CN107991881B - 一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法 - Google Patents
一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法 Download PDFInfo
- Publication number
- CN107991881B CN107991881B CN201711401026.7A CN201711401026A CN107991881B CN 107991881 B CN107991881 B CN 107991881B CN 201711401026 A CN201711401026 A CN 201711401026A CN 107991881 B CN107991881 B CN 107991881B
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- solid oxide
- oxide fuel
- formula
- matrix
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法,通过在线多模型加权的预测控制克服了固体氧化物燃料电池的非线性多变量耦合问题,采用前馈的方法对电阻负载的扰动进行补偿实现扰动抑制,同时在性能指标中加入对氢气流量和空气流量的约束条件,通过基于卡尔曼滤波器的反馈校正环节,实现了控制系统的可行性,提高了控制效果,确保燃料电池在受到外部电阻发生变化后维持输出电压恒定,且燃料利用率处于合理范围0.7~0.9内。
Description
技术领域
本发明涉及新能源技术自动控制领域,特别是涉及一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法。
背景技术
固体氧化物燃料电池在实现商业化运营道路上的问题主要集中于对固体氧化燃料电池的有效控制。
随着传统能源日趋紧张,环境问题日益突出,国家不断加大对新能源领域的发展力度,固体氧化物燃料电池便是其中的热点之一,然而在固体氧化物燃料电池投入实际运营的过程中,燃料电池的有效控制便是其中的关键问题。
现有的控制方案均未能实现对固体氧化物燃料电池的非线性、多变量耦合、扰动抑制、控制量约束、恒定输出电压及燃料利用率问题的有效解决,或只解决了其中一部分问题,且方法实现较为困难,不具有大范围推广的意义。
发明内容
发明目的:本发明的目的是提供一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法,能够解决固体氧化物燃料电池在控制过程中的非线性多变量耦合,控制量约束,及扰动抑制问题,确保燃料电池在受到外部电阻发生变化后维持输出电压恒定,且燃料利用率处于合理范围0.7~0.9内。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的基于多模型预测控制的固体氧化物燃料电池非线性抑制方法,包括以下步骤:
S1:针对固体氧化物燃料电池自身所具有的非线性,对受控固体氧化物燃料电池在多个工作点下进行非线性分析并辨识建模,构建各工作点下线性燃料电池子模型;
S2:确立以电阻负载变动范围为调度量,通过在线的线性插值方法将多个工作点下的燃料电池子模型合成为一个符合当前固体氧化物燃料电池非线性工作点的线性模型;
S3:采用多模型加权的预测控制方法,设计前馈环节对作为可测扰动的负载电阻的补偿,控制输入燃料电池的氢气流量与空气流量,维持燃料电池系统输出电压恒定,且燃料利用率维持在0.7~0.9内,计算预测模型,并求解最优输入氢气流量和空气流量;
S4:采用基于卡尔曼滤波器状态估计的反馈校正方法,在多模型加权的预测控制方法中对预测模型中的增广状态变量进行实时估计和矫正更新。
进一步,在步骤S1中,根据固体氧化物燃料电池电阻负载的变动范围,选取l个处于不同电阻负载扰动、输出额定电压、燃料利用率为0.8的燃料电池工作点,并对其中h个工作点的固体氧化物燃料电池分别做电阻负载、输入氢气量、输入空气量的开环阶跃扰动试验以验证固体氧化物燃料电池系统自身所具有的非线性;对其中n个工作点,通过电阻负载、输入氢气量、输入空气量在n个不同工作点的开环阶跃响应实验数据辨识n个工作点附近的传递函数模型,构建n个工作点下的燃料电池子模型M1~Mn。
进一步,在步骤S2中,将电阻负载的变动范围根据步骤S1中n个燃料电池子模型划分为n-1个子区间,即R1~R2,R2~R3…Rn-1~Rn,n为工作点的总数,Rj~Rj+1为电阻负载变动范围的第j个子区间,j=1…n-1,则k时刻符合当前固体氧化物燃料电池非线性工作点的线性模型M(k)按照式(1)计算:
式(1)中,αi为加权系数,Mi为步骤S1中所得的第i个燃料电池子模型,i=1…n;
线性插值方法具体为:
若R(k)满足Rj≤R(k)<Rj+1,则分别按照式(2)-(4)进行迭代,R(k)为当前k时刻电阻负载的测量值;
αi=0 i≠j,j+1 (2)
当进入下一个计算周期,即k+1时刻,重复上述迭代步骤,计算k+1时刻的线性模型M(k+1),实现在线计算。
进一步,在步骤S3中,根据步骤S2中得到的符合当前固体氧化物燃料电池非线性工作点的线性模型M(k),计算得到的预测模型Y如式(5)所示,并求解如式(10)所示带约束的性能指标:
Y=Fx(k)+ΦΔU+ΓΔd(k) (5)
式(5)中,F、Φ和Γ分别如式(6)、(7)和(8)所示,x(k)=[Δxd(k)Tyd(k)T]T为增广状态变量,yd(k)为由输出电压和燃料利用率构成的输出向量,Δxd(k)=xd(k)-xd(k-1),xd(k)为k时刻下的状态变量,ΔU如式(9)所示,d(k)为电阻负载扰动,Δd(k)=d(k)-d(k-1),B和Br均为增广系数矩阵;
式(6)中,C=[O I]为y(k)=Cx(k)中的增广系数矩阵,O为零矩阵,I为单位阵,A为x(k+1)=Ax(k)+BΔu(k)+BrΔd(k)中的增广系数矩阵,u(k)为由氢气流量和空气流量构成的输入向量,Δu(k)=u(k)-u(k-1);
式(7)中,P为预测时域,M为控制时域;
Γ=[CBr CABr … CAP-1Br]T (8)
ΔU=[Δu(k) Δu(k+1) … Δu(k+M-1)]T (9)
ΔUmin≤ΔU≤ΔUmax
式(10)中,Yr为由额定输出电压和设定燃料利用率构成的参考输出向量,Z为误差权矩阵,W为控制权矩阵,S、Umin、Umax、ΔUmin、ΔUmax分别如式(11)、(12)、(13)、(14)、(15)所示:
式(11)中,I为单位矩阵;式(12)中,umin为输入向量下限,nu为输入向量维数;式(13)中,umax为输入向量上限;式(14)中,Δumin为输入向量增量下限;式(15)中,Δumax为输入向量增量上限。
进一步,在步骤S4中,按照式(16)对预测模型中的增广状态变量进行实时估计和矫正更新:
x(k|k)=x(k|k-1)+Kg(k)(Ym(k)-Cx(k|k-1)) (16)
式(16)中,x(k|k)表示矫正之后的k时刻燃料电池增广状态变量,令x(k)=x(k|k)代入式(5)实现增广状态变量的更新,x(k|k-1)表示在k-1时刻对k时刻的增广状态变量的估计,如式(17)所示,Kg(k)为k时刻下的卡尔曼增益,如式(18)所示,Ym(k)为由燃料电池的输出电压和燃料利用率测量值构成的实际输出向量;
x(k|k-1)=Ax(k-1|k-1)+BΔu(k-1)+BrΔd(k-1) (17)
式(17)中,x(k-1|k-1)表示矫正之后的k-1时刻燃料电池增广状态变量;A、B和Br均为x(k+1)=Ax(k)+BΔu(k)+BrΔd(k)中的增广系数矩阵,x(k)=[Δxd(k)Tyd(k)T]T为增广状态变量,yd(k)为由输出电压和燃料利用率构成的输出向量,C=[O I]为y(k)=Cx(k)中的增广系数矩阵,O为零矩阵,I为单位阵,Δxd(k)=xd(k)-xd(k-1),xd(k)为k时刻下的状态变量,u(k)为由氢气流量和空气流量构成的输入向量,Δu(k-1)=u(k-1)-u(k-2),d(k)为电阻负载扰动,Δd(k-1)=d(k-1)-d(k-2);
Kg(k)=P(k|k-1)CT/(CTP(k|k-1)+R) (18)
式(18)中,P(k|k-1)表示k-1时刻对k时刻协方差矩阵的估计,如式(19)所示,R为噪声协方差矩阵;
P(k|k-1)=AP(k-1|k-1)AT+Q (19)
式(19)中,P(k-1|k-1)为k-1时刻的协方差矩阵更新,Q为扰动协方差矩阵,k时刻的协方差矩阵更新如式(20)所示:
P(k|k)=(I-Kg(k)C)P(k|k-1) (20)
式(20)中I为单位矩阵。
有益效果:本发明公开了一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法,通过在线多模型加权的预测控制克服了固体氧化物燃料电池的非线性多变量耦合问题,采用前馈的方法对电阻负载的扰动进行补偿实现扰动抑制,同时在性能指标中加入对氢气流量和空气流量的约束条件,通过基于卡尔曼滤波器的反馈校正环节,实现了控制系统的可行性,提高了控制效果,确保燃料电池在受到外部电阻发生变化后维持输出电压恒定,且燃料利用率处于合理范围0.7~0.9内。
附图说明
图1为本发明具体实施方式中方法的原理框图;
图2为本发明具体实施方式中固体氧化物燃料电池多工况点的电阻负载开环阶跃响应实验示意图;
图3为本发明具体实施方式中固体氧化物燃料电池多工况点的氢气流量开环阶跃响应实验示意图;
图4为本发明具体实施方式中固体氧化物燃料电池多工况点的空气流量开环阶跃响应实验示意图;
图5为本发明具体实施方式中采用本发明提出的一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法的电阻扰动示意图;
图6为本发明具体实施方式中采用本发明提出的一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法的氢气流量和空气流量效果图;
图7为本发明具体实施方式中采用本发明提出的一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法的输出电压和燃料利用率效果图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法,如图1所示,包括以下步骤:
S1:针对固体氧化物燃料电池自身所具有的非线性,对受控固体氧化物燃料电池在多个工作点下进行非线性分析并辨识建模,构建各工作点下线性燃料电池子模型。根据固体氧化物燃料电池电阻负载的变动范围,选取5个处于不同电阻负载扰动、输出额定电压、燃料利用率为0.8的燃料电池工作点,如表1所示,并对其中4个工作点(1#、2#、3#、5#)的固体氧化物燃料电池分别做电阻负载、输入氢气量、输入空气量的开环阶跃扰动试验以验证固体氧化物燃料电池系统自身所具有的非线性,实验结果如图2、图3和图4所示;对其中4个工作点(1#、2#、3#、4#),利用MATLAB System Identification Toolbox,通过电阻负载、输入氢气量、输入空气量在4个不同工作点(1#、2#、3#、4#)的开环阶跃响应实验数据辨识工作点1#、2#、3#、4#附近的传递函数模型,构建工作点1#、2#、3#、4#下的燃料电池子模型M1~M4。
表1步骤S1中SOFC工作点的选取
工作点1#~4#传递函数模型结构及对应的传递函数模型如下所示:
传递函数模型结构:
其中,y1为输出电压(V),y2为燃料利用率,u1为输入氢气量(10-4mol/s),u2为输入空气量(10-3mol/s),d为电阻负载(Ω),Gab为各通道传递函数。
工作点1#传递函数:
工作点2#传递函数:
工作点3#传递函数:
工作点4#传递函数:
S2:确立以电阻负载变动范围为调度量,通过在线的线性插值方法将多个工作点下的燃料电池子模型合成为一个符合当前固体氧化物燃料电池非线性工作点的线性模型。将电阻负载的变动范围根据步骤S1中4个燃料电池子模型划分为3个子区间,即R1~R2,R2~R3,R3~R4,Rj~Rj+1为电阻负载变动范围的第j个子区间,j=1…3,其中R1=3.4Ω,R2=3.6Ω,R3=3.8Ω,R4=4.1Ω,则k时刻符合当前固体氧化物燃料电池非线性工作点的线性模型M(k)按照式(1)计算:
式(1)中,αi为加权系数,Mi为步骤S1中所得的第i个燃料电池子模型,i=1…4;
线性插值方法具体为:
若R(k)满足Rj≤R(k)<Rj+1,则分别按照式(2)-(4)进行迭代,R(k)为当前k时刻电阻负载的测量值;
αi=0 i≠j,j+1 (2)
当进入下一个计算周期,即k+1时刻,重复上述迭代步骤,计算k+1时刻的线性模型M(k+1),实现在线计算。
S3:采用多模型加权的预测控制方法,设计前馈环节对作为可测扰动的负载电阻的补偿,控制输入燃料电池的氢气流量与空气流量,维持燃料电池系统输出电压恒定,且燃料利用率维持在0.7~0.9内,计算预测模型,并求解带约束的性能指标。相关的参数选取如表2所示:
表2步骤S3中相关参数选取
根据步骤S2中得到的符合当前固体氧化物燃料电池非线性工作点的线性模型M(k),计算得到的预测模型Y如式(5)所示:
Y=Fx(k)+ΦΔU+ΓΔd(k) (5)
式(5)中,F、Φ和Γ分别如式(6)、(7)和(8)所示,x(k)=[Δxd(k)Tyd(k)T]T为增广状态变量,yd(k)为由输出电压和燃料利用率构成的输出向量,Δxd(k)=xd(k)-xd(k-1),xd(k)为k时刻下的状态变量,ΔU如式(9)所示,d(k)为电阻负载扰动,Δd(k)=d(k)-d(k-1),B和Br均为增广系数矩阵;
式(6)中,C=[O I]为y(k)=Cx(k)中的增广系数矩阵,O为零矩阵,I为单位阵,A为x(k+1)=Ax(k)+BΔu(k)+BrΔd(k)中的增广系数矩阵,u(k)为由氢气流量和空气流量构成的输入向量,Δu(k)=u(k)-u(k-1);
式(7)中,P为预测时域,M为控制时域;
Γ=[CBr CABr … CAP-1Br]T (8)
ΔU=[Δu(k) Δu(k+1) … Δu(k+M-1)]T (9)
ΔUmin≤ΔU≤ΔUmax
式(10)中,Yr为由额定输出电压和设定燃料利用率构成的参考输出向量,Z为误差权矩阵,W为控制权矩阵,S、Umin、Umax、ΔUmin、ΔUmax分别如式(11)、(12)、(13)、(14)、(15)所示:
式(11)中,I为单位矩阵;式(12)中,umin为输入向量下限,nu为输入向量维数;式(13)中,umax为输入向量上限;式(14)中,Δumin为输入向量增量下限;式(15)中,Δumax为输入向量增量上限。
S4:采用基于卡尔曼滤波器状态估计的反馈校正方法,在多模型加权的预测控制方法中对预测模型中的增广状态变量进行实时估计和矫正更新。相关的参数选取为:扰动协方差矩阵Q的系数qn=1,噪声协方差矩阵R的系数rn=1,误差协方差矩阵P(k)的系数pn=1。
在步骤S4中,按照式(16)对预测模型中的增广状态变量进行实时估计和矫正更新:
x(k|k)=x(k|k-1)+Kg(k)(Ym(k)-Cx(k|k-1)) (16)
式(16)中,x(k|k)表示矫正之后的k时刻燃料电池增广状态变量,令x(k)=x(k|k)代入式(5)实现增广状态变量的更新,x(k|k-1)表示在k-1时刻对k时刻的增广状态变量的估计,如式(17)所示,Kg(k)为k时刻下的卡尔曼增益,如式(18)所示,Ym(k)为由燃料电池的输出电压和燃料利用率测量值构成的实际输出向量;
x(k|k-1)=Ax(k-1|k-1)+BΔu(k-1)+BrΔd(k-1) (17)
式(17)中,x(k-1|k-1)表示矫正之后的k-1时刻燃料电池增广状态变量;A、B和Br均为x(k+1)=Ax(k)+BΔu(k)+BrΔd(k)中的增广系数矩阵,x(k)=[Δxd(k)Tyd(k)T]T为增广状态变量,yd(k)为由输出电压和燃料利用率构成的输出向量,C=[O I]为y(k)=Cx(k)中的增广系数矩阵,O为零矩阵,I为单位阵,Δxd(k)=xd(k)-xd(k-1),xd(k)为k时刻下的状态变量,u(k)为由氢气流量和空气流量构成的输入向量,Δu(k-1)=u(k-1)-u(k-2),d(k)为电阻负载扰动,Δd(k-1)=d(k-1)-d(k-2);
Kg(k)=P(k|k-1)CT/(CTP(k|k-1)+R) (18)
式(18)中,P(k|k-1)表示k-1时刻对k时刻协方差矩阵的估计,如式(19)所示,R为噪声协方差矩阵;
P(k|k-1)=AP(k-1|k-1)AT+Q (19)
式(19)中,P(k-1|k-1)为k-1时刻的协方差矩阵更新,Q为扰动协方差矩阵,k时刻的协方差矩阵更新如式(20)所示:
P(k|k)=(I-Kg(k)C)P(k|k-1) (20)
式(20)中I为单位矩阵。
固体氧化物燃料电池系统的控制效果如图5、图6、图7所示,验证了本发明采用一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法,通过在线多模型加权的预测控制克服了固体氧化物燃料电池的非线性多变量耦合问题,采用前馈的方法对电阻负载的扰动进行补偿实现扰动抑制,同时在性能指标中加入对氢气流量和空气流量的约束条件,通过基于卡尔曼滤波器的反馈校正环节,实现了控制系统的可行性,提高了控制效果,确保燃料电池在受到外部电阻发生变化后维持输出电压恒定,且燃料利用率处于合理范围0.7~0.9内。
Claims (4)
1.一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法,其特征在于:包括以下步骤:
S1:针对固体氧化物燃料电池自身所具有的非线性,对受控固体氧化物燃料电池在多个工作点下进行非线性分析并辨识建模,构建各工作点下线性燃料电池子模型;
S2:确立以电阻负载变动范围为调度量,通过在线的线性插值方法将多个工作点下的燃料电池子模型合成为一个符合当前固体氧化物燃料电池非线性工作点的线性模型;
S3:采用多模型加权的预测控制方法,设计前馈环节对作为可测扰动的负载电阻的补偿,控制输入燃料电池的氢气流量与空气流量,维持燃料电池系统输出电压恒定,且燃料利用率维持在0.7~0.9内,计算预测模型,并求解最优输入氢气流量和空气流量;
在步骤S3中,根据步骤S2中得到的符合当前固体氧化物燃料电池非线性工作点的线性模型M(k),计算得到的预测模型Y如式(5)所示,并求解如式(10)所示带约束的性能指标:
Y=Fx(k)+ΦΔU+ΓΔd(k) (5)
式(5)中,F、Φ和Γ分别如式(6)、(7)和(8)所示,x(k)=[Δxd(k)T yd(k)T]T为增广状态变量,yd(k)为由输出电压和燃料利用率构成的输出向量,Δxd(k)=xd(k)-xd(k-1),xd(k)为k时刻下的状态变量,ΔU如式(9)所示,d(k)为电阻负载扰动,Δd(k)=d(k)-d(k-1),B和Br均为增广系数矩阵;
式(6)中,C=[O I]为y(k)=Cx(k)中的增广系数矩阵,O为零矩阵,I为单位阵,A为x(k+1)=Ax(k)+BΔu(k)+BrΔd(k)中的增广系数矩阵,u(k)为由氢气流量和空气流量构成的输入向量,Δu(k)=u(k)-u(k-1);
式(7)中,P为预测时域,M为控制时域;
Γ=[CBr CABr…CAP-1Br]T (8)
ΔU=[Δu(k) Δu(k+1)…Δu(k+M-1)]T (9)
式(10)中,Yr为由额定输出电压和设定燃料利用率构成的参考输出向量,Z为误差权矩阵,W为控制权矩阵,S、Umin、Umax、ΔUmin、ΔUmax分别如式(11)、(12)、(13)、(14)、(15)所示:
式(11)中,I为单位矩阵;式(12)中,umin为输入向量下限,nu为输入向量维数;式(13)中,umax为输入向量上限;式(14)中,Δumin为输入向量增量下限;式(15)中,Δumax为输入向量增量上限;
S4:采用基于卡尔曼滤波器状态估计的反馈校正方法,在多模型加权的预测控制方法中对预测模型中的增广状态变量进行实时估计和矫正更新。
2.根据权利要求1所述的基于多模型预测控制的固体氧化物燃料电池非线性抑制方法,其特征在于:在步骤S1中,根据固体氧化物燃料电池电阻负载的变动范围,选取l个处于不同电阻负载扰动、输出额定电压、燃料利用率为0.8的燃料电池工作点,并对其中h个工作点的固体氧化物燃料电池分别做电阻负载、输入氢气量、输入空气量的开环阶跃扰动试验以验证固体氧化物燃料电池系统自身所具有的非线性;对其中n个工作点,通过电阻负载、输入氢气量、输入空气量在n个不同工作点的开环阶跃响应实验数据辨识n个工作点附近的传递函数模型,构建n个工作点下的燃料电池子模型M1~Mn。
3.根据权利要求1所述的基于多模型预测控制的固体氧化物燃料电池非线性抑制方法,其特征在于:在步骤S2中,将电阻负载的变动范围根据步骤S1中n个燃料电池子模型划分为n-1个子区间,即R1~R2,R2~R3…Rn-1~Rn,n为工作点的总数,Rj~Rj+1为电阻负载变动范围的第j个子区间,j=1…n-1,则k时刻符合当前固体氧化物燃料电池非线性工作点的线性模型M(k)按照式(1)计算:
式(1)中,αi为加权系数,Mi为步骤S1中所得的第i个燃料电池子模型,i=1…n;
线性插值方法具体为:
若R(k)满足Rj≤R(k)<Rj+1,则分别按照式(2)-(4)进行迭代,R(k)为当前k时刻电阻负载的测量值;
αi=0 i≠j,j+1 (2)
当进入下一个计算周期,即k+1时刻,重复上述迭代步骤,计算k+1时刻的线性模型M(k+1),实现在线计算。
4.根据权利要求1所述的基于多模型预测控制的固体氧化物燃料电池非线性抑制方法,其特征在于:在步骤S4中,按照式(16)对预测模型中的增广状态变量进行实时估计和矫正更新:
x(k|k)=x(k|k-1)+Kg(k)(Ym(k)-Cx(k|k-1)) (16)
式(16)中,x(k|k)表示矫正之后的k时刻燃料电池增广状态变量,令x(k)=x(k|k)代入式(5)实现增广状态变量的更新,x(k|k-1)表示在k-1时刻对k时刻的增广状态变量的估计,如式(17)所示,Kg(k)为k时刻下的卡尔曼增益,如式(18)所示,Ym(k)为由燃料电池的输出电压和燃料利用率测量值构成的实际输出向量;
x(k|k-1)=Ax(k-1|k-1)+BΔu(k-1)+BrΔd(k-1) (17)
式(17)中,x(k-1|k-1)表示矫正之后的k-1时刻燃料电池增广状态变量;A、B和Br均为x(k+1)=Ax(k)+BΔu(k)+BrΔd(k)中的增广系数矩阵,x(k)=[Δxd(k)T yd(k)T]T为增广状态变量,yd(k)为由输出电压和燃料利用率构成的输出向量,C=[O I]为y(k)=Cx(k)中的增广系数矩阵,O为零矩阵,I为单位阵,Δxd(k)=xd(k)-xd(k-1),xd(k)为k时刻下的状态变量,u(k)为由氢气流量和空气流量构成的输入向量,Δu(k-1)=u(k-1)-u(k-2),d(k)为电阻负载扰动,Δd(k-1)=d(k-1)-d(k-2);
Kg(k)=P(k|k-1)CT/(CTP(k|k-1)+R) (18)
式(18)中,P(k|k-1)表示k-1时刻对k时刻协方差矩阵的估计,如式(19)所示,R为噪声协方差矩阵;
P(k|k-1)=AP(k-1|k-1)AT+Q (19)
式(19)中,P(k-1|k-1)为k-1时刻的协方差矩阵更新,Q为扰动协方差矩阵,k时刻的协方差矩阵更新如式(20)所示:
P(k|k)=(I-Kg(k)C)P(k|k-1) (20)
式(20)中I为单位矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711401026.7A CN107991881B (zh) | 2017-12-20 | 2017-12-20 | 一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711401026.7A CN107991881B (zh) | 2017-12-20 | 2017-12-20 | 一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107991881A CN107991881A (zh) | 2018-05-04 |
CN107991881B true CN107991881B (zh) | 2021-01-05 |
Family
ID=62039531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711401026.7A Active CN107991881B (zh) | 2017-12-20 | 2017-12-20 | 一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107991881B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10522854B2 (en) * | 2017-12-04 | 2019-12-31 | Cummins Enterprise Inc. | Digital twin based management system and method and digital twin based fuel cell management system and method |
CN108681244B (zh) * | 2018-05-11 | 2021-01-26 | 东南大学 | 基于多模型前馈的燃料电池阳极压力动态矩阵控制方法 |
CN109244510B (zh) * | 2018-09-26 | 2021-07-13 | 电子科技大学 | 一种基于未建模动态补偿的固体氧化物燃料电池控制方法 |
CN109358585B (zh) * | 2018-10-30 | 2020-06-19 | 上海交通大学 | 一种级联流浆箱纸机全局优化控制方法 |
CN109888338B (zh) * | 2019-02-20 | 2021-11-09 | 华中科技大学鄂州工业技术研究院 | 基于统计的sofc供气故障检测方法及设备 |
CN113328122B (zh) * | 2021-04-29 | 2022-05-13 | 广西大学 | 一种固体氧化物燃料电池的量子模型预测控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201585A (zh) * | 2011-04-13 | 2011-09-28 | 东南大学 | 固体氧化物燃料电池输出电压的控制方法 |
CN103401006A (zh) * | 2013-08-07 | 2013-11-20 | 东南大学 | 一种固体氧化物燃料电池电压多模型融合控制方法 |
CN103399492A (zh) * | 2013-08-07 | 2013-11-20 | 东南大学 | 一种固体氧化物燃料电池电压快速非线性预测控制方法 |
CN105720286A (zh) * | 2016-03-30 | 2016-06-29 | 华中科技大学 | 一种固体氧化物燃料电池系统避免燃料亏空的控制方法 |
CN105870483A (zh) * | 2016-03-31 | 2016-08-17 | 华中科技大学 | 固体氧化物燃料电池系统功率跟踪过程热电协同控制方法 |
EP3096384A1 (en) * | 2015-05-20 | 2016-11-23 | General Electric Company | Fuel cell system and controlling method thereof |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100839473B1 (ko) * | 2007-05-18 | 2008-06-19 | 삼성에스디아이 주식회사 | 플라즈마 표시 장치 및 그 전원 장치 |
CN102944848B (zh) * | 2012-11-21 | 2015-04-22 | 广东省自动化研究所 | 一种动力电池剩余电量实时评估方法及其装置 |
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 |
US20150374895A1 (en) * | 2013-01-24 | 2015-12-31 | Nxstage Medical, Inc. | Water treatment systems, devices, and methods for fluid preparation |
CN103472723A (zh) * | 2013-08-19 | 2013-12-25 | 上海交通大学 | 基于多模型广义预测控制器的预测控制方法及系统 |
US9846886B2 (en) * | 2013-11-07 | 2017-12-19 | Palo Alto Research Center Incorporated | Strategic modeling for economic optimization of grid-tied energy assets |
CN103645377B (zh) * | 2013-12-24 | 2016-02-24 | 山东大学 | 基于动态矩阵控制算法的电池许用功率预测方法 |
CN106194587B (zh) * | 2016-07-27 | 2018-11-13 | 山东大学 | 一种应用于微型风电系统的压缩空气混合储能系统及方法 |
-
2017
- 2017-12-20 CN CN201711401026.7A patent/CN107991881B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201585A (zh) * | 2011-04-13 | 2011-09-28 | 东南大学 | 固体氧化物燃料电池输出电压的控制方法 |
CN103401006A (zh) * | 2013-08-07 | 2013-11-20 | 东南大学 | 一种固体氧化物燃料电池电压多模型融合控制方法 |
CN103399492A (zh) * | 2013-08-07 | 2013-11-20 | 东南大学 | 一种固体氧化物燃料电池电压快速非线性预测控制方法 |
EP3096384A1 (en) * | 2015-05-20 | 2016-11-23 | General Electric Company | Fuel cell system and controlling method thereof |
CN106299401A (zh) * | 2015-05-20 | 2017-01-04 | 通用电气公司 | 燃料电池系统及其控制方法 |
CN105720286A (zh) * | 2016-03-30 | 2016-06-29 | 华中科技大学 | 一种固体氧化物燃料电池系统避免燃料亏空的控制方法 |
CN105870483A (zh) * | 2016-03-31 | 2016-08-17 | 华中科技大学 | 固体氧化物燃料电池系统功率跟踪过程热电协同控制方法 |
Non-Patent Citations (6)
Title |
---|
MULTIPLE MODEL PREDICTIVE CONTROL FOR SOLID OXIDE FUEL CELLS;Pan, L 等;《Proceedings of the ASME 2017 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference》;20170809;第9卷;1-4 * |
Multiple Model Predictive Control of Grid Connected Solid Oxide Fuel Cell for Extending Cell Life Time;Horalek, R等;《23rd Mediterranean Conference on Control and Automation》;20150619;310-315 * |
固体氧化物燃料电池动力学分析与控制方法研究;刘欣;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20141015(第10 期);C042-94 * |
固体氧化物燃料电池的多模型预测控制方法研究;韩苗苗等;《华东电力》;20091031;第37卷(第10期);1767-1770 * |
燃料电池气体供给系统控制研究;肖坤;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20131215(第S2期);C042-1602 * |
燃料电池系统建模与控制研究;陈雪兰;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20131015(第10期);C042-234 * |
Also Published As
Publication number | Publication date |
---|---|
CN107991881A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107991881B (zh) | 一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法 | |
Chi et al. | Enhanced P-type control: Indirect adaptive learning from set-point updates | |
Ostadijafari et al. | Linearized price-responsive HVAC controller for optimal scheduling of smart building loads | |
Li et al. | The feedback robust MPC for LPV systems with bounded rates of parameter changes | |
Xiao et al. | Online optimal control of unknown discrete-time nonlinear systems by using time-based adaptive dynamic programming | |
Fallah Ghavidel et al. | Observer-based hybrid adaptive fuzzy control for affine and nonaffine uncertain nonlinear systems | |
He et al. | Adaptive neural network control of unknown nonlinear affine systems with input deadzone and output constraint | |
Chen et al. | Data efficient reinforcement learning and adaptive optimal perimeter control of network traffic dynamics | |
Song et al. | Multi-objective optimal control for a class of unknown nonlinear systems based on finite-approximation-error ADP algorithm | |
CN108710301B (zh) | 压电陶瓷作动器迟滞非线性在线辨识和补偿的方法及系统 | |
CN114142498A (zh) | 一种数据驱动的分布式储能自适应预测控制电压调节方法 | |
Ławryńczuk | Constrained computationally efficient nonlinear predictive control of Solid Oxide Fuel Cell: Tuning, feasibility and performance | |
Asadi et al. | Data-driven adaptive control of wide-area non-linear systems with input and output saturation: A power system application | |
Zhu et al. | Sufficient condition for the existence of the compact set in the RBF neural network control | |
CN112436166A (zh) | 质子交换膜燃料电池空气供给系统的滑模控制方法 | |
Yang et al. | Adaptive neural control of nonaffine systems with unknown control coefficient and nonsmooth actuator nonlinearities | |
CN110797857A (zh) | 一种不确定性直流微电网的切换型模糊模型预测控制方法 | |
CN113625573B (zh) | 受非对称死区输入影响的分数阶系统反步滑模控制方法 | |
Zhou et al. | RBF-ARX model-based robust MPC for nonlinear systems with unknown and bounded disturbance | |
Sanatizadeh et al. | The design of a coprime‐factorized predictive functional controller for unstable fractional order systems | |
Qi et al. | Adaptive learning control for triggered switched systems based on unknown direction control gain function | |
CN106444362A (zh) | 一种废塑料裂解炉炉膛温度的分布式pid型预测函数控制方法 | |
Wang et al. | Fuzzy predictive functional control of a class of non‐linear systems | |
Tian et al. | A new incremental learning modeling method based on multiple models for temperature prediction of molten steel in LF | |
Luo et al. | Stability of direct heuristic dynamic programming for nonlinear tracking control using PID neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |