CN111983489B - Sofc系统放电故障含过渡模态的检测方法 - Google Patents
Sofc系统放电故障含过渡模态的检测方法 Download PDFInfo
- Publication number
- CN111983489B CN111983489B CN202010829112.3A CN202010829112A CN111983489B CN 111983489 B CN111983489 B CN 111983489B CN 202010829112 A CN202010829112 A CN 202010829112A CN 111983489 B CN111983489 B CN 111983489B
- Authority
- CN
- China
- Prior art keywords
- voltage signal
- imf
- component
- sofc system
- submodel
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种SOFC系统放电故障含过渡模态的检测方法,包括收集SOFC系统运行的历时数据,进行相关性分析,找出影响SOFC系统放电特性的关键信号指标,关键信号指标为电压信号;采用经验模态分解方法将电压信号分解为多个IMF分量和一个res分量;在外部输入信号没有变化的状态下,若采用经验模态分解方法处理后的电压信号出现变化,则SOFC系统出现故障模态的过渡模态。本发明的目的在于解决SOFC系统忽略过渡模态所导致的不利于系统稳定、高效、长寿命放电的技术问题。
Description
技术领域
本发明属于燃料电池技术领域,更具体地,涉及一种SOFC系统放电故障含过渡模态的检测方法。
背景技术
固体氧化物燃料电池系统(SOFC)是一种清洁、高效率、无噪音的发电系统,SOFC系统的运行状况对电力平稳供应有着重要意义。
传统的SOFC系统放电状态检测方法是一种在故障发生后进行识别的方法,这种事后检测的方法不利于SOFC系统的及时修复和维持长寿命。要保证SOFC系统稳定、高效、长寿命地放电,在其发生故障之前及时预判具有重要意义。当SOFC系统从正常模态转变到故障模态过程中,往往不是直接切换就能达到的,在其转变过程中是存在过渡阶段的。而这个过渡阶段在以往的研究中是常被忽略的。若能及时发现该过渡模态的阶段,将有助于后期实现有效的管控,从而维持SOFC系统的放电性能。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种SOFC系统放电故障含过渡模态的检测方法,其目的在于解决SOFC系统忽略过渡模态所导致的不利于系统稳定、高效、长寿命放电的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种SOFC系统放电故障含过渡模态的检测方法,包括:收集SOFC系统运行的历时数据,进行相关性分析,找出影响SOFC系统放电特性的关键信号指标,所述关键信号指标为电压信号;采用经验模态分解方法将所述电压信号分解为多个IMF分量和一个res分量;在外部输入信号没有变化的状态下,若采用经验模态分解方法处理后的电压信号出现变化,则SOFC系统出现故障模态的过渡模态。
优选地,将所述电压信号分解为多个IMF分量和一个res分量之后还包括对所述多个IMF分量和一个res分量建立Elman神经网络子模型,对所述子模型加权融合,获得电压信号的预测值;根据所述电压信号的预测值与电压信号的实际值之间的误差百分比是否大于阈值判断SOFC系统是否出现故障模态的过渡模态;若大于阈值则出现,反之则没有。
优选地,所述对所述多个IMF分量和一个res分量建立Elman神经网络子模型包括:根据系统运行状态及电压信号经经验模态分解方法分解后IMF频率的不同,建立多个不同的Elman神经网络子模型。
优选地,所述多个不同的Elman神经网络子模型包括:负载测试阶段的各高频IMF分量设置为第一子模型,兼顾负载测试阶段与过渡模态的各IMF分量设置为第二子模型,过渡模态的各中低频IMF分量设置为第三子模型,各低频IMF分量设置为第四子模型,res分量设置为第五子模型。
优选地,所述采用经验模态分解方法将所述电压信号分解为多个IMF分量和一个res分量包括:
1)找出电压信号时间序列x(t)的所有局部极值点;
2)采用三次样条插值函数,分别拟合局部极大值和极小值,得到上包络线emax1(t)和下包络线emin1(t),并求取上包络线与下包络线的平均值m1(t),m1(t)=(emin1(t)+emax1(t))/2;计算m1(t)与x(t)之差h1(t),h1(t)=x(t)-m1(t);
3)若h1(t)符合IMF成立的要求,则将h1(t)认定为第一个本征模函数;若不符合,则以h1(t)代替x(t),重复步骤1)-2),考察h1k(t)=h1(k-1)(t)-m1k(t),直到h1k(t)满足IMF的条件为止,其中,k是考察的次数;最终求得的平均包络线,记为c1(t)=h1k(t),为x(t)的第一个本征模函数,记为IMF1;
4)从x(t)中将c1(t)分离出来,即求取余数r1(t)=x(t)-c1(t),将r1(t)作为初始序列,重复进行上述步骤1)-3),即可求得IMF2,IMF3,…,直到cn(t)或rn(t)是单调时结束,此时,求得的res分量为rn(t);
5)则电压信号被分解成了多个IMF分量和一个res分量的和值:
优选地,述对所述多个IMF分量和一个res分量建立Elman神经网络子模型的计算方法包括:
将得到的电压信号的每个IMF分量和剩余分量代入下式:
y(k)=g(w3x(k)+α2)
x(k)=f(w1xc(k)+w2(u(k-1))+α)
xc(k)=x(k-1)
其中,y(k),x(k),u,xc分别表示m维输出节点向量,n维中间层
节点单元向量,r维输入向量和n维反馈状态向量。w1,w2,w3分别表示中间层到输出层、输入层到中间层、承接层到中间层的连接权值。g(·)为输出神经元的传递函数,是中间层输出的线性组合,α为隐含层阀值,α2为输出层阀值,f(·)为中间层神经元的传递函数:wk-1和分别表示不同时间下Elman神经网络的连接权值。
优选地,对所述子模型加权融合之后还包括采用BP算法进行权值修正。
优选地,所述误差百分比采用误差平方和函数计算:
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)通过收集SOFC系统运行的历时数据,进行相关性分析,找出影响SOFC系统放电特性的关键信号指标——电压信号;再采用经验模态分解EMD方法处理电压信号,根据电压信号变化情况,本发明实现了对SOFC发电故障过渡模态的有效检测,该过程不需要SOFC系统的精确模型,具有广泛的通用性。并且,通过故障过渡模态的有效检测,极早发现问题后更有助于系统稳定、高效、长寿命得运行。
(2)并且,本发明还对分解后的多个IMF和res分量建立了Elman神经网络子模型,将子模型的结果进行加权融合,最终实现了根据电压信号的预测值与实际值之差是否大于阈值定量判断SOFC系统是否出现故障模态的过渡模态。
附图说明
图1是本发明实施例的检测方法流程图;
图2是本发明拟处理的SOFC系统电特性图;
图3是实施例经EMD分解后的效果图;
图4是实施例的SOFC系统电堆入口气压趋势图;
图5是实施例的放电故障模态检测效果图;
图6是实施例的放电故障模态预测阈值效果图;
图7是实施例经EMD分解后效果图及对应时间段的外部输入信号变化图。
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。
本发明提出了一种SOFC系统放电故障含过渡模态的检测方法,包括:
收集SOFC系统运行的历时数据,进行相关性分析,找出影响SOFC系统放电特性的关键信号指标,关键信号指标为电压信号;采用经验模态分解方法将电压信号分解为多个IMF分量和一个res分量;在外部输入信号没有变化的状态下,若采用经验模态分解方法处理后得到的电压信号出现变化,则SOFC系统出现故障模态的过渡模态。通过该方法,本发明实现了对SOFC发电故障过渡模态的有效检测,该过程不需要SOFC系统的精确模型,具有广泛的通用性。
作为另一种实施例,将电压信号分解为多个IMF分量和一个res分量之后还包括对多个IMF分量和一个res分量建立Elman神经网络子模型,对子模型加权融合,获得电压信号的最终预测值;根据电压信号的预测值与电压信号的实际值之间的误差百分比是否大于阈值判断SOFC系统是否出现故障模态的过渡模态;若大于阈值则出现,反之则没有。由此实现了定量判断SOFC系统故障模态的过渡模态的有效检测。
作为另一种实施例,为了满足预测精度要求,对多个IMF分量和一个res分量建立Elman神经网络子模型包括:根据系统运行状态及电压信号经经验模态分解方法分解后IMF频率的不同,建立多个不同的Elman神经网络子模型。
作为另一种实施例,多个不同的Elman神经网络子模型包括:负载测试阶段的各高频IMF分量设置为第一子模型,兼顾负载测试阶段与过渡模态的各IMF分量设置为第二子模型,过渡模态的各中低频IMF分量设置为第三子模型,各低频IMF分量设置为第四子模型,res分量设置为第五子模型。该Elman神经网络模型考虑到各分量都从频率的角度反映了系统电特性的变化,使电压信号的预测值的结果更加精准。
作为另一种实施例,采用经验模态分解方法将电压信号分解为多个IMF分量和一个res分量包括:
1)将SOFC系统的电压信号以时间序列排序,获得电压信号时间序列x(t),找出电x(t)的所有局部极值点;
2)采用三次样条插值函数,分别拟合局部极大值和极小值,得到上包络线emax(1t)和下包络线emin1(t),并求取上下包络线的平均值m1(t),m1(t)=(emin1(t)+emax1(t))/2;计算m1(t)与x(t)之差h1(t),h1(t)=x(t)-m1(t);
3)判断h1(t)是否符合IMF成立的要求,若h1(t)符合,则将h1(t)认定为第一个本征模函数;若不符合,则以h1(t)代替x(t),重复步骤1)-2),考察h1k(t)=h1(k-1)(t)-m1k(t),直到h1k(t)满足IMF的条件为止,其中,k是考察的次数;最终求得的平均包络线,记为c1(t)=h1k(t),则为x(t)的第一个本征模函数,记为IMF1。
其中,h1k(t)满足IMF的条件为:
n为hi(t)的长度,i为迭代次数,σ为终止参数,σ的取值范围是[0.2,0.3]。
4)从x(t)中将c1(t)分离出来,即求取余数r1(t)=x(t)-c1(t),将r1(t)作为初始序列,重复进行上述步骤1)-3),即可求得IMF2,IMF3,…,直到cn(t)或rn(t)是单调时结束,此时,求得res分量为rn(t)=xn(t);
作为另一种实施例,对多个IMF分量和一个res分量建立Elman神经网络子模型的计算方法包括:
将得到的电压信号的每个IMF分量和剩余分量代入下式:
y(k)=g(w3x(k)+α2)
x(k)=f(w1xc(k)+w2(u(k-1))+α)
xc(k)=x(k-1)
其中,y(k),x(k),u,xc分别表示m维输出节点向量,n维中间层节点单元向量,r维输入向量和n维反馈状态向量。w1,w2,w3分别表示中间层到输出层、输入层到中间层、承接层到中间层的连接权值。g(·)为输出神经元的传递函数,是中间层输出的线性组合,α为隐含层阀值,α2为输出层阀值,f(·)为中间层神经元的传递函数:wk-1和分别表示不同时间下Elman神经网络的连接权值;
作为另一种实施例,对所述子模型加权融合之后还包括采用BP算法进行权值修正,以使预测值更加准确。
作为另一种实施例,电压信号的预测值与实际值之间的误差百分比采用误差平方和函数计算:
其中,yk(w)为电压信号的预测值,为电压信号的实际值,yk(w)与公式y(k)=g(w3x(k)+α2)中的y(k)代表的含义相同;E(w)代表的是经权值修正后电压信号预测的误差平方和函数,通过误差平方和进行定量评估。
本发明提出的检测方法执行过程如下:
1、收集SOFC系统运行的历时数据,进行相关性分析,找出影响SOFC系统放电特性的关键信号指标。
收集数据时,每条数据以时间序列按照输入输出对的模式组织。采集的数据包括:阴极空气供给量旁路空气供给量重整燃烧燃料供给量重整反应燃料供给量去离子水供给量SOFC电堆温度(Tstack)、燃料空气换热器温度(TFA,exchange)、空气换热器温度(TAir,exchange)、尾气燃烧室温度(TAfter-burner)、重整器温度(Treformer)、保护气供给量放电电流(I)、放电电压(V)和功率(P)。
计算各数据之间的相关性,根据相关系数,将相关度大于0.9的变量保留其一,其余的剔除。仅剩下10个参数,分别对其划分输入量和输出量,其中,输入量为:重整燃烧燃料供给量重整反应燃料供给量阴极空气供给量旁路空气供给量去离子水供给量放电电流(I),输出量为:重整器温度(Treformer)、空气热交换器温度(TAir,exchange)、尾气燃烧室温度(TAfter-burner)和电堆的实时放电电压(V);经过相关性分析(即10个参数中两两之间计算相关系数,若相关系数大于0.7,则认为是高度相关,最后仅保留其中1个变量——电压信号),获知电堆的实时放电电压信号是SOFC系统整体性能评估的关键指标。
2、按照图1所示流程图,先采用经验模态分解方法将电压信号分解为多个IMF分量和一个res分量。
为了降低计算的负担,在利用经验模态分解方法分解前,先将图1的电压特性数据进行分解,其中,前3x105秒属于实验初期,且属于由系统启动到进入一个放电高峰的相对稳态。在此期间系统出现性能状态变化的可能性较低。因此,该时间段的数据不列入系统故障检测阶段,在3x105秒后的数据采用经验模态分解方法分解,计算公式在此不再赘述,其结果如图3所示,分解后一共获得11个IMF分量,能量较高的IMF1~IMF9频率是逐级递减的。图2是本发明拟处理的SOFC系统电特性图,图3中的时间是从图2中的3x105秒开始的,即图3的横坐标0~3x105秒对应图2的3x105~6x105秒。图3中,在IMF1~IMF6这六个高能量IMF中,1号和2号椭圆所示的波动属于高频波动,这属于系统的负载测试阶段,结合图7看出,外部输入信号阴极空气和旁路空气供给量在对应IMF1的波动时也伴随有显著波动。图3的1号和2号椭圆正好对应图2中的Load Test,此时还并未进入模态切换的过渡阶段。图3中的3号椭圆所示频率较低的IMF6~IMF8波动变化不属于外部输入信号变化引起的,结合图7看出,时间约为3.8013x105秒,IMF7开始波动,此时外部输入信号阴极空气和旁路空气的供给量并未发生波动,因此3号椭圆所示频率较低的IMF6~8所示属于模态切换的过渡阶段。由此可以判断,就整个系统的运行时间来说,过渡模态的开始时间约为3.8013x105秒(对应图2中的时间)。
图4是该实施例的SOFC系统电堆入口气压趋势图,从图可以看出,在3.8013x105秒处,电堆入口的气压值降为0,从而证明了该过渡模态下SOFC系统确实出现了故障,即证明了这种故障模态的过渡模态的检测方法是可靠的。
3、按照图1所示流程图,再对分解后的多个IMF分量和res分量建立Elman神经网络子模型。
为了满足预测精度要求,同时考虑到各分量都从频率的角度反映了系统电特性的变化,本实施例根据系统运行状态及电压信号经经验模态分解方法分解后IMF频率的不同采用不同的Elman神经网络子模型进行训练和预测。从图3分析可知,IMF1~IMF5属于高频分量,同时该时间段内是SOFC系统的负载测试阶段,因此对其使用相同隐含层神经元个数的Elman神经网络;而IMF6是兼顾了SOFC系统负载测试和过渡模态的阶段,因此对其采用一种单独隐含层神经元个数的Elman神经网络;IMF7~IMF8属于中低分量,且处于系统的过渡模态,因此对其单独采用一种隐含层神经元个数的Elman神经网络;IMF9~IMF11为低频分量,且未表现出明显的模态切换,因此IMF9~IMF11使用同一种隐含层神经元个数的Elman神经网络;余项res分量为趋势项,幅值最大,贯穿整个EMD的过程,因此考虑单独对其使用一种隐含层神经元个数的Elman神经网络。
具体参数参见表1。
表1各IMF的Elman神经网络预测模型参数
依据表1中的Elman神经网络参数进行IMF分量和res分量的处理叠加,对子模型加权融合,并采用BP算法进行权值修正,可获得全工段的电压信号的预测结果,如图5所示,图5还显示了全工段电压信号的实际值。
采用误差平方和函数得到电压信号的预测值与实际值之间的误差百分比,如图6所示,从图中可以看出,在过渡模态开始之前,除系统负载测试调整造成的预测波动过大外,其余阶段预测值与实际值之间的误差百分比均在0.5%以内。而进入故障模态后,系统电压信号的误差百分比大范围的超出0.5%以上。因此,可将误差百分比等于0.5%时设定为SOFC系统发生放电故障的参考阈值。
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 (5)
1.一种SOFC系统放电故障含过渡模态的检测方法,其特征在于,包括:
收集SOFC系统运行的历时数据,进行相关性分析,找出影响SOFC系统放电特性的关键信号指标,所述关键信号指标为电压信号;
采用经验模态分解方法将所述电压信号分解为多个IMF分量和一个res分量;
在外部输入信号没有变化的状态下,若采用经验模态分解方法处理后的电压信号出现变化,则SOFC系统出现故障模态的过渡模态,所述外部输入信号是指阴极空气供给量、旁路空气供给量;
其中,将所述电压信号分解为多个IMF分量和一个res分量之后还包括对所述多个IMF分量和一个res分量建立Elman神经网络子模型,所述对所述多个IMF分量和一个res分量建立Elman神经网络子模型包括:根据系统运行状态及电压信号经经验模态分解方法分解后IMF频率的不同,建立多个不同的Elman神经网络子模型;所述多个不同的Elman神经网络子模型包括:负载测试阶段的各高频IMF分量设置为第一子模型,兼顾负载测试阶段与过渡模态的各IMF分量设置为第二子模型,过渡模态的各中低频IMF分量设置为第三子模型,各低频IMF分量设置为第四子模型,res分量设置为第五子模型,对所述子模型加权融合,获得电压信号的预测值;
根据所述电压信号的预测值与电压信号的实际值之间的误差百分比是否大于阈值判断SOFC系统是否出现故障模态的过渡模态;若大于阈值则出现,反之则没有。
2.如权利要求1所述的检测方法,其特征在于,所述采用经验模态分解方法将所述电压信号分解为多个IMF分量和一个res分量包括:
1)找出电压信号时间序列x(t)的所有局部极值点;
2)采用三次样条插值函数,分别拟合局部极大值和极小值,得到上包络线emax1(t)和下包络线emin1(t),并求取上包络线与下包络线的平均值m1(t),m1(t)=(emin1(t)+emax1(t))/2;计算m1(t)与x(t)之差h1(t),h1(t)=x(t)-m1(t);
3)若h1(t)符合IMF成立的要求,则将h1(t)认定为第一个本征模函数;若不符合,则以h1(t)代替x(t),重复步骤1)-2),考察h1k(t)=h1(k-1)(t)-m1k(t),直到h1k(t)满足IMF的条件为止,其中,k是考察的次数;最终求得的平均包络线,记为c1(t)=h1k(t),为x(t)的第一个本征模函数,记为IMF1;
4)从x(t)中将c1(t)分离出来,即求取余数r1(t)=x(t)-c1(t),将r1(t)作为初始序列,重复进行上述步骤1)-3),即可求得IMF2,IMF3,…,直到cn(t)或rn(t)是单调时结束,此时,求得的res分量为rn(t);
5)则电压信号被分解成了多个IMF分量和一个res分量的和值:
3.如权利要求1所述的检测方法,其特征在于,所述对所述多个IMF分量和一个res分量建立Elman神经网络子模型的计算方法包括:
将得到的电压信号的每个IMF分量和剩余分量代入下式:
y(k)=g(w3x(k)+α2)
x(k)=f(w1xc(k)+w2(u(k-1))+α)
xc(k)=x(k-1)
4.如权利要求3所述的检测方法,其特征在于,对所述子模型加权融合之后还包括采用BP算法进行权值修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010829112.3A CN111983489B (zh) | 2020-08-18 | 2020-08-18 | Sofc系统放电故障含过渡模态的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010829112.3A CN111983489B (zh) | 2020-08-18 | 2020-08-18 | Sofc系统放电故障含过渡模态的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111983489A CN111983489A (zh) | 2020-11-24 |
CN111983489B true CN111983489B (zh) | 2022-12-20 |
Family
ID=73435631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010829112.3A Active CN111983489B (zh) | 2020-08-18 | 2020-08-18 | Sofc系统放电故障含过渡模态的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111983489B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113933658B (zh) * | 2021-08-27 | 2023-08-29 | 国网湖南省电力有限公司 | 基于可听声分析的干式变压器放电检测方法及系统 |
CN117195007B (zh) * | 2023-11-08 | 2024-02-06 | 张家港长寿工业设备制造有限公司 | 一种换热器性能预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101842711A (zh) * | 2007-08-29 | 2010-09-22 | 保诚电子工程有限公司 | 用于电力变换系统的老化状态诊断装置及其诊断方法 |
CN103424600A (zh) * | 2013-08-20 | 2013-12-04 | 昆明理工大学 | 一种基于Hilbert-Huang变换和小波包能量谱的电压暂降源识别方法 |
CN105954682A (zh) * | 2016-05-20 | 2016-09-21 | 国家计算机网络与信息安全管理中心 | 蓄电池荷电状态在线估计检测方法及系统 |
CN106353690A (zh) * | 2016-09-20 | 2017-01-25 | 上海海事大学 | 利用Petri网诊断锂电池故障的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8242738B2 (en) * | 2008-05-28 | 2012-08-14 | Texas Instruments Incorporated | Systems and methods for determining battery parameters following active operation of the battery |
-
2020
- 2020-08-18 CN CN202010829112.3A patent/CN111983489B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101842711A (zh) * | 2007-08-29 | 2010-09-22 | 保诚电子工程有限公司 | 用于电力变换系统的老化状态诊断装置及其诊断方法 |
CN103424600A (zh) * | 2013-08-20 | 2013-12-04 | 昆明理工大学 | 一种基于Hilbert-Huang变换和小波包能量谱的电压暂降源识别方法 |
CN105954682A (zh) * | 2016-05-20 | 2016-09-21 | 国家计算机网络与信息安全管理中心 | 蓄电池荷电状态在线估计检测方法及系统 |
CN106353690A (zh) * | 2016-09-20 | 2017-01-25 | 上海海事大学 | 利用Petri网诊断锂电池故障的方法 |
Non-Patent Citations (1)
Title |
---|
胡旭晓 等.惩罚函数的构造及多模态平稳过渡策略.《机械工程学报》.2008, * |
Also Published As
Publication number | Publication date |
---|---|
CN111983489A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110190306B (zh) | 一种用于燃料电池系统的在线故障诊断方法 | |
CN111129548B (zh) | 一种改进粒子群优化模糊pid燃料电池温度控制方法 | |
CN111983489B (zh) | Sofc系统放电故障含过渡模态的检测方法 | |
CN110165248B (zh) | 燃料电池发动机空气供给系统容错控制方法 | |
Ramos-Paja et al. | Mathematical analysis of hybrid topologies efficiency for PEM fuel cell power systems design | |
CN111880099B (zh) | 一种储能电站站内电池单体寿命预测方法及系统 | |
CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
CN117277357B (zh) | 采用液流电池的新型火电储能调频方法、系统及电子设备 | |
CN111258365B (zh) | 一种燃料电池系统的功率控制方法 | |
KR101315764B1 (ko) | 연료전지용 수소 공급 시스템의 고장 진단 방법 | |
CN113093020A (zh) | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 | |
CN109698366B (zh) | 一种燃料电池阳极流道氮浓度估计方法及装置 | |
CN111948562A (zh) | 一种燃料电池全生命周期监控与评估系统 | |
CN110838590A (zh) | 一种质子交换膜燃料电池气体供应控制系统及方法 | |
CN113459902B (zh) | 一种实现燃料电池阵列最大效率运行的功率分配方法 | |
CN115598536A (zh) | 基于模糊c均值聚类和概率神经网络的pemfc故障诊断方法 | |
CN117057228A (zh) | 一种基于深度强化学习的逆变器多目标优化方法 | |
CN114186476A (zh) | 基于历史工况的锅炉燃烧在线优化方法 | |
CN113629778A (zh) | 一种分布式光伏配电网光储系统设计方法 | |
Liu et al. | The life prediction of PEMFC based on group method of data handling with Savitzky–Golay smoothing | |
Zuo et al. | Post-prognostics decision making strategy to manage the economic lifetime of a two-stack PEMFC system | |
CN113884928B (zh) | 一种基于燃料电池健康度校正的多堆分布式控制方法 | |
CN116050461A (zh) | 运用卷积神经网络确定模糊控制理论隶属度函数的改进法 | |
CN115716469A (zh) | 一种混合动力系统的输出功率分配控制方法 | |
Ghosh et al. | Modeling and control of a PEM fuel cell performance using Artificial Neural Networks to maximize the real time efficiency |
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 |