CN111342086B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111342086B
CN111342086B CN202010132174.9A CN202010132174A CN111342086B CN 111342086 B CN111342086 B CN 111342086B CN 202010132174 A CN202010132174 A CN 202010132174A CN 111342086 B CN111342086 B CN 111342086B
Authority
CN
China
Prior art keywords
neuron
layer
net
fuel cell
sub
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
CN202010132174.9A
Other languages
English (en)
Other versions
CN111342086A (zh
Inventor
戴海峰
魏学哲
战俊豪
袁浩
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202010132174.9A priority Critical patent/CN111342086B/zh
Publication of CN111342086A publication Critical patent/CN111342086A/zh
Application granted granted Critical
Publication of CN111342086B publication Critical patent/CN111342086B/zh
Active 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
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/0438—Pressure; Ambient pressure; Flow
    • 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
    • H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
    • 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
    • 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
    • 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

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Fuel Cell (AREA)

Abstract

本发明涉及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，该方法包括：通过燃料电池空气供给系统进行实验，实际测量获取过氧比参考值
Figure DDA0002396094640000011
通过空气流量计和压力传感器分别检测燃料电池的空气流量实际值和阴极压力实际值，设定阴极压力设定值；通过二阶滑模控制器和PID神经网络解耦控制器控制燃料电池的空压机转速和背压阀开度，具体步骤为：将
Figure DDA0002396094640000012
与过氧比实际值
Figure DDA0002396094640000013
之差输入二阶滑模控制器，获取空气流量参考值；将空气流量参考值、空气流量实际值、阴极压力设定值和阴极压力实际值输入PID神经网络解耦控制器，输出空压机转速和背压阀开度。与现有技术相比，本发明具有延长寿命、安全性好等优点。

Description

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
技术领域
本发明涉及燃料电池技术领域，尤其是涉及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。
背景技术
在倡导节能环保的大环境下，发展新能源汽车已成为汽车工业应对能源和环境危机的共同选择。燃料电池通过与氧化剂的电化学反应从化学燃料中有效地产生电能，污染物极少，效率较高，只需要提供所需的氢气和氧气系统就能够持续性的供给能量。燃料电池具有重量轻、功率密度高、稳定性好等优点，其工作温度低并且能够在低温下快速启动，是目前最有前途的燃料电池技术，非常适合作为车辆发动机。
有效控制空气供给系统的压力、流量是提升燃料电池系统效率和可靠性的关键。如果供气量不足，即电堆“饥饿”，会使电堆输出功率降低，甚至会使质子交换膜烧损，如果供气过量，不仅导致寄生功率增加，甚至因电堆内部气体压力过高而发生安全事故，设计有效的空气供应系统的控制策略使得供气量快速响应负载功率请求，维持电堆内反应气体压力稳定，对于提高燃料电池效率和延长其使用寿命有着重要意义，现有技术也给出了一些解决方案。
中国专利CN108091909A提出了一种基于最佳过氧比的燃料电池空气流量控制方法，包括：燃料控制器采集燃料电池反应堆电流Ist；对空气供应系统建立压缩机角速度wcp、进气管路压力Psm和阴极流场压力Pca的状态量模型；由状态量模型得出的压缩机角速度wcp、进气管路压力Psm和阴极流场压力Pca，再根据如下公式分别得出燃料电池反应堆电流为Ist时的过氧比和净输出功率Pnet，并且得到当净输出功率Pnet最大时的最佳过氧比；根据如下控制系统公式将所述最佳过氧比转化为压缩机角速度信号，通过控制电机电压进而获得所需的压缩机角速度；
该专利主要是采集燃料电池反应堆电流，并根据相关公式计算燃料电池在某电流下的过氧比和净功率输出，进而得到净功率输出最大时的最佳过氧比，再根据控制公式产生所需要的空压机电机的电压，其通过空压机电压来控制过氧比是本发明的关键，其仅考虑了空气流量而未考虑空气流量对压力的影响，未能对压力进行有效控制。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供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，在跟踪过氧比的同时对压力和流量进行协同控制，提高了燃料电池的工作效率，延长了燃料电池的寿命。
本发明的目的可以通过以下技术方案来实现：
一种燃料电池空气过氧比与流量压力协同控制方法，包括：
通过燃料电池空气供给系统仿真模型进行实验，获取过氧比参考值
Figure BDA0002396094620000021
通过空气流量计和压力传感器分别检测燃料电池的空气流量实际值和阴极压力实际值，输入阴极压力设定值；
通过二阶滑模控制器和PID神经网络解耦控制器控制燃料电池的空压机转速和背压阀开度，具体步骤为：
1)将
Figure BDA0002396094620000022
与过氧比实际值
Figure BDA0002396094620000023
之差输入二阶滑模控制器，获取空气流量参考值；
2)将空气流量参考值、空气流量实际值、阴极压力设定值和阴极压力实际值输入PID神经网络解耦控制器，输出空压机转速和背压阀开度；
所述的燃料电池空气供给系统包括电堆、空气压缩机、控制器、冷凝器、加湿器、物理过滤器、化学过滤器、液水分离器和流量计，物理过滤器、化学过滤器、液水分离器和流量计依次连接，所述的空气压缩机上设有用于调节进入电堆的空气压力的背压阀，空气压缩机依次经过冷凝器、加湿器与电堆连接，电堆出口依次连接加湿器、空压机和背压阀，所述的冷凝器用于空气降温，所述的加湿器用于电堆进气加湿，所述的燃料电池空气供给系统还设有检测电堆入口和出口的压力和温度的压力传感器和温度传感器，所述的背压阀开度将对阴极压力起调控作用，所述的背压阀开度增加将减小进堆空气压力，所述的燃料电池空气供给系统仿真模型基于Matlab Simulink搭建且包括阴极气体动态模型、空气压缩机动态模型、背压阀模型和电压电化学模型，所述的
Figure BDA0002396094620000024
空气流量实际值和阴极压力实际值均在燃料电池空气供给系统仿真模型中获取。
所述的过氧比实际值
Figure BDA0002396094620000031
的计算公式为：
Figure BDA0002396094620000032
其中，
Figure BDA0002396094620000033
流入阴极的氧气质量流量，
Figure BDA0002396094620000034
电堆内部反应所消耗的氧气质量流量。
进一步地，所述的燃料电池空气供给系统仿真模型基于以下假设：
氢气供应充足且能够跟随氧气供给；不考虑燃料电池内部流体运动的重力效应；将燃料电池内部的气体作理想气体考虑；认为燃料电池的每片电池内均设有冷却液的流道以进行燃料电池的热管理；
所述的空气压缩机动态模型根据电机的运动学方程得到，公式如下：
Figure BDA0002396094620000035
其中，Jcp为空压机转动惯量，ωkp为空压机转动角速度，τcm为空压机电机驱动扭矩，τcp为空压机电机所受阻力矩；
所述的背压阀模型采用喷嘴方程来描述背压节气门，采用一阶惯性环节描述背压节气门的动态特性，公式如下：
Figure BDA0002396094620000036
其中，Fair,rm,out为空气排出流量；k为校正系数，d为背压节气门流通管径，ε为理想气体绝热指数，Pamb为环境大气压力，Trm为节气门前端温度，f(θ)为节气门开度函数，Pt为节气门前后端压比。
所述的阴极气体动态模型包括氧气、氮气、气态水和液态水，由质量守恒定律得到如下方程：
Figure BDA0002396094620000041
其中，
Figure BDA0002396094620000042
mwv对应为氧气、氮气和气态水的质量，
Figure BDA0002396094620000043
和Fwv,in分别为流入阴极的氧气、氮气和水蒸气质量流量；
Figure BDA0002396094620000044
Fwv,out和Fwl,out对应为流出阴极的氧气、氮气、水蒸气和液态水质量流量，
Figure BDA0002396094620000045
为电堆内部反应所消耗的氧气质量流量，Fwv,gen为电堆内部反应生成的水蒸气质量流量，Fwv,member为穿过质子交换膜的气态水；
所述的电压电化学模型根据输出特性经验公式构建，方程如下：
Vcell＝ENernst-ηact-ηohmic-ηcon
其中，ENernst为热力学电动势，ηact为活化过电势，ηohmic为欧姆过电势，ηcon为浓度差过电势。
进一步地，所述的过氧比参考值的获取过程具体为：
增大电堆电流，得到系统净输出功率，得到电堆电流与最大系统净输出功率的关系曲线图，增大过氧比，系统净输出功率存在一个最大值，最大的系统净输出功率所对应的过氧比即为该电堆电流下的
Figure BDA0002396094620000046
进一步地，所述的二阶滑模控制器的滑模面通过如下公式计算得到：
Figure BDA0002396094620000047
Figure BDA0002396094620000048
v1＝v11+v12
Figure BDA0002396094620000049
Figure BDA00023960946200000410
其中，s为滑模面，即过氧比参考值与过氧比实际值的差值，v1为控制量，v11,v12为辅助构建控制量，α1,β1为控制系数。
进一步地，所述的PID神经网络解耦控制器包括输入层、中间层、隐含层和输出层，采用前向算法和误差反向算法，具体为：
所述的输入层包括2个子网络，每个子网络包括2个比例神经元，其中1个子网络的2个比例神经元分别接收空气流量参考值和空气流量实际值，另一个子网络的2个比例神经元分别接收阴极压力设定值和阴极压力实际值；
所述的中间层包括2个子网络，每个子网络包括1个比例神经元、1个积分神经元和1个微分神经元，共计6个神经元，每个神经元的输入为：
Figure BDA0002396094620000051
其中，net′sj(k)为中间层神经元输入，wsij为中间层权值系数，xsi(k)为输入层神经元输出，s为子网络序号，s＝1,2，i为子网络输入层神经元序号，i＝1,2；
比例神经元的状态采用单位比例函数作为状态参数u′s1(k)，公式为：
u′s1(k)＝net′s1(k)
积分神经元采用单位积分函数作为状态函数u′s2(k)，公式为：
u′s2(k)＝u′s2(k-1)+net′s2(k)
其中，u′s2(k-1)为k-1积分神经元状态值，net′s2(k)为k时刻积分神经元输入值。
微分神经元采用单位微分函数作为状态函数u′s3(k)，公式为：
u′s3(k)＝net′s3(k)-net′s3(k-1)
其中，net′s3(k)为k时刻微分神经元输入值，net′s3(k-1)为k-1时刻微分神经元输入值。
隐含层各神经元的输出相同，均为：
x'ij(k)＝g(u′sj(k))
其中
Figure BDA0002396094620000052
x为变量。
所述的输出层包括2个输出神经元，通过以下公式计算：
Figure BDA0002396094620000053
其中，net″h(k)为输出层输出，x′sj(k)为中间层神经元输出，h为中间层子网络序号，h＝1,2，w′sjh为中间层至输出层权值。
所述的误差反向算法具体为：
所述的中间层到输出层权重迭代修正公式：
Figure BDA0002396094620000054
所述的输入层至隐含层权重值迭代修正公式：
Figure BDA0002396094620000061
其中s为子网络序号，s＝1,2，i为子网络输入层神经元序号，i＝1,2，j为子网络中隐含层神经元序号，j＝1,2,3，h为子网络中间层序号，h＝1,2，wsij为输入层至中间层权值，w′sjh为中间层至输出层权值。
一种燃料电池空气过氧比与流量压力协同控制系统，包括：
仿真验证模块，用于建立燃料电池空气供给系统仿真模型并利用该模型进行试验，获取过氧比参考值
Figure BDA0002396094620000062
滑模控制模块，用于将
Figure BDA0002396094620000063
与过氧比实际值
Figure BDA0002396094620000064
之差输入二阶滑模控制器，获取空气流量参考值；
解耦控制模块，用于将空气流量参考值、空气流量实际值、阴极压力设定值和阴极压力实际值输入PID神经网络解耦控制器，输出空压机转速和背压阀开度；
其中，所述的燃料电池空气供给系统仿真模型基于Matlab Simulink搭建且包括阴极气体动态模型、空气压缩机动态模型、背压阀模型和电压电化学模型，所述的
Figure BDA0002396094620000065
空气流量实际值和阴极压力实际值均在燃料电池空气供给系统仿真模型中获取；
过氧比实际值
Figure BDA0002396094620000066
的计算公式为：
Figure BDA0002396094620000067
其中，FO2,in流入阴极的氧气质量流量，
Figure BDA0002396094620000068
电堆内部反应所消耗的氧气质量流量。
进一步地，所述的燃料电池空气供给系统仿真模型基于以下假设：
氢气供应充足且能够跟随氧气供给；不考虑燃料电池内部流体运动的重力效应；将燃料电池内部的气体作理想气体考虑；认为燃料电池的每片电池内均设有冷却液的流道以进行燃料电池的热管理；
所述的阴极气体动态模型包括氧气、氮气、气态水和液态水，由质量守恒定律得到如下方程：
Figure BDA0002396094620000071
其中，
Figure BDA0002396094620000072
mwv对应为氧气、氮气和气态水的质量，
Figure BDA0002396094620000073
和Fwv,in分别为流入阴极的氧气、氮气和水蒸气质量流量；
Figure BDA0002396094620000074
Fwv,out和Fwl,out对应为流出阴极的氧气、氮气、水蒸气和液态水质量流量，
Figure BDA0002396094620000075
为电堆内部反应所消耗的氧气质量流量，Fwv,gen为电堆内部反应生成的水蒸气质量流量，Fwv,member为穿过质子交换膜的气态水；
所述的空气压缩机动态模型根据电机的运动学方程得到，公式如下：
Figure BDA0002396094620000076
其中，Jcp为空压机转动惯量，ωkp为空压机转动角速度，τcm为空压机电机驱动扭矩，τcp为空压机电机所受阻力矩；
所述的背压阀模型采用喷嘴方程来描述背压节气门，采用一阶惯性环节描述背压节气门的动态特性，公式如下：
Figure BDA0002396094620000077
其中，Fair,rm,out为空气排出流量；k为校正系数，d为背压节气门流通管径，ε为理想气体绝热指数，Pamb为环境大气压力，Trm为节气门前端温度，f(θ)为节气门开度函数，Pt为节气门前后端压比。
所述的电压电化学模型根据输出特性经验公式构建，方程如下：
Vcell＝ENernst-ηact-ηohmic-ηcon
其中，ENernst为热力学电动势，ηact为活化过电势，ηohmic为欧姆过电势，ηcon为浓度差过电势。
进一步地，所述的过氧比参考值的获取过程具体为：
增大电堆电流，得到系统净输出功率，得到电堆电流与最大系统净输出功率的关系曲线图，增大过氧比，系统净输出功率存在一个最大值，最大的系统净输出功率所对应的过氧比即为该电堆电流下的
Figure BDA0002396094620000081
进一步地，所述的二阶滑模控制器的滑膜面通过如下公式计算得到：
Figure BDA0002396094620000082
Figure BDA0002396094620000083
v1＝v11+v12
Figure BDA0002396094620000084
Figure BDA0002396094620000085
其中，s为滑模面，即过氧比参考值与过氧比实际值的差值，v1为控制量，v11,v12为辅助构建控制量，α1,β1为控制系数。
进一步地，所述的PID神经网络解耦控制器包括输入层、中间层、隐含层和输出层，采用前向算法和误差反向算法，具体为：
所述的输入层包括2个子网络，每个子网络包括2个比例神经元，其中1个子网络的2个比例神经元分别接收空气流量参考值和空气流量实际值，另一个子网络的2个比例神经元分别接收阴极压力设定值和阴极压力实际值；
所述的中间层包括2个子网络，每个子网络包括1个比例神经元、1个积分神经元和1个微分神经元，共计6个神经元，每个神经元的输入为：
Figure BDA0002396094620000086
其中，net′sj(k)为中间层神经元输入，wsij为中间层权值系数，xsi(k)为输入层神经元输出，s为子网络序号，s＝1,2，i为子网络输入层神经元序号，i＝1,2；
比例神经元的状态采用单位比例函数作为状态参数u′s1(k)，公式为：
u′s1(k)＝net′s1(k)
积分神经元采用单位积分函数作为状态函数u′s2(k)，公式为：
u′s2(k)＝u′s2(k-1)+net′s2(k)
其中，u′s2(k-1)为k-1积分神经元状态值，net′s2(k)为k时刻积分神经元输入值。
微分神经元采用单位微分函数作为状态函数u′s3(k)，公式为：
u′s3(k)＝net′s3(k)-net′s3(k-1)
其中，net′s3(k)为k时刻微分神经元输入值，net′s3(k-1)为k-1时刻微分神经元输入值。
隐含层各神经元的输出相同，均为：
x'ij(k)＝g(u′sj(k))
其中
Figure BDA0002396094620000091
x为变量。
所述的输出层包括2个输出神经元，通过以下公式计算：
Figure BDA0002396094620000092
其中，net″h(k)为输出层输出，x′sj(k)为中间层神经元输出，h为中间层子网络序号，h＝1,2，w′sjh为中间层至输出层权值。
所述的误差反向算法具体为：
所述的中间层到输出层权重迭代修正公式：
Figure BDA0002396094620000093
所述的输入层至隐含层权重值迭代修正公式：
Figure BDA0002396094620000094
其中s为子网络序号，s＝1,2，i为子网络输入层神经元序号，i＝1,2，j为子网络中隐含层神经元序号，j＝1,2,3，h为子网络中间层序号，h＝1,2，wsij为输入层至中间层权值，w′sjh为中间层至输出层权值。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明通过建立燃料电池空气供给系统，实际测量获取过氧比参考值，然后通过空气流量计和压力传感器分别检测燃料电池的空气流量实际值和阴极压力实际值，输入阴极压力设定值，通过二阶滑模控制器获取空气流量参考值，省去了人为标定过程，将空气流量参考值、空气流量实际值、阴极压力设定值和阴极压力实际值输入PID神经网络解耦控制器，输出空压机转速和背压阀开度，对空气流量和阴极压力两个变量进行解耦，减小了空气流量的改变对阴极压力的影响，阴极压力维持在设定的安全范围内，在跟踪过氧比参考值的同时对阴极压力和空气流量进行协同控制，提高了燃料电池的工作效率的同时延长了燃料电池的寿命，提高了电堆的安全性，；
(2)本发明采用的PID神经网络解耦控制方法不依赖于被控对象的精确数学模型就能够达到较好的广义解耦效果，该控制算法依靠神经网络的非线性逼近的特性，可逼近非线性系统，且将PID控制技术融入其中，使其具有更快的收敛性，在大范围内工作时或者环境温度和压力发生较大变化同样适用，适用范围广；
(3)本发明的采用二阶滑模控制，具有较强的鲁棒性，所产生的颤抖较小，控制精度高，稳定性好。
附图说明
图1为本发明的方法流程图；
图2为PID神经网络解耦控制器结构示意图；
图3为燃料电池空气供给系统结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例一
一种燃料电池空气过氧比与流量压力协同控制方法，如图1和图2，包括：
通过燃料电池空气供给系统进行实验，实际测量获取过氧比参考值
Figure BDA0002396094620000101
通过空气流量计和压力传感器分别检测燃料电池的空气流量实际值和阴极压力实际值，输入阴极压力设定值；
通过二阶滑模控制器和PID神经网络解耦控制器控制燃料电池的空压机转速和背压阀开度，具体步骤为：
1)将
Figure BDA0002396094620000102
与过氧比实际值
Figure BDA0002396094620000103
之差输入二阶滑模控制器，获取空气流量参考值；
2)将空气流量参考值、空气流量实际值、阴极压力设定值和阴极压力实际值输入PID神经网络解耦控制器，输出空压机转速和背压阀开度，实现燃料电池的过氧比、空气流量和阴极压力的协同控制。
如图3，燃料电池空气供给系统包括电堆、空气压缩机、控制器、冷凝器、加湿器、物理过滤器、化学过滤器、液水分离器和流量计，物理过滤器、化学过滤器、液水分离器和流量计依次连接，空气压缩机上设有用于调节进入电堆的空气压力的背压阀，空气压缩机依次经过冷凝器、加湿器与电堆连接，电堆出口依次连接中冷器、空压机和背压阀，冷凝器用于空气降温，加湿器用于电堆进气加湿，燃料电池空气供给系统还设有检测电堆入口和出口的压力和温度的压力传感器和温度传感器，背压阀开度将对阴极压力起调控作用，背压阀开度增加将减小进堆空气压力，燃料电池空气供给系统仿真模型基于Matlab Simulink搭建且包括阴极气体动态模型、空气压缩机动态模型、背压阀模型和电压电化学模型，
Figure BDA0002396094620000111
空气流量实际值和阴极压力实际值均在燃料电池空气供给系统仿真模型中获取。
过氧比实际值
Figure BDA0002396094620000112
的计算公式为：
Figure BDA0002396094620000113
其中，
Figure BDA0002396094620000114
流入阴极的氧气质量流量，
Figure BDA0002396094620000115
电堆内部反应所消耗的氧气质量流量。
燃料电池空气供给系统仿真模型基于以下假设：
氢气供应充足且能够跟随氧气供给；不考虑燃料电池内部流体运动的重力效应；将燃料电池内部的气体作理想气体考虑；认为燃料电池的每片电池内均设有冷却液的流道以进行燃料电池的热管理；
阴极气体动态模型包括氧气、氮气、气态水和液态水，由质量守恒定律得到如下方程：
Figure BDA0002396094620000116
其中，
Figure BDA0002396094620000117
mwv对应为氧气、氮气和气态水的质量，
Figure BDA0002396094620000118
和Fwv,in分别为流入阴极的氧气、氮气和水蒸气质量流量；
Figure BDA0002396094620000119
Fwv,out和Fwl,out对应为流出阴极的氧气、氮气、水蒸气和液态水质量流量，
Figure BDA00023960946200001110
为电堆内部反应所消耗的氧气质量流量，Fwv,gen为电堆内部反应生成的水蒸气质量流量，Fwv,member为穿过质子交换膜的气态水；
空气压缩机动态模型根据电机的运动学方程得到，公式如下：
Figure BDA0002396094620000121
其中，Jcp为空压机转动惯量，ωkp为空压机转动角速度，τcm为空压机电机驱动扭矩，τcp为空压机电机所受阻力矩；
背压阀模型采用喷嘴方程来描述背压节气门，采用一阶惯性环节描述背压节气门的动态特性，公式如下：
Figure BDA0002396094620000122
其中，Fair,rm,out为空气排出流量；k为校正系数，d为背压节气门流通管径，ε为理想气体绝热指数，Pamb为环境大气压力，Trm为节气门前端温度，f(θ)为节气门开度函数，Pt为节气门前后端压比。
电压电化学模型根据输出特性经验公式构建，方程如下：
Vcell＝ENernst-ηact-ηohmic-ηcon
其中，ENernst为热力学电动势，ηact为活化过电势，ηohmic为欧姆过电势，ηcon为浓度差过电势。
过氧比参考值的获取过程具体为：
增大电堆电流，得到系统净输出功率，得到电堆电流与最大系统净输出功率的关系曲线图，增大过氧比，系统净输出功率存在一个最大值，最大的系统净输出功率所对应的过氧比即为该电堆电流下的
Figure BDA0002396094620000123
二阶滑模控制器的滑模面通过如下公式计算得到：
Figure BDA0002396094620000124
Figure BDA0002396094620000125
v1＝v11+v12
Figure BDA0002396094620000126
Figure BDA0002396094620000127
其中，s为滑模面，即过氧比参考值与过氧比实际值的差值，v1为控制量，v11,v12为辅助构建控制量，α1,β1为控制系数。
PID神经网络解耦控制器包括输入层、中间层、隐含层和输出层，采用前向算法和误差反向算法，具体为：
输入层包括2个子网络，每个子网络包括2个比例神经元，其中1个子网络的2个比例神经元分别接收空气流量参考值和空气流量实际值，另一个子网络的2个比例神经元分别接收阴极压力设定值和阴极压力实际值；
中间层包括2个子网络，每个子网络包括1个比例神经元、1个积分神经元和1个微分神经元，共计6个神经元，每个神经元的输入为：
Figure BDA0002396094620000131
其中，net′sj(k)为中间层神经元输入，wsij为中间层权值系数，xsi(k)为输入层神经元输出，s为子网络序号，s＝1,2，i为子网络输入层神经元序号，i＝1,2；
比例神经元的状态采用单位比例函数作为状态参数u′s1(k)，公式为：
u′s1(k)＝net′s1(k)
积分神经元采用单位积分函数作为状态函数u′s2(k)，公式为：
u′s2(k)＝u′s2(k-1)+net′s2(k)
其中，u′s2(k-1)为k-1积分神经元状态值，net′s2(k)为k时刻积分神经元输入值。
微分神经元采用单位微分函数作为状态函数u′s3(k)，公式为：
u′s3(k)＝net′s3(k)-net′s3(k-1)
其中，net′s3(k)为k时刻微分神经元输入值，net′s3(k-1)为k-1时刻微分神经元输入值。
隐含层各神经元的输出相同，均为：
x'ij(k)＝g(u′sj(k))
其中
Figure BDA0002396094620000132
x为变量。
输出层包括2个输出神经元，通过以下公式计算：
Figure BDA0002396094620000133
其中，net″h(k)为输出层输出，w′sjh net″h(k)为中间层神经元输出，h为中间层子网络序号，h＝1,2，w′sjh为中间层至输出层权值。
误差反向算法具体为：
中间层到输出层权重迭代修正公式：
Figure BDA0002396094620000141
输入层至隐含层权重值迭代修正公式：
Figure BDA0002396094620000142
其中s为子网络序号，s＝1,2，i为子网络输入层神经元序号，i＝1,2，j为子网络中隐含层神经元序号，j＝1,2,3，h为子网络中间层序号，h＝1,2，wsij为输入层至中间层权值，w′sjh为中间层至输出层权值。
实施例二
一种燃料电池空气过氧比与流量压力协同控制系统，包括：
仿真验证模块，用于建立燃料电池空气供给系统仿真模型并利用该模型进行试验，获取过氧比参考值
Figure BDA0002396094620000143
滑模控制模块，用于将
Figure BDA0002396094620000144
与过氧比实际值
Figure BDA0002396094620000145
之差输入二阶滑模控制器，获取空气流量参考值；
解耦控制模块，用于将空气流量参考值、空气流量实际值、阴极压力设定值和阴极压力实际值输入PID神经网络解耦控制器，输出空压机转速和背压阀开度；
其中，燃料电池空气供给系统仿真模型基于Matlab Simulink搭建且包括阴极气体动态模型、空气压缩机动态模型、背压阀模型和电压电化学模型，
Figure BDA0002396094620000146
空气流量实际值和阴极压力实际值均在燃料电池空气供给系统仿真模型中获取；
过氧比实际值
Figure BDA0002396094620000147
的计算公式为：
Figure BDA0002396094620000148
其中，
Figure BDA0002396094620000149
流入阴极的氧气质量流量，
Figure BDA00023960946200001410
电堆内部反应所消耗的氧气质量流量。
燃料电池空气供给系统仿真模型基于以下假设：
氢气供应充足且能够跟随氧气供给；不考虑燃料电池内部流体运动的重力效应；将燃料电池内部的气体作理想气体考虑；认为燃料电池的每片电池内均设有冷却液的流道以进行燃料电池的热管理；
阴极气体动态模型包括氧气、氮气、气态水和液态水，由质量守恒定律得到如下方程：
Figure BDA0002396094620000151
其中，
Figure BDA0002396094620000152
mwv对应为氧气、氮气和气态水的质量，
Figure BDA0002396094620000153
和Fwv,in分别为流入阴极的氧气、氮气和水蒸气质量流量；
Figure BDA0002396094620000154
Fwv,out和Fwl,out对应为流出阴极的氧气、氮气、水蒸气和液态水质量流量，
Figure BDA0002396094620000155
为电堆内部反应所消耗的氧气质量流量，Fwv,gen为电堆内部反应生成的水蒸气质量流量，Fwv,member为穿过质子交换膜的气态水；
空气压缩机动态模型根据电机的运动学方程得到，公式如下：
Figure BDA0002396094620000156
其中，Jcp为空压机转动惯量，ωkp为空压机转动角速度，τcm为空压机电机驱动扭矩，τcp为空压机电机所受阻力矩；
背压阀模型采用喷嘴方程来描述背压节气门，采用一阶惯性环节描述背压节气门的动态特性，公式如下：
Figure BDA0002396094620000157
其中，Fair,rm,out为空气排出流量；k为校正系数，d为背压节气门流通管径，ε为理想气体绝热指数，Pamb为环境大气压力，Trm为节气门前端温度，f(θ)为节气门开度函数，Pt为节气门前后端压比。
电压电化学模型根据输出特性经验公式构建，方程如下：
Vcell＝ENernst-ηact-ηohmic-ηcon
其中，ENernst为热力学电动势，ηact为活化过电势，ηohmic为欧姆过电势，ηcon为浓度差过电势。
过氧比参考值的获取过程具体为：
增大电堆电流，得到系统净输出功率，得到电堆电流与最大系统净输出功率的关系曲线图，增大过氧比，系统净输出功率存在一个最大值，最大的系统净输出功率所对应的过氧比即为该电堆电流下的
Figure BDA0002396094620000161
二阶滑模控制器的滑膜面通过如下公式计算得到：
Figure BDA0002396094620000162
Figure BDA0002396094620000163
v1＝v11+v12
Figure BDA0002396094620000164
Figure BDA0002396094620000165
其中，s为滑模面，即过氧比参考值与过氧比实际值的差值，v1为控制量，v11,v12为辅助构建控制量，α1,β1为控制系数。
PID神经网络解耦控制器包括输入层、中间层、隐含层和输出层，采用前向算法和误差反向算法，具体为：
输入层包括2个子网络，每个子网络包括2个比例神经元，其中1个子网络的2个比例神经元分别接收空气流量参考值和空气流量实际值，另一个子网络的2个比例神经元分别接收阴极压力设定值和阴极压力实际值；
中间层包括2个子网络，每个子网络包括1个比例神经元、1个积分神经元和1个微分神经元，共计6个神经元，每个神经元的输入为：
Figure BDA0002396094620000166
其中，net′sj(k)为中间层神经元输入，wsij为中间层权值系数，xsi(k)为输入层神经元输出，s为子网络序号，s＝1,2，i为子网络输入层神经元序号，i＝1,2；
比例神经元的状态采用单位比例函数作为状态参数u′s1(k)，公式为：
u′s1(k)＝net′s1(k)
积分神经元采用单位积分函数作为状态函数u′s2(k)，公式为：
u′s2(k)＝u′s2(k-1)+net′s2(k)
其中，u′s2(k-1)为k-1积分神经元状态值，net′s2(k)为k时刻积分神经元输入值。
微分神经元采用单位微分函数作为状态函数u′s3(k)，公式为：
u′s3(k)＝net′s3(k)-net′s3(k-1)
其中，net′s3(k)为k时刻微分神经元输入值，net′s3(k-1)为k-1时刻微分神经元输入值。
隐含层各神经元的输出相同，均为：
x'ij(k)＝g(u′sj(k))
其中
Figure BDA0002396094620000171
x为变量。
输出层包括2个输出神经元，通过以下公式计算：
Figure BDA0002396094620000172
其中，net″h(k)为输出层输出，w′sjh net″h(k)为中间层神经元输出，h为中间层子网络序号，h＝1,2，w′sjh为中间层至输出层权值。
误差反向算法具体为：
中间层到输出层权重迭代修正公式：
Figure BDA0002396094620000173
输入层至隐含层权重值迭代修正公式：
Figure BDA0002396094620000174
其中s为子网络序号，s＝1,2，i为子网络输入层神经元序号，i＝1,2，j为子网络中隐含层神经元序号，j＝1,2,3，h为子网络中间层序号，h＝1,2，wsij为输入层至中间层权值，w′sjh为中间层至输出层权值。
实施例一和实施例二提出了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，采用内外环控制相结合的控制方法，其中外环的二阶滑膜控制器根据参考过氧比为内环提供参考空气流量，内环采用PID神经网络控制解耦控制器根据空气流量和设定压力控制空压机转速和背压阀的开度，进而完成对燃料电池空气供给系统的控制，在跟踪过氧比的同时对压力和流量进行协同控制，提高了燃料电池的工作效率，延长了燃料电池的寿命，二阶滑膜控制器以及PID神经网络控制解耦控制器的整体运算量较小，参数易于调整，易嵌入燃料电池内对燃料电池空气供给系统进行控制。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (2)

1.一种燃料电池空气过氧比与流量压力协同控制方法，其特征在于，包括：
通过燃料电池空气供给系统进行实验，实际测量获取过氧比参考值
Figure FDA0003729490840000011
通过空气流量计和压力传感器分别检测燃料电池的空气流量实际值和阴极压力实际值，设定阴极压力设定值；
通过二阶滑模控制器和PID神经网络解耦控制器控制燃料电池的空压机转速和背压阀开度，具体步骤为：
1)将
Figure FDA0003729490840000012
与过氧比实际值
Figure FDA0003729490840000013
之差输入二阶滑模控制器，获取空气流量参考值；
2)将空气流量参考值、空气流量实际值、阴极压力设定值和阴极压力实际值输入PID神经网络解耦控制器，输出空压机转速和背压阀开度，实现对燃料电池的过氧比、空气流量和阴极压力的协同控制；
所述的过氧比实际值
Figure FDA0003729490840000014
的计算公式为：
Figure FDA0003729490840000015
其中，
Figure FDA0003729490840000016
流入阴极的氧气质量流量，
Figure FDA0003729490840000017
电堆内部反应所消耗的氧气质量流量；
所述的燃料电池空气供给系统仿真模型基于以下假设：
氢气供应充足且能够跟随氧气供给；不考虑燃料电池内部流体运动的重力效应；将燃料电池内部的气体作理想气体考虑；认为燃料电池的每片电池内均设有冷却液的流道以进行燃料电池的热管理；
阴极气体动态模型包括氧气、氮气、气态水和液态水，由质量守恒定律得到如下方程：
Figure FDA0003729490840000018
其中，
Figure FDA0003729490840000019
mwv对应为氧气、氮气和气态水的质量，
Figure FDA00037294908400000110
和Fwv,in分别为流入阴极的氧气、氮气和水蒸气质量流量；
Figure FDA0003729490840000021
Fwv,out和Fwl,out对应为流出阴极的氧气、氮气、水蒸气和液态水质量流量，
Figure FDA0003729490840000022
为电堆内部反应所消耗的氧气质量流量，Fwv,gen为电堆内部反应生成的水蒸气质量流量，Fwv,member为穿过质子交换膜的气态水；
空气压缩机动态模型根据电机的运动学方程得到，公式如下：
Figure FDA0003729490840000023
其中，Jcp为空压机转动惯量，ωkp为空压机转动角速度，τcm为空压机电机驱动扭矩，τcp为空压机电机所受阻力矩；
背压阀模型采用喷嘴方程来描述背压节气门，采用一阶惯性环节描述背压节气门的动态特性，公式如下：
Figure FDA0003729490840000024
其中，Fair,rm,out为空气排出流量；k为校正系数，d为背压节气门流通管径，ε为理想气体绝热指数，Pamb为环境大气压力，Trm为节气门前端温度，f(θ)为节气门开度函数，Pt为节气门前后端压比；
电压电化学模型根据输出特性经验公式构建，方程如下：
Vcell＝ENernst-ηact-ηohmic-ηcon
其中，ENernst为热力学电动势，ηact为活化过电势，ηohmic为欧姆过电势，ηcon为浓度差过电势；
过氧比参考值的获取过程具体为：
增大电堆电流，得到系统净输出功率，得到电堆电流与最大系统净输出功率的关系曲线图，增大过氧比，系统净输出功率存在一个最大值，最大的系统净输出功率所对应的过氧比即为该电堆电流下的
Figure FDA0003729490840000025
所述的二阶滑模控制器的滑模面通过如下公式计算得到：
Figure FDA0003729490840000026
Figure FDA0003729490840000031
v1＝v11+v12
Figure FDA0003729490840000032
Figure FDA0003729490840000033
其中，s为滑模面，即过氧比参考值与过氧比实际值的差值，v1为控制量，v11,v12为辅助构建控制量，α1,β1为控制系数；
所述的PID神经网络解耦控制器包括输入层、中间层、隐含层和输出层，采用前向算法和误差反向算法，具体为：
所述的输入层包括2个子网络，每个子网络包括2个比例神经元，其中1个子网络的2个比例神经元分别接收空气流量参考值和空气流量实际值，另一个子网络的2个比例神经元分别接收阴极压力设定值和阴极压力实际值；
所述的中间层包括2个子网络，每个子网络包括1个比例神经元、1个积分神经元和1个微分神经元，共计6个神经元，每个神经元的输入为：
Figure FDA0003729490840000034
其中，net′sj(k)为中间层神经元输入，wsij为中间层权值系数，xsi(k)为输入层神经元输出，s为子网络序号，s＝1,2，i为子网络输入层神经元序号，i＝1,2；
所述的比例神经元的状态采用单位比例函数作为状态参数u′s1(k)，公式为：
u′s1(k)＝net′s1(k)
所述的积分神经元采用单位积分函数作为状态函数u′s2(k)，公式为：
u′s2(k)＝u′s2(k-1)+net′s2(k)
其中，u′s2(k-1)为k-1积分神经元状态值，net′s2(k)为k时刻积分神经元输入值；
所述的微分神经元采用单位微分函数作为状态函数u′s3(k)，公式为：
u′s3(k)＝net′s3(k)-net′s3(k-1)
其中，net′s3(k)为k时刻微分神经元输入值，net′s3(k-1)为k-1时刻微分神经元输入值；
所述的隐含层各神经元的输出相同，均为：
x′ij(k)＝g(u′sj(k))
其中
Figure FDA0003729490840000035
x为变量；
所述的输出层包括2个输出神经元，通过以下公式计算：
Figure FDA0003729490840000041
其中，net″h(k)为输出层输出，w′sjh net″h(k)为中间层神经元输出，h为中间层子网络序号，h＝1,2，w′sjh为中间层至输出层权值；
所述的误差反向算法具体为：
中间层到输出层权重迭代修正公式：
Figure FDA0003729490840000042
输入层至隐含层权重值迭代修正公式：
Figure FDA0003729490840000043
其中s为子网络序号，s＝1,2，i为子网络输入层神经元序号，i＝1,2，j为子网络中隐含层神经元序号，j＝1,2,3，h为子网络中间层序号，h＝1,2，wsij为输入层至中间层权值，w′sjh为中间层至输出层权值。
2.一种燃料电池空气过氧比与流量压力协同控制系统，其特征在于，包括：
仿真验证模块，用于建立燃料电池空气供给系统仿真模型并进行试验，获取过氧比参考值
Figure FDA0003729490840000044
滑模控制模块，用于将
Figure FDA0003729490840000045
与过氧比实际值
Figure FDA0003729490840000046
之差输入二阶滑模控制器，获取空气流量参考值；
解耦控制模块，用于将空气流量参考值、空气流量实际值、阴极压力设定值和阴极压力实际值输入PID神经网络解耦控制器，输出空压机转速和背压阀开度；
所述的过氧比实际值
Figure FDA0003729490840000047
的计算公式为：
Figure FDA0003729490840000048
其中，
Figure FDA0003729490840000049
流入阴极的氧气质量流量，
Figure FDA00037294908400000410
电堆内部反应所消耗的氧气质量流量；
所述的燃料电池空气供给系统仿真模型基于以下假设：
氢气供应充足且能够跟随氧气供给；不考虑燃料电池内部流体运动的重力效应；将燃料电池内部的气体作理想气体考虑；认为燃料电池的每片电池内均设有冷却液的流道以进行燃料电池的热管理；
阴极气体动态模型包括氧气、氮气、气态水和液态水，由质量守恒定律得到如下方程：
Figure FDA0003729490840000051
其中，
Figure FDA0003729490840000052
mwv对应为氧气、氮气和气态水的质量，
Figure FDA0003729490840000053
和Fwv,in分别为流入阴极的氧气、氮气和水蒸气质量流量；
Figure FDA0003729490840000054
Fwv,out和Fwl,out对应为流出阴极的氧气、氮气、水蒸气和液态水质量流量，
Figure FDA0003729490840000055
为电堆内部反应所消耗的氧气质量流量，Fwv,gen为电堆内部反应生成的水蒸气质量流量，Fwv,member为穿过质子交换膜的气态水；
空气压缩机动态模型根据电机的运动学方程得到，公式如下：
Figure FDA0003729490840000056
其中，Jcp为空压机转动惯量，ωkp为空压机转动角速度，τcm为空压机电机驱动扭矩，τcp为空压机电机所受阻力矩；
背压阀模型采用喷嘴方程来描述背压节气门，采用一阶惯性环节描述背压节气门的动态特性，公式如下：
Figure FDA0003729490840000057
其中，Fair,rm,out为空气排出流量；k为校正系数，d为背压节气门流通管径，ε为理想气体绝热指数，Pamb为环境大气压力，Trm为节气门前端温度，f(θ)为节气门开度函数，Pt为节气门前后端压比；
电压电化学模型根据输出特性经验公式构建，方程如下：
Vcell＝ENernst-ηact-ηohmic-ηcon
其中，ENernst为热力学电动势，ηact为活化过电势，ηohmic为欧姆过电势，ηcon为浓度差过电势；
过氧比参考值的获取过程具体为：
增大电堆电流，得到系统净输出功率，得到电堆电流与最大系统净输出功率的关系曲线图，增大过氧比，系统净输出功率存在一个最大值，最大的系统净输出功率所对应的过氧比即为该电堆电流下的
Figure FDA0003729490840000061
所述的二阶滑模控制器的滑模面通过如下公式计算得到：
Figure FDA0003729490840000062
Figure FDA0003729490840000063
v1＝v11+v12
Figure FDA0003729490840000064
Figure FDA0003729490840000065
其中，s为滑模面，即过氧比参考值与过氧比实际值的差值，v1为控制量，v11,v12为辅助构建控制量，α1,β1为控制系数；
所述的PID神经网络解耦控制器包括输入层、中间层、隐含层和输出层，采用前向算法和误差反向算法，具体为：
所述的输入层包括2个子网络，每个子网络包括2个比例神经元，其中1个子网络的2个比例神经元分别接收空气流量参考值和空气流量实际值，另一个子网络的2个比例神经元分别接收阴极压力设定值和阴极压力实际值；
所述的中间层包括2个子网络，每个子网络包括1个比例神经元、1个积分神经元和1个微分神经元，共计6个神经元，每个神经元的输入为：
Figure FDA0003729490840000066
其中，net′sj(k)为中间层神经元输入，wsij为中间层权值系数，xsi(k)为输入层神经元输出，s为子网络序号，s＝1,2，i为子网络输入层神经元序号，i＝1,2；
所述的比例神经元的状态采用单位比例函数作为状态参数u′s1(k)，公式为：
u′s1(k)＝net′s1(k)
所述的积分神经元采用单位积分函数作为状态函数u′s2(k)，公式为：
u′s2(k)＝u′s2(k-1)+net′s2(k)
其中，u′s2(k-1)为k-1积分神经元状态值，net′s2(k)为k时刻积分神经元输入值；
所述的微分神经元采用单位微分函数作为状态函数u′s3(k)，公式为：
u′s3(k)＝net′s3(k)-net′s3(k-1)
其中，net′s3(k)为k时刻微分神经元输入值，net′s3(k-1)为k-1时刻微分神经元输入值；
所述的隐含层各神经元的输出相同，均为：
x′ij(k)＝g(u′sj(k))
其中
Figure FDA0003729490840000071
x为变量；
所述的输出层包括2个输出神经元，通过以下公式计算：
Figure FDA0003729490840000072
其中，net″h(k)为输出层输出，w′sjh net″h(k)为中间层神经元输出，h为中间层子网络序号，h＝1,2，w′sjh为中间层至输出层权值；
所述的误差反向算法具体为：
中间层到输出层权重迭代修正公式：
Figure FDA0003729490840000073
输入层至隐含层权重值迭代修正公式：
Figure FDA0003729490840000074
其中s为子网络序号，s＝1,2，i为子网络输入层神经元序号，i＝1,2，j为子网络中隐含层神经元序号，j＝1,2,3，h为子网络中间层序号，h＝1,2，wsij为输入层至中间层权值，w′sjh为中间层至输出层权值。
CN202010132174.9A 2020-02-29 2020-02-29 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 Active CN111342086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010132174.9A CN111342086B (zh) 2020-02-29 2020-02-29 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010132174.9A CN111342086B (zh) 2020-02-29 2020-02-29 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

Publications (2)

Publication Number Publication Date
CN111342086A CN111342086A (zh) 2020-06-26
CN111342086B true CN111342086B (zh) 2022-10-25

Family

ID=71185758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010132174.9A Active CN111342086B (zh) 2020-02-29 2020-02-29 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

Country Status (1)

Country Link
CN (1) CN111342086B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112092601B (zh) * 2020-08-14 2021-09-10 江苏大学 内燃机与燃料电池混合动力装置及控制方法
CN112531187B (zh) * 2020-12-09 2022-05-03 奇瑞汽车股份有限公司 燃料电池过氧比控制方法、装置及计算机存储介质
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
CN112670539A (zh) * 2020-12-23 2021-04-16 佛山仙湖实验室 准确获得燃料电池系统输出电流与输出功率关系的方法
CN112751061B (zh) * 2020-12-31 2022-02-25 吉林大学 一种燃料电池空气路测试系统及方法
CN113346111B (zh) * 2021-05-08 2022-11-22 中汽研汽车检验中心（天津）有限公司 一种质子交换膜燃料电池系统的建模方法
CN113644301B (zh) * 2021-06-03 2022-07-01 吉林大学 车载燃料电池阴极流量与压力控制方法
CN113871657B (zh) * 2021-09-01 2023-02-03 西南交通大学 一种基于fpf解耦的燃料电池空气供应系统控制方法
CN114220999A (zh) * 2021-12-17 2022-03-22 山东国创燃料电池技术创新中心有限公司 一种燃料电池系统的进气控制方法、装置、系统存储介质
CN114678573A (zh) * 2022-04-12 2022-06-28 大洋电机燃料电池科技(中山)有限公司 一种具有能量回收的燃料电池系统及控制方法
CN117457941B (zh) * 2023-12-21 2024-05-03 中国第一汽车股份有限公司 一种燃料电池阳极压力控制方法、装置、设备及介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1163265A (ja) * 1997-08-15 1999-03-05 Tadahiro Omi 圧力式流量制御装置
CN103727074A (zh) * 2013-12-07 2014-04-16 西南交通大学 燃料电池机车低功率运行空压机防喘振方法
CN108091909A (zh) * 2017-12-14 2018-05-29 吉林大学 一种基于最佳过氧比的燃料电池空气流量控制方法
CN108241128A (zh) * 2018-01-09 2018-07-03 西南交通大学 一种质子交换膜燃料电池系统状态估计方法
CN108376790A (zh) * 2018-01-17 2018-08-07 安徽明天氢能科技股份有限公司 一种燃料电池系统输出电压的控制方法
CN208157535U (zh) * 2018-01-17 2018-11-27 安徽明天氢能科技股份有限公司 一种燃料电池系统的空气供应系统
CN109524693A (zh) * 2018-11-13 2019-03-26 吉林大学 燃料电池空气供给系统模型预测控制方法
CN109818011A (zh) * 2017-11-21 2019-05-28 成都九鼎科技(集团)有限公司 燃料电池系统空气供应内模解耦控制器
CN110148768A (zh) * 2018-12-29 2019-08-20 安徽明天氢能科技股份有限公司 一种燃料电池系统的空气供应控制方法
CN110176610A (zh) * 2018-02-21 2019-08-27 丰田自动车株式会社 燃料电池系统以及燃料电池系统的控制方法
CN110350221A (zh) * 2019-06-26 2019-10-18 同济大学 一种基于内模的燃料电池功率闭环控制方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7695839B2 (en) * 2006-10-16 2010-04-13 Gm Global Technology Operations, Inc. Method for improved power up-transient response in the fuel cell system
US8436283B1 (en) * 2008-07-11 2013-05-07 Davidson Technologies Inc. System and method for guiding and controlling a missile using high order sliding mode control
WO2012100420A1 (zh) * 2011-01-27 2012-08-02 潍柴动力股份有限公司 用于控制柴油发动机的空气系统的设备和方法
US10388972B2 (en) * 2014-10-28 2019-08-20 Nissan Motor Co., Ltd. Fuel cell system and control method thereof
CN109690851B (zh) * 2016-09-07 2020-10-02 日产自动车株式会社 燃料电池系统及其控制方法
DE102018201233A1 (de) * 2017-04-18 2018-10-18 Ford Global Technologies, Llc Kraftfahrzeug mit einer Brennstoffzelle

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1163265A (ja) * 1997-08-15 1999-03-05 Tadahiro Omi 圧力式流量制御装置
CN103727074A (zh) * 2013-12-07 2014-04-16 西南交通大学 燃料电池机车低功率运行空压机防喘振方法
CN109818011A (zh) * 2017-11-21 2019-05-28 成都九鼎科技(集团)有限公司 燃料电池系统空气供应内模解耦控制器
CN108091909A (zh) * 2017-12-14 2018-05-29 吉林大学 一种基于最佳过氧比的燃料电池空气流量控制方法
CN108241128A (zh) * 2018-01-09 2018-07-03 西南交通大学 一种质子交换膜燃料电池系统状态估计方法
CN108376790A (zh) * 2018-01-17 2018-08-07 安徽明天氢能科技股份有限公司 一种燃料电池系统输出电压的控制方法
CN208157535U (zh) * 2018-01-17 2018-11-27 安徽明天氢能科技股份有限公司 一种燃料电池系统的空气供应系统
CN110176610A (zh) * 2018-02-21 2019-08-27 丰田自动车株式会社 燃料电池系统以及燃料电池系统的控制方法
CN109524693A (zh) * 2018-11-13 2019-03-26 吉林大学 燃料电池空气供给系统模型预测控制方法
CN110148768A (zh) * 2018-12-29 2019-08-20 安徽明天氢能科技股份有限公司 一种燃料电池系统的空气供应控制方法
CN110350221A (zh) * 2019-06-26 2019-10-18 同济大学 一种基于内模的燃料电池功率闭环控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Real-time implementation of a neural model-based self-tuning PID strategy for oxygen stoichiometry control in PEM fuel cell;C. Damour et al.;《International Journal of Hydrogen energy》;20170712;第39卷(第24期);第12819-12825页 *

Also Published As

Publication number Publication date
CN111342086A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111342086B (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
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
CN110970642B (zh) 一种燃料电池的空气系统控制方法
CN113097542B (zh) 一种基于Amesim的燃料电池空气系统建模仿真方法
Xu et al. Nonlinear dynamic mechanism modeling of a polymer electrolyte membrane fuel cell with dead-ended anode considering mass transport and actuator properties
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
CN113422088B (zh) 一种氢燃料电池空气供给系统及其解耦控制方法
CN110137539A (zh) 一种燃料电池系统及其关机吹扫方法
CN113067018A (zh) 一种燃料电池氢气循环测试系统
CN113346111B (zh) 一种质子交换膜燃料电池系统的建模方法
CN111403783B (zh) 一种燃料电池进气系统的解耦控制方法
CN115659839A (zh) 一种燃料电池空气系统仿真模型的建模优化方法
CN114361512A (zh) 一种燃料电池排水、排杂控制系统及控制方法
CN115763900A (zh) 一种燃料电池用增湿器增湿能力预测方法及系统
Huang et al. Correlation analysis and prediction of PEM fuel cell voltage during start-stop operation based on real-world driving data
CN113488680B (zh) 基于simulink的燃料电池电堆冷启动建模仿真试验方法
CN113299951B (zh) 一种质子交换膜燃料电池阴极压力及流量观测方法
Wang et al. Long short-term memory deep learning model for predicting the dynamic performance of automotive PEMFC system
Thanapalan et al. Design and implementation of renewable hydrogen fuel cell vehicles
US20050181249A1 (en) Fuel cell system burp control
Chen et al. Real-time power optimization based on PSO feedforward and perturbation & observation of fuel cell system for high altitude
CN112803045A (zh) 燃料电池的氢气系统控制方法、装置及设备
Rezazadeh et al. Proton exchange membrane fuel cell controlusing a predictive control based on neuralnetwork
CN115966734A (zh) 一种质子交换膜燃料电池氢气浓度估计方法及控制策略

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