CN113540534A - 一种质子交换膜燃料电池堆的饥饿故障诊断方法 - Google Patents

一种质子交换膜燃料电池堆的饥饿故障诊断方法 Download PDF

Info

Publication number
CN113540534A
CN113540534A CN202110789795.9A CN202110789795A CN113540534A CN 113540534 A CN113540534 A CN 113540534A CN 202110789795 A CN202110789795 A CN 202110789795A CN 113540534 A CN113540534 A CN 113540534A
Authority
CN
China
Prior art keywords
data
internal resistance
fuel cell
cluster
normal
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.)
Granted
Application number
CN202110789795.9A
Other languages
English (en)
Other versions
CN113540534B (zh
Inventor
卫东
高志
严梦男
郭倩
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.)
China Jiliang University
Original Assignee
China Jiliang University
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 China Jiliang University filed Critical China Jiliang University
Priority to CN202110789795.9A priority Critical patent/CN113540534B/zh
Publication of CN113540534A publication Critical patent/CN113540534A/zh
Application granted granted Critical
Publication of CN113540534B publication Critical patent/CN113540534B/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
    • H01M8/04305—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
    • H01M8/04313—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
    • H01M8/04664—Failure or abnormal function
    • H01M8/04679—Failure or abnormal function of fuel cell stacks
    • 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

一种质子交换膜燃料电池堆的饥饿故障诊断方法，包括：本发明方法是通过EIS特定频率所对应的实部虚部值以及燃料电池内阻模型计算饥饿故障诊断的指标参数。将仿真获得的饥饿数据与正常电堆数据作为初始分析数据，使用主成分分析法和K均值聚类方法进行分类，得到正常簇集与饥饿簇集的俩个质心点μ1和μ2。利用主成分分析法和K均值聚类方法得到不同操作条件下的实验数据点，与正常数据簇集的质心点μ1和饥饿数据簇集的质心点μ2进行对比，可以判断出此时的电堆是否出现了饥饿故障以及饥饿故障程度，具有良好的工程应用前景。

Description

一种质子交换膜燃料电池堆的饥饿故障诊断方法
技术领域:
本发明涉及一种质子交换膜燃料电池堆的饥饿故障诊断的方法。
背景技术:
随着传统的化石能源的日趋枯竭，21世纪的人们将更注重于新型的可持续能源的开发与利用。燃料电池是一种可以利用氢这种新型能源作燃料，不经过燃烧过程的低污染、高效的发电装置。其中，质子交换膜燃料电池(PEMFC)是以Nafion膜为电解质，氧气和氢气作为阴阳极反应物，重金属铂/碳为催化剂，具有低温快速启动、功率密度高、使用寿命长、机动性强等特点，非常适用于航天与军事动力能源、车辆动力能源、可携式电子产品小电源等移动设备的能源供应，具有光明的应用前景。随着燃料电池技术的不断进步，以及国内政策的大力扶持，对燃料电池耐久性和可持续性提出更高的要求，其中实时的故障诊断可以有效提高燃料电池的寿命。
PEMFC总体上反应物供应不足或者不均，电堆会出现饥饿故障，导致整体电堆的输出性能降低，同时减少电堆的使用寿命。为了保证系统的正常运行，故障诊断被认为是及时隔离和纠正故障的有效措施。
目前，比较常用的PEMFC故障诊断方法分为基于模型的故障诊断方法和基于数据驱动的故障诊断方法。但两者皆存在弊端，基于模型的故障诊断方法难以进行实时的在线故障检测，基于数据驱动的故障诊断方法受到数据集数量的限制，这些数据集的生成过程非常耗时，相对应各种故障的识别准确性相对较低。
发明内容：
本发明提出了一种质子交换膜燃料电池堆的饥饿故障诊断方法，为了实现实时诊断这项技术特点，选择EIS特定频率所对应的实部虚部值计算模型参数，可以大大缩短参数提取的时间。同时利用模型中特定参数作为饥饿故障诊断的指标参数，再通过主成分降维，最后利用K均值聚类算法对数据进行故障分类，实现饥饿故障诊断。
为达到上述目的，本发明所叙述的一种质子交换膜燃料电池堆的饥饿故障诊断方法有以下的步骤：
1.一种质子交换膜燃料电池堆的饥饿故障诊断方法，其特征在于：通过EIS法特定频率所对应的实部虚部值以及燃料电池内阻模型计算饥饿故障诊断的指标参数；将仿真获得的饥饿数据与正常电堆数据作为初始分析数据，使用主成分分析法和K均值聚类方法进行分类，得到正常簇集与饥饿簇集的俩个质心点μ1和μ2；依此为诊断指标，针对任意工况下的电堆，只需获得燃料电池实际使用过程中的饥饿指标参数数据，利用主成分分析法和K均值聚类方法得到不同操作条件下的实验数据点，与正常数据簇集的质心点μ1和饥饿数据簇集的质心点μ2进行对比，可以判断出此时的电堆是否出现了饥饿故障以及饥饿故障程度，较传统方法操作更加简单迅速、准确性更佳，具体的步骤如下：
步骤一：通过EIS法测得燃料电池堆内的阻抗信息，提取频率20KHz阻抗实部虚部值得到欧姆内阻Rm，在U-I曲线上获得对应电流密度i下得输出电压U，代入燃料电池输出电压模型可以求得电堆总内阻Rstack，提取对应电流密度i下电堆的工作温度Tstack，利用活化内阻模型计算活化内阻Rf，将Rstack和Rf代入总内阻公式可计算出浓差内阻Rd，如下式所示：
U＝Eocv-i·Rstack (1)
Rstack＝Rf+Rm+Rd (2)
Figure BDA0003160637310000021
其中Eocv是燃料电池开路电压；Rm为燃料电池的欧姆内阻；Rf是活化内阻；Rd是浓差内阻；Rstack是欧姆内阻Rm和活化内阻Rf以及浓差内阻Rd的和；R理想气体常数；α电化学反应速率参数；μ转移电子数；F法拉第常数；R理想气体常数；ΔG为活化能，J；T0和Tstack为参考温度和电堆工作温度，K；i0和i为交换电流密度和输出电流密度A/cm2；
步骤二：依据燃料电池的二阶RC等效电路图可以得到阻抗表达式(4)，提取定频率对应的阻抗实部虚部值，利用阻抗谱实部虚部模型，可以计算出等效电容Cd与Cdl；
Figure BDA0003160637310000022
Figure BDA0003160637310000023
式中Cdl和Cd表示为燃料电池二阶等效电路中的双电层电容；
步骤三：选取饥饿故障诊断的指标参数为电流密度i，反应物总浓度Cg，浓差内阻Rd和双层电容Cdl，将仿真获得的饥饿数据与正常电堆数据作为初始分析数据，通过主成分分析法得到主成分特征量，其中第一主成分Y1与第二主成分Y2作为饥饿故障诊断特征量，X1为电流密度数据集，X2为双电层电容，X3为浓差内阻数据集，X4为反应物浓度数据集；
步骤四：对步骤三求得的主成分特征量采用K均值聚类方法进行分类，得到正常簇集与饥饿簇集的俩个质心点μ1和μ2，画出饥饿数据与正常数据下的Y1，Y2推算簇集图；
步骤五：在燃料电池堆实际使用过程中，通过上面步骤一到步骤二的方法可以得到电堆不同工况下的电流密度i，反应物总浓度Cg，浓差内阻Rd和双层电容Cdl，利用主成分分析法和K均值聚类方法，得到不同操作条件下的实验数据点，与正常数据簇集的质心点μ1和饥饿数据簇集的质心点μ2进行对比，判断此时电堆是否出现了饥饿故障以及饥饿故障的程度。
本发明所述的一种质子交换膜燃料电池堆的饥饿故障诊断方法，其特征在于：相较于传统的基于数据驱动的诊断方法，测试周期时间长，对故障的识别准确性较低，使用基于模型和数据驱动相结合的方法，通过U-I曲线对应电流密度下的输出电压值和EIS特定频率所对应的阻抗实部虚部值计算模型参数，大大缩短了参数提取的时间，实现了实时故障诊断，更具有实用价值，有较好的工程应用前景。本方法既从机理出发识别故障的类型，同时利用模型中特定参数作为指标参数，再通过主成分分析降维，最后利用K均值聚类算法对数据进行故障分类。
附图说明：
图1阻抗谱取点示意图
图2U-I曲线取点示意图
图3燃料电池的二阶RC等效电路图
图4饥饿数据与正常数据下的Y1，Y2推算簇集图
具体实施方式：
下面结合附图说明一种质子交换膜燃料电池堆的饥饿故障诊断方法的具体实施方式。本发明所述的一种质子交换膜燃料电池堆的饥饿故障诊断方法的实施过程包括以下几个步骤：
步骤一：通过EIS法测得燃料电池堆内的阻抗信息，如图1所示提取频率20KHz阻抗实部虚部值得到欧姆内阻Rm，如图2所示在U-I曲线上获得对应电流密度i下得输出电压U；将U和i代入燃料电池输出电压模型可以求得电堆总内阻Rstack，提取对应电流密度i下电堆的工作温度Tstack，利用活化内阻模型计算活化内阻Rf，将Rstack和Rf代入总内阻公式可计算出浓差内阻Rd，如下式所示：
U＝Eocv-i·Rstack (1)
Rstack＝Rf+Rm+Rd (2)
Rd＝Rstack-Rf-Rm (3)
Figure BDA0003160637310000031
其中Eocv是燃料电池开路电压；Rm为燃料电池的欧姆内阻；Rf是活化内阻；Rd是浓差内阻；Rstack是欧姆内阻Rm和活化内阻Rf以及浓差内阻Rd的和；R理想气体常数；α电化学反应速率参数；μ转移电子数；F法拉第常数；R理想气体常数；T0和Tstack为参考温度和电堆工作温度，K；i0和i为交换电流密度和输出电流密度A/cm2；
步骤二：依据燃料电池的二阶RC等效电路图可以得到阻抗表达式，化简得到实部和虚部的表达式，如式(5)和式(6)所示，获取定频率下电堆的实部虚部值(Re,Im),将求得的Re、Im、Rf、Rm和Rd代入式(6)，求解二元二次方程组，可以计算出Cd和Cdl具体的值。
Figure BDA0003160637310000032
Figure BDA0003160637310000041
式中Cdl和Cd表示为燃料电池二阶等效电路中的双电层电容。
步骤三：从饥饿故障原理和浓差内阻模型出发，饥饿故障的影响因素主要为电流密度，反应物进气流量和反应时间，其中反应物进气流量和反应时间对应于反应物的总浓度Cg和Cdl，如式(7)、(8)、(9)所示:
Figure BDA0003160637310000042
Figure BDA0003160637310000043
式中Va为阳极进气流量；Vc为阴极进气流量；ρH2是氢气密度；ρair是空气密度；MH2表示氢气摩尔质量；Mair表示氧气摩尔质量；t为时间，s；ε介电常数；d为板的分界面宽度；I是电流，A；Vstack为堆内气体总体积，L；Ptotal为气体总压力，Mpa；
Figure BDA0003160637310000044
与∑vair为氢气与空气的分子扩散体积，cm3/mol；n是电子数；F是法拉第常数，C/mol；Tair为空气温度，单位K。
因此将电流密度i，反应物总浓度Cg，浓差内阻Rd和双层电容Cdl作为饥饿故障诊断的指标参数，X1为电流密度数据集，X2为双电层电容，X3为浓差内阻数据集，X4为反应物浓度数据集，四维随机向量为X＝(X1，X2，X3，X4)，将仿真获得的饥饿数据与正常电堆数据作为初始分析数据代入式(9)，使用主成分分析法对X进行线性变换，可以形成新的综合变量Y，其中第一主成分Y1与第二主成分Y2作为饥饿故障诊断特征量，如式(10)所示。
Figure BDA0003160637310000045
Figure BDA0003160637310000046
步骤四：对步骤三求得的主成分特征量采用K均值聚类方法进行分类，得到正常簇集与饥饿簇集的俩个质心点μ1和μ2，画出饥饿数据与正常数据下的Y1，Y2推算簇集图，如图(3)所示。
步骤五：在燃料电池堆实际使用过程中，通过上面步骤一到步骤二的方法可以得到电堆不同工况下的电流密度i，反应物总浓度Cg，浓差内阻Rd和双层电容Cdl，利用主成分分析法和K均值聚类方法，得到不同操作条件下的实验数据点，与正常数据簇集的质心点μ1和饥饿数据簇集的质心点μ2进行对比，可以判断出此时的电堆是否出现了饥饿故障以及饥饿故障程度。具体区分饥饿故障程度的准则如下：
1.数据点在两个簇集质心点之间，则距离饥饿簇集质心μ2越远，离正常簇集μ1越近，则该数据点对应的电堆状态更加趋近于正常状态，相反则更趋近于饥饿状态。
2.数据点在饥饿簇集质心μ2的右下方，则电堆处于饥饿状态，并且距离越远饥饿成度越严重，同时把该组数据加入原数据簇中，重新使用K均值聚类方法，重新计算出新的饥饿簇集质心μ2。
3.数据点在正常簇集质心μ1的左上方，则电堆处于正常状态，也需要把该组数据加入原数据簇中，重新计算出新的正常簇集质心μ1。
本发明的特征在于：相较于传统的基于数据驱动的诊断方法，测试周期时间长，需要海量的数据集，对故障的识别准确性较低，使用基于模型和数据驱动相结合的方法，只需获得U-I曲线对应电流密度下的电压值即可求得电堆总内阻Rstack，同时选择EIS俩个特定频率所对应的实部虚部值计算模型参数，无需测量整条U-I曲线和电化学阻抗谱图，大大缩短了参数提取的时间，实现了实时故障诊断。
本方法既从机理出发识别故障的类型，同时利用模型中特定参数作为指标参数，选取了四个具有代表性的饥饿故障指标参数，结合仿真和实验数据，通过主成分分析降维，最后利用K均值聚类算法对数据进行故障分类，得到了正常数据簇集的质心点μ1和饥饿数据簇集的质心点μ2，依据实验数据点到质心的距离可以判断出电堆是否出现了饥饿故障以及饥饿故障的程度，在电堆饥饿故障诊断方面具有实用价值，有较好的工程应用前景。

Claims (3)

1.一种质子交换膜燃料电池堆的饥饿故障诊断方法，其特征在于：通过EIS法特定频率所对应的实部虚部值以及燃料电池内阻模型计算饥饿故障诊断的指标参数；将仿真获得的饥饿数据与正常电堆数据作为初始分析数据，使用主成分分析法和K均值聚类方法进行分类，得到正常簇集与饥饿簇集的俩个质心点μ1和μ2；依此为诊断指标，针对任意工况下的电堆，只需获得燃料电池实际使用过程中的饥饿指标参数数据，利用主成分分析法和K均值聚类方法得到不同操作条件下的实验数据点，与正常数据簇集的质心点μ1和饥饿数据簇集的质心点μ2进行对比，可以判断出此时的电堆是否出现了饥饿故障以及饥饿故障程度，较传统方法操作更加简单迅速、准确性更佳，具体的步骤如下：
步骤一：通过EIS法测得燃料电池堆内的阻抗信息，提取频率20KHz阻抗实部虚部值得到欧姆内阻Rm，在U-I曲线上获得对应电流密度i下得输出电压U，代入燃料电池输出电压模型可以求得电堆总内阻Rstack，提取对应电流密度i下电堆的工作温度Tstack，利用活化内阻模型计算活化内阻Rf，将Rstack和Rf代入总内阻公式可计算出浓差内阻Rd，如下式所示：
U＝Eocv-i·Rstack (1)
Rstack＝Rf+Rm+Rd (2)
Figure FDA0003160637300000011
其中Eocv是燃料电池开路电压；Rm为燃料电池的欧姆内阻；Rf是活化内阻；Rd是浓差内阻；Rstack是欧姆内阻Rm和活化内阻Rf以及浓差内阻Rd的和；R理想气体常数；α电化学反应速率参数；μ转移电子数；F法拉第常数；R理想气体常数；ΔG为活化能，J；T0和Tstack为参考温度和电堆工作温度，K；i0和i为交换电流密度和输出电流密度A/cm2；
步骤二：依据燃料电池的二阶RC等效电路图可以得到阻抗表达式(4)，提取定频率对应的阻抗实部虚部值，利用阻抗谱实部虚部模型，可以计算出等效电容Cd与Cdl；
Figure FDA0003160637300000012
Figure FDA0003160637300000013
式中Cdl和Cd表示为燃料电池二阶等效电路中的双电层电容；
步骤三：选取饥饿故障诊断的指标参数为电流密度i，反应物总浓度Cg，浓差内阻Rd和双层电容Cdl，将仿真获得的饥饿数据与正常电堆数据作为初始分析数据，通过主成分分析法得到主成分特征量，其中第一主成分Y1与第二主成分Y2作为饥饿故障诊断特征量，X1为电流密度数据集，X2为双电层电容，X3为浓差内阻数据集，X4为反应物浓度数据集；
步骤四：对步骤三求得的主成分特征量采用K均值聚类方法进行分类，得到正常簇集与饥饿簇集的俩个质心点μ1和μ2，画出饥饿数据与正常数据下的Y1，Y2推算簇集图；
步骤五：在燃料电池堆实际使用过程中，通过上面步骤一到步骤二的方法可以得到电堆不同工况下的电流密度i，反应物总浓度Cg，浓差内阻Rd和双层电容Cdl，利用主成分分析法和K均值聚类方法，得到不同操作条件下的实验数据点，与正常数据簇集的质心点μ1和饥饿数据簇集的质心点μ2进行对比，判断此时电堆是否出现了饥饿故障以及饥饿故障的程度。
2.根据权利要求1所述的一种质子交换膜燃料电池堆的饥饿故障诊断方法，具体区分饥饿故障程度的准则如下：若数据点在两个簇集质心点之间，则距离饥饿簇集质心μ2越远，离正常簇集μ1越近，则该数据点对应的电堆状态更加趋近于正常状态，相反则更趋近于饥饿状态；若数据点在饥饿簇集质心μ2的右下方，则电堆处于饥饿状态，并且距离越远饥饿成度越严重，同时把该组数据加入原数据簇中，重新使用K均值聚类方法，重新计算出新的饥饿簇集质心μ2；若数据点在正常簇集质心μ1的左上方，则电堆处于正常状态，也需要把该组数据加入原数据簇中，重新计算出新的正常簇集质心μ1。
3.根据权利要求1所述的一种质子交换膜燃料电池堆的饥饿故障诊断方法，其特征在于：饥饿故障与反应物总浓度Cg有关，反应物总浓度Cg影响双层电容Cdl，体现在浓差内阻Rd大小变化上，以电流密度i，反应物总浓度Cg，浓差内阻Rd和双层电容Cdl作为饥饿故障诊断的指标参数。
CN202110789795.9A 2021-07-13 2021-07-13 一种质子交换膜燃料电池堆的饥饿故障诊断方法 Active CN113540534B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110789795.9A CN113540534B (zh) 2021-07-13 2021-07-13 一种质子交换膜燃料电池堆的饥饿故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110789795.9A CN113540534B (zh) 2021-07-13 2021-07-13 一种质子交换膜燃料电池堆的饥饿故障诊断方法

Publications (2)

Publication Number Publication Date
CN113540534A true CN113540534A (zh) 2021-10-22
CN113540534B CN113540534B (zh) 2022-12-30

Family

ID=78127695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110789795.9A Active CN113540534B (zh) 2021-07-13 2021-07-13 一种质子交换膜燃料电池堆的饥饿故障诊断方法

Country Status (1)

Country Link
CN (1) CN113540534B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114899457A (zh) * 2022-05-23 2022-08-12 淮阴工学院 一种针对质子交换膜燃料电池系统的故障检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009043699A (ja) * 2007-07-13 2009-02-26 Olympus Corp 燃料電池式電源装置、燃料電池式電源装置の制御方法、燃料電池式電源装置の制御プログラム
US20180301724A1 (en) * 2015-10-30 2018-10-18 Lg Chem, Ltd. Fuel cell system and control method therefor
CN109346750A (zh) * 2018-09-14 2019-02-15 重庆大学 基于数据降维算法的燃料电池加载速率识别方法
CN109726452A (zh) * 2018-12-12 2019-05-07 浙江大学 一种基于阻抗谱的在线质子交换膜燃料电池故障诊断方法
CN111832178A (zh) * 2020-07-17 2020-10-27 中国计量大学 一种基于特征频率计算的燃料电池输出性能优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009043699A (ja) * 2007-07-13 2009-02-26 Olympus Corp 燃料電池式電源装置、燃料電池式電源装置の制御方法、燃料電池式電源装置の制御プログラム
US20180301724A1 (en) * 2015-10-30 2018-10-18 Lg Chem, Ltd. Fuel cell system and control method therefor
CN109346750A (zh) * 2018-09-14 2019-02-15 重庆大学 基于数据降维算法的燃料电池加载速率识别方法
CN109726452A (zh) * 2018-12-12 2019-05-07 浙江大学 一种基于阻抗谱的在线质子交换膜燃料电池故障诊断方法
CN111832178A (zh) * 2020-07-17 2020-10-27 中国计量大学 一种基于特征频率计算的燃料电池输出性能优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LU WANG等: ""Development of a Typical Urban Driving Cycle for Battery Electric Vehicles Based on Kernel Principal Component Analysis and Random Forest"", 《IEEE ACCESS》 *
刘嘉蔚等: ""基于多分类相关向量机和模糊C均值聚类的有轨电车用燃料电池系统故障诊断方法"", 《中国电机工程学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114899457A (zh) * 2022-05-23 2022-08-12 淮阴工学院 一种针对质子交换膜燃料电池系统的故障检测方法
CN114899457B (zh) * 2022-05-23 2023-09-29 淮阴工学院 一种针对质子交换膜燃料电池系统的故障检测方法

Also Published As

Publication number Publication date
CN113540534B (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
Chen et al. The reactant starvation of the proton exchange membrane fuel cells for vehicular applications: A review
Pan et al. Health degradation assessment of proton exchange membrane fuel cell based on an analytical equivalent circuit model
Liu et al. Parameter optimization of PEMFC stack under steady working condition using orthogonal experimental design
Wang et al. A comparative study of equivalent circuit model and distribution of relaxation times for fuel cell impedance diagnosis
Atlam et al. A practical equivalent electrical circuit model for proton exchange membrane fuel cell (PEMFC) systems
Becker et al. Predictive models for PEM-electrolyzer performance using adaptive neuro-fuzzy inference systems
Zhao et al. Investigation of local sensitivity for vehicle-oriented fuel cell stacks based on electrochemical impedance spectroscopy
CN114976129A (zh) 一种新型乌鸦搜索算法在质子交换膜燃料电池模型参数辨识中的应用
CN116643192B (zh) Sofc电池/电堆使用寿命的预测方法、装置、计算机和存储介质
Li et al. A new fuel cell degradation model indexed by proton exchange membrane thickness derived from polarization curve
Du et al. A fault diagnosis model for proton exchange membrane fuel cell based on impedance identification with differential evolution algorithm
Huang et al. Experimental study of the performance degradation of proton exchange membrane fuel cell based on a multi-module stack under selected load profiles by clustering algorithm
CN113540534B (zh) 一种质子交换膜燃料电池堆的饥饿故障诊断方法
Zhao et al. Inconsistency evaluation of vehicle-oriented fuel cell stacks based on electrochemical impedance under dynamic operating conditions
Li Data-driven fault diagnosis for PEMFC systems
Wang et al. PEM fuel cell health state assessment using a geometrical approach and mahalanobis distance
CN115547433A (zh) 一种质子交换膜电解槽建模优化的方法
Wu et al. Data-driven approaches for predicting performance degradation of solid oxide fuel cells system considering prolonged operation and shutdown accumulation effect
Wang et al. Analysis of fuel cell impedance characteristics at high current density based on distribution of relaxation times
Wang et al. Diagnosis of Gas Leakage in SOFC Stack Based on Gas Sensing Data
Zhang et al. Model-based Investigation of PEMFC Catalyst Layer Degradation Behavior under Dynamic Conditions Considering the Evolution of Transfer Coefficient
Kavadias et al. A simplified optimization model for sizing proton-exchange membrane fuel cells
Kahia et al. Accurate Estimation of PEMFC State of Health using Modified Hybrid Artificial Neural Network Models.
CN118393367A (zh) 基于实验和数据驱动的水下sofc故障诊断方法及其系统
CN113659174B (zh) 一种膜电极制造过程能力指数的评估方法

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