CN112687926A - 一种燃料电池衰减趋势预测、剩余使用寿命预测方法及系统 - Google Patents

Abstract

本发明提供一种燃料电池衰减趋势预测、剩余使用寿命预测方法及系统。包括：基于I‑V曲线模型、采集到的电压和电流密度数据建立经验衰减模型；构建粒子滤波框架，将不同时刻的电压和电流密度值输入粒子滤波框架，得到不同时刻燃料电池衰减状态、衰减速度和衰减加速度值；根据k时刻的衰减状态、预设的额定电流密度和I‑V曲线模型，得到此时的健康状态—额定电压；通过迭代经验衰减模型，得到未来燃料电池额定电压的衰减趋势；反复迭代经验衰减模型直到此时刻的额定电压衰减到寿命终止为止，得到燃料电池所对应的剩余使用寿命。本发明既可用于单个燃料电池又可用于电堆，而且还能模拟燃料电池活化过程以及不同衰减加速度下的衰减行为，更加符合实际情况。

Description

一种燃料电池衰减趋势预测、剩余使用寿命预测方法及系统

技术领域

本发明涉及燃料电池技术领域，尤其涉及一种燃料电池衰减趋势预测、剩余使用寿命预测方法及系统。

背景技术

随着化石能源的日益消耗、环境的持续恶化，人们正在寻求绿色、清洁的替代能源。其中燃料电池是一个非常符合未来发展趋势的能量转化装置，它可以将存储在燃料和氧化剂中的化学能转化成电能，且具有转化效率高、无污染、室温下快速启动等优点。然而在燃料电池商业化进程中，寿命和成本却限制了其快速发展。预测与健康管理是一个先进的系统维护技术，其通过故障预防、剩余使用寿命评估来提高系统的稳定性和可靠性，该技术的应用对燃料电池系统耐久性、可靠性和可维护性具有重要意义。

然而，目前对燃料电池健康指标的选取还存在分歧，尤其是在动态工况下，健康指标的选取更加困难。例如电压是反应燃料电池衰减最直接的健康状态指标，根据DOE(美国能源部)的定义当燃料电池电压衰减到初始电压90％后即可认为电池寿命结束，在恒电流密度工况下，该判据很容易实现，即简单比较测量电压值与初始电压值即可。然而在动态工况下，电流随实际需求而改变，从而造成电池输出电压起伏不定，无法与初始电压直接比较。此外目前所报道的文献中所采用的衰减模型与实际误差较大，而且很多文献只能实现单一的衰减趋势预测或者剩余使用寿命预测，不能够满足实际应用需求。因此，合理的健康状态指标的选取、衰减模型和预测算法的建立尤为重要。

发明内容

根据上述提出的技术问题，进而提供一种燃料电池衰减趋势预测、剩余使用寿命预测方法及系统。本发明采用的技术手段如下：

一种燃料电池衰减趋势和剩余使用寿命预测方法，包括如下步骤：

S1、采集燃料电池堆运行时，不同时间的电压和电流密度数据；

S2、基于I-V曲线模型、采集到的燃料电池电压和电流密度数据建立经验衰减模型；

S3、构建粒子滤波框架，将不同时刻的电压和电流密度值输入粒子滤波框架，得到不同时刻的燃料电池衰减状态、衰减速度和衰减加速度值；

S4、根据k时刻的燃料电池衰减状态、预设的额定电流密度和I-V曲线模型，得到该时刻的健康指标——额定电压；

S5、通过迭代经验衰减模型，得到未来燃料电池额定电压的衰减趋势和剩余使用寿命。

进一步地，所采用的I-V曲线模型如下：

其中，U_ave是电堆平均电压或单池电压；U_stack是电堆总电压；N是电堆中单池数目；E₀是单池开路电压；R是气体常数；T是电池温度；n是电子转移数目；α是电子转移系数；F是法拉第常数；j是电流密度；j0是交换电流密度；R是电池内阻；j_L是极限扩散电流密度；

在上述参数中，E₀、j₀、R和j_L是电池衰减模型中的待拟合参数；

所述经验衰减模型具体为：

上式中α(t)是t时刻衰减状态的变化量；α₀是初始时刻的变化量，v是衰减速度，a是衰减加速度。

进一步地，所述构建粒子滤波框架包括：

状态转移方程：X_k＝AX_k-1+ω_k-1 (5)

观测方程：

其中，X_k为k时刻的状态，A为增益矩阵，ω_k-1和

为互相独立的高斯噪音，Z_k为k时刻的观测值，f(x)是观测函数，j_k为k时刻的电流密度；

进一步地，通过额定电压预测燃料电池衰减趋势和剩余使用寿命，所述额定电压为电流密度为额定值时，电池衰减状态下的电池输出电压，即燃料电池健康指标——额定电压计算方法为：将k时刻燃料电池的电压和电流密度带入粒子滤波算法，得到此时的衰减状态，然后结合额定电流密度和观测函数f(α_k，j_rated)在线得到额定电压

本发明在上述燃料电池衰减趋势预测方法的基础上，还提供了一种剩余使用寿命预测方法，具体地，所述步骤S5后还有步骤S6，

S6、反复迭代经验衰减模型直到此时刻的额定电压衰减到寿命终止，得到燃料电池所对应的剩余使用寿命。

本发明还提供一种燃料电池衰减趋势预测、剩余使用寿命预测系统，包括：

采集单元，用于采集燃料电池运行时，不同时间的电压和电流密度数据；

模型构筑单元，用于基于I-V曲线模型、采集到的燃料电池电压和电流密度数据建立经验衰减模性和粒子滤波框架；

计算单元，用于将不同时刻的燃料电池电压和电流密度值代入构筑的模型中，计算得到不同时刻的燃料电池衰减状态、衰减速度和衰减加速度值；

数据预测单元，用于基于燃料电池衰减状态、衰减速度和衰减加速度值，迭代经验衰减模型，得到未来燃料电池额定电压的衰减趋势和燃料电池所对应的剩余使用寿命；

显示单元，用于将数据预测单元得到的结果予以可视化的显示。

本发明通过燃料电池健康指标

克服了动态工况下因电流变化而造成电压起伏不定的限制，更加贴近实际应用。通过提供的衰减趋势预测、剩余使用寿命预测方法，既可用于单个燃料电池又可用于电堆，而且还能模拟燃料电池活化过程以及不同衰减加速度下的衰减行为，更加符合实际情况。

基于上述理由本发明可在燃料电池技术领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种燃料电池衰减趋势预测、剩余使用寿命预测方法具体流程图。

图2为本发明实施例中的质子交换膜燃料电池衰减过程中的平均电压和电流密度图，其中，(a)为电流密度，(b)为平均电压。

图3为本发明实施例1中的不同时刻质子交换膜燃料电池衰减状态、衰减速度和衰减加速度评估图，其中，(a)为衰减状态，(b)为衰减速度，(c)为衰减加速度。

图4为本发明实施例1中实际电压、粒子滤波评估电压和额定电压对比图。

图5为本发明实施例1中衰减趋势和剩余使用寿命预测流程图。

图6为本发明实施例1中衰减趋势预测图。

图7为本发明实施例1中剩余使用寿命预测图。

图8为本发明实施例2中不同时刻单片燃料电池衰减状态、衰减速度和衰减加速度评估图，其中，(a)为衰减状态，(b)为衰减速度，(c)为衰减加速度。

图9为本发明实施例2中衰减趋势预测图。

图10为本发明实施例2中剩余使用寿命预测图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例公开了一种燃料电池衰减趋势和剩余使用寿命预测方法，通过额定电压预测燃料电池衰减趋势和剩余使用寿命，所述额定电压为电流密度为额定值时，电池衰减状态下的电池输出电压。现有技术直接使用电堆电压作为健康指标，这个指标不能应用于动态工况(即电流密度会改变，而电流密度的大小会影响电堆输出的电压)，所以通过构建额定电压作为健康指标，使得它能够适用于动态工况，具有很多优点。即在k时刻，电池衰减状态为α_k、电流密度为j_k，此刻的电池输出电压为

额定电压

其表示电池衰减状态为α_k、电流密度为额定值j_rated时的电池输出电压，而额定电流j_rated是定值，这样做的目的是排除电流密度对电池电压的影响，突出电池衰减状态对电压的影响。

如图1所示，本发明具体包括如下步骤：

S1、采集燃料电池运行时，不同时间的电压和电流密度数据；

S2、基于I-V曲线模型、采集到的燃料电池电压和电流密度数据，建立经验衰减模型；

S3、构建粒子滤波框架，将不同时刻的电压和电流密度值输入粒子滤波框架，得到不同时刻的衰减状态、衰减速度和衰减加速度值；

S4、根据k时刻的燃料电池衰减状态、预设的额定电流密度和I-V曲线模型，得到该时刻的健康指标——额定电压，其中，额定电流密度由用户根据实际情况设定，例如在本专利的实施例中，便将其设定为1A/cm²，当然也可以设置为其他值；

S5、通过迭代经验衰减模型，得到未来燃料电池额定电压的衰减趋势。

所述步骤S5后还有步骤S6，

S6、反复迭代经验衰减模型直到此时刻的额定电压衰减到初始额定电压预设的90％为止，得到燃料电池所对应的剩余使用寿命。

所采用的I-V曲线模型如下：

其中，U_ave是电堆平均电压或单池电压；U_stack是电堆总电压；N是电堆中单池数目；E₀是单池开路电压；R是气体常数；T是电池温度；n是电子转移数目；α是电子转移系数；F是法拉第常数；j是电流密度；j₀是交换电流密度；R是电池内阻；j_L是极限扩散电流密度；

在上述参数中，E₀、j₀、R和j_L是电池衰减模型中的待拟合参数；

根据不同时间的I-V曲线拟合结果可知，电池衰减过程中ΔE_o和Δj_L几乎不发生变化，而Δj₀和ΔR随时间逐渐变化。我们定义α(t)为t时刻的变化量，则t时刻，

j₀(t)＝j₀₀·(1-α(t)) (2)

R(t)＝R₀·(1+α(t)) (3)

由实验结果可知，α(t)以近似二次函数的形式变化，

由此建立的所述经验衰减模型具体为：

上式中α(t)是t时刻衰减状态的变化量；α₀是初始时刻的变化量，v是衰减速度，a是衰减加速度。

所述构建粒子滤波框架包括：

状态转移方程：X_k＝AX_k-1+ω_k-1 (5)

观测方程：

其中，X_k为k时刻的状态，A为增益矩阵，ω_k-1和

为互相独立的高斯噪音，Z_k为k时刻的观测值，f(x)是观测函数，j_k为k时刻的电流密度；

通过带入电池电压和电流密度，并根据粒子滤波算法能够在线得到电池的衰减状态α_k，然后由f(α_k，j_rated)便可在线得到电池健康状态

在k时刻燃料电池的衰减状态为α_k、衰减速度为v_k、衰减加速度为a_k，结合I-V曲线模型可以得到其健康状态为

通过迭代

便可的到未来燃料电池额定电压的衰减趋势。

反复迭代

直到

衰减到寿命终止。则此时t即为k时刻燃料电池所对应的剩余使用寿命RUL_k。

下述实施例中，额定电压衰减到DOE(美国能源部)定义的电池寿命结束，即电压衰减到初始电压90％。

实施例1：

本实施例以质子交换膜燃料电池为例，具体地，数据来自由8节单池组成的质子交换膜燃料电池堆，其活性面积为270cm²，工作温度为64℃，阴、阳极增湿度为20％～30％和0。电堆平均电压和电流密度随时间变化分别如图2(b)、2(a)所示。在使用原始数据前需要对其进行预处理，具体预处理方法是将1h内所采集到的3600个数据取中值作为该时刻(h)对应的值。

随后将不同时刻的平均电压和电流密度值带入粒子滤波算法，便可估计电堆衰减状态α_k、衰减速度v_k和衰减加速度a_k，结果分别如图3(a)、3(b)、3(c)所示。为了预测电堆衰减趋势和剩余使用寿命，需要先根据k时刻的电堆衰减状态α_k、额定电流密度j_rated和I-V曲线模型，得到该时刻的额定电压

结果如图4所示，从图中可以看出，在动态工况下，电堆电压会随电流密度的变化而变化，现有技术的直接使用电堆电压作为健康指标难以直接作为健康指标，而本发明提供的额定电压

却始终保持衰减趋势，能够反映出电堆的实际衰减情况。然后按照图5所示的流程进行迭代，得到额定电压衰减趋势和剩余使用寿命RUL_k，结果分别如图6、7所示，由图6可以看出，本发明提供的算法能够实时估计电堆当前的衰减状态、衰减速度和衰减加速度，进而可以预测动态工况下的衰减趋势。由图7可以看出，当本发明的算法收敛以后，预测的剩余使用寿命均在真实寿命的90％置信区间以内，具有较高的准确性。

实施例2：

本实施例数据来自单片燃料电池，按照上述方法可预测其衰减状态α_k、衰减速度v_k和衰减加速度a_k，结果分别如图8(a)、8(b)、8(c)所示，可以看出该方法能够实时评估燃料电池的衰减状态、衰减速度和衰减加速度的值。随后对其衰减趋势和剩余使用寿命进行预测，结果如图9、10所示。结合实施例1、2可以看出，该方法不仅可以应用于燃料电池电堆的衰减趋势和剩余使用寿命预测，而且也能够应用于单池。

本发明实施例还提供一种燃料电池衰减趋势预测、剩余使用寿命预测系统，

包括：

采集单元，用于采集燃料电池运行时，不同时间的电压和电流密度数据；

模型构筑单元，用于基于I-V曲线模型、采集到的燃料电池电压和电流密度，建立经验衰减模型和粒子滤波框架；

计算单元，用于将不同时刻的燃料电池电压和电流密度值代入构筑的模型中，计算得到不同时刻的燃料电池衰减状态、衰减速度和衰减加速度值；

数据预测单元，用于基于燃料电池衰减状态、衰减速度和衰减加速度值，迭代经验衰减模型，得到未来燃料电池额定电压的衰减趋势和燃料电池所对应的剩余使用寿命；

显示单元，用于将数据预测单元得到的结果予以可视化的显示。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种燃料电池衰减趋势和剩余使用寿命预测方法，其特征在于，包括如下步骤：

S1、采集燃料电池运行时，不同时间的电压和电流密度数据；

S2、基于I-V曲线模型、采集到的燃料电池电压和电流密度数据建立经验衰减模型；

S3、构建粒子滤波框架，将不同时刻的电压和电流密度值输入粒子滤波框架，得到不同时刻的燃料电池衰减状态、衰减速度和衰减加速度值；

S4、根据k时刻的燃料电池衰减状态、预设的额定电流密度和I-V曲线模型，得到该时刻的额定电压；

S5、通过迭代经验衰减模型，得到未来燃料电池额定电压的衰减趋势和剩余使用寿命。

2.根据权利要求1所述的燃料电池衰减趋势和剩余使用寿命预测方法，其特征在于，

所采用的I-V曲线模型如下：

其中，U_ave是电堆平均电压或单池电压；U_stack是电堆总电压；N是电堆中单池数目；E₀是单池开路电压；R是气体常数；T是电池温度；n是电子转移数目；α是电子转移系数；F是法拉第常数；j是电流密度；j₀是交换电流密度；R是电池内阻；j_L是极限扩散电流密度；

在上述参数中，E₀、j₀、R和j_L是电池衰减模型中的待拟合参数；

所述经验衰减模型具体为：

上式中α(t)是t时刻衰减状态的变化量；α₀是初始时刻的变化量，v是衰减速度，a是衰减加速度。

3.根据权利要求1所述的燃料电池衰减趋势和剩余使用寿命预测方法，其特征在于，所述构建粒子滤波框架包括：

状态转移方程：X_k＝AX_k-1+ω_k-1 (5)

观测方程：

其中，X_k为k时刻的状态，A为增益矩阵，ω_k-1和

为互相独立的高斯噪音，Z_k为k时刻的观测值，f(x)是观测函数，j_k为k时刻的电流密度；

4.根据权利要求1所述的燃料电池衰减趋势和剩余使用寿命预测方法，其特征在于，通过额定电压预测燃料电池衰减趋势和剩余使用寿命，所述额定电压为电流密度为额定值时，电池衰减状态下的电池输出电压，即燃料电池健康指标——额定电压计算方法为：将k时刻燃料电池的电压和电流密度带入粒子滤波算法，得到此时的衰减状态，然后结合额定电流密度和观测函数f(α_k，j_rated)在线得到额定电压

5.根据权利要求1～4任一项所述的燃料电池衰减趋势和剩余使用寿命预测方法，其特征在于，

所述剩余使用寿命预测方法具体为步骤S5后设置的步骤S6，

S6、反复迭代经验衰减模型直到此时刻的额定电压衰减到寿命终止，得到燃料电池所对应的剩余使用寿命。

6.一种燃料电池衰减趋势预测、剩余使用寿命预测系统，其特征在于，包括：

采集单元，用于采集燃料电池运行时，不同时间的电压和电流密度数据；

模型构筑单元，用于基于I-V曲线模型、采集到的燃料电池电压和电流密度数据建立经验衰减模性和粒子滤波框架；

计算单元，用于将不同时刻的电压和电流密度值代入构筑的模型中，计算得到不同时刻的燃料电池衰减状态、衰减速度和衰减加速度值；

数据预测单元，用于基于燃料电池衰减状态、衰减速度和衰减加速度值，迭代经验衰减模型，得到未来燃料电池额定电压的衰减趋势和燃料电池所对应的剩余使用寿命；

显示单元，用于将数据预测单元得到的结果予以可视化的显示。

7.根据权利要求6所述的燃料电池衰减趋势预测、剩余使用寿命预测系统，其特征在于，所述模型构筑单元构筑的I-V曲线模型如下：

其中，U_ave是电堆平均电压或单池电压；U_stack是电堆总电压；N是电堆中单池数目；E₀是单池开路电压；R是气体常数；T是电池温度；n是电子转移数目；α是电子转移系数；F是法拉第常数；j是电流密度；j₀是交换电流密度；R是电池内阻；j_L是极限扩散电流密度；

在上述参数中，E₀、j₀、R和j_L是电池衰减模型中的待拟合参数；

构筑的经验衰减模型具体为：

上式中α(t)是t时刻衰减状态的变化量；α₀是初始时刻的变化量，v是衰减速度，a是衰减加速度；

构建的粒子滤波框架包括：

状态转移方程：X_k＝AX_k-1+ω_k-1 (5)

观测方程：

其中，X_k为k时刻的状态，A为增益矩阵，ω_k-1和

为互相独立的高斯噪音，Z_k为k时刻的观测值，f(x)是观测函数，j_k为k时刻的电流密度；

通过带入电池电压和电流密度，并根据粒子滤波算法能够在线得到电池的衰减状态α_k，然后由f(α_k，j_rated)便可在线得到电池健康状态

Images