CN113724804B - 基于Surrogate的氢能系统碱性电解槽的安全故障预测方法 - Google Patents

基于Surrogate的氢能系统碱性电解槽的安全故障预测方法 Download PDF

Info

Publication number
CN113724804B
CN113724804B CN202110962794.XA CN202110962794A CN113724804B CN 113724804 B CN113724804 B CN 113724804B CN 202110962794 A CN202110962794 A CN 202110962794A CN 113724804 B CN113724804 B CN 113724804B
Authority
CN
China
Prior art keywords
failure
unit
failure rate
alkaline
alkaline electrolytic
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
CN202110962794.XA
Other languages
English (en)
Other versions
CN113724804A (zh
Inventor
周专
曾婧
袁铁江
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.)
Dalian University of Technology
State Grid Xinjiang Electric Power Co Ltd
Original Assignee
Dalian University of Technology
State Grid Xinjiang Electric Power 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 Dalian University of Technology, State Grid Xinjiang Electric Power Co Ltd filed Critical Dalian University of Technology
Priority to CN202110962794.XA priority Critical patent/CN113724804B/zh
Publication of CN113724804A publication Critical patent/CN113724804A/zh
Application granted granted Critical
Publication of CN113724804B publication Critical patent/CN113724804B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
    • C25B1/00—Electrolytic production of inorganic compounds or non-metals
    • C25B1/01—Products
    • C25B1/02—Hydrogen or oxygen
    • C25B1/04—Hydrogen or oxygen by electrolysis of water
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
    • C25B15/00—Operating or servicing cells
    • C25B15/02—Process control or regulation
    • C25B15/023—Measuring, analysing or testing during electrolytic production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • Y02E60/36—Hydrogen production from non-carbon containing sources, e.g. by water electrolysis

Abstract

一种基于Surrogate的氢能系统碱性电解槽的安全故障预测方法，根据碱性电解槽的现场数据及单元类型构建失效率多维样本空间，之后采取拉丁超立方抽样方法生成碱性电解槽的失效率数据样本并建立surrogate模型，通过协方差矩阵检测样本预测误差并在误差超限时对样本数据重新进行补充与测试，最终得到碱性电解槽某单元的优化失效率。通过优化失效率计算偏差，根据偏差确定碱性电解槽各个单元出现的氢能安全故障。

Description

基于Surrogate的氢能系统碱性电解槽的安全故障预测方法
技术领域
本发明涉及一种氢能系统碱性电解槽的安全故障预测方法。
背景技术
氢气作为一种新型能源受到人们的普遍重视。人们已认识到，尽管能从煤、石油和天然气等原料中制取氢气，但这些原料正逐年减少以至枯竭，不得不寻找新型的制氢方式。水电解制氢是水分子在电极上发生电化学反应，分解成氢气和氧气的氢气制造方法。近年来，随着我国对化工行业的监督管控力度不断加大以及安全生产标准化、环境和职业健康安全体系的不断完善，虽然氢能系统的碱性电解槽由于老化等缘故发生故障造成的安全事故率不断下降。然而，可靠性低、易发生故障、运行寿命短等缺点依旧限制着碱性电解槽的商业化进程。
现有研究表明，在碱性电解槽的水管理故障中，运行温度低、负载电流大以及气体过量系数低等原因易导致水淹故障发生。此外，碱性电解槽运行过程中产热与散热失衡是热管理安全故障出现的主要原因。并且，碱性电解槽的运行过程中广泛存在反应气体饥饿、增湿故障、短路故障等安全故障。安全故障的出现会加速碱性电解槽性能衰退与寿命缩减，使电解槽各个单元失效率发生改变。故准确快速地对碱性电解槽的安全故障进行分析，以及对工业应用解决设备各个单元失效率的预测与优化问题具有关键意义。
发明内容
本发明以碱性电解槽为对象，针对氢能系统碱性电解槽的失效率预测与优化缺失的缺点，提出一种基于Surrogate的氢能系统碱性电解槽的安全故障预测方法。本发明可用于碱性电解槽的安全故障预测。
本发明安全故障预测方法步骤如下：
1、基于石化过程工业常用失效数据库，采集碱性电解槽各个单元的预测失效率ZV(x)，ZV(x)为碱性电解槽各个单元的变量空间V内的n个失效率样本值；
2、将碱性电解槽分为氢氧气体单元、电解液循环单元、氮气置换单元、原料水补充单元、冷却水单元、排污单元、补碱单元共七个单元。
检测碱性电解槽上述各个单元失效率的现场数据，并以单元为依据对现场失效率数据进行分类；
3、将碱性电解槽各个单元常见的安全故障分为水管理故障、热管理故障、反应物饥饿、传感器故障和短路故障；
4、对碱性电解槽不同的单元由于失效率产生的不同安全故障进行分析；
5、在碱性电解槽失效率的七个多维样本空间中利用拉丁超立方抽样方法对数据样本进行采样；
6、对样本点x的目标函数进行测试，并建立Surrogate预测模型：
7、使用协方差矩阵与描述预测值与实际值偏差随距离变化的半变异函数，使碱性电解槽的不同单元的失效率预测值与碱性电解槽各个单元的变量空间V内的n个样本值之差的估计值无偏且最优；
8、得到能够准确预测碱性电解槽各个单元的失效率的Surrogate模型，该模型受氢能流影响产生不同失效率现场数据的变量关系，即可得到优化后的失效率
Figure BDA0003222702650000021
9、每种故障类型对碱性电解槽的失效率具有不同的范围影响，对碱性电解槽各个单元可能产生的安全故障进行分析；
10、将计算得到的碱性电解槽设备部件的失效率数据与碱性电解槽设备各个部件的预测失效率相比较，计算两者的偏差；
11、对碱性电解槽设备部件可能产生的安全故障进行分析与辨识。
各步骤具体如下；
所述步骤1中，碱性电解槽的每个单元：氢氧气体单元、电解液循环单元、氮气置换单元、原料水补充单元、冷却水单元、排污单元和补碱单元都具有各自的特点，且基于石化过程工业常用失效数据库采集碱性电解槽各个单元的预测失效率ZV(x)与现场检测所得的数据不同，可以碱性电解槽各个单元的预测失效率ZV(x)与现场检测所得的数据为依据计算相关的系统失效率。
碱性电解槽每一个单元都具有对应的失效率。各个单元的工作特点与结构如下：
氢氧气体单元在处理氢气及氧气时，在未达到要求纯度之前的氢气可通过调节阀后的气体放空阀放空，氢气纯度达到要求后才能被送到贮罐或净化设备。氧气分离过程基本相同，氧气放空或进入贮罐待用。
电解液循环的目的在于向电极区域补充电解消耗的纯水，碱液在氢分离器和氧分离器中，靠重力作用与氢、氧气体分离后，通过氢氧分离器的连通管汇总，再经碱液过滤器除去机械杂质，然后由碱液循环泵把碱液送入电解槽，形成完整的电解液循环系统单元。
氮气置换单元在水电解制氢装置设有充氮口，用于系统的气密检查与开机前的氮气置换的部分。
原料水补充单元电解过程中，为保证水电解的连续进行，需定期向制氢装置内补充原料水的部分。水箱中的水通过加水泵分别打入氢氧洗涤器，然后通过溢流管，注入分离器下部的液相部分和循环碱液一并进入电解小室进行连续电解，同时使电解液中碱的浓度保持在最佳浓度范围。
冷却水单元共分为三路：一路进入整流柜供可控硅元件冷却，一路进入氢氧洗涤器的蛇管冷却氢气或氧气，另外一路冷却水通过气动薄膜调节阀进入分离器蛇管中，根据循环碱液温度的高低自动控制冷却水量，达到控制操作温度的目的。
排污单元共分四处：第一处为碱液过滤器底部，通过过滤器排污阀排出碱液和过滤器中过滤出的石棉绒杂质及污物。第二处、第三处分别为水箱和碱箱底部排污口，通过水箱和碱箱底部的排污阀排出箱中的污物或残液。第四处为从氢气干燥部分的气水分离器中排出的冷凝水。
补碱单元只能在停机泄压状态下运行，补碱单元需要按照要求计算应补充碱的数量，重新配制碱液，通过碱箱到电解槽的阀门系统将碱液输入电解槽中。
收集碱性电解槽以上各单元的预测失效率ZV(x)，以及现场检测所得的失效率数据。
所述步骤2中，氢氧气体单元由分离器、压缩器、循环泵、气体放空阀和气体输送管道组成；电解液循环单元由电解槽、电极、循环泵、过滤器和循环管道组成；氮气置换单元由充氮口和氮气置换管道组成；原料水补充单元由水箱、加水泵、洗涤器、溢流管、分离器和补水管道组成；冷却水单元由蛇管、截止阀和气动薄膜调节阀组成；排污单元由排污阀、管道过滤器和排污管道组成；补碱单元由碱箱和补碱管道组成。根据各个单元的组成结构，对现场检测所得的失效率数据根据设备不同单元的不同部件进行分类。
所述步骤3中，碱性电解槽内部水平衡状态被打破，引起水淹的故障为水管理故障；碱性电解槽内部热能的产生、传输及排出之间不平衡导致的温度上升或下降的故障为热管理故障；碱性电解槽负载频繁变化或突然上升使反应气体供应未及时满足负载需求的故障为反应物饥饿；碱性电解槽的传感器校准、或在含氢环境中老化的问题的故障为传感器故障；碱性电解槽中的电路或电路中的一部分被短接导致的安全问题的故障为短路故障。
所述步骤4中，碱性电解槽的水管理故障中，运行温度低、负载电流大以及气体过量系数低等原因易导致水淹故障发生。此外，碱性电解槽运行过程中产热与散热失衡是热管理安全故障出现的主要原因。并且，碱性电解槽的运行过程中广泛存在反应气体饥饿、增湿故障、短路故障等安全故障。根据碱性电解槽失效率可对电解槽的安全故障进行预测与辨识。
氢氧气体单元可能产生的安全问题有：水管理故障、热管理故障、传感器故障、短路故障；电解液循环单元可能产生的安全问题有：水管理故障、热管理故障、反应物饥饿、传感器故障、短路故障；氮气置换单元可能产生的安全问题有：传感器故障、短路故障；原料水补充单元可能产生的安全问题有：水管理故障、反应物饥饿、传感器故障、短路故障；冷却水单元可能产生的安全问题有：水管理故障、反应物饥饿、传感器故障、短路故障；排污单元可能产生的安全问题有：水管理故障、热管理故障、传感器故障、短路故障；补碱单元可能产生的安全问题有：水管理故障、反应物饥饿、传感器故障、短路故障。
所述步骤5中，在碱性电解槽失效率的七个多维样本空间中利用拉丁超立方抽样方法对数据样本采样的方法如下：从每个样本空间中抽取k个样本，则每个单元按照不同部件组成分成k个小区间，将每一个单元的k个样本和其他单元的样本随机组合：
Figure BDA0003222702650000041
式中，k为某一个单元碱性电解槽失效率样本空间的数量，n为碱性电解槽失效率样本空间的设计变量数，U为一个在[0,1]区间内的随机值，π为一个在0到k-1范围内独立随机的排列，j是碱性电解槽各个单元的变量维度数，i是当前碱性电解槽失效率样本序号，x为碱性电解槽失效率的样本点实际值；
所述步骤6对样本点x的目标函数进行测试，建立的Surrogate预测模型为：
Figure BDA0003222702650000042
式中，
Figure BDA0003222702650000043
为针对碱性电解槽的不同单元的失效率预测值；ZV(x)为碱性电解槽各个单元的变量空间V内的n个失效率样本值。
所述步骤7使用协方差矩阵和描述预测值与实际值偏差随距离变化的半变异函数，使碱性电解槽的不同单元的失效率预测值与碱性电解槽各个单元的变量空间V内的n个样本值之差的估计值无偏且最优，无偏即为样本估计值的期望值等于现场检测所得的数据，最优即为通过计算求得的样本估计值最小。
使用协方差矩阵与描述预测值与实际值偏差随距离变化的半变异函数为：
Cov[Z(x(i)),Z(x(j))]＝σ2R([R(x(i),x(j))])
式中，R为一个i×j阶的协方差矩阵，其中σ为碱性电解槽各个单元的失效率样本方差，每个元素Rij＝R(x(i),x(j))，j是碱性电解槽失效率预测与优化问题的变量维度数，i是当前碱性电解槽失效率样本序号，x为碱性电解槽失效率的样本点实际值，即Rij＝R(x(i),x(j))为样本点x(i)与x(j)之间的关联性方程，其中x采用高斯关联性方程，即式：
Figure BDA0003222702650000051
其中k为一个单元维度碱性电解槽失效率样本空间的数量，θk为转换系数，R(x,y)表示训练样本点之间的空间相关性，n为碱性电解槽失效率样本空间的设计变量数，xk为碱性电解槽失效率的某个单元的样本点实际值，yk为碱性电解槽失效率另一个单元的样本点实际值。
碱性电解槽的不同单元的失效率预测值与碱性电解槽各个单元的变量空间V内的n个样本值之差的估计值无偏且最优所需满足的条件如下式所示：
Figure BDA0003222702650000052
其中
Figure BDA0003222702650000053
为针对碱性电解槽的不同单元的失效率预测值；ZV(x)为碱性电解槽各个单元的变量空间V内的n个失效率样本值；E为样本估计值的期望值；Var为样本估计值的方差；min imize为对样本估计值求最优的函数。
所述步骤8中：将求解Surrogate预测模型的过程简化为求解下式：
Figure BDA0003222702650000054
其中σ为碱性电解槽各个单元的失效率样本方差，R为一个i×j阶的协方差矩阵，arg max为求样本值集合中最大值的函数，θ为转换系数；
求解该式达到最大值的一组转换系数θk，即得到一个能准确预测碱性电解槽各个单元的优化失效率与受氢能流影响产生不同失效率现场数据的变量关系的Surrogate模型；对Surrogate模型的最优问题进行求解，从训练数据得到转换系数θk的优化值，即可得到优化后的失效率
Figure BDA0003222702650000055
所述步骤9中，对碱性电解槽各个单元可能发生的安全故障问题分析如下：氢氧气体单元可能产生的安全问题有：水管理故障、热管理故障、传感器故障、短路故障；电解液循环单元可能产生的安全问题有：水管理故障、热管理故障、反应物饥饿、传感器故障、短路故障；氮气置换单元可能产生的安全问题有：传感器故障、短路故障；原料水补充单元可能产生的安全问题有：水管理故障、反应物饥饿、传感器故障、短路故障；冷却水单元可能产生的安全问题有：水管理故障、反应物饥饿、传感器故障、短路故障；排污单元可能产生的安全问题有：水管理故障、热管理故障、传感器故障、短路故障；补碱单元可能产生的安全问题有：水管理故障、反应物饥饿、传感器故障、短路故障。
所述步骤10中，根据碱性电解槽失效率可对电解槽的安全故障进行预测与辨识。将计算得到的碱性电解槽设备部件优化失效率与碱性电解槽设备各个部件的预测失效率相比较，其中优化失效率为步骤8计算得到，预测失效率为基于石化过程工业常用失效数据库采集碱性电解槽各个单元的失效率。计算两者的偏差如下式所示：
Figure BDA0003222702650000061
其中E为碱性电解槽各个单元失效率的偏差率，
Figure BDA0003222702650000062
为碱性电解槽失效率的样本点实际值，ZV(x)为碱性电解槽设备部件的理论值。
所述步骤11中，由于根据碱性电解槽失效率可对电解槽的安全故障进行预测与辨识。对碱性电解槽设备部件可能产生的安全故障分析与辨识如下：
碱性电解槽中反应物饥饿、传感器故障、短路故障为普遍存在的安全故障问题，仅有水管理故障与热管理故障较难分辨。
由于水管理故障对设备部件失效率影响较小，利用阳极压力降对碱性电解槽进行水淹诊断和利用欧姆阻抗在线测量的方法进行测试，以确定该单元是否存在水管理故障问题。
热管理故障会在运行过程中以废热的形式释放将近一半的能量，因此热管理的目标之一是在合适的温度范围内运行设备，并在有效区域上实现均匀的温度分布。由于热管理故障对设备部件失效率影响较大，设备过负荷、受到氢能流腐蚀、接触不良都会产生热管理故障，通过在设备部件中对氢能流及电流进行检测，以确定该单元是否存在热管理故障问题。
由步骤10计算出设备部件的偏差率为E。对E进行误差分析，当偏差在0-5％之内，则能判断该制氢设备单元部件的失效主要由水管理故障引起。当偏差在5％以上，则能判断该制氢设备单元部件的失效主要由热管理故障引起。
附图说明
图1电解制氢系统结构示意图，图中，1氢氧气体系统单元，2电解液循环系统单元，3氮气置换系统单元，4原料水补充系统单元，5冷却水系统单元，6排污系统单元，7补碱系统单元；
图2 Surrogate失效率优化建模及设备单元安全问题预测流程图。
具体实施方式
以下结合附图及具体实施方式进一步说明本发明。
如图1所示为电解制氢系统结构示意图。图中，1为氢氧气体系统单元，2为电解液循环系统单元，3为氮气置换系统单元，4为原料水补充系统单元，5为冷却水系统单元，6为排污系统单元，7为补碱系统单元；
如图2所示，本发明碱性电解槽安全故障预测的优化方法的流程如下：
1、基于石化过程工业常用失效数据库，采集碱性电解槽各个单元的预测失效率ZV(x)，ZV(x)为碱性电解槽各个单元的变量空间V内的n个失效率样本值；
2、将碱性电解槽分为氢氧气体单元、电解液循环单元、氮气置换单元、原料水补充单元、冷却水单元、排污单元、补碱单元共七个单元。
检测碱性电解槽上述各个单元失效率的现场数据，并以单元为依据对现场失效率数据进行分类；
3、将碱性电解槽各个单元常见的安全故障分为水管理故障、热管理故障、反应物饥饿、传感器故障和短路故障；
4、碱性电解槽不同的单元会产生不同的安全故障，依据单元类型对其由于失效率产生的故障问题进行预测；
5、在碱性电解槽失效率的七个多维样本空间中利用拉丁超立方抽样方法对数据样本进行采样；
6、对样本点x的目标函数进行测试，并建立Surrogate预测模型：
7、使用协方差矩阵与描述预测值与实际值偏差随距离变化的半变异函数，使碱性电解槽的不同单元的失效率预测值与碱性电解槽各个单元的变量空间V内的n个样本值之差的估计值无偏且最优，无偏即为样本估计值的期望值等于现场检测所得的数据；
8、得到能够准确预测碱性电解槽各个单元的失效率的Surrogate模型，该模型受氢能流影响产生不同失效率现场数据的变量关系，即可得到优化后的失效率
Figure BDA0003222702650000071
9、每种故障类型对碱性电解槽的失效率具有不同的范围影响，对碱性电解槽各个单元可能产生的安全故障进行分析；
10、将计算得到的碱性电解槽设备部件的失效率数据与碱性电解槽设备各个部件的预测失效率相比较，计算两者的偏差；
11、对碱性电解槽设备部件可能产生的安全故障进行分析与辨识。
碱性电解槽以碱性电解槽为例，对碱性电解槽的结构特点进行分析，基于Surrogate模型得到优化后的失效率，考虑氢能流对碱性电解槽各个单元安全性能的影响，使其故障率发生改变并产生氢能安全故障问题，对碱性电解槽各个单元进行状态安全监测并计算碱性电解槽各个单元失效率偏差，最后辨识碱性电解槽各个单元具有何种安全故障问题。

Claims (3)

1.一种基于Surrogate的氢能系统碱性电解槽的安全故障预测方法，其特征在于，所述的预测方法包括以下步骤：
(1)基于石化过程工业常用失效数据库，采集碱性电解槽各个单元的预测失效率ZV(x)，ZV(x)为碱性电解槽各个单元的变量空间V内的n个失效率样本值；
(2)将碱性电解槽分为氢氧气体单元、电解液循环单元、氮气置换单元、原料水补充单元、冷却水单元、排污单元、补碱单元共七个单元；
检测碱性电解槽上述各个单元失效率的现场数据，并以单元为依据对现场失效率数据进行分类；
(3)将碱性电解槽各个单元常见的氢能安全故障分为水管理故障、热管理故障、反应物饥饿、传感器故障和短路故障；
(4)对碱性电解槽不同单元由于失效率产生的不同的安全故障进行分析；
(5)在碱性电解槽失效率的七个多维样本空间中利用拉丁超立方抽样方法对数据样本进行采样，方法如下：从每个样本空间中抽取k个样本，则每个单元按照不同部件组成分成k个小区间，将每一个单元的k个样本和其他单元的样本随机组合：
Figure FDA0004241075870000011
式中，k为某一个单元碱性电解槽失效率样本空间的数量，n为碱性电解槽失效率样本空间的设计变量数，U为一个在[0,1]区间内的随机值，π为一个在0到k-1范围内独立随机的排列，j是碱性电解槽各个单元的变量维度数，i是当前碱性电解槽失效率样本序号，x为碱性电解槽失效率的样本点实际值；
(6)对样本点x的目标函数进行测试，并建立Surrogate预测模型：
Figure FDA0004241075870000012
式中，
Figure FDA0004241075870000013
为针对碱性电解槽的不同单元的失效率预测值；ZV(x)为碱性电解槽各个单元的变量空间V内的n个失效率样本值；
(7)使用协方差矩阵和描述预测值与实际值偏差随距离变化的半变异函数，使碱性电解槽的不同单元的失效率预测值与碱性电解槽各个单元的变量空间V内的n个样本值之差的估计值无偏且最优，无偏即为样本估计值的期望值等于现场检测所得的数据，最优即为通过计算求得的样本估计值最小；
(8)求解得到能够准确预测碱性电解槽各个单元的失效率的Surrogate模型，该模型受氢能流影响产生不同失效率现场数据的变量关系，即可得到优化后的失效率
Figure FDA0004241075870000021
将求解Surrogate预测模型的过程简化为求解下式：
Figure FDA0004241075870000022
其中σ为碱性电解槽各个单元的失效率样本方差，R为一个i×j阶的协方差矩阵，argmax为求样本值集合中最大值的函数，θ为转换系数；
求解该式达到最大值的一组转换系数θk，即得到一个能准确预测碱性电解槽各个单元的优化失效率与受氢能流影响产生不同失效率现场数据的变量关系的Surrogate模型；对Surrogate模型的最优问题进行求解，从训练数据得到转换系数θk的优化值，即可得到优化后的失效率
Figure FDA0004241075870000025
(9)每种故障类型对碱性电解槽的失效率具有不同的范围影响，根据碱性电解槽失效率可对电解槽的安全故障进行预测与辨识，对碱性电解槽各个单元可能产生的安全故障进行分析；
氢氧气体单元可能产生的安全问题有：水管理故障、热管理故障、传感器故障、短路故障；电解液循环单元可能产生的安全问题有：水管理故障、热管理故障、反应物饥饿、传感器故障、短路故障；氮气置换单元可能产生的安全问题有：传感器故障、短路故障；原料水补充单元可能产生的安全问题有：水管理故障、反应物饥饿、传感器故障、短路故障；冷却水单元可能产生的安全问题有：水管理故障、反应物饥饿、传感器故障、短路故障；排污单元可能产生的安全问题有：水管理故障、热管理故障、传感器故障、短路故障；补碱单元可能产生的安全问题有：水管理故障、反应物饥饿、传感器故障、短路故障；
(10)将计算得到的碱性电解槽设备部件优化失效率数据与碱性电解槽设备各个部件的预测失效率相比较，其中优化失效率为步骤(8)计算得到，预测失效率为基于石化过程工业常用失效数据库采集碱性电解槽各个单元的失效率，计算两者的偏差；
计算两者的偏差如下式所示：
Figure FDA0004241075870000023
其中E为碱性电解槽各个单元失效率的偏差率，
Figure FDA0004241075870000024
为碱性电解槽失效率的样本点实际值，ZV(x)为碱性电解槽设备部件的理论值；
(11)对碱性电解槽设备部件可能产生的安全故障进行分析与辨识；
碱性电解槽中反应物饥饿、传感器故障、短路故障为普遍存在的安全故障问题，水管理故障与热管理故障较难分辨；
由于水管理故障对设备部件失效率影响较小，利用阳极压力降对碱性电解槽进行水淹诊断和利用欧姆阻抗在线测量的方法进行测试，以确定该单元是否存在水管理故障问题；
热管理故障会在运行过程中以废热的形式释放将近一半的能量，因此热管理的目标之一是在合适的温度范围内运行设备，并在有效区域上实现均匀的温度分布；由于热管理故障对设备部件失效率影响较大，设备过负荷、受到氢能流腐蚀、接触不良都会产生热管理故障，通过在设备部件中对氢能流及电流进行检测，以确定该单元是否存在热管理故障问题；
由步骤(10)计算出设备部件的偏差率为E，对E进行误差分析，当偏差在0-5％之内，则能判断该氢氧气体单元的失效主要由水管理故障引起；当偏差在5％以上，则能判断该氢氧气体单元的失效主要由热管理故障引起。
2.如权利要求1所述的基于Surrogate的氢能系统碱性电解槽的安全故障预测方法，其特征在于，所述的步骤(7)使用协方差矩阵与描述预测值与实际值偏差随距离变化的半变异函数为：
Cov[Z(x(i)),Z(x(j))]＝σ2R([R(x(i),x(j))])
式中，R为一个i×j阶的协方差矩阵，其中σ为碱性电解槽各个单元的失效率样本方差，每个元素Rij＝R(x(i),x(j))，j是碱性电解槽失效率预测与优化问题的变量维度数，i是当前碱性电解槽失效率样本序号，x为碱性电解槽失效率的样本点实际值，即Rij＝R(x(i),x(j))为样本点x(i)与x(j)之间的关联性方程，其中x采用高斯关联性方程，即式：
Figure FDA0004241075870000031
其中k为一个单元维度碱性电解槽失效率样本空间的数量，θk为转换系数，R(x,y)表示训练样本点之间的空间相关性，n为碱性电解槽失效率样本空间的设计变量数，xk为碱性电解槽失效率的某个单元的样本点实际值，yk为碱性电解槽失效率另一个单元的样本点实际值。
3.如权利要求1所述的基于Surrogate的氢能系统碱性电解槽的安全故障预测方法，其特征在于，所述的步骤(7)中，碱性电解槽的不同单元的失效率预测值与碱性电解槽各个单元的变量空间V内的n个样本值之差的估计值无偏且最优所需满足的条件如下式所示：
Figure FDA0004241075870000041
其中，
Figure FDA0004241075870000042
为针对碱性电解槽的不同单元的失效率预测值；ZV(x)为碱性电解槽各个单元的变量空间V内的n个失效率样本值；E为样本估计值的期望值；Var为样本估计值的方差；minimize为对样本估计值求最优的函数。
CN202110962794.XA 2021-08-20 2021-08-20 基于Surrogate的氢能系统碱性电解槽的安全故障预测方法 Active CN113724804B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110962794.XA CN113724804B (zh) 2021-08-20 2021-08-20 基于Surrogate的氢能系统碱性电解槽的安全故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110962794.XA CN113724804B (zh) 2021-08-20 2021-08-20 基于Surrogate的氢能系统碱性电解槽的安全故障预测方法

Publications (2)

Publication Number Publication Date
CN113724804A CN113724804A (zh) 2021-11-30
CN113724804B true CN113724804B (zh) 2023-06-30

Family

ID=78677335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110962794.XA Active CN113724804B (zh) 2021-08-20 2021-08-20 基于Surrogate的氢能系统碱性电解槽的安全故障预测方法

Country Status (1)

Country Link
CN (1) CN113724804B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230104347A1 (en) * 2021-09-24 2023-04-06 Palo Alto Research Center Incorporated Methods and systems for fault diagnosis
CN116516412B (zh) * 2023-06-30 2023-10-27 中石油深圳新能源研究院有限公司 碱水制氢控制系统和碱水制氢控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011047358A1 (en) * 2009-10-15 2011-04-21 Crescendo Bioscience Biomarkers and methods for measuring and monitoring inflammatory disease activity
CN112560261A (zh) * 2020-12-14 2021-03-26 大连理工大学 一种基于数据驱动的氢能系统关键设备失效率预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011047358A1 (en) * 2009-10-15 2011-04-21 Crescendo Bioscience Biomarkers and methods for measuring and monitoring inflammatory disease activity
CN112560261A (zh) * 2020-12-14 2021-03-26 大连理工大学 一种基于数据驱动的氢能系统关键设备失效率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Novel 18650 lithium-ion battery surrogate cell design with anisotropic thermophysical properties for studying failure events;Neil S. Spinner,et al.;《Journal of power sources》;全文 *
基于分区间泛化Kriging近似模型的船舶局部结构形状优化;张干锋;王德禹;;海洋工程(第06期);全文 *

Also Published As

Publication number Publication date
CN113724804A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN113724804B (zh) 基于Surrogate的氢能系统碱性电解槽的安全故障预测方法
Chen et al. The reactant starvation of the proton exchange membrane fuel cells for vehicular applications: A review
EP1910588B1 (en) Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization
US8088525B2 (en) Online low performing cell (LPC) prediction and detection of fuel cell system
US20240030742A1 (en) A control system and method for controlling a micro-grid
JP5326423B2 (ja) 燃料電池システム、および、燃料電池の状態検知方法
Mao et al. Polymer electrolyte membrane fuel cell fault diagnosis and sensor abnormality identification using sensor selection method
Wu et al. Fault detection and assessment for solid oxide fuel cell system gas supply unit based on novel principal component analysis
CN109799405A (zh) 一种基于时间序列-卡尔曼滤波的变压器故障预测方法
US20140162160A1 (en) Fuel cell failure prediction apparatus and method
CN114551944A (zh) 质子交换膜燃料电池内部含水量的快速控制方法及系统
Wende et al. Fault prediction based on dynamic model and grey time series model in chemical processes
US20100015474A1 (en) Adaptive Technique and Apparatus to Detect an Unhealthy Condition of a Fuel Cell System
CN115679341A (zh) 一种大规模宽功率波动水电解制氢装置及制氢方法
JP2024512308A (ja) モジュール式電気化学システム
US20120138483A1 (en) Method and system for electrolyser single cell current efficiency
CN112560261A (zh) 一种基于数据驱动的氢能系统关键设备失效率预测方法
Tang et al. Adaptive Gaussian process regression based remaining useful life prediction of PEMFC incorporating an improved health indicator
US20240141516A1 (en) Modular electrochemical system
CN117423866A (zh) 一种判断燃料电池系统离子浓度的在线监测方法及其监测装置
JPH0874082A (ja) イオン交換膜法電解槽の運転方法
WO2023229879A1 (en) Control systems and methods for monitoring electrolyzer cell stack conditions and extending operational life
CN117538391A (zh) 一种电解槽运行状态检测方法、装置及系统
CN117805198A (zh) 一种实时监测pem电解槽寿命的方法
CN116876035A (zh) 一种电解槽隔膜故障诊断方法、装置及电子设备

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