CN109792063B - 人工智能燃料电池系统 - Google Patents

人工智能燃料电池系统 Download PDF

Info

Publication number
CN109792063B
CN109792063B CN201780059408.8A CN201780059408A CN109792063B CN 109792063 B CN109792063 B CN 109792063B CN 201780059408 A CN201780059408 A CN 201780059408A CN 109792063 B CN109792063 B CN 109792063B
Authority
CN
China
Prior art keywords
fuel cell
state
performance
cell stack
data
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
Application number
CN201780059408.8A
Other languages
English (en)
Other versions
CN109792063A (zh
Inventor
孔昌善
杨栽春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LG Chem Ltd
Original Assignee
LG Chem Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by LG Chem Ltd filed Critical LG Chem Ltd
Publication of CN109792063A publication Critical patent/CN109792063A/zh
Application granted granted Critical
Publication of CN109792063B publication Critical patent/CN109792063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0053—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to fuel cells
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/30—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling fuel cells
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B13/048—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 using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • 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
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/0432—Temperature; Ambient temperature
    • 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
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/0438—Pressure; Ambient pressure; Flow
    • 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
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04492—Humidity; Ambient humidity; Water content
    • 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
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04537—Electric variables
    • H01M8/04544—Voltage
    • 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
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04537—Electric variables
    • H01M8/04574—Current
    • 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
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04664—Failure or abnormal function
    • H01M8/04679—Failure or abnormal function of fuel cell stacks
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • 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
    • Y02T90/40—Application of hydrogen technology to transportation, e.g. using fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Power Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Fuel Cell (AREA)

Abstract

根据本发明的实施例的人工智能燃料电池系统包括：燃料电池堆，多个单元电池被组合到燃料电池堆中以通过电化学反应产生电能；传感器单元，用于实时测量关于形成燃料电池堆的单元电池中的每个单元电池的数据、反应气体和冷却水的温度、压力、湿度和流速、以及燃料电池工作期间的电流和电压数据；人工智能单元，用于以规则的间隔收集通过传感器单元测量的数据，并且通过收集的数据的学习和分析来生成用于预测和控制燃料电池性能的模型，并且通过比较生成的模型与实时测量的数据并诊断燃料电池的状态，并产生用于改变燃料电池堆的工作条件的控制信号；以及控制单元，用于根据产生的控制信号改变燃料电池堆的工作条件。

Description

人工智能燃料电池系统
技术领域
本发明涉及人工智能燃料电池系统，更具体地，涉及如下的人工智能燃料电池系统，该人工智能燃料电池系统通过利用机器学习和时序分析来学习和分析以规定时间间隔收集的数据，以生成用于预测和控制燃料电池性能的模型，将生成的模型与测量数据进行比较以将燃料电池堆的性能随时间的变化区分为临时且短期的性能退化状态以及长期且不可逆的性能退化状态并诊断性能变化状态，并根据燃料电池堆的诊断状态产生用于改变燃料电池堆的工作条件的控制信号。
本说明书要求2016年9月26日向韩国知识产权局提交的韩国专利申请No.10-2016-0123125的优先权和权益，其全部内容通过引用并入本文。
背景技术
燃料电池是一种发电装置，其中氢和氧作为燃料发生电化学反应，并且化学能直接转换成电能。因此，根据发电特性，燃料电池不同于热力发动机，不受称为卡诺效率的热力学限制，并且燃料电池不使用诸如煤和石油的化石燃料，因此几乎没有环境污染、噪音等，从而作为下一代能源受到关注。
然而，由燃料电池堆工作期间发生的电流和电压之间的非线性和不可逆关系、以及电流和功率之间的非线性和不可逆关系所产生的复杂性使得难以准确地预测性能并且对燃料电池堆的优化工作进行控制。特别地，基于用于操作燃料电池的以往模型的控制系统没有同时考虑在非优化工作条件下发生的临时性能退化、以及根据由于长期工作导致的劣化和耐久性退化的性能退化，并且存在以下的问题：没有区分临时性能退化以及根据由于长期工作导致的劣化和耐久性退化的性能退化之间的差异。
也就是说，在非优化条件下的工作引起临时性能退化，临时性能退化由于燃料电池内部产生的水引起的溢流、电解质膜的干燥、以及反应气体的流速不足而产生，并且当临时性能退化状态继续时，燃料电池系统的劣化和耐久性退化加速，所以需要快速检测燃料电池的异常状态并实施性能的预测控制。
此外，为了提高燃料电池的耐久性，需要考虑长期性能退化的程度、以及临时和可恢复性能退化的诊断对工作条件的优化和控制算法。
发明内容
技术问题
本发明被构成为解决前述问题，本发明的目的是提供一种人工智能燃料电池系统，该人工智能燃料电池系统通过利用机器学习和时序分析来学习和分析以规定时间间隔收集的数据，以生成用于预测和控制燃料电池性能的模型，该人工智能燃料电池系统将生成的模型与测量数据进行比较，以将燃料电池堆的性能随时间的变化区分为临时且短期的性能退化状态以及长期且不可逆的性能退化状态，并诊断性能变化状态，并根据燃料电池堆的诊断状态产生用于改变燃料电池堆的工作条件的控制信号。
技术方案
根据本发明的示例性实施例的人工智能燃料电池系统可以包括：燃料电池堆，多个单元电池被组合到所述燃料电池堆中以通过电化学反应产生电能；组成所述燃料电池堆的所述单元电池中的每个单元电池；传感器单元，所述传感器单元实时测量关于反应气体和冷却水的温度、压力、湿度、流速的数据、以及在燃料电池工作期间的电流和电压数据；人工智能单元，所述人工智能单元以规定时间间隔收集通过所述传感器单元测量到的所述数据，并且通过收集的数据的学习和分析生成用于预测和控制所述燃料电池的性能的模型，并且将生成的所述模型与实时测量到的数据进行比较并诊断所述燃料电池堆的状态，并且产生用于改变所述燃料电池堆的工作条件的控制信号；以及控制单元，所述控制单元根据产生的所述控制信号改变所述燃料电池堆的工作条件。
此外，根据本发明的示例性实施例的人工智能单元可以包括：数据收集单元，所述数据收集单元以规定时间间隔实时收集由传感器单元测量的关于温度、压力、湿度、流速、电流和电压的数据；数据学习和模型生成单元，所述数据学习和模型生成单元通过利用机器学习和时序分析来学习和分析以规定时间间隔收集的数据，并生成用于预测和控制燃料电池的性能的模型；以及性能预测和诊断单元，所述性能预测和诊断单元将生成的模型与测量的数据进行比较，将燃料电池堆的性能随时间的变化区分为第一状态和第二状态，并诊断性能变化状态，并根据燃料电池堆的诊断状态产生用于改变燃料电池堆的工作条件的控制信号，并使控制单元改变燃料电池堆的工作条件，并且所述第一状态可以是临时且短期的性能退化状态，所述第二状态可以是长期且不可逆的性能退化状态。
此外，根据本发明的示例性实施例的数据学习和模型生成单元可以包括：机器学习单元，所述机器学习单元用以规定时间间隔收集的数据通过机器学习算法生成用于预测性能的模型，并使性能预测和诊断单元将来自生成的模型的预测值与测量的数据的测量值进行比较并诊断燃料电池堆的状态；以及时序分析单元，所述时序分析单元通过利用预测值和测量值来执行分析时间趋势模式的时序趋势分析，并使性能预测和诊断单元将燃料电池堆的性能随时间的变化区分为第一状态和第二状态并诊断性能变化状态，并且所述第一状态可以是临时且短期的性能退化状态，所述第二状态可以是长期且不可逆的性能退化状态。
此外，根据本发明的示例性实施例的机器学习单元可以将预测值和测量值之间的差、即变动(variance)反馈给生成的预测模型并校正生成的预测模型，并且使性能预测和诊断单元通过利用校正的预测模型诊断燃料电池堆的根据时间的性能变化状态。
根据本发明的另一示例性实施例的控制人工智能燃料电池系统的方法可以包括：实时测量关于形成燃料电池堆的单元电池中的每个单元电池、反应气体和冷却水的温度、压力、湿度、流速的数据、以及燃料电池工作期间的电流和电压数据；以规定时间间隔收集测量的数据并通过所收集的数据的学习和分析来生成用于预测和控制燃料电池的性能的模型；将所生成的模型与实时测量的数据进行比较，并诊断燃料电池堆的状态；根据诊断状态产生用于改变燃料电池堆的工作条件的控制信号；以及根据产生的控制信号改变燃料电池堆的工作条件。
此外，根据本发明的示例性实施例的用于预测和控制性能的模型的生成可以包括：通过利用使用机器学习算法的机器学习以及使用时序趋势分析的时序分析来学习和分析以规定时间间隔收集的数据；以及生成用于预测和控制燃料电池性能的模型，所述燃料电池堆的状态的诊断可以包括：将所生成的模型与测量的数据进行比较；将燃料电池堆的性能随时间的变化区分为第一状态和第二状态；以及诊断性能变化状态，并且所述第一状态可以是临时且短期的性能退化状态，所述第二状态可以是长期且不可逆的性能退化状态。
此外，根据本发明的示例性实施例的人工智能燃料电池系统的控制方法可以还包括：将作为所生成的模型的预测值与实时测量的测量值之间的差的变动反馈给生成的预测模型并校正生成的预测模型；以及通过使用校正的预测模型将燃料电池堆的性能随时间的变化区分为第一状态和第二状态，并诊断性能变化状态，并且所述第一状态可以是临时且短期的性能退化状态，所述第二状态可以是长期且不可逆的性能退化状态。
另一方面，本发明的又一示例性实施例可以提供一种计算机可读记录介质，在该计算机可读记录介质中记录有用于在计算机中执行该方法的程序。
有益效果
根据本发明的示例性实施例的人工智能燃料电池系统可以由机器学习单元和时序分析单元通过机器学习和时序趋势分析以规定时间间隔收集的燃料电池数据来生成用于预测和控制燃料电池性能的模型。
此外，根据本发明的示例性实施例的人工智能燃料电池系统可以通过机器学习单元和时序分析单元执行机器学习和时序分析来诊断燃料电池堆的当前状态是正常状态还是异常状态。
此外，根据本发明的示例性实施例的人工智能燃料电池系统可以将燃料电池堆的根据时间的性能退化状态区分为临时且短期的性能退化状态以及长期且不可逆的性能退化状态，并通过使用趋势线的时序趋势分析来诊断性能退化状态。
此外，根据本发明的示例性实施例的人工智能燃料电池系统可以通过计算通过机器学习算法和时序分析生成的预测模型的预测值与测量值之间的差作为变动并且连续地将变动反馈给模型来校正用于预测燃料电池性能的模型，从而更准确地诊断燃料电池堆的根据时间的性能变化状态并根据状态的诊断对燃料电池的工作条件进行优化。
附图说明
图1是示出根据本发明示例性实施例的人工智能燃料电池系统的构成的框图。
图2是示意性示出根据本发明示例性实施例的燃料电池堆中安装的传感器单元的构成的图。
图3是示出根据本发明示例性实施例的人工智能单元的构成的框图。
图4是示出根据本发明示例性实施例的矩阵形式的由传感器单元测量和收集的数据的结构的图。
图5是示出根据本发明另一示例性实施例的控制人工智能燃料电池系统的方法的流程图。
图6是示出根据本发明示例性实施例的通过机器学习单元校正用于预测和控制燃料电池的性能的模型的方法的流程图。
图7是示出根据本发明示例性实施例的通过电流密度时序数据的趋势分析的短期性能退化状态和长期性能退化状态的图。
具体实施方式
最佳实施方式
根据本发明的示例性实施例的人工智能燃料电池系统可以包括：燃料电池堆，多个单元电池被组合到所述燃料电池堆中以通过电化学反应产生电能；形成燃料电池堆的单元电池中的每个单元电池；传感器单元，所述传感器单元实时测量关于形成燃料电池堆的单元电池中的每个单元电池、反应气体和冷却水的温度、压力、湿度、流速的数据、以及燃料电池工作期间的电流和电压数据；人工智能单元，所述人工智能单元以规定时间间隔收集由传感器单元测量到的所述数据，并通过学习和分析收集的数据生成用于预测和控制燃料电池的性能的模型，并将生成的模型与实时测量到的数据进行比较并诊断燃料电池堆的状态，并产生用于改变燃料电池堆的工作条件的控制信号；以及控制单元，所述控制单元根据产生的控制信号改变燃料电池堆的工作条件。
此外，根据本发明的示例性实施例的人工智能单元可以包括：数据收集单元，所述数据收集单元以规定时间间隔实时收集关于由传感器单元测量的温度、压力、湿度、流速、电流和电压的数据；数据学习和模型生成单元，所述数据学习和模型生成单元通过利用机器学习和时序分析来学习和分析以规定时间间隔收集的数据，并生成用于预测和控制燃料电池的性能的模型；以及性能预测和诊断单元，所述性能预测和诊断单元将生成的模型与测量的数据进行比较，将燃料电池堆的性能随时间的变化区分为第一状态和第二状态，并诊断性能变化状态，并根据燃料电池堆的诊断状态产生用于改变燃料电池堆的工作条件的控制信号，并使控制单元改变燃料电池堆的工作条件，并且所述第一状态可以是临时且短期的性能退化状态，所述第二状态可以是长期且不可逆的性能退化状态。
此外，根据本发明的示例性实施例的数据学习和模型生成单元可以包括：机器学习单元，所述机器学习单元通过机器学习算法处理以规定时间间隔收集的数据来生成用于预测性能的模型，并使性能预测和诊断单元将来自生成的模型的预测值与测量的数据的测量值进行比较并诊断燃料电池堆的状态；以及时序分析单元，所述时序分析单元通过利用预测值和测量值来执行分析时间趋势模式的时序趋势分析，并使性能预测和诊断单元将燃料电池堆的性能随时间的变化区分为第一状态和第二状态并诊断性能变化状态，并且所述第一状态可以是临时且短期的性能退化状态，所述第二状态可以是长期且不可逆的性能退化状态。
此外，根据本发明的示例性实施例的机器学习单元可以将作为预测值和测量值之间的差的变动反馈给生成的预测模型并校正生成的预测模型，并使性能预测和诊断单元通过利用校正的预测模型诊断燃料电池堆的根据时间的性能变化状态。
根据本发明的另一示例性实施例的控制人工智能燃料电池系统的方法可以包括：实时测量关于形成燃料电池堆的单元电池中的每个单元电池、反应气体和冷却水的温度、压力、湿度和流速的数据、以及燃料电池工作期间的电流和电压数据；以规定时间间隔收集测量的数据并通过所收集的数据的学习和分析生成用于预测和控制燃料电池的性能的模型；将所生成的模型与实时测量到的数据进行比较，并诊断燃料电池堆的状态；根据诊断状态产生用于改变燃料电池堆的工作条件的控制信号；以及根据产生的控制信号改变燃料电池堆的工作条件。
此外，根据本发明的示例性实施例的用于预测和控制性能的模型的生成可以包括：通过利用使用机器学习算法的机器学习以及使用时序趋势分析的时序分析来学习和分析以规定时间间隔收集的数据，并生成用于预测和控制燃料电池性能的模型，燃料电池堆的状态的诊断可以包括将所生成的模型与测量的数据进行比较，将根据时间的燃料电池堆的性能随时间的变化区分为第一状态和第二状态，并诊断性能变化状态，并且所述第一状态可以是临时且短期的性能退化状态，所述第二状态可以是长期且不可逆的性能退化状态。
此外，根据本发明的示例性实施例的控制人工智能燃料电池系统的方法可以还包括：将作为所生成的模型的预测值与实时测量的测量值之间的差的变动反馈给生成的预测模型并校正生成的预测模型；以及通过使用校正的预测模型将燃料电池堆的性能随时间的变化区分为第一状态和第二状态，并诊断性能变化状态，并且所述第一状态可以是临时且短期的性能退化状态，所述第二状态可以是长期且不可逆的性能退化状态。
同时，本发明的又一示例性实施例可以提供一种计算机可读记录介质，在该计算机可读记录介质中记录有用于在计算机中执行该方法的程序。
实施本发明的方式
在下文中，将参考附图详细描述本发明的示例性实施例，使得本领域技术人员可以容易地实现本发明。然而，可以以各种不同的形式修改本发明，并且本发明不限于这里描述的示例性实施例。在附图中将省略与描述无关的部分以清楚地描述本发明，并且在整个说明书中相似的元件将由相似的附图标记表示。
将简要描述本说明书中使用的术语，并且将详细描述本发明。
作为本发明中使用的术语，考虑到本发明中的功能，尽可能地选择了当前和广泛使用的一般术语，但是本发明中使用的术语可以根据本领域技术人员的意图或司法先例、新技术的出现等而改变。此外，在特定情况下，存在由申请人任意选择的术语，并且在这种情况下，将在本发明的相应描述中详细描述该术语的含义。因此，本发明中使用的术语应基于术语的含义和整个本发明的内容来定义，而不是术语的简单名称。
在整个说明书中，除非明确地相反描述，当说特定部分“包括/包含”特定组成元素时，这意味着可以进一步“包括/包含”另一组成元素，而不是排除另一组成元素。另外，在说明书中描述的诸如“......单元”和“......模块”的术语表示用于处理至少一个功能或操作的单元，并且可以由硬件组件或软件组件及其组合来实现。在整个说明书中，当描述元件“连接”到另一元件时，该元件可以“直接连接”到另一元件或通过第三元件“间接连接”到另一元件。
在下文中，将参考附图详细描述本发明。
图1是示出根据本发明的示例性实施例的人工智能燃料电池系统1000的构成的框图，图2是示意性地示出根据本发明示例性实施例的燃料电池堆100中安装的传感器单元200的构成的图。
参照图1，人工智能燃料电池系统1000可以包括燃料电池堆100、传感器单元200、人工智能单元300和控制单元400。
根据本发明的示例性实施例的燃料电池堆100是如下装置：多个单元电池被组合以通过电化学反应产生电能，并且通过堆叠多个单元电池而形成，从而将所需的电力提供给装置(例如车辆)。在此，单元电池通过电化学反应产生电能的同时，生成水和热作为副产物，并且可以包括阳极双极板、阴极双极板、垫圈等。
根据本发明的示例性实施例的传感器单元200可以实时测量关于形成燃料电池堆100的单元电池中的每个单元电池、反应气体和冷却水的温度、压力、湿度和流速的数据以及燃料电池工作期间的电流和电压数据。
参照图2，传感器单元200可以实时测量关于供应到燃料电池堆100、以及包括燃料电池堆的入口和出口的各个位置处的每个单元电池的反应气体(燃料)和冷却水的温度、压力、湿度、流速等的数据。例如，传感器单元200可以针对燃料电池堆的每个单元电池或整个燃料电池堆测量关于单元电池的正电极和负电极的温度、压力、湿度、流速等的数据。
此外，传感器单元200可以还针对每个单元电池或整个燃料电池堆实时测量燃料电池堆100的工作期间产生的电流(密度)、电压数据或电流和电压数据的变化。
根据本发明示例性实施例的人工智能单元300可以以规定时间间隔收集由传感器单元200测量的数据，并且通过学习和分析所收集的数据来生成用于预测和控制燃料电池的性能的模型。例如，人工智能单元300可以收集由传感器单元200以规定时间间隔测量的关于每个单元电池、反应气体和冷却水的温度、压力、湿度和流速的数据以及燃料电池工作期间的电流和电压数据，并以时序数据的形式存储所有的收集的数据。在此，规定时间间隔可以包括从秒的单位到分钟、小时、日、月和年的单位的燃料电池的工作时间的一部分或全部。
此外，人工智能单元300可以通过使用机器学习、时序分析等的方法来学习和分析所收集的数据，并生成用于预测和控制燃料电池的性能的模型，并将用于预测和控制性能的所生成的模型与实时测量的数据进行比较并诊断燃料电池堆100的状态，并产生用于改变燃料电池堆100的工作条件的控制信号。
也就是说，由于影响燃料电池的性能(IV)的实时工作数据包括复杂性和相互依赖性，因此，为了生成用于预测和控制性能的模型，可以应用能够解释多个相关性的基于机器学习的建模。
此外，当工作时间增加时，由于燃料电池的退化，性能可能退化，并且由于燃料电池的退化导致的性能退化需要与临时的性能退化现象区分开，但是当应用单个机器学习算法时可能难以区分临时且短期的性能退化状态以及长期且不可逆的性能退化状态。也就是说，为了区分临时性能退化现象和长期性能退化现象，通过时序分析的对时序数据的模式分析与机器学习算法配合使用，从而准确地诊断燃料电池堆100的状态并且根据诊断状态产生优化的控制信号。
图3是示出根据本发明的示例性实施例的人工智能单元300的构成的框图。
参照图3，人工智能单元300可以包括数据收集单元320、数据学习和模型生成单元340以及性能预测和诊断单元360，并且数据学习和模型生成单元340可以包括机器学习单元342和时序分析单元344。
根据本发明的示例性实施例的数据收集单元320可以收集由传感器单元200以规定时间间隔实时测量的关于形成燃料电池堆的单元电池中的每个单元电池、反应气体及冷却水的温度、压力、湿度和流速的数据、以及燃料电池工作期间的电流和电压数据。数据收集单元320可以针对基于时间的时序分析以时序数据的形式存储所有的测量数据，将数据存储时间间隔从秒的单位调整为年的单位，并且包括燃料电池的工作时间的一部分或全部。
数据学习和模型生成单元340可以通过使用以规定时间间隔收集的数据生成用于预测和控制燃料电池的性能的模型，并且机器学习单元342可以通过利用多变量相关的机器学习来实现用于预测和控制性能的建模，并且时序分析单元344可以通过时序数据的模式分析以时序趋势的形式分析燃料电池的状态，从而生成用于根据时间预测和控制燃料电池堆100的性能的模型。
也就是说，根据本发明的示例性实施例的机器学习单元342可以通过用于基于以规定时间间隔收集的数据来预测性能的机器学习算法来生成模型，并使性能预测和诊断单元360比较来自所生成的模型的预测值和所测量的数据的测量值并诊断燃料电池堆100的状态。
例如，机器学习单元342可以将以规定时间间隔收集的关于温度、压力、湿度和流速的数据以及燃料电池工作期间的电流和电压数据生成为矩阵结构形式的数据结构，并应用各种机器学习算法来生成用于预测性能的模型。进一步，机器学习单元342可以使性能预测和诊断单元360将性能预测模型中的预测值与由传感器单元200实时测量的测量值进行比较，并根据预测值和测量值之间的差确定燃料电池堆的状态是正常状态还是异常状态，例如溢流、电解质膜的干燥和反应气体的流速不足。
此外，机器学习单元342可以根据燃料电池堆100是正常状态还是异常状态的诊断状态来提供对工作条件的改变的确定，即，对维持或改变对控制单元400进行控制的控制信号的确定。
根据本发明的示例性实施例的时序分析单元344可以执行时序趋势分析，该时序趋势分析通过使用预测值和测量值来分析时间趋势模式，以使性能预测和分析单元360将燃料电池堆100的性能随时间的变化区分为包括临时且短期的性能退化状态以及由于劣化导致的长期且不可逆的性能退化状态的两种不同的状态并诊断性能变化状态。
例如，时序分析单元344通过使用由机器学习单元342生成的性能预测模型的预测值和由传感器单元200测量的测量值来执行时间趋势模式分析，以使性能预测和诊断单元360将在燃料电池堆100中发生临时性能退化的短期性能退化状态部分与在燃料中产生由于燃料电池的劣化引起的不可逆性能退化的长期性能退化状态部分区分开。在此，临时且短期的性能退化状态部分是性能暂时降低但是在通过控制使工作条件改变之后的规定时间之后性能可恢复到正常状态的部分，并且可表示引起可逆性能退化的部分。
图4是示出根据本发明的示例性实施例的矩阵形式的由传感器单元200测量和收集的数据的结构的图。
参照图4，矩阵T的各列t1，t2，...表示时间列，矩阵X的各列表示由传感器单元200随时间测量的在燃料电池堆100的多个点处的诸如温度、压力、流速和湿度的数据。此外，矩阵X的一列可以包括基于每个时间测量的电流(密度)的时序数据。矩阵Y表示每次测量的电池电压V、电流密度I和功率密度中的任意的变量的测量值。进一步，由矩阵X和Y形成的数据结构510表示用于通过机器学习算法创建预测模型的数据结构。也就是说，由矩阵X和Y形成的数据结构510可以表示用于创建X→Y和Y＝f(X)的数据结构。根据所应用的机器学习算法，预测模型Y＝f(X)可以具有包括诸如
Figure BDA0002007244770000111
的线性回归模型的各种形式。
机器学习预测模型可以由下式1表示。
[式1]
Y＝f(X)
在式1中，X是反应气体流速R、温度T、压力P、湿度H和电流(密度)I的数据，Y是电流(密度)I、电压V和功率(密度)W的数据。
进一步，由矩阵X、Y和T形成的数据结构530表示用于时序分析的数据结构，并且可以由(T，X，Y)、(T，X)或(T，Y)形成。
时序模型可以由下式2表示。
[式2]
Yt+h＝Φ+α(L)Yt+β(L)Ft+εt+h
在式2中，Yt+h表示时间间隔t+h的预测项，φ表示常数项，α(L)Yt表示Y在时间t的函数项，β(L)Ft表示Y在时间t的预测模型项，εt+h表示预测误差项。
进一步，根据本发明的示例性实施例的机器学习单元342可以将作为预测值与测量值之间的差的变动反馈给生成的预测模型并校正所生成的预测模型，并且可以使性能预测和诊断单元360通过使用校正的预测模型来诊断燃料电池堆100的根据时间的性能变化状态。
也就是说，机器学习单元342可以计算通过机器学习算法和时序分析生成的预测模型的预测值与由传感器单元200测量的测量值之间的差作为变动，并且连续地将变动反馈给燃料电池预测模型以校正燃料电池预测模型。也就是说，性能预测和诊断单元360基于校正的燃料电池预测模型诊断燃料电池堆100的根据时间的性能变化状态，从而更准确地诊断燃料电池的状态。
根据本发明的示例性实施例的性能预测和诊断单元360可以根据由机器学习单元342和时序分析单元344的学习和分析生成的燃料电池预测和控制模型来诊断燃料电池堆的状态。
例如，性能预测和诊断单元360可以将所生成的燃料电池预测模型的预测值与实时测量的测量值进行比较，并确定燃料电池堆的当前状态是正常状态还是异常状态(例如，溢流状态、电解质膜的干燥状态、反应气体流速不足状态)。
进一步，性能预测和诊断单元360可以通过时序分析单元344的时序趋势分析将燃料电池堆100的性能随时间的变化区分为临时且短期的性能退化状态以及长期且不可逆的性能退化状态，并诊断性能变化状态。
进一步，性能预测和诊断单元360可以根据燃料电池堆100的诊断状态产生用于改变燃料电池堆100的工作条件的控制信号。
根据本发明的示例性实施例的控制单元400可以根据由人工智能单元300产生的控制信号来改变燃料电池堆100的工作条件。
例如，人工智能单元300可以通过燃料电池堆100的状态的诊断来诊断燃料电池堆100当前处于长期且不可逆的性能退化状态还是临时且可逆的性能退化状态。当人工智能单元300诊断出燃料电池堆100处于可逆性能退化状态时，人工智能单元300可以确定燃料电池堆100的状态是否为溢流状态、电解质膜的干燥状态或者反应气体流速不足状态，并且为了恢复临时性能退化，人工智能单元300可以产生用于改变燃料电池的工作条件的控制信号，并将产生的控制信号发送到控制单元400。也就是说，控制单元400可以根据由人工智能单元300产生的控制信号改变工作条件，从而恢复处于溢流状态、电解质膜的干燥状态和反应气体流速的不足状态的燃料电池堆100的性能。
图5是示出根据本发明的另一示例性实施例的控制人工智能燃料电池系统1000的方法的流程图。
参照图5，传感器单元200可以实时测量关于形成燃料电池堆100的单元电池中的每个单元电池、反应气体和冷却水的温度、压力、湿度、流速的数据、以及燃料电池的工作期间的电流和电压数据(S10)，并且数据收集单元320可以以规定时间间隔收集测量数据，并且数据学习和模型生成单元340可以通过收集的数据的学习和分析生成用于预测和控制燃料电池的性能的模型(S20)。
例如，传感器单元200可以实时测量关于每个单元电池的数据、包括燃料电池堆100的入口和出口的若干位置处的反应气体和冷却水的温度、压力、湿度和流速，并且还实时测量燃料电池的工作期间的电流和电压数据以及电流和电压数据的变化。进一步，数据收集单元320可以以包括单位从秒到分钟、小时、天、月、年的燃料电池的工作时间的一部分或全部的、时间间隔收集测量数据。数据学习和模型生成单元340可以通过利用使用机器学习算法的机器学习以及使用时序趋势分析的时序分析来学习和分析收集的数据，并生成用于预测和控制燃料电池的性能的模型。
性能预测和诊断单元360可以将由数据学习和模型生成单元340生成的预测模型与实时测量的数据进行比较并诊断燃料电池堆100的状态(S30)，并根据诊断状态产生用于改变燃料电池堆的工作条件的控制信号(S40)。控制单元400可以根据产生的控制信号改变燃料电池堆100的工作条件(S50)。
例如，性能预测和诊断单元360可以将所生成的燃料电池性能预测模型的预测值与实时测量的测量值进行比较，并且区分燃料电池堆的当前状态是正常状态还是异常状态。进一步，性能预测和诊断单元360可以通过时序分析单元344的时序趋势分析将燃料电池堆的性能随时间的变化区分为临时且短期的性能退化状态以及长期且不可逆的性能退化状态并诊断燃料电池堆的性能的变化状态。进一步，性能预测和诊断单元360可以根据燃料电池堆100的当前状态或根据时间的性能变化状态产生控制信号，并且控制单元400可以根据控制信号来改变燃料电池堆100的工作条件。
图6是示出根据本发明示例性实施例的通过机器学习单元342校正燃料电池性能预测和控制模型的方法的流程图。
参照图6，人工智能燃料电池系统1000可以通过数据收集单元320以规定时间间隔hi收集关于形成燃料电池堆100的单元电池中的每个单元电池、反应气体和冷却水的温度、压力、湿度、流速的数据、以及燃料电池工作期间的电流和电压数据(S100)，并通过使用所收集的数据生成燃料电池性能预测和控制模型(S200)。在此，可以使用利用所收集的数据的机器学习和时序分析来生成燃料电池性能预测和控制模型。
人工智能燃料电池系统1000可以在所生成的燃料电池性能预测模型中计算电流、电压、功率密度等的预测值(S300)，并且获得由传感器单元200实际测量的测量值(S400)。机器学习单元342可以将计算出的预测值与实际测量到的测量值进行比较，并计算作为计算的预测值与实际测量出的测量值之间的差的变动(S500)，并将变动反馈给生成的预测模型并校正生成的预测模型(S600)。
图7是示出根据本发明的示例性实施例的通过电流密度时序数据的趋势分析的短期性能退化状态和长期性能退化状态的图。
参照图7，在燃料电池的恒定电压工作期间，输出电流密度可在短期内在小范围内变化，但是该变化可以可逆地恢复，并且可以与根据长期工作情况由于燃料电池的每个组件的劣化导致的不可逆性能退化区分开。
也就是说，当通过图7的时序趋势分析来分析燃料电池的电流密度的根据时间的趋势线时，可以将性能可以可逆地恢复的临时且短期的性能退化部分与根据燃料电池的组件的劣化的长期且不可逆的性能退化部分区分开。也就是说，时序开始时的趋势在规定时间过去之后引起规定基准的变化或更多的变化，并且根据该变化的趋势可以跟随。因此，为了预测和诊断燃料电池的性能退化，可以配置多个趋势模型。
图7中所示的线性模型可以用作时序数据的趋势模型，但是可以根据燃料电池的劣化的形式将二次函数模型、三次函数模型或指数函数模型应用于时序数据的趋势模型。
人工智能燃料电池系统1000的内容可应用于根据本发明的示例性实施例的控制人工智能燃料电池系统1000的方法。因此，关于控制人工智能燃料电池系统1000的方法，省略与人工智能燃料电池系统1000的内容相同的内容的描述。
本发明的示例性实施例还可以以包括可由计算机执行的命令的记录介质的形式实施，例如由计算机执行的程序模块。计算机可读介质可以是可由计算机访问的规定的可用介质，并且包括所有的易失性和非易失性介质以及可移除和不可移除介质。此外，计算机可读介质可以包括所有的计算机存储介质。计算机存储介质包括通过用于存储诸如计算机可读命令、数据结构、程序模块或其他数据的信息的规定方法或手段实施的所有易失性和非易失性介质以及可移除和不可移除介质。
以上对本发明的描述是说明性的，并且本发明所属领域的技术人员可以理解，在不改变本发明的技术精神或本质特征的情况下，可以容易地将本发明修改为其他特定形式。因此，应理解，上述实施例在所有方面都是说明性的，而非限制性的。例如，可以分配和执行以单数形式描述的每个组成元件，并且类似地，以分布形式描述的组成元件可以以组合形式执行。
本发明的范围由下面要描述的权利要求而不是详细描述来表示，并且应该解释为权利要求的含义和范围以及源自其等同物的所有变化或修改的形式都在本发明的范围内。

Claims (6)

1.一种人工智能燃料电池系统，包括：
燃料电池堆，用于通过电化学反应产生电能的多个单元电池被组合到所述燃料电池堆中；
传感器单元，所述传感器单元实时测量关于形成所述燃料电池堆的所述单元电池中的每个所述单元电池、反应气体和冷却水的温度、压力、湿度、流速的数据，以及燃料电池工作期间的电流和电压数据；
人工智能单元，所述人工智能单元以规定时间间隔收集由所述传感器单元测量到的所述数据，通过收集的所述数据的学习和分析生成用于预测和控制所述燃料电池的性能的模型，通过将生成的所述模型的预测值与实时测量的所述数据进行比较来诊断所述燃料电池堆的状态，并且产生用于改变所述燃料电池堆的工作条件的控制信号；以及
控制单元，所述控制单元根据产生的所述控制信号改变所述燃料电池堆的所述工作条件，
其中，所述人工智能单元包括：
数据收集单元，所述数据收集单元以规定时间间隔实时收集由所述传感器单元测量的关于所述温度、所述压力、所述湿度、所述流速、所述电流和所述电压的所述数据；
数据学习和模型生成单元，所述数据学习和模型生成单元通过利用机器学习和时序分析来学习和分析以所述规定时间间隔收集的所述数据，并生成用于预测和控制所述燃料电池的性能的模型；以及
性能预测和诊断单元，所述性能预测和诊断单元将生成的所述模型的预测值与测量的所述数据进行比较，将所述燃料电池堆的性能随时间的变化区分为第一状态和第二状态，诊断性能变化状态，根据所述燃料电池堆的诊断的所述状态产生用于改变所述燃料电池堆的工作条件的控制信号，并使所述控制单元改变所述燃料电池堆的所述工作条件，并且
所述第一状态是临时且短期的性能退化状态，所述第二状态是长期且不可逆的性能退化状态。
2.根据权利要求1所述的人工智能燃料电池系统，其中，所述数据学习和模型生成单元包括：
机器学习单元，所述机器学习单元通过机器学习算法将以所述规定时间间隔收集的所述数据生成作为用于预测性能的模型，并使所述性能预测和诊断单元将来自生成的所述模型的预测值与测量的所述数据的测量值进行比较并诊断所述燃料电池堆的状态；以及
时序分析单元，所述时序分析单元通过利用所述预测值和所述测量值来执行分析时间趋势模式的时序趋势分析，并使所述性能预测和诊断单元将所述燃料电池堆的性能随时间的所述变化区分为所述第一状态和所述第二状态并诊断所述性能变化状态，并且
所述第一状态是临时且短期的性能退化状态，所述第二状态是长期且不可逆的性能退化状态。
3.根据权利要求2所述的人工智能燃料电池系统，其中，所述机器学习单元将作为所述预测值和所述测量值之间的差的变动反馈给生成的预测模型并校正生成的所述预测模型，并使所述性能预测和诊断单元通过利用校正的所述预测模型诊断所述燃料电池堆根据时间的所述性能变化状态。
4.一种控制人工智能燃料电池系统的方法，所述方法包括：
实时测量关于形成燃料电池堆的单元电池中的每个单元电池、反应气体和冷却水的温度、压力、湿度、流速的数据，以及燃料电池工作期间的电流和电压数据；
以规定时间间隔收集测量的所述数据，并通过收集的所述数据的学习和分析生成用于预测和控制燃料电池的性能的模型；
将生成的所述模型的预测值与实时测量的所述数据进行比较，并诊断所述燃料电池堆的状态；以及
根据诊断的所述状态产生用于改变所述燃料电池堆的工作条件的控制信号；以及
根据产生的所述控制信号改变所述燃料电池堆的所述工作条件，
其中，用于预测和控制所述性能的所述模型的所述生成包括通过利用使用机器学习算法的机器学习以及使用时序趋势分析的时序分析来学习和分析以所述规定时间间隔收集的所述数据；以及生成用于预测和控制所述燃料电池的性能的模型，
所述燃料电池堆的所述状态的所述诊断包括：将生成的所述模型的预测值与测量的所述数据进行比较；将所述燃料电池堆的性能随时间的变化区分为第一状态和第二状态；以及诊断性能变化状态；并且
所述第一状态是临时且短期的性能退化状态，所述第二状态是长期且不可逆的性能退化状态。
5.根据权利要求4所述的方法，还包括：
将作为生成的所述模型的预测值与实时测量的测量值之间的差的变动反馈给生成的预测模型并校正生成的所述预测模型；以及
通过使用校正的所述预测模型将所述燃料电池堆的性能随时间的所述变化区分为所述第一状态和所述第二状态，并诊断所述性能变化状态，并且
其中，所述第一状态是临时且短期的性能退化状态，所述第二状态是长期且不可逆的性能退化状态。
6.一种计算机可读的记录介质，用于实施根据权利要求4至5中任一项所述的方法的程序被记录在所述计算机可读的记录介质中。
CN201780059408.8A 2016-09-26 2017-09-14 人工智能燃料电池系统 Active CN109792063B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020160123125A KR102042077B1 (ko) 2016-09-26 2016-09-26 인공지능형 연료전지 시스템
KR10-2016-0123125 2016-09-26
PCT/KR2017/010088 WO2018056639A2 (ko) 2016-09-26 2017-09-14 인공지능형 연료전지 시스템

Publications (2)

Publication Number Publication Date
CN109792063A CN109792063A (zh) 2019-05-21
CN109792063B true CN109792063B (zh) 2022-03-22

Family

ID=61690525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780059408.8A Active CN109792063B (zh) 2016-09-26 2017-09-14 人工智能燃料电池系统

Country Status (6)

Country Link
US (1) US10901038B2 (zh)
EP (1) EP3486987B1 (zh)
JP (1) JP6907300B2 (zh)
KR (1) KR102042077B1 (zh)
CN (1) CN109792063B (zh)
WO (1) WO2018056639A2 (zh)

Families Citing this family (64)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11508980B2 (en) * 2017-01-06 2022-11-22 Cummins Enterprise Llc Systems and methods for distributed fault management in fuel cell systems
EP3514737A1 (en) * 2018-01-19 2019-07-24 Siemens Aktiengesellschaft System and method for detecting and forecasting the behavior of a system
CN108710099B (zh) * 2018-05-24 2021-08-31 广东电网有限责任公司广州供电局 电容式电压互感器监测告警方法和系统
CN108960428A (zh) * 2018-06-22 2018-12-07 北京易华录信息技术股份有限公司 一种基于人工智能技术的路网运行知识库构建方法
AT522011A3 (de) * 2018-12-20 2021-03-15 Avl List Gmbh Betriebsvorrichtung, Brennstoffzellensystem, Kraftfahrzeug und Verfahren zum Betreiben eines Brennstoffzellensystems
CN109978252B (zh) * 2019-03-22 2023-08-15 广东云韬氢能科技有限公司 一种大功率集成燃料电池系统运行状态预测评估方法
US11029294B2 (en) 2019-04-05 2021-06-08 Honeywell International Inc. Method and apparatus for measuring humidity using an electrochemical gas sensor
US11507861B2 (en) * 2019-05-06 2022-11-22 Sweetsense, Inc. Machine learning techniques for improved water conservation and management
KR102046536B1 (ko) * 2019-08-01 2019-11-19 서울대학교산학협력단 연료전지 열관리 시스템의 고장 진단 방법
CN112751063B (zh) * 2019-10-31 2022-07-22 长城汽车股份有限公司 燃料电池的控制方法与装置、电池管理系统和车辆
CN110828866B (zh) * 2019-11-15 2023-01-31 上海电气集团股份有限公司 车载燃料电池的冷却循环系统及其控制方法
KR102216850B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 인공지능 기반의 연료 전지 관리 시스템
KR102216851B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 Mbop를 제어하는 연료 전지 시스템
KR102152219B1 (ko) * 2019-12-05 2020-09-04 (주)프라즈마 사이언스 운전중 출력전류 지령치에 작은 전류 사인파를 혼합하여 이에 따른 출력전압 변동을 이용한 자가 진단에 따라 운전 모드를 제어하는 연료 전지 시스템
KR102219860B1 (ko) * 2019-12-05 2021-02-24 (주)프라즈마 사이언스 자가 진단 모드를 구현하는 연료전지 시스템
KR102216849B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 연료 전지를 효율적으로 운용하는 제어 시스템
KR102152020B1 (ko) * 2019-12-05 2020-09-10 (주)프라즈마 사이언스 전류 차단에 기반한 자가 진단에 따라 운전 모드를 제어하는 연료 전지 시스템
JP7314822B2 (ja) 2020-02-06 2023-07-26 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
US11394774B2 (en) * 2020-02-10 2022-07-19 Subash Sundaresan System and method of certification for incremental training of machine learning models at edge devices in a peer to peer network
DE102020202878A1 (de) 2020-03-06 2021-09-09 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zu einer Betriebsüberwachung zumindest einer Brennstoffzellenvorrichtung und Brennstoffzellenvorrichtung
JP7293156B2 (ja) * 2020-03-13 2023-06-19 株式会社東芝 情報処理装置、情報処理方法およびプログラム
JP2021158017A (ja) * 2020-03-27 2021-10-07 東京瓦斯株式会社 燃料電池コージェネレーションシステムの制御装置
KR102191146B1 (ko) * 2020-04-14 2020-12-15 (주)프라즈마 사이언스 직/병렬 dc-dc 컨버터 장치 및 연료전지 시스템
JP7441121B2 (ja) * 2020-06-05 2024-02-29 本田技研工業株式会社 電力調整システム、電力調整方法、及びプログラム
US20210383200A1 (en) 2020-06-05 2021-12-09 PassiveLogic, Inc. Neural Network Methods for Defining System Topology
CN114094150B (zh) * 2020-06-29 2023-11-17 中国科学院大连化学物理研究所 一种基于机器学习的液流电池电堆最优操作条件预测方法
DE102020208502A1 (de) * 2020-07-07 2022-01-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betrieb eines Brennstoffzellensystems
KR102169040B1 (ko) * 2020-07-14 2020-10-22 지엘홀딩스 주식회사 인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법
CN111816897A (zh) * 2020-07-22 2020-10-23 上海骥翀氢能科技有限公司 一种燃料电池电堆性能检测方法
DE102020210082B4 (de) 2020-08-10 2024-03-28 Robert Bosch Gesellschaft mit beschränkter Haftung Vorrichtung und computerimplementiertes Verfahren zum Betreiben eines Brennstoffzellensystems
DE102020210081A1 (de) 2020-08-10 2022-02-10 Robert Bosch Gesellschaft mit beschränkter Haftung Vorrichtung und computerimplementiertes Verfahren zum Betreiben eines Brennstoffzellensystems
US20220057451A1 (en) * 2020-08-21 2022-02-24 Carnegie Mellon University System and method for estimation of battery state and health
KR102190845B1 (ko) * 2020-08-21 2020-12-14 주식회사 아이씨티솔루션스 Ai기반 건물 전력부하 예측을 통한 연료전지 발전시스템 운전제어방법
KR102216853B1 (ko) * 2020-08-31 2021-02-18 (주)프라즈마 사이언스 플랜트의 운전 방식을 설정하는 연료 전지 시스템
KR102219863B1 (ko) * 2020-08-31 2021-02-24 (주)프라즈마 사이언스 이더넷 망을 이용하는 연료 전지 시스템
KR102216852B1 (ko) * 2020-08-31 2021-02-18 (주)프라즈마 사이언스 인공지능 기반의 연료 전지 시스템
KR102219866B1 (ko) * 2020-08-31 2021-02-24 (주)프라즈마 사이언스 출력전압에 기반하여 자가 진단을 수행하는 연료전지 시스템
JP7404196B2 (ja) 2020-09-07 2023-12-25 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7404197B2 (ja) 2020-09-07 2023-12-25 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7389727B2 (ja) 2020-09-07 2023-11-30 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
DE102020124076A1 (de) 2020-09-16 2022-03-17 Audi Aktiengesellschaft Temperatursteuervorrichtung mit Sensorplausibilisierung
CN112363060B (zh) * 2020-11-11 2024-05-03 集美大学 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN112615030B (zh) * 2020-12-10 2022-04-01 全球能源互联网研究院有限公司 一种固定式发电用燃料电池机组控制系统及控制方法
JP7472773B2 (ja) 2020-12-18 2024-04-23 トヨタ自動車株式会社 燃料電池の出力電圧予測システムおよび予測方法
AT524724A1 (de) * 2021-02-08 2022-08-15 Avl List Gmbh Testverfahren für ein virtuelles Testen einer Brennstoffzelle
CN113002367B (zh) * 2021-02-22 2023-03-21 深兰科技（上海）有限公司 车载燃料电池系统的控制方法及相关装置
CN113064013A (zh) * 2021-03-31 2021-07-02 广东电网有限责任公司 一种避雷器状态监测方法、装置及系统
DE102021203576A1 (de) 2021-04-12 2022-10-13 Robert Bosch Gesellschaft mit beschränkter Haftung Kombinationsvorrichtung und Verfahren zum Betrieb einer Kombinationsvorrichtung
CN112993345B (zh) * 2021-04-21 2022-05-03 北京氢澜科技有限公司 基于人工智能的燃料电池控制系统及控制方法
DE102021120586A1 (de) * 2021-08-09 2023-02-09 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur Detektion einer beeinträchtigten Brennstoffzelle
KR20230057894A (ko) * 2021-10-22 2023-05-02 주식회사 엘지에너지솔루션 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
CN114267844B (zh) * 2021-11-09 2024-02-27 深圳市氢瑞燃料电池科技有限公司 一种燃料电池极板生产的系统与方法
DE102021212618A1 (de) * 2021-11-09 2023-05-11 Rolls-Royce Solutions GmbH Verfahren zur Diagnose eines Brennstoffzellensystems, Systemsteuervorrichtung zur Durchführung eines solchen Verfahrens und Brennstoffzellensystem mit einer solchen Systemsteuervorrichtung
DE102021214924A1 (de) 2021-12-22 2023-06-22 Robert Bosch Gesellschaft mit beschränkter Haftung Diagnoseverfahren und Diagnosesystem zur Diagnose einer fehlerhaften Brennstoffzelle
WO2023126704A1 (ja) * 2021-12-28 2023-07-06 ロベルト·ボッシュ·ゲゼルシャフト·ミト•ベシュレンクテル·ハフツング データ処理装置、データ収集システム及び方法
EP4227141A1 (en) * 2022-02-09 2023-08-16 Volvo Truck Corporation A method for determining ageing of a fuel cell system
WO2023159364A1 (zh) * 2022-02-22 2023-08-31 苏州潜寻新能源科技有限公司 一种固体氧化物燃料电池系统的智能控制方法
DE102022106806B4 (de) 2022-03-23 2023-11-23 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren, System und Computerprogrammprodukt für das Thermomanagement bei einer Traktionsbatterie
DE102022203504A1 (de) * 2022-04-07 2023-10-12 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Überwachung eines Brennstoffzellensystems und ein Brennstoffzellensystem
DE102022206797A1 (de) * 2022-07-04 2024-01-04 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Ermittlung zumindest einer Zellenkenngröße eines Zellensystems, ein Zellensystem und ein Computerprogramm
KR102575043B1 (ko) * 2023-02-07 2023-09-07 주식회사 시너지 고효율 연료전지 시스템 및 그 제어 방법
KR102568359B1 (ko) * 2023-02-07 2023-08-21 주식회사 시너지 연료전지 출력제어 시스템 및 방법
CN116111147B (zh) * 2023-04-13 2023-06-30 北京新研创能科技有限公司 一种用于氢燃料电池的温度管理方法及系统
CN117517993B (zh) * 2023-11-02 2024-05-17 安徽智途科技有限公司 基于电芯性能评估的车辆电池能量智能管理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007123007A (ja) * 2005-10-27 2007-05-17 Hitachi Ltd 燃料電池システムの診断方法および診断装置
JP2009021194A (ja) * 2007-07-13 2009-01-29 Toyota Motor Corp 燃料電池システム
CN201374016Y (zh) * 2009-03-24 2009-12-30 昆明理工大学 质子交换膜燃料电池的智能综合优化监测与控制器

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2516274B2 (ja) * 1990-07-27 1996-07-24 株式会社日立製作所 燃料電池発電プラント
US6591199B2 (en) * 2000-04-11 2003-07-08 Recherche 2000 Inc. Method and system for acquisition, monitoring, display and diagnosis of operational parameters of electrolyzers
US7457785B1 (en) * 2000-08-25 2008-11-25 Battelle Memorial Institute Method and apparatus to predict the remaining service life of an operating system
JP2004165058A (ja) * 2002-11-14 2004-06-10 Nissan Motor Co Ltd 燃料電池システムの制御装置
JP4352688B2 (ja) * 2002-11-27 2009-10-28 トヨタ自動車株式会社 燃料電池の診断装置および診断方法
CN100468239C (zh) * 2004-04-05 2009-03-11 上海神力科技有限公司 可对燃料电池发电系统运行进行监测与控制的计算机系统
US7558655B2 (en) * 2004-09-10 2009-07-07 Ford Global Technologies, Llc Prognostic method and system for hybrid and electric vehicle components
JP5135665B2 (ja) * 2005-01-19 2013-02-06 日産自動車株式会社 燃料電池システム
HUE039443T2 (hu) * 2005-06-16 2018-12-28 Rech 2000 Inc Eljárás és összeállítás elektrolizáló egység görbeillesztéses elemzés alapján történõ diagnosztizálására és hatékonyság optimalizálására
JP5305119B2 (ja) * 2006-05-09 2013-10-02 横河電機株式会社 燃料電池発電監視システム
US7951496B2 (en) * 2006-12-20 2011-05-31 Bloom Energy Corporation Model based real-time optimization of fuel cell clusters
JP2008305647A (ja) * 2007-06-06 2008-12-18 Toshiba Fuel Cell Power Systems Corp 燃料電池発電システム
JP2009081117A (ja) * 2007-09-27 2009-04-16 Nissan Motor Co Ltd 電流密度分布センサ及びその製造方法並びに燃料電池システム
US8577822B2 (en) * 2008-09-25 2013-11-05 University Of Iowa Research Foundation Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors
JP2012074229A (ja) * 2010-09-28 2012-04-12 Toyota Motor Corp 燃料電池システム、燃料電池セルの劣化判定方法、および、燃料電池システムの制御方法
DE102013213982A1 (de) * 2013-07-17 2015-03-12 Bayer Materialscience Ag Verfahren und System zur Überwachung der Funktionsfähigkeit von Elektrolysezellen
KR101601443B1 (ko) * 2014-07-02 2016-03-22 현대자동차주식회사 연료전지 시스템의 운전 제어 방법
KR101592720B1 (ko) * 2014-07-02 2016-02-19 현대자동차주식회사 연료전지 시스템의 운전 제어 방법
US11239481B2 (en) * 2014-10-17 2022-02-01 Stiftelsen Sintef Control of an electrochemical device with integrated diagnostics, prognostics and lifetime management

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007123007A (ja) * 2005-10-27 2007-05-17 Hitachi Ltd 燃料電池システムの診断方法および診断装置
JP2009021194A (ja) * 2007-07-13 2009-01-29 Toyota Motor Corp 燃料電池システム
CN201374016Y (zh) * 2009-03-24 2009-12-30 昆明理工大学 质子交换膜燃料电池的智能综合优化监测与控制器

Also Published As

Publication number Publication date
US20190018067A1 (en) 2019-01-17
EP3486987A2 (en) 2019-05-22
JP6907300B2 (ja) 2021-07-21
WO2018056639A2 (ko) 2018-03-29
EP3486987A4 (en) 2019-08-14
JP2019521491A (ja) 2019-07-25
KR102042077B1 (ko) 2019-11-07
CN109792063A (zh) 2019-05-21
EP3486987B1 (en) 2021-06-30
KR20180033766A (ko) 2018-04-04
WO2018056639A3 (ko) 2018-05-11
US10901038B2 (en) 2021-01-26

Similar Documents

Publication Publication Date Title
CN109792063B (zh) 人工智能燃料电池系统
Li et al. Adaptive prognostic of fuel cells by implementing ensemble echo state networks in time-varying model space
Lin et al. Review on hydrogen fuel cell condition monitoring and prediction methods
Ming et al. A systematic review of machine learning methods applied to fuel cells in performance evaluation, durability prediction, and application monitoring
Costamagna et al. Data-driven techniques for fault diagnosis in power generation plants based on solid oxide fuel cells
EP1408384B1 (en) An arrangement for controlling operation of a physical system, like for instance fuel cells in electric vehicles
Yue et al. Degradation identification and prognostics of proton exchange membrane fuel cell under dynamic load
Gallo et al. Coupling electrochemical impedance spectroscopy and model-based aging estimation for solid oxide fuel cell stacks lifetime prediction
CN110112442B (zh) 一种燃料电池系统控制方法及装置
Xu et al. Mechanism model-based and data-driven approach for the diagnosis of solid oxide fuel cell stack leakage
Andújar et al. Comprehensive diagnosis methodology for faults detection and identification, and performance improvement of Air-Cooled Polymer Electrolyte Fuel Cells
WO2013083872A1 (en) Method and arrangement for indicating solid oxide cell operating conditions
Schäfer et al. Control of oxygen-to-carbon ratio and fuel utilization with regard to solid oxide fuel cell systems with anode exhaust gas recirculation: A review
KR101315764B1 (ko) 연료전지용 수소 공급 시스템의 고장 진단 방법
Peng et al. Generalized spatial–temporal fault location method for solid oxide fuel cells using LSTM and causal inference
Kim et al. Pre-diagnosis of flooding and drying in proton exchange membrane fuel cells by bagging ensemble deep learning models using long short-term memory and convolutional neural networks
Chi et al. Online identification of a link function degradation model for solid oxide fuel cells under varying-load operation
CN113359037A (zh) 基于bp神经网络的燃料电池故障诊断方法
Dolenc et al. Online estimation of internal stack temperatures in solid oxide fuel cell power generating units
Dolenc et al. Hybrid approach to remaining useful life prediction of solid oxide fuel cell stack
Nitsche et al. Onboard diagnostics concept for fuel cell vehicles using adaptive modelling
Senkel et al. Experimental validation of a sensitivity-based observer for solid oxide fuel cell systems
Song et al. Data-driven health state estimation and remaining useful life prediction of fuel cells
Wu et al. Remaining useful life prediction for a multi-stack solid oxide fuel cell system with degradation interactions
Bartlechner et al. State-of-Health observer for PEM fuel cells—A novel approach for real-time online analysis

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