CN114063451B - 优化燃料电池过氧量的数据驱动控制方法 - Google Patents

优化燃料电池过氧量的数据驱动控制方法 Download PDF

Info

Publication number
CN114063451B
CN114063451B CN202111189676.6A CN202111189676A CN114063451B CN 114063451 B CN114063451 B CN 114063451B CN 202111189676 A CN202111189676 A CN 202111189676A CN 114063451 B CN114063451 B CN 114063451B
Authority
CN
China
Prior art keywords
data driving
excess oxygen
fuel cell
driving controller
optimal
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
CN202111189676.6A
Other languages
English (en)
Other versions
CN114063451A (zh
Inventor
符灏
沈炯
孙立
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202111189676.6A priority Critical patent/CN114063451B/zh
Publication of CN114063451A publication Critical patent/CN114063451A/zh
Application granted granted Critical
Publication of CN114063451B publication Critical patent/CN114063451B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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

Abstract

本发明公开了一种优化燃料电池过氧量的数据驱动控制方法，涉及新能源自动控制技术领域，解决了随着负荷变化、模型失配带来的过量氧气系数调节的干扰强及鲁棒性差的技术问题，其技术方案要点是基于目标加权的优化数据驱动控制器能够完成抗扰和优化两大任务，同时降低了控制器实现的难度，通过扩张观测器的设计能够快速消除扰动，实现系统的高效、稳定的运行。同时采用的目标加权的粒子群优化算法，同时均衡了积分绝对误差和控制量变化两个性能指标，在保证快速跟踪设定值的同时，也保障了空压机的使用寿命。

Description

优化燃料电池过氧量的数据驱动控制方法
技术领域
本申请涉及新能源自动控制技术领域，尤其涉及一种优化燃料电池过氧量的数据驱动控制方法。
背景技术
质子交换膜燃料电池的过量氧气系数(过氧量)是其在运行过程中效率评价的重要指标。而外部负荷的变化会造成其内部反应加剧，严重时会造成反应气体不足的现象发生，但是过多的氧气量又会造成空压机能耗的浪费。因此，对燃料电池过量氧气系数的控制显得尤为重要，能否快速调节空压机的功率，直接决定了燃料电池系统的运行效率。
由于燃料电池系统存在鲁棒性差，干扰多，以及系统模型失配等问题，传统的控制方法已经不能满足控制要求，特别是面对大范围的负荷变动的情况下。因此，许多先进的控制算法被使用，如自适应PID控制器，模型预测控制，神经网络控制等，尽管仿真效果良好，但是由于计算的复杂度，这些方法都很难运用于实际工程中。
而数据驱动控制作为一种计算快速，稳定性好的控制算法则脱颖而出，但是由于控制效果受到控制器参数的影响，如何选择合适的控制器参数变得尤为重要，是亟需解决的问题。
发明内容
本申请提供了一种优化燃料电池过氧量的数据驱动控制方法，其技术目的是根据目标优化寻找到最优的数据驱动控制器参数并设置，从而能够快速地处理系统多干扰、变工况等问题，具有良好的稳定性和鲁棒性。
为实现上述发明目的，本发明采用的技术方案为所述的数据驱动控制器分别以空气压缩机电压和燃料电池内部过量氧气系数为输入和输出，采用目标加权的粒子群优化算法在优化区域内优化寻找并调整数据驱动控制器的参数，实现快速稳定的控制效果。
本申请的上述技术目的是通过以下技术方案得以实现的：
通过实验获得在不同负荷下燃料电池功率减去空气压缩机功率的净功率最优解，与之对应的过量氧气系数即为最优过量氧气系数。
所述燃料电池的输出功率为：
Pst＝vfcIst
其中：vfc是燃料电池输出电压，Ist是外界负荷。
所述空气压缩机功率为：
其中：Tcp是空气压缩机的温度，是空气压缩机的输出压力，Wcp是空气压缩机的输出质量流量，ηcp是空气压缩机的效率。
所述燃料电池净功率为：
Pnet＝Pst-Pcp
所述过量氧气系数为：
其中：n为燃料电池堆电池数，F为法拉利常数。
在不同负荷下，通过改变空气压缩机功率获得燃料电池系统净功率曲线。
根据在不同负荷下的最优过量氧气系数的离散解集，根据多项式拟合这些离散解集获得工况内任意负荷下的最优过量氧气系数。
所求解的多项式如下所示：
OER(I,A)＝a0+a1I+a2I2+...+aM'IM'
其中，I为外部负荷，OER为最优过量氧气系数，M'为多项式的阶数，a0,a1,..aM’为多项式的系数。
根据不同外部负荷对应到拟合的多项式曲线上获得的最优过量氧气系数作为数据驱动控制器的设定值。
通过空气压缩机阶跃响应仿真获得空气压缩机电压对燃料电池系统过量氧气系数的传递函数G(p)。
依据上述的传递函数G(p)，设计数据驱动控制器参数的初始值，参数主要包括误差放大增益kp，模型预设参数b0，扩张观测器可调频率w0，设置参数的初始值为个体最优解和全局最优解/>每个最优解都包括三个参数。
进一步地，设置粒子群优化算法的性能指标为Min J(x)，目标加权的优化算法考虑如下的目标加权的优化问题：
其中：表示在优化区域中的矢量；w1和w2分别表示J1和J2的权重；r表示t时刻过量氧气系数的设定值；y表示t时刻过量氧气系数的输出值；u(t)表示t时刻空气压缩机的电压；u(t-1)表示t-1时刻空气压缩机的电压。
进一步地，所述目标加权的粒子群优化算法在寻找数据驱动控制器的最优参数的步骤如下：
(1)将初始的数据驱动控制器的参数设置为个体最优解和全局最优解/>设置优化区域内粒子数目为N，最大迭代次数为M；
(2)设计优化的性能指标
(3)将粒子群带入模型仿真计算，然后根据性能指标
其中，由于数量级差别很大，归一化处理后再进行优化计算；将所有粒子群的解根据性能指标区分为主导解和非主导解。
(4)主导解与个体的历史解通过性能指标的判定后更新第k+1次迭代的个体最优解随后评估后再与全局最优解进行对比更新得到全局最优解/>
(5)根据如下公式更新第i+1次迭代的粒子群；
其中，j表示第j个粒子，j∈[1,N]；表示速度矢量；x表示粒子当前位置；ωmax、ωmin分别表示运动的最大惯量和最小惯量；c1和c2分别表示个体分量权重和群体记忆权重；
(6)如果i<M，则重复执行步骤(4)-(5)，直至得到的误差放大增益kp、模型预设参数b0和扩张观测器可调频率ω0使性能指标最优时为止。
本申请的有益效果在于：本申请解决了随着负荷变化，模型失配带来的过量氧气系数调节的干扰强，鲁棒性差等问题，并且在运行过程中兼顾了控制系统的快速性和稳定性，该方案要优于现存的比例-积分-微分(PID)控制的空气压缩机控制系统，并且可以实际工程运用。
本申请中的基于目标加权的优化数据驱动控制器能够完成抗扰和优化两大任务，同时降低了控制器实现的难度，通过扩张观测器的设计能够快速消除扰动，实现系统的高效、稳定的运行。
本申请采用的目标加权的粒子群优化算法，同时均衡了积分绝对误差和控制量变化两个性能指标，在保证快速跟踪设定值的同时，也保障了空压机的使用寿命。
附图说明
图1为本申请所述的数据驱动控制方法的控制框图；
图2为本申请在不同负荷下过量氧气系数和系统净功率的仿真实验图；
图3为本申请拟合的负荷对过量氧气系数的多项式；
图4为本申请采用目标加权的粒子群优化数据驱动控制方法的流程图；
图5为本申请采用的控制方法和传统控制方法的被控对象对比图；
图6为本申请采用的控制方法和传统控制方法的控制量对比图。
具体实施方式
下面将结合附图对本申请技术方案进行详细说明。应理解这些实施例仅用于说明本申请而不用于限制本申请的范围，在阅读了本申请之后，本领域技术人员对本申请的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，为本申请所述的数据驱动控制方法的控制框图，其中数据驱动控制器采用主动扰动抑制控制器，它能够通过扩张状态观测器观测扰动状态，从而达到快速消除扰动，保证系统高效稳定的运行。同时，利用目标加权的粒子群算法，均衡稳定性和控制器变化频率两个指标，达到最优控制效果和延长空压机寿命的作用。其中，设定值即为燃料电池的过量氧气系数的设定值，控制量u表示空气压缩机电压，被控量为数据驱动控制器输出的过量氧气系数，Gp为空气压缩机电压到过量氧气系数的传递函数。
在仿真实验时，在不同的燃料电池负荷下，通过空气压缩机电压变化获得燃料电池系统净功率的过量氧气系数，如图2所示。
由多项式拟合燃料电池最优净功率和过量氧气系数的解集为：
OER＝-1.7e-05×I2-0.0027×I+2.754
根据不同负荷下的最优净功率点的线性变换对应到拟合的多项式曲线上获得最优的过量氧气系数作为控制器的设定值，如图3所示。
目标加权的优化寻优的解有误差放大增益kp，模型预设参数b0，扩张状态观测器可调频率w0。
所述目标加权的粒子群寻优方法如图4所示，其步骤如下：
步骤1，设置粒子数目为80、最大迭代次数为30，当前迭代次数k＝1；
步骤2，初始化粒子群，选择误差放大增益kp为2.27，模型预设参数b0为25.04，扩张状态观测器频率为880.2，同时设置该点处的个体最优解和全局最优解为相应最优解的初始解。
步骤3，设计性能指标包含两个因素：
即：稳态误差指标:控制量变化指标：/>
其中，w1和w2分别设置为0.5，设置的归一化指标为0.1，设置/>的归一化指标为600。
步骤4，将粒子群带入模型进行仿真计算，并根据性能指标计算区分主导解和非主导解。
步骤5，主导解和历史解(历史个体最优解)通过性能指标对比更新第k+1次迭代的个体最优解随后与历史全局最优解对比更新全局最优解/>
步骤6，根据如下公式更新第i+1次迭代的粒子群：
其中，j表示第j个粒子，j∈[1,N]；表示速度矢量；x表示粒子当前位置；ωmax、ωmin分别代表运动的最大惯量0.6、最小惯量0.3，c1和c2分别表示个体分量权重0.3和群体记忆权重0.2。
步骤7，如果i<M，则重复执行步骤(4)-(6)，直至得到的误差放大增益kp、模型预设参数b0和扩张观测器可调频率ω0使性能指标最优时为止。
图5，图6的仿真分别在0.5s，2.5s，4.5s做了设定值跟踪(根据外部负荷求解得到的当前负荷下最优过量氧气系数)的动态仿真，而在1.5s，3.5s分别做了负荷扰动下的动态仿真。
图5为本申请的过量氧气系数控制效果图，可以看出数据驱动控制器的控制效果明显要优于现存的比例积分控制器，而所采用的粒子群通过优化数据驱动控制器参数的方式，使得积分绝对误差减少，从而在跟踪目标设定值和稳定性上都具有更好的效果。
图6为本申请的空气压缩机电压变化图，可以看出在控制变量的变化上，数据驱动控制器调整的频率明显要优于现存的比例积分控制器，使得空压机不用频繁或者过度地调整就能达到较好的控制效果，延长了设备的寿命，而所采用的粒子群优化数据驱动控制器参数的方式，在优化算法的性能指标中有控制变量的调整指标，从而在控制量的变化上会以更小的变化频率和幅度实现较好的控制效果。
综上所述，不论在被控对象还是在控制量的控制过程中，目标加权的优化燃料电池过氧量数据驱动控制方式具有比传统PID控制器和随机调参的数据驱动控制器更好的性能和效果。
上述实施案例仅用于说明本申请，而非用于限定本申请。

Claims (2)

1.一种优化燃料电池过氧量的数据驱动控制方法，其特征在于，该数据驱动控制方法通过采用目标加权优化的数据驱动控制器实现，该数据驱动控制方法包括：
S1：将经数据驱动控制器作用后的空气压缩机电压作为输入代入到燃料电池系统模型中，得到燃料电池内部的过量氧气系数作为输出；
S2：将过量氧气系数的设定值和数据驱动控制器输出的过量氧气系数的差值输入到数据驱动控制器，再通过目标加权的粒子群优化算法在优化区域内寻找数据驱动控制器的最优参数,实现数据驱动控制；
其中，通过目标加权的粒子群优化算法在优化区域内寻找数据驱动控制器的最优参数，包括：
S21：对数据驱动控制器的参数进行初始值设置，数据驱动控制器的参数包括误差放大增益kp、模型预设参数b0和扩张观测器可调频率ω0，并设置所述初始值为个体最优解和全局最优解/>设置优化区域内的粒子数目为N，最大迭代次数为M；
S22：设置粒子群优化算法的性能指标为则有/>其中，/> 表示在优化区域中的矢量；w1和w2分别表示J1和J2的权重；r表示t时刻过量氧气系数的设定值；y表示t时刻过量氧气系数的输出值；u(t)表示t时刻空气压缩机的电压；u(t-1)表示t-1时刻空气压缩机的电压；
S23：将粒子群代入模型进行仿真计算，根据所述性能指标评价寻找得到数据驱动控制器的参数的个体最优解全局最优解/>其中，i＝1,2,...,M，i表示第i次迭代；
S24：若性能指标得到优化，则更新当前的个体最优解和全局最优解，并更新第i+1次迭代的粒子群为：
其中，j表示第j个粒子，j∈[1,N]；表示速度矢量；x表示粒子当前位置；ωmax、ωmin分别表示运动的最大惯量和最小惯量；c1和c2分别表示个体分量权重和群体记忆权重；
S25：若i＜M，则重复执行步骤S23至步骤S24，直至得到的误差放大增益kp、模型预设参数b0和扩张观测器可调频率ω0使性能指标最优时为止。
2.如权利要求1所述的方法，其特征在于，所述过量氧气系数的设定值的获取过程包括：
根据仿真实验获得在不同负荷下燃料电池功率减去空气压缩机功率的最优净功率和相应的过量氧气系数，得到在不同负荷下的最优过量氧气系数的离散解集；
根据多项式拟合所述离散解集获得工况内任意负荷下的最优过量氧气系数，则所述最优过量氧气系数为数据驱动控制器的设定值。
CN202111189676.6A 2021-10-13 2021-10-13 优化燃料电池过氧量的数据驱动控制方法 Active CN114063451B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111189676.6A CN114063451B (zh) 2021-10-13 2021-10-13 优化燃料电池过氧量的数据驱动控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111189676.6A CN114063451B (zh) 2021-10-13 2021-10-13 优化燃料电池过氧量的数据驱动控制方法

Publications (2)

Publication Number Publication Date
CN114063451A CN114063451A (zh) 2022-02-18
CN114063451B true CN114063451B (zh) 2023-09-01

Family

ID=80234319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111189676.6A Active CN114063451B (zh) 2021-10-13 2021-10-13 优化燃料电池过氧量的数据驱动控制方法

Country Status (1)

Country Link
CN (1) CN114063451B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104993161A (zh) * 2015-06-30 2015-10-21 同济大学 一种车用质子交换膜燃料电池的空气供应系统实验装置
CN108490790A (zh) * 2018-05-09 2018-09-04 东南大学 一种基于多目标优化的过热汽温自抗扰串级控制方法
CN111261909A (zh) * 2020-01-15 2020-06-09 武汉理工大学 燃料电池系统最大净功率追踪控制装置及方法
AU2020103709A4 (en) * 2020-11-26 2021-02-11 Daqing Oilfield Design Institute Co., Ltd A modified particle swarm intelligent optimization method for solving high-dimensional optimization problems of large oil and gas production systems

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101831135B1 (ko) * 2016-06-17 2018-02-26 현대자동차주식회사 연료전지 시스템 및 그 제어 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104993161A (zh) * 2015-06-30 2015-10-21 同济大学 一种车用质子交换膜燃料电池的空气供应系统实验装置
CN108490790A (zh) * 2018-05-09 2018-09-04 东南大学 一种基于多目标优化的过热汽温自抗扰串级控制方法
CN111261909A (zh) * 2020-01-15 2020-06-09 武汉理工大学 燃料电池系统最大净功率追踪控制装置及方法
AU2020103709A4 (en) * 2020-11-26 2021-02-11 Daqing Oilfield Design Institute Co., Ltd A modified particle swarm intelligent optimization method for solving high-dimensional optimization problems of large oil and gas production systems

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Disturbance Rejection Model Predictive Control of Ultra-Supercritical Once-Through Boiler-Turbine Unit;Fan Zhang 等;《Proceedings of the 37th Chinese Control Conference》;全文 *

Also Published As

Publication number Publication date
CN114063451A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
Piltan et al. Design robust backstepping on-line tuning feedback linearization control applied to ic engine
CN107272403A (zh) 一种基于改进粒子群算法的pid控制器参数整定算法
Wang et al. MBPOA-based LQR controller and its application to the double-parallel inverted pendulum system
CN109921072B (zh) 一种质子交换膜燃料电池输出功率的预测控制方法
CN111261909B (zh) 燃料电池系统最大净功率追踪控制装置及方法
Roeva et al. Firefly Algorithm Tuning of PID Controller for Glucose Concentration Control during E. coli Fed-batch Cultivation Process.
Zhao et al. The fuzzy PID control optimized by genetic algorithm for trajectory tracking of robot arm
CN108490790A (zh) 一种基于多目标优化的过热汽温自抗扰串级控制方法
Li et al. Control of proton exchange membrane fuel cell system breathing based on maximum net power control strategy
CN111259525B (zh) 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法
Li et al. Design approach of weighting matrices for LQR based on multi-objective evolution algorithm
CN111613817B (zh) 基于改进粒子群算法的电池混动系统能源优化策略
CN110597052B (zh) 面向快速动态响应的燃料电池空气供给控制器及控制方法
Gouadria et al. Comparison between self-tuning fuzzy PID and classic PID controllers for greenhouse system
CN117093033A (zh) 基于粒子群算法优化pid参数的电阻加热炉温度控制系统
CN109062030A (zh) 基于拉盖尔函数模型的火电单元机组负荷预测pid控制方法
CN114063451B (zh) 优化燃料电池过氧量的数据驱动控制方法
Baroud et al. Fuzzy self-tuning PID controller for air supply on a PEM fuel cell system
CN113325915A (zh) 一种改进粒子群算法的光伏mppt装置
Salem et al. Tuning PID controllers using artificial intelligence techniques applied to DC-motor and AVR system
CN115347218A (zh) 一种质子交换膜燃料电池空气供应系统的级联控制方法
CN114571451A (zh) 一种可调漏斗边界的自适应滑模控制方法及设备
DasSharma et al. A Lyapunov theory and stochastic optimization based stable adaptive fuzzy control methodology
Eissa Novel fuzzy-based self-adaptive single neuron PID load frequency controller for power system
CN113299957A (zh) 一种质子交换膜燃料电池过氧量控制方法

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