发电技术

发电技术, 2023, 44(4): 452-464 DOI: 10.12096/j.2096-4528.pgt.23003

绿氢制备-存储-多场景应用关键技术

基于控制目标的氢-电混动系统能量管理策略综述

王博斐1, 肖浩哲1, 李国豪2, 修文恒3, 莫云浩2, 朱铭杰1, 吴震1

1.西安交通大学化学工程与技术学院，陕西省 西安市 710049

2.西安交通大学能源与动力工程学院，陕西省 西安市 710049

3.西安交通大学物理学院，陕西省 西安市 710049

A Review of Energy Management Strategy for Hydrogen-Electricity Hybrid Power System Based on Control Target

WANG Bofei1, XIAO Haozhe1, LI Guohao2, XIU Wenheng3, MO Yunhao2, ZHU Mingjie1, WU Zhen1

1.School of Chemical Engineering and Technology, Xi’an Jiaotong University, Xi’an 710049, Shaanxi Province, China

2.School of Energy and Power Engineering, Xi’an Jiaotong University, Xi’an 710049, Shaanxi Province, China

3.School of Physics, Xi’an Jiaotong University, Xi’an 710049, Shaanxi Province, China

收稿日期: 2023-01-10  

基金资助: 国家自然科学基金项目.  52176203
陕西省重点研发计划项目.  2023-GHZD-13

Received: 2023-01-10  

作者简介 About authors

王博斐(2001)，女，硕士研究生，主要从事燃料电池技术研究工作，1763956140@qq.com；

肖浩哲(2002)，男，主要从事氢能源研究工作，xiaohz0220@163.com；

朱铭杰(2002)，男，主要从事金属氢化物氢纯化技术研究工作，2233974932@qq.com；

吴震(1988)，男，博士，教授，主要从事固态储氢与燃料电池研究工作，wuz2015@mail.xjtu.edu.cn。

摘要

氢燃料电池因为高能量密度与清洁低碳的特性，在供能领域受到广泛关注。但由于目前加氢基础设施较少，成本较高，且氢燃料电池动态响应较差，故常采用蓄电池和超级电容与氢燃料电池相结合的氢-电混动方式，给无人机、汽车等载运工具提供动力。混合动力系统的能量管理策略对系统动态性能、经济性及电池寿命等参数有着极大的影响，因此，其选用和设计对于控制目标至关重要。介绍了混合动力系统供能原理及方法，根据不同的控制目标，综述了不同的能量管理策略的应用现状与研究进展，分析其特性与应用场合。最后，提出了氢-电混合动力系统能量管理策略面临的挑战，并对其未来的发展方向进行了展望。

关键词： 燃料电池 ; 蓄电池 ; 氢-电混动系统 ; 能量管理策略(EMS)

Abstract

Hydrogen fuel cells, as the energy supply device, have received a lot of attention because of their high energy density and low carbon emission characteristics. However, due to the insufficient hydrogen refueling infrastructures, the hydrogen cost is high, and the dynamic response of hydrogen fuel cells is poor. Therefore, the hybrid power system of rechargeable battery and hydrogen fuel cells is generally used to supply energy to vehicles such as unmanned aerial vehicles (UAV), cars, and others. The energy management strategy of hybrid power system has an impact on the parameters of system dynamic response, economy and battery life. So the selection and design of energy management strategy are crucial to hybrid power system. This paper introduced the working principle of hydrogen-electricity hybrid power system and its energy supply methods. Besides, the current status of application and research progress of different energy management strategies for various application scenarios were summarized according to different control objectives. Finally, this paper presented the challenges of hybrid energy management strategies and outlooks their future development direction.

Keywords： fuel cells ; rechargeable battery ; hydrogen-electricity hybrid power system ; energy management strategy (EMS)

PDF (3011KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

王博斐, 肖浩哲, 李国豪, 修文恒, 莫云浩, 朱铭杰, 吴震. 基于控制目标的氢-电混动系统能量管理策略综述. 发电技术[J], 2023, 44(4): 452-464 DOI:10.12096/j.2096-4528.pgt.23003

WANG Bofei, XIAO Haozhe, LI Guohao, XIU Wenheng, MO Yunhao, ZHU Mingjie, WU Zhen. A Review of Energy Management Strategy for Hydrogen-Electricity Hybrid Power System Based on Control Target. Power Generation Technology[J], 2023, 44(4): 452-464 DOI:10.12096/j.2096-4528.pgt.23003

0 引言

化石能源具有明显的地域禀赋特征，使得世界能源生产国与消费国呈现地理分离现象[1]。屡次爆发的石油危机与天然气冲突使得能源消费国急于寻求摆脱能源危机的方法。因此，世界主要经济大国从政策支持、技术扶持、资金投入等各个方面发展新能源产业，期待能够据此解除本国能源危机，巩固本国能源安全。

世界各国对于能源需求量的急剧增长使得能源过度开发，而化石能源作为一次能源，开采后难以在短时间内再生的特性使得化石能源的供应问题日益严峻。同时，化石能源的开采过程中往往伴随着生态环境破坏，使用过程亦造成了严重的气候和环境问题，如全球变暖、温室效应，以及我国近年来面临的大范围雾霾天气及沙尘暴。目前，能源发展趋势之一为能源类型由高碳向低碳发展，即由化石能源走向非化石能源[2]。中国承诺到2030年实现碳达峰、2060年实现碳中和目标，兑现“双碳”目标需要新能源革命支撑经济低碳转型。所以，发展高效、安全、清洁的新能源显得十分必要和紧迫。

氢能因其来源广泛、质量轻、能量密度高、绿色低碳、储存方式与利用形式多样等诸多优点被视为未来重要的清洁能源[3-5]。且氢能燃烧热值高，燃烧性能好，符合当下能源的发展趋势，具有丰富的应用前景，如氢燃料电池为各种动力系统供能。然而，由于氢燃料电池具有动态特性差，成本相对较高，能量单向流动，耐久性有待提高等一系列问题，为保证氢燃料电池工作稳定，常将其与蓄电池或超级电容等储能装置相结合，组成氢-电混合动力系统[6-10]。氢燃料电池与储能装置相结合的混合动力系统既降低了供能系统的成本，保留了储能装置动态性能好的优点，又能够发挥出燃料电池高效率、续航时间长、无污染的优势。因此，氢-电混合动力系统可以有效提高系统的能量效率，减少环境污染，是目前供能系统的发展趋势之一。本文从快速控制、控制稳定性、燃油经济性、多目标优化控制等控制目标出发，分析了氢-电混合动力系统能量管理控制策略，为相关研究提供参考。

1 氢-电混动供能系统简介

1.1 燃料电池

燃料电池是一种化学电池，它不经过燃烧而以电化学反应方式将燃料的化学能直接变为电能[11]。燃料电池作为一种清洁高效的发电方式，由阳极、阴极及两极之间的电解质组成，工作时向阳极供应氧化剂，如氧气等，向阴极供应燃料，如氢气等。实际情况中，应用较多的是质子交换膜燃料电池，它具有能量利用率高、启动速度快、寿命长等优点[12]。式(1)—(3)为氢燃料电池的阴阳极反应式及总反应式。

阴极反应式：2H+(aq)+12O2(g)+2e-=H2O
阳极反应式：H2(g)-2e-=2H+(aq)
总反应式：H2(g)+12O2(g)=H2O

1.2 储能装置

燃料电池不能存储能量，动态响应较慢，当动力装置需要快速供电时，可能会导致装置电源供应不足。为弥补燃料电池的单向能量流和缓慢的动态响应，采用储能装置(蓄电池和超级电容等)和功率转换器来匹配基于燃料电池的混合动力系统，以提供快速、稳定的动力。

目前，蓄电池与燃料电池的联合供能系统得到了极大的发展，在选择蓄电池时，普遍采用锂离子电池作为燃料电池的辅助能源。与铅酸蓄电池相比，锂离子电池具有体积比能量和重量比能量较高、单体电压高、寿命相对较长[13]、环保性能好等优点。然而，锂离子电池安全性能差，具有一定的爆炸风险且目前造价相对较高，前期成本压力大。随着技术的不断成熟发展，锂离子电池具有很好的应用前景。

超级电容与燃料电池组成的氢-电混合系统也得到了广泛的应用。超级电容器的能量密度较低，但其功率密度很高，且具有较宽的工作温度范围和极长的使用寿命，因此在一些要求高功率的领域，超级电容器有着其独特的优势[14]。在氢-电混合动力系统中可以较好地满足储能、供能需求。

燃料电池、锂离子电池及超级电容的响应时间、使用寿命、电池成本示意图[15-16]如图1所示。从图1中可以看出，超级电容的响应时间能够达到毫秒级，锂离子电池的响应时间在1 s左右，燃料电池的响应时间相对较长，其响应时间受型号、温度等因素的影响，为几秒到几十秒不等。但就使用寿命来说，燃料电池使用寿命最长，能达到15 a及以上；超级电容次之，使用寿命在10 a左右；锂离子电池使用寿命最短，在1~5 a。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   燃料电池、锂电池、超级电容对比图

Fig. 1   Fuel cell, Li-ion battery, supercapacitor comparison chart


1.3 氢-电混合动力系统结构

燃料电池与锂电池的混合动力系统有2种常见的拓扑结构，主要结构包括燃料电池、双向DC/DC变换器、储能元件(蓄电池、电容等)、级联DC/DC变换器、DC/AC变换器等。第一种结构是锂离子电池直接与直流母线相连接。第二种结构是锂离子电池经过DC/DC转换器后再与直流母线相连接，结构图[17]如图2所示。在此混合动力系统中，燃料电池作为主要电源，为负载提供大部分的电力，锂离子电池作为辅助电源，可以从燃料电池中回收能量并进行再生制动，同时补偿高负载功率。此外，利用功率变换器(包括单向和双向DC/DC变换器和DC/AC逆变器)来调节电流、电压及功率。以氢-电混合动力汽车为例，介绍2种拓扑结构。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   燃料电池混合动力系统结构示意图

Fig. 2   Topologies of fuel cell hybrid power system


图2(a)为混合动力系统的典型拓扑结构，其中燃料电池输出逐步提高，以满足交流电动机的高压水平，锂离子电池在电压匹配后作为能量缓冲器。图2(b)在直流总线和锂电池之间增加了一个双向DC/DC变换器，这种结构不仅使燃料电池的输出电压和功率得到调节，而且还能够控制锂离子电池的荷电状态，方便混合动力系统回收再生制动能量。在燃料电池与锂电池混合动力系统的供能过程中，有三大供能模式：一是燃料电池单独供能；二是锂离子电池单独供能；三是燃料电池和锂离子电池联合供能。

2 氢-电混合动力能量管理策略分析

2.1 控制目标

氢-电混动系统难以保证其所有性能都处于最优状态，因此，对于各种性能应当有侧重地取舍，以满足系统的应用性能。不同的性能要求导致不同的控制目标，不同的载运工具和应用场景对控制目标和性能的侧重不尽相同。例如，应用于军事领域的无人机，要求混合系统能够实现快速控制；应用于巡查、拍摄、航测等民用领域的无人机，要求无人机续航能力强，即希望混合供能系统有较优的燃油经济性；汽车则要求多目标优化控制，即在保证快速控制、运行稳定的基础上，还具有较好的燃油经济性。能量管理策略(energy management strategy，EMS)解决的是混合动力系统不同动力源之间的动力分配问题。在实际应用过程中，不同动力源之间的能量分配方式对系统的供能效率、控制速度、燃油消耗、运行成本、系统寿命等有着重要的影响。为实现不同的控制目标，保证系统的性能，需选择合适的能量管理策略。虽然能量管理策略受到国内外学者的广泛关注，但是基于控制目标的能量管理策略介绍还存在较大的空白，因此，本文针对控制目标对部分能量管理策略进行归纳整理。不同的控制目标所对应的能源管理策略及相关应用场景如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   控制目标分类图

Fig. 3   Control target classification chart


根据控制目标不同，可将控制策略分为快速控制、控制稳定性、燃油经济性、多目标优化控制4种类型。依据不同的控制目标，可选择一定的能源管理策略。但是，由于不同的方法存在各自的优缺点，可通过不同方法之间的协同工作实现更好的控制效果，因此各类方法之间并不是完全独立的[18]。

2.2 以快速控制为目标的能量管理策略

与燃料电池相比，锂电池的动态性能优异。在氢-电混动系统中，当燃料电池/锂电池的输出功率与目标功率的差异较大时，可通过协调锂电池的功率使控制系统快速处于稳定状态。为使系统能够快速下达状态切换指令，实现系统的实时控制，需要选用高计算效率的能源管理策略。

基于规则的能量管理策略实现简单，计算量小，实时性好。Liu等[19]先利用庞特里亚金最小值原理(Pontryagin’s minimum principle，PMP)推导出最优燃料电池功率控制序列和锂离子电池组在行驶过程中的充电轨迹状态；然后通过改进的RIPPER算法从优化结果中挖掘规则，并利用多元线性回归算法对其进行拟合；最后提出一种改进的基于规则的EMS，其相关设计流程如图4所示。将其与基于PMP的EMS和传统的基于规则的EMS进行每一步计算的耗时和总计算耗时对比(CPU为i5核、内存为16 GB的台式计算机)，结果如表1所示。改进的基于规则的EMS与基于PMP的EMS相比，每一步计算耗时降低93.77%，总计算耗时降低了88.96%，而在计算时间与传统的基于规则的EMS相近的情况下，其总耗氢量下降了16.51%，在保证了计算控制的前提下，提升了燃油经济性。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   改进的基于规则的EMS设计流程

Fig. 4   Improved rule-based EMS design process


表1   3种EMS计算耗时对比

Tab. 1  Comparison of calculation time between three EMSs

EMS种类每一步计算耗时/s总计算耗时/s
基于PMP的EMS0.004 88013.943 3
传统基于规则的EMS0.000 3040.868 8
改进的基于规则的EMS0.000 5391.539 5

新窗口打开| 下载CSV


虽然基于确定规则的EMS计算简单且计算效率高，但是其规则或阈值非常依赖驾驶经验，很难保证最佳优化效果。而基于动态规划(dynamic programming，DP)的能量管理策略隶属于全局优化能量管理策略，虽然能够获得全局优化的效果，但是其对驾驶工况过度依赖，且计算量较大。除基于DP的EMS之外，基于PMP的EMS提供解决全局优化问题的另一种可能。

与基于DP的EMS相比，基于PMP的EMS增加了一个状态变量，提升了计算效率，可用于实时控制[20]。因此，在系统获得全局最优解的同时，要求尽可能使系统能够得到快速控制，可采用基于PMP的全局优化策略，其流程[21]如图5所示。PMP通过使各个时刻局部最优从而达到全局最优[22]。该策略在经过一定优化后，计算耗时短，计算效率高，便于在线应用，能够实现快速控制。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   基于PMP的能量管理策略流程图

Fig. 5   Flow chart of PMP-based EMS


Zheng等[23]在计算机仿真环境下，将PMP和DP两种功率管理策略应用于燃料电池混合动力汽车，PMP算法能在瞬间给出最优解，DP算法由于其后向计算的特点，在整个计算过程结束之后才能得到最优解，因此需要更多的计算时间。孟翔等[24]提出一种基于庞特里亚金极小值原理满意优化的分层能量管理方法(SOPMP)，在CPU为2.5 GHz、RAM为4 GB的环境下进行计算测试，运行结果显示PMP策略需129.808 4 s，而SOPMP策略仅需118.279 9 s，改善了PMP策略的计算效率。Stephan等[25]提出一种新的PMP-DP方法，将PMP与DP相结合，在求解质量相同的情况下，以比基准方法快10万倍以上的速度解决了混合动力汽车的能量管理问题。

对于快速控制，基于确定规则的EMS，计算简单，但规则制定过于依赖经验与数据，难以全局最优。基于PMP的EMS有很好的全局优化性能，同时，计算效率较高。表2列出了基于确定规则和基于PMP的EMS的优缺点及应用。

表2   基于确定规则和基于PMP的EMS比较

Tab. 2  Comparison of the determination rule-based EMS and PMP-based EMS

具体控制策略优点缺点应用

基于确定规则的能量

管理策略

实现简单，计算量小，实时性好相关参数会受到工况条件的强烈影响，燃油经济性有待改善，难以保证最佳优化效果广泛应用于商用的燃料电池混合动力系统
基于庞特里亚金最小值原理的控制策略与DP相比，计算耗时短，计算效率高

依赖于准确的预测模型，

适应性不强

要求有较高的全局优化性能，该策略可控制算法计算时间在30 s以内

新窗口打开| 下载CSV


除以上所述能量管理策略之外，隶属于基于规则的能量管理策略的阈值法，拥有计算量小、计算速度快的优点，但是由于其对经验数据过于依赖，且难以获得最优解，因此实际应用过程中有较大的局限性。凸优化算法控制策略可以将复杂的非线性问题转为半定问题，极大地减少运算时间，提高算法的实时性能[26]。瞬时优化算法与全局优化算法都属于基于优化的EMS，其在近年来得到飞速发展，与全局优化算法相比，虽然不能得到全局最优解，但是计算量较小，合理利用能够实现实时控制。

2.3 以控制稳定性为目标的能量管理策略

系统的控制目标是控制稳定性时，可采用基于模糊逻辑的控制策略。基于模糊逻辑的控制策略是另一种基于规则的能量管理策略，其不需要对精确的数学模型进行调整，在多域、时变、非线性的控制问题中具有较好的鲁棒性与自适应性。然而，基于模糊逻辑的控制规则需要一定的工程经验作为理论支持，否则，模糊规则的控制性能将受到很大限制，导致模糊控制器偏离最优。模糊控制的主要过程是“模糊化”和“去模糊化”，其核心部件是模糊逻辑控制器。输入信号被传输到模糊逻辑控制器，被模糊后，通过一定的处理得到相应的模糊结果。之后，又对模糊结果进行“去模糊化”，得到用于精确控制的输出信号。1974年，英国伦敦大学的Mamdani教授利用模糊控制的思想制作了模糊控制器，得到了优于传统控制器的控制品质[27]。

周圣哲等[28]提出一种复合模糊逻辑控制策略，以燃料电池汽车作为研究对象，在新欧洲行驶工况下进行仿真并与功率跟随策略进行比较，结果表明，相较于功率跟随策略，所提出的复合模糊逻辑控制策略可更好地稳定电池的荷电状态(state of charge，SOC)值至目标区域。Fu等[29]提出了一种基于模糊逻辑控制的能量管理策略，采用遗传算法对多约束条件下的模糊控制器进行优化，设置约束条件限制燃料电池的功率波动和氢气消耗。仿真和实验结果表明，该方法能将燃料电池功率波动控制在300 W/s以内，有效限制了燃料电池的功率波动并且延长了燃料电池的寿命。Ravey等[30]提出一种考虑退化过程的燃料电池电动汽车控制策略，将燃料电池的退化指数作为模糊逻辑控制器的输入，在3种情况下进行模拟，模拟结果如表3所示。

表3   3种场景下模糊逻辑控制器的模拟结果

Tab. 3  Simulation results of fuzzy logic controller in three scenarios

场景电池SOC状态燃料电池功率波动/W
燃料电池未退化0.7~0.8250
燃料电池退化率50%0.7~0.8700
失去部分电池，燃料电池退化率20%~0.7700

新窗口打开| 下载CSV


可以看出，在实际运行时，3种工况都可以维持稳定且良好的SOC状态，当燃料电池未退化时，其功率波动在250 W左右；但当退化或故障发生时，燃料电池可以超过效率点运行(此时有较大的功率波动，约700 W)，稳定了电池的SOC状态。

在实际情况中，基于燃料电池的混合动力系统面临着复杂的工作条件，当工作条件波动时，能量管理策略应做到快速调整，以确保系统运行的稳定性。模型预测控制(model predictive control，MPC)策略，可以很好地处理实际工况的不确定性，具有良好的动态控制能力与鲁棒性，其控制过程[31]如图6所示。因此，分析和预测工况对运行稳定、提高系统耐久性至关重要。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   MPC的控制过程

Fig. 6   Control process of MPC


Ma等[32]提出一种基于模型预测的多目标预测能量管理策略，并将速度预测和驾驶模式识别相结合。仿真结果表明，该EMS系统能将SOC维持在参考值附近，避免了频繁启动和负载快速变化引起的质子交换膜燃料电池退化，同时，获得了较好的燃油经济性能。

Derick等[33]提出了一种非线性模型预测控制(nonlinear model predictive control，NMPC)策略，与滞环控制、基于线性类型的广义预测控制(generalized predictive control，GPC)通过实验台进行测试比对。测试结果显示：3种控制策略都能有效地管理系统中的能量，维持SOC保持在预定的范围内，但是GPC(电流波动为0~50 A)、滞环控制(电流波动为0~40 A)相比NMPC(电流波动为0~20 A)呈现出更大的燃料电池(fuel cell，FC)电流波动。实验结果表明，基于燃料电池混合动力汽车的NMPC可以同时优化电池SOC波动、FC功率波动和FC效率，鲁棒性强、控制性能好。

对于控制稳定性，基于模糊逻辑的EMS和MPC两种策略鲁棒性强，可用于稳定电池SOC状态及燃料电池功率波动。

表4列出了基于模糊逻辑的EMS和MPC的优缺点及其应用。

表4   基于模糊逻辑的EMS和MPC比较

Tab. 4  Comparison of the fuzzy logic rule-based EMS and MPC-based EMS

具体控制策略优点缺点应用
基于模糊逻辑的EMS策略算法相对简单，不需精确的数学模型，具有较好的鲁棒性与自适应性模糊规则等需要根据经验来制定，无法保证全局最优恰当应用该控制策略，在燃料电池混动汽车运行平稳时，可限制燃料电池功率波动300 W以内，同时，使电池处于一个良好的SOC状态
MPC策略

鲁棒性强，稳定性好，

采用反馈校正和滚动优化

依赖工程经验，适应性不强，计算效率不高适用于实时应用场景，可优化电池SOC波动和燃料电池功率波动

新窗口打开| 下载CSV


除了上述控制策略之外，鲁棒控制策略也具有稳定性及可靠性高、鲁棒性强的特征，可以较好地对抗实际工况的不确定性的特性。但是鲁棒控制策略不能保证工作点的最优值，系统的稳定精度差，且普遍控制器的阶数偏高。

2.4 以燃油经济性为目标的能量管理策略

在实际行驶过程中，人们希望在保证动力性能的基础上，能够优化载运工具的燃油经济性能。等效燃油消耗最小能量管理策略(equivalent consumption minimization strategy，ECMS)可以按照最优化燃料经济性进行动力系统的分配，其核心思想是使燃料电池系统(fuel cell system，FCS)耗氢量和辅助能源等效耗氢量之和最小，其中等效因子(equivalent factor，EF)决定了电池的等效耗氢量，获得EF的一种常用方法[34]如图7所示。等效因子对辅助能源的等效耗氢量和瞬时总耗氢量有着显著影响，因此许多学者不断寻求求解等效因子的方法。等效燃油消耗最小的概念最早由Paganelli提出，目的是实现电能与燃油总消耗的最小化。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   离线获得EF因子流程图

Fig. 7   Flow chart of offline optimization equivalent factor


Li等[35]提出一种在线自适应等效燃油消耗最小的能源管理策略，根据燃料电池健康状态的变化调整等效系数和燃料电池动态电流变化率，该策略可降低氢消耗，同时，抑制燃料电池的退化。Lin等[36]开发出一种基于可变路径信息和预测所需功率的自适应ECMS，采用遗传算法对电场进行优化，并根据预测功率进一步优化电场的自适应规律，使得系统的耗氢量明显降低。通过实验验证，在100, 300, 500 km的行驶距离上，其氢消耗比基于规则的策略分别降低了45.76%、37.75%和37.19%。林歆悠等[37]提出一种里程自适应ECMS策略，通过仿真比对，与传统ECMS策略相比，在100, 150, 200 km的行驶距离上，氢消耗分别降低了8.75%、14.21%和16.63%，优化了插电式燃料电池汽车燃油经济性。

系统的控制目标是燃油经济性时，可采用逻辑门限值控制策略。一般来说，静态逻辑门限值控制策略以整车的燃油经济性为控制目标，通过门限值的设定，使发动机始终运行在高效区[38]。J. R. Bumby 和 I. Forster[39] 于1987年以节约能源和用电能取代石油燃料为运行目标，最先提出逻辑门限控制方法。

杨继斌等[40]以混合动力有轨电车为研究对象，提出一种利用多目标遗传算法进行参数优化的逻辑门限值控制策略，并在系统仿真模型中进行实验分析，结果表明，列车牵引能耗降低12.5%，再生制动能量回收提升14.5%，优化效果显著。

ECMS和逻辑门限控制策略都可以很好地优化系统的燃油经济性，但ECMS作为局部优化的EMS，难以实现全局最优。逻辑门限控制策略属于基于规则的EMS，虽控制简单，易于实现，但工况适应性差。表5列出了逻辑门限控制策略与ECMS的优缺点及应用。

表5   逻辑门限控制策略和ECMS优缺点

Tab. 5  Comparison of the logic threshold control strategy and ECMS-based EMS

控制策略优点缺点
ECMS最大限度地减少燃料消耗和维持电池SOC所需的等效消耗[41]难以保证全局最优
逻辑门限控制策略

控制过程简单，具有较强的实用性，控制运算效率较高，较好地

提高了燃油的经济性

控制逻辑复杂、波动大，对经验数据依赖性较大

新窗口打开| 下载CSV


近年来，国内外学者就不同的EMS对载运工具的燃油经济性进行优化。周健豪等[42]以燃料电池混合动力汽车作为研究对象，对模糊规则进行改进，并用改进的灰狼优化算法(improved gray wolf optimization，IGWO)优化模糊逻辑参数。在循环行驶工况下，将IGWO与3种模糊控制策略进行等效耗氢量比较，结果表明，基于IGWO优化的模糊控制策略可使等效耗氢量降低10%~70%。针对燃料电池混动系统，洪志湖等[43]提出一种基于PMP的EMS，并搭建相关系统进行仿真对比，结果表明，与ECMS相比，系统效率提高了2.6%，仿真时间内耗氢量至少减少1.16 g。赵治国等[44]采用MPC实时动态优化，针对燃料电池轿车进行2种工况下的仿真，并与实车控制策略进行比对，其总能耗较实车控制策略平均降低3.8%。

2.5 多目标优化控制的能量管理策略

基于学习的能量管理策略的运行结果接近实际情况最优解，适用于多目标优化控制问题。基于学习的能量管理策略主要分为神经网络和强化学习。基于神经网络的能量管理策略需要选择不同工况下的参数作为模型的输入，以最优功率分配作为模型的输出来训练神经网络。神经网络方法具有较强的自适应能力和自学习功能，适合解决复杂多变量问题的最优解求取问题。与基于神经网络的能量管理策略不同，即使数据量较少，基于强化学习的能量管理策略也可以直接从数据中学习到最优的能量管理策略。在能量管理中常用的强化学习算法有Q-learning、deep Q-network(DQN)、深度确定性策略梯度(deep deterministic policy gradient，DDPG)和双延迟深度确定性策略梯度(TD3)。

神经网络又称人工神经网络，由大量神经元(节点)通过一定的连接方式构成，是一种模仿人脑处理信息方式的复杂数学模型，具有学习、记忆和智能处理计算的功能[45]。基于神经网络的能量管理策略如图8[25]所示。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   基于神经网络的能量管理策略控制结构示意图

Fig. 8   Control structure diagram of EMS based on neural network


Li等[46]提出一种基于神经网络的等效因子预测器，该预测器可以根据不同的工况和车辆状态实时预测等效因子。据此设计出新的等效燃油消耗最小策略，仿真和实验结果表明，所设计的策略保证电池荷电状态处于较好的范围，节能效果比基于DP的EMS提高约3%，与传统的等效燃油消耗最小策略相比，在计算时间上节省了2~3个数量级。Song等[47]提出一种基于学习矢量量化(learning vector quantization，LVQ)神经网络算法的多模式EMS(MM_LVQ)，且在UDDS_40(美国城市道路循环工况)工况下，与经验值恒温器控制策略(TH_EXP)、遗传算法优化的恒温器控制策略(TH_OPT)、功率跟随策略(power following，PF) 3种能量策略进行仿真对比，如图9所示。结果表明：MM_LVQ模式下行驶距离最长，达52.7 km，较其余3种EMS增加了1.8~4.1 km；燃料电池效率为57%，较其余3种EMS提升了2%左右；经济性提高了8.44%，较其余3种EMS增加了4%~8%。车辆0~30 km/h的加速时间为9.3 s，能够满足车辆的动态要求。然而，神经网络方法的使用效果在很大程度上取决于数据量以及网络的深度和复杂性，一般来说，成功训练神经网络需要较长的时间。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   4种策略下行驶距离、经济性、FC效率对比图

Fig. 9   Comparison of driving distance, economy, and FC efficiency under four EMSs


Q-learning算法最早由Watkins等人于1989年提出。该算法的目标函数是使Q值最大化，即输出的每个动作都能获得最大的奖励。代理函数在初始化q表后从环境接收到一个随机状态S。然后代理函数根据S从q表中选择相应的动作A，通过A与环境交互，得到反馈信号r。

Reddy等[48]开发出一种基于Q-learning算法的能源管理策略，使Q-learning算法与车载混合动力系统仿真模型相交互，实现了自主学习。仿真结果表明，该控制策略可将SOC控制在0.7左右，减少了SOC的变化，改善了电池寿命，提高了控制稳定性，同时，也提升了氢燃料系统的效率，使燃油经济性得到一定提升。Tao等[49]提出一种基于改进Q-learning算法和遗传算法的模糊能量管理策略，将其与基于Q-learning算法的能量管理策略和自适应模糊管理策略进行对比。仿真结果表明，电流波动分别降低了6.9%和41.5%，氢消耗分别降低了0.35%和6.08%，同时，超级电容的SOC维持在一定范围内。虽然Q-learning算法的计算结果与最优解接近，且十分适用于多目标优化控制的优化问题，但其在计算电池荷电状态方面存在误差，同时，需要大量的数据进行学习，计算量也较大，一定程度上降低了系统的控制性能。

基于学习的EMS适宜多目标优化控制，上述2种基于学习的EMS学习能力强，但由于计算量大，需要大量数据及时间去训练神经网络或建立数据库，因此，应用受到一定限制。随着网络技术和算法的不断优化发展，基于学习的EMS将得到广泛的应用研究。表6列出了基于神经网络和Q-learning算法的EMS的优缺点及应用。

表6   基于神经网络和Q-learning算法的EMS的优缺点及应用

Tab.6  Advantages, disadvantages and applications of EMS based on neural network and Q-learning algorithm

具体控制策略优点缺点应用
基于神经网络的能量管理策略有较强的学习和自适应能力[47]

数据挖掘困难、耗时，成功训练神经

网络需要较长的时间

具有独特的非线性自适应信息处理能力，可用于解决

复杂多变量问题的最优解[50]

基于Q-learning的能量管理策略无模型，可实时自主学习最优策略[48]

创建数据库需要耗费大量时间，需要

复杂的人工智能知识

适用于系统模型位置、不准确或不断变化的应用[48]

新窗口打开| 下载CSV


3 挑战与发展趋势

虽然氢-电混合动力能量管理策略在近几年内已经得到了充分的发展，但是在实际应用时，仍然存在一些挑战：

1）实际应用能量管理策略时，环境条件复杂，工况并非一成不变，而现有技术难以实时获得实际工况，因此通过各种算法得到的最优解并非实时运行条件，故研究者们仍然需要付出较多的精力在实际工况的获取和实时传输上，以便于更好地发挥能量管理策略的应用优势。

2）混合动力系统的多个电源之间的相互影响并不能忽略，随着能量管理技术的不断发展，混合动力系统各部件的性能也被学者们考虑到能量管理策略中，如电池寿命、SOC充放电特性等，随着考虑因素、需求特性的增多，全局最优解的获取需要得到更多的关注。

3）目前单一的能源策略管理方法难以使系统的各方面性能都处于最优状态，因此需要多个方法协同控制，针对各种方法的系统控制需要持续研究。

4）能量管理策略在系统的全生命周期尺度上的有效性对于系统的安全性能具有重要意义，因此，能量管理策略系统需要协调不同阶段元件参数变化及外部场景变化，以便于系统能够健康、安全、长时间运行。

4 结论

燃料电池和储能装置组成的氢-电混动系统兼具了燃料电池低污染、能量密度高的优势和储能装置动态特性好、可回收能量的优势，是目前发展前景良好的供能系统。对于该系统的能量管理问题，从快速控制、控制稳定性、燃油经济性、多目标优化控制等控制目标出发，对适用的能量管理控制策略进行了分析，得出以下结论：

1）对于快速控制，基于确定规则的EMS计算效率高，有利于实现实时控制。基于PMP的EMS较基于DP的EMS增加了一个状态变量，在全局优化系统的同时，可较好地实现快速控制。

2）对于控制稳定性，可采用基于模糊逻辑的EMS和MPC，两者都具有较强的鲁棒性，可维持系统运行的稳定性。

3）对于燃油经济性，可采用ECMS和逻辑门限控制策略，两者都可以优化燃油经济性。

4）对于多目标优化控制，可采用基于学习的EMS，其学习能力强，适宜处理多目标优化问题，但是数据挖掘问题和计算问题仍有待完善。

参考文献

郭扬 ．

世界视域下新能源替代化石能源的驱动效应

[J]．中国人口⋅资源与环境，2022，32(5)：14-22．

[本文引用: 1]

GUO Y ．

Driving effects of alternative new energy sources for fossil fuels in the context of the world

[J]．China Population Resources and Environment，2022，32(5)：14-22．

[本文引用: 1]

邹才能，赵群，张国生，等 ．

能源革命：从化石能源到新能源

[J]．天然气工业，2016，36(1)：1-10． doi:10.1016/j.ngib.2016.02.001

[本文引用: 1]

ZOU C N， ZHAO Q， ZHANG G S，et al ．

Energy revolution： from a fossil energy era to new energy era

[J]．Natural Gas Industry，2016，36(1)：1-10． doi:10.1016/j.ngib.2016.02.001

[本文引用: 1]

凌文，李全生，张凯 ．

我国氢能产业发展战略研究

[J]．中国工程科学，2022，24(3)：80-88． doi:10.15302/j-sscae-2022.03.009

[本文引用: 1]

LING W， LI Q S， ZHANG K ．

Development strategy of hydrogen energy industry in China

[J]．Strategic Study of CAE，2022，24(3)：80-88． doi:10.15302/j-sscae-2022.03.009

[本文引用: 1]

朱凯，张艳红 ．

“双碳”形势下电力行业氢能应用研究

[J]．发电技术，2022，43(1)：65-72． doi:10.12096/j.2096-4528.pgt.21098

ZHU K， ZHANG Y H ．

Research on application of hydrogen in power industry under “double carbon” circumstance

[J]．Power Generation Technology，2022，43(1)：65-72． doi:10.12096/j.2096-4528.pgt.21098

雷超，李韬 ．

碳中和背景下氢能利用关键技术及发展现状

[J]．发电技术，2021，42(2)：207-217． doi:10.12096/j.2096-4528.pgt.20015

[本文引用: 1]

LEI C， LI T ．

Key technologies and development status of hydrogen energy utilization under the background of carbon neutrality

[J]．Power Generation Technology，2021，42(2)：207-217． doi:10.12096/j.2096-4528.pgt.20015

[本文引用: 1]

杨馥源，田雪沁，徐彤，等 ．

面向碳中和电力系统转型的电氢枢纽灵活性应用

[J]．电力建设，2021，42(8)：110-117． doi:10.12204/j.issn.1000-7229.2021.08.013

[本文引用: 1]

YANG F Y， TIAN X Q， XU T，et al ．

Flexibility of electro-hydrogen hub for power system transformation under the goal of carbon neutrality

[J]．Electric Power Construction，2021，42(8)：110-117． doi:10.12204/j.issn.1000-7229.2021.08.013

[本文引用: 1]

李荦一，韩莹，李奇，等 ．

计及效率特性的电-氢混合储能直流微网经济下垂控制策略

[J]．电力系统保护与控制，2022，50(7)：69-80．

LI L Y， HAN Y， LI Q，et al ．

Economic droop control strategy of a hybrid electric-hydrogen DC microgrid considering efficiency characteristics

[J]．Power System Protection and Control，2022，50(7)：69-80．

希望∙阿不都瓦依提，吕海鹏，晁勤 ．

基于非合作博弈的风-光-氢微电网容量优化配置

[J]．电力工程技术，2022，41(2)：110-118．

XIWANG A， LÜ H P， CHAO Q，et al ．

Optimal capacity configuration of wind-photovoltaic-hydrogen microgrid based on non-cooperative game theory

[J]．Electric Power Engineering Technology，2022，41(2)：110-118．

顾玖，王晨磊，解大 ．

电力市场环境下的电-氢一体化站优化运行

[J]．电力科学与技术学报，2022，37(1)：130-139．

GU J， WANG C L， XIE D ．

Research on optimal operation of electricity-hydrogen integrated station in electricity market environment

[J]．Journal of Electric Power Science and Technology，2022，37(1)：130-139．

吴景霞，索金琳 ．

基于改进DEC算法的风光氢系统容量配置

[J]．电网与清洁能源，2022，38(11)：98-106． doi:10.3969/j.issn.1674-3814.2022.11.012

[本文引用: 1]

WU J X， SUO J L ．

Capacity configuration of wind-solar combined power generation system coupled with hydrogen energy storage based on improved DEC algorithm

[J]．Power System and Clean Energy，2022，38(11)：98-106． doi:10.3969/j.issn.1674-3814.2022.11.012

[本文引用: 1]

施涛，马海艳，高山 ．

燃料电池发电技术介绍

[J]．江苏电机工程，2006，25(4)：82-84．

[本文引用: 1]

SHI T， MA H Y， GAO S ．

Introduction of the fuel cell power generation technology development

[J]．Jiangsu Electrical Engineering，2006，25(4)：82-84．

[本文引用: 1]

孙媛媛，屈树国，李建隆 ．

质子交换膜燃料电池用磺化聚醚醚酮膜的研究进展

[J]．化工进展，2016，35(9)：2850-2860．

[本文引用: 1]

SUN Y Y， QU S G， LI J L ．

Research progress of the sulfonated polys (ether ether ketone) membranes for proton exchange membrane fuel cell

[J]．Chemical Industry and Engineering Progress，2016，35(9)：2850-2860．

[本文引用: 1]

何艺，郑洋，靳晓勤，等 ．

锂离子电池替代铅蓄电池的环境风险对比分析与思考

[J]．环境保护科学，2017，43(5)：115-119．

[本文引用: 1]

HE Y， ZHENG Y， JIN X Q，et al ．

Comparative analysis and thought of environmental risks of lithium ion batteries substituting for lead-acid battery

[J]．Environmental Protection Science，2017，43(5)：115-119．

[本文引用: 1]

陈雪丹，陈硕翼，乔志军，等 ．

超级电容器的应用

[J]．储能科学与技术，2016，5(6)：799-805．

[本文引用: 1]

CHEN X D， CHEN S Y， QIAO Z J，et al ．

Applications of supercapacitors

[J]．Energy Storage Science and Technology，2016，5(6)：799-805．

[本文引用: 1]

张磊，谢南宏，曹田田，等 ．

氢能在交通领域的应用及燃料电池汽车成本分析

[J]．石油石化绿色低碳，2022，7(4)：1-5． doi:10.3969/j.issn.2095-0942.2022.04.001

[本文引用: 1]

ZHANG L， XIE N H， CAO T T，et al ．

Application of hydrogen energy in transportation and cost analysis of fuel cell vehicles

[J]．Petroleum & Petrochemical Green and Low Carbon，2022，7(4)：1-5． doi:10.3969/j.issn.2095-0942.2022.04.001

[本文引用: 1]

况新亮，刘垂祥，熊朋 ．

锂离子电池产业分析及市场展望

[J]．无机盐工业，2022，54(8)：12-19．

[本文引用: 1]

KUANG X L， LIU C X， XIONG P ．

Industry analysis and market prospect of lithium ion battery

[J]．Inorganic Chemicals Industry，2022，54(8)：12-19．

[本文引用: 1]

YU P L， LI M， WANG Y J，et al ．

Fuel cell hybrid electric vehicles：a review of topologies and energy management strategies

[J]．World Electric Vehicle Journal，2022，54(8)：12-19．

[本文引用: 1]

何洪文，孟祥飞 ．

混合动力电动汽车能量管理技术研究综述

[J]．北京理工大学学报，2022，42(8)：773-783．

[本文引用: 1]

HE H W， MENG X F ．

A review on energy management technology for hybrid electric vehicles

[J]．Journal of Beijing Institute of Technology，2022，42(8)：773-783．

[本文引用: 1]

LIU Y G， LIU J J， QIN D T，et al ．

Online energy management strategy of fuel cell hybrid electric vehicles based on rule learning

[J]．Journal of Cleaner Production，2020，260(C)：121017． doi:10.1016/j.jclepro.2020.121017

[本文引用: 1]

XU L F， OUYANG M G， LI J Q，et al ．

Application of Pontryagin’s minimal principle to the energy management strategy of plugin fuel cell electric vehicles

[J]．International Journal of Hydrogen Energy，2013，38(24)：10104-10115． doi:10.1016/j.ijhydene.2013.05.125

[本文引用: 1]

ZHU Y Z， LI X Y， LIU Q，et al ．

Review article：a comprehensive review of energy management strategies for hybrid electric vehicles

[J]．Mechanical Sciences，2022，13(1)：147-188． doi:10.5194/ms-13-147-2022

[本文引用: 1]

孙志远，吴景铼，张农，等 ．

燃料电池混合动力客车自适应能量管理策略

[J]．重庆理工大学学报(自然科学)，2022，36(5)：53-61．

[本文引用: 1]

SUN Z Y， WU J L， ZHANG N，et al ．

Adaptive energy management strategy for fuel cell hybrid electric bus

[J]．Journal of Chongqing University of Technology (Natural Science)，2022，36(5)：53-61．

[本文引用: 1]

ZHENG C H， XU G Q， PARK Y I，W，et al ．

Comparison of PMP and DP in fuel cell hybrid vehicles

[J]．International Journal of Automotive Technology，2014，15(1)：117-123． doi:10.1007/s12239-014-0013-y

[本文引用: 1]

孟翔，李奇，陈维荣，等 ．

基于庞特里亚金极小值原理满意优化的燃料电池混合动力系统分层能量管理方法

[J]．中国电机工程学报，2019，39(3)：782-792．

[本文引用: 1]

MENG X， LI Q， CHEN W R，et al ．

An energy management method based on Pontryagin minimum principle satisfactory optimization for fuel cell hybrid systems

[J]．Proceedings of the CSEE，2019，39(3)：782-792．

[本文引用: 1]

STEPHAN U， NIKOLCE M， CONNY T，et al ．

Optimal energy management and velocity control of hybrid electric vehicles

[J]．IEEE Transactions on Vehicular Technology，2018，67(1)：327-337． doi:10.1109/tvt.2017.2727680

[本文引用: 2]

张瑞轩，黄晨，王猛猛 ．

混合动力汽车能量管理策略研究现状与发展趋势

[J]．林业机械与木工设备，2022，50(10)：50-55．

[本文引用: 1]

ZHANG R X， HUANG C， WANG M M ．

Research status and development trend of energy management strategies for hybrid electric vehicles

[J]．Forestry Machinery & Woodworking Equipment，2022，50(10)：50-55．

[本文引用: 1]

张曙，郑婕 ．

模糊控制

[J]．硅谷，2012(6)：173．

[本文引用: 1]

ZHANG S， ZHENG J ．

Fuzzy control

[J]．Silicon Valley，2012(6)：173．

[本文引用: 1]

周圣哲，崔强，张懋源，等 ．

燃料电池汽车能量管理系统运用复合模糊逻辑控制的研究

[J]．发电技术，2018，39(6)：554-560． doi:10.12096/j.2096-4528.pgt.18157

[本文引用: 1]

ZHOU S Z， CUI Q， ZHANG M Y，et al ．

Study on management of fuel cell vehicle energy system using hybrid fuzzy logic controller

[J]．Power Generation Technology，2018，39(6)：554-560． doi:10.12096/j.2096-4528.pgt.18157

[本文引用: 1]

FU Z M， ZHU L L， TAO F Z，et al ．

Optimization based energy management strategy for fuel cell/battery/ultracapacitor hybrid vehicle considering fuel economy and fuel cell lifespan

[J]．International Journal of Hydrogen Energy，2018，39(6)：554-560．

[本文引用: 1]

RAVEY A， MOHAMMADI A， BOUQUAIN D ．

Control strategy of fuel cell electric vehicle including degradation process

[C]//IECON 2015-41st Annual Conference of the IEEE Industrial Electronics Society．Yokohama，Japan：IEEE，2015：3508-3513． doi:10.1109/iecon.2015.7392644

[本文引用: 1]

LÜ X Q， LI S W， HE X G，et al ．

Hybrid electric vehicles：a review of energy management strategies based on model predictive control

[J]．Journal of Energy Storage，2022，56：106112． doi:10.1016/j.est.2022.106112

[本文引用: 1]

MA Y， LI C， WANG S Y ．

Multi-objective energy management strategy for fuel cell hybrid electric vehicle based on stochastic model predictive control

[J]．ISA Transactions，2022，131：178-196． doi:10.1016/j.isatra.2022.04.045

[本文引用: 1]

DERICK F P， FRANCISCO D C L， EDSON H W ．

Nonlinear model predictive control for the energy management of fuel cell hybrid electric vehicles in real time

[J]．IEEE Transactions on Industrial Electronics，2021，68(4)：3213-3223． doi:10.1109/tie.2020.2979528

[本文引用: 1]

ZHAO X L， WANG L， ZHOU Y L，et al ．

Energy management strategies for fuel cell hybrid electric vehicles：classification，comparison，and outlook

[J]．Energy Conversion and Management，2022，270：116179． doi:10.1016/j.enconman.2022.116179

[本文引用: 1]

LI H， ALEXANDRE R， ABDOUL N，et al ．

Online adaptive equivalent consumption minimization strategy for fuel cell hybrid electric vehicle considering power sources degradation

[J]．Energy Conversion and Management，2019，192：133-149． doi:10.1016/j.enconman.2019.03.090

[本文引用: 1]

LIN X Y， XIA Y T， HUANG W，et al ．

Trip distance adaptive power prediction control strategy optimization for a plug-in fuel cell electric vehicle

[J]．Energy，2021，224：120232． doi:10.1016/j.energy.2021.120232

[本文引用: 1]

林歆悠，夏玉田，李雪凡，等 ．

燃料电池汽车行驶里程自适应ECMS策略

[J]．汽车工程，2019，41(7)：750-756．

[本文引用: 1]

LIN X Y， XIA Y T， LI X F，et al ．

Equivalent consumption minimization strategy adaptive to various driving ranges for fuel cell vehicles

[J]．Automotive Engineering，2019，41(7)：750-756．

[本文引用: 1]

景远，焦晓红 ．

基于交通信息和模型预测控制的混合动力汽车能量管理策略综述

[J]．燕山大学学报，2019，43(4)：319-330． doi:10.3969/j.issn.1007-791X.2019.04.006

[本文引用: 1]

JING Y， JIAO X H ．

Review on energy management strategies for hybrid electric vehicles based on traffic information and model predictive control

[J]．Journal of Yanshan University，2019，43(4)：319-330． doi:10.3969/j.issn.1007-791X.2019.04.006

[本文引用: 1]

BUMBY J R， FORSTER I ．

Optimisation and control of a hybrid electric car

[J]．IEEE Proceedings of Control Theory and Applications，1987，134(6)：373． doi:10.1049/ip-d.1987.0060

[本文引用: 1]

杨继斌，徐晓惠，张继业，等 ．

燃料电池有轨电车能量管理策略多目标优化

[J]．机械工程学报，2018，54(22)：153-159． doi:10.3901/jme.2018.22.153

[本文引用: 1]

YANG J B， XU X H， ZHANG J Y，et al ．

Multi-objective optimization of energy management strategy for fuel cell tram

[J]．Journal of Mechanical Engineering，2018，54(22)：153-159． doi:10.3901/jme.2018.22.153

[本文引用: 1]

SORLEI I， BIZON N， THOUNTHONG P，et al ．

Fuel cell electric vehicles：a brief review of current topologies and energy management strategies

[J]．Energies，2021，14(1)：252． doi:10.3390/en14010252

[本文引用: 1]

周健豪，顾诚，刘军，等 ．

基于IGWO的燃料电池汽车模糊控制能量管理策略

[J]．重庆理工大学学报(自然科学版)，2021，35(5)：33-41．

[本文引用: 1]

ZHOU J H， GU C， LIU J，et al ．

Energy management strategy for a fuel cell hybrid electric vehicle based on fuzzy logic and improved grey wolf optimization

[J]．Journal of Chongqing University of Technology (Natural Science Edition)，2021，35(5)：33-41．

[本文引用: 1]

洪志湖，李奇，陈维荣 ．

基于PMP的机车用燃料电池混合动力系统能量管理策略

[J]．中国电机工程学报，2019，39(13)：3867-3879．

[本文引用: 1]

HONG Z H， LI Q， CHEN W R ．

An energy management strategy based on PMP for the fuel cell hybrid system of locomotive

[J]．Proceedings of the CSEE，2019，39(13)：3867-3879．

[本文引用: 1]

赵治国，沈沛鸿，郏怡颖，等 ．

燃料电池轿车模型预测实时优化控制

[J]．同济大学学报(自然科学版)，2018，46(5)：648-657．

[本文引用: 1]

ZHAO Z G， SHEN P H， JIA Y Y，et al ．

Model predictive real-time optimal control of fuel cell car

[J]．Journal of Tongji University (Natural Science Edition)，2018，46(5)：648-657．

[本文引用: 1]

李友坤 ．

BP神经网络的研究分析及改进应用

[D]．淮南：安徽理工大学，2012． doi:10.1109/isra.2012.6219275

[本文引用: 1]

LI Y K ．

Analysis and improvement applications of BP neural network

[D]．Huainan：Anhui University of Science and Technology，2012． doi:10.1109/isra.2012.6219275

[本文引用: 1]

LI C， HU G D， ZHU Z W，et al ．

Adaptive equivalent consumption minimization strategy and its fast implementation of energy management for fuel cell electric vehicles

[J]．International Journal of Energy Research，2022，46(11)：16005-16018． doi:10.1002/er.8296

[本文引用: 1]

SONG K， LI F Q， HU X，et al ．

Multi-mode energy management strategy for fuel cell electric vehicles based on driving pattern identification using learning vector quantization neural network algorithm

[J]．Journal of Power Sources，2018，389：230-239． doi:10.1016/j.jpowsour.2018.04.024

[本文引用: 2]

REDDY N P， DAVID P， MEHDI K，Z，et al ．

An intelligent power and energy management system for fuel cell/battery hybrid electric vehicle using reinforcement Learning

[C]//2019 IEEE Transportation Electrification Conference and Expo (ITEC)．Jeju，Korea：IEEE，2019：1-6． doi:10.1109/itec.2019.8790451

[本文引用: 3]

TAO J L， ZHANG R D， QIAO Z J，et al ．

Q-learning-based fuzzy energy management for fuel cell/supercapacitor HEV

[J]．Transactions of the Institute of Measurement and Control，2022，44(10)：1939-1949． doi:10.1177/01423312211069488

[本文引用: 1]

AHMED M A， MOSTAFA I Y ．

Optimal predictive power management strategy for fuel cell electric vehicles using neural networks in real-time

[C]//2020 IEEE Vehicle Power and Propulsion Conference (VPPC)．Gijón，Spain：IEEE，2020：1-6． doi:10.1109/vppc49601.2020.9330931

[本文引用: 1]