CN113839072B - 一种燃料电池服役稳定性控制方法及系统 - Google Patents

一种燃料电池服役稳定性控制方法及系统 Download PDF

Info

Publication number
CN113839072B
CN113839072B CN202111063037.5A CN202111063037A CN113839072B CN 113839072 B CN113839072 B CN 113839072B CN 202111063037 A CN202111063037 A CN 202111063037A CN 113839072 B CN113839072 B CN 113839072B
Authority
CN
China
Prior art keywords
fuel cell
direct methanol
methanol fuel
prediction model
output voltage
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
CN202111063037.5A
Other languages
English (en)
Other versions
CN113839072A (zh
Inventor
杨钦文
肖罡
王忠诚
金大鹏
刘轩
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202111063037.5A priority Critical patent/CN113839072B/zh
Publication of CN113839072A publication Critical patent/CN113839072A/zh
Application granted granted Critical
Publication of CN113839072B publication Critical patent/CN113839072B/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
    • H01M8/10—Fuel cells with solid electrolytes
    • H01M8/1009—Fuel cells with solid electrolytes with one of the reactants being liquid, solid or liquid-charged
    • H01M8/1011—Direct alcohol fuel cells [DAFC], e.g. direct methanol fuel cells [DMFC]
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Manufacturing & Machinery (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种燃料电池服役稳定性控制方法及系统，本发明包括基于实验数据得到燃料电池衰减项ΔV并以此构建出用于描述直接甲醇燃料电池输出电压与操作参数以及时间之间关系的全周期动态预测模型，针对用于描述直接甲醇燃料电池输出电压与操作参数之间关系的全周期动态预测模型，采用多目标优化算法进行求解，从而得到直接甲醇燃料电池长期稳定运行的最优操作参数，在考虑燃料电池衰减项ΔV的基础上构建出全周期动态预测模型(输出电压模型)，并以全周期动态预测模型(输出电压模型)为基础获取直接甲醇燃料电池长期稳定运行的最优操作参数，因此能够实现燃料电池服役稳定性控制，具有运行稳定性好的优点。

Description

一种燃料电池服役稳定性控制方法及系统
技术领域
本发明涉及直接甲醇燃料电池控制领域，具体涉及一种燃料电池服役稳定性控制方法及系统。
背景技术
当今，直接甲醇燃料电池技术被认为是很有前途的技术，它具有结构单一、燃料无污染、燃料便于运输和燃料理论效率高等优点。
在实际商用中，采取对应的控制方法来保持燃料电池电压稳定是非常重要的。虽然已有控制方法可以做到稳定燃料电池输出电压，但是在长时间的运行中，燃料电池的性能会发生衰减，然而现有方法都忽略了这点，这会严重折损控制效果。因此，如何实现燃料电池服役稳定性控制，已成为一项亟待解决的关键技术问题。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种燃料电池服役稳定性控制方法及系统，本发明在考虑燃料电池衰减项ΔV的基础上构建出全周期动态预测模型(输出电压模型)，并以全周期动态预测模型(输出电压模型)为基础获取直接甲醇燃料电池长期稳定运行的最优操作参数，因此能够实现燃料电池服役稳定性控制，具有运行稳定性好的优点。
为了解决上述技术问题，本发明采用的技术方案为：
一种燃料电池服役稳定性控制方法，包括：
1)获取直接甲醇燃料电池在运行参数中值条件下保持参数不变运行一段时间的实验数据；
2)基于实验数据得到燃料电池衰减项ΔV；
3)基于燃料电池衰减项ΔV，构建出用于描述直接甲醇燃料电池输出电压与操作参数及时间之间的关系的全周期动态预测模型；
4)针对全周期动态预测模型，采用多目标优化算法进行求解，从而得到直接甲醇燃料电池长期稳定运行的最优操作参数。
可选地，步骤1)之前还包括进行直接甲醇燃料电池在运行参数中值条件下保持参数不变运行一段时间的实验的步骤：启动直接甲醇燃料电池，为直接甲醇燃料电池运行参数选择直接甲醇燃料电池运行参数范围的中间值(避免极端操作条件)，保持直接甲醇燃料电池运行参数不变运行一段时间，并记录对应的电流密度j和运行时长t。
可选地，所述直接甲醇燃料电池运行参数包括甲醇溶液浓度、甲醇溶液流速、工作环境温度和空气流速。
可选地，步骤2)中基于实验数据得到燃料电池衰减项ΔV是指直接甲醇燃料电池在中值运行参数下运行一段时间后的电流密度j和运行时长t输入训练好的衰减项预测模型得到燃料电池衰减项ΔV。
可选地，步骤3)中构建出的全周期动态预测模型表达式为：
Figure BDA0003257125050000021
上式中，Vcell是输出电压，ΔV为燃料电池衰减项，Vth是可逆无损电压，CM、T、FA和FM分别代表甲醇溶液浓度、实验操作温度、空气流速和甲醇溶液流速，j为电流密度，k1～k24为半经验模型的系数。
可选地，步骤3)之后、步骤4)之前还包括确定采用多目标优化算法进行求解时的约束条件的步骤，所述约束条件包括电流密度j的约束[jmin,jmax]、目标电压Vset以及输出电压V(j)与目标电压Vset之差的绝对值与目标电压Vset的比值的上限a％。
可选地，步骤4)中采用多目标优化算法进行求解时，所采用的目标优化函数的函数表达式为：
Figure BDA0003257125050000022
Figure BDA0003257125050000023
上式中，V(j)是输出电压，Vset是作为约束条件的目标电压，j是电流密度，jinterval是每个电流密度间隔，i是计划曲线条数，[jmin,jmax]为电流密度j的约束，a％为目标电压Vset以及输出电压V(j)与目标电压Vset之差的绝对值与目标电压Vset的比值的上限。
可选地，步骤4)中得到直接甲醇燃料电池长期稳定运行的最优操作参数之后，还包括基于直接甲醇燃料电池长期稳定运行的最优操作参数控制直接甲醇燃料电池的运行状态的步骤。
此外，本发明还提供一种燃料电池服役稳定性控制系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行前述燃料电池服役稳定性控制方法的步骤。
此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行前述燃料电池服役稳定性控制方法的计算机程序。
和现有技术相比，本发明具有下述优点：本发明包括获取直接甲醇燃料电池在运行参数中值条件下保持参数不变运行一段时间的实验数据，基于实验数据得到燃料电池衰减项ΔV，考虑燃料电池衰减项ΔV构建出用于描述直接甲醇燃料电池输出电压与操作参数以及时间之间的关系的全周期动态预测模型，针对用于描述直接甲醇燃料电池输出电压与操作参数及时间之间关系的全周期动态预测模型，采用多目标优化算法进行求解，从而得到直接甲醇燃料电池长期稳定运行的最优操作参数，在考虑燃料电池衰减项ΔV的基础上构建出全周期动态预测模型(输出电压模型)，并以全周期动态预测模型(输出电压模型)为基础获取直接甲醇燃料电池长期稳定运行的最优操作参数，因此能够实现燃料电池服役稳定性控制，具有运行稳定性好的优点。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例方法的预测模型(简称模型)与实验的对比。
具体实施方式
如图1所示，本实施例燃料电池服役稳定性控制方法包括：
1)获取直接甲醇燃料电池在运行参数中值条件下保持参数不变运行一段时间的实验数据；
2)基于实验数据得到燃料电池衰减项ΔV；
3)基于燃料电池衰减项ΔV，构建出用于描述直接甲醇燃料电池输出电压与操作参数及时间之间的关系的全周期动态预测模型；
4)针对用于描述直接甲醇燃料电池输出电压与操作参数及时间之间的关系的全周期动态预测模型，采用多目标优化算法进行求解，从而得到直接甲醇燃料电池长期稳定运行的最优操作参数。
本实施例中，步骤1)之前还包括进行直接甲醇燃料电池在运行参数中值条件下保持参数不变运行一段时间的实验的步骤：启动直接甲醇燃料电池，为直接甲醇燃料选择运行参数范围的中间值(避免极端操作条件)，保持直接甲醇燃料电池运行参数不变运行一小时(使燃料电池性能发生衰减)，并记录对应的电流密度j和运行时长t。本实施例中，直接甲醇燃料电池运行参数包括甲醇溶液浓度、甲醇溶液流速、工作环境温度和空气流速。
本实施例中，步骤2)中基于实验数据得到燃料电池衰减项ΔV是指直接甲醇燃料电池在中值运行参数下运行一段时间后的电流密度j和运行时间t输入训练好的衰减项预测模型得到燃料电池衰减项ΔV。该衰减项预测模型可表示为：
ΔV＝f(j,t)
其中，f为该衰减项预测模型的映射关系，可通过实验数据训练得到。
本实施例中，训练衰减项预测模型的步骤包括：
S1、采集训练数据：进行直接甲醇燃料电池在运行参数中值条件下保持参数不变运行一段时间的实验的步骤：启动直接甲醇燃料电池，为直接甲醇燃料选择运行参数范围的中间值(避免极端操作条件)，保持直接甲醇燃料电池运行参数不变运行一小时(使燃料电池性能发生衰减)，采用负载控制系统获取直接甲醇燃料电池距离初始运行时的输出电压变化量，即：燃料电池衰减项ΔV，并记录对应的电流密度j和运行时长t，此过程称为一次测量。通过多次测量(本实施例中为重复10天)，即可获得完整的训练数据。
S2、利用训练数据训练衰减项预测模型。衰减项预测模型可根据需要采用机器学习模型，例如回归模型、或者神经网络、或者克里金KG、或者径向基函数RBF、或者多元自适应样条回归MARS。训练时衰减项预测模型的输入为电流密度j和运行时长t，输出为燃料电池衰减项ΔV，通过反复迭代训练衰减项预测模型的参数直至衰减项预测模型对训练数据中的测试数据集的测试精度满足要求或者迭代次数达到预设次数，最终完成衰减项预测模型的训练，获得衰减项预测模型的映射关系f。之后，将电流密度j和运行时间t输入训练好的衰减项预测模型得到燃料电池衰减项ΔV。
本实施例中，步骤3)中构建出的全周期动态预测模型的函数表达式为：
Figure BDA0003257125050000041
上式中，Vcell是输出电压，ΔV为燃料电池衰减项，Vth是可逆无损电压，CM、T、FA和FM分别代表甲醇溶液浓度、实验操作温度、空气流速和甲醇溶流速，j为电流密度，k1～k24为半经验模型的系数。本实施例中，半经验模型的系数k1～k24如表1所示。上式中，ΔV之前的所有项是用来描述直接甲醇燃料电池输出电压与操作参数(甲醇溶液浓度、甲醇溶液流速、工作环境温度和空气流速)之间关系的静态模型(此模型在相关论文中也被称为半经验模型)，由于此部分不包含时间变量，所以无法描述输出电压在燃料电池整个运行周期(全周期)的变化，也就达不到实时控制的效果。
表1：半经验模型的系数表。
系数 值 系数 值 系数 值
k<sub>1</sub> -3.7534×10<sup>-5</sup> k<sub>9</sub> -0.5791 k<sub>17</sub> -0.1160
k<sub>2</sub> -3.1534×10<sup>-4</sup> k<sub>10</sub> -4.8053 k<sub>18</sub> 0.5793
k<sub>3</sub> 6.6200×10<sup>-5</sup> k<sub>11</sub> 4.8053 k<sub>19</sub> 4.8062
k<sub>4</sub> -0.7499 k<sub>12</sub> -1.2135 k<sub>20</sub> -4.8062
k<sub>5</sub> 6.9879 k<sub>13</sub> -36.4865 k<sub>21</sub> 1.2016
k<sub>6</sub> 916.91 k<sub>14</sub> 2.8580×10<sup>-4</sup> k<sub>22</sub> -8.2596×10<sup>-4</sup>
k<sub>7</sub> -4.6392 k<sub>15</sub> 5.34657×10<sup>-7</sup> k<sub>23</sub> -36.4679
k<sub>8</sub> -0.8801 k<sub>16</sub> 51824 k<sub>24</sub> 20.8714
本实施例中，步骤3)之后、步骤4)之前还包括确定采用多目标优化算法进行求解时的约束条件的步骤，所述约束条件包括电流密度j的约束[jmin,jmax]、目标电压Vset以及输出电压V(j)与目标电压Vset之差的绝对值与目标电压Vset的比值的上限a％。
测量燃料电池的极化曲线能够反映电池的性能。极化曲线斜率越小，则证明燃料电池性能越好。根据这一点，本实施例中采用多目标优化算法，根据目标电压范围优化出电流密度间隔(斜率最小)的极化曲线并将曲线组合，再根据极化曲线反推出电池运行参数，通过控制运行参数使电池电压稳定。本实施例中，步骤4)中采用多目标优化算法进行求解时，所采用的目标优化函数的函数表达式为：
Figure BDA0003257125050000051
Figure BDA0003257125050000052
上式中，V(j)是输出电压，Vset是作为约束条件的目标电压，j是电流密度，jinterval是每个电流密度间隔，i是极化曲线条数，[jmin,jmax]为电流密度j的约束，a％为目标电压Vset以及输出电压V(j)与目标电压Vset之差的绝对值与目标电压Vset的比值的上限。通过合理量化，将稳压转化为在目标电压区间内拥有最小的电压偏差和最大的电流密度范围，从而可通过控制运行参数使电池电压稳定。需要说明的是，多目标优化算法为用于求解多个未知变量的求解方法，该方法可根据需要采用现有的遗传算法GA、粒子群算法PSO、模拟退火算法SA等多目标优化算法。
本实施例中，步骤4)中得到直接甲醇燃料电池长期稳定运行的最优操作参数之后，还包括基于直接甲醇燃料电池长期稳定运行的最优操作参数控制直接甲醇燃料电池的运行状态的步骤。
为了说明考虑衰减之后控制策略的控制效果，在第11天做了对比实验(具体实验条件见表3)，并计算了误差来说明本实施例方法的预测模型与实验之间的匹配度。如图2所示为本实施例方法的预测模型(简称模型)与实验的极化曲线对比图，表2为本实施例方法的预测模型与实验的极化曲线之间的相对误差，表3为对比实验条件。
表2：本实施例方法的预测模型与实验的极化曲线之间的相对误差。
Figure BDA0003257125050000061
表3：对比实验条件。
Figure BDA0003257125050000062
如图2和表2所示，本实施例中最大相对误差为9.4％，这样的误差对于燃料电池的输出电压只会产生小数点后百分位的影响，影响很小，足以证明本实施例方法的预测模型考虑衰减之后的控制策略有很好的匹配度。
综上所述，本实施例燃料电池服役稳定性控制方法包括获取直接甲醇燃料电池在运行参数中值条件下保持参数不变运行一段时间的实验数据，基于实验数据得到燃料电池衰减项ΔV，考虑燃料电池衰减项ΔV构建出用于描述直接甲醇燃料电池输出电压与操作参数及时间之间关系的全周期动态预测模型，针对用于描述直接甲醇燃料电池输出电压与操作参数及时间之间关系的全周期动态预测模型，采用多目标优化算法进行求解，从而得到直接甲醇燃料电池长期稳定运行的最优操作参数，在考虑燃料电池衰减项ΔV的基础上构建出全周期动态预测模型(输出电压模型)，并以全周期动态预测模型(输出电压模型)为基础获取直接甲醇燃料电池长期稳定运行的最优操作参数，因此能够实现燃料电池服役稳定性控制，具有运行稳定性好的优点。
此外，本实施例还提供一种燃料电池服役稳定性控制系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行前述燃料电池服役稳定性控制方法的步骤。
此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行前述燃料电池服役稳定性控制方法的计算机程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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读存储介质(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。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。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、嵌入式处理机或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。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种燃料电池服役稳定性控制方法，其特征在于，包括：
1)获取直接甲醇燃料电池在运行参数中值条件下保持参数不变运行一段时间的实验数据；
2)基于实验数据得到燃料电池衰减项ΔV；
3)基于燃料电池衰减项ΔV，构建出用于描述直接甲醇燃料电池输出电压与操作参数以及时间之间的关系的全周期动态预测模型；
4)针对所述全周期动态预测模型，采用多目标优化算法进行求解，从而得到直接甲醇燃料电池长期稳定运行的最优操作参数；
步骤1)之前还包括进行直接甲醇燃料电池在运行参数区间中值条件下保持参数不变运行一段时间的实验的步骤：启动直接甲醇燃料电池，选择直接甲醇燃料电池运行参数区间的中间值，保持直接甲醇燃料电池运行参数不变运行一段时间，并记录对应的电流密度j和运行时长t；步骤2)中基于实验数据得到燃料电池衰减项ΔV是指直接甲醇燃料电池在中值运行参数下运行一段时间后的电流密度j和运行时长t输入训练好的衰减项预测模型得到燃料电池衰减项ΔV；步骤3)中构建出的全周期动态预测模型的函数表达式为：
Figure FDA0003944069140000011
上式中，Vcell是输出电压，ΔV为燃料电池衰减项，Vth是可逆无损电压，CM、T、FA和FM分别代表甲醇溶液浓度、实验操作温度、空气流速和甲醇溶流速，j为电流密度，k1～k24为半经验模型的系数。
2.根据权利要求1所述的燃料电池服役稳定性控制方法，其特征在于，所述直接甲醇燃料电池运行参数包括甲醇溶液浓度、甲醇溶液流速、工作环境温度和空气流速。
3.根据权利要求2所述的燃料电池服役稳定性控制方法，其特征在于，步骤3)之后、步骤4)之前还包括确定采用多目标优化算法进行求解时的约束条件的步骤，所述约束条件包括电流密度j的约束[jmin,jmax]、目标电压Vset以及输出电压V(j)与目标电压Vset之差的绝对值与目标电压Vset的比值的上限a％。
4.根据权利要求3所述的燃料电池服役稳定性控制方法，其特征在于，步骤4)中采用多目标优化算法进行求解时，所采用的目标优化函数的函数表达式为：
Figure FDA0003944069140000021
Figure FDA0003944069140000022
上式中，V(j)是输出电压，Vset是作为约束条件的目标电压，j是电流密度，jinterval是每个电流密度间隔，i是计划曲线条数，[jmin,jmax]为电流密度j的约束，a％为目标电压Vset以及输出电压V(j)与目标电压Vset之差的绝对值与目标电压Vset的比值的上限。
5.根据权利要求4所述的燃料电池服役稳定性控制方法，其特征在于，步骤4)中得到直接甲醇燃料电池长期稳定运行的最优操作参数之后，还包括基于直接甲醇燃料电池长期稳定运行的最优操作参数控制直接甲醇燃料电池的运行状态的步骤。
6.一种燃料电池服役稳定性控制系统，包括相互连接的微处理器和存储器，其特征在于，该微处理器被编程或配置以执行权利要求1～5中任意一项所述燃料电池服役稳定性控制方法的步骤。
7.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有被编程或配置以执行权利要求1～5中任意一项所述燃料电池服役稳定性控制方法的计算机程序。
CN202111063037.5A 2021-09-10 2021-09-10 一种燃料电池服役稳定性控制方法及系统 Active CN113839072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111063037.5A CN113839072B (zh) 2021-09-10 2021-09-10 一种燃料电池服役稳定性控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111063037.5A CN113839072B (zh) 2021-09-10 2021-09-10 一种燃料电池服役稳定性控制方法及系统

Publications (2)

Publication Number Publication Date
CN113839072A CN113839072A (zh) 2021-12-24
CN113839072B true CN113839072B (zh) 2023-02-28

Family

ID=78958949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111063037.5A Active CN113839072B (zh) 2021-09-10 2021-09-10 一种燃料电池服役稳定性控制方法及系统

Country Status (1)

Country Link
CN (1) CN113839072B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108872872A (zh) * 2018-06-27 2018-11-23 清华大学 燃料电池使用寿命和剩余寿命的预测方法及装置
CN111146478A (zh) * 2019-12-22 2020-05-12 同济大学 一种用于质子交换膜燃料电池堆剩余使用寿命的预测方法
CN111200141A (zh) * 2020-01-14 2020-05-26 东北电力大学 基于深度信念网络的质子交换膜燃料电池性能预测及寻优方法
CN112687926A (zh) * 2019-10-18 2021-04-20 中国科学院大连化学物理研究所 一种燃料电池衰减趋势预测、剩余使用寿命预测方法及系统
CN112736268A (zh) * 2020-12-17 2021-04-30 华中科技大学 一种提高sofc系统寿命的控制优化方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101584728B1 (ko) * 2014-03-28 2016-01-21 한국에너지기술연구원 하이브리드 모델을 이용한 연료전지 운전조건 최적화 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108872872A (zh) * 2018-06-27 2018-11-23 清华大学 燃料电池使用寿命和剩余寿命的预测方法及装置
CN112687926A (zh) * 2019-10-18 2021-04-20 中国科学院大连化学物理研究所 一种燃料电池衰减趋势预测、剩余使用寿命预测方法及系统
CN111146478A (zh) * 2019-12-22 2020-05-12 同济大学 一种用于质子交换膜燃料电池堆剩余使用寿命的预测方法
CN111200141A (zh) * 2020-01-14 2020-05-26 东北电力大学 基于深度信念网络的质子交换膜燃料电池性能预测及寻优方法
CN112736268A (zh) * 2020-12-17 2021-04-30 华中科技大学 一种提高sofc系统寿命的控制优化方法和系统

Also Published As

Publication number Publication date
CN113839072A (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
US8504175B2 (en) Using model predictive control to optimize variable trajectories and system control
CN110163410B (zh) 一种基于神经网络-时间序列的线损电量预测方法
Batina Model predictive control for stochastic systems by randomized algorithms
Wang et al. Convergence of the recursive identification algorithms for multivariate pseudo‐linear regressive systems
EP2267559A2 (en) Method and system for combining feedback and feedforward in model predictive control
CN113544599A (zh) 执行过程并优化在该过程中使用的控制信号的方法
CN109445484B (zh) 一种基于猫群优化和免疫模糊pid的孵化室温度控制方法
CN114721263B (zh) 基于机器学习和智能优化算法的水泥分解炉智慧调控方法
KR20160013012A (ko) 기술적 시스템의 스타팅 변수의 모델을 확인하기 위한 방법
CN108390380B (zh) 一种变压器状态参量趋势预测方法及系统
CN113159413A (zh) 业务流程剩余时间预测方法、系统、存储介质及计算设备
Salvador et al. Offset free data driven control: application to a process control trainer
Kaisare et al. Simulation based strategy for nonlinear optimal control: Application to a microbial cell reactor
CN113839072B (zh) 一种燃料电池服役稳定性控制方法及系统
CN116995276B (zh) 燃料电池发电系统冷却方法及系统
US20180017948A1 (en) ADAPTIVE CONTROL TECHNIQUES FOR pH CONTROL OR CONTROL OF OTHER INDUSTRIAL PROCESSES
CN112782969B (zh) 一种pid参数整定方法、装置、存储介质和设备
Xiong et al. Batch-to-batch optimal control of nonlinear batch processes based on incrementally updated models
CN108089436B (zh) 快速无超调智能控制器参数设计方法
CN114896860B (zh) 基于LightGBM和XGBoost组合模型的飞灰含碳量软测量方法
Ghasemi et al. PEM fuel cell system to extend the stack life based on a PID-PSO controller design
Tilahun Fuzzy-based predictive deep reinforcement learning for robust and constrained optimal control of industrial solar thermal plants
CN111695275A (zh) 一种提高超导磁储能线圈优化计算速度的方法
CN115459299B (zh) 低压配电无功调节方法、装置、计算机设备和存储介质
CN117057255B (zh) 一种用于数字孪生模型在线同步的预训练模型获取方法

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