质子交换膜电解槽控制策略研究

李建林 梁忠豪 李光辉 陈来军

质子交换膜电解槽控制策略研究

李建林1梁忠豪1李光辉1陈来军2,3

（1. 北京未来电化学储能系统集成技术创新中心（北方工业大学） 北京 100144 2. 电力系统及发电设备控制和仿真国家重点实验室（清华大学） 北京 100084 3. 青海省清洁能源高效利用重点实验室（青海大学新能源光伏产业研究中心） 西宁 810016）

目前氢能已成为支撑新型电力系统发展的洁净能源载体，光伏电解水制氢技术是制氢的最佳方式之一。针对光伏电解水制氢系统中的关键设备质子交换膜电解槽（PEMEL），结合其非线性、时变性、强耦合、多输入多输出的设备特性和运行特性，以PEMEL动态模型为研究对象，对其控制策略进行研究，包括比例积分微分（PID）控制、鲁棒控制、模型预测控制（MPC）、容错控制（FTC）策略，分析这四种控制策略的结构和优缺点，并从平稳性、精度、计算复杂度和响应速度四个维度对每类控制策略进行单独评价，为PEMEL控制技术研究及氢能领域的发展提供新的借鉴思路。

制氢 质子交换膜电解槽 PID控制 鲁棒控制 模型预测控制 容错控制

0 引言

新型电力系统中可再生能源发电的间歇性、波动性及电力系统负荷需求的随机性所引起的弃风、弃光等问题给产业规模化发展带来一定的挑战。同时，氢能具备能量密度大、安全性高、环境效益好等特点，在我国能源向绿色、低碳转型的过程中迎来了快速发展[1-2]。光伏电解水制氢技术作为电力行业与能源领域的交叉热点，高度契合并衔接了光伏消纳和氢能利用两个重点领域的迫切需求。质子交换膜电解槽（Proton Exchange Membrane Electrolyzer, PEMEL）作为光伏电解水制氢系统（以下简称“制氢系统”）的关键设备，其运行过程中的温度、化学、物理特性变化等所导致的设备高故障率、短运行寿命、低稳定性及低制氢量等缺点在很大程度上限制了PEMEL的商业化进程[3]。因此，针对PEMEL选择合适的控制策略，对于保证制氢系统安全、可靠、高效及经济性运行尤为重要，比如：电源频繁波动时仍能维持系统稳定运行且保证较高的制氢量，减少不必要的能量损耗等。

在可再生能源电解水制氢系统控制策略研究方面，目前国内外的研究主要集中在系统级氢电转换之间的运行控制方面。例如，张勇等提出计及制氢效率的光-储-氢系统协调控制策略，分析了制氢装置工作过程中电能-化学能之间的能量转换效率曲线，并提出制氢装置效率自适应控制策略[4]；类似地，蔡国伟等分析了电解制氢装置工作过程中的电化学反应过程，针对10种不同的运行模式，提出协调控制策略，可有效地提高氢储能系统对风能的最大消纳[5]。上述研究主要针对系统级的优化控制，对此，其他学者在可再生能源电解水制氢系统控制策略研究方面，开始考虑电解槽全特性运行指标和由系统级到设备级的全生命周期运行控制策略。其中，I. Abadlia等设计了一种基于智能控制的混合光伏制氢系统，开发了自适应模糊逻辑控制单元，使得混合光伏制氢系统并网特性大大提升，并对制氢系统内部各单元进行解耦控制[6]；有学者在总结电解槽各项运行特性的基础上，提出轮值控制策略，提高电解槽阵列的运行安全性，延长电解槽阵列寿命[7]。综上所述，在目前的研究中，多侧重于系统级或阵列级的协调控制，关于PEMEL装置级控制策略的研究较少。

本文旨在结合PEMEL的设备特性和运行特性，借鉴以往研究人员针对非线性、时变性、强耦合、多输入多输出系统的控制策略研究，以PEMEL动态模型为基础，总结研究适合PEMEL的控制策略。首先，文中结合PEMEL的运行特点构建了PEMEL的动态模型，并设置平稳性、精度、计算复杂度和响应速度四个评价指标；其次，以比例积分微分（Proportional-Integral-Differential, PID）控制、鲁棒控制、模型预测控制（Model Predictive Control, MPC）、容错控制（Fault Tolerant Control, FTC）共计四类控制策略为主，分析各个复合控制策略的原理、结构和控制特点等，并进行性能评价；最后，对PEMEL控制领域的发展做出总结和展望。

1 PEMEL运行特点及其控制策略的评价标准

图1 PEMEL动态模型

本文将从四个维度评估控制策略的适用性：①平稳性：主要通过输入10%阶跃变化下输出的超调量来评价；②精度：主要通过存在10%外部干扰时的输出偏差来评估；③计算复杂度：主要根据控制器结构设计、是否在线优化、输入输出数量及所用算法的迭代次数来评估；④响应速度：主要通过输入10%阶跃变化下的调节时间来评估。每个维度分为三个评估等级，分别为Ⅰ级、Ⅱ级、Ⅲ级，其中平稳性Ⅰ级表示平稳性最差，Ⅲ级表示平稳性最优；精度Ⅰ级表示精度最差，Ⅲ级表示精度最优；计算复杂度Ⅰ级表示复杂度最高，Ⅲ级表示复杂度最低；响应速度Ⅰ级表示响应速度最慢，Ⅲ级表示响应速度最快。四个维度具体的评估等级及评估依据见表1。

表1 控制策略评估等级及评估依据

Tab.1 Evaluation level and evaluation basis of control strategy

2 PEMEL装置级控制策略

2.1 PID控制

PID控制器是指偏差的比例、积分和微分的线性组合，形成控制量对被控对象进行控制[9]。传统PID控制的结构简单、可靠性高、技术相对成熟且易实现，在控制领域应用较广[10-12]。然而，PEMEL运行过程的复杂程度、电源的波动性等均对控制的精度、抗干扰能力、鲁棒性等提出很高的要求，传统PID控制并不能满足PEMEL的控制要求。针对以上情况，为保证PID控制效果，研究人员不断尝试将传统PID控制与其他控制方式相结合以达到优化PID控制性能的目的[13]。例如，唐刚等将PID控制与模糊逻辑控制（Fuzzy Logic Control, FLC）相结合，提出一种模糊PID控制策略[14]。其中，FLC设计依赖设计者的经验，不需要被控对象的精确模型。所提模糊PID控制中根据设定的控制规则对三个控制参数P、I、D进行实时在线调节，大大提高了被控系统的抗干扰能力，同时在稳态情况下比传统PID控制精度高、响应速度快，比较适合非线性时变系统，可应用于PEMEL控制。模糊PID控制结构框图如图2所示，其中，p为比例系数，i为积分系数，d为微分系数；Δp为调节比例系数，Δi为调节积分系数，Δd为调节微分系数；()为给定参考值，()为实际输出值，()为控制规律，()为实际输出值的反馈跟踪误差，s()为饱和单元之前的控制规律和饱和单元之后的控制规律之差，s为抗饱和补偿器的增益，C为误差变化。

图2 模糊PID控制结构框图

为进一步提升PID控制系统的抗干扰能力和鲁棒性，研究人员在以上研究基础上，又加入了自适应控制（Adaptive Control, APC）思想。APC是根据检测到的性能指标的变化生成相应的反馈控制规律，进而消除变化。APC对模型的要求不高，有很好的适应性，比较适合PEMEL的控制。崔家瑞等将自适应控制、模糊控制和传统PID控制结合，针对永磁同步电机多变量、非线性、强耦合的特点，提出一种自适应模糊PID复合控制策略，通过变论域模糊控制使得控制规则和控制参数自适应地整定调节[15]；刘维鸽针对伺服液压系统存在参数的时变性、非线性及外负载干扰等问题，采用基于自适应模糊PID的控制策略，克服传统PID控制的局限性，具有较强的鲁棒性[16]；Li Jiawen等提出一种基于深度强化学习算法的自适应PID控制策略，消除了对被控系统模型的依赖，控制器结构简单[17]。自适应PID控制器采用一种新的深度强化学习算法，即两阶段训练策略大规模孪生延迟深度确定策略梯度（Two-stage Training Strategy Large-scale Twin Delayed Deep Deterministic Policy Gradient, TGSL-TD3PG），与传统算法相比，虽然TGSL-TD3PG算法的整定时间较长，但其自适应能力强，可自适应地调整控制器的基线参数，大大提高了控制器的鲁棒性和适应性。基于深度强化学习算法的自适应PID控制策略应用在PEMEL中的控制结构框图如图3所示，其中，r()为给定参考值。

图3 带有TGSL-TD3PG的自适应PID控制结构框图

与上述控制目的类似，Cao Hongliang等针对固体氧化物燃料电池（Solid Oxide Fuel Cell, SOFC）系统提出了一种多变量鲁棒PID控制策略，采用多回路前馈/反馈控制结构来解决复杂的动态问题，提高了控制系统的鲁棒性[18]。A. O. Abbaker等针对SOFC输出电压控制系统的动态性能提升展开了研究[19]，将智能控制、自适应控制与PID控制相结合，提出了一种新型智能比例积分自适应滑模控制（intelligent Proportional Integral Adaptive Sliding Mode Control, iPI-ASMC）。其中，利用抗饱和补偿器来处理负荷的不确定性，并减少电流负载扰动的影响，从而有效地控制SOFC的输出电压，并仿真验证了所提控制策略在最小超调和快速整定时间方面有更好的动态性能。控制系统主要由三部分组成：基于扩展状态观察器的智能比例积分来估计未知动态、添加自适应滑模控制来补偿估计未知动态误差，以及基于反算的抗饱和补偿器用于处理由输入约束引起的饱和问题。结合PEMEL运行特性，iPI-ASMC可应用在PEMEL控制上，其控制结构框图如图4所示，其中a()为辅助输入值，i()为控制输入值，r()为饱和之后的受控输入值，c()为饱和之前的受控输入值，为输入增益，为阶时的输出参考轨迹，为输出信号的阶数，可以选择为1或2，d()为输出参考轨迹，()为实际输出值的反馈跟踪误差，s()为饱和之前的控制规律和饱和之后的控制规律之差，i()为积分器输入，为的的估计值，为可以通过测量输出()和输入i()来估计的未知项。

图4 iPI-ASMC控制结构框图

为提高PID控制系统模型的适应性，增强被控系统的抗干扰能力，研究学者将预测控制和传统PID控制相结合，比如：有学者提出用扩展状态空间预测控制来优化PID控制，相比PID控制和预测控制，所提控制策略无超调量，模型适应性更强，干扰抑制能力更强[20]；罗运辉等提出一种动态矩阵控制（Dynamic Matrix Control, DMC）和PID相结合的控制策略，构建了一个预估器用来预测系统未来的输出值，而控制变量的值通过DMC算法求得，基于未来时刻预测的偏差，当前时刻的实际控制增量由PID生成，所提控制策略使得被控系统的干扰抑制能力得到较大提高[21]；陈琛针对球磨机的非线性、时变性、大时滞的复杂系统，也提出一种基于预测控制优化的PID控制策略，保留了PID控制的简单结构，具有设定值跟踪时间短、模型适应性强和干扰抑制能力高等优点，较好地解决了循环流化床锅炉床湿系时变、干扰多、大滞后的问题[22]。与上述思路不同，有些研究学者利用算法优化PID控制，比如：Zhang Tao等利用萤火虫算法调整分数PID控制器的参数，提高了被控系统的抗干扰能力和运行可靠性[23]；尹建川等借助神经网络算法优化PID控制器，实现PID控制器参数自适应整定，仿真结果表明神经网络算法增加了PID控制的鲁棒性和自适应性能[24]。

模糊PID控制减少了对模型的依赖，系统构造简单，增强了系统的鲁棒性，但由于模糊PID控制器是以人对被控系统的控制经验为依据而设计，是一种定性的、不精确的控制规则，控制精度一般；自适应PID控制对模型要求不高，其控制规则反馈处理和计算负担会影响其动态性能；鲁棒PID控制更有利于保持系统在安全范围内运行，但也降低了控制器的控制精度，影响被控系统的运行性能；预测控制与PID控制相结合，提高了控制系统的精度和鲁棒性，但控制结构较复杂。PID控制与其他控制策略相结合的控制性能评估如图5所示。

图5 PID控制与其他控制策略相结合的控制性能评估

2.2 鲁棒控制

鲁棒控制以其优异的鲁棒性一直是控制领域的研究热点，适用于以稳定性和可靠性作为首要目标的应用。鲁棒性是指被控系统对于自身内部的扰动所受影响的程度，包括两方面：①稳定的鲁棒性，表征被控对象受到一定干扰后能否稳定运行的能力；②性能的鲁棒性，表征被控对象受到一定干扰后能否维持原有的控制性能的能力[25-26]。

典型的鲁棒控制包括传统H-无穷大控制（H-infinity）、滑模控制（Sliding Mode Control, SMC）和基于平方和分解技术的非线性鲁棒控制（Sum of Squares decomposition technique Robust Control Approach, SOSRCA）等[27-28]。Huo Haibo等设计了一个基于SOFC的导出状态空间表示的H-infinity，大大减轻了电压振荡和偏差对系统的影响[29]；为了确保被控系统的渐近稳定性，有学者提出了一种基于区间的SMC控制器，以仔细考虑不确定参数和有界扰动的估计[30]；林雨姗提出一种基于自适应模型的反演滑模控制（Adaptive Inversion Sliding Mode Control, AISMC），设计的自适应干扰观测器通过对不确定干扰参数的估计，实现参数的自适应调节，减小未知参数变动对燃料电池控制稳定性的影响，实现氢燃料电池/锂电池混合动力系统的功率解耦自适应控制，大大提高了控制系统的鲁棒性和精度[31]；Wu Xiaojuan等提出了一种高阶滑模最优鲁棒控制策略，包括参数不确定性的SOFC模型、鲁棒优化器和鲁棒控制器，为保证系统安全运行，采用两个前馈控制器和一个鲁棒高阶滑模控制器对燃料利用率、空气过剩系数和烟囱温度进行事后控制，仿真结果表明该控制策略在负载变化和不确定性变化下能够有效地将控制变量保持在预期范围内[32]。由于PEMEL运行机理复杂，精确模型构建困难，而最优鲁棒控制对模型要求不高，故比较适合应用于PEMEL控制。最优鲁棒控制结构框图如图6所示，其中，2g为单位时间内阴极产生的氢气量，为阴极的氢气分压，2g为单位时间内阳极产生的氧气量，为阳极的氧气分压，为分流阀的开度比，ref为电解槽参考温度，为电解槽温度，为电解槽电流。另外，有学者提出一种基于平方和分解技术的鲁棒控制方法（SOSRCA），该方法充分考虑了被控系统中存在的不确定参数及干扰，使控制系统具有较好的鲁棒性，并且该方法无需对不确定参数设计状态估计器，控制器设计、求解过程简单，降低了控制规律的复杂程度[33]。

图6 最优鲁棒控制结构框图

鲁棒控制是解决被控对象不确定性和外部干扰不确定性问题的有效方法。H-无穷大理论的鲁棒控制可以提高被控系统的抗干扰能力，但控制器结构复杂，控制精度低；SMC由于其强大的鲁棒性和快速的响应能力，可以有效地维护被控系统的安全运行，但由于SMC的振荡现象，难以在实际中应用；SOSRCA不需要对不确定参数进行状态估计，大大减小了控制器设计的复杂度，鲁棒性较好，不过控制精度较低。部分鲁棒控制的性能评估如图7所示。

2.3 模型预测控制

模型预测控制（Model Predictive Control，MPC）是一种在线优化控制策略。MPC对模型精度不敏感，易于处理多变量控制问题，适应结构变化，有较好的鲁棒性和良好的跟踪性[34]，满足PEMEL控制要求。MPC基本思想示意图如图8所示。

图7 部分鲁棒控制的性能评估

图8 MPC基本思想示意图

MPC主要由预测模型、反馈校正、滚动优化和参考轨迹四部分组成。常用的MPC主要有传统MPC、非线性模型预测控制（Nonlinear Model Predictive Control, NMPC）、广义预测控制（Generalized Predictive Control, GPC）、数据驱动模型预测控制（Data-driven MPC）和模糊MPC[35-41]。

图9 LMPC-FOPID结构框图

GPC引入了自适应控制的思想，一般的预测控制算法主要通过反馈来补偿系统误差，再加上滚动优化技术，使模型能对因时变、干扰等造成的影响及时补偿。但如果内部模型的准确性很差，则仍会对系统的稳定性造成严重的影响。GPC就是面向此类问题的解决方案。Jiang Jianhua等基于最优工作点（Optimal Working Points, OOPs）的功率切换过程瞬态分析，针对SOFC系统提出Takagi-Sugeno（T-S）模糊模型GPC策略[44]，控制结构框图如图10所示，包括热电解耦方法和热电协同控制策略，含两个控制器：一种是基于OOPs的热管理前馈控制器，另一种是基于T-S模糊模型的GPC控制器，用于功率跟踪、燃料短缺预防和输入约束处理。T-S模糊模型与物理模型输出具有良好的一致性，大大提升了GPC控制器的性能。图10中，set为设定输出参考值，c为预测输出值，set为预测输出误差，(12)initial为初始控制输入值，Δ为控制增量，(r1,r2)为约束控制输入值，为输出值，m为模糊预测输出值，m为模糊预测输出误差。

图10 T-S模糊模型GPC控制结构框图

图11 基于数据驱动的T-S模糊模型预测控制框图

对于模型容易获得的系统，MPC具有较好的鲁棒性和稳定性，但PEMEL为强耦合、多变量的复杂动态系统，模型构建难度大，因此，如果能够有效地获取PEMEL数据，那么Data-driven MPC将具有巨大的潜力；对于非线性强的复杂系统，NMPC有较好的控制效果，但是NMPC的计算量大，复杂度较高；GPC精度较高，但设计矩阵复杂计算，不适合需要快速响应的控制系统；另外，一些研究人员设计了模糊MPC控制器来解决系统的强耦合和多变量问题，但控制精度较低。上述部分预测控制的性能评估如图12所示。

图12 部分预测控制的性能评估

2.4 容错控制

PEMEL运行过程是强非线性的复杂系统，且涉及热、电、流体等多物理场耦合情况，另外电源电压、环境温度、电流密度等均会对制氢率有很大的影响，故PEMEL制氢过程中所发故障类型多且发生概率大，所以有必要对PEMEL实施有效的容错控制（Fault Tolerant Control, FTC），使得PEMEL系统对经常发生的故障具有很好的容忍性，保障PEMEL安全高效运行，延长PEMEL的运行寿命。

FTC一般可分为主动容错控制（Active Fault Tolerant Control, AFTC）和被动容错控制（Passive Fault Tolerant Control, PFTC）[48]。FTC与PFTC的性能评估如图13所示。其中，AFTC是通过在线故障诊断信号对控制器的参数/结构进行重新调整，以保证系统安全稳定运行，有较高的控制精度，但AFTC结构复杂，成本高；PFTC基于鲁棒控制技术，不需要任何在线故障信息，控制器根据预测的故障进行设计，不论系统处于健康或故障条件，控制规律始终不变，保证被控系统对故障不敏感，可靠性高、易于实现，但难以保证被控系统的高效运行。由于质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell, PEMFC）和PEMEL均属于强非线性、强耦合、时变的复杂系统，针对PEMEL控制可借鉴PEMFC的FTC经验。

图13 FTC与PFTC的性能评估

I. Labach等针对PEMFC热管理问题，基于模型的故障诊断角度提出AFTC策略对PEMFC进行温度控制，当故障发生时控制系统可对PEMFC运行温度进行实时调节[49]；同样地，Yan Chizhou等针对PEMFC的热管理问题，提出基于滑模控制器的AFTC对PEMFC运行温度进行实时调节，与PID控制相比，所提AFTC策略在温度控制的精度、鲁棒性和抗干扰能力方面有更优的控制性能[50]；Yang Duo等针对PEMFC空气管理系统提出基于在线性变参数（Iinear Parameter Varying, LPV）模型的容错控制方法，LPV模型在保证PEMFC模型精度的同时大大降低了计算损耗[51]。基于LPV模型的故障诊断原理图如图14所示。

图14 基于LPV模型的故障诊断原理图

图15 基于MPC的容错控制结构框图

3 结论

本文全面分析了可适用于PEMEL控制的若干种控制策略，其中PID控制器结构最简单，可靠性相对较高，但其控制精度评估为Ⅰ级（见图5），在较大的工况变化下无法达到一致的控制性能；PID控制与FLC相结合，虽然提高了控制的平稳性和响应速度，但是精度依然较低；而PID控制与预测控制相结合，可大大提高控制精度，但是计算复杂度为Ⅰ级（见图5），很大程度上降低了响应速度。鲁棒控制可以有效地克服被控对象的各种不确定性，如参数不确定或未建模等，从而实现闭环系统的强鲁棒性，然而，无法实现控制最优性。MPC通常具有较高的控制精度，可以很容易地与神经网络结合，进一步提高其自适应性和响应率。然而，面对强非线性，其计算负担将急剧增加（见图12）。FTC基于特定的故障检测特性，一般可以实现较高的控制精度、安全性和可靠性。然而，这样的控制框架和被控对象强相关，通常需要设计人员掌握被控对象足够多的经验信息，因此泛化能力较低。PID控制与APC相结合，大大提高了控制精度、鲁棒性和适应性（见图5），例如，TGSL-TD3PG算法的仿真结果表明，输出电压的整定时间减少了45.2%，而最大电压的幅度减少了30%，以及燃料利用的零违反约束[17]；文献[54]分别采用PID控制和自适应PID控制对PEMFC进行温度控制研究，并对控制结果进行对比分析，发现自适应PID控制与PID 控制相比，自适应PID控制超调量降低了75% ，调节时间加快了20%。综上所述，自适应PID控制策略可作为PEMEL控制的最优选方案。总结各种控制策略的优缺点见表2。

表2 各种控制策略的优缺点

Tab.2 Advantages and disadvantages of various control strategies

但是，由于制氢系统中PEMEL运行过程非线性、多变量、多目标且高度复杂，目前对于PEMEL控制策略研究较少，仍有许多关键理论和技术问题亟待深入研究。

1）各种控制策略中对变量/参数的测量都是必不可少的，故需要采用先进的传感器，但这不可避免地增加了总体成本，因此，降低控制系统关键设备成本将会在很大程度上推动控制领域的发展。

2）对于多变量复杂系统，要想保证控制精度及鲁棒性，一般控制系统计算量比较大，比如：MPC在线反复优化的数据庞大，因此寻找到可以简化计算量的算法意义重大。

3）PEMEL为多变量-多目标系统，而目前控制策略所考虑控制目标较少，因此控制目标之间的协调控制将是未来非常具有挑战性的问题。

4）大多数先进的控制方法复杂，难以在实际工程中应用。实际应用中应加强产学研相结合的方式，将新的研发技术基于实际项目进行示范运行，在项目中找需求、找问题、找方案。

[1] 袁铁江, 张昱, 栗磊, 等. 计及功率密度约束含氢储能的预装式多元储能电站容量优化配置研究[J]. 电工技术学报, 2021, 36(3): 496-506. Yuan Tiejiang, Zhang Yu, Li Lei, et al. Capacity optimization configuration of pre-installed multi-energy storage power station considering power density constrained hydrogen storage[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 496-506.

[2] 李建林, 梁忠豪, 李光辉, 等. 太阳能制氢关键技术研究[J]. 太阳能学报, 2022, 43(3): 2-11. Li Jianlin, Liang Zhonghao, Li Guanghui, et al. Analysis of key technologies for solar hydrogen production[J]. Acta Energiae Solaris Sinica, 2022, 43(3): 2-11.

[3] 李建林, 李光辉, 马速良, 等. 碳中和目标下制氢关键技术进展及发展前景综述[J]. 热力发电, 2021, 50(6): 1-8. Li Jianlin, Li Guanghui, Ma Suliang, et al. Overview of the progress and development prospects of key technologies for hydrogen production under the goal of carbon neutrality[J]. Thermal Power Generation, 2021, 50(6): 1-8.

[4] 张勇, 彭勇刚, 韦巍. 计及制氢效率的光-储-氢系统协调控制策略研究[J]. 太阳能学报, 2021, 42(11): 67-75. Zhang Yong, Peng Yonggang, Wei Wei. Coordination control for PV, storage and hydrogen system considering hydrogen energy conversion efficiency[J]. Acta Energiae Solaris Sinica, 2021, 42(11): 67-75.

[5] 蔡国伟, 陈冲, 孔令国, 等. 风电/制氢/燃料电池/超级电容器混合系统控制策略[J]. 电工技术学报, 2017, 32(17): 84-94. Cai Guowei, Chen Chong, Kong Lingguo, et al. Control of hybrid system of wind/hydrogen/fuel cell/supercapacitor[J]. Transactions of China Electrotechnical Society, 2017, 32(17): 84-94.

[6] Abadlia I, Hassaine L, Beddar A, et al. Adaptive fuzzy control with an optimization by using genetic algorithms for grid connected a hybrid photovoltaic–hydrogen generation system[J]. International Journal of Hydrogen Energy, 2020, 45(43): 22589-22599.

[7] 沈小军, 聂聪颖, 吕洪. 计及电热特性的离网型风电制氢碱性电解槽阵列优化控制策略[J]. 电工技术学报, 2021, 36(3): 463-472. Shen Xiaojun, Nie Congying, Lü Hong. Coordination control strategy of wind power-hydrogen alkaline electrolyzer bank considering electrothermal characteristics[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 463-472.

[8] 李建林, 梁忠豪, 梁丹曦, 等. “双碳”目标下绿氢制备及应用技术发展现状综述[J]. 分布式能源, 2021, 6(4): 25-33. Li Jianlin, Liang Zhonghao, Liang Danxi, et al. Overview of development status of green hydrogen production and application technology under targets of carbon peak and carbon neutrality[J]. Distributed Energy, 2021, 6(4): 25-33.

[9] 杨志淳, 刘开培, 乐健, 等. 孤岛运行微电网中模糊PID下垂控制器设计[J]. 电力系统自动化, 2013, 37(12): 19-23, 68. Yang Zhichun, Liu Kaipei, Le Jian, et al. Design of fuzzy PID droop controllers for islanded microgrids[J]. Automation of Electric Power Systems, 2013, 37(12): 19-23, 68.

[10] Cheng Yan, Liu Dongyan, Zhang Liting, et al. Modeling and simulation analysis of solid oxide fuel cell system for marine equipment[C]//2018 Chinese Automation Congress (CAC), Xi'an, China, 2018: 347-351.

[11] Vrečko D, Nerat M, Vrančić D, et al. Feedforward-feedback control of a solid oxide fuel cell power system[J]. International Journal of Hydrogen Energy, 2018, 43(12): 6352-6363.

[12] Kupecki J, Motylinski K, Zurawska A, et al. Numerical analysis of an SOFC stack under loss of oxidant related fault conditions using a dynamic non-adiabatic model[J]. International Journal of Hydrogen Energy, 2019, 44(38): 21148-21161.

[13] 乔东东. 基于Laguerre函数模型的改进型预测控制及应用研究[D]. 南京: 南京信息工程大学, 2019.

[14] 唐刚, 练勇, 余漆, 等. 模糊PID控制在氢燃料系统中的应用[J]. 东方电气评论, 2022, 36(1): 11-17. Tang Gang, Lian Yong, Yu Qi, et al. Application of fuzzy PID control in hydrogen fuel system[J]. Dongfang Electric Review, 2022, 36(1): 11-17.

[15] 崔家瑞, 李擎, 张波, 等. 永磁同步电机变论域自适应模糊PID控制[J]. 中国电机工程学报, 2013, 33(增刊1): 190-194. Cui Jiarui, Li Qing, Zhang Bo, et al. Permanent magnet synchronous motor of variable universe adaptive fuzzy PID control[J]. Proceedings of the CSEE, 2013, 33(S1): 190-194.

[16] 刘维鸽. 基于模糊PID自适应控制的液压伺服技术研究与应用浅析[J]. 液压气动与密封, 2021, 41(5): 54-56. Liu Weige. Research and application of hydraulic servo technology based on fuzzy PID adaptive control[J]. Hydraulics Pneumatics & Seals, 2021, 41(5): 54-56.

[17] Li Jiawen, Yu Tao. A novel data-driven controller for solid oxide fuel cell via deep reinforcement learning[J]. Journal of Cleaner Production, 2021, 321: 128929.

[18] Cao Hongliang, Li Xi. Thermal management-oriented multivariable robust control of a kW-scale solid oxide fuel cell stand-alone system[J]. IEEE Transactions on Energy Conversion, 2016, 31(2): 596-605.

[19] Abbaker A O, Wang Haoping, Tian Yang. Voltage control of solid oxide fuel cell power plant based on intelligent proportional integral-adaptive sliding mode control with anti-windup compensator[J]. Transactions of the Institute of Measurement and Control, 2020, 42(1): 116-130.

[20] Zhang Ridong, Wu Sheng, Lu Renquan, et al. Predictive control optimization based PID control for temperature in an industrial surfactant reactor[J]. Chemometrics and Intelligent Laboratory Systems, 2014, 135: 48-62.

[21] 罗运辉, 刘红波, 贾磊, 等. 一种基于DMC的新型预测PID控制器及其整定[J]. 控制理论与应用, 2010, 27(12): 1743-1749. Luo Yunhui, Liu Hongbo, Jia Lei, et al. A novel DMC-based predictive PID controller and its tuning[J]. Control Theory & Applications, 2010, 27(12): 1743-1749.

[22] 陈琛. 改进型预测控制及预测控制优化的PID控制研究[D]. 南京: 南京信息工程大学, 2016.

[23] Zhang Tao, Li Honglin, Tu Xuewei, et al. Optimization of SOC fractional PID control parameters for solid oxide battery based on improved firefly algorithm[C]//2021 3rd International Conference on Industrial Artificial Intelligence (IAI), Shenyang, China, 2021: 1-5.

[24] 尹建川, 东昉, 李铁山, 等. 基于变结构径向基函数网络的船舶运动预测PID控制[J]. 控制理论与应用, 2010, 27(11): 1564-1568. Yin Jianchuan, Dong Fang, Li Tieshan, et al. Ship motion predictive PID control based on variable structure radial basis function network[J]. Control Theory & Applications, 2010, 27(11): 1564-1568.

[25] 郭澍臻. 海上风电与储能系统的鲁棒最优控制[D]. 保定: 河北大学, 2016.

[26] 孙立明, 杨博. 蓄电池/超导混合储能系统非线性鲁棒分数阶控制[J]. 电力系统保护与控制, 2020, 48(22): 76-83. Sun Liming, Yang Bo. Nonlinear robust fractional-order control of battery/SMES hybrid energy storage systems[J]. Power System Protection and Control, 2020, 48(22): 76-83.

[27] Yang Bo, Yu Tao, Shu Hongchun, et al. Passivity-based sliding-mode control design for optimal power extraction of a PMSG based variable speed wind turbine[J]. Renewable Energy, 2018, 119: 577-589.

[28] Chen Mingyuan, Li Xiaocong, Lagoa C M, et al. Applying sum-of-squares decomposition technique to power system robust control problem[J]. IEEJ Transactions on Electrical and Electronic Engineering, 2018, 13(2): 218-225.

[29] Huo Haibo, Yang Haidong, Xu Kui, et al. Survey on H∞ robust control of the solid oxide fuel cell[J]. Mathematical Problems in Engineering, 2021, 2021: 1-10.

[30] Dötschel T, Rauh A, Senkel L, et al. Experimental validation of interval-based sliding mode control for solid oxide fuel cell systems[C]//2013 European Control Conference (ECC), Zurich, Switzerland, 2013: 2489-2494.

[31] 林雨姗. 甲醇重整制氢燃料电池混合动力系统自适应滑模控制研究[D]. 福州: 福州大学, 2018.

[32] Wu Xiaojuan, Gao Danhui. Optimal robust control strategy of a solid oxide fuel cell system[J]. Journal of Power Sources, 2018, 374: 225-236.

[33] 陈明媛, 王钧, 周智成, 等. 基于Sum of Squares分解技术的电力系统鲁棒综合控制方法[J]. 电机与控制应用, 2021, 48(9): 81-89. Chen Mingyuan, Wang Jun, Zhou Zhicheng, et al. Robust coordinated control approach for power systems by using the sum of squares decomposition technique[J]. Electric Machines & Control Application, 2021, 48(9): 81-89.

[34] 乐健, 廖小兵, 章琰天, 等. 电力系统分布式模型预测控制方法综述与展望[J]. 电力系统自动化, 2020, 44(23): 179-191. Le Jian, Liao Xiaobing, Zhang Yantian, et al. Review and prospect on distributed model predictive control method for power system[J]. Automation of Electric Power Systems, 2020, 44(23): 179-191.

[35] Han Miaomiao, Zhou Baozhong. The multi-parameter programming control of solid oxide fuel cell[C]//2017 4th International Conference on Information Science and Control Engineering (ICISCE), Changsha, China, 2017: 1278-1281.

[36] Frenkel W, Kersten J, Aschemann H, et al. Model predictive control as an industrially applicable approach for power control of solid oxide fuel cells[C]//2021 25th International Conference on Methods and Models in Automation and Robotics (MMAR), Międzyzdroje, Poland, 2021: 251-256.

[37] Lee S M, Kwon O M, Park J H. Predictive control for sector bounded nonlinear model and its application to solid oxide fuel cell systems[J]. Applied Mathematics and Computation, 2012, 218(18): 9296-9304.

[38] Jiang Jianhua, Shen Tan, Deng Zhonghua, et al. High efficiency thermoelectric cooperative control of a stand-alone solid oxide fuel cell system with an air bypass valve[J]. Energy, 2018, 152: 13-26.

[39] Boubaker B, Houari K, Ahmed B. Solid oxide fuel cell power management based on a predictive controller[C]//2020 6th International Symposium on New and Renewable Energy (SIENR), Ghadaia, Algeria, 2021: 1-7.

[40] Wang Xiaorui, Huang Biao, Chen Tongwen. Data-driven predictive control for solid oxide fuel cells[J]. Journal of Process Control, 2007, 17(2): 103-114.

[41] Wu Long, Wu Xiao, Pan Lei, et al. Fuzzy model predictive control of solid oxide fuel cell with zone tracking[J]. IFAC-PapersOnLine, 2019, 52(4): 210-215.

[42] 阎纲. 基于最小二乘支持向量机的铝电解过程建模与控制研究[D]. 长沙: 中南大学, 2012.

[43] Flamm B, Peter C, Büchi F N, et al. Electrolyzer modeling and real-time control for optimized production of hydrogen gas[J]. Applied Energy, 2021, 281: 116031.

[44] Jiang Jianhua, Li Xi, Li Jian. The high efficiency cooperative control of power and temperature of a stand-alone solid oxide fuel cell system with an air bypass valve[C]//2015 Chinese Automation Congress (CAC), Wuhan, China, 2015: 1197-1202.

[45] Lu Xiaohui, Chen Hong, Gao Bingzhao, et al. Data-driven predictive gearshift control for dual-clutch transmissions and FPGA implementation[J]. IEEE Transactions on Industrial Electronics, 2015, 62(1): 599-610.

[46] 纪志成, 冯海英, 沈艳霞. 风轮机桨距角的数据驱动预测控制[J]. 控制工程, 2013, 20(2): 327-330. Ji Zhicheng, Feng Haiying, Shen Yanxia. Data-driven predictive control for wind turbine pitch angle[J]. Control Engineering of China, 2013, 20(2): 327-330.

[47] 陈诚, 黄剑, 刘磊, 等. 基于数据驱动的气动柔性关节Takagi–Sugeno模糊系统建模与预测控制[J]. 控制理论与应用, 2022, 39(4): 633-642. Chen Cheng, Huang Jian, Liu Lei, et al. Data-driven Takagi-Sugeno fuzzy system modeling and predictive control of a pneumatic flexible joint[J]. Control Theory & Applications, 2022, 39(4): 633-642.

[48] 张学广, 陈辉, 马彦, 等. 双馈风力发电机定子电流检测系统容错控制[J]. 电力系统自动化, 2015, 39(3): 30-35, 109. Zhang Xueguang, Chen Hui, Ma Yan, et al. Fault tolerant control for stator current sensor system in doubly-fed induction generator wind turbines[J]. Automation of Electric Power Systems, 2015, 39(3): 30-35, 109.

[49] Labach I, Rallières O, Turpin C. Steady-state semi-empirical model ofaSingle proton exchange membrane fuel cell (PEMFC) at varying operating conditions[J]. Fuel Cells, 2017, 17(2): 166-177.

[50] Yan Chizhou, Chen Jian, Liu Hao, et al. Model-based fault tolerant control for the thermal management of PEMFC systems[J]. IEEE Transactions on Industrial Electronics, 2020, 67(4): 2875-2884.

[51] Yang Duo, Wang Yujie, Chen Zonghai. Robust fault diagnosis and fault tolerant control for PEMFC system based on an augmented LPV observer[J]. International Journal of Hydrogen Energy, 2020, 45(24): 13508-13522.

[52] Abbaspour A, Yen K K, Forouzannezhad P, et al. An adaptive resilient control approach for pressure control in proton exchange membrane fuel cells[J]. IEEE Transactions on Industry Applications, 2019, 55(6): 6344-6354.

[53] 周博洋. PEMFC的容错控制研究[D]. 成都: 电子科技大学, 2016.

[54] 游志宇, 陈维荣, 彭赟, 等. 大功率空冷自增湿PEMFC温度控制方法[J]. 西南交通大学学报, 2015, 50(1): 44-50. You Zhiyu, Chen Weirong, Peng Yun, et al. Temperature control of high-power self-humidifying PEMFC with air cooling[J]. Journal of Southwest Jiaotong University, 2015, 50(1): 44-50.

Research on Control Strategy of Proton Exchange Membrane Electrolyzer

Li Jianlin1Liang Zhonghao1Li Guanghui1Chen Laijun2,3

（1. Beijing Future Technology Innovation Centre for Electrochemical Energy Storage System Integration North China University of Technology Beijing 100144 China 2. State Key Laboratory of Control and Simulation of Power System and Generation Equipments Tsinghua University Beijing 100084 China 3. Qinghai Key Lab of Efficient Utilization of Clean Energy New Energy Photovoltaic Industry Research Center Qinghai University Xining 810016 China）

The technology of photovoltaic electrolysis of water for hydrogen production not only helps to break through the bottleneck of renewable energy consumption, but also can effectively solve the problems of high hydrogen production cost and green production. Proton exchange membrane electrolyzer (PEMEL) is the key hydrogen production equipment in The system of photovoltaic electrolysis of water for hydrogen production.On the one hand, the instability of the output power of photovoltaic cells will lead to damage to PEMEL equipment and decrease of hydrogen production efficiency; On the other hand, changes in temperature, chemical and physical properties during the operation of PEMEL will also lead to high failure rate, short operating life and low hydrogen production of PEMEL equipment. The above problems limit the commercialization process of PEMEL and the development of green hydrogen energy to a certain extent. However, in the current research, the PEMEL-related control strategies mostly focus on the coordinated control at the system level or the array level, which is not enough to solve the above problems. Therefore, this paper further studies the PEMEL device-level control strategy based on the existing research.

Firstly, the process of PEMEL electrolytic hydrogen production has nonlinear and multi-physics coupling characteristics, and a series of complex physical and electrochemical reactions during the process will change the operating state of PEMEL. And the instantaneous dynamic process of PEMEL has a great influence on its hydrogen production efficiency and life. Based on this, a PEMEL dynamic model based on ordinary differential equations is constructed. In addition, for the applicability evaluation of the control strategy, four evaluation indicators of stationarity, precision, computational complexity and response speed are set, and each indicator is divided into three evaluation levels.

Secondly, on the basis of the PEMEL dynamic model, the research on the device-level control strategy of PEMEL is carried out.Based on proportional integral derivative (PID) control, robust control, model predictive control (MPC), and fault tolerant control (FTC), various composite control strategies are studied. Among them, around PID control, traditional PID control, fuzzy PID control, adaptive PID control, robust PID control and predictive PID control are studied; around robust control, H-infinity control, sliding mode control (SMC), adaptive inversion sliding mode control (AISMC), and robust control method based on sum of suqares decomposition technology (SOSRCA) are studied; around MPC, traditional MPC, nonlinear model predictive control (NMPC), generalized predictive control (GPC), Data-driven MPC and fuzzy MPC are studied; around FTC, active fault tolerant control (AFTC) and passive fault tolerant control (PFTC) are studied. The research contents of the above composite control strategies include control principle, structure and control characteristics, and each type of control strategy is evaluated from the four dimensions of stability, precision, computational complexity and response speed.

Finally, through the comparative analysis of each compound control strategy, the advantages and disadvantages of various commonly used control strategies are summarized. Combined with the operating characteristics of PEMEL, an adaptive PID control strategy is proposed as the optimal solution for PEMEL control. However, there are still many key technical issues in the device-level control strategy of PEMEL that need to be further studied. details as follows: Solve the problem of reducing the cost of key equipment in the control system; Solve the problem of reducing the computational complexity of complex control systems; Since PEMEL is a multi-variable-multi-objective system, and the current control strategy considers few control objectives, the coordinated control between the control objectives is also a key problem to be solved urgently; Most of the current advanced control methods are complex and difficult to apply in practical engineering.

Hydrogen production, proton exchange membrane electrolyzer, PID control, robust control, model predictive control, fault-tolerant control

10.19595/j.cnki.1000-6753.tces.221105

TM614

北方工业大学科研启动基金项目（110051360022XN107-03）和2022年度新能源与储能运行控制国家重点实验室开放基金项目（DG80-22-001）资助。

2022-06-14

2022-07-26

李建林 男，1976年生，博士，教授，博士生导师，研究方向为大规模储能技术。E-mail：dkyljl@163.com（通信作者）

梁忠豪 女，1990年生，硕士研究生，研究方向为氢储能技术。E-mail：yuwenniguang@163.com

（编辑 李冰）