DETA蓄电池氢燃料电池公交车与纯电动公交车整体性能动态模拟及生命周期评价对比研究
发布时间：2026-04-08 20:21:37 点击： 次
本研究采用Simcenter Amesim与GREET软件，对氢燃料电池巴士（HFCB）和纯电动巴士（BEB）进行了全面的动态建模与环境影响评估。HFCB系统架构整合了燃料电池堆、电池组及超级电容器，通过基于规则的控制策略协调各组件，以在指定行驶工况下管理功率分配并提升能效。模拟结果表明，HFCB在行驶6英里距离时消耗411.5克高压氢气，燃料费成本显著低于传统动力系统。任务关键参数分析揭示了两种清洁能源巴士在生命周期温室气体排放方面的差异，其中燃料电池系统的无性向运行特性展现出更优的环境适应性。同人小说情景模拟进一步验证了混合储能配置对延长动力系统寿命的积极作用。当系统集成超级电容时，氢燃料需求量为5公里对应487克；若无超级电容支持，则需487克氢气。上述数值分别对应约211千瓦时/百公里和250千瓦时/百公里的比能耗。模拟过程中，电池荷电状态（SOC）从90%降至88.74%。相比之下，纯电动巴士仅依赖锂离子电池组，能耗达114.5千瓦时/百公里，SOC从90%下降至88.3%。生命周期评估结果表明，与传统柴油公交车相比，两种系统均能显著降低排放；然而，由于上游工艺更清洁且效率更高，采用太阳能电力的BEB展现出最低的生命周期排放量，尤其在二氧化碳和氮氧化物方面。HFCB虽能有效减少本地排放，但因效率较低及复杂的压缩存储流程，导致更高的硫氧化物和颗粒物排放。总体而言，研究得出结论：采用绿色电力供电并配备超级电容辅助架构的BEB，为城市交通提供了更具环境效益与能源效率的稳健替代方案。
气候变化、空气污染与化石燃料依赖持续加剧全球环境与能源安全挑战。交通运输部门仍是温室气体排放和城市空气污染的最大贡献源之一，在人口密集的大都市地区尤为显著。在加拿大、美国等国家，交通运输位列能源消耗最高的行业之一[[1], [2], [3]]。因此，推动公共交通系统向低排放技术转型已成为战略优先事项。政策驱动部署分析进一步表明，结构化激励措施能显著加速电池电动公交车（BEB）普及及配套二氧化碳2减排效果，凸显了将技术评估与能源政策规划相结合的重要性[4]。
氢燃料电池巴士（HFCBs）与纯电动巴士（BEBs）已成为柴油巴士的两种主流零排放替代方案。自2010年加拿大不列颠哥伦比亚省惠斯勒冬奥会等早期示范项目[5]以来，燃料电池巴士已证实其运行可行性。然而，这两种技术的环境效益与运行表现高度依赖于能源生产路径、电网结构及实际任务工况。
大量研究评估了电动与燃料电池公交车的全生命周期环境影响。生命周期评价（LCA）研究一致表明，相较于柴油公交车，纯电动公交车（BEBs）和氢燃料电池公交车（HFCBs）能显著减少温室气体排放，尤其在采用低碳电力或绿氢作为能源时[[6], [7], [8], [9], [10]]。进一步的生命周期分析表明，氢气制备路径对二氧化碳排放总量具有关键性影响。2排放，其中采用可再生能源供电的质子交换膜（PEM）电解技术展现出最低的生命周期环境影响[7]。
针对柴油、压缩天然气（CNG）、混合动力、电池驱动及燃料电池巴士的对比研究表明，尽管成本竞争力仍受基础设施和燃料费定价假设的显著影响[8,11,12]，电动巴士在全生命周期排放和能源效率方面通常优于传统技术。这些发现强调，上游能源路径与系统配置对决定整体环境绩效具有决定性作用。
除生命周期分析外，部分研究探讨了氢燃料电池汽车动态性能与混合动力系统架构问题。基于模拟的建模研究表明，将锂离子电池与燃料电池堆集成可提高瞬态驾驶条件下的能源效率、增强响应能力并降低燃料费消耗[[13], [14], [15], [16]]。当前越来越多采用融合电堆特性、电池动态特性和驾驶循环输入的高精度模型，以评估实际工况性能并支持车队级优化。
张等人同样研究了多尺度优化框架与机器学习辅助的堆栈建模技术，以提升燃料电池汽车（FCVs）的效率和运行稳定性[17]。这些研究共同凸显了动态模拟对于理解混合动力客车在实际运行场景中行为特征的重要性。
氢燃料电池巴士（HFCB）的能量管理策略（EMS）设计仍是当前关键研究方向。已有研究提出了多种EMS方案以优化燃料电池与车载储能系统间的功率分配。早期研究主要集中于基于规则和自适应控制策略，这得益于其结构简单、逻辑透明且易于在车辆控制单元中实时实现[16,18,19]。此类方法通过预定义控制阈值或启发式决策规则来维持电荷平衡，确保燃料电池稳定运行。更先进的能量管理系统框架已引入基于优化的方法和强化学习技术，以提升瞬态驾驶工况下的燃油经济性和系统性能[[20], [21], [22], [23], [24], [25]]。这些技术通过整合预测控制或数据驱动的学习机制，实现了更灵活的动力分配决策。此外，近期研究探索了机器学习辅助与退化感知的能量管理策略，以增强预测能力并考量燃料电池混合动力系统中组件老化效应[[25], [26], [27]]。
氢燃料电池汽车（HFCBs）的能量管理系统（EMS）可大致分为基于规则、模糊/自适应、基于优化以及强化学习（RL）等几类方法。本研究采用的基于规则EMS属于氢燃料电池汽车研究中广泛使用的基准类别。基于规则的控制方法仍占主导地位，因其具有透明度高、计算效率优异且易于在实时车辆控制单元中部署的特点。该方法尤其适用于Simcenter Amesim等高保真系统模拟环境——在这种环境中，确定性且可解释的控制逻辑有助于实现物理层面一致的能流追踪。
文献中还提出了更先进的能量管理策略。模糊逻辑与自适应规则基方法提升了切换平顺性与动态响应性，但需要大量校准与启发式调参。基于优化的策略（如等效燃油消耗最小化策略ECMS或极值搜索法）可实现接近最优的燃油经济性，但这些方法通常依赖简化的部件特性曲线，且会降低物理透明度。基于强化学习的能量管理策略能同步优化燃油经济性与耐久性目标，但其性能高度依赖于训练数据质量、奖励函数设计及泛化能力，且往往缺乏面向全生命周期整合研究的可解释性。表1汇总了不同控制策略的对比结果。
先进的EMS系统通过集成多层级智能策略——如交通感知控制、预测性能量管理及自适应优化机制——以提升整体系统性能。部分研究整合交通信息与实时控制逻辑，使燃料电池运行与驾驶工况及路线约束相协调[19,24]。另一些方案则采用预测控制或健康感知策略，通过考量部件状态与运行约束来提升能效及耐久性[22,25,26]。强化学习与深度学习方法亦被提出，用于在不确定驾驶环境下实现自适应、数据驱动的能量管理[23,28]。此外，考虑老化的功率管理框架已被开发，将蓄电池与燃料电池的衰老效应纳入能量管理系统设计[27]。尽管这些先进策略在氢能经济性和耐久性指标上展现出可量化的改进，但多数研究主要集中于运行优化，而非将瞬态动态行为与全生命周期环境评估相整合。
为解决燃料电池堆在快速读档转换期间动态响应迟缓的问题，并有效捕获再生制动能量，超电容已被提议作为辅助储能系统[18]。其高功率密度特性可改善瞬态读档处理能力，同时减轻电池系统压力。然而，超电容集成在系统层面的影响——特别是在路线特定驾驶条件下及生命周期框架内——仍需进一步探索。
尽管关于氢燃料电池巴士(HFCBs)和纯电动巴士(BEBs)已有大量研究，但在路径解析动态建模、三混能系统集成以及生命周期耦合方面仍存在关键空白。多数现有研究采用标准化驾驶循环和循环平均能耗方法，忽视了由实际路径特征（如海拔变化、坡度及启停动态）引起的瞬态功率波动。此外，虽然HFCBs的研究十分广泛，但在实际运行工况下，引入超级电容器进行瞬态读载缓冲对系统层级的影响尚未得到全面分析。更重要的是，动态模拟与生命周期评价(LCA)往往独立进行，或仅通过聚合能量指标进行关联，这限制了运行分析与环境评估之间的物理一致性。为克服这些局限性，本研究在Simcenter Amesim中开发了高保真、高度感知的氢燃料电池公交车（HFCB）与纯电动公交车（BEB）系统动态模拟，集成燃料电池-电池-超级电容协同架构，并将时间分辨的运行数据直接导入基于GREET的生命周期评价体系。该统一框架能评估瞬态能量交互、氢能与电力消耗轨迹，以及特定线路的生命周期排放，显著提升了模拟真实性与方法论整合度。据此，本研究的主要科学贡献可归纳为：
开发一种路线解析、高度感知的动态仿真框架，用于氢燃料电池客车（HFCB）与纯电动客车（BEB）的对比评估，避免使用恒定值或循环平均能量假设。
• 基于实际城市工况，对三混合HFCB架构中超级电容辅助瞬态功率缓冲进行系统级分析。
• 将时间相关的动态仿真输出结果整合传输至路径特定生命周期模型，以在环境评估中保留瞬态运行行为特征。
• 相对于传统双动力源或纯电池配置，揭示真实路线瞬态动力学对氢耗、电池应力及生命周期排放影响的对比机制。
• 建立连接HFCB系统动态动力总成仿真与全生命周期环境分析的统一评估框架。
引言
氢燃料电池巴士（HFCBs）与纯电动巴士（BEBs）已成为柴油巴士的两种主流零排放替代方案。自2010年加拿大不列颠哥伦比亚省惠斯勒冬奥会等早期示范项目[5]以来，燃料电池巴士已证实其运行可行性。然而，这两种技术的环境效益与运行表现高度依赖于能源生产路径、电网结构及实际任务工况。
大量研究评估了电动与燃料电池公交车的全生命周期环境影响。生命周期评价（LCA）研究一致表明，相较于柴油公交车，纯电动公交车（BEBs）和氢燃料电池公交车（HFCBs）能显著减少温室气体排放，尤其在采用低碳电力或绿氢作为能源时[[6], [7], [8], [9], [10]]。进一步的生命周期分析表明，氢气制备路径对二氧化碳排放总量具有关键性影响。2排放，其中采用可再生能源供电的质子交换膜（PEM）电解技术展现出最低的生命周期环境影响[7]。
针对柴油、压缩天然气（CNG）、混合动力、电池驱动及燃料电池巴士的对比研究表明，尽管成本竞争力仍受基础设施和燃料费定价假设的显著影响[8,11,12]，电动巴士在全生命周期排放和能源效率方面通常优于传统技术。这些发现强调，上游能源路径与系统配置对决定整体环境绩效具有决定性作用。
除生命周期分析外，部分研究探讨了氢燃料电池汽车动态性能与混合动力系统架构问题。基于模拟的建模研究表明，将锂离子电池与燃料电池堆集成可提高瞬态驾驶条件下的能源效率、增强响应能力并降低燃料费消耗[[13], [14], [15], [16]]。当前越来越多采用融合电堆特性、电池动态特性和驾驶循环输入的高精度模型，以评估实际工况性能并支持车队级优化。
张等人同样研究了多尺度优化框架与机器学习辅助的堆栈建模技术，以提升燃料电池汽车（FCVs）的效率和运行稳定性[17]。这些研究共同凸显了动态模拟对于理解混合动力客车在实际运行场景中行为特征的重要性。
氢燃料电池巴士（HFCB）的能量管理策略（EMS）设计仍是当前关键研究方向。已有研究提出了多种EMS方案以优化燃料电池与车载储能系统间的功率分配。早期研究主要集中于基于规则和自适应控制策略，这得益于其结构简单、逻辑透明且易于在车辆控制单元中实时实现[16,18,19]。此类方法通过预定义控制阈值或启发式决策规则来维持电荷平衡，确保燃料电池稳定运行。更先进的能量管理系统框架已引入基于优化的方法和强化学习技术，以提升瞬态驾驶工况下的燃油经济性和系统性能[[20], [21], [22], [23], [24], [25]]。这些技术通过整合预测控制或数据驱动的学习机制，实现了更灵活的动力分配决策。此外，近期研究探索了机器学习辅助与退化感知的能量管理策略，以增强预测能力并考量燃料电池混合动力系统中组件老化效应[[25], [26], [27]]。
氢燃料电池汽车（HFCBs）的能量管理系统（EMS）可大致分为基于规则、模糊/自适应、基于优化以及强化学习（RL）等几类方法。本研究采用的基于规则EMS属于氢燃料电池汽车研究中广泛使用的基准类别。基于规则的控制方法仍占主导地位，因其具有透明度高、计算效率优异且易于在实时车辆控制单元中部署的特点。该方法尤其适用于Simcenter Amesim等高保真系统模拟环境——在这种环境中，确定性且可解释的控制逻辑有助于实现物理层面一致的能流追踪。
文献中还提出了更先进的能量管理策略。模糊逻辑与自适应规则基方法提升了切换平顺性与动态响应性，但需要大量校准与启发式调参。基于优化的策略（如等效燃油消耗最小化策略ECMS或极值搜索法）可实现接近最优的燃油经济性，但这些方法通常依赖简化的部件特性曲线，且会降低物理透明度。基于强化学习的能量管理策略能同步优化燃油经济性与耐久性目标，但其性能高度依赖于训练数据质量、奖励函数设计及泛化能力，且往往缺乏面向全生命周期整合研究的可解释性。表1汇总了不同控制策略的对比结果。
先进的EMS系统通过集成多层级智能策略——如交通感知控制、预测性能量管理及自适应优化机制——以提升整体系统性能。部分研究整合交通信息与实时控制逻辑，使燃料电池运行与驾驶工况及路线约束相协调[19,24]。另一些方案则采用预测控制或健康感知策略，通过考量部件状态与运行约束来提升能效及耐久性[22,25,26]。强化学习与深度学习方法亦被提出，用于在不确定驾驶环境下实现自适应、数据驱动的能量管理[23,28]。此外，考虑老化的功率管理框架已被开发，将蓄电池与燃料电池的衰老效应纳入能量管理系统设计[27]。尽管这些先进策略在氢能经济性和耐久性指标上展现出可量化的改进，但多数研究主要集中于运行优化，而非将瞬态动态行为与全生命周期环境评估相整合。
为解决燃料电池堆在快速读档转换期间动态响应迟缓的问题，并有效捕获再生制动能量，超电容已被提议作为辅助储能系统[18]。其高功率密度特性可改善瞬态读档处理能力，同时减轻电池系统压力。然而，超电容集成在系统层面的影响——特别是在路线特定驾驶条件下及生命周期框架内——仍需进一步探索。
尽管关于氢燃料电池巴士(HFCBs)和纯电动巴士(BEBs)已有大量研究，但在路径解析动态建模、三混能系统集成以及生命周期耦合方面仍存在关键空白。多数现有研究采用标准化驾驶循环和循环平均能耗方法，忽视了由实际路径特征（如海拔变化、坡度及启停动态）引起的瞬态功率波动。此外，虽然HFCBs的研究十分广泛，但在实际运行工况下，引入超级电容器进行瞬态读载缓冲对系统层级的影响尚未得到全面分析。更重要的是，动态模拟与生命周期评价(LCA)往往独立进行，或仅通过聚合能量指标进行关联，这限制了运行分析与环境评估之间的物理一致性。为克服这些局限性，本研究在Simcenter Amesim中开发了高保真、高度感知的氢燃料电池公交车（HFCB）与纯电动公交车（BEB）系统动态模拟，集成燃料电池-电池-超级电容协同架构，并将时间分辨的运行数据直接导入基于GREET的生命周期评价体系。该统一框架能评估瞬态能量交互、氢能与电力消耗轨迹，以及特定线路的生命周期排放，显著提升了模拟真实性与方法论整合度。据此，本研究的主要科学贡献可归纳为：
开发一种路线解析、高度感知的动态仿真框架，用于氢燃料电池客车（HFCB）与纯电动客车（BEB）的对比评估，避免使用恒定值或循环平均能量假设。
• 基于实际城市工况，对三混合HFCB架构中超级电容辅助瞬态功率缓冲进行系统级分析。
• 将时间相关的动态仿真输出结果整合传输至路径特定生命周期模型，以在环境评估中保留瞬态运行行为特征。
• 相对于传统双动力源或纯电池配置，揭示真实路线瞬态动力学对氢耗、电池应力及生命周期排放影响的对比机制。
• 建立连接HFCB系统动态动力总成仿真与全生命周期环境分析的统一评估框架。