CN112507526B - 一种质子交换燃料电池系统性能预测方法及系统 - Google Patents
一种质子交换燃料电池系统性能预测方法及系统 Download PDFInfo
- Publication number
- CN112507526B CN112507526B CN202011315427.2A CN202011315427A CN112507526B CN 112507526 B CN112507526 B CN 112507526B CN 202011315427 A CN202011315427 A CN 202011315427A CN 112507526 B CN112507526 B CN 112507526B
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- cell system
- factors
- factor
- weight
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种燃料电池系统性能预测方法及系统,基于多水平正交分析设计与在线故障诊断方法相结合,通过实验数据与使用环境实测相结合的方式进行燃料电池系统性能预测,可有效避免常规计算分析与建模过程中因物理模型、数学方程和求解方法导致的误差;同时随着数据库的不断完善和补充,该方法的将不断进化,对各不同环境的预测能力和精度也将不断提升。本发明的燃料电池系统性能预测方法,结合数据监控模块和显示装置可将燃料电池系统健康度直观定量的展示给用户。
Description
技术领域
本发明属于燃料电池技术领域,具体涉及一种通过多因素标定、可定量给出评分,且不断进化的燃料电池系统性能预测方法,以及预测系统。
背景技术
近年来质子交换膜燃料电池因其发电效率高、噪音小、燃料可再生、环保、且成本不断降低等优势广受关注,被誉为当前最具发展价值的新能源技术之一。
随着燃料电池技术的不断成熟,应用领域的不断扩展,对燃料电池系统可靠性、寿命和维修性的要求也越来越高。
传统的质子交换膜燃料电池性能预测方法对质子交换膜燃料电池性能预测存在建模困难、无法适应复杂模型仿真分析等缺陷,无法满足实际应用需求。
发明内容
为解决上述技术问题,本发明提供一种基于多水平正交分析设计与环境适应性测试相结合的质子交换膜燃料电池系统性能预测方法。
本发明解决其技术问题所采用的技术方案是:一种质子交换燃料电池系统性能预测方法,包括如下步骤。
S1:试验数据的采集:按照燃料电池系统试验大纲设计,对燃料电池进行不同条件下的联调试验,针对包括温度、湿度、进出口压差、进口压力在内的影响燃料电池系统的k种因素,进行2k组试验,并记录试验数据,可用不同的电堆性能指标,如寿命、单片电压一致性、系统效率、可靠性等,作为参考指标;
S2:针对步骤S1中的试验数据进行3k耶茨算法(Yates algorithm)设计,并建立方差分析表如下:
表中n表示针对每种情况进行n次重复试验,平方和中各因子Sk根据3k因子设计推导;
S3,将各影响因素根据专家经验、系统设计方案、零部件操作指南、控制策略或数值计算方法进行单一因素阈值标定;
S4,将S2中得到的方差分析表中的单因素数据通过F分布表(F分布为概率与统计种常用分布)查询,并将通过分布表查询到的数组{x}进行归一化处理:
假设k种影响因素中,第i种因素的输入数据为xi,标定的标准值为xs,上下阈值为xu,xl,则xi与标准值偏差为εs=|xi-xs|,上限最大误差为εu=|xs-xu|,下限最大误差为εl=|xs-xl|;归一化值为:
S5,利用归一化值进行权重计算:
S6,重复步骤S3到步骤S5,分别标定2因子到k因子交互作用的权重,得到m因子交互作用下的各因素权重基本概率的折扣率集合{αm},其中m为整数,且2≤m≤k。
S7,将从传感器采集、历史数据等各渠道获得的数据进行无量纲化处理,其中无量纲过程采用的标准可按需采用最大值、欧几里得模等,依据定义,m(m为整数,1≤m≤k)因子交互作用下的无穷范数的标准值为无量纲后的折扣率为m因子交互作用下的欧几里德模的标准值为无量纲后的折扣率为
S8,将权重数组与无量纲化后的k因素变化率进行内积,得到某特定时间点的燃料电池系统健康度H1,则多时刻的健康度数组则为{H},将数组{H}绘制为散点图、雷达图或柱状图以直观展现。
进一步,所述的步骤S1中每组试验进行m种不同的水平分析,m的具体数值可根据实际情况变化,比如m=3,也可按需对各种因素采用不同数量水平分类。
更进一步,所述的水平分析包括K1℃±a℃,K2℃±a℃,K3℃±a℃三种水平的温度变量,其中K1、K2、K3代表三种水平的温度数值,a表示温度波动幅度。
更进一步,所述的水平分析包括静态排水、动态排水和动静混合排水三种水平的排水方案。
再进一步,针对如三种不同技术路线、是否使用增湿罐等质量性因素,其水平分析数量固定,但针对加热温度、进出口压差等数量性因素,由于无法进行所有水平的验证,采用非线性回归方法,通过最小二乘法(又称最小平方法,是解决曲线拟合问题最常用的数值方法之一)求解回归方程进行水平分析预测。
同时,由于燃料电池性能等参数大多数情况下为曲线,所以求解回归方程之前需将双曲线、指数函数、幂函数、对数函数、S型曲线等转化为线型回归问题,其具体方法可查阅相关线性代数或数值分析教材。
进一步,可同时记录健康度较低时的修护方案以及此健康度下的影响因素条件,随着数据库的不断完备,通过回归标定可提前定量预测系统故障发生概率,并给出初步保养方案。
所述的一种质子交换燃料电池系统性能预测方法,其燃料电池系统为氢空燃料电池系统。
本发明还提供了一种质子交换燃料电池系统性能预测系统,由数据监控系统、产品数据处理模块和显示装置组成;其中数据监控系统用于数据的采集、存储和传输,同时还具有以及异常状态下的系统保护功能;其中产品数据处理模块通过健康度算法模块嵌入在PDM系统中,通过芯片作出实时健康度评估,此部分为本发明的核心创新内容;其中显示装置用于将系统评估结果和改进方案直观显示,并同时为整个系统提供GUI。
本发明具有以下技术效果:
本专利方法借助于试验数据与实测数据库,通过分析离散真实环境测试数据,取代对连续性方程求解,规避传统燃料电池系统分析模式中,求解数学方程误差大、求解成本高等问题,解决燃料电池系统性能预测首要原则模型中建模困难、无法适应复杂模型仿真分析的问题。
本专利方法借助于试验与实测数据库,运用多水平分析正交设计方法,可规避传统燃料电池系统分析模式中,求解数学方程误差大、求解成本高等问题;通过分析离散真实环境测试数据,取代对连续性方程求解,解决燃料电池系统性能预测首要原则模型(first-principle models)中建模困难,且无法适应复杂模型仿真分析的问题。
附图说明
图1为本发明专利产品数据处理模块的原理框图;
图2为本发明燃料电池系统性能预测系统模块功能拓扑图。
具体实施方式
为了更好理解本发明技术内容,下面提供具体实施例,并结合附图对本发明进行进一步说明。
本发明在燃料电池系统正常运行状态下,即可根据传感器实时读数和历史数据分析,给出设备定量健康度和修护保养建议。
基于本发明的监控模块嵌入燃料电池系统后可极大的提高维护保障工作效率,保证设备维护工作的前瞻性,并可根据设备的物联数据不断修正补充静态数据,从原理上规避了复杂系统中首要原则模型(first-principle models)方程组标定和建模困难问题。
本发明公开的一种永磁推进系统仿真方法,包括如下步骤:
S1:试验数据的采集:
按照燃料电池系统试验大纲设计,如针对氢空燃料电池系统,已知影响系统性能有温度、湿度、进出口压差、进口压力等k种因素,考虑k种因素间的相互作用,则需2k组试验,计划每组试验进行3种不同水平分析(如针对温度变量可采用60℃,65℃,70℃三种水平;针对排水方案可进行静态排水、动态排水和动静混合排水三种水平等)。进行系统联调试验,并记录试验数据。可用不同的电堆性能指标,如寿命、单片电压一致性、系统效率、可靠性等,作为参考指标。
S2:对试验数据进行mk耶茨算法设计并建立方差分析表:
表中n表示针对每种情况进行n次重复试验,k种因素各有m种水平,平方和中各因子Sk根据mk因子设计推导;若需要将m水平分析继续扩展至非相等水平分析,如A,B,C因素分别为a,b,c水平,其中a≠b≠c,其推导方式参考上表。
S3,将各影响因素根据专家经验、系统设计方案、零部件操作指南、控制策略或数值计算方法进行单一因素阈值标定。
S4,将S2中得到的方差分析表中的单因素数据通过F分布表(统计学中的常用表格)查询,并将通过分布表查询到的数组{x}进行归一化处理:
假设k种影响因素中,第i种因素的输入数据为xi,标定的标准值为xs,上下阈值为xu,xl,则xi与标准值偏差为εs=|xi-xs|,上限最大误差为εu=|xs-xu|,下限最大误差为εl=|xs-xl|;归一化值为:
S5,利用S4中得到的归一化值进行权重计算:
取各因素权重最大值ωmax=max(ω1,ω2,...,ωk),
S6,重复步骤S3到步骤S5,分别标定2因子交互到k因子交互作用的权重,可得到m因子交互作用下的各因素权重基本概率的折扣率集合{αm},其中m为整数,且2≤m≤k。
S7,将获得的数据进行无量纲化处理,其中无量纲过程采用的标准可按需采用无穷范数或欧几里德模;
S8,将权重数组与无量纲化后的k因素变化率进行内积,可得到某特定时间点的燃料电池系统健康度H1,则多时刻的健康度数组则为{H},可将数组{H}绘制为散点图、雷达图或柱状图以直观展现。
针对如三种不同技术路线、是否使用增湿罐等质量性因素,其水平分析数量固定,但针对加热温度、进出口压差等数量性因素,由于无法进行所有水平的验证,固可采用线性回归方法,通过回归方程进行水平分析预测。同时,由于燃料电池性能等参数大多数情况下为曲线,所以求解回归方程之前需将双曲线、指数函数、幂函数、对数函数、S型曲线等转化为线型回归问题,其具体方法可查阅相关线性代数或数值分析教材。
可同时记录健康度较低时的修护方案以及此健康度下的影响因素条件,随着数据库的不断完备,通过回归标定可提前定量预测系统故障发生概率,并给出初步保养方案。
如图1所示,其展示了ak因子设计方差分析模块的算法流程和实施思路,其中实施步骤的计算部分与表1及其中包含的平方和、自由度、均方、F比等参数一一对应。
图2所示,本发明预测系统主要由数据监控系统、产品数据处理模块PDM系统和显示装置三个部分组成,其中数据监控系统的主要作用是数据的采集、存储和传输,同时还具有异常状态下的系统保护功能;健康度算法模块嵌入在PDM系统中,通过芯片作出实时健康度评估,此部分为本发明的核心创新内容;显示装置用于将系统评估结果和改进方案直观显示,并同时为整个系统提供GUI。
上述实施例仅例示性说明本发明的原理及其功效,以及部分运用的实施例,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种质子交换燃料电池系统性能预测方法,其特征在于:包括如下步骤
S1:试验数据的采集:
对燃料电池进行不同条件下的联调试验,针对包括温度、湿度、进出口压差、进口压力在内的影响燃料电池系统的k种因素,依据正交试验设计方法开展实验,并记录试验数据;
S2:对试验数据进行mk耶茨算法设计并建立方差分析表:
表中n表示针对每种情况进行n次重复试验,k种因素各有m种水平,平方和中各因子Sk根据mk因子设计推导;
S3,将各影响因素进行单一因素阈值标定;
S4,将方差分析表中的单因素数据通过F分布表查询,并将查询到的数组{x}进行归一化处理:
S5,利用归一化值进行权重计算:
S8,将权重数组与无量纲化后的k因素变化率进行内积,得到某特定时间点的燃料电池系统健康度H1,则多时刻的健康度数组则为{H},将数组{H}绘制为散点图、雷达图或柱状图以直观展现。
2.根据权利要求1所述的一种质子交换燃料电池系统性能预测方法,其特征在于,所述的步骤S1中每组试验进行3种不同的水平分析。
3.根据权利要求2所述的一种质子交换燃料电池系统性能预测方法,其特征在于,所述的水平分析包括K1℃±a℃,K2℃±a℃,K3℃±a℃三种水平的温度变量,其中K1、K2、K3代表三种水平的温度数值,a表示温度波动幅度。
4.根据权利要求2所述的一种质子交换燃料电池系统性能预测方法,其特征在于,所述的水平分析包括静态排水、动态排水和动静混合排水三种水平的排水方案。
5.根据权利要求2或3或4所述的一种质子交换燃料电池系统性能预测方法,其特征在于,采用线性回归方法,通过回归方程进行水平分析预测。
6.根据权利要求2或3或4所述的一种质子交换燃料电池系统性能预测方法,其特征在于,采用非线性回归方法,通过最小二乘法求解回归方程进行水平分析预测。
7.根据权利要求6所述的一种质子交换燃料电池系统性能预测方法,其特征在于,求解回归方程之前将双曲线、指数函数、幂函数、对数函数、S型曲线等转化为线型回归问题。
8.根据权利要求1所述的一种质子交换燃料电池系统性能预测方法,其特征在于:同时记录健康度较低时的修护方案以及此健康度下的影响因素条件,通过回归标定提前定量预测系统故障发生概率,并给出初步保养方案。
9.根据权利要求1所述的一种质子交换燃料电池系统性能预测方法,其特征在于,所述的燃料电池系统为氢空燃料电池系统。
10.一种质子交换燃料电池系统性能预测系统,其特征在于,由数据监控系统、产品数据处理模块和显示装置组成;所述的数据监控系统用于数据的采集、存储和传输,以及异常状态下的系统保护;所述的产品数据处理模块通过内嵌的健康度算法模块作出实时健康度评估;所述的显示装置用于将系统评估结果和改进方案直观显示,并同时为整个系统提供GUI。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011315427.2A CN112507526B (zh) | 2020-11-20 | 2020-11-20 | 一种质子交换燃料电池系统性能预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011315427.2A CN112507526B (zh) | 2020-11-20 | 2020-11-20 | 一种质子交换燃料电池系统性能预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507526A CN112507526A (zh) | 2021-03-16 |
CN112507526B true CN112507526B (zh) | 2022-04-15 |
Family
ID=74959331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011315427.2A Active CN112507526B (zh) | 2020-11-20 | 2020-11-20 | 一种质子交换燃料电池系统性能预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507526B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017127276A1 (de) * | 2017-08-30 | 2019-02-28 | Taiwan Semiconductor Manufacturing Co., Ltd. | Standardzellen und abwandlungen davon innerhalb einer standardzellenbibliothek |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201121394D0 (en) * | 2011-12-13 | 2012-01-25 | Netscientific Ltd | Proton exchange membrane fuel cell |
CN106848351B (zh) * | 2016-12-26 | 2020-03-13 | 天津大学 | 质子交换膜燃料电池性能预测模型建立的方法 |
CN109214112B (zh) * | 2018-09-29 | 2022-11-25 | 武汉船用电力推进装置研究所(中国船舶重工集团公司第七一二研究所) | 一种燃料电池系统的可靠性仿真分析方法及系统 |
CN111143968A (zh) * | 2019-12-01 | 2020-05-12 | 南京理工大学 | 一种质子交换膜燃料电池变遗忘因子递推子空间辨识方法 |
CN111200141B (zh) * | 2020-01-14 | 2022-10-28 | 东北电力大学 | 基于深度信念网络的质子交换膜燃料电池性能预测及寻优方法 |
-
2020
- 2020-11-20 CN CN202011315427.2A patent/CN112507526B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112507526A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
Liu et al. | Sequence fault diagnosis for PEMFC water management subsystem using deep learning with t-SNE | |
CN112818604A (zh) | 一种基于风功率预测的风电机组风险度评估方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN116125361B (zh) | 电压互感器误差评估方法、系统、电子设备及存储介质 | |
CN110542819A (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN112784216B (zh) | 一种质子交换膜燃料电池系统的健康度评估方法及系统 | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
Mao et al. | Polymer electrolyte membrane fuel cell fault diagnosis and sensor abnormality identification using sensor selection method | |
CN112507526B (zh) | 一种质子交换燃料电池系统性能预测方法及系统 | |
CN111179576B (zh) | 一种具有归纳学习的用电信息采集故障诊断方法及系统 | |
CN107706938B (zh) | 一种基于分位点回归的风电功率波动区间分析方法 | |
CN112818525A (zh) | 一种水电机组状态评价方法及其系统 | |
CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN110532629A (zh) | 一种多模态退化过程的剩余寿命预测方法 | |
CN110489852A (zh) | 提高风电系统数据质量的方法及装置 | |
CN116167659B (zh) | 一种碳市场碳排放数据质量评价方法 | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN113780537B (zh) | 一种质子交换膜燃料电池发电系统的故障诊断方法及装置 | |
Wroblewski et al. | Neural networks for smoothing of helicopter rotors | |
CN114332515A (zh) | 一种基于直觉模糊聚类磨煤机运行安全性在线评判方法 | |
CN112464848A (zh) | 一种基于密度空间聚类的信息流异常数据监测方法及装置 | |
CN117491793B (zh) | 一种氢电耦合系统综合性能测试方法、装置及介质 |
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 |