基于强化学习的固体氧化物燃料电池输出电压自抗扰控制研究

管超骏; 雷正玲; 霍海波; 王芳; 姚国全; 刘涛

doi:10.12096/j.2096-4528.pgt.24017

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于强化学习的固体氧化物燃料电池输出电压自抗扰控制研究

新能源 | 更新时间：2025-06-15

- 基于强化学习的固体氧化物燃料电池输出电压自抗扰控制研究
- Active Disturbance Rejection Control of Output Voltage of Solid Oxide Fuel Cell Based on Reinforcement Learning
- “在固体氧化物燃料电池领域，专家建立了基于双延迟深度确定性策略梯度的改进型非线性自抗扰控制器体系，为提升系统性能及寿命提供理论参考。”
- 发电技术 2024年45卷第6期页码：1163-1172
- 作者机构：
  
  1.上海海洋大学工程学院，上海市浦东新区201306
  2.高性能舰船技术教育部重点实验室(武汉理工大学)，湖北省武汉市 430063
  3.上海海事大学交通运输学院，上海市浦东新区201306
- 作者简介：
  
  [ "管超骏(1994)，男，硕士研究生，研究方向为燃料电池建模与跟踪控制，17621922877@163.com；" ]
  [ "雷正玲(1988)，女，博士，讲师，研究方向为新能源动力系统建模与控制、基于深度学习方法的新能源功率预测等，本文通信作者，zllei@shou.edu.cn；" ]
  [ "姚国全(1987)，男，硕士，实验师，研究方向为船舶水动力学、船舶性能试验技术、海洋智能装备建模与控制等，604617856@qq.com；" ]
  [ "刘涛(1988)，男，博士，副教授，研究方向为人工智能、智能交通、大数据等，dlmult@hotmail.com。" ]
- 基金信息：
  
  国家自然科学基金项目(52301420;52071201);高性能舰船技术教育部重点实验室开放基金课题项目(GXNC23052801);上海市地方院校能力建设计划项目(23010502200)
- DOI：10.12096/j.2096-4528.pgt.24017
  中图分类号： TM 911.4;TP 273
- 收稿日期：2024-01-22，
  
  修回日期：2024-04-29，
  
  纸质出版日期：2024-12-31
- 稿件说明：
移动端阅览
管超骏,雷正玲,霍海波等.基于强化学习的固体氧化物燃料电池输出电压自抗扰控制研究[J].发电技术,2024,45(06):1163-1172.

GUAN Chaojun,LEI Zhengling,HUO Haibo,et al.Active Disturbance Rejection Control of Output Voltage of Solid Oxide Fuel Cell Based on Reinforcement Learning[J].Power Generation Technology,2024,45(06):1163-1172.
管超骏,雷正玲,霍海波等.基于强化学习的固体氧化物燃料电池输出电压自抗扰控制研究[J].发电技术,2024,45(06):1163-1172. DOI： 10.12096/j.2096-4528.pgt.24017.

GUAN Chaojun,LEI Zhengling,HUO Haibo,et al.Active Disturbance Rejection Control of Output Voltage of Solid Oxide Fuel Cell Based on Reinforcement Learning[J].Power Generation Technology,2024,45(06):1163-1172. DOI： 10.12096/j.2096-4528.pgt.24017.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于信息间隙决策理论鲁棒模型的户用微电网优化运行

考虑需求响应和碳交易的园区氢电耦合系统两阶段鲁棒优化调度

基于蒙特卡罗法的燃气轮机总体性能不确定性分析

碳交易条件下基于鲁棒优化的电源规划研究

基于丙烷催化部分氧化的微管式固体氧化物燃料电池系统特性研究

基于强化学习的固体氧化物燃料电池输出电压自抗扰控制研究

Active Disturbance Rejection Control of Output Voltage of Solid Oxide Fuel Cell Based on Reinforcement Learning

DOI：10.12096/j.2096-4528.pgt.24017