CN114300712A - 用于确定燃料电池系统的状态的设备和计算机实现的方法 - Google Patents

用于确定燃料电池系统的状态的设备和计算机实现的方法 Download PDF

Info

Publication number
CN114300712A
CN114300712A CN202111157361.3A CN202111157361A CN114300712A CN 114300712 A CN114300712 A CN 114300712A CN 202111157361 A CN202111157361 A CN 202111157361A CN 114300712 A CN114300712 A CN 114300712A
Authority
CN
China
Prior art keywords
fuel cell
voltage
probability
cell system
determined
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.)
Pending
Application number
CN202111157361.3A
Other languages
English (en)
Inventor
C·齐默
J·布劳恩
S·格尔温
S·斯里拉姆
V·伊姆霍夫
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN114300712A publication Critical patent/CN114300712A/zh
Pending legal-status Critical Current

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
    • H01M8/04992—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
    • H01M8/04—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
    • H01M8/04537—Electric variables
    • H01M8/04544—Voltage
    • H01M8/04552—Voltage of the individual fuel cell
    • 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
    • H01M8/04537—Electric variables
    • H01M8/04544—Voltage
    • H01M8/04559—Voltage of fuel cell stacks
    • 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

用于运行包括燃料电池堆的燃料电池系统的设备和计算机实现的方法，其中提供数据，这些数据分别将燃料电池系统的输入量和燃料电池堆的电池的位置映射（301）到该电池的电压上，其中模型根据这些数据来被训练（302）来将燃料电池系统的输入量和燃料电池堆的电池的位置映射到对该电池的电压的预测的概率分布上，其中确定（303）燃料电池系统的当前输入量，其中针对燃料电池堆的至少一个电池，根据这些当前输入量利用该模型根据该概率分布来确定（304）该电池的电压的和/或燃料电池堆的总电压的至少一个概率，其中根据该概率来确定（305）燃料电池系统的状态。

Description

用于确定燃料电池系统的状态的设备和计算机实现的方法
技术领域
本发明涉及一种用于确定燃料电池系统的状态的设备和计算机实现的方法。
背景技术
燃料电池系统是包括多个子系统的总系统。该燃料电池系统包括一个或多个燃料电池堆以及多个子系统，为了供应该燃料电池堆或这些燃料电池堆，这些子系统必须存在。
燃料电池堆通常没有单独的执行器，也就是说该燃料电池堆本身单独地是无源构件或无源组件。
为了监控燃料电池堆的状态，可以安装传感器，这些传感器监控燃料电池堆的参量，例如电池电压。这些传感器昂贵并且还必须被保护以防失灵或错误测量。
发明内容
一种用于确定包括燃料电池堆的燃料电池系统的状态的计算机实现的方法规定：提供数据，这些数据分别将燃料电池系统的输入量和燃料电池堆的电池的位置映射到该电池的电压上，其中模型根据这些数据被训练来将燃料电池系统的输入量和燃料电池堆的电池的位置映射到对该电池的电压的预测的概率分布上，其中确定燃料电池系统的当前输入量，其中针对燃料电池堆的至少一个电池，根据这些当前输入量利用该模型根据该概率分布来确定该电池的电压的和/或燃料电池堆的总电压的至少一个概率，其中根据该概率来确定燃料电池系统的状态。这能够实现单独的电池监控、运行策略监控和诊断，而在训练后在燃料电池系统运行时并不需要在训练该模型时所使用的全部传感器。
在一个方面，该状态表征针对至少一个电池的电压和/或针对燃料电池堆的总电压的输入量的安全性，其中根据该概率分布来确定概率，其中如果该概率满足条件，则燃料电池系统的运行被归为安全。由此，能识别出与安全相关的方面。
可以规定：确定该至少一个电池的电压小于第一阈值或者该至少一个电池的电压大于第二阈值或者燃料电池堆的总电压大于第三阈值的概率。借此，能避免在运行时与安全相关的超过或低于电压。
在训练中，根据这些数据可以至少确定该概率分布的期望值和方差。借此，可以搭建目标函数、尤其是似然函数，该目标函数对参数化模型描述这些数据的程度进行量化。该参数化模型例如是高斯过程模型。目标函数的优化对该高斯过程模型进行参数化。
可以规定：根据该概率分布来确定该电池的电压的概率的值，而且其中检查该值是否满足条件。由此，单个电池被有效监控。
可以规定：针对燃料电池堆的多个电池，确定该概率的各一个值，其中利用这些值来确定所述多个电池的共同概率，而且其中检查该共同概率是否满足条件。由此，该总电压根据各个电池的概率被有效监控。
可以规定：确定如下优化问题的解，该优化问题根据燃料电池堆的多个电池的共同概率并且根据函数来被限定，其中该解限定了用于运行燃料电池系统的至少一个操控量或至少一个参数。由此，根据情况来确保燃料电池系统的可靠运行。
该函数可以根据这些电池的最小电压与最大电压之差来被限定。
该函数可以根据这些电池的电压的方差来被限定。
在一个方面，可以根据该模型来确定电池的位置和/或燃料电池堆的如下电池，该电池相对于燃料电池堆的其它电池而言要么有更高的概率处在安全运行状态下要么有更低的概率处在安全运行状态下。由此，可以识别并且然后避免对于运行策略来说重要的在电池的电压之间的可能的区别。
可以确定该电池和/或该燃料电池堆的阻抗的实部的第一概率分布和该电池和/或该燃料电池堆的阻抗的虚部的第二概率分布，其中根据该第一概率分布和该第二概率分布来确定燃料电池系统的状态。这能够实现更详细的监控。
在存在电压时，阻抗测量提供阻抗的实部和虚部作为结果。该阻抗提供附加的特征量。例如，可以从该阻抗近似反推出膜的水分含量。
由此，还能够更好地在没有连续电池电压监控（Continous cell voltagemonitoring）CVM的情况下并且在没有与此匹配的CVM传感装置的情况下运行燃料电池系统。在机器学习方法中，来自阻抗测量的数据可以附加地被使用，以便支持CVM传感装置的省去。由此，显著改善了该模型的信息价值。
在一个方面，为了该训练，可以记录在燃料电池系统处的第一测量，其中针对该第一测量确定信息内容的第一量度、尤其是第一熵。在这方面，可以记录在燃料电池系统处的第二测量，其中针对该第二测量确定信息内容的第二量度、尤其是第二熵。可以规定：要么当第一量度大于第二量度时提供来自该第一测量的数据，要么否则提供来自该第二测量的数据。由此，该训练被实施得更快。
可以规定：为该训练提供如下数据，这些数据受到至少一个屏障（Schranke）、尤其是针对该电池的最小允许电压或最大允许电压的屏障的限制。由此，该模型学习在运行时考虑该电池的最小允许电压或最大允许电压的概率分布。这进一步改善了监控。
一种用于确定燃料电池系统的状态的设备规定：该设备构造为实施该方法。
附图说明
其它有利的实施方式从如下的描述和附图中得到。在附图中：
图1示出了用于运行燃料电池系统的设备的示意图；
图2示出了用于运行燃料电池系统的模型的合作的示意图；
图3示出了在用于运行燃料电池系统的方法中的步骤。
具体实施方式
在下文所描述的结构、尤其是图2的结构示例性地被引用，以便阐述在下文所描述的方法。该方法能相对应地被应用于模型结构和调节器结构。
在图1中，示意性示出了用于确定具有燃料电池堆的燃料电池系统的状态的设备100。该设备100构造为实施在下文所描述的方法。该设备100包括前向模型，该前向模型构造为将电功率和电压确定为调节量的函数。例如，该前向模型包括第一模型101、第二模型102和至少一个第三模型103。燃料电池系统包括燃料电池堆和供应系统。燃料电池系统形成总系统，该总系统在本例中至少部分地利用至少一个第三模型103来被建模。在本例中，该至少一个第三模型103同样是尤其通过微分方程所描述的化学或物理模型。
在本例中，示出了如下四个第三模型103：
用于总系统的部分的模型103-1，该部分用于空气输送和/或排出。
用于总系统的部分的模型103-2，该部分用于对来自储罐系统中的氢气的计量、将净化气体从阳极路径中排出、阳极路径的排水以及氢气在燃料电池系统中的循环。
用于总系统的部分的模型103-3，该部分用于燃料电池系统的冷却。
用于总系统的电气部分的模型103-4，该电气部分将燃料电池堆的电功率传输到车载电网或其它电网中，例如借助于DC/DC转换器和其它组件、例如用于燃料电池堆和/或燃料电池堆的电池包和/或单电池的短路、电流测量、电压测量的装置来将燃料电池堆的电功率传输到车载电网或其它电网中。
第一模型101构造为物理模型，该物理模型例如借助于微分方程来描述燃料电池系统中的物理关系。
第二模型102构造为基于数据的模型，该基于数据的模型对该物理模型与燃料电池系统的实际特性之间的差异模型进行建模。
到目前为止还不存在描述整个燃料电池系统的特性的精确的动态模型。尽管总系统的各个部分都可以用至少一个第三模型103来良好地被描述，但是并不知道或者只是很少知道这些部分在总系统中的动态配合。
前向模型能够实现：在时间点t，根据在时间点t以及在之前的短暂时间段T内的可能的操控量来预测在下一时间点t+1的例如燃料电池系统的电功率。
该建模基于具有化学和/或物理以及基于数据的组分的混合模型。化学和物理组分由总系统的如下已知部分组成，针对这些已知部分以微分方程的形式来限定第一模型101和至少一个第三模型103。所使用的描述总系统的各个部分、在本例中是空气系统、冷却系统、氢气系统和电系统的动态特性的微分方程的示例公知、例如从如下文献公知：
[1] Control Analysis of an Ejector Based Fuel Cell AnodeRecirculation System, Amey Y. Karnik, Jing Sun and Julia H. Buckland；
[2] Model-based control of cathode pressure and oxygen excess ratioof a PEM fuel cell system, Michael A. Danzer, Jörg Wilhelm, Harald Aschemann,Eberhard P. Hofer；
[3] Humidity and Pressure Regulation in a PEM Fuel Cell Using a Gain-Scheduled Static Feedback Controller, Amey Y. Karnik, Jing Sun, Fellow, IEEE,Anna G. Stefanopoulou, and Julia H. Buckland；
[4] MODELING AND CONTROL OF AN EJECTOR BASED ANODE RECIRCULATIONSYSTEM FOR FUEL CELLS, Amey Y. Karnik, Jing Sun；
[5] 以燃料电池系统为例的基于平坦度的多参量控制设计，Daniel Zirkel；
[6] PEM燃料电池系统的模型预测控制，Jens Niemeyer；
[7] 用于PEM燃料电池系统的高效运行的控制，Christian Hähnel。
总系统的所有这些部分都具有影响它们的动态性的各个调定量。在下文，针对总系统的示例性部分列出了燃料电池系统的调定量和对这些调定量的描述，利用这些调定量能影响该动态性或者通过这些调定量来影响该动态性。此外，这些参量对于尤其是燃料电池堆的各个组件的退化或老化来说并且对于供应燃料电池堆的供应系统的尤其是由于寄生损耗而引起的能耗或功率需求来说也是重要的。例如，仅燃料电池系统的空气压缩机就可以消耗燃料电池堆功率的15%。燃料电池堆必须毛计更多地提供该功率，以便该燃料电池堆可以输出所希望的净功率作为有效功率。
1) 空气系统
lambda_cath： 相对于在燃料电池系统的阴极路径中的化学计量而言的空气过量；
mAir_cath： 在燃料电池系统的阴极路径中的空气质量流；
p_cath： 在燃料电池系统的阴极路径中的压力；
T_cath： 在燃料电池系统的阴极路径中的温度；
fi_cath： 在燃料电池系统的阴极路径中的湿度。
燃料电池系统的该部分用于燃料电池堆的空气输送和/或排出。
在本例中，参量lambda_cath和mAir_cath能相互替代地被使用。如果燃料电池系统可以设定送入空气的湿度，则可以提供对湿度的使用。
2) 氢气系统
lambda_anod： 相对于在燃料电池系统的阳极路径中的化学计量而言的氢分子过量、也就是说H2过量；
mH2_anod： 在燃料电池系统的阳极路径中的氢分子质量流、也就是说H2质量流；
p_anod： 在燃料电池系统的阳极路径中的压力；
dp_anod_cath： 在燃料电池系统中的阴极路径与阳极路径之间的差压；
mN2_anod： 阳极中的氮气质量流、氮气浓度或者氮分子流；
mH2_addfromtank： 从燃料电池系统的H2储罐或者从外部被计量到阳极路径中的H2质量或H2质量流；
Purge_actuation： 用于从阳极路径中排出或者取出阳极气体的操控；
Drain_actuation： 用于从阳极路径中排出或者取出液态水的操控；
Purge&Drain_actuation：对用于Purge_actuation和Drain_actuation的阀门或共同阀门的组合式操控。
燃料电池系统的该部分用于氢气的循环以及燃料电池系统的其它功能。
在本例中，参量lambda_anod和mH2_anod能相互替代地被使用。例如，如果在燃料电池系统中存在氢气再循环风扇，则该氢气再循环风扇的再循环速率与mH2_anod有关。
参量mH2_addfromtank可以附加地包括温度记录。参量mH2_addfromtank可以补充于lambda_anod或补充于mH2_anod或者与其组合地被使用。
参量mN2_anod可以根据模型计算被推导出或者通过传感器来被确定。参量mN2_anod可以被用于触发净化行动（Purge-Action）。
参量Purge_actuation可以时间上离散地、有时间间隔地说明用于排出或取出阳极气体的阀门的打开时长和/或打开时间间隔。两者都可以是可变的。
参量Drain_actuation可以时间上离散地、有时间间隔地说明用于排出或取出液态水的阀门的打开时长和/或打开时间间隔。两者都可以是可变的。
3) 冷却系统
T_Stack_op： 燃料电池系统的冷却剂的工作温度、也就是说近似是燃料电池堆的工作温度；
Fan_actuation： 对通风装置的操控；
dT_Stack： 在燃料电池堆上的冷却剂的温度变化、例如加热，或者燃料电池系统的温度变化；
m_Cool： 经过燃料电池堆或燃料电池系统的冷却路径的冷却剂质量流；
dp_Cool： 在燃料电池堆或燃料电池系统的冷却路径上的压降；
Pump_actuation： 用于产生冷却剂质量流的泵操控；
Valve_actuation： 用于产生冷却剂质量流的阀门操控；
p_Cool： 在堆的冷却剂路径中的压力。
燃料电池系统的该部分用于冷却剂在燃料电池系统中的循环。
参量T_Stack_op可以扩展地被使用或者更准确地说也可以被用于膜，该膜是燃料电池堆的温度关键的组件。为此，例如可以借助于冷却剂温度、堆排出空气温度、堆电压和堆电流的模型来推断膜温度。该工作温度可以根据负载、环境温度、对通风装置的操控、也就是说根据Fan_actuation来被建模。
参量dT_Stack可以根据冷却剂的输出温度与输入温度之间的温度差来被确定并且借助于冷却剂的质量流、例如利用用于燃料电池堆或燃料电池系统的冷却系统的泵和三通阀来被设定。
替代于参量p_Cool，可以使用相对于阴极和/或相对于阳极的差压。
4) 电系统
电压：
电流：
电流密度：
电功率：
短路继电器、短路装置以及必要时其它电执行器。
燃料电池堆的电参量 电压、电流、电流密度、电功率与其架构可能非常不一样的电网强烈地相互作用。
例如，燃料电池堆的电功率可以借助于直流转换器、例如DC/DC转换器根据燃料电池堆的电压和/或电流被传输给电网。例如，DC/DC转换器可以通过电压梯度来设定从燃料电池堆取得的电流。
可以设置短路继电器，该短路继电器将燃料电池堆短接，也就是说将两个接线柱短接。这例如可以被用于冻结启动，在该冻结启动的情况下，暂时不将电功率输出给电网，而是将电功率转换成热量。
也可以对据此推导出的参量、例如电阻或效率进行建模。
在燃料电池系统的电子系统中，也可以集成阻抗测量、例如阻抗谱。该阻抗测量可以构造为：确定燃料电池堆的一个电池或多个电池的阻抗的实部和虚部并且输出该实部和该虚部用于进一步计算。
这些参量都是变量。并非所有可能的变量都被最终列出。这些变量中，可以分别存在基于模型的值和所测量到的值。除了绝对参量之外或者替代于绝对参量，也可以使用差分参量或者相对于参考值的差。也可以只使用可能的变量的子集，作为用于建模的参数。
该设备100包括操控装置104，该操控装置构造为利用各个调定量来操控燃料电池系统或者用于运行燃料电池堆的子系统。该设备100可包括测量装置106、尤其是用于记录在燃料电池系统处的参量的传感器。在本例中，该设备包括：至少一个计算装置108，该计算装置构造为实施在下文所描述的方法中的步骤；和用于模型的至少一个存储器110。该至少一个计算装置108可以是：在车辆中的本地计算装置；在服务器上或在云中的计算装置；或者尤其是分布到多个服务器或者车辆和至少一个服务器上的计算装置。
燃料电池系统包括燃料电池堆。在本例中，燃料电池堆包括n个电池112，这些电池在图1中示意性地并且根据在燃料电池堆中的位置i编号地呈现，其中i=1, ... n。
依据图2，描述了用于运行燃料电池系统的模型的合作。
在本例中，针对燃料电池系统，限定所要提供的运行量y_req作为输入量。优选地，该运行量是燃料电池系统的电功率、电压、效率或废热、尤其是热功率。燃料电池系统应该利用至少一个操控量u_req被操控为使得燃料电池实际提供该运行量。该至少一个操控量u_req是通过操控装置104对燃料电池系统的操控的目标值。在本例中，所要提供的运行量y_req通过操控策略被映射到该至少一个操控量u_req上。该策略可以是将所要提供的运行量y_req通过预先给定的线性或非线性函数或者通过预先给定的表格映射到该至少一个操控量u_req上。
由于死区时间、惯性、滞后、老化效应或者执行器与目标值的偏差，可能出现与目标值不同的操控量。一方面，该操控量可以作为实际设定的操控量u_act例如由传感器来记录。另一方面，至少一个被设定的操控量u_pred可以利用至少一个第三模型103被确定为预测。在本例中，针对燃料电池系统的至少一部分、尤其是针对燃料电池堆或针对用于供应该燃料电池堆的子系统中的至少一个子系统，根据针对燃料电池系统的该至少一部分的预先给定的操控量x[subsy]_req来确定针对燃料电池系统的至少该部分的至少一个被设定的操控量u_pred的预测x[subsy]_pred，并且根据该预测x[subsy]_pred来限定该至少一个被设定的操控量u_pred。在本例中，参量x[subsy]_req组合在向量中，该向量限定了操控量u_req。上文列出的调定量中的每个调定量都可以被用作针对燃料电池系统的相应的部分的参量x[subsy]_req。如果为一个部分设置多个调定量，则参量x[subsy]_req是包括这些调定量的向量。示范性地，在下文只描述了所选择的参量。
在图2中，用于模型103-1、也就是说用于空气系统的参量用[subsy] = A来表示；用于模型103-2、也就是说用于氢气系统的参量用[subsy] = H来表示；用于模型103-3、也就是说用于冷却系统的参量用[subsy] = C来表示；而且用于模型103-4、也就是说用于电系统的参量用[subsy] = E来表示。
所有实际操控量或者实际操控量的仅仅部分可以根据相应预先给定的操控量利用该模型来被确定或测定。
与所设定的操控量是被测量、即u_act还是被建模、即u_pred无关，该操控量可以是：在燃料电池系统的阳极与阴极之间的压差；冷却剂在其进入时的第一温度与该冷却剂在其从燃料电池堆中流出时的第二温度之间的温度差；空气的尤其在其从燃料电池堆中流出时的湿度；空气、氢气和/或冷却剂的压力；工作温度；空气质量流；氢分子质量流；冷却剂质量流；或者电特征量，尤其是在燃料电池系统处的电流、电流密度或电压。燃料电池系统代表了总系统。
操控量例如限定了：在燃料电池系统的阳极与阴极之间的压差；冷却剂在其进入时的第一温度与该冷却剂在其从燃料电池堆中流出时的第二温度之间的温度差；空气的尤其在其从燃料电池堆中流出时的湿度；空气、氢气和/或冷却剂的压力；工作温度；或者在燃料电池系统的用于空气输送和/或排出的部分中的空气质量流。所设定的操控量可以限定在燃料电池系统的如下部分中的氢分子质量流，该部分用于氢气在该燃料电池系统中的循环。操控量可以限定燃料电池系统的如下部分的冷却剂质量流，该部分用于燃料电池系统的冷却。所设定的操控量可以限定近似为冷却剂温度的工作温度。所设定的操控量可以限定燃料电池系统的电气部分的电特征量，例如燃料电池之一或者燃料电池系统的电流、电流密度或电压。
优选地，至少一个预先给定的操控量u_req限定了针对压力、工作温度、空气质量流、氢分子质量流、冷却剂质量流或者电特征量、尤其是燃料电池系统的电流或电压的目标值。在本例中，操控量xA_req在时间点t限定了针对在总系统的用于空气输送和/或排出的部分中的压力或空气质量流的目标值。在本例中，操控量xH_req在时间点t限定了针对在总系统的用于氢气在燃料电池系统中的循环的部分中的氢分子质量流的目标值。在本例中，操控量xC_req在时间点t限定了针对总系统的用于燃料电池系统的冷却的部分的冷却剂质量流的目标值。操控量也可以限定近似为冷却剂温度的工作温度。在本例中，操控量xE_req在时间点t限定了总系统的电气部分的电特征量、例如燃料电池之一或燃料电池系统的电流或电压的目标值。在本例中，预先给定的操控量u_req是向量u_req = (xA_req, xH_req,xC_req, xE_req)T。与此相对应地，出现的操控量在本例中通过向量来被限定。对于所有出现的操控量都能被测量的情况来说，出现的操控量为u_act = (xA_act, xH_act, xC_act,xE_act)T。对于所有出现的操控量都被建模的情况来说，出现的操控量为u_pred = (xA_pred, xH_ pred, xC_pred, xE_ pred)T。优选地，使用混合形式，在所述混合形式中，利用在燃料电池系统处总归可用的传感器能测量的出现的操控量被测量而其它出现的操控量被建模。
通过第一模型101，根据至少一个出现的操控量来确定燃料电池系统的运行量y_act。在本例中，出现的运行量是标量，但是也可以通过第一模型101来确定具有不同运行量的多个值的向量。在本例中，对于作为静态模型的第一模型101来说，使用Kulikovsky燃料电池模型。Kulikovsky模型是从用于描述阴极催化剂层的动电学的基本的微分方程组中解析推导出的。该模型使用如下输入量：阴极质量流、阴极λ（Lambda）、阴极输入压力、阴极输出压力、在阴极入口处的空气湿度、在阴极出口处的空气湿度、电流或电流密度、冷却剂进入温度、冷却剂流出温度。
通过第二模型102，根据该至少一个出现的操控量，确定针对由第一模型101确定的运行量y_act与在燃料电池系统处的运行量的实际值的偏差dy_pred的预测。
在本例中，第二模型102是基于数据的模型，该基于数据的模型应该通过高斯过程来预测第一模型101与燃料电池系统的实际测量到的特性之间的偏差dy_pred。在训练中，第二模型102可以首先被随机初始化并且迭代地被训练。
在本例中，第二模型102已经被训练。
根据由第一模型101确定的运行量y_act和针对该偏差dy_pred的预测，在修正装置202处确定运行量y_pred。这意味着：通过针对该偏差的预测利用该基于数据的模型来修正通过物理模型对运行量的预测。
原则上，重要的是：燃料电池堆的各个电池的电压
Figure 243949DEST_PATH_IMAGE001
的分布在带宽dU内变动。带宽dU通过电池电压来被测量。带宽dU尤其是根据介质分布、流动状态、老化状态而得出。对于n个电池来说，在所述n个电池中的电池
Figure 597570DEST_PATH_IMAGE002
处的最大电压
Figure 599024DEST_PATH_IMAGE003
与在所述n个电池中的电池
Figure 594662DEST_PATH_IMAGE004
处的最小电压
Figure 997962DEST_PATH_IMAGE005
之间的带宽为
Figure 538796DEST_PATH_IMAGE006
其中j和k表示不同的电池。
在本例中，带宽dU应该尽可能小。这里，介质例如表示上述流体中的一种或多种。具有n个电池的燃料电池堆的电压
Figure 27546DEST_PATH_IMAGE007
由各个电池的电压
Figure 295716DEST_PATH_IMAGE001
组成：
Figure 615839DEST_PATH_IMAGE008
为了保护燃料电池系统的组件、尤其是为了避免电池的损坏，可以规定：这些电池的电压
Figure 780104DEST_PATH_IMAGE001
大于最小阈
Figure DEST_PATH_IMAGE009
：
Figure 552888DEST_PATH_IMAGE010
最小阈
Figure 109902DEST_PATH_IMAGE009
可以为正、为负或者为零。在下文参考图3所描述的用于确定燃料电池系统的状态的计算机实现的方法规定：在用于机器学习的步骤中，在燃料电池系统处布置附加的传感器。这些传感器在机器学习之后被需要来运行燃料电池系统，或者不是这些传感器中的所有传感器都在机器学习之后被需要来运行燃料电池系统。
利用这些传感器能记录用于机器学习的标记数据元组（
Figure 550111DEST_PATH_IMAGE011
, i, u）的数据。在此，
Figure 619698DEST_PATH_IMAGE011
表示输入量，i表示电池的位置并且u表示该电池的电压。输入量
Figure 145357DEST_PATH_IMAGE011
例如是电流密度、空气质量流、空气压力、氢分子质量流、燃料电池堆的温度。对于所有出现的操控量都可测的情况来说，可以使用
Figure 958593DEST_PATH_IMAGE012
u_act = (xA_act, xH_act, xC_act, xE_act)T。对于所有出现的操控量都被建模的情况来说，可以使用
Figure 253308DEST_PATH_IMAGE012
u_pred = (xA_pred, xH_ pred,xC_pred, xE_ pred)T。可以规定：针对
Figure 295127DEST_PATH_IMAGE011
使用部分可测并且部分被建模的参量。这些数据可以在车队中被记录或者在试验台上被记录。这些数据可以针对多个不同的环境条件、驾驶模式、驾驶特性或者性能划分来被确定。
计算装置108构造为：在机器学习中根据这些数据来对模型进行训练。该模型被训练为：将燃料电池系统的输入量
Figure 980186DEST_PATH_IMAGE011
和燃料电池系统的电池i的位置映射到对该电池的电压
Figure 659429DEST_PATH_IMAGE001
的预测的概率分布上。
在该示例中，通过期望值和方差来限定电池i的概率分布。对于高斯过程来说，例如使用
Figure 746334DEST_PATH_IMAGE013
(
Figure 485620DEST_PATH_IMAGE011
,i)和
Figure 454713DEST_PATH_IMAGE014
(
Figure 609751DEST_PATH_IMAGE011
,i)。
该模型可以被用于预测输入量
Figure 629790DEST_PATH_IMAGE011
的安全性。例如，如果各个电池的电压
Figure 477661DEST_PATH_IMAGE001
小于阈值
Figure 199629DEST_PATH_IMAGE015
的概率满足条件
Figure 955095DEST_PATH_IMAGE016
，则燃料电池系统的运行被归为安全。该条件例如是：
Figure 751013DEST_PATH_IMAGE017
其中
Figure 832101DEST_PATH_IMAGE015
是在电池i处的电压的阈值。该条件
Figure 979049DEST_PATH_IMAGE016
和该阈值
Figure 554518DEST_PATH_IMAGE015
可以由专家来预先给定。该条件
Figure 470521DEST_PATH_IMAGE016
可以被规定到适合的值，或者被限定成函数，该函数例如取决于环境条件或运行状态。可以针对多个电池使用同一阈值
Figure 191353DEST_PATH_IMAGE015
和同一条件
Figure 887913DEST_PATH_IMAGE016
。
也可以规定取决于电池的阈值
Figure 188445DEST_PATH_IMAGE018
。例如，边缘电池、也就是说例如电池i=1和i=2以及电池i=n和i=n-1大多在保持它们的电压方面存在问题。例如，为n个电池
Figure 286851DEST_PATH_IMAGE019
规定阈值，其中
Figure 381846DEST_PATH_IMAGE020
是与
Figure 50855DEST_PATH_IMAGE021
不同的阈值。阈值
Figure 217395DEST_PATH_IMAGE020
可具有相同的值或者彼此不同的值。阈值
Figure 842411DEST_PATH_IMAGE021
可具有相同的值或者彼此不同的值。
在这种情况下，阈值
Figure 436203DEST_PATH_IMAGE021
不同于阈值
Figure 779460DEST_PATH_IMAGE020
。
也可以规定在电池i处的电压的带宽或方差。
计算装置108例如构造为：根据该模型来确定燃料电池系统的运行是安全的共同概率
Figure 484111DEST_PATH_IMAGE022
。例如对于n个电池来说，该共同概率
Figure 42262DEST_PATH_IMAGE022
被确定为：
Figure 744639DEST_PATH_IMAGE023
其中
Figure 637509DEST_PATH_IMAGE024
表示所述n个电池的相应的输入量
Figure 83534DEST_PATH_IMAGE011
,i。例如，该共同概率
Figure 479880DEST_PATH_IMAGE022
是n维高斯过程，也就是说n维正态分布。
计算装置108例如构造为：根据该模型来确定电池i的位置并且借此确定所述n个电池中的如下电池，该电池相对于所述n个电池中的其它电池而言具有该电池处在安全运行状态下的更高的概率。
计算装置108例如构造为：根据该模型来确定电池i的位置并且借此确定所述n个电池中的如下电池，该电池相对于所述n个电池中的其它电池而言或者相对于阈值
Figure 415475DEST_PATH_IMAGE025
而言具有该电池处在不安全的运行状态下的更高的概率。该阈值
Figure 733324DEST_PATH_IMAGE025
可以由专家预先给定。在本例中，该阈值
Figure 530509DEST_PATH_IMAGE025
如针对阈值
Figure 46941DEST_PATH_IMAGE015
所描述的那样来被确定。不同于对阈值
Figure 91121DEST_PATH_IMAGE015
的确定，该阈值
Figure 958583DEST_PATH_IMAGE025
的值针对不安全的运行状态来被规定，在该不安全的运行状态下，各个电池的电压
Figure 746410DEST_PATH_IMAGE001
大于该阈值
Figure 382928DEST_PATH_IMAGE025
，也可以规定取决于电池的阈值
Figure 145479DEST_PATH_IMAGE026
。
借此，电池处在不安全的运行状态下的概率为
Figure DEST_PATH_IMAGE027
。条件
Figure 969078DEST_PATH_IMAGE016
可以由专家像之前所描述的那样来限定，或者可具有其它值。
重要的是整个堆、也就是说所有电池都是运行安全的。当每个单独的电池都在运行安全的范围内被运行时，情况如此。此外，在所有电池上的电池电压的带宽dU应该小于极限值。
也可以规定该带宽dU的带宽或方差。
燃料电池堆的电压
Figure 560596DEST_PATH_IMAGE007
可以被用于附加的补充极限值。
阻抗值可以被用作附加标准。除了在模型中的其它参量之外，这些阻抗值可以被用于计算电压。针对所有i单独适用
Figure 51621DEST_PATH_IMAGE027
的替代方案例如是：
Figure 234340DEST_PATH_IMAGE029
。
例如对于带宽dU的阈值d来说，附加条件是：
Figure 14077DEST_PATH_IMAGE030
。
在本例中，根据各个电池i的电压
Figure 956757DEST_PATH_IMAGE001
大于阈值
Figure 239971DEST_PATH_IMAGE015
的概率，检查该共同概率是否满足条件
Figure 124750DEST_PATH_IMAGE016
。在本例中，该条件
Figure 126204DEST_PATH_IMAGE016
通过参数δ来被限定，该参数表征可接受的风险。参数δ例如由专家来限定。在本例中，只要针对所述n个电池的共同概率
Figure 121842DEST_PATH_IMAGE022
适用：
Figure 259562DEST_PATH_IMAGE031
，
就识别出安全运行状态。
计算装置108可以构造为：确定如下优化问题的解，该优化问题根据所述n个电池的共同概率
Figure 49664DEST_PATH_IMAGE022
来被限定为：
Figure 351463DEST_PATH_IMAGE033
Figure 822896DEST_PATH_IMAGE034
在下文被称为质量指标。质量指标
Figure 143019DEST_PATH_IMAGE034
是目标函数，并且例如可以被限定为降落在所述n个电池上的最小电压与最大电压之差：
Figure 104021DEST_PATH_IMAGE035
质量指标
Figure 814488DEST_PATH_IMAGE034
例如可以被限定为电压的方差：
Figure 151929DEST_PATH_IMAGE036
替选地，关于燃料电池堆的n个电池的单电压
Figure 529821DEST_PATH_IMAGE037
,...,
Figure 412457DEST_PATH_IMAGE038
的目标函数被限定为：
Figure 875799DEST_PATH_IMAGE039
其中
Figure 751352DEST_PATH_IMAGE040
是n个电压的预测n x n协方差矩阵，并且det是行列式。
替选地，代替行列式，也可以使用最大特征值：
Figure 780487DEST_PATH_IMAGE041
替选地，可以使用协方差矩阵的迹。
例如，关于燃料电池堆的n个电池的单电压
Figure 552134DEST_PATH_IMAGE037
,...,
Figure 315822DEST_PATH_IMAGE038
的目标函数在针对这些单电压
Figure 932748DEST_PATH_IMAGE037
,...,
Figure 81970DEST_PATH_IMAGE038
的期望值
Figure 758939DEST_PATH_IMAGE042
的情况下被限定为：
Figure 728032DEST_PATH_IMAGE043
也可能的是：针对该优化问题的解，使用这些替选方案的组合的帕累托前沿（Pareto Front）。
可以规定：评估燃料电池堆的一个或多个电池的阻抗的实部和虚部。例如，该实部和该虚部可以通过燃料电池堆的一个电池或者这些电池的阻抗谱来被确定。电池的阻抗值可以被用作该模型的输入量。燃料电池堆的各个电池的各个阻抗值可以被用作该模型的输入量。可以规定：针对实部和虚部限定单独的阈值。
在一个方面，针对燃料电池系统的不同运行状态，可以学习和/或使用不同的模型。运行状态例如可以针对运行启动、正常运行、运行结束或者冷启动来被限定。
在记录数据的情况下，可以规定：迭代地记录测量并且选择提供更大的、尤其是最大的信息的数据。这加快了记录，因为对于相同品质的训练来说需要更少的测量。对于高斯过程作为模型来说，例如可以确定这些测量的熵并且将该熵用作对关于该模型的不确定性的信息的量度。
可以规定：在训练中使用安全屏障。这些安全屏障例如可以由物理模型或者来自机器学习领域的其它模型来预先给定。例如，该模型或者这些模型利用这些电池的最小允许电压来被训练，以便避免由于低于该最小允许电压而引起的这些电池的损坏。
例如可以通过使用输入量的历史来考虑动态影响。例如，使用具有非线性自回归外生（Nonlinear Autoregressive Exogeneous）NARX结构的模型，该模型考虑输入量
Figure 945387DEST_PATH_IMAGE011
的输入空间。
可以规定：将这些数据标记为使得能识别出输入量
Figure 152377DEST_PATH_IMAGE011
的关键组合。可以规定：在识别出之后输出这些组合以供用户检查。
可以规定：代替到目前为止所描述的主动学习，使用贝叶斯优化，以便优化质量指标
Figure 282138DEST_PATH_IMAGE034
。在这种情况下，不是学习从输入量到质量指标
Figure 4107DEST_PATH_IMAGE034
的完整映射，而是只寻找最佳工作点。由此，能更快地确定
Figure 962835DEST_PATH_IMAGE034
的最佳工作点。
也可以规定：学习用于对状态的机器学习以及用于所属的质量指标
Figure 86649DEST_PATH_IMAGE034
的共同模型。例如，为此可以针对多维输出量使用高斯过程。
可以规定：燃料电池堆的总电压
Figure 902158DEST_PATH_IMAGE007
可用，其中各个电池的电压
Figure 49106DEST_PATH_IMAGE001
不可用。在这种情况下，可以规定：评价燃料电池堆的总电压
Figure 93416DEST_PATH_IMAGE007
的历史或者使用燃料电池堆的总电压
Figure 71737DEST_PATH_IMAGE007
与由该模式所预测的值的偏差来进行评价。
在下文参考图3所描述的方法可以在车辆中或者在试验台上被实施。在训练之后，该方法可以在车辆中被实施，其中该方法的用于进行该训练的步骤不必再被实施。
该方法在步骤301中规定：提供数据，这些数据包括多个元组，这些元组分别将燃料电池系统的输入量
Figure 261410DEST_PATH_IMAGE011
和燃料电池堆的电池i的位置映射到电池的电压u上。
在一个方面，这些数据迭代地被提供。可以规定：在一次迭代中，记录在燃料电池系统处的第一测量。可以规定：针对该第一测量，确定信息内容的第一量度、尤其是第一熵。可以规定：在第二次迭代中，记录在燃料电池系统处的第二测量。可以规定：针对该第二测量，确定信息内容的第二量度、尤其是第二熵。可以规定：要么当第一量度大于第二量度时提供来自该第一测量的数据，要么否则提供来自该第二测量的数据。由此，选择具有最多信息内容的测量。
在一个方面，这些数据被提供为使得这些数据受到至少一个屏障、尤其是安全屏障的限制，该屏障限定了在电池处的最小允许电压或最大允许电压。
在一个方面，这些数据被提供为使得这些数据能够实现对带宽dU的使用。
在随后的步骤302中，该模型根据这些数据来被训练为：将燃料电池系统的输入量
Figure 957970DEST_PATH_IMAGE011
和燃料电池堆的电池i的位置映射到对该电池的电压
Figure 258502DEST_PATH_IMAGE001
的预测的概率分布上。
在本例中，根据这些数据来学习该概率分布的期望值和方差。对于高斯过程来说，例如针对电池i确定正态分布的期望值
Figure 91328DEST_PATH_IMAGE013
(
Figure 999373DEST_PATH_IMAGE011
,i)和方差
Figure 120912DEST_PATH_IMAGE014
(
Figure 21872DEST_PATH_IMAGE011
,i)。经训练的模型表示多个电池、在本例中是燃料电池堆的n个电池的概率分布。
然后，这样训练的模型可以被用于确定燃料电池系统的状态。为此，不必再实施步骤301和302。
在步骤303中，确定燃料电池系统的当前输入量
Figure 912468DEST_PATH_IMAGE011
。可以规定：只使用在该训练中使用的输入量
Figure 240681DEST_PATH_IMAGE011
的一部分。
在步骤304中，针对燃料电池系统的至少一个电池i，根据这些当前输入量
Figure 646255DEST_PATH_IMAGE011
利用该模型根据该概率分布来确定概率。
在一个方面，确定该至少一个电池的电压
Figure 554168DEST_PATH_IMAGE001
小于阈值
Figure 112319DEST_PATH_IMAGE015
的概率。
在一个方面，确定该至少一个电池的电压
Figure 814696DEST_PATH_IMAGE001
大于阈值
Figure 707566DEST_PATH_IMAGE025
的概率。
可以规定：针对燃料电池系统的多个电池、优选地针对所述n个电池，根据该概率分布来确定各一个概率。
可以规定：确定该共同概率。
在步骤305中，根据针对电池i所确定的至少一个概率和/或根据该共同概率来确定燃料电池系统的状态。
该状态可以表征针对该至少一个电池的电压
Figure 888011DEST_PATH_IMAGE001
的输入量
Figure 549937DEST_PATH_IMAGE011
的安全性。
该状态可以表征针对燃料电池系统的总电压
Figure 485532DEST_PATH_IMAGE007
的输入量
Figure 803381DEST_PATH_IMAGE011
的安全性。
例如，如果该概率和/或该共同概率满足条件
Figure 600566DEST_PATH_IMAGE016
，则燃料电池系统的运行被归为安全。
可以规定：检查该至少一个电池的电压
Figure 320261DEST_PATH_IMAGE001
小于阈值
Figure 161178DEST_PATH_IMAGE015
的概率
Figure 28640DEST_PATH_IMAGE022
是否满足条件
Figure 816467DEST_PATH_IMAGE016
。
可以规定：检查该至少一个电池的电压
Figure 452985DEST_PATH_IMAGE001
大于阈值
Figure 668065DEST_PATH_IMAGE025
的概率
Figure 254116DEST_PATH_IMAGE022
是否满足条件
Figure 907951DEST_PATH_IMAGE016
。
可以规定：检查该共同概率
Figure 336659DEST_PATH_IMAGE022
是否满足条件
Figure 784958DEST_PATH_IMAGE016
。
可以规定：检查该电压的带宽dU小于阈值d的概率
Figure 564695DEST_PATH_IMAGE022
是否满足条件
Figure 756642DEST_PATH_IMAGE016
。
在本例中，如果所检查的条件中的每个条件都被满足，则识别出安全运行状态。
可以规定：确定优化问题的解，该优化问题根据针对所述n个电池的概率
Figure 39855DEST_PATH_IMAGE022
来被限定。
在本例中，就阈值c而言使用如下优化问题：
Figure 409788DEST_PATH_IMAGE033
该优化问题可以针对其它阈值相对应地被限定。对于阈值s来说，该优化问题例如是：
Figure 473559DEST_PATH_IMAGE045
对于阈值d来说，该优化问题例如是：
Figure 141301DEST_PATH_IMAGE047
可以规定：在可选的步骤306中利用至少一个操控量或通过该解所限定的至少一个参数来运行燃料电池系统。
然后可以实施步骤303。由此，以新的当前输入量
Figure 606917DEST_PATH_IMAGE011
来继续该方法。
可以针对燃料电池系统的电池的阻抗的实部的第一概率分布和燃料电池系统的电池的阻抗的虚部的第二概率分布来实施该方法。在这种情况下，根据该第一概率分布和该第二概率分布来确定燃料电池系统的状态。例如，对于安全运行来说所提到的条件必须被两个部都满足，否则运行被归为不安全。
可以针对燃料电池系统的不同运行状态利用不同的模型来实施该方法。

Claims (15)

1.一种用于确定燃料电池系统的状态的计算机实现的方法，该燃料电池系统包括燃料电池堆，其特征在于，提供数据，这些数据分别将该燃料电池系统的输入量（
Figure DEST_PATH_IMAGE001
）和该燃料电池堆的电池的位置映射（301）到该电池的电压上，其中模型根据这些数据来被训练（302）来将该燃料电池系统的输入量（
Figure 595410DEST_PATH_IMAGE001
）和该燃料电池堆的电池的位置映射到对该电池的电压的预测的概率分布上，其中确定（303）该燃料电池系统的当前输入量（
Figure 60020DEST_PATH_IMAGE001
），其中针对该燃料电池堆的至少一个电池，根据这些当前输入量（
Figure 574178DEST_PATH_IMAGE001
）利用该模型根据该概率分布来确定（304）该电池的电压的和/或该燃料电池堆的总电压的至少一个概率，其中根据该概率来确定（305）该燃料电池系统的状态。
2.根据权利要求1所述的方法，其特征在于，该状态表征针对该至少一个电池的电压和/或针对该燃料电池堆的总电压的输入量（
Figure 766125DEST_PATH_IMAGE001
）的安全性，其中根据该概率分布来确定概率，其中如果该概率满足条件，则该燃料电池系统的运行被归为（305）安全。
3.根据权利要求2所述的方法，其特征在于，确定（304）该至少一个电池的电压小于第一阈值或者该至少一个电池的电压大于第二阈值或者该燃料电池堆的总电压大于第三阈值的概率。
4.根据上述权利要求中任一项所述的方法，其特征在于，根据这些数据来至少确定该概率分布的期望值和方差。
5.根据权利要求4所述的方法，其特征在于，根据该概率分布来确定该电池的电压的概率的值，而且其中检查该值是否满足（305）条件。
6.根据权利要求4或5所述的方法，其特征在于，针对该燃料电池堆的多个电池，确定该概率的各一个值，其中利用这些值来确定所述多个电池的共同概率，而且其中检查该共同概率是否满足（305）条件。
7.根据上述权利要求中任一项所述的方法，其特征在于，确定如下优化问题的解，该优化问题根据该燃料电池堆的多个电池的共同概率并且根据函数来被限定，其中该解限定了用于运行该燃料电池系统的至少一个操控量或至少一个参数。
8.根据权利要求7所述的方法，其特征在于，该函数根据这些电池的最小电压与最大电压之差来被限定。
9.根据权利要求7所述的方法，其特征在于，该函数根据这些电池的电压的方差来被限定。
10.根据上述权利要求中任一项所述的方法，其特征在于，根据该模型来确定电池的位置和/或该燃料电池堆的如下电池，该电池相对于该燃料电池堆的其它电池而言要么有更高的概率处在安全运行状态下要么有更低的概率处在安全运行状态下。
11.根据上述权利要求中任一项所述的方法，其特征在于，确定该电池和/或该燃料电池堆的阻抗的实部的第一概率分布和该电池和/或该燃料电池堆的阻抗的虚部的第二概率分布，其中根据该第一概率分布和该第二概率分布来确定该燃料电池系统的状态。
12.根据上述权利要求中任一项所述的方法，其特征在于，记录在该燃料电池系统处的第一测量，其中针对该第一测量确定信息内容的第一量度、尤其是第一熵，其中记录在该燃料电池系统处的第二测量，其中针对该第二测量确定信息内容的第二量度、尤其是第二熵，其中要么当该第一量度大于该第二量度时提供来自该第一测量的数据，要么否则提供（301）来自该第二测量的数据。
13.根据上述权利要求中任一项所述的方法，其特征在于，提供（301）如下数据，这些数据受到至少一个屏障、尤其是针对该电池的最小允许电压或最大允许电压的屏障的限制。
14.一种用于确定燃料电池系统的状态的设备，其特征在于，所述设备构造为实施根据权利要求1至13中任一项所述的方法。
15.一种计算机程序，其特征在于，所述计算机程序包括机器可读指令，在通过尤其是分布式计算机来实施所述机器可读指令的情况下，根据权利要求1至13中任一项所述的方法运行。
CN202111157361.3A 2020-10-07 2021-09-30 用于确定燃料电池系统的状态的设备和计算机实现的方法 Pending CN114300712A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020212654.2 2020-10-07
DE102020212654.2A DE102020212654A1 (de) 2020-10-07 2020-10-07 Vorrichtung und computerimplementiertes Verfahren zum Bestimmen eines Zustands eines Brennstoffzellensystems

Publications (1)

Publication Number Publication Date
CN114300712A true CN114300712A (zh) 2022-04-08

Family

ID=80737960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111157361.3A Pending CN114300712A (zh) 2020-10-07 2021-09-30 用于确定燃料电池系统的状态的设备和计算机实现的方法

Country Status (4)

Country Link
US (1) US20220109170A1 (zh)
JP (1) JP2022061969A (zh)
CN (1) CN114300712A (zh)
DE (1) DE102020212654A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022204020A1 (de) 2022-04-26 2023-10-26 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betreiben mindestens eines Brennstoffzellensystems mithilfe von einer kombinierten Betriebsstrategie
CN114759233B (zh) * 2022-05-24 2024-01-26 苏州溯驭技术有限公司 一种适用于氢燃料系统的排氮阀控制方法及其排氮阀系统
DE102022211778A1 (de) 2022-11-08 2024-05-08 Robert Bosch Gesellschaft mit beschränkter Haftung Steuervorrichtung für ein Brennstoffzellensystem, Brennstoffzellensystem und Verfahren zur Steuerung eines Brennstoffzellensystems

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4904661B2 (ja) * 2002-11-21 2012-03-28 株式会社デンソー 燃料電池システム
JP4816868B2 (ja) * 2004-03-23 2011-11-16 日産自動車株式会社 燃料電池スタックのセル電圧測定構造
US8332342B1 (en) * 2009-11-19 2012-12-11 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Model-based prognostics for batteries which estimates useful life and uses a probability density function
DE102010035363A1 (de) * 2010-08-25 2012-03-01 Li-Tec Battery Gmbh Verfahren zur Vorhersage der durch einen elektrochemischen Energiespeicher an einen Verbraucher abgebbaren Leistung
US9037424B2 (en) * 2012-05-01 2015-05-19 Caterpillar Inc. Systems and methods for detecting ultracapacitor cell short circuits

Also Published As

Publication number Publication date
JP2022061969A (ja) 2022-04-19
DE102020212654A1 (de) 2022-04-07
US20220109170A1 (en) 2022-04-07

Similar Documents

Publication Publication Date Title
Chen et al. Degradation prediction of proton exchange membrane fuel cell based on grey neural network model and particle swarm optimization
CN114300712A (zh) 用于确定燃料电池系统的状态的设备和计算机实现的方法
CN110165259B (zh) 电池的运行状态的监测方法及装置、系统
Rotondo et al. Robust fault diagnosis of proton exchange membrane fuel cells using a Takagi-Sugeno interval observer approach
US9437884B2 (en) Self-tuning thermal control of an automotive fuel cell propulsion system
Yang et al. Robust fault diagnosis and fault tolerant control for PEMFC system based on an augmented LPV observer
CN106992310B (zh) 燃料电池堆端口的相对湿度估计器
CN102412405B (zh) 预测燃料电池堆中的燃料电池的最小电池电压趋势的方法
Wang et al. Design and experimental implementation of time delay control for air supply in a polymer electrolyte membrane fuel cell system
Zhou et al. Real-time data-driven fault diagnosis of proton exchange membrane fuel cell system based on binary encoding convolutional neural network
Jiao et al. Humidity estimation of vehicle proton exchange membrane fuel cell under variable operating temperature based on adaptive sliding mode observation
Escobet et al. PEM fuel cell fault diagnosis via a hybrid methodology based on fuzzy and pattern recognition techniques
Zhang et al. An Unscented Kalman Filter based on-line Diagnostic approach for PEM fuel cell Flooding
Piffard et al. Control by state observer of PEMFC anodic purges in dead-end operating mode
CN114077806A (zh) 用于运行燃料电池系统的设备和计算机实现的方法
CN103575515B (zh) 经由堆电压响应分析诊断喷射器故障
Kandidayeni et al. Online power and efficiency estimation of a fuel cell system for adaptive energy management designs
US20160079620A1 (en) Hydrogen purging device and method for fuel cell system
Wang et al. A systematic review of system modeling and control strategy of proton exchange membrane fuel cell
CN114221006A (zh) 用于运行燃料电池系统的设备和计算机实现的方法
US11552316B2 (en) Hydrogen supply control method and system of fuel cell system
Pan et al. A review of fault diagnosis and fault-tolerant control of vehicular polymer electrolyte membrane fuel cell power system
KR101795242B1 (ko) 연료전지 차량의 공기량 제어 장치 및 그 방법
CN104218253A (zh) 确定燃料电池系统中的阴极入口压力极限的系统及方法
Muller et al. Optimal power control of hybrid fuel cell systems for an accelerated system warm-up

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