CN108681244A - 基于多模型前馈的燃料电池阳极压力动态矩阵控制方法 - Google Patents
基于多模型前馈的燃料电池阳极压力动态矩阵控制方法 Download PDFInfo
- Publication number
- CN108681244A CN108681244A CN201810449899.3A CN201810449899A CN108681244A CN 108681244 A CN108681244 A CN 108681244A CN 201810449899 A CN201810449899 A CN 201810449899A CN 108681244 A CN108681244 A CN 108681244A
- Authority
- CN
- China
- Prior art keywords
- moment
- increment
- value
- output quantity
- 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.)
- Granted
Links
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)
- Feedback Control In General (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种基于多模型前馈的燃料电池阳极压力动态矩阵控制方法,将质子交换膜燃料电池看作三入一出的多变量对象,其中对象输入包括一路控制量和两路扰动量,在不同稳态工况点辨识输出量对控制量和扰动量的阶跃响应模型,在控制中根据燃料电池的实际运行工况切换用于计算控制增量的辨识模型和相应的DMC控制器,保证控制量输出的最优性。本发明方法相比于传统预测控制,可适用更广的工况范围,模型切换时扰动小。此外,本发明方法还能有效抑制排气阀位和负载电流扰动的影响,控制阳极压力跟踪设定值,降低质子交换膜上的压差应力,延长质子交换膜的使用寿命,保证燃料电池高效、稳定、安全运行。
Description
技术领域
本发明涉及新能源自动控制技术,特别是涉及基于多模型前馈的燃料电池阳极压力动态矩阵控制方法。
背景技术
随着环境保护和可持续发展的要求不断提高,传统火力发电技术由于其效率受卡诺循环限制,且SOx和NOx等副产物会造成环境问题,但受制于高能源需求,发展清洁能源技术作为补充是有效途径。质子交换膜燃料电池技术通过电化学反应,直接将燃料中的化学能转化为电能,具有能源转换效率高、能量密度高、无污染排放、运行噪音小且温度低的特点,适于进行商业化推广。大多数质子交换膜燃料电池采用封闭阳极的运行方式,提高了燃料利用率但需要定期进行阳极排气。燃料电池在运行中会受到多种扰动,包括排气扰动和负载扰动等,会影响阴、阳极流道的压力平衡,质子交换膜长时间受到因压差而产生的应力时,会影响燃料电池的使用寿命。为保证燃料电池高效、稳定、安全运行,阳极压力控制系统的介入十分必要。
目前国内外学者针对燃料电池控制问题的研究主要集中在能量管理和湿度控制方面,对于阳极压力的优化控制仍有不足。目前,针对存在排气阀位和负载电流扰动的情形,有学者使用模型预测控制(MPC)对阳极压力进行控制,取得了一定效果。然而由于MPC是基于模型的预测控制方法,其控制效果取决于控制模型精度,当被控对象动态特性较复杂时,控制模型的建立要求大量的先验知识,且不论机理建模或数据辨识的难度均较大。同时,MPC控制策略的控制器参数往往是预先设定,投入运行后不再调整。对于质子交换膜燃料电池,排气阀位发生变化时,阳极压力的动态特性也相应发生改变,固定参数控制器的效果将发生恶化,甚至使系统产生振荡。
发明内容
发明目的:本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于多模型前馈的燃料电池阳极压力动态矩阵控制方法。
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前馈的燃料电池阳极压力动态矩阵控制方法,包括以下步骤:
S1:以阳极入流气体质量流量为控制量输入,以排气阀位和负载电流为两路扰动量输入,以阳极压力为被控量输出,在不同的稳态工况下进行开环阶跃响应试验,获得被控对象在不同工况下的辨识模型;
S2:针对每一个工况,初始化多模型前馈动态矩阵控制器,设定预测参数,包括:采样周期T,建模时域N,预测时域P,控制时域M,在建模时域内输出量对控制量和扰动量的阶跃响应序列,误差权矩阵Q,控制权矩阵R,误差校正矩阵h;设定约束参数,包括:控制增量约束Δumax、Δumin,控制量约束umax、umin,输出量约束ymax、ymin;其中,Δumax为控制增量的最大值,Δumin为控制增量的最小值,umax为控制量的最大值,umin为控制量的最小值,ymax为输出量的最大值,ymin为输出量的最小值;
S3:根据辨识模型中的参数,针对每一个工况分别构建预测模型,并对控制量、输出量进行初始化;
S4:针对每一个工况,在当前采样时刻k,根据约束参数和预测模型构建使性能指标最小化的约束优化问题,并将约束优化问题转化为标准二次规划问题进行求解,取一步最优控制增量Δu*(k)计算当前时刻的最优控制量u*(k);
S5:根据对象实际工况切换最优控制量输出,将最优控制量作用于被控对象,进入下一采样时刻,得到被控对象实际输出yrl(k+1),通过实际输出yrl(k+1)与预测输出的偏差e(k+1)对预测模型进行修正;
S6:将时间基点从k+1移至k,回到步骤S5,重复执行步骤S5到步骤S7的过程。
进一步,所述步骤S1中不同的稳态工况指不同排气阀开度对应的不同工况,排气阀位扰动指排气阀门从一开度动作至另一开度,负载电流扰动指由于外部负载改变引起燃料电池输入电流变化。
进一步,所述步骤S2中建模时域内输出量对控制量和扰动量的阶跃响应序列具有如下形式:
a=[a(1) a(2) … a(N)]T (1)
bt=[bt(1) bt(2) … bt(N)]T,t∈{1,2} (2)
其中,a为输出量对控制量的阶跃响应序列,a(i)为输出量对控制量的阶跃响应曲线在第i个时刻的采样值,i=1,2,...N;bt为输出量对扰动量的阶跃响应序列,t∈{1,2},其中,b1为输出量对排气阀位的阶跃响应序列,b2为输出量对负载电流的阶跃响应序列,bt(i)为输出量对扰动量的阶跃响应曲线在第i个时刻的采样值。
进一步,所述步骤S2中,预测参数中的建模时域预测时域和控制时域满足N≥P≥M,且误差权矩阵Q、控制权矩阵R和反馈校正矩阵h分别具有如下形式:
h=[h1 h2 … hN]T (5)
其中,其中,qp为预测时域中第p个预测误差的权系数,p=1,2,...,P,rm为控制时域中第m个控制增量的权系数,m=1,2,...M,hn为建模时域中第n个预测值与真实值偏差的权系数,n=1,2,...N。
进一步,所述步骤S3中,第k个采样时刻的预测模型具有如下形式:
式(6)中,为在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时对k+1至k+N时刻对象输出的预测值,也即表示在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时对k+i时刻对象输出的预测值,i=1,2,...N;其中Δv(k)=[Δv1(k)Δv2(k)]T,Δv1(k)为排气阀位扰动增量,Δv2(k)为负载电流扰动增量;为预测初值,其中,为无控制增量和扰动增量作用时对k+i时刻对象输出的预测值;a为输出量对控制量的阶跃响应序列;b1为输出量对排气阀位的阶跃响应序列,b2为输出量对负载电流的阶跃响应序列;
式(7)中,为后续连续的控制增量ΔuM(k)和扰动增量Δv(k)作用下在k时刻对k+1至k+P时刻对象输出的预测值,其中ΔuM(k)=[Δu(k)Δu(k+1)…Δu(k+M-1)]T为从k时刻开始连续M个控制增量,0代表矩阵A右上三角区域内的元素全为0,a(k1)为输出量对控制量的阶跃响应曲线在第k1个时刻的采样值,1≤k1≤P;
b1(k2)为输出量对排气阀位的阶跃响应曲线在第i个时刻的采样值,b2(k2)为输出量对负载电流的阶跃响应曲线在第i个时刻的采样值;为预测初值,即为的前P个元素。
进一步,所述步骤S5中构建的约束优化问题具有如下形式:
其中,J为代价函数;w(k)=[w(1) w(2) … w(P)]T为输出设定值序列,其中w(p)为预测时域中第p个输出设定值,p=1,2,...,P;为后续连续的控制增量ΔuM(k)和扰动增量Δv(k)作用下对k+1至k+P时刻对象输出的预测值,其中ΔuM(k)=[Δu(k) Δu(k+1) … Δu(k+M-1)]T为从k时刻开始连续M个控制增量,||·||Q和||·||R表示向量的加权二范数,其权矩阵分别为Q和R;u为控制量,y为输出量,Δu为控制增量;该约束优化问题可转化为标准二次规划问题,具有如下形式:
式(9)中,0代表矩阵A右上三角区域内的元素全为0,a(k1)为输出量对控制量的阶跃响应曲线在第k1个时刻的采样值,1≤k1≤P;为预测初值,即为的前P个元素;b1(k2)为输出量对排气阀位的阶跃响应曲线在第i个时刻的采样值,b2(k2)为输出量对负载电流的阶跃响应曲线在第i个时刻的采样值;C和l如式(10)所示;
式(10)中,Bc如式(11)所示,Δumin和Δumax如式(12)所示,ymin和ymax如式(13)所示;
式(12)中,u(k-1)为k-1时刻的控制量;
求解该问题可得最优控制增量序列其中Δu*(k+m-1)为控制时域中第m个最优控制增量,m=1,2,...M;取一步最优控制增量则当前第k个采样时刻的最优控制量为u*(k)=u(k-1)+Δu*(k)。
进一步,多模型前馈动态矩阵控制器包括多个DMC控制器,所述步骤S6中根据对象实际工况切换最优控制量输出是指根据排气阀位切换至使用相应工况模型求解最优控制量的DMC控制器,且目标DMC的实际控制量u(k-1)|目标需强制跟踪当前DMC的实际控制量输出u(k-1)|当前。
进一步,所述步骤S6中实际输出yrl(k+1)与预测输出的偏差对预测模型的修正为:
式(14)中,为修正后的预测值,为在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时对k+1至k+N时刻对象输出的预测值,也即表示在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时对k+i时刻对象输出的预测值,i=1,2,...N。
进一步,所述步骤S7中将时间基点从k+1移至k操作方式为:
其中,为k+1时刻的预测初值,也即为无控制增量和扰动增量作用时在k+1时刻对k+1+i时刻对象输出的预测值,0表示矩阵S左下与右上三角区域内的元素全为0,为步骤S6得到的修正后的预测值。
有益效果:本发明公开了一种基于多模型前馈的燃料电池阳极压力动态矩阵控制方法,与现有技术相比,具有如下的有益效果:
1)本发明方法将质子交换膜燃料电池看作三入一出的多变量对象,其中对象输入包括一路控制量和两路扰动量,在不同稳态工况点辨识输出量对控制量和扰动量的阶跃响应模型,在控制中根据燃料电池的实际运行工况切换用于计算控制增量的辨识模型和相应的DMC控制器,保证控制量输出的最优性;
2)本发明方法采用多模型前馈DMC算法,且考虑了模型切换时目标控制器跟踪当前控制器,相比于传统预测控制,可适用更广的工况范围,模型切换时扰动小;
3)本发明方法能有效抑制排气阀位和负载电流扰动的影响,控制阳极压力跟踪设定值,降低质子交换膜上的压差应力,延长质子交换膜的使用寿命,保证燃料电池高效、稳定、安全运行。
附图说明
图1为本发明具体实施方式中方法所针对的系统的结构框图;
图2为本发明具体实施方式中排气阀位扰动和负载电流扰动及二者增量曲线;
图2(a)为排气阀位扰动和负载电流扰动的曲线;
图2(b)为排气阀位扰动增量和负载电流扰动增量的曲线;
图3为本发明具体实施方式中阳极压力设定值跟踪效果曲线;
图3(a)为阳极压力和设定值的曲线;
图3(b)为阳极压力跟踪误差曲线;
图4为本发明具体实施方式中阳极入流气体质量流量及其增量曲线;
图4(a)为阳极入流气体质量流量曲线;
图4(b)为阳极入流气体质量流量增量曲线。
具体实施方式
下面结合具体实施方式和附图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前馈的燃料电池阳极压力动态矩阵控制方法,包括以下步骤:
S1:以阳极入流气体质量流量为控制量输入,以排气阀位和负载电流为两路扰动量输入,以阳极压力为被控量输出,在不同的稳态工况下进行开环阶跃响应试验,获得被控对象在不同工况下的辨识模型;
S2:针对每一个工况,初始化多模型前馈动态矩阵控制器,设定预测参数,包括:采样周期T,建模时域N,预测时域P,控制时域M,在建模时域内输出量对控制量和扰动量的阶跃响应序列,误差权矩阵Q,控制权矩阵R,误差校正矩阵h;设定约束参数,包括:控制增量约束Δumax、Δumin,控制量约束umax、umin,输出量约束ymax、ymin;其中,Δumax为控制增量的最大值,Δumin为控制增量的最小值,umax为控制量的最大值,umin为控制量的最小值,ymax为输出量的最大值,ymin为输出量的最小值;
S3:根据辨识模型中的参数,针对每一个工况分别构建预测模型,并对控制量、输出量进行初始化;
S4:针对每一个工况,在当前采样时刻k,根据约束参数和预测模型构建使性能指标最小化的约束优化问题,并将约束优化问题转化为标准二次规划问题进行求解,取一步最优控制增量Δu*(k)计算当前时刻的最优控制量u*(k);
S5:根据对象实际工况切换最优控制量输出,将最优控制量作用于被控对象,进入下一采样时刻,得到被控对象实际输出yrl(k+1),通过实际输出yrl(k+1)与预测输出的偏差e(k+1)对预测模型进行修正;
S6:将时间基点从k+1移至k,回到步骤S5,重复执行步骤S5到步骤S7的过程。
步骤S1中不同的稳态工况指不同排气阀开度对应的不同工况,排气阀位扰动指排气阀门从一开度动作至另一开度,负载电流扰动指由于外部负载改变引起燃料电池输入电流变化。
步骤S2中建模时域内输出量对控制量和扰动量的阶跃响应序列具有如下形式:
a=[a(1) a(2) … a(N)]T (1)
bt=[bt(1) bt(2) … bt(N)]T,t∈{1,2} (2)
其中,a为输出量对控制量的阶跃响应序列,a(i)为输出量对控制量的阶跃响应曲线在第i个时刻的采样值,i=1,2,...N;bt为输出量对扰动量的阶跃响应序列,t∈{1,2},其中,b1为输出量对排气阀位的阶跃响应序列,b2为输出量对负载电流的阶跃响应序列,bt(i)为输出量对扰动量的阶跃响应曲线在第i个时刻的采样值。
步骤S2中,预测参数中的建模时域预测时域和控制时域满足N≥P≥M,且误差权矩阵Q、控制权矩阵R和反馈校正矩阵h分别具有如下形式:
h=[h1 h2 … hN]T (5)
其中,其中,qp为预测时域中第p个预测误差的权系数,p=1,2,...,P,rm为控制时域中第m个控制增量的权系数,m=1,2,...M,hn为建模时域中第n个预测值与真实值偏差的权系数,n=1,2,...N。
步骤S3中,第k个采样时刻的预测模型具有如下形式:
式(6)中,为在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时对k+1至k+N时刻对象输出的预测值,也即表示在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时对k+i时刻对象输出的预测值,i=1,2,...N;其中Δv(k)=[Δv1(k) Δv2(k)]T,Δv1(k)为排气阀位扰动增量,Δv2(k)为负载电流扰动增量;为预测初值,其中,为无控制增量和扰动增量作用时对k+i时刻对象输出的预测值;a为输出量对控制量的阶跃响应序列;b1为输出量对排气阀位的阶跃响应序列,b2为输出量对负载电流的阶跃响应序列;
式(7)中,为后续连续的控制增量ΔuM(k)和扰动增量Δv(k)作用下在k时刻对k+1至k+P时刻对象输出的预测值,其中ΔuM(k)=[Δu(k) Δu(k+1) … Δu(k+M-1)]T为从k时刻开始连续M个控制增量,0代表矩阵A右上三角区域内的元素全为0,a(k1)为输出量对控制量的阶跃响应曲线在第k1个时刻的采样值,1≤k1≤P;
b1(k2)为输出量对排气阀位的阶跃响应曲线在第i个时刻的采样值,b2(k2)为输出量对负载电流的阶跃响应曲线在第i个时刻的采样值;
为预测初值,即为的前P个元素。
步骤S5中构建的约束优化问题具有如下形式:
其中,J为代价函数;w(k)=[w(1) w(2) … w(P)]T为输出设定值序列,其中w(p)为预测时域中第p个输出设定值,p=1,2,...,P;为后续连续的控制增量ΔuM(k)和扰动增量Δv(k)作用下对k+1至k+P时刻对象输出的预测值,其中ΔuM(k)=[Δu(k)Δu(k+1)…Δu(k+M-1)]T为从k时刻开始连续M个控制增量,||·||Q和||·||R表示向量的加权二范数,其权矩阵分别为Q和R;u为控制量,y为输出量,Δu为控制增量;该约束优化问题可转化为标准二次规划问题,具有如下形式:
式(9)中,0代表矩阵A右上三角区域内的元素全为0,a(k1)为输出量对控制量的阶跃响应曲线在第k1个时刻的采样值,1≤k1≤P;为预测初值,即为的前P个元素;b1(k2)为输出量对排气阀位的阶跃响应曲线在第i个时刻的采样值,b2(k2)为输出量对负载电流的阶跃响应曲线在第i个时刻的采样值;C和l如式(10)所示;
式(10)中,Bc如式(11)所示,Δumin和Δumax如式(12)所示,ymin和ymax如式(13)所示;
式(12)中,u(k-1)为k-1时刻的控制量;
求解该问题可得最优控制增量序列
其中Δu*(k+m-1)为控制时域中第m个最优控制增量,m=1,2,...M;取一步最优控制增量则当前第k个采样时刻的最优控制量为u*(k)=u(k-1)+Δu*(k)。
多模型前馈动态矩阵控制器包括多个DMC控制器,如图1所示,质子交换膜燃料电池接收的控制量根据其实际工况在DMC#1和DMC#2之间切换,接收的扰动量为排气阀位阶跃和负载电流阶跃;DMC#1和#2的输入变量包括设定值、扰动量、输出反馈,并将直接求解得到的控制增量转化为控制量输出。本实施例验证了质子交换膜燃料电池在受到如图2(a)曲线所示的排气阀位扰动和负载电流扰动时,本发明方法的控制效果。步骤S6中根据对象实际工况切换最优控制量输出是指根据排气阀位切换至使用相应工况模型求解最优控制量的DMC控制器,且目标DMC的实际控制量u(k-1)|目标需强制跟踪当前DMC的实际控制量输出u(k-1)|当前。
步骤S6中实际输出yrl(k+1)与预测输出的偏差对预测模型的修正为:
式(14)中,为修正后的预测值,
为在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时对k+1至k+N时刻对象输出的预测值,也即表示在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时对k+i时刻对象输出的预测值,i=1,2,...N。
步骤S7中将时间基点从k+1移至k操作方式为:
其中,为k+1时刻的预测初值,也即为无控制增量和扰动增量作用时在k+1时刻对k+1+i时刻对象输出的预测值,0表示矩阵S左下与右上三角区域内的元素全为0,为步骤S6得到的修正后的预测值。
下面以一个实施例进行介绍:
本方法包括以下步骤:
(a)在排气阀全关(开度为0%)和全开(开度为100%)对应的两个稳态工况下分别进行开环阶跃响应试验,获得被控对象在不同工况下的辨识模型,其中,排气阀全关(开度为0%)时,阀位扰动为排气阀开度从0%阶跃至100%,排气阀全开(开度为100%)时,阀位扰动为排气阀开度从100%阶跃至0%;
(b)初始化多模型前馈动态矩阵控制器,设定预测参数,包括:采样周期T=0.1s,建模时域N=100,预测时域P=2,控制时域M=1,误差权矩阵控制权矩阵R=1,误差校正矩阵在建模时域内,阳极入流气体质量流量(控制量,u)、排气阀位(扰动量1,v1)和负载电流(扰动量2,v2)对阳极压力(被控量,y)的阶跃响应序列分别具有如下形式:
i)排气阀全关时:
ii)排气阀全开时:
(c)根据辨识模型中的参数,针对每一个工况分别构建预测模型,如下:
式(22)中,扰动增量Δv(k)=[Δv1(k) Δv2(k)]T在仿真时间内按图2(b)所示的曲线在对应时刻取值,为在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时,对k+1至k+100时刻对象输出预测值,为预测初值;其中,矩阵矩阵为后续连续控制增量Δu1(k)和扰动增量Δv(k)作用下,在k时刻对k+1至k+2时刻对象输出的预测值,其中Δu1(k)=Δu(k)为k时刻的控制增量,为预测初值,即为的前2个元素;在排气阀全关和全开对应的两个稳态工况下,上述矩阵分别具有如下形式:
i)排气阀全关时:
ii)排气阀全开时:
对控制量、输出量进行初始化:u(0)=3.98×10-4kg/s,y(0)=140087Pa;
(d)针对每一个工况,初始化多模型前馈动态矩阵控制器,设定约束参数,在本实施例中,针对不同工况模型设计的控制器采用相同的约束,如下表所示:
(e)针对每一个工况,在当前采样时刻k,根据约束参数和预测模型构建使性能指标最小化的约束优化问题:
并将约束优化问题转化为标准二次规划问题:
式(30)和(31)中,w(k)=[w(k) w(k+1)]T,由于控制目的是降低质子交换膜的压差应力,故设定阳极压力跟踪阴极压力,由于负载电流发生变化,阴极压力因电化学反应条件改变也相应发生变化,故阳极压力设定值如图3(a)所示,在图3(a)所示设定值曲线上取值可获得相应时刻的w(k)。
式(31)约束条件中各矩阵分别具有如下形式:
Bc=1 (33)
Δumin=-u(k-1) (34)
Δumax=0.1-u(k-1) (35)
ymin=[139800 139800]T (36)
ymax=[140300 140300]T (37)
求解该问题可得最优控制增量序列如图4(b)所示取一步最优控制增量Δu*(k),则当前采样时刻k的最优控制量为u*(k)=u(k-1)+Δu*(k),如图4(a)所示;
(f)根据排气阀位切换至使用相应工况模型求解最优控制量的DMC控制器,且目标DMC的实际控制量u(k-1)|目标需强制跟踪当前DMC的实际控制量输出u(k-1)|当前;将最优控制量作用于被控对象,进入下一采样时刻k+1,得到被控对象实际输出yrl(k+1),计算实际输出与预测输出的偏差如图3(b)所示,并通过偏差e(k+1)对预测模型进行修正:
(g)将时间基点从k+1移至k:
其中0表示矩阵S左下与右上三角区域内的元素全为0,回到步骤(e),重复执行步骤(e)到步骤(g)的过程。
Claims (9)
1.基于多模型前馈的燃料电池阳极压力动态矩阵控制方法,其特征在于:包括以下步骤:
S1:以阳极入流气体质量流量为控制量输入,以排气阀位和负载电流为两路扰动量输入,以阳极压力为被控量输出,在不同的稳态工况下进行开环阶跃响应试验,获得被控对象在不同工况下的辨识模型;
S2:针对每一个工况,初始化多模型前馈动态矩阵控制器,设定预测参数,包括:采样周期T,建模时域N,预测时域P,控制时域M,在建模时域内输出量对控制量和扰动量的阶跃响应序列,误差权矩阵Q,控制权矩阵R,误差校正矩阵h;设定约束参数,包括:控制增量约束Δumax、Δumin,控制量约束umax、umin,输出量约束ymax、ymin;其中,Δumax为控制增量的最大值,Δumin为控制增量的最小值,umax为控制量的最大值,umin为控制量的最小值,ymax为输出量的最大值,ymin为输出量的最小值;
S3:根据辨识模型中的参数,针对每一个工况分别构建预测模型,并对控制量、输出量进行初始化;
S4:针对每一个工况,在当前采样时刻k,根据约束参数和预测模型构建使性能指标最小化的约束优化问题,并将约束优化问题转化为标准二次规划问题进行求解,取一步最优控制增量Δu*(k)计算当前时刻的最优控制量u*(k);
S5:根据对象实际工况切换最优控制量输出,将最优控制量作用于被控对象,进入下一采样时刻,得到被控对象实际输出yrl(k+1),通过实际输出yrl(k+1)与预测输出的偏差e(k+1)对预测模型进行修正;
S6:将时间基点从k+1移至k,回到步骤S5,重复执行步骤S5到步骤S7的过程。
2.根据权利要求1所述的基于多模型前馈的燃料电池阳极压力动态矩阵控制方法,其特征在于:所述步骤S1中不同的稳态工况指不同排气阀开度对应的不同工况,排气阀位扰动指排气阀门从一开度动作至另一开度,负载电流扰动指由于外部负载改变引起燃料电池输入电流变化。
3.根据权利要求1所述的基于多模型前馈的燃料电池阳极压力动态矩阵控制方法,其特征在于:所述步骤S2中建模时域内输出量对控制量和扰动量的阶跃响应序列具有如下形式:
a=[a(1) a(2) … a(N)]T (1)
bt=[bt(1) bt(2) … bt(N)]T,t∈{1,2} (2)
其中,a为输出量对控制量的阶跃响应序列,a(i)为输出量对控制量的阶跃响应曲线在第i个时刻的采样值,i=1,2,...N;bt为输出量对扰动量的阶跃响应序列,t∈{1,2},其中,b1为输出量对排气阀位的阶跃响应序列,b2为输出量对负载电流的阶跃响应序列,bt(i)为输出量对扰动量的阶跃响应曲线在第i个时刻的采样值。
4.根据权利要求1所述的基于多模型前馈的燃料电池阳极压力动态矩阵控制方法,其特征在于:所述步骤S2中,预测参数中的建模时域预测时域和控制时域满足N≥P≥M,且误差权矩阵Q、控制权矩阵R和反馈校正矩阵h分别具有如下形式:
h=[h1 h2 … hN]T (5)
其中,其中,qp为预测时域中第p个预测误差的权系数,p=1,2,...,P,rm为控制时域中第m个控制增量的权系数,m=1,2,...M,hn为建模时域中第n个预测值与真实值偏差的权系数,n=1,2,...N。
5.根据权利要求1所述的基于多模型前馈的燃料电池阳极压力动态矩阵控制方法,其特征在于:所述步骤S3中,第k个采样时刻的预测模型具有如下形式:
式(6)中,为在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时对k+1至k+N时刻对象输出的预测值,也即表示在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时对k+i时刻对象输出的预测值,i=1,2,...N;其中Δv(k)=[Δv1(k) Δv2(k)]T,Δv1(k)为排气阀位扰动增量,Δv2(k)为负载电流扰动增量;为预测初值,其中,为无控制增量和扰动增量作用时对k+i时刻对象输出的预测值;a为输出量对控制量的阶跃响应序列;b1为输出量对排气阀位的阶跃响应序列,b2为输出量对负载电流的阶跃响应序列;
式(7)中,为后续连续的控制增量ΔuM(k)和扰动增量Δv(k)作用下在k时刻对k+1至k+P时刻对象输出的预测值,其中ΔuM(k)=[Δu(k) Δu(k+1) … Δu(k+M-1)]T为从k时刻开始连续M个控制增量,0代表矩阵A右上三角区域内的元素全为0,a(k1)为输出量对控制量的阶跃响应曲线在第k1个时刻的采样值,1≤k1≤P;
b1(k2)为输出量对排气阀位的阶跃响应曲线在第i个时刻的采样值,b2(k2)为输出量对负载电流的阶跃响应曲线在第i个时刻的采样值;为预测初值,即为的前P个元素。
6.根据权利要求1所述的基于多模型前馈的燃料电池阳极压力动态矩阵控制方法,其特征在于:所述步骤S5中构建的约束优化问题具有如下形式:
其中,J为代价函数;w(k)=[w(1) w(2) … w(P)]T为输出设定值序列,其中w(p)为预测时域中第p个输出设定值,p=1,2,...,P;为后续连续的控制增量ΔuM(k)和扰动增量Δv(k)作用下对k+1至k+P时刻对象输出的预测值,其中ΔuM(k)=[Δu(k) Δu(k+1) … Δu(k+M-1)]T为从k时刻开始连续M个控制增量,||·||Q和||·||R表示向量的加权二范数,其权矩阵分别为Q和R;u为控制量,y为输出量,Δu为控制增量;该约束优化问题可转化为标准二次规划问题,具有如下形式:
式(9)中,0代表矩阵A右上三角区域内的元素全为0,a(k1)为输出量对控制量的阶跃响应曲线在第k1个时刻的采样值,1≤k1≤P;为预测初值,即为的前P个元素;b1(k2)为输出量对排气阀位的阶跃响应曲线在第i个时刻的采样值,b2(k2)为输出量对负载电流的阶跃响应曲线在第i个时刻的采样值;C和l如式(10)所示;
式(10)中,Bc如式(11)所示,Δumin和Δumax如式(12)所示,ymin和ymax如式(13)所示;
式(12)中,u(k-1)为k-1时刻的控制量;
求解该问题可得最优控制增量序列
其中Δu*(k+m-1)为控制时域中第m个最优控制增量,m=1,2,...M;取一步最优控制增量则当前第k个采样时刻的最优控制量为u*(k)=u(k-1)+Δu*(k)。
7.根据权利要求1所述的基于多模型前馈的燃料电池阳极压力动态矩阵控制方法,其特征在于:多模型前馈动态矩阵控制器包括多个DMC控制器,所述步骤S6中根据对象实际工况切换最优控制量输出是指根据排气阀位切换至使用相应工况模型求解最优控制量的DMC控制器,且目标DMC的实际控制量u(k-1)|目标需强制跟踪当前DMC的实际控制量输出u(k-1)|当前。
8.根据权利要求1所述的基于多模型前馈的燃料电池阳极压力动态矩阵控制方法,其特征在于:所述步骤S6中实际输出yrl(k+1)与预测输出的偏差对预测模型的修正为:
式(14)中,为修正后的预测值,
为在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时对k+1至k+N时刻对象输出的预测值,也即表示在k时刻控制增量为Δu(k)且扰动增量为Δv(k)时对k+i时刻对象输出的预测值,i=1,2,...N。
9.根据权利要求1所述的基于多模型前馈的燃料电池阳极压力动态矩阵控制方法,其特征在于:所述步骤S7中将时间基点从k+1移至k操作方式为:
其中,为k+1时刻的预测初值,也即为无控制增量和扰动增量作用时在k+1时刻对k+1+i时刻对象输出的预测值,0表示矩阵S左下与右上三角区域内的元素全为0,为步骤S6得到的修正后的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810449899.3A CN108681244B (zh) | 2018-05-11 | 2018-05-11 | 基于多模型前馈的燃料电池阳极压力动态矩阵控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810449899.3A CN108681244B (zh) | 2018-05-11 | 2018-05-11 | 基于多模型前馈的燃料电池阳极压力动态矩阵控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108681244A true CN108681244A (zh) | 2018-10-19 |
CN108681244B CN108681244B (zh) | 2021-01-26 |
Family
ID=63805535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810449899.3A Active CN108681244B (zh) | 2018-05-11 | 2018-05-11 | 基于多模型前馈的燃料电池阳极压力动态矩阵控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681244B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109742425A (zh) * | 2018-12-26 | 2019-05-10 | 东南大学 | 一种基于数据驱动自抗扰控制的燃料电池温度控制方法 |
CN110010933A (zh) * | 2019-04-15 | 2019-07-12 | 吉林大学 | 一种燃料电池空气供给系统控制方法及系统 |
CN110597052A (zh) * | 2019-09-24 | 2019-12-20 | 武汉理工大学 | 面向快速动态响应的燃料电池空气供给控制器及控制方法 |
CN113063024A (zh) * | 2021-03-22 | 2021-07-02 | 南昌智能新能源汽车研究院 | 电磁阀压力的闭环控制方法及其控制器设计方法 |
CN113359460A (zh) * | 2021-06-24 | 2021-09-07 | 杭州司南智能技术有限公司 | 一种约束动态矩阵控制优化的积分对象控制方法 |
CN113529105A (zh) * | 2021-07-29 | 2021-10-22 | 全球能源互联网研究院有限公司 | 一种制氢系统、制氢系统压力调控方法及装置 |
CN113721457A (zh) * | 2021-05-24 | 2021-11-30 | 上海申风投资管理有限公司 | 基于lmi的氢燃料电池最优参数可变控制器的设计方法 |
CN113835342A (zh) * | 2021-09-18 | 2021-12-24 | 国网河北能源技术服务有限公司 | 一种过热汽温系统的抗扰预测控制方法 |
CN114137829A (zh) * | 2021-09-28 | 2022-03-04 | 南京理工大学 | 基于almbo优化算法的质子交换膜燃料电池子空间辨识方法 |
CN114488821A (zh) * | 2022-04-06 | 2022-05-13 | 国网浙江省电力有限公司电力科学研究院 | 燃料电池过氧比的区间经济模型预测控制方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4349869A (en) * | 1979-10-01 | 1982-09-14 | Shell Oil Company | Dynamic matrix control method |
CA2271448A1 (en) * | 1999-05-12 | 2000-11-12 | Stuart Energy Systems Inc. | Energy distribution network |
MXPA02012834A (es) * | 2000-06-30 | 2003-05-15 | Dow Chemical Co | Control del proceso de matriz multi-variable. |
CN101082811A (zh) * | 2006-06-02 | 2007-12-05 | 中国科学院自动化研究所 | 一种基于噪声估计的自适应状态反馈预测控制方法 |
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 |
CN104133369A (zh) * | 2014-06-24 | 2014-11-05 | 上海电力学院 | 一种质子交换膜燃料电池动态特性的控制方法 |
CN107728478A (zh) * | 2017-09-27 | 2018-02-23 | 吉林大学 | 燃料电池氧气过剩系数神经网络预测控制方法 |
CN107870564A (zh) * | 2017-10-26 | 2018-04-03 | 东南大学 | 具有快速、安全、解耦性能的燃料电池抗干扰控制方法 |
CN107991881A (zh) * | 2017-12-20 | 2018-05-04 | 东南大学 | 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 |
-
2018
- 2018-05-11 CN CN201810449899.3A patent/CN108681244B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4349869A (en) * | 1979-10-01 | 1982-09-14 | Shell Oil Company | Dynamic matrix control method |
CA2271448A1 (en) * | 1999-05-12 | 2000-11-12 | Stuart Energy Systems Inc. | Energy distribution network |
MXPA02012834A (es) * | 2000-06-30 | 2003-05-15 | Dow Chemical Co | Control del proceso de matriz multi-variable. |
CN101082811A (zh) * | 2006-06-02 | 2007-12-05 | 中国科学院自动化研究所 | 一种基于噪声估计的自适应状态反馈预测控制方法 |
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 |
CN104133369A (zh) * | 2014-06-24 | 2014-11-05 | 上海电力学院 | 一种质子交换膜燃料电池动态特性的控制方法 |
CN107728478A (zh) * | 2017-09-27 | 2018-02-23 | 吉林大学 | 燃料电池氧气过剩系数神经网络预测控制方法 |
CN107870564A (zh) * | 2017-10-26 | 2018-04-03 | 东南大学 | 具有快速、安全、解耦性能的燃料电池抗干扰控制方法 |
CN107991881A (zh) * | 2017-12-20 | 2018-05-04 | 东南大学 | 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 |
Non-Patent Citations (2)
Title |
---|
ALICIA ARCE等: "Design and Experimental Validation of an Explicit MPC Controller for Regulating Temperature in PEM Fuel Cell Systems", 《PROCEEDINGS OF THE 18TH WORLD CONGRESS THE INTERNATIONAL FEDERATION OF AUTOMATIC CONTROL》 * |
郭爱: "基于过氧比的车载燃料电池系统控制技术", 《中国博士学位论文全文数据库(电子期刊) 工程科技Ⅱ辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109742425A (zh) * | 2018-12-26 | 2019-05-10 | 东南大学 | 一种基于数据驱动自抗扰控制的燃料电池温度控制方法 |
CN110010933A (zh) * | 2019-04-15 | 2019-07-12 | 吉林大学 | 一种燃料电池空气供给系统控制方法及系统 |
CN110010933B (zh) * | 2019-04-15 | 2020-07-07 | 吉林大学 | 一种燃料电池空气供给系统控制方法及系统 |
CN110597052A (zh) * | 2019-09-24 | 2019-12-20 | 武汉理工大学 | 面向快速动态响应的燃料电池空气供给控制器及控制方法 |
CN113063024A (zh) * | 2021-03-22 | 2021-07-02 | 南昌智能新能源汽车研究院 | 电磁阀压力的闭环控制方法及其控制器设计方法 |
CN113721457A (zh) * | 2021-05-24 | 2021-11-30 | 上海申风投资管理有限公司 | 基于lmi的氢燃料电池最优参数可变控制器的设计方法 |
CN113359460A (zh) * | 2021-06-24 | 2021-09-07 | 杭州司南智能技术有限公司 | 一种约束动态矩阵控制优化的积分对象控制方法 |
CN113529105A (zh) * | 2021-07-29 | 2021-10-22 | 全球能源互联网研究院有限公司 | 一种制氢系统、制氢系统压力调控方法及装置 |
CN113529105B (zh) * | 2021-07-29 | 2023-01-24 | 全球能源互联网研究院有限公司 | 一种制氢系统、制氢系统压力调控方法及装置 |
CN113835342A (zh) * | 2021-09-18 | 2021-12-24 | 国网河北能源技术服务有限公司 | 一种过热汽温系统的抗扰预测控制方法 |
CN113835342B (zh) * | 2021-09-18 | 2024-04-16 | 国网河北能源技术服务有限公司 | 一种过热汽温系统的抗扰预测控制方法 |
CN114137829A (zh) * | 2021-09-28 | 2022-03-04 | 南京理工大学 | 基于almbo优化算法的质子交换膜燃料电池子空间辨识方法 |
CN114137829B (zh) * | 2021-09-28 | 2022-12-27 | 南京理工大学 | 基于almbo优化算法的质子交换膜燃料电池子空间辨识方法 |
CN114488821A (zh) * | 2022-04-06 | 2022-05-13 | 国网浙江省电力有限公司电力科学研究院 | 燃料电池过氧比的区间经济模型预测控制方法及系统 |
CN114488821B (zh) * | 2022-04-06 | 2022-10-14 | 国网浙江省电力有限公司电力科学研究院 | 燃料电池过氧比的区间经济模型预测控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108681244B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681244A (zh) | 基于多模型前馈的燃料电池阳极压力动态矩阵控制方法 | |
Li et al. | Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning | |
Gbadega et al. | Load frequency control of a two-area power system with a stand-alone microgrid based on adaptive model predictive control | |
Fang et al. | Backstepping-based nonlinear adaptive control for coal-fired utility boiler–turbine units | |
CN102401371B (zh) | 一种基于多变量预测控制的再热汽温优化控制方法 | |
Yang et al. | Predictive control of solid oxide fuel cell based on an improved Takagi–Sugeno fuzzy model | |
Li et al. | Modeling and control of PEMFC based on least squares support vector machines | |
CN106842955B (zh) | 带烟气量扰动抑制的燃烧后co2捕集系统预测控制方法 | |
Li et al. | Control of proton exchange membrane fuel cell system breathing based on maximum net power control strategy | |
CN107065556A (zh) | 一种堆芯机组变功率运行策略优化方案的自动搜索方法 | |
Keller et al. | An adaptive model-based feedforward temperature control of a 100 kW PEM electrolyzer | |
Ramos-Paja et al. | Fuel cell MPPT for fuel consumption optimization | |
Skiparev et al. | Reinforcement learning based approach for virtual inertia control in microgrids with renewable energy sources | |
CN111064205A (zh) | 基于惯性下垂和动态矩阵分段控制的储能调频控制方法 | |
Silaa et al. | A novel robust adaptive sliding mode control using stochastic gradient descent for PEMFC power system | |
CN115313380A (zh) | 自适应氢负荷波动的新能源制氢系统协调控制方法 | |
CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
Li et al. | Distributed deep reinforcement learning-based gas supply system coordination management method for solid oxide fuel cell | |
Mirlekar et al. | A Biologically-Inspired Optimal Control Strategy (BIO-CS) for Hybrid Energy Systems | |
Singh et al. | Model predictive based load frequency control of interconnected power systems | |
Yin et al. | Adaptive multistep model predictive control for tubular grid-connected solid oxide fuel cells | |
Zeng et al. | A Policy optimization-based Deep Reinforcement Learning method for data-driven output voltage control of grid connected solid oxide fuel cell considering operation constraints | |
Chen et al. | Local control of fuel cell systems within hybrid renewable energy generation using model predictive control | |
Triwiyatno et al. | Design of Adaptive PID Controller For Fuel Utilization in Solid Oxide Fuel Cell | |
Yang et al. | Temperature control of MCFC based on an affine nonlinear thermal model |
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 |