CN114050293B - 一种固体氧化物燃料电池系统的工况辨识方法 - Google Patents
一种固体氧化物燃料电池系统的工况辨识方法 Download PDFInfo
- Publication number
- CN114050293B CN114050293B CN202111200486.XA CN202111200486A CN114050293B CN 114050293 B CN114050293 B CN 114050293B CN 202111200486 A CN202111200486 A CN 202111200486A CN 114050293 B CN114050293 B CN 114050293B
- Authority
- CN
- China
- Prior art keywords
- model
- fuel cell
- solid oxide
- oxide fuel
- value
- 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
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
-
- 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)
- 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
本发明公开了一种固体氧化物燃料电池系统的工况辨识方法,包括构建固体氧化物燃料电池系统机理模型和构建径向基神经网络模型,利用机理模型、径向基神经网络模型构建混合模型;系统的输出数据与机理模型的输出偏差用于训练径向基神经网络补偿模型,用以修正机理模型来获得跟踪性能良好的高精度固体氧化物燃料电池系统模型。高精度模型的训练采用的数据有系统的燃料、空气、去离子水、电压和负载的输入值,输出值包括固体氧化物燃料电池电堆的温度、尾气燃烧室的温度以及系统的输出电流值。再构建系统电堆的工况决策阈值,当实验数据低于额定信号的百分比阈值时,则可以判断系统工况的变化。此方法可以有效地确认系统工况的实时变化。
Description
技术领域
本发明属于高温燃料电池系统工况辨识领域,更具体地,涉及一种固体氧化物燃料电池系统的工况辨识方法。
背景技术
固体氧化物燃料电池发电系统是实现碳中和和清洁能源转换的重要设备之一,其安全运行已与国家经济发展紧密联系。如果固体氧化物燃料电池系统出现故障,将导致关键部件——电堆故障,这样不仅影响了系统的运行寿命,也影响了外部负载的正常用电,因此,对固体氧化物燃料电池系统的工况辨识,有助于及时发现固体氧化物燃料电池系统隐患、预防其故障。为了及时发现固体氧化物燃料电池系统的事故隐患,提高其运行的可靠性,开展固体氧化物燃料电池系统的工况辨识方法的研究具有十分重要的意义。
发明内容
针对现有技术的以上缺陷或改进需求,本发明的目的在于提供一种固体氧化物燃料电池系统的工况辨识方法,以解决现有的工况辨识无法准确界定的技术问题,提高系统的安全性和发现故障的及时性。
为实现上述目的,本发明提供如下技术方案:一种固体氧化物燃料电池系统的工况辨识方法,包括构建固体氧化物燃料电池系统机理模型和构建径向基神经网络模型,利用机理模型、径向基神经网络模型构建混合模型;包括以下步骤:
步骤1,固体氧化物燃料电池系统机理模型的构建是根据含固体氧化物燃料电池电堆、重整器、燃烧室热交换器所集成的系统结构,利用能反映系统温度场、电场、气流等物质交换的物理第一原理性方程进行建模。采用外部环境供给的输入值通入机理模型来获取机理模型输出值;
步骤2,采用外部环境供给的输入值通入实际系统来获取实际系统输出值;
步骤3,计算固体氧化物燃料电池系统机理模型与实际系统的运行热电参数偏差值,即实际系统输出值与机理模型输出值的偏差值;
步骤4,径向基神经网络模型的构建是将固体氧化物燃料电池系统机理模型与实际系统的运行热电参数偏差值用来训练径向基神经网络模型,用于补偿实际系统与机理模型间的输出差异;
步骤5,将外部环境供给的输入值、实际系统输出值与机理模型输出值的偏差值代入径向基神经网络进行训练,获得补偿模型,将补偿模型与机理模型结合成为混合模型;
步骤6,设定固体氧化物燃料电池系统的热电参数工况转换阈值;
步骤7,根据混合模型和实际系统的相同输入,记录其输出偏差,将偏差值与阈值比较,大于阈值则认为系统工况出现变化。
进一步的,所述外部环境供给的输入值包括外部环境供给的燃料流速、空气流速、负载功率和电压值。
进一步的,所述机理模型输出值和实际系统输出值均包括尾气燃烧室温度、固体氧化物燃料电池电堆温度、电堆电流值。
本发明的有益效果是:
1、本发明仅利用真实固体氧化物燃料电池系统自带的传感器件,无需额外增加设备与器件,开发出一套相应的工况辨识方法,利用系统自带的工控机即可低成本高效地实现工况辨识。
2、本发明能够对固体氧化物燃料电池系统的关键热电参数指标进行确认快速的偏差值对比以获取工况变换的信息,更精确地说,它是采用一种软测量的方式,仅参考系统的真实输入量和输出量进行工况辨识的方法,从而能提高系统运行的安全性和可靠性。
3、信号提取来源于安置在电堆腔室外气道的温度传感器和电子负载,连接在系统上的燃料流量计,相应的检测模块采集电堆和燃烧室相关的实时参数,这些参数的采集在系统建模阶段用于高精度模型的构建;在工况辨识阶段用以分析实际输出值与模型输出值的偏差,以达到调整系统工况辨识的效果;另外也可在故障检测阶段用于判断是否有故障发生。
附图说明
图1是本发明提供的工况辨识中所需要的补偿模型建模流程图;
图2是本发明提供的固体氧化物燃料电池系统的混合模型结构框图;
图3是本发明提供的固体氧化物燃料电池系统的电堆运行的工况辨识结果图;
图4是本发明提供的固体氧化物燃料电池系统的工况辨识流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明技术方案,并不限于本发明。
为解决高温密封环境的固体氧化物燃料电池系统工况辨识这一技术问题,本发明利用机理模型、径向基神经网络构建混合模型,以系统的气体流速、去离子水流速、负载功率和电压值等输入信号作为神经网络的输入层,尾气燃烧室温度、电堆温度、放电电流的机理模型输出和实际系统输出作为神经网络输出层以进行补偿模型的构建,利用不同工况下的系统子部件的热、电、气信号,及机理模型与实际系统的输出偏差对该网络进行多次训练,形成径向基神经网络的输入输出参数的精准配对,接着利用信号验证神经网络的训练效果和其对系统工况辨识的有效性。本发明研究对固体氧化物燃料电池系统的工况辨识具有重要的指导意义。
下面以固体氧化物燃料电池系统中关键部件电堆的温度和电流信号,尾气燃烧室的温度信号同时作为参考,来进行系统工况辨识的实例说明。
步骤一:根据固体氧化物燃料电池系统的机理模型,给定初始输入信号u(a,b,c,d),u由空气输入量、燃料输入量、外部负载功率和电压信号组成,分别对应a,b,c,d四个参数。
步骤二:运行机理模型,获得初始信号下的输出信号y(i,j,k),y由尾气燃烧室温度、固体氧化物燃料电池电堆温度、电堆电流值组成,分别对应i,j,k。
步骤五:由u(a,b,c,d)和ye构建成输入、输出的数组,进行径向基神经网络的训练,输入层节点数目为4,每个特征量a,b,c,d对应一个节点;隐含层节点数目为工况模式数目3(包括正常运行状态、系统异常状态和故障状态),节点与故障状态一一对应。选择径向基函数作为隐含层的基函数;输出层由工况种类确定,故障模式种类为4种,输出层节点数确定为3。经过训练后,得到固体氧化物燃料电池系统神经网络补偿模型。神经网络补偿模型构建如图1所示。
步骤六:在神经网络补偿模型和步骤一中的机理模型进行合并,构建出如图2所示的固体氧化物燃料电池系统的混合模型结构框图。在此种混合模型结构下开展系统工况辨识工作。
步骤七:根据人为经验设定工况辨识的阈值。根据步骤五中所训练出的补偿模型和步骤六中所构建的混合模型,可将相同输入量下混合模型输出与实际系统输出进行对比(或者是将神经网络补偿模型与系统输出偏差值进行对比),若对比的差值(温度值或电流值)小于额定值的10%,则仍然认为系统处于正常工作状态,若偏差值在10%~40%之间,则认为系统已经出现了异常。更进一步地,若偏差值达到了额定值的40%,则认为系统出现了故障。
步骤八:工况的认定。在本实施例中,若仅电流值处于步骤七所述异常或故障范围,则认为是固体氧化物燃料电池电堆的供气出现问题,其他部件正常。若仅尾气燃烧室的温度值处于步骤七所述故障范围,则认为是系统的尾气燃烧室出现故障,其他部件正常。若电堆温度出现步骤七所述范围内的异常,则必然伴有电堆电流的下降,则可以认为电堆出现了问题。电堆的工况辨识结果如图3所示。
步骤九:为了更进一步分析系统工况的变化,可以采用图4所示方法,即采用步骤一中所述的机理模型进行系统工况变化的纯机理原因分析。从而找出工况变化的原因。
以上所述仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种固体氧化物燃料电池系统的工况辨识方法,其特征在于:包括构建固体氧化物燃料电池系统机理模型和构建径向基神经网络模型,利用机理模型、径向基神经网络模型构建混合模型;包括以下步骤:
步骤1,固体氧化物燃料电池系统机理模型的构建是根据含固体氧化物燃料电池电堆、重整器、燃烧室热交换器所集成的系统结构,采用外部环境供给的输入值通入机理模型来获取机理模型输出值;
步骤2,采用外部环境供给的输入值通入实际系统来获取实际系统输出值;
步骤3,计算固体氧化物燃料电池系统机理模型与实际系统的运行热电参数偏差值,即实际系统输出值与机理模型输出值的偏差值;
步骤4,径向基神经网络模型的构建是将固体氧化物燃料电池系统机理模型与实际系统的运行热电参数偏差值用来训练径向基神经网络模型,用于补偿实际系统与机理模型间的输出差异;
步骤5,将外部环境供给的输入值、实际系统输出值与机理模型输出值的偏差值代入径向基神经网络进行训练,获得补偿模型,将补偿模型与机理模型结合成为混合模型;
步骤6,设定固体氧化物燃料电池系统的热电参数工况转换阈值;
步骤7,根据混合模型和实际系统的相同输入,记录其输出偏差,将偏差值与阈值比较,大于阈值则认为系统工况出现变化。
2.根据权利要求1所述的一种固体氧化物燃料电池系统的工况辨识方法,其特征在于:所述外部环境供给的输入值包括外部环境供给的燃料流速、空气流速、负载功率和电压值。
3.根据权利要求1所述的一种固体氧化物燃料电池系统的工况辨识方法,其特征在于:所述机理模型输出值和实际系统输出值均包括尾气燃烧室温度、固体氧化物燃料电池电堆温度、电堆电流值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111200486.XA CN114050293B (zh) | 2021-10-15 | 2021-10-15 | 一种固体氧化物燃料电池系统的工况辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111200486.XA CN114050293B (zh) | 2021-10-15 | 2021-10-15 | 一种固体氧化物燃料电池系统的工况辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114050293A CN114050293A (zh) | 2022-02-15 |
CN114050293B true CN114050293B (zh) | 2023-03-24 |
Family
ID=80204668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111200486.XA Active CN114050293B (zh) | 2021-10-15 | 2021-10-15 | 一种固体氧化物燃料电池系统的工况辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114050293B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114497653B (zh) * | 2022-04-02 | 2022-07-19 | 山东国创燃料电池技术创新中心有限公司 | 燃料电池供氢控制方法及装置 |
CN116387553B (zh) * | 2023-06-05 | 2024-02-20 | 南昌大学 | 一种sofc系统温度控制装置及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663219B (zh) * | 2011-12-21 | 2015-03-04 | 北京理工大学 | 基于混合模型的燃料电池输出预测方法和系统 |
CN109004251B (zh) * | 2018-06-28 | 2021-07-13 | 电子科技大学 | 一种固体氧化物燃料电池系统的智能控制方法 |
CN113283006A (zh) * | 2021-05-20 | 2021-08-20 | 张家港清研检测技术有限公司 | 基于rbf神经网络控制燃料电池电堆多参数响应方法 |
-
2021
- 2021-10-15 CN CN202111200486.XA patent/CN114050293B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114050293A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114050293B (zh) | 一种固体氧化物燃料电池系统的工况辨识方法 | |
Lu et al. | On-line fault diagnosis for proton exchange membrane fuel cells based on a fast electrochemical impedance spectroscopy measurement | |
CN110190306B (zh) | 一种用于燃料电池系统的在线故障诊断方法 | |
Zheng et al. | Data-driven fault diagnosis method for the safe and stable operation of solid oxide fuel cells system | |
CN109993445B (zh) | 一种考虑光伏预测误差的综合能源系统脆弱性评估方法 | |
CN110970679B (zh) | 一种基于热对称的电池包温度传感器合理性诊断方法 | |
CN113588123B (zh) | 一种定子绕组温度预警方法 | |
CN101257355A (zh) | 一种无线传感器网络节点故障检测方法 | |
CN109840593A (zh) | 诊断固体氧化物燃料电池系统故障的方法及设备 | |
Peng et al. | Generalized spatial–temporal fault location method for solid oxide fuel cells using LSTM and causal inference | |
CN216434312U (zh) | 电池参数采集装置及电池管理系统 | |
CN105044440A (zh) | 一种基于ltc6803的燃料电池单片电压巡检系统 | |
Yang et al. | Fault diagnosis of SOFC system based on single cell voltage analysis | |
Gu et al. | An Early minor-fault diagnosis method for lithium-ion battery packs based on unsupervised learning | |
Liao et al. | Fault diagnosis of lithium-ion batteries based on wavelet packet decomposition and Manhattan average distance | |
Seo et al. | Diagnosis of a hydrogen-fueled 1-kW PEMFC system based on exergy analysis | |
Sun et al. | Fault diagnosis method for proton exchange membrane fuel cell system based on digital twin and unsupervised domain adaptive learning | |
CN114243063B (zh) | 一种固体氧化物燃料电池系统故障定位方法和诊断方法 | |
CN114895195A (zh) | 一种基于云服务的电池系统故障诊断方法及其系统 | |
Liu et al. | FSR‐SSL: A fault sample rebalancing framework based on semi‐supervised learning for PV fault diagnosis | |
Li et al. | An overview of digital twin concept for key components of renewable energy systems | |
CN204945219U (zh) | 一种基于ltc6803的燃料电池单片电压巡检系统 | |
Wu et al. | Remaining useful life prediction for a multi-stack solid oxide fuel cell system with degradation interactions | |
CN113418632A (zh) | 一种油浸式变压器油温预测的概念漂移检测方法 | |
Wang et al. | Diagnosis of Gas Leakage in SOFC Stack Based on Gas Sensing Data |
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 |