CN111428913A - 一种质子交换膜燃料电池的性能预测方法及性能预测系统 - Google Patents

一种质子交换膜燃料电池的性能预测方法及性能预测系统 Download PDF

Info

Publication number
CN111428913A
CN111428913A CN202010152580.1A CN202010152580A CN111428913A CN 111428913 A CN111428913 A CN 111428913A CN 202010152580 A CN202010152580 A CN 202010152580A CN 111428913 A CN111428913 A CN 111428913A
Authority
CN
China
Prior art keywords
neural network
voltage
representing
prediction
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
CN202010152580.1A
Other languages
English (en)
Inventor
毛磊
何锴
汪航
吴强
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 Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202010152580.1A priority Critical patent/CN111428913A/zh
Publication of CN111428913A publication Critical patent/CN111428913A/zh
Pending legal-status Critical Current

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
    • H01M8/04992—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • H01M8/04537—Electric variables
    • H01M8/04544—Voltage
    • 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
    • H01M2008/1095—Fuel cells with polymeric electrolytes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Fuel Cell (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Educational Administration (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Fuzzy Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本申请公开了一种质子交换膜燃料电池的性能预测方法及性能预测系统，所述质子交换膜燃料电池的性能预测方法通过综合考虑质子交换膜燃料电池的运行工况和过去性能表现的方式，将与运行工况相关的第一预测电压和与过去性能表现相关的第二预测电压进行融合得到最终的性能预测结果，大大提高了对质子交换膜燃料电池性能预测的准确性。

Description

一种质子交换膜燃料电池的性能预测方法及性能预测系统
技术领域
本申请涉及燃料电池技术领域，更具体地说，涉及一种质子交换膜燃料 电池的性能预测方法及性能预测系统。
背景技术
质子交换膜燃料电池(Proton Exchange Membrane Fuel Cell)是一种以氢 气与氧气作用产生电能的新能源电池，具有相对低温和常压的工作特性。质 子交换膜燃料电池在反应过程中仅产生水和热，并没有其他化学产物，对环 境没有污染和危害，适合应用于交通运输、固定电源等应用领域。
在质子交换膜燃料电池的使用过程中，对其性能预测是其中的关键环节 之一，是否能够对质子交换膜燃料电池的性能进行准确的预测关系到电池的 安全运行和规模化推广使用。
传统的质子交换膜燃料电池性能预测方法对质子交换膜燃料电池性能预 测的准确性均较差，无法满足实际应用需求。
发明内容
为解决上述技术问题，本申请提供了一种质子交换膜燃料电池的性能预 测方法及性能预测系统，通过综合考虑质子交换膜燃料电池的运行工况和过 去性能表现的方式，将与运行工况相关的第一预测电压和与过去性能表现相 关的第二预测电压进行融合得到最终的性能预测结果，大大提高了对质子交 换膜燃料电池性能预测的准确性。
通过综合考虑质子交换膜燃料电池的运行工况和过去性能表现，
为实现上述技术目的，本申请实施例提供了如下技术方案：
一种质子交换膜燃料电池的性能预测方法，包括：
获取质子交换膜燃料电池的运行工况参数；
将所述运行工况参数输入到预先经过训练的神经网络，以获取所述预先 经过训练的神经网络的输出参数作为第一预测电压；
获取所述质子交换膜燃料电池的历史电压数据；
利用所述历史电压数据作为输入数据输入到自适应神经模糊推断系统， 以获取所述自适应神经模糊推断系统输出的第二预测电压；
将所述第一预测电压和第二预测电压进行融合，以获得所述质子交换膜 燃料电池的性能预测结果。
可选的，所述预先经过训练的神经网络的训练过程包括：
获取训练数据集；
将所述训练数据集以预设窗口长度，按照先后顺序划分为多个按照时间 先后顺序编号的子集；
利用所述多个子集以移动窗口的方式对神经网络进行预测和验证，以获 取所述预先经过训练的神经网络。
可选的，所述利用所述多个子集以移动窗口的方式对神经网络进行预测 和验证包括：
对所述神经网络进行N轮预测，N与所述多个子集的数量相同；
其中，第k轮预测包括：以编号为k的子集作为训练集对所述神经网络 进行训练，以编号为k+1的子集作为验证集对所述神经网络进行验证，利用 验证通过的神经网络预测第k+2个子集的数据；
k为大于0，且小于N的整数。
可选的，所述将所述第一预测电压和第二预测电压进行融合包括：
将所述第一预测电压和第二预测电压输入到第二预设公式中，以获取所 述质子交换膜燃料电池的性能预测结果；
所述第二预设公式包括：
Figure BDA0002402972170000021
其中，
Figure BDA0002402972170000022
Yfus表示性能预测结果；p＝1时，wp,k表示所述自适应神经模糊推断系统在第k轮预测阶段的融合权重，yeva,p,k表示 所述自适应神经模糊推断系统在第k轮验证阶段的输出值，yeva,k表示所述自适 应神经模糊推断系统在第k轮验证阶段的实际电压值，ypre,p,k表示所述自适应 神经模糊推断系统在第k轮预测阶段的输出值；p＝2时，wp,k表示所述预先经 过训练的神经网络在第k轮预测阶段的融合权重，yeva,p,k表示所述预先经过训 练的神经网络在第k轮验证阶段的输出值，yeva,k表示所述预先经过训练的神经 网络在第k轮验证阶段的实际电压值，ypre,p,k表示所述预先经过训练的神经网 络在第k轮预测阶段的输出值。
可选的，所述自适应神经模糊推断系统的输入数据与输出的第二预测电 压的关系满足第一预设公式；
所述第一预设公式包括：
Figure BDA0002402972170000031
其中，u(t)表示所述历史电压数据中t时刻的电压值，F[]表示所述自适应神 经模糊推断系统，
Figure BDA0002402972170000032
表示所述自适应神经模糊推断系统输出的t+β时刻 的第二预测电压，α表示所述历史电压数据中相邻电压值之间的时间间隔，β 表示所述第二预测电压与u(t)的时间间隔。
一种质子交换膜燃料电池的性能预测系统，包括：
第一获取模块，用于获取质子交换膜燃料电池的运行工况参数；
第一预测模块，用于将所述运行工况参数输入到预先经过训练的神经网 络，以获取所述预先经过训练的神经网络的输出参数作为第一预测电压；
第二获取模块，用于获取所述质子交换膜燃料电池的历史电压数据；
第二预测模块，用于利用所述历史电压数据作为输入数据输入到自适应 神经模糊推断系统，以获取所述自适应神经模糊推断系统输出的第二预测电 压；
数据融合模块，用于将所述第一预测电压和第二预测电压进行融合，以 获得所述质子交换膜燃料电池的性能预测结果。
可选的，所述预先经过训练的神经网络的训练过程包括：
获取训练数据集；
将所述训练数据集以预设窗口长度，按照先后顺序划分为多个按照时间 先后顺序编号的子集；
利用所述多个子集以移动窗口的方式对神经网络进行预测和验证，以获 取所述预先经过训练的神经网络。
可选的，所述利用所述多个子集以移动窗口的方式对神经网络进行预测 和验证包括：
对所述神经网络进行N轮预测，N与所述多个子集的数量相同；
其中，第k轮预测包括：以编号为k的子集作为训练集对所述神经网络 进行训练，以编号为k+1的子集作为验证集对所述神经网络进行验证，利用 验证通过的神经网络预测第k+2个子集的数据；
k为大于0，且小于N的整数。
可选的，所述数据融合模块具体用于，将所述第一预测电压和第二预测 电压输入到第二预设公式中，以获取所述质子交换膜燃料电池的性能预测结 果；
所述第二预设公式包括：
Figure BDA0002402972170000041
其中，
Figure BDA0002402972170000042
Yfus表示性能预测结果；p＝1时，wp,k表示所述自适应神经模糊推断系统在第k轮预测阶段的融合权重，yeva,p,k表示 所述自适应神经模糊推断系统在第k轮验证阶段的输出值，yeva,k表示所述自适 应神经模糊推断系统在第k轮验证阶段的实际电压值，ypre,p,k表示所述自适应 神经模糊推断系统在第k轮预测阶段的输出值；p＝2时，wp,k表示所述预先经 过训练的神经网络在第k轮预测阶段的融合权重，yeva,p,k表示所述预先经过训 练的神经网络在第k轮验证阶段的输出值，yeva,k表示所述预先经过训练的神经 网络在第k轮验证阶段的实际电压值，ypre,p,k表示所述预先经过训练的神经网 络在第k轮预测阶段的输出值。
可选的，所述自适应神经模糊推断系统的输入数据与输出的第二预测电 压的关系满足第一预设公式；
所述第一预设公式包括：
Figure BDA0002402972170000043
其中，u(t)表示所述历史电压数据中t时刻的电压值，F[]表示所述自适应神 经模糊推断系统，
Figure BDA0002402972170000051
表示所述自适应神经模糊推断系统输出的t+β时刻 的第二预测电压，α表示所述历史电压数据中相邻电压值之间的时间间隔，β 表示所述第二预测电压与u(t)的时间间隔。
从上述技术方案可以看出，本申请实施例提供了一种质子交换膜燃料电 池的性能预测方法及性能预测系统，所述质子交换膜燃料电池的性能预测方 法首先获取质子交换膜燃料电池的运行工况参数，并将运行工况参数输入到 预先经过训练的神经网络，以获取与运行工况参数相关的第一预测电压；然 后获取所述质子交换膜燃料电池的历史电压数据，并利用所述历史电压数据 作为输入数据输入到自适应神经模糊推断系统，以获得所述自适应神经模糊 推断系统输出的与过去性能表现相关的第二预测电压，最后将所述第一预测 电压和第二预测电压进行融合，以获得所述质子交换膜燃料电池的性能预测 结果。综上可知，所述质子交换膜燃料电池的性能预测方法通过综合考虑质 子交换膜燃料电池的运行工况和过去性能表现的方式，将与运行工况相关的 第一预测电压和与过去性能表现相关的第二预测电压进行融合得到最终的性 能预测结果，大大提高了对质子交换膜燃料电池性能预测的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不 付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请的一个实施例提供的一种质子交换膜燃料电池性能预测方 法的流程示意图；
图2为本申请的一个实施例提供的一种利用所述多个子集以移动窗口的 方式对神经网络进行预测和验证的过程示意图；
图3为本申请的一个实施例提供的电池1和电池2运行在不同电流负载下 的电压运行变化示意图；
图4为本申请的一个实施例提供的电池1运行的电流负载示意图；
图5为本申请的一个实施例提供的电池2运行的电流负载示意图；
图6和图7为本申请实施例提供的利用本申请实施例提供的质子交换膜燃 料电池性能预测方法的预测结果示意图。
具体实施方式
正如背景技术中所述，现有技术中质子交换膜燃料电池性能预测方法对 质子交换膜燃料电池性能预测的准确性均较差，无法满足实际应用需求。
具体来说，现有技术中的质子交换膜燃料电池的性能方法主要是根据电 池系统过去性能表现(例如电压变化)通过建模或者数据驱动的方式来推断 将来的性能，而没有考虑到质子交换膜燃料电池的运行工况对系统性能产生 的影响。
有鉴于此，本申请实施例提供了一种质子交换膜燃料电池的性能预测方 法，包括：
获取质子交换膜燃料电池的运行工况参数；
将所述运行工况参数输入到预先经过训练的神经网络，以获取所述预先 经过训练的神经网络的输出参数作为第一预测电压；
获取所述质子交换膜燃料电池的历史电压数据；
利用所述历史电压数据作为输入数据输入到自适应神经模糊推断系统， 以获取所述自适应神经模糊推断系统输出的第二预测电压；
将所述第一预测电压和第二预测电压进行融合，以获得所述质子交换膜 燃料电池的性能预测结果。
所述质子交换膜燃料电池的性能预测方法通过综合考虑质子交换膜燃料 电池的运行工况和过去性能表现的方式，将与运行工况相关的第一预测电压 和与过去性能表现相关的第二预测电压进行融合得到最终的性能预测结果， 大大提高了对质子交换膜燃料电池性能预测的准确性。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而 不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种质子交换膜燃料电池的性能预测方法，如图1所 示，包括：
S101：获取质子交换膜燃料电池的运行工况参数；
其中，所述运行工况参数包括但不限于气压、气体温度、气体压力和电 流负载等。
S102：将所述运行工况参数输入到预先经过训练的神经网络，以获取所 述预先经过训练的神经网络的输出参数作为第一预测电压；
S103：获取所述质子交换膜燃料电池的历史电压数据；
所述历史电压数据是指质子交换膜燃料电池在历史运行过程中的电压值 与时间的对应关系。
S104：利用所述历史电压数据作为输入数据输入到自适应神经模糊推断 系统，以获取所述自适应神经模糊推断系统输出的第二预测电压；
S105：将所述第一预测电压和第二预测电压进行融合，以获得所述质子 交换膜燃料电池的性能预测结果。
下面对本申请实施例提供的质子交换膜燃料电池的性能预测方法的各个 步骤的可行实现方式进行说明。
可选的，所述预先经过训练的神经网络的训练过程包括：
S201：获取训练数据集；
S202：将所述训练数据集以预设窗口长度，按照先后顺序划分为多个按 照时间先后顺序编号的子集；
S203：利用所述多个子集以移动窗口的方式对神经网络进行预测和验证， 以获取所述预先经过训练的神经网络。
其中，参考图2，所述利用所述多个子集以移动窗口的方式对神经网络进 行预测和验证包括：
S2031：对所述神经网络进行N轮预测，N与所述多个子集的数量相同；
其中，第k轮预测包括：以编号为k的子集作为训练集对所述神经网络 进行训练，以编号为k+1的子集作为验证集对所述神经网络进行验证，利用 验证通过的神经网络预测第k+2个子集的数据；
k为大于0，且小于N的整数。
可选的，所述将所述第一预测电压和第二预测电压进行融合包括：
S1051：将所述第一预测电压和第二预测电压输入到第二预设公式中，以 获取所述质子交换膜燃料电池的性能预测结果；
所述第二预设公式包括：
Figure BDA0002402972170000081
其中，
Figure BDA0002402972170000022
Yfus表示性能预测结果；p＝1时，wp,k表示所述自适应神经模糊推断系统在第k轮预测阶段的融合权重，yeva,p,k表示 所述自适应神经模糊推断系统在第k轮验证阶段的输出值，yeva,k表示所述自适 应神经模糊推断系统在第k轮验证阶段的实际电压值，ypre,p,k表示所述自适应 神经模糊推断系统在第k轮预测阶段的输出值；p＝2时，wp,k表示所述预先经 过训练的神经网络在第k轮预测阶段的融合权重，yeva,p,k表示所述预先经过训 练的神经网络在第k轮验证阶段的输出值，yeva,k表示所述预先经过训练的神经 网络在第k轮验证阶段的实际电压值，ypre,p,k表示所述预先经过训练的神经网 络在第k轮预测阶段的输出值。
下面对本申请实施例提供的质子交换膜燃料电池的性能预测方法的具体 效果进行实验验证。
实验数据来自于IEEE 2014 PHM数据挑战赛。两个包含5片单电池的质子 交换膜燃料电池电堆电压运行变化如图3所示，图3中，横坐标为时间(Time)， 单位为小时(h)，纵坐标为电压(Voltage)，单位为伏(V)，FC1所指曲 线为电池1运行的电压变化曲线，FC2所指曲线为电池2运行的电压变化曲线， Characterization time表示表征测试时间；电池1运行在恒定的如图4所示的电流 负载下，横坐标为时间t，纵坐标为电流密度J，具体值为0.7A/cm2，电池2运 行在有波动的如图5所示的电流负载下，波动周期为0.2ms，波动幅值为0.14A/cm2。
下面分别对电池1和电池2进行如下处理：
(1)从历史采集数据中，电池1选取过去1-1100小时的电压数据，以1小 时的采样间隔进行重新采样，获得电池1的历史电压数据；电池2选取过去 1-1000小时的电压数据，以1小时的采样间隔进行重新采样，获得电池2的历史 电压数据；
(2)将1-500小时的历史电压数据按照第一预设公式进行处理，其中，n＝4， α＝β＝4，将处理后的数据作为数据集x1。将运行工况数据(电流密度J、氢 气入口温度TinH2、空气入口温度TinAir、冷却水入口温度TinWAT、氢气入 口气压PinH2、空气入口气压PinAir、氢气入口流速DinH2、空气入口流速 DinAir)归一化后和历史电压数据一起作为数据集x2；
(3)使用数据集x1训练所述自适应神经模糊推断系统，并通过第一预设 公式迭代预测出500小时后的电压；由于实施例中定期的表征测试会对电压变 化产生影响，简称电压跳动，为了减少预测误差，引入第三预设公式作为经 验公式，在每次表征测试后在预测结果加上电压跳动值；
xc＝xk+c×exp(d×(tk-tk-1))；
其中，xk表示自适应神经模糊推断系统的预测结果，xc表征测试后的电压， c和d为经验参数，处理后的结果记为u1。
取预设窗口长度M＝10，将数据集x2按时间顺序分成一个个长度为M的子 数据集。选取反向传播神经网络，按照移动窗口的方式不断训练并预测出结 果u2；
将u1和u2根据第二预设公式进行融合得到性能预测结果。
预测结果分别如图6和图7所示，根据图6和图7可见本申请实施例提供的 质子交换膜燃料电池的性能预测方法可以准确地预测稳态与准稳态工况下的 质子交换膜燃料电池的性能。图6和图7中，横坐标均为时间，单位为小时(h)， 纵坐标为电压，单位为伏(V)。
表1列出了本申请实施例提供的质子交换膜燃料电池的性能预测方法(在 表1中以本方法表示)与方法1、2、3在相同数据条件下的预测结果，从表1中 可以看出，本申请实施例提供的质子交换膜燃料电池的性能预测方法能够获 得更高的预测精度。
表1
在恒定电流负载下运行 方法2 方法1 本方法
均方根误差 0.6014 0.0123 0.0087
有波动电流负载下运行 方法3 方法1 本方法
均方根误差 0.0197 0.0263 0.0150
表1中，方法1表示Silva等人使用自适应神经模糊推断系统预测质子交换 膜燃料电池的性能的方法，方法2表示Zhou等人使用基于移动窗口的混合预测 方法预测电池在稳态工况下的性能变化的方法，方法3表示Liu等人提出的通过 一种混合算法来预测准稳态工况条件下电池性能变化的方法。
下面对本申请实施例提供的一种质子交换膜燃料电池的性能预测系统进 行描述，下文描述的质子交换膜燃料电池的性能预测系统可与上文描述的质 子交换膜燃料电池的性能预测方法相互对应参照。
相应的，本申请实施例提供了一种质子交换膜燃料电池的性能预测系统， 包括：
第一获取模块，用于获取质子交换膜燃料电池的运行工况参数；
第一预测模块，用于将所述运行工况参数输入到预先经过训练的神经网 络，以获取所述预先经过训练的神经网络的输出参数作为第一预测电压；
第二获取模块，用于获取所述质子交换膜燃料电池的历史电压数据；
第二预测模块，用于利用所述历史电压数据作为输入数据输入到自适应 神经模糊推断系统，以获取所述自适应神经模糊推断系统输出的第二预测电 压；
数据融合模块，用于将所述第一预测电压和第二预测电压进行融合，以 获得所述质子交换膜燃料电池的性能预测结果。
可选的，所述预先经过训练的神经网络的训练过程包括：
获取训练数据集；
将所述训练数据集以预设窗口长度，按照先后顺序划分为多个按照时间 先后顺序编号的子集；
利用所述多个子集以移动窗口的方式对神经网络进行预测和验证，以获 取所述预先经过训练的神经网络。
可选的，所述利用所述多个子集以移动窗口的方式对神经网络进行预测 和验证包括：
对所述神经网络进行N轮预测，N与所述多个子集的数量相同；
其中，第k轮预测包括：以编号为k的子集作为训练集对所述神经网络 进行训练，以编号为k+1的子集作为验证集对所述神经网络进行验证，利用 验证通过的神经网络预测第k+2个子集的数据；
k为大于0，且小于N的整数。
可选的，所述数据融合模块具体用于，将所述第一预测电压和第二预测 电压输入到第二预设公式中，以获取所述质子交换膜燃料电池的性能预测结 果；
所述第二预设公式包括：
Figure BDA0002402972170000111
其中，
Figure BDA0002402972170000112
Yfus表示性能预测结果；p＝1时，wp,k表示所述自适应神经模糊推断系统在第k轮预测阶段的融合权重，yeva,p,k表示 所述自适应神经模糊推断系统在第k轮验证阶段的输出值，yeva,k表示所述自适 应神经模糊推断系统在第k轮验证阶段的实际电压值，ypre,p,k表示所述自适应 神经模糊推断系统在第k轮预测阶段的输出值；p＝2时，wp,k表示所述预先经 过训练的神经网络在第k轮预测阶段的融合权重，yeva,p,k表示所述预先经过训 练的神经网络在第k轮验证阶段的输出值，yeva,k表示所述预先经过训练的神经 网络在第k轮验证阶段的实际电压值，ypre,p,k表示所述预先经过训练的神经网 络在第k轮预测阶段的输出值。
可选的，所述自适应神经模糊推断系统的输入数据与输出的第二预测电 压的关系满足第一预设公式；
所述第一预设公式包括：
Figure BDA0002402972170000121
其中，u(t)表示所述历史电压数据中t时刻的电压值，F[]表示所述自适应神 经模糊推断系统，
Figure BDA0002402972170000122
表示所述自适应神经模糊推断系统输出的t+β时刻 的第二预测电压，α表示所述历史电压数据中相邻电压值之间的时间间隔，β 表示所述第二预测电压与u(t)的时间间隔。
综上所述，本申请实施例提供了一种质子交换膜燃料电池的性能预测方 法及性能预测系统，所述质子交换膜燃料电池的性能预测方法首先获取质子 交换膜燃料电池的运行工况参数，并将运行工况参数输入到预先经过训练的 神经网络，以获取与运行工况参数相关的第一预测电压；然后获取所述质子 交换膜燃料电池的历史电压数据，并利用所述历史电压数据作为输入数据输 入到自适应神经模糊推断系统，以获得所述自适应神经模糊推断系统输出的 与过去性能表现相关的第二预测电压，最后将所述第一预测电压和第二预测 电压进行融合，以获得所述质子交换膜燃料电池的性能预测结果。综上可知， 所述质子交换膜燃料电池的性能预测方法通过综合考虑质子交换膜燃料电池 的运行工况和过去性能表现的方式，将与运行工况相关的第一预测电压和与 过去性能表现相关的第二预测电压进行融合得到最终的性能预测结果，大大 提高了对质子交换膜燃料电池性能预测的准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都 是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用 本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下， 在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例， 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种质子交换膜燃料电池的性能预测方法，其特征在于，包括：
获取质子交换膜燃料电池的运行工况参数；
将所述运行工况参数输入到预先经过训练的神经网络，以获取所述预先经过训练的神经网络的输出参数作为第一预测电压；
获取所述质子交换膜燃料电池的历史电压数据；
利用所述历史电压数据作为输入数据输入到自适应神经模糊推断系统，以获取所述自适应神经模糊推断系统输出的第二预测电压；
将所述第一预测电压和第二预测电压进行融合，以获得所述质子交换膜燃料电池的性能预测结果。
2.根据权利要求1所述的质子交换膜燃料电池的性能预测方法，其特征在于，所述预先经过训练的神经网络的训练过程包括：
获取训练数据集；
将所述训练数据集以预设窗口长度，按照先后顺序划分为多个按照时间先后顺序编号的子集；
利用所述多个子集以移动窗口的方式对神经网络进行预测和验证，以获取所述预先经过训练的神经网络。
3.根据权利要求2所述的质子交换膜燃料电池的性能预测方法，其特征在于，所述利用所述多个子集以移动窗口的方式对神经网络进行预测和验证包括：
对所述神经网络进行N轮预测，N与所述多个子集的数量相同；
其中，第k轮预测包括：以编号为k的子集作为训练集对所述神经网络进行训练，以编号为k+1的子集作为验证集对所述神经网络进行验证，利用验证通过的神经网络预测第k+2个子集的数据；
k为大于0，且小于N的整数。
4.根据权利要求3所述的质子交换膜燃料电池的性能预测方法，其特征在于，所述将所述第一预测电压和第二预测电压进行融合包括：
将所述第一预测电压和第二预测电压输入到第二预设公式中，以获取所述质子交换膜燃料电池的性能预测结果；
所述第二预设公式包括：
Figure RE-FDA0002524006820000011
其中，
Figure FDA0002402972160000032
Yfus表示性能预测结果；p＝1时，wp,k表示所述自适应神经模糊推断系统在第k轮预测阶段的融合权重，yeva,p,k表示所述自适应神经模糊推断系统在第k轮验证阶段的输出值，yeva,k表示所述自适应神经模糊推断系统在第k轮验证阶段的实际电压值，ypre,p,k表示所述自适应神经模糊推断系统在第k轮预测阶段的输出值；p＝2时，wp,k表示所述预先经过训练的神经网络在第k轮预测阶段的融合权重，yeva,p,k表示所述预先经过训练的神经网络在第k轮验证阶段的输出值，yeva,k表示所述预先经过训练的神经网络在第k轮验证阶段的实际电压值，ypre,p,k表示所述预先经过训练的神经网络在第k轮预测阶段的输出值。
5.根据权利要求1所述的质子交换膜燃料电池的性能预测方法，其特征在于，所述自适应神经模糊推断系统的输入数据与输出的第二预测电压的关系满足第一预设公式；
所述第一预设公式包括：
Figure FDA0002402972160000023
其中，u(t)表示所述历史电压数据中t时刻的电压值，F[]表示所述自适应神经模糊推断系统，
Figure FDA0002402972160000024
表示所述自适应神经模糊推断系统输出的t+β时刻的第二预测电压，α表示所述历史电压数据中相邻电压值之间的时间间隔，β表示所述第二预测电压与u(t)的时间间隔。
6.一种质子交换膜燃料电池的性能预测系统，其特征在于，包括：
第一获取模块，用于获取质子交换膜燃料电池的运行工况参数；
第一预测模块，用于将所述运行工况参数输入到预先经过训练的神经网络，以获取所述预先经过训练的神经网络的输出参数作为第一预测电压；
第二获取模块，用于获取所述质子交换膜燃料电池的历史电压数据；
第二预测模块，用于利用所述历史电压数据作为输入数据输入到自适应神经模糊推断系统，以获取所述自适应神经模糊推断系统输出的第二预测电压；
数据融合模块，用于将所述第一预测电压和第二预测电压进行融合，以获得所述质子交换膜燃料电池的性能预测结果。
7.根据权利要求6所述的质子交换膜燃料电池的性能预测系统，其特征在于，所述预先经过训练的神经网络的训练过程包括：
获取训练数据集；
将所述训练数据集以预设窗口长度，按照先后顺序划分为多个按照时间先后顺序编号的子集；
利用所述多个子集以移动窗口的方式对神经网络进行预测和验证，以获取所述预先经过训练的神经网络。
8.根据权利要求7所述的质子交换膜燃料电池的性能预测系统，其特征在于，所述利用所述多个子集以移动窗口的方式对神经网络进行预测和验证包括：
对所述神经网络进行N轮预测，N与所述多个子集的数量相同；
其中，第k轮预测包括：以编号为k的子集作为训练集对所述神经网络进行训练，以编号为k+1的子集作为验证集对所述神经网络进行验证，利用验证通过的神经网络预测第k+2个子集的数据；
k为大于0，且小于N的整数。
9.根据权利要求8所述的质子交换膜燃料电池的性能预测系统，其特征在于，所述数据融合模块具体用于，将所述第一预测电压和第二预测电压输入到第二预设公式中，以获取所述质子交换膜燃料电池的性能预测结果；
所述第二预设公式包括：
Figure FDA0002402972160000031
其中，
Figure FDA0002402972160000032
Yfus表示性能预测结果；p＝1时，wp,k表示所述自适应神经模糊推断系统在第k轮预测阶段的融合权重，yeva,p,k表示所述自适应神经模糊推断系统在第k轮验证阶段的输出值，yeva,k表示所述自适应神经模糊推断系统在第k轮验证阶段的实际电压值，ypre,p,k表示所述自适应神经模糊推断系统在第k轮预测阶段的输出值；p＝2时，wp,k表示所述预先经过训练的神经网络在第k轮预测阶段的融合权重，yeva,p,k表示所述预先经过训练的神经网络在第k轮验证阶段的输出值，yeva,k表示所述预先经过训练的神经网络在第k轮验证阶段的实际电压值，ypre,p,k表示所述预先经过训练的神经网络在第k轮预测阶段的输出值。
10.根据权利要求6所述的质子交换膜燃料电池的性能预测系统，其特征在于，所述自适应神经模糊推断系统的输入数据与输出的第二预测电压的关系满足第一预设公式；
所述第一预设公式包括：
Figure FDA0002402972160000041
其中，u(t)表示所述历史电压数据中t时刻的电压值，F[]表示所述自适应神经模糊推断系统，
Figure FDA0002402972160000042
表示所述自适应神经模糊推断系统输出的t+β时刻的第二预测电压，α表示所述历史电压数据中相邻电压值之间的时间间隔，β表示所述第二预测电压与u(t)的时间间隔。
CN202010152580.1A 2020-03-06 2020-03-06 一种质子交换膜燃料电池的性能预测方法及性能预测系统 Pending CN111428913A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010152580.1A CN111428913A (zh) 2020-03-06 2020-03-06 一种质子交换膜燃料电池的性能预测方法及性能预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010152580.1A CN111428913A (zh) 2020-03-06 2020-03-06 一种质子交换膜燃料电池的性能预测方法及性能预测系统

Publications (1)

Publication Number Publication Date
CN111428913A true CN111428913A (zh) 2020-07-17

Family

ID=71547461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010152580.1A Pending CN111428913A (zh) 2020-03-06 2020-03-06 一种质子交换膜燃料电池的性能预测方法及性能预测系统

Country Status (1)

Country Link
CN (1) CN111428913A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112289385A (zh) * 2020-09-17 2021-01-29 西南交通大学 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法
CN113506901A (zh) * 2021-06-08 2021-10-15 北京格睿能源科技有限公司 燃料电池系统动态性能预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20150278704A1 (en) * 2014-03-28 2015-10-01 Korea Institute Of Energy Research Method for optimization of fuel cells operating conditions using hybrid model
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN106848351A (zh) * 2016-12-26 2017-06-13 天津大学 质子交换膜燃料电池性能预测模型建立的方法
CN107947738A (zh) * 2017-12-11 2018-04-20 南京航空航天大学 一种太阳能无人机电池板电压的预测方法
CN108134114A (zh) * 2017-12-07 2018-06-08 电子科技大学 一种质子交换膜燃料电池温度控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20150278704A1 (en) * 2014-03-28 2015-10-01 Korea Institute Of Energy Research Method for optimization of fuel cells operating conditions using hybrid model
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN106848351A (zh) * 2016-12-26 2017-06-13 天津大学 质子交换膜燃料电池性能预测模型建立的方法
CN108134114A (zh) * 2017-12-07 2018-06-08 电子科技大学 一种质子交换膜燃料电池温度控制方法
CN107947738A (zh) * 2017-12-11 2018-04-20 南京航空航天大学 一种太阳能无人机电池板电压的预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DAMING ZHOU等: "Degradation prediction of PEM fuel cell using a moving window based hybrid prognostic approach", 《ENERGY》 *
R.E. SILVA等: "Proton exchange membrane fuel cell degradation prediction based on Adaptive Neuro-Fuzzy Inference Systems", 《INTERNATIONAL JOURNAL OF HYDROGEN ENERGY》 *
Y. BICER等: "Maximizing performance of fuel cell using artificial neural network approach for smart grid applications", 《ENERGY》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112289385A (zh) * 2020-09-17 2021-01-29 西南交通大学 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法
CN112289385B (zh) * 2020-09-17 2022-08-09 西南交通大学 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法
CN113506901A (zh) * 2021-06-08 2021-10-15 北京格睿能源科技有限公司 燃料电池系统动态性能预测方法及装置
CN113506901B (zh) * 2021-06-08 2022-07-12 北京格睿能源科技有限公司 燃料电池系统动态性能预测方法及装置

Similar Documents

Publication Publication Date Title
Li et al. Performance prediction and power density maximization of a proton exchange membrane fuel cell based on deep belief network
Yuan et al. Developed coyote optimization algorithm and its application to optimal parameters estimation of PEMFC model
Ma et al. A hybrid prognostic method for PEMFC with aging parameter prediction
CN111428913A (zh) 一种质子交换膜燃料电池的性能预测方法及性能预测系统
Wei et al. Parameter identification of solid oxide fuel cell by Chaotic Binary Shark Smell Optimization method
Bozorgmehri et al. Modeling and optimization of anode‐supported solid oxide fuel cells on cell parameters via artificial neural network and genetic algorithm
Ettihir et al. Energy management strategy for a fuel cell hybrid vehicle based on maximum efficiency and maximum power identification
Costamagna et al. A classification approach for model-based fault diagnosis in power generation systems based on solid oxide fuel cells
Wu et al. A prognostic-based dynamic optimization strategy for a degraded solid oxide fuel cell
Wang et al. Degradation prediction of proton exchange membrane fuel cell stack using semi-empirical and data-driven methods
Chen et al. Proton exchange membrane fuel cell prognostics using genetic algorithm and extreme learning machine
Kui et al. Proton exchange membrane fuel cell degradation and remaining useful life prediction based on artificial neural network
Outeiro et al. A new parameter extraction method for accurate modeling of PEM fuel cells
Hua et al. Lifespan prediction for proton exchange membrane fuel cells based on wavelet transform and echo state network
Liu et al. Multi-objective optimization of proton exchange membrane fuel cell geometry and operating parameters based on three new performance evaluation indexes
Yang et al. Fault diagnosis of SOFC system based on single cell voltage analysis
Iribarren et al. Dynamic modeling of a pressurized alkaline water electrolyzer: a multiphysics approach
Timilsina et al. A real-time prognostic-based control framework for hybrid electric vehicles
Rezazadeh et al. Proton exchange membrane fuel cell controlusing a predictive control based on neuralnetwork
Li et al. Screening of retired lithium-Ion batteries using incremental capacity charging curve-based residual capacity estimation method for facilitating sustainable circular lithium-ion battery system
Liu et al. System estimation of the SOFCs using fractional-order social network search algorithm
Jabbary et al. Artificial intelligence-assisted optimization and multiphase analysis of polygon PEM fuel cells
Xing et al. Adaptive online parameter estimation algorithm of PEM fuel cells
Yamina et al. Pem fuel cell with conventional mppt
You et al. Research on ecsa degradation model for pem fuel cell under vehicle conditions

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: 20200717