CN110867597B - 一种质子交换膜燃料电池一致性的热电水协同控制方法 - Google Patents

一种质子交换膜燃料电池一致性的热电水协同控制方法 Download PDF

Info

Publication number
CN110867597B
CN110867597B CN201911149009.8A CN201911149009A CN110867597B CN 110867597 B CN110867597 B CN 110867597B CN 201911149009 A CN201911149009 A CN 201911149009A CN 110867597 B CN110867597 B CN 110867597B
Authority
CN
China
Prior art keywords
optimization
controller
fuel cell
stack
iteration
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.)
Expired - Fee Related
Application number
CN201911149009.8A
Other languages
English (en)
Other versions
CN110867597A (zh
Inventor
吴小娟
阳大楠
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201911149009.8A priority Critical patent/CN110867597B/zh
Publication of CN110867597A publication Critical patent/CN110867597A/zh
Application granted granted Critical
Publication of CN110867597B publication Critical patent/CN110867597B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
    • 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
    • H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
    • H01M8/04746—Pressure; Flow
    • H01M8/04753—Pressure; Flow of fuel cell reactants
    • 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
    • H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
    • H01M8/04858—Electric variables
    • H01M8/04865—Voltage
    • H01M8/04888—Voltage of auxiliary devices, e.g. batteries, capacitors
    • 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)
  • General Chemical & Material Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuel Cell (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)

Abstract

本发明公开了一种质子交换膜燃料电池一致性的热电水协同控制方法，先以单池波动率最小作为优化目标，基于单目标动态优化算法得出外部需求负载功率下的温度、相对湿度、进出口压强差等最优操作变量，然后设计设计具有自适应滑模鲁棒迭代学习功能的控制器，并将最优操作变量作为控制器的参考轨迹输入进行更新，最后通过控制器控制电机运行，进而调节燃料流量、空气流量、散热器风扇速度和压缩机电压，从实现质子交换膜燃料电池一致性的热电水协同控制。

Description

一种质子交换膜燃料电池一致性的热电水协同控制方法
技术领域
本发明属于燃料电池技术领域，更为具体地讲，涉及一种质子交换膜燃料电池一致性的热电水协同控制方法。
背景技术
质子交换膜燃料电池(Proton Exchange Membrane Fuel Cell，PEMFC)是一种通过电化学反应将存储在氢燃料和氧化剂中的化学能直接转化为电能及反应物的装置，其能量转换效率不受“卡诺循环”的限制，以氢气为主要燃料，具有实际使用效率高、排气干净、污染小等优点，是21世纪最具发展潜力的新能源之一。最近的二十年内，各国相关研究人员已经成功开发了各种型号的PEMFC，在材料、设计和管理控制等方面取得的较大的进展。但是，PEMFC系统的高成本和短寿命仍然是大规模商业化的障碍。
电池堆的温度、相对湿度的不合理均会引起电池堆的内部结构不同程度的老化，甚至会引起膜干、水淹及其内部结构的损坏。不合适的进出口压强差会影响反应物在电池堆内部的均匀分布及生成物的排出。近年来，相关研究人员在PEMFC系统在系统设计、优化和控制方面进行了大量研究，得到了一系列具有不同结构的控制器，并在负载跟踪、温度管理和水管理方面已经取得了一定的研究成果。这为PEMFC系统管理和优化做出了贡献。
但是应该考虑到，PEMFC电池堆是由多个单电池以串联的形式层叠而成，由于流体、热和湿度在空间上分布的不均匀性、各单电池单元MEA制造和组装水平的差异等原因，燃料电池堆的各单片电池电压存在不一致性。较大的电压不一致性会造成电池堆的整体性能下降和使用寿命减小。因此，需要考虑多方面的约束，有针对性地设计一个完整的控制系统，确保PEMFC维持在稳定、最优的工作环境，在满足外部负载需求功率的同时，使得单电池之间的电压尽可能的分布均匀。目前尚未发现考虑PEMFC电池堆的单电池不一致性的优化控制研究，以至于这仍然是PEMFC应用面临的挑战。
发明内容
本发明的目的在于克服现有技术的不足，提供一种质子交换膜燃料电池一致性的热电水协同控制方法，以单池波动率最小作为优化目标，寻求最优操作变量作为控制器的优化参考，再通过控制器实现热电水协同控制，从而为电池堆提供稳定、最优的工作氛围，提高了单电池的一致性，保证电池堆的性能和寿命。
为实现上述发明目的，本发明一种质子交换膜燃料电池一致性的热电水协同控制方法，其特征在于，包括以下步骤：
(1)、将非均匀控制向量参数化算法ndCVP集成到混合梯度粒子群优化算法HGPSO中，得到的非均匀控制向量参数化混合梯度粒子群优化算法ndCVP-HGPSO；
(2)、在考虑单电池一致性条件下，利用ndCVP-HGPSO算法对电池堆进行优化，获取负载需求功率下的电池堆的最优操作变量；
(2.1)、设置优化的目标函数；
Figure GDA0003538621150000021
Figure GDA0003538621150000022
V(t)＝f(t,U(t),α(t))
其中，Ns表示电池堆的单电池片数，[t0,tf]表示电池堆运行时间区间；Sr(t)为单电池波动率；Vj(t)表示第j片单电池的电压；
Figure GDA0003538621150000023
表示电池堆的单电池平均电压；f(·)为非线性函数；U(t)为操作变量，α(t)表示电池堆的其他参数；
其中，操作变量U(t)＝[T(t),RE(t),Δp(t)]，T(t)为电池堆的运行温度，RE(t)为电池堆的相对湿度，Δp(t)为电池堆的进出口压力差；
(2.2)、确定约束条件；
Figure GDA0003538621150000024
(2.3)、在约束条件下，利用ndCVP-HGPSO算法对目标函数进行优化，得到负载需求功率下，电池堆的最优操作变量；
(2.3.1)、设置分数时间参数R＝[ri]，ri∈[0,1]，i＝1,2,…,N，N为时间分段数；
(2.3.2)、将电池堆运行时间区间T＝[t0,tf]划分为N个子区间[tk,tk+1]，k＝0,1,2...N-1，即t0≤t1≤···≤tN-1≤tN＝tf；
其中，
Figure GDA0003538621150000031
(2.3.3)、在N个子区间下，将操作变量U(t)＝[T(t),RE(t),Δp(t)]进行参数化处理，得到：
Figure GDA0003538621150000032
其中，
Figure GDA0003538621150000033
表示U(t)的参数化处理，
Figure GDA0003538621150000034
分别表示T(t),RE(t),Δp(t)的参数化处理；
(2.3.4)、利用基函数来逼近参数化处理后的操作变量分量
Figure GDA0003538621150000035
Figure GDA0003538621150000036
Figure GDA0003538621150000037
其中，cm,k(t)表示第m个操作变量在第k个时间区间的控制变量分量；
(2.3.5)、引入分数时间参数R，将连续运行时间区间上的操作变量进行向量化，得到：
Figure GDA0003538621150000038
(2.3.6)、利用HGPSO优化算法进行全局寻优；
1)、设置最大迭代次数gmax；设置个体最优位置pbest，全局最优位置gbest，然后通过最小化比较进行迭代存储更新，即将每一个粒子个体从初始到当前第g次迭代搜索产生的最优位置均存储在pbest，种群当前的最优位置存储在gbest；
2)、初始化种群：对向量P中的每一个分量随机赋值，得到包含M个粒子Qj的种群，j＝1,2,...,M；
其中，任意一个初始化粒子Qj的位置表示为：
Figure GDA0003538621150000041
对应的初始速度值为：
Figure GDA0003538621150000042
通过求解器求出所有粒子对应的初始目标函数值
Figure GDA0003538621150000043
然后将每一个粒子的初始目标函数值及对应操作变量存储在pbest中，将J0中初始目标函数值最小的元素
Figure GDA0003538621150000044
及对应操作变量作为全局最优位置，存储在gbest中；
3)、计算第g次迭代后，所有粒子对应的电池一致性的优化目标函数值
Figure GDA0003538621150000045
然后将各个粒子的目标函数值与pbest中第g-1次迭代后的各个粒子的目标函数值作比较，如果
Figure GDA0003538621150000046
大于
Figure GDA0003538621150000047
则用
Figure GDA0003538621150000048
及对应操作变量去替换
Figure GDA0003538621150000049
及对应操作变量，否则，保持
Figure GDA00035386211500000410
及对应操作变量；同时，选出Jg中目标函数值最小的元素
Figure GDA00035386211500000411
用
Figure GDA00035386211500000412
与gbest中的
Figure GDA00035386211500000413
比较，如果
Figure GDA00035386211500000414
大于
Figure GDA00035386211500000415
则用
Figure GDA00035386211500000416
及对应操作变量去替换
Figure GDA00035386211500000417
及对应操作变量，否则，保持
Figure GDA00035386211500000418
及对应操作变量；
4)、判断当前迭代次数g是否到达预设的最大迭代次数，或第g次迭代后的电池一致性的优化目标函数值满足：
Figure GDA00035386211500000419
k1为常数，k1的取值为[1，gmax]，k1＜g，则迭代停止，将第g次迭代后得到gbest代入到步骤(2.3.7)；否则，进入步骤4)；
5)、更新粒子的位置和速度；
Figure GDA0003538621150000051
Figure GDA0003538621150000052
6)、将当前迭代次数g加1，再返回至步骤2)；
(2.3.7)、梯度优化算法进行局部寻优
读取gbest中的全局最优操作变量，记为
Figure GDA0003538621150000053
再将
Figure GDA0003538621150000054
作为梯度优化算法的初始点
Figure GDA0003538621150000055
从初始点
Figure GDA0003538621150000056
开始，利用梯度优化算法对
Figure GDA0003538621150000057
进行局部寻优，如果前后两轮迭代寻优的差值小于预设阈值，即
Figure GDA0003538621150000058
的值小于预设阈值，则将第k2次寻优的结果
Figure GDA0003538621150000059
作为最终的最优操作变量，否则，令迭代次数k2自加1，进行下一轮进行寻优操作；
(3)、设计具有自适应滑模鲁棒迭代学习功能的控制器；
(3.1)、设置迭代次数k3，初始化k3＝0；
(3.2)、根据最优操作变量绘制控制器的参考轨迹；
(3.3)、设计控制器的方程；
Figure GDA00035386211500000510
Figure GDA00035386211500000511
Figure GDA00035386211500000512
其中，
Figure GDA00035386211500000513
和
Figure GDA00035386211500000514
分别为迭代学习控制律和滑模控制律；
Figure GDA00035386211500000515
为电池堆的运行温度，
Figure GDA00035386211500000516
表示温度不确定量；
Figure GDA00035386211500000517
为质子交换膜燃料电池的输出与期望轨迹之间的误差；f6(·)为PID学习律算子；f7(·)和f8(·)为非线性算子；κ1和κ2为反馈增益常数；sgn(·)为符号函数；
(3.4)、将参考轨迹与质子交换膜燃料电池的输出的差值作为控制器的输入，对控制器进行迭代更新，直至控制器收敛，得到收敛后的自适应滑模鲁棒迭代学习控制器；
(4)、将收敛后的控制器用于质子交换膜燃料电池系统，通过控制电机运行来调节燃料流量、空气流量、散热器风扇速度和压缩机电压，从实现质子交换膜燃料电池一致性的热电水协同控制。
本发明的发明目的是这样实现的：
本发明一种质子交换膜燃料电池一致性的热电水协同控制方法，先以单池波动率最小作为优化目标，基于单目标动态优化算法得出外部需求负载功率下的温度、相对湿度、进出口压强差等最优操作变量，然后设计设计具有自适应滑模鲁棒迭代学习功能的控制器，并将最优操作变量作为控制器的参考轨迹输入进行更新，最后通过控制器控制电机运行，进而调节燃料流量、空气流量、散热器风扇速度和压缩机电压，从实现质子交换膜燃料电池一致性的热电水协同控制。
同时，本发明一种质子交换膜燃料电池一致性的热电水协同控制方法还具有以下有益效果：
(1)、通过对质子交换膜燃料电池进行热电水协同控制后，能够为电池堆提供稳定、最优的工作氛围，保证电池堆的性能和寿命；
(2)、本发明基于非均匀控制向量参数化混合梯度粒子群动态优化算法和自适应滑模鲁棒迭代学习控制相结合的控制策略，能够有效的控制质子交换膜燃料电池系统跟踪上最优操作变量，降低电池之间的电压不一致性，为质子交换膜燃料电池系统高性能和长寿命打下了坚实的基础。
附图说明
图1是本发明一种质子交换膜燃料电池系统的结构原理图；
图2是本发明一种质子交换膜燃料电池一致性的热电水协同控制方法流程图；
图3是利用ndCVP-HGPSO算法寻找电池堆的最优操作变量流程图；
图4是迭代学习控制器的控制原理图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明一种质子交换膜燃料电池系统的结构原理图。
在本实施例中，如图1所示，质子交换膜燃料电池系统包括电池堆单元、燃料供给单元、空气供给单元、加湿单元、热管理单元、电管理单元和尾气回收单元。空气供给单元由鼓风机、内冷器、空气压缩机构成，其输出端连接着质子膜加湿器，经过加湿处理后进入电池堆的阴极；燃料供给单元的氢气输出管道连接电池堆单元的阳极气体输入端；热管理单元是由蓄水池、水泵和散热器构成的水循环系统，主要用于电池堆的温度调节；电管理单元根据负载需求对输出电压进行DC/DC或者DC/AC转换；尾气回收单元通过气液分离器把剩余的氢气回收到氢气罐，把阴阳极出口的水回收到加湿器进一步利用。
图2是本发明一种质子交换膜燃料电池一致性的热电水协同控制方法流程图
如图3所示，我们对本发明一种质子交换膜燃料电池一致性的热电水协同控制方法进行详细说明，具体包括以下步骤：
S1、将非均匀控制向量参数化算法ndCVP集成到混合梯度粒子群优化算法HGPSO中，得到的非均匀控制向量参数化混合梯度粒子群优化算法ndCVP-HGPSO；
S2、在考虑单电池一致性条件下，利用ndCVP-HGPSO算法对电池堆进行优化，获取负载需求功率下的电池堆的最优操作变量；
S2.1、利用输出电压分析PEMFC电池堆的各个单电池之间的不一致性，单电池波动率越大，燃料电池一致性越差，因此选单池波动率作为分析单电池电压不一致性的指标，设置以下优化的目标函数；
Figure GDA0003538621150000071
Figure GDA0003538621150000072
V(t)＝f(t,U(t),α(t))
其中，Ns表示电池堆的单电池片数，设置为30片，[t0,tf]表示电池堆运行时间区间，分别设置为0小时和500小时；Sr(t)为单池波动率；Vj(t)表示第j片单电池的电压；
Figure GDA0003538621150000081
表示电池堆的单电池平均电压；f(·)为非线性函数；U(t)为操作变量，α(t)表示电池堆的其他参数；
其中，操作变量U(t)＝[T(t),RE(t),Δp(t)]，T(t)为电池堆的运行温度，RE(t)为电池堆的相对湿度，Δp(t)为电池堆的进出口压力差；
S2.2、确定约束条件；
Figure GDA0003538621150000082
在本实施例中，为了保证PEMFC电池堆的安全稳定运行，需要对电池堆的相关运行参数进行约束，防止电池堆运行到不合理的状态，导致电池堆的内部结构损坏。30片PEMFC电池堆的运行参数的相关约束条件范围为：T(t)∈[323K，343K]，RE(t)∈[0.2，1]，Δp(t)∈[1atm，3atm]；Pload(t)∈[300W，1200W]，ΔT(t)∈[5K，30K]，其中Pload(t)表示负载需求功率，ΔT(t)表示电池堆进出口温度梯度。
S2.3、在约束条件下，利用ndCVP-HGPSO算法对目标函数进行优化，得到负载需求功率下，电池堆的最优操作变量，具体流程如图3所示；
S2.3.1、设置分数时间参数R＝[ri]，ri∈[0,1]，i＝1,2,…,N，N为时间分段数，设置为500；
S2.3.2、将电池堆运行时间区间T＝[t0,tf]划分为N个子区间[tk,tk+1]，
k＝0,1,2...N-1，即t0≤t1≤···≤tN-1≤tN＝tf；
其中，
Figure GDA0003538621150000083
S2.3.3、在N个子区间下，将操作变量U(t)＝[T(t),RE(t),Δp(t)]进行参数化处理，得到：
Figure GDA0003538621150000091
其中，
Figure GDA0003538621150000092
表示U(t)的参数化处理，
Figure GDA0003538621150000093
分别表示T(t),RE(t),Δp(t)的参数化处理；
S2.3.4、利用基函数(如分段常数函数，分段线性函数)来逼近参数化处理后的操作变量分量
Figure GDA0003538621150000094
Figure GDA0003538621150000095
Figure GDA0003538621150000096
其中，cm,k(t)表示第m个操作变量在第k个时间区间的控制变量分量；
S2.3.5、引入分数时间参数R，将连续运行时间区间上的操作变量进行向量化，得到：
Figure GDA0003538621150000097
因此，连续时间区间上的动态优化问题就转化为每一段时间区间上的静态优化问题。
S2.3.6、利用HGPSO优化算法进行全局寻优；
1)、设置最大迭代次数gmax＝100；设置个体最优位置pbest，全局最优位置gbest，然后通过最小化比较进行迭代存储更新，即将每一个粒子个体从初始到当前第g次迭代搜索产生的最优位置均存储在pbest，种群当前的最优位置存储在gbest；
2)、初始化种群：对向量P中的每一个分量随机赋值，得到包含M个粒子Qj的种群，j＝1,2,...,M；
其中，任意一个初始化粒子Qj的位置表示为：
Figure GDA0003538621150000098
对应的初始速度值为：
Figure GDA0003538621150000101
通过求解器求出所有粒子对应的初始目标函数值
Figure GDA0003538621150000102
然后将每一个粒子的初始目标函数值及对应操作变量存储在pbest中，将J0中初始目标函数值最小的元素
Figure GDA0003538621150000103
及对应操作变量作为全局最优位置，存储在gbest中；
3)、计算第g次迭代后，所有粒子对应的电池一致性的优化目标函数值
Figure GDA0003538621150000104
然后将各个粒子的目标函数值与pbest中第g-1次迭代后的各个粒子的目标函数值作比较，如果
Figure GDA0003538621150000105
大于
Figure GDA0003538621150000106
则用
Figure GDA0003538621150000107
及对应操作变量去替换
Figure GDA0003538621150000108
及对应操作变量，否则，保持
Figure GDA0003538621150000109
及对应操作变量；同时，选出Jg中目标函数值最小的元素
Figure GDA00035386211500001010
用
Figure GDA00035386211500001011
与gbest中的
Figure GDA00035386211500001012
比较，如果
Figure GDA00035386211500001013
大于
Figure GDA00035386211500001014
则用
Figure GDA00035386211500001015
及对应操作变量去替换
Figure GDA00035386211500001016
及对应操作变量，否则，保持
Figure GDA00035386211500001017
及对应操作变量；
4)、判断当前迭代次数g是否到达预设的最大迭代次数，或第g次迭代后的电池一致性的优化目标函数值满足：
Figure GDA00035386211500001018
则迭代停止，k1为常数，k1的取值为[1，gmax]，k1＜g，一般设置为30～50之间，eps是阈值，一般为10-4～10-6之间；将第g次迭代后得到gbest代入到步骤S2.3.7；否则，进入步骤4)；
5)、更新粒子的位置和速度；
Figure GDA00035386211500001019
Figure GDA00035386211500001020
其中，w是惯性权重，设置为0.8；rand1和rand2为两个随机数；c1和c2是加速度系数，分别设置为1.5和2.5；
6)、将当前迭代次数g加1，再返回至步骤2)；
S2.3.7、梯度优化算法进行局部寻优
读取gbest中的全局最优操作变量，记为
Figure GDA00035386211500001021
再将
Figure GDA00035386211500001022
作为梯度优化算法的初始点
Figure GDA00035386211500001023
从初始点
Figure GDA0003538621150000111
开始，利用梯度优化算法对
Figure GDA0003538621150000112
进行局部寻优，如果前后两轮迭代寻优的差值小于预设阈值，即
Figure GDA0003538621150000113
的值小于预设阈值，则将第k2次寻优的结果
Figure GDA0003538621150000114
作为最终的最优操作变量，否则，令迭代次数k2自加1，进行下一轮进行寻优操作；
S3、如图4所示，设计具有自适应滑模鲁棒迭代学习功能的控制器；
S3.1、设置迭代次数k3，初始化k3＝0；
S3.2、根据最优操作变量绘制控制器的参考轨迹；
S3.3、设计控制器的方程；
Figure GDA0003538621150000115
Figure GDA0003538621150000116
Figure GDA0003538621150000117
其中，
Figure GDA0003538621150000118
和
Figure GDA0003538621150000119
分别为迭代学习控制律和滑模控制律；
Figure GDA00035386211500001110
为电池堆的运行温度，
Figure GDA00035386211500001111
表示温度不确定量；
Figure GDA00035386211500001112
为质子交换膜燃料电池的输出与期望轨迹之间的误差；f6(·)为PID学习律算子；f7(·)和f8(·)为非线性算子；κ1和κ2为反馈增益常数；sgn(·)为符号函数；
S3.4、将参考轨迹与质子交换膜燃料电池的输出的差值作为控制器的输入，对控制器进行迭代更新，直至控制器收敛，得到收敛后的自适应滑模鲁棒迭代学习控制器；
S4、将收敛后的控制器用于质子交换膜燃料电池系统，通过控制电机运行来调节燃料流量、空气流量、散热器风扇速度和压缩机电压，从实现质子交换膜燃料电池一致性的热电水协同控制。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种质子交换膜燃料电池一致性的热电水协同控制方法，其特征在于，包括以下步骤：
(1)、将非均匀控制向量参数化算法ndCVP集成到混合梯度粒子群优化算法HGPSO中，得到的非均匀控制向量参数化混合梯度粒子群优化算法ndCVP-HGPSO；
(2)、在考虑单电池一致性条件下，利用ndCVP-HGPSO算法对电池堆进行优化，获取负载需求功率下的电池堆的最优操作变量；
(2.1)、设置优化的目标函数；
Figure FDA0003549812200000011
Figure FDA0003549812200000012
V(t)＝f(t,U(t),α(t))
其中，Ns表示电池堆的单电池片数，[t0,tf]表示电池堆运行时间区间；Sr(t)为单电池波动率；Vj(t)表示第j片单电池的电压；
Figure FDA0003549812200000013
表示电池堆的单电池平均电压；
f(·)为非线性函数；U(t)为操作变量，α(t)表示电池堆的其他参数；
其中，操作变量U(t)＝[T(t),RE(t),Δp(t)]，T(t)为电池堆的运行温度，RE(t)为电池堆的相对湿度，Δp(t)为电池堆的进出口压力差；
(2.2)、确定约束条件；
Figure FDA0003549812200000014
(2.3)、在约束条件下，利用ndCVP-HGPSO算法对目标函数进行优化，得到负载需求功率下，电池堆的最优操作变量；
(2.3.1)、设置分数时间参数R＝[ri]，ri∈[0,1]，i＝1,2,…,N，N为时间分段数；
(2.3.2)、将电池堆运行时间区间T＝[t0,tf]划分为N个子区间[tk,tk+1]，k＝0,1,2...N-1，即t0≤t1≤···≤tN-1≤tN＝tf；
其中，
Figure FDA0003549812200000021
(2.3.3)、在N个子区间下，将操作变量U(t)＝[T(t),RE(t),Δp(t)]进行参数化处理，得到：
Figure FDA0003549812200000022
其中，
Figure FDA0003549812200000023
表示U(t)的参数化处理，
Figure FDA0003549812200000024
分别表示T(t),RE(t),Δp(t)的参数化处理；
(2.3.4)、利用基函数来逼近参数化处理后的操作变量分量
Figure FDA0003549812200000025
Figure FDA0003549812200000026
Figure FDA0003549812200000027
其中，cm,k(t)表示第m个操作变量在第k个时间区间的控制变量分量；
(2.3.5)、引入分数时间参数R，将连续运行时间区间上的操作变量进行向量化，得到：
Figure FDA0003549812200000028
(2.3.6)、利用HGPSO优化算法进行全局寻优；
1)、设置最大迭代次数gmax；设置个体最优位置pbest，全局最优位置gbest，然后通过最小化比较进行迭代存储更新，即将每一个粒子个体从初始到当前第g次迭代搜索产生的最优位置均存储在pbest，种群当前的最优位置存储在gbest；
2)、初始化种群：对向量P中的每一个分量随机赋值，得到包含M个粒子Qj的种群，j＝1,2,...,M；
其中，任意一个初始化粒子Qj的位置表示为：
Figure FDA0003549812200000031
对应的初始速度值为：
Figure FDA0003549812200000032
通过求解器求出所有粒子对应的初始目标函数值
Figure FDA0003549812200000033
然后将每一个粒子的初始目标函数值及对应操作变量存储在pbest中，将J0中初始目标函数值最小的元素
Figure FDA0003549812200000034
及对应操作变量作为全局最优位置，存储在gbest中；
3)、计算第g次迭代后，所有粒子对应的电池一致性的优化目标函数值
Figure FDA0003549812200000035
然后将各个粒子的目标函数值与pbest中第g-1次迭代后的各个粒子的目标函数值作比较，如果
Figure FDA0003549812200000036
大于
Figure FDA0003549812200000037
则用
Figure FDA0003549812200000038
及对应操作变量去替换
Figure FDA0003549812200000039
及对应操作变量，否则，保持
Figure FDA00035498122000000310
及对应操作变量；同时，选出Jg中目标函数值最小的元素
Figure FDA00035498122000000311
用
Figure FDA00035498122000000312
与gbest中的
Figure FDA00035498122000000313
比较，如果
Figure FDA00035498122000000314
大于
Figure FDA00035498122000000315
则用
Figure FDA00035498122000000316
及对应操作变量去替换
Figure FDA00035498122000000317
及对应操作变量，否则，保持
Figure FDA00035498122000000318
及对应操作变量；
4)、判断当前迭代次数g是否到达预设的最大迭代次数，或第g次迭代后的电池一致性的优化目标函数值满足：
Figure FDA00035498122000000319
k1为常数，k1的取值为[1，gmax]，k1＜g，则迭代停止，将第g次迭代后得到gbest代入到步骤(2.3.7)；否则，进入步骤4)；
5)、更新粒子的位置和速度；
Figure FDA00035498122000000320
Figure FDA00035498122000000321
其中，w是惯性权重，rand1和rand2为两个随机数，c1和c2是加速度系数；
6)、将当前迭代次数g加1，再返回至步骤2)；
(2.3.7)、梯度优化算法进行局部寻优
读取gbest中的全局最优操作变量，记为
Figure FDA00035498122000000322
再将
Figure FDA00035498122000000323
作为梯度优化算法的初始点
Figure FDA0003549812200000041
从初始点
Figure FDA0003549812200000042
开始，利用梯度优化算法对
Figure FDA0003549812200000043
进行局部寻优，如果前后两轮迭代寻优的差值小于预设阈值，即
Figure FDA0003549812200000044
的值小于预设阈值，则将第k2次寻优的结果
Figure FDA0003549812200000045
作为最终的最优操作变量，否则，令迭代次数k2自加1，进行下一轮进行寻优操作；
(3)、设计具有自适应滑模鲁棒迭代学习功能的控制器；
(3.1)、设置迭代次数k3，初始化k3＝0；
(3.2)、根据最优操作变量绘制控制器的参考轨迹；
(3.3)、设计控制器的方程；
Figure FDA0003549812200000046
Figure FDA0003549812200000047
Figure FDA0003549812200000048
其中，
Figure FDA0003549812200000049
和
Figure FDA00035498122000000410
分别为迭代学习控制律和滑模控制律；
Figure FDA00035498122000000411
为电池堆的运行温度，
Figure FDA00035498122000000412
表示温度不确定量；
Figure FDA00035498122000000413
为质子交换膜燃料电池的输出与期望轨迹之间的误差；f6(·)为PID学习律算子；f7(·)和f8(·)为非线性算子；κ1和κ2为反馈增益常数；sgn(·)为符号函数；
(3.4)、将参考轨迹与质子交换膜燃料电池的输出的差值作为控制器的输入，对控制器进行迭代更新，直至控制器收敛，得到收敛后的自适应滑模鲁棒迭代学习控制器；
(4)、将收敛后的控制器用于质子交换膜燃料电池系统，通过控制电机运行来调节燃料流量、空气流量、散热器风扇速度和压缩机电压，从实现质子交换膜燃料电池一致性的热电水协同控制。
2.根据权利要求1所述的一种质子交换膜燃料电池一致性的热电水协同控制方法，其特征在于，所述温度不确定量
Figure FDA00035498122000000414
能够利用RBF神经网络自适应估计，估计方程为：
Figure FDA0003549812200000051
其中，
Figure FDA0003549812200000052
为RBF神经网络的自适应修正规则；f9(·)为非线性算子；α(·)为高斯型基函数。
CN201911149009.8A 2019-11-21 2019-11-21 一种质子交换膜燃料电池一致性的热电水协同控制方法 Expired - Fee Related CN110867597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911149009.8A CN110867597B (zh) 2019-11-21 2019-11-21 一种质子交换膜燃料电池一致性的热电水协同控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911149009.8A CN110867597B (zh) 2019-11-21 2019-11-21 一种质子交换膜燃料电池一致性的热电水协同控制方法

Publications (2)

Publication Number Publication Date
CN110867597A CN110867597A (zh) 2020-03-06
CN110867597B true CN110867597B (zh) 2022-06-14

Family

ID=69655072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911149009.8A Expired - Fee Related CN110867597B (zh) 2019-11-21 2019-11-21 一种质子交换膜燃料电池一致性的热电水协同控制方法

Country Status (1)

Country Link
CN (1) CN110867597B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111613817B (zh) * 2020-06-02 2022-04-08 上海电力大学 基于改进粒子群算法的电池混动系统能源优化策略
CN115220499B (zh) * 2021-04-21 2024-05-31 南京润楠医疗电子研究院有限公司 基于呼吸机的温湿度控制系统和方法
CN113193216B (zh) * 2021-04-25 2022-08-05 湖北工业大学 不依赖单片电压巡检的多电堆燃料电池系统及控制方法
CN114740729B (zh) * 2022-04-25 2023-10-31 扬州大学 质子交换膜燃料电池的阳极h2/h∞鲁棒控制器设计方法
CN114843561A (zh) * 2022-05-13 2022-08-02 中国第一汽车股份有限公司 燃料电池的控制方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010104168A (ja) * 2008-10-24 2010-05-06 Honda Motor Co Ltd 電源装置および燃料電池車両の電源システム
CN102663219A (zh) * 2011-12-21 2012-09-12 北京理工大学 基于混合模型的燃料电池输出预测方法和系统
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
CN103633351A (zh) * 2013-11-15 2014-03-12 中国科学院电工研究所 一种燃料电池温度控制策略的制定方法
CN104993161A (zh) * 2015-06-30 2015-10-21 同济大学 一种车用质子交换膜燃料电池的空气供应系统实验装置
CN106654319A (zh) * 2016-12-27 2017-05-10 东南大学 一种基于变异粒子群和差分进化混合算法的pemfc系统温度建模方法
CN106709131A (zh) * 2016-11-15 2017-05-24 上海电机学院 一种适用于质子交换膜燃料电池模型的参数智能优化方法
CN109004251A (zh) * 2018-06-28 2018-12-14 电子科技大学 一种固体氧化物燃料电池系统的智能控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910912B (zh) * 2015-12-18 2020-06-30 通用电气公司 燃料电池系统及其操作方法及燃料电池发电厂

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010104168A (ja) * 2008-10-24 2010-05-06 Honda Motor Co Ltd 電源装置および燃料電池車両の電源システム
CN102663219A (zh) * 2011-12-21 2012-09-12 北京理工大学 基于混合模型的燃料电池输出预测方法和系统
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
CN103633351A (zh) * 2013-11-15 2014-03-12 中国科学院电工研究所 一种燃料电池温度控制策略的制定方法
CN104993161A (zh) * 2015-06-30 2015-10-21 同济大学 一种车用质子交换膜燃料电池的空气供应系统实验装置
CN106709131A (zh) * 2016-11-15 2017-05-24 上海电机学院 一种适用于质子交换膜燃料电池模型的参数智能优化方法
CN106654319A (zh) * 2016-12-27 2017-05-10 东南大学 一种基于变异粒子群和差分进化混合算法的pemfc系统温度建模方法
CN109004251A (zh) * 2018-06-28 2018-12-14 电子科技大学 一种固体氧化物燃料电池系统的智能控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A fuzzy flux controlto reduce harmonics in the utility interface of fuel cell power systems;F.jurado,M等;《ELECTRIC POWER COMPONENTS AND SYSTEMS》;20070223;第33卷(第07期);第781-800页 *
Degradation prediction of proton exchange membrane fuel cell based on grey neural network model and particle swarm optimization;Chen, K等;《ENERGY CONVERSION AND MANAGEMENT》;20190901;第195卷;第810-818页 *
Optimization of a solid oxide fuel cell and micro gas turbine hybrid system;Wu, XJ等;《INTERNATIONAL JOURNAL OF ENERGY RESEARCH》;20130310;第37卷(第03期);第242-249页 *
基于神经网络的固体氧化物燃料电池电堆建模;吴小娟;《系统仿真学报》;20080220(第03期);第1068-1071页 *
基于进化计算的动态多目标优化方法研究;陈旭;《中国博士学位论文全文数据库 (信息科技辑)》;20151015(第05期);第I140-8页 *

Also Published As

Publication number Publication date
CN110867597A (zh) 2020-03-06

Similar Documents

Publication Publication Date Title
CN110867597B (zh) 一种质子交换膜燃料电池一致性的热电水协同控制方法
Wu et al. Review of system integration and control of proton exchange membrane fuel cells
Daud et al. PEM fuel cell system control: A review
CN110414157B (zh) 质子交换膜燃料电池系统多目标滑模控制方法
Arce et al. Real-time implementation of a constrained MPC for efficient airflow control in a PEM fuel cell
Marx et al. Degraded mode operation of multi‐stack fuel cell systems
Chen The dynamics analysis and controller design for the PEM fuel cell under gas flowrate constraints
CN111029625B (zh) 一种固体氧化物燃料电池输出功率和温度控制方法
Kim et al. Time delay control for fuel cells with bidirectional DC/DC converter and battery
Qi et al. Dynamic modelling and controlling strategy of polymer electrolyte fuel cells
US20170301935A1 (en) Apparatus and method for controlling fuel cell stack
Belmokhtar et al. Modelling and fuel flow dynamic control of proton exchange membrane fuel cell
Xu et al. Sparrow search algorithm applied to temperature control in PEM fuel cell systems
Chen et al. Membrane humidity control of proton exchange membrane fuel cell system using fractional-order PID strategy
Xue et al. An optimized Fuzzy PI control method utilizing an improved QPSO for the hydrogen supply of PEMFC
Samal et al. A review of FCs integration with microgrid and their control strategies
Farhadi et al. PEMFC voltage control using PSO-tunned-PID controller
CN115692797A (zh) 一种车用燃料电池水热管理系统优化方法
CN114970192A (zh) 一种燃料电池系统多目标智能控制方法
Yakut A new control algorithm for increasing efficiency of PEM fuel cells–Based boost converter using PI controller with PSO method
Yamina et al. Pem fuel cell with conventional mppt
CN113442795B (zh) 基于分层式mpc的燃料电池混合动力系统控制方法
Chi et al. Improve methanol efficiency for direct methanol fuel cell system via investigation and control of optimal operating methanol concentration
JP7374061B2 (ja) 燃料電池システム
Choudhury et al. Control strategy for PEM fuel cell power plant

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220614