《Green Energy and Intelligent Transportation》：A Physics-Guided Adaptive Frequency-Decoupling Energy Management Strategy for Multi-Source Unmanned Aerial Vehicles
编辑推荐：
混合质子交换膜燃料电池（PEMFC）动力系统为长航时零排放无人机（UAV）提供了有前景的解决方案。然而，在动态负载需求下，平衡氢经济性、PEMFC耐久性和储能安全性仍然具有挑战性。为解决这一问题，本文提出了一种物理引导的自适应高低通软演员-评论家（PG-AHL
混合质子交换膜燃料电池（PEMFC）动力系统为长航时零排放无人机（UAV）提供了有前景的解决方案。然而，在动态负载需求下，平衡氢经济性、PEMFC耐久性和储能安全性仍然具有挑战性。为解决这一问题，本文提出了一种物理引导的自适应高低通软演员-评论家（PG-AHL-SAC）能量管理策略（EMS）。在所提出的框架中，推进功率需求被分解为频率特定分量。低频分量主要分配给PEMFC，而电池（BAT）和超级电容器（SC）缓冲中频和高频瞬态，从而减少燃料电池的动态应力。随后，连续动作SAC控制器通过多目标奖励函数优化实时功率分配，该函数考虑氢消耗、PEMFC退化以及储能约束。该框架在代表性单任务飞行剖面上进行评估，包括无噪声和有噪声的任务剖面。结果表明，PG-AHL-SAC在严格维持BAT荷电状态（SoC）和SC能量限制的同时，实现了具有竞争力的氢经济性。与基准EMS相比，所提出的策略提供了更平滑的PEMFC功率轨迹，并在氢经济性、PEMFC耐久性和储能安全性之间实现了更优的权衡，性能接近离线动态规划最优，而无需先验负载信息。此外，敏感性分析表明在滤波参数和成本权重扰动下具有稳健性能。最终，这些发现表明PG-AHL-SAC为多源UAV动力系统提供了一种有效的健康感知EMS，适用于所评估的特定任务剖面。尽管在所测范围内确认了对噪声任务剖面和参数扰动的稳健性，但在更广泛操作条件下的验证仍需未来工作。
论文解读文章：
随着航空平台电气化进程的加速，低排放、智能交通和持续空中感知成为重要发展方向。小型和中型无人机（UAV）在物流、巡检、应急响应和城市空中交通等场景中，日益要求长航时、高可靠性和高能效性能。锂离子电池（BAT）驱动的UAV因简单结构和快速响应特性仍具吸引力，但其续航能力受限于当前电池技术的比能量和老化特性。因此，基于质子交换膜燃料电池（PEMFC）的混合动力系统成为延长飞行续航并保持低排放的有效方案。然而，在PEMFC-BAT混合系统中，能量管理策略（EMS）对系统效率、组件耐久性和任务适应性起决定性作用。现有方法如状态机（SM）控制、规则策略、模糊逻辑、等效消耗最小化策略（ECMS）、动态规划（DP）、模型预测控制（MPC）和强化学习（RL）方法各有优劣，但应对多旋翼UAV的快速气动负载变化、严格机载能量约束和有限计算资源时仍面临挑战。特别是，双源架构在氢经济性和电池健康之间存在固有权衡，引入超级电容器（SC）形成三源PEMFC-BAT-SC动力系统，可有效缓解这一冲突，但实时协调仍需克服响应带宽、功率能力、状态约束和退化机制的差异。
针对上述问题，研究人员提出了一种物理引导的自适应高低通软演员-评论家（PG-AHL-SAC）能量管理策略，用于四旋翼UAV的三源混合动力系统。该策略通过自适应高低通频率分解将推进功率需求分为低频（LF）、中频（MF）和高频（HF）分量，分别由PEMFC、BAT和SC承担，以利用各自的能量和功率特性。物理引导原则嵌入基线分配、动作约束、平滑机制和奖励设计中，确保源响应带宽、存储状态边界、PEMFC爬坡率限制和退化惩罚的满足。SAC代理仅提供有界残差调制，以提升适应性而不覆盖物理分配结构。控制导向的准静态能量流模型用于仿真训练、基准测试和敏感性分析，兼顾计算成本与关键功率流特性。
研究采用统一仿真基准框架，将PG-AHL-SAC与SM、DP-Coarse、DP-Fine、ECMS、AHL-ECMS、MPC和标准SAC进行比较，在相同plant、任务和评估设置下进行。RL策略在无噪声任务上训练，并在独立无噪声和含噪声任务（包括阵风和紧急负载扰动）上测试。敏感性分析覆盖滤波截止频率和成本权重扰动。多指标评估涵盖氢经济性、PEMFC退化相关应力、BAT电流严重性、BAT SoC违反、SC能量边界调节、燃料电池效率分布、冷却相关能量和超参数敏感性。
关键技术方法包括：自适应多频负载解耦（采用离散指数移动平均滤波器，并基于BAT SoC调整低频截止参数）；物理引导的层次化基线分配（结合荷电维持控制、退化感知功率管理）；SAC动态调制（六维状态向量，包含BAT SoC、SC能量、负载水平、负载变化率、先前动作和PEMFC退化代理）；以及顺序残差校正（在功率饱和时进行修正）。样本队列来源为仿真任务剖面，包括理想噪声和随机噪声场景。
研究结果主要分为三部分：首先，在无噪声任务下，PG-AHL-SAC实现协调功率分配，PEMFC功率轨迹平滑，氢消耗具竞争力，BAT SoC和SC能量保持在安全范围内，性能接近DP最优。其次，在随机噪声任务下，PG-AHL-SAC有效抑制PEMFC快速波动，保持储能状态稳定，氢消耗和退化指标优于多数在线基准。最后，多目标评估显示PG-AHL-SAC在氢经济性、PEMFC耐久性和储能安全间取得平衡，效率分布集中于高效区，敏感性分析表明对滤波参数和权重扰动具有稳健性。
讨论部分强调，PG-AHL-SAC通过物理引导基线减少学习策略的探索空间，提升可解释性和安全性，但当前评估限于特定单任务剖面，更广操作条件（如环境热变化和不同初始状态）的验证仍需未来工作。结论指出，该策略在噪声任务下保持氢经济性和耐久性，且未依赖过度储能消耗，但需硬件在环实验和高保真模型进一步验证。研究发表在《Green Energy and Intelligent Transportation》，为多源UAV提供健康感知EMS的有效范例。
