CN103336867A - 质子交换膜燃料电池模型优化处理方法 - Google Patents
质子交换膜燃料电池模型优化处理方法 Download PDFInfo
- Publication number
- CN103336867A CN103336867A CN2013102644437A CN201310264443A CN103336867A CN 103336867 A CN103336867 A CN 103336867A CN 2013102644437 A CN2013102644437 A CN 2013102644437A CN 201310264443 A CN201310264443 A CN 201310264443A CN 103336867 A CN103336867 A CN 103336867A
- Authority
- CN
- China
- Prior art keywords
- operator
- fuel cell
- parameter
- eta
- tau
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000012528 membrane Substances 0.000 title claims abstract description 26
- 230000008569 process Effects 0.000 title abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 230000010287 polarization Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 241000949473 Correa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Fuel Cell (AREA)
Abstract
本发明涉及燃料电池。本发明公开了一种质子交换膜燃料电池模型优化处理方法,本发明的技术方案,首先查询燃料电池的结构参数,然后采用仪器测量燃料电池的工作参数及在不同输出电流下的输出电压,并将燃料电池模型估计的输出电压与实测输出电压的误差平方和均值定义为优化建模的目标函数后,通过优化技术获得模型参数,为质子交换膜燃料电池的研究提供模型。本发明获得的模型精度更高,稳定性更强。进行多次重复建模时,本发明的模型目标函数值的最优值、最差值、平均值和标准差均较小,其中最优值、最差值和平均值体现了模型的精度,标准差体现了模型的稳定性。本发明在进行质子交换膜燃料电池建模时具有更好的收敛性。
Description
技术领域
本发明涉及燃料电池,特别涉及质子交换膜燃料电池模型智能优化处理方法。
背景技术
质子交换膜燃料电池具有工作温度低、工作压力低、启动速度快、输出功率高、无污染物排放和对负载变化响应快等特性而受到广泛研究,被认为是未来电动汽车、固定发电站等的首选清洁能源。但是,质子交换膜燃料电池系统是一个复杂的非线性、多变量、强耦合的动态系统,其设计和性能验证较为复杂,数学模型是质子交换膜燃料电池研究的快捷工具。因而建立准确的数学模型对质子交换膜燃料电池的理论研究和工程应用具有重要意义。
质子交换膜燃料电池建模的主要方法包括两类:一类是机械建模,这类建模方法通过微分方程或基于电化学反应原理对燃料电池的热管理、水管理和电池内部的电化学特性进行建模;另一类是半经验建模,这类建模方法首先根据燃料电池的反应机理建立模型结构,然后利用电池工作时的表征特性对模型结构中的未知参数进行估计。半经验建模是一类简单、高效的建模方法,已成为研究者们对燃料电池进行建模和性能分析的重要工具,但是模型中未知参数的取值模型的准确性具有重要的影响。半经验建模方法本质上是一个系统辨识问题,可以将模型中未知参数的取值问题转化为优化问题,并采用优化技术进行求解,可采用的优化技术主要有两类:一类是传统的优化方法,具有代表性的有数学规划法、梯度下降法,这些方法在求解变量个数少时性能较好,但严重依赖于问题初始解的选择,且对于具有多变量、非线性、多局部极值点的工程优化问题而言,其效果不够理想;另一类是基于智能优化的方法,具有代表性的方法有遗传算法、粒子群优化算法、模拟退火算法等,但是,这些智能优化算法存在容易陷入局部极值的缺陷。尽管如此,智能优化方法具有对初始解不敏感、能处理复杂问题等特性,已受到研究者们的重视,
差分进化是一种具有简单性、并行性和鲁棒性强的智能优化技术,适合解决质子交换膜燃料电池的参数优化问题。目前,在差分进化领域存在一些性能相对其它智能优化技术较好的方法,如SDE、CoDE,但是它们存在优化性能不够理想、收敛速度慢等缺陷,在求解复杂的工程优化问题时性能不佳。
发明内容
鉴于现有技术的以上缺点,本发明的目的是提供一种质子交换膜燃料电池模型优化处理方法,用于各种型号质子交换膜燃料电池的建模。
本发明为解决其技术问题,所采用的技术方案是,质子交换膜燃料电池模型优化处理方法,其特征在于,包括以下步骤:
a、以下式作为质子交换膜燃料电池模型的原型:
V=n(ENernst-Vact-Vohmic-Vcon)
其中,V为电池输出电压,n为电池芯个数,ENernst为电池热力势电压,Vact为活化极化电动势,Vohmic为欧姆过电势,Vcon为浓差极化过电势;
上式中:
其中,T为电池环境的绝对温度,和分别为氢气和氧气的分压;I为输出电流,ξ1,ξ2,ξ3和ξ4为活化极化电动势系数,l为质子膜的膜厚度,A为活化区面积,λ为欧姆电压降的外电路系数,RC为欧姆电压降的燃料电池内电阻,b为浓差极化过电势洗漱,Jn为由于燃料流动产生的电池内部电流密度,Jmax为燃料电池最大电流密度;
b、查询燃料电池技术手册得到结构参数n、l和A;
c、测量燃料电池的工作参数参数T、I及在不同输出电流下的输出电压,并将燃料电池模型估计的输出电压与实测输出电压的误差平方和均值作为优化建模的目标函数;
d、采用多准则自适应差分进化处理方法得到参数ξ1、ξ2、ξ3、ξ4、λ、b、RC、Jn和Jmax。
进一步的,步骤d具体包括:
d2、初始化多准则自适应差分进化的种群其中NP为种群大小,为第i个个体且g表示迭代次数,这里g=0,分别代表需要估计的9个变量ξ1,ξ2,ξ3,ξ4,λ,b,RC,Jn,Jmax,采用下式所示方式进行初始化i=1,2,...NP,j=1,2,...,9,即:
算子1:
算子2:
算子3:
算子4:
其中,i=1,2,…,NP,j=1,2,…,9,为当前迭代采用算子ni的个体索引集合, 和分别代表当前迭代不采用第1个,第ni-1个,第ni+1个和第4个算子的个体索引集合,为相应算子产生的试验个体中的第j个分量, 和分别为种群中随机选择的5个个体的第j个分量并满足r1≠r2≠r3≠r4≠r5,Fi为尺度参数,Cri为交叉概率,rand(0,1)为0与1之间的随机数,jrand为0到9之间的一个整数,由随机方式确定;
发明的有益效果是:本发明获得的模型精度更高,稳定性更强。进行多次重复建模时,本发明的模型目标函数值的最优值、最差值、平均值和标准差均较小,其中最优值、最差值和平均值体现了模型的精度,标准差体现了模型的稳定性。本发明在进行质子交换膜燃料电池建模时具有更好的收敛性。收敛速度越快,说明可以采用更少的迭代次数获得与其它建模方法性能相似的模型,进一步减少了燃料电池建模的计算复杂度。
附图说明
图1为质子交换膜燃料电池建模多准则自适应差分进化处理方法流程图;
图2为本发明实施例中燃料电池模型与燃料电池实测数据比较图;
图3为本发明实施例与其它方法建模的收敛曲线比较图;
具体实施方式
下面结合附图及实施例对本发明作进一步详细描述。
本发明的质子交换膜燃料电池模型优化处理方法,首先查询燃料电池的结构参数,然后采用仪器测量燃料电池的工作参数及在不同输出电流下的输出电压,并将燃料电池模型估计的输出电压与实测输出电压的误差平方和均值定义为优化建模的目标函数后,通过优化技术获得模型参数,为质子交换膜燃料电池的研究提供模型。下面先描述本发明建模过程中采用的数学模型原型,再给出本发明的质子交换膜燃料电池建模多准则自适应差分进化处理方法的详细步骤。
本发明采用公式(1)描述的模型作为质子交换膜燃料电池模型的原型,即:
V=n(ENernst-Vact-Vohmic-Vcon) (1)
其中,V为电池输出电压(V),n为电池芯个数,ENernst为电池热力势电压(V),Vact为活化极化电动势(V),Vohmic为欧姆过电势(V),Vcon为浓差极化过电势(V)。
公式(1)中:
其中,T为电池环境的绝对温度(K),和分别为氢气和氧气的分压(atm);I为输出电流(A),ξ1,ξ2,ξ3和ξ4为活化极化电动势系数,l为质子膜的膜厚度(cm),A为活化区面积(cm2),λ为欧姆电压降的外电路系数,RC为欧姆电压降的燃料电池内电阻(Ω),b为浓差极化过电势洗漱,Jn为由于燃料流动产生的电池内部电流密度(A/cm2),Jmax为燃料电池最大电流密度(A/cm2)。在由公式(1)-(5)所描述的模型原型中,工作参数T,和I可通过仪器进行测量,结构参数n,l和A可通过查询燃料电池生产手册获得,参数ξ1,ξ2,ξ3,ξ4,λ,b,RC,Jn和Jmax需要进行估计。
本发明优化处理流程图如图1所示,具体步骤为:
1.获取燃料电池结构参数,测量燃料电池工作参数,定义目标函数;
3.初始化多准则自适应差分进化的种群其中NP为种群大小,为第i个个体且g表示迭代次数,这里g=0,分别代表需要估计的9个变量ξ1,ξ2,ξ3,ξ4,λ,b,RC,Jn,Jmax,采用公式(6)所示方式进行初始化i=1,2,...NP,j=1,2,...,9,即
其中,rand(0,1)为0和1之间的随机数,aj和bj分别为的下界和上界;
算子1:
算子2:
算子3:
算子4:
上述式中,i=1,2,…,NP,j=1,2,…,9,为当前迭代采用算子ni的个体索引集合, 和分别代表当前迭代不采用第1个,第ni-1个,第ni+1个和第4个算子的个体索引集合,为相应算子产生的试验个体中的第j个分量, 和分别为种群中随机选择的5个个体的第j个分量并满足r1≠r2≠r3≠r4≠r5,Fi为尺度参数,Cri为交叉概率,rand(0,1)为0与1之间的随机数,jrand为0到9之间的一个整数,由随机方式确定;
5.对每个个体i=1,2,…,NP,分别采用公式(11)和(12)确定参数Fi和Cri,即
11.对每个算子k,k=1,2,3,若集合sCrk元素个数大于LP,则保留sCrk中最后加入的LP个元素,否则sCrk保持不变;然后更新即
12.若满足结束条件,即如果迭代次数g=G,则输出最优解及其目标函数值,并终止循环;否则g=g+1,并转到第4步。
实施例
采用本发明对文献“Correa,J.M.,Farret,F.A.,Canha,L.N.,and Simoes,M.G.,″Anelectrochemical-based fuel-cell model suitable for electrical engineering automation approach,″IEEE Transactions on Industrial Electronics,51(5)pp.1103-1112,2004”中SR-12Modular PEMGenrator燃料电池进行建模。实验采用Matlab作为实验工具,在CPU为Xeon2.93GHz、内存为12G、操作系统为Windows7的惠普工作站上进行建模。
本发明所提供的质子交换膜燃料电池建模多准则自适应差分进化处理方法的具体实现步骤如下:
步骤1:获取燃料电池结构参数n为48,l为0.0025cm,A为62.5cm2,测量燃料电池工作参数T为323K,为1.47628atm,为0.2095atm,测量37对电流-电压数据点,如表1所示,定义目标函数其中V(I)为燃料电池输出电流为I时的实测输出电压,Vs(X,I)为采用模型参数为X,输出电流为I时模型估计的输出电压,X为模型中需要估计的参数;
步骤2:设置NP=30,G=500,α=0.7,LP=50,pmin=0.05,初始化 g=0,sFk和sCrk为空集,k=1,2,3,4;
其中,rand(0,1)为0和1之间的随机数,a1,a2,...,a9依次为-1.997,0.001,3.6e-5,-2.6e-4,10,0.0136,0.0001,0.001,0.5,b1,b2,...,b9依次为-0.8532,0.005,9.8e-5,-9,54e-5,24,0.5,0.0008,0.03,1.5;
算子1:
算子2:
算子3:
算子4:
上述式中,i=1,2,…,50,j=1,2,…,9,为当前迭代采用算子ni的个体索引集合, 和分别代表当前迭代不采用第1个,第ni-1个,第ni+1个和第4个算子的个体索引集合,为相应算子产生的试验个体中的第j个分量,和分别为种群中随机选择的5个个体的第j个分量,满足r1≠r2≠r3≠r4≠r5,Fi为尺度参数,Cri为交叉概率,rand(0,1)为0与1之间的随机数,jrand为0到9之间的一个整数,由随机方式确定;
对本实施例进行计算机仿真,表2给出了20次建模仿真目标函数最优值、最差值、平均值、标准差以及最优目标函数值对应的模型参数,并与IGHS、PSO-w、CLPSO、SDE和CoDE等5种方法比较。图2给出了本发明最优目标函数值对应模型的电流-电压曲线和电流-功率曲线。表3给出了本发明建模过程中平均适应度收敛曲线,并与IGHS、PSO-w、CLPSO、SDE和CoDE等5种方法比较。表4给出了本发明在建模过程中和的变化曲线。
表2中结果清楚表明本发明的性能优于IGHS、PSO-w、CLPSO、SDE和CoDE等5种方法,尤其是标准差为0,突出了本发明的稳定性。图2中本发明模型对应的曲线能很好地拟合燃料电池的实测数据。图3表明本发明建模的收敛速度优于IGHS、PSO-w、CLPSO、SDE和CoDE等5种方法。图4表明本发明在迭代过程中能自动进行参数调整,以较好的解决质子交换膜燃料电池参数估计这一复杂优化问题。上述结果充分表明本发明在质子交换膜燃料电池建模中具有高精度、高稳定性和快速收敛的特性。
表1 燃料电池SR-12 Modular PEM Genrator的电流-电压数据
序号 | I | V | 序号 | I | V | 序号 | I | V |
1 | 0 | 41.7 | 14 | 13 | 35.4 | 27 | 26 | 29.2 |
2 | 1 | 41.0 | 15 | 14 | 35.2 | 28 | 27 | 27.5 |
3 | 2 | 40.5 | 16 | 15 | 34.7 | 29 | 28 | 27.3 |
4 | 3 | 39.9 | 17 | 16 | 34.2 | 30 | 29 | 27.3 |
5 | 4 | 39.6 | 18 | 17 | 34.0 | 31 | 30 | 26.9 |
6 | 5 | 38.9 | 19 | 18 | 33.3 | 32 | 31 | 26.1 |
7 | 6 | 38.5 | 20 | 19 | 33.0 | 33 | 32 | 24.4 |
8 | 7 | 38.1 | 21 | 20 | 32.5 | 34 | 33 | 23.0 |
9 | 8 | 37.8 | 22 | 21 | 32.0 | 35 | 34 | 23.0 |
10 | 9 | 37.4 | 23 | 22 | 31.5 | 36 | 34 | 21.9 |
11 | 10 | 36.8 | 24 | 23 | 31.0 | 37 | 36 | 21.7 |
12 | 11 | 36.1 | 25 | 24 | 30.0 | |||
13 | 12 | 36.0 | 26 | 25 | 29.5 |
表2 本发明与IGHS,PSO-w,CLPSO,SDE和CoDE建模结果比较
方法 | IGHS | PSO-w | CLPSO | SDE | CoDE | 本发明 |
f最优值 | 0.11936 | 0.12186 | 0.12217 | 0.11941 | 0.11889 | 0.11885 |
f最差值 | 0.13042 | 0.22604 | 0.18163 | 0.12330 | 0.11921 | 0.11886 |
f平均值 | 0.12230 | 0.14142 | 0.14834 | 0.12041 | 0.11899 | 0.11885 |
f标准差 | 0.00269 | 0.02483 | 0.01697 | 0.00100 | 0.0001 | 0.00000 |
ξ1 | -1.04592 | -0.89074 | -0.85833 | -0.97903 | -1.11246 | -0.89552 |
ξ2 | 0.00368 | 0.00248 | 0.00289 | 0.00331 | 0.00368 | 0.00246 |
ξ3 | 8.77186e-5 | 4.13387e-5 | 6.98509e-5 | 7.72007e-5 | 7.42867e-5 | 3.90743e-5 |
ξ4 | -9.54202e-5 | -9.55013e-5 | -9.74953e-5 | -9.54202e-5 | -9.54202e-5 | -9.5400e-5 |
λ | 21.07505 | 19.88461 | 19.76054 | 22.15963 | 23.71597 | 24.0000 |
b | 0.20852 | 0.21061 | 0.20461 | 0.20953 | 0.21101 | 0.21130 |
RC | 0.00011 | 0.00017 | 0.00013 | 0.00011 | 0.00012 | 0.00011 |
Jn | 0.02992 | 0.02939 | 0.02998 | 0.02986 | 0.02893 | 0.02938 |
Jmax | 0.75051 | 0.75535 | 0.74807 | 0.75123 | 0.75272 | 0.75305 |
Claims (2)
1.质子交换膜燃料电池模型优化处理方法,其特征在于,包括以下步骤:
a、以下式作为质子交换膜燃料电池模型的原型:
V=n(ENernst-Vact-Vohmic-Vcon)
其中,V为电池输出电压,n为电池芯个数,ENernst为电池热力势电压,Vact为活化极化电动势,Vohmic为欧姆过电势,Vcon为浓差极化过电势;
上式中:
其中,T为电池环境的绝对温度,和分别为氢气和氧气的分压;I为输出电流,ξ1,ξ2,ξ3和ξ4为活化极化电动势系数,l为质子膜的膜厚度,A为活化区面积,λ为欧姆电压降的外电路系数,RC为欧姆电压降的燃料电池内电阻,b为浓差极化过电势洗漱,Jn为由于燃料流动产生的电池内部电流密度,Jmax为燃料电池最大电流密度;
b、查询燃料电池技术手册得到结构参数n、l和A;
d、采用多准则自适应差分进化处理方法得到参数ξ1、ξ2、ξ3、ξ4、λ、b、RC、Jn和Jmax。
2.根据权利要求1所述的质子交换膜燃料电池模型优化处理方法,其特征在于,步骤d具体包括:
d2、初始化多准则自适应差分进化的种群其中NP为种群大小,为第i个个体且g表示迭代次数,这里g=0,分别代表需要估计的9个变量ξ1,ξ2,ξ3,ξ4,λ,b,RC,Jn,Jmax,采用下式所示方式进行初始化i=1,2,...NP,j=1,2,...,9,即:
算子1:
算子2:
算子3:
算子4:
其中,i=1,2,…,NP,j=1,2,…,9,为当前迭代采用算子ni的个体索引集合, 和分别代表当前迭代不采用第1个,第ni-1个,第ni+1个和第4个算子的个体索引集合,为相应算子产生的试验个体中的第j个分量, 和分别为种群中随机选择的5个个体的第j个分量并满足r1≠r2≠r3≠r4≠r5,Fi为尺度参数,Cri为交叉概率,rand(0,1)为0与1之间的随机数,jrand为0到9之间的一个整数,由随机方式确定;
d10、对每个算子k,k=1,2,3,若集合sCrk元素个数大于LP,则保留sCrk中最后加入的LP个元素,否则sCrk保持不变;然后更新即:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310264443.7A CN103336867B (zh) | 2013-06-28 | 2013-06-28 | 质子交换膜燃料电池模型优化处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310264443.7A CN103336867B (zh) | 2013-06-28 | 2013-06-28 | 质子交换膜燃料电池模型优化处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103336867A true CN103336867A (zh) | 2013-10-02 |
CN103336867B CN103336867B (zh) | 2016-01-20 |
Family
ID=49245031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310264443.7A Expired - Fee Related CN103336867B (zh) | 2013-06-28 | 2013-06-28 | 质子交换膜燃料电池模型优化处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103336867B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778315A (zh) * | 2015-03-31 | 2015-07-15 | 浙江大学 | 融合磷虾行为人工蜂群算法的燃料电池优化建模方法 |
CN106407590A (zh) * | 2016-09-30 | 2017-02-15 | 郑州轻工业学院 | 基于膜计算的质子交换膜燃料电池模型优化方法 |
CN106654319A (zh) * | 2016-12-27 | 2017-05-10 | 东南大学 | 一种基于变异粒子群和差分进化混合算法的pemfc系统温度建模方法 |
CN106951677A (zh) * | 2017-02-20 | 2017-07-14 | 天津大学 | 质子交换膜燃料电池瞬态过程模型建立的方法 |
CN107944072A (zh) * | 2017-10-11 | 2018-04-20 | 天津大学 | 质子交换膜燃料电池参数敏感性的确定方法 |
CN108038340A (zh) * | 2017-12-31 | 2018-05-15 | 南京理工大学 | 一种质子交换膜燃料电池分数阶状态空间模型辨识方法 |
CN110008435A (zh) * | 2019-04-02 | 2019-07-12 | 中国计量大学 | 一种燃料电池最优功率点计算方法 |
CN111129548A (zh) * | 2019-12-27 | 2020-05-08 | 南京航空航天大学 | 一种改进粒子群优化模糊pid燃料电池温度控制方法 |
CN113555593A (zh) * | 2021-06-04 | 2021-10-26 | 西南交通大学 | 基于物理场分布非均匀性的质子交换膜燃料电池运行方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1942540A2 (en) * | 1997-11-20 | 2008-07-09 | Relion, Inc. | A proton exchange membrane fuel cell power system |
CN102968056A (zh) * | 2012-12-07 | 2013-03-13 | 上海电机学院 | 质子交换膜燃料电池的建模系统及其智能预测控制方法 |
-
2013
- 2013-06-28 CN CN201310264443.7A patent/CN103336867B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1942540A2 (en) * | 1997-11-20 | 2008-07-09 | Relion, Inc. | A proton exchange membrane fuel cell power system |
CN102968056A (zh) * | 2012-12-07 | 2013-03-13 | 上海电机学院 | 质子交换膜燃料电池的建模系统及其智能预测控制方法 |
Non-Patent Citations (3)
Title |
---|
UDAY K. CHAKRABORTY等: "PEM fuel cell modeling using differential evolution", 《ENERGY》 * |
王恺尔 等: "基于 1stOpt 的质子交换膜燃料电池模型优化", 《电源技术》 * |
陈维荣 等: "质子交换膜燃料电池综合动态模型分析", 《西南交通大学学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778315B (zh) * | 2015-03-31 | 2018-05-22 | 浙江大学 | 融合磷虾行为人工蜂群算法的燃料电池优化建模方法 |
CN104778315A (zh) * | 2015-03-31 | 2015-07-15 | 浙江大学 | 融合磷虾行为人工蜂群算法的燃料电池优化建模方法 |
CN106407590A (zh) * | 2016-09-30 | 2017-02-15 | 郑州轻工业学院 | 基于膜计算的质子交换膜燃料电池模型优化方法 |
CN106654319A (zh) * | 2016-12-27 | 2017-05-10 | 东南大学 | 一种基于变异粒子群和差分进化混合算法的pemfc系统温度建模方法 |
CN106654319B (zh) * | 2016-12-27 | 2019-03-19 | 东南大学 | 一种基于变异粒子群和差分进化混合算法的pemfc系统温度建模方法 |
CN106951677A (zh) * | 2017-02-20 | 2017-07-14 | 天津大学 | 质子交换膜燃料电池瞬态过程模型建立的方法 |
CN106951677B (zh) * | 2017-02-20 | 2019-09-03 | 天津大学 | 质子交换膜燃料电池瞬态过程模型建立的方法 |
CN107944072A (zh) * | 2017-10-11 | 2018-04-20 | 天津大学 | 质子交换膜燃料电池参数敏感性的确定方法 |
CN107944072B (zh) * | 2017-10-11 | 2019-11-05 | 天津大学 | 质子交换膜燃料电池参数敏感性的确定方法 |
CN108038340A (zh) * | 2017-12-31 | 2018-05-15 | 南京理工大学 | 一种质子交换膜燃料电池分数阶状态空间模型辨识方法 |
CN108038340B (zh) * | 2017-12-31 | 2021-09-10 | 南京理工大学 | 一种质子交换膜燃料电池分数阶状态空间模型辨识方法 |
CN110008435A (zh) * | 2019-04-02 | 2019-07-12 | 中国计量大学 | 一种燃料电池最优功率点计算方法 |
CN110008435B (zh) * | 2019-04-02 | 2023-03-31 | 中国计量大学 | 一种燃料电池最优功率点计算方法 |
CN111129548A (zh) * | 2019-12-27 | 2020-05-08 | 南京航空航天大学 | 一种改进粒子群优化模糊pid燃料电池温度控制方法 |
CN113555593A (zh) * | 2021-06-04 | 2021-10-26 | 西南交通大学 | 基于物理场分布非均匀性的质子交换膜燃料电池运行方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103336867B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103336867B (zh) | 质子交换膜燃料电池模型优化处理方法 | |
Cai et al. | An evolutionary framework for lithium-ion battery state of health estimation | |
Xiong et al. | State of charge estimation of vanadium redox flow battery based on sliding mode observer and dynamic model including capacity fading factor | |
Kandidayeni et al. | Overview and benchmark analysis of fuel cell parameters estimation for energy management purposes | |
Rizk-Allah et al. | Artificial ecosystem optimizer for parameters identification of proton exchange membrane fuel cells model | |
Stroe et al. | Accelerated lifetime testing methodology for lifetime estimation of lithium-ion batteries used in augmented wind power plants | |
Ettihir et al. | Online identification of semi-empirical model parameters for PEMFCs | |
Pourkiaei et al. | Modeling and experimental verification of a 25W fabricated PEM fuel cell by parametric and GMDH-type neural network | |
CN108846227B (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
CN110488194A (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
CN113111579B (zh) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 | |
Wang et al. | Application of co-evolution RNA genetic algorithm for obtaining optimal parameters of SOFC model | |
Chakraborty | Static and dynamic modeling of solid oxide fuel cell using genetic programming | |
CN103973221B (zh) | 一种基于实测数据的光伏阵列参数辨识方法 | |
CN105093122A (zh) | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 | |
CN106597311A (zh) | 基于主成分分析的融合hi等效性锂离子电池退化预测方法 | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
Shi et al. | Estimation of battery state-of-charge using ν-support vector regression algorithm | |
CN105353315A (zh) | 一种基于无迹卡尔曼滤波的电池系统荷电状态估计方法 | |
CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
CN110276120B (zh) | 一种基于电热耦合的全钒液流电池储能系统等效方法 | |
CN111220912B (zh) | 一种基于移植神经网络的电池容量衰减轨迹预测方法 | |
CN110929451A (zh) | 一种燃料电池单体电压一致性预测方法 | |
CN113484774B (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
CN106557627A (zh) | 基于状态空间维纳模型的递推参数估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190805 Address after: 629000 No. 3777 Yulong Road, Suining Economic Development Zone, Sichuan Province Patentee after: SICHUAN HUATAI ELECTRICAL CO.,LTD. Address before: 610031 Sichuan City, Chengdu Province, No. two North Ring Road, No. 111 Patentee before: Southwest Jiaotong University |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160120 |