基于光伏Trojan蓄电池-PEMFC的混合动力电动车启发式电源管理

现在，可再生能源被重点用于电动汽车。虽然大多数电动汽车完全依靠电池驱动，但它们消除了局部排放，却未能消除污染。为解决这一问题，本研究聚焦于电动汽车混合动力系统的性能和功率管理方面，特别强调燃料电池、电池和光伏电池之间的相互作用。稳定运行通过双向降压-升压变换器实现，该变换器维持了所有电源的电压，约为参考值430伏。最初，燃料电池在低光条件下供电。当辐照度超过100 W/m时，光伏系统和电池接管²电池先放电，然后随着辐照度增加同时充电。1750转为完成所需扭矩调整后达到的恒定电机转速。已提出一种具有多电源的全电动车模型，采用高效的电力管理算法。当电池处于静止模式且充电状态（SOC）低于100%时，会使用额外的太阳能来为电池充电。该车型还考虑在关闭点火时将汽车用于娱乐或设备充电。沼气输出可以通过人工神经网络（ANN）的推理控制技术调节，基于燃料需求或消耗情况。该系统还包括有机废物的厌氧消化，可持续地从沼气中为燃料电池提供氢气。功率、电流、SOC曲线、电机性能图表及其他验证表明，广泛的仿真展现了高效的功率管理，并建立了强有力的混合动力汽车动力系统模型。该模型已在MATLAB Simulink环境中进行模拟，并在真实条件下进行了测试。

简介

内燃机驱动的交通机制显著加速了环境恶化。交通和工业部门燃烧化石燃料对全球变暖贡献显著。在当前形势下，电动车（EV）从电网充电被推广为替代内燃机驱动车辆（ICE-PV）[1]。与内燃机-光伏相比，电动汽车带来了诸多优势。消除车辆废气排放和减少温室气体排放，提升大都市区的空气质量，促进环境可持续性[2]。电动机的能量转换效率提升了电动汽车的能源效率。电动汽车通过实现多种电力来源的利用，减少了对化石燃料的依赖[3]。消费者被电动汽车吸引，是因为其运营成本较低，包括更低的电价和减少机械部件数量。全球范围内实施税收补贴和返还成为电动汽车广泛普及的催化剂[4]。电池技术的进步缓解了性能限制，而电动汽车的静默运行则减少了城市噪音污染[5]。电动汽车融入智能网络有望增强电力需求控制和车对网（V2G）技术，从而提升交通的可持续性和效率[6]。
然而，这些电动汽车对电网造成了重大负担，导致污染转移到依赖化石燃料运行的电厂[4]。根据Datalabs的研究，印度预计将需要约占电动汽车总电力需求的5%。该预测假设全国80%的人口将转向使用电动汽车。为了防止这种对动力需求的增加，可以在车辆中使用多动力系统策略（VPS）。文献中介绍了各种混合动力车辆（见图1）。
多重动力总成策略（VPS）分为两部分：第一类为混合动力电动车（HEV），第二类为全电动车（FEV）。FEV相较于HEV有许多优势。首先，FEV因其零尾气排放而更环保。这种缺失改善了空气质量，并大幅减少了交通的碳足迹。FEV仅使用电力通常比混合动力车更能高效。更高的效率降低了运营成本和维护[7]。由于电池技术的发展，FEV的全电续航里程更长，为客户提供了更多无需传统燃料的日常出行选择。混合动力车辆是迈向电气化的过渡阶段，但FEV是实现更清洁、更高效交通的可持续选择[8]。
在HEV中，扭矩由内燃机与电动机共同产生。进一步的分类取决于内燃机与电动机之间的连接类型。详尽的综述已由参考文献[8]提出。FEV是完全依靠电力驱动的电动汽车，可分为三类：基于电池的FEV（B-FEV）、基于燃料电池的FEV（FC-FEV）和基于光伏的FEV（PV-FEV）。B-FEV通常只有一个电源，即电池，并联超级电容器以平衡瞬时功率需求[9,10]。同样，FC-FEV以燃料电池为主要来源[11]。然而，电池和超级电容器被提出以平衡瞬时功率需求[2]。第三类是PV-FEV，与插电式HEV相同，但增加了一个用于白天电池充电的光伏（PV）面板。使用最大功率点跟踪（MPPT）控制算法以最大化光伏电池板的功率输出。PV-FEV通常与电池和超级电容器混合[12]。文献中提到的所有FEV拓扑都使用PV、FC、Battery和SC。文献中没有出现纯可再生FEV的组合，即PV-Battery-FC的组合。
这种组合类似于为本地负载供电的独立混合发电系统。这里，本地负载是驱动车轮的车辆传动系统。如果存在混合发电系统，则会有电力管理系统，根据电源可用性、负载需求、运营成本及各种约束等参数，管理从源到负载的电力流动。目标包括提升燃油效率、减少排放、保证可行驶性、监测充电状态（SOC）以及延长储能系统（ESS）的寿命[7,8]。电源管理系统的优缺点已在下表1中列出。
下表2概述了最新文献中使用的功率管理策略。
替代能源管理方法缺乏启发式电源管理的优势。启发式方法比基于规则的控制方法更适应复杂和动态系统，允许基于原则的通用决策。在模型精度较难确定的情况下，启发式方法比基于优化的电源管理更为鲁棒，因为它们计算复杂度较低且对精确数学模型更敏感。启发式方法比基于人工智能的控制方法更简单、更透明，使其更容易理解和实现。它们也需要更少的数据。启发式方法不像在线策略那样需要实时数据，因此即使数据稀缺或延迟，它们也能表现出色。启发式方法比基于学习的能源管理策略需要的训练数据更少，且更易于实施，使其在难以获得大数据集或复杂机器学习模型的情境下更为实用。最佳方法取决于能源管理系统的需求和特性[24,25]。