通过SFR信号处理框架提高燃料电池电动公交车的可实现效率及运行耐用性

《International Journal of Hydrogen Energy》：Enhancing realizable efficiency and operational durability of fuel cell electric buses via SFR signal handling framework

　　金基巴克（Kiback Eom）| 杨东浩（Dongho Yang）| 金镇硕（Jinseok Kim）| 申亨宇（Hyeong Woo Sim）| 金敏载（Minjae Kim） 韩国永仁市永进17058，明知大学机械工程系 **摘要** 许多能源管理策略（EMSs）忽视或简化了燃料电池的动态响应延迟，导致在将理想功率指令应用于实际系统时出现结构不匹配。这种不匹配会导致跟踪误差、效率损失以及在低效率区域运行。本研究提出了一种称为SFR的信号级预处理框架，可以在不修改EMS公式或燃料电池模型的情况下减轻这种不匹配。SFR通过平滑处理、填充和去除不必要的数据来重构理想功率指令，并作为EMS输出与物理燃料电池系统之间的信号级接口。通过包含燃料电池响应延迟的前向仿真验证了其有效性。结果表明，应用SFR可以减少跟踪误差，抑制不必要的电池补偿，并将平均燃料效率提高1.72%。功率波动强度的降低和怠速转换的改善表明运行稳定性得到了提升。该框架为理想EMS输出与实际燃料电池系统行为之间提供了一个实用且不受方法限制的接口。 **引言** 减少交通运输领域的碳排放已成为一个关键的全球性挑战。近年来，根据国际能源署和国际清洁交通委员会等组织的报告，通过国际倡议和国家政策努力，排放减少目标和车辆法规得到了加强。为了应对这些法规，电气化已成为实现公共交通领域零排放运营的关键途径，特别是电动公交车的推广[[1], [2], [3]]。 燃料电池电动汽车（FCEVs）具有长续航里程、短加注时间和零尾气排放等优点[4]。然而，由于高昂的燃料成本和不足的加注基础设施，其广泛应用仍然受到限制[5]。尽管FCEVs中的燃料电池堆栈效率已提高到约60%，但高系统成本和耐久性限制仍然是商业化的主要障碍[6,7]。为了解决这些问题，人们设定了提高堆栈效率和服务寿命的目标，同时降低单位功率输出的成本[8,9]。实现这些目标不仅需要燃料电池硬件的进步，还需要实用的能源管理策略（EMSs），以提高实际效率并确保在真实驾驶条件下的可靠车辆运行。 EMSs通过优化分配燃料电池和电池等主要和辅助能源之间的功率，在提高燃油经济性和系统寿命方面发挥着重要作用[10]。在各种方法中，动态规划（DP）被广泛用作基准，因为它可以为燃料电池消耗提供全局最优解。先前的研究报道了使用基于DP的能源管理可以提高燃料效率，并提出了减少其计算负担的方法[11,12]。然而，DP依赖于基于反向模型的公式。基于反向模型的DP通过假设理想系统行为并忽略或简化瞬态动态来简化优化问题[13]。相比之下，基于前向模型的车辆模型考虑了车辆惯性、执行器动态和瞬态响应特性，而这些在基于反向模型的仿真中被简化或忽略了。因此，这种结构不匹配可能导致理论上的最佳EMS性能与实际车辆模型或现实世界系统中的性能之间存在显著差异[14]。 为了解决这种结构不匹配，一些研究在EMS设计中考虑了燃料电池的动态响应特性和物理约束。研究表明，有限的燃料电池响应速度和离散的工作点会增加氢气消耗[15]。基于这一观察，以控制为导向的方法使用辅助能源存储系统来补偿瞬态功率不匹配，并通过频率分离概念分配高频负载变化[16,17]。其他研究通过限制燃料电池功率变化或根据退化和运行条件自适应更新物理限制，直接将燃料电池的动态限制纳入优化问题中[18,19]。 最近，基于学习和自适应的EMS框架被探索用于在不确定的驾驶条件下提高鲁棒性。一项研究引入了一种集成的预测EMS，它在可微分的端到端框架内统一了速度预测和能源管理[20]。在该方法中，燃料电池功率变化的惩罚被纳入损失函数中，从而间接反映了动态响应限制。类似地，基于元启发式优化的自适应ECMS框架在强制执行对燃料电池功率和摆角的硬性约束的同时更新了等效因子，限制了物理上不可行的瞬态[21]。此外，综述研究指出，缓慢的瞬态响应、电压降和耐久性问题仍然是需要在注重健康设计的EMS中考虑的关键物理约束[22]。 2025年至2026年的最新研究进一步扩展了EMS框架的范围，以增强适应性和多目标优化。基于学习的方法得到了积极探索。例如，基于强化学习的EMS整合了动态外部因素（如乘客引起的负载变化），以在多样化环境中提高运行鲁棒性[23]。此外，模仿学习被用于实时实施基于DP的最优策略，旨在在保持高效率的同时减少计算开销[24]。除了基于学习的方法外，还开发了基于预测的策略，如自学习马尔可夫算法，用于在随机条件下进行在线模型调整[25]。分层公式也被用来解决燃油经济性和组件耐久性之间的权衡[26]。虽然这些框架提高了控制最优性，但确保优化指令在信号层面的可实现性仍然是一个挑战。特别是，理想化功率参考值与燃料电池系统固有的响应延迟之间的差异可能导致实际应用中的跟踪误差和低效的瞬态运行。 尽管取得了这些进展，大多数现有研究都是通过修改EMS结构、目标函数或约束公式来处理燃料电池响应延迟的。从基于反向模型或准静态优化框架（如DP）中得出的功率指令本质上反映了理想化的假设。因此，这些指令通常包含突然的功率转换、短暂的间歇段和零功率间隔。在代表实际车辆运行条件的情况下，这些信号特性的影响受到了相对较少的关注。 当将这些理想功率指令信号应用于考虑燃料电池响应延迟的模型时，指令功率输出和实际功率输出之间可能会出现差异。这些差异可能导致非预期的运行区域和系统效率降低。在假设瞬时功率变化的仿真环境中，这些效应很难识别。