CN112886036B - 一种基于改进灰狼优化的pemfc供气系统控制策略 - Google Patents
一种基于改进灰狼优化的pemfc供气系统控制策略 Download PDFInfo
- Publication number
- CN112886036B CN112886036B CN202110022924.1A CN202110022924A CN112886036B CN 112886036 B CN112886036 B CN 112886036B CN 202110022924 A CN202110022924 A CN 202110022924A CN 112886036 B CN112886036 B CN 112886036B
- Authority
- CN
- China
- Prior art keywords
- supply system
- wolf
- pemfc
- gas supply
- optimization
- 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
- 241000282461 Canis lupus Species 0.000 title claims abstract description 77
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000011217 control strategy Methods 0.000 title claims abstract description 31
- 239000000446 fuel Substances 0.000 claims abstract description 26
- 239000007789 gas Substances 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 40
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 11
- 229910052760 oxygen Inorganic materials 0.000 claims description 11
- 239000001301 oxygen Substances 0.000 claims description 11
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 229910052698 phosphorus Inorganic materials 0.000 claims description 2
- 239000012528 membrane Substances 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 4
- 206010021143 Hypoxia Diseases 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 5
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000160777 Hipparchia semele Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- H01M8/04082—Arrangements for control of reactant parameters, e.g. pressure or concentration
- H01M8/04089—Arrangements for control of reactant parameters, e.g. pressure or concentration of gaseous reactants
-
- 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
- H01M8/04082—Arrangements for control of reactant parameters, e.g. pressure or concentration
- H01M8/04201—Reactant storage and supply, e.g. means for feeding, pipes
-
- 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
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- 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)
- General Chemical & Material Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuel Cell (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
Abstract
本发明公开了一种基于改进灰狼优化的PEMFC供气系统控制策略,属于燃料电池供气系统控制领域,本发明策略基于模糊逻辑控制(FLC)和改进灰狼优化算法(IGWO),所述方法主要包括:建立PEMFC供气系统的数学模型和控制目标模型;基于PEMFC供气系统,搭建模糊控制器模型;为保证送风系统的安全高效运行,针对PEMFC供气系统控制策略中模糊控制器存在的不足,采用改进灰狼优化算法(IGWO)对模糊控制器进行改进和优化;采用本发明的技术方案,可以实现对质子交换膜燃料电池供气系统有效、准确的控制,防止燃料电池组的缺氧和损坏,保证燃料电池系统的性能和安全。
Description
技术领域
本发明属于燃料电池供气系统控制领域,尤其涉及一种基于改进灰狼优化的PEMFC供气系统控制策略。
背景技术
近年来,能源危机和环境问题日益严重,严重的环境污染和能源危机正在推动太阳能、风能、地热能等新型清洁能源的发展。燃料电池(FC)技术也被普遍认为是一种有潜力的解决方案,因为它使用可再生燃料同时环保。由于燃料电池利用氢气和氧气产生电、水和热,燃料直接转化为电能,所以燃料电池具有高能效、低浪费的优点。
质子交换膜燃料电池(PEMFC),又称固体聚合物燃料电池,被认为比其他类型的燃料电池更为发达。PEMFC被广泛应用于各种领域。质子交换膜燃料电池(PEMFC)具有效率高、重量轻、污染小、运行温度低、启动时间快等优点,然而,高成本和短生命周期阻碍了其在实际系统中的大规模应用。因此,为了提高质子交换膜燃料电池(PEMFC)系统的使用寿命,避免有害的性能退化需要高级控制系统对燃料电池进行控制。
现如今,用于PEMFC的控制策略有很多,包括基于模型线性化的线性控制策略,模糊逻辑控制策略,PID控制策略,模型预测控制策略(MPC)等。所有这些控制策略都在应用于调节PEMFC供气系统中的氧过量比有不同程度的成功。
模糊逻辑控制(FLC)是基于规则的一种控制策略,对模糊控制器的输入和输出分别设置隶属度函数(MF),选定隶属度函数类型,论域范围,再根据输入输出的关系设定一系列模糊规则来对PEMFC供气系统进行控制,但其规则设计主要依赖一些专家经验,缺乏系统性,无法定义控制目标并且信息简单的模糊处理将导致系统的控制精度降低。
灰狼优化算法(GWO)是在2014年被提出的一种比较新颖的群体智能优化算法,该算法具有结构简单、需要设置的参数少、在实验编码中容易实现和对于目标的搜索场景有着较好的适应性等优点。
发明内容
本发明提供了一种基于改进灰狼优化的PEMFC供气系统控制策略,采用改进灰狼优化算法(IGWO)对模糊控制器进行改进和优化,使其控制策略控制效果更优,防止燃料电池组的缺氧和损坏,保证燃料电池系统的性能和安全,改进了PEMFC供气系统控制策略中模糊控制器存在的不足,保证了送风系统的安全高效运行。
为实现上述目的,本发明采用如下技术方案:
一种基于改进灰狼优化的PEMFC供气系统控制策略,包括如下步骤:
步骤1:建立PEMFC供气系统的数学模型和控制目标模型;
步骤2:基于PEMFC供气系统,搭建模糊控制器模型;
步骤3:为保证送风系统的安全高效运行,针对PEMFC供气系统控制策略中模糊控制器存在的不足,采用改进灰狼优化算法(IGWO)对模糊控制器进行改进和优化;
以上所述步骤中,所述步骤1具体为:
建立PEMFC供气系统的数学模型,其非线性状态空间方程为:
其中,状态向量x分别与PEMFC阴极通道中氧和氮的分压、压缩机中电机轴的转速和供给歧管中的空气压力相关,控制输入量u是空气压缩机电机电压,提供燃料电池组的氧气供应,可测量干扰输入ω为电堆电流。
这个系统的输出y(t),分别是电堆电压、供给歧管压力和通过压缩机的空气流量,通过压缩机的空气流量取决于电机轴在压缩机里的转速和供应歧管中的空气压力,表达式为:
其中,r=15,q=462.25rad2/(s2Pa),电机轴的转速最大值x3 max=11500rad/s,供给歧管中的空气压力最小值x4 min=50000Pa,s=105Pa,压缩机的空气流量最大值hy3 max=0.0975kg/s,x3为电机轴的转速,x4为供给歧管中的空气压力;
建立PEMFC供气系统的控制目标模型,PEMFC供气系统的控制目标为氧过量比ZO2,表达式如下:
其中,WO2,in表示提供的氧气量,WO2,rct表示反应的氧气量;
步骤2搭建模糊控制器模型包括以下步骤:
(1)模糊化接口使用模糊集将清晰的输入E和ΔE转换为模糊值;
(2)规则库和推理系统为每个合适的规则生成一个结果,然后将这些规则的结果组合起来;
(3)反模糊化接口将组合结果转换回特定的控制输出值Δu。
其中,输入E和ΔE分别表示误差和误差导数,输出Δu表示空气压缩机电压差值。
对于输入和输出,分别设立对应的隶属度函数,该模糊控制器考虑了五个隶属函数,模糊语言变量为NB、N、Z、P和PB,分别表示负大、负、零、正和正大,模糊控制的规则语言的基本形式是:“若误差E为A,误差导数ΔE为B,则模糊控制输出Δu为C。”
步骤3采用改进灰狼优化算法(IGWO)对模糊控制器进行改进和优化,具体包括以下步骤:
(ⅰ)采用灰狼算法优化初始知识库(rule base)中的隶属度函数(MF),两个输入和一个输出所有的隶属度函数构成一个个体,根据每个隶属度函数设置上下限,搜索上下限里面的输入输出隶属度函数构成种群,根据适应度函数计算出初始种群中个体的适应度值;
(ⅱ)选择最优的三个解函数(MF)分别作为α,β,δ狼;
(ⅲ)所述三个最优解(α,β,δ)指导第二步优化学习,其余狼根据这三个解的位置信来做调整进行狩猎和攻击,根据适应度函数计算出新的此时所有狼的适应度;
(ⅳ)根据动态种群思想,对较低适应度值的个体狼进行重新定位;
(ⅴ)再根据上一步的计算,选取出新的三个最优解(α,β,δ)指导下一步优化,自此完成一次迭代,直到达到收敛条件或迭代次数。
步骤(ⅳ)中所述动态种群思想具体过程为:
X(t+1)=Xα±(μb-lb·r+lb)
X(t+1)=Xβ±(μb-lb·r+lb)
X(t+1)=Xδ±(μb-lb·r+lb)
X(t+1)=(μb-lb·r+lb)
其中,r是介于[0,1]范围内的随机数,μb和lb对应为搜索空间的上边界和下边界,上述每个式子都有四分之一概率被选中执行,X(t+1)表示经过动态种群优化后的灰狼在参与下一次迭代时的所在方位。
步骤(ⅰ)中所述的基于改进灰狼优化的PEMFC供气系统控制策略中灰狼优化模糊控制器的适应度函数为:
fitness(t)=max(Pfc-Pcp)
其中,Pfc是燃料电池功率,Pcp表示空气压缩机消耗的功率,该适应度函数表达的是要使净功率最大。
有益效果:本发明提供了一种基于改进灰狼优化的PEMFC供气系统控制策略,该策略基于模糊逻辑控制(FLC)和改进灰狼优化算法(IGWO),采用模糊逻辑(FLC)对质子交换膜燃料电池(PEMFC)供气系统进行控制,该控制策略可以得到较为理想的氧过量比,避免有害的性能退化,从而可以提高质子交换膜燃料电池(PEMFC)系统的使用寿命。本发明采用灰狼优化算法(GWO)对模糊控制器进行改进和优化,以系统净功率最大为目标函数,对模糊逻辑的隶属度函数论域和规则进行滚动优化,极大程度地解决了模糊逻辑控制策略依赖专家经验,缺乏系统性,控制精度低的问题,同时也能够显著提升燃料电池系统的效率跟安全性。
附图说明
为了更清楚地说明本发明中的技术方案,下面将对本发明中所需要使用的附图进行简单地介绍:
图1是本发明实施例中提供的一种基于改进灰狼优化的PEMFC供气系统控制策略整体结构图;
图2是本发明实施例中提供的一种基于改进灰狼优化的PEMFC供气系统控制策略设计方法流程示意图;
图3是本发明实例提供的改进灰狼算法求解流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明:
需要说明的:改进灰狼优化算法(IGWO)是一种全局优化算法,其中灰狼优化算法(GWO)主要模拟了狼群捕食猎物的过程,其重要步骤以及对应的数学模型如下:
(1)等级分层:种群是灰狼算法中一个特别重要的概念,在设计GWO时,首先需构建灰狼社会等级分层模型,计算种群中每个个体的适应度,将适应度最高的三个个体标记为α,β,δ,其余的狼标记为ω,灰狼优化的优化过程主要由每一代种群中的α,β,δ狼来指导完成;
(2)包围猎物:灰狼群体习惯从较远的位置发起进攻,目的是包围目标猎物,令猎物不能逃脱,将包围目标猎物的过程刻画为数学模型如下:
D=|C·XP(t)-X(t)| (1)
X(t+1)=XP(t)-A*D (2)
A=a*(2r2-1) (3)
C=2r1 (4)
式中,t为当前迭代次数即整个捕猎包围过程迭代的总次数,A和C是协同系数向量代表距离系数,D代表距离目标的距离,XP(t)代表猎物所处方位,X(t)代表灰狼当前所处方位,X(t+1)代表灰狼下一时刻的方位,在整个迭代过程中,a由2线性降到0,r1和r2是[0,1]范围内的随机数。
(3)狩猎:在现实自然环境灰狼群体狩猎的过程中,猎物的详细方位是可以被灰狼群体所感知到的。然而将这个过程刻画成数学模型后,在求解某目标函数的极值问题场景下,最优解(即灰狼群体捕食的猎物)可能无法被提前得知,因此当模拟灰狼狩猎的过程中,本文会规约猎物所处的方位为α、β及δ所处的方位,α,β,δ会依据自己所处的方位,指引其它个体狼位置的更新。其方位更新方式如下:
X(t+1)=(X1(t)+X2(t)+X3(t))/3) (5)
式中,X1,X2和X3是根据(2)中的公式将α,β,δ狼赋值给XP后,得到了全局搜索后的解空间向量,其余个体狼根据这三个解向量更新自己的位置。
(4)攻击猎物:将a的值改变,即可完成模拟灰狼群体攻击猎物的过程。根据(2)中的公式可知,a的值的减小也会引起A的值随之减小,A的取值如果处于[-1,1]范围内,那么个体狼将随时处于猎物附近,寻找攻击时机,即|A|<1,灰狼群体将会朝着猎物所处的方位进行转移,以此来比喻猎物受到了狼群的攻击,进攻猎物通过这样的方式即可被模拟出来。
(5)寻找猎物:灰狼群主要依赖α,β,δ狼的位置信息来寻找猎物,先分散地去搜索猎物位置信息,再集中起来攻击猎物。A的取值在[-1,1],范围内时,灰狼群体意图靠近猎物,猎物就会收到灰狼群体的攻击。如果∣A∣≥1,那么猎物就不会收到灰狼群体的重视,灰狼群体会分散在各个区域搜索猎物,伺机寻找附近有没有适应度更高的猎物。
而本发明的改进灰狼优化算法(IGWO)是在完成每次迭代后,运用动态种群算法改变狼群中适应度较低的个体狼的位置信息并进入到下一次迭代中。这样的好处是可以令算法不会陷入局部寻优,并及时从局部寻优中跳出。
式6表示动态种群算法的过程,其中每个式子都有四分之一概率被选中执行:
X(t+1)=Xα±(μb-lb·r+lb) (6a)
X(t+1)=Xβ±(μb-lb·r+lb) (6b)
X(t+1)=Xδ±(μb-lb·r+lb) (6c)
X(t+1)=(μb-lb·r+lb) (6d)
其中,r是介于[0,1]范围内的随机数,μb和lb对应为搜索空间的上边界和下边界。个体狼会依据式1,2,3,4,5更新位置,新的位置在Xα、Xβ、Xδ附近。适应度较低的个体狼会按照式6a,6b,6c以及6d在搜索空间内的某个随机位置确定自己的位置。
参考图1,是本发明实施例中提供的一种基于改进灰狼优化的PEMFC供气系统控制策略整体结构图;
具体地,一种基于改进灰狼算法优化的PEMFC供气系统控制策略如下:
步骤1:建立PEMFC供气系统的数学模型和控制目标模型;
步骤2:基于PEMFC供气系统,搭建模糊控制器模型;
步骤3:为保证送风系统的安全高效运行,针对PEMFC供气系统控制策略中模糊控制器存在的不足,采用改进灰狼优化算法(IGWO)对模糊控制器进行改进和优化;
图2是基于改进灰狼算法的PEMFC供气系统控制策略整体优化流程图,模糊控制器输入输出的隶属度函数进入灰狼优化控制器模块中,通过改进灰狼优化算法结合目标函数得到优化后的隶属度函数指导下一步控制。
图3是改进灰狼算法优化模糊逻辑控制器的求解流程图,具体如下:
(1)采用灰狼算法优化初始知识库(rule base)中的隶属度函数(MF),两个输入和一个输出所有的隶属度函数构成一个个体,根据每个隶属度函数设置上下限,搜索上下限里面的输入输出隶属度函数构成种群,根据适应度函数计算出初始种群中个体的适应度值;
(2)选择最优的三个解函数(MF)分别作为α,β,δ狼;
(3)这三个最优解(α,β,δ)指导第二步优化学习,其余狼根据这三个解的位置信来做调整进行狩猎和攻击,根据适应度函数计算出新的此时所有狼的适应度;
(4)根据动态种群思想,对较低适应度值的个体狼进行重新定位;
(5)再根据上一步的计算,选取出新的三个最优解(α,β,δ)指导下一步优化,自此完成一次迭代,直到达到收敛条件或迭代次数。
进一步地,为了使系统净功率最大,建立改进灰狼优化控制器的适应度函数为:
fitness(t)=max(Pfc-Pcp)
其中,Pfc是燃料电池功率,Pcp表示空气压缩机消耗的功率,该适应度函数表达的是要使净功率最大。
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 (4)
1.一种基于改进灰狼优化的PEMFC供气系统控制策略,其特征在于,包括如下步骤:
步骤1:建立PEMFC供气系统的数学模型和控制目标模型,
所述数学模型的非线性状态空间方程为:
其中,状态向量x与PEMFC阴极通道中氧和氮的分压、压缩机中电机轴的转速和供给歧管中的空气压力相关,控制输入量u是空气压缩机电机电压,可测量干扰输入ω为电堆电流;
输出y(t)分别是电堆电压、供给歧管压力和通过压缩机的空气流量,通过压缩机的空气流量取决于电机轴在压缩机里的转速和供应歧管中的空气压力,表达式为:
其中,r=15,q=462.25rad2/(s2Pa),电机轴的转速最大值x3 max=11500rad/s,供给歧管中的空气压力最小值x4 min=50000Pa,s=105Pa,压缩机的空气流量最大值hy3 max=0.0975kg/s,x3为电机轴的转速,x4为供给歧管中的空气压力;
所述控制目标模型中控制目标为氧过量比ZO2,表达式如下:
其中,WO2,in表示提供的氧气量,WO2,rct表示反应的氧气量;
步骤2:基于PEMFC供气系统,搭建模糊控制器模型,具体包括以下步骤:
(1)模糊化接口使用模糊集将清晰的输入E和ΔE转换为模糊值,其中,输入E和ΔE分别表示误差和误差导数;
(2)规则库和推理系统为每个合适的规则生成一个结果,然后将这些规则的结果组合起来;
(3)反模糊化接口将组合结果转换回特定的控制输出值Δu,输出Δu表示空气压缩机电压差值;
步骤3:采用改进灰狼优化算法对模糊控制器进行改进和优化具体包括以下步骤:
(ⅰ)采用灰狼算法优化初始知识库中的隶属度函数,两个输入和一个输出隶属度函数构成一个个体,根据每个隶属度函数设置上下限,搜索上下限里面的输入输出隶属度函数构成种群,根据适应度函数计算出初始种群中个体的适应度值;
(ⅱ)选择最优的三个解函数分别作为α,β,δ狼;
(ⅲ)三个最优解(α,β,δ)指导第二步优化学习,其余狼根据这三个解的位置信来做调整进行狩猎和攻击,根据适应度函数计算出新的此时所有狼的适应度;
(ⅳ)根据动态种群思想,对较低适应度值的个体狼进行重新定位;
(ⅴ)再根据上一步的计算,选取出新的三个最优解(α,β,δ)指导下一步优化,自此完成一次迭代,直到达到收敛条件或迭代次数。
2.根据权利要求1所述的基于改进灰狼优化的PEMFC供气系统控制策略,其特征在于,步骤2中对于所述输入和输出,分别设立对应的隶属度函数,所述模糊控制器考虑了五个隶属函数,模糊语言变量为NB、N、Z、P和PB,分别表示负大、负、零、正和正大,模糊控制的规则语言的基本形式是:若误差E为A,误差导数ΔE为B,则模糊控制输出Δu为C。
3.根据权利要求1所述的基于改进灰狼优化的PEMFC供气系统控制策略,其特征在于,步骤3中步骤(ⅰ)所述的基于改进灰狼优化的PEMFC供气系统控制策略中灰狼优化模糊控制器的适应度函数为:
fitness(t)=max(Pfc-Pcp)
其中,Pfc是燃料电池功率,Pcp表示空气压缩机消耗的功率,该适应度函数表达的是要使净功率最大。
4.根据权利要求1所述的基于改进灰狼优化的PEMFC供气系统控制策略,其特征在于,步骤3中步骤(ⅳ)中所述动态种群思想具体过程为:
X(t+1)=Xα±(μb-lb·r+lb)
X(t+1)=Xβ±(μb-lb·r+lb)
X(t+1)=Xδ±(μb-lb·r+lb)
X(t+1)=(μb-lb·r+lb)
其中,r是介于[0,1]范围内的随机数,μb和lb对应为搜索空间的上边界和下边界,个体狼更新位置后,新的位置在Xα、Xβ、Xδ附近,适应度较低的个体狼会按照上式在搜索空间内的某个随机位置确定自己的位置,上述每个式子都有四分之一概率被选中执行,X(t+1)表示经过动态种群优化后的灰狼在参与下一次迭代时的所在方位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022924.1A CN112886036B (zh) | 2021-01-08 | 2021-01-08 | 一种基于改进灰狼优化的pemfc供气系统控制策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022924.1A CN112886036B (zh) | 2021-01-08 | 2021-01-08 | 一种基于改进灰狼优化的pemfc供气系统控制策略 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112886036A CN112886036A (zh) | 2021-06-01 |
CN112886036B true CN112886036B (zh) | 2022-07-12 |
Family
ID=76047166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110022924.1A Active CN112886036B (zh) | 2021-01-08 | 2021-01-08 | 一种基于改进灰狼优化的pemfc供气系统控制策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112886036B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114893347B (zh) * | 2022-06-21 | 2024-07-19 | 西南石油大学 | 一种开关磁阻发电机mppt控制方法及系统 |
CN116599142B (zh) * | 2023-03-28 | 2024-06-11 | 淮阴工学院 | 一种保障安全供能的智能调控系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101953006B (zh) * | 2008-03-31 | 2014-07-23 | 罗姆股份有限公司 | 燃料电池及其制造方法 |
US20180284745A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment |
KR20200037816A (ko) * | 2017-08-02 | 2020-04-09 | 스트롱 포스 아이오티 포트폴리오 2016, 엘엘씨 | 대규모 데이터 세트들을 갖는 산업 사물 인터넷 데이터 수집 환경에서의 검출을 위한 방법들 및 시스템들 |
CN110311458B (zh) * | 2019-05-17 | 2023-04-07 | 南京航空航天大学 | 一种燃料电池复合电源系统及控制方法 |
CN110570007B (zh) * | 2019-06-17 | 2023-05-09 | 上海交通大学 | 电动汽车多时间尺度优化调度方法 |
CN110838590B (zh) * | 2019-11-21 | 2021-07-30 | 山东大学 | 一种质子交换膜燃料电池气体供应控制系统及方法 |
CN111129548B (zh) * | 2019-12-27 | 2021-06-22 | 南京航空航天大学 | 一种改进粒子群优化模糊pid燃料电池温度控制方法 |
CN111891111B8 (zh) * | 2020-04-30 | 2021-12-24 | 南京航空航天大学 | 基于mcpso的混合动力汽车区间ii型模糊逻辑自适应控制方法 |
CN111860937B (zh) * | 2020-05-26 | 2022-05-24 | 国网天津市电力公司电力科学研究院 | 基于改进多目标灰狼算法的冷热电联供型微电网优化方法 |
CN111915160B (zh) * | 2020-07-15 | 2023-09-29 | 华中科技大学 | 一种大规模水库群发电调度柔性优化方法与系统 |
-
2021
- 2021-01-08 CN CN202110022924.1A patent/CN112886036B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112886036A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Parameter extraction of PEMFC via Bayesian regularization neural network based meta-heuristic algorithms | |
CN112886036B (zh) | 一种基于改进灰狼优化的pemfc供气系统控制策略 | |
CN112736268B (zh) | 一种提高sofc系统寿命的控制优化方法和系统 | |
CN106654319A (zh) | 一种基于变异粒子群和差分进化混合算法的pemfc系统温度建模方法 | |
CN110838590B (zh) | 一种质子交换膜燃料电池气体供应控制系统及方法 | |
CN107482618A (zh) | 具有风‑火发电并含多类型柔性负荷电网的电价制定方法 | |
CN113255138B (zh) | 一种电力系统负荷分配优化方法 | |
CN113471989B (zh) | 基于灰狼优化法的微电网智能二次频率控制方法 | |
CN111242388A (zh) | 一种考虑冷热电联供的微电网优化调度方法 | |
Choudhary et al. | Grasshopper optimisation based robust power/frequency regulator for shipboard micro‐grid | |
CN115940292A (zh) | 基于圆圈搜索算法的含风储电力系统优化调度方法及系统 | |
Abd Elaziz et al. | Optimal parameters extracting of fuel cell based on Gorilla Troops Optimizer | |
CN112531737A (zh) | 基于鲁棒萤火虫-粒子群混合优化的风-光-燃料电池微电网频率控制方法 | |
CN115051388A (zh) | 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法 | |
CN116667325A (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
CN114741960A (zh) | 一种综合能源经济环境调度优化方法及系统 | |
Fu et al. | An extreme gradient boosting-based thermal management strategy for proton exchange membrane fuel cell stacks | |
CN109494730A (zh) | 新能源并网下电力系统逐日运行模拟仿真方法 | |
Yin et al. | Deep learning-accelerated optimization algorithm for controller parameters optimization of doubly-fed induction generators | |
Li et al. | Multi-objective optimal control for proton exchange membrane fuel cell via large-scale deep reinforcement learning | |
CN115796533A (zh) | 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置 | |
CN113222216B (zh) | 冷热电负荷预测方法、装置及系统 | |
CN115146936A (zh) | 梯级水光蓄互补调度模型求解的动态调整学习因子算法 | |
CN110991927B (zh) | 提高区域电网不同地区间歇性电源互补效果的电源规划方法 | |
CN113341705A (zh) | 一种基于模糊控制算法的动力电池系统控制方法及装置 |
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 |