CN112201822A - 一种氢燃料电池温度自学习冷却方法、装置和系统 - Google Patents

Abstract

本发明涉及一种氢燃料电池温度自学习冷却方法、装置和系统，包括获取氢燃料电池的样本数据集；设定第一输入变量、第一输出变量、第二输入变量和第二输出变量，采用支持向量机训练方法，构建第一支持向量机训练模型和第二支持向量机训练模型；利用样本数据集进行参数寻优，得到第一温度控制模型和第二温度控制模型；并根据第一温度控制模型和第二温度控制模型得到目标温度冷却控制模型；获取实时电堆输出电流，将实时电堆输出电流输入目标温度冷却控制模型，得到实时水泵转速比和实时风扇转速比；根据实时水泵转速比和实时风扇转速比对氢燃料电池进行温度冷却。本发明实现更加准确、高效和可靠的温度自学习冷却，对氢燃料电池的冷却效果好。

Description

一种氢燃料电池温度自学习冷却方法、装置和系统

技术领域

本发明涉及氢燃料电池冷却技术领域，尤其涉及一种氢燃料电池温度自学习冷却方法、装置和系统。

背景技术

在全球日益增长的能源需求、愈演愈烈的环境危机、与日俱增的人口压力等背景下，新型的清洁能源利用方式越来越受人们重视。其中，氢燃料电池具有高效率、零污染、低噪音、启动快等优势，具有广阔的发展前景，是下一代车用动力的发展方向之一。

氢燃料电池在发电时会产生大量的热量，其对应的冷却系统能够将产生的热量带走，来平衡燃料电池内部的工作温度。冷却系统主要由散热器和水泵等组成，通过水泵转动提供冷却水循环和散热器内部的风扇转动来达到降温冷却的目的。

目前，对于燃料电池冷却系统的控制主要采用PI控制方法，然而，PI控制方法主要适用于控制通道滞后小，负荷变化不太大，工艺上不允许有余差的场合，如流量或压力的控制；在水泵的转速控制和散热器风扇的转速控制上，可靠性较差，从而导致氢燃料电池的冷却效果不佳；同时，PI控制方法所实现氢燃料电池冷却系统的冷却不具备自学习的能力。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种氢燃料电池温度自学习冷却方法、装置和系统，能够采用自学习的方法实现对燃料电池冷却系统的控制，控制方法简单，结果可靠，对氢燃料电池的冷却效果好。

本发明解决上述技术问题的技术方案如下：

一种氢燃料电池温度自学习冷却方法，包括以下步骤：

获取氢燃料电池的样本数据集；其中，所述样本数据集包括多个电堆输出电流样本，以及在每个电堆输出电流样本下的水泵转速比样本和风扇转速比样本；

设定第一输入变量、第一输出变量、第二输入变量和第二输出变量；采用支持向量机训练方法，根据所述样本数据集、所述第一输入变量和所述第一输出变量构建第一支持向量机训练模型；采用所述支持向量机训练方法，根据所述样本数据集、所述第二输入变量和所述第二输出变量构建第二支持向量机训练模型；

利用所述样本数据集，对所述第一支持向量机训练模型进行参数寻优，得到第一温度控制模型；利用所述样本数据集，对所述第二支持向量机训练模型进行参数寻优，得到第二温度控制模型；并根据所述第一温度控制模型和所述第二温度控制模型得到目标温度冷却控制模型；

获取所述氢燃料电池的实时电堆输出电流，将所述实时电堆输出电流输入所述目标温度冷却控制模型，得到实时水泵转速比和实时风扇转速比；

根据所述实时水泵转速比和所述实时风扇转速比对所述氢燃料电池进行温度冷却，完成温度自学习冷却。

依据本发明的另一方面，还提供了一种氢燃料电池温度自学习冷却装置，应用于本发明的氢燃料电池温度自学习冷却方法中，包括样本数据获取模块、建模模块、优化模块、实时数据获取模块、输出模块和控制模块；

所述样本数据获取模块，用于获取氢燃料电池的样本数据集；其中，所述样本数据集包括多个电堆输出电流样本，以及在每个电堆输出电流样本下的水泵转速比样本和风扇转速比样本；

所述建模模块，用于设定第一输入变量、第一输出变量、第二输入变量和第二输出变量；采用支持向量机训练方法，根据所述样本数据集、所述第一输入变量和所述第一输出变量构建第一支持向量机训练模型；采用所述支持向量机训练方法，根据所述样本数据集、所述第二输入变量和所述第二输出变量构建第二支持向量机训练模型；

所述优化模块，用于利用所述样本数据集，对所述第一支持向量机训练模型进行参数寻优，得到第一温度控制模型；利用所述样本数据集，对所述第二支持向量机训练模型进行参数寻优，得到第二温度控制模型；并根据所述第一温度控制模型和所述第二温度控制模型得到目标温度冷却控制模型；

所述实时数据获取模块，用于获取所述氢燃料电池的实时电堆输出电流；

所述输出模块，用于将所述实时电堆输出电流输入所述目标温度冷却控制模型，得到实时水泵转速比和实时风扇转速比；

所述控制模块，用于根据所述实时水泵转速比和所述实时风扇转速比对所述氢燃料电池进行温度冷却，完成温度自学习冷却。

依据本发明的另一方面，提供了一种氢燃料电池温度自学习冷却装置，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现本发明中的氢燃料电池温度自学习冷却运行方法中的步骤。

依据本发明的另一方面，提供了一种氢燃料电池温度自学习冷却系统，包括内置有本发明中的氢燃料电池温度自学习冷却装置的上位机，还包括电流传感器、燃料电池控制器、水泵和散热器；

所述上位机分别与所述氢燃料电池温度自学习冷却装置和所述燃料电池控制器通讯连接，所述燃料电池控制器分别与所述电流传感器、所述水泵和所述散热器通讯连接。

本发明的氢燃料电池温度自学习冷却方法、装置和系统的有益效果是：首先获取氢燃料电池在历史时间段中的样本数据集，包括在每个时刻下电堆输出电流，以及在历史时间段中利用传统PI控制方法得到的在每个电堆输出电流下的水泵转速比样本和风扇转速比样本，充分利用了之前的PI控制方式下的数据；然后设定第一输入变量、第一输出变量、第二输入变量和第二输出变量，并采用支持向量机训练方法，利用这些样本数据集分别进行一次建模和二次建模，即得到第一支持向量机训练模型和第二支持向量机训练模型；然后再利用样本数据集分别对第一支持向量机训练模型和第二支持向量机训练模型进行参数寻优，即分别对第一支持向量机训练模型和第二支持向量机训练模型进行优化，得到更加准确的、更加符合氢燃料电池冷却系统实际情况的第一温度控制模块和第二温度控制模型；综合上述第一温度控制模块和第二温度控制模型得到整个氢燃料电池冷却系统的目标温度冷却控制模型；然后再采集当前时刻下的氢燃料电池的实时电堆输出电流，通过训练和参数寻优后的目标温度冷却控制模型，可以得到对应的两个输出量，即实时水泵转速比和实时风扇转速比；利用该水泵转速比和实时风扇转速比即可实现分别对水泵和散热器风扇的控制，进而实现温度冷却；

本发明的氢燃料电池温度自学习冷却方法、装置和系统，能够充分利用氢燃料电池在历史时间段中的温度控制所产生的数据，对控制通道滞后和负荷变化等没有太大的要求，具备较强的温度控制自学习能力，且具备高速寻找优化解的能力，得到最优化的目标温度冷却控制模型，进而实现更加准确、高效和可靠的温度自学习冷却，对氢燃料电池的冷却效果好，延长氢燃料电池的使用寿命。

附图说明

图1为本发明实施例一中一种氢燃料电池温度自学习冷却方法的流程示意图；

图2为本发明实施例一中构建第一支持向量机训练模型和第二支持向量机训练模型的流程示意图；

图3为本发明实施例一中得到第一温度控制模型和第二温度控制模型的流程示意图；

图4为本发明实施例一中得到实时水泵转速比和实时风扇转速比的流程示意图；

图5为本发明实施例一中对氢燃料电池进行温度冷却的流程示意图；

图6为本发明实施例一中氢燃料电池温度自学习冷却方法的简化流程图；

图7为本发明实施例二中一种氢燃料电池温度自学习冷却装置的结构示意图；

图8为本发明实施例四中一种氢燃料电池温度自学习冷却系统的框架示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

下面结合附图，对本发明进行说明。

实施例一、如图1所示，一种氢燃料电池温度自学习冷却方法，包括以下步骤：

S1：获取氢燃料电池在历史时间段中的样本数据集；其中，所述样本数据集包括多个电堆输出电流样本，以及在每个电堆输出电流样本下的水泵转速比样本和风扇转速比样本；

S2：设定第一输入变量、第一输出变量、第二输入变量和第二输出变量，采用支持向量机训练方法，根据所述样本数据集、所述第一输入变量和所述第一输出变量构建第一支持向量机训练模型；采用所述支持向量机训练方法，根据所述样本数据集、所述第二输入变量和所述第二输出变量构建第二支持向量机训练模型；

S3：利用所述样本数据集，对所述第一支持向量机训练模型进行参数寻优，得到第一温度控制模型；利用所述样本数据集，对所述第二支持向量机训练模型进行参数寻优，得到第二温度控制模型；并根据所述第一温度控制模型和所述第二温度控制模型得到目标温度冷却控制模型；

S4：获取所述氢燃料电池在当前时刻下的实时电堆输出电流，将所述实时电堆输出电流输入所述目标温度冷却控制模型，得到实时水泵转速比和实时风扇转速比；

S5：根据所述实时水泵转速比和所述实时风扇转速比对所述氢燃料电池进行温度冷却，完成温度自学习冷却。

首先获取氢燃料电池在历史时间段中的样本数据集，包括在每个时刻下电堆输出电流，以及在历史时间段中利用传统PI控制方法得到的在每个电堆输出电流下的水泵转速比样本和风扇转速比样本，充分利用了之前的PI控制方式下的数据；然后设定第一输入变量、第一输出变量、第二输入变量和第二输出变量，并采用支持向量机训练方法，利用这些样本数据集分别进行一次建模和二次建模，即得到第一支持向量机训练模型和第二支持向量机训练模型；然后再利用样本数据集分别对第一支持向量机训练模型和第二支持向量机训练模型进行参数寻优，即分别对第一支持向量机训练模型和第二支持向量机训练模型进行优化，得到更加准确的、更加符合氢燃料电池冷却系统实际情况的第一温度控制模块和第二温度控制模型；综合上述第一温度控制模块和第二温度控制模型得到整个氢燃料电池冷却系统的目标温度冷却控制模型；然后再采集当前时刻下的氢燃料电池的实时电堆输出电流，通过训练和参数寻优后的目标温度冷却控制模型，可以得到对应的两个输出量，即实时水泵转速比和实时风扇转速比；利用该水泵转速比和实时风扇转速比即可实现分别对水泵和散热器风扇的控制，进而实现温度冷却；

本实施例的氢燃料电池温度自学习冷却方法，能够充分利用氢燃料电池在历史时间段中的温度控制所产生的数据，对控制通道滞后和负荷变化等没有太大的要求，具备较强的温度控制自学习能力，且具备高速寻找优化解的能力，得到最优化的目标温度冷却控制模型，进而实现更加准确、高效和可靠的温度自学习冷却，对氢燃料电池的冷却效果好，延长氢燃料电池的使用寿命。

优选地，所述第一输入变量和所述第二输入变量均具体为电堆输出电流变量，所述第一输出变量具体为水泵转速比变量，所述第二输出变量具体为风扇转速比变量。

在氢燃料冷却系统的控制中，是基于电堆在某一时刻下的输出电流来调节水泵的转速比以实现水循环的控制，进而控制进出电堆的水温，达到温度冷却的目的，同时，还基于电堆在某一时刻下的输出电流来调节散热器的风扇转速比来加速降低电堆表面的水温，达到降温的目的；因此，而支持向量机训练方法支持多输入单输出，因此需要分别建立模块，并将第一输入变量和第二输入变量均设为电堆输出电流变量，第一输出变量设为水泵转速比变量，第二输出变量设为风扇转速比变量，便于后续进行温度自学习，得到能直接控制水泵和散热器风扇的目标温度冷却控制模型，以实现控制效果更好的氢燃料电池的温度自学习冷却。

优选地，如图2所示，在S2中，得到所述第一支持向量机训练模型和所述第二支持向量机训练模型具体包括以下步骤：

S21：根据所述电堆输出电流变量和所述水泵转速比变量，构建第一支持向量机原始模型；根据所述电堆输出电流变量和所述风扇转速比变量，构建第二支持向量机原始模型；

S22：采用SPXY样本划分方法，将所述样本数据集划分为训练集和测试集；

S23：采用所述支持向量机训练方法，利用所述训练集对所述第一支持向量机原始模型进行训练，得到所述第一支持向量机训练模型；采用所述支持向量机训练方法，利用所述训练集对所述第二支持向量机原始模型进行训练，得到所述第二支持向量机训练模型。

将电堆输出电流变量和水泵转速比变量分别作为第一输入变量和第一输出变量，搭建能根据电堆输出电流变量的具体数值来输出水泵转速比变量的具体数值的第一支持向量机训练模型，便于后续对第一支持向量机原始模型进行训练，实现能根据电堆输出电流来预测对应的水泵转速比，进而实现从水泵转速比的调节方面来控制燃料电池的温度冷却；同理，将电堆输出电流变量和风扇转速比变量分别作为第二输入变量和第二输出变量，搭建能根据电堆输出电流变量的具体数值来输出风扇转速比变量的具体数值的第二支持向量机训练模型，便于后续对第二支持向量机原始模型进行训练，实现能根据电堆输出电流来预测对应的风扇转速比，进而实现从风扇转速比的调节来控制燃料电池的温度冷却。

其中，SPXY样本划分方法(Sample set Partioning based on joint x-ydistances)从KS样本划分方法演变而来，KS样本划分方法(Kennard-Stone)是把所有的样本都看作训练集候选样本，依次从中挑选样本进训练集。首先选择欧式距离最远的两个向量进训练集，在接下来的迭代过程中拥有最大最小距离的待选样本被选入训练集，依次类推，达到所要求的样本数目；而SPXY样本划分方法是在KS样本划分方法的基础上，在计算样品间距时将x变量和y变量同时考虑在内；通过SPXY样本划分方法，能有效地覆盖多维向量空间，改善后续得到的第一支持向量机训练模型和第二支持向量机训练模型的预测能力。SPXY样本划分方法和支持向量机训练方法的具体操作步骤为现有技术，具体细节此处不再赘述。

具体地，本实施例中采集的样本数据集中包含10000组样本数据，即10000组电堆输出电流样本、水泵转速比样本和风扇转速比样本；采用SPXY样本划分方法划分后得到训练集和测试集的比例为3:1。

优选地，如图3所示，S3具体包括以下步骤：

S31：采用交叉验证方法，根据所述训练集和所述测试集对所述第一支持向量机训练模型进行参数寻优，得到第一优化惩罚因子和第一优化核函数；采用遗传方法，根据所述训练集和所述测试集对所述第二支持向量机训练模型进行参数寻优，得到第二优化惩罚因子和第二优化核函数；

S32：利用所述第一优化惩罚因子和所述第一优化核函数对所述第一支持向量机训练模型进行优化，得到所述第一温度控制模型；利用所述第二优化惩罚因子和所述第二优化核函数对所述第二支持向量机训练模型进行优化，得到所述第二温度控制模型。

通过交叉验证方法对第一支持向量机训练模型进行参数寻优，能得到最优的第一优化惩罚因子和第一优化核函数，提高后续得到的第一温度控制模型寻找优化解的能力，并提高对水泵转速比的预测能力，提高温度冷却的控制精度；同理，通过遗传方法对第二支持向量机训练模型进行参数寻优，能提高后续得到的第二温度控制模型寻找优化解的能力，并提高对风扇转速比的预测能力，提高温度冷却的控制精度；上述第一温度控制模型和第二温度控制模型能保证最终的目标温度冷却控制模型对温度的控制准确度高、稳定性好。

具体地，本实施例S31中，采用交叉验证方法对第一支持向量机训练模型进行参数寻优时，设置第一惩罚因子和第一核函数的范围均为2^-20～2²⁰，设置交叉验证参数的范围2～20，得到的第一优化惩罚因子为256，第一核函数的值为1；采用遗传方法对第二支持向量机训练模型进行参数寻优时，设置终止代数为50，种群数量为20，得到的第二优化惩罚因子为63.1151，第二核函数的值为8.5774。

其中，交叉验证方法和遗传方法的具体操作步骤为现有技术，具体细节此处不再赘述。

具体地，本实施例中还对第一支持向量机训练模型进行回归分析，得到第一训练集回归系数为0.9873，第一测试集回归系数为0.9972；对第二支持向量机训练模型进行回归分析，得到第二训练集回归系数为0.9651，第二测试集回归系数为0.9107，可以看出，四个回归系数均接近1，可以验证出本实施例得到的第一支持向量机训练模型和第二支持向量机训练模型的可靠性较高，具有实际应用价值。

优选地，在S3之后，还包括以下步骤：

根据所述目标温度冷却控制模型编制上位机。

按照目标温度冷却模型编制相应的上位机，能便于后续直接根据实时测量的实时电堆输出电流来输出实时水泵转速比和实时风扇转速比，便于对水泵和散热器的风扇进行更好地控制，控制方法简单，结果可靠。

具体地，本实施例中采用VSMFC类库开发上位机。

优选地，如图4所示，S4具体包括以下步骤：

S41：利用电流传感器获取所述实时电堆输出电流，并采用CAN通讯方式，将所述实时电堆输出电流发送至燃料电池控制器；

S42：采用所述CAN通讯方式，利用所述燃料电池控制器将所述实时电堆输出电流发送至所述上位机；

S43：利用所述上位机读取所述实时电堆输出电流，根据所述实时电堆输出电流输出所述实时水泵转速比和所述实时风扇转速比。

利用电流传感器实时测量实时电堆输出电流并发送至燃料电池控制器(简称FCU)，FCU与上位机之间采用CAN通讯方式，FCU将电流传感器采集到的实时电堆输出电流发送至上位机，上位机即可直接读取该实时电堆输出电流，进而输出实时水泵转速比和实时风扇转速比，便于后续根据上位机输出的实时水泵转速比和实时风扇转速比，分别对水泵和散热器风扇进行控制，实现燃料电池冷却系统的温度自学习控制。

具体地，本实施例在采集的实时电堆输出电流为115.4A时，FCU通过CAN通讯获取采集数据后再通过CAN通讯发送给上位机，上位机输出燃料电池冷却系统所需的水泵转速比为55％和风扇转速比为0％(及不需要开启散热器的风扇)，在采集的实时电堆输出电流为154.3A时，FCU通过CAN通讯获取该采集数据后再通过CAN通讯发送给上位机，上位机并输出燃料冷却系统所需的水泵转速比为84％和风扇转速比为40％。

优选地，如图5所示，S5具体包括以下步骤：

S51：采用所述CAN通讯方式，将所述上位机输出的所述实时水泵转速比和所述实时风扇转速比发送至所述燃料电池控制器；

S52：所述燃料电池控制器控制水泵按照所述实时水泵转速比进行运作，并控制散热器按照所述实时风扇转速比进行运作，完成温度自学习冷却。

当上位机输出实时水泵转速比和实时风扇转速比后，再通过CAN通讯发送至FCU，FCU再利用CAN通讯，控制水泵按照实时水泵转速比进行运作，并控制散热器按照风扇转速比进行运作；其中，电流传感器、水泵和散热器均为燃料电池系统(简称FC)中的部件。

具体地，本实施例中氢燃料电池温度自学习冷却方法的简化流程示意图如图6所示。

实施例二、如图7所示，一种氢燃料电池温度自学习冷却装置，应用于实施例一的氢燃料电池温度自学习冷却方法中，包括样本数据获取模块、建模模块、优化模块、实时数据获取模块、输出模块和控制模块；

所述样本数据获取模块，用于获取氢燃料电池的样本数据集；其中，所述样本数据集包括多个电堆输出电流样本，以及在每个电堆输出电流样本下的水泵转速比样本和风扇转速比样本；

所述建模模块，用于设定第一输入变量、第一输出变量、第二输入变量和第二输出变量，采用支持向量机训练方法，根据所述样本数据集、所述第一输入变量和所述第一输出变量构建第一支持向量机训练模型；采用所述支持向量机训练方法，根据所述样本数据集、所述第二输入变量和所述第二输出变量构建第二支持向量机训练模型；

所述优化模块，用于利用所述样本数据集，对所述第一支持向量机训练模型进行参数寻优，得到第一温度控制模型；利用所述样本数据集，对所述第二支持向量机训练模型进行参数寻优，得到第二温度控制模型；并根据所述第一温度控制模型和所述第二温度控制模型得到目标温度冷却控制模型；

所述实时数据获取模块，用于获取所述氢燃料电池的实时电堆输出电流；

所述输出模块，用于将所述实时电堆输出电流输入所述目标温度冷却控制模型，得到实时水泵转速比和实时风扇转速比；

所述控制模块，用于根据所述实时水泵转速比和所述实时风扇转速比对所述氢燃料电池进行温度冷却，完成温度自学习冷却。

本实施例上述模块组成的氢燃料电池温度自学习冷却装置，能够充分利用氢燃料电池在历史时间段中的温度控制所产生的数据，对控制通道滞后和负荷变化等没有太大的要求，具备较强的温度控制自学习能力，且具备高速寻找优化解的能力，得到最优化的目标温度冷却控制模型，进而实现更加准确、高效和可靠的温度自学习冷却，对氢燃料电池的冷却效果好，延长氢燃料电池的使用寿命。

优选地，所述第一输入变量和所述第二输入变量均具体为电堆输出电流变量，所述第一输出变量具体为水泵转速比变量，所述第二输出变量具体为风扇转速比变量；

所述建模模块具体用于：

根据所述电堆输出电流变量和所述水泵转速比变量，构建第一支持向量机原始模型；根据所述电堆输出电流变量和所述风扇转速比变量，构建第二支持向量机原始模型；

采用SPXY样本划分方法，将所述样本数据集划分为训练集和测试集；

采用所述支持向量机训练方法，利用所述训练集对所述第一支持向量机原始模型进行训练，得到所述第一支持向量机训练模型；采用所述支持向量机训练方法，利用所述训练集对所述第二支持向量机原始模型进行训练，得到所述第二支持向量机训练模型。

优选地，所述优化模块具体用于：

采用交叉验证方法，根据所述训练集和所述测试集对所述第一支持向量机训练模型进行参数寻优，得到第一优化惩罚因子和第一优化核函数；采用遗传方法，根据所述训练集和所述测试集对所述第二支持向量机训练模型进行参数寻优，得到第二优化惩罚因子和第二优化核函数；

利用所述第一优化惩罚因子和所述第一优化核函数对所述第一支持向量机训练模型进行优化，得到所述第一温度控制模型；利用所述第二优化惩罚因子和所述第二优化核函数对所述第二支持向量机训练模型进行优化，得到所述第二温度控制模型。

优选地，还包括编制模块；

所述编制模块，具体用于根据所述目标温度冷却控制模型编制上位机。

优选地，所述实时数据获取模块，具体用于利用电流传感器获取所述实时电堆输出电流；

所述输出模块具体用于：

采用CAN通讯方式，将所述实时电堆输出电流发送至燃料电池控制器；

采用所述CAN通讯方式，利用所述燃料电池控制器将所述实时电堆输出电流发送至所述上位机；

利用所述上位机读取所述实时电堆输出电流，根据所述实时电堆输出电流输出所述实时水泵转速比和所述实时风扇转速比。

优选地，所述控制模块具体用于：

采用所述CAN通讯方式，将所述上位机输出的所述实时水泵转速比和所述实时风扇转速比发送至所述燃料电池控制器；

所述燃料电池控制器控制水泵按照所述实时水泵转速比进行运作，并控制散热器按照所述实时风扇转速比进行运作，完成温度自学习冷却。

实施例三、基于实施例一和实施例二，本实施例还公开了一种氢燃料电池温度自学习冷却装置，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现所述S1至S5的具体步骤。

通过存储在存储器上的计算机程序，并运行在处理器上，能够充分利用氢燃料电池在历史时间段中的温度控制所产生的数据，具备较强的温度控制自学习能力，且具备高速寻找优化解的能力，得到最优化的目标温度冷却控制模型，进而实现更加准确、高效和可靠的温度自学习冷却，对氢燃料电池的冷却效果好，延长氢燃料电池的使用寿命。

本实施例中的未尽细节，详见实施例一以及图1至图6的具体描述内容，此处不再赘述。

实施例四、如图8所示，一种氢燃料电池温度自学习冷却系统，包括内置有实施例三中的氢燃料电池温度自学习冷却装置的上位机，还包括电流传感器、燃料电池控制器、水泵和散热器；

所述上位机分别与所述氢燃料电池温度自学习冷却装置和所述燃料电池控制器通讯连接，所述燃料电池控制器分别与所述电流传感器、所述水泵和所述散热器通讯连接。

上位机内置有实施例三中的氢燃料电池温度自学习冷却装置，即上位机(简称VS)的编制按照实施例中的处理器、存储器和计算机程序进行编制得到；通过上位机分别与氢燃料电池温度自学习冷却装置和燃料电池控制器通讯连接，以及燃料电池控制器与电流传感器的通讯连接，能够利用MATLAB进行建模和参数优化等过程，得到目标温度冷却控制模型，并在上位机上直接输出在实时电堆输出电流下对应的实时水泵转速比和实时风速转速比，发送至燃料电池控制器(FCU)；通过燃料电池控制器分别与水泵和散热器的通讯连接，能够实时控制水泵和散热器运作，实现更加准确、高效和可靠的温度自学习冷却，对氢燃料电池的冷却效果好，延长氢燃料电池的使用寿命。

具体地，如图8所示，电流传感器、水泵和散热器均设置在燃料电池系统(FC)中；上位机分别与氢燃料电池温度自学习冷却装置和燃料电池控制器之间的通讯方式，以及燃料电池控制器分别与电流传感器、水泵和散热器之间的通讯方式均为CAN通讯。

以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种氢燃料电池温度自学习冷却方法，其特征在于，包括以下步骤：

获取氢燃料电池在历史时间段中的样本数据集；其中，所述样本数据集包括多个电堆输出电流样本，以及在每个电堆输出电流样本下的水泵转速比样本和风扇转速比样本；

设定第一输入变量、第一输出变量、第二输入变量和第二输出变量；采用支持向量机训练方法，根据所述样本数据集、所述第一输入变量和所述第一输出变量构建第一支持向量机训练模型；采用所述支持向量机训练方法，根据所述样本数据集、所述第二输入变量和所述第二输出变量构建第二支持向量机训练模型；

利用所述样本数据集，对所述第一支持向量机训练模型进行参数寻优，得到第一温度控制模型；利用所述样本数据集，对所述第二支持向量机训练模型进行参数寻优，得到第二温度控制模型；并根据所述第一温度控制模型和所述第二温度控制模型得到目标温度冷却控制模型；

获取所述氢燃料电池在当前时刻下的实时电堆输出电流，将所述实时电堆输出电流输入所述目标温度冷却控制模型，得到实时水泵转速比和实时风扇转速比；

根据所述实时水泵转速比和所述实时风扇转速比对所述氢燃料电池进行温度冷却，完成温度自学习冷却。

2.根据权利要求1所述的氢燃料电池温度自学习冷却方法，其特征在于，所述第一输入变量和所述第二输入变量均具体为电堆输出电流变量，所述第一输出变量具体为水泵转速比变量，所述第二输出变量具体为风扇转速比变量。

3.根据权利要求2所述的氢燃料电池温度自学习冷却方法，其特征在于，采用支持向量机训练方法，根据所述样本数据集、所述第一输入变量和所述第一输出变量构建第一支持向量机训练模型；采用所述支持向量机训练方法，根据所述样本数据集、所述第二输入变量和所述第二输出变量构建第二支持向量机训练模型，具体包括以下步骤：

根据所述电堆输出电流变量和所述水泵转速比变量，构建第一支持向量机原始模型；根据所述电堆输出电流变量和所述风扇转速比变量，构建第二支持向量机原始模型；

采用SPXY样本划分方法，将所述样本数据集划分为训练集和测试集；

采用所述支持向量机训练方法，利用所述训练集对所述第一支持向量机原始模型进行训练，得到所述第一支持向量机训练模型；采用所述支持向量机训练方法，利用所述训练集对所述第二支持向量机原始模型进行训练，得到所述第二支持向量机训练模型。

4.根据权利要求3所述的氢燃料电池温度自学习冷却方法，其特征在于，利用所述样本数据集，对所述第一支持向量机训练模型进行参数寻优，得到第一温度控制模型；利用所述样本数据集，对所述第二支持向量机训练模型进行参数寻优，得到第二温度控制模型，具体包括以下步骤：

采用交叉验证方法，根据所述训练集和所述测试集对所述第一支持向量机训练模型进行参数寻优，得到第一优化惩罚因子和第一优化核函数；采用遗传方法，根据所述训练集和所述测试集对所述第二支持向量机训练模型进行参数寻优，得到第二优化惩罚因子和第二优化核函数；

利用所述第一优化惩罚因子和所述第一优化核函数对所述第一支持向量机训练模型进行优化，得到所述第一温度控制模型；利用所述第二优化惩罚因子和所述第二优化核函数对所述第二支持向量机训练模型进行优化，得到所述第二温度控制模型。

5.根据权利要求4所述的氢燃料电池温度自学习冷却方法，其特征在于，在根据所述第一温度控制模型和所述第二温度控制模型得到目标温度冷却控制模型之后，还包括以下步骤：

根据所述目标温度冷却控制模型编制上位机。

6.根据权利要求5所述的氢燃料电池温度自学习冷却方法，其特征在于，获取所述氢燃料电池的实时电堆输出电流，将所述实时电堆输出电流输入所述目标温度冷却控制模型，得到实时水泵转速比和实时风扇转速比，具体包括以下步骤：

利用电流传感器获取所述实时电堆输出电流，并采用CAN通讯方式，将所述实时电堆输出电流发送至燃料电池控制器；

采用所述CAN通讯方式，利用所述燃料电池控制器将所述实时电堆输出电流发送至所述上位机；

利用所述上位机读取所述实时电堆输出电流，根据所述实时电堆输出电流输出所述实时水泵转速比和所述实时风扇转速比。

7.根据权利要求6所述的氢燃料电池温度自学习冷却方法，其特征在于，根据所述实时水泵转速比和所述实时风扇转速比对所述氢燃料电池进行温度冷却，具体包括以下步骤：

采用所述CAN通讯方式，将所述上位机输出的所述实时水泵转速比和所述实时风扇转速比发送至所述燃料电池控制器；

所述燃料电池控制器控制水泵按照所述实时水泵转速比进行运作，并控制散热器按照所述实时风扇转速比进行运作，完成温度自学习冷却。

8.一种氢燃料电池温度自学习冷却装置，其特征在于，应用于权利要求1至7任一项所述的氢燃料电池温度自学习冷却方法中，包括样本数据获取模块、建模模块、优化模块、实时数据获取模块、输出模块和控制模块；

所述样本数据获取模块，用于获取氢燃料电池的样本数据集；其中，所述样本数据集包括多个电堆输出电流样本，以及在每个电堆输出电流样本下的水泵转速比样本和风扇转速比样本；

所述建模模块，用于设定第一输入变量、第一输出变量、第二输入变量和第二输出变量；采用支持向量机训练方法，根据所述样本数据集、所述第一输入变量和所述第一输出变量构建第一支持向量机训练模型；采用所述支持向量机训练方法，根据所述样本数据集、所述第二输入变量和所述第二输出变量构建第二支持向量机训练模型；

所述优化模块，用于利用所述样本数据集，对所述第一支持向量机训练模型进行参数寻优，得到第一温度控制模型；利用所述样本数据集，对所述第二支持向量机训练模型进行参数寻优，得到第二温度控制模型；并根据所述第一温度控制模型和所述第二温度控制模型得到目标温度冷却控制模型；

所述实时数据获取模块，用于获取所述氢燃料电池的实时电堆输出电流；

所述输出模块，用于将所述实时电堆输出电流输入所述目标温度冷却控制模型，得到实时水泵转速比和实时风扇转速比；

所述控制模块，用于根据所述实时水泵转速比和所述实时风扇转速比对所述氢燃料电池进行温度冷却，完成温度自学习冷却。

9.一种氢燃料电池温度自学习冷却装置，其特征在于，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如权利要求1至7任一项权利要求所述的方法步骤。

10.一种氢燃料电池温度自学习冷却系统，其特征在于，包括内置有如权利要求9所述的氢燃料电池温度自学习冷却装置的上位机，还包括电流传感器、燃料电池控制器、水泵和散热器；

所述上位机分别与所述氢燃料电池温度自学习冷却装置和所述燃料电池控制器通讯连接，所述燃料电池控制器分别与所述电流传感器、所述水泵和所述散热器通讯连接。

Images