CN112748665A - 基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置 - Google Patents

Abstract

本发明公开了一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置，该方法模型精度高且能迭代地适应因操作条件改变而发生的性能变化，延长电池的使用寿命，提高氢燃料电池的利用效率。首先介绍了模糊Takagi–Sugeno(TS)建模方法、卡尔曼滤波以及卡尔曼滤波在模糊TS建模中的应用；其次，将基于卡尔曼滤波在模糊TS建模中的方法应用于实际的燃料电池中，分别从均匀划分、差分聚类以及CMeans聚类三个不同初始化条件下基于扩展卡尔曼滤波的两种算法与传统的反向传播算法进行对比；最后，实验表明基于扩展卡尔曼滤波的氢燃料电池模糊迭代建模方法可以建立一个精确的燃料电池非线性数学模型，对于设计高效的燃料电池控制系统是非常有效的。

Description

基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置

技术领域

本发明涉及一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置，属于新能源储能建模控制技术领域。

背景技术

当今社会面临着一个巨大的挑战，即改变经济模式使之成为一个更加可持续和环境友好的经济模式。因此，新能源转换技术的主要目标是生产无污染的能源。所谓的“氢经济”是非污染能源领域最新开放的替代品之一。利用电解槽可以从可再生能源中产生氢气。它也可以被储存并且可以通过氢燃料电池(HFC)以无污染的方式将其转换回电能。氢燃料电池使得基于氢气(生产和储存用途)的环保能源循环成为可能。

聚合物电解质膜燃料电池(PEMFC)的输出电压可根据电池组的状态(温度、氢气压力等)而变化。因为在燃料电池(FC)中对输出电流需求的快速变化的响应相对较慢，所以为了提高FC的适用性和能源转换效率，需要一个预测其动态行为的精确模型。

目前，对燃料电池的传统模型存在系统动态响应速度慢以及模型精度低的问题。要得到一个精确的数学模型和响应性能好的模型来对现实中燃料电池进行仿真并不容易，这主要是由于需要考虑燃料电池的物理化学参数以及电池的非线性特性。因此，一个高精度和动态响应速度快的模型对燃料电池在其适用性和能源转换效率研究中是急需的。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置，该方法模型精度高且能迭代地适应因操作条件而发生的性能变化，延长电池的使用寿命，提高氢燃料电池的利用效率。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于卡尔曼滤波的氢燃料电池模糊迭代建模方法，包括如下步骤：

利用预先设定的模糊卡尔曼氢燃料储能电池模型，对氢燃料储能电池进行仿真，获得氢燃料储能电池在不同工况下k时刻的参数向量集p(k)；

将参数向量集p(k)代入模糊卡尔曼氢燃料储能电池模型预测出k+1时刻的参数向量集p(k+1)，利用参数向量集p(k+1)动态调整氢燃料储能电池k时刻的参数向量集p(k)，通过调整后的参数向量集p(k)控制氢燃料储能电池的运行状态。

所述模糊卡尔曼氢燃料储能电池模型计算公式为：

p(k+1)＝p(k)

y(k)＝h(x_c(k),p(k+1))+e_c(k)

其中：p(k)是氢燃料储能电池的参数向量集，且p(k)＝y_k(k)，p(k+1)为参数向量p(k)在下一时刻的估计值；x_c(k)是TS模糊系统的输出向量作为氢燃料储能电池模型中的输入，且x_c(k)＝y_i(k)＝soc(k)，soc(k)是氢燃料储能电池在k时刻的荷电状态，e_c(k)是表示氢燃料储能电池模型输出测量值的零均值高斯白噪声，其协方差为R_e；h(*)表示氢燃料储能电池模型输出函数的隶属函数；y(k)是氢燃料储能电池模型输出控制向量集。

作为优选方案，所述p(k)参数向量集表达式如下：

p(k)＝(soc(k),V_f(k),V_C(k),I_f(k),I_C(k))

其中：soc(k)是氢燃料储能电池在k时刻的荷电状态，V_f(k)是氢燃料储能电池在k时刻的放电电压，V_C(k)是氢燃料储能电池在k时刻的充电电压，I_f(k)是氢燃料储能电池在k时刻的放电电流，I_C(k)是氢燃料储能电池在k时刻的充电电流。

作为优选方案，所述y_i(k)设置为离散TS模糊模型的规则集，其公式为：

其中：x_j(k)代表k时刻的输入变量，a_ji是在产生模糊规则前的输入变量中定义的模糊；i是系统的输出变量y_i的个数，j是系统的输入变量x_j(k)的个数。

作为优选方案，所述y_k(k)设置为卡尔曼滤波的输出，其公式为：

x(k+1)＝f(x(k),u(k))+v(k)

y_k(k)＝g(x(k))+e(k)

其中：x(k)是状态向量，u(k)是输入向量，v(k)和e(k)是白噪声向量，f(*)代表输入的隶属函数，g(*)代表输出的隶属函数，y_k(k)代表卡尔曼滤波输出，k代表采样时刻。

作为优选方案，所述y_k(k)的k+1时刻的卡尔曼滤波的输出y(k+1)，其公式为：

x(k+1)＝Φ(k)x(k)+Γ(k)u(k)(8)

y(k+1)＝Φ(k)x(k+1)Φ^T(k)+R_v(9)

其中：x(k+1)是k+1时刻的状态向量，y(k+1)是k+1时刻的卡尔曼滤波输出，R_v是噪声协方差矩阵；

其中：Φ(k)、Γ(k)、C(k)的计算公式如下：

其中：Φ(k)是对状态向量x(k)的雅可比矩阵；Γ(k)是对输入向量u(k)的雅可比矩阵；C(k)是输出的隶属函数中对状态向量x(k)的雅可比矩阵。

一种基于模糊卡尔曼滤波的氢燃料电池迭代控制装置，包括如下模块：

获取模块：用于利用预先设定的模糊卡尔曼氢燃料储能电池模型，对氢燃料储能电池进行仿真，获得氢燃料储能电池在不同工况下k时刻的参数向量集p(k)；

控制模块：用于将参数向量集p(k)代入模糊卡尔曼氢燃料储能电池模型预测出k+1时刻的参数向量集p(k+1)，利用参数向量集p(k+1)动态调整氢燃料储能电池k时刻的参数向量集p(k)，通过调整后的参数向量集p(k)控制氢燃料储能电池的运行状态。

所述模糊卡尔曼氢燃料储能电池模型计算公式为：

其中：p(k)是氢燃料储能电池的参数向量集，且p(k)＝y_k(k)，p(k+1)为参数向量p(k)在下一时刻的估计值；x_c(k)是TS模糊系统的输出向量作为氢燃料储能电池模型中的输入，且x_c(k)＝y_i(k)＝soc(k)，soc(k)是氢燃料储能电池在k时刻的荷电状态，e_c(k)是表示氢燃料储能电池模型输出测量值的零均值高斯白噪声，其协方差为R_e；h(*)表示氢燃料储能电池模型输出函数的隶属函数；y(k)是氢燃料储能电池模型输出控制向量集。

作为优选方案，还包括，对模糊卡尔曼氢燃料储能电池模型进行初始化，初始化方法采用统一分区或者减法聚类或者CMeans聚类。

作为优选方案，初始化模块：用于对模糊卡尔曼氢燃料储能电池模型进行初始化，初始化方法采用统一分区或者减法聚类或者CMeans聚类。

作为优选方案，a_ji(x)变量系数计算公式为：

其中：

表示第i个输出变量的第l个模糊模型规则的激活程度，M_i为规则总数量；

是输入变量个数为j时第l个模糊模型规则的模糊集；

作为优选方案，模糊模型规则的激活程度计算公式为：

其中；

表示第i个模糊模型输出的l规则的第j个模糊模型输入的隶属函数，

元素表示j阶隶属函数的自适应参数集。

有益效果：本发明提供的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置，利用预先设定的模糊卡尔曼氢燃料储能电池模型，该模型能够在存在噪声的情况下迭代工作，预测下一时刻电池参数，利用下一时刻电池参数来动态调整当前时刻的电池参数，控制氢燃料电池当前运行状态，用于确保氢燃料电池更好的运行，延长电池的使用寿命，提高氢燃料电池的利用效率。

附图说明

图1为基于模糊建模的卡尔曼算法的计算机程序示意图；

图2为建模数据示意图；

图3为验证数据示意图；

图4为不同模型的输出电压以及来自统一分区初始模型的验证数据图；

图5为通过统一分区的初始模型进行建模和验证平均绝对误差(MAE)图；

图6为统一分区初始模型建模初始化MAE图；

图7为考虑噪声影响下统一划分的初始模型对最终的MAE建模图；

图8为具有减法聚类初始模式的验证数据的不同模型的输出电压图；

图9为减法聚类初始模型的建模和验证MAE图；

图10为减法聚类初始模型建模初始化MAE图；

图11为考虑噪声影响下减法聚类初始模型对最终MAE建模图；

图12为本发明装置的结构示意图。

具体实施方式

下面结合具体实施例对本发明作更进一步的说明。

如图1所示，本发明提供一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法，包括如下步骤：

步骤1：定义离散TS模糊模型，如以下规则集表示：

其中：x_j(k)代表k时刻的输入变量，a_ji是在产生模糊规则前的输入变量中定义的模糊；i是系统的输出变量y_i的个数，j是系统的输入变量x_j(k)的个数。a_ji(x)变量系数计算公式为：

其中：

表示第i个输出变量的第l个模糊模型规则的激活程度，M_i为规则总数量；

是输入变量个数为j时第l个模糊模型规则的模糊集；

模糊模型规则的激活程度计算公式为：

其中；

表示第i个模糊模型输出的l规则的第j个模糊模型输入的隶属函数，

元素表示j阶隶属函数的自适应参数集。

步骤2：定义卡尔曼滤波中考虑非线性离散系统计算公式为：

其中：x(k)是状态向量，u(k)是输入向量，v(k)和e(k)是白噪声向量，f(*)代表输入的隶属函数，g(*)代表输出的隶属函数，y_k(k)代表卡尔曼滤波输出，k代表采样时刻。

步骤3：定义卡尔曼滤波中考虑非线性离散系统的雅可比矩阵计算公式为：

其中：Φ(k)是对状态向量x(k)的雅可比矩阵；Γ(k)是对输入向量u(k)的雅可比矩阵；C(k)是输出的隶属函数中对状态向量x(k)的雅可比矩阵。

步骤4：获取预测阶段卡尔曼滤波中考虑非线性离散系统计算公式为：

x(k+1)＝Φ(k)x(k)+Γ(k)u(k) (8)

y(k+1)＝Φ(k)x(k+1)Φ^T(k)+R_v (9)

其中：x(k+1)是k+1时刻的状态向量，y(k+1)是k+1时刻的卡尔曼滤波输出，R_v是噪声协方差矩阵。

步骤5：定义模糊卡尔曼氢燃料储能电池模型计算公式为：

将使用卡尔曼滤波器的混合Takagi–Sugeno(TS)模糊模型，两者协同工作可以在存在噪声的情况下获得非常简单、准确、高效的非线性模型。卡尔曼滤波器(KF)是一种有效的递归滤波器，它通过一系列噪声测量来估计动态系统的内部状态。采用一系列随时间变化的观测数据，这些数据能够减少噪声，从而比基于单个测量的技术更精确地估计未知变量。简言之，TS模糊模型和卡尔曼滤波器的结合使用可以获得快速有效的氢燃料电池模型。

其中：p(k)是氢燃料储能电池的参数向量集，且p(k)＝y_k(k)，利用公式(8)-(9)来获得参数向量p(k)在下一时刻的估计值p(k+1)；x_c(k)是TS模糊系统的输出向量作为氢燃料储能电池模型中的输入，且x_c(k)＝y_i(k)，e_c(k)是表示氢燃料储能电池模型输出测量值的零均值高斯白噪声，其协方差为R_e；h(*)表示氢燃料储能电池模型输出函数的隶属函数；y(k)是氢燃料储能电池模型输出控制向量集。

p(k)＝(soc(k),V_f(k),V_C(k),I_f(k),I_C(k)) (11)

其中：soc(k)是氢燃料储能电池在k时刻的荷电状态，V_f(k)是氢燃料储能电池在k时刻的放电电压，V_C(k)是氢燃料储能电池在k时刻的充电电压，I_f(k)是氢燃料储能电池在k时刻的放电电流，I_C(k)是氢燃料储能电池在k时刻的充电电流。

步骤6：对模糊卡尔曼氢燃料储能电池模型进行初始化，初始化方法采用统一分区或者减法聚类或者CMeans聚类。

实施例1：

模糊Takagi–Sugeno(TS)建模方法和卡尔曼滤波，在建立模糊卡尔曼氢燃料储能电池模型中有如下优点。

因为氢燃料储能电池(FC)的动态行为是非线性的，所以提出使用TS模糊模型，因为这种类型的模型在任何类型的系统中都是非常精确的。

模糊逻辑是一种确定元素是否属于集合的多值逻辑，其隶属度的性质不仅是“是”或“不是”(传统的双值逻辑)，而且是在从非成员到完全成员的整个范围内进行评估。模糊模型是基于IF-THEN形式的规则建立的，如果规则的前提满足，那么规则的结果就是期望值或要执行的动作。模糊模型有不同的类型，其中TS模型最为典型。其中规则的前因是以模糊集形式的模型输入建立的，其结果是由一个线性多项式与所有的模型输入加上仿射项组成。虽然模糊模型有语言形式，但它的输出可以用数学公式解析地表达。

无论是在模型中还是在测量中，卡尔曼滤波器(KF)允许在含有零平均高斯白噪声的线性系统中构造一个最优观测器，为了涵盖非线性系统，KF已经通过扩展卡尔曼滤波器(EKF)进行了调整。

分别从统一分区、减法聚类以及CMeans聚类三个不同初始化条件下基于扩展卡尔曼滤波的两种算法与著名的反向传播算法进行对比。实验表明基于扩展卡尔曼滤波的氢燃料电池模糊迭代建模方法可以建立一个非常精确的燃料电池非线性动力学模型，对于设计高效的燃料电池控制系统是非常有效的。

实施例2：

将基于扩展卡尔曼滤波的氢燃料电池模糊迭代建模方法用于真实的3.4kW质子交换膜燃料电池实例中。TS模糊模型，通过EFK调整其结果(表格和图表中的算法含下标“c”)或其前因后果(表格和图表中的算法含下标“c+a”)，在这两种情况下，将与传统的反向传播算法调整后的结果进行比较。将使用三种不同的初始化方法：统一分区、减法聚类和CMeans聚类。其中；统一分区允许在不了解系统的情况下创建初始模型，只需将参数空间划分为相等的空间即可。减法聚类是获得初始TS模糊模型最常用的算法之一，因为它可以根据一组简化的规则生成一个良好的初始模型。CMeans算法是一种更传统的替代方法，用于根据不同的起点检查建模行为。

图2所示数据用于系统建模，图3所示数据用于验证(输出电流为I_S，输出电压为V_S，烟囱温度为T_S，氢气入口压力为P_H2)。两个数据集的时间步长(采样时间)均为0.5s。模型的输出将是下一个采样时间PEMFC输出电压的预测值。输出电流、氢气入口压力和烟囱温度，以及这些信号的延迟和输出本身将用作输入信号。

平均绝对误差(MAE)将用于比较不同模型的结果，因为它可以解释实际误差：

其中：N为样本数。

(1)统一分区初始模型

首先，假设一个完全未知的模型，对其进行无畸变调整，事先不会学习此模型。这个测试将允许在迭代调整中确定算法的收敛速度。初始模型是通过对输入变量的话语范围进行统一划分而创建的，每个输入使用2个先行词。将为输入的先行条件的每种可能的组合创建一个规则，因此，如果使用更大的数量，则该模型将过于复杂，即规则和参数过多。另一方面，假设初始结果全部为零。当没有用于使用聚类技术创建模型的初始数据时，它的最大缺点是生成许多规则，因此必须调整许多参数。但是，过多的参数可能对检查被测算法的执行速度有利。

针对不同参数执行的测试结果可以在表1中看到(请注意，前因(α)和结果(β)分别是初始化结果协变量矩阵和先行协方差矩阵的系数)。表1已根据Kalman_c算法的MAE排序，这是误差最小的表。用于获得图4至7的模型是通过使用验证数据评估的每种算法获得的最佳模型，即，表1的第1行用于反向传播和Kalman_c算法，第4行用于Kalman_c+a算法。图4显示了实际系统的输出电压VS和每个算法获得的最佳模型，图5显示了建模和验证阶段的误差，图6和7显示了建模阶段的初始和最终时间。

(2)减法聚类初始模型

使用图2所示的建模数据基于减法聚类算法创建初始模型。将使用每种研究的算法(反向传播，卡尔曼仅调整结果(Kalman_c)和卡尔曼调整前因和结果(Kalman_c+a))来调整初始模型。最后，与之前的测试一样，将使用图3所示的验证数据检查最终模型，而无需对其进行调整。与前面的情况一样，算法的α和β参数以及输入和输出延迟将在测试之间变化，以获取最合适的值(表3)。在这种情况下，聚类算法的聚类中心影响参数范围(半径)也会在测试之间发生变化。从实际的角度来看，此参数会反向影响将要创建的规则的数量(较高的值意味着算法将创建较少的规则)。反向传播和Kalman_c算法的最佳结果显示在第4行，而Kalman_c+a算法的最佳结果显示在第1行。表2是根据kalman_c+a算法的最大误差排序的。

实验结果如表2所示(在所执行的206个测试中，只有最相关的结果才显示出来，以呈现一个更小更清晰的表格)。用于获得图9至11的模型是通过使用验证数据评估的每种算法获得的最佳模型，即，表2中的第1行用于Kalman_c+a算法，而表1中的用于反向传播和Kalman_c算法。图9显示了在建模和验证阶段所犯的错误。图10和11分别显示了建模阶段的初始时间和最终时间。

(3)CMeans聚类初始模型

最后一个测试使用建模数据来创建一个基于CMeans聚类算法的初始模型。此测试遵循与先前测试相同的思想，但使用另一种聚类方法来验证其对建模算法的影响。由于定性结果与之前的结果相似，因此只在表3显示了所得实验结果。表3是根据Kalman_c+a算法的MAE排序的，这是一个误差最小的算法。

为验证所提基于扩展卡尔曼滤波的氢燃料电池模糊迭代建模方法的优越性，分别对三种初始模型(统一分区、减法聚类和CMeans聚类)进行仿真验证。

(1)统一分区初始模型

图4显示，所有模型都充分地预测了PEMFC的输出电压，虽然通过EFK调整的模型显示了最佳性能(在本例中，Kalman_c算法稍好)。如图5所示，该模型存在建模误差，如果进行迭代调整，这些误差会随着验证数据而减小。图6显示，初始误差在所有模型中都很高，一些由于初始模型而引起的逻辑问题是完全未知的。kalman_c和kalman_c+a算法很快收敛到较小的误差，而反向传播算法需要更长的时间。图7显示了测试的结果，其中模型使用了最新的可用数据。模型已经非常接近最终模型，所有模型的响应都是相似的。可以看出，与基于KF的算法相比，反向传播算法对噪声更加敏感，而误差峰值是由于源电流I_S的突然大变化引起的，其影响方式与3种算法相似。

表1显示，使用KF(Kalman_c)仅调整结果的算法可获得最佳结果。由于统一的建模使用所有可能的先行条件覆盖了整个范围，因此这些先行条件的变化证明了该模型的恶化。

表1为使用来自均匀分区初始模型的验证数据对参数和MAE进行建模。根据Kalman_c算法的最佳结果对数据进行排序从而获得最佳整体结果表。

(2)减法聚类初始模型

图8显示了模型和实际PEMFC的输出，图9显示了建模和验证误差。如图10所示，在建模初始化中，所有算法都从一个小错误开始。该图显示了Kalman_c+a算法在其他算法之后立即开始。这是因为用此算法获得的最佳模型在输出中使用了两个延迟(表3第1行中的VS延迟)，因此它必须等待另一个时间步才能开始进行迭代。如图11可以看出，与基于KF的算法相比，反向传播算法受测量噪声的影响更大。

由表2所示结果可知，在对PEMFC建模时，添加延迟输入并不能改善算法的性能。Kalman_c+a算法具有一个初始模型，该模型具有定位较好的先验条件，可以改进对先验条件进行调整的结果，从而获得该测试的最佳模型。将输出中使用的延迟增加到2确实会改善Kalman_c+a结果。

表2为从减法聚类初始模型中建模参数并验证MAE。数据根据Kalman_c+a算法的最佳结果排序从而获得了最佳的结果表。

针对参数变化的鲁棒性，所有算法都对参数的变化敏感，这是因为该参数变化会影响聚类算法生成的初始规则的数量。尽管在表2的第4至17行中显示了Kalman_c+a算法获得了最佳结果，但它再次对修改α和β参数非常敏感，尤其是第二个参数。

(3)CMeans聚类初始模型

从表3中的CMeans算法看测试结果，可以验证基于KF的算法的性能最佳。最佳结果的参数显示在Kalman_c+a算法的第1行，反向传播算法的第16行和Kalman_c算法的第24行。本测试中使用IS(k)和IS(k-1)作为输入的延迟可以获得最佳结果，消除这种延迟会使结果变差，而只用一个延迟就可以正确地对此PEMFC系统进行建模。

表3为CMeans聚类初始模型的建模参数和验证MAE。数据根据Kalman_c+a算法的最佳结果排序从而获得了最佳结果表。

实施例3：

如图12所示，一种基于模糊卡尔曼滤波的氢燃料电池迭代控制装置，包括如下模块：

第一模块：用于定义离散TS模糊模型，如以下规则集表示：

其中：x_j(k)代表k时刻的输入变量，a_ji是在产生模糊规则前的输入变量中定义的模糊；i是系统的输出变量y_i的个数，j是系统的输入变量x_j(k)的个数。

第二模块：用于定义卡尔曼滤波中考虑非线性离散系统计算公式为：

其中：x(k)是状态向量，u(k)是输入向量，v(k)和e(k)是白噪声向量，f(*)代表输入的隶属函数，g(*)代表输出的隶属函数，y_k(k)代表卡尔曼滤波输出，k代表采样时刻。

第三模块：用于定义卡尔曼滤波中考虑非线性离散系统的雅可比矩阵计算公式为：

其中：Φ(k)是对状态向量x(k)的雅可比矩阵；Γ(k)是对输入向量u(k)的雅可比矩阵；C(k)是输出的隶属函数中对状态向量x(k)的雅可比矩阵。

第四模块：用于获取预测阶段卡尔曼滤波中考虑非线性离散系统计算公式为：

x(k+1)＝Φ(k)x(k)+Γ(k)u(k)(8)

y(k+1)＝Φ(k)x(k+1)Φ^T(k)+R_v(9)

其中：x(k+1)是k+1时刻的状态向量，y(k+1)是k+1时刻的卡尔曼滤波输出，R_v是噪声协方差矩阵。

第五模块：用于定义模糊卡尔曼氢燃料储能电池模型计算公式为：

其中：p(k)是氢燃料储能电池的参数向量集，且p(k)＝y_k(k)，利用公式(8)-(9)来获得参数向量p(k)在下一时刻的估计值p(k+1)；x_c(k)是TS模糊系统的输出向量作为氢燃料储能电池模型中的输入，且x_c(k)＝y_i(k)，e_c(k)是表示氢燃料储能电池模型输出测量值的零均值高斯白噪声，其协方差为R_e；h(*)表示氢燃料储能电池模型输出函数的隶属函数；y(k)是氢燃料储能电池模型输出控制向量集。

第六模块：用于对模糊卡尔曼氢燃料储能电池模型进行初始化，初始化方法采用统一分区或者减法聚类或者CMeans聚类。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (16)

1.一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法，其特征在于：包括如下步骤：

利用预先设定的模糊卡尔曼氢燃料储能电池模型，对氢燃料储能电池进行仿真，获得氢燃料储能电池在不同工况下k时刻的参数向量集p(k)；

将参数向量集p(k)代入模糊卡尔曼氢燃料储能电池模型预测出k+1时刻的参数向量集p(k+1)，利用参数向量集p(k+1)动态调整氢燃料储能电池k时刻的参数向量集p(k)，通过调整后的参数向量集p(k)控制氢燃料储能电池的运行状态。

2.根据权利要求1所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法，其特征在于：还包括，对模糊卡尔曼氢燃料储能电池模型进行初始化，初始化方法采用统一分区或者减法聚类或者CMeans聚类。

3.根据权利要求1或2所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法，其特征在于：

所述模糊卡尔曼氢燃料储能电池模型计算公式为：

p(k+1)＝p(k)

y(k)＝h(x_c(k),p(k+1))+e_c(k)

其中：p(k)是氢燃料储能电池的参数向量集，且p(k)＝y_k(k)，p(k+1)为参数向量p(k)在下一时刻的估计值；x_c(k)是TS模糊系统的输出向量作为氢燃料储能电池模型中的输入，且x_c(k)＝y_i(k)＝soc(k)，soc(k)是氢燃料储能电池在k时刻的荷电状态，e_c(k)是表示氢燃料储能电池模型输出测量值的零均值高斯白噪声，其协方差为R_e；h(*)表示氢燃料储能电池模型输出函数的隶属函数；y(k)是氢燃料储能电池模型输出控制向量集。

4.根据权利要求1或2所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法，其特征在于：所述p(k)参数向量集表达式如下：

p(k)＝(soc(k),V_f(k),V_C(k),I_f(k),I_C(k))

其中：soc(k)是氢燃料储能电池在k时刻的荷电状态，V_f(k)是氢燃料储能电池在k时刻的放电电压，V_C(k)是氢燃料储能电池在k时刻的充电电压，I_f(k)是氢燃料储能电池在k时刻的放电电流，I_C(k)是氢燃料储能电池在k时刻的充电电流。

5.根据权利要求3所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法，其特征在于：所述y_i(k)设置为离散TS模糊模型的规则集，其公式为：

其中：x_j(k)代表k时刻的输入变量，a_ji是在产生模糊规则前的输入变量中定义的模糊；i是系统的输出变量y_i的个数，j是系统的输入变量x_j(k)的个数。

6.根据权利要求5所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法，其特征在于：所述a_ji(x)变量系数计算公式为：

其中：

表示第i个输出变量的第l个模糊模型规则的激活程度，M_i为规则总数量；

是输入变量个数为j时第l个模糊模型规则的模糊集。

7.根据权利要求6所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法，其特征在于：模糊模型规则的激活程度计算公式为：

其中；

表示第i个模糊模型输出的l规则的第j个模糊模型输入的隶属函数，

元素表示j阶隶属函数的自适应参数集。

8.根据权利要求3所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制方法，其特征在于：所述y_k(k)的k+1时刻的卡尔曼滤波的输出y(k+1)，其公式为：

x(k+1)＝Φ(k)x(k)+Γ(k)u(k) (8)

y(k+1)＝Φ(k)x(k+1)Φ^T(k)+R_v (9)

其中：x(k+1)是k+1时刻的状态向量，y(k+1)是k+1时刻的卡尔曼滤波输出，R_v是噪声协方差矩阵；

其中：Φ(k)、Γ(k)、C(k)的计算公式如下：

其中：Φ(k)是对状态向量x(k)的雅可比矩阵；Γ(k)是对输入向量u(k)的雅可比矩阵；C(k)是输出的隶属函数中对状态向量x(k)的雅可比矩阵。

9.一种基于模糊卡尔曼滤波的氢燃料电池迭代控制装置，其特征在于：包括如下模块：

获取模块：用于利用预先设定的模糊卡尔曼氢燃料储能电池模型，对氢燃料储能电池进行仿真，获得氢燃料储能电池在不同工况下k时刻的参数向量集p(k)；

控制模块：用于将参数向量集p(k)代入模糊卡尔曼氢燃料储能电池模型预测出k+1时刻的参数向量集p(k+1)，利用参数向量集p(k+1)动态调整氢燃料储能电池k时刻的参数向量集p(k)，通过调整后的参数向量集p(k)控制氢燃料储能电池的运行状态。

10.根据权利要求9所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制装置，其特征在于：还包括初始化模块，初始化模块：用于对模糊卡尔曼氢燃料储能电池模型进行初始化，初始化方法采用统一分区或者减法聚类或者CMeans聚类。

11.根据权利要求9或10所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制装置，其特征在于：

获取模块中所述模糊卡尔曼氢燃料储能电池模型计算公式为：

p(k+1)＝p(k)

y(k)＝h(x_c(k),p(k+1))+e_c(k)

其中：p(k)是氢燃料储能电池的参数向量集，且p(k)＝y_k(k)，p(k+1)为参数向量p(k)在下一时刻的估计值；x_c(k)是TS模糊系统的输出向量作为氢燃料储能电池模型中的输入，且x_c(k)＝y_i(k)＝soc(k)，soc(k)是氢燃料储能电池在k时刻的荷电状态，e_c(k)是表示氢燃料储能电池模型输出测量值的零均值高斯白噪声，其协方差为R_e；h(*)表示氢燃料储能电池模型输出函数的隶属函数；y(k)是氢燃料储能电池模型输出控制向量集。

12.根据权利要求9或10所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制装置，其特征在于：获取模块中所述参数向量集p(k)表达式如下：

p(k)＝(soc(k),V_f(k),V_C(k),I_f(k),I_C(k))

其中：soc(k)是氢燃料储能电池在k时刻的荷电状态，V_f(k)是氢燃料储能电池在k时刻的放电电压，V_C(k)是氢燃料储能电池在k时刻的充电电压，I_f(k)是氢燃料储能电池在k时刻的放电电流，I_C(k)是氢燃料储能电池在k时刻的充电电流。

13.根据权利要求11所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制装置，其特征在于：获取模块中所述模糊卡尔曼氢燃料储能电池模型中所述的y_i(k)设置为离散TS模糊模型的规则集，其公式为：

其中：x_j(k)代表k时刻的输入变量，a_ji是在产生模糊规则前的输入变量中定义的模糊；i是系统的输出变量y_i的个数，j是系统的输入变量x_j(k)的个数。

14.根据权利要求13所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制装置，其特征在于：获取模块中所述模糊卡尔曼氢燃料储能电池模型中y_i(k)中所述a_ji(x)变量系数计算公式为：

其中：

表示第i个输出变量的第l个模糊模型规则的激活程度，M_i为规则总数量；

是输入变量个数为j时第l个模糊模型规则的模糊集。

15.根据权利要求14所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制装置，其特征在于：获取模块中所述模糊卡尔曼氢燃料储能电池模型中y_i(k)中a_ji(x)中所述模糊模型规则的激活程度计算公式为：

其中；

表示第i个模糊模型输出的l规则的第j个模糊模型输入的隶属函数，

元素表示j阶隶属函数的自适应参数集。

16.根据权利要求13所述的一种基于模糊卡尔曼滤波的氢燃料电池迭代控制装置，其特征在于：获取模块中所述模糊卡尔曼氢燃料储能电池模型中所述y_k(k)的k+1时刻的卡尔曼滤波的输出y(k+1)，其公式为：

x(k+1)＝Φ(k)x(k)+Γ(k)u(k) (8)

y(k+1)＝Φ(k)x(k+1)Φ^T(k)+R_v (9)

其中：x(k+1)是k+1时刻的状态向量，y(k+1)是k+1时刻的卡尔曼滤波输出，R_v是噪声协方差矩阵；

其中：Φ(k)、Γ(k)、C(k)的计算公式如下：

其中：Φ(k)是对状态向量x(k)的雅可比矩阵；Γ(k)是对输入向量u(k)的雅可比矩阵；C(k)是输出的隶属函数中对状态向量x(k)的雅可比矩阵。

Images