulink模型集成了一个6 kW质子交换膜燃料电池(PEMFC)、一个带有最大功率点跟踪(MPPT)的500 W光伏(PV)子系统和一组锂离子电池(LiB)包。虽然1000 W/m2代表标准测试条件(STC),但研究人员特意选择了400 W/m2的水平来模拟城市驾驶环境中常见的平均阴天条件,而非标准的NOCT(800 W/m2),以在光伏支持显著减少和电池承压条件(初始SOC = 30%)下测试能量管理策略(EMS)的鲁棒性。尽管表面污染及随之而来的性能退化会显著影响实际结果,但本研究假设表面清洁,以为控制算法建立一个理想化的性能基线。然而,研究人员承认污染物积累是一个关键因素;未来的工作将纳入一个退化因子(例如,10–15%的效率惩罚),以评估这些EMS策略在实际操作条件下的可靠性。ECMS实现了最低的氢消耗,与PID相比最多节省10 L,而ANN保持了最稳定的荷电状态(SOC > 80%),最大限度地减少了深度放电循环并提高了运行稳定性。FLC在波动的辐照度下提供了平衡的运行。总体而言,ANN提供了最和谐的能流和动态稳定性,而ECMS则最大化了燃料经济性。这些发现为设计下一代混合动力汽车中可持续和智能的控制系统提供了实用指导。
该研究由 Mohammed A. Albadrani, Ragab A. Sayed, Sabry Allam, Hossam Youssef Hegazy, Md. Morsalin, Mohamed H. Abdelati 和 Samia Abdel Fattah 发表在《Batteries》期刊上。研究背景主要围绕混合动力汽车(HEV)在燃油节约和环境保护方面的潜力,特别是将光伏(PV)系统与燃料电池(FC)及锂离子电池(LiB)耦合以持续提升车辆可持续性的前景。目前存在的主要问题包括:如何高效进行能量管理,尤其是协调这些能源以发挥性能并延长电池寿命;结合PV与FC和电池以应对变化的环境条件和动态车辆驾驶需求存在诸多挑战;表面污染导致的性能退化影响实际结果;以及燃料电池商业化的障碍(如有限寿命)等。开展此项研究是为了比较不同的智能能量管理策略(EMS),以找到最适合集成光伏、燃料电池与电池的混合动力汽车(PV-FC-HEV)的控制方法,从而优化氢消耗、电池荷电状态(SOC)和功率分配。
研究人员主要采用的关键技术方法包括:构建一个高保真的MATLAB/Simulink模型,该模型集成了6 kW质子交换膜燃料电池(PEMFC)、500 W光伏(PV)子系统(含最大功率点跟踪MPPT)和锂离子电池(LiB)包;设定三种基于辐照度的场景(晴天1000 W/m2、阴天400 W/m2、夜晚0 W/m2)和WLTP Class 1驾驶循环;实施并比较四种EMS,即比例-积分-微分(PID)、模糊逻辑控制(FLC)、等效消耗最小化策略(ECMS)和人工神经网络(ANN);通过测量氢消耗、电池SOC及功率分布来分析性能;并进行控制器硬件在环(CHiL)测试以验证实时执行稳定性。
研究结果如下:
- 1.
系统描述:研究人员描述了光伏-燃料电池-电池混合动力汽车(PV-FC-HEV)的整体架构,包括光伏子系统与MPPT、燃料电池(FC)子系统、电池模型、电机与车辆动力学。系统通过公共直流母线(标称电压144 V)集成,由监控EMS协调能量源贡献。
- 2.
数学优化模型:研究人员建立了功率分配问题的数学优化模型,以最小化燃料电池能量(氢消耗)为目标,考虑了时间离散化、决策变量(燃料电池功率、电池功率、光伏利用功率、电池SOC)、系统约束(电池、燃料电池、光伏)、SOC动态、功率平衡和边界条件。
- 3.
智能能量管理策略(PID, FLC, ECMS, ANN):
- •
PID控制器:基于所需与测量功率的瞬时误差调节燃料电池电流,速度快但缺乏适应性。
- •
模糊逻辑控制(FLC):使用基于规则的语言决策进行功率分配,输入为光伏功率、电池SOC和功率需求,输出为参考燃料电池功率,在波动辐照度下提供平衡操作。
- •
等效消耗最小化策略(ECMS):最小化总燃料等效成本,实时输入为功率需求、SOC和光伏功率,实现了最低氢消耗。
- •
人工神经网络(ANN):采用多层感知器架构,离线训练于模拟生成的数据集,在线以最小计算开销映射输入到最优功率分配命令,提供了最稳定的SOC和和谐的能流。
- 4.
仿真场景与测试条件:研究人员使用WLTP Class 1驾驶循环(8.1 km混合速度轮廓)和三种辐照度场景(晴天、阴天、夜晚)进行评估。
- 5.
结果与比较分析:
- •
不同场景和控制系统的比较结果:在晴天,PID导致最高氢消耗,ECMS最低(与PID相差约10 L),ANN维持最高SOC但非最高燃料效率;在阴天,PID消耗氢最多,ECMS仍最节氢,但SOC增益最低;在夜晚,PID氢耗最高,ANN和ECMS燃料经济性较好,ANN的SOC改善最慢。
- •
不同EMS下的氢消耗:ECMS在晴天和阴天实现最低氢使用,ANN维持最高最终SOC;夜晚所有策略主要依赖燃料电池,差异变小,但PID仍最耗氢,ANN保留适度SOC优势。
- •
功率分配分析:高辐照度下,光伏和电池供应大部分牵引需求,燃料电池低功率运行;阴天下燃料电池贡献增加,EMS间歇充电电池;夜晚光伏为零,燃料电池为主源,电池缓冲瞬态峰值和再生制动;ECMS更激进使用电池,ANN更均匀分配,PID/FLC介于之间。
讨论与结论部分总结:研究对四种智能EMS(PID、FLC、ECMS、ANN)在PV-FC-HEV上进行了全面比较评估。关键发现包括:ECMS实现最低氢消耗,在高太阳辐照度(1000 W/m2)下减少多达10 L燃料使用,证实其在氢经济中的优越效率;ANN提供卓越适应性和改进的SOC调节,表现出比基于优化的策略更保守的电池利用轮廓;FLC在波动辐照度下展示稳健平滑过渡,在效率和适应性上优于常规PID控制;PID控制虽然简单快速,但记录最高氢使用且在动态负载下性能有限,证明不太适合可再生集成混合系统。比较分析显示,ECMS是优先考虑燃料节约的应用的理想选择,而ANN提供卓越适应性和改进SOC调节,使其更适合下一代智能和可持续HEV设计。未来研究将聚焦于硬件在环(HIL)实施以验证模拟结果,并探索车到站协同能量管理框架,将车辆控制策略与充电站调度链接,以实现混合动力汽车中燃料电池和电池系统运输能量的网络级优化。
需要我帮你把这篇论文解读提炼成一份可以直接使用的学术汇报PPT大纲吗?