DOI: https://doi.org/10.1038/s41598-025-34256-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41507279
تاريخ النشر: 2026-01-08
المؤلف: Afshin Mostashiri وآخرون
الموضوع الرئيسي: تكنولوجيا المركبات الكهربائية والهجينة
نظرة عامة
تقدم هذه الورقة البحثية إطار عمل هجين للتحسين يهدف إلى التصميم المشترك الواعي للشيخوخة لحجم مكونات مجموعة نقل الحركة وأنظمة إدارة الطاقة (EMS) للمركبات الهجينة الكهربائية التي تعمل بخلايا الوقود (FCHEVs). يجمع الإطار بين قدرات البحث العالمية لخوارزمية NSGA-II متعددة الأهداف مع نقاط القوة في الضبط التكيفي لتقنيات التعلم العميق المعزز المستمر (DRL)، وتحديداً خوارزمية تدرج السياسة الحتمية العميقة (DDPG)، وDDPG المتأخر المزدوج (TD3)، وSoft Actor-Critic (SAC). يتم استخدام وحدة تحكم منطق ضبابي من النوع 2 لنظام EMS، مع تحسين المعلمات جنبًا إلى جنب مع عوامل التحجيم لكتلة خلايا الوقود، وحزمة البطارية، والمحرك الكهربائي. يهدف عملية التحسين إلى تقليل استهلاك الهيدروجين وتدهور المكونات مع الالتزام بقيود الأداء في العالم الحقيقي، والتي تم التحقق منها عبر دورات قيادة مختلفة.
تظهر النتائج أن نهج NSGA-II-DRL الهجين يعزز سلوك التقارب وتنوع واجهة باريتو مقارنةً بـ NSGA-II المستقلة. بينما ظل تدهور خلايا الوقود مستقراً عبر جميع الخوارزميات، لوحظت اختلافات ملحوظة في تدهور البطارية واستهلاك الوقود. على وجه التحديد، قلل NSGA-II-DDPG من التدهور ولكنه زاد من استهلاك الوقود بنسبة 7-14%، بينما حقق NSGA-II-SAC تقليلاً بنسبة 7-14% في استخدام الوقود على حساب زيادة تدهور بنسبة 3-7%. قدم NSGA-II-TD3 توفيرًا في الوقود مشابهًا لـ SAC مع زيادة فقط بنسبة 2-4% في التدهور. أكدت اختبارات المتانة تحت درجات الطرق المتغيرة على قابلية تكيف الإطار، وأكدت التحقق من صحة الأجهزة في الحلقة على متحكم STM32F7 القابلية الزمنية الحقيقية للاستراتيجيات، حيث أظهرت TD3 وSAC متانة فائقة تجاه تأثيرات تنفيذ الأجهزة. بشكل عام، تسلط الدراسة الضوء على إمكانيات إطار عمل NSGA-II-DRL الهجين لتحسين الاستكشاف وتنويع حلول باريتو في تحسين FCHEVs.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الاهتمام المتزايد في المركبات الهجينة الكهربائية التي تعمل بخلايا الوقود (FCHEVs) كحل للنقل منخفض الكربون، مع التأكيد على مزاياها في وقت إعادة التزود بالوقود والسفر لمسافات طويلة مقارنةً بالمركبات الكهربائية التي تعمل بالبطاريات. المركز في تشغيل FCHEVs هو استراتيجية إدارة الطاقة (EMS)، التي توزع الطاقة بشكل مثالي بين خلايا الوقود، والبطارية، والمحرك الكهربائي لتعزيز الكفاءة مع إدارة استهلاك الهيدروجين وتدهور المكونات. تناقش الورقة التفاعل الحاسم بين منطق التحكم في EMS وحجم مكونات مجموعة نقل الحركة، مشيرةً إلى أن الدراسات الحديثة قد ركزت بشكل متزايد على تحسين هذه الجوانب معًا لتحسين الأداء والموثوقية والمتانة.
يستعرض المؤلفون طرق التحسين المختلفة المستخدمة في هذا المجال، من الخوارزميات الجينية المبكرة إلى الأطر متعددة الأهداف الأكثر تعقيدًا التي توازن بين الأهداف المتنافسة مثل اقتصاد الوقود وتكلفة النظام. يسلطون الضوء على التحول في التركيز من مجرد مقاييس الأداء إلى اعتبارات شيخوخة المكونات والموثوقية، مدفوعًا بالإدراك بأن قرارات EMS تؤثر بشكل كبير على أنماط التدهور. تشمل التطورات الأخيرة دمج تقنيات التعلم المعزز (RL) لتطوير EMS، والتي تتكيف مع الظروف المتغيرة وتحسن الكفاءة على المدى الطويل. تحدد الورقة فجوة في تطبيق التعلم المعزز المستمر ضمن سياق إدارة طاقة FCHEV وتقترح إطار عمل هجين جديد يجمع بين قدرات الاستكشاف العالمية وتقنيات التكرير التكيفية. يتم التحقق من صحة هذا الإطار عبر دورات قيادة مختلفة ويشمل نماذج التدهور، مما ينتج في النهاية حلولًا مثالية من باريتو توازن بين الكفاءة والمتانة وقابلية القيادة، مع تأكيد القابلية الزمنية الحقيقية من خلال اختبار الأجهزة في الحلقة.
النتائج
تم تنظيم نتائج هذه الدراسة في أربعة أقسام رئيسية. يوضح القسم الأول أن إطار NSGA-II-DDPG المقترح يتفوق على NSGA-II التقليدية في مقاييس الأداء المختلفة عند تحسين كل من استراتيجية إدارة الطاقة (EMS) وحجم المكونات عبر دورات قيادة مختلفة. يوسع القسم الثاني التحليل من خلال مقارنة ثلاثة خوارزميات تعلم معزز—DDPG، TD3، وSAC—ضمن إطار NSGA-II-DRL الهجين لتحسين EMS وحجم المكونات بشكل مشترك عبر دورات القيادة TEH-CAR، UDDS، وWLTP-Class 3.
يقيم القسم الثالث متانة هذه الخوارزميات تحت ظروف تشغيل مختلفة، مع التركيز بشكل خاص على درجات الطرق بنسبة 3% و6%. أخيرًا، يوضح القسم الرابع التحقق من صحة الأجهزة في الحلقة (HIL)، حيث يتم تنفيذ واختبار وحدات التحكم المحسّنة NSGA-II-DRL عبر دورات قيادة مختلفة لتأكيد قابليتها الزمنية الحقيقية. تسلط هذه النتائج الضوء مجتمعة على فعالية وقابلية التطبيق العملي لإطار التحسين المقترح في السيناريوهات الواقعية.
نقاش
في هذا القسم، تناقش الدراسة نمذجة أداء المركبات الهجينة الكهربائية التي تعمل بخلايا الوقود (FCHEVs)، مع التركيز على دمج كتلة خلايا الوقود، وحزمة البطارية، والمحرك الكهربائي لتحسين إدارة الطاقة. يتم اشتقاق القوة الجرية الإجمالية المطلوبة لدفع المركبة من قوى مختلفة، بما في ذلك القوة الحركية، مقاومة الدرجة، مقاومة التدحرج، والسحب الهوائي. يبرز النموذج العلاقة بين استهلاك الهيدروجين وقوة خرج خلايا الوقود، حيث يتم حساب استهلاك الهيدروجين من خلال تكامل خرج الطاقة على مدى الزمن، مع الأخذ في الاعتبار كفاءة خلايا الوقود والقيمة الحرارية المنخفضة للهيدروجين. يتم أيضًا تناول شيخوخة خلايا الوقود، مع تسليط الضوء على كيفية تسبب الضغوط التشغيلية في التدهور، الذي يتم قياسه بواسطة معاملات تمثل آليات شيخوخة مختلفة.
تتفصل الدراسة أيضًا في نمذجة نظام البطارية، حيث تلتقط سلوكه الداخلي وديناميات حالة الشحن (SOC)، مع فرض حد أدنى من عتبة SOC لتقليل التدهور. يتم تحليل تأثيرات دورات القيادة على تشغيل FCHEV، مما يكشف كيف تؤثر سيناريوهات المرور المختلفة على أداء خلايا الوقود والبطارية. تستخدم الدراسة إطار عمل هجين يجمع بين خوارزمية الفرز غير المهيمنة II (NSGA-II) مع طرق التعلم المعزز (RL) لتحسين الحلول لحجم المكونات واستراتيجيات إدارة الطاقة. يهدف هذا النهج إلى تحقيق توازن بين كفاءة الوقود ومتانة النظام، مع معالجة التبادلات المعقدة المتأصلة في تصميم FCHEV. تؤكد النتائج على أهمية استراتيجية تحسين شاملة تأخذ في الاعتبار التفاعل بين خلايا الوقود، والمحرك الكهربائي، والبطارية تحت ظروف قيادة متغيرة.
DOI: https://doi.org/10.1038/s41598-025-34256-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41507279
Publication Date: 2026-01-08
Author(s): Afshin Mostashiri et al.
Primary Topic: Electric and Hybrid Vehicle Technologies
Overview
This research paper presents a hybrid optimization framework aimed at the aging-aware co-design of powertrain component sizing and energy management systems (EMS) for fuel cell hybrid electric vehicles (FCHEVs). The framework combines the global search capabilities of the NSGA-II multi-objective evolutionary algorithm with the adaptive fine-tuning strengths of continuous deep reinforcement learning (DRL) techniques, specifically Deep Deterministic Policy Gradient (DDPG), Twin Delayed DDPG (TD3), and Soft Actor-Critic (SAC). A Type-2 fuzzy logic controller is utilized for the EMS, with parameters optimized alongside the scaling factors of the fuel cell stack, battery pack, and electric motor. The optimization process aims to minimize hydrogen consumption and component degradation while adhering to real-world performance constraints, validated across various driving cycles.
The results demonstrate that the hybrid NSGA-II-DRL approach enhances convergence behavior and Pareto-front diversity compared to the standalone NSGA-II. While fuel cell aging remained stable across all algorithms, notable differences were observed in battery degradation and fuel consumption. Specifically, NSGA-II-DDPG minimized degradation but increased fuel consumption by 7-14%, whereas NSGA-II-SAC achieved a 7-14% reduction in fuel use at the expense of 3-7% higher degradation. NSGA-II-TD3 provided fuel savings similar to SAC with only a 2-4% increase in degradation. Robustness tests under varying road grades affirmed the framework’s adaptability, and hardware-in-the-loop validation on an STM32F7 microcontroller confirmed the real-time feasibility of the strategies, with TD3 and SAC exhibiting superior robustness to hardware implementation effects. Overall, the study highlights the potential of the hybrid NSGA-II-DRL framework to improve exploration and diversification of Pareto solutions in the optimization of FCHEVs.
Introduction
The introduction of this research paper highlights the growing interest in fuel cell hybrid electric vehicles (FCHEVs) as a solution for low-carbon transportation, emphasizing their advantages in refueling time and long-distance travel compared to battery-electric vehicles. Central to the operation of FCHEVs is the energy management strategy (EMS), which optimally allocates power among the fuel cell, battery, and electric motor to enhance efficiency while managing hydrogen consumption and component degradation. The paper discusses the critical interplay between EMS control logic and the sizing of powertrain components, noting that recent studies have increasingly focused on co-optimizing these aspects to improve performance, reliability, and durability.
The authors review various optimization methods employed in the field, from early genetic algorithms to more sophisticated multi-objective frameworks that balance competing goals such as fuel economy and system cost. They highlight the shift in focus from mere performance metrics to considerations of component aging and reliability, driven by the realization that EMS decisions significantly influence degradation patterns. Recent advancements include the integration of reinforcement learning (RL) techniques for EMS development, which adapt to varying conditions and optimize long-term efficiency. The paper identifies a gap in the application of continuous reinforcement learning within the context of FCHEV energy management and proposes a novel hybrid framework that combines global exploration capabilities with adaptive refinement techniques. This framework is validated across various driving cycles and incorporates degradation models, ultimately generating Pareto-optimal solutions that balance efficiency, durability, and drivability, with real-time feasibility confirmed through hardware-in-the-loop testing.
Results
The results of this study are structured into four key sections. The first section establishes that the proposed NSGA-II-DDPG framework outperforms the traditional NSGA-II in various performance metrics when optimizing both the energy management strategy (EMS) and component sizing across different driving cycles. The second section broadens the analysis by comparing three reinforcement learning algorithms—DDPG, TD3, and SAC—within a hybrid NSGA-II-DRL framework for joint EMS and component sizing optimization across the TEH-CAR, UDDS, and WLTP-Class 3 drive cycles.
The third section assesses the robustness of these algorithms under different operating conditions, specifically focusing on road grades of 3% and 6%. Finally, the fourth section details the hardware-in-the-loop (HIL) validation, where the optimized NSGA-II-DRL controllers are implemented and tested across various driving cycles to confirm their real-time applicability. These findings collectively highlight the effectiveness and practical viability of the proposed optimization framework in real-world scenarios.
Discussion
In this section, the research discusses the performance modeling of fuel cell hybrid electric vehicles (FCHEVs), focusing on the integration of a fuel cell stack, battery pack, and electric motor to optimize energy management. The total traction force required for vehicle propulsion is derived from various forces, including inertial, grade resistance, rolling resistance, and aerodynamic drag. The model emphasizes the relationship between hydrogen consumption and fuel cell output power, with hydrogen consumption calculated through the integration of power output over time, considering the fuel cell’s efficiency and the lower heating value of hydrogen. The aging of the fuel cell is also addressed, highlighting how operational stressors lead to degradation, quantified by coefficients representing different aging mechanisms.
The study further details the modeling of the battery system, capturing its internal behavior and state of charge (SOC) dynamics, while enforcing a minimum SOC threshold to mitigate degradation. The effects of driving cycles on FCHEV operation are analyzed, revealing how different traffic scenarios impact fuel cell and battery performance. The research employs a hybrid optimization framework combining Non-dominated Sorting Genetic Algorithm II (NSGA-II) with reinforcement learning (RL) methods to refine solutions for component sizing and energy management strategies. This approach aims to balance fuel efficiency and system durability, addressing the complex trade-offs inherent in FCHEV design. The findings underscore the importance of a holistic optimization strategy that considers the interplay between the fuel cell, electric motor, and battery under varying driving conditions.