CN114019392B - 一种燃料电池系统单片电压一致性和故障干预系统 - Google Patents

Abstract

本发明公开了一种燃料电池系统单片电压一致性和故障干预系统，包括：数据采集模组、数据学习模组、单片优化模组、故障干预模组以及燃料电池智能算法控制器；该系统采用人工智能的深度学习模型和递归算法得到计算燃料电池单片数据和电堆状态的神经网络结构，并利用神经网络建立电池控制参数和运行时间与多个单片的拟合关系，实现燃料电池单片一致性和电堆状态的预测，解决了现有技术中单体电压一致性预测结果片面性的问题，有效保证了单片一致性的预测准确性，提高了单体电压一致性预测结果的可靠性。

Description

一种燃料电池系统单片电压一致性和故障干预系统

技术领域

本发明涉及燃料电池技术领域，尤其涉及一种燃料电池系统单片电压一致性和故障干预系统。

背景技术

燃料电池汽车技术迅速发展，燃料电池系统作为一种发电装置，将化学能转化成电能。氢燃料电池更是作为一种清洁能源，对环境友好，而受到广泛关注。

由于燃料电池系统控制复杂，燃料电池性能受到多种因素影响。一般燃料电池的内部包含有几百片的单电池，而每个单电池的好坏和单电池之间的一致性都决定着整个电堆的输出性能。单电池的一致性可以反应出电堆的工作状态，单电池的方差可以作为很重要的指标；单体间不一致性表现为输出电压的不一致，一方面影响了电堆的输出电压，另一方面对电堆的寿命也有影响。

现有技术中的智能燃料电池系统仅仅采集燃料电池电堆内每一片或每几片单体的电压，通过分析单体电压之间的关系来判断单体电压一致性的好坏。这种方式的预测方法不够全面，无法精确得到同一燃料电池单体电压一致性的结论。

发明内容

本发明克服了现有技术的不足，提供一种燃料电池系统单片电压一致性和故障干预系统。该系统通过人工智能的深度学习模型和递归算法得到计算燃料电池单片数据和电堆状态的神经网络结构，并利用神经网络建立电池控制参数和运行时间与多个单片的拟合关系，实现燃料电池单片一致性和电堆状态的预测，解决了现有技术中单体电压一致性预测结果片面性的问题。

为达到上述目的，本发明采用的技术方案为：一种燃料电池系统单片电压一致性和故障干预系统，包括：数据采集模组、数据学习模组、单片优化模组、故障干预模组以及燃料电池智能算法控制器，其特征在于，

所述数据采集模组采集燃料电池实时控制输入、CVM实时单片电压数据和电池运行状态，并根据电池运行状态，把数据传输至所述数据学习模组；

所述数据学习模组通过神经网络建立电池控制参数和运行时间与多个单片的拟合关系，所述拟合关系表现为单片一致性和电堆状态的预测；

所述单片优化模组根据所述数据学习模组的拟合结果来优化单片电压的一致性，并且把结果下发到燃料电池系统中，实时调整电池单片的一致性；

所述故障干预模组是根据数据学习模组的结果来实时预测燃料电池系统的安全性，当安全系数低于阈值，触发故障干预调整；

所述燃料电池智能算法控制器根据所述单片优化模组和所述故障干预模组的输出结果产生驱动信号，并驱动处理器控制所述燃料电池系统的工作状态。

本发明一个较佳实施例中，所述数据采集模组实时采集所述燃料电池的温度、压力、流量、电压、电流、转速、开度信号、CVM各个单片数据及电池运行状态。

本发明一个较佳实施例中，所述数据采集模组中设置有若干传感器单元，所述传感器单元包括温度测量单元、压力测量单元、流量测量单元、电压测量单元、电流测量单元、转速测量单元、开度测量单元、CVM单片数据收集单元和电堆状态计算单元。

本发明一个较佳实施例中，所述数据采集模组根据所述电池运行状态，将采集数据分成安全状态运行数据和故障状态运行数据。

本发明一个较佳实施例中，所述数据学习模组根据所述安全状态运行数据和所述故障状态运行数据，得到一个可以预测单片数据和电堆状态的数据学习模型。

本发明一个较佳实施例中，所述数据学习模型为基于人工智能的深度学习模型，所述数据学习模型通过递归算法精确计算燃料电池单片数据和电堆状态的神经网络结构。

本发明一个较佳实施例中，包括数据传输模组，所述数据传输模组收集所述数据采集模组采集到的模拟感应信号，并对应转换为数字感应信号传输至所述数据学习模型。

本发明一个较佳实施例中，所述单片优化模组包括若干优化计算单元，并根据实时状态结合人工智能优化算法优化单片的结果。

本发明一个较佳实施例中，所述燃料电池智能算法控制器产生控制信号触发所述燃料电池系统的开关命令、执行转速及阀门开关操作指令，并驱动处理器控制所述燃料电池系统处于最佳运行状态。

本发明一个较佳实施例中，所述电堆状态计算单元根据所述燃料电池的温度、湿度、压力和单片数据计算电堆状态，并且数值化给出评分。

本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

（1）本发明提供了一种燃料电池系统单片电压一致性和故障干预系统，该系统采用人工智能的深度学习模型和递归算法得到计算燃料电池单片数据和电堆状态的神经网络结构，并利用神经网络建立电池控制参数和运行时间与多个单片的拟合关系，实现燃料电池单片一致性和电堆状态的预测，解决了现有技术中单体电压一致性预测结果片面性的问题，有效保证了单片一致性的预测准确性，提高了单体电压一致性预测结果的可靠性。

（2）本发明包括数据采集模组、数据学习模组、单片优化模组、故障干预模组和燃料电池智能算法控制器，数据采集模组实时采集所述燃料电池的温度、压力、流量、电压、电流、转速、开度信号、CVM各个单片数据及电池运行状态，根据电池运行状态把数据分成安全状态运行数据和故障状态运行数据，把安全状态运行数据和故障状态运行数据依次经过数据学习模组，得到一个可以预测单片数据和电堆状态的数据学习模型，通过神经网络建立电池控制参数和运行时间与多个单片的拟合关系；单片优化模组根据数据学习模组的拟合结果来优化单片电压的一致性，并且把结果下发到燃料电池系统中，实时调整电池单片的一致性；故障干预模组根据数据学习模组的结果来实时预测燃料电池系统的安全性，当安全系数低于阈值，触发故障干预调整；燃料电池智能算法控制器OCU根据单片优化模组和故障干预模组的输出结果产生驱动信号，触发燃料电池系统的开关命令、执行转速及阀门开关操作指令，并驱动处理器控制燃料电池系统处于最佳运行状态，确保下发的指令让电堆安全，健康，高效长久运行。

（3）本发明通过人工智能的深度学习模型和递归算法搭建的神经网络结构，为燃料电池单片一致性的预测提高了精准度。本发明通过向数据学习模型中不断传送数据，实现数据学习模型的不断迭代，进一步保证燃料电池单片一致性预测的准确性和数据学习模型的稳定性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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中记载的一些实施例，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是本发明的优选实施例的流程图。

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、完整地描述，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他实施例，都属于本发明保护的范围。

如图1所示，示出了一种燃料电池系统单片电压一致性和故障干预系统的流程图。该系统中包括：数据采集模组、数据学习模组、单片优化模组、故障干预模组以及燃料电池智能算法控制器OCU。

数据采集模组采集燃料电池实时控制输入、CVM实时单片电压数据和电池运行状态，并根据电池运行状态，把数据传输至数据学习模组。其中，数据采集模组实时采集燃料电池的温度、压力、流量、电压、电流、转速、开度信号、CVM各个单片数据及电池运行状态。数据采集模组中设置有若干传感器单元，传感器单元包括温度测量单元、压力测量单元、流量测量单元、电压测量单元、电流测量单元、转速测量单元、开度测量单元、CVM单片数据收集单元和电堆状态计算单元。本发明中电堆状态计算单元根据燃料电池的温度、湿度、压力和单片数据计算电堆状态，并且数值化给出评分。

数据采集模组根据电池运行状态，将采集数据分成安全状态运行数据和故障状态运行数据。

数据学习模型为基于人工智能的深度学习模型，数据学习模型通过递归算法精确计算燃料电池单片数据和电堆状态的神经网络结构。数据学习模组通过神经网络建立电池控制参数和运行时间与多个单片的拟合关系，拟合关系表现为单片一致性和电堆状态的预测。数据学习模组根据安全状态运行数据和故障状态运行数据，得到一个可以预测单片数据和电堆状态的数据学习模型。

通过人工智能的深度学习模型和递归算法搭建的神经网络结构，为燃料电池单片一致性的预测提高了精准度。本发明通过向数据学习模型中不断传送数据，实现数据学习模型的不断迭代，进一步保证燃料电池单片一致性预测的准确性和数据学习模型的稳定性。

单片优化模组根据数据学习模组的拟合结果来优化单片电压的一致性，并且把结果下发到燃料电池系统中，实时调整电池单片的一致性。单片优化模组包括若干优化计算单元，并根据实时状态结合人工智能优化算法优化单片的结果，保证电堆高效长久运行。

所述故障干预模组具有检测故障，提前避免故障，解决故障和智能关机的功能。故障干预模组是根据数据学习模组的结果来实时预测燃料电池系统的安全性，当安全系数低于阈值，触发故障干预调整。

燃料电池智能算法控制器OCU是指燃料电池的智能控制系统，其具有评估各种指令到下发最优指令功能，远程更新版本的功能，分布式数据处理和计算的功能。燃料电池智能算法控制器OCU根据单片优化模组和故障干预模组的输出结果产生驱动信号，并驱动处理器控制燃料电池系统的工作状态。燃料电池智能算法控制器OCU产生控制信号触发燃料电池系统的开关命令、执行转速及阀门开关操作指令，并驱动处理器控制燃料电池系统处于最佳运行状态。其中燃料电池智能算法控制器OCU的输出为：OCU out=优化（性能输出，单片输出，故障干预）。

本发明的系统中还包括数据传输模组，数据传输模组收集数据采集模组采集到的模拟感应信号，并对应转换为数字感应信号传输至数据学习模型。

本发明使用时，数据采集模组实时采集所述燃料电池的温度、压力、流量、电压、电流、转速、开度信号、CVM各个单片数据及电池运行状态，根据电池运行状态把数据分成安全状态运行数据和故障状态运行数据，把安全状态运行数据和故障状态运行数据依次经过数据学习模组，得到一个可以预测单片数据和电堆状态的数据学习模型，通过神经网络建立电池控制参数和运行时间与多个单片的拟合关系；单片优化模组根据数据学习模组的拟合结果来优化单片电压的一致性，并且把结果下发到燃料电池系统中，实时调整电池单片的一致性；故障干预模组根据数据学习模组的结果来实时预测燃料电池系统的安全性，当安全系数低于阈值，触发故障干预调整；燃料电池智能算法控制器OCU根据单片优化模组和故障干预模组的输出结果产生驱动信号，触发燃料电池系统的开关命令、执行转速及阀门开关操作指令，并驱动处理器控制燃料电池系统处于最佳运行状态，确保下发的指令让电堆安全，健康，高效长久运行。

以上依据本发明的理想实施例为启示，通过上述的说明内容，相关人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定技术性范围。

Claims (7)

1.一种燃料电池系统单片电压一致性和故障干预系统，包括：数据采集模组、数据学习模组、单片优化模组、故障干预模组以及燃料电池智能算法控制器，其特征在于，

所述数据采集模组采集燃料电池实时控制输入数据和CVM实时单片电压数据，通过采集的数据计算电堆状态；所述数据采集模组根据电堆状态将采集的数据分为安全状态运行数据和故障状态运行数据，并将采集的数据传输至所述数据学习模组；

所述数据学习模组通过神经网络建立电池控制参数和运行时间与多个单片的拟合关系，所述拟合关系表现为单片一致性和电堆状态的预测；所述数据学习模组根据所述安全状态运行数据和所述故障状态运行数据，得到一个可以预测单片数据和电堆状态的数据学习模型；所述数据学习模型为基于人工智能的深度学习模型，所述数据学习模型为通过递归算法精确计算燃料电池单片数据和电堆状态的神经网络结构；

所述单片优化模组根据所述数据学习模组的拟合结果来优化单片电压的一致性，并且把结果下发到燃料电池系统中，实时调整电池单片的一致性；

所述故障干预模组是根据数据学习模组的结果来实时预测燃料电池系统的安全性，当安全系数低于阈值，触发故障干预调整；

所述燃料电池智能算法控制器根据所述单片优化模组和所述故障干预模组的输出结果产生驱动信号，并驱动处理器控制所述燃料电池系统的工作状态。

2.根据权利要求1所述的一种燃料电池系统单片电压一致性和故障干预系统，其特征在于：所述数据采集模组实时采集所述燃料电池的温度、压力、流量、电压、电流、转速、开度信号、CVM各个单片数据及电堆状态。

3.根据权利要求2所述的一种燃料电池系统单片电压一致性和故障干预系统，其特征在于：所述数据采集模组中设置有若干传感器单元，所述传感器单元包括温度测量单元、压力测量单元、流量测量单元、电压测量单元、电流测量单元、转速测量单元、开度测量单元、CVM单片数据收集单元和电堆状态计算单元。

4.根据权利要求1所述的一种燃料电池系统单片电压一致性和故障干预系统，其特征在于：包括数据传输模组，所述数据传输模组收集所述数据采集模组采集到的模拟感应信号，并对应转换为数字感应信号传输至所述数据学习模型。

5.根据权利要求1所述的一种燃料电池系统单片电压一致性和故障干预系统，其特征在于：所述单片优化模组包括若干优化计算单元，并根据实时状态结合人工智能优化算法优化单片的结果。

6.根据权利要求1所述的一种燃料电池系统单片电压一致性和故障干预系统，其特征在于：所述燃料电池智能算法控制器产生控制信号触发所述燃料电池系统的开关命令、执行转速及阀门开关操作指令，并驱动处理器控制所述燃料电池系统处于最佳运行状态。

7.根据权利要求3所述的一种燃料电池系统单片电压一致性和故障干预系统，其特征在于：所述电堆状态计算单元根据所述燃料电池的温度、湿度、压力和单片数据计算电堆状态，并且数值化给出评分。

Images