CN109840364A - 燃料电池水含量的估算方法 - Google Patents

Abstract

本发明提供了一种燃料电池水含量的估算方法。所述方法包括：构建阴极两腔模型，并定义状态变量、输入量和输出量；基于阴极两腔模型构建无迹卡尔曼滤波器；根据到的获取燃料电池的平均电流密度、平均电压、阴极空气供给流量、阴极进出口电压差和阴极背压，利用无迹卡尔曼滤波器计算阴极两腔模型的状态变量的估计值；根据状态变量的估计值确定燃料电池的水含量。本发明实施例中，建立阴极两腔模型时考虑沿流道方向的气体浓度和电流密度的差异，更加接近真实工作状态，有利于提高估算精度。并且这种方法仅需要测量电压、阴极进出口电压差、平均电流密度、阴极空气供给流量、阴极背压等参数，降低了系统测量工作量。

Description

燃料电池水含量的估算方法

技术领域

本发明涉及质子交换膜燃料电池技术领域，尤其涉及一种燃料电池水含量的估算方法。

背景技术

质子交换膜燃料电池具有高效率、零排放等优点，是电动汽车理想的动力源。质子交换膜燃料电池工作过程中，内部水含量对于性能和耐久性均有较大的影响。内部水含量过低时，质子交换膜的质子传导率下降，由质子传输导致的电压降增大，则系统的输出电压下降，效率变低。内部水含量过低还可能影响燃料电池内部质子交换膜、催化剂层和气体扩散层等各层之间的接触，导致耐久性降低问题。内部水含量过高时，则会出现“水淹”现象，即燃料电池内部出现液态水，阻碍了反应气体的传输导致缺气，电池性能下降。可见，水含量过高和过低都会影响燃料电池的性能，因此水管理成为了燃料电池研究中的一个关键问题。

质子交换膜燃料电池的水管理问题中，水含量的估计是关键问题。由于燃料电池结构精细，内部结构均为几十到几百微米厚的薄层，在实验室当中可以采用中子成像、透明燃料电池等方法测量内部水含量，但难以实现精确地定量测量，并且无法应用时实际系统当中。实际应用中难以直接测量内部水含量，只能通过其他测量对水含量进行间接估计。

现有的燃料电池水含量在线估计方法中，基于气体压力降的方法仅适用于估计有液态水的比较湿的情况，且需要针对特定燃料电池进行工作量较大的实验标定。已有的基于交流阻抗的水含量估计方法并没有考虑除膜电极以外阻抗的影响，仅能定性表示水含量高低。采用实验标定的方法确定水含量，则需要工作量较大的实验标定。基于模型的估计方法中，由于没有考虑沿流道方向气体浓度、电流密度的差异，则会造成估计误差较大。

发明内容

基于此，有必要针对水含量估算过程中工作量大以及估算精度低的问题，提供一种燃料电池水含量的估算方法。

本发明提供了一种燃料电池水含量的估算方法，包括：

构建阴极两腔模型，并定义所述阴极两腔模型的状态变量、估算系统的输入量和估算系统的输出量，其中所述阴极两腔模型包括阴极进口腔和阴极出口腔，所述状态变量包括阴极进口腔压力、阴极进口腔氧气分压、阴极出口腔压力、阴极出口腔氧气分压、进出口两腔电流密度差异和阴极水含量，所述输入量包括平均电流密度、阴极空气供给流量和阴极背压，所述输出量包括平均电压和阴极进出口电压差；

基于所述阴极两腔模型构建无迹卡尔曼滤波器；

获取所述燃料电池的所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压；

根据所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压，利用所述无迹卡尔曼滤波器计算所述阴极两腔模型的状态变量的估计值；

根据所述状态变量的估计值确定所述燃料电池的水含量。

在其中一个实施例中，所述状态变量为：

其中，所述p_ca,in为所述阴极进口腔压力，所述为所述阴极进口腔氧气分压，所述p_ca,out为所述阴极出口腔压力，所述为所述阴极出口腔氧气分压，所述s_c和Δi为未知扰动。

在其中一个实施例中，所述输入量为：

其中，所述为所述平均电流密度，所述W_air为所述阴极空气供给流量，所述p_rm为所述阴极背压；

所述输出量为：

[y₁y₂]^T＝[ΔV_fc V_fc]^T

其中，所述ΔV_fc为所述阴极进出口电压差，所述V_fc为所述平均电压。所述阴极两腔模型的状态空间描述为：

其中，所述所述R为理想气体常数，所述T_fc为燃料电池温度，所述V_ca为阴极容腔体积，所述K_ca为阴极进出口容腔的流动阻力系数，所述所述A_fc为单片面积，所述N_st为单片数量，所述F为法拉第常数，所述P_sat为饱和蒸气压；

所述输出量为：

其中，L_gdl为气体扩散层厚度，为气体扩散层氧气等效扩散系数，为氧气对流传质系数，v₁为第一测量误差，s_stop为停止反应的液态水饱和度，α_c为电化学反应阴极传递系数，为参考氧气分压，a为活性比表面积，为参考交换电流密度，R_dc燃料电池直流电阻值，v₂第二测量误差。

在其中一个实施例中，所述利用所述无迹卡尔曼滤波器计算所述阴极两腔模型的状态变量的估计值，包括：

根据估算出的上一时刻的状态变量，计算所述无迹卡尔曼滤波器的Sigma点的状态量；

根据上一时刻的输入量，对所述Sigma点的状态量进行更新，并根据更新后的Sigma点的状态量计算得到所述状态变量的计算值；

利用更新后的Sigma点的状态量以及所述获取的所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压，对所述输出量进行更新，得到更新后的输出量以及所述输出量的计算值；

根据所述状态变量的计算值、所述更新后的输出量以及所述输出量的计算值计算反馈增益更新值；

利用所述反馈增益更新致对所述状态变量的计算值进行修正，得到所述阴极两腔模型的状态变量估计值。

在其中一个实施例中，所述根据所述状态变量的计算值、所述更新后的输出量以及所述输出量的计算值计算反馈增益更新值，包括：

根据所述更新后的输出量以及所述输出量的计算值确定所述输出量之间的协方差；

根据所述更新后的Sigma点的状态量、所述状态变量的计算值、所述更新后的输出量以及所述输出量的计算值，计算所述状态变量与所述输出量之间的协方差；

根据所述输出量之间的协方差以及所述状态变量与所述输出量之间的协方差计算所述反馈增益更新值。

在其中一个实施例中，所述Sigma点为：

其中，χ为所述Sigma点的状态量，所述L为所述状态量个数，λ为调节系数。

在其中一个实施例中，所述更新后的Sigma点为：

χ₅(T+ΔT)＝LE(1)[χ(T),χ_1,2,3,4(T+ΔT)]

χ₆(T+ΔT)＝LE(2)[χ(T),χ_1,2,3,4(T+ΔT)]

LE(1)表示根据已知变量χ(T),χ_1,2,3,4(T+ΔT)求解下面的方程：

LE(2)表示根据已知变量χ(T),χ_1，2,3,4(T+ΔT)求解下面的方程：

由所述更新后的Sigma点计算得到状态变量的为：

其中，所述状态变量的计算值，所述为Sigma点状态量之间的协方差。

所述更新后的输出量为：

所述输出量的计算值为：

在其中一个实施例中，所述反馈增益更新值为：

其中，所述κ为所述反馈增益更新值，所述P_yy为所述输出量之间的协方差，所述P_xy为所述状态变量与所述输出量之间的协方差。

在其中一个实施例中，所述状态变量的估计值为：

在其中一个实施例中，在所述根据所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压，对所述无迹卡尔曼滤波器的Sigma点进行状态更新之前，所述方法还包括：

输入所述状态变量的初始值，对所述无迹卡尔曼滤波器进行初始化；

构建所述无迹卡尔曼滤波器的Sigma点，所述Sigma点为所述状态变量的函数。

在其中一个实施例中，所述方法还包括：

根据所述状态变量的估计值确定所述燃料电池的进出口两腔电流密度差异。

综上，本发明实施例提供了一种燃料电池水含量的估算方法，所述方法包括：构建阴极两腔模型，并定义所述阴极两腔模型的状态变量、估算系统的输入量和估算系统的输出量，其中所述阴极两腔模型包括阴极进口腔和阴极出口腔，所述状态变量包括阴极进口腔压力、阴极进口腔氧气分压、阴极出口腔压力、阴极出口腔氧气分压、进出口两腔电流密度差异和阴极水含量，所述输入量包括平均电流密度、阴极空气供给流量和阴极背压，所述输出量包括平均电压和阴极进出口电压差；基于所述阴极两腔模型构建无迹卡尔曼滤波器；获取所述燃料电池的所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压；根据所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压，利用所述无迹卡尔曼滤波器计算所述阴极两腔模型的状态变量的估计值；根据所述状态变量的估计值确定所述燃料电池的水含量。本发明实施例中，建立所述阴极两腔模型时考虑沿流道方向的气体浓度和电流密度的差异，更加接近真实工作状态，有利于提高估算精度。并且这种方法仅需要测量电压、阴极进出口电压差、平均电流密度、阴极空气供给流量、阴极背压等参数，降低了系统测量工作量。此外，使用无迹卡尔曼滤波的方法进行状态估计，可以实现实时估计，并实现较好的动态估计效果。

附图说明

图1为本发明实施例提供的一种燃料电池水含量的估算方法的流程示意图；

图2为本发明实施例提供的一种阴极两腔模型的结构示意图；

图3为本发明实施例提供的基于无迹卡尔曼滤波器的阴极液态水饱和度在线估计结果示的意图；

图4为本发明实施例提供的基于无迹卡尔曼滤波器的进出口电流密度差异在线估计结果示的意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

本发明提供了一种燃料电池水含量的估算方法。请参见图1，所述燃料电池水含量的估算方法包括：

步骤S110，构建阴极两腔模型，并定义所述阴极两腔模型的状态变量、估算系统的输入量和估算系统的输出量，其中所述阴极两腔模型包括阴极进口腔和阴极出口腔，所述状态变量包括阴极进口腔压力、阴极进口腔氧气分压、阴极出口腔压力、阴极出口腔氧气分压、进出口两腔电流密度差异和阴极水含量，所述输入量包括平均电流密度、阴极空气供给流量和阴极背压，所述输出量包括平均电压和阴极进出口电压差；

步骤S120，基于所述阴极两腔模型构建无迹卡尔曼滤波器；

步骤S130，获取所述燃料电池的所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压；

步骤S140，根据所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压，利用所述无迹卡尔曼滤波器计算所述阴极两腔模型的状态变量的估计值；

步骤S150，根据所述状态变量的估计值确定所述燃料电池的水含量。

基于模型的水含量估计方法的估计精度和效率取决于燃料电池模型和估计算法，通常用于状态估计和控制的燃料电池模型为集总参数模型，即把阴极容腔和阳极容腔分别视为均一的腔体。集总参数模型忽略了沿流道方向电流密度、气体组分等的差异，该差异在常见的商用大面积长流道单片上比较明显，会造成估计误差较大。

考虑到阴极容腔内沿流道方向电流密度、气体组分等的差异，本发明首先构建出所述阴极两腔模型，请参考图2。所述阴极两腔模型中，W_air表示空气进气流量，W_rm表示空气排气流量，表示进口腔氧气浓度，表示出口腔氧气浓度，W₁₂表示从进口腔到出口腔的气体流量，表示平均电流密度，i_in表示进口腔平均电流密度，i_out表示出口腔平均电流密度。基于所述阴极两腔模型，估算过程中需要进行测量的物理量为燃料电池的平均电流密度、阴极空气供给流量、阴极背压、阴极进出口电压差以及平均电压。以平均电流密度、阴极空气供给流量和阴极背压作为输出量，以平均电压和阴极进出口电压差作为输出量，描述燃料电池内部状态的动态变化，内部状态包括阴极进口腔压力、阴极进口腔氧气分压、阴极出口腔压力、阴极出口腔氧气分压、进出口两腔电流密度差异和阴极水含量。

然后基于所述阴极两腔模型构建无迹卡尔曼滤波器，所述无迹卡尔曼滤波器的并定义所述无迹卡尔曼滤波器的输入量和输出量，其中，所述输入量为平均电流密度、阴极空气供给流量和阴极背压的函数，所述输出量为平均电压和阴极进出口电压差的函数。本实施例中，以上述阴极两腔为基础，利用无迹卡尔曼滤波进行状态观测，从而实现水含量和电流密度差异的在线估计。

在实际估算过程中，可以在所述燃料电池的阴极进口处设置风速传感器，通过所述风速传感器获取所述阴极空气供给流量。可通过在所述阴极出口处设置压力传感器，以获取所述阴极背压。可利用电压表测量所述燃料电池的进口处的电压和出口处的电压，根据进口处的电压和出口处的电压计算所述进出口电压差。可利用电压表测量所述燃料电池的输出电压，将所述输出电压作为所述平均电压。再者，可利用电流表测量所述燃料电池的输出电流，然后根据测得的输出电流以及单片的数量和单片的面积计算所述平均电流密度。需指出的，还可以通过其他方式获取上述所需要测量的物理量，并不局限与使用本实施例所列举的方式。

在一些实施例中，所述状态变量为：

其中，所述p_ca,in为所述阴极进口腔压力，所述为所述阴极进口腔氧气分压，所述p_ca,out为所述阴极出口腔压力，所述为所述阴极出口腔氧气分压，所述s_c和所述Δi为未知扰动。

本实施例中，所述s_c和所述Δi作为待观测量可认为是未知扰动，因此对时间的到时可作为过程噪音处理。

在其中一个实施例中，所述输入量为：

其中，所述为所述平均电流密度，所述W_air为所述阴极空气供给流量，所述p_rm为所述阴极背压；

所述输出量为：

[y₁y₂]^T＝[ΔV_fc V_fc]^T

其中，所述ΔV_fc为所述阴极进出口电压差，所述V_fc为所述平均电压。

在其中一个实施例中，面向状态估计的燃料电池阴极两腔模型的状态空间描述为：

其中，所述所述R为理想气体常数，所述T_fc为燃料电池温度，所述V_ca为阴极容腔体积，所述K_ca为阴极进出口容腔的流动阻力系数，所述所述A_fc为单片面积，所述N_st为单片数量，所述F为法拉第常数，所述P_sat为饱和蒸气压。

所述输出量为：

其中，L_gdl为气体扩散层厚度，为气体扩散层氧气等效扩散系数，为氧气对流传质系数，v₁为第一测量误差，s_stop为停止反应的液态水饱和度，α_c为电化学反应阴极传递系数，为参考氧气分压，a为活性比表面积，为参考交换电流密度，R_dc为燃料电池直流电阻值，v₂为第二测量误差。

本实施基于上述各状态空间描述方程和输出量的描述方程，设计无迹卡尔曼滤波器，估算燃料电池内部的水含量和进出口两腔电流密度差异，即估算燃料电池的内部状态x₅和x₆。

在其中一个实施例中，所述利用所述无迹卡尔曼滤波器计算所述阴极两腔模型的状态变量的估计值，包括：

根据估算出的上一时刻的状态变量，计算所述无迹卡尔曼滤波器的Sigma点的状态量；

根据上一时刻的输入量，对所述Sigma点的状态量进行更新，并根据更新后的Sigma点的状态量计算得到所述状态变量的计算值；

利用更新后的Sigma点的状态量以及所述获取的所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压，对所述输出量进行更新，得到更新后的输出量以及所述输出量的计算值；

根据所述状态变量的计算值、所述更新后的输出量以及所述输出量的计算值计算反馈增益更新值；

利用所述反馈增益更新致对所述状态变量的计算值进行修正，得到所述阴极两腔模型的状态变量估计值。

在其中一个实施例中，所述根据所述状态变量的计算值、所述更新后的输出量以及所述输出量的计算值计算反馈增益更新值，包括：

根据所述更新后的输出量以及所述输出量的计算值确定所述输出量之间的协方差；

根据所述更新后的Sigma点的状态量、所述状态变量的计算值、所述更新后的输出量以及所述输出量的计算值，计算所述状态变量与所述输出量之间的协方差；

根据所述输出量之间的协方差以及所述状态变量与所述输出量之间的协方差计算所述反馈增益更新值。

在其中一个实施例中，在所述根据所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压，对所述无迹卡尔曼滤波器的Sigma点进行状态更新之前，所述方法还包括：

输入所述状态变量的初始值，对所述无迹卡尔曼滤波器进行初始化；

构建所述无迹卡尔曼滤波器的Sigma点，所述Sigma点为所述状态变量的函数。

本实施例中，利用无迹卡尔曼滤波方法估算液态水含量和进出口电流密度差异状态的过程包括：

1、算法初始化

其中，所述p_ca,in,0、p_ca,out,0、Δi₀和s_c,0为所述燃料电池内部状态变量的初始值，所述初始值一般取经验值，或者是估计值，由工作人员自行设定。所述初始值越靠近状态变量的实际值，所述计算过程收敛速度越快。

2、构建Sigma点

所述Sigma点为：

其中，χ为所述Sigma点的状态量，所述L为所述状态量个数，λ为调节系数。

3、系统状态更新

首先对所述Sigma点进行状态更新，更新后的Sigma点为：

χ₅(T+ΔT)＝LE(1)[χ(T),χ_1,2,3,4(T+ΔT)]

χ₆(T+ΔT)＝LE(2)[χ(T),χ_1,2,3,4(T+ΔT)]

其中，χ₁(T+ΔT)表示T+ΔT时刻的值，χ₁(T)表示T时刻的值。

然后，将更新后的Sigma点换算成系统状态：

其中，所述状态变量的计算值，所述为Sigma点状态量的协方差。

4、系统输出量更新

所述更新后的输出量为：

所述输出量的计算值为：

5、反馈增益更新

所述反馈增益更新值为：

其中，

所述κ为所述反馈增益更新值，所述P_yy为所述输出量之间的协方差，所述P_xy为所述状态变量与所述输出量之间的协方差。

6、根据反馈增益对估计状态修正

根据反馈增益对所述状态变量的计算值和Sigma点状态量的协方差进行修正，修正后得到：

其中，所述x(T+ΔT)为所述状态变量的估计值。

在其中一个实施例中，所述燃料电池水含量的估算方法还包括：

根据所述状态变量的估计值确定所述燃料电池的进出口两腔电流密度差异。

上述基于无迹卡尔曼滤波方法得到的液态水含量和进出口电流密度差异的估算结果分别如图3和图4所示。从图3和图4中可以看出，本发明提供的燃料电池水含量的估算方法能够很好的解决阴极液态水含量和进出口电流密度差异的复杂状态估算问题，得到的估计结果也与离线计算的数值解结果一致。

综上，本发明提供了一种燃料电池水含量的估算方法，所述方法包括：构建阴极两腔模型，并定义所述阴极两腔模型的状态变量、估算系统的输入量和估算系统的输出量，其中所述阴极两腔模型包括阴极进口腔和阴极出口腔，所述状态变量包括阴极进口腔压力、阴极进口腔氧气分压、阴极出口腔压力、阴极出口腔氧气分压、进出口两腔电流密度差异和阴极水含量，所述输入量包括平均电流密度、阴极空气供给流量和阴极背压，所述输出量包括平均电压和阴极进出口电压差；基于所述阴极两腔模型构建无迹卡尔曼滤波器；获取所述燃料电池的所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压；根据所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压，利用所述无迹卡尔曼滤波器计算所述阴极两腔模型的状态变量的估计值；根据所述状态变量的估计值确定所述燃料电池的水含量。本发明实施例中，建立所述阴极两腔模型时考虑沿流道方向的气体浓度和电流密度的差异，更加接近真实工作状态，有利于提高估算精度。并且这种方法仅需要测量电压、阴极进出口电压差、平均电流密度、阴极空气供给流量、阴极背压等参数，降低了系统测量工作量。此外，使用无迹卡尔曼滤波的方法进行状态估计，可以实现实时估计，并实现较好的动态估计效果。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种燃料电池水含量的估算方法，其特征在于，包括：

构建阴极两腔模型，并定义所述阴极两腔模型的状态变量、估算系统的输入量和估算系统的输出量，其中所述阴极两腔模型包括阴极进口腔和阴极出口腔，所述状态变量包括阴极进口腔压力、阴极进口腔氧气分压、阴极出口腔压力、阴极出口腔氧气分压、进出口两腔电流密度差异和阴极水含量，所述输入量包括平均电流密度、阴极空气供给流量和阴极背压，所述输出量包括平均电压和阴极进出口电压差；

基于所述阴极两腔模型构建无迹卡尔曼滤波器；

获取所述燃料电池的所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压；

根据所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压，利用所述无迹卡尔曼滤波器计算所述阴极两腔模型的状态变量的估计值；

根据所述状态变量的估计值确定所述燃料电池的水含量。

2.如权利要求1所述的方法，其特征在于，所述状态变量为：

其中，所述p_ca,in为所述阴极进口腔压力，所述为所述阴极进口腔氧气分压，所述p_ca,out为所述阴极出口腔压力，所述为所述阴极出口腔氧气分压，所述s_c和Δi为未知扰动。

3.如权利要求2所述的方法，其特征在于，所述输入量为：

其中，所述为所述平均电流密度，所述W_air为所述阴极空气供给流量，所述p_rm为所述阴极背压；

所述输出量为：

[y₁y₂]^T＝[ΔV_fcV_fc]^T

其中，所述ΔV_fc为所述阴极进出口电压差，所述V_fc为所述平均电压。

4.如权利要求3所述的方法，其特征在于，所述阴极两腔模型的状态空间描述为：

其中，所述所述R为理想气体常数，所述T_fc为燃料电池温度，所述V_ca为阴极容腔体积，所述K_ca为阴极进出口容腔的流动阻力系数，所述所述A_fc为单片面积，所述N_st为单片数量，所述F为法拉第常数，所述P_sat为饱和蒸气压；

所述输出量为：

其中，L_gdl为气体扩散层厚度，为气体扩散层氧气等效扩散系数，为氧气对流传质系数，v₁为第一测量误差，s_stop为停止反应的液态水饱和度，α_c为电化学反应阴极传递系数，为参考氧气分压，a为活性比表面积，为参考交换电流密度，R_dc燃料电池直流电阻值，v₂第二测量误差。

5.如权利要求4所述的方法，其特征在于，所述利用所述无迹卡尔曼滤波器计算所述阴极两腔模型的状态变量的估计值，包括：

根据估算出的上一时刻的状态变量，计算所述无迹卡尔曼滤波器的Sigma点的状态量；

根据上一时刻的输入量，对所述Sigma点的状态量进行更新，并根据更新后的Sigma点的状态量计算得到所述状态变量的计算值；

利用更新后的Sigma点的状态量以及所述获取的所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压，对所述输出量进行更新，得到更新后的输出量以及所述输出量的计算值；

根据所述状态变量的计算值、所述更新后的输出量以及所述输出量的计算值计算反馈增益更新值；

利用所述反馈增益更新致对所述状态变量的计算值进行修正，得到所述阴极两腔模型的状态变量估计值。

6.如权利要求5所述的方法，其特征在于，所述根据所述状态变量的计算值、所述更新后的输出量以及所述输出量的计算值计算反馈增益更新值，包括：

根据所述更新后的输出量以及所述输出量的计算值确定所述输出量之间的协方差；

根据所述更新后的Sigma点的状态量、所述状态变量的计算值、所述更新后的输出量以及所述输出量的计算值，计算所述状态变量与所述输出量之间的协方差；

根据所述输出量之间的协方差以及所述状态变量与所述输出量之间的协方差计算所述反馈增益更新值。

7.如权利要求5所述的方法，其特征在于，所述Sigma点为：

其中，χ为所述Sigma点的状态量，所述L为所述状态量个数，λ为调节系数。

8.如权利要求7所述的方法，其特征在于，所述更新后的Sigma点为：

χ₅(T+ΔT)＝LE(1)[χ(T),χ_1,2,3,4(T+ΔT)]

χ₆(T+ΔT)＝LE(2)[χ(T),χ_1,2,3,4(T+ΔT)]

LE(1)表示根据已知变量χ(T),χ_1,2,3,4(T+ΔT)求解下面的方程：

LE(2)表示根据已知变量χ(T),χ_1,2,3,4(T+ΔT)求解下面的方程：

由所述更新后的Sigma点计算得到的状态变量为：

其中，所述状态变量的计算值，所述为Sigma点状态量的协方差。

所述更新后的输出量为：

所述输出量的计算值为：

9.如权利要求8所述的方法，其特征在于，所述反馈增益更新值为：

其中，所述κ为所述反馈增益更新值，所述P_yy为所述输出量之间的协方差，所述P_xy为所述状态变量与所述输出量之间的协方差。

10.如权利要求9所述的方法，其特征在于，所述状态变量的估计值为：

11.如权利要求5所述的方法，其特征在于，在所述根据所述平均电流密度、所述平均电压、所述阴极空气供给流量、所述阴极进出口电压差和所述阴极背压，对所述无迹卡尔曼滤波器的Sigma点进行状态更新之前，所述方法还包括：

输入所述状态变量的初始值，对所述无迹卡尔曼滤波器进行初始化；

构建所述无迹卡尔曼滤波器的Sigma点，所述Sigma点为所述状态变量的函数。

12.如权利要求1所述的方法，其特征在于，还包括：

根据所述状态变量的估计值确定所述燃料电池的进出口两腔电流密度差异。