在“双碳”战略背景下，国家大力 发展光伏发电、风力发电等可再生能源技术，而通过直流微电网接入分布式可再生能源成为一种重要的能源消纳方式。2026年4月，人工智能学院协同控制团队联合龙子湖新能源实验室聚焦质子交换膜电解槽稳定性控制和电氢微电网混合储能控制等关键方向，在电气领域国际顶级期刊《IEEE Transactions on Industrial Electronics》、《IEEE Journal of Emerging and Selected Topics in Power Electronics》和《IEEE Transactions on Power Electronics》上发表系列研究成果。

针对PEM电解槽整数阶建模和控制方法难以准确描述和抑制这些复杂动态特性的问题，提出了一种基于分数阶模型的预测控制策略。该方法通过建立分数阶等效电路模型，并构造出分数阶传递函数及状态空间方程实现控制效果，减小PEM电解槽运行时的电流电压纹波。通过硬件平台验证了控制策略的有效性，实验结果如图所示，分数阶控制使电流纹波降低28.1%-34.3%，电压纹波降低20.6%-21.7%，显著提升了PEM电解槽的动态稳定性。该项成果发表于电气工程领域国际顶级刊物《IEEE Transactions on Industrial Electronics》（一区TOP），论文题目为“Dynamic Fractional-Order Model Predictive Control of Integrated PEM Electrolyzer and DC-DC Converter based on Equivalent Circuits.”

针对质子交换膜电解槽在电氢微电网中因强非线性特性所导致的电流纹波问题，团队提出一种基于扩张状态观测器与模型预测控制协同的鲁棒电流跟踪框架。该方法将系统模型分解为标称线性部分与集总非线性扰动项，利用扩张状态观测器实时估计并多步预测非线性动态，动态更新模型预测控制的内部模型，从而实现对模型不确定性的在线补偿。硬件在环实验表明所提方法在实际电解工况下可将电流纹波降低29.00%，从而有效延长了电解槽的使用寿命。该成果发表在电气工程领域国际顶级刊物《IEEE Transactions on Power Electronics》（一区TOP），论文题目为“A Synergistic ESO-MPC Framework for Robust Current Tracking in PEM Electrolyzers

under Nonlinear Voltage Disturbances”，链接https://ieeexplore.ieee.org/document/11434555.

针对氢电微电网能量存储系统中参数不匹配导致的电压波动问题，团队提出了一种基于迭代学习的解耦模型预测控制（ILD-MPC）方法。该方法通过从周期性模型预测误差中实时解耦并估计不确定参数，以此动态更新MPC预测模型，实现了对模型扰动的在线精准补偿。实验结果表明，该方法可将稳态电压纹波降低37.5%-73%，显著提升了系统的控制精度与鲁棒性。相关成果发表于电气工程领域国际顶级刊物《IEEE Journal of Emerging and Selected Topics in Power Electronics》（二区TOP），论文题目为“Iterative Learning-Based MPC for Parameter Uncertainty Decoupling and Compensation in DC Microgrids.”，链接https://ieeexplore.ieee.org/document/11418689.

该系列成果为人工智能学院研究生罗煜鹏、刘中华、王维一在张西镚副教授的指导下完成。该研究工作得到国家自然科学基金项目的支持。该系列工作为解决氢电微电网稳定运行等关键问题提供了创新方案，不仅具有重要的学术价值，也为未来大规模应用提供了实践依据。