原文传递
基于深度强化学习的燃料电池空气供给控制研究
| 论文题名： | 基于深度强化学习的燃料电池空气供给控制研究 |
| 关键词： | 燃料电池;新能源汽车;空气供给控制;深度强化学习;功率需求 |
| 摘要： | 燃料电池因其转化效率高、工作温度低、污染排放极低、噪声低等优点，是未来新能源汽车的首选动力源之一。但燃料电池需要维持阴、阳极气体压力平衡，受温度影响大，具动态响应慢。因此，燃料电池供气控制一直是国内外学者研究的热点。 本文以燃料电池空气供给系统控制为研究内容，根据燃料电池的模型特点对空气供给系统的控制框架进行了改良：引入强化学习理论，通过深度强化学习算法实现空气供给系统与热管理系统的耦合控制；通过超级电容对燃料电池的功率补偿，实现融合能量管理与空气供给的耦合控制。 首先，对燃料电池的空气供给子系统、功率输出系统以及热管理系统进行数学建模。然后对燃料电池的控制目标进行了定义，并给出了传统控制方法的控制效果。 其次，结合燃料电池模型的特点，根据无模型控制器与基于模型的控制器的侧重点，设计了一种不同模型预测控制与PI串联的控制器，并采用模糊逻辑提升PI控制器的工况适应性。结果表明：在固定氧过量系数与最优氧过量系数两种控制目标下，串级控制器的响应时间及参考轨迹跟踪能力都要远远强于传统控制器。 然后，考虑温度与空气供给的相互耦合作用关系，通过深度确定性策略梯度算法对空气供给控制回路和温度控制回路的耦合控制问题进行解耦。结果表明：在考虑燃料电池内部气体压力与温度的相互影响关系后，氧过量系数的控制效果更加平稳，超调量更小，而功率需求突变后温度控制的响应时间更快。 最后，考虑到传统能量管理方式的不足，提出燃料电池并联超级电容进行二次能量分配的控制策略，并采用深度确定性策略梯度算法作为该控制策略与空气供给控制的耦合器，结果表明：在超级电容的功率补偿作用下，燃料电池的氧过量系数变化率大幅降低，更加贴近参考氧过量系数，且超级电容的SOC能维持在正常工作范围内。 |
| 作者： | 廖宇晖 |
| 专业： | 车辆工程 |
| 导师： | 周健豪 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京航空航天大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
