ANN-Assisted Intelligent Control of a High-Gain Non-Isolated DC–DC Converter for PEM Fuel Cell Electric Vehicles
本文提出并验证了一种用于质子交换膜燃料电池电动汽车中高增益非隔离DC-DC变换器的PI-ANN混合控制策略，证明了将经过训练的人工神经网络与传统PI控制器相结合，与仅使用PI控制器相比，能显著改善瞬态响应和稳态精度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
电动汽车常因其静谧的嗡鸣声和零尾气排放而备受赞誉，但许多下一代设计的核心是一种完全不储存电力的化学电池。相反，它通过将氢气与氧气结合来按需发电，这一过程仅产生水作为副产品。这种被称为质子交换膜燃料电池的技术，提供了快速加油和长续航里程的前景，却也带来了一个根本性的电气特性：它产生的电压较低且不稳定，就像随天气起伏的溪流一样波动。为了驱动汽车沉重的电机，这种微弱且不稳定的电流必须被提升为强劲、稳定的电流。工程师们使用一种称为直流-直流（DC-DC）转换器的装置来解决这种不匹配，该装置充当了“电压电梯”，将燃料电池的低电压提升到车辆电机所需的高水平。然而，要让这个电梯平稳运行非常困难，因为燃料电池的输出在不断变化，而汽车对功率的需求也会随着驾驶员加速或爬坡而瞬间改变。
在一项新的研究中，印度维勒尔理工学院的研究人员开发了一种更智能的方法来管理这种燃料电池车辆的电压电梯。他们专注于一种特定的转换器类型，这种转换器可以在不需要笨重、沉重变压器的情况下显著提高电压。虽然这种转换器的物理设计已经已知，但挑战在于如何控制它。传统的控制器就像是一个恒温器上稳定的手，不断检查温度并进行微调以保持稳定。这在条件可预测时效果良好，但当燃料电池电压突然下降或负载发生剧烈变化时，反应会变得迟缓。研究人员提出了一种混合方法，将这种传统的“稳健之手”与一个能够预判问题的“数字大脑”结合起来。他们训练了一个人工神经网络——一种模仿人类大脑的计算机程序——来学习燃料电池输入、期望输出与负载之间的关系。这个数字大脑不再是等待错误发生后再进行纠正，而是根据当前状况计算出维持正确电压所需的精确设置，同时让传统控制器在后台运行，以捕捉预测可能遗漏的任何微小误差。
该团队并未为这次特定的测试构建物理原型；相反，他们创建了一个高度详细的转换器数学模型，并利用它生成了数千个数据点，代表系统在不同条件下的行为。他们将这些数据输入人工神经网络，教它识别模式并预测在任何给定情况下所需的精确控制信号。结果显示，该系统学习转换器行为的精度极高，其准确程度表明它几乎可以完美地模拟理想的控制信号。当研究人员在计算机模拟中测试这种新型混合系统时，结果令人瞩目。该系统仅用 5.2 毫秒就达到了 400 伏的目标电压，这不到传统控制器完成相同任务所需时间的一半。它还更快地进入了稳定状态，且几乎没有过冲（overshoot），这意味着电压在稳定下来之前没有出现危险的高峰。相比之下，传统控制器稳定所需的时间超过两倍，并且在找到平衡之前允许电压出现更广泛的波动。
这种改进至关重要，因为电动汽车需要能够对驾驶员指令做出瞬时反应的功率电子设备。反应迟缓会导致加速迟钝或动力系统不稳定，而系统过冲则可能损坏敏感部件。研究表明，通过让人工神经网络处理预测方面的繁重工作，并将传统控制器留给精细调节，系统变得既快速又稳定。研究人员指出，人工神经网络是使用直接从转换器数学模型生成的数据进行训练的，他们称之为“物理启发式”（physics-informed）方法。这意味着计算机学习的是支配该设备的物理定律，而不仅仅是记忆随机数字，这有助于它在面对未曾见过的场景时也能做出可靠的预测。最终系统维持输出电压的误差小于十分之一百分点，这种精度对于车辆的可靠运行至关重要。
尽管结果令人印象深刻，但作者谨慎地指出，这些发现来自计算机模拟。下一步计划是构建一个物理版本的控制器，并在实际硬件上进行测试。他们设想将该系统安装在数字芯片上，这些芯片能够运行足够快的计算，以跟上行驶中汽车的快速变化。如果成功，这种方法可以使燃料电池车辆更具响应性和效率，有助于克服使氢能运输成为现实的剩余障碍之一。这项工作证明，将传统的工程控制与现代人工智能相结合，可以解决两者无法单独高效解决的问题，为未来车辆更强大、更智能的动力系统开辟了一条道路。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。