CN113283006A - 基于rbf神经网络控制燃料电池电堆多参数响应方法 - Google Patents

基于rbf神经网络控制燃料电池电堆多参数响应方法 Download PDF

Info

Publication number
CN113283006A
CN113283006A CN202110549160.1A CN202110549160A CN113283006A CN 113283006 A CN113283006 A CN 113283006A CN 202110549160 A CN202110549160 A CN 202110549160A CN 113283006 A CN113283006 A CN 113283006A
Authority
CN
China
Prior art keywords
temperature
humidity
pressure
neural network
coefficient
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.)
Pending
Application number
CN202110549160.1A
Other languages
English (en)
Inventor
殷劲松
郑郧
钱增
罗开玉
鲁金忠
涂蔷
苏尤宇
谢登印
周赵亮
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.)
Zhangjiagang Qingyan Detection Technology Co ltd
Original Assignee
Zhangjiagang Qingyan Detection Technology Co ltd
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 Zhangjiagang Qingyan Detection Technology Co ltd filed Critical Zhangjiagang Qingyan Detection Technology Co ltd
Priority to CN202110549160.1A priority Critical patent/CN113283006A/zh
Publication of CN113283006A publication Critical patent/CN113283006A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Sustainable Energy (AREA)
  • Manufacturing & Machinery (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Sustainable Development (AREA)
  • General Chemical & Material Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种基于RBF神经网络控制燃料电池电堆多参数响应方法，该方法应用于解决电堆测试工况设定中存在的温度、湿度及压力难以跟随测试需求快速响应的问题。该方法包括以下步骤：设置参考温度及温度误差、湿度及湿度误差、压力及压力误差以及PID控制器的输入和输出；构建RBF神经网络并对RBF神经网络进行训练；利用RBF神经网络自适应调整PID控制器参数kp、ki、kd；PID控制器根据调整好的控制参数对温度湿度及压力进行调控。本发明提供的方法能有效减少燃料电池电堆测试过程中各参数的响应时间并提高系统的自适应能力和鲁棒性。

Description

基于RBF神经网络控制燃料电池电堆多参数响应方法
技术领域
本发明涉及大功率燃料电池电堆控制领域，特别是涉及一种基于RBF神经网络控制燃料电池电堆多参数响应方法。
背景技术
近年来全球各国都在推动新能源汽车的发展，我国也将新能源汽车定为战略性新兴产业之一。新能源汽车分为纯电动汽车、插电混动汽车和燃料电池汽车，纯电动车和插电混动汽车相对于燃料电池汽车而言，由于技术相对简单而获得了快速的发展，但燃料电池汽车比纯电动汽车和插电混动汽车具有续航里程更高、加氢速度快等特点。然而目前国内研发的燃料电池发动机功率低，配套设施不齐全等问题。燃料电池有着强大的发展潜力，已经成为各国和龙头车企接下来产业化发展的重点方向之一，相关检测领域如大功率燃料电池电堆检测研究也成为重要的课题。
在电堆测试测试系统工况中存在温度、湿度、压力难以跟随测试需求快速响应的问题。为解决上述问题，提出一种燃料电池电堆测试系统多参数快速响应的方法，采用RBF神经网络PID控制以此来解决燃料电池测试快速响应的问题。
发明内容
本发明的目的是解决燃料电池测试平台中环境温度、湿度、压力跟随工况快速响应的问题，提出了基于RBF神经网络控制燃料电池电堆多参数响应方法。
本发明采用的一个技术方案是：
提供一种基于RBF神经网络控制燃料电池电堆多参数响应方法，步骤包括：
步骤一、分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，通过测量到的参数与预设的阈值得到变化量，将获得的变化量分别输入至与温度、湿度、压力对应的PID控制器及RBF神经网络；
步骤二、温度RBF神经网络、湿度RBF神经网络和压力RBF神经网络根据变化量计算出温度、湿度和压力对应的比例系数、积分系数、微分系数，并输入至相应的PID控制器；
步骤三、温度PID控制器、湿度PID控制器和压力PID控制器根据比例系数、积分系数、微分系数调整变化量，并根据变化量调整电堆的温度、湿度和压力；
步骤四、分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，判断测量到的当前值是否满足预设的阈值，若当前值未满足预设的阈值，则重新执行步骤一。
在本发明一个较佳实施例中，在步骤一，其具体步骤包括：
（1.1）分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，以得到温度实时值、湿度实时值、压力实时值；
（1.2）将测量所获得的温度实时值、湿度实时值、压力实时值与预设的温度阈值、湿度阈值和压力阈值进行差值计算，获得变化量，所述变化量包括温度控制误差、湿度控制误差和压力控制误差；
（1.2.1）温度控制系统的控制误差为：
Figure DEST_PATH_IMAGE001
，其中，
Figure 576386DEST_PATH_IMAGE002
为温度实 时值，
Figure DEST_PATH_IMAGE003
为温度阈值；
（1.2.2）湿度控制系统的控制误差为：
Figure 981959DEST_PATH_IMAGE004
，其中，
Figure DEST_PATH_IMAGE005
为湿度实 时值，
Figure 827556DEST_PATH_IMAGE006
为湿度阈值；
（1.2.3）压力控制系统的控制误差为：
Figure DEST_PATH_IMAGE007
，其中，
Figure 8876DEST_PATH_IMAGE008
为压力实 时值，
Figure DEST_PATH_IMAGE009
为压力阈值；
（1.3）将获取PID控制器的输入分量，并将获得的输入分量输入至不同的PID控制器，其中，温度输入分量输入温度PID控制器，湿度输入分量输入温度PID控制器，压力输入分量输入温度PID控制器。
在本发明一个较佳实施例中，在步骤（1.3），其具体步骤包括：
（1.3.1）温度PID控制器的三个输入分量为：
Figure 648936DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
，
Figure 541806DEST_PATH_IMAGE012
；
（1.3.2）湿度PID控制器的三个输入分量为：
Figure DEST_PATH_IMAGE013
，
Figure 925514DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
；
（1.3.3）压力PID控制器的三个输入分量为：
Figure 462805DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
，
Figure 772302DEST_PATH_IMAGE018
。
在本发明一个较佳实施例中，在步骤二中，
温度比例系数
Figure DEST_PATH_IMAGE019
；
温度积分系数
Figure DEST_PATH_IMAGE021
；
温度微分系数
Figure DEST_PATH_IMAGE023
；
湿度比例系数
Figure DEST_PATH_IMAGE025
；
湿度积分系数
Figure DEST_PATH_IMAGE027
；
湿度微分系数
Figure DEST_PATH_IMAGE029
；
压力比例系数
Figure DEST_PATH_IMAGE031
；
压力积分系数
Figure DEST_PATH_IMAGE033
；
压力微分系数
Figure DEST_PATH_IMAGE035
；
其中，
Figure 604997DEST_PATH_IMAGE036
(i=1,2,3)为第i个RBF神经网路的加权系数，
Figure DEST_PATH_IMAGE037
、
Figure 651451DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE039
(j=1,2,3)为神 经网络非线性映射函数。
在本发明一个较佳实施例中，在步骤三，其具体步骤包括：
（3.1）获取PID控制器控制算法的控制量；
（3.1.1）温度PID控制器控制算法的控制量u1(k)为：
Figure 308828DEST_PATH_IMAGE040
；
（3.1.2）湿度PID控制器控制算法的控制量为：
Figure DEST_PATH_IMAGE041
；
（3.1.3）压力PID控制器控制算法的控制量为：
Figure 290691DEST_PATH_IMAGE042
；
（3.2）获取或者得到参数整定的性能指标为：
Figure DEST_PATH_IMAGE043
；
（3.3）控制器计算得到温度、湿度、压力对应的比例参数调整值、微分参数调整值、积分参数调整值，且参数的调整采用梯度下降方法在线调整，具体包括：
温度比例参数调整值：
Figure 33519DEST_PATH_IMAGE044
=
Figure DEST_PATH_IMAGE045
；
温度积分参数调整值：
Figure 883663DEST_PATH_IMAGE046
=
Figure DEST_PATH_IMAGE047
；
温度微分参数调整值：
Figure 894082DEST_PATH_IMAGE048
=
Figure DEST_PATH_IMAGE049
；
湿度比例参数调整值：
Figure 46846DEST_PATH_IMAGE050
=
Figure DEST_PATH_IMAGE051
；
湿度积分参数调整值：
Figure 11391DEST_PATH_IMAGE052
=
Figure DEST_PATH_IMAGE053
；
湿度微分参数调整值：
Figure 665226DEST_PATH_IMAGE054
=
Figure DEST_PATH_IMAGE055
；
压力比例参数调整值：
Figure 31616DEST_PATH_IMAGE056
=
Figure DEST_PATH_IMAGE057
；
压力积分参数调整值：
Figure 853817DEST_PATH_IMAGE058
=
Figure DEST_PATH_IMAGE059
；
压力微分参数调整值：
Figure 571237DEST_PATH_IMAGE060
=
Figure DEST_PATH_IMAGE061
。
本发明的有益效果是：将RBF神经网络和PID控制器相结合，具有精度高，稳定性好，响应快的优点，能有效减少燃料电池电堆测试过程中各参数的响应时间并提高系统的自适应能力和鲁棒性。
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的前提下，还可以根据这些附图获得其它的附图，其中：
图1是本发明的基于RBF神经网络控制燃料电池电堆多参数响应方法一较佳实施例的控制框架结构示意图；
图2是本发明的基于RBF神经网络控制燃料电池电堆多参数响应方法中RBF神经网络结构示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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它实施例，都属于本发明保护的范围。
请参阅图1-2，本发明实施例包括：
一种基于RBF神经网络控制燃料电池电堆多参数响应方法，利用温度传感器、湿度传感器和压力传感器分别获得燃料电池测试系统运行时的温度、湿度和压力值。将获得的温度、湿度和压力值分别输入至对应的RBF神经网络和PID控制器。通过预先设置好的RBF神经网络训练程序对预先输入的值进行训练，得到不同PID控制器的比例积分微分的值，并将这些值输入至对应的PID控制器，PID控制器根据输入的值调整比例、微分、积分这三个系数，并以此来调控被控对象，如果被控对象仍未达到要求则返回起始处重新开始。
如图1所示，本实施例提供的基于RBF神经网络控制燃料电池电堆多参数响应方法包括以下步骤：
（1）分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，将测量到的参数与预设的阈值进行计算，得到变化量，将获得变化量输入至不同的PID控制器及不同的RBF神经网络。
RBF神经网络具体包括：根据不同的参数确定输入层、隐含层及输出层的节点个数从而建立RBF神经网络，设置所述RBF神经网络的初始参数，确定最终的RBF神经网络；所述初始参数包括初始权值向量、中心向量、高斯基函数向量、高斯基函数中心点的坐标向量和高斯基函数宽度。
（1.1）分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，以得到温度实时值、湿度实时值、压力实时值；
（1.2）将测量所获得的温度实时值、湿度实时值、压力实时值与预设的温度阈值、湿度阈值和压力阈值进行差值计算，获得变化量，所述变化量包括温度控制误差、湿度控制误差和压力控制误差。
（1.2.1）温度控制系统的控制误差为：
Figure 904129DEST_PATH_IMAGE001
，其中，
Figure 718502DEST_PATH_IMAGE002
为温度实 时值，
Figure 337702DEST_PATH_IMAGE003
为温度阈值。
（1.2.2）湿度控制系统的控制误差为：
Figure 745680DEST_PATH_IMAGE004
，其中，
Figure 475739DEST_PATH_IMAGE005
为湿度控 制的输入值，
Figure 144618DEST_PATH_IMAGE006
为湿度控制的输出值。
（1.2.3）压力控制系统的控制误差为：
Figure 308621DEST_PATH_IMAGE007
，其中，
Figure 328529DEST_PATH_IMAGE008
为压力控 制的输入值，
Figure 472066DEST_PATH_IMAGE009
为压力控制的输出值。
（1.3）将获取PID控制器的输入分量，并将获得的输入分量输入至不同的PID控制器，其中，温度输入分量输入温度PID控制器，湿度输入分量输入温度PID控制器，压力输入分量输入温度PID控制器。
（1.3.1）温度PID控制器的三个输入分量为：
Figure 261030DEST_PATH_IMAGE010
，
Figure 222033DEST_PATH_IMAGE011
，
Figure 339025DEST_PATH_IMAGE012
。
（1.3.2）湿度PID控制器的三个输入分量为：
Figure 145307DEST_PATH_IMAGE013
，
Figure 319936DEST_PATH_IMAGE014
，
Figure 61627DEST_PATH_IMAGE015
。
（1.3.3）压力PID控制器的三个输入分量为：
Figure 56128DEST_PATH_IMAGE016
，
Figure 40002DEST_PATH_IMAGE017
，
Figure 803559DEST_PATH_IMAGE018
。
（2）不同的RBF神经网络根据变化量的不同分别计算出温度、湿度、压力对应的比 例系数
Figure 575206DEST_PATH_IMAGE062
、积分系数
Figure DEST_PATH_IMAGE063
、微分系数
Figure 729106DEST_PATH_IMAGE064
，并输入至相应的PID控制器，其中，PID控制器包括温度 PID控制器、湿度PID控制器、压力PID控制器。具体包括：
温度比例系数
Figure 18137DEST_PATH_IMAGE019
；
温度积分系数
Figure 636200DEST_PATH_IMAGE021
；
温度微分系数
Figure 516431DEST_PATH_IMAGE023
；
湿度比例系数
Figure 921742DEST_PATH_IMAGE025
；
湿度积分系数
Figure 748884DEST_PATH_IMAGE027
；
湿度微分系数
Figure 752612DEST_PATH_IMAGE029
；
压力比例系数
Figure 7007DEST_PATH_IMAGE031
；
压力积分系数
Figure 463396DEST_PATH_IMAGE033
；
压力微分系数
Figure 202551DEST_PATH_IMAGE035
。
其中，
Figure 513315DEST_PATH_IMAGE036
(i=1,2,3)为第i个RBF神经网路的加权系数，
Figure 469770DEST_PATH_IMAGE037
、
Figure 870181DEST_PATH_IMAGE038
、
Figure 68819DEST_PATH_IMAGE039
(j=1,2,3)为神 经网络非线性映射函数。其中，W1是温度RBF神经网路的加权系数，W2是湿度RBF神经网路的 加权系数，W3是压力RBF神经网路的加权系数。
（3）温度、湿度、压力PID控制器根据比例系数、积分系数、微分系数调整变化量，并根据变化量调整电堆的温度、湿度、压力，控制算法具体为：
（3.1）获取PID控制器控制算法的控制量。
（3.1.1）温度PID控制器控制算法的控制量为：
Figure 188085DEST_PATH_IMAGE040
；
（3.1.2）湿度PID控制器控制算法的控制量为：
Figure 440075DEST_PATH_IMAGE041
；
（3.1.3）压力PID控制器控制算法的控制量为：
Figure 746422DEST_PATH_IMAGE042
。
（3.2）获取或者得到参数整定的性能指标为：
Figure 952013DEST_PATH_IMAGE043
。
（3.3）控制器计算得到温度、湿度、压力对应的比例参数调整值、微分参数调整值、积分参数调整值，参数的调整采用梯度下降方法在线调整，具体调整算法为：
温度比例参数调整值：
Figure 394627DEST_PATH_IMAGE044
=
Figure 551939DEST_PATH_IMAGE045
；
温度积分参数调整值：
Figure 345583DEST_PATH_IMAGE046
=
Figure 246543DEST_PATH_IMAGE047
；
温度微分参数调整值：
Figure 543663DEST_PATH_IMAGE048
=
Figure 871876DEST_PATH_IMAGE049
；
湿度比例参数调整值：
Figure 746291DEST_PATH_IMAGE050
=
Figure 824843DEST_PATH_IMAGE051
；
湿度积分参数调整值：
Figure 366683DEST_PATH_IMAGE052
=
Figure 210005DEST_PATH_IMAGE053
；
湿度微分参数调整值：
Figure 447083DEST_PATH_IMAGE054
=
Figure 424266DEST_PATH_IMAGE055
；
压力比例参数调整值：
Figure 820612DEST_PATH_IMAGE056
=
Figure 864529DEST_PATH_IMAGE057
；
压力积分参数调整值：
Figure 713537DEST_PATH_IMAGE058
=
Figure 369777DEST_PATH_IMAGE059
；
压力微分参数调整值：
Figure 886209DEST_PATH_IMAGE060
=
Figure 461547DEST_PATH_IMAGE061
。
（4）分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，判断测量到的实时值是否满足预设的阈值，若当前值未满足预设的阈值，则重新执行步骤一。
在具体实施时，我们收集了60组数据对RBF神经网络进行训练，RBF神经网络学习速率为0.1，动量因子选择0.05，采用三层网络模型，隐藏层节点数为5个。通过基于RBF神经网络PID控制于传统PID相比，RBF神经网络PID控制能更快达到收敛，且在稳定阶段波动幅度小。
本发明基于RBF神经网络控制燃料电池电堆多参数响应方法的有益效果是：将RBF神经网络和PID控制器相结合，具有精度高，稳定性好，响应快的优点，能有效减少燃料电池电堆测试过程中各参数的响应时间并提高系统的自适应能力和鲁棒性。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种基于RBF神经网络控制燃料电池电堆多参数响应方法，其特征在于，步骤包括：
步骤一、分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，通过测量到的参数与预设的阈值得到变化量，将获得的变化量分别输入至与温度、湿度、压力对应的PID控制器及RBF神经网络；
步骤二、温度RBF神经网络、湿度RBF神经网络和压力RBF神经网络根据变化量计算出温度、湿度和压力对应的比例系数、积分系数、微分系数，并输入至相应的PID控制器；
步骤三、温度PID控制器、湿度PID控制器和压力PID控制器根据比例系数、积分系数、微分系数调整变化量，并根据变化量调整电堆的温度、湿度和压力；
步骤四、分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，判断测量到的当前值是否满足预设的阈值，若当前值未满足预设的阈值，则重新执行步骤一。
2.根据权利要求1所述的基于RBF神经网络控制燃料电池电堆多参数响应方法，其特征在于，在步骤一，其具体步骤包括：
（1.1）分别采用温度传感器、湿度传感器和压力传感器对燃料电池电堆的温度、湿度、压力进行测量，以得到温度实时值、湿度实时值、压力实时值；
（1.2）将测量所获得的温度实时值、湿度实时值、压力实时值与预设的温度阈值、湿度阈值和压力阈值进行差值计算，获得变化量，所述变化量包括温度控制误差、湿度控制误差和压力控制误差；
（1.2.1）温度控制系统的控制误差为：
Figure DEST_PATH_IMAGE002
，其中，
Figure DEST_PATH_IMAGE004
为温度实时值，
Figure DEST_PATH_IMAGE006
为温度阈值；
（1.2.2）湿度控制系统的控制误差为：
Figure DEST_PATH_IMAGE008
，其中，
Figure DEST_PATH_IMAGE010
为湿度实时值，
Figure DEST_PATH_IMAGE012
为湿度阈值；
（1.2.3）压力控制系统的控制误差为：
Figure DEST_PATH_IMAGE014
，其中，
Figure DEST_PATH_IMAGE016
为压力实时值，
Figure DEST_PATH_IMAGE018
为压力阈值；
（1.3）将获取PID控制器的输入分量，并将获得的输入分量输入至不同的PID控制器，其中，温度输入分量输入温度PID控制器，湿度输入分量输入温度PID控制器，压力输入分量输入温度PID控制器。
3.根据权利要求2所述的基于RBF神经网络控制燃料电池电堆多参数响应方法，其特征在于，在步骤（1.3），其具体步骤包括：
（1.3.1）温度PID控制器的三个输入分量为：
Figure DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE024
；
（1.3.2）湿度PID控制器的三个输入分量为：
Figure DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE030
；
（1.3.3）压力PID控制器的三个输入分量为：
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE036
。
4.根据权利要求1所述的基于RBF神经网络控制燃料电池电堆多参数响应方法，其特征在于，在步骤二中，
温度比例系数
Figure DEST_PATH_IMAGE038
；
温度积分系数
Figure DEST_PATH_IMAGE040
；
温度微分系数
Figure DEST_PATH_IMAGE042
；
湿度比例系数
Figure DEST_PATH_IMAGE044
；
湿度积分系数
Figure DEST_PATH_IMAGE046
；
湿度微分系数
Figure DEST_PATH_IMAGE048
；
压力比例系数
Figure DEST_PATH_IMAGE050
；
压力积分系数
Figure DEST_PATH_IMAGE052
；
压力微分系数
Figure DEST_PATH_IMAGE054
；
其中，
Figure DEST_PATH_IMAGE056
(i=1,2,3)为第i个RBF神经网路的加权系数，
Figure DEST_PATH_IMAGE058
、
Figure DEST_PATH_IMAGE060
、
Figure DEST_PATH_IMAGE062
(j=1,2,3)为神经网络非线性映射函数。
5.根据权利要求1所述的基于RBF神经网络控制燃料电池电堆多参数响应方法，其特征在于，在步骤三，其具体步骤包括：
（3.1）获取PID控制器控制算法的控制量；
（3.1.1）温度PID控制器控制算法的控制量u1(k)为：
Figure DEST_PATH_IMAGE064
；
（3.1.2）湿度PID控制器控制算法的控制量为：
Figure DEST_PATH_IMAGE066
；
（3.1.3）压力PID控制器控制算法的控制量为：
Figure DEST_PATH_IMAGE068
；
（3.2）获取或者得到参数整定的性能指标为：
Figure DEST_PATH_IMAGE070
；
（3.3）控制器计算得到温度、湿度、压力对应的比例参数调整值、微分参数调整值、积分参数调整值，且参数的调整采用梯度下降方法在线调整，具体包括：
温度比例参数调整值：
Figure DEST_PATH_IMAGE072
=
Figure DEST_PATH_IMAGE074
；
温度积分参数调整值：
=
Figure DEST_PATH_IMAGE076
；
温度微分参数调整值：
Figure DEST_PATH_IMAGE078
=
Figure DEST_PATH_IMAGE080
；
湿度比例参数调整值：
Figure DEST_PATH_IMAGE082
=
Figure DEST_PATH_IMAGE084
；
湿度积分参数调整值：
Figure DEST_PATH_IMAGE086
=
Figure DEST_PATH_IMAGE088
；
湿度微分参数调整值：
Figure DEST_PATH_IMAGE090
=
Figure DEST_PATH_IMAGE092
；
压力比例参数调整值：
Figure DEST_PATH_IMAGE094
=
Figure DEST_PATH_IMAGE096
；
压力积分参数调整值：
Figure DEST_PATH_IMAGE098
=
Figure DEST_PATH_IMAGE100
；
压力微分参数调整值：
Figure DEST_PATH_IMAGE102
=
Figure DEST_PATH_IMAGE104
。
CN202110549160.1A 2021-05-20 2021-05-20 基于rbf神经网络控制燃料电池电堆多参数响应方法 Pending CN113283006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110549160.1A CN113283006A (zh) 2021-05-20 2021-05-20 基于rbf神经网络控制燃料电池电堆多参数响应方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110549160.1A CN113283006A (zh) 2021-05-20 2021-05-20 基于rbf神经网络控制燃料电池电堆多参数响应方法

Publications (1)

Publication Number Publication Date
CN113283006A true CN113283006A (zh) 2021-08-20

Family

ID=77280153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110549160.1A Pending CN113283006A (zh) 2021-05-20 2021-05-20 基于rbf神经网络控制燃料电池电堆多参数响应方法

Country Status (1)

Country Link
CN (1) CN113283006A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114050293A (zh) * 2021-10-15 2022-02-15 南昌大学 一种固体氧化物燃料电池系统的工况辨识方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107045289A (zh) * 2017-06-05 2017-08-15 杭州电子科技大学 一种电加热炉温度的非线性神经网络优化pid控制方法
CN108832159A (zh) * 2018-06-26 2018-11-16 德州新动能铁塔发电有限公司 一种燃料电池控制系统及控制方法
CN110554715A (zh) * 2019-10-25 2019-12-10 攀钢集团攀枝花钢铁研究院有限公司 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法
CN111520878A (zh) * 2020-05-02 2020-08-11 苏州科技大学 一种基于rbf神经网络的空调温控系统及其控制方法
CN112648717A (zh) * 2020-12-16 2021-04-13 桂林电子科技大学 一种基于径向基神经网络的多区域变风量空调系统末端控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107045289A (zh) * 2017-06-05 2017-08-15 杭州电子科技大学 一种电加热炉温度的非线性神经网络优化pid控制方法
CN108832159A (zh) * 2018-06-26 2018-11-16 德州新动能铁塔发电有限公司 一种燃料电池控制系统及控制方法
CN110554715A (zh) * 2019-10-25 2019-12-10 攀钢集团攀枝花钢铁研究院有限公司 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法
CN111520878A (zh) * 2020-05-02 2020-08-11 苏州科技大学 一种基于rbf神经网络的空调温控系统及其控制方法
CN112648717A (zh) * 2020-12-16 2021-04-13 桂林电子科技大学 一种基于径向基神经网络的多区域变风量空调系统末端控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
殷劲松: "基于神经网络自抗扰控制的交流伺服系统分数阶控制", 《电光与控制》, vol. 26, no. 5 *
马志昆;: "基于网络学习控制的燃料电池测试系统研究及应用", 《测控技术》, no. 12, pages 63 - 66 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114050293A (zh) * 2021-10-15 2022-02-15 南昌大学 一种固体氧化物燃料电池系统的工况辨识方法

Similar Documents

Publication Publication Date Title
CN104836498B (zh) 一种基于人工神经网络的自整定pid发电机控制系统
CN102129259B (zh) 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法
CN109100935B (zh) 大时滞系统的阻尼智慧pi控制方法
CN106026822A (zh) 伺服电机驱动系统的惯量在线辨识方法及系统
CN104732300B (zh) 一种基于模糊分区理论的神经网络风功率短期预测方法
CN112630659A (zh) 一种基于改进bp-ekf算法的锂电池soc估算方法
CN114216256B (zh) 离线预训练-在线学习的通风系统风量控制方法
CN105279579B (zh) 一种水轮发电机组励磁系统pid控制参数的优选方法
CN106532691A (zh) 基于自适应动态规划的单区域电力系统频率复合控制方法
CN107600176A (zh) 一种基于可拓控制理论的智能车辆主动转向控制方法
CN113283006A (zh) 基于rbf神经网络控制燃料电池电堆多参数响应方法
CN106228033B (zh) 基于rbf神经网络的三芯电缆导体温度实时计算方法
CN106059412B (zh) 基于信度规则库推理的他励直流电动机转速控制方法
CN114583710B (zh) 基于数据驱动建模的风电场无功电压优化控制方法
CN116796644A (zh) 基于多智能体sac深度强化学习的风电场参数辨识方法
CN108053066A (zh) 工业生产用户能源管理系统中可调电力负荷的预测方法
CN106599541B (zh) 一种动态电力负荷模型的结构和参数在线辨识方法
CN113890017A (zh) 基于关键量测的配电网电压自适应控制方法
CN113147768A (zh) 基于多算法融合预测的汽车路面状态在线估计系统及方法
CN110474323B (zh) 一种电力系统惯性时间常数测量方法
CN111293693A (zh) 基于扩展卡尔曼滤波的双馈风机变流器控制参数辨识方法
CN106124933A (zh) 一种基于等价输入干扰法的电力系统故障诊断方法
CN102904255B (zh) 基于解析灵敏度的电力系统低压切负荷优化控制方法
CN115718478A (zh) 基于sac深度强化学习的svg参数优化辨识方法
CN111695082A (zh) 智能配电网抗差动态状态估计方法

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