FCHEV动力系统中同时实现峰值效率：一种迭代协同优化方法

《International Journal of Hydrogen Energy》：Simultaneous peak efficiency attainment in FCHEV powertrains: An iterative co-optimization approach

　　摘要：提高燃料电池混合动力汽车（FCHEVs）的效率对于实现可持续交通具有重要意义。虽然已有研究分别提升了质子交换膜燃料电池（PEMFC）和永磁同步电机（PMSM）的性能，但由于两者运行之间存在相互依赖性，要实现整体最高效率仍面临挑战。本文通过构建耦合模型，将氢气流量作为两个子系统的共同参数来应对这一难题。在常规运行状态下，两种部件的最佳效率点处于不同的流量值，这会影响整体性能。为解决这一问题，本文提出了一种协同优化方法，通过迭代调整氢气流量并精细调节电机关键参数，使两者的效率峰值重合于同一点。该方法的性能通过在四种不同工况下的FCHEV系统仿真进行评估。在没有协调控制的情况下，PEMFC和PMSM的最佳效率分别对应27.8升/分钟和24.9升/分钟；而通过协同优化后，两者的最佳效率峰值可达到27.5升/分钟。这些结果表明，对氢气流量和电机参数进行协调控制能够消除效率之间的矛盾，从而提升整体效率。

引言：由于交通运输是温室气体排放的主要来源之一，因此电气化是实现更清洁、更可持续出行方式的关键。电动汽车因其高效且无直接排放优势而成为热门解决方案。然而，仅依靠电池驱动也存在一些问题：充电时间较长、续航里程有限，且在需要高功率输出时性能会下降。为解决这些问题，燃料电池混合动力汽车通过结合氢燃料电池与电池，成为一种极具前景的解决方案。这种组合不仅能实现快速加注，还能在长途行驶中保持稳定性能，并满足高功率需求，因此非常适合日常驾驶及重型应用场景[1]、[2]。

在现有的各类燃料电池中，质子交换膜燃料电池因具备启动快、可在低温下工作、功率密度高、操作相对简单且效率高等诸多优点，已被广泛应用于商业领域。在大多数FCHEV中，PEMFC是主要的动力来源，它与其他储能装置配合使用，以便在需要时提供额外动力，帮助系统快速响应变化的需求并提升效率[3]、[4]。不过，这类车辆的可持续性取决于氢气的生产方式以及当地电网的碳强度[5]。因此，提升车辆效率并优化行驶过程中的氢气利用效率，仍是提升整个系统性能的重要目标[6]。车辆的整体效率取决于三个相互关联的因素：燃料电池的运行状况（反应物流量、压力、温度）、传动系统转换能量的效率（DC/DC转换器、逆变器、电机），以及能量管理系统对各组件之间电力分配的智能程度[7]。要实现最佳性能，就需要通过协调控制来平衡效率、组件耐用性以及运营成本。

在实际驾驶环境中，车辆会处于不同的工况条件下。在城市驾驶中，车辆频繁经历启停过程以及瞬态运行状态。而城市外驾驶循环则代表着更高的速度和功率需求，此时车辆更长时间处于接近稳态的状态。在这两种工况下，燃料电池和电机所承受的负荷都会更大。在这种条件下进行效率优化至关重要，因为它会影响车辆在高速公路上的续航里程和氢气消耗量。因此，驾驶循环是评估动力总成稳态效率极限及其各组件协同性能的有效基准[8]。

总体而言，研究表明PEMFC的性能会受到反应物供应量和运行条件的影响。在稳定的中等功率输出状态下，PEMFC能实现最佳效率[9]、[10]。当负载突然发生变化或运行点偏离设定范围时，其效率就会下降。由于电化学反应速度及辅助系统的限制，燃料电池的反应速度较慢，这使得实时功率管理变得十分困难[11]。近期研究已在多个方面取得进展：有研究通过优化氢气供应压力和净化策略来提升燃料电池堆的性能[12]，还有研究通过改进喷射器设计来加快响应速度[13]，以及优化启动流程[14]，甚至运用人工智能重新设计内部流道[15]。这些进展表明，优化燃料电池的工作条件及硬件配置确实可以提高效率[12]、[16]。此外，电动机也面临着自身的效率挑战。现代永磁电机和感应电机在最佳工作区域内效率可超过95%，但在低负载、高转速或偏离理想扭矩-转速曲线的情况下，其性能会下降[17]。在实际驾驶中，由于速度和负载不断变化，电机很少能在最佳效率状态下运行。近期研究通过对不同驾驶循环下FCHEV中的能量流动进行分析，发现转换损失遍布整个系统，并且会随运行条件而变化[6]、[17]。

在FCHEV中，能量管理系统起着至关重要的作用，因为它影响着氢气的使用效率、电池寿命以及燃料电池的老化程度。传统的基于规则的控制方法虽然简单，但无法同时优化燃料电池和电动机。采用更为协调的控制方式则有望提升整体性能。有研究显示，与传统方法相比，此类优化可使燃油经济性提升15%至30%[18]。其主要挑战在于燃料电池和电动机之间存在紧密关联，其中一个部件的变化会直接影响另一个部件。正因如此，研究人员对传统的能量管理方法进行了改进，以更有效地平衡燃油经济性与组件耐用性[19]、[20]。将燃料电池保持在高效工作区间，不仅能节省氢气，还能减少其老化程度并延长燃料电池堆的使用寿命[21]。有些策略还会考虑燃料电池的老化问题，并随着时间推移进行调整以维持性能[22]。

研究人员还开发了基于学习的方法来解决这一复杂问题。深度强化学习方法在多种不同的驾驶模式下都展现出较强的泛化能力，而且有一些算法还会明确考虑组件老化问题及系统尺寸因素[23]、[24]、[25]。近期研究表明，FCHEV的能量管理不仅限于最小化氢气消耗。那些兼顾氢气利用效率、能源源热管理以及车厢舒适度的热感知型能量管理策略，既能延长燃料电池系统的使用寿命，又能提升整体驾驶的经济性[26]。如果能够纳入实时的乘客信息，如车内人数和性别等，就能进一步优化决策，因为这些信息有助于考虑车辆重量和车厢热负荷的变化，从而相比传统方法降低总运营成本[27]。此外，实地测试也显示，在实际驾驶条件下，氢气消耗量可减少4%至8%[28]。这些研究结果表明，FCHEV的能量管理本质上是一个多目标问题，需要平衡燃油经济性、组件耐用性、热性能以及整车层面的各种动态因素。

研究表明，由于两个子系统具有不同的运行特性和控制参数，很难同时让它们都处于最高效率状态。燃料电池在功率需求稳定且恒定的情况下表现更好，其效率取决于反应物流量、压力和温度，一旦超出临界阈值，其效率就会大幅下降[29]。而车辆电机则不会始终处于稳定状态，其在加速、减速以及再生制动过程中负载都会发生变化[30]、[31]。因此，提升一个子系统的效率可能会降低另一个子系统的效率。由于燃料电池负责提供直流电，电力电子装置负责调控电压，而电机则根据驾驶工况做出响应，这三者之间存在着相互作用。为了使两个子系统都能同时达到最高效率，就需要一个共同的控制参数。

尽管已经取得了一些进展，但还有一个更为根本的问题尚未得到解决。PEMFC和PMSM具有不同的物理特性，受不同的控制变量支配，它们的各自最佳效率点自然也位于不同的工作点上。在传统的控制方式下，不存在任何机制来检测或解决这种不一致性问题。无论是基于规则的、基于优化的还是基于学习的系统级能量管理方法，都侧重于实现诸如最小化氢气消耗或在整个驾驶周期内控制组件老化等总体目标，它们将子系统的效率视为一种衍生结果，而非直接优化目标。这样一来，两个组件在任何时刻都可能低于各自的最高效率，它们之间的效率矛盾也就无法得到解决。

本文直接针对这一缺陷展开研究。其核心贡献在于建立了一个耦合数学模型，该模型将PEMFC燃料电池堆和PMSM的效率表示为单个共享物理变量——氢气流量——的显式非线性函数。在此之前的建模方法中，这两个子系统是独立建模的，各自拥有不同的控制变量，这就使得效率峰值的错位现象难以被察觉，也缺乏统一的分析框架来解决问题。在此基础上，本文进一步开发了一种迭代协同优化算法，通过协调调整氢气流量和电机电流参考值，使两者的效率峰值能够在同一工作条件下重合。本研究的主要贡献包括：
•建立了PEMFC燃料电池堆与PMSM的耦合效率模型，该模型以氢气流量作为共同参数，使得在统一框架下能够分析效率峰值错位问题；
•研究表明，在传统的非耦合运行模式下，两个子系统的效率峰值出现在不同的氢气流量值处，这一结果量化了先前能量管理方法未能明确解决的固有矛盾；
•提出了一种迭代协同优化方法，通过反馈机制逐步调整氢气流量和电机q轴电流参考值，该方法设有明确的初始化规则、更新规则、收敛标准以及停止条件，从而实现两者的效率峰值同步对齐；
•设计了一种基于反馈的能量管理框架，该框架能够实时监测各子系统的效率，并引导系统走向最优运行状态。该框架计算效率高，无需训练数据或离线优化，适合嵌入式系统实现。

本文的其余部分结构如下：第2节介绍了优化方法，内容包括PEMFC和PMSM的数学模型、耦合系统构建方式以及迭代协同优化流程；第3节描述了系统配置；第4节展示了仿真结果，并分析了两个子系统的性能以及通过协同优化实现的效率对齐效果；第5节对研究结果进行了更深入的讨论，同时指出了存在的局限性及未来研究方向；第6节对全文内容进行了总结，提炼出关键结论。该分析是在EUDC条件下进行的。选择这种条件是有意为之，因为在持续高功率运行下，两个子系统都会趋于稳态平衡，而此时它们的效率表现最为关键。在这些条件下，燃料电池也承担了大部分推进动力。

结论：本研究旨在解决如何让燃料电池和电机在燃料电池混合动力汽车中实现最大稳态效率的问题。通过数学建模，发现氢气流量是连接这两个子系统的共同参数。在常规运行状态下，两种部件各自的最高效率对应不同的流量值（质子交换膜燃料电池在27.8升/分钟时效率为63%，永磁同步电机在24.9升/分钟时效率为70.2%），这一差异限制了整个系统的性能。为此，采用了迭代方法。

CRediT作者贡献声明：
Israt Jahan：正式分析、方法论、软件、初稿撰写。
Prangon Chowdhury：资源提供、初稿撰写、审稿与编辑。
Md Ahsan Kabir：资源提供、初稿撰写。
Md. Mahadi Hasan：资源提供、初稿撰写。
Md. Kawsar Hossain：资源提供。
Omar Farrok：概念设计、监督、可视化、审稿与编辑。

利益冲突声明：作者们声明自己没有已知的可能影响本文研究结果的财务利益或个人关系。

致谢：本研究部分得到了孟加拉国达卡1208地区的阿赫萨努拉科技大学的支持[资助编号：AIRG/2024/EEE/06/19]。

Israt Jahan | Prangon Chowdhury | Md Ahsan Kabir | Md. Mahadi Hasan | Md. Kawsar Hossain | Omar Farrok
孟加拉国达卡1208，阿赫萨努拉科技大学电气与电子工程系