CN112084710A - 固体氧化物燃料电池电压预测方法、终端设备及存储介质 - Google Patents

Abstract

本发明涉及固体氧化物燃料电池电压预测方法、终端设备及存储介质，该方法中包括：S1：构建SOFC动力学模型，采集一段时间内固体氧化物燃料电池通过SOFC动力学模型的燃料流速、堆栈电流和输出电压组成训练集；S2：构建基于宽度学习系统的非线性自回归滑动平均模型作为辨识模型；S3：利用训练集，并通过优化算法对辨识模型的参数进行训练，得到最优的模型参数，将最优的模型参数代入辨识模型中得到最终模型；S4：通过最终模型对固体氧化物燃料电池的电压进行预测。本发明采用BLS学习网络和RBF神经网络相结合的新的算法结构，相对于BLS和RBF具有更好的精确度和有效性。

Description

固体氧化物燃料电池电压预测方法、终端设备及存储介质

技术领域

本发明涉及燃料电池技术领域，尤其涉及一种固体氧化物燃料电池电压预测方法、终端设备及存储介质。

背景技术

燃料电池(Fuel Cell，FC)是一种直接利用化学能的电化学装置。因其高效、洁净和安全利用能源等诸多优点已引起全球各国的高度重视，其中固体氧化物燃料电池(SolidOxide Fuel Cell，SOFC)因其工作温度高(800～1000℃)、不使用贵金属催化剂、功率密度大、能量转化效率高和对燃料的种类和质量要求较低等优点，已然成为燃料电池技术研究热点和发展方向。为了满足研究其暂态和动态特征，预测和优化其性能的需求以及由于其电堆环境的复杂性、密闭性和高温性，致使局部实验非常困难，因此建立SOFC数学模型对于燃料电池的发展至关重要。目前全球各国研究人员已经从热力学、电化学、流体力学和材料学等方面建立一些详细的模型。这些机理模型对理解和设计SOFC电堆结构非常有益，但不适用于燃料电池工业控制系统的设计。

系统辨识是利用被测系统的动态输入输出数据建立数学模型的过程，但是现有技术中采用的辨识策略均未考虑输入数据阶数对系统辨识结果的影响。

发明内容

为了解决上述问题，本发明提出了一种固体氧化物燃料电池电压预测方法、终端设备及存储介质。

具体方案如下：

一种固体氧化物燃料电池电压预测方法，包括以下步骤：

S1：构建SOFC动力学模型，采集一段时间内固体氧化物燃料电池通过SOFC动力学模型的燃料流速、堆栈电流和输出电压组成训练集；

S2：构建基于宽度学习系统的非线性自回归滑动平均模型作为辨识模型，设定辨识模型的输入分别为燃料流速和堆栈电流，输出为电压；辨识模型的数学表达式为：

U(k+d)＝f(U(k+d-1),…,U(k+d-n),q_f(k),…,q_f(k-m),I(k),…,I(k-m))

其中，k表示时刻，k＝1,…,N，N表示最大时刻，U表示辨识模型输出的电压，q_f表示辨识模型输入的燃料流速，I表示辨识模型输入的堆栈电流，n和m是分别表示输入、输出的阶次，d表示输出延迟，f(.)表示宽度学习网络；

S3：利用训练集，并通过优化算法对辨识模型的参数进行训练，得到最优的模型参数，将最优的模型参数代入辨识模型中得到最终模型；

S4：通过最终模型对固体氧化物燃料电池的电压进行预测。

进一步的，参数m和n通过Lipschitz quotients准则根据输入输出数据确定。

进一步的，参数m和n确定方法为：

将辨识模型的数学表达式改写为：

U＝f(x₁,x₂,…,x_l)

其中，l表示输入变量数目，l＝n+2m+2。设x＝[x₁,x₂,…,x_l]，设定x(i)、U(i)为输入输出对，则定义Lipschitz商

为：

其中，|x(i)-x(j)|表示输入数据中两不同点的距离；|U(i)-U(j)|表示输出数据中两不同点的距离；将上式扩展为：

设定变量数目判定参数q^(l)：

其中，p∈[0.01*N,0.02*N]，N是样本数；q^(l)(i)是第i个

的最大值；

则输入变量数目l应满足下式条件：

其中，ε＝0.1；

根据输入变量数目l的值确定m和n的值。

进一步的，优化算法为粒子群优化算法。

一种固体氧化物燃料电池电压预测终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。

本发明采用如上技术方案，并具有以下有益效果：

1.采用BLS学习网络和RBF神经网络相结合的新的算法结构，相对于BLS和RBF，该算法具有更好的精确度和有效性。

2.在基于非线性自回归滑动平均模型的基础上，根据输入输出数据，利用Lipschitz quotients准则确定输入变量的最佳阶数，若阶数太高，则所需要的优化的参数就会增多影响优化时间；若阶数太低，则会缺少必要变量严重影响辨识结果。

附图说明

图1所示为本发明实施例一方法的流程图。

图2所示为该实施例中辨识模型的网络结构。

图3所示为该实施例中辨识模型的模型结构。

图4所示为该实施例中不同阶数的Lipschitz商。

图5所示为该实施例中的训练结果。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。

现结合附图和具体实施方式对本发明进一步说明。

实施例一：

本发明实施例提供了一种固体氧化物燃料电池电压预测方法，如图1和图2所示，所述方法包括以下步骤：

S1：构建SOFC动力学模型，采集一段时间内固体氧化物燃料电池通过SOFC动力学模型的燃料流速、堆栈电流和输出电压组成训练集。

该实施例中堆栈电流I由均匀分布在[250300]A内的随机信号产出，共采集输入输出数据组(X,V_s)共计5000组数据。

S2：构建基于宽度学习系统的非线性自回归滑动平均模型作为辨识模型(准BLS模型)，其网络结构和模型结构如图2和图3所示，设定辨识模型的输入分别为燃料流速和堆栈电流，输出为电压；辨识模型的数学表达式为：

U(k+d)＝f(U(k+d-1),…,U(k+d-n),q_f(k),…,q_f(k-m),I(k),…,I(k-m))

其中，k表示时刻，k＝1,…,N，N表示最大时刻，U表示辨识模型输出的电压，q_f表示辨识模型输入的燃料流速，I表示辨识模型输入的堆栈电流，n和m是分别表示输入、输出的阶次，d表示输出延迟，f(.)表示宽度学习网络。

进一步的，q_f和I还应满足一定的取值范围，即：

q_f，min≤q_f(k)≤q_f,max，I_min≤I(k)≤I_max

其中，下标max表示最大值，下标min表示最小值。

模型的结构完全由m和n决定，因此还需要确定参数m和n的值。该实施例中采用文献“A New Method for Identifying Orders of Input-Output Models for Non-linearSystems[C]”提出的Lipschitz quotients准则，根据辨识模型的输入输出数据决定非线性系统的结构。

具体确定方法为：

将辨识模型的数学表达式改写为：

U＝f(x₁,x₂,…,x_l)

其中，l表示输入变量数目，l＝n+2m+2。设x＝[x₁,x₂,…,x_l]，设定x(i)、U(i)为输入输出对，则定义Lipschitz商

为：

其中，|x(i)-x(j)|表示输入数据中两不同点的距离；|U(i)-U(j)|表示输出数据中两不同点的距离；将上式扩展为：

可用来判断是否缺少一个或者多个必要的输入变量，或包含一个或多个冗余输入变量。例如，当缺少一个必要变量，Lipschitz商

要比

大甚至无法计算，相反当冗余输入变量，Lipschitz商

要比

大或小。

设定变量数目判定参数q^(l)：

其中，p∈[0.01*N,0.02*N]，N是样本数；q^(l)(i)是第i个

的最大值；

则输入变量数目l应满足下式条件：

其中，ε＝0.1

根据输入变量数目l的值确定m和n的值。

S3：利用训练集，并通过优化算法对辨识模型的参数进行训练，得到最优的模型参数，将最优的模型参数代入辨识模型中得到最终模型。

该实施例中优化算法采用粒子群优化算法。

S4：通过最终模型对固体氧化物燃料电池的电压进行预测。

试验仿真：

该实施例在一台Intel G2020双核2.90GHz、4.00GB内存的计算机上进行仿真试验，所有算法均采用MATLAB/SIMULINK编程语言实现。

训练集中共采集5000组数据，首先在模型阶数的确定中，取3000组数据计算Lipschitz商，图4显示了不同阶数的Lipschitz商，从图中可以看出，Lipschitz商在m＝3，n＝1时开始满足停止标准。

其次，根据Lipschitz商确定的最佳输入变量阶数，可以确定模型的输入层节点数和增强层节点数为别为7和3。训练结果如图5所示。

最后，为了验证所建得预测模型预测的精度和有效性，采集外部干扰电流I发生阶跃变化：在t＝400s时由250A阶跃至280A，在t＝1200s时由280A阶跃至265A，对应的燃料流速q_f。共采集2000组输入输出数据。

作为比较，该实施例中也使用BLS模型、PSO-RBF模型和ABC-SVM模型对SOFC堆栈辨识，采用与该实施例辨识模型相同的辨识过程，记录辨识模型的训练和预测均方误差(MSE)，如表1所示。

表1

通过与另三种算法辨识结果对比，本文所建立的辨识模型具有较高的精度，而且能以较低的计算量获得较高准度的SOFC辨识模型。

实施例二：

本发明还提供一种固体氧化物燃料电池电压预测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。

进一步地，作为一个可执行方案，所述固体氧化物燃料电池电压预测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述固体氧化物燃料电池电压预测终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述固体氧化物燃料电池电压预测终端设备的组成结构仅仅是固体氧化物燃料电池电压预测终端设备的示例，并不构成对固体氧化物燃料电池电压预测终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述固体氧化物燃料电池电压预测终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。

进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述固体氧化物燃料电池电压预测终端设备的控制中心，利用各种接口和线路连接整个固体氧化物燃料电池电压预测终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述固体氧化物燃料电池电压预测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。

所述固体氧化物燃料电池电压预测终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (6)

1.一种固体氧化物燃料电池电压预测方法，其特征在于，包括以下步骤：

S1：构建SOFC动力学模型，采集一段时间内固体氧化物燃料电池通过SOFC动力学模型的燃料流速、堆栈电流和输出电压组成训练集；

S2：构建基于宽度学习系统的非线性自回归滑动平均模型作为辨识模型，设定辨识模型的输入分别为燃料流速和堆栈电流，输出为电压；辨识模型的数学表达式为：

U(k+d)＝f(U(k+d-1),…,U(k+d-n),q_f(k),…,q_f(k-m),I(k),…,I(k-m))

其中，k表示时刻，k＝1,…,N，N表示最大时刻，U表示辨识模型输出的电压，q_f表示辨识模型输入的燃料流速，I表示辨识模型输入的堆栈电流，n和m是分别表示输入、输出的阶次，d表示输出延迟，f(.)表示宽度学习网络；

S3：利用训练集，并通过优化算法对辨识模型的参数进行训练，得到最优的模型参数，将最优的模型参数代入辨识模型中得到最终模型；

S4：通过最终模型对固体氧化物燃料电池的电压进行预测。

2.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于：参数m和n通过Lipschitz quotients准则根据输入输出数据确定。

3.根据权利要求2所述的固体氧化物燃料电池电压预测方法，其特征在于：参数m和n确定方法为：

将辨识模型的数学表达式改写为：

U＝f(x₁,x₂,…,x_l)

其中，l表示输入变量数目，l＝n+2m+2。设x＝[x₁,x₂,…,x_l]，设定x(i)、U(i)为输入输出对，则定义Lipschitz商

为：

其中，|x(i)-x(j)|表示输入数据中两不同点的距离；|U(i)-U(j)|表示输出数据中两不同点的距离；将上式扩展为：

设定变量数目判定参数q^(l)：

其中，p∈[0.01*N,0.02*N]，N是样本数；q^(l)(i)是第i个

的最大值；

则输入变量数目l应满足下式条件：

其中，ε＝0.1；

根据输入变量数目l的值确定m和n的值。

4.根据权利要求1所述的固体氧化物燃料电池电压预测方法，其特征在于：优化算法为粒子群优化算法。

5.一种固体氧化物燃料电池电压预测终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～4中任一所述方法的步骤。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～4中任一所述方法的步骤。

Images