CN112363060A - 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

固体氧化物燃料电池电压预测方法、终端设备及存储介质 Download PDF

Info

Publication number
CN112363060A
CN112363060A CN202011249734.5A CN202011249734A CN112363060A CN 112363060 A CN112363060 A CN 112363060A CN 202011249734 A CN202011249734 A CN 202011249734A CN 112363060 A CN112363060 A CN 112363060A
Authority
CN
China
Prior art keywords
input
fuel cell
solid oxide
oxide fuel
time
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.)
Granted
Application number
CN202011249734.5A
Other languages
English (en)
Other versions
CN112363060B (zh
Inventor
周海峰
靳方圆
张谅
陈金海
张兴杰
郑东强
林忠华
李振宇
刘云
陈虹宇
王新乡
彭庆忠
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.)
Jimei University
Original Assignee
Jimei 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 Jimei University filed Critical Jimei University
Priority to CN202011249734.5A priority Critical patent/CN112363060B/zh
Priority claimed from CN202011249734.5A external-priority patent/CN112363060B/zh
Publication of CN112363060A publication Critical patent/CN112363060A/zh
Application granted granted Critical
Publication of CN112363060B publication Critical patent/CN112363060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only 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
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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
    • G01R31/36—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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

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：首先根据SOFC动力学模型的输入输出数据，利用Lipschitz商准则确定固体氧化物燃料电池电堆非线性模型结构；然后利用改进的支持向量机建立燃料电池电堆预测模型，根据实际系统与预测模型的输出误差反馈以减小预测模型的预测误差，再由粒子群算法滚动优化输入量以达到跟踪设定预测电压的目的。本发明方法可以很好的跟踪设定值，且具有一定的自适应和鲁棒性。

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
固体氧化物燃料电池(solid oxide fuel cell，SOFC)的工作温度在600～1000℃之间，是一种很有前途的可持续能源转换技术，具有广泛的应用前景。其优点是效率高、燃料灵活、污染物排放低，并且可以与热电联产利用SOFC产生的余热实现能量的充分利用。然而较高的工作温度也给该技术带来了严峻的挑战，如材料选择、热管理、可靠性和耐久性等。与温度及其分布相关的热管理是电池性能和堆栈行为的关键因素，影响电池完整性、电池电压、电流密度分布和功率输出等。
SOFC是一种大时滞、强耦合和非线性动态装置，分析其动态特性行为需要精确的动力学模型。学术界已经在SOFC的非线性动力学建模方面取得丰硕的成果。为提高SOFC寿命和性能，采取现代控制策略作为SOFC电控器算法势在必行。燃料利用率、堆栈的终端电压和堆栈内温度是SOFC系统控制的三个最重要控制变量，其中燃料利用率和堆栈终端电压对负载的阶跃变化的响应速度较快，且具有较强的非线性，因此模型预测控制(modelpredictive control，MPC)更适合控制燃料利用率和堆栈终端电压，而对于堆栈内温度对负载阶跃变化的响应速度缓慢，传统的PID控制即可以满足控制需求。MPC是近年来备受关注的一种先进控制方法。这些控制方法对提高SOFC性能有一定的贡献，但对处理器性能要求较高并不适用于工业在线控制。
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动力学模型的输入和输出组成训练集，其中输入包括堆栈电流和燃料流速，输出包括输出电压；
S2：构建基于支持向量机的非线性自回归滑动平均模型作为辨识模型，根据训练集通过人工蜂群算法对电压预测模型中的参数进行估计、通过Lipschitz quotients准则对辨识模型中的参数m和n进行确定，得到最终辨识模型；
辨识模型的数学表达式为：
U(k)＝f(U(k-1),…,U(k-n),qf(k),…,qf(k-m),I(k),…,I(k-m))
其中，k表示时刻，qf(k)和qf(k-m)分别表示k时刻和k-m时刻输入的燃料流速，I(k)和I(k-m)分别表示k时刻和k-m时刻输入的堆栈电流，U(k)、U(k-1)和U(k-n)分别表示k时刻、k-1时刻和k-n时刻输入所对应的输出电压，n和m是分别表示输入、输出的阶次，f(.)表示基于支持向量机的非线性回归函数；
S3：待优化k+a时刻SOFC动力学模型的输入；
S4：结合历史的输入和输出，根据最终辨识模型得到k+a时刻输入所对应的预测输出电压
Figure BDA0002771233800000031
对预测输出电压进行误差校正后得到修正后的输出电压U′(k+a)，将k+a时刻的输入作为粒子群算法中粒子的位置向量；
S5：更新粒子的权重、速度和位置信息；
S6：计算每个粒子的当前适应度值和全局适应度值，比较大小并更新自身适应度值和全局适应度值；
S7：判断是否达到最大迭代次数，如果是，进入S8；否则，返回S5继续粒子群算法的迭代优化；S8：将优化得到的最优粒子的位置信息x(k+p)代入最终辨识模型得到修正后的输出电压U(k+p)，返回S4顺序执行，直至仿真结束。
进一步的，基于支持向量机的非线性回归函数的构建方法为：
S201：根据训练集D＝{(x1,y1),(x2,y2),...,(xk,yk),…,(xM,yM)}，构造非线性回归函数：
f(xk)＝wTxk+b
其中，k∈[1,M]，xk＝(U(k-1),…,U(k-n),qf(k),…,qf(k-m),I(k),…,I(k-m))，yk＝U(k)，b为偏置，w为法向量；
S202：将非线性回归函数的回归问题转化为：
Figure BDA0002771233800000032
其中，yi-wTxi-b≤ε+ξi，wTxi+b-yi≤ε+ξi *，ξi,ξi *≥0，i∈[1,M]表示训练集中样本的序号，M表示训练集中样本的总数，C为正则化常数，ξi和ξi *均表示样本i对应的松弛变量，ε为常量系数；
S203：引入拉格朗日乘子构建拉格朗日函数，并借助拉格朗日函数的对偶问题求解上式，即：
Figure BDA0002771233800000033
Figure BDA0002771233800000041
其中，
Figure BDA0002771233800000042
和αi均表示样本i对应的拉格朗日乘子，
Figure BDA0002771233800000043
j∈[1,M]表示训练集中样本的序号；
S204：根据求解对偶问题得到的最优的拉格朗日乘子，则非线性回归函数的解为：
Figure BDA0002771233800000044
S205：设φ(xk)和φ(xi)分别为将xk和xi映射后的特征向量，则在特征空间对应的非线性回归函数为：分别
Figure BDA0002771233800000045
根据Mercer定理，核函数κ(xk,xi)＝φ(xk)Tφ(xi)，则非线性回归函数的输出为为：
Figure BDA0002771233800000046
进一步的，核函数为高斯核函数，即：
Figure BDA0002771233800000047
其中，σ为高斯核函数的带宽。
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,…,xl)
其中，l表示输入变量数目，l＝n+2m+2。设x＝[x1,x2,…,xl]，设定x(i)、U(i)为输入输出对，则定义Lipschitz商
Figure BDA0002771233800000048
为：
Figure BDA0002771233800000051
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：
Figure BDA0002771233800000052
设定变量数目判定参数q(l)：
Figure BDA0002771233800000053
其中，p∈[0.01*N,0.02*N]，N是样本数；q(l)(i)是第i个
Figure BDA0002771233800000054
的最大值；
则输入变量数目l应满足下式条件：
Figure BDA0002771233800000055
其中，δ为常量，δ＝0.1；
根据输入变量数目l的值确定m和n的值。
进一步的，误差校正的方法为：计算k时刻输入所对应的实际输出电压与预测输出电压的误差值e(k)：
Figure BDA0002771233800000056
根据误差值e(k)修正k+a时刻输入所对应的修正后的输出电压
Figure BDA0002771233800000057
得到k+a时刻输入所对应的实际输出电压：
Figure BDA0002771233800000058
进一步的，粒子群算法的适应度函数为：
Figure BDA0002771233800000059
Ur(k+a)＝ca*U′(k+a)+(1-ca)*r
其中，Ur(k+a)表示k+a时刻输入所对应的输出电压的参考轨迹，a为预测步长，b为控制步长，a＝1,2,…,A，0≤c≤1，c和r均表示系统设置常量值。
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，首先根据SOFC动力学模型的输入输出数据，利用Lipschitz商准则确定固体氧化物燃料电池电堆非线性模型结构；然后利用改进的支持向量机建立燃料电池电堆预测模型，根据实际系统与预测模型的输出误差反馈以减小预测模型的预测误差，再由粒子群算法滚动优化输入量以达到跟踪设定预测电压的目的。
附图说明
图1所示为本发明实施例一的流程图。
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动力学模型的输入和输出组成训练集，其中输入包括堆栈电流I和燃料流速qf，输出包括输出电压U。
该实施例中，设qf∈[0.6 1.2]mol/s和I∈[200 300]A，输入变量均由均匀随机序列产生，将输入变量输入SOFC动力学模型得到对应的输出电压。
为建立模型方便，该实施例中还包括对采集的输出和输出数据进行归一化处理。
S2：构建基于支持向量机的非线性自回归滑动平均模型作为辨识模型，根据训练集通过人工蜂群算法对电压预测模型中的参数进行估计、通过Lipschitz quotients准则对辨识模型中的参数m和n进行确定，得到最终辨识模型。
辨识模型的数学表达式为：
U(k)＝f(U(k-1),…,U(k-n),qf(k),…,qf(k-m),I(k),…,I(k-m))
其中，k表示时刻，qf(k)和qf(k-m)分别表示k时刻和k-m时刻输入的燃料流速，I(k)和I(k-m)分别表示k时刻和k-m时刻输入的堆栈电流，U(k)、U(k-1)和U(k-n)分别表示k时刻、k-1时刻和k-n时刻输入所对应的输出电压，n和m是分别表示输入、输出的阶次，f(.)表示基于支持向量机的非线性回归函数。
基于支持向量机的非线性回归函数f(.)的构建方法为：
S201：根据训练集D＝{(x1,y1),(x2,y2),...,(xM,yM)}，构造非线性回归函数：
f(xk)＝wTxk+b
其中，k∈[1,M]，xk＝(U(k-1),…,U(k-n),qf(k),…,qf(k-m),I(k),…,I(k-m))，yk＝U(k)，b为偏置，w为法向量。
S202：将非线性回归函数的回归问题转化为：
Figure BDA0002771233800000081
其中，yi-wTxi-b≤ε+ξi，wTxi+b-yi≤ε+ξi *，ξi,ξi *≥0，i∈[1,M]表示训练集中样本的序号，M表示训练集中样本的总数，C为正则化常数，ξi和ξi *均表示样本i对应的松弛变量，ε为常量系数。
S203：引入拉格朗日乘子构建拉格朗日函数，并借助拉格朗日函数的对偶问题求解上式，即：
Figure BDA0002771233800000082
Figure BDA0002771233800000083
其中，
Figure BDA0002771233800000084
和αi均表示样本i对应的拉格朗日乘子，
Figure BDA0002771233800000085
j∈[1,M]表示训练集中样本的序号；
S204：根据求解对偶问题得到的最优的拉格朗日乘子，则非线性回归函数的解为：
Figure BDA0002771233800000086
S205：设φ(xk)和φ(xi)分别为将xk和xi映射后的特征向量，则在特征空间对应的非线性回归函数为：分别
Figure BDA0002771233800000087
根据Mercer定理，核函数κ(xk,xi)＝φ(xk)Tφ(xi)，则非线性回归函数的输出为为：
Figure BDA0002771233800000091
该实施例中核函数为高斯核函数，即：
Figure BDA0002771233800000092
其中，σ为高斯核函数的带宽。
由于电压预测模型的变量参数包括参数C和σ，因此，通过人工蜂群算法对这两个参数进行估计，将优化问题转化为：
Figure BDA0002771233800000093
该实施例中通过3000组数据训练得到的最优参数为：C＝485.2079,σ＝0.0100。
由于辨识模型的结构完全由参数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 forNon-linear Systems[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紧凑型，即：
U＝f(x1,x2,…,xl)
其中，l表示输入变量数目，l＝n+2m+2。设x＝[x1,x2,…,xl]，设定x(i)、U(i)为输入输出对，则定义Lipschitz商
Figure BDA0002771233800000094
为：
Figure BDA0002771233800000095
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：
Figure BDA0002771233800000101
Figure BDA0002771233800000102
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
Figure BDA0002771233800000103
要比
Figure BDA0002771233800000104
大甚至无法计算，相反当冗余输入变量，Lipschitz商
Figure BDA0002771233800000105
要比
Figure BDA0002771233800000106
大或小。
设定变量数目判定参数q(l)：
Figure BDA0002771233800000107
其中，p∈[0.01*N,0.02*N]，N是样本数；q(l)(i)是第i个
Figure BDA0002771233800000108
的最大值；
则输入变量数目l应满足下式条件：
Figure BDA0002771233800000109
其中，δ为常量，δ＝0.1；
根据输入变量数目l的值确定m和n的值。
S3待优化k+a时刻SOFC动力学模型的输入。
S4：结合历史的输入和输出，根据最终辨识模型得到k+a时刻输入所对应的预测输出电压
Figure BDA00027712338000001010
对预测输出电压进行误差校正后得到修正后的输出电压U′(k+a)，将k+a时刻的输入x(k+a)作为粒子群算法中粒子的位置向量。
误差校正的方法为：
计算k时刻输入所对应的实际输出电压与预测输出电压的误差值e(k)：
Figure BDA00027712338000001011
根据误差值e(k)修正k+a时刻输入所对应的预测输出电压
Figure BDA0002771233800000111
得到k+a时刻输入所对应的修正后的输出电压：
Figure BDA0002771233800000112
S5：更新粒子的权重、速度和位置信息。S6：计算每个粒子的当前适应度值和全局适应度值，比较大小并更新自身适应度值和全局适应度值。
粒子群算法的适应度函数为：
Figure BDA0002771233800000113
Ur(k+a)＝ca*U′(k+a)+(1-ca)*r
其中，F表示适应度，Ur(k+a)表示k+a时刻输入所对应的输出电压的参考轨迹，a为预测步长，b为控制步长，a＝1,2,…,A，0≤c≤1，c和r均表示系统设置常量值。
S7：判断是否达到最大迭代次数，如果是，进入S8；否则，返回S5继续粒子群算法的迭代优化。
S8：将优化得到的最优粒子的位置信息x(k+p)代入最终辨识模型得到修正后的输出电压U(k+p)，返回S4顺序执行，直至仿真结束。
仿真结束的判定条件是k达到预设的时间阈值。
本发明实施例一首先根据SOFC动力学模型的输入输出数据，利用Lipschitz商准则确定固体氧化物燃料电池电堆非线性模型结构；然后利用改进的支持向量机建立燃料电池电堆预测模型，根据实际系统与预测模型的输出误差反馈以减小预测模型的预测误差，再由粒子群算法滚动优化输入量以达到跟踪设定预测电压的目的。通过实验结果表明，本实施例提出的预测方法可以很好的跟踪设定值，且具有一定的自适应和鲁棒性。
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 (8)

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动力学模型的输入和输出组成训练集，其中输入包括堆栈电流和燃料流速，输出包括输出电压；
S2：构建基于支持向量机的非线性自回归滑动平均模型作为辨识模型，根据训练集通过人工蜂群算法对电压预测模型中的参数进行估计、通过Lipschitz quotients准则对辨识模型中的参数m和n进行确定，得到最终辨识模型；
辨识模型的数学表达式为：
U(k)＝f(U(k-1),…,U(k-n),qf(k),…,qf(k-m),I(k),…,I(k-m))
其中，k表示时刻，qf(k)和qf(k-m)分别表示k时刻和k-m时刻输入的燃料流速，I(k)和I(k-m)分别表示k时刻和k-m时刻输入的堆栈电流，U(k)、U(k-1)和U(k-n)分别表示k时刻、k-1时刻和k-n时刻输入所对应的输出电压，n和m是分别表示输入、输出的阶次，f(.)表示基于支持向量机的非线性回归函数；
S3：待优化k+a时刻SOFC动力学模型的输入；
S4：结合历史的输入和输出，根据最终辨识模型得到k+a时刻输入所对应的预测输出电压
Figure FDA0002771233790000011
对预测输出电压进行误差校正后得到修正后的输出电压U′(k+a)，将k+a时刻的输入作为粒子群算法中粒子的位置向量；
S5：更新粒子的权重、速度和位置信息；
S6：计算每个粒子的当前适应度值和全局适应度值，比较大小并更新自身适应度值和全局适应度值；
S7：判断是否达到最大迭代次数，如果是，进入S8；否则，返回S5继续粒子群算法的迭代优化；S8：将优化得到的最优粒子的位置信息x(k+p)代入最终辨识模型得到修正后的输出电压U(k+p)，返回S4顺序执行，直至仿真结束。
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：基于支持向量机的非线性回归函数的构建方法为：
S201：根据训练集D＝{(x1,y1),(x2,y2),...,(xk,yk),…,(xM,yM)}，构造非线性回归函数：
f(xk)＝wTxk+b
其中，k∈[1,M]，xk＝(U(k-1),…,U(k-n),qf(k),…,qf(k-m),I(k),…,I(k-m))，yk＝U(k)，b为偏置，w为法向量；
S202：将非线性回归函数的回归问题转化为：
Figure FDA0002771233790000021
其中，yi-wTxi-b≤ε+ξi，wTxi+b-yi≤ε+ξi *，ξi,ξi *≥0，i∈[1,M]表示训练集中样本的序号，M表示训练集中样本的总数，C为正则化常数，ξi和ξi *均表示样本i对应的松弛变量，ε为常量系数；
S203：引入拉格朗日乘子构建拉格朗日函数，并借助拉格朗日函数的对偶问题求解上式，即：
Figure FDA0002771233790000022
Figure FDA0002771233790000023
其中，
Figure FDA0002771233790000024
和αi均表示样本i对应的拉格朗日乘子，
Figure FDA0002771233790000025
αi≤C，j∈[1,M]表示训练集中样本的序号；
S204：根据求解对偶问题得到的最优的拉格朗日乘子，则非线性回归函数的解为：
Figure FDA0002771233790000031
S205：设φ(xk)和φ(xi)分别为将xk和xi映射后的特征向量，则在特征空间对应的非线性回归函数为：分别
Figure FDA0002771233790000032
根据Mercer定理，核函数κ(xk,xi)＝φ(xk)Tφ(xi)，则非线性回归函数的输出为为：
Figure FDA0002771233790000033
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：核函数为高斯核函数，即：
Figure FDA0002771233790000034
其中，σ为高斯核函数的带宽。
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：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,…,xl)
其中，l表示输入变量数目，l＝n+2m+2。设x＝[x1,x2,…,xl]，设定x(i)、U(i)为输入输出对，则定义Lipschitz商
Figure FDA0002771233790000035
为：
Figure FDA0002771233790000036
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：
Figure FDA0002771233790000041
设定变量数目判定参数q(l)：
Figure FDA0002771233790000042
其中，p∈[0.01*N,0.02*N]，N是样本数；q(l)(i)是第i个
Figure FDA0002771233790000043
的最大值；
则输入变量数目l应满足下式条件：
Figure FDA0002771233790000044
其中，δ为常量，δ＝0.1；
根据输入变量数目l的值确定m和n的值。
5.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：误差校正的方法为：计算k时刻输入所对应的实际输出电压与预测输出电压的误差值e(k)：
Figure FDA0002771233790000045
根据误差值e(k)修正k+a时刻输入所对应的预测输出电压
Figure FDA0002771233790000046
得到k+a时刻输入所对应的修正后的输出电压：
Figure FDA0002771233790000047
6.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：粒子群算法的适应度函数为：
Figure FDA0002771233790000048
Ur(k+a)＝ca*U′(k+a)+(1-ca)*r
其中，F表示适应度，Ur(k+a)表示k+a时刻输入所对应的输出电压的参考轨迹，a为预测步长，b为控制步长，a＝1,2,…,A，0≤c≤1，c和r均表示系统设置常量值。
7.一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1～6中任一所述方法的步骤。
8.一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1～6中任一所述方法的步骤。
CN202011249734.5A 2020-11-11 固体氧化物燃料电池电压预测方法、终端设备及存储介质 Active CN112363060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011249734.5A CN112363060B (zh) 2020-11-11 固体氧化物燃料电池电压预测方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011249734.5A CN112363060B (zh) 2020-11-11 固体氧化物燃料电池电压预测方法、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN112363060A true CN112363060A (zh) 2021-02-12
CN112363060B CN112363060B (zh) 2024-05-03

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116068413A (zh) * 2023-03-22 2023-05-05 长安新能源南京研究院有限公司 一种电池电压预测方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968056A (zh) * 2012-12-07 2013-03-13 上海电机学院 质子交换膜燃料电池的建模系统及其智能预测控制方法
CN103384014A (zh) * 2013-05-29 2013-11-06 西南交通大学 基于最大净功率策略的质子交换膜燃料电池空气供应系统控制
CN105720286A (zh) * 2016-03-30 2016-06-29 华中科技大学 一种固体氧化物燃料电池系统避免燃料亏空的控制方法
CN106446940A (zh) * 2016-09-13 2017-02-22 大连理工大学 一种基于支持向量机的超级电容器电容值退化趋势的预测方法
US20170365868A1 (en) * 2016-06-17 2017-12-21 Hyundai Motor Company Fuel cell system and method of controlling the same
WO2018056639A2 (ko) * 2016-09-26 2018-03-29 주식회사 엘지화학 인공지능형 연료전지 시스템
CN110363285A (zh) * 2019-06-20 2019-10-22 广东工业大学 集成超限学习机和Hammerstein-Wiener的复杂非线性系统建模方法
CN110399928A (zh) * 2019-07-29 2019-11-01 集美大学 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN110688762A (zh) * 2019-09-30 2020-01-14 集美大学 一种新型固体氧化物燃料电池电堆模型构建方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968056A (zh) * 2012-12-07 2013-03-13 上海电机学院 质子交换膜燃料电池的建模系统及其智能预测控制方法
CN103384014A (zh) * 2013-05-29 2013-11-06 西南交通大学 基于最大净功率策略的质子交换膜燃料电池空气供应系统控制
CN105720286A (zh) * 2016-03-30 2016-06-29 华中科技大学 一种固体氧化物燃料电池系统避免燃料亏空的控制方法
US20170365868A1 (en) * 2016-06-17 2017-12-21 Hyundai Motor Company Fuel cell system and method of controlling the same
CN106446940A (zh) * 2016-09-13 2017-02-22 大连理工大学 一种基于支持向量机的超级电容器电容值退化趋势的预测方法
WO2018056639A2 (ko) * 2016-09-26 2018-03-29 주식회사 엘지화학 인공지능형 연료전지 시스템
CN110363285A (zh) * 2019-06-20 2019-10-22 广东工业大学 集成超限学习机和Hammerstein-Wiener的复杂非线性系统建模方法
CN110399928A (zh) * 2019-07-29 2019-11-01 集美大学 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN110688762A (zh) * 2019-09-30 2020-01-14 集美大学 一种新型固体氧化物燃料电池电堆模型构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QI LI 等, CONTROL OF PROTON EXCHANGE MEMBRANE FUEL CELL SYSTEM BREATHING BASED ON MAXIMUM NET POWER CONTROL STRATEGY, JOURNAL OF POWER SOURCES, vol. 241, pages 212 - 218 *
霍海娥等, SOFC的支持向量机（SVM）辨识建模，系统仿真学报, vol. 22, no. 6, pages 1558 *
靳方圆等, 基于ABC-SVM固体氧化物燃料电池电堆建模与仿真，集美大学学报（自然科学版）, vol. 25, no. 4, pages 294 - 297 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116068413A (zh) * 2023-03-22 2023-05-05 长安新能源南京研究院有限公司 一种电池电压预测方法、装置、设备及存储介质
CN116068413B (zh) * 2023-03-22 2023-08-18 长安新能源南京研究院有限公司 一种电池电压预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Tong et al. Early prediction of remaining useful life for Lithium-ion batteries based on a hybrid machine learning method
Li et al. Constrained model predictive control of a solid oxide fuel cell based on genetic optimization
Zhong et al. Modeling a PEMFC by a support vector machine
Wu et al. Modeling a SOFC stack based on GA-RBF neural networks identification
Deng et al. Kriging assisted surrogate evolutionary computation to solve optimal power flow problems
CN113227808A (zh) 学习装置、推定装置、学习方法、推定方法、学习程序及推定程序
CN110647042A (zh) 一种基于数据驱动的机器人鲁棒学习预测控制方法
Sun et al. Optimal parameters estimation of PEMFCs model using converged moth search algorithm
Liu et al. Global maximum likelihood estimation procedure for multinomial probit (MNP) model parameters
Wang et al. A compact constraint incremental method for random weight networks and its application
CN113794199A (zh) 一种考虑电力市场波动的风电储能系统最大收益优化方法
CN111723982A (zh) 基于灰色-马尔可夫链的中长期电力负荷组合预测方法
CN110928341B (zh) 温度控制方法、装置、设备及存储介质
Tang et al. Application of ELM–Hammerstein model to the identification of solid oxide fuel cells
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
Kishor et al. Fuzzy modeling of fuel cell based on mutual information between variables
Rakhtala et al. Proton exchange membrane fuel cell voltage-tracking using artificial neural networks
CN112363060B (zh) 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN112287605B (zh) 一种基于图卷积网络加速的潮流校核方法
CN113344732A (zh) 电化学储能的运营评估方法、装置、终端设备及存储介质
CN112363060A (zh) 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN112084710B (zh) 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN117056776A (zh) 碳排放量监测方法、装置、设备、介质和计算机程序产品
Mordjaoui et al. Short term electric load forecasting using Neuro-fuzzy modeling for nonlinear system identification
Tang et al. Model parameter identification for lithium-ion batteries using adaptive multi-context cooperatively co-evolutionary parallel differential evolution algorithm

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