CN103700871B - 机车质子交换膜燃料电池系统最优效率控制方法 - Google Patents
机车质子交换膜燃料电池系统最优效率控制方法 Download PDFInfo
- Publication number
- CN103700871B CN103700871B CN201310676416.0A CN201310676416A CN103700871B CN 103700871 B CN103700871 B CN 103700871B CN 201310676416 A CN201310676416 A CN 201310676416A CN 103700871 B CN103700871 B CN 103700871B
- Authority
- CN
- China
- Prior art keywords
- control
- locomotive
- proton exchange
- variable
- fuel battery
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 35
- 239000000446 fuel Substances 0.000 title claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000002411 adverse Effects 0.000 claims abstract description 10
- 238000013523 data management Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000012528 membrane Substances 0.000 description 4
- 238000004886 process control Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 238000012369 In process control Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Sustainable Development (AREA)
- Manufacturing & Machinery (AREA)
- Sustainable Energy (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种机车质子交换膜燃料电池系统最优效率控制方法，通过建立三维曲面模型，分析基于电堆运行温度、空气过量系数和负载电流之间的系统效率最优化运行特征，获得电堆运行温度和空气过量系数的约束运行边界条件，并建立在线辨识系统和基于高速群体智能优化算法的优化系统，获得最优控制变量，在此基础上，采用基于α阶动态伪线性复合系统的多工况逆控制和基于改进隐式广义预测自校正的预测逆控制，实现系统效率的最优化控制。本发明方法能够解决传统PEMFC系统效率控制方法过于依赖精确的系统数学模型、实际应用中易受扰动、噪声及不确定性影响的局限性等问题，提高系统可靠性，实现机车PEMFC系统最优效率运行。
Description
技术领域
本发明涉及大功率机车用质子交换膜燃料电池技术，尤其是质子交换膜燃料电池系统效率控制技术领域。
背景技术
燃料电池技术是一种清洁能源技术，具有高效、环保等特点，被称为是21世纪最有前途的“绿色能源”技术，已受到世界各国的高度重视，在我国属国家能源领域的重点研发技术，特别是质子交换膜燃料电池（PEMFC）除了具有燃料电池共有的污染低、燃料利用率高等优点外，还具有功率密度高、工作温度低、启动快、积木性强等优点，在便携式动力源、混合动力车辆及中小型分布式发电系统领域得到了高度重视。
轨道交通是一个能耗大户，在促进经济发展的同时，电气化铁路对电力系统和空间环境造成了一定的电磁污染，而目前铁路的各种工程作业车、地铁检修车、施工车、地铁调车以及某些特殊用途（如山洞、矿山等民用及军用）的牵引机车还广泛采用内燃机车，对空气造成了产生严重污染，特别是在一些相对密闭的空间里（如地铁、山洞等），空气污染情况更为严重。因此，为促进我国和谐铁路建设和轨道交通的可持续发展，研发新一代环保、高效的新能源机车具有显著的社会效益和巨大的潜在经济效益。目前在国内，西南交通大学成功研制了国内首台150kW质子交换膜燃料电池电动机车，并于2013年1月进行了运行试验。
在大功率机车PEMFC系统中空气供应子系统的动态特性相对缓慢，若空气流量调节不当，会引起“氧饥饿”和“氧饱和”现象，影响系统净功率输出，增加寄生功耗，降低系统效率。同时，PEMFC的电堆温度受到环境温度、负载电流等因素的影响，若控制不当会降低系统效率。因此，通过研究系统效率与空气过量系数、电堆温度及负载电流之间的耦合关系，采取有效的控制策略维持系统最优效率，对于改善机车PEMFC系统性能、维持系统稳定、延长系统使用寿命具有重要的意义。
目前，针对机车PEMFC系统效率控制问题的研究成果相对较少。已提出的系统控制方法大部分都是将电堆输出电压、气体分压力及流量作为研究对象，而且所采用的控制方法大多是基于工作点近似线性化设计，只针对非线性系统的部分固有性质，也没有充分地考虑机车PEMFC系统在实际工作过程中受到外界干扰以及不确定性的影响，如忽略了环境噪声和非线性特性所引起的系统参数摄动，导致所设计的控制系统过于依赖精确的系统数学模型，难于满足在存在干扰、量测噪声及不确定性条件下的跟踪能力和抑制扰动能力要求。
发明内容
鉴于现有技术的以上不足，本发明旨在提供一种机车质子交换膜燃料电池（PEMFC）系统最优效率控制方法，实现系统在存在外界干扰、噪声及不确定性情况下，提高系统效率。
机车质子交换膜燃料电池系统最优效率控制方法，包含如下主要手步骤：
1）首先根据150kW Ballard HD6系统的试验测试数据，建立三维曲面模型，分析基于电堆运行温度、空气过量系数和负载电流之间的机车PEMFC系统效率最优化运行特征。然后根据分析结果，获得电堆运行温度和空气过量系数的约束运行边界条件；
2）根据不同运行工况，建立基于在线数据管理子系统和在线参数估计子系统的机车PEMFC系统在线辨识系统。其中在线数据管理子系统在不同工况下，实现时变系统的冗余数据处理和存储；在线参数估计子系统根据在线数据管理系统所提供的数据进行模型参数估计，建立参数化辨识系统，为后续的效率优化提供基础。式（1）所示为系统效率计算方程，其中η0为在线数据管理系统处理后的系统效率，λ0为在线数据管理系统处理后的空气过量系数，T0为在线数据管理系统处理后的电堆运行温度，为待辨识参数，Inet为系统净输出电流；
3）建立基于高速群体智能优化算法的优化系统。设计目标函数F，如式（2）所示，其中ηr为HD6最优参考效率，X=[λ0,T0]为控制变量，Q和R为罚因子矩阵；
F＝f2(X,η0,ηr,Q,R) （2）
根据式（1）和（2），在k时刻求解如式（3）所示的最小化问题，获得最优控制变量X*；
X*(k)＝min F(X(k),η0(k)) （3）
其中，最优控制变量的约束边界条件为λ0 min≤λ0(k)≤λ0 max，T0 min≤T0(k)≤T0 max；
4）基于最优效率策略的机车PEMFC系统多工况预测逆控制，实现系统效率最优化，包括以下手段：
A、基于α阶动态伪线性复合系统的多工况逆控制方法，将整个工作区间根据最优效率的运行特征约束范围，划分为不同的子空间，构造全局运行区间内的多工况α阶动态逆系统，再与原不同工况子系统串联构成动态伪线性复合系统，实现机车PEMFC系统的全局运行区间动态解耦，并按照大、中、小三个工况区间对全局运行空间进行分层。式（4）中，v1和v2是改进隐式广义预测自校正预测控制器的输出变量，U1和U2是α阶动态逆系统的输出变量，即空气压缩机系统机端控制电压和散热器风机控制电压；
(U1,U2)＝ψ(v1,v2,Inet) （4）
B、基于改进隐式广义预测自校正的逆控制，采用滚动优化，反复在线对控制目标函数在每个时刻进行优化，并根据并列预测器参数矩阵，设计最优控制律。然后，通过采集在某运行工况下的系统净输出电流、空气过量系数、电堆运行温度，建立在线辨识系统，计算系统效率η0；再由优化系统获得最优控制变量X*，与实际采集到的电堆运行温度和空气过量系数一起作为改进隐式广义预测自校正控制器的输入量；然后通过反馈校正，修正预测的不确定性，提高系统鲁棒性；最后，获得改进隐式广义预测自校正控制器的输出控制量，该控制量通过α阶动态伪线性复合系统后，实现对后续空气压缩机系统机端电压和散热器风机电压的多工况逆控制。
采用本发明的大功率机车PEMFC最优效率控制系统，具有如下优点：
（1）本发明根据大功率机车PEMFC系统效率的运行特征，通过三维曲面模型分析，获得电堆运行温度和空气过量系数的最优化运行边界条件，再在建立在线辨识系统和优化系统的基础上，获得最优控制变量，进而实现大功率机车PEMFC系统最优效率的优化求解，为基于最优效率策略的控制系统设计奠定基础。
（2）本发明针对传统PEMFC效率控制方法过于依赖精确的系统数学模型、实际应用中易受扰动、噪声及不确定性等因素影响的局限性，提出一种基于最优效率策略的大功率机车PEMFC系统多工况预测逆控制方法，通过基于α阶动态伪线性复合系统的多工况逆控制方法和基于改进隐式广义预测自校正的预测逆控制方法的结合，实现系统在存在干扰、噪声及不确定性情况下，对系统效率的最优化控制。
附图说明如下：
图1为机车PEMFC系统效率的总控制系统结构示意图。
图2为基于最优效率策略的多工况预测逆控制系统结构示意图。
图3为本发明方法的过程流程图。
图4a为净输出电流Inet在300s内从100A到300A的大范围内进行连续阶跃扰动变化曲线图。图4b为在第一种过程控制仿真实验（标称条件）中的系统效率响应曲线。图4c为在第二种过程控制仿真实验（含扰动和噪声条件）中的系统效率响应曲线。
具体实施方式
本发明的具体实施过程详述如下。
首先，分析机车PEMFC系统最优效率的运行特征和确定约束运行边界条件。根据150kW Ballard HD6系统的试验测试数据，建立三维曲面模型，分析基于电堆运行温度、空气过量系数和负载电流之间的系统效率最优化运行特征。然后根据分析结果，获得电堆运行温度和空气过量系数的约束运行边界条件[λmin,λmax]和[Tmin,Tmax]。
然后，根据不同运行工况条件，建立机车PEMFC系统的在线辨识系统。由于实际运行中存在不可测扰动，要实现机车PEMFC系统的最优效率跟踪，必须建立高效、可靠的在线辨识系统。该系统由在线数据管理子系统和在线参数估计子系统组成。
其中，在线数据管理子系统在不同工况下，实现时变系统的冗余数据处理和存储。本发明采用模糊C-均值聚类算法，剔除噪声数据和重复数据，加快后续在线参数估计系统的计算速度；在线参数估计子系统根据在线数据管理系统所提供的数据进行模型参数估计，建立参数化辨识系统，为后续的效率优化奠定基础。式（1）所示为系统效率计算方程，其中η0为在线数据管理系统处理后的系统效率，λ0为在线数据管理系统处理后的空气过量系数，T0为在线数据管理系统处理后的电堆运行温度，为待辨识参数，Inet为系统净输出电流。
其次，根据在线辨识系统的辨识结果，建立基于高速群体智能优化算法的优化系统。考虑到效率误差最小化和控制能量最小化的折中性，设计式（2）所示的目标函数F，其中ηr为HD6最优参考效率，X=[λ0,T0]为控制变量，Q和R为罚因子矩阵。
F＝f2(X,η0,ηr,Q,R) （2）
根据式（1）和（2），在k时刻求解如式（3）所示的最小化问题，获得最优控制变量X*。
X*(k)＝min F(X(k),η0(k)) （3）
其中，最优控制变量的约束边界条件为λ0 min≤λ0(k)≤λ0 max，T0 min≤T0(k)≤T0 max。
由于该优化问题属于非凸最小化问题，因此本发明采用具有较好收敛速度和精度的高速群体智能优化算法进行求解。
最后，提出一种基于最优效率策略的机车PEMFC系统多工况预测逆控制方法，实现系统效率最优化。该方法主要包括以下2个步骤：
A、基于α阶动态伪线性复合系统的多工况逆控制方法，将整个工作区间根据最优效率的运行特征约束范围，划分为不同的子空间，构造全局运行区间内的多工况α阶动态逆系统，再与原不同工况子系统串联构成动态伪线性复合系统，实现机车PEMFC系统的全局运行区间动态解耦。由于在中、小负荷工况下，系统最优效率变化较为突出，因此，本发明将按照大、中、小三个工况区间对全局运行空间进行分层。式（4）中，v1和v2是改进隐式广义预测自校正预测控制器的输出变量，U1和U2是α阶动态逆系统的输出变量，即空气压缩机系统机端控制电压和散热器风机控制电压。
(U1,U2)＝ψ(v1,v2,Inet) （4）
B、基于改进隐式广义预测自校正的逆控制方法，采用基于最优效率策略的预测模型对系统效率未来输出进行预测。为了增强系统鲁棒性，在滚动优化的目标函数Φ中，考虑了当前k时刻控制量u(k)对系统未来k+1时刻的影响。通过滚动优化，反复在线对控制目标函数Φ在每个时刻进行优化，并根据并列预测器参数矩阵F，设计最优预测控制律。
经过反馈校正，修正预测的不确定性，提高系统鲁棒性，最后通过改进隐式广义预测自校正控制器的输出量，经过α阶动态伪线性复合系统后，实现对空气压缩机系统机端电压和散热器风机电压的多工况逆控制。
图3为本发明方法的具体过程流程。
下面结合具体的实施例，对本发明作进一步详细的说明
本发明针对机车PEMFC系统在过程控制应用中可能出现的2种不同运行工况，通过仿真实验与自整定PID控制方法比较，进行不同情况下的性能测试和评价，如图4a、图4b和图4c。
仿真实验一
图4a为所示净输出电流Inet在300s内从100A到300A的大范围内进行连续阶跃扰动变化。
在第一种过程控制仿真实验中，本发明所提出的方法和自整定PID方法均能够在存在图4a所示的Inet连续扰动变化条件下（不考虑噪声和不确定性影响，即标称条件），实现对最优系统效率轨迹的跟踪，如图4b所示。通过比较可以发现，虽然2种控制方法均能够实现无静差跟踪，但是PID方法的超调量和调节时间均相对较大。
仿真实验二
在第二种过程控制仿真实验中，为模拟实际应用中扰动及不确定性等因素对系统的影响，本发明在系统含扰动和噪声条件下，将环境干扰信号（平均值为0、方差为10）加入到系统输入端，将量测噪声信号（平均值为0、方差为0.5）加入到控制器输入端，结果如图4c所示。本发明方法在该类条件下能够根据Inet连续扰动变化，基本实现对最优系统效率轨迹的跟踪，体现出较好的跟踪性、抗扰性及抗噪性。而PID方法无法克服这些外界干扰、不确定性以及噪声的影响，其效率响应偏离了最优轨迹，难于实现系统最优效率控制。
本发明提出的基于最优效率策略的机车PEMFC系统多工况预测逆控制方法，能够解决传统PEMFC系统控制过于依赖精确的系统数学模型、实际应用中易受扰动、噪声及不确定性等因素影响的局限性，改善系统稳态性能，提高系统可靠性，较好地实现系统最优效率运行。
Claims (1)
1.机车质子交换膜燃料电池系统最优效率控制方法，包含如下主要步骤：
1)首先根据150kW Ballard HD6系统的试验测试数据，建立三维曲面模型，分析基于电堆运行温度、空气过量系数和负载电流之间的机车质子交换膜燃料电池系统效率最优化运行特征；然后根据分析结果，获得电堆运行温度和空气过量系数的约束运行边界条件；
2)根据不同运行工况，建立基于在线数据管理系统和在线参数估计子系统的机车质子交换膜燃料电池系统在线辨识系统；该在线数据管理子系统在不同工况下，实现时变系统的冗余数据处理和存储；在线参数估计子系统根据在线数据管理系统所提供的数据进行模型参数估计，建立参数化辨识系统；式(1)所示为系统效率计算方程，其中η0为在线数据管理系统处理后的系统效率，λ0为在线数据管理系统处理后的空气过量系数，T0为在线数据管理系统处理后的电堆运行温度，为待辨识参数，Inet为系统净输出电流；
3)建立基于高速群体智能优化算法的优化系统；设计目标函数F，如式(2)所示，其中ηr为HD6最优参考效率，X＝[λ0,T0]为控制变量，Q和R为罚因子矩阵；
F＝f2(X,η0,ηr,Q,R) (2)
根据式(1)和(2)，在k时刻求解如式(3)所示的最小化问题，获得最优控制变量X*；
X*(k)＝minF(X(k),η0(k)) (3)
其中，最优控制变量的约束边界条件为λ0 min≤λ0(k)≤λ0 max，T0 min≤T0(k)≤T0 max；
4)基于最优效率策略的机车质子交换膜燃料电池系统多工况预测逆控制，实现系统效率最优化，包括以下手段：
A、基于α阶动态伪线性复合系统的多工况逆控制方法，将整个工作区间根据最优效率的运行特征约束范围，划分为不同的子空间，构造全局运行区间内的多工况α阶动态逆系统，再与原不同工况子系统串联构成动态伪线性复合系统，实现机车质子交换膜燃料电池系统的全局运行区间动态解耦，并按照大、中、小三个工况区间对全局运行空间进行分层；式(4)中，v1和v2是改进隐式广义预测自校正预测控制器的输出变量，U1和U2是α阶动态逆系统的输出变量，即空气压缩机系统机端控制电压和散热器风机控制电压；
(U1,U2)＝ψ(v1,v2,Inet) (4)
B、基于改进隐式广义预测自校正控制器的逆控制，采用滚动优化，反复在线对控制目标函数在每个时刻进行优化，并根据并列预测器参数矩阵，设计最优控制律；然后，通过采集在某运行工况下的系统净输出电流、空气过量系数、电堆运行温度，建立在线辨识系统，计算系统效率η0；再由优化系统获得最优控制变量X*，与实际采集到的电堆运行温度和空气过量系数一起作为改进隐式广义预测自校正控制器的输入量；然后通过反馈校正，修正预测的不确定性，提高系统鲁棒性；最后，获得改进隐式广义预测自校正控制器的输出控制量，该控制量通过α阶动态伪线性复合系统后，实现对后续空气压缩机系统机端电压和散热器风机控制电压的多工况逆控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310676416.0A CN103700871B (zh) | 2013-12-07 | 2013-12-07 | 机车质子交换膜燃料电池系统最优效率控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310676416.0A CN103700871B (zh) | 2013-12-07 | 2013-12-07 | 机车质子交换膜燃料电池系统最优效率控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103700871A CN103700871A (zh) | 2014-04-02 |
| CN103700871B true CN103700871B (zh) | 2015-09-09 |
Family
ID=50362327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310676416.0A Active CN103700871B (zh) | 2013-12-07 | 2013-12-07 | 机车质子交换膜燃料电池系统最优效率控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103700871B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110311159B (zh) * | 2019-07-05 | 2020-08-28 | 北京机械设备研究所 | 一种确定燃料电池系统增压方案的方法 |
| CN110705657B (zh) * | 2019-11-21 | 2022-08-30 | 北京交通大学 | 一种质子交换膜燃料电池系统的模式识别故障诊断方法 |
| CN111274713B (zh) * | 2020-03-09 | 2022-08-09 | 西南交通大学 | 动车组多堆燃料电池系统剩余使用寿命一致性控制方法 |
| CN112270139B (zh) * | 2020-09-17 | 2024-03-08 | 合肥通用机械研究院有限公司 | 基于母型库的燃料电池离心压缩机气动优化设计方法 |
| CN112397747A (zh) * | 2020-11-10 | 2021-02-23 | 一汽解放汽车有限公司 | 用于燃料电池发动机的供气控制方法、车辆及存储介质 |
| CN114204080B (zh) * | 2021-11-30 | 2024-04-19 | 华中科技大学 | 一种多电堆固体氧化物燃料电池系统的气路结构优化方法 |
| CN114252771B (zh) * | 2021-12-13 | 2024-05-07 | 北京经纬恒润科技股份有限公司 | 一种电池参数在线辨识方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101165506A (zh) * | 2006-10-17 | 2008-04-23 | 上海博能同科燃料电池系统有限公司 | 基于网络学习控制的燃料电池测试系统 |
| US20090081502A1 (en) * | 2007-09-24 | 2009-03-26 | Alp Abdullah B | Open-loop system and method for fuel cell stack start-up with low-voltage source |
| WO2012112193A1 (en) * | 2011-02-18 | 2012-08-23 | Altergy Systems | Integrated recirculating fuel cell 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
- 2013-12-07 CN CN201310676416.0A patent/CN103700871B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101165506A (zh) * | 2006-10-17 | 2008-04-23 | 上海博能同科燃料电池系统有限公司 | 基于网络学习控制的燃料电池测试系统 |
| US20090081502A1 (en) * | 2007-09-24 | 2009-03-26 | Alp Abdullah B | Open-loop system and method for fuel cell stack start-up with low-voltage source |
| WO2012112193A1 (en) * | 2011-02-18 | 2012-08-23 | Altergy Systems | Integrated recirculating fuel cell 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103700871A (zh) | 2014-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103700871B (zh) | 机车质子交换膜燃料电池系统最优效率控制方法 | |
| Li et al. | Hierarchical predictive control-based economic energy management for fuel cell hybrid construction vehicles | |
| Xiong et al. | Towards a smarter hybrid energy storage system based on battery and ultracapacitor-A critical review on topology and energy management | |
| Zand et al. | Using adaptive fuzzy logic for intelligent energy management in hybrid vehicles | |
| Lü et al. | Hybrid electric vehicles: A review of energy management strategies based on model predictive control | |
| CN105260797B (zh) | 一种微网储能电站规划控制方法 | |
| CN103384014A (zh) | 基于最大净功率策略的质子交换膜燃料电池空气供应系统控制 | |
| Fu et al. | Energy management strategy for fuel cell/battery/ultracapacitor hybrid electric vehicles using deep reinforcement learning with action trimming | |
| Wang et al. | Research on energy optimization control strategy of the hybrid electric vehicle based on Pontryagin's minimum principle | |
| CN110165248A (zh) | 燃料电池发动机空气供给系统容错控制方法 | |
| Lü et al. | Energy management and optimization of PEMFC/battery mobile robot based on hybrid rule strategy and AMPSO | |
| CN104200264A (zh) | 一种包括独立全局搜索的两阶段粒子群优化算法 | |
| CN106647809B (zh) | 一种基于任务规划的无人机用混合动力系统能量优化方法 | |
| Wei et al. | Integrating intelligent driving pattern recognition with adaptive energy management strategy for extender range electric logistics vehicle | |
| Wang et al. | Real-time energy management strategy for a plug-in hybrid electric bus considering the battery degradation | |
| Chatterjee et al. | Efficient energy management strategy for fuel cell hybrid electric vehicles using classifier fusion technique | |
| Zhang et al. | A review of energy management optimization based on the equivalent consumption minimization strategy for fuel cell hybrid power systems | |
| CN113928182A (zh) | 基于全局交通信息的混合动力汽车电池热管理优化系统 | |
| Hou et al. | Dynamic programming algorithm for energy management strategy of the fuel cell vehicle | |
| Azim Mohseni et al. | Energy management strategies of hybrid electric vehicles: A comparative review | |
| Liu et al. | Real time power management strategy for fuel cell hybrid electric bus based on Lyapunov stability theorem | |
| CN103414432B (zh) | 一种混合动力车带式驱动启动发电机控制器的构造方法 | |
| Tian et al. | A coordinated optimization method of energy management and trajectory optimization for hybrid electric UAVs with PV/Fuel Cell/Battery | |
| Wang et al. | Application of dynamic programming algorithm based on model predictive control in hybrid electric vehicle control strategy | |
| CN113492727B (zh) | 一种基于empc的燃料电池混合动力系统控制方法 |
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: 20170330 Address after: 610000 Sichuan City, Chengdu Province, No. two North Ring Road, No. 111 Patentee after: Southwest Jiaotong University Address before: 610031 Chengdu City, Sichuan Province, No. two North Ring Road, Southwest Jiao Tong University, Patentee before: Southwest Jiaotong University Patentee before: Chengdu Ruidingte Science and Technology Co., Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20180823 Address after: 610031 Nan yuan 10101, 111 north section, two ring road, Chengdu, Sichuan. Co-patentee after: CHENGDU GUOJIA ELECTRICAL ENGINEERING CO., LTD. Patentee after: Chen Weirong Address before: No. two North Road, No. 111 ring road. Patentee before: Southwest Jiaotong University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190808 Address after: 610000 1-2 Floor, 6A Block, 200 Tianfu Five Street, Chengdu High-tech Zone, Sichuan Province Patentee after: Sichuan Rongxinneng Technology Co., Ltd. Address before: 610031 South Park 10101, 111 North Section of Second Ring Road, Chengdu City, Sichuan Province Co-patentee before: CHENGDU GUOJIA ELECTRICAL ENGINEERING CO., LTD. Patentee before: Chen Weirong |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20191126 Address after: 610000 No.618, Junyue Road, Xindu District, Chengdu, Sichuan Province Patentee after: Sichuan Rong innovation power system Co., Ltd. Address before: 610000 1-2 Floor, 6A Block, 200 Tianfu Five Street, Chengdu High-tech Zone, Sichuan Province Patentee before: Sichuan Rongxinneng Technology Co., Ltd. |