CN110335646B - 基于深度学习-预测控制的车用燃料电池过氢比控制方法 - Google Patents

基于深度学习-预测控制的车用燃料电池过氢比控制方法 Download PDF

Info

Publication number
CN110335646B
CN110335646B CN201910627710.XA CN201910627710A CN110335646B CN 110335646 B CN110335646 B CN 110335646B CN 201910627710 A CN201910627710 A CN 201910627710A CN 110335646 B CN110335646 B CN 110335646B
Authority
CN
China
Prior art keywords
hydrogen
anode
flow
fuel cell
model
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
CN201910627710.XA
Other languages
English (en)
Other versions
CN110335646A (zh
Inventor
王亚雄
陈锦洲
钟浩
陈家瑄
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN201910627710.XA priority Critical patent/CN110335646B/zh
Publication of CN110335646A publication Critical patent/CN110335646A/zh
Application granted granted Critical
Publication of CN110335646B publication Critical patent/CN110335646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Fuel Cell (AREA)

Abstract

本发明涉及一种基于深度学习‑预测控制的车用燃料电池过氢比控制方法，包括以下步骤：步骤S1:构建车用燃料电池电化学输出特性模型和阳极氢气供给系统模型；步骤S2:设计基于深度学习‑预测控制的车用燃料电池过氢比控制器；步骤S3：预测未来N个时刻的车速序列，并计算燃料电池电堆电流；步骤S4:将燃料电池电堆电流、流量控制阀和氢气循环泵实时输出氢气流量、阳极压力及模型线性常值干扰项作为过氢比的模型预测控制模块的输入；并设定目标过氢比为λ ref ，利用过氢比的模型预测控制模块控制输出的流量控制阀和氢气循环泵的控制电压，实现燃料电池过氢比的控制。本发明保证了流量控制阀和循环泵的工作性能，降低系统的功耗，同时也避免交换膜的损坏。

Description

基于深度学习-预测控制的车用燃料电池过氢比控制方法
技术领域
本发明涉及燃料电池领域，具体涉及一种基于深度学习-预测控制的车用燃料电池过氢比控制方法。
背景技术
传统的能源利用方式存在两大弊端，一个是受卡诺循环的限制，因为燃料的化学能要转化为热能之后才能进一步的转化成机械能或者是电能；另一个弊端是传统能源的使用导致了环境污染和能源缺乏的问题日益严重，影响了世界经济可持续发展。因此可再生能源的开发和利用成为了一种必然趋势。燃料电池，特别是常用的车载中的质子交换膜燃料电池，由于所具有的零污染、低噪声和高的能量转换效率等优点，使其成为了该研究领域的关注对象。
质子交换膜燃料电池发动机主要包括了空气供给系统、氢气供给系统、电堆、冷却系统。氢气供应系统的组成包括高压氢气罐、流量控制阀、氢气输送系统以及氢气循环泵。氢气量的大小和燃料电池的发电效率紧密相关。倘若氢气量过小，则会导致氢气供应的不足，对燃料电池会造成不可逆的损害，同时也降低了燃料电池的使用寿命；如果氢气量过大，就会造成氢气浪费，使电堆阳极的输入氢气利用率降低，因此对其精确控制是十分重要。为了提高氢气利用率，引入了氢气循环泵，其功能是将未参与反应的氢气再次引到供给歧管中，使氢气得到了循环，增加氢气的利用率。
燃料电池阳极氢气的供给量是根据工况进行提供的，所以汽车的行驶车速的变化将会导致氢气量的需求变化，为了进一步的提高氢气量控制的响应速度，则需要对车速进行预测。由于车速会受到多种因素的影响，具有比较明显的时变性和非线性，因此对其进行预测要求较高。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度学习-预测控制的车用燃料电池过氢比控制方法，保证了流量控制阀和循环泵的工作性能，降低系统的功耗，同时也避免了交换膜的损坏，实时对燃料电池的过氢比的调节。
为实现上述目的，本发明采用如下技术方案：
一种基于深度学习-预测控制的车用燃料电池过氢比控制方法，包括以下步骤：
步骤S1:构建车用燃料电池电化学输出特性模型和阳极氢气供给系统模型；
步骤S2:根据阳极氢气供给系统模型，设计深度学习预测控制器，包含车速预测模型和过氢比预测控制模型；
步骤S3:将车速传感器测得的Z个历史车速输入车速预测模型，利用深度学习预测方法，预测未来N个时刻的车速序列，并通过车辆动力学等式以及燃料电池电化学输出特性模型，计算燃料电池电堆电流；
步骤S4:将燃料电池电堆电流作为扰动电流，并将扰动电流、流量传感器测得的流量控制阀和氢气循环泵实时输出氢气流量、压力传感器测得的阳极压力及模型线性化过程中留下的常值干扰项作为过氢比的模型预测控制模块的输入；并设定过氢比的模型预测控制模块的目标过氢比为λref，利用过氢比的模型预测控制模块控制输出的流量控制阀和氢气循环泵的控制电压，实现在不同工况下对燃料电池过氢比的控制。
进一步的，所述车用燃料电池过氢比，具体为：
燃料电池阳极输入的氢气流量
Figure BDA0002127643450000031
和电化学反应消耗的氢气流量
Figure BDA0002127643450000032
之比
Figure BDA0002127643450000033
其中燃料电池阳极输入的氢气流量是由流量控制阀输出的氢气流量Wfcv和氢气循环泵输出的氢气流量Wbl组成。
进一步的，所述氢气供给系统模型包括阳极氢气流量控制阀模型、供给歧管模型、阳极模型、回流歧管模型以及氢气循环泵模型。
进一步的，所述步骤S1具体为：
步骤S11：根据车用燃料电池采用的反应物的化学能和能量守恒公式推导，构建燃料电池电化学输出特性模型；
步骤S12：流量控制阀为可变开度喷嘴，其模型在稳态下的控制输入信号的线性方程：
Wfcv＝ufcvWfcv,max (2)
式中，ufcv是流量阀的控制电压，范围是0～1；Wfcv,max是喷嘴全开时的质量流量；
在供给歧管中，当歧管内没有液态水，氢气以及水蒸气在供给歧管中的动态过程为：
Figure BDA0002127643450000041
Figure BDA0002127643450000042
式中，
Figure BDA0002127643450000043
是阳极供给歧管中氢气的压力，
Figure BDA0002127643450000044
是氢气的气体常数,Tsm是供给歧管温度，Vsm是供给歧管的体积，
Figure BDA0002127643450000045
是进入阳极供给管道的氢气流量，
Figure BDA0002127643450000046
是阳极供给管道流出的氢气流量，
Figure BDA0002127643450000047
是阳极供给歧管中的湿度，
Figure BDA0002127643450000048
是水蒸气气体常数，Psat是阳极供给歧管中的水蒸气饱和压力，Wv,sm,in是进入阳极供给歧管中水蒸气流量，Wv,sm,out是阳极供给歧管中的输出水蒸气流量；
阳极氢气和水蒸气的动态过程为：
Figure BDA0002127643450000049
Figure BDA00021276434500000410
Figure BDA00021276434500000411
Figure BDA00021276434500000412
式中，
Figure BDA00021276434500000413
是阳极氢气压力,Tan是阳极温度，Van是阳极体积，
Figure BDA00021276434500000414
是进入阳极的氢气流量，
Figure BDA00021276434500000415
是阳极流出的氢气流量，
Figure BDA00021276434500000416
是电化学反应中所消耗的氢气流量，
Figure BDA0002127643450000051
是阳极湿度，Psat是阳极水蒸气饱和压力，Wv,an,in是进入阳极水蒸气流量，Wv,an,out是阳极输出水蒸气流量，Wv,m是阳极到阴极水蒸气的扩散速率，Ist是燃料电池电堆电流，ncell是单体电池个数，
Figure BDA0002127643450000052
是氢气的摩尔质量，F是法拉第常数，αnet是水分电拖拽系数,
Figure BDA0002127643450000053
是水蒸气的摩尔质量。
为保证质子交换膜正常工作，要求阳极与阴极维持一定的压差。
阴极压力是跟随着工况电流进行变化的，具体关系如下：
Pca＝gIst 2+rIst+q (9)
式中，g,r,q均为经验常数；Pca为阴极气体压力；
设回流歧管中也不存在液态水的流入和流出，氢气和水蒸气在回流歧管中的动态过程：
Figure BDA0002127643450000054
Figure BDA0002127643450000055
式中,
Figure BDA0002127643450000056
是阳极回流歧管中氢气的压力,Trm是回流歧管温度，Vrm是回流歧管的体积，
Figure BDA0002127643450000057
是进入阳极回流歧管的氢气流量，
Figure BDA0002127643450000058
是阳极回流歧管流出的氢气流量，
Figure BDA0002127643450000059
是阳极回流歧管中的湿度，Psat是阳极回流歧管中的水蒸气饱和压力，Wv,rm,in是进入阳极回流歧管中水蒸气流量，Wv,rm,out是阳极回流歧管中的输出水蒸气流量；
步骤S13：氢气循环泵的驱动电机模型为：
Figure BDA00021276434500000510
Figure BDA0002127643450000061
Figure BDA0002127643450000062
式中，ωbl是标准条件下的氢气循环泵的角速度，Jbl是电机转动惯量，τbl是驱动循环泵所需的转矩，τbm是电机的转矩，cp,rm是回流歧管中加湿氢气的恒压比热，ηbl是氢气循环泵效率，Wbl是在标准的条件下氢气循环泵输出的质量流量，ηbm、kt、kv、Rbm均为电机的内部参数，ubl是循环泵的电压；
标度氢气循环泵流率定义为：
Figure BDA0002127643450000063
式中，Wbc是在非标准的条件下氢气循环泵输出氢气的流量，ρan是阳极氢气密度，dbl是氢气循环泵转子的直径，Ubl是氢气循环泵转子叶片尖部速度；
氢气循环泵进口气体的状态对输出的氢气流量产生影响，在非标准条件下氢气循环泵输出的流量和角速度转换计算具体为：
Figure BDA0002127643450000064
Figure BDA0002127643450000065
式中，Tref是参考温度，一般取288k；Pref是参考压力，取一个标准大气压，ωbc是在非标准条件下的氢气循环泵的角速度。
进一步的，所述车速预测模型构建具体为：
步骤A1:将若干个城市道路循环工况拼接作为训练样本，定义隐含层的层数以及各层中的神经元个数，并设定初始的权值和阈值；
步骤A2：对训练样本进行一次前向传播，层间的计算及传递过程如下：
Figure BDA0002127643450000071
式中，xj是当前层中第j个神经元的输出值；f(*)是激活函数；ωk,j是上一层中第k个神经元对当前层第j个神经元的权重值；xk是上一层中第k个神经元的输入值；bj是当前层第j个神经元的阈值。
步骤A3:利用损失函数来计算预测值与真实值的误差，选取GradientDescentOptimizer函数作为优化器进一步更新权值和阈值，直到训练次数达到预设值后，保存最终的权值和阈值，得到基于深度学习的车速预测模型；并将10个历史车速通过训练好的权值和阈值进行预测，其预测步长是5。
进一步的，所述过氢比预测控制模型构建具体为：
步骤B1：将燃料电池供氢系统和循环泵的非线性模型，在预设工作点利用泰勒展开以及分段函数等线性化方法，得到如下连续时间的状态方程：
Figure BDA0002127643450000072
式中，
Figure BDA0002127643450000073
是状态向量，分别是阳极供给歧管，阳极，阳极回流歧管中的氢气压力、湿度和标准条件下循环泵的转速；U＝[ufcv，ubl]T是控制量,分别是流量控制阀和氢气循环泵的控制电压，
Figure BDA0002127643450000081
是阳极压力和过氢比，d＝Ist是干扰项；
步骤B2:利用线性化得到状态方程，设计过氢比预测控制模型，建立预测方程：
Y(e+1|e)＝SxX(e)+IY(e)+Sdd(e)+Suu(e) (20)
式中，Sx、I、Sd、Su均为常数矩阵。
一种基于深度学习-预测控制的车用燃料电池过氢比控制方法的控制系统，包括依次连接的车速传感器、深度学习预测控制器、氢气循环泵驱动电路、氢气循环泵和车用燃料电池；还包括第一流量传感器、第二流量传感器和压力传感器；所述第一流量传感器采集流量控制阀流量并传送至深度学习预测控制器；所述第二流量传感器采集氢气循环泵实时流量并传送至深度学习预测控制器；所述压力传感器采集阳极压力并传送至深度学习预测控制器；所述深度学习预测控制器还与流量控制阀及其驱动电路连接。
本发明与现有技术相比具有以下有益效果：
本发明采用深度学习车速预测，提高了预测的精准度；通过设计模型预测控制器，控制燃料电池过氢比，保证了流量控制阀和循环泵的工作性能，降低系统的功耗，同时也避免了交换膜的损坏，实时对燃料电池的过氢比的调节。
附图说明
图1是本发明系统结构示意图；
图2是本发明一实施例中深度学习预测过程的流程示意图；
图3是本发明一实施例中深度学习训练数据图；
图4是本发明一实施例中深度学习训练误差图；
图5是本发明一实施例中深度学习车速预测结果图；
图6是本发明一实施例中一种基于深度学习-预测控制的车用燃料电池阳极压力控制示意图；
图7是本发明一实施例中一种基于深度学习-预测控制的车用燃料电池过氢比控制示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于深度学习-预测控制的车用燃料电池过氢比控制方法，包括以下步骤：
步骤S1:构建车用燃料电池电化学输出特性模型和阳极氢气供给系统模型；
步骤S2:根据阳极氢气供给系统模型，设计深度学习预测控制器，包含车速预测模型和过氢比预测控制模型；
步骤S3:将车速传感器测得的Z个历史车速输入车速预测模型，利用深度学习预测方法，预测未来N个时刻的车速序列，并通过车辆动力学等式以及燃料电池电化学输出特性模型，计算燃料电池电堆电流；
步骤S4:将燃料电池电堆电流作为扰动电流，并将扰动电流、流量传感器测得的流量控制阀和氢气循环泵实时输出氢气流量、压力传感器测得的阳极压力及模型线性化过程中留下的常值干扰项作为过氢比的模型预测控制模块的输入；并设定过氢比的模型预测控制模块的目标过氢比为λref，利用过氢比的模型预测控制模块控制输出的流量控制阀和氢气循环泵的控制电压，实现在不同工况下对燃料电池过氢比的控制。
在本实施例中，所述车用燃料电池过氢比，具体为：
燃料电池阳极输入的氢气流量
Figure BDA0002127643450000101
和电化学反应消耗的氢气流量
Figure BDA0002127643450000102
之比
Figure BDA0002127643450000103
其中燃料电池阳极输入的氢气流量是由流量控制阀输出的氢气流量Wfcv和氢气循环泵输出的氢气流量Wbl组成。
在本实施例中，所述氢气供给系统模型包括阳极氢气流量控制阀模型、供给歧管模型、阳极模型、回流歧管模型以及氢气循环泵模型。
在本实施例中，所述步骤S1具体为：
步骤S11：根据车用燃料电池采用的反应物的化学能和能量守恒公式推导，构建燃料电池电化学输出特性模型；
步骤S12：流量控制阀为可变开度喷嘴，其模型在稳态下的控制输入信号的线性方程：
Wfcv＝ufcvWfcv,max (2)
式中，ufcv是流量阀的控制电压，范围是0～1；Wfcv,max是喷嘴全开时的质量流量；
在供给歧管中，当歧管内没有液态水，氢气以及水蒸气在供给歧管中的动态过程为：
Figure BDA0002127643450000111
Figure BDA0002127643450000112
式中，
Figure BDA0002127643450000113
是阳极供给歧管中氢气的压力，
Figure BDA0002127643450000114
是氢气的气体常数,Tsm是供给歧管温度，Vsm是供给歧管的体积，
Figure BDA0002127643450000115
是进入阳极供给管道的氢气流量，
Figure BDA0002127643450000116
是阳极供给管道流出的氢气流量，
Figure BDA0002127643450000117
是阳极供给歧管中的湿度，
Figure BDA0002127643450000118
是水蒸气气体常数，Psat是阳极供给歧管中的水蒸气饱和压力，Wv,sm,in是进入阳极供给歧管中水蒸气流量，Wv,sm,out是阳极供给歧管中的输出水蒸气流量；
阳极氢气和水蒸气的动态过程为：
Figure BDA0002127643450000119
Figure BDA00021276434500001110
Figure BDA00021276434500001111
Figure BDA00021276434500001112
式中，
Figure BDA00021276434500001113
是阳极氢气压力,Tan是阳极温度，Van是阳极体积，
Figure BDA00021276434500001114
是进入阳极的氢气流量，
Figure BDA00021276434500001115
是阳极流出的氢气流量，
Figure BDA00021276434500001116
是电化学反应中所消耗的氢气流量，
Figure BDA00021276434500001117
是阳极湿度，Psat是阳极水蒸气饱和压力，Wv,an,in是进入阳极水蒸气流量，Wv,an,out是阳极输出水蒸气流量，Wv,m是阳极到阴极水蒸气的扩散速率，Ist是燃料电池电堆电流，ncell是单体电池个数，
Figure BDA0002127643450000121
是氢气的摩尔质量，F是法拉第常数，αnet是水分电拖拽系数,
Figure BDA0002127643450000122
是水蒸气的摩尔质量。
为保证质子交换膜正常工作，要求阳极与阴极维持一定的压差。
阴极压力是跟随着工况电流进行变化的，具体关系如下：
Pca＝gIst 2+rIst+q (9)
式中，g,r,q均为经验常数；Pca为阴极气体压力；
设回流歧管中也不存在液态水的流入和流出，氢气和水蒸气在回流歧管中的动态过程：
Figure BDA0002127643450000123
Figure BDA0002127643450000124
式中,
Figure BDA0002127643450000125
是阳极回流歧管中氢气的压力,Trm是回流歧管温度，Vrm是回流歧管的体积，
Figure BDA0002127643450000126
是进入阳极回流歧管的氢气流量，
Figure BDA0002127643450000127
是阳极回流歧管流出的氢气流量，
Figure BDA0002127643450000128
是阳极回流歧管中的湿度，Psat是阳极回流歧管中的水蒸气饱和压力，Wv,rm,in是进入阳极回流歧管中水蒸气流量，Wv,rm,out是阳极回流歧管中的输出水蒸气流量；
步骤S13：氢气循环泵的驱动电机模型为：
Figure BDA0002127643450000129
Figure BDA00021276434500001210
Figure BDA0002127643450000131
式中，ωbl是标准条件下的氢气循环泵的角速度，Jbl是电机转动惯量，τbl是驱动循环泵所需的转矩，τbm是电机的转矩，cp,rm是回流歧管中加湿氢气的恒压比热，ηbl是氢气循环泵效率，Wbl是在标准的条件下氢气循环泵输出的质量流量，ηbm、kt、kv、Rbm均为电机的内部参数，ubl是循环泵的电压；
标度氢气循环泵流率定义为：
Figure BDA0002127643450000132
式中，Wbc是在非标准的条件下氢气循环泵输出氢气的流量，ρan是阳极氢气密度，dbl是氢气循环泵转子的直径，Ubl是氢气循环泵转子叶片尖部速度；
氢气循环泵进口气体的状态对输出的氢气流量产生影响，在非标准条件下氢气循环泵输出的流量和角速度转换计算具体为：
Figure BDA0002127643450000133
Figure BDA0002127643450000134
式中，Tref是参考温度，一般取288k；Pref是参考压力，取一个标准大气压，ωbc是在非标准条件下的氢气循环泵的角速度。
进一步的，所述车速预测模型构建具体为：
步骤A1:将若干个城市道路循环工况拼接作为训练样本，定义隐含层的层数以及各层中的神经元个数，并设定初始的权值和阈值；
步骤A2：对训练样本进行一次前向传播，层间的计算及传递过程如下：
Figure BDA0002127643450000141
式中，xj是当前层中第j个神经元的输出值；f(*)是激活函数；ωk,j是上一层中第k个神经元对当前层第j个神经元的权重值；xk是上一层中第k个神经元的输入值；bj是当前层第j个神经元的阈值。
步骤A3:利用损失函数来计算预测值与真实值的误差，选取GradientDescentOptimizer函数作为优化器进一步更新权值和阈值，直到训练次数达到预设值后，保存最终的权值和阈值，得到基于深度学习的车速预测模型；并将10个历史车速通过训练好的权值和阈值进行预测，其预测步长是5，具体预测过程如图2所示。
在本实施例中，所述过氢比预测控制模型构建具体为：
步骤B1：将燃料电池供氢系统和循环泵的非线性模型，在预设工作点利用泰勒展开以及分段函数等线性化方法，得到如下连续时间的状态方程：
Figure BDA0002127643450000142
式中，
Figure BDA0002127643450000143
是状态向量，分别是阳极供给歧管，阳极，阳极回流歧管中的氢气压力、湿度和标准条件下循环泵的转速；U＝[ufcv，ubl]T是控制量,分别是流量控制阀和氢气循环泵的控制电压，
Figure BDA0002127643450000151
是阳极压力和过氢比，d＝Ist是干扰项；
步骤B2:利用线性化得到状态方程，设计过氢比预测控制模型，建立预测方程：
Y(e+1|e)＝SxX(e)+IY(e)+Sdd(e)+Suu(e) (20)
式中，Sx、I、Sd、Su均为常数矩阵。
在本实施例中，一种基于深度学习-预测控制的车用燃料电池过氢比控制方法的控制系统，包括依次连接的车速传感器、深度学习预测控制器、氢气循环泵驱动电路、氢气循环泵和车用燃料电池；还包括第一流量传感器、第二流量传感器和压力传感器；所述第一流量传感器采集流量控制阀流量并传送至深度学习预测控制器；所述第二流量传感器采集氢气循环泵实时流量并传送至深度学习预测控制器；所述压力传感器采集阳极压力并传送至深度学习预测控制器；所述深度学习预测控制器还与流量控制阀及其驱动电路连接。
本实施例中，采用的6个比较具有代表性的城市工况作为样本训练数据，分别是WVUCITY、NEDC、1015_6PRIUS、UDDS、FTP、NYCCOMP，如图3所示。利用建立好的深度学习模型进行训练，其训练的误差如图4所示。
本实施例中，采用训练好的权值和阈值来预测曼哈顿岛城市道路循环工况，由于预测未来车速的时间越短，预测的准确率越高，所以本实施例中利用预测下一个时刻的车速进行仿真，图5即为预测下一时刻的车速效果图。
本实施例中，采用某款燃料电池轿车，在不同的工况下，仿真验证本发明所提出的一种基于深度学习-预测控制的车用燃料电池过氢比控制方法的有效性。图6是燃料电池阳极压力的控制效果图，图7是燃料电池过氢比的控制效果图，通过仿真结果可以看出，所设计的燃料电池过氢比控制方法能有效地预测车速，进一步调节燃料电池的过氢比，且系统响应速度快，为燃料电池及时提供合适的氢气量，改善净输出功率，提高燃料电池的使用寿命。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种基于深度学习-预测控制的车用燃料电池过氢比控制方法，其特征在于，包括以下步骤：
步骤S1:构建车用燃料电池电化学输出特性模型和阳极氢气供给系统模型；
步骤S2:根据阳极氢气供给系统模型，设计深度学习预测控制器，包含车速预测模型和过氢比预测控制模型；
步骤S3:将车速传感器测得的Z个历史车速输入车速预测模型，利用深度学习预测方法，预测未来N个时刻的车速序列，并通过车辆动力学等式以及燃料电池电化学输出特性模型，计算燃料电池电堆电流；
步骤S4:将燃料电池电堆电流作为扰动电流，并将扰动电流、流量传感器测得的流量控制阀和氢气循环泵实时输出氢气流量、压力传感器测得的阳极压力及模型线性化过程中留下的常值干扰项作为过氢比的模型预测控制模块的输入；并设定过氢比的模型预测控制模块的目标过氢比为λref，利用过氢比的模型预测控制模块控制输出的流量控制阀和氢气循环泵的控制电压，实现在不同工况下对燃料电池过氢比的控制。
2.根据权利要求1所述的基于深度学习-预测控制的车用燃料电池过氢比控制方法，其特征在于：所述车用燃料电池过氢比，具体为：
燃料电池阳极输入的氢气流量
Figure FDA0003544659990000011
和电化学反应消耗的氢气流量
Figure FDA0003544659990000012
之比
Figure FDA0003544659990000021
其中燃料电池阳极输入的氢气流量是由流量控制阀输出的氢气流量Wfcv和氢气循环泵输出的氢气流量Wbl组成。
3.根据权利要求1所述的基于深度学习-预测控制的车用燃料电池过氢比控制方法，其特征在于：所述氢气供给系统模型包括阳极氢气流量控制阀模型、供给歧管模型、阳极模型、回流歧管模型以及氢气循环泵模型。
4.根据权利要求1所述的基于深度学习-预测控制的车用燃料电池过氢比控制方法，其特征在于，所述步骤S1具体为：
步骤S11：根据车用燃料电池采用的反应物的化学能和能量守恒公式推导，构建燃料电池电化学输出特性模型；
步骤S12：流量控制阀为可变开度喷嘴，其模型在稳态下的控制输入信号的线性方程：
Wfcv＝ufcvWfcv,max (2)
式中，ufcv是流量阀的控制电压，范围是0～1；Wfcv,max是喷嘴全开时的质量流量，Wfcv是流量控制阀输出的氢气流量；
在供给歧管中，当歧管内没有液态水，氢气以及水蒸气在供给歧管中的动态过程为：
Figure FDA0003544659990000022
Figure FDA0003544659990000023
式中，
Figure FDA0003544659990000031
是阳极供给歧管中氢气的压力，
Figure FDA0003544659990000032
是氢气的气体常数,Tsm是供给歧管温度，Vsm是供给歧管的体积，
Figure FDA0003544659990000033
是进入阳极供给管道的氢气流量，
Figure FDA0003544659990000034
是阳极供给管道流出的氢气流量，
Figure FDA0003544659990000035
是阳极供给歧管中的湿度，
Figure FDA0003544659990000036
是水蒸气气体常数，Psat是阳极供给歧管中的水蒸气饱和压力，Wv,sm,in是进入阳极供给歧管中水蒸气流量，Wv,sm,out是阳极供给歧管中的输出水蒸气流量；
阳极氢气和水蒸气的动态过程为：
Figure FDA0003544659990000037
Figure FDA0003544659990000038
Figure FDA0003544659990000039
Figure FDA00035446599900000310
式中，
Figure FDA00035446599900000311
是阳极氢气压力,Tan是阳极温度，Van是阳极体积，
Figure FDA00035446599900000312
是进入阳极的氢气流量，
Figure FDA00035446599900000313
是阳极流出的氢气流量，
Figure FDA00035446599900000314
是电化学反应中所消耗的氢气流量，
Figure FDA00035446599900000315
是阳极湿度，Psat是阳极水蒸气饱和压力，Wv,an,in是进入阳极水蒸气流量，Wv,an,out是阳极输出水蒸气流量，Wv,m是阳极到阴极水蒸气的扩散速率，Ist是燃料电池电堆电流，ncell是单体电池个数，
Figure FDA00035446599900000316
是氢气的摩尔质量，F是法拉第常数，αnet是水分电拖拽系数,
Figure FDA00035446599900000317
是水蒸气的摩尔质量；
为保证质子交换膜正常工作，要求阳极与阴极维持一定的压差；阴极压力是跟随着工况电流进行变化的，具体关系如下：
Pca＝gIst 2+rIst+q (9)
式中，g,r,q均为经验常数；Pca为阴极气体压力；
设回流歧管中也不存在液态水的流入和流出，氢气和水蒸气在回流歧管中的动态过程：
Figure FDA0003544659990000041
Figure FDA0003544659990000042
式中,
Figure FDA0003544659990000043
是阳极回流歧管中氢气的压力,Trm是回流歧管温度，Vrm是回流歧管的体积，
Figure FDA0003544659990000044
是进入阳极回流歧管的氢气流量，
Figure FDA0003544659990000045
是阳极回流歧管流出的氢气流量，
Figure FDA0003544659990000046
是阳极回流歧管中的湿度，Psat是阳极回流歧管中的水蒸气饱和压力，Wv,rm,in是进入阳极回流歧管中水蒸气流量，Wv,rm,out是阳极回流歧管中的输出水蒸气流量；
步骤S13：氢气循环泵的驱动电机模型为：
Figure FDA0003544659990000047
Figure FDA0003544659990000048
Figure FDA0003544659990000049
式中，ωbl是标准条件下的氢气循环泵的角速度，Jbl是电机转动惯量，τbl是驱动循环泵所需的转矩，τbm是电机的转矩，cp,rm是回流歧管中加湿氢气的恒压比热，
Figure FDA00035446599900000410
是氢气循环泵效率，Wbl是在标准的条件下氢气循环泵输出的质量流量，
Figure FDA0003544659990000051
kt、kv、Rbm均为电机的内部参数，ubl是循环泵的电压；
标度氢气循环泵流率定义为：
Figure FDA0003544659990000052
式中，Wbc是在非标准的条件下氢气循环泵输出氢气的流量，ρan是阳极氢气密度，dbl是氢气循环泵转子的直径，Ubl是氢气循环泵转子叶片尖部速度；
氢气循环泵进口气体的状态对输出的氢气流量产生影响，在非标准条件下氢气循环泵输出的流量和角速度转换计算具体为：
Figure FDA0003544659990000053
Figure FDA0003544659990000054
式中，Tref是参考温度，取288k；Pref是参考压力，取一个标准大气压，ωbc是在非标准条件下的氢气循环泵的角速度。
5.根据权利要求1所述的基于深度学习-预测控制的车用燃料电池过氢比控制方法，其特征在于，所述车速预测模型构建具体为：
步骤A1:将若干个城市道路循环工况拼接作为训练样本，定义隐含层的层数以及各层中的神经元个数，并设定初始的权值和阈值；
步骤A2：对训练样本进行一次前向传播，层间的计算及传递过程如下：
Figure FDA0003544659990000061
式中，xj是当前层中第j个神经元的输出值；f(*)是激活函数；ωk,j是上一层中第k个神经元对当前层第j个神经元的权重值；xk是上一层中第k个神经元的输入值；bj是当前层第j个神经元的阈值；
步骤A3:利用损失函数来计算预测值与真实值的误差，选取GradientDescentOptimizer函数作为优化器进一步更新权值和阈值，直到训练次数达到预设值后，保存最终的权值和阈值，得到基于深度学习的车速预测模型；并将10个历史车速通过训练好的权值和阈值进行预测，其预测步长是5。
6.根据权利要求4所述的基于深度学习-预测控制的车用燃料电池过氢比控制方法，其特征在于，所述过氢比预测控制模型构建具体为：
步骤B1：将燃料电池供氢系统和循环泵的非线性模型，在预设工作点利用泰勒展开以及分段函数线性化方法，得到如下连续时间的状态方程：
Figure FDA0003544659990000062
式中，
Figure FDA0003544659990000063
是状态向量，分别是阳极供给歧管，阳极，阳极回流歧管中的氢气压力、湿度和标准条件下循环泵的转速；U＝[ufcv，ubl]T是控制量,分别是流量控制阀和氢气循环泵的控制电压，
Figure FDA0003544659990000064
是阳极压力和过氢比，d＝Ist是干扰项；
步骤B2:利用线性化得到状态方程，设计过氢比预测控制模型，建立预测方程：
Y(e+1|e)＝SxX(e)+IY(e)+Sdd(e)+Suu(e) (20)
式中，Sx、I、Sd、Su均为常数矩阵。
7.根据权利要求1-6任一所述的基于深度学习-预测控制的车用燃料电池过氢比控制方法的控制系统，其特征在于：所述系统包括依次连接的车速传感器、深度学习预测控制器、氢气循环泵驱动电路、氢气循环泵和车用燃料电池；还包括第一流量传感器、第二流量传感器和压力传感器；所述第一流量传感器采集流量控制阀流量并传送至深度学习预测控制器；所述第二流量传感器采集氢气循环泵实时流量并传送至深度学习预测控制器；所述压力传感器采集阳极压力并传送至深度学习预测控制器；所述深度学习预测控制器还与流量控制阀及其驱动电路连接。
CN201910627710.XA 2019-07-12 2019-07-12 基于深度学习-预测控制的车用燃料电池过氢比控制方法 Active CN110335646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910627710.XA CN110335646B (zh) 2019-07-12 2019-07-12 基于深度学习-预测控制的车用燃料电池过氢比控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910627710.XA CN110335646B (zh) 2019-07-12 2019-07-12 基于深度学习-预测控制的车用燃料电池过氢比控制方法

Publications (2)

Publication Number Publication Date
CN110335646A CN110335646A (zh) 2019-10-15
CN110335646B true CN110335646B (zh) 2022-06-17

Family

ID=68146536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910627710.XA Active CN110335646B (zh) 2019-07-12 2019-07-12 基于深度学习-预测控制的车用燃料电池过氢比控制方法

Country Status (1)

Country Link
CN (1) CN110335646B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111244507B (zh) * 2020-01-10 2020-09-18 郑州宇通客车股份有限公司 一种车载氢系统的控制方法、装置及车载氢系统
CN111584906B (zh) * 2020-04-29 2023-06-27 南京航空航天大学 一种基于深度强化学习的燃料电池系统的燃料供给方法
CN113675448B (zh) * 2020-05-15 2023-01-03 北京亿华通科技股份有限公司 一种氢气流量计算方法
CN112510229B (zh) * 2020-12-04 2022-07-22 上海捷氢科技股份有限公司 一种燃料电池系统、及其氢气计量比的计算方法及装置
CN112820906B (zh) * 2021-01-15 2022-06-07 湖南理工学院 一种车用燃料电池动态工况下热力学性能的综合评价方法
CN112925209B (zh) * 2021-02-04 2023-04-28 福州大学 燃料电池汽车模型-干扰双预测控制能量管理方法及系统
CN114243064B (zh) * 2021-12-08 2024-02-13 中国科学院大连化学物理研究所 一种燃料电池阳极氢气控制方法及装置
CN114744254A (zh) * 2022-04-28 2022-07-12 武汉雄韬氢雄燃料电池科技有限公司 氢气循环泵在燃料电池系统中的建模方法
CN116666705B (zh) * 2023-05-23 2024-02-02 武汉理工大学 一种燃料电池氢引射器的氢气回流量的调节方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107728478A (zh) * 2017-09-27 2018-02-23 吉林大学 燃料电池氧气过剩系数神经网络预测控制方法
CN108879947A (zh) * 2018-06-06 2018-11-23 华南理工大学 一种基于深度学习算法的分布式光伏发电控制管理系统
CN109033579A (zh) * 2018-07-11 2018-12-18 清华大学 燃料电池宽域引射器设计方法及装置
CN109960255A (zh) * 2017-12-26 2019-07-02 郑州宇通客车股份有限公司 一种最优目标车速预测、燃料电池系统的控制方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6893755B2 (en) * 2002-10-28 2005-05-17 Cellex Power Products, Inc. Method and system for controlling the operation of a hydrogen generator and a fuel cell
US10030602B2 (en) * 2014-07-22 2018-07-24 The Regents Of The University Of Michigan Adaptive machine learning method to predict and control engine combustion
KR101795244B1 (ko) * 2016-04-19 2017-11-07 현대자동차주식회사 연료전지시스템의 수소소모량 측정 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107728478A (zh) * 2017-09-27 2018-02-23 吉林大学 燃料电池氧气过剩系数神经网络预测控制方法
CN109960255A (zh) * 2017-12-26 2019-07-02 郑州宇通客车股份有限公司 一种最优目标车速预测、燃料电池系统的控制方法及装置
CN108879947A (zh) * 2018-06-06 2018-11-23 华南理工大学 一种基于深度学习算法的分布式光伏发电控制管理系统
CN109033579A (zh) * 2018-07-11 2018-12-18 清华大学 燃料电池宽域引射器设计方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Optimal operating points of PEM fuel cell model with RSM;Dongji Xuan et al;《Journal of Mechanical Science and Technology》;20090628;712-728页 *
车用燃料电池系统控制策略研究;周洋;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20170515;第2017年卷(第05期);C035-202页 *

Also Published As

Publication number Publication date
CN110335646A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
CN110335646B (zh) 基于深度学习-预测控制的车用燃料电池过氢比控制方法
CN109524693B (zh) 燃料电池空气供给系统模型预测控制方法
CN112072142B (zh) 一种基于模型预测控制的燃料电池控制方法和系统
CN111584906B (zh) 一种基于深度强化学习的燃料电池系统的燃料供给方法
CN103178281B (zh) 用于控制燃料电池组阳极内压力振荡的系统和方法
CN111342086A (zh) 一种燃料电池空气过氧比与流量压力协同控制方法及系统
CN110069033A (zh) 一种全功率燃料电池空压机双层预测控制方法
CN114156510B (zh) 一种基于模型预测控制的燃料电池功率跟踪控制方法
CN116341395B (zh) 多堆燃料电池飞机的能量管理方法、系统、设备及终端
CN112713288B (zh) 一种燃料电池鼓泡加湿器控制系统及控制方法
CN112331888A (zh) 一种基于仿真模型的燃料电池电堆模拟器
CN115732810A (zh) 一种电动汽车电池包加温系统控制方法
CN115659839A (zh) 一种燃料电池空气系统仿真模型的建模优化方法
Wang et al. Long short-term memory deep learning model for predicting the dynamic performance of automotive PEMFC system
CN113815437A (zh) 燃料电池混合动力汽车的预测性能量管理方法
CN111769312B (zh) 一种基于压力补偿的燃料电池供给路解耦控制方法
Song et al. AI-based proton exchange membrane fuel cell inlet relative humidity control
CN112084680A (zh) 一种基于dqn算法的能源互联网优化策略方法
CN110212216A (zh) 具有随机预测功能的燃料电池过氧比控制方法及系统
CN116409216A (zh) 基于预测的非线性模型控制的燃料电池汽车能量管理方法
CN115716469A (zh) 一种混合动力系统的输出功率分配控制方法
CN114883600A (zh) 多层燃料电池控制系统及控制方法
CN112632757A (zh) 一种基于混合模糊控制的质子交换膜燃料电池的过氧量实时切换控制装置设计方法
Wang et al. DEEP LEARNING BASED HIERARCHICAL PREDICTIVE CONTROL FOR OXYGEN STOICHIOMETRY OF PROTON EXCHANGE MEMBRANE FUEL CELL ENGINE
Wang et al. Air Feeding Adaptive Backstepping Sliding Mode Control for Automotive Fuel Cell System

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