CN110688746B - 一种确定sofc系统最优操作点的方法 - Google Patents

一种确定sofc系统最优操作点的方法 Download PDF

Info

Publication number
CN110688746B
CN110688746B CN201910875802.XA CN201910875802A CN110688746B CN 110688746 B CN110688746 B CN 110688746B CN 201910875802 A CN201910875802 A CN 201910875802A CN 110688746 B CN110688746 B CN 110688746B
Authority
CN
China
Prior art keywords
operating point
operation point
net
sofc
optimal
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
CN201910875802.XA
Other languages
English (en)
Other versions
CN110688746A (zh
Inventor
蒋建华
成天亮
张浩波
吴小东
李箭
李曦
邓忠华
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910875802.XA priority Critical patent/CN110688746B/zh
Publication of CN110688746A publication Critical patent/CN110688746A/zh
Application granted granted Critical
Publication of CN110688746B publication Critical patent/CN110688746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • H01M8/10—Fuel cells with solid electrolytes
    • 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)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Manufacturing & Machinery (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Electrochemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种确定SOFC系统最优操作点的方法，属于固体氧化物燃料电池控制领域。包括：初始化系统净输出功率与重整器性能衰减参数；确定满足系统净输出功率与性能衰减参数的系统操作点的输入空间；通过遗传‑粒子群优化算法，获得系统操作点的输入空间中满足系统各元件温度约束、系统的功能效率最大化的最优操作点。本发明通过拟合获得不同性能衰减情况下最优操作点与系统净输出功率与性能衰减参数的定量关系，从而预测当前时刻的系统状态所对应的最优操作点，为实时更新的系统控制器优化提供有力支持。得到特定系统性能衰减条件下的最优操作点，根据在最优操作点下的系统衰减机制，建立健康度评价体系，为系统控制器优化提供有力的支持。

Description

一种确定SOFC系统最优操作点的方法
技术领域
本发明属于固体氧化物燃料电池控制领域，更具体地，涉及一种确定SOFC(SolidOxide Fuel Cell，固体氧化物燃料电池)系统最优操作点的方法。
背景技术
固体氧化物燃料电池SOFC是一种发电效率高、清洁无污染、具有较高功率密度和能量密度的绿色分布式发电方式，具有燃料来源广泛、无机械运动和卡诺循环极限效率的限制、没有熔融碳酸盐腐蚀、不需要铂铑等贵金属催化剂、全固态结构具有制造维护成本低和工作寿命长等优势，所以SOFC被称为21世纪最具潜力的绿色发电系统之一。
经过数十年发展，SOFC技术在电堆材料研发、电堆制造、系统集成与控制等方面已经逐渐走向成熟，但昂贵的制造成本与较短的系统寿命仍然是制约其大规模商业化应用的关键问题。在SOFC系统长时间运行中，系统不可避免地发生性能衰减并逐渐演变为故障，从而导致系统动静态特征发生变化，按照原系统状态设计的控制系统将面临参数失配、控制不准、控制律错误等问题。所以研究基于性能衰减与故障演变机制下系统的动静态特性，建立系统健康评价体系对优化系统控制实现系统高效率、长寿命运行至关重要。
目前，研究SOFC系统性能衰减与故障的，对SOFC系统性能衰减与故障的研究主要集中在电堆领域，一是因为电堆是SOFC发电系统的核心部件，它对整个系统的性能有着至关重要的影响；二是SOFC外围设备(BOP)采购研发成本较高，因此以BOP作为研究对象的文献屈指可数。因此研究电堆部件和BOP部件同时发生性能衰减情况下的系统最优操作点的漂移特性便十分有意义。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种确定SOFC系统最优操作点的方法，其目的在于在不同系统性能衰减条件下使得SOFC系统功能效率最大化。
为实现上述目的，按照本发明的一个方面，提供了一种确定SOFC系统最优操作点的方法，该方法包括以下步骤：
S1.初始化系统净输出功率Pnet与重整器性能衰减参数rdr；
S2.确定满足SOFC系统净输出功率Pnet与性能衰减参数rdr的系统操作点的输入空间；
S3.通过遗传-粒子群优化算法，获得该系统操作点的输入空间中同时满足系统各元件温度约束和系统的功能效率最大化的最优操作点。
具体地，步骤S2包括以下子步骤：
S21.找到任意一个能够在性能衰减参数rdr下产生净输出功率Pnet的SOFC系统操作点；
S22.分别调整该操作点的各变量，将满足产生SOFC系统净输出功率(1-ε％)Pnet～(1+ε％)Pnet的各系统操作点，构成系统操作点的输入空间。
具体地，系统操作点X＝(U，Pr，BP1，BP2，F_fuel，F_air)∈R6，其中，U为电堆中电池片平均电压，Pr为重整器烟气分流比，BP1和BP2分别为燃烧室燃料旁路流量和空气旁路流量，F_fuel和F_air分别为燃料流量和空气流量。
具体地，步骤S3包括以下子步骤：
S31.在操作点的输入空间范围内随机产生一个解种群，在操作点的输入空间范围内选择任意一个满足系统各元件温度约束的操作点作为候选最优操作点；
S32.判断该解种群中是否存在系统各元件温度约束均满足的操作点，若存在，找出同时满足系统各元件温度约束和系统的功能效率最大化的操作点，用该操作点与当前候选最优操作点下系统的功能效率较大者更新候选最优操作点，进入步骤S33，若不存在，直接进入步骤S33；
S33.将粒子群优化操作应用到解种群，再将遗传操作以一定概率应用到经过粒子群优化的解种群，获得新解种群；
S34.如果停止条件满足则算法终止运行，当前的候选最优操作点为最优操作点，否则返回S32。
具体地，步骤S32包括以下子步骤：
S321.将解种群内各操作点输入到SOFC系统中，等待系统运行稳定，获得此时系统各元件温度和系统的功能效率η；
S322.根据系统各部件的温度约束，计算SOFC系统各元件的温度约束判定值；
S323.判断当前操作点下系统运行稳定时各元件温度是否满足其温度约束判定值，若全部满足，则进入S324，否则，直接进入步骤S33；
S324.比较同时满足系统各元件温度约束和系统的功能效率最大化的操作点和候选最优操作点下系统的功能效率，将较大者设定为最新的候选最优操作点，进入步骤S33。
具体地，
Figure BDA0002204303480000031
其中，η、Pnet(X)和F_fuel(X)分别是对应于输入组合X＝(U，Pr，BP1，BP2，F_fuel，F_air)的系统的功能效率、系统净输出功率和燃料流量，LHV是燃料低热值。
具体地，
Figure BDA0002204303480000032
其中，M表示元件的温度约束判定值，T表示系统运行稳定时该元件的温度，Tmin和Tmax分别是该元件温度的下限和上限。
具体地，该方法还包括：
S4.改变SOFC系统净输出功率Pnet和性能衰减参数rdr中的至少一个，重复步骤S2～S3，得到与SOFC系统净输出功率Pnet和性能衰减参数rdr对应的最优操作点；
S5.根据多项式拟合，获得最优操作点各分量与系统净输出功率Pnet与性能衰减参数rdr的漂移函数。
具体地，该方法还包括：
S4.将该最优操作点输入到SOFC系统中，计算在该最优操作点下衰减过程中不同时刻的系统和元件的健康度，获得系统的健康度函数和元件的健康度函数；
S5.根据系统的健康度函数，获得系统的健康度衰减速率函数；根据元件的健康度函数，获得元件的健康度衰减速率函数；
S6.重整器、电堆和系统的健康度、健康度衰减函数、健康度衰减速率、健康度衰减速率函数以及重整器性能衰减速率，共同构建SOFC系统健康度评价体系。
为实现上述目的，按照本发明的另一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的确定SOFC系统最优操作点的方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明在不同系统性能衰减条件下，获得了多个离散的最优操作点，通过多项式拟合获得不同性能衰减情况下最优操作点与系统净输出功率与性能衰减参数的定量关系，进一步得到漂移特性函数，从而预测当前时刻的SOFC系统最优操作点，当SOFC系统工作在该最优操作点下时，系统的功能效率最大化，为基于最优操作点实时更新的SOFC系统控制器优化提供有力的支持。
(2)本发明得到在特定系统性能衰减条件下的最优操作点，根据在该最优操作点下的SOFC系统衰减机制，建立了健康度评价体系，为系统控制器优化提供有力的支持，及早预测出系统故障发生的可能性，有效延长电堆寿命。
附图说明
图1为本发明实施例提供的一种确定SOFC系统最优操作点的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供一种确定SOFC系统最优操作点的方法，该方法包括：
步骤S1.初始化系统净输出功率Pnet与重整器性能衰减参数rdr。
选取不超过SOFC系统的最大输出功率的功率值，作为SOFC系统净输出功率Pnet。
重整器性能衰减表现为：固定SOFC系统输入的情形下，重整反应速率随时间的降低，重整器性能衰减参数rdr可由下式计算
Figure BDA0002204303480000051
其中，r(t)为重整器t时刻反应速率，r0为相同SOFC系统输入下重整器原始状态反应速率,此处假设重整器反应速率是时间的线性函数。
步骤S2.确定满足SOFC系统净输出功率Pnet与性能衰减参数rdr的系统操作点的输入空间。
当系统的期望净输出功率已经确定，通过参考专家数据库和模型调试的前期结果，可以获得一个较小的输入空间。
S21.找到任意一个能够在性能衰减参数rdr下产生净输出功率Pnet的SOFC系统操作点。
将固体氧化物燃料电池系统的6个输入变量定义为系统操作点X：
X＝(U，Pr，BP1，BP2，F_fule，F_air)∈R6
其中，U为电堆中电池片平均电压，Pr为重整器烟气分流比，BP1和BP2分别为燃烧室燃料旁路流量和空气旁路流量，F_fuel和F_air分别为燃料流量和空气流量。
S22.分别调整该操作点的各变量，将满足产生SOFC系统净输出功率(1-ε％)Pnet～(1+ε％)Pnet的各系统操作点，构成系统操作点的输入空间。
本实施例选择裕度ε＝1，即99％Pnet～101％Pnet。
步骤S3.通过遗传-粒子群优化算法，获得该系统操作点的输入空间中同时满足系统各元件温度约束和系统的功能效率最大化的最优操作点。
步骤S3包括以下子步骤：
S31.在操作点的输入空间范围内随机产生一个解种群，在操作点的输入空间范围内选择任意一个满足系统各元件温度约束的操作点作为候选最优操作点。
S32.判断该解种群中是否存在系统各元件温度约束均满足的操作点，若存在，找出同时满足系统各元件温度约束和系统的功能效率最大化的操作点，用该操作点与当前候选最优操作点下系统的功能效率较大者更新候选最优操作点，进入步骤S33，若不存在，直接进入步骤S33。
S321.将解种群内各操作点输入到SOFC系统中，等待系统运行稳定，获得此时系统各元件温度和系统的功能效率η。
对于固体氧化物燃料电池发电系统而言，系统的功能效率无疑是一个非常核心的技术参数，本发明把它定义为：
Figure BDA0002204303480000071
其中，SE(X)、Pnet(X)和F_fuel(X)分别是对应于输入组合X＝(U，Pr，BP1，BP2，F_fuel，F_air)的系统的功能效率、系统净输出功率和燃料流量；LHV是燃料低热值。这里氢气低热值为241.8kJ/mol，甲烷低热值为802.6kJ/mol。
如果操作点被输入到系统模型中保持不变，那么系统性能会按照相对稳定的规律发生衰减，在仿真终点处获得一个终态输出性能。操作点与终态输出性能的对应关系可以表述为：
Figure BDA0002204303480000072
其中，Pnet表示系统净输出功率，maxTPEN表示电堆PEN(Positive electrode-Electrolyte-Negative electrode，阳极—电解质—阴极)层最大温度，max|ΔTPEN|表示电堆PEN层最大温度梯度，|ΔTin|表示电堆入口气体温差，Tb表示燃烧室温度，Tr表示重整器温度，η表示系统的功能效率。
S322.根据系统各部件的温度约束，计算SOFC系统各元件的温度约束判定值。
考虑到SOFC系统中的温度约束，本发明设计了一个判定函数来找到违反约束的操作点：
Figure BDA0002204303480000073
其中，M表示元件的温度约束判定值，T表示系统运行稳定时该元件的温度，Tmin和Tmax分别是该元件温度的下限和上限。如果T在安全范围[Tmin，Tmax]内，那么M的判定值为1，否则为0。
由系统各部件的温度约束：燃烧室温度Tb＜1273K、重整器温度Tr＜1173K、电堆PEN层最大温度梯度max|ΔTPEN|＜8K/cm、电堆PEN层最大温度maxTPEN＜1173K、电堆入口气体温差|ΔTin|＜200K，可以获得如下5个温度约束的判定值：
Figure BDA0002204303480000081
Figure BDA0002204303480000082
Figure BDA0002204303480000083
Figure BDA0002204303480000084
Figure BDA0002204303480000085
S323.判断当前操作点下系统运行稳定时各元件温度是否满足其温度约束判定值，若全部满足，则进入S324，否则，直接进入步骤S33。
安全范围中的操作点：
Figure BDA0002204303480000086
其中，
Figure BDA0002204303480000087
表示满足SOFC系统中的温度约束的操作点，Xk表示产生相同的净输出功率的操作点，Mi表示各部件温度约束的判定值。非0元素形成了一个新集合
Figure BDA0002204303480000088
且
Figure BDA0002204303480000089
S324.比较同时满足系统各元件温度约束和系统的功能效率最大化的操作点和候选最优操作点下系统的功能效率，将较大者设定为最新的候选最优操作点，进入步骤S33。
目标函数定义如下：
Figure BDA0002204303480000091
S33.将粒子群优化操作应用到解种群，再将遗传操作以一定概率应用到经过粒子群优化的解种群，获得新解种群。
S331.该解种群各操作点经过下式操作得到新的解种群：
vk+1＝c0vk+c1(pbestk-vk)+c2(gbestk-vk)
xk+1＝xk+vk+1
其中，vk+1表示当前操作点速度，vk表示前一步操作点速度，c0、c1、c2是初始设置好的权重参数，pbestk表示产生个体极值效率的操作点，gbestk表示解种群产生全局极值效率的候选最优操作点，xk+1表示操作点下一步位置，xk表示操作点当前位置。解种群内各操作点以一定的速度向着能够产生较大效率的操作点的方向靠拢。
S332.以一定概率将遗传算法中的交叉操作应用到经过粒子群优化的解种群，获得新解种群。
即通过将不同操作点以一定比例(比例之和为1)相加获得新的操作点，以获得新的解种群。
S34.如果停止条件满足则算法终止运行，当前的候选最优操作点为最优操作点，否则返回S32。
性能衰减条件下固体氧化物燃料电池系统的最优操作点定义为：使系统全程满足温度约束、仿真终点处达到特定功率且系统的功能效率达到最大的输入参数组合。
全程满足燃烧室温度、重整器温度、电堆PEN层最大温度梯度、电堆PEN层最大温度、电堆入口气体温差五个温度约束，在仿真终点处输出特定净功率Pk且使系统的功能效率达到最大的全局最优操作点可以通过搜索
Figure BDA0002204303480000092
的映射集合
Figure BDA0002204303480000093
中的最大系统的功能效率值获得：
Figure BDA0002204303480000101
其中，Xoop表示最优操作点，
Figure BDA0002204303480000102
表示对应净输出功率Pk且满足SOFC系统中的温度约束的系统的功能效率。
优选地，该方法还包括：步骤S4.改变SOFC系统净输出功率Pnet和性能衰减参数rdr中的至少一个，重复步骤S2～S3，得到与SOFC系统净输出功率Pnet和性能衰减参数rdr对应的最优操作点。
Figure BDA0002204303480000103
表1
表1中为SOFC系统性能衰减条件下不同功率时最优操作点，所有情形均包含了电堆性能衰减机制，重整器性能衰减速率rdr选取了四个典型值，分别为0、2.5％/40000h、5％/40000h、10％/40000h(以％/kh为单位即0、0.0625％/kh、0.125％/kh、0.25％/kh，其中，rdr为0时表示仅发生电堆性能衰减，重整器性能衰减忽略不计)。系统模型的最优操作点发生明显漂移(主要在300W以上)。
步骤S5.根据多项式拟合，获得最优操作点各分量与系统净输出功率Pnet与性能衰减参数rdr的漂移函数。
以不同性能衰减条件下最优操作点燃料流量分量的漂移特性为例，展示最优操作点各分量对系统净输出功率与性能衰减参数的漂移函数的获得方式，最优操作点中其它五个分量的漂移函数同理可得，并如表2所示。对比系统性能衰减机制引入前后最优操作点燃料流量分量数据，通过全数据拟合获得了拟合优度R2超过设定阈值的最优操作点燃料流量分量对系统净输出功率与性能衰减参数的漂移函数：
Figure BDA0002204303480000111
Figure BDA0002204303480000112
根据衰减机制引入前后最优操作点数据，通过多项式拟合获得了最优操作点各分量对系统净输出功率与性能衰减参数的漂移函数，得到其基本漂移特性。当获得最优操作点的漂移函数后，可以得到不同重整器衰减速率rdr和不同系统净输出功率Pnet下最优操作点各分量的变化特性，从而得到最优操作点的漂移特性。
Figure BDA0002204303480000113
表2
优选地，该方法还包括：
步骤S4.将该最优操作点输入到SOFC系统中，计算在该最优操作点下衰减过程中不同时刻的系统和元件的健康度，获得系统的健康度函数和元件的健康度函数。
从相同的初始工况出发且保持输入实时相同，系统或元件的效率(不同的衰减率)与无衰减情形下效率的比值定义为系统或元件的健康度，其数学表达为：
Figure BDA0002204303480000121
其中，hdi为系统或元件的健康度，ηi为系统或元件的功能效率，η0为系统或元件在无衰减情形下的功能效率。
重整器的功能效率定义为重整生成的氢气流量与输入的甲烷流量之比(简称为重整比)再除以4(一个甲烷分子完全重整生成4个氢分子)，其数学表达为：
Figure BDA0002204303480000122
其中，ηr为重整器功能效率，
Figure BDA0002204303480000125
为重整生成的氢气流量，
Figure BDA0002204303480000126
为输入的甲烷流量。
电堆的功能效率定义为电堆的发电功率与输入电堆的氢气热功率之比，其数学表达为：
Figure BDA0002204303480000123
其中，ηst为电堆功能效率，Pst为电堆发电功率，
Figure BDA0002204303480000128
为氢气低热值，它与氢气流量
Figure BDA0002204303480000127
的乘积为输入电堆的氢气热功率。
系统的功能效率定义为系统的净输出功率与输入的甲烷热功率之比，其数学表达为：
Figure BDA0002204303480000124
其中，ηsys为系统的功能效率，Pnet为系统净输出功率，
Figure BDA0002204303480000133
为甲烷低热值，它与甲烷流量
Figure BDA0002204303480000132
的乘积为输入系统的甲烷热功率。
系统或元件的健康度对时间t的函数定义为健康度衰减函数，记为hd(t)。
步骤S5.根据系统的健康度函数，获得系统的健康度衰减速率函数；根据元件的健康度函数，获得元件的健康度衰减速率函数。
若系统或元件的健康度衰减函数可导，则健康度衰减函数的导数定义为系统或元件的健康度衰减速率函数，其数学表达为：
Figure BDA0002204303480000131
其中，hdr(t)为系统或元件的健康度衰减速率函数。某一特定时刻t0的健康度衰减速率定义为系统或元件的健康度衰减速率函数在t0时刻的取值，记为hdr(t0)。
步骤S6.重整器、电堆和系统的健康度、健康度衰减函数、健康度衰减速率、健康度衰减速率函数以及重整器性能衰减速率，共同构建SOFC系统健康度评价体系。
基于以上定义，再加上重整器性能衰减速率rdr，本发明取重整器、电堆和系统的健康度、健康度衰减函数、健康度衰减速率、健康度衰减速率函数以及重整器性能衰减速率作为SOFC系统健康度评价体系在本文系统结构中的具体实现，记为：
HES＝[hdr，hdr(t)，hdrr，hdrr(t)，rdr；hdst，hdst(t)，hdrst，hdrst(t)；hdsys，hdsys(t)，hdrsys，hdrsys(t)]
其中，hdr、hdr(t)、hdrr、hdrr(t)、rdr分别表示重整器的健康度、健康度衰减函数、健康度衰减速率、健康度衰减速率函数、性能衰减速率，hdst、hdst(t)、hdrst、hdrst(t)分别表示电堆健康度、健康度衰减函数、健康度衰减速率、健康度衰减速率函数，hdsys、hdsys(t)、hdrsys、hdrsys(t)分别表示系统的健康度、健康度衰减函数、健康度衰减速率、健康度衰减速率函数。
本发明通过具有代表性的仿真情形来演示获取健康度评价体系各参数的方法，操作点为重整器性能衰减速率为0.25％/kh情形下1kW功率最优操作点。
首先，本发明将无衰减情形下的重整器模型、电堆模型以及系统模型分别加入多模态模型，将多模态模型中对应部分的输入作为它们的输入；同类元件的初始工况由同一组数据赋值保持相同。接着，按照系统或元件效率的定义方式分别计算并引出多模态模型与无衰减模型中的相应数值，前者与后者的比值即为系统或元件的健康度，可获得重整器、电堆以及系统健康度随时间变化的数据，并对其进行函数拟合。
对于重整器，其健康度衰减函数拟合结果和其衰减速率函数分别为：hdr(t)＝-3.207×10-12t2-1.04×10-6t+0.9999,R2＝1；hdrr(t)＝-6.414×10-12t-1.04×10-6。
对于电堆，其健康度衰减函数拟合结果和其衰减速率函数分别为：hdst(t)＝-1.233×10-1t3+3.502×10-11t2-7.828×10-7t+1,R2＝0.9997；hdrst(t)＝-3.699×10-1t2+7.004×10-11t-7.828×10-7。
对于系统，其健康度衰减函数拟合结果和其衰减速率函数分别为：hdsys(t)＝-5.185×10-20t4+3.011×10-1t3-8.083×10-11t2+4.96×10-7t+0.9957,R2＝0.9995；hdrsys(t)＝-2.074×10-19t3+9.033×10-1t2-1.617×10-1t+4.96×10-7。
通过以上函数，以获得仿真期间任意时刻重整器、电堆及系统的健康度及健康度衰减速率，再加上模型中固有的重整器性能衰减速率参数，从而可以获得整个健康度评价体系的取值。因此，系统在不同性能衰减条件下最优操作点各分量对系统净输出功率与性能衰减参数的漂移函数可以为基于最优操作点实时更新的SOFC系统控制器优化提供有力的支持，进一步基于系统性能衰减机制建立系统健康度评估体系，及早预测出系统故障发生的可能性，能有效延长电堆寿命，适用于实际的工程运用。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于系统性能衰减机制建立系统健康度评估体系的方法，其特征在于，该方法包括以下步骤：
S1.对不同性能衰减参数和SOFC系统净输出功率条件下的最优操作点数据进行多项式拟合，得到最优操作点各分量对系统净输出功率与性能衰减速率的SOFC漂移函数，所述最优操作点为使系统全程满足温度约束、仿真终点处达到特定功率且系统的功能效率达到最大的输入参数组合；
S2.根据SOFC漂移函数获取任意性能衰减参数和SOFC系统净输出功率条件下的最优操作点；
S3.将该最优操作点输入到SOFC系统，确定该最优操作点下系统和元件健康度随时间变化的函数和健康度衰减函数，所述健康度为不同性能衰减速率下系统或元件的功能效率与无衰减情形下功能效率的比值；
S4.通过确定的系统及和元件的健康度函数和健康度衰减函数，获得任意时刻系统及元件的健康度及健康度衰减速率；
S5.各时刻系统及元件的健康度及健康度衰减速率，加上重整器性能衰减速率参数的取值，共同构建SOFC系统健康度评估体系。
2.如权利要求1所述的方法，其特征在于，所述不同性能衰减参数和SOFC系统净输出功率条件下的最优操作点数据通过以下方式获取：
(1)初始化系统净输出功率Pnet与重整器性能衰减参数rdr；
(2)确定满足SOFC系统净输出功率Pnet与性能衰减参数rdr的系统操作点的输入空间；
(3)通过遗传-粒子群优化算法，获得该系统操作点的输入空间中同时满足系统各元件温度约束和系统的功能效率最大化的最优操作点。
3.如权利要求2所述的方法，其特征在于，步骤(2)包括以下子步骤：
(2.1)找到任意一个能够在性能衰减参数rdr下产生净输出功率Pnet的SOFC系统操作点；
(2.2)分别调整该操作点的各变量，将满足产生SOFC系统净输出功率(1-ε％)Pnet～(1+ε％)Pnet的各系统操作点，构成系统操作点的输入空间。
4.如权利要求2或3所述的方法，其特征在于，系统操作点X＝(U，Pr，BP1，BP2，F_fuel，F_air)∈R6，其中，U为电堆中电池片平均电压，Pr为重整器烟气分流比，BP1和BP2分别为燃烧室燃料旁路流量和空气旁路流量，F_fuel和F_air分别为燃料流量和空气流量。
5.如权利要求2或3所述的方法，其特征在于，步骤(3)包括以下子步骤：
(3.1)在操作点的输入空间范围内随机产生一个解种群，在操作点的输入空间范围内选择任意一个满足系统各元件温度约束的操作点作为候选最优操作点；
(3.2)判断该解种群中是否存在系统各元件温度约束均满足的操作点，若存在，找出同时满足系统各元件温度约束和系统的功能效率最大化的操作点，用该操作点与当前候选最优操作点下系统的功能效率较大者更新候选最优操作点，进入步骤(3.3)，若不存在，直接进入步骤(3.3)；
(3.3)将粒子群优化操作应用到解种群，再将遗传操作以一定概率应用到经过粒子群优化的解种群，获得新解种群；
(3.4)如果停止条件满足则算法终止运行，当前的候选最优操作点为最优操作点，否则返回(3.2)。
6.如权利要求5所述的方法，其特征在于，步骤(3.2)包括以下子步骤：
(3.2.1)将解种群内各操作点输入到SOFC系统中，等待系统运行稳定，获得此时系统各元件温度和系统的功能效率η；
(3.2.2)根据系统各部件的温度约束，计算SOFC系统各元件的温度约束判定值；
(3.2.3)判断当前操作点下系统运行稳定时各元件温度是否满足其温度约束判定值，若全部满足，则进入(3.2.4)，否则，直接进入步骤(3.3)；
(3.2.4)比较同时满足系统各元件温度约束和系统的功能效率最大化的操作点和候选最优操作点下系统的功能效率，将较大者设定为最新的候选最优操作点，进入步骤(3.3)。
7.如权利要求6所述的方法，其特征在于，
Figure FDA0003031283410000031
其中，η、Pnet(X)和F_fuel(X)分别是对应于输入组合X＝(U，Pr，BP1，BP2，F_fuel，F_air)的系统的功能效率、系统净输出功率和燃料流量，LHV是燃料低热值。
8.如权利要求6所述的方法，其特征在于，
Figure FDA0003031283410000041
其中，M表示元件的温度约束判定值，T表示系统运行稳定时该元件的温度，Tmin和Tmax分别是该元件温度的下限和上限。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于系统性能衰减机制建立系统健康度评估体系的方法。
CN201910875802.XA 2019-09-17 2019-09-17 一种确定sofc系统最优操作点的方法 Active CN110688746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910875802.XA CN110688746B (zh) 2019-09-17 2019-09-17 一种确定sofc系统最优操作点的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910875802.XA CN110688746B (zh) 2019-09-17 2019-09-17 一种确定sofc系统最优操作点的方法

Publications (2)

Publication Number Publication Date
CN110688746A CN110688746A (zh) 2020-01-14
CN110688746B true CN110688746B (zh) 2021-08-20

Family

ID=69109466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910875802.XA Active CN110688746B (zh) 2019-09-17 2019-09-17 一种确定sofc系统最优操作点的方法

Country Status (1)

Country Link
CN (1) CN110688746B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112736268B (zh) * 2020-12-17 2022-02-15 华中科技大学 一种提高sofc系统寿命的控制优化方法和系统
CN113793954B (zh) * 2021-11-17 2022-02-18 中国人民解放军空军预警学院 一种固体氧化物燃料电池负载上升时的参数调节方法
CN114204080B (zh) * 2021-11-30 2024-04-19 华中科技大学 一种多电堆固体氧化物燃料电池系统的气路结构优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105870483A (zh) * 2016-03-31 2016-08-17 华中科技大学 固体氧化物燃料电池系统功率跟踪过程热电协同控制方法
CN110163422A (zh) * 2019-04-30 2019-08-23 张锐明 一种燃料电池发电系统稳态输出功率与效率的优化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103384014A (zh) * 2013-05-29 2013-11-06 西南交通大学 基于最大净功率策略的质子交换膜燃料电池空气供应系统控制
CN103969593B (zh) * 2014-05-05 2015-03-04 华中科技大学 一种确定固体氧化物燃料电池系统参数的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105870483A (zh) * 2016-03-31 2016-08-17 华中科技大学 固体氧化物燃料电池系统功率跟踪过程热电协同控制方法
CN110163422A (zh) * 2019-04-30 2019-08-23 张锐明 一种燃料电池发电系统稳态输出功率与效率的优化方法

Also Published As

Publication number Publication date
CN110688746A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN110688746B (zh) 一种确定sofc系统最优操作点的方法
Yuan et al. Developed coyote optimization algorithm and its application to optimal parameters estimation of PEMFC model
Fragiacomo et al. Modeling and energy demand analysis of a scalable green hydrogen production system
Sohani et al. Application based multi-objective performance optimization of a proton exchange membrane fuel cell
Hong et al. Optimization scheduling control strategy of wind-hydrogen system considering hydrogen production efficiency
CN112736268B (zh) 一种提高sofc系统寿命的控制优化方法和系统
CN114065483A (zh) 制氢系统效能优化方法、装置、计算机设备和存储介质
CN110838590B (zh) 一种质子交换膜燃料电池气体供应控制系统及方法
CN112952807B (zh) 考虑风电不确定性与需求响应的多目标优化调度方法
Rouhani et al. A comprehensive method for optimum sizing of hybrid energy systems using intelligence evolutionary algorithms
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
Rezk et al. Finding best operational conditions of PEM fuel cell using adaptive neuro-fuzzy inference system and metaheuristics
Sedighizadeh et al. Parameter optimization for a PEMFC model with particle swarm optimization
Bui et al. Techno-economic analysis of high-power solid oxide electrolysis cell system
Yuan et al. Modeling and optimization of a residential PEMFC-based CHP system under different operating modes
CN112446552B (zh) 一种生物质气化冷热电联供系统的多目标优化方法
CN113919661A (zh) 一种基于碳生态的多微网能量协调控制方法
CN117154127A (zh) 一种固体氧化物燃料电池流道结构及其多目标优化方法
CN114488821B (zh) 燃料电池过氧比的区间经济模型预测控制方法及系统
Musharavati Four dimensional bio‐inspired optimization approach with artificial intelligence for proton exchange membrane fuel cell
Wang et al. Optimized rolling grey model for electricity consumption and power generation prediction of China
Salehi et al. Multi-objective modeling, uncertainty analysis, and optimization of reversible solid oxide cells
Jabbary et al. Artificial intelligence-assisted optimization and multiphase analysis of polygon PEM fuel cells
CN115204929A (zh) 电解制氢经济性分析与电-氢价格转换方法
Ray et al. Parametric optimization of proton exchange membrane fuel cell using successive trust region algorithm

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