基于ISSA的燃料电池多电源模糊能量管理策略.pdf

ISSN 1674-8484CN 11-5904/U汽车安全与节能学报,第14 卷 第 4 期,2023 年J Automotive Safety and Energy,Vol.14 No.4,2023基于 ISSA 的燃料电池多电源模糊能量管理策略罗 闯，许 亮*（天津市新能源电力变换传输与智能控制重点实验室，天津理工大学电气工程与自动化学院，天津 300384,中国）摘 要：为了提高燃料电池(FC)混合动力汽车(HEV)的经济性，提出一种利用模糊逻辑控制（FLC）的方法对其实现能量管理策略(EMS)。以氢耗量最优为目标，加入超级电容器作为辅助能源，考虑汽车驱动与制动2 种状态，把需求功率、超级电容荷电状态、燃料电池的工作效率，添加为模糊控制器输入变量，对模糊规则进行改进。引入改进的麻雀搜索算法（ISSA）对模糊控制器的隶属度函数进行优化，采用Circle 映射初始化麻雀种群，同时引入随机游走策略对全局最优解扰动。采用Advisor软件和Matlab/Simulink 环境建模并进行联合仿真。结果表明：本文能量管理策略，在城市道路循环工况（UDDS）和高速公路燃油经济性测试工况（HWFET）下，等效氢耗量分别减低了29.38%和29.88%，同时，也减少 了燃料电池在运行时的变载次数，使得燃料电池寿命得到延长。关键词：混合动力汽车（HEV）；燃料电池（FC）；能量管理策略（EMS）；模糊逻辑控制（FLC）；改进的麻雀搜索算法（ISSA）中图分类号：U 461.8 文献标识码：A DOI:10.3969/j.issn.1674-8484.2023.04.012Fuzzy energy management strategies based on the ISSA for multiple power sources in fuel cellsLUO Chuang,XU Liang*(Tianjin Key Laboratory of New Energy Power Conversion,Transmission and Intelligent Control,and School of Electrical Engineering and Automation,Tianjin University of Technology,300384 Tianjin,China)Abstract:A Fuzzy Logic Control(FLC)method was proposed for Energy Management Strategies(EMS)to enhance the fuel efficiency of the Fuel Cell(FC)Hybrid Electric Vehicle(HEV).With a supercapacitor as an auxiliary energy source to optimize the hydrogen consumption,the power required under working conditions,the State of Charge(SOC)of the supercapacitors,and the fuel cells working efficiency were incorporated as input variables into the fuzzy controller to improve the fuzzy rules,considering the two states of automobile drive and braking.The Sparrow Search Algorithm(SSA)was employed to optimize the membership functions of the fuzzy controller.The circle mapping technique was utilized for initializing the sparrow population,with a random walk strategy to perturb the global optimal solution.Advisor software and the Matlab/Simulink environment were employed for modeling and conducting joint simulations.The results show that the energy management strategy 收稿日期/Received：2022-12-07。修回日期/Revised：2023-04-25。基金项目/Supported by：国家自然科学基金（61975151,61308120）；天津市科技重大专项与工程，互联网+新能源跨界融合创新示范工程项目（ZXHLGX00040）。第一作者/First author：罗闯（1999），男（汉），湖北，硕士研究生。E-mail：。*通讯作者/Corresponding author：许亮，教授。E-mail：。12/14496 504497罗 闯，等：基于 ISSA 的燃料电池多电源模糊能量管理策略reduces 29.38%and 29.88%of equivalent hydrogen consumption,specifically under the Urban Dynamometer Driving Schedule(UDDS)and the HighWay Fuel Economy Test(HWFET)operational scenarios,with decreasing the occurrence of load changes during the fuel cells operation,and consequently enhancing its longevity.Key words:hybrid electric vehicle(HEV);fuel cell(FC);energy management strategies(EMS);fuzzy logic control(FLC);improved sparrow search algorithm(ISSA)随着全球经济的飞速发展，面对日益严重的能源危机，各国政府都在积极推进可再生能源的研究工 作1-4。在此背景下，燃料电池汽车应运而生，但由于燃料电池的特性偏软，为了满足商业化需求，多个能量源协同工作形成燃料电池混合动力汽车（fuel cell hybrid electric vehicle，FCHEV）是大势所趋5-7。作为辅助能量源的超级电容具有寿命长，功率密度高的优点，在汽车加速或制动时，提供或吸收峰值功率，能够减缓燃料电池的性能衰退并提高汽车性能8。事实上，能量管理系统（energy management strategy,EMS）是充分调配各能量源的关键，其控制策略的合理设计对提高汽车经济性和机动性能，减少对燃料电池功率冲击具有重要作用9-12。目前，燃料电池混合动力汽车的能量控制策略主要有模糊控制、自适应神经模糊系统和神经网络 等13-16。模糊控制由于其鲁棒性强和实时性好等优点，应用尤其广泛。考虑到传统依靠专家经验而设计的模糊控制器有主观性较大的缺点。V.K.Kasimalla 等17提出一种改进的基于模糊逻辑的能量管理系统，并与传统的能量管理系统进行了比较，仿真验证结果表明该方法在功率分配和电池的荷电状态(state of charge，SOC)方面的性能提升明显。S.Ahmadi 等18采用遗传算法对模糊逻辑控制进行了离线仿真优化，在 Advisor软件仿真结果显示：优化后的策略在等效能耗和荷电状态变化等具有优越性。本文采用模糊控制能量管理策略，引入燃料电池的效率作为模糊控制器输入变量，利用麻雀搜索算法(sparrow search algorithm,SSA)对 模 糊控制器参数进行离线寻优。在初始化种群时采用 Circle 映射初始化种群并引入随机游走策略对全局最优解扰动，然后将改进的麻雀搜索算法（improved sparrow search algorithm,ISSA）用来离线优化模糊控制器，同时在 Matlab/Simulink 和 Advisor 中联合仿真。在城市道路循环工况(urban dynamometer driving schedule，UDDS)和高速公路燃油经济性测试工况（highway fuel economy test，HWFET）下联合仿真。可望进一步减少燃料电池变载次数，延长燃料电池寿命。1 复合电源系统的选型与构建混合动力汽车的动力系统由燃料电池发动机（发电系统）、辅助动力源、DC/DC 变换器、DC/AC 逆变器和驱动电动机及各相应的控制器，机械传动与车辆行驶机构等组成。与传统汽车相比，燃料电池汽车与传统的内燃机驱动汽车在构造及动力传输等方面的不同，为汽车的整体设计提出了新的要求。传统内燃机汽车的发动机与变速器动力总成在燃料电池汽车中不复存在，取而代之的是燃料电池反应堆、蓄电池或超级电容、氢气罐、电动机和 DC/DC 转化器等设备。本文建立的燃料电池复合电源系统由燃料电池、超级电容器、单向和双向 DC/DC 变换器、逆变器以及能量控制系统等组成，复合电源系统的选型与构建如下图1所示。加入超级电容器的优点是：在车辆急加速、爬坡状态需求的功率大于燃料电池功率的部分由超级电容提供，这样有效的减少了燃料电池在负载瞬时变化时承受的压力，提高其使用寿命。与此同时超级电容可以单向DC/DC交换器超级电容燃料电池双向DC/DC交换器能量流信号流能量管理系统逆变器电机复合电源系统图 1 复合电源系统的选型与构建汽车安全与节能学报498第 14 卷 第 4 期 2023 年承受瞬时大电流充放电，用来快速回收汽车制动的能量，提高汽车系统经济性，使用超级电容器作为辅助电源可以使动力系统的体积更小、质量更轻。2 综合改进的麻雀搜索算法原理2.1 常规的麻雀搜索算法 麻雀搜索算法是模仿麻雀种群觅食行为的一种生物仿生算法，在算法中分为发现者、追随者和侦察者 3个部分。在整个种群中大约有 20%为发现者，其给整个种群探索食物的位置和方向，所以其全局搜索能力最大。发现者的位置更新方式如下：（1）其中：Niter,max是代表最大迭代数，(0,1 表示一个有界随机数；R2为预警值；ST 为安全值；R2(0,1 和ST(0.5,1；Q 是一个随机数且服从正态分布。L 表示全为零的 1 维的矩阵。麻雀种群中另外的 80%作为加入者，跟随发现者寻找食物，加入者的位置更新描述如下：（2）其中：Xp表示此时发现者的最优位置，Xworst则此时全局最差个体的位置。A 表示各元素随机赋值为1 或-1的一个1 维的矩阵，并且 A+=AT(AAT)-1。麻雀种群中会选择 10%到 20%的个体，在意识到危险时，做出预警，其数学表达式如下：（3）其中：Xbest代表种群的全局最优麻雀;用来控制步长，是方差为1 的正态分布随机数；K(-1,1；find、fglb 和 fwst分别是种群麻雀个体适应度值、种群全局最优和最差的适应度值。相比于其他智能优化算法，麻雀搜索算法具有精度高、求解速度快的优点，但同时也存在一些缺点，整个麻雀种群在后期也会出现多样性下降、种群趋于一致化和陷入局部最优的问题。针对经典麻雀搜索算法的缺点，本文提出改进的麻雀搜索算法优化模糊控制策略，提高了汽车的经济性的同时延长燃料电池的使用寿命。2.2 综合改进的麻雀搜索算法麻雀搜索算法在接近全局最优时，会出现种群多样性减少，容易陷入局部最优，出现早熟现象的缺点。同时因为本文要求解的隶属函数待优化变量较多，为了尽量提高优化变量的质量，为此，本文在初始化种群时采用 Circle 映射初始化种群，对麻雀搜索算法引入随机游走策略进行扰动，具体改进策略如下：1）使用 Circle 映射，利用其混沌化来代替麻雀种群的随机初始化，可以有效的改变麻雀种群的分布使其更加均匀，避免出现在最优解附近麻雀种群较少的情况。初始化麻雀的位置为 （4）其中：a=0.5,b=0.2。2）利用随机游走对最优麻雀进行扰动，提高其搜索性，在开始迭代之初，随机游走边界较大，有利于提高全局搜索性，在迭代多次后，游走边界变小，提高算法的最优位置局部搜索性。整体随机游走构成的步数集合为 （5）其中：S 为整体计算累加和；t 在本文中取最大迭代次数作为随机游走的步数；r(t)为随机函数；其定义如下：（6）其中：rand 为在区间 0,1 上的随机数。由于可行域存在边界，不能直接用式(5)更新位置。为确保行走在可行域范围内随机游走，需根据式(7)对其进行归一化。（7）其中：ai和 bi分别为变量随机游走的最小值和最大值；ct,i和 dt,i分别为第 i 维变量在第 t 次迭代的最小值和最大值。499罗 闯，等：基于 ISSA 的燃料电池多电源模糊能量管理策略3 模糊控制器的设计及优化3.1 模糊控制策略模糊控制器核心是进行模糊语言控制，需要通过模糊理论中的相关限制语句进行推理而实现，其结构框图如图 2 所示。整个优化过程如下：首先将输入量经过比例变换输入隶属度函数完成模糊化，再将模糊量经过推理机，根据规则库进行模糊推理。然后将模糊推理后的模糊量输出隶属度函数再一次进行比例变换，完成解模糊，得到输出量。模糊化比例变换输入隶属度函数推理机规则库模糊推理解模糊输出隶属度函数比例变换输入输出图 2 模糊控制结构框图3.2 汽车动力系统模糊控制器的设计本文利用模糊控制器进行能量管理的目的是满足车辆正常运行的功率需求的前提下，进一步提高汽车的经济性和电源的寿命。设计的控制器至少要满足以下要求：1)使母线电压维持在一个稳定区间内；2)不应该使超级电容承受过频的超大充放电；3)减少对燃料电池功率冲击；4)应该尽可能使燃料电池工作在高效区间，以提高汽车的经济性。由于燃料电池自身的相关特性，其工作效率随着输出功率的变化而变化。如图 3 所示，随着燃料电池输出功率的不断提高，燃料电池的工作效率先迅速提升后长期缓慢降低，在其输出功率达到10 kW 附近时，其运行效率达到最大值，约为 60%。图 4 中分别为优化前和优化后燃料电池效率图，可以明显看出优化后实际工作点集中在高效率区域，可以保证汽车在行驶需求条件下提高其经济性。根据上文的研究分析，本文确定模糊控制器的输入量为整车需求功率 Preq、超级电容 SOCcap和燃料电池系统效率，输出量为燃料电池需要的输出功率 Pout。3.3 隶属度函数的选取为了降低计算量，本文首先将输入和输出变量归一化取值，归一化之后 Preq、SOCcap和 论域取 0,1；三角形隶属函数运算最为便捷且完全可以满足研究的要求，在隶属度处于极小（靠近 0）和极大（靠近 1）时借助 Z 形隶属函数的样条曲线可以便于对极端状态进行精确控制，因此，本文选择三角形隶属函数和 Z 形隶属函数。最后，确定好参数后利用 Matlab/Simulink的模糊控制工具箱画出各变量隶属度函数如图 5 所示。图 5 中：Preq模 糊 子 集 为 NB,NS,Z,PS,PB；SOCcap模糊子集为NB,NS,Z,PS,PB；模糊子集为NB,Z,PB；Pout模糊子集为NB,NM,NS,Z,PS,PM,PB，其中:NB、NM、NS、Z、PS、PM、PB 分别表示负大、负中、负小、零、正小、正中、正大。(a)总功率需求(b)超级电容 SOC 0100.51隶属度函数PreqNB NS Z PS PB0100.51隶属度函数SOCcapNB NS Z PS PB图 5 各变量隶属度函数图之(a)、(b)0204060800204060Pout/kW/%高效区间图 3 燃料电池功率-效率图0204060800204060Pout/kW/%优化前优化后图 4 优化前、后的燃料电池效率汽车安全与节能学报500第 14 卷 第 4 期 2023 年3.4 模糊推理在实际工况运行状态中，本文建立的多能量源控制策略由燃料电池提供主要功率，超级电容作为辅助能量源，在帮助燃料电池汽车在急加速和上坡等高功率需求时提供瞬时大功率。设计的控制策略应优化功率分配，协调能量源以提高经济性。某些极端工况，当超级电容较长时间提供峰值功率，使得超级电容能量不足时，由燃料电池供能，当功率需求较低时，燃料电池可在最高效区间为超级电容充电。在燃料电池汽车制动过程中，制动能量由超级电容快速回收，可以利用超级电容的快充特性，迅速提高其 SOC，使之维持在合理水平。基于控制策略的调度，可以在保证车辆正常性能的基础上，提高汽车经济性与燃料电池的预 期寿命。在模糊控制器中，除输入、输出的隶属度函数外，模糊规则是另一个重要指标。本文共设计制定了75 条模糊控制规则，如表 1 所示，然后下文对其优化，使其满足运行要求时优化效率区间。3.5 解模糊 模糊控制器得到的变量仍是模糊的，需去模糊化处理，本文采用重心法(面积中心法)来作为模糊推理的最终输出值，其公式如下：（8）其中：C 为模糊集合的“重心”，也是所需的准确输出值；n 为论域中元素的个数；xi表示论域中的元素；f(xi)表示 xi对某模糊集的隶属度。3.6 模糊控制器的优化设计由于模糊控制器的设计严重依赖专家经验，带有一定主观性，本文采用改进的麻雀搜索算法对设计的隶属度函数进行离线寻优，以燃料电池的输出功率 Pout为例，如图6所示，隶属函数待优化的参数是在区间0,1上的实数取值。但在对 x1、x2、x3、x4、x5这 5 个值进行编码时很难保证它们的大小关系是 x1 x2 x3 x4 x5，为了保证 x1 x2 x3 x4 x5。因此本文将这 5 个值替换为 x1、(x2-x1)/(1-x1)、(x3-x2)/(1-x2)、(x4-x3)/(1-x3)、(x5-x4)/(1-x4)，这样只要保证替换后的 5 个值在(0,1)内变化即可。Preq、SOCcap、燃料电池的效率的隶属函数待优化变量与此类似。0100.51隶属度函数NB NS ZPS PBX1 X2 X3 X4 X5图 6 超级电容 SOC 隶属度函数待优化变量3.6.1 目标函数与约束条件的建立复合电源能量管理控制策略的合理设计可以有效提高汽车的经济性，为表征每个解的氢耗经济性，因此可以将等效氢气消耗量作为目标函数，在迭代过程中每迭代一次 Advisor 软件计算结果都赋予目标函数值进行更新。经济性目标函数的定义如下：（9）(c)燃料电池效率(d)燃料电池功率输出 reqNB NS Z PS PB0100.51隶属度函数SOCcapNB NS Z PS PB0100.51隶属度函数NB ZPB0100.51隶属度函数PoutNB NM NS Z PS PM PB图 5 各变量隶属度函数图（续）表 1 模糊逻辑控制规则表PoutSOCcapPreqNBNSZPSPB=NBNBNBNBNMNMNMNSNBNBNMNMNSZNBNBNMNMNSPSNBNBNMNMNSPBNBNMNMNMNS=ZNBNSNSZZPSNSNSZZZPSZNSZZPSPSPSNSZZPSPSPBNSZZPSPS=PBNBPSPMPMPBPBNSPSPMPMPBPBZPSPMPMPBPBPSPMPMPMPBPBPBPMPMPMPBPB501罗 闯，等：基于 ISSA 的燃料电池多电源模糊能量管理策略其中：Eh为单位里程氢耗量；Stot为工况条件下行驶总里程；t0,tn 为燃料电池运行时输出功率的时间区间。为了避免得到无效解，本文建立以下约束条件:（10）其中：Preq(t)为运行需求功率；Pfc(t)为超级电容运行时功率；Pout(t)为燃料电池运行时输出功率；d和 s分别表示双向和单向 DC/DC 变换器效率。3.6.2 优化步骤用改进的麻雀搜索算法调用 Advisor 进行离线控制策略优化的步骤如下：步骤1 初始化，利用Circle映射策略产生麻雀种群；步骤 2 将麻雀个体赋予模糊控制各隶属度参数，调用 Advisor 软件进行闭环仿真，为表征每个解的氢耗经济性，在迭代过程中每迭代一次 Advisor 软件计算结果都赋予目标函数值进行更新得每个麻雀的适应度值以评价每个解的优劣；步骤 3 采用随机游走策略对最优麻雀位置进行扰动；步骤 4 通过约束条件保证每个麻雀在可行域范围内；步骤 5 返回步骤 2 麻雀个体觅食过程，当满足迭代终止条件时，输出本轮优化变量，循环往复优化流程最终得到优化的隶属度函数的集合，优化步骤终止。整个优化步骤流程如下图 7 所示。开始利用Circle映射初始化种群并设置相关参数依次更新发现者、跟随者和 意识到危险的麻雀随机游走策略迭代数+1约束条件计算所有麻雀的平均适应度值麻雀个体解编码模糊规则隶属度函数目标函数优化后的模糊控制器参数排序麻雀种群适应度值，找到最优麻雀输出最优结果是否满足迭代终止条件NNYY优化过程结束图 7 ISSA 优化模糊逻辑流程框图4 仿真验证本文基于 Matlab/Simulink 和 Advisor 软件环境进行二次开发组合建模，在二次开发过程中在原有的基础模型下设计了单向和双向 DC/DC 转换器，并分别与燃料电池和超级电容器相连接，整体供电系统由设计的模糊控制器来分配。然后针对模糊控制器的隶属度函数进行了算法的离线优化，离线寻优过程中对车辆的参数导入联合路况仿真。燃料电池汽车基本参数如表 2 所示。本文选用最能代表频繁启停的“城市道路循环工况”(UDDS)和高速行驶的“高速公路工况”(HWFET)进行验证，将进行联合仿真的结果进行对比 分析。表 2 燃料电池汽车基本参数车辆整备质量900 kg迎风面积2.88 m滚动半径252 mm燃料电池堆单体电压0.60.7 V单体功率0.31 kW数量220 个超级电容单体电压 2.7 V单体容量 9.5 kF数量 22 个图 8 为在 Advisor 建立的整车模型在 UDDS 与HWFET 工况下的车速跟随曲线，可以看出实际车速与需求车速曲线几乎完全重合，表明本文建立的复合电源模型满足这 2 种工况的基本运行需求，为下文控制策略效果验证提供了基础。根据本文建立的复合电源模糊能量管理策略，分别在 UDDS 和 HWFET 这 2 种工况下进行仿真分析。图 9 为在 UDDS 工况下，超级电容 SOC 初始值为 70%时基于 SSA 与 ISSA 优化的模糊控制策略的功率分配的仿真结果。根据图 9 曲线变化可知，在 UDDS 工况下，因为汽车频繁启停，所以制动能量由超级电容反复回收释放，使得超级电容 SOC 频繁波动，燃料电池与超级电容器互相配合“取长补短”。超级电容的存在减少了对燃料电池的功率冲击。图10 为 HWFET 工况下的功率分配情况，此工况汽车初始阶段一直处于加速行驶状态，汽车功率需求较大。为了使燃料电池运行在高效率点工作，超级电容器进行补能，以实现“削峰填谷”的功能，为燃料电池汽车安全与节能学报502第 14 卷 第 4 期 2023 年汽车的正常运行提供了必要功率。在以上两种工况运行条件下，燃料电池可对超级电容器进行补能，使其更好的适应瞬间运行工况，减轻了对燃料电池的冲击。除此之外，本文在设计模糊控制规则时，如果运行时总需求功率过高时，而此时超级电容 SOC 为低区间时，燃料电池会相应的输出更多功率，这可以减缓对超级电容器的损伤，是对功率分配的一种协调。综合来看，基于 ISSA 优化的控制策略使得超级电容 SOC变化更小，更稳定，对超级电容器起了更好的保护 作用。020406080051015v/(kmh-1)t/(100 s)t/(100 s)02040608002468v/(kmh-1)实际需求 (a)UDDS 工况(b)HWFET 工况 图 8 2 种工况条件下车速跟随曲线-2002040051015P/kWt/(100 s)-2002040051015P/kWt/(100 s)超级电容燃料电池 (a)基于 SSA的(b)基于 ISSA 的 图 9 UDDS 工况下 2 种优化模糊控制策略的功率曲线 (a)基于 SSA 的(b)基于 ISSA 的-200204002468P/kWt/(100 s)-200204002468P/kWt/(100 s)超级电容燃料电池图 10 HWFET 工况下 2 种优化模糊控制策略的功率曲线503罗 闯，等：基于 ISSA 的燃料电池多电源模糊能量管理策略超级电容作为汽车的辅助电源在汽车的运行过程中其 SOC 是否在一个相对稳定的区间内变化，是对本文控制策略建立有效性的验证。图11 a 是在 UDDS 工况下超级电容 SOC 变化曲线。可以看出 2 种模糊控制策略都可使得 SOC 保持在一个相对稳定的区间内。图11b,超级电容 SOC 变化相对较大。原因是在 HWFET工况下，燃料电池汽车一直处于高速运行状态，尤其在汽车快速起 步时超级电容实现“削峰填谷”的功能，为燃料电池汽车的正常运行提供了必要功率，减轻了对燃料电池的冲击，得到更好的车辆性能。在一定的工况条件下氢耗量 m(H2)更小，是体现控制策略经济性最重要的指标。图12 为 2 种控制策略分别在 UDDS 和 HWFET 工况下氢耗量的累积变化图。由图12可知：在 2 种工况下，随着时间的增加氢耗量均增加，但改进算法后的控制策略（ISSA-Fuzzy）下的氢耗量累积较慢，这是因为改进的算法提高了求解精度，减少了局部最优解的干扰，同时由于超级电容器可以快速充电，进而吸收了制动能量，进一步提高了经济性。(a)UDDS 工况下(b)HWFET 工况下 30405060708002468SOC/%t/(100 s)基于ISSA基于SSA304050607080051015SOC/%t/(100 s)图 11 2 种工况下 2 种策略超级电容 SOC 变化(a)UDDS 工况下(b)HWFET 工况下 02040608002468m(H2)/gt/(100 s)基于ISSA基于SSA020406080051015m(H2)/gt/(100 s)图 12 2 种工况、2 种策略的氢耗量累积曲线不同工况下的 2 种基于麻雀搜索算法的控制策略具体对比见表 3 所示。表 3 2 种工况 2 种策略下氢耗量对比工况里程/km m(H2)/g优化量/SSA-FuzzyISSA-FuzzyUDDS12.0761.5143.4429.38HWFET16.45 55.6239.1029.885 结 论本文以某一燃料电池混合动力汽车为原型车，提出了一种基于改进麻雀搜索算法的模糊逻辑能量管理策略。考虑汽车驱动与制动 2 种状态，本文以工况需求功率、超级电容荷电状态和燃料电池工作效率为输入量，燃料电池输出功率为输出量构建模糊逻辑控制策略。在 Matlab/Simulink 和 Advisor 环境下进行模型的搭建与联合仿真，并选择能代表城市运行的 UDDS 和汽车安全与节能学报504第 14 卷 第 4 期 2023 年代表高速运行的 HWFET 工况条件下利用基于 SSA 和ISSA 的模糊控制策略进行了仿真试验。本文选用的燃料电池加超级电容器的拓扑结构，仿真验证可行，且超级电容器能够很好的发挥其比能量高和比功率大的优势，提出的模糊控制策略实现了功率在燃料电池和超级电容间功率的合理分配，同时采用优化的麻雀搜索算法对隶属度函数进一步寻优，在 UDDS 和 HWFET 工况下分别将等效氢耗量减低了29.38%和 29.88%，提升了汽车经济性。同时减少功率冲击以延长了燃料电池寿命，使得整车的性能得到明显提高。参考文献（References）1 王志福,罗崴,徐崧,等.燃料电池汽车能量管理策略综述 J.电池,2022,52(3):328-332.WANG Zhifu,LUO Wei,XU Song,et al.Review of energy management strategies for fuel cell vehicles J.Batteries,2022,52(3):328-332.(in Chinese).2 王新光.燃料电池混合能源优化管理与控制算法研究D.太原：太原科技大学,2016.WANG Xinguang.Research on optimal management and control algorithm of fuel cell hybrid energy D.Taiyuan:Taiyuan University of Science and Technology,2016.(in Chinese).3 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.HE Hongwen,MENG Xiangfei.Review of energy management technology for hybrid electric vehicles J.Trans Beijing Insti Tech,2022,42(8):773-783.(in Chinese).4 Daud W R W,Rosli R E,Majlan E H,et al.PEM fuel cell system control:A review J.Renew Energ,2017,113:620-638.5 Das H S,Tan C W,Yatim A H M.Fuel cell hybrid electric vehicles:A review on power conditioning units and topologies J.Renew Sustain Energ Rev,2017,76:268-291.6 Bigdeli N.Optimal management of hybrid PV/fuel cell/battery power system:A comparison of optimal hybrid approaches J.Renew Sustain Energ Rev,2015,42:377-393.7 Abadlia I,Bahi T,Bouzeria H.Energy management strategy based on fuzzy logic for compound RES/ESS used in stand-alone application J.Intl J Hydro Energ,2016,41(38):16705-16717.8 王胜达.燃料电池加超级电容混合动力系统能量管理研究 D.青岛:青岛理工大学,2019.WANG Shengda.Research on energy management of hybrid power system with fuel cell and supercapacitor D.Qingdao:Qingdao Technological University,2019.(in Chinese).9 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),2021,35(5):33-41.ZHOU Jianhao,GU Cheng,LIU Jun,et al.Fuzzy control energy management strategy for fuel cell vehicles based on IGWO J.J Chongqing Unive Tech(Nat Sci),2021,35(5):33-41.(in Chinese).10 LU Xueqin,WU Yinbo,LIAN Jie,et al.Energy management of hybrid electric vehicles:A review of energy optimization of fuel cell hybrid power system based on genetic algorithm J.Energy Conv Manag,2020,205:74-99.11 Kaleybar H J,Brenna M,LI Huan,et al.Fuel cell hybrid locomotive with modified fuzzy logic based energy management system J.Sustainability,2022,14(14):36-57.12 Erdinc O,Uzunoglu M.Recent trends in PEM fuel cell-powered hybrid systems:Investigation of application areas,design architectures and energy management approaches J.Renew Sustain Energy Rev,2010,14(9):2874-2884.13 王骞,李顶根,苗华春.基于模糊逻辑控制的燃料电池汽车能量管理控制策略研究 J.汽车工程,2019,41(12):1347-1355.WANG Qian,LI Dinggen,MIAO Huachun.Research on energy management control strategy of fuel cell vehicle based on fuzzy logic control J.Autom Engineering,2019,41(12):1347-1355.(in Chinese).14 宋晓琳,任祥喜.基于改进人工蜂群算法的复合电源电动车 FSM-Fuzzy 能量管理策略 J.现代制造工程,2018(3):68-73.SONG Xiaolin,REN Xiangxi.Fm-fuzzy energy management strategy for hybrid electric vehicle based on improved artificial bee swarm algorithm J.Modern Manuf Eng,2018(3):68-73.(in Chinese).15 刘新天,李强,郑昕昕,等.基于多目标优 化的燃料电池汽车能量管理策略 J.电子测量技术,2021,44(6):81-89.LIU Xintian,LI Qiang,ZHENG Xinxin,et al.Energy management strategy for fuel cell vehicles based on multi-objective optimization J.Elect Meas Tech,2021,44(6):81-89.(in Chinese).16 高建树,尹尔乐,陈煜,等.基于鱼群算法的复合电源模糊能量管理策略 J.计算机应用与软件,2021,38(11):86-90.GAO Jianshu,YIN Erle,CHEN Yu,et al.Fuzzy energy management strategy for compound power supply based on fish swarm algorithm J.Compu Appl Software,2021,38(11):86-90.(in Chinese).17 Kasimalla V K,Srinivasulu G N,Velisala V.A review on energy allocation of fuel cell/battery/ultracapacitor for hybrid electric vehicles J.Intl J Energy Res,2018,42(14