燃料电池无人机混合电源动态平衡能量管理策略

燃料电池是一种具有较高能量转化率的电化学反应装置，通常使用氢气作为燃料，具有零排放、无污染的优点[1-2]。近年来在发展绿色航空，减轻环境污染方面受到越来越多的关注[3-4]。

燃料电池的能量密度较高，可以极大地提升无人机的续航能力，且噪声较低，以美国海军研究实验室研制出的“离子虎(Ion Tiger)”燃料电池无人机为例，其搭载了一台550 W的燃料电池，在携带2.3 kg载荷的情况下完成了26 h的飞行，在原有基础上改进之后使用液态氢燃料的“离子虎”无人机的飞行时间能够达到48 h[5]。

但是燃料电池的功率密度较低，无法满足实际应用的无人机高空长航时飞行过程中起飞、巡航、机动以及着陆过程中大范围功率变化和快速动态响应的需求，因此需要使用辅助电源如锂离子电池组与其组成混合电源系统以弥补其不足。

由于燃料电池和辅助电源的动态响应特性不同，因此需要使用能量管理系统(Energy Management System，EMS)控制混合电源的输出功率，在满足负载功率需求的前提下通过能量管理策略的优化调度以提高电力系统的稳定性和燃料经济性[6-7]，在无人机和多电飞机供配电系统中的能量管理控制策略也可用于改善系统动态响应性能，提高电力系统可靠性[8-11]，因此设计满足特定系统应用场景的能量管理控制方法对燃料电池无人机的性能提升具有很重要的作用，系统能量管理策略从形式上主要分为基于优化和基于规则的2种类型[7]，前者具有一定数学解析形式，需要采用非线性凸优化解析计算和动态规划方法进行求解，且包含很多约束条件，求解计算量较为复杂，但可以得到全局最优解；后者是根据工程经验，制定一定能量管理规则，得到的是近似最优解，但是计算量较小易于工程实现。

在航空应用领域，基于燃料电池的混合电源系统在无人机和多电飞机电力系统中得到广泛应用，文献[12-13]基于燃料电池的多电飞机应急电源系统，研究了基于规则状态机控制、模糊逻辑控制、功率解耦控制和等效燃料消耗最小(ECMS)的能量管理方法，从系统功率动态响应和氢耗量最小等优化目标进行设计，但是针对的负载需求是应急系统，时间场景只有30 min，并没有考虑电源之间能量利用的平衡关系，在飞行任务结束时电池SOC仍有50%的电量。文献[13]针对多电飞机燃料电池应急电源系统的能量优化采用了几种典型的元启发式优化算法，如蚁群、蜂群、灰狼算法等进行了研究，对比分析了能量优化效果，但是没有考虑在混合电源系统作为主电源工作时的负载功率需求和能源平衡关系。文献[14]研究了应用于多电飞机辅助动力装置(APU)的燃料电池混合电源系统能量动态管理策略，采用了集散式基于下垂控制策略对燃料电池，超级电容进行能量控制，满足了飞机在APU工作模态下的负载功率响应需求。文献[15]针对燃料电池混合电源系统，以最小氢耗量为优化目标，考虑到系统的约束条件，采用了基于最优控制的庞特里亚金最大最小定理求解最优值，该种方法只能满足特定工况。文献[16]基于小型长航时燃料电池无人机，开展了基于规则的状态机的主动能源管理策略研究，与被动能源管理策略进行了对比，最终满足飞行时长要求，同时保证最终的电池SOC在45%左右。文献[17]中针对小型低空长航时电动无人机功率需求，设计了一款太阳能/燃料电池/锂电池混合动力无人机，并根据规则策略将飞行任务划分为7种工作模式，在相同重量下，该无人机的航时分别是纯锂电池驱动和纯燃料电池驱动的5.5倍和1.2倍，但是以上这些论文并没有讨论混合电源系统中几种电源之间的能量平衡关系，即电源能量消耗的平衡关系，这样就会出现在无人机飞行任务结束时锂电池能量过于充足或者出现耗尽的情况。

文献[18]则提出了一种对燃料电池/锂电池无人机的在线模糊能量管理策略，并与基于状态机规则策略和被动控制策略进行了地面验证对比实验，结果验证了模糊逻辑策略下系统具有更小的能量消耗，其电池能源消耗按照固定SOC下限进行控制，任务结束时SOC仍然在40%以上。

文献[19]在燃料电池/锂电池混合电源系统中，以氢耗量最小为目标构建代价函数，采用多变量模型预测控制实时预测下一时刻燃料电池和锂电池的功率输出，并进行了三段工况测试，在构建系统约束条件时仍然根据固定电池组SOC界限来进行优化。

从以上文献分析来看，目前的大多数车辆或者无人机燃料电池混合电源能量管理策略都是在某一种固定的负载需求工况下针对地面混合电源系统进行优化，没有考虑到航空应用条件下的特殊性，即无人机由于载荷有限，所能携带的燃料电池氢气储量有限，辅助电源的容量也有限以及负载工况的多变性，基于优化算法的能量管理策略虽然能够给出基于氢耗量最低的最优解，但是却无法保证最后能源之间能量平衡均衡性。因此论文以目前基于规则的能量管理策略为基础进行了改进，提出了一种动态平衡能量管理策略，计算燃料电池的氢气消耗的辅助电源容量的变化，通过仿真计算使2种电源的消耗处于动态平衡的状态，在复杂工况发生变化时避免了其中一种电源能量先耗尽而使混合电源系统剩余一种电源单独供电的情况发生，在无人机飞行任务结束时，也避免出现辅助电源如锂电池组剩余电量较多的情况发生。

本文首先确定了燃料电池/锂电池混合电源的拓扑结构，提出了混合电源系统能量管理控制目标，并对现有的能量管理策略进行了验证。本文在基于规则的能量管理基础上提出了动态平衡能量管理策略。对比其他基于规则的能量管理策略，本文的创新点在于通过优化求解来确定在燃料消耗最低时燃料电池和锂电池的能量利用率差值的可接受范围，以此来保证2种形式能源的均衡利用。通过数字仿真证明了该策略能够使燃料电池和锂电池的能量消耗处于动态平衡的状态，提高了系统的稳定性，最后通过硬件试验系统验证了所提出策略的可行性。

1 燃料电池混合电源拓扑结构的选择

燃料电池混合电源系统的辅助电源一般使用超级电容或蓄电池[7]，为了对比其特性，在对数坐标系中表示，如图1所示，其中横坐标表示能量密度(Wh/kg)，纵坐标表示功率密度(W/kg),斜线代表电源的运行时间。结果如表1所示。

图1 电源特性对比图
Fig.1 Power characteristics comparison chart

表1 电源特性对比
Table 1 Power characteristics comparison

超级电容的功率密度最高，最高能达到10 000 W/kg， 但相应的其能量密度不高，平均只有5 Wh/kg，运行时间也较短，不超过100 s。锂电池相比于超级电容功率密度较低，但仍然能达到1 000 W/kg以上，此外其能量密度适中，一般在200 Wh/kg左右，使用三元正极材料的锂电池能量密度能达到300 Wh/kg，属于一种能量密度和功率密度适中的电源。

根据辅助电源的种类，可以将燃料电池无人机混合电源系统拓扑划分为燃料电池+超级电容，燃料电池+锂电池，燃料电池+锂电池+超级电容3种典型结构[20]，如表2所示。

若只选用燃料电池作为能源的情况下，负载功率需求发生突变，燃料电池的响应情况如图2中蓝线所示；明显可以看出应对负载功率需求的突变，燃料电池的响应存在较大延迟；而燃料电池

表2 几种典型拓扑特点对比
Table 2 Comparison of several typical topologies

和蓄电池的混合能源系统在负载功率发生突变时，响应情况如图2中红线所示。可以看出在引入锂电池后，系统的响应速度得到了改善。

相较于单一形式能源系统，选择混合能源的拓扑形式可以有效的提高系统的功率密度和能量密度，但同时多能源形式也增加了系统的重量和控制难度，同时由于电源变换器等设备的增加，系统的损耗也会增加。但考虑到无人机续航能力提升，以及在飞行过程中由于姿态变化所引起的电功率需求的变化需要在短时间内完成，以及重量等因素。因此选择锂电池作为辅助电源与燃料电池组成混合电源系统[21]，拓扑结构如图3所示。其中：VFC和IFC分别表示燃料电池的输出电压和电流，Vbatt和Ibatt分别表示锂电池的输出电压和电流，Vbus表示母线电压，Pload表示负载功率，Dc_1和Dc_2分别表示Boost变换器和双向DC-DC变换器的占空比控制信号。

由于本论文主要研究混合电源的能量管理策略，因此不考虑功率变换器部分的损耗，认为其处于理想状态，即燃料电池输出功率PFC与锂电池输出功率Pbatt之和等于负载功率Pload。

图2 燃料电池系统与混合能源系统响应速度
Fig.2 Response speed of fuel cell system and hybrid energy system

图3 混合电源系统拓扑图
Fig.3 Hybrid power system topology diagram

1.1 燃料电池的工作原理

燃料电池使用质子交换膜燃料电池(Proton Exchange Membrane Fuel Cell，PEMFC)的原理图如图4所示，氢气和氧气通过阳极流道和阴极流道到达气体扩散层，氢气在阳极催化层发生氧化反应，生产氢离子(质子)和电子，氢离子可以通过质子交换膜到达阴极催化层，电子通过外部电路到达阴极，氧气得到氢离子和电子发生还原反应生产水分子，在此反应的过程中电子即电荷通过外部电路的移动做功产生电流，化学能转化为电能[22]。

电极的反应式为

阳极:

H22H++2e-

(1)

阴极:

(2)

总反应式：

(3)

图4 PEMFC原理图
Fig.4 PEMFC schematic

1.2 燃料电池的氢气消耗和系统效率

燃料电池在不同的输出功率下氢气消耗的速率不同，在将氢气的化学能转化为电能的过程中还会产生热量和其它的损耗因而无法将氢气的化学能全部转化为电能。将氢气的低热值记为LHV，该值表示每摩尔氢气完全反应生成液态水时所能产生的最大热能，LHV=241 kJ/mol。以典型1 kW质子交换膜燃料电池为例，其氢气消耗量与功率的关系如图5所示。横坐标表示燃料电池的功率，纵坐标表示在该功率下每分钟消耗的氢气体积，单位为毫升。利用该数据绘制燃料电池的系统效率曲线如图6所示。考虑到燃料电池风扇和控制器等外设的功率损耗，将该值记为Ploss，取平均值80 W。

图5 1 kW-PEMFC氢气消耗量
Fig.5 1 kW-PEMFC Hydrogen consumption

图6 1 kW-PEMFC系统效率
Fig.6 1 kW-PEMFC system efficiency

PEMFC系统效率的计算公式如式(4)所示，其中PFC表示燃料电池的功率,W，CPFC表示氢气消耗量,g/s，CPloss表示氢气损耗量,g/s。

(4)

1.3 锂电池的能量利用率

将锂电池开始工作时的初始SOC(荷电状态)记为SOCinit，工作完之后的SOC记为SOCend，用锂电池消耗的SOC与初始SOC之比代表其能量利用率，记为ηSOC，计算公式为

(5)

该值表示锂电池实际的电量消耗情况，理论上锂电池电量完全耗尽时该值最高可以达到100%。但通常出于安全考虑会为锂电池设置一个最低安全裕量，例如20%，当锂电池SOC低于此值后便不再工作，因此ηSOC的值不会达到100%。

1.4 无人机负载功率需求

典型的无人机飞行任务剖面如图7所示，包括起飞、爬升、巡航、下降和着陆5个相对固定的阶段。基于上述无人机飞行剖面的特点拟合出无人机飞行过程中的负载功率需求曲线，采用缩比验证法将无人机一个完整的运行工况等比例缩小为600 s，如图8所示。考虑到无人机执行飞行任务时由于气流等扰动导致飞行推进功率的变化，设置了2种负载功率需求曲线，分别用Pload1和Pload2表示。

图7 无人机飞行剖面
Fig.7 UAV flight profile

图8 无人机负载需求曲线
Fig.8 UAV load demand curve

2 典型能量管理策略的验证

能量管理策略是EMS的核心算法，能够根据混合电源系统电池SOC和负载功率等参数的变化来控制电源的输出功率，在满足负载功率的需求下对设定的能量管理目标进行能量调度分配，能够提高混合电源系统的稳定性、可靠性和经济性[15]。

常见的能量管理策略分类如图9所示，主要分为基于规则和基于优化两大类[7]。基于规则的能量管理策略分为确定性规则和模糊规则2种，根据提前制定的相应规则来控制混合电源的输出功率而不涉及对具体目标的优化。

图9 能量管理策略的分类
Fig.9 Classification of energy management strategies

基于优化的能量管理策略设有相应的优化目标例如系统效率和燃料经济性等，通过计算得到使优化目标函数最小的控制策略而对混合电源系统进行优化。根据算法是否能够实时运行而将其划分为离线优化和在线优化2种。

分别选择基于确定规则下的状态机能量管理策略，模糊规则下的模糊逻辑能量管理策略、全局优化下的动态规划能量管理策略和实时优化下的等效氢耗量最小能量管理策略这4种能量管理策略进行验证。在考虑燃料电池氢气重量足够的前提下，对比其优化控制效果。

2.1 基于确定规则的状态机能量管理策略

状态机(State Machine)能量管理策略根据负载功率需求的大小和燃料电池最大功率以及锂电池额定电压等参数的值预先设置了不同的系统工作状态，在各个工作状态中有相对应的电源输出功率的分配控制规则[23]。当运行该能量管理策略时算法根据输入参数的大小判定具体的工作状态并运行相应的控制规则。

将无人机负载功率大小Pload和锂电池的SOC的大小作为状态机能量管理策略的输入参数，结合无人机负载功率需求和电源的能量密度以及功率密度的特点制定状态机能量管理策略的规则，如图10所示。根据锂电池SOC的大小将工作状态划分为不同的大类，用首字母H、M、L、C、D和不同的颜色表示，再根据负载功率大小在每个大类下进行细分。当SOC低于30%且负载功率低于300 W时工作于模式C，该模式下燃料电池输出恒定功率300 W，超出负载功率需求的部分为锂电池充电。

2.2 模糊逻辑能量管理策略

模糊规则从本质上看仍然属于规则的控制的一种，相比于状态机规则，模糊规则的确立不再依托于明确的数值或方程，脱离了系统模型精确性的束缚，因此被广泛应用于对不确定系统和非线性系统的优化控制中[24]。

典型模糊推理系统的结构如图11所示，将输入参数模糊化后通过模糊系统中断模糊规则进行推理运算，将计算得到的值进行去模糊化后作为输出参数。模糊逻辑控制器的按照“模糊化—建立推理规则—确定推理方法—去模糊化”的顺序进行设计[25-26]。得到的模糊规则曲面图如图12所示。

图10 状态机能量管理策略原理图
Fig.10 Schematic diagram of state machine energy management strategy

图11 模糊逻辑系统推理结构
Fig.11 Fuzzy logic system reasoning structure

图12 模糊规则曲面图
Fig.12 Fuzzy logic surface

2.3 动态规划能量管理策略

动态规划(Dynamic Programing,DP)常用来求解有重叠子问题和最优子结构的问题，核心思路是将一个原始的多阶段过程问题转化为一系列的单阶段子问题，利用各个阶段的关系，逐个进行求解[27-28]从而获取系统的全局最优解。

首先根据无人机飞行剖面负载功率需求设置负载数组矩阵，并对燃料电池功率矩阵进行初始化如图13所示。在每一个状态节点进行计算，得到使燃料电池系统效率最高的输出功率，将该值作为最优子问题的解储存在系统中。当计算完成后将储存的值进行还原，得到使燃料电池系统效率最高的功率分配方案。动态规划算法可以在某一固定工况下作为其他能量管理算法的基线进行比较，因为动态规划可以得到在同等条件下的全局最优解。但是无人机负载工况发生变化，就需要重新进行求解计算，只能用于离线优化场合，其主要作为基值用于与其他能量管理策略性能比较。

图13 动态规划策略燃料电池功率初始化矩阵
Fig.13 Dynamic programming strategy fuel cell power initialization matrix

2.4 等效消耗最小能量管理策略

动态规划能量管理策略必须在已知负载的运行工况下才能进行计算，为了避免这个不足，在无人机实时运行时也能使用基于优化的能量管理策略，引入等效消耗最小的能量管理策略。该方法最初用于混合动力汽车的能量管理以减少燃油的消耗改善燃油经济性。在燃料电池混合电源的能量管理方面，通过将锂电池等辅助电源的电能消耗等效为氢气消耗量来进行计算，以使系统的总消耗最小[29]。算法不需要已知全部负载工况，而是在每个采样周期中进行计算从而达到局部最优，属于在线优化算法的一种，可以在无人机实际运行中使用。

首先定义优化目标函数J，如式(6)所示。其中CH2表示燃料电池的氢气消耗，Cbatt表示锂电池电功的等效氢气消耗量，s代表等效因子。

J(t)=CH2(t)+s(t)Cbatt(t)

(6)

锂电池的等效氢气消耗量即将锂电池的输出功率除以氢气的低热值LHV转化为其等效的氢气消耗量，如式(7)所示:

(7)

s取值的大小会影响等效消耗能量管理策略的控制效果。如果s的值太小，则锂电池相对于燃料电池的消耗就更小，因而会输出更多的电功，反之亦然。若将s的值取为2，将燃料电池的氢耗和锂电池的等效氢耗量绘制在同一个坐标系中，用横坐标表示功率，纵坐标表示对应的氢气消耗量，如图14所示。

图14 锂电池和燃料电池等效氢耗量图(s=2)
Fig.14 Lithium battery and fuel-cell hybrid power system equivalent hydrogen consumption diagram (s=2)

2.5 结果分析

针对第1种负载工况，对4种能量管理策略的参数进行优化，并使用同样的参数验证第2种负载工况，得到的结果如表3所示，可以看到最终的锂电池能量利用率有较大的差别。

表3 几种策略的能量利用率对比

Table 3 Comparison of energy utilization of

several strategies

即以上能量管理策略都是针对某一特定的工况进行优化的能量管理策略，在工况发生改变后便无法达到同样的优化效果。而无人机在执行任务时往往面临的是不确定的负载工况，因此能够在不同的工况下均能达到较好的优化效果，且波动范围不大的能量管理策略是更适用于无人机航空应用条件的。为此提出了一种基于燃料电池氢气消耗的自适应动态平衡能量管理策略。

3 动态平衡能量管理策略

在实际运行中，基于特定飞行任务的燃料电池无人机所能携带的氢气瓶的大小有限，即氢气的储量有限，燃料电池所能输出的电功率也有最大限制。考虑到使用的600 s负载功率需求大小，假设无人机携带的氢气储量为8 g，在此基础上，为了保证任何一种能源形势不过度消耗，以至于能源耗尽出现该种能源失效的情况，本文设计了一种新型的基于规则的能量管理策略，在不超过氢气储量最大值的前提下使锂电池的能量利用率和燃料电池的氢气消耗率维持动态平衡。以达到合理分配能源从而提高无人机飞行过程中动力系统可靠性的效果。

算法流程图如图15所示，首先计算锂电池SOC的剩余比例和氢气的剩余比例分别记为SSOC和SH2，计算公式如式(8)和式(9)所示。其中SOCinit为SOC的初始值，mH2_init为氢气的总量, CH2(t)是氢气的消耗量。常用的燃料电池氢气消耗量的测量方法有流量计法、温度压力法和功率估算法等方法，这里使用估算法，以燃料电池数据手册上的氢气消耗量为基础进行曲线拟合，得到燃料电池的氢气消耗量和输出功率的关系如式(10)所示。

图15 动态平衡能量管理策略算法流程图
Fig.15 Dynamic balance energy management strategy algorithm flow chart

将SSOC和SH2的差记为S，如式(11)所示。采用状态机能量管理策略的思路，以S值的大小作为判断依据将系统划分为3个工作状态，分别是S<-3%时锂电池电量相对不足的“负”状态，S处于-3%～3%之间的“均衡”状态和S>3%时锂电池电量相对较充裕的“正”状态。

(8)

(9)

10-6×PFC

(10)

S(t)=SSOC(t)-SH2(t)

(11)

在3种状态下分别执行不同的算法计算锂电池的输出功率，在状态为负的情况下通过枚举法计算得到使S的值变化量ΔS最小的锂电池功率Pbatt_1，如式(12)～式(14)所示，其中Pbatt(t)为锂电池的功率Ubatt(t)是锂电池的电压，Qtotal为总电荷量。在状态处于均衡时通过枚举法计算得到使燃料电池系统利用率最高的锂电池功率Pbatt_2。在状态为正的情况下使用期望法计算锂电池的期望输出功率Pbatt_3，将当前时刻S的值与初始SOC值的乘积记为desSOC，如式(15)所示，锂电池输出功率Pbatt_3计算公式如式(16)所示。

(12)

(13)

ΔS=ΔSSOC-ΔSH2

(14)

desSOC=(SSOC-SH2)·SOCinit

(15)

Pbatt_3(t)=desSOC(t)×Qtotal×Ubatt(t)

(16)

在计算得到锂电池的期望输出功率后，设置相应的惩罚系数。当系统状态为为负或均衡时根据SOC的大小设置惩罚系数，具体设置如图15中所示，当系统状态为正时不设置惩罚系数。

在第2种负载工况下对该算法进行验证，锂电池的额定额定容量设置为1.5 Ah，初始SOC为100%，仿真结果如图16所示。其中Pload2为第2种负载功率需求曲线，PFC为燃料电池输出功率，Pbatt为锂电池输出功率。可以看到锂电池SOC曲线与燃料电池氢气消耗曲线的变化趋势基本一致，计算得到锂电池的能量利用率ηSOC为75.46%，将燃料电池的氢气利用率记为ηH2，其计算方法与锂电池的类似，即已消耗的氢气与总氢气储量之比，计算得到ηH2为72.89%，二者之差仅为2.57%。

针对本文提出的能量管理策略，这里考虑引入一个参数Δn来表示能量管理策略的效果。在2种负载工况下使用不同的锂电池额定容量和初始条件进行验证，将锂电池的能量利用率ηSOC和燃料电池的氢气利用率ηH2之差记为Δn，结果如表4和表5所示。

图16 动态平衡能量管理策略控制结果
Fig.16 Dynamic balance energy management strategy control results

表4 第1种工况下的控制结果
Table 4 Control results under the first working condition

表5 第2种工况下的控制结果
Table 5 Control results under the second working condition

通过解析分析可以确定能耗和利用率差值的关系，通过两者之间关系可以确定Δn的合理范围。

(17)

(18)

由式(17)和式(18)可以得出

mfuel_comsu=mH2×Δn+

(19)

根据系统设计的初始能量储存参数可得

mfuel_comsu=8×Δn+14.259×SOCcomsu

(20)

由式(20)可以得出Δn和 均与SOCcomsu为正相关关系，但SOCcomsu与Δn呈负相关关系，即电池消耗越高。

(21)

(22)

根据上述分析可以得出一个线性规划模型：

OF:min(mfuel_comsu)=8×Δn+14.259×SOCcomsu

(23)

(24)

考虑到负载的不确定性，这里对无人机消耗能量EUAV_comsu取峰值和谷值赋在约束条件式(24) 中的第3个条件，经过线性求解器求解，可以得出Δn的值取到[-3.9,3.9]的范围内总的等效能耗较小。

将结果绘制成柱状图如图17所示。可以看到在多种负载工况和初始条件下Δn的绝对值的变化范围在1.84～3.88之间，处于合理的范围之内。结果表明锂电池和燃料电池的电量消耗处于相对平衡的状态，算法达到了设计的要求。

在同一中工况下对文中所提出的几种能量管理策略的氢耗量进行了计算，计算结果如图18柱状图中所示。可以看到动态规划能量管理策略优化后，系统的总等效能耗最小；动态平衡算法的氢耗量较大。动态平衡算法的目的主要在于保证2种电源能够均衡的使用，以保证不会出现某个电源先耗尽，从而影响整个动力系统的可靠性。

图17 动态平衡能量管理策略控制结果
Fig.17 Dynamic balance energy management strategy control results

图18 能量管理策略氢耗量计算结果
Fig.18 Energy management strategy hydrogen consumption calculation results

4 硬件设计和实验验证

能量管理控制器由DSP最小系统、信号采集模块、信号输出模块、信号总线连接端口组成。DSP最小系统包括DSP芯片外围电路的设计和电源模块的设计。信号采集模块负责采集传感器的电压和电流信号并通过信号总线对功率变换器进行控制从而控制电源的输出功率，其原理框图以及控制信号和功率流动如图19所示。

目前大多数对混合电源能量管理系统的研究仅通过仿真来进行，涉及到实时应用或实验测试的研究不足[25]。考虑到此问题，设计了基于DSP28335控制器的混合电源能量管理硬件系统，能够实时运行能量管理策略，对混合电源的输出功率进行优化控制。搭建地面测试实验平台如图20所示。

其中能量管理控制器由基于DSP28335的最小系统组成，包括信号采集模块、信号输出模块、信号总线连接端口。功率变换器使用了型号为NQ60W60HGx40的半砖DC/DC模块，其主电路原理图如图21所示。锂电池通过2块功率变换器1和2连接到负载母线，其中功率变换器1正向连接作为Boost变换器使锂电池放电，功率变换器2反向连接作为Buck变换器给锂电池充电。燃料电池发电系统包括了质子交换膜燃料电堆、氢气瓶、燃料电池控制器等，其通过功率变换器3连接到负载母线，使混合电源系统母线电压恒定。

使用Genesis的GEN7T数据采集仪对混合电源系统的电压电流进行采集，使用Chroma的63203A-150-300直流电子负载模拟无人机的飞行剖面负载功率需求，将所提出的能量管理策略移植到DSP嵌入式系统中进行实验验证，结果如图22所示。由于相应的功率变换器有功率损耗，因此燃料电池的输出功率PFC与锂电池的输出功率Pbatt之和大于负载功率，以式(25)计算其效率。

图19 EMS硬件系统结构框图
Fig.19 EMS hardware system structure diagram

图20 混合电源能量管理系统地面实验平台
Fig.20 Ground experimental platform for hybrid power energy management system

图21 DC-DC模块主电路原理图
Fig.21 DC-DC module main circuit schematic diagram

图22 实验结果图
Fig.22 Experimental result graph

(25)

针对实验结果经计算得到其效率约为93.2%， 结果证明了所设计的硬件系统满足要求。

为了验证所采用的能量管理策略实现对燃料电池和锂电池的能量消耗处于平衡状态的指标，同样采用Haar小波变换对混合电源系统内部部件应力和母线电压稳定进行分析，Haar小波变换最显著的特点是在其解耦下的高频分量期望值为0，因此可以用高频分量的标准差估计电源所受的应力大小，同理，该方法同样可以用来衡量长时间下的母线电压稳定性，该小波变换可利用MATLAB自带的小波变换工具箱实现。相关的解耦波形和指标计算结果分别见图23和图24所示。整个过程中燃料电池功率响应，锂电池功率响应和母线电压的高频分量波动指标分别为3.158 0，3.272 0和0.011 6，可以看出采用文中所提出的能量管理策略可以有效提高混合电源系统的利用率和稳定性。

图23 硬件平台实验下的功率响应和母线电压小波变换结果
Fig.23 Power response and bus voltage wavelet transform results under hardware platform experiment

图24 硬件平台实验下的混合电源系统应力和母线电压稳定性分析
Fig.24 Analysis of hybrid power system stress and bus voltage stability under hardware platform experiment

5 结 论

本文针对燃料电池无人机的不同工作场景，开展了基于多种工况下的几种典型能量管理策略对比研究，通过数值仿真分析和实验验证，得到如下结论：

1) 现有的能量管理策略在不同的工况条件下获得的最终优化控制效果差别较大，且没有针对无人机航空应用条件进行优化。

2) 提出的自适应动态平衡能量管理策略，在考虑燃料电池氢气总储量的条件下使主电源和辅助电源的能量消耗率尽可能地保持平衡，避免出现一种电源先耗尽的情况，能够提高无人机混合电源系统的稳定性。

3) 设计的混合电源能量管理系统具有较高的系统效率，在氢耗量消耗相对较小和电池电量平衡方面可以达到较好的控制效果。

后续工作将开展针对燃料电池无人机在高空环境下燃料电池电源输出的不确定性，结合分布式电推进飞机的能量需求匹配的能量管理优化策略研究。