CN113659176B - 一种氢燃料电池自适应控制方法和装置 - Google Patents

一种氢燃料电池自适应控制方法和装置 Download PDF

Info

Publication number
CN113659176B
CN113659176B CN202110728187.7A CN202110728187A CN113659176B CN 113659176 B CN113659176 B CN 113659176B CN 202110728187 A CN202110728187 A CN 202110728187A CN 113659176 B CN113659176 B CN 113659176B
Authority
CN
China
Prior art keywords
current
coefficient
control
layer
output
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
CN202110728187.7A
Other languages
English (en)
Other versions
CN113659176A (zh
Inventor
王秋来
宫熔
杨高超
王明锐
王成
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.)
Dongfeng Motor Corp
Original Assignee
Dongfeng Motor Corp
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 Dongfeng Motor Corp filed Critical Dongfeng Motor Corp
Priority to CN202110728187.7A priority Critical patent/CN113659176B/zh
Publication of CN113659176A publication Critical patent/CN113659176A/zh
Application granted granted Critical
Publication of CN113659176B publication Critical patent/CN113659176B/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
    • H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
    • H01M8/04746—Pressure; Flow
    • H01M8/04753—Pressure; Flow of fuel cell 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
    • H01M8/04007—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids related to heat exchange
    • H01M8/04014—Heat exchange using gaseous fluids; Heat exchange by combustion of 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
    • H01M8/04007—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids related to heat exchange
    • H01M8/04029—Heat exchange using liquids
    • 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
    • H01M8/04089—Arrangements for control of reactant parameters, e.g. pressure or concentration of gaseous reactants
    • H01M8/04097—Arrangements for control of reactant parameters, e.g. pressure or concentration of gaseous reactants with recycling of the 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
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04694—Processes for controlling fuel cells or fuel cell systems characterised by variables to be controlled
    • H01M8/04701—Temperature
    • H01M8/04723—Temperature of the coolant
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/50—Manufacturing or production processes characterised by the final manufactured product

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Energy (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Feedback Control In General (AREA)
  • Fuel Cell (AREA)

Abstract

本发明涉及氢燃料电池控制技术领域，具体涉及一种氢燃料电池自适应控制方法和装置。该方法包括：步骤11，获取氢燃料电池的目标控制量的当前实测数据和当前期望数据；步骤12，结合目标控制量的历史控制数据，获取当前输入量；步骤13，将当前输入量输入神经网络模型，获取输出的目标控制量的当前比例系数、当前积分系数和当前微分系数；步骤14，利用当前比例系数、当前积分系数和当前微分系数，对目标控制量对应的设备进行PID控制，并返回步骤11。本发明通过迭代学习，可以使神经网络模型自动调整各层权值，实现对PID参数的自适应调整，提高了氢燃料电池PID控制的效率。

Description

一种氢燃料电池自适应控制方法和装置
技术领域
本发明涉及氢燃料电池控制技术领域，具体涉及一种氢燃料电池自适应控制方法和装置。
背景技术
在质子交换膜氢燃料电池工作的过程中，氢燃料电池对于反映温度、压力、湿度、转速等控制量均有较高要求，如：氢气处理系统的喷氢阀的压力调节、氢气循环泵的转速控制、空气处理系统的空气流量控制、空压机的转速控制、背压阀开度控制，以及热管理系统电堆冷却的温度控制和风扇的转速控制、中冷器冷却的温度控制和水泵转速控制。
温度、压力、开度、转速等控制量控制量是氢燃料电池控制的关键要素，直接影响燃料电池输出的电性能的效率及稳定性，这些控制要素越精准，越有利于氢燃料电池各种性能指标的提升。目前，多采用PID控制对氢燃料电池的温度、压力、开度、转速等控制量进行控制。因此，在氢燃料电池的控制中，需要标定出不同的PID控制量，实现对氢燃料电池的PID控制，整个过程较为繁琐。
因此，如何提高氢燃料电池PID控制的效率，是目前亟需解决的技术问题。
发明内容
本发明的目的是提供一种氢燃料电池自适应控制方法和装置，以提高氢燃料电池PID控制的效率。
为达到以上目的，本发明实施例提供了以下方案：
第一方面，本发明实施例提供一种氢燃料电池自适应控制方法，所述方法包括：
步骤11，获取氢燃料电池的目标控制量的当前实测数据和当前期望数据；其中，所述目标控制量包括氢气压力、氢气循环泵开度、空气流量、空压机转速、背压阀开度、冷却温度、风扇转速和水泵转速中的任一种；
步骤12，结合所述目标控制量的历史控制数据，获取当前输入量；
步骤13，将所述当前输入量输入神经网络模型，获取所述输出的所述目标控制量的当前比例系数、当前积分系数和当前微分系数；其中，所述神经网络模型包括：输入层、隐含层和输出层；所述隐含层的激活函数为
Figure BDA0003138301010000021
所述输出层的激活函数为/>
Figure BDA0003138301010000022
a[h]为第一比例系数；/>
Figure BDA0003138301010000023
为所述隐含层的第i个输入量；a[o]为第二比例系数；/>
Figure BDA0003138301010000024
为所述输出层的第i个输入量；
步骤14，利用所述当前比例系数、所述当前积分系数和所述当前微分系数，对所述目标控制量对应的设备进行PID控制，并返回步骤11。
在一种可能的实施例中，所述步骤12，包括：
根据所述当前实测数据和所述当前期望数据，获取所述目标控制量的期望输出与实际输出的当前误差；其中，所述当前输入量包括：所述当前实测数据、前一次实测数据、前两次实测数据、当前误差、前一次误差、前两次误差和前一次PID控制量。
在一种可能的实施例中，所述步骤13之前，所述方法还包括：
对所述当前输入量进行一阶惯性滤波处理，更新所述当前输入量。
在一种可能的实施例中，所述步骤14之前，包括：
对所述隐含层的当前加权系数
Figure BDA0003138301010000025
进行修正，更新所述当前加权系数，具体修正公式为：
Figure BDA0003138301010000031
其中，
Figure BDA0003138301010000032
为更新后的所述隐含层的当前加权系数；α[h]为第一学习率参数；j为所述输入层的输入量的序号；i为所述隐含层的神经元的序号；/>
Figure BDA0003138301010000033
为所述隐含层的当前正则化项；
对所述输出层的当前加权系数
Figure BDA0003138301010000034
进行修正，更新所述当前加权系数，具体修正公式为：
Figure BDA0003138301010000035
其中，
Figure BDA0003138301010000036
为更新后的所述输出层的当前加权系数；α[o]为第二学习率参数；s为所述输出层的输出量的序号；/>
Figure BDA0003138301010000037
为所述输出层的当前正则化项。
在一种可能的实施例中，所述步骤14，包括：
计算当前PID控制量u(k)，具体计算公式为：
u(k)＝u(k-1)+Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]；
其中，u(k-1)为所述前一次PID控制量；e(k)为所述当前误差；e(k-1)为所述前一次误差；e(k-2)为所述前两次误差；Kp为所述当前比例系数；Ki为所述当前积分系数；Kd为所述当前微分系数；
基于所述当前PID控制量u(k)，对所述目标控制量对应的设备进行PID控制。
第二方面，本发明实施例提供了一种氢燃料电池自适应控制装置，所述装置包括：
第一获取模块，用于获取氢燃料电池的目标控制量的当前实测数据和当前期望数据；其中，所述目标控制量包括氢气压力、氢气循环泵开度、空气流量、空压机转速、背压阀开度、冷却温度、风扇转速和水泵转速中的任一种；
第二获取模块，用于结合所述目标控制量的历史控制数据，获取当前输入量；
第三获取模块，用于将所述当前输入量输入神经网络模型，获取所述输出的所述目标控制量的当前比例系数、当前积分系数和当前微分系数；其中，所述神经网络模型包括：输入层、隐含层和输出层；所述隐含层的激活函数为
Figure BDA0003138301010000041
所述输出层的激活函数为/>
Figure BDA0003138301010000042
a[h]为第一比例系数；/>
Figure BDA0003138301010000043
为所述隐含层的第i个输入量；a[o]为第二比例系数；/>
Figure BDA0003138301010000044
为所述输出层的第i个输入量；
第一控制模块，用于利用所述当前比例系数、所述当前积分系数和所述当前微分系数，对所述目标控制量对应的设备进行PID控制，并重新执行所述第一获取模块的操作。
在一种可能的实施例中，所述第二获取模块，包括：
第四获取模块，用于根据所述当前实测数据和所述当前期望数据，获取所述目标控制量的期望输出与实际输出的当前误差；其中，所述当前输入量包括：所述当前实测数据、前一次实测数据、前两次实测数据、当前误差、前一次误差、前两次误差和前一次PID控制量。
在一种可能的实施例中，所述装置还包括：
第一更新模块，用于在所述第三获取模块工作之前，对所述当前输入量进行一阶惯性滤波处理，更新所述当前输入量。
在一种可能的实施例中，所述步骤14之前，包括：
第二更新模块，用于对所述隐含层的当前加权系数
Figure BDA0003138301010000045
进行修正，更新所述当前加权系数，具体修正公式为：
Figure BDA0003138301010000046
其中，
Figure BDA0003138301010000047
为更新后的所述隐含层的当前加权系数；α[h]为第一学习率参数；j为所述输入层的输入量的序号；i为所述隐含层的神经元的序号；/>
Figure BDA0003138301010000051
为所述隐含层的当前正则化项；
第三更新模块，用于对所述输出层的当前加权系数
Figure BDA0003138301010000052
进行修正，更新所述当前加权系数，具体修正公式为：
Figure BDA0003138301010000053
其中，
Figure BDA0003138301010000054
为更新后的所述输出层的当前加权系数；α[o]为第二学习率参数；s为所述输出层的输出量的序号；/>
Figure BDA0003138301010000055
为所述输出层的当前正则化项。
在一种可能的实施例中，所述第一控制模块，包括：
第一计算模块，用于计算当前PID控制量u(k)，具体计算公式为：
u(k)＝u(k-1)+Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]；
其中，u(k-1)为所述前一次PID控制量；e(k)为所述当前误差；e(k-1)为所述前一次误差；e(k-2)为所述前两次误差；Kp为所述当前比例系数；Ki为所述当前积分系数；Kd为所述当前微分系数；
第二控制模块，用于基于所述当前PID控制量u(k)，对所述目标控制量对应的设备进行PID控制。
第三方面，本发明实施例提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现第一方面中任一所述的方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时以实现第一方面中任一所述的方法的步骤。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明根据氢燃料电池的目标控制量的当前实测数据、当前期望数据以及历史控制数据，获取当前输入量；然后利用神经网络模型，将当前输入量转化为目标控制量的当前比例系数、当前积分系数和当前微分系数，进而对目标控制量对应的设备进行PID控制，通过迭代学习，可以使神经网络模型自动调整各层权值，实现对PID参数的自适应调整，提高了氢燃料电池PID控制的效率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例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说明书的一些实施例，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他的附图。
图1是本发明实施例提供的氢燃料电池自适应控制方法的流程图；
图2是本发明实施例提供的一种神经网络模型的结构示意图；
图3是本发明实施例提供的PID控制原理示意图；
图4是本发明实施例在实际应用中相关物理量的含义的示意图；
图5是本发明实施例在实际应用中相关物理量的含义的示意图；
图6是本发明实施例提供的一种氢燃料电池自适应控制装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明实施例保护的范围。
请参阅图1，图1为本发明实施例提供的氢燃料电池自适应控制方法的流程图，包括步骤11至步骤14。
步骤11，获取氢燃料电池的目标控制量的当前实测数据和当前期望数据。
其中，所述目标控制量包括氢气压力、氢气循环泵开度、空气流量、空压机转速、背压阀开度、冷却温度、风扇转速和水泵转速中的任一种。
具体的，氢燃料电池中存在多个控制量，需要通过PID控制，将该控制量由当前实测数据调整至当前期望数据。在实际应用中，目标控制量包括氢气压力、氢气循环泵开度、空气流量、空压机转速、背压阀开度、冷却温度、风扇转速和水泵转速中的任一种。
步骤12，结合所述目标控制量的历史控制数据，获取当前输入量。
具体的，为了使神经网络模型能够通过迭代学习，并对各层权值自动调整，本步骤需要结合目标控制量的当前实测数据、当前期望数据以及历史控制数据来获取当前输入量。
实际应用中，当前输入量包括：当前实测数据、前一次实测数据、前两次实测数据、当前误差、前一次误差、前两次误差和前一次PID控制量。
其中，当前误差为目标控制量的当前期望数据和当前实测数据的差值；前一次误差为目标控制量的前一次迭代中期望数据和前一次迭代中实测数据的差值；前两次误差为目标控制量的前前一次迭代中期望数据和前前一次迭代中实测数据的差值；前一次PID控制量为目标控制量的前一次迭代中的PID控制量。
步骤13，将所述当前输入量输入神经网络模型，获取所述输出的所述目标控制量的当前比例系数、当前积分系数和当前微分系数。
其中，所述神经网络模型包括：输入层、隐含层和输出层；所述隐含层的激活函数为
Figure BDA0003138301010000071
所述输出层的激活函数为/>
Figure BDA0003138301010000072
a[h]为第一比例系数；/>
Figure BDA0003138301010000081
为所述隐含层的第i个输入量；a[o]为第二比例系数；/>
Figure BDA0003138301010000082
为所述输出层的第i个输入量。
具体的，本实施例的神经网络模型包含有输入层、隐含层和输出层，如图2所示为本发明实施例提供的一种神经网络模型的结构示意图。
本实施例中，当前输入量有7个，因此输入层包含有7个神经元。
输入层的输出为Outj [i]＝xkj＝ekj，其中，m为当前输入量的总数，j为当前输入量中输入变量的序号。
本实施例中，隐含层可以设置6个神经元，其输入为Neti [h](k)＝Σwij [h]Outj [i](k)，其输出为Outi [h](k)＝f[Neti [h](k)]，其中，k为迭代次数，{Wim [h]}为隐含层加权系数。
本实施例中，隐含层的激活函数为
Figure BDA0003138301010000083
a[h]为第一比例系数；/>
Figure BDA0003138301010000084
为所述隐含层的第i个输入量。
神经网络在进行反向误差传播时，各层都要乘以激活函数的一阶导数，梯度每反向传递一层就会衰减一层，网络层数越多，梯度就会不停衰减直到消失，使得训练网络收敛越来越慢，该激活函数在神经网络的迭代中，其梯度不会消失，训练时收敛速度快；同时，该激活函数的一阶导数均为常数，减少了迭代计算中的计算量，进一步提高了氢燃料电池PID控制的效率。
本实施例中，由于需要输出为当前比例系数Kp、当前积分系数Ki和当前微分系数Kd，因此输出层包含有3个神经元，其输入为Nets [o](k)＝Σwsi [o]Outi [h](k)，输出为Outs [o](k)＝g[Nets [o](k)]，其中，wsi [o]为输出层加权系数。
本实施例中，输出层的激活函数为
Figure BDA0003138301010000085
其中，a[o]为第二比例系数；/>
Figure BDA0003138301010000086
为所述输出层的第i个输入量。
神经网络在进行反向误差传播时，各层都要乘以激活函数的一阶导数，梯度每反向传递一层就会衰减一层，网络层数越多，梯度就会不停衰减直到消失，使得训练网络收敛越来越慢，该激活函数在神经网络的迭代中，其梯度不会消失，训练时收敛速度快；同时，该激活函数的一阶导数均为常数，减少了迭代计算中的计算量，进一步提高了氢燃料电池PID控制的效率。
步骤14，利用所述当前比例系数、所述当前积分系数和所述当前微分系数，对所述目标控制量对应的设备进行PID控制，并返回步骤11。
具体的，在实际应用中，可以根据神经网络模型输出的当前比例系数Kp、当前积分系数Ki和当前微分系数Kd，去实际控制目标控制量对应的设备，以将当前实测数据调整至当前期望数据。
这里，本实施例还提供了一种步骤14的具体执行方式，包括步骤21至步骤22。
步骤21，计算当前PID控制量u(k)，具体计算公式为：
u(k)＝u(k-1)+Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]；
其中，u(k-1)为所述前一次PID控制量；e(k)为所述当前误差；e(k-1)为所述前一次误差；e(k-2)为所述前两次误差；Kp为所述当前比例系数；Ki为所述当前积分系数；Kd为所述当前微分系数。
步骤22，基于所述当前PID控制量u(k)，对所述目标控制量对应的设备进行PID控制。
如图3所示为本发明实施例提供的PID控制原理示意图，其中，r(t)为输入量(即上文的当前期望数据)，作为期望输出量；y(t)为实际输出值(即上文的当前实测数据)，作为反馈量；e(t)为期望输出与实际输出误差(即上文的当前误差)；u(t)为控制输出量(即上文的当前PID控制量)。由于上文表示中，采用迭代次数k来表述各个物理量，其实迭代次数对应着时间t，也可用时间t来表述各个物理量。
如图4和图5所示为本发明实施例在实际应用中相关物理量的含义的示意图。
本实施例能够根据氢燃料电池的目标控制量的当前实测数据、当前期望数据以及历史控制数据，获取当前输入量；然后利用神经网络模型，将当前输入量转化为目标控制量的当前比例系数、当前积分系数和当前微分系数，进而对目标控制量对应的设备进行PID控制，通过迭代学习，可以使神经网络模型自动调整各层权值，实现对PID参数的自适应调整，提高了氢燃料电池PID控制的效率。
本实施例中，输入层和输出层由Simulink模型搭建，隐含层的处理由M函数来解决，整体控制部分需要调整的参数少，增强了其控制器的自适应能力。
在步骤13之前，本实施例还对待输入的当前输入量进行了一阶惯性滤波处理，以减少信号采集中的信号干扰，提高当前输入量的准确度，具体包括步骤31。
步骤31，对所述当前输入量进行一阶惯性滤波处理，更新所述当前输入量。
具体的，一阶惯性滤波算法公式为：y(t)＝αx(t)+(1-α)y(t-1)；其中，α为滤波系数；x(t)为本次采样值；y(t-1)为上次滤波输出值；y(t)为本次滤波输出值。一阶惯性滤波法采用本次采样值与上次滤波输出值进行加权，得到有效滤波值，去除干扰信号，获得最终控制输入信号：e(k)、e(k-1)、e(k-2)、y(k)、y(k-1)、y(k-2)和u(k-1)。
当然，为了使神经网络模型的各层能够更加贴近氢燃料电池的实际性能，在实际PID控制中，需要对神经网络模型的各层加权系数进行迭代修正更新，使神经网络模型自动调整各层权值，实现对PID参数的自适应调整，具体包括步骤41至步骤42。
步骤41，对所述隐含层的当前加权系数
Figure BDA0003138301010000111
进行修正，更新所述当前加权系数，具体修正公式为：
Figure BDA0003138301010000112
其中，
Figure BDA0003138301010000113
为更新后的所述隐含层的当前加权系数；α[h]为第一学习率参数；j为所述输入层的输入量的序号；i为所述隐含层的神经元的序号；/>
Figure BDA0003138301010000114
为所述隐含层的当前正则化项。
步骤42，对所述输出层的当前加权系数
Figure BDA0003138301010000115
进行修正，更新所述当前加权系数，具体修正公式为：
Figure BDA0003138301010000116
其中，
Figure BDA0003138301010000117
为更新后的所述输出层的当前加权系数；α[o]为第二学习率参数；s为所述输出层的输出量的序号；/>
Figure BDA0003138301010000118
为所述输出层的当前正则化项。
通过神经网络算法，设置合理迭代步，将输入量送入神经网络，通过隐含层、PReLU(f(xi)＝max(axi,xi))激活函数前向传播；隐含层的输出与权值计算、PReLU(f(xi)＝max(axi,xi))激活函数进行数据变换得到输出层的输出(PID的Kp,Ki,Kd三个参数)；隐含层和输出层权值的获得，通过误差的二次方差的梯度下降法及增加L1正则化项补偿来更新权值矩阵；控制中的PID的Kp,Ki,Kd三个参数获得为在线自适应调整，无需人为干预。
组合PID控制的实现，通过搭建Simulink控制策略模型，构造M函数来进行复杂计算，模型引用M函数，构成控制闭环，实现PID参数在线自整定。
基于与方法同样的发明构思，本发明实施例还提供了一种氢燃料电池自适应控制装置，如图6所示为该装置实施例的结构示意图，所述装置包括：
第一获取模块51，用于获取氢燃料电池的目标控制量的当前实测数据和当前期望数据；其中，所述目标控制量包括氢气压力、氢气循环泵开度、空气流量、空压机转速、背压阀开度、冷却温度、风扇转速和水泵转速中的任一种；
第二获取模块52，用于结合所述目标控制量的历史控制数据，获取当前输入量；
第三获取模块53，用于将所述当前输入量输入神经网络模型，获取所述输出的所述目标控制量的当前比例系数、当前积分系数和当前微分系数；其中，所述神经网络模型包括：输入层、隐含层和输出层；所述隐含层的激活函数为
Figure BDA0003138301010000121
所述输出层的激活函数为/>
Figure BDA0003138301010000122
a[h]为第一比例系数；/>
Figure BDA0003138301010000123
为所述隐含层的第i个输入量；a[o]为第二比例系数；/>
Figure BDA0003138301010000124
为所述输出层的第i个输入量；
第一控制模块54，用于利用所述当前比例系数、所述当前积分系数和所述当前微分系数，对所述目标控制量对应的设备进行PID控制，并重新执行所述第一获取模块的操作。
在一种可能的实施例中，所述第二获取模块，包括：
第四获取模块，用于根据所述当前实测数据和所述当前期望数据，获取所述目标控制量的期望输出与实际输出的当前误差；其中，所述当前输入量包括：所述当前实测数据、前一次实测数据、前两次实测数据、当前误差、前一次误差、前两次误差和前一次PID控制量。
在一种可能的实施例中，所述装置还包括：
第一更新模块，用于在所述第三获取模块工作之前，对所述当前输入量进行一阶惯性滤波处理，更新所述当前输入量。
在一种可能的实施例中，所述步骤14之前，包括：
第二更新模块，用于对所述隐含层的当前加权系数
Figure BDA0003138301010000131
进行修正，更新所述当前加权系数，具体修正公式为：/>
Figure BDA0003138301010000132
其中，
Figure BDA0003138301010000133
为更新后的所述隐含层的当前加权系数；α[h]为第一学习率参数；j为所述输入层的输入量的序号；i为所述隐含层的神经元的序号；/>
Figure BDA0003138301010000134
为所述隐含层的当前正则化项；
第三更新模块，用于对所述输出层的当前加权系数
Figure BDA0003138301010000135
进行修正，更新所述当前加权系数，具体修正公式为：
Figure BDA0003138301010000136
其中，
Figure BDA0003138301010000137
为更新后的所述输出层的当前加权系数；α[o]为第二学习率参数；s为所述输出层的输出量的序号；/>
Figure BDA0003138301010000138
为所述输出层的当前正则化项。
在一种可能的实施例中，所述第一控制模块，包括：
第一计算模块，用于计算当前PID控制量u(k)，具体计算公式为：
u(k)＝u(k-1)+Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]；
其中，u(k-1)为所述前一次PID控制量；e(k)为所述当前误差；e(k-1)为所述前一次误差；e(k-2)为所述前两次误差；Kp为所述当前比例系数；Ki为所述当前积分系数；Kd为所述当前微分系数；
第二控制模块，用于基于所述当前PID控制量u(k)，对所述目标控制量对应的设备进行PID控制。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前文任一所述方法的步骤。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文任一所述方法的步骤。
本发明实施例中提供的技术方案，至少具有如下技术效果或优点：
本发明实施例根据氢燃料电池的目标控制量的当前实测数据、当前期望数据以及历史控制数据，获取当前输入量；然后利用神经网络模型，将当前输入量转化为目标控制量的当前比例系数、当前积分系数和当前微分系数，进而对目标控制量对应的设备进行PID控制，通过迭代学习，可以使神经网络模型自动调整各层权值，实现对PID参数的自适应调整，提高了氢燃料电池PID控制的效率。
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发明实施例的方法、装置(模块、系统)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (8)

1.一种氢燃料电池自适应控制方法，其特征在于，所述方法包括：
步骤11，获取氢燃料电池的目标控制量的当前实测数据和当前期望数据；其中，所述目标控制量包括氢气压力、氢气循环泵开度、空气流量、空压机转速、背压阀开度、冷却温度、风扇转速和水泵转速中的任一种；
步骤12，结合所述目标控制量的历史控制数据，获取当前输入量；
步骤13，将所述当前输入量输入神经网络模型，获取输出的所述目标控制量的当前比例系数、当前积分系数和当前微分系数；其中，所述神经网络模型包括：输入层、隐含层和输出层；所述隐含层的激活函数为
Figure FDA0003927209890000011
所述输出层的激活函数为
Figure FDA0003927209890000012
a[h]为第一比例系数；
Figure FDA0003927209890000013
为所述隐含层的第i个输入量；a[o]为第二比例系数；
Figure FDA0003927209890000014
为所述输出层的第i个输入量；
步骤14，利用所述当前比例系数、所述当前积分系数和所述当前微分系数，对所述目标控制量对应的设备进行PID控制，并返回步骤11；
所述步骤12，包括：
根据所述当前实测数据和所述当前期望数据，获取所述目标控制量的期望输出与实际输出的当前误差；其中，所述当前输入量包括：所述当前实测数据、前一次实测数据、前两次实测数据、当前误差、前一次误差、前两次误差和前一次PID控制量。
2.根据权利要求1所述的控制方法，其特征在于，所述步骤13之前，所述方法还包括：
对所述当前输入量进行一阶惯性滤波处理，更新所述当前输入量。
3.根据权利要求1所述的控制方法，其特征在于，所述步骤14之前，包括：
对所述隐含层的当前加权系数
Figure FDA0003927209890000015
进行修正，更新所述当前加权系数，具体修正公式为：
Figure FDA0003927209890000021
其中，
Figure FDA0003927209890000022
为更新后的所述隐含层的当前加权系数；α[h]为第一学习率参数；j为所述输入层的输入量的序号；i为所述隐含层的神经元的序号；
Figure FDA0003927209890000023
为所述隐含层的当前正则化项；
对所述输出层的当前加权系数
Figure FDA0003927209890000024
进行修正，更新所述当前加权系数，具体修正公式为：
Figure FDA0003927209890000025
其中，
Figure FDA0003927209890000026
为更新后的所述输出层的当前加权系数；α[o]为第二学习率参数；s为所述输出层的输出量的序号；
Figure FDA0003927209890000027
为所述输出层的当前正则化项。
4.根据权利要求1所述的控制方法，其特征在于，所述步骤14，包括：
计算当前PID控制量u(k)，具体计算公式为：
u(k)＝u(k-1)+Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]；
其中，u(k-1)为所述前一次PID控制量；e(k)为所述当前误差；e(k-1)为所述前一次误差；e(k-2)为所述前两次误差；Kp为所述当前比例系数；Ki为所述当前积分系数；Kd为所述当前微分系数；
基于所述当前PID控制量u(k)，对所述目标控制量对应的设备进行PID控制。
5.一种氢燃料电池自适应控制装置，其特征在于，所述装置包括：
第一获取模块，用于获取氢燃料电池的目标控制量的当前实测数据和当前期望数据；其中，所述目标控制量包括氢气压力、氢气循环泵开度、空气流量、空压机转速、背压阀开度、冷却温度、风扇转速和水泵转速中的任一种；
第二获取模块，用于结合所述目标控制量的历史控制数据，获取当前输入量；
第三获取模块，用于将所述当前输入量输入神经网络模型，获取输出的所述目标控制量的当前比例系数、当前积分系数和当前微分系数；其中，所述神经网络模型包括：输入层、隐含层和输出层；所述隐含层的激活函数为
Figure FDA0003927209890000031
所述输出层的激活函数为
Figure FDA0003927209890000032
a[h]为第一比例系数；
Figure FDA0003927209890000033
为所述隐含层的第i个输入量；a[o]为第二比例系数；
Figure FDA0003927209890000034
为所述输出层的第i个输入量；
第一控制模块，用于利用所述当前比例系数、所述当前积分系数和所述当前微分系数，对所述目标控制量对应的设备进行PID控制，并重新执行所述第一获取模块的操作；
所述第二获取模块，包括：
第四获取模块，用于根据所述当前实测数据和所述当前期望数据，获取所述目标控制量的期望输出与实际输出的当前误差；其中，所述当前输入量包括：所述当前实测数据、前一次实测数据、前两次实测数据、当前误差、前一次误差、前两次误差和前一次PID控制量。
6.根据权利要求5所述的控制装置，其特征在于，所述装置还包括：
第一更新模块，用于在所述第三获取模块工作之前，对所述当前输入量进行一阶惯性滤波处理，更新所述当前输入量。
7.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现权利要求1至4任一所述的方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时以实现权利要求1至4任一所述的方法的步骤。
CN202110728187.7A 2021-06-29 2021-06-29 一种氢燃料电池自适应控制方法和装置 Active CN113659176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110728187.7A CN113659176B (zh) 2021-06-29 2021-06-29 一种氢燃料电池自适应控制方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110728187.7A CN113659176B (zh) 2021-06-29 2021-06-29 一种氢燃料电池自适应控制方法和装置

Publications (2)

Publication Number Publication Date
CN113659176A CN113659176A (zh) 2021-11-16
CN113659176B true CN113659176B (zh) 2023-03-24

Family

ID=78477315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110728187.7A Active CN113659176B (zh) 2021-06-29 2021-06-29 一种氢燃料电池自适应控制方法和装置

Country Status (1)

Country Link
CN (1) CN113659176B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115184813A (zh) * 2022-08-04 2022-10-14 爱德曼(淄博)氢能科技有限公司 一种基于神经网络的氢燃料电池状态诊断方法及系统
CN115009278B (zh) * 2022-08-08 2022-11-29 潍柴动力股份有限公司 一种巡航控制方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011015281A1 (de) * 2009-08-06 2011-02-10 Daimler Ag Versorgungsanordnung für ein brennstoffzellenpack, brennstoffzellenmodul sowie verfahren zum betreiben des brennstoffzellenmoduls
CN111029625A (zh) * 2019-12-04 2020-04-17 西南交通大学 一种固体氧化物燃料电池输出功率和温度控制方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6925361B1 (en) * 1999-11-30 2005-08-02 Orion Engineering Corp. Distributed energy neural network integration system
CN106292785A (zh) * 2015-05-18 2017-01-04 广东兴发铝业有限公司 基于神经网络的铝棒加热炉燃烧温度自动控制装置
CN107910573B (zh) * 2017-11-08 2020-10-09 南京晓庄学院 一种可逆燃料电池堆节能装置及控制方法
CN109343343A (zh) * 2018-09-19 2019-02-15 广州大学 基于深度学习与深度神经网络的舵机控制系统及方法
CN110010933B (zh) * 2019-04-15 2020-07-07 吉林大学 一种燃料电池空气供给系统控制方法及系统
CN110137547B (zh) * 2019-06-20 2022-04-26 华中科技大学鄂州工业技术研究院 带重整器的燃料电池系统的控制方法、装置及电子设备
CN110881107A (zh) * 2019-11-26 2020-03-13 电子科技大学 一种基于神经网络的增稳云台控制方法
CN111129550B (zh) * 2019-12-19 2021-02-02 深圳国氢新能源科技有限公司 燃料电池系统的pid控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011015281A1 (de) * 2009-08-06 2011-02-10 Daimler Ag Versorgungsanordnung für ein brennstoffzellenpack, brennstoffzellenmodul sowie verfahren zum betreiben des brennstoffzellenmoduls
CN111029625A (zh) * 2019-12-04 2020-04-17 西南交通大学 一种固体氧化物燃料电池输出功率和温度控制方法

Also Published As

Publication number Publication date
CN113659176A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN113659176B (zh) 一种氢燃料电池自适应控制方法和装置
Gomm et al. Selecting radial basis function network centers with recursive orthogonal least squares training
US8682454B2 (en) Method and system for controlling a multivariable system with limits
CN108132599B (zh) 一种基于迭代反馈整定的ude控制系统设计方法
CN107272403A (zh) 一种基于改进粒子群算法的pid控制器参数整定算法
EP3258089A1 (en) Hybrid partial and full step quadratic solver for model predictive control of diesel engine air path flow and methods of use
CN110647042A (zh) 一种基于数据驱动的机器人鲁棒学习预测控制方法
CN110374804B (zh) 一种基于深度确定性策略梯度补偿的变桨距控制方法
CN106684885B (zh) 基于多场景分析的风电机组配电网无功优化方法
CN105867138A (zh) 一种基于pid控制器的稳定平台控制方法及装置
Shankaran et al. Fractional-order PI plus D controller for second-order integrating plants: Stabilization and tuning method
CN111061262B (zh) 一种减少无效操舵的航向控制方法
CN116880191A (zh) 一种基于时序预测的过程工业生产系统的智能控制方法
CN115981159A (zh) 基于模型辅助和类史密斯预估的广义改进自抗扰控制方法
CN116738617A (zh) 动力系统建模方法、装置、电子设备及存储介质
CN114614797B (zh) 基于广义最大非对称相关熵准则的自适应滤波方法和系统
CN116292057A (zh) 一种可变速抽水蓄能机组的控制方法、装置、设备及介质
CN108181809B (zh) Miso紧格式无模型控制器基于系统误差的参数自整定方法
CN114063438B (zh) 一种数据驱动的多智能体系统pid控制协议自学习方法
CN113919217B (zh) 自抗扰控制器自适应参数整定方法及装置
CN115248554A (zh) 一种运动控制系统的最优迭代前馈调参方法及系统
Hajipour et al. Optimized neuro observer-based sliding mode control for a nonlinear system using fuzzy static sliding surface
CN112879220A (zh) 风机控制方法、系统和可读存储介质
CN111749847A (zh) 一种风力发电机桨距在线控制方法、系统和设备
CN116149262B (zh) 一种伺服系统的跟踪控制方法及系统

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