燃料电池能量管理综述

新能源汽车的发展是未来汽车的发展方向，而燃料电池汽车的研究则是新能源汽车的重要组成部分，本文主要从电池能量管理方面阐述新能源汽车目前的研究现状和问题。

1 使用优化的能源管理策略提高燃料电池混合动力电动汽车的燃油经济性和其他性能[1]

燃料电池系统（FCS）是燃料电池汽车（FCV）的主要能源供应系统。电池或超级电容器（UC）作为辅助电源，配合着FCS使用，以改善FCV的能源功率分配。电池和UC作为燃料电池混合动力电动汽车（FCHEV）的混合动力源，为FCV提供高能量密度和具有高动态响应的能量。但是混合动力系的性能在很大程度上取决于如何分配能源供给。

常用的FCV配置主要包括FCS和电池作为其主要能量来源。图1为燃料电池混合动力汽车的动力传动系配置图。电机参数以及燃料电池系统（FCS）的参数的匹配是能量管理的重要组成部分，同时需要计算电池以及超级电容的功率。

图1 燃料电池混合动力汽车的动力传动系配置图[1]

UC在车辆性能和改善电池寿命方面起着至关重要的作用，因为作为辅助电源，它可以处理所需的电力，从而防止频繁的电池充电/放电事件。虽然这种混合结构主要改善FCHEV特性，但也应考虑其经济方面。在未来的工作中，考虑到这种优化的EMS，作者将使FCHEV动力传动系统缩小规模。减少电池/UC模块的数量，可以为FCHEV提供尽可能经济的机会，同时通过更轻的车辆满足车辆目标和功率要求。

作者Ahmadi提出的能量管理策略（EMS）是一种新型的功率共享方法和基于模糊逻辑控制（FLC）构建的智能控制技术来实现的。并通过遗传算法（GA）精确调整控制参数，同时在组合的城市/高速公路驾驶循环中考虑多目标优化函数内的目标和限定。这种优化的监控系统由先进的车辆模拟器（ADVISOR）进行检测，以评估所提出的EMS在不同的驾驶环境和一些特定的测试中的性能。在等级和加速度测试中，应用作者提出的管理策略的仿真结果分别改进了18.8%和26.1%。

2 混合动力汽车动力管理的混合优化理论与预测控制[2]

作者Uthaichana提出了一种基于非线性模型的混合优化控制技术，用于计算并联混合动力电动汽车（PHEV）中功率/能量管理的次优功率分配策略。能量管理分配策略作为PHEV的功率管理控制问题（PM⁃CP）的模型预测控制解决方案，比如决定内燃机、电驱动器和其它子系统之间的功率分配。在该研究中假设混合动力车辆的分级控制结构，即监督级别和本地或子系统级别。PMCP由动态非线性模型和性能指标组成，两者都是针对监督级别的功率流量而制定的。该模型被描述为双模式切换系统，与电动ED的操作模式一致。监督级的计算是基于子系统级实现所需功率级的假设来完成的。本地闭环控制器必须跟踪相应的参考功率需求，从而解除监控和本地级控制问题。因此，监督级别的建模应反映子系统的闭环行为。

图2说明了主要子系统之间的功率分布。其中，主电源是1.9升ICE，通过无级变速器（CVT）和变速器后配置的离合器连接到传动轴。30个13 Ah 12 V、串联的铅酸电池与30 kW感应ED接口。负载由传统的基于发动机的充电系统处理。耦合装置和差速装置（CDD）充当动力汇聚点，用于重新引导ICE-CVT、电池、ED和车轮之间的功率流。

图2 PHEV的功率流图[2]

在这项研究中，通过使用直接配置技术将原始无限维问题转换为有限维非线性规划问题（NLP）来获得数值解。然后，通过顺序二次规划算法求解得到NLP。需要一个简短的预测窗口，NMPC策略适用于解决EPA高速公路和US06补充FTP驱动配置文件的PMCP。模拟显示NMPC可以非常好地跟踪驾驶概况，必须有足够的可用功率来实现跟踪。在实践中，车辆控制策略通常采用PID和基于地图/查表法（Look-up tables）。生成的NMPC配置文件可以帮助提供有关如何改进现有查表法或调整基于PID的控制器中的增益调度图。

3 燃料电池混合动力汽车能量管理系统的优化：问题与建议[3]

开发用于FCHEV（燃料电池混合动力汽车）能量管理系统（EMS）的高级优化算法，能够有效地提高FCHEV的性能效率。作者Sulaiman对不同类型的FCHEV EMS及其优化算法进行了回顾，以解决现有限制并提高未来FCHEV的性能。已经有很多学者对FCHEV的能量管理策略进行了大量研究。通常，能量管理可以分为几个主要类别，包括比例-积分-微分（PID）控制器（如图3所示）、操作或状态模式、基于规则或模糊逻辑（FL）、等效消耗最小化策略（ECMS）、模型预测控制和优化控制等。

图3 EMS中PID控制器原理图[3]

有很多学者对优化算法进行了研究，然而，优化算法具有许多问题。例如，改进的PI或PI与LP优化，ACO和DP优化组合仅限于模拟，有些研究甚至没有提到模拟工具。基于PMP和GA优化的EMS已扩展到硬件或实验设置，但未考虑电池衰减或寿命。还执行了基于FL优化，监督控制规则和其他各种优化方法的EMS，但仅限于模拟级别。一些研究甚至只关注尺寸，并没有考虑电池寿命问题。因此，优化研究必须包括优化算法的实验或实时应用，以验证模拟结果。

同时氢气的储存也是另外一个亟待解决的问题。为了增加体积能量密度，氢气必须在极高的压力和极低的温度下储存，这是不合逻辑和不切实际的。需要进行大量研究以提高FC的效率，减少氢气消耗，并实现嵌入FCHEV的氢气罐的尺寸减小。氢气罐也是另一个问题，因为氢气需要在350和700 bar之间的压力下压缩，从而为FCHEV提供合适的罐尺寸。此外，氢气生产应转移到可再生资源，如水电解，以减少温室气体排放。在大量FCHEV出现之前，还必须在各自的国家规划和发展加氢基础设施。

4 应用遗传算法的氢燃料电池的能量优化策略[4]

西班牙Nebrija大学学者Fernández提出了一种基于当前化石燃料增程器的动力总成结构新概念，但将其作为增程器改为氢燃料电池堆系统。目的是探讨在规划燃料消耗/选择时，通过融入遗传算法的优化技术有助于改进氢燃料电池的能量优化策略。

作者介绍了动力传动系统的建模、仿真和能耗优化，改进了当前的不足。该车辆结合了动力系统的行驶里程和环境优势，由两个系统组成（如图4所示），第一个包括发动机、电力转换器和电池组；它还有第二个系统，燃料电池增程系统（FCRES）、由燃料电池组和氢气罐组成，它用作发电机，用于给电池充电。它仍然是一种双能量插入式电池电动汽车，其续航里程为100公里。而一个燃料电池增程系统，可以将车辆续航里程增加到600公里。

图4 燃料电池供给系统图[4]

其中能量优化策略中的控制模型主要包括：电源模型、燃料电池模型、电机模型以及燃料管理系统模型。燃料管理系统（FMS）模型包括管理电池中存储的电力和燃料电池堆的氢消耗的系统。开发的FMS基本上如下工作：电力需求来自电动机模型，转换器根据电池瞬时工作电压调整需求并将其转换为电流需求；FMS决定电池的能量衰减是否需要来自燃料电池堆系统的能量。控制策略的实际使用仍然是存在问题的，因为每日行程所涵盖的距离未知，并且未充分定义充电/加油站网络等一些其他因素。因此，可以假设车辆将以电荷耗尽模式操作，直到达到SOC的低值，然后继续维持FCRES的模式，直到行程或存储在罐中的氢气量也耗尽。同时本文应用遗传算法对燃料电池的能量管理策略进行优化，仿真结果显示出应用算法后对于电池的能量优化改善了21%。

5 基于互联阻尼分配无源控制的混合动力汽车新型能量管理技术[5]

在考虑电池充电状态受限的情况下，存在燃料电池（FC）级故障时HEV中的能量管理问题。为了提出具有灵活性和耐久性的能量管理方案，法国UTBM大学学者Amel Benmouna提出了使用端口控制（PCH）方法的系统数学模型方案，开发了基于互联和阻尼分配无源控制（IDA-PBC）器用于智能能量管理。

图5 混合动力系统结构图[5]

在这项研究中，FC是主要来源；电池和超级电容（SC）是次要来源，系统的总体结构如图5所示。该结构包括将每个能量源与DC-DC转换器连接。转换器的作用在于调配能量源和负载之间的电参数（电压/电流）。对施加到每个转换器控制动态命令可以实现功率共享。FC转换器是单向的，是一个升压器。其他转换器专用于SC和电池。这些转换器是双向的，并且根据工作模式（能量再生/供应）选择电压的转换器（降压/升压器）。从控制的角度来看，这种结构很新颖，因为它能够在负载的情况下快速分配功率，但需要对存储源的充电状态和输送到负载的电压从调节角度对所有组件进行全面控制。

这项研究中由FC、电池和SC推进器组成了混合系统，开发了一种容错控制的能量管理策略，考虑了电池SOC在不同状况。作者采用了IDA-PBC用于设计优雅、智能和能源管理方案，来保证容错控制和能源管理系统的应用表现良好。由于电池SOC提供了故障的FC损失功率，因此结果令人满意。获得的结果完全反映了模拟的情景。从此项研究的前景看，HEV能源管理效率可以通过实验验证。根据仿真结果，IDA-PBC是一种适当的非线性控制方法，可以保证系统的稳定性。

6 插电式混合动力汽车能耗模型：模型开发与验证[6]

意大利学者Chiara Fiori开发了一种简单的PHEV能耗模型，可用于实时车载和智能手机生态驾驶应用，生态路线导航系统和/或微小交通仿真软件。大多数PHEV研究都集中在能耗评估上，以便分析车辆控制策略或电池系统的行为。假设再生制动能效或再生制动系数的平均恒定值主要取决于车辆的平均速度。所提出的系列PHEV能量消耗模型使用车辆速度、加速度和道路坡度数据来估计PHEV的瞬时能量消耗，使用瞬时车辆参数作为输入变量去解释再生制动效率。图6显示出了不同电气化车辆中动力流，在图中ICE是内燃机，其中EM是电机，用作电机将能量传递到车轮，同时作为发电机在制动时能量再生，EG是发电机，仅用于传递来自ICE到电池系统的能量。

图6 不同电气化车辆动力系统动力流[6]

在能量消耗模型中，估计的SOC具有比实际值更高的偏差，因为在模型中存在一些缺陷，即在驾驶循环的某些部分中低估了能量消耗。一旦电池充电水平小于或等于最小SOC，PHEV的操作类似于混合动力车辆，开始使用ICE和电动机。作者比较了SOC水平接近SOC最小值时估算的SOC和现场采集的SOC数据，将该测试设定为20.4%。同时根据现场收集的模型预测SOC值，证明了当SOC水平低时，估计PHEV的再生制动能量的模型是唯一的。

在该研究中开发的模型计算车辆的能量消耗，相对于独立收集的现场数据产生4%的平均误差。结果表明，与高速公路驾驶相比，PHEV可以在城市驾驶中可以再生更多的能量。最后，重要的是要强调这个模型是灵活和通用的，在不需要电动机或内燃机的效率图的情况下，可以模拟不同的PHEV。

7 混合动力电动客车能量管理策略的试验比较[7]

改进运营绩效和满足运输行业所规定的效率目标是混合动力汽车和电动汽车能源管理的关键因素。因此，优化的能源管理策略（EMS）在集成到目前实际系统之前，需要在规模化的测试平台中进行验证，以便从所希望的基于模拟的蛛丝马迹中早发现可能出现的偏差，从而节省时间。验证这些策略即经济又灵活的方法就是采用硬件在环（HIL）仿真。

在此框架中，这项工作旨在比较应用于混合电动城市公交车（HEB）的两个优化（基于仿真）的EMS，比较在实时操作性能方面的两个EMS实验结果。两个EMS都可以处理位于发电机组（内燃机连接到电动发电机）和混合动力能量存储系统（锂-离子蓄电池与超级电容组合）之间车辆所需求的适当功率分配。测试平台中的硬件由HEB的比例缩放直流电网组成。该硬件平台与软件模型组合，可以模拟发电机组、电池、超级电容器、牵引和辅助负载的真实行为。图7显示了台架测试中的软硬件布置。

西班牙研究人员Sierra提出的控制策略的主要思想是利用模糊理论和前移窗口方法对功率进行实时优化。模糊逻辑控制器是基于传统的规则控制器的扩展，能够处理更复杂的问题，避免在问题确定过程中出现大部分报错。前移窗口（FW）法是基于预期的路线轮廓，通过前瞻预测来估计未来的能量状态。在RB-EMS的情况下，预测电池组的老化速度较快。另一方面，发电机组运行导致了更多的燃料消耗和排放。同时，A-EMS可以更有效地利用车载能源，为电池（BT）组件提供了平稳的功率分配（期望更长的使用寿命），大量使用超级电容（SC）组件降低功率峰值，使得发电机组要求的能量减少，从而减少燃料消耗。

图7 台架试验的软硬件布置[7]