使用田忌赛马优化质子交换膜燃料电池设计参数

朝更清洁电力的赛跑

氢燃料电池为汽车、家庭和备用电源系统提供安静、清洁的电力，但前提是我们能对它们进行准确建模与控制。本文展示了一种源自中国古代赛马故事的非凡算法，如何比许多现代对手更精确地调校燃料电池模型，进而有望让氢能技术更可靠、更易于并入实际能源系统。

这些燃料电池如何发电

质子交换膜燃料电池（PEMFC）将氢气和氧气转化为电能、热量与水。在每个电池内部，氢气到达一侧（阳极），在那里分解为带正电的质子和电子。质子通过薄薄的类塑料膜滑过，而电子则必须绕着外部电路行进，在途中完成有用的功。在另一侧（阴极），质子、电子和氧气重新结合生成水。许多个体电池叠加在一起以达到实用电压，形成用于车辆和固定电源装置的燃料电池堆。为设计、控制和诊断这些系统，工程师依赖数学模型来预测在特定工作条件（如温度、压力和气体湿度）下堆的电压。

为什么难以获得准确模型

即便是像Amphlett模型这样被广泛使用的表示法，也有若干关键参数无法直接测量。例如它们描述了电极处反应进行的速率、质子在膜中移动的难易程度，以及在反应位点附近气体耗尽时损失的电压量。这些隐藏的数值必须通过将模型的电压—电流曲线与真实燃料电池堆的实验数据匹配来推断。匹配过程很棘手：底层物理高度非线性，许多不同的参数组合都可能看起来合理。在过去十年中，研究者转向所谓的元启发式算法——受动物、物理或人类行为启发的搜索方法——以寻找能最小化模型预测与测量差异的参数集。

从古代赛马到现代优化

本研究探索的方法称为田忌赛马优化（THRO），基于一个著名故事：将军田忌通过策略性配对马匹，而不是简单地强对强，赢得了国王的三场赛。算法版本中，将问题的候选解视为属于两个马厩的马匹。在每次迭代中，这些“马”会被排序并以不同方式配对——有时弱对强、有时强对强——以鼓励广泛的探索与细致的调优。每场“赛后”，算法更新马匹的属性，推动它们向更好表现靠拢，同时注入受控的随机性。该动态配对与训练方案旨在避免陷入次优解，同时稳步逼近最佳参数集。

将新方法付诸测试

作者将THRO应用于六种知名商业PEMFC堆，从小型250瓦单元到更大型的系统，如NedStack PS6和Ballard Mark V。对每个堆，目标是调整七个模型参数，使模型电压在各种工况下紧密跟踪实验电压—电流数据。THRO的表现与五种近期元启发式方法进行了比较，这些方法带有诸如洪水算法、教育竞赛优化器、开普勒优化算法、海市蜃楼算法和蜘蛛黄蜂优化器等富有色彩的名称。所有算法使用相同数量的候选解和迭代次数，每项测试重复30次以评估可靠性。在所有堆上，THRO始终得到最低的平方误差和——也就是与真实数据最接近的拟合——并且令人瞩目的是，其结果在多次运行间仅有极小差异，显示出非常稳定的收敛性。

这些数字对真实系统意味着什么

除了原始误差分数外，研究还考察了算法的收敛速度与平滑性、对随机起点的敏感性以及所得参数在新工况下的表现。THRO不仅在准确性上匹配或优于竞争方法，而且在每次运行中几乎产生相同的参数集，并通过了更严格的统计显著性检验。经调优的模型用于预测不同气体压力和温度下的燃料电池行为时，其曲线仍与实验测量值一致，显示出良好的泛化能力。主要的权衡是THRO的计算时间有时略长于运行最快的竞争者，不过其费用对于离线设计与分析仍在合理范围内。

这对能源转型的重要性

对非专业读者而言，结论很简单：更好的燃料电池模型调校能带来更佳的设计、控制与健康监测。通过可靠地找到使模型在不同商业堆和工况下都能贴近现实的参数集，田忌赛马方法为工程师提供了一个强有力的新工具。尽管目前主要适用于离线场景，但与更快方法结合或加以改进后，可能更接近实时应用，助力燃料电池技术在向远离化石燃料的更广泛转型中兑现其清洁且灵活的电力承诺。

引用: Bouali, Y., Imarazene, K., Alamri, B. et al. Optimization of proton exchange membrane fuel cell design parameters using Tianji’s horse racing optimization. Sci Rep 16, 4980 (2026). https://doi.org/10.1038/s41598-026-35200-6

关键词: 质子交换膜燃料电池, 氢能, 优化算法, 模型校准, 可再生电力