CN109698366A - 一种燃料电池阳极流道氮浓度估计方法及装置 - Google Patents
一种燃料电池阳极流道氮浓度估计方法及装置 Download PDFInfo
- Publication number
- CN109698366A CN109698366A CN201710992471.9A CN201710992471A CN109698366A CN 109698366 A CN109698366 A CN 109698366A CN 201710992471 A CN201710992471 A CN 201710992471A CN 109698366 A CN109698366 A CN 109698366A
- Authority
- CN
- China
- Prior art keywords
- period
- nitrogen
- nitrogen concentration
- representing
- layer
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 510
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 255
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000000446 fuel Substances 0.000 title claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 35
- 210000004027 cell Anatomy 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 15
- 238000007599 discharging Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims 2
- 239000001257 hydrogen Substances 0.000 abstract description 15
- 229910052739 hydrogen Inorganic materials 0.000 abstract description 15
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 14
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000012546 transfer Methods 0.000 description 8
- 238000009792 diffusion process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000003607 modifier Substances 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 239000012528 membrane Substances 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000003197 catalytic effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- H01M8/02—Details
- H01M8/0202—Collectors; Separators, e.g. bipolar separators; Interconnectors
- H01M8/0258—Collectors; Separators, e.g. bipolar separators; Interconnectors characterised by the configuration of channels, e.g. by the flow field of the reactant or coolant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开一种燃料电池阳极流道氮浓度估计方法及装置,以预估周期为步长预测阳极流道氮浓度,BP神经网络模型由试验数据训练得到,屏蔽了电堆内部复杂的传质过程,具有运算简单、估计精度高、占用内存小、以及鲁棒性好的特点。并且,本方法在当前预估周期计算得到下一预估周期开始时的氮浓度,以及计算得到修订后的排氮周期作为下一整个预估周期内的排氮周期。该方法保证阳极尾排阀在设定的氮浓度阈值附近排氮,减少排氮过程中的氢气损失,优化了整车经济型。
Description
技术领域
本发明涉及车辆能源技术领域,更具体地说,涉及一种燃料电池阳极流道氮浓度估计方法及装置。
背景技术
清洁高效的可再生能源是未来车载能源发展的必然趋势。PEMFC(ProtonExchange Membrane Fuel Cell,质子交换膜燃料电池)不受卡诺循环的限制,具有噪音、零污染、功率密度高、工作温度低、能量效率高、启动快、可长时间运行等优点,是未来汽车的理想动力装置之一。
如图1所示,PEMFC在典型的运行模式下,在阴极侧通入加压的空气(H2O、O2和N2),阳极侧通入加压的氢气(H2O和H2)。阴极流道氮浓度很高,由于浓度差驱动,氮气从阴极流道扩散到阳极流道。随着阳极氮气的不断积累,阳极氢气摩尔浓度下降,阻碍氢气向催化层传输,造成单体电压下降;氮积累造成的氢气摩尔浓度下降也会导致氢饥饿(H2Starvation),进而造成催化层碳侵蚀(Carbon Corrosion)现象;氮穿透现象也增加了氢气循环泵的能量消耗,进一步降低了系统效率。另外,新的燃料电池电堆不断使用更薄的MEA(MembraneElectrode Assembly)使电堆更紧凑以提高功率密度,由于氮渗透率与MEA的厚度成反比,这更加剧了氮渗透率,所以估计阳极流道氮浓度,并以此为依据控制尾排阀开启排氮具有现实意义。
阳极流道氮浓度估计和排氮算法一直是PEMFC的研究重点。现有的算法主要包括以下几种:
(1)通过大量实验数据求得不同电密运行条件下的氮浓度积累实践,用标定的时间表来决定排氮阀的开启。这种方法最为简单,但是并不是基于实际电化学反应机理,无法达到最优排氮效果;
(2)从经验公式出发,用比例关系描述MEA厚度、阴极阳极压差等对氮扩散的影响,使用标定量描述对氮渗透影响巨大的电堆水和热分布。但这类模型过于简单,对氮扩散建模效果不佳,且待标定参数过多,模型中的水热参数整定困难;
(3)从稳态氮浓度角度,建立简化的一维氮扩散常微分方程,并求解常微分方程的数值解。这类方法对稳态氮浓度估计误差较小,且计算量降低。氮同样难以描述电堆的水热特性,且阳极氮浓度达到稳态时间过程,车载运行下燃料电池频繁变载,难以达到稳态,故该类方法不适用燃料电池车载运行时应用;
(4)从机理模型角度,综合考虑氮传质过程中的渗透作用与对流作用,使用偏微分方程组队氮扩散建模,并利用时间边界条件与空间边界条件对偏微分方程组求数值解。典型思路有使用Stefan-Maxwell多组分传质偏微分方程组的氮扩散模型,考虑扩散层、催化层、MEA的多层扩散模型等。这类方法适合电堆内部机理,指导电堆本体设计,但建模十分复杂,运算量很大,模型参数过多且辨识困难,对有氢气循环泵的复杂传质系统应用困难。
发明内容
有鉴于此,本发明提出一种燃料电池阳极流道氮浓度估计方法及装置,欲实现运算简单、估计精度高、占用内存小、以及鲁棒性好的目的。
为了实现上述目的,现提出的方案如下:
一种燃料电池阳极流道氮浓度估计方法,包括:
在当前预估周期,以第一排氮周期作为阳极流道的排氮周期,所述第一排氮周期为在前一预估周期内计算得到的修订后的排氮周期,当前预估周期为初始预估周期时,所述第一排氮周期为预设排氮周期值;
当前预估周期开始后,BP(Back Propogation)神经网络模型将第一氮浓度和所述第一排氮周期作为输入,计算得到第二氮浓度,所述第一氮浓度为前一预估周期计算得到的阳极流道的氮浓度,所述第二氮浓度为当前预估周期计算得到的经过当前预估周期后阳极流道的氮浓度,当前预估周期为初始预估周期时,所述第一氮浓度为预设氮浓度值;
判断第二氮浓度是否大于氮浓度阈值,若是,则减小第一排氮周期,将减小后的数值作为在当前预估周期内计算得到的修订后的排氮周期,若否,则增大第一排氮周期,将增大后的数值作为在当前预估周期内计算得到的修订后的排氮周期。
一种燃料电池阳极流道氮浓度估计装置,包括:
第一处理单元,用于在当前预估周期,以第一排氮周期作为阳极流道的排氮周期,所述第一排氮周期为在前一预估周期内计算得到的修订后的排氮周期,当前预估周期为初始预估周期时,所述第一排氮周期为预设排氮周期值;
第二处理单元,用于当前预估周期开始后,BP神经网络模型将第一氮浓度和所述第一排氮周期作为输入,计算得到第二氮浓度,所述第一氮浓度为前一预估周期计算得到的阳极流道的氮浓度,所述第二氮浓度为当前预估周期计算得到的经过当前预估周期后阳极流道的氮浓度,当前预估周期为初始预估周期时,所述第一氮浓度为预设氮浓度值;
第三处理单元,用于判断第二氮浓度是否大于氮浓度阈值,若是,则减小第一排氮周期,将减小后的数值作为在当前预估周期内计算得到的修订后的排氮周期,若否,则增大第一排氮周期,将增大后的数值作为在当前预估周期内计算得到的修订后的排氮周期。
与现有技术相比,本发明的技术方案具有以下优点:
上述技术方案提供的一种燃料电池阳极流道氮浓度估计方法及装置,以预估周期为步长预测阳极流道氮浓度,BP神经网络模型由试验数据训练得到,屏蔽了电堆内部复杂的传质过程,具有运算简单、估计精度高、占用内存小、以及鲁棒性好的特点。并且,本方法在当前预估周期计算得到下一预估周期开始时的氮浓度,以及计算得到修订后的排氮周期作为下一整个预估周期内的排氮周期。该方法保证阳极尾排阀在设定的氮浓度阈值附近排氮,减少排氮过程中的氢气损失,优化了整车经济型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为质子交换膜燃料电池的简化一维传质;
图2为燃料电池气体流动控制系统的示意图;
图3为本发明实施例提供的一种燃料电池阳极流道氮浓度估计方法的流程图;
图4为本发明实施例提供的三层的BP神经网络模型的示意图;
图5为本发明实施例提供的一种燃料电池阳极流道的氮浓度估计值与实际值对比曲线图;
图6为本发明实施例提供的另一种燃料电池阳极流道的氮浓度估计值与实际值对比曲线图;
图7为本发明实施例提供的一种燃料电池阳极流道氮浓度估计装置的结构示意图。
具体实施方式
本发明中,建立两输入,一输出的BP神经网络模型;前一预估周期计算得到的阳极流道的氮浓度,以及在前一预估周期内计算得到的修订后的排氮周期作为BP神经网络模型输入;将经过当前预估周期后的阳极流道的氮浓度作为BP神经网络模型的输出。车载控制器搭载已经训练完成的BP神经网络模型,进行滚动估计阳极流道的氮浓度值,进而对排氮周期进行调节。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图2示出燃料电池气体流动控制系统,包括:氢气减压装置11、氢气进气阀12、氢气尾排阀13、空气进气阀14、空气压缩机15和节气门16。在燃料电池运行过程中,由于阳极和阴极的氮气浓度差和薄膜的导气性,氮气持续从阴极流道通过质子交换膜渗透到阳极流道。当阳极流道的氮气浓度积累到一定程度时,就需要打开氮气尾排阀13排氮,以避免因为氮浓度过高而发生电压波动和欠气。
本发明实施例提供一种燃料电池阳极流道氮浓度估计方法,参见图3,该方法包括:
步骤S11:在第N预估周期,以在第N-1预估周期内计算得到的修订后的排氮周期作为阳极流道的排氮周期。
本发明的氮气浓度估计方法以固定的预估周期为步长进行阳极流道的氮浓度估计。第1预估周期即为初始预估周期,在初始预估周期,以预设排氮周期值作为阳极流道的排氮周期。初始排氮周期为预设值,优选的为8.5秒。
步骤S12:当第N预估周期开始后,将在第N-1预估周期内计算得到的修订后的排氮周期和在第N-1预估周期内计算得到的阳极流道的氮浓度作为BP神经网络模型的输入,计算得到经过第N预估周期后阳极流道的氮浓度。
初始预估周期,是将初始排氮周期和预设氮浓度值,作为BP神经网络模型的两个输入。车载控制器在接收到车辆开启指令时,开启本发明提供的燃料电池阳极流道氮浓度估计方法。PEMFC启动的时候阳极尾排阀13会进行长排动作,排除停机期间阳极流道内积累的杂质气体。经过实验测试,在阳极尾排阀13长排动作之后,氮气初始浓度约为千分之几左右。因此,可以认为初始氮气浓度是确定值,优选的设置初始氮气浓度值为0.5%,即预设氮浓度值为0.5%。BP神经网络模型由实验数据训练得到,屏蔽了电堆内部复杂的传质过程。在第N预估周期计算得到的经过第N预估周期后阳极流道的氮浓度,即为估计的第N+1预估周期开始时的氮浓度。
步骤S13:判断第N预估周期计算得到的氮浓度是否大于氮浓度阈值,若是,则执行步骤S14,若否,则执行步骤S15。
步骤S14:减小第N-1预估周期计算得到的修订后的排氮周期,将减小后的数值作为在第N预估周期内计算得到的修订后的排氮周期。
步骤S15:增大第N-1预估周期计算得到的修订后的排氮周期,将增大后的数值作为在第N预估周期内计算得到的修订后的排氮周期。
氮浓度阈值为预设值,优选的设置氮浓度阈值为10%。在汽车开发中,通过标定量标定增大、减小排氮周期数值的方法。在标定中,系统以测试规范要求的工况运行,监测阳极流道氮浓度变化,若氮浓度有大震荡,则减小每个预估周期调整量;若调节过慢,则增加每个周期的调整量。进而得到合适的调整量,用于增大、减小排氮周期。
本发明提供的一种燃料电池阳极流道氮浓度估计方法,以预估周期为步长预测阳极流道氮浓度,BP神经网络模型由试验数据训练得到,屏蔽了电堆内部复杂的传质过程,具有运算简单、估计精度高、占用内存小、以及鲁棒性好的特点。并且,本方法在当前预估周期计算得到下一预估周期开始时的氮浓度,以及计算得到修订后的排氮周期作为下一整个预估周期内的排氮周期。该方法保证阳极尾排阀13在设定的氮浓度阈值附近排氮,减少排氮过程中的氢气损失,优化了整车经济型。
考虑到车载控制器运算资源有限以及算法的稳定性,BP神经网络模型选择前馈性;且三层的BP神经网络模型可以逼近任何非线性函数,因此,BP神经网络模型为三层,即只包含一个隐藏层,如图4所示。
设输入层到隐藏层的权矩阵为v,隐藏层到输出层的权矩阵为w,输入信号xi,隐藏层输出信号yj,输出层输出信号f(x)为隐藏层阈函数,其中g(x)为输出层阈函数。
输入层到隐藏层的信号传播公式为:
yj=f(netj)j=1,2,….,m
其中,vj1表示与第一氮浓度对应的输入层到隐藏层的权矩阵,vj2表示与第一排氮周期对应的输入层到隐藏层的权矩阵,x1表示第一氮浓度,x2表示第一排氮周期,m表示隐藏层神经元的个数;
隐藏层到输出层的信号传播公式为:
其中,wkj表示隐藏层到输出层的权矩阵,表示输出层输出的第二氮浓度,g(x)为输出层阈函数。
优选的,采用批量训练和设置训练冲量的方法,训练得到BP神经网络模型,以加快训练速度和准确度。
进行实验,采集数据用于训练BP神经网络模型。实验中使用质谱仪测定阳极流道出口氮气浓度,以预估周期为采样周期,以一个采样时刻的阳极流道的真实氮浓度和这个采样时刻的排氮周期,以及下一个采样时刻的阳极流道的真实氮浓度作为训练对,训练BP神经网络模型。获取的训练样本覆盖各排氮周期,以及小于13%的阳极流道氮浓度。即进行实验时,以不同的排氮周期进行排氮,以获取各种训练样本。
传统的BP神经网络模型的训练方法为逐个使用样本进行模型训练,容易使模型“偏爱”后训练使用的样本,从而使训练顺序对结果造成影响。本发明采用批量训练方法,从而解决上述问题。模型的训练分为工作信号正向传播阶段与误差信号反向传播阶段。
工作信号正向传播阶段,即依次利用输入层到隐藏层的信号传播公式、隐藏层到输出层的信号传播公式,计算得到与各个训练对对应的估计氮浓度。
误差信号反向传播阶段。采用批量训练的方法,定义所有训练对的累积误差为E:
其中,N为训练对个数,为第n个训练对对应的估计氮浓度,为第n个训练对中包含的下一个采样时刻的阳极流道的真实氮浓度。
使用Rumelhart等提出的方法设置冲量,加快训练速度。则从输出层到隐藏层,反向传播误差,权矩阵的修改量:
其中,Δwkj表示输出层到隐藏层权矩阵的第k行第j列的迭代修正量,η表示学习效率,是训练算法中的可选参数,一般选择在1以下,本发明对此并不限定;β表示冲量系数,取值在0.9以下,本发明对此也不做限定;Δw'kj表示前一次权矩阵的修改量。需要说明的是,若Δwkj为第一次权值调整中的修改量,则Δw'kj的值为零。
从隐藏层到输入层反向传播误差,权矩阵修改量为:
其中Δvji表示隐藏层到输入层权矩阵第j行第i列的迭代修正量;Δv'ji表示前一次权矩阵修改量。需要说明的是,若Δvji为第一次权值调整中的修改量,则Δv'ji的值为零。
按照工作信号正向传播阶段和误差信号反向传播阶段,持续训练BP神经网络模型,直到计算得到的累积误差E的值小于允许值为止。
由于阳极流道的氮浓度变化惯性很大,且估计步长过小会增加车载控制器的运算负担,因此,优选的设置预估周期为34秒,即以34秒为步长预测阳极流道的氮浓度。并在两个相邻预估周期计算得到的两个氮浓度之间的值进行线性插值处理,即认为对于相邻两个预测氮浓度之间时刻对应的氮浓度认为是线性增加的。
运行燃料电池系统,频繁改变氮气尾排阀13的运行周期,使氮浓度有较大动态变化,对比实验数据和BP神经网络模型估计数据,以得到本发明中BP神经网络模型对阳极流道的出口氮浓度动态变化的估计效果。如图5阳极流道的氮浓度以较大动态变化,氮浓度估计最大绝对误差约为2%,证明本发明中的BP神经网络模型对阳极流道的氮浓度的估计效果良好,可以满足车载应用。如图6所示,使用另一组实验数据验证BP神经网络模型,得到最大绝对误差小于1%,效果良好。
实验结果表明本发明中采用的BP神经网络模型,可以有效估计阳极流道的氮气浓度,进而为氮气尾排阀13提供开启依据,进而有效减少排氮过程中的氢气损失,提高整车经济型。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
本发明实施例提供一种燃料电池阳极流道氮浓度估计装置,参见图7,该装置包括:
第一处理单元11,用于在当前预估周期,以第一排氮周期作为阳极流道的排氮周期,第一排氮周期为前一预估周期计算得到的修订后的排氮周期,当前预估周期为初始预估周期时,第一排氮周期为预设排氮周期值;
第二处理单元12,用于当前预估周期开始后,BP神经网络模型将第一氮浓度和第一排氮周期作为输入,计算得到第二氮浓度,第一氮浓度为前一预估周期计算得到的阳极流道的氮浓度,第二氮浓度为当前预估周期计算得到的经过当前预估周期后阳极流道的氮浓度,当前预估周期为初始预估周期时,第一氮浓度为预设氮浓度值;
第三处理单元13,用于判断第二氮浓度是否大于氮浓度阈值,若是,则减小第一排氮周期,将减小后的数值作为当前预估周期计算得到的修订后的排氮周期,若否,则增大第一排氮周期,将增大后的数值作为当前预估周期计算得到的修订后的排氮周期。
本发明提供的一种燃料电池阳极流道氮浓度估计装置,以预估周期为步长预测阳极流道氮浓度,BP神经网络模型由试验数据训练得到,屏蔽了电堆内部复杂的传质过程,具有运算简单、估计精度高、占用内存小、以及鲁棒性好的特点。并且,本装置在当前预估周期计算得到下一预估周期开始时的氮浓度,以及计算得到修订后的排氮周期作为下一整个预估周期内的排氮周期。该方法保证阳极尾排阀13在设定的氮浓度阈值附近排氮,减少排氮过程中的氢气损失,优化了整车经济型。
优选的,所述BP神经网络模型为前馈型,且为三层,所述三层分别为输入层、隐藏层和输出层;
输入层到隐藏层的信号传播公式为:
yj=f(netj)j=1,2,….,m
其中,vj1表示与第一氮浓度对应的输入层到隐藏层的权矩阵,vj2表示与第一排氮周期对应的输入层到隐藏层的权矩阵,x1表示第一氮浓度,x2表示第一排氮周期,yj表示隐藏层阈函数,m表示隐藏层神经元的个数;
隐藏层到输出层的信号传播公式为:
其中,wkj表示隐藏层到输出层的权矩阵,表示输出层输出的第二氮浓度。
优选的,燃料电池阳极流道氮浓度估计装置还包括:
模型训练单元,用于通过批量训练和设置训练冲量的方法得到所述BP神经网络模型。
优选的,还包括:线性插值处理单元,用于对相邻两个预估周期计算得到的两个第二氮浓度之间的值进行线性插值处理。
优选的,预估周期为34秒。
对于装置实施例而言,由于其基本相应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对本发明所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种燃料电池阳极流道氮浓度估计方法,其特征在于,包括:
在当前预估周期,以第一排氮周期作为阳极流道的排氮周期,所述第一排氮周期为在前一预估周期内计算得到的修订后的排氮周期,当前预估周期为初始预估周期时,所述第一排氮周期为预设排氮周期值;
当前预估周期开始后,BP神经网络模型将第一氮浓度和所述第一排氮周期作为输入,计算得到第二氮浓度,所述第一氮浓度为前一预估周期计算得到的阳极流道的氮浓度,所述第二氮浓度为当前预估周期计算得到的经过当前预估周期后阳极流道的氮浓度,当前预估周期为初始预估周期时,所述第一氮浓度为预设氮浓度值;
判断第二氮浓度是否大于氮浓度阈值,若是,则减小第一排氮周期,将减小后的数值作为在当前预估周期内计算得到的修订后的排氮周期,若否,则增大第一排氮周期,将增大后的数值作为在当前预估周期内计算得到的修订后的排氮周期。
2.根据权利要求1所述的方法,其特征在于,所述BP神经网络模型为前馈型,所述前馈型分为三层,所述三层分别为输入层、隐藏层和输出层;
输入层到隐藏层的信号传播公式为:
yj=f(netj)j=1,2,….,m
其中,vj1表示与第一氮浓度对应的输入层到隐藏层的权矩阵,vj2表示与第一排氮周期对应的输入层到隐藏层的权矩阵,x1表示第一氮浓度,x2表示第一排氮周期,f(x)表示隐藏层阈函数,netj表示中间函数,m表示隐藏层神经元的个数,yj表示隐藏层输出信号;
隐藏层到输出层的信号传播公式为:
其中,wkj表示隐藏层到输出层的权矩阵,表示输出层输出的第二氮浓度,g(x)表示输出层阈函数,netk表示中间函数。
3.根据权利要求2所述的方法,其特征在于,所述BP神经网络模型通过批量训练和设置训练冲量的方法得到。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:对相邻两个预估周期计算得到的两个第二氮浓度之间的值进行线性插值处理。
5.根据权利要求1~4任意一项所述的方法,其特征在于,预估周期为34秒。
6.一种燃料电池阳极流道氮浓度估计装置,其特征在于,包括:
第一处理单元,用于在当前预估周期,以第一排氮周期作为阳极流道的排氮周期,所述第一排氮周期为在前一预估周期内计算得到的修订后的排氮周期,当前预估周期为初始预估周期时,所述第一排氮周期为预设排氮周期值;
第二处理单元,用于当前预估周期开始后,BP神经网络模型将第一氮浓度和所述第一排氮周期作为输入,计算得到第二氮浓度,所述第一氮浓度为前一预估周期计算得到的阳极流道的氮浓度,所述第二氮浓度为当前预估周期计算得到的经过当前预估周期后阳极流道的氮浓度,当前预估周期为初始预估周期时,所述第一氮浓度为预设氮浓度值;
第三处理单元,用于判断第二氮浓度是否大于氮浓度阈值,若是,则减小第一排氮周期,将减小后的数值作为在当前预估周期内计算得到的修订后的排氮周期,若否,则增大第一排氮周期,将增大后的数值作为在当前预估周期内计算得到的修订后的排氮周期。
7.根据权利要求6所述的装置,其特征在于,所述BP神经网络模型为前馈型,所述前馈型分为三层,所述三层分别为输入层、隐藏层和输出层;
输入层到隐藏层的信号传播公式为:
yj=f(netj)j=1,2,….,m
其中,vj1表示与第一氮浓度对应的输入层到隐藏层的权矩阵,vj2表示与第一排氮周期对应的输入层到隐藏层的权矩阵,x1表示第一氮浓度,x2表示第一排氮周期,f(x)表示隐藏层阈函数,netj表示中间函数,m表示隐藏层神经元的个数,yj表示隐藏层输出信号;
隐藏层到输出层的信号传播公式为:
其中,wkj表示隐藏层到输出层的权矩阵,表示输出层输出的第二氮浓度,g(x)表示输出层阈函数,netk表示中间函数。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
模型训练单元,用于通过批量训练和设置训练冲量的方法得到所述BP神经网络模型。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括:
线性插值处理单元,用于对相邻两个预估周期计算得到的两个第二氮浓度之间的值进行线性插值处理。
10.根据权利要求6~9任意一项所述的装置,其特征在于,预估周期为34秒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710992471.9A CN109698366B (zh) | 2017-10-23 | 2017-10-23 | 一种燃料电池阳极流道氮浓度估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710992471.9A CN109698366B (zh) | 2017-10-23 | 2017-10-23 | 一种燃料电池阳极流道氮浓度估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109698366A true CN109698366A (zh) | 2019-04-30 |
CN109698366B CN109698366B (zh) | 2021-01-12 |
Family
ID=66226691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710992471.9A Active CN109698366B (zh) | 2017-10-23 | 2017-10-23 | 一种燃料电池阳极流道氮浓度估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109698366B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111555001A (zh) * | 2020-05-20 | 2020-08-18 | 长春光华学院 | 一种混合动力汽车的电池冷却系统及其控制方法 |
CN113555592A (zh) * | 2021-09-23 | 2021-10-26 | 北京亿华通科技股份有限公司 | 燃料电池系统的氮气浓度自适应控制方法 |
CN114759233A (zh) * | 2022-05-24 | 2022-07-15 | 苏州溯驭技术有限公司 | 一种适用于氢燃料系统的排氮阀控制方法及其排氮阀系统 |
CN116231008A (zh) * | 2023-01-19 | 2023-06-06 | 上海氢晨新能源科技有限公司 | 一种燃料电池阳极氮气含量对电堆性能影响的评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007294189A (ja) * | 2006-04-24 | 2007-11-08 | Honda Motor Co Ltd | 燃料電池システムおよびその制御方法 |
CN101233644A (zh) * | 2005-08-09 | 2008-07-30 | 丰田自动车株式会社 | 燃料电池系统和估计燃料电池的燃料电极上的氮浓度的方法 |
CN102347499A (zh) * | 2010-07-27 | 2012-02-08 | 通用汽车环球科技运作有限责任公司 | Pem燃料电池系统中的低阳极氢分压的诊断和补救 |
CN102386426A (zh) * | 2010-08-25 | 2012-03-21 | 通用汽车环球科技运作有限责任公司 | Pem燃料电池中的膜渗透调整 |
CA2869203A1 (en) * | 2012-04-02 | 2013-10-10 | Hydrogenics Corporation | Method and apparatus for starting a fuel cell from a discharged state |
-
2017
- 2017-10-23 CN CN201710992471.9A patent/CN109698366B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101233644A (zh) * | 2005-08-09 | 2008-07-30 | 丰田自动车株式会社 | 燃料电池系统和估计燃料电池的燃料电极上的氮浓度的方法 |
JP2007294189A (ja) * | 2006-04-24 | 2007-11-08 | Honda Motor Co Ltd | 燃料電池システムおよびその制御方法 |
CN102347499A (zh) * | 2010-07-27 | 2012-02-08 | 通用汽车环球科技运作有限责任公司 | Pem燃料电池系统中的低阳极氢分压的诊断和补救 |
CN102386426A (zh) * | 2010-08-25 | 2012-03-21 | 通用汽车环球科技运作有限责任公司 | Pem燃料电池中的膜渗透调整 |
CA2869203A1 (en) * | 2012-04-02 | 2013-10-10 | Hydrogenics Corporation | Method and apparatus for starting a fuel cell from a discharged state |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111555001A (zh) * | 2020-05-20 | 2020-08-18 | 长春光华学院 | 一种混合动力汽车的电池冷却系统及其控制方法 |
CN113555592A (zh) * | 2021-09-23 | 2021-10-26 | 北京亿华通科技股份有限公司 | 燃料电池系统的氮气浓度自适应控制方法 |
CN114759233A (zh) * | 2022-05-24 | 2022-07-15 | 苏州溯驭技术有限公司 | 一种适用于氢燃料系统的排氮阀控制方法及其排氮阀系统 |
CN114759233B (zh) * | 2022-05-24 | 2024-01-26 | 苏州溯驭技术有限公司 | 一种适用于氢燃料系统的排氮阀控制方法及其排氮阀系统 |
CN116231008A (zh) * | 2023-01-19 | 2023-06-06 | 上海氢晨新能源科技有限公司 | 一种燃料电池阳极氮气含量对电堆性能影响的评估方法 |
CN116231008B (zh) * | 2023-01-19 | 2024-01-30 | 上海氢晨新能源科技有限公司 | 一种燃料电池阳极氮气含量对电堆性能影响的评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109698366B (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109698366B (zh) | 一种燃料电池阳极流道氮浓度估计方法及装置 | |
CN112072142B (zh) | 一种基于模型预测控制的燃料电池控制方法和系统 | |
CN108134114B (zh) | 一种质子交换膜燃料电池温度控制方法 | |
CN102663219B (zh) | 基于混合模型的燃料电池输出预测方法和系统 | |
CN107450325B (zh) | 一种燃烧后co2捕集系统的多模型预测控制方法 | |
Wu et al. | A prognostic-based dynamic optimization strategy for a degraded solid oxide fuel cell | |
CN103336867B (zh) | 质子交换膜燃料电池模型优化处理方法 | |
Rezazadeh et al. | Using adaptive neuro-fuzzy inference system (ANFIS) for proton exchange membrane fuel cell (PEMFC) performance modeling | |
CN114447378A (zh) | 一种质子交换膜燃料电池的参数优化方法 | |
KR101315764B1 (ko) | 연료전지용 수소 공급 시스템의 고장 진단 방법 | |
CN112748665B (zh) | 基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置 | |
Zhang et al. | Bi-directional gated recurrent unit recurrent neural networks for failure prognosis of proton exchange membrane fuel cells | |
Wang et al. | Long short-term memory deep learning model for predicting the dynamic performance of automotive PEMFC system | |
Huang et al. | Correlation analysis and prediction of PEM fuel cell voltage during start-stop operation based on real-world driving data | |
CN111428913A (zh) | 一种质子交换膜燃料电池的性能预测方法及性能预测系统 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN113759708B (zh) | 系统的优化控制方法、装置和电子设备 | |
CN111983489B (zh) | Sofc系统放电故障含过渡模态的检测方法 | |
CN114137829A (zh) | 基于almbo优化算法的质子交换膜燃料电池子空间辨识方法 | |
CN117540862A (zh) | 一种基于改进长短期记忆网络的碳排放预测方法及系统 | |
CN116862077A (zh) | 基于多模态组合模型的电采暖运行成本预测方法和介质 | |
Damour et al. | Fast NMPC scheme of a 10 kW commercial PEMFC | |
CN115764855A (zh) | 一种电动汽车快充站实时可调节能力及可用电量预测方法 | |
US9960439B2 (en) | Apparatus and method for controlling hydrogen purging | |
Xu et al. | Dynamic modeling and simulation of PEM fuel cells based on BP 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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220118 Address after: 201800 No. 1788, xiechun Road, Anting Town, Jiading District, Shanghai Patentee after: Shanghai jiehydrogen Technology Co.,Ltd. Address before: 201203 Room 509, Building No. 1, 563 Songtao Road, Zhangjiang High-tech Park, Pudong New Area, Shanghai Patentee before: SAIC Motor Corp.,Ltd. |