CN110112445A - 一种固体氧化物燃料电池系统振荡源定位的方法 - Google Patents
一种固体氧化物燃料电池系统振荡源定位的方法 Download PDFInfo
- Publication number
- CN110112445A CN110112445A CN201910431625.6A CN201910431625A CN110112445A CN 110112445 A CN110112445 A CN 110112445A CN 201910431625 A CN201910431625 A CN 201910431625A CN 110112445 A CN110112445 A CN 110112445A
- Authority
- CN
- China
- Prior art keywords
- oscillation source
- data
- subset
- causality
- oscillation
- 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.)
- Pending
Links
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
- H01M8/04992—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
-
- 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)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Fuel Cell (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
Abstract
本发明公开了一种固体氧化物燃料电池系统振荡源定位的方法,涉及燃料电池技术领域,包括:采集固体氧化物燃料电池系统发生振荡时的n个过程变量对应的n组过程数据;基于主成分分析法,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集;基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系;根据所述因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源;能利用系统运行的时序数据准确的获得系统的振源,而不需要停止系统,进行逐个排除,解决了相关技术中对固体氧化物燃料电池系统振源的定位效率低且影响系统运行的技术问题。
Description
技术领域
本发明涉及燃料电池技术领域,尤其涉及一种固体氧化物燃料电池系统振荡源定位的方法。
背景技术
固体氧化物燃料电池(SOFC),是一种在中高温下直接将储存在燃料和氧化剂中的化学能高效、环境友好地转化成电能的全固态化学发电装置,被誉为21世纪最具有发展前景的发电技术之一。面向商业应用,SOFC集成热箱(含重整器、燃烧室与换热器)与冷箱(含风机、功率变换器与控制系统)等外围部件形成独立发电系统。近年来,随着SOFC系统控制研究的逐渐深入,系统的发电效率逐渐得到改善。然而,控制回路中频繁发生振荡引起系统性能波动,系统的高效稳定运行仍面临着巨大挑战。
为了加快SOFC系统商业化应用进程,需要针对不确定因素引起的系统性能波动现象制定故障源定位方案。在具有多个相互作用控制回路的大型系统中,振荡可以很容易地以多个路径通过过程单元传播,从而很难确定最可能的传播路径。现有技术中,SOFC系统振荡故障诊断研究主要集中在默认已知振源的情况下,通过诊断算法的开发对振荡进行研究分析,多采用机理模型实现诊断算法的测试及验证,而振源主要通过现场对系统各模块进行逐个排除得到不仅效率低,还耽误系统的运行。
发明内容
本申请实施例通过提供一种固体氧化物燃料电池系统振荡源定位的方法,能利用系统运行的时序数据准确的获得系统的振源,而不需要停止系统,进行逐个排除,解决了相关技术中对固体氧化物燃料电池系统振源的定位效率低且影响系统运行的技术问题。
本申请通过本申请的一实施例提供如下技术方案:
一种固体氧化物燃料电池系统振荡源定位的方法,包括:
采集固体氧化物燃料电池系统发生振荡时的n个过程变量对应的n组过程数据,n为正整数;
基于主成分分析法,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集;其中,h为正整数,且h≤n;
基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系;
根据所述因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源。
可选的,所述基于主成分分析法,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集,具体包括:
基于所述n组过程数据,构造第一数据矩阵;其中,所述n组过程数据中的每组过程数据包括m个时序数据样本;
对所述第一数据矩阵中的所有时序数据样本进行中心化处理,获得第二数据矩阵;
对所述第二数据矩阵进行特征值分解,获得所述第二数据矩阵的特征值;
将所述第二数据矩阵分解为得分矩阵和加载矩阵,获得每组过程数据的方差;
根据所述特征值和所述方差,计算获得每组过程数据的振荡显著性指标;
根据所述振荡显著性指标,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集。
可选的,在获得获得每组过程数据的方差之后,所述方法还包括:
对所述方差进行降序排列,并按所述降序排列的顺序,计算所述方差的累计贡献率;
从所述n组过程数据中删除所述方差的累计贡献率大于预设值的过程变量。
可选的,所述基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系,具体包括:
使用时域格兰杰因果关系法,获得所述过程变量间的时域格兰杰因果关系;
对所述时域格兰杰因果关系进行F-检验,获得显著性统计结果。
可选的,所述根据所述因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源,具体包括:
基于所述时域格兰杰因果关系和显著性统计结果,确定所述固体氧化物燃料电池系统发生振荡的振荡源。
可选的,在所述获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系之后,所述方法还包括:
对所述时域格兰杰因果关系进行频域分解,获得频域格兰杰因果关系。
可选的,所述根据所述因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源,具体包括:
基于所述频域格兰杰因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源。
可选的,在所述基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系之前,所述方法还包括:
对所述振荡源分析子集中的时序数据作平稳化处理,得到平稳化处理后的振荡源分析子集。
可选的,所述对所述振荡源分析子集中的时序数据作平稳化处理,具体包括:
检验所述振荡源分析子集中的时序数据是否存在单位根,若是,则通过差分对存在单位根的时序数据进行平稳化。
可选的,在确定所述固体氧化物燃料电池系统发生振荡的振荡源之后,所述方法还包括:
根据所述振荡源以及所述固体氧化物燃料电池系统的传感器分布图和各组件连通性规则,获得振荡传播路径。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明的方法,首先,采集固体氧化物燃料电池系统发生振荡时的n个过程变量对应的n组过程数据,过程数据是系统运行的真实数据,用于计算后可得到更真实可靠的结果;然后,考虑到SOFC系统中存在大量的过程变量,为了在因果分析之前排除与振荡无关的变量以减少计算量和计算时间,提高方法效率和结果的可靠性,基于主成分分析法,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集;基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系;因果关系可反映各过程变量间的因果关系,从而从因果关系中分析获得基于所述振荡源分析子集,获得所述振荡源分析子集中各过程变量间的因果关系;整个过程都是基于系统运行的真实数据,且在过程中对数据进行了筛选,不仅提高了振源定位的效率,也确保了结果的准确性,解决了相关技术中对固体氧化物燃料电池系统振源的定位效率低且影响系统运行的技术问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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它的附图。
图1是本发明一种实施例中的固体氧化物燃料电池系统振荡源定位的方法的流程图;
图2是本发明一种实施例中的基于主成分分析法从所述过程数据中筛选出满足预设条件的过程变量的效果示意图;
图3是本发明一种实施例中的时域格兰杰因果关系结果生产的效果示意图;
图4是本发明一种实施例中的频域格兰杰因果关系结果生产的效果示意图;
图5是本发明一种实施例中的固体氧化物燃料电池系统的传感器分布图;
图6是本发明一种实施例中的固体氧化物燃料电池系统各组件连通性规则。
具体实施方式
本申请实施例通过提供一种固体氧化物燃料电池系统振荡源定位的方法,解决了现有技术中对固体氧化物燃料电池系统振源的定位效率低且影响系统运行的技术问题。
本申请实施例的技术方案为解决上述技术问题,总体思路如下:
一种固体氧化物燃料电池系统振荡源定位的方法,所述方法包括:采集固体氧化物燃料电池系统发生振荡时的n个过程变量对应的n组过程数据;基于主成分分析法,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集;基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系;根据所述因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
首先说明,本文中出现的术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
实施例一
本实施例中,一种固体氧化物燃料电池系统振荡源定位的方法,参见图1,所述方法包括:
S101、采集固体氧化物燃料电池系统发生振荡时的n个过程变量对应的n组过程数据,n为正整数;
S102、基于主成分分析法,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集;其中,h为正整数,且h≤n;
S103、基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系;
S104、根据所述因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源。
需要说明的是,本发明的方法是在确定系统发生振荡的前提下,进行振源的定位,如何检测发现振荡并不受限制,例如,可以通过系统的输出功率的波动情况进行判断,当输出功率的标准化差分数据超过阈值,则可以认为系统发生振荡。例如,以系统的输出功率标准化差分数据和相应滑动方差值联合作为振荡的度量标准,当归一化差分数据指标超过设定差分阈值0.01,同时滑动方差值超过设定方差阈值0.01时,检测逻辑就预报系统出现振荡现象。
在具有多个相互作用控制回路的大型系统中,振荡可以很容易地以多个路径通过过程单元传播,从而很难确定最可能的传播路径,分析不同过程变量之间的因果关系可以成为系统故障诊断的重要工具。通常,因果分析的结果是一个因果模型,其形式为有符号有向图(SDG),将过程变量表示为节点,因果关系表示为弧。SDG可以依据过程知识或过程数据构建。基于过程知识的模型可以使用描述系统的数学方程开发,也可以直接从管道和仪表图建立。基于过程知识的模型是定性的,不提供变量之间交互水平的任何信息。而数据驱动的因果分析以时间序列的形式利用历史过程数据,并测量与特定变量相对应的时间序列对彼此的影响程度,分析得到一个包含因果模型结构信息的因果矩阵。与基于过程知识的建模不同,数据驱动的建模不需要关于内在系统的先验信息,并且能够估计变量之间的相互作用水平计算得到一个定量模型。然而,数据驱动的方法存在一些局限性和缺点,其主要困难在于确定结果的统计显著性,从而消除因果模型中的冗余环节。在这种情况下,结合过程知识可分析得到故障根本原因。
下面结合图1,对本方法各步骤进行更详细的解释。
首先,执行S101,采集固体氧化物燃料电池系统发生振荡时的n个过程变量对应的n组过程数据。
需要说明的是,固体氧化物燃料电池系统(SOFC系统)中存在大量的过程变量,通过系统运行时各传感器各采集过程变量的实时运行数据,即各过程变量的时序数据,时序数据即时间序列格式数据。
具体的,在本实施例中,可通过传感器数据缓存的方式采集数据。举例来说,SOFC系统缓存采样周期为10s,缓存系统半小时的过程数据,包含43个过程变量对应的43组过程数据,每组包括180个时序数据。
接下来,执行S102,基于主成分分析法,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集。
考虑到SOFC系统中存在大量的过程变量,可以在因果分析之前排除与振荡无关的变量以提高结果的可靠性。本发明利用PCA特征选择方法筛选出振荡故障源分析子集,该步骤大大减少了计算时间以满足实时需求,在一定程度上起到去噪效果。
作为一种可选的实施方式,该步骤具体包括:
基于所述n组过程数据,构造第一数据矩阵;其中,所述n组过程数据中的每组过程数据包括m个时序数据样本;
对所述第一数据矩阵中的所有时序数据样本进行中心化处理,获得第二数据矩阵;
对所述第二数据矩阵进行特征值分解,获得所述第二数据矩阵的特征值;
将所述第二数据矩阵分解为得分矩阵和加载矩阵,获得每组过程数据的方差;
根据所述特征值和所述方差,计算获得每组过程数据的振荡显著性指标;
根据所述振荡显著性指标,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集。
具体的,缓存系统过程数据,构造第一数据矩阵包含n个过程变量对应的n组过程数据,每组包括m个时序数据样本。本实施例中,n=43.m=180。
对所有时序数据进行中心化处理:
计算协方差矩阵XXT,并对XXT特征值分解:
XXTW=λW,XT为转置,λ为矩阵的特征值;
将求得的各过程变量的特征值排序:λ1≥λ2≥…≥λn,各过程变量的特征值对应的特征向量构成主元空间坐标系W=(w1,w2,…,wn);
矩阵X可分解为得分矩阵Z和加载矩阵W,如下所示:
X=ZWT
矩阵W的每一列为主成分(PC),每个PC都可表示成过程变量的线性组合:
wi=z1ix1+z2ix2+...+znixn
是过程变量xi对主成分wi的贡献的度量。
依据振荡显著性指标筛选出对PC做出重大贡献的过程变量作为振荡故障源分析子集。
具体的,所述预设条件为过程数据对应的过程变量的振荡显著性指标按高低排序后,排名高于预设名次;或者振荡显著性指标高于阈值。也可根据本领域技术人员的需要,进行选择。
具体的,参见图2,在本实施例中,在43个过程变量中筛选出了6(h=6)个具有显著振荡的变量,这些故障源分析候选变量分别为燃烧室入口温度、甲烷压力、电堆功率、电堆电压、电堆空气入温度增量和重整室燃料入温度。
作为一种可选的实施方式,在获得每组过程数据的方差之后,所述方法还包括:
对所述方差进行降序排列,并按所述降序排列的顺序,计算所述方差的累计贡献率;
从所述n组过程数据中删除所述方差的累计贡献率大于预设值的过程变量。
具体的,得分矩阵Z各列按方差降序排列λ1≥λ2≥…≥λn,并按所述降序排列的顺序,计算所述方差的累计贡献率,满足保留前k个特征值对应的过程变量。
接下来,执行S103,基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系。
该步骤的详细步骤为:
使用时域格兰杰因果关系法,获得所述过程变量间的时域格兰杰因果关系;
对所述时域格兰杰因果关系进行F-检验,获得显著性统计结果。
具体的,针对S102中筛选出来的6各过程变量,对其时序数据进行向量自回归(VAR)建模,公式如下:
其中,h=6,l定义为VAR模型滞后阶数,[x1(t) x2(t) … xh(t)]T表示为SOFC系统中过程变量的时序数据,[e1(t) e2(t) … eh(t)]T表征模型预测误差。
形成方差因果矩阵如下表:
举例来讲,表中,表示除第一列变量来预测得到的第二行变量的方差。
定义从变量xa到变量xb的时域格兰杰因果关系:
其中,a≠b,a,b=1,2,...,h。
应用F-检验测试格兰杰因果关系的统计显著性,公式如下:
其中RRSr和RRSur分别是受限模型和完全模型的残差平方和,M为观测总数,lr和lur为受限模型和完全模型的模型阶数,满足lur>lr。提出零假设“xj对xi不存在因果关系”,即受限模型比完全模型更好地拟合样本数据。如果F-检验结果参数p值(p-value)小于显著性水平α(通常值设为0.01或0.05),判定拒绝零假设,即xa的变化影响xb的变化。
上述结果生产的效果图参见图3。
作为一种可选的实施方式,为了更直观的进行过程变量间的因果关系的确定,在所述获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系之后,所述方法还包括:
对所述时域格兰杰因果关系进行频域分解,获得频域格兰杰因果关系。
具体的,时域格兰杰因果关系可以进行频域分解产生频域格兰杰因果关系,频域格兰杰因果关系关注特定频率下的因果关系分析。
频率f下从xa到xb的频谱格兰杰因果关系,公式如下:
频域格兰杰因果关系结果产生的效果图参见图4。
作为一种可选的实施方式,为了确保时间序列格式数据的广义平稳性,提高定位结果的可靠性,在所述基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系之前,所述方法还包括:
对所述振荡源分析子集中的时序数据作平稳化处理,得到平稳化处理后的振荡源分析子集。
具体的,所述对所述振荡源分析子集中的时序数据作平稳化处理,具体包括:
利用迪基-福勒检验检验所述振荡源分析子集中的时序数据是否存在单位根,若是,则通过差分对存在单位根的时序数据实现平稳化。
最后,执行S104,根据所述因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源。
具体包括:
基于所述时域格兰杰因果关系和显著性统计结果,确定所述固体氧化物燃料电池系统发生振荡的振荡源。
具体的,参见图3,图3中第三幅图中标记为黑色的判定为存在因果关系。对应第一幅图中的色块,第二列为甲烷压力对其他变量的影响,第二行代表其他变量对甲烷压力的影响,即甲烷压力没有受到其他变量显著性因果影响。由此推断甲烷压力为故障振荡源。
作为一种可选的实施方式,当获得频域格兰杰因果关系结果时,所述根据所述因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源,具体包括:
基于所述频域格兰杰因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源。
具体的,参见图4,从图中可以看出,甲烷压力所在列存在许多峰值,表明甲烷压力对其他变量具有主导的预测能力和因果效应,同时甲烷压力所在行表示从其他变量到甲烷压力的因果关系值都非常小,即甲烷压力没有受到其他变量显著性因果影响。由此推断甲烷压力为故障振荡源。值得注意的是,电堆空气入温度增量与其他变量相互因果关系程度都很小,可以从振荡传播路径中排除该变量。结合过程知识,可以理解电堆空气入温度增量的波动属于正常现象,与其他变量的波动并无关系。
作为一种可选的实施方式,在确定所述固体氧化物燃料电池系统发生振荡的振荡源之后,所述方法还包括:
根据所述振荡源以及所述固体氧化物燃料电池系统的传感器分布图和各组件连通性规则,获得振荡传播路径。基于准确定位的振荡源,可进一步分析出振荡传播路径,为振荡分析提供更详细的数据。
具体的,从图5可以看出,振荡相关变量分别部署于系统各关键组件,对应关系如下:甲烷压力与燃料供给模块;重整器燃料入温度与重整器;电堆功率(电堆电压)与电堆;燃烧室入口温度与燃烧室。
天然气为燃料的SOFC系统工作原理是燃料经换热、脱硫后和水蒸气一起进入重整器,经重整反应后得到的CH4、H2、CO、CO2和H2O的混合气体换热升温后进入电堆模块的阳极侧。空气经过过滤后由鼓风机带入系统,流经空气预热单元,一般升至650℃后,再进入电堆模块阴极侧。电堆发电发电后剩余的空气进入燃烧室与燃料气进行混合燃烧,燃烧后的烟气经过多级换热后排除系统(参见图6)。
依据SOFC系统传感器情况及系统各组件连通性规则,消除因果矩阵中过程变量之间没有直接物理路径的相应条目,得到细化后的因果关系。本实施例中振荡故障传播路径为甲烷压力->重整器燃料入温度->电堆功率->燃烧室入口温度,振荡故障根因为甲烷压力不稳定。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
本发明的方法,首先,采集固体氧化物燃料电池系统发生振荡时的n个过程变量对应的n组过程数据,过程数据是系统运行的真实数据,用于计算后可得到更真实可靠的结果;然后,考虑到SOFC系统中存在大量的过程变量,为了在因果分析之前排除与振荡无关的变量以减少计算量和计算时间,提高方法效率和结果的可靠性,基于主成分分析法,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集;基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系;因果关系可反映各过程变量间的因果关系,从而从因果关系中分析获得基于所述振荡源分析子集,获得所述振荡源分析子集中各过程变量间的因果关系;整个过程都是基于系统运行的真实数据,且在过程中对数据进行了筛选,不仅提高了振源定位的效率,也确保了结果的准确性,解决了相关技术中对固体氧化物燃料电池系统振源的定位效率低且影响系统运行的技术问题。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种固体氧化物燃料电池系统振荡源定位的方法,其特征在于,包括:
采集固体氧化物燃料电池系统发生振荡时的n个过程变量对应的n组过程数据,n为正整数;
基于主成分分析法,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集;其中,h为正整数,且h≤n;
基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系;
根据所述因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源。
2.如权利要求1所述的方法,其特征在于,所述基于主成分分析法,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集,具体包括:
基于所述n组过程数据,构造第一数据矩阵;其中,所述n组过程数据中的每组过程数据包括m个时序数据样本;
对所述第一数据矩阵中的所有时序数据样本进行中心化处理,获得第二数据矩阵;
对所述第二数据矩阵进行特征值分解,获得所述第二数据矩阵的特征值:
将所述第二数据矩阵分解为得分矩阵和加载矩阵,获得每组过程数据的方差;
根据所述特征值和所述方差,计算获得每组过程数据的振荡显著性指标;
根据所述振荡显著性指标,从所述n组过程数据中筛选出满足预设条件的h组过程数据,获得振荡源分析子集。
3.如权利要求2所述的方法,其特征在于,在获得每组过程数据的方差之后,所述方法还包括:
对所述方差进行降序排列,并按降序排列的顺序,计算所述方差的累计贡献率;
从所述n组过程数据中删除所述方差的累计贡献率大于预设值的过程变量。
4.如权利要求1所述的方法,其特征在于,所述基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系,具体包括:
使用时域格兰杰因果关系法,获得所述过程变量间的时域格兰杰因果关系;
对所述时域格兰杰因果关系进行F-检验,获得显著性统计结果。
5.如权利要求4所述的方法,其特征在于,所述根据所述因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源,具体包括:
基于所述时域格兰杰因果关系和显著性统计结果,确定所述固体氧化物燃料电池系统发生振荡的振荡源。
6.如权利要求4所述的方法,其特征在于,在所述获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系之后,所述方法还包括:
对所述时域格兰杰因果关系进行频域分解,获得频域格兰杰因果关系。
7.如权利要求6所述的方法,其特征在于,所述根据所述因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源,具体包括:
基于所述频域格兰杰因果关系,确定所述固体氧化物燃料电池系统发生振荡的振荡源。
8.如权利要求1所述的方法,其特征在于,在所述基于所述振荡源分析子集,获得所述振荡源分析子集中各组过程数据对应的过程变量间的因果关系之前,所述方法还包括:
对所述振荡源分析子集中的时序数据作平稳化处理,得到平稳化处理后的振荡源分析子集。
9.如权利要求8所述的方法,其特征在于,所述对所述振荡源分析子集中的时序数据作平稳化处理,具体包括:
检验所述振荡源分析子集中的时序数据是否存在单位根,若是,则通过差分对存在单位根的时序数据进行平稳化。
10.如权利要求1所述的方法,其特征在于,在确定所述固体氧化物燃料电池系统发生振荡的振荡源之后,所述方法还包括:
根据所述振荡源以及所述固体氧化物燃料电池系统的传感器分布图和各组件连通性规则,获得振荡传播路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910431625.6A CN110112445A (zh) | 2019-05-22 | 2019-05-22 | 一种固体氧化物燃料电池系统振荡源定位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910431625.6A CN110112445A (zh) | 2019-05-22 | 2019-05-22 | 一种固体氧化物燃料电池系统振荡源定位的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110112445A true CN110112445A (zh) | 2019-08-09 |
Family
ID=67491699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910431625.6A Pending CN110112445A (zh) | 2019-05-22 | 2019-05-22 | 一种固体氧化物燃料电池系统振荡源定位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110112445A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310305A (zh) * | 2020-01-19 | 2020-06-19 | 华中科技大学鄂州工业技术研究院 | 一种固体氧化物燃料电池系统振荡变量获取方法 |
CN112131775A (zh) * | 2020-07-17 | 2020-12-25 | 华中科技大学鄂州工业技术研究院 | 一种固体氧化物燃料电池性能推理与优化方法 |
CN114204077A (zh) * | 2022-02-18 | 2022-03-18 | 浙江国氢能源科技发展有限公司 | 水蒸气流量振荡引起的sofc系统振荡控制与优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819232A (zh) * | 2009-01-29 | 2010-09-01 | 通用汽车环球科技运作公司 | 使用于pem燃料电池内的液态水传感器信号调节电路 |
CN103117547A (zh) * | 2013-03-04 | 2013-05-22 | 中国南方电网有限责任公司 | 一种电力系统低频振荡的振荡源定位方法 |
CN103887542A (zh) * | 2012-12-21 | 2014-06-25 | 中国科学院大连化学物理研究所 | 一种固体氧化物燃料电池控制装置及控制方法 |
CN106773693A (zh) * | 2016-12-21 | 2017-05-31 | 浙江大学 | 一种工业控制多回路振荡行为稀疏因果分析方法 |
-
2019
- 2019-05-22 CN CN201910431625.6A patent/CN110112445A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819232A (zh) * | 2009-01-29 | 2010-09-01 | 通用汽车环球科技运作公司 | 使用于pem燃料电池内的液态水传感器信号调节电路 |
CN103887542A (zh) * | 2012-12-21 | 2014-06-25 | 中国科学院大连化学物理研究所 | 一种固体氧化物燃料电池控制装置及控制方法 |
CN103117547A (zh) * | 2013-03-04 | 2013-05-22 | 中国南方电网有限责任公司 | 一种电力系统低频振荡的振荡源定位方法 |
CN106773693A (zh) * | 2016-12-21 | 2017-05-31 | 浙江大学 | 一种工业控制多回路振荡行为稀疏因果分析方法 |
Non-Patent Citations (1)
Title |
---|
YUAN TAO ET AL: "Root cause diagnosis of plant-wide oscillations using Granger causality", 《JOURNAL OF PROCESS CONTROL》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310305A (zh) * | 2020-01-19 | 2020-06-19 | 华中科技大学鄂州工业技术研究院 | 一种固体氧化物燃料电池系统振荡变量获取方法 |
CN111310305B (zh) * | 2020-01-19 | 2023-04-25 | 华中科技大学鄂州工业技术研究院 | 一种固体氧化物燃料电池系统振荡变量获取方法 |
CN112131775A (zh) * | 2020-07-17 | 2020-12-25 | 华中科技大学鄂州工业技术研究院 | 一种固体氧化物燃料电池性能推理与优化方法 |
CN112131775B (zh) * | 2020-07-17 | 2023-04-18 | 华中科技大学鄂州工业技术研究院 | 一种固体氧化物燃料电池性能推理与优化方法 |
CN114204077A (zh) * | 2022-02-18 | 2022-03-18 | 浙江国氢能源科技发展有限公司 | 水蒸气流量振荡引起的sofc系统振荡控制与优化方法 |
CN114204077B (zh) * | 2022-02-18 | 2022-05-03 | 浙江国氢能源科技发展有限公司 | 水蒸气流量振荡引起的sofc系统振荡控制与优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110112445A (zh) | 一种固体氧化物燃料电池系统振荡源定位的方法 | |
Cadet et al. | Diagnostic tools for PEMFCs: from conception to implementation | |
İskenderoğlu et al. | Comparison of support vector regression and random forest algorithms for estimating the SOFC output voltage by considering hydrogen flow rates | |
Zheng et al. | Data-driven fault diagnosis method for the safe and stable operation of solid oxide fuel cells system | |
CN111352408B (zh) | 一种基于证据k近邻的多工况流程工业过程故障检测方法 | |
CN103886405B (zh) | 一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法 | |
CN104123476A (zh) | 基于极限学习机的气体浓度预测方法及其装置 | |
CN103218662A (zh) | 一种基于bp神经网络的变压器故障诊断方法 | |
Chen et al. | Online voltage consistency prediction of proton exchange membrane fuel cells using a machine learning method | |
Wu et al. | A hybrid prognostic model applied to SOFC prognostics | |
Yang et al. | Solid oxide fuel cell systems fault diagnosis: Critical summarization, classification, and perspectives | |
Gallo et al. | Coupling electrochemical impedance spectroscopy and model-based aging estimation for solid oxide fuel cell stacks lifetime prediction | |
Sultan et al. | Parameter identification of proton exchange membrane fuel cell stacks using bonobo optimizer | |
Hocaoglu et al. | Examining the link between carbon dioxide emissions and the share of industry in GDP: Modeling and testing for the G-7 countries | |
Goshtasbi et al. | Effective parameterization of PEM fuel cell models—Part II: Robust parameter subset selection, robust optimal experimental design, and multi-step parameter identification algorithm | |
Katterbauer et al. | A novel artificial intelligence framework for the optimal control of wireless temperature sensors for optimizing oxygen injection in subsurface reservoirs | |
Wang et al. | Bibliometric analysis of prognostics and health management (PHM) in hydrogen fuel cell engines | |
Li et al. | Quantitative diagnosis of PEMFC membrane humidity with a vector-distance based characteristic mapping approach | |
CN114638170A (zh) | 基于数据挖掘技术的电能计量装置故障诊断方法及系统 | |
Yuan et al. | Fault diagnosis of proton exchange membrane fuel cell based on nonlinear impedance spectrum | |
CN117117258B (zh) | 一种氢燃料电池系统的故障监测方法及装置 | |
Chen et al. | Application of deep learning modelling of the optimal operation conditions of auxiliary equipment of combined cycle gas turbine power station | |
Gong et al. | High-precision and efficiency diagnosis for polymer electrolyte membrane fuel cell based on physical mechanism and deep learning | |
Jessen et al. | Grey-box Modeling of Reversible Solid Oxide Cell Stack’s Electrical Dynamics Based on Electrochemical Impedance Spectroscopy | |
Zhang et al. | A novel generalized prognostic method of proton exchange membrane fuel cell using multi-point estimation under various operating conditions |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |
|
RJ01 | Rejection of invention patent application after publication |