CN113078335B - 质子交换膜燃料电池的性能分析方法、装置及终端设备 - Google Patents

质子交换膜燃料电池的性能分析方法、装置及终端设备 Download PDF

Info

Publication number
CN113078335B
CN113078335B CN202110314541.1A CN202110314541A CN113078335B CN 113078335 B CN113078335 B CN 113078335B CN 202110314541 A CN202110314541 A CN 202110314541A CN 113078335 B CN113078335 B CN 113078335B
Authority
CN
China
Prior art keywords
fuel cell
exchange membrane
proton exchange
membrane fuel
polarization data
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
Application number
CN202110314541.1A
Other languages
English (en)
Other versions
CN113078335A (zh
Inventor
汪殿龙
王梓鉴
吴朝峰
杨代军
丁鑫健
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.)
Hebei University of Science and Technology
Original Assignee
Hebei University of Science and Technology
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 Hebei University of Science and Technology filed Critical Hebei University of Science and Technology
Priority to CN202110314541.1A priority Critical patent/CN113078335B/zh
Publication of CN113078335A publication Critical patent/CN113078335A/zh
Application granted granted Critical
Publication of CN113078335B publication Critical patent/CN113078335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H01M8/04992—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
    • 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
    • H01M8/04223—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids during start-up or shut-down; Depolarisation or activation, e.g. purging; Means for short-circuiting defective fuel cells
    • 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
    • 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

本发明适用于燃料电池技术领域，提供了一种质子交换膜燃料电池的性能分析方法、装置及终端设备，包括：获取质子交换膜燃料电池的极化数据；根据所述极化数据和所述质子交换膜燃料电池的预设稳态模型，确定所述质子交换膜燃料电池的差分进化算法；利用所述差分进化算法对所述极化数据重复进行变异、交叉和选择操作，在所述操作满足预设终止条件的情况下，确定所述预设稳态模型的目标模型参数；根据所述目标模型参数，分析所述质子交换膜燃料电池的性能。本发明方法可快速、简便地分析质子交换膜燃料电池的性能，提高了质子交换膜燃料电池活化研究和性能分析的效率。

Description

质子交换膜燃料电池的性能分析方法、装置及终端设备
技术领域
本发明属于燃料电池技术领域，尤其涉及一种质子交换膜燃料电池的性能分析方法、装置及终端设备。
背景技术
近年来，不断增加的石油化石燃料消耗量带来的环境问题日益严重，人们对清洁能源的需求越来越强烈。质子交换膜燃料电池(PEMFC)作为一种能量来源广泛、转化效率高、排放量低的新型清洁能源，在交通运输、分布式或便携式发电等各个领域都有重要的应用。
PEMFC在初始制作完成时，其内部催化剂和膜均处于一个相对较差的状态。为提升PEMFC的性能，需对PEMFC进行活化处理，即对PEMFC的核心部分膜电极组件(MEA)进行活化处理。现有技术中，通常使用电化学测试的方法对膜电极组件(MEA)进行活化处理来分析PEMFC的性能，主要包括：电化学阻抗谱法(EIS)、循环伏安法(CV)和线性伏安扫描法(LSV)等。
虽然上述方法能直观地反映PEMFC相关性能的变化，但使用上述方法导致PEMFC的性能分析效率低，一定程度上制约了PEMFC活化工艺研究的进展。
发明内容
有鉴于此，本发明实施例提供了一种质子交换膜燃料电池的性能分析方法、装置及终端设备，以解决现有技术中质子交换膜燃料电池的性能分析效率低的问题。
本发明实施例的第一方面提供了一种质子交换膜燃料电池的性能分析方法，包括：
获取质子交换膜燃料电池的极化数据；
根据极化数据和质子交换膜燃料电池的预设稳态模型，确定交换膜燃料电池的差分进化算法；
利用差分进化算法对极化数据重复进行变异、交叉和选择操作，在操作满足预设终止条件的情况下，确定预设稳态模型的目标模型参数；
根据目标模型参数，分析质子交换膜燃料电池的性能。
本发明实施例的第二方面提供了一种质子交换膜燃料电池的性能分析装置，所述装置包括：
数据获取模块，用于获取质子交换膜燃料电池的极化数据；
算法确定模块，用于根据极化数据和质子交换膜燃料电池的预设稳态模型，确定交换膜燃料电池的差分进化算法；
目标参数确定模块，用于利用差分进化算法对极化数据重复进行变异、交叉和选择操作，在操作满足预设终止条件的情况下，确定预设稳态模型的目标模型参数；
性能分析模块，用于根据目标模型参数，分析质子交换膜燃料电池的性能。
本发明实施例的第三方面提供了一种终端设备，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如第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例首先获取质子交换膜燃料电池的极化数据；其次根据所述极化数据和所述质子交换膜燃料电池的预设稳态模型，确定所述质子交换膜燃料电池的差分进化算法；接着利用所述差分进化算法对所述极化数据重复进行变异、交叉和选择操作，在所述操作满足预设终止条件的情况下，确定所述预设稳态模型的目标模型参数；再根据所述目标模型参数，分析所述质子交换膜燃料电池的性能。通过比较质子交换膜燃料电池活化前后的模型参数的变化，可快速、简便地分析质子交换膜燃料电池的性能，提高了质子交换膜燃料电池活化研究和性能分析的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明一实施例提供的一种质子交换膜燃料电池的性能分析方法的实现流程示意图；
图2是本发明实施例中S101的细化步骤的实现流程示意图；
图3是本发明实施例中活化脉冲电流示意图；
图4是本发明另一实施例提供的一种质子交换膜燃料电池的性能分析方法的实现流程示意图；
图5是本发明实施例中S102的细化步骤的实现流程示意图；
图6是本发明实施例中S501的细化步骤的实现流程示意图；
图7是本发明实施例中S103的细化步骤的实现流程示意图；
图8是本发明实施例中DE算法流程图；
图9为本发明实施例中DE算法的收敛过程示意图；
图10是本发明实施例中S104的细化步骤的实现流程示意图；
图11是本发明实施例中DE算法拟合极化曲线与实际测量的极化曲线比较示意图；
图12是本发明另一实施例提供的一种质子交换膜燃料电池的性能分析方法的实现流程示意图；
图13是本发明实施例提供的一种质子交换膜燃料电池的性能分析装置的结构示意图；
图14是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明一实施例提供的一种质子交换膜燃料电池的性能分析方法的示意图。如图1所示，该实施例的一种质子交换膜燃料电池的性能分析方法包括：
步骤S101：获取质子交换膜燃料电池的极化数据；
步骤S102：根据极化数据和质子交换膜燃料电池的预设稳态模型，确定交换膜燃料电池的差分进化算法；
步骤S103：利用差分进化算法对极化数据重复进行变异、交叉和选择操作，在操作满足预设终止条件的情况下，确定预设稳态模型的目标模型参数；
步骤S104：根据目标模型参数，分析质子交换膜燃料电池的性能。
在一实施例中，本发明首先确定活化方法及每次活化循环的持续时间，电池按活化工艺正常进行活化，在活化前及每次活化循环后对质子交换膜燃料电池进行极化测试以获得极化数据，再建立合适的质子交换膜燃料电池稳态模型及合适的适应度函数。基于已建立的质子交换膜燃料电池稳态模型及适应度函数，编写质子交换膜燃料电池的差分进化算法。用预先编写好的带自适应算子的差分进化算法对得到的极化数据进行处理，通过最优化搜索得到活化前及每次活化循环之后的目标模型参数。最后通过比较活化前后的模型参数发生的变化，通过其物理意义得出分析结论。
具体地，差分进化算法(Differential Evolution，DE)保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略，降低了遗传操作的复杂性。同时，DE算法特有的记忆能力使其可以动态跟踪当前的搜索情况，以调整其搜索策略，具有较强的全局收敛能力和鲁棒性，且不需要借助问题的特征信息，适于求解一些利用常规的数学规划方法所无法求解的复杂环境中的优化问题。本发明通过采用DE算法对极化数据的进行反复迭代，以搜索适应适应度函数的模型参数并剔除不适应适应度函数的模型参数，在那些适应适应度函数的模型参数中选取目标模型参数，将目标模型参数作为分析质子交换膜燃料电池性能的主要指标。
进一步地，本发明中的目标模型参数的分析是建立在预设的质子交换膜燃料电池稳态模型的6个模型参数的物理意义上的，6个模型参数包括：转移系数α，交换电流密度i0，极限电流密度iL，浓度极化的系统参数B，膜的面积比电阻r和开路电压E0。其中，α及i0的变化可表征催化剂的活性变化，B和iL的变化可表征阴极水淹情况即氧传质阻力大小，E0的变化可表征开路时内部电流和氢渗透损失的行为，r的变化可表征膜上离子电阻的大小，从而综合分析活化前后的质子交换膜燃料电池的性能。
本发明实施例首先获取质子交换膜燃料电池的极化数据；其次根据所述极化数据和所述质子交换膜燃料电池的预设稳态模型，确定所述质子交换膜燃料电池的差分进化算法；接着利用所述差分进化算法对所述极化数据重复进行变异、交叉和选择操作，在所述操作满足预设终止条件的情况下，确定所述预设稳态模型的目标模型参数；再根据所述目标模型参数，分析所述质子交换膜燃料电池的性能。通过比较质子交换膜燃料电池活化前后的模型参数的变化，可快速、简便地分析质子交换膜燃料电池的性能，提高了质子交换膜燃料电池活化研究和性能分析的效率。
图2是本发明实施例中S101的细化步骤的流程示意图，如图2所示，S101包括：
步骤S201：对质子交换膜燃料电池进行极化测试，得到第一极化数据；
步骤S202：对质子交换膜燃料电池进行至少一次活化处理，并对每次活化处理后的质子交换膜燃料电池进行极化测试，得到每次活化处理后的质子交换膜燃料电池对应的第二极化数据；
步骤S203：根据第一极化数据和第二极化数据，确定质子交换膜燃料电池的极化数据。
在一实施例中，在获取第二极化数据的情况下，首先需对质子交换膜燃料电池进行活化处理，再对活化处理后的质子交换膜燃料电池进行极化测试。对质子交换膜燃料电池进行活化处理时，需确定活化方法及每次活化循环的持续时间，之后质子交换膜燃料电池按活化工艺正常进行活化，每次活化循环后进行极化测试以获得第二极化数据。
将活性面积为25cm2的单片质子交换膜燃料电池在阳极压力140kPa，阴极压力120kPa，电池温度358.15K，阴阳极气体相对湿度均为81.59％的条件下使用脉冲电流法活化，脉冲电流周期设置为20s，占空比为20％，其电流形式如图3所示。每次活化循环均持续1h，循环两次，且在活化前及每次活化循环后进行极化测试得到质子交换膜燃料电池的极化数据。
图4是本发明另一实施例提供的一种质子交换膜燃料电池的性能分析方法的示意图。如图4所示，该实施例的一种质子交换膜燃料电池的性能分析方法包括：
步骤S401：获取质子交换膜燃料电池的极化数据；
步骤S402：获取质子交换膜燃料电池的欧姆损失、质子交换膜燃料电池的活化损失、质子交换膜燃料电池的浓度损失和质子交换膜燃料电池的开路电压；
步骤S403：根据质子交换膜燃料电池的欧姆损失、质子交换膜燃料电池的活化损失、质子交换膜燃料电池的浓度损失和质子交换膜燃料电池的开路电压，确定质子交换膜燃料电池的输出电压；
步骤S404：基于质子交换膜燃料电池的欧姆损失、质子交换膜燃料电池的活化损失、质子交换膜燃料电池的浓度损失、质子交换膜燃料电池的开路电压、质子交换膜燃料电池的输出电压，确定质子交换膜燃料电池的预设稳态模型。
在一实施例中，本发明包括对质子交换膜燃料电池的预设稳态模型的建立，具体步骤如下：
1、确定质子交换膜燃料电池的欧姆损失
ηohm＝ir (1)
其中，i表示电流密度，r表示膜的面积比电阻，以反映活化过程中膜的变化。
2、确定质子交换膜燃料电池的活化损失
Figure GDA0003592059310000071
其中，α为转移系数，i0为交换电流密度，R为理想气体常数，T为质子交换膜燃料电池的温度，F为法拉第常数。
3、确定质子交换膜燃料电池的浓度损失
Figure GDA0003592059310000072
其中，iL表示极限电流密度，B为浓度极化的系统参数。
4、确定预设的质子交换膜燃料电池稳态模型
Vcell＝E0-ηohm-ηact-ηconc (4)
其中，Vcell表示质子交换膜燃料电池的输出电压，ηohm、ηact、ηconc是当质子交换膜燃料电池有负载时的三个电压损失，E0表示开路电压。本发明中质子交换膜燃料电池性能按电池输出电压为指标。
步骤S405：根据极化数据和质子交换膜燃料电池的预设稳态模型，确定交换膜燃料电池的差分进化算法；
步骤S406：利用差分进化算法对极化数据重复进行变异、交叉和选择操作，在操作满足预设终止条件的情况下，确定预设稳态模型的目标模型参数；
步骤S407：根据目标模型参数，分析质子交换膜燃料电池的性能。
图5是本发明实施例中S102的细化步骤的流程示意图，如图5所示，S102包括：
步骤S501：根据极化数据和质子交换膜燃料电池的预设稳态模型，构造质子交换膜燃料电池的预设适应度函数；
步骤S502：基于预设稳态模型和预设适应度函数，确定交换膜燃料电池的差分进化算法。
在一实施例中，在采用差分进化算法对极化数据处理之前，需确定质子交换膜燃料电池的预设稳态模型和预设适应度值。在差分进行算法对极化数据进行处理时，根据预设适应度值搜索与预设适应度值匹配的最优模型参数，即目标模型参数。
图6是本发明实施例中S501的细化步骤的流程示意图，如图6所示，S501包括：
步骤S601：获取质子交换膜燃料电池的极化数据、质子交换膜燃料电池的极化数据的数目以及质子交换膜燃料电池的预设稳态模型的输出电压；
步骤S602：根据质子交换膜燃料电池的极化数据、质子交换膜燃料电池的极化数据的数目以及质子交换膜燃料电池的预设稳态模型的输出电压，确定质子交换膜燃料电池的适应度值；
步骤S603：基于质子交换膜燃料电池的极化数据、质子交换膜燃料电池的极化数据的数目、质子交换膜燃料电池的预设稳态模型的输出电压以及质子交换膜燃料电池的适应度值，确定质子交换膜燃料电池的预设适应度函数。
在一实施例中，本发明中所述质子交换膜燃料电池的输出电压为所述质子交换膜燃料电池的预设稳态模型的输出电压，通过质子交换膜燃料电池的预设稳态模型的输出电压和极化数据可确定预设适应度函数的适应度值，从而确定预设适应度函数。
具体地，通过以下算法确定预设适应度函数：
Figure GDA0003592059310000091
其中，Fit表示算法当代的适应度值，N为极化数据个数，m为大于1且小于N的整数，Vdata表示质子交换膜燃料电池活化前以及每次活化循环后进行极化测试得到的极化数据。在此处Vp为PEMFC模型中的点的输出电压，即PEMFC模型所得到的质子交换膜燃料电池的输出电压Vcell。
图7是本发明实施例中S103的细化步骤的流程示意图，如图7所示，S103包括：
步骤S701：利用差分进化算法分别对第一极化数据和第二极化数据重复进行变异、交叉和选择操作；
步骤S702：在操作满足预设终止条件的情况下，确定质子交换膜燃料电池的第一目标模型参数和第二目标模型参数。
在一实施例中，参见图8，本发明采用DE算法对质子交换膜燃料电池的极化数据重复进行变异、交叉和选择操作，以确定质子交换膜燃料电池的目标模型参数的执行步骤如下：
1、初始化种群。设定种群大小，并通过设定的参数边界随机产生初始个体。
2、变异。选择特定的变异版本，变异方法包括但不限于以下方法：随机选择三个不同的个体，将其中任意两个个体的差值进行缩放，与另一个体求和即产生新的变异个体。此处使用的缩放因子F使用带自适应特性的变异算子得到以防止算法早熟。该变异算子包括但不限于以下特例。
Figure GDA0003592059310000092
F＝F0·2λ (7)
公式(6)-(7)中，F0为变异算子，Gm为最大迭代次数(即进化代数)，G为当前代数。λ用于代数变换。
3、交叉。在变异后的个体和初始个体中任意选择其“染色体”中的“基因”(个体中的某一解)组合成新的个体。
4、选择。使用贪婪算法进行选择操作，即总是选择适应度最优的个体。
5、重复以上操作直至满足预设终止条件。其中，预设终止条件包括但不限于设定最大迭代次数，也可以是相邻两代之间的适应度差值小于一定值。参见图9，包括活化前的极化数据、活化1h后的极化数据以及活化2h后的极化数据的收敛情况，DE算法经过设定的最大迭代次数后，上述极化数据的收敛性良好。
6、使用DE算法处理极化数据，得到最优搜索的模型参数，算法实际运行时间约9s，可有效提高质子交换膜燃料电池性能分析的效率。
在一实施例中，目标模型参数包括第一目标模型参数和第二目标模型参数。基于上述算法的原理，可采用DE算法对质子交换膜燃料电池的第一极化数据重复进行变异、交叉和选择操作，以确定质子交换膜燃料电池的第一目标模型参数，以及采用DE算法对质子交换膜燃料电池的第二极化数据重复进行变异、交叉和选择操作，以确定质子交换膜燃料电池的第二目标模型参数。
在一实施例中，第一目标模型参数和第二目标模型参数具体详见下表1。
表1目标模型参数表
Figure GDA0003592059310000101
图10是本发明实施例中S104的细化步骤的流程示意图，如图10所示，S104包括：
步骤S1001：分别获取第一目标模型参数对应的第一实测目标模型参数以及第二目标模型参数对应的第二实测目标模型参数；
步骤S1002：将第一目标模型参数与第一实测目标模型参数进行比对，确定第一比对结果；
步骤S1003：将第二目标模型参数与第二实测目标模型参数进行比对，确定第二比对结果；
步骤S1004：根据第一比对结果和第二比对结果，确定质子交换膜燃料电池的性能。
在一实施例中，将本发明采用DE算法拟合得到的目标模型参数与实测目标模型参数进行比较，即通过比较第一实测目标模型参数与第一目标模型参数，以及第二实测目标模型参数与第二目标模型参数，可确定采用DE算法研究质子交换膜燃料电池的性能的可行性与准确性。
具体地，参见图11，以进行两次活化循环后进行极化测试为例，实际测量的质子交换膜燃料电池活化前的输出电压与质子交换膜燃料电池活化前的输出电压拟合曲线(DE方法-活化前)基本重合，实际测量的质子交换膜燃料电池第一次活化循环后的输出电压与质子交换膜燃料电池第一次活化循环后的输出电压拟合曲线(DE方法-1h)基本重合，实际测量的质子交换膜燃料电池第二次活化循环后的输出电压与质子交换膜燃料电池第二次活化循环后的输出电压拟合曲线(DE方法-2h)基本重合。通过比较实际测量得到的实验数据(即实测目标模型参数)和采用本发明的DE算法拟合得到的数据，可知采用DE算法可准确且高效地分析质子交换膜燃料电池的性能。
在一实施例中，在相同条件活化方法的基础上，在活化前及每次活化循环后进行电化学阻抗谱测试(EIS)和循环伏安法(CV)进行质子交换膜燃料电池的性能分析(即采用传统的电化学测试方法)，采用传统的电化学测试方法机器耗时约400s，若考虑电池冷却降温及其他操作，时间消耗还会更长。而本发明采用的DE算法在时间消耗上比传统的电化学测试方法缩短近45倍，能极大地提高燃料电池活化研究和性能分析的效率。
图12是本发明另一实施例提供的一种质子交换膜燃料电池的性能分析方法的示意图。如图12所示，该实施例的一种质子交换膜燃料电池的性能分析方法包括：
步骤S1201：获取质子交换膜燃料电池的极化数据；
步骤S1202：根据极化数据和质子交换膜燃料电池的预设稳态模型，确定交换膜燃料电池的差分进化算法；
步骤S1203：利用差分进化算法对极化数据重复进行变异、交叉和选择操作；
步骤S1204：在操作不满足预设终止条件的情况下，返回执行确定质子交换膜燃料电池的适应度值的步骤。
在一实施例中，当操作不满足预设终止条件时，说明预设适应度函数的适应度值并不能适应DE算法的需求，需要重新返回执行确定适应度值的步骤。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一个实施例中，如图13所示，提供了一种质子交换膜燃料电池的性能分析装置，包括：数据获取模块1301、算法确定模块1302、目标参数确定模块1303和性能分析模块1304，其中，
数据获取模块1301，用于获取质子交换膜燃料电池的极化数据；
算法确定模块1302，用于根据极化数据和质子交换膜燃料电池的预设稳态模型，确定交换膜燃料电池的差分进化算法；
目标参数确定模块1303，用于利用差分进化算法对极化数据重复进行变异、交叉和选择操作，在操作满足预设终止条件的情况下，确定预设稳态模型的目标模型参数；
性能分析模块1304，用于根据目标模型参数，分析质子交换膜燃料电池的性能。
在一实施例中，所述数据获取模块1301，包括：
第一极化数据确定模块，用于对质子交换膜燃料电池进行极化测试，得到第一极化数据；
第二极化数据确定模块，用于对质子交换膜燃料电池进行至少一次活化处理，并对每次活化处理后的质子交换膜燃料电池进行极化测试，得到每次活化处理后的质子交换膜燃料电池对应的第二极化数据；
极化数据确定模块，用于根据第一极化数据和所述第二极化数据，确定质子交换膜燃料电池的极化数据。
在一实施例中，所述算法确定模块1302之前，还包括：
第一模型参数获取模块，用于获取质子交换膜燃料电池的欧姆损失、质子交换膜燃料电池的活化损失、质子交换膜燃料电池的浓度损失和质子交换膜燃料电池的开路电压；
电压确定模块，用于根据质子交换膜燃料电池的欧姆损失、质子交换膜燃料电池的活化损失、质子交换膜燃料电池的浓度损失和质子交换膜燃料电池的开路电压，确定质子交换膜燃料电池的输出电压；
模型确定模块，用于基于质子交换膜燃料电池的欧姆损失、质子交换膜燃料电池的活化损失、质子交换膜燃料电池的浓度损失、质子交换膜燃料电池的开路电压、质子交换膜燃料电池的输出电压，确定质子交换膜燃料电池的预设稳态模型。
在一实施例中，所述算法确定模块1302，包括：
函数确定模块，用于根据极化数据和质子交换膜燃料电池的预设稳态模型，构造质子交换膜燃料电池的预设适应度函数；
算法建立模块，用于基于预设稳态模型和预设适应度函数，确定交换膜燃料电池的差分进化算法。
在一实施例中，质子交换膜燃料电池的输出电压作为质子交换膜燃料电池的预设稳态模型的输出电压；
函数确定模块，包括：
第二模型参数获取模块，用于获取质子交换膜燃料电池的极化数据、质子交换膜燃料电池的极化数据的数目以及质子交换膜燃料电池的预设稳态模型的输出电压；
适应度值计算模块，用于根据质子交换膜燃料电池的极化数据、质子交换膜燃料电池的极化数据的数目以及质子交换膜燃料电池的预设稳态模型的输出电压，确定质子交换膜燃料电池的适应度值；
函数构建模块，用于基于质子交换膜燃料电池的极化数据、质子交换膜燃料电池的极化数据的数目、质子交换膜燃料电池的预设稳态模型的输出电压以及质子交换膜燃料电池的适应度值，确定质子交换膜燃料电池的预设适应度函数。
在一实施例中，所述目标模型参数包括第一目标模型参数和第二目标模型参数；
所述目标参数确定模块1303，包括：
差分计算模块，用于利用差分进化算法分别对第一极化数据和所述第二极化数据重复进行变异、交叉和选择操作；
目标参数搜索模块，用于在操作满足预设终止条件的情况下，确定质子交换膜燃料电池的第一目标模型参数和第二目标模型参数。
在一实施例中，所述性能分析模块1304，包括：
实测参数获取模块，用于分别获取第一目标模型参数对应的第一实测目标模型参数以及第二目标模型参数对应的第二实测目标模型参数；
第一比对结果确定模块，用于将第一目标模型参数与第一实测目标模型参数进行比对，确定第一比对结果；
第二比对结果确定模块，用于将第二目标模型参数与第二实测目标模型参数进行比对，确定第二比对结果；
性能确定模块，用于根据第一比对结果和第二比对结果，确定燃料电池的性能。
在一实施例中，所述方法还包括：
返回执行操作模块，用于在操作不满足预设终止条件的情况下，返回执行确定质子交换膜燃料电池的适应度值的步骤。
图14是本发明一实施例提供的终端设备的示意图。如图14所示，该实施例的终端设备14包括：处理器1401、存储器1402以及存储在所述存储器1402中并可在所述处理器1401上运行的计算机程序1403。所述处理器1401执行所述计算机程序1403时实现上述各个质子交换膜燃料电池的性能分析方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器1401执行所述计算机程序1403时实现上述各装置实施例中各模块/单元的功能，例如图13所示模块1301至1304的功能。
示例性的，所述计算机程序1403可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器1402中，并由所述处理器1401执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序1403在所述终端设备14中的执行过程。例如，所述计算机程序1403可以被分割成数据获取模块，函数构造模块，算法确定模块，目标参数确定模块和性能分析模块，各模块具体功能如下：
数据获取模块，用于获取质子交换膜燃料电池的极化数据；
算法确定模块，用于根据极化数据和质子交换膜燃料电池的预设稳态模型，确定交换膜燃料电池的差分进化算法；
目标参数确定模块，用于利用差分进化算法对极化数据重复进行变异、交叉和选择操作，在操作满足预设终止条件的情况下，确定预设稳态模型的目标模型参数；
性能分析模块，用于根据目标模型参数，分析质子交换膜燃料电池的性能。
所述终端设备14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14终端设备可包括，但不仅限于，处理器1401、存储器1402。本领域技术人员可以理解，图14仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器1401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。
所述存储器1402可以是所述终端设备14的内部存储单元，例如终端设备14的硬盘或内存。所述存储器1402也可以是所述终端设备14的外部存储设备，例如所述终端设备14上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器1402还可以既包括所述终端设备14的内部存储单元也包括外部存储设备。所述存储器1402用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器1402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/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)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述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精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种质子交换膜燃料电池的性能分析方法，其特征在于，包括：
获取质子交换膜燃料电池的极化数据；
根据所述极化数据和所述质子交换膜燃料电池的预设稳态模型，确定所述质子交换膜燃料电池的差分进化算法；
利用所述差分进化算法对所述极化数据重复进行变异、交叉和选择操作，在所述操作满足预设终止条件的情况下，确定所述预设稳态模型的目标模型参数；
根据所述目标模型参数，分析所述质子交换膜燃料电池的性能；
其中，所述获取质子交换膜燃料电池的极化数据，包括：
对所述质子交换膜燃料电池进行极化测试，得到第一极化数据；
对所述质子交换膜燃料电池进行至少一次活化处理，并对每次活化处理后的质子交换膜燃料电池进行极化测试，得到每次活化处理后的质子交换膜燃料电池对应的第二极化数据；
根据所述第一极化数据和所述第二极化数据，确定所述质子交换膜燃料电池的极化数据；
其中，所述根据所述极化数据和所述质子交换膜燃料电池的预设稳态模型，确定所述质子交换膜燃料电池的差分进化算法之前，还包括：
获取质子交换膜燃料电池的欧姆损失、质子交换膜燃料电池的活化损失、质子交换膜燃料电池的浓度损失和质子交换膜燃料电池的开路电压；
根据所述质子交换膜燃料电池的欧姆损失、所述质子交换膜燃料电池的活化损失、所述质子交换膜燃料电池的浓度损失和质子交换膜燃料电池的开路电压，确定所述质子交换膜燃料电池的输出电压；
基于所述质子交换膜燃料电池的欧姆损失、质子交换膜燃料电池的活化损失、质子交换膜燃料电池的浓度损失、质子交换膜燃料电池的开路电压、所述质子交换膜燃料电池的输出电压，确定所述质子交换膜燃料电池的预设稳态模型。
2.如权利要求1所述的质子交换膜燃料电池的性能分析方法，其特征在于，所述根据所述极化数据和所述质子交换膜燃料电池的预设稳态模型，确定所述质子交换膜燃料电池的差分进化算法，包括：
根据所述极化数据和所述质子交换膜燃料电池的预设稳态模型，构造所述质子交换膜燃料电池的预设适应度函数；
基于所述预设稳态模型和所述预设适应度函数，确定所述质子交换膜燃料电池的差分进化算法。
3.如权利要求2所述的质子交换膜燃料电池的性能分析方法，其特征在于，所述质子交换膜燃料电池的输出电压作为所述质子交换膜燃料电池的预设稳态模型的输出电压；
所述根据所述极化数据和所述质子交换膜燃料电池的预设稳态模型，构造所述质子交换膜燃料电池的预设适应度函数，包括：
获取所述质子交换膜燃料电池的极化数据、所述质子交换膜燃料电池的极化数据的数目以及所述质子交换膜燃料电池的预设稳态模型的输出电压；
根据所述质子交换膜燃料电池的极化数据、所述质子交换膜燃料电池的极化数据的数目以及所述质子交换膜燃料电池的预设稳态模型的输出电压，确定所述质子交换膜燃料电池的适应度值；
基于所述质子交换膜燃料电池的极化数据、所述质子交换膜燃料电池的极化数据的数目、所述质子交换膜燃料电池的预设稳态模型的输出电压以及所述质子交换膜燃料电池的适应度值，确定所述质子交换膜燃料电池的预设适应度函数。
4.如权利要求1-3中任一项所述的质子交换膜燃料电池的性能分析方法，其特征在于，所述目标模型参数包括第一目标模型参数和第二目标模型参数；
所述利用所述差分进化算法对所述极化数据重复进行变异、交叉和选择操作，在所述操作满足预设终止条件的情况下，确定所述预设稳态模型的目标模型参数，包括：
利用所述差分进化算法分别对所述第一极化数据和所述第二极化数据重复进行变异、交叉和选择操作；
在所述操作满足预设终止条件的情况下，确定所述质子交换膜燃料电池的第一目标模型参数和第二目标模型参数。
5.如权利要求4所述的质子交换膜燃料电池的性能分析方法，其特征在于，所述根据所述目标模型参数，分析所述质子交换膜燃料电池的性能，包括：
分别获取所述第一目标模型参数对应的第一实测目标模型参数以及所述第二目标模型参数对应的第二实测目标模型参数；
将所述第一目标模型参数与所述第一实测目标模型参数进行比对，确定第一比对结果；
将所述第二目标模型参数与所述第二实测目标模型参数进行比对，确定第二比对结果；
根据所述第一比对结果和第二比对结果，确定所述燃料电池的性能。
6.如权利要求3所述的质子交换膜燃料电池的性能分析方法，其特征在于，所述方法还包括：
在所述操作不满足预设终止条件的情况下，返回执行确定所述质子交换膜燃料电池的适应度值的步骤。
7.一种质子交换膜燃料电池的性能分析装置，其特征在于，所述装置包括：
数据获取模块，用于获取质子交换膜燃料电池的极化数据；
算法确定模块，用于根据所述极化数据和所述质子交换膜燃料电池的预设稳态模型，确定所述质子交换膜燃料电池的差分进化算法；
目标参数确定模块，用于利用所述差分进化算法对所述极化数据重复进行变异、交叉和选择操作，在所述操作满足预设终止条件的情况下，确定所述预设稳态模型的目标模型参数；
性能分析模块，用于根据所述目标模型参数，分析所述质子交换膜燃料电池的性能；
其中，所述获取质子交换膜燃料电池的极化数据，包括：
对所述质子交换膜燃料电池进行极化测试，得到第一极化数据；
对所述质子交换膜燃料电池进行至少一次活化处理，并对每次活化处理后的质子交换膜燃料电池进行极化测试，得到每次活化处理后的质子交换膜燃料电池对应的第二极化数据；
根据所述第一极化数据和所述第二极化数据，确定所述质子交换膜燃料电池的极化数据；
其中，所述根据所述极化数据和所述质子交换膜燃料电池的预设稳态模型，确定所述质子交换膜燃料电池的差分进化算法之前，还包括：
获取质子交换膜燃料电池的欧姆损失、质子交换膜燃料电池的活化损失、质子交换膜燃料电池的浓度损失和质子交换膜燃料电池的开路电压；
根据所述质子交换膜燃料电池的欧姆损失、所述质子交换膜燃料电池的活化损失、所述质子交换膜燃料电池的浓度损失和质子交换膜燃料电池的开路电压，确定所述质子交换膜燃料电池的输出电压；
基于所述质子交换膜燃料电池的欧姆损失、质子交换膜燃料电池的活化损失、质子交换膜燃料电池的浓度损失、质子交换膜燃料电池的开路电压、所述质子交换膜燃料电池的输出电压，确定所述质子交换膜燃料电池的预设稳态模型。
8.一种终端设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述质子交换膜燃料电池的性能分析方法的步骤。
CN202110314541.1A 2021-03-24 2021-03-24 质子交换膜燃料电池的性能分析方法、装置及终端设备 Active CN113078335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110314541.1A CN113078335B (zh) 2021-03-24 2021-03-24 质子交换膜燃料电池的性能分析方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110314541.1A CN113078335B (zh) 2021-03-24 2021-03-24 质子交换膜燃料电池的性能分析方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN113078335A CN113078335A (zh) 2021-07-06
CN113078335B true CN113078335B (zh) 2022-05-20

Family

ID=76610168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110314541.1A Active CN113078335B (zh) 2021-03-24 2021-03-24 质子交换膜燃料电池的性能分析方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN113078335B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115000464B (zh) * 2022-08-02 2022-10-25 中车工业研究院(青岛)有限公司 一种pemfc的参数调控方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106784935A (zh) * 2017-03-10 2017-05-31 中国计量大学 一种燃料电池输出性能的寻优方法
CN110163422A (zh) * 2019-04-30 2019-08-23 张锐明 一种燃料电池发电系统稳态输出功率与效率的优化方法
CN111987337A (zh) * 2020-08-28 2020-11-24 河北科技大学 一种质子交换膜燃料电池活化方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170005350A1 (en) * 2015-07-02 2017-01-05 Greenlight lnnovation Corporation Systems and methods for acquisition, parameterization, and validation of fuel cell polarization data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106784935A (zh) * 2017-03-10 2017-05-31 中国计量大学 一种燃料电池输出性能的寻优方法
CN110163422A (zh) * 2019-04-30 2019-08-23 张锐明 一种燃料电池发电系统稳态输出功率与效率的优化方法
CN111987337A (zh) * 2020-08-28 2020-11-24 河北科技大学 一种质子交换膜燃料电池活化方法及装置

Also Published As

Publication number Publication date
CN113078335A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
Li et al. Multi-objective optimization of PEM fuel cell by coupled significant variables recognition, surrogate models and a multi-objective genetic algorithm
Menesy et al. Effective parameter extraction of different polymer electrolyte membrane fuel cell stack models using a modified artificial ecosystem optimization algorithm
Li et al. Performance prediction and power density maximization of a proton exchange membrane fuel cell based on deep belief network
Xiong et al. Parameter identification of solid oxide fuel cells with ranking teaching-learning based algorithm
Nanadegani et al. On neural network modeling to maximize the power output of PEMFCs
Kim et al. State-of-health diagnosis based on hamming neural network using output voltage pattern recognition for a PEM fuel cell
Wang et al. Application of co-evolution RNA genetic algorithm for obtaining optimal parameters of SOFC model
Askarzadeh et al. Artificial immune system-based parameter extraction of proton exchange membrane fuel cell
Menesy et al. Extracting model parameters of proton exchange membrane fuel cell using equilibrium optimizer algorithm
Tafaoli-Masoule et al. Optimum design parameters and operating condition for maximum power of a direct methanol fuel cell using analytical model and genetic algorithm
CN103336867B (zh) 质子交换膜燃料电池模型优化处理方法
Kler et al. Parameter extraction of fuel cells using hybrid interior search algorithm
Liu et al. Multi-objective optimization of proton exchange membrane fuel cell geometry and operating parameters based on three new performance evaluation indexes
CN113078335B (zh) 质子交换膜燃料电池的性能分析方法、装置及终端设备
Zhang et al. Parameter identification of proton exchange membrane fuel cell based on swarm intelligence algorithm
Diab et al. An effective model parameter estimation of PEMFCs using GWO algorithm and its variants
CN115270633A (zh) 燃料电池三维物理场的预测方法、系统、设备及介质
Hamdollahi et al. A review on modeling of proton exchange membrane fuel cell
CN104778315B (zh) 融合磷虾行为人工蜂群算法的燃料电池优化建模方法
He et al. A quick evaluation method for the lifetime of the fuel cell MEA with the particle filter algorithm
CN113094899A (zh) 一种随机潮流计算方法、装置、电子设备及存储介质
Jabbary et al. Artificial intelligence-assisted optimization and multiphase analysis of polygon PEM fuel cells
Piela et al. Performance optimization of polymer electrolyte membrane fuel cells using the Nelder-Mead algorithm
Menesy et al. Optimal values of unknown parameters of polymer electrolyte membrane fuel cells using improved chaotic electromagnetic field optimization
CN115079017A (zh) 一种电化学阻抗测试等效电路及拟合方法

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