CN110399928A - 固体氧化物燃料电池电压预测方法、终端设备及存储介质 - Google Patents

固体氧化物燃料电池电压预测方法、终端设备及存储介质 Download PDF

Info

Publication number
CN110399928A
CN110399928A CN201910689214.7A CN201910689214A CN110399928A CN 110399928 A CN110399928 A CN 110399928A CN 201910689214 A CN201910689214 A CN 201910689214A CN 110399928 A CN110399928 A CN 110399928A
Authority
CN
China
Prior art keywords
nectar source
voltage
model
parameter
fuel cell
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
Application number
CN201910689214.7A
Other languages
English (en)
Inventor
周海峰
熊超
靳方圆
杨文中
陈兴才
丁晓映
马益民
林仁芝
廖海峰
王新乡
雷慧
孙金余
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.)
Jimei University
Original Assignee
Jimei 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 Jimei University filed Critical Jimei University
Priority to CN201910689214.7A priority Critical patent/CN110399928A/zh
Publication of CN110399928A publication Critical patent/CN110399928A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuel Cell (AREA)

Abstract

本发明涉及一种固体氧化物燃料电池电压预测方法、终端设备及存储介质，该方法中包括：S1：设计温度不变，在输入气体流速恒定的条件下，采集固体氧化物燃料电池在不同电流下对应的电压值，将采集的多组数据组成训练数据集；S2：构建RBF神经网络模型；S3：利用训练数据集，并通过人工蜂群算法对模型的参数进行训练，得到最优的模型参数，将最优的模型参数代入RBF神经网络模型中得到最终模型；S4：通过最终模型对固体氧化物燃料电池的电压进行预测。本发明通过构建RBF神经网络模型对固体氧化物燃料电池的电压进行预测，并通过人工蜂群算法对模型的参数进行训练，以提高预测精度。

Description

固体氧化物燃料电池电压预测方法、终端设备及存储介质
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电压预测的方法、终端设备及存储介质。
背景技术
目前电能来源主要来自发电厂，而发电厂通过燃烧煤炭等资源的发电方式不仅产生废气污染环境，而且效率不高。固体氧化物燃料电池(Solid Oxide Fuel Cell，SOFC)可以在几乎不生成有害气体的情况下高效利用燃料，其电解质采用耐高温(600～1000℃)的特殊固体材料，通过化学反应产生电能。SOFC已成为一种广受关注的非常重要的燃料电池技术，适用于大型发电厂以及机车和船舶动力供电，发展前景非常可观。
目前，国内外比较完善的SOFC模型侧重于电堆设计，从流体动力学、热力学和电化学等方面研究其内部反应过程。现有的对SOFC模型中电压预测的方法中有采用神经网络算法来进行预测，但由于神经网络输入系统的参数是随机的，因此预测精确度不高。
发明内容
为了解决上述问题，本发明提出了一种固体氧化物燃料电池电压预测方法、终端设备及存储介质，通过构建RBF神经网络模型对固体氧化物燃料电池的电压进行预测，并通过人工蜂群算法对模型的参数进行训练，以提高预测精度。
具体方案如下：
一种固体氧化物燃料电池电压预测方法，包括以下步骤：
S1：设计温度不变，在输入气体流速恒定的条件下，采集固体氧化物燃料电池在不同电流下对应的电压值，将采集的多组数据组成训练数据集；
S2：构建RBF神经网络模型，设定模型的输入为电池的输入气体流速q和电流I，模型的输出为电压U，设定模型的径向基函数为高斯基函数，输入层至隐含层之间的权值为高斯基函数的中心值；
模型的隐含层的输出向量r的计算公式为：
其中，c为高斯函数的中心向量，σ为高斯函数的宽度向量，x为输入层的输入，x＝(q,I)T；
输出层的输出向量y的计算公式为：
y＝wr
其中，w为隐含层各节点至输出层的权重向量，y为输出层的输出；
S3：利用训练数据集，并通过人工蜂群算法对模型的参数进行训练，得到最优的模型参数，将最优的模型参数代入RBF神经网络模型中得到最终模型；
S4：通过最终模型对固体氧化物燃料电池的电压进行预测。
进一步的，设定模型的输入参数为12个，构成的参数向量p为：
p＝[σ1,σ2,σ3,c11,c12,c13,c21,c22,c23,w1,w2,w3]
其中，下标i＝1,2，下标j＝1,2,3。
进一步的，步骤S3具体包括以下步骤：
S31：初始化参数，设定采蜜蜂数量CN，观察蜂数量GN，蜜源数量MN，维数D，最大迭代次数，次数阈值，根据下式对蜜源x进行初始化：
xij＝Sj+γ(Lj-Sj)
其中，xij∈(Sj,Lj)为蜜源，Lj和Sj分别为搜寻域上限和下限，下标i＝1,2...,MN，j＝1,2,...,D，γ为(-1,1)间的随机数；
S32：将蜜源的位置参数作为步骤S2构建的RBF神经网络模型的模型参数，将训练数据集中各数据输入RBF神经网络模型运算后得到模型的输出作为预测值，将步骤S1中采集的各数据的电压值作为实际值，计算训练数据集中所有数据的预测值与实际值之间的均方误差值f：
其中，S为训练数据集中数据的个数，为预测值，yi为实际值；
S33：进入迭代过程：采蜜峰根据下式查找新蜜源：
vij＝xij+βij(xij-xkj)
其中，vij为新蜜源，xij为旧蜜源，βij为(-1,1)间的随机数，xkj随机取另一处旧蜜源，且k≠i；
并计算新蜜源的位置参数对应的RBF神经网络模型中预测值与实际值之间的均方误差值，若新蜜源对应的均方误差值小于旧蜜源对应的均方误差值，则更新蜜源位置并进入下一次迭代，否则，设定失败次数加1，直到失败次数大于次数阈值时，舍弃该蜜源，进入S35；
S34：观察蜂按下式计算概率Pi：
其中，fi为第i处蜜源的均方误差值，N为蜜源总数；
利用轮盘赌法决定蜜源的起始位置，并根据蜜源的起始位置查找新蜜源，当新蜜源的均方误差值小于旧蜜源的均方误差值时，更新蜜源位置并进入下一次迭代，否则，设定失败次数加1，直到失败次数大于次数阈值时，舍弃该蜜源，进入S35；
S35：将采蜜蜂或观察蜂替换为侦查蜂，根据下式进行蜜源xi的初始化，并与其他更新成功的蜂群一起进入下一次迭代过程；
xi＝xmin+λ(xmax-xmin)
其中，(xmin，xmax)为蜜源位置限制区间，λ为(0,1)间的随机数；
S36：当迭代次数大于最大迭代次数时，将迭代过程中最小的均方误差值对应的蜜源的位置参数设定为最优的模型参数。
一种固体氧化物燃料电池电压预测终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案，通过人工蜂群算法对RBF神经网络参数进行预训练，使用优化参数实现了对SOFC电堆的建模，建立了不同氢气流速下的电压与电流的电特性模型。仿真实验结果表明，利用基于人工蜂群算法的RBF神经网络模型的非线性拟合和预测能力对SOFC电堆建模的有效性，而且相比RBF神经网络具有更好的精确度。
附图说明
图1所示为本发明实施例一的网络结构示意图。
图2所示为该实施例的模型结构示意图。
图3所示为该实施例中不同氢气流速对应电压/电流特性图。
图4所示为该实施例中RBF神经网络的电压预测结果图。
图5所示为该实施例中GA-RBF模型的电压预测结果图。
图6所示为该实施例中PSO-RBF模型的电压预测结果图。
图7所示为该实施例中ABC-RBF模型的电压预测结果图。
图8所示为该实施例中四种模型的电压预测绝对值对比图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例一提供了一种固体氧化物燃料电池电压预测方法，下面对该方法的内容进行详细介绍：
1.SOFC工作原理
SOFC的工作原理为：阳极设有燃气进入口以及过量燃气和反应生成物的排出口，阴极设有空气进入口和未参与反应气体的排出口。燃气通常为甲烷、氢气和一氧化碳，该实施例中以氢气为例，通入阳极的氢气会在阳极催化下形成活性氢。空气进入阴极后，空气中的氧气在阴极和外电路电子的共同作用下变成氧离子，使阴极处氧离子浓度增高，中间的特殊固体材料在高温条件下可以让阴极产生的氧离子通过，氧离子扩散至阳极与活性氢反应生成水，同时释放电子，产生电流。
SOFC中电极反应为：
阳极反应：H2+O2-→H2O+2e-
阴极反应：
总反应：
2.RBF(径向基)神经网络
RBF神经网络是将原本神经网络中的输入层到隐含层之间通过权值连接的方式变为由径向基函数进行连接。该实施例中所述径向基函数采用式(1)所示高斯基函数，输入层至隐含层之间的权值就是高斯基函数的中心值。该实施例中以电堆的氢气流速和输入电流I作为自变量，以输出电压U作为因变量，从而建立输入到输出y＝U的非线性映射，该实施例中优选设定3个隐含层节点，则对应RBF神经网络结构如由图1所示。
隐含层输出向量r通过式(1)求取：
式中，c为高斯基函数的中心向量，σ为宽度向量，是待优化参数向量。
输出层输出向量y为：
y＝wr (2)
式中，w为隐含层各节点至输出层的权重向量，是待优化参数向量。
若输入M组预测数据，则RBF神经网络的预测平均绝对值误差e为：
式中，yp(i)为预测输出，yq(i)为实际值。
3.通过人工蜂群算法对RBF神经网络进行优化
若只使用RBF神经网络对SOFC系统进行预测，输入系统的参数是随机的，不具有代表性，预测精确度不高。而人工蜂群算法通过对输入RBF神经网络的初始参数进行预训练，从而使输入系统的初始参数最优，预测效果更佳。
该实施例中待优化的RBF神经网络模型中待优化的参数共有12个，构成的参数向量p为：
p＝[σ1,σ2,σ3,c11,c12,c13,c21,c22,c23,w1,w2,w3] (4)
式中，下标i＝1,2，下标j＝1,2,3。
人工蜂群算法将工作蜂分成3种：采蜜蜂、观察蜂和侦查蜂。单个人工蜂可能只能找到局部小块区域的优质蜜源，但是通过具有信息共享机制的蜂群就能找到大片区域的最优蜜源。若将RBF神经网络的参数的解看做蜜源在D维空间中的位置向量，则通过模拟蜂群采蜜行为就可以找到规定区间内的最优参数解。因此该实施例中通过人工蜂群算法对RBF神经网络进行优化的具体优化过程如下：
(1)初始化人工蜂群算法各参数。
设定采蜜蜂数量CN，观察蜂数量GN，蜜源数量MN，维数D，最大迭代次数K，次数阈值Limit。蜜源x按式(5)进行初始化：
xij＝Sj+γ(Lj-Sj) (5)
式中，xij∈(Sj,Lj)为蜜源，Lj，Sj为搜寻域的上限和下限，i＝1,2...,MN，j＝1,2,...,D，γ为(-1,1)间的随机数，各参数的取值范围根据经验值设定。
(2)将生成的蜜源位置参数输入RBF神经网络，并按式(6)计算蜜源处的网络预测值与实际值之间的均方误差值f。
式中，S为训练数据集中数据的个数，为网络预测值，yi为实际值。
(3)进入迭代过程，采蜜蜂在搜寻域内按式(7)进行随机搜寻新蜜源：
vij＝xij+βij(xij-xkj) (7)
式中，vij为新蜜源，xij为旧蜜源，βij为(-1,1)间的随机数，xkj随机取另一处旧蜜源，且k≠i。
当发现新蜜源时计算新蜜源位置的均方误差值，并与旧蜜源的均方误差值比较，若均方误差值变小，则更新蜜源位置，否则设定失败次数加1，直到失败次数大于设定的次数阈值Limit，舍弃该蜜源，采蜜蜂被侦查蜂替代，按式(8)进行初始化。
xi＝xmin+λ(xmax-xmin) (8)
式中，(xmin，xmax)为蜜源位置限制区间，λ为(0,1)间的随机数。
(4)观察蜂按式(9)计算概率Pi：
式中，fi为第i处蜜源的均方误差值，N为蜜源总数。
利用轮盘赌法决定从何蜜源附近继续搜索(即继续搜索的起始位置)，并按式(7)继续搜索新蜜源，搜寻到新的蜜源后，依据新旧蜜源的均方误差值优劣情况更新位置，更新完成后直接进入下一次迭代，否则记一次失败，直到失败数大于次数阈值Limit，进行下一步骤。
(5)侦查蜂在采蜜蜂或观察蜂更新失败后，将舍弃此蜜源位置，将按式(8)重新初始化，并与其他更新成功的蜂群一起进入下一次迭代过程。该步骤可以防止搜寻结果长时陷入局部极值。
(6)达到最大迭代次数后，保存最优均方误差值以及对应的蜜源位置，该蜜源位置向量就是优化过的参数向量，最后将此作为初始向量输入RBF神经网络，根据预测值和实际值计算优化后的平均误差值。
SOFC是非线性系统，该实施例中采用的模型结构为非线性自回归滑动平均模型(NARX)，其输入数据为电池组氢气流速与电流I，输出为电压U，将三者关系采用非线性差分方程式描述为：
式中，U(k-i)(i＝0,1,...,n)是过去电堆输出电压组成的n阶回归向量，I(k-j)(j＝0,1,...,m)是过去电堆输入电流组成的m阶回归向量，是系统输入氢气流速。假设I(k)为系统输入，U(k+1)为系统实际输出，为系统预测输出，e(k+1)为U(k+1)与之间的误差，TDL为时间延迟阵列，则基于ABC-RBF的SOFC辨识系统结构图如图2所示。利用SOFC电堆的实际电特性模型采集训练数据集，将训练集输入ABC-RBF辨识模型，训练过程中利用化人工蜂群算法不断优化RBF神经网络参数，寻找到最优电压预测均方误差，此时对应得到的参数为优化参数。利用优化参数可以模拟出SOFC电堆输入与输出间的非线性关系，实现对SOFC电堆电特性模型的建立。
5.仿真实验
该实施例的仿真实验平台采用MATLAB R2016b。保持温度不变采集实验数据，设置氢气流速共4组分别为0.8mol/s，0.9mol/s，1.0mol/s，1.2mol/s条件下，逐渐增加电流(I∈[0,500A])测试得到SOFC系统的电压采集值，各组对应电压/电流特性如图3所示。
为了安正模型的有效性，该实施例中将采集的实验数据随机分为4组，利用第1、2和3组样本进行训练，训练样本1400个，利用第4组样本进行测试，测试样本480个。
数据采集完成后，将氢气流速为0.8mol/s，0.9mol/s和1.0mol/s时的输入电流和输出电压对应采集值输入ABC-RBF辨识模型进行训练。训练过程中使用的优化目标函数为式(6)，式(6)为均方误差表达式，可以描述数据变化程度，均方误差值越小，预测精准度越高。ABC算法中设置采蜜蜂和观察蜂数各为30，蜜源数为30，维数为12，最大迭代次数为400，指定最大迭代数为40。则经过ABC算法优化后的RBF神经网络参数值如表1所示，其中包括RBF神经网络的输出权值以及基函数的中心值和宽度值。
表1
b<sub>1</sub> b<sub>2</sub> b<sub>3</sub> c<sub>11</sub> c<sub>12</sub> c<sub>13</sub>
2.2777 1.0215 2.3397 -0.2659 -0.7228 -0.0983
c<sub>21</sub> c<sub>22</sub> c<sub>23</sub> w<sub>1</sub> w<sub>2</sub> w<sub>3</sub>
-1.7731 -1.3685 -2.0489 0.6937 0.0111 0.1851
将表1中的优化参数作为初始参数输入RBF神经网络中进行预测，得到在氢气流速为1.2mol/s时的预测值。按照ABC-RBF模型搭建方法分别建立GA-RBF和PSO-RBF辨识模型，并用同样的辨识方法进行训练并预测。为验证辨识模型有效性，将预测值与实验采集值进行对比。仿真结果如图4～7所示。图4为采用RBF神经网络时电压预测值与实际值对比图，图5、6和7分别为采用GA-RBF、PSO-RBF和ABC-RBF辨识模型时电压预测值与实际值对比图，可以看出，只用RBF神经网络时电压预测值在I∈[0,100A]偏离实际值，而采用辨识模型的预测曲线与实际值曲线在整个过程中几乎重合，说明利用GA(Genetic Algorithm，遗传算法)、PSO(Particle Swarm Optimization，粒子群优化算法)和ABC算法优化RBF神经网络参数的辨识方法比RBF神经网络效果好。
进一步地，为验证模型精准度，将对比四种方式的电压预测误差。为了更加直观显示误差区别，取误差的绝对值进行对比。四种方法的电压预测误差绝对值如图8所示。可以看出，在I∈[0,200A]时，RBF神经网络预测误差较大且呈逐渐下降的趋势，其他三种辨识方法预测误差较小，都是先收敛到0点附近后又开始逐渐增大，但不超过初始误差，其中ABC-RBF预测误差最小。在I∈[200,480A]时，四种方法的预测误差趋于稳定，但RBF神经网络预测误差仍大于其他三种方法。RBF神经网络本身具有非线性逼近能力，在预测过程中误差值在逐渐减小，但在整个过程中都大于其他三种辨识模型，说明其逼近能力有限。GA-RBF、PSO-RBF和ABC-RBF辨识模型由于经过优化，整个过程的预测误差都很小，尤其在I∈[0,100A]时体现了优化效果。利用预测均方误差衡量四种方法的精准度，均方误差越小，预测精准度越高。按式(6)计算四种方法的均方误差值，RBF为1.0726，GA-RBF为0.1532，PSO-RBF为0.1516，ABC-RBF为0.1057，ABC-RBF预测均方误差值最小，说明预测精准度最高。因此，该实施例中的人工蜂群算法优化RBF神经网络的方法有效且效果最好。
本发明实施例一基于人工蜂群算法对RBF神经网络参数进行预训练，使用优化参数实现了对SOFC电堆的建模，建立了不同氢气流速下的电压与电流的电特性模型。仿真实验结果表明，利用基于人工蜂群算法的RBF神经网络模型的非线性拟合和预测能力对SOFC电堆建模的有效性，而且相比RBF神经网络具有更好的精确度。
另外，该实施例中采用的结构为最简形式，还可以考虑通过增加隐含层节点数，增加输入或输出变量对SOFC电堆模型进一步完善。
实施例二：
本发明还提供一种固体氧化物燃料电池电压预测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述固体氧化物燃料电池电压预测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述固体氧化物燃料电池电压预测终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述固体氧化物燃料电池电压预测终端设备的组成结构仅仅是固体氧化物燃料电池电压预测终端设备的示例，并不构成对固体氧化物燃料电池电压预测终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述固体氧化物燃料电池电压预测终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述固体氧化物燃料电池电压预测终端设备的控制中心，利用各种接口和线路连接整个固体氧化物燃料电池电压预测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述固体氧化物燃料电池电压预测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述固体氧化物燃料电池电压预测终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (5)

1.一种固体氧化物燃料电池电压预测方法，其特征在于，包括以下步骤：
S1：设计温度不变，在输入气体流速恒定的条件下，采集固体氧化物燃料电池在不同电流下对应的电压值，将采集的多组数据组成训练数据集；
S2：构建RBF神经网络模型，设定模型的输入为电池的输入气体流速q和电流I，模型的输出为电压U，设定模型的径向基函数为高斯基函数，输入层至隐含层之间的权值为高斯基函数的中心值；
模型的隐含层的输出向量r的计算公式为：
其中，c为高斯函数的中心向量，σ为高斯函数的宽度向量，x为输入层的输入，x＝(q,I)T；
输出层的输出向量y的计算公式为：
y＝wr
其中，w为隐含层各节点至输出层的权重向量，y为输出层的输出；
S3：利用训练数据集，并通过人工蜂群算法对模型的参数进行训练，得到最优的模型参数，将最优的模型参数代入RBF神经网络模型中得到最终模型；
S4：通过最终模型对固体氧化物燃料电池的电压进行预测。
2.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于：设定模型的输入参数为12个，构成的参数向量p为：
p＝[σ1,σ2,σ3,c11,c12,c13,c21,c22,c23,w1,w2,w3]
其中，下标i＝1,2，下标j＝1,2,3。
3.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于：步骤S3具体包括以下步骤：
S31：初始化参数，设定采蜜蜂数量CN，观察蜂数量GN，蜜源数量MN，维数D，最大迭代次数，次数阈值，根据下式对蜜源x进行初始化：
xij＝Sj+γ(Lj-Sj)
其中，xij∈(Sj,Lj)为蜜源，Lj和Sj分别为搜寻域上限和下限，下标i＝1,2...,MN，j＝1,2,...,D，γ为(-1,1)间的随机数；
S32：将蜜源的位置参数作为步骤S2构建的RBF神经网络模型的模型参数，将训练数据集中各数据输入RBF神经网络模型运算后得到模型的输出作为预测值，将步骤S1中采集的各数据的电压值作为实际值，计算训练数据集中所有数据的预测值与实际值之间的均方误差值f：
其中，S为训练数据集中数据的个数，为预测值，yi为实际值；
S33：进入迭代过程：采蜜峰根据下式查找新蜜源：
vij＝xij+βij(xij-xkj)
其中，vij为新蜜源，xij为旧蜜源，βij为(-1,1)间的随机数，xkj随机取另一处旧蜜源，且k≠i；
计算新蜜源的位置参数对应的RBF神经网络模型中预测值与实际值之间的均方误差值，若新蜜源对应的均方误差值小于旧蜜源对应的均方误差值，则更新蜜源位置并进入下一次迭代，否则，设定失败次数加1，直到失败次数大于次数阈值时，舍弃该蜜源，进入S35；
S34：观察蜂按下式计算概率Pi：
其中，fi为第i处蜜源的均方误差值，N为蜜源总数；
利用轮盘赌法决定蜜源的起始位置，并根据蜜源的起始位置查找新蜜源，当新蜜源的均方误差值小于旧蜜源的均方误差值时，更新蜜源位置并进入下一次迭代，否则，设定失败次数加1，直到失败次数大于次数阈值时，舍弃该蜜源，进入S35；
S35：将采蜜蜂或观察蜂替换为侦查蜂，根据下式进行蜜源xi的初始化，并与其他更新成功的蜂群一起进入下一次迭代过程；
xi＝xmin+λ(xmax-xmin)
其中，(xmin，xmax)为蜜源位置限制区间，λ为(0,1)间的随机数；
S36：当迭代次数大于最大迭代次数时，将迭代过程中最小的均方误差值对应的蜜源的位置参数设定为最优的模型参数。
4.一种固体氧化物燃料电池电压预测终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～3中任一所述方法的步骤。
5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～3中任一所述方法的步骤。
CN201910689214.7A 2019-07-29 2019-07-29 固体氧化物燃料电池电压预测方法、终端设备及存储介质 Pending CN110399928A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910689214.7A CN110399928A (zh) 2019-07-29 2019-07-29 固体氧化物燃料电池电压预测方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910689214.7A CN110399928A (zh) 2019-07-29 2019-07-29 固体氧化物燃料电池电压预测方法、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN110399928A true CN110399928A (zh) 2019-11-01

Family

ID=68326345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910689214.7A Pending CN110399928A (zh) 2019-07-29 2019-07-29 固体氧化物燃料电池电压预测方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN110399928A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378518A (zh) * 2019-06-24 2019-10-25 浙江大学 一种采用lstm-narx混合模型的水下潮流预测方法
CN111948562A (zh) * 2020-08-24 2020-11-17 南京机电职业技术学院 一种燃料电池全生命周期监控与评估系统
CN112084710A (zh) * 2020-09-07 2020-12-15 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
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
CN112363060A (zh) * 2020-11-11 2021-02-12 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
CN112906295A (zh) * 2021-01-28 2021-06-04 中国人民解放军国防科技大学 固体火箭发动机燃速预示方法、装置和设备
CN115994629A (zh) * 2023-03-23 2023-04-21 南京信息工程大学 一种基于gn-rbf的空气湿度预测方法及系统
CN116646568A (zh) * 2023-06-02 2023-08-25 陕西旭氢时代科技有限公司 一种基于元启发式的燃料电池电堆参数寻优方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399492A (zh) * 2013-08-07 2013-11-20 东南大学 一种固体氧化物燃料电池电压快速非线性预测控制方法
CN104965941A (zh) * 2015-06-02 2015-10-07 上海电力学院 基于改进的人工蜂群算法的漏磁检测缺陷重构方法
CN106628097A (zh) * 2016-11-22 2017-05-10 南京航空航天大学 一种基于改进径向基神经网络的船舶设备故障诊断方法
CN107180983A (zh) * 2017-05-16 2017-09-19 华中科技大学 一种固体氧化物燃料电池电堆故障诊断方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399492A (zh) * 2013-08-07 2013-11-20 东南大学 一种固体氧化物燃料电池电压快速非线性预测控制方法
CN104965941A (zh) * 2015-06-02 2015-10-07 上海电力学院 基于改进的人工蜂群算法的漏磁检测缺陷重构方法
CN106628097A (zh) * 2016-11-22 2017-05-10 南京航空航天大学 一种基于改进径向基神经网络的船舶设备故障诊断方法
CN107180983A (zh) * 2017-05-16 2017-09-19 华中科技大学 一种固体氧化物燃料电池电堆故障诊断方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴丽华: "基于神经网络的固体氧化物燃料电池建模研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
秦全德等: "人工蜂群算法研究综述", 《智能系统学报》 *
霍海娥等: "SOFC的支持向量机（SVM）辨识建模", 《系统仿真学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378518A (zh) * 2019-06-24 2019-10-25 浙江大学 一种采用lstm-narx混合模型的水下潮流预测方法
CN110378518B (zh) * 2019-06-24 2022-01-11 浙江大学 一种采用lstm-narx混合模型的水下潮流预测方法
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
CN111948562A (zh) * 2020-08-24 2020-11-17 南京机电职业技术学院 一种燃料电池全生命周期监控与评估系统
CN112084710A (zh) * 2020-09-07 2020-12-15 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
CN112084710B (zh) * 2020-09-07 2022-04-15 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
CN112363060A (zh) * 2020-11-11 2021-02-12 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
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
CN112906295A (zh) * 2021-01-28 2021-06-04 中国人民解放军国防科技大学 固体火箭发动机燃速预示方法、装置和设备
CN115994629A (zh) * 2023-03-23 2023-04-21 南京信息工程大学 一种基于gn-rbf的空气湿度预测方法及系统
CN116646568A (zh) * 2023-06-02 2023-08-25 陕西旭氢时代科技有限公司 一种基于元启发式的燃料电池电堆参数寻优方法
CN116646568B (zh) * 2023-06-02 2024-02-02 陕西旭氢时代科技有限公司 一种基于元启发式的燃料电池电堆参数寻优方法

Similar Documents

Publication Publication Date Title
CN110399928A (zh) 固体氧化物燃料电池电压预测方法、终端设备及存储介质
Tong et al. Early prediction of remaining useful life for Lithium-ion batteries based on a hybrid machine learning method
Houssein et al. An enhanced Archimedes optimization algorithm based on Local escaping operator and Orthogonal learning for PEM fuel cell parameter identification
Li et al. Coordinated scheduling for improving uncertain wind power adsorption in electric vehicles—Wind integrated power systems by multiobjective optimization approach
Wu et al. Modeling a SOFC stack based on GA-RBF neural networks identification
Urgun et al. Importance sampling using multilabel radial basis classification for composite power system reliability evaluation
CN116449218B (zh) 一种锂电池健康状态的估计方法
Zhang et al. MOEA/D with many-stage dynamical resource allocation strategy to solution of many-objective OPF problems
Zhang et al. An optimal model identification for solid oxide fuel cell based on extreme learning machines optimized by improved Red Fox Optimization algorithm
Mahbub et al. Incorporating domain knowledge into the optimization of energy systems
Sultan et al. Parameter identification of proton exchange membrane fuel cell stacks using bonobo optimizer
CN104881707B (zh) 一种基于集成模型的烧结能耗预测方法
Deepanraj et al. Intelligent wild geese algorithm with deep learning driven short term load forecasting for sustainable energy management in microgrids
Hu et al. A niching backtracking search algorithm with adaptive local search for multimodal multiobjective optimization
Abdel-Basset et al. Adaptive and efficient optimization model for optimal parameters of proton exchange membrane fuel cells: A comprehensive analysis
Zhang et al. Parameter identification of proton exchange membrane fuel cell based on swarm intelligence algorithm
Liu et al. Surrogate-assisted many-objective optimization of building energy management
Ayvaz An improved chicken swarm optimization algorithm for extracting the optimal parameters of proton exchange membrane fuel cells
Jiang et al. Two‐level area‐load modelling for OPF of power system using reinforcement learning
Weng et al. Boosted backtracking search optimization with information exchange for photovoltaic system evaluation
Isen et al. Improved stochastic fractal search algorithm involving design operators for solving parameter extraction problems in real-world engineering optimization problems
Menesy et al. Optimal values of unknown parameters of polymer electrolyte membrane fuel cells using improved chaotic electromagnetic field optimization
Alqahtani et al. Parameters estimation of proton exchange membrane fuel cell model based on an improved Walrus optimization algorithm
Wang et al. Migration-based algorithm library enrichment for constrained multi-objective optimization and applications in algorithm selection
Zhou et al. Parameters Identification of Battery Model Using a Novel Differential Evolution Algorithm Variant

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191101