动态温控抑制60kW质子交换膜燃料电池异常水淹：建模与2000小时实船验证

本文创新性地采用LSTM（长短期记忆网络）数据增强方法，结合深度强化学习（DRL）算法（DQN/DDPG），显著提升了氢电混合船舶能源管理系统（EMS）在未知航行条件下的泛化性能。研究通过"三峡氢舟1号"实船数据验证，LSTM-DDPG策略使燃料电池（FC）运行压力降低5.82%，氢耗减少2.13%，为应对航运碳减排挑战提供了智能化的能量管理解决方案。

　　

Highlight

● DRL驱动的能源管理策略：基于深度强化学习（DRL）的能源管理策略利用实际航行数据训练，在复杂工况下展现出卓越的决策能力。

● 泛化性能突破：通过LSTM模型对推进功率数据进行增强，使DRL策略在未知航行条件下的适应能力显著提升，FC系统压力波动降低近6%。

● 多目标优化平衡：研究揭示了燃料电池运行压力与氢耗之间的动态平衡机制，为LSTM-DDPG算法的权重设置提供科学依据。

Conclusions

本研究表明，通过LSTM数据增强的DRL策略能有效提升氢电混合动力系统在未知航行条件下的适应性。采用MiLs（模型在环）方法对比显示，LSTM-DDPG算法较原始版本使FC运行压力降低5.82%（工况1）和1.86%（工况2），氢耗分别减少0.80%和2.13%。该成果为船舶能源管理系统的智能化升级提供了关键技术支撑，同时验证了数据增强在提升DRL模型泛化能力方面的核心作用。