CN102412405A - 通过堆健康监控器的离散最小电池电压输出来预测最小电池电压的方法 - Google Patents

Abstract

本发明涉及通过堆健康监控器的离散最小电池电压输出来预测最小电池电压的方法。具体地，一种对燃料电池堆的参数进行估算的系统。系统包括堆健康监控设备，其用于对燃料电池堆的最小电池电压、堆电压和电流密度进行监控。堆健康监控器还指示何时达到预定最小电池电压阈值水平。系统还包括控制器，其配置成控制燃料电池堆，其中控制器确定并记录平均燃料电池电压。每次最小电池电压降低至低于一个或多个预定最小电池电压阈值水平，控制器产生并存储与一个或多个预定最小电池电压阈值水平相接近的人工数据点，从而提供燃料电池堆参数的估算，所述燃料电池堆参数包括最小电池电压趋势以及最小电池电压极化曲线。

Description

通过堆健康监控器的离散最小电池电压输出来预测最小电池电压的方法

发明领域

本发明总体涉及一种对燃料电池堆中的燃料电池的最小电池电压趋势进行预测的系统及方法，尤其涉及使用来自堆健康监控器的离散的最小电池电压输出来对燃料电池堆中的燃料电池的最小电池电压趋势进行预测的系统及方法。

背景技术

氢是非常引人注意的燃料，因为其是清洁的并且可以被用于在燃料电池中有效地产生电。氢燃料电池是包括阳极和阴极以及其间的电解质的电化学装置。阳极接收氢气并且阴极接收氧或空气。氢气在阳极中离解从而产生自由氢质子和电子。氢质子穿过电解质到达阴极。氢质子与阴极中的氧和电子反应从而产生水。来自阳极的电子不能穿过电解质，并且因而被引导通过负载从而在被传送到阴极之前做功。

质子交换膜燃料电池(PEMFC)是车辆常用的燃料电池。PEMFC通常包括固体聚合物电解质质子传导膜，例如全氟磺酸膜。阳极和阴极通常包括被支撑在碳颗粒上且与离聚物混合的磨碎的催化颗粒，通常是铂(Pt)。催化混合物被沉积在膜的相对侧上。阳极催化混合物、阴极催化混合物和膜的组合限定了膜电极组件(MEA)。MEA的制造是相对昂贵的并且需要特定条件来有效操作。

在燃料电池堆中通常可以组合多个燃料电池从而产生所需功率。燃料电池堆接收阴极输入气体(通常是被压缩机驱动通过所述堆的空气流)。并不是所有的氧均被堆所消耗，一些空气作为阴极排出气体被输出，该阴极排出气体可以包括水作为堆副产品。燃料电池堆也接收流入堆阳极侧的阳极氢输入气体。

堆控制器需要知道燃料电池堆的电流/电压关系，也称为极化曲线，以提供来自堆的功率的合适分布。电池的电压和电流之间的关系因为其是非线性的并且依赖于许多变量(包括堆温度、堆分压以及阴极和阳极的化学计量)而变化，而往往难以限定。另外，堆的电流和电压之间的关系随着堆随时间推移而退化。尤其是，具有低电池电压的老堆，将比新的、没有退化的堆需要提供更多的电流以满足功率的需求。幸运地是，许多燃料电池系统，一旦它们高于某温度，将趋势在给定的电流密度处具有可重复的工作条件。在那些情况，电压可以近似地描述为堆电流密度和老化的函数。

对于监控堆健康以及保护堆的免受逆向电压的损坏来说，燃料电池堆中的燃料电池的最小电池电压是非常重要的参数。另外，最小电池电压用于许多的控制燃料电池堆的目的，诸如功率极限算法、阳极氮流出、诊断功能等。然而，公知的采用连续的最小电池电压输出且具有0.5mV分辨率的电池电压监控器的成本是极其昂贵的。因此，本领域中需要用于确定燃料电池堆中的燃料电池的最小电池电压而不需要使用昂贵的监控部件，包括与在每个时间阶段记录和存储监控部件提供信息的相关成本。

发明内容

根据本发明的教导，公开了一种对燃料电池堆的参数进行估算的系统。系统包括堆健康监控设备，其用于对燃料电池堆的最小电池电压、堆电压和电流密度进行监控。堆健康监控器还指示何时达到预定最小电池电压阈值水平。系统还包括控制器，其配置成控制燃料电池堆，其中控制器确定并记录平均燃料电池电压。每次最小电池电压降低至低于一个或多个预定最小电池电压阈值水平，控制器产生并存储与一个或多个预定最小电池电压阈值水平相接近的人工数据点，从而提供燃料电池堆参数的估算，所述燃料电池堆参数包括最小电池电压趋势以及最小电池电压极化曲线。

结合附图从下述说明和所附权利要求中可以显而易见到本发明的附加特征。

本发明还提供了如下方案：

1.一种用于对燃料电池堆中的燃料电池的最小电池电压趋势进行预测的方法，所述方法包括：

对所述燃料电池堆的燃料电池堆电压和电流密度进行监控；

基于所述堆中的燃料电池的数量，从测量的堆电压确定平均电池电压；

对所述堆中的电池的最小电池电压进行监控；

确定所述最小电池电压是否降低到低于第一预定阈值；

如果所述最小电池电压降低到低于所述第一预定阈值，产生接近所述第一阈值的电池电压的第一组人工数据点；

确定所述最小电池电压是否降低到低于第二预定阈值，其中所述第二预定阈值小于所述第一预定阈值；

如果所述最小电池电压降低到低于所述第二预定阈值，产生接近所述第二阈值的电池电压的第二组人工数据点；以及

基于所述平均电池电压、所述电流密度以及所述第一和第二组人工数据点来估算燃料电池堆参数，从而预测所述堆中的燃料电池的所述最小电池电压趋势以及最小电池电压极化曲线。

2.根据方案1所述的方法，其中产生所述第一组人工数据点包括产生在接近于所述最小电池电压的所述第一预定阈值的预定电流密度范围内的所述第一组人工数据点。

3.根据方案1所述的方法，其中产生所述第二组人工数据点包括产生在接近于所述最小电池电压的所述第二预定阈值的预定电流密度范围内的所述第二组人工数据点。

4.根据方案1所述的方法，其中估算所述燃料电池堆参数是在所述估算开始后通过使用所述燃料电池堆的实时平均电池电压和相应的电流密度数据来连续执行。

5.根据方案1所述的方法，进一步包括使用功率极限算法以对所述估算的燃料电池堆参数进行积分，从而防止燃料电池电势发生反转。

6.根据方案1所述的方法，其中对最小电池电压、平均电池电压以及电流密度进行监控包括使用堆健康监控器。

7.根据方案1所述的方法，其中对平均电池电压和电流密度进行监控包括使用升压转换器。

8.一种对燃料电池堆中的燃料电池的最小电池电压趋势进行预测的方法，所述方法包括：

测量所述燃料电池堆的燃料电池堆电压和电流密度；

基于所述堆中的燃料电池的数量，从测量的堆电压确定平均燃料电池电压；

测量所述堆中的燃料电池的最小电池电压；

确定所述最小电池电压是否降低到低于预定阈值；

如果所述最小电池电压降低到低于所述预定阈值，产生接近所述预定阈值的燃料电池电压的人工数据点；

存储所述平均电池电压、所述电流密度和所述人工数据点；以及

从所述存储的平均电池电压、所述电流密度和所述人工数据点而对所述最小电池电压趋势和最小电池电压极化曲线进行预测。

9.根据方案8所述的方法，其中产生所述人工数据点包括产生在接近于所述平均电池电压的所述预定阈值的预定电流密度范围内的所述人工数据点。

10.根据方案8所述的方法，进一步包括当由所述电流密度范围确定所存储的信息量足够时，使用所存储的平均电池电压、电流密度和所述人工数据点而估算堆参数。

11.根据方案10所述的方法，其中估算所述燃料电池堆参数是在所述估算开始后通过使用所述燃料电池堆的实时平均电池电压和相应的电流密度数据来连续执行。

12.根据方案11所述的方法，其中如果在初始地达到所述预定阈值之后，所述燃料电池系统没有达到所述预定阈值时，来自所述实时平均电池电压和所述相应的电流密度的所述最小电池电压的所述估算的值将逐渐地变得接近于所述平均电池电压和所述相应的电流密度。

13.根据方案8所述的方法，其中测量最小电池电压、堆电压以及电流密度包括使用堆健康监控器。

14.根据方案8所述的方法，其中测量堆电压和电流密度包括使用升压转换器。

15.一种对燃料电池堆的参数进行估算的系统，所述系统包括：

堆健康监控设备，其用于对所述堆中的燃料电池的最小电池电压、所述燃料电池堆的堆电压和电流密度进行监控，其中所述堆健康监控器指示何时达到预定最小电池电压阈值水平；以及

控制器，其配置成控制所述燃料电池堆，所述控制器基于堆电压和所述堆中的燃料电池的数量而确定并记录所述平均燃料电池电压，每次所述最小电池电压降低至低于一个或多个预定最小电池电压阈值水平，所述控制器产生并存储与一个或多个预定最小电池电压阈值水平相接近的人工数据点，其通过所述堆健康监控器指示，从而提供所述燃料电池堆参数的估算，所述燃料电池堆参数包括最小电池电压趋势以及最小电池电压极化曲线。

16.根据方案15所述的系统，其中一旦由所述电流密度范围确定收集的数据量足够，所述控制器估算所述燃料电池堆参数。

17.根据方案16所述的系统，其中所述控制器在所述估算开始后通过使用所述燃料电池堆的实时平均电池电压和相应的电流密度数据来连续估算所述燃料电池堆参数。

18.根据方案15所述的系统，其中所述控制器产生并存储在每个预定最小电压阈值水平的预定电流密度范围内的所述人工数据点。

19.根据方案15所述的系统，其中所述控制器包括功率极限算法以防止燃料电池电势发生反转。

20.根据方案15所述的系统，进一步包括升压转换器，其用于测量所述平均燃料电池电压和电流密度。

附图说明

图1是横轴为堆电流密度、纵轴为堆电压的曲线图，其示出了新堆和旧堆的燃料电池堆极化曲线；

图2是燃料电池系统的框图，其包括燃料电池堆、堆健康监控器以及控制器；

图3是流程图，其示出了在线估算燃料电池堆的极化曲线的算法的过程；

图4是流程图，其示出了估算燃料电池堆的极化曲线的算法的过程；以及

图5是横轴为堆电流密度、纵轴为电池电压的曲线图，其示出了预测的最小电池电压趋势的精确度。

具体实施方式

以下是本发明的实施方式的讨论，本发明的实施方式的讨论涉及对燃料电池堆中的燃料电池的最小电池电压趋势进行预测的系统和方法，其实质上仅仅是示例性的，而绝不是对本发明或其应用和使用的限制。

燃料电池系统的许多控制参数需要知道燃料电池堆的极化曲线，诸如知道可从燃料电池堆中汲取的最大电势和电流。由于堆的老化，堆的极化曲线还因为堆的退化而变化。图1是横轴为堆电流密度、纵轴为平均电池电压的曲线图。曲线10是新的燃料电池堆的极化曲线，而曲线12是老化的燃料电池堆的极化曲线，其中对于相同的堆电流密度，老堆的平均电池电压减少。因此，有必要更新堆的极化曲线，这样可以精确地确定各种控制参数以使得燃料电池堆有效地运行。

图2是燃料电池系统18的框图，其包括燃料电池堆20、堆健康监控器22和控制器24。控制器24接收来自堆健康控制器22的数据并使用从堆健康控制器22收集的数据，诸如最小电池电压、平均电池电压和电流密度，和是否达到了一个或多个电池电压触发水平，以在至少一个最小电池电压阈值水平触发已达到时，计算堆20的最小电池电压极化曲线，正如以下详细描述。在替代的实施方式中，可使用单独的最小电池电压监控设备以测量最小电池电压，而堆健康监控器22收集关于平均电池电压和电流密度的数据。

基于平均电池电压和堆电流密度的极化曲线，以及基于最小电池电压和堆电流密度的极化曲线往往是同时地估算的。图3是流程图30，示出了用于通过控制器24来计算燃料电池堆的极化曲线的算法的高水平运行。在框32中，算法等待燃料电池堆20以运行并提供功率。当燃料电池堆20提供功率时，算法将不会记录框34中的最小电池电压的电压数据，直到达到最小电池电压的触发水平，即使最小电池电压被连续地监控，如下详细的讨论。

在之前公开的用于计算最小电池电压极化曲线的算法中，名称为“Algorithm for Online Adaptive Polarization Curve Estimation of a Fuel CellStack”的美国专利申请11/669,898被授予本申请的受让人并以引用方式并入本文，该算法使用所有连续的堆电流密度数据和堆电压数据以计算平均电池电压和最小电池电压，或者可监控堆中的每个燃料电池的电池电压以确定平均电池电压和最小电池电压。因此，所有连续的数据被使用和存储在控制器的存储器中，例如控制器24，由于记录和存储的数据量而使得成本很高，并且与需要连续地执行这些测量的部件相关的成本也很高。另外，关于平均电池电压和相应的极化曲线的动态信息是不知道的，因为极化曲线是在燃料电池堆已经关闭之后确定的。

以下讨论的用于确定燃料电池堆20的最小电池电压趋势的算法不记录和存储在燃料电池堆20关闭之前输入的所有连续的最小电池电压数据。而是，算法使用来自堆健康监控器22并由堆健康监控器所确定的信息，例如最小电池电压、平均燃料电池电压和电流密度，以在达到最小电池电压的一个或多个触发水平之后估算堆参数。这样，关于最小电池电压的数据不需要在每个时间阶段记录和存储，因此减少了与记录和存储关于最小电池电压的数据相关的成本。另外，算法是动态的，因此一旦达到一个或多个触发水平，能立即反应电池电压和相应的电流密度的变化。提供多个触发水平将使得算法更好地预测燃料电池堆20是否将重新获得电压或电压继续下降，接下来将进行更为详细的讨论。

图4是在框34中的基于平均电池电压和相应的电流密度并使用最小电池电压的两个触发水平来估算堆参数的算法的流程图40，以下将进行更为详细的描述。随着堆健康监控器22输出关于最小电池电压、平均电池电压和相应的电流密度、以及对于给定的电流密度的最小电池电压的多个(一个或更多)离散的水平，算法除了连续的平均电池电压数据以外使用最小电池电压输出的多个离散的水平，以预测最小电池电压趋势和最小电池电压极化曲线。可由堆健康监控器22、升压转换器或者各种其他的电池电压测量设备来提供连续的平均电池电压和电流密度数据。

如上所讨论的，不是在每个时间阶段都记录最小电池电压。而是，仅仅在如果达到一个或多个预定阈值触发水平时才记录最小电池电压和相应的电流密度。在框44中通过控制器24收集平均电池电压和电流密度数据并将其存储为被电流密度数值所划分的数据库，这是在一旦燃料电池系统18处于运行状态时即开始。接下来，在判断菱形块46中确定是否已经达到最小电池电压的第一阈值水平触发，其指示了堆中的燃料电池已经达到阈值水平。

例如，如果堆中的一个电池具有0.45伏特的电压并且相应的电流密度为0.8A/cm²，最小电池电压可被触发。如果是，在框48中，堆健康监控器指示已经发生触发，并且存储的平均电池电压数据在附近的库(bins)中被重写。用于参数估算的存入数据库中的数据可以是例如0.45伏特，其作为0.8±c的电流密度范围的最小电池电压，其中c可以是调制的参数，如图5中所示，讨论如下。

框48中数据在附近的库中重写有助于显示处于预定触发水平的最小电池电压，因此使得算法可以更精确地预测参数估算，即，最小电池电压趋势和最小电池电压极化曲线，其使得控制器24能够设定燃料电池堆20的期望的电流设定值。

在判断菱形块46中，一旦达到第一触发水平且框48中数据在附近的库中被重写，那么在判断菱形块50中，算法确定最小电池电压的第二阈值水平触发是否已经达到。例如，第二触发水平的最小电池电压触发可能是0.30伏特，相应的电流密度可为1.0A/cm²。如果是，堆健康监控器指示第二触发已经发生并且框52中存储的平均电池电压数据在附近的库中被重写，其中存入数据库中的数据可为例如0.30伏特，其作为1.0±c的电流密度范围的最小电池电压，其中c可以是调节的参数，如图5中所示，并如下讨论。根据一个实施方式，如果第二触发水平还没有达到，在框44中，算法继续收集平均电池电压和相应的电流密度数据并不估算参数。在替代的实施方式中，参数估算可在第一触发水平达到后开始，而不管第二触发水平是否已经达到，如下将更详细地讨论。

在判断菱形块46和50中，一旦第一和第二触发水平分别已经达到，且在框48和52中，数据在附近的库中分别被重写，算法将验证收集的数据是否足够以估算堆20的参数。如果数据足够，算法估算燃料电池系统参数，包括最小电池电压趋势和最小电池电压极化曲线，如图3中的框36中所示。在框36中，参数估算使用与以上讨论的在之前公开的算法中用于确定最小电池电压极化曲线相同的方程，但是在方程中使用的数据是不同的。尤其，在框48和52中，在附近的库中被重写的数据引起更多接近第一和第二触发水平的数据点，因此不需要在每个时间阶段都收集最小电池电压和电流密度数据而提供最小电池电压的极化曲线的更有力的估算。假设最小电池电压的极化曲线是基于示出最小电池电压和电流密度变化之间关联的实验数据而存在。

图5是横轴为堆电流密度、纵轴为电池电压的曲线图，其示出了根据本发明的算法而形成的人工数据点。数据点群集70表示在框48中在附近的库中重写的人工形成的数据点，数据点群集72表示在框52中在附近的库中重写的人工形成的数据点。线76示出了根据以上讨论的、在之前公开的算法而估算的参数，线78示出了根据本发明的算法而估算的参数，以及线80示出了实验数据。图5示出了精确地估算对于相应电流密度的电池电压降(即，精确地估算最小电池电压的趋势)的本发明算法。

如上所讨论，在判断菱形块50中，即使还没有达到第二触发水平，而在达到第一触发水平后即可估算燃料电池系统18的参数，如果收集的数据充足，其中收集的数据是通过使用框48中在附近的库中被重写的数据然后连续收集关于电池电压和电流密度的数据以捕获可影响估算的参数的动态变化。在达到第一触发水平后，估算堆的参数，收集的数据量必须充足，如由堆20的电流密度范围所确定。可替代地，在达到多于两个的触发水平之后可估算燃料电池系统18的参数，虽然为了清除而没有在图4中示出，然后连续收集关于平均电池电压和电流密度的数据以捕获可影响估算的参数的动态变化。多于两个的触发水平往往意味着收集的数据足够了，因为期望触发水平将具有变化的电流密度。一般地，使用的触发水平越多，参数估算将越精确。

一旦在框36中参数估算完成，在框38中，参数估算被存储在控制器24的非易失性的存储器中。此外，一旦框36中参数估算开始，算法将基于动态数据输入而连续预测参数，如上所讨论，包括最小电池电压趋势以及最小电池电压极化曲线。

在框36中参数估算完成之后，算法进入框38以将用于确定极化曲线的估算的数据存储在非易失性存储器中。在一个非限制性实施方式中，使用预定的电池电压模型来确定参数，如：

$E_{\mathrm{cell}}=E_{\mathrm{rev}}-(i+a)*R_{\mathrm{HFR}}-(0.07*{\log }_{10}\left(\frac{i+a}{i^0}\right)+{c\log }_{10}(1-\frac{i}{i^{\∞}}))---\left(1\right)$

其中提供如下测量值：

E_cell＝电池电压(V)

i＝电流密度(A/cm²)；以及

R_HFR＝电池HFR电阻测量值或者来自于模型的电阻值(ohm cm²)。

提供如下假定的常数：

E_rev＝热力学可逆电池电势(V)；以及

a＝来自电池短路/电池转向的背景电流密度(A/cm²)。

提供如下参数：

i⁰＝交换电流密度(A/cm²)；

i^∞＝极限电流密度(A/cm²)；以及

c＝质量传输系数。

对于具有很强可重复的膜湿度控制的系统，R_HFR可表示为电流密度的函数。相似地，E_rev也可表示为电流密度的函数。这说明了在处于每个电流密度处，运行压力、温度、化学剂量以及湿度都是充分可重复地使用简化的项。在另外的实施方式中，在每次计数中，平均R_HFR可以是测量的也可以是计算得出的并且平均化。基于每次计数中的温度和压力数据，值E_rev可以是以同样的方式计算。

通过忽略常数a，而将电池电压模型的方程(1)简化，使得方程(1)变成：

$E_{\mathrm{cell}}=E_{\mathrm{rev}}-\left(i\right)*R_{\mathrm{HFR}}-(0.07*{\log }_{10}\left(\frac{i}{i^0}\right)+{c\log }_{10}(1-\frac{i}{i^{\∞}}))---\left(2\right)$

重新整理方程(2)中的项得出：

$E_{\mathrm{rev}}-\left(i\right)*R_{\mathrm{HFR}}-E_{\mathrm{cell}}=(0.07*{\log }_{10}\left(\frac{i}{i^0}\right)+{c\log }_{10}(1-\frac{i}{i^{\∞}}))---\left(3\right)$

为了提供参数估算，定义如下变量：

y＝E_rev-(i)*R_HFR-E_cell

x＝i

θ₁＝i⁰

θ₂＝i^∞

θ₃＝c

方程(3)可以表示为如下形式：

y＝F(x，θ)                                         (4)

因此，方程(3)可以表示为：

$y=(0.07*{\log }_{10}\left(\frac{x}{{\mathrm{\θ}}_1}\right)+{\mathrm{\θ}}_3{\log }_{10}(1-\frac{x}{{\mathrm{\θ}}_2}))---\left(5\right)$

在方程(5)中，输入-输出对是(x，y)，将估算的参数是θ＝[θ₁，θ₂，θ₃]^T。

对于给定训练集G＝x(i)，y(i)：(i＝1，2，...，M)，将最小化的成本函数能够被定义为：

$J(\mathrm{\θ},G)=\frac{1}{2}{\mathrm{\Σ}}_{i=1}^M{|y\left(i\right)-F(x\left(i\right),\mathrm{\θ})|}^2---\left(6\right)$

通过设定ε(i)＝y(i)-F)(x(i)，θ)，方程(6)变成：

$J(\mathrm{\θ},G)=\frac{1}{2}{\mathrm{\Σ}}_{i=1}^M\mathrm{\ϵ}{\left(i\right)}^T\mathrm{\ϵ}\left(i\right)=\frac{1}{2}\mathrm{\ϵ}{(\mathrm{\θ},G)}^T\mathrm{\ϵ}(\mathrm{\θ},G)---\left(7\right)$

因此，参数估算解决了非线性的最小二乘法的问题，从而解θ＝[θ₁，θ₂，θ₃]^T使得J(θ，G)最小化。

非线性的最小二乘法的问题能够使用任何适合的数学方法来解，例如具有拉凡格-马夸尔特(Levenberg-Marquardt)更新法的高斯-牛顿(Gauss-Newton)估算。高斯-牛顿法可以概括为通过在θ(k)的电流值处使误差ε(θ，G)线性化，其中k是迭代指数，并解决最小二乘法的问题以最小化误差值和估算θ(k+1)。在一个实施方式中，通过将θ₂值设定为常数θ_c而估算其他两个参数θ₁和θ₃来使得计算最小化。然而，这是非限制性的示例方式，其中所有的三个参数θ₁、θ₂和θ₃可以通过算法或任何其他的适当参数估算。

在其他实施方式中，可以使用不同的技术解方程(7)。例如，对于性能对参数i^∞不敏感的堆来说，这种参数可以由常数替代。然后参数i⁰和c能够被相继解出。可以通过使用在足够低的电流密度处收集的数据来解参数i⁰以最小化质量传输损耗，但是足够高以最小化渗透影响(0.05-0.1A/cm²)。然后最终的方程可以通过高电流密度数据解出以获得参数c。

算法还可以确定估算的参数是否提供或超过预定估算成功标准(ESC)。尤其，在一个非限制性实施方式中，计算的参数必须满足如下方程：

(θ(k+1)-θ(k))^T(θ(k+1)-θ(k))≤ωθ(k)^Tθ(k)           (8)

其中ω是用于确定估算的稳定状态的可调参数。

如图3所示，一旦框36中的参数估算完成，算法在框38中将估算的参数存储在非挥发性随机存取存储器(NV RAM)中，如上所述。控制器24然后可以访问NV RAM以获得电流估算参数，其能够用于计算极化曲线，其中可采用本领域技术人员所公知的方式来计算极化曲线。如果最小电池电压重新达到触发，一旦算法开始估算参数，其将基于落入数据库中的动态数据输入而连续估算，使得人工数据点将在附近的库中被重写，如上所讨论。如果最小电池电压从没有重新达到触发，自从平均电池电压值将占据数据输入，估算的最小电池电压将逐渐地接近平均电池电压。此外，一旦在框36中参数估算完成，燃料电池堆20的期望的电流设定值可被确定。确定燃料电池堆20的电流设定值的详细讨论可从美国专利申请12/567,381，名称为“Method to Improve Fuel Cell System Performance Using Cell Voltage Predictionof Fuel Cell Stack”，其被授予本申请的受让人并通过引用并入本文。

上述讨论公开且描述了仅仅本发明的示例性实施例。本领域的技术人员从这些讨论以及从附图和权利要求中可以容易地认识到在不脱离如所附权利要求所限定的本发明的精神和范围的情况下可以做出各种变化、改进和变型。

Claims (10)

1.一种用于对燃料电池堆中的燃料电池的最小电池电压趋势进行预测的方法，所述方法包括：

对所述燃料电池堆的燃料电池堆电压和电流密度进行监控；

基于所述堆中的燃料电池的数量，从测量的堆电压确定平均电池电压；

对所述堆中的电池的最小电池电压进行监控；

确定所述最小电池电压是否降低到低于第一预定阈值；

如果所述最小电池电压降低到低于所述第一预定阈值，产生接近所述第一阈值的电池电压的第一组人工数据点；

确定所述最小电池电压是否降低到低于第二预定阈值，其中所述第二预定阈值小于所述第一预定阈值；

如果所述最小电池电压降低到低于所述第二预定阈值，产生接近所述第二阈值的电池电压的第二组人工数据点；以及

基于所述平均电池电压、所述电流密度以及所述第一和第二组人工数据点来估算燃料电池堆参数，从而预测所述堆中的燃料电池的所述最小电池电压趋势以及最小电池电压极化曲线。

2.根据权利要求1所述的方法，其中产生所述第一组人工数据点包括产生在接近于所述最小电池电压的所述第一预定阈值的预定电流密度范围内的所述第一组人工数据点。

3.根据权利要求1所述的方法，其中产生所述第二组人工数据点包括产生在接近于所述最小电池电压的所述第二预定阈值的预定电流密度范围内的所述第二组人工数据点。

4.根据权利要求1所述的方法，其中估算所述燃料电池堆参数是在所述估算开始后通过使用所述燃料电池堆的实时平均电池电压和相应的电流密度数据来连续执行。

5.根据权利要求1所述的方法，进一步包括使用功率极限算法以对所述估算的燃料电池堆参数进行积分，从而防止燃料电池电势发生反转。

6.根据权利要求1所述的方法，其中对最小电池电压、平均电池电压以及电流密度进行监控包括使用堆健康监控器。

7.根据权利要求1所述的方法，其中对平均电池电压和电流密度进行监控包括使用升压转换器。

8.一种对燃料电池堆中的燃料电池的最小电池电压趋势进行预测的方法，所述方法包括：

测量所述燃料电池堆的燃料电池堆电压和电流密度；

基于所述堆中的燃料电池的数量，从测量的堆电压确定平均燃料电池电压；

测量所述堆中的燃料电池的最小电池电压；

确定所述最小电池电压是否降低到低于预定阈值；

如果所述最小电池电压降低到低于所述预定阈值，产生接近所述预定阈值的燃料电池电压的人工数据点；

存储所述平均电池电压、所述电流密度和所述人工数据点；以及

从所述存储的平均电池电压、所述电流密度和所述人工数据点而对所述最小电池电压趋势和最小电池电压极化曲线进行预测。

9.根据权利要求8所述的方法，其中产生所述人工数据点包括产生在接近于所述平均电池电压的所述预定阈值的预定电流密度范围内的所述人工数据点。

10.一种对燃料电池堆的参数进行估算的系统，所述系统包括：

堆健康监控设备，其用于对所述堆中的燃料电池的最小电池电压、所述燃料电池堆的堆电压和电流密度进行监控，其中所述堆健康监控器指示何时达到预定最小电池电压阈值水平；以及

控制器，其配置成控制所述燃料电池堆，所述控制器基于堆电压和所述堆中的燃料电池的数量而确定并记录所述平均燃料电池电压，每次所述最小电池电压降低至低于一个或多个预定最小电池电压阈值水平，所述控制器产生并存储与一个或多个预定最小电池电压阈值水平相接近的人工数据点，其通过所述堆健康监控器指示，从而提供所述燃料电池堆参数的估算，所述燃料电池堆参数包括最小电池电压趋势以及最小电池电压极化曲线。

Images