基于分数阶SMC和RL-TD3智能体混合控制与白鲸优化算法的PEMFC电动汽车动力总成快速控制原型

《International Journal of Hydrogen Energy》：Rapid control prototyping for PEMFC electrical vehicle powertrain based on fractional order SMC and RL-TD3 agent hybrid control with beluga whale optimization algorithm

　　

全球向可持续能源系统的转型需要先进技术来实现交通运输相关排放的大幅削减。质子交换膜燃料电池（PEMFC）驱动的电动汽车代表了一种有前景的路径；然而，其运行性能高度依赖于维持稳定的直流（DC）母线电压，而这一电压受到燃料电池堆非线性电化学行为以及快速、不可预测的负载波动的固有挑战。在此背景下，本文提出了一种用于PEMFC驱动的DC-DC升压变换器的新型控制架构，重点在于增强动态运行条件下的鲁棒性和效率。研究人员给出了PEMFC堆、DC-DC变换器以及完整推进链（包括电动汽车基准平台）的数学模型和Simulink实现。对用于维持中间直流母线恒定电压的几种控制范式进行了比较分析，包括比例积分（PI）、分数阶（FO）PI、滑模控制（SMC）和分数阶滑模控制（FOSMC）。研究还展示了FOSMC控制器的稳定性和鲁棒性，该控制器在分析的所有控制器中提供了最佳结果。此外，研究人员引入、设计、训练、测试并实现了一种将基线FOSMC控制器与机器学习组件相结合的先进方案，该组件作为强化学习双延迟深度确定性策略梯度（RL-TD3）智能体，提供实时的自适应校正。控制器的调谐参数采用白鲸优化（BWO）元启发式算法进行优化。软件在环（SIL）结果表明，经RL-TD3智能体增强的FOSMC控制器具有优越性，对参数变化和负载扰动均表现出鲁棒性。在硬件在环（HIL）阶段，从Matlab/Simulink基准模型出发，进一步验证了通过直流母线供电的PEMFC驱动电动汽车的推进链，包括在指定参考值下实现自动速度调节控制。该配置利用OPAL-RT OP4512实时平台实现了快速控制原型（RCP）。

**论文解读**

**研究背景**
全球能源转型要求交通运输领域大幅降低排放，质子交换膜燃料电池（PEMFC）驱动的电动汽车因其零尾气排放、快速加氢和长续航等优势成为重要发展方向。然而，PEMFC堆的非线性电压-电流特性以及快速、不可预测的负载波动给直流母线电压的稳定维持带来严峻挑战。直流母线电压的稳定是后续电机驱动和系统可靠运行的关键前提。现有研究在DC-DC升压变换器控制中采用了比例积分（PI）、分数阶PI（FOPI）、滑模控制（SMC）等方法，但这些方法在参数鲁棒性和负载扰动抑制方面仍有不足。因此，有必要开发更先进的控制架构，以同时提升动态响应速度、稳态精度和抗干扰能力。

**研究内容与结论**
研究人员针对PEMFC驱动的电动汽车动力总成，提出了一种基于分数阶滑模控制（FOSMC）与强化学习双延迟深度确定性策略梯度（RL-TD3）智能体混合控制的新架构，并采用白鲸优化（BWO）算法对控制器参数进行优化。通过软件在环（SIL）和硬件在环（HIL）两阶段验证，研究得出以下结论：FOSMC控制器在调节直流母线电压时，在调节时间、超调量、稳态误差和电压纹波等方面均优于PI、FOPI和整数阶SMC控制器；引入RL-TD3智能体后，FOSMC的鲁棒性进一步增强，能够有效应对PEMFC进气参数（燃料和空气流量、压力）的变动以及负载功率的±25%波动；在HIL阶段，基于OPAL-RT OP4512实时平台实现了快速控制原型（RCP），验证了手动驾驶和自动定速巡航两种模式下的整车控制性能，自动模式下速度稳态误差可忽略不计。该论文发表在《International Journal of Hydrogen Energy》。

**主要技术方法**
研究人员采用了以下关键技术与方法：
1. **分数阶滑模控制（FOSMC）**：基于Caputo分数阶微积分定义设计分数阶滑模面，推导控制律并利用Lyapunov函数证明稳定性。
2. **强化学习RL-TD3智能体**：采用演员-评论家架构的深度强化学习算法，以直流母线电压误差和上一步动作值定义奖励函数，训练后与FOSMC控制器并联提供实时校正信号。
3. **白鲸优化（BWO）算法**：模拟白鲸捕食行为的元启发式算法，用于优化PI、FOPI、SMC和FOSMC控制器的调谐参数，以最小化误差积分准则。
4. **软件在环（SIL）与硬件在环（HIL）验证**：在Matlab/Simulink环境下进行SIL仿真；采用OPAL-RT OP4512实时平台（Intel Xeon四核处理器、Xilinx Kintex-7 410T FPGA）进行HIL实验，实现RCP。
5. **电动汽车基准模型**：采用基于17个PEMFC堆并联的100kW动力总成，驱动永磁同步电机（PMSM），包含单速变速箱和差速器。锂离子缓冲电池参数设定为标称电压288V、容量13.9Ah。

**研究结果**

**3.1 DC-DC升压变换器控制数值仿真——SIL阶段第一场景**
针对燃料流量（FR_air、FR_fuel）的长时间和短时间变化，研究人员比较了PI、FOPI、SMC、FOSMC以及FOSMC+RL-TD3五种控制器的性能。通过稳态误差、调节时间、超调和直流母线电压纹波等指标（表2、表3），以及分形维数（FD）分析，发现FOSMC+RL-TD3控制器在各项指标上均最优：调节时间0.0078s，无超调，稳态误差<0.02%，电压纹波41.77V，FD值0.97698。进一步对负载功率施加25%变化时，该控制器仍能将直流母线电压稳态误差保持在0.02%以内。

**3.2 DC-DC升压变换器控制数值仿真——SIL阶段第二场景**
针对燃料和空气压力（P_air、P_fuel）的变化，研究人员重复了相同对比。结果（表4、图31）再次证实FOSMC+RL-TD3控制器性能最佳，调节时间0.0079s，无超调，稳态误差<0.02%。在25%负载功率扰动下，直流母线电压保持恒定（误差<0.02%）。此外，PEMFC堆的塔菲尔斜率约0.024mV/dec，效率约59%，能斯特电压约1.2V，表明电化学反应动力学良好。

**4. HIL阶段电动汽车驾驶测试**
在HIL阶段，研究人员利用OPAL-RT OP4512平台实现了两种驾驶模式。手动驾驶模式下，给定加速度参考序列[0.7, 0.25, 0.85, -0.7] m/s2，PMSM的电磁转矩和车速能够跟踪加速度指令，但车速出现纹波和稳态误差，符合转矩控制特性。自动驾驶模式下，设定车速参考（如50 km/h），速度控制系统实现零稳态误差和可忽略的纹波；DC-DC变换器电流和电池SOC曲线显示能量传递平稳，验证了从PEMFC堆到DC-DC变换器再到PMSM及机械传动系统的协同控制。

**总结与结论**
讨论部分指出，FOSMC控制器通过分数阶微积分引入额外设计自由度，提升了直流母线电压的控制品质；RL-TD3智能体通过在线学习提供自适应补偿，进一步增强了系统对参数摄动和负载扰动的鲁棒性。BWO算法有效优化了控制器参数，避免了手动调参的局限性。HIL阶段的RCP实现证明了该方案在实际平台上的可行性和开发效率优势。
研究结论部分翻译如下：本文对以PEMFC堆为主要能源的电动汽车中的控制系统性能进行了比较研究。给出了PEMFC堆及其控制系统的数学模型和Simulink实现。详细阐述了DC-DC升压变换器的数学模型和Simulink实现。针对中间直流回路直流母线电压v_DC控制系统，比较分析了基于PI、FOPI、SMC、FOSMC以及FOSMC+RL-TD3智能体的DC-DC升压变换器控制系统的结构和性能。研究还展示了FOSMC控制器的稳定性和鲁棒性，该控制器在分析的所有控制器中提供了最佳结果。控制器参数采用BWO元启发式算法进行调谐，而使用RL-TD3智能体与FOSMC控制器并联提供补充校正，使控制系统兼具参数鲁棒性和负载变化鲁棒性。PI、FOPI、SMC与FOSMC策略之间的比较分析表明，FOSMC控制方法在调节时间、超调抑制和直流母线纹波电压降低方面具有优越性能。RL-TD3强化学习智能体的集成使得控制系统性能得到进一步提升，有助于增强对燃料电池和负载参数变化的鲁棒性。在SIL阶段进行了演示，而在HIL阶段，基于包含手动驾驶的Simulink基准模型，额外实现了自动驾驶控制。因此，HIL阶段最终实现了可被充分利用的RCP，具备其固有的技术和经济优势，包括时间效率。未来工作将集中于考虑大量调谐参数的最优控制结构实现。