CN112289385B - 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法 - Google Patents

大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法 Download PDF

Info

Publication number
CN112289385B
CN112289385B CN202010977578.8A CN202010977578A CN112289385B CN 112289385 B CN112289385 B CN 112289385B CN 202010977578 A CN202010977578 A CN 202010977578A CN 112289385 B CN112289385 B CN 112289385B
Authority
CN
China
Prior art keywords
impedance
fuel cell
impedance spectrum
exchange membrane
proton exchange
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
CN202010977578.8A
Other languages
English (en)
Other versions
CN112289385A (zh
Inventor
张雪霞
黄平
陈维荣
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202010977578.8A priority Critical patent/CN112289385B/zh
Publication of CN112289385A publication Critical patent/CN112289385A/zh
Application granted granted Critical
Publication of CN112289385B publication Critical patent/CN112289385B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • H01M8/04313—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
    • H01M8/04634—Other electric variables, e.g. resistance or impedance
    • H01M8/04649—Other electric variables, e.g. resistance or impedance of fuel cell stacks
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，包括利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱；根据所测量的操作参数及阻抗谱，设置长短时神经网络的参数，通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模；通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测。本发明能够准确地预测各工况下大功率质子交换膜燃料电池的电化学阻抗谱，从而有效解决大功率质子交换膜燃料电池的故障诊断问题。

Description

大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法
技术领域
本发明属于质子交换膜燃料电池技术领域，特别是涉及大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法。
背景技术
随着能源需求和消耗的加大，传统能源的枯竭和环境污染问题日益严重。质子交换膜燃料电池作为一种能把氢能转换为电能的一种装置而受到越来越多的关注。质子交换膜燃料电池具有启动快、噪声小、无温室气体排放等优点。这使得质子交换膜燃料电池在许多场景得到应用。
质子交换膜燃料电池是一个多变量，强耦合的非线性系统，许多因素都对其性能有着巨大的影响。随着电池片数以及功率的增加，更易出现的故障以及各电池间的不一致性都会对其稳定性和耐久性产生严重的影响。
电化学阻抗谱是一种较好的工具用来分析和诊断质子交换膜燃料电池以保证其稳定、持久地运行。现有的基于电化学阻抗谱的诊断方法可以简单地分为两类：第一种是直接采用电化学阻抗谱曲线的几何特征进行故障诊断。第二种是采用等效电路模型拟合电化学阻抗谱曲线并使用模型参数进行故障诊断。这些方法中，通过EIS的几何特征进行诊断往往需要大量的时间获取整个阻抗谱，而通过等效电路拟合EIS获得的模型参数往往精准度不够，这些都使得这些方法在实际的大功率电堆中的应用有一定的局限性
发明内容
为了解决上述问题，本发明提出了大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，能够准确地预测各工况下大功率质子交换膜燃料电池的电化学阻抗谱，从而有效解决大功率质子交换膜燃料电池的故障诊断问题。
为达到上述目的，本发明采用的技术方案是：大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，包括步骤：
S100，利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱；
S200，根据所测量的操作参数及阻抗谱，设置长短时神经网络的参数，通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模；
S300，通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测。
进一步的是，在所述步骤S100中，利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱，包括步骤：
S101，对燃料电池测试台进行检漏及预启动；
S102，启动电子负载并改变燃料电池负载电流，使电堆运行在欧姆区；
S103，关闭电子负载；
S104，启动阻抗谱分析仪；
S105，根据控制变量法改变操作参数；
S106，通过阻抗谱分析仪测量各条件下的电池阻抗，通过阻抗变化规律得到阻抗谱。
进一步的是，在所述步骤S105中，根据控制变量法改变操作参数，包括电堆运行温度、氢气过量系数、空气过量系数和吹扫周期。
进一步的是，在所述步骤S200中，根据所测量的操作参数及阻抗谱，设置长短时神经网络的参数，通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模，包括步骤：
S201，选择所测量数据集数据用于长短时神经网络训练；
S202，设置四种操作参数为输入，各频率点的阻抗实部值和虚部值为输出；
S203，对输入数据进行归一化；
S204，根据操作参数设置网络输入维度；
S205，根据阻抗谱数据设置网络输出维度；
S206，设置隐藏层节点；
S207，运行长短时神经网络，对大功率质子交换膜燃料电池阻抗谱进行建模。
进一步的是，根据操作参数设置网络输入维度为4；根据阻抗谱数据设置网络输出维度为70；设置隐藏层节点为10。
进一步的是，在步骤S300中，通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测，包括步骤：
S301，获取所需预测的大功率质子交换膜燃料电池电堆的操作参数，包括运行温度、氢气过量系数、空气过量系数和吹扫周期，作为预测数据集；
S302，对预测数据集的输入进行归一化；
S303，将上述获取到的预测数据集输入基于长短时神经网络的大功率质子交换膜燃料电池阻抗模型，获取预测阻抗谱；
S304，对所获得的预测阻抗谱数据进行精准评判，后输出通过结果作为最终输出的预测阻抗谱。
进一步的是，对所获得的预测阻抗谱数据进行精准评判，包括步骤
计算预测阻抗与实际阻抗的相对误差；
若相对误差大于5％，则调整长短时神经网络参数并重新进行建模；
若相对误差不大于5％，则接受该长短时神经网络参数及预测结果。
进一步的是，所述计算预测阻抗与实际阻抗的相对误差的公式为：
Figure BDA0002686319390000031
式中N为所测量频率点数，
Figure BDA0002686319390000032
分别为频率fn下测量阻抗与预测阻抗的实部，
Figure BDA0002686319390000033
分别为频率fn下测量阻抗与预测阻抗的虚部。
采用本技术方案的有益效果：
本发明通过对大功率燃料电池进行测试，使用阻抗谱分析仪测量了不同运行参数下质子交换膜燃料电池的阻抗谱，以运行参数为输入，阻抗谱为输出，训练长短时神经网络，根据所训练的长短时神经网络预测各种运行参数下的阻抗谱，并用相对误差评判长短时神经网络输出性能，能够大量减少测量阻抗谱所需时间，降低故障诊断及容错控制的成本，保证电池稳定运行。能够准确地预测各工况下大功率质子交换膜燃料电池的电化学阻抗谱，从而有效解决大功率质子交换膜燃料电池的故障诊断问题。
附图说明
图1为本发明的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法流程示意图；
图2为本发明实施例中步骤S100所测试的阻抗谱数据；
图3为本发明实施例中步骤S300所预测的结果。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，包括步骤：
S100，利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱；
S200，根据所测量的操作参数及阻抗谱，设置长短时神经网络的参数，通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模；
S300，通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测。
作为上述实施例的优化方案1，在所述步骤S100中，利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱，包括步骤：
S101，对燃料电池测试台进行检漏及预启动；
S102，启动电子负载并改变燃料电池负载电流，使电堆运行在欧姆区；
S103，关闭电子负载；
S104，启动阻抗谱分析仪；
S105，根据控制变量法改变操作参数；在所述步骤S105中，根据控制变量法改变操作参数，包括电堆运行温度、氢气过量系数、空气过量系数和吹扫周期。
S106，通过阻抗谱分析仪测量各条件下的电池阻抗，通过阻抗变化规律得到阻抗谱。
作为上述实施例的优化方案2，在所述步骤S200中，根据所测量的操作参数及阻抗谱，设置长短时神经网络的参数，通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模，包括步骤：
S201，选择所测量数据集数据用于长短时神经网络训练；
S202，设置四种操作参数为输入，各频率点的阻抗实部值和虚部值为输出；
S203，对输入数据进行归一化；
S204，根据操作参数设置网络输入维度；
S205，根据阻抗谱数据设置网络输出维度；
S206，设置隐藏层节点；
S207，运行长短时神经网络，对大功率质子交换膜燃料电池阻抗谱进行建模。
优选的，根据操作参数设置网络输入维度为4；根据阻抗谱数据设置网络输出维度为70；设置隐藏层节点为10。
作为上述实施例的优化方案3，在步骤S300中，通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测，包括步骤：
S301，获取所需预测的大功率质子交换膜燃料电池电堆的操作参数，包括运行温度、氢气过量系数、空气过量系数和吹扫周期，作为预测数据集；
S302，对预测数据集的输入进行归一化；
S303，将上述获取到的预测数据集输入基于长短时神经网络的大功率质子交换膜燃料电池阻抗模型，获取预测阻抗谱；
S304，对所获得的预测阻抗谱数据进行精准评判，后输出通过结果作为最终输出的预测阻抗谱。
对所获得的预测阻抗谱数据进行精准评判，包括步骤：
计算预测阻抗与实际阻抗的相对误差；
若相对误差大于5％，则调整长短时神经网络参数并重新进行建模；
若相对误差不大于5％，则接受该长短时神经网络参数及预测结果。
所述计算预测阻抗与实际阻抗的相对误差的公式为：
Figure BDA0002686319390000051
式中N为所测量频率点数，
Figure BDA0002686319390000052
分别为频率fn下测量阻抗与预测阻抗的实部，
Figure BDA0002686319390000053
分别为频率fn下测量阻抗与预测阻抗的虚部。
经过具体实施例进行实验：使用14.4kW质子交换膜燃料电池电堆，包含75个燃料电池单片，阻抗谱分析仪测试了随吹扫周期变化的阻抗。
阻抗随吹扫周期的变化如图2所示。
吹扫周期为25s时的预测结果与测量结果如图3所示。通过计算，相对误差为0.63％。结果表明预测精度可满足需求。
本发明技术通过燃料电池测试平台测试了质子交换膜燃料电池阻抗谱随各操作参数的变化，并通过长短时神经网络对阻抗谱进行了建模。预测结果表明该方法可以准确地预测燃料电池的阻抗谱，在燃料电池的故障诊断及容错控制领域都能得到很好地应用。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，其特征在于，包括步骤：
S100，利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱；
S200，根据所测量的操作参数及阻抗谱，设置长短时神经网络的参数，通过长短时神经网络对质子交换膜燃料电池的阻抗进行建模，包括步骤：
S201，选择所测量数据集数据用于长短时神经网络训练；
S202，设置四种操作参数为输入，各频率点的阻抗实部值和虚部值为输出；
S203，对输入数据进行归一化；
S204，根据操作参数设置网络输入维度；
S205，根据阻抗谱数据设置网络输出维度；
S206，设置隐藏层节点；
S207，运行长短时神经网络，对大功率质子交换膜燃料电池阻抗谱进行建模；
S300，通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测。
2.根据权利要求1所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，其特征在于，在所述步骤S100中，利用燃料电池测试平台和阻抗谱分析仪测试大功率质子交换膜燃料电池各种工况条件下的操作参数和阻抗谱，包括步骤：
S101，对燃料电池测试台进行检漏及预启动；
S102，启动电子负载并改变燃料电池负载电流，使电堆运行在欧姆区；
S103，关闭电子负载；
S104，启动阻抗谱分析仪；
S105，根据控制变量法改变操作参数；
S106，通过阻抗谱分析仪测量各条件下的电池阻抗，通过阻抗变化规律得到阻抗谱。
3.根据权利要求2所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，其特征在于，在所述步骤S105中，根据控制变量法改变操作参数，包括电堆运行温度、氢气过量系数、空气过量系数和吹扫周期。
4.根据权利要求1所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，其特征在于，根据操作参数设置网络输入维度为4；根据阻抗谱数据设置网络输出维度为70；设置隐藏层节点为10。
5.根据权利要求1所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，其特征在于，在步骤S300中，通过所构建的模型对大功率质子交换膜燃料电池各种工况下的阻抗进行预测，包括步骤：
S301，获取所需预测的大功率质子交换膜燃料电池电堆的操作参数，包括运行温度、氢气过量系数、空气过量系数和吹扫周期，作为预测数据集；
S302，对预测数据集的输入进行归一化；
S303，将上述获取到的预测数据集输入基于长短时神经网络的大功率质子交换膜燃料电池阻抗模型，获取预测阻抗谱；
S304，对所获得的预测阻抗谱数据进行精准评判，后输出通过结果作为最终输出的预测阻抗谱。
6.根据权利要求5所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，其特征在于，对所获得的预测阻抗谱数据进行精准评判，包括步骤
计算预测阻抗与实际阻抗的相对误差；
若相对误差大于5％，则调整长短时神经网络参数并重新进行建模；
若相对误差不大于5％，则接受该长短时神经网络参数及预测结果。
7.根据权利要求6所述的大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法，其特征在于，所述计算预测阻抗与实际阻抗的相对误差的公式为：
Figure FDA0003623369640000021
式中N为所测量频率点数，
Figure FDA0003623369640000022
分别为频率fn下测量阻抗与预测阻抗的实部，
Figure FDA0003623369640000023
分别为频率fn下测量阻抗与预测阻抗的虚部。
CN202010977578.8A 2020-09-17 2020-09-17 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法 Active CN112289385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010977578.8A CN112289385B (zh) 2020-09-17 2020-09-17 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010977578.8A CN112289385B (zh) 2020-09-17 2020-09-17 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法

Publications (2)

Publication Number Publication Date
CN112289385A CN112289385A (zh) 2021-01-29
CN112289385B true CN112289385B (zh) 2022-08-09

Family

ID=74420481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010977578.8A Active CN112289385B (zh) 2020-09-17 2020-09-17 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法

Country Status (1)

Country Link
CN (1) CN112289385B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343471B (zh) * 2021-06-18 2022-11-15 上海艾福亿维测试设备有限公司 随燃料电池衰减变化的电化学交流阻抗谱预测方法及系统
CN113505926B (zh) * 2021-07-14 2022-10-25 同济大学 一种基于阻抗预测模型自更新的燃料电池故障预测方法
DE102021210298A1 (de) * 2021-09-16 2023-03-16 Heimdalytics GmbH Batteriemesssystem
CN114218813B (zh) * 2022-02-18 2022-05-17 中国汽车技术研究中心有限公司 燃料电池流阻值函数构建方法和流阻值预测方法
CN114725448B (zh) * 2022-04-11 2023-08-18 中汽创智科技有限公司 一种燃料电池系统加载功率的控制方法、装置及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101149422A (zh) * 2006-09-22 2008-03-26 欧姆龙株式会社 电池寿命预测系统及方法、通讯终端装置、电池寿命预测装置
CN102650701A (zh) * 2012-04-27 2012-08-29 中国石油天然气股份有限公司 一种基于偶极子波进行储层波阻抗预测的方法
CN107391817A (zh) * 2017-06-30 2017-11-24 中国计量大学 一种基于频率正割角法的pemfc输出性能优化方法
CN107589379A (zh) * 2017-08-30 2018-01-16 电子科技大学 一种在线估计锂电池soc和阻抗的方法
WO2019017991A1 (en) * 2017-07-21 2019-01-24 Quantumscape Corporation PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS
CN109342964A (zh) * 2018-12-07 2019-02-15 西南交通大学 一种质子交换膜燃料电池电堆健康状态的分析方法
CN110994673A (zh) * 2019-11-26 2020-04-10 上海电机学院 一种微电网自适应反孤岛扰动负载阻抗值的预测方法
CN111428913A (zh) * 2020-03-06 2020-07-17 中国科学技术大学 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7043372B2 (en) * 2003-11-26 2006-05-09 Eaton Corporation Fluid condition monitoring using broad spectrum impedance spectroscopy

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101149422A (zh) * 2006-09-22 2008-03-26 欧姆龙株式会社 电池寿命预测系统及方法、通讯终端装置、电池寿命预测装置
CN102650701A (zh) * 2012-04-27 2012-08-29 中国石油天然气股份有限公司 一种基于偶极子波进行储层波阻抗预测的方法
CN107391817A (zh) * 2017-06-30 2017-11-24 中国计量大学 一种基于频率正割角法的pemfc输出性能优化方法
WO2019017991A1 (en) * 2017-07-21 2019-01-24 Quantumscape Corporation PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS
CN107589379A (zh) * 2017-08-30 2018-01-16 电子科技大学 一种在线估计锂电池soc和阻抗的方法
CN109342964A (zh) * 2018-12-07 2019-02-15 西南交通大学 一种质子交换膜燃料电池电堆健康状态的分析方法
CN110994673A (zh) * 2019-11-26 2020-04-10 上海电机学院 一种微电网自适应反孤岛扰动负载阻抗值的预测方法
CN111428913A (zh) * 2020-03-06 2020-07-17 中国科学技术大学 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Online electrochemical impedance spectroscopy detection integrated with step-up converter for fuel cell electric vehicle;Hanqing Wang 等;《International Journal of Hydrogen Energy》;20181126;1110-1121 *
SOH and RUL Prediction of Lithium-Ion Batteries Based on Gaussian Process Regression with Indirect Health Indicators;Jianfang Jia 等;《energies》;20200113;1-20 *
基于数据驱动的质子交换膜燃料电池寿命预测;张雪霞 等;《西南交通大学学报》;20200430;第55卷(第2期);417-427 *
锂电池阻抗模型参数的BP神经网络预测研究;陈严君;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20110615;C042-504 *

Also Published As

Publication number Publication date
CN112289385A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN112289385B (zh) 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法
Lu et al. On-line fault diagnosis for proton exchange membrane fuel cells based on a fast electrochemical impedance spectroscopy measurement
CN110190306B (zh) 一种用于燃料电池系统的在线故障诊断方法
CN111146478B (zh) 一种用于质子交换膜燃料电池堆剩余使用寿命的预测方法
CN102663219B (zh) 基于混合模型的燃料电池输出预测方法和系统
Laribi et al. Impedance model for diagnosis of water management in fuel cells using artificial neural networks methodology
CN113608131B (zh) 一种动态机车工况下pemfc电堆衰退性能检测方法
CN116879781B (zh) 固体氧化物燃料电池电堆电化学性能的寿命预测方法
CN108680867B (zh) 一种基于容量修正的全钒液流电池soc在线校准方法
CN112331888A (zh) 一种基于仿真模型的燃料电池电堆模拟器
CN115935659A (zh) 一种燃料电池电堆寿命预测方法、系统及电子设备
CN114361535B (zh) 一种基于电化学阻抗谱的燃料电池氢渗量评估方法
WO2022268144A1 (zh) 一种基于两点阻抗老化特征的锂电池在线老化诊断方法
Li et al. A new fuel cell degradation model indexed by proton exchange membrane thickness derived from polarization curve
CN115248382A (zh) 一种质子交换膜燃料电池控制方法
CN114373967A (zh) 一种燃料电池堆氢气渗透量测量方法
CN113466700B (zh) 一种基于两点阻抗寿命特征的锂电池在线寿命预测方法
CN113540534B (zh) 一种质子交换膜燃料电池堆的饥饿故障诊断方法
Chen et al. Identification of the parameters of the aluminum-air battery with regard to temperature
Yahia et al. The identification of randles impedance model parameters of a PEM fuel cell by the least square method
Wang et al. Study on equivalent circuit model of lithium titanate battery for rail transit
Yuan et al. Review on resistance based water content monitoring in vehicle fuel cell stack
Lei et al. Optimizing Binary Sequence Excitation Signals for Rapid Impedance Spectrum Measurement in Proton Exchange Membrane Fuel Cells
CN113917352B (zh) 基于阻抗老化特征的燃料电池催化层在线老化诊断方法
CN115312809B (zh) 一种燃料电池一致性预测模型的建立方法

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