CN114335628B - 极化曲线的非储存式在线迭代估计方法及燃料电池系统 - Google Patents
极化曲线的非储存式在线迭代估计方法及燃料电池系统 Download PDFInfo
- Publication number
- CN114335628B CN114335628B CN202111640884.3A CN202111640884A CN114335628B CN 114335628 B CN114335628 B CN 114335628B CN 202111640884 A CN202111640884 A CN 202111640884A CN 114335628 B CN114335628 B CN 114335628B
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- polarization curve
- current
- information
- curve model
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 112
- 239000000446 fuel Substances 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 4
- VREFGVBLTWBCJP-UHFFFAOYSA-N alprazolam Chemical group C12=CC(Cl)=CC=C2N2C(C)=NN=C2CN=C1C1=CC=CC=C1 VREFGVBLTWBCJP-UHFFFAOYSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000009792 diffusion process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000034964 establishment of cell polarity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
Classifications
-
- 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
- Fuel Cell (AREA)
Abstract
本发明提供一种极化曲线的非储存式在线迭代估计方法及燃料电池系统，包括如下步骤：建立燃料电池的极化曲线模型；实时采集燃料电池的当前电流信息和当前电压信息；基于当前电流信息和当前电压信息并且通过参数辨识系统来辨识所述极化曲线模型的关键特征参数，基于关键特征参数形成新的极化曲线模型，删除历史电流信息和历史电压信息并且将新的极化曲线模型更新至燃料电池的控制器内，本发明基于迭代式最小二乘法，对燃料电池的控制器的要求较小，能够更实时精准更新极化曲线模型，从而便于监测燃料电池的状态变化和调节燃料电池的运行参数，运算过程简单，运行成本较低。
Description
技术领域
本发明涉及燃料电池技术领域，特别是涉及一种极化曲线的非储存式在线迭代估计方法及燃料电池系统。
背景技术
极化(polarization)：电池在充放电过程中是存在极化的，通常可将电池极化分为欧姆极化、活化极化(或称电化学极化)和浓差极化三类。几类极化各自的响应速度也不一样。影响极化程度的因素很多，但一般情况下充放电电流密度越大，极化也就越大。
以下分类解释一下：
(1)欧姆极化：顾名思义，有电池的欧姆内阻引起的极化，叫欧姆极化，也成电阻极化。电池的欧姆内阻(R)由电极材料、电解液、隔膜电阻及各部分零件的接触电阻组成(有些解释还把膜电阻也算上)，通过一定的电流时，其极化电势可以计算，E＝IR(欧)。欧姆极化是瞬时发生的。
(2)活化极化(或称电化学极化)：指由于正、负极上电化学反应速度小于电子运动速度而造成的极化。电化学极化一般认为是微秒级的
(3)浓差极化：指由于参与反应的离子在固相中的扩散速度小于电化学反应速度而造成的极化。浓差极化一般认为是秒级的。
燃料电池系统作为整车动力系统的一部分，工作过程中需要时刻相应整车控制器对其的功率相应需求，由于不同应用环境，不同能量管理策略和工作状态下，燃料电池的功率输出需要做到及时的相应，其工作曲线很难按照做到及时的在线测量。燃料电池作为一个时变系统，其特性参数会随着工作时间的累计，逐步发生微弱的变化。如果在全生命周期的运行过程中，不对其极化曲线的变化加以识别和计算，可能会导致在其生命周期的开始和结束阶段采用相同的使用策略，造成燃料电池系统的整体性能偏差或者寿命的急剧下降。因此，获得燃料电池准确的极化曲线对于其系统控制起到了有益的效果。
一般而言，对于燃料电池极化曲线的辨识通常需要累积大量的数据，通过定义规则来进行拟合，获得的数据越多，得到的极化曲线越准确。使用拟合方法的极化曲线辨识方法较多，比如常用的数值计算方法，在此不做赘述。此类离线计算的方法的优点是可以在所得到的数据中找到局部的最优解，但是缺点是需要的数据量较大，对于控制器存储能力和运算速度要求较高，计算量和参与拟合数据量成正相关关系。如果数据量不够，则对数据本身的准确性要求较高，对输入计算模块的算法设计提出了较高的要求。而通常在车载控制器当中，超过5维的计算就可能影响正常的其他功能的使用。
现有美国专利(US 8214174 B2)公开了一种燃料电池堆在线自适应极化曲线估计算法。当燃料电池组运行且满足一定的数据有效性标准时，该算法进入数据采集模式，在该模式下采集燃料电池数据，如电池组电流密度、电池平均电压和电池最小电压。当电堆停机时，该算法使用最小二乘方法估计极化曲线模型的预定参数。如果估计参数满足一定的终止准则，则存储估计参数，以供系统控制器用于计算电堆的极化曲线。该发明在电堆运行时采集数据，在停机时通过批量学习获得极化曲线参数的估计值并存储，在下次运行时使用该参数对极化曲线进行估计。
现有中国专利(申请号：CN200810085612.X)公开了一种燃料电池堆的在线自适应极化曲线估算用的算法，该算法存在的缺点是：历史电流电压数据使用后需要保存，占用系统内存。
现有中国专利(申请号：CN202010141928.7)公开了一种数据驱动燃料电池在线性能评估方法，虽然，该方法可以在整个燃料电池运行过程中实时更新极化曲线参数值，对全部单电池性能进行估计，为控制策略优化提供更详细信息，但是该方法应用递推公式，并且依旧比较繁琐。
发明内容
鉴于以上所述现有技术的缺点，本发明要解决的技术问题在于提供一种极化曲线的非储存式在线迭代估计方法及燃料电池系统，基于迭代式最小二乘法，对燃料电池的控制器的要求较小，能够更实时精准更新极化曲线模型，从而便于监测燃料电池的状态变化和调节燃料电池的运行参数，运算过程简单，运行成本较低。
为了解决上述技术问题，本发明提供一种极化曲线的非储存式在线迭代估计方法，包括如下步骤：
建立燃料电池的极化曲线模型；
实时采集燃料电池的当前电流信息和当前电压信息；
基于当前电流信息和当前电压信息并且通过参数辨识系统来辨识所述极化曲线模型的关键特征参数，基于关键特征参数形成新的极化曲线模型，删除历史电流信息和历史电压信息并且将新的极化曲线模型更新至燃料电池的控制器内，所述参数辨识系统执行以下步骤：
初始化极化曲线模型的关键特征参数，并且对关键特征参数随机赋予初值；
解析当前电流信息和当前电压信息，采用迭代式最小二乘法对当前电流信息和当前电压信息进行运算。
优选地，所述实时采集燃料电池的当前电流信息和当前电压信息的步骤包括：通过合理性检验方法判断当前电流信息和当前电压信息是否满足预设可用要求，若是则执行下一步。
优选地，所述实时采集燃料电池的当前电流信息和当前电压信息的步骤包括：辨识燃料电池的当前运行状态。
优选地，所述当前运行状态包括操作条件或故障信息。
优选地，所述极化曲线模型的第一表达式如下：
E＝E0-b ln(I)-IRm-mmt exp(nmtI)，其中，E为燃料电池的输出电压；E0为燃料电池的开路电压；b为塔菲尔斜率，Rm为膜内阻；mmt是质量传输系数；nmt为质量传输过程的拟合系数，I为电流密度。
优选地，将所述极化曲线模型的第一表达式变换为第二表达式：
V＝a*I+b*log(I)+c*exp(I)+d，其中V为燃料电池的输出电压，a为欧姆损失参数，b为活化损失参数，c为浓差损失参数，d为燃料电池的开路电压，I为电流密度，此时X为{a,b,c,d}。
优选地，将所述极化曲线模型的第一表达式变换为第三表达式：
V＝a*I+b*log(I)+c，其中，V为燃料电池的输出电压，a为欧姆损失参数，b为活化损失参数，c为燃料电池的开路电压，I为电流密度，此时X为{a,b,c}。
优选地，所述迭代式最小二乘法的表达式如下：
Q1＝P*Ak
Q＝Q1/Q2
X＝X+Q*(Bk-Ak*X)
P＝(1-Q*Ak)*P
其中，Ak＝{I,log(I),eI}，Bk＝{E}，Ak与Bk为参数辨识系统的输入向量矩阵；P为加权系数矩阵；X为极化曲线模型的关键参数矩阵；Q1、Q2、Q均为过程参数。
优选地，所述对关键特征参数随机赋予初值的步骤包括：将关键特征参数初始定义为n*1维的参数矩阵，若在执行所述迭代式最小二乘法之前已知关键特征参数的取值范围，则在取值范围的约束条件下随机赋予初值。
本发明还提供一种燃料电池系统，包括：
电堆；
控制器，控制器与电堆通信连接，控制器包括处理器和存储器；
所述存储器用于存储计算机程序；
所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述控制器执行所述极化曲线的非储存式在线迭代估计方法。
如上所述，本发明的极化曲线的非储存式在线迭代估计方法及燃料电池系统，具有以下有益效果：在本发明中，建立燃料电池的极化曲线模型，基于待测燃料电池的工况，选择极化曲线模型的一种表达式，以便于确定极化曲线模型的关键特征参数的个数。实时采集燃料电池的当前电流信息I和当前电压信息E；在建立一个可迭代运算的参数辨识系统之后，基于当前电流信息和当前电压信息并且通过参数辨识系统来辨识所述极化曲线模型的关键特征参数，基于关键特征参数形成新的极化曲线模型，删除历史电流信息和历史电压信息并且将新的极化曲线模型更新至燃料电池的控制器内，以便于监测燃料电池的状态变化和调节燃料电池的运行参数。更为重要的是：参数辨识系统执行以下步骤：初始化极化曲线模型的关键特征参数，并且对关键特征参数随机赋予初值；解析当前电流信息和当前电压信息，采用迭代式最小二乘法对当前电流信息和当前电压信息进行运算，这样历史电流信息和历史电压信息在使用后不需要保存，不占用燃料电池的控制器的内存。此外，在关键特征参数的辨识过程中，迭代式最小二乘法所需的计算存储空间是n*n的矩阵；若不是在线迭代运算，则需要m*n的矩阵。因此，本发明的极化曲线的非储存式在线迭代估计方法基于迭代式最小二乘法，对燃料电池的控制器的要求较小，能够更实时精准更新极化曲线模型，从而便于监测燃料电池的状态变化和调节燃料电池的运行参数，运算过程简单，运行成本较低。
附图说明
图1显示为本发明的极化曲线的非储存式在线迭代估计方法的迭代流程图；
图2显示为采用迭代式最小二乘法形成的极化曲线的拟合示意图；
图3显示为极化曲线模型的第三表达式的关键特征参数a的变化趋势图；
图4显示为极化曲线模型的第三表达式的关键特征参数b的变化趋势图；
图5显示为极化曲线模型的第三表达式的关键特征参数c的变化趋势图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
须知，本说明书所附图中所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容所能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
如图1和图2所示，本发明提供一种极化曲线的非储存式在线迭代估计方法，包括如下步骤：
建立燃料电池的极化曲线模型；
实时采集燃料电池的当前电流信息和当前电压信息；
基于当前电流信息和当前电压信息并且通过参数辨识系统来辨识所述极化曲线模型的关键特征参数，基于关键特征参数形成新的极化曲线模型，删除历史电流信息和历史电压信息并且将新的极化曲线模型更新至燃料电池的控制器内，所述参数辨识系统执行以下步骤：
初始化极化曲线模型的关键特征参数，并且对关键特征参数随机赋予初值；
解析当前电流信息和当前电压信息，采用迭代式最小二乘法(或称IRLS，迭代加权最小二乘法)对当前电流信息和当前电压信息进行运算。
在本发明中，建立燃料电池的极化曲线模型，基于待测燃料电池的工况，选择极化曲线模型的一种表达式，以便于确定极化曲线模型的关键特征参数的个数。实时采集燃料电池的当前电流信息I(主要指电流密度，单位为A/cm2)和当前电压信息E；在建立一个可迭代运算的参数辨识系统之后，基于当前电流信息和当前电压信息并且通过参数辨识系统来辨识所述极化曲线模型的关键特征参数，基于关键特征参数形成新的极化曲线模型，删除历史电流信息和历史电压信息并且将新的极化曲线模型更新至燃料电池的控制器内，以便于监测燃料电池的状态变化和调节燃料电池的运行参数，例如，可以基于更新的极化曲线模型获知燃料电池的衰减率，从而更精准地控制燃料电池。更为重要的是：参数辨识系统执行以下步骤：初始化极化曲线模型的关键特征参数，并且对关键特征参数随机赋予初值；解析当前电流信息和当前电压信息，采用迭代式最小二乘法对当前电流信息和当前电压信息进行运算，这样历史电流信息和历史电压信息在使用后不需要保存，不占用燃料电池的控制器的内存。此外，在关键特征参数的辨识过程中，迭代式最小二乘法所需的计算存储空间是n*n的矩阵(n为关键特征参数的个数)；若不是在线迭代运算，则需要m*n的矩阵(n为关键特征参数的个数，m为数据量)。
因此，本发明的极化曲线的非储存式在线迭代估计方法基于迭代式最小二乘法，对燃料电池的控制器的要求较小，能够更实时精准更新极化曲线模型，从而便于监测燃料电池的状态变化和调节燃料电池的运行参数，运算过程简单，运行成本较低。
上述实时采集燃料电池的当前电流信息和当前电压信息的步骤包括：通过合理性检验方法判断当前电流信息和当前电压信息是否满足预设可用要求，若是则执行下一步，这样能够保证当前电流信息和当前电压信息的有效性。
上述实时采集燃料电池的当前电流信息和当前电压信息的步骤包括：辨识燃料电池的当前运行状态，这样也能够保证当前电流信息和当前电压信息的有效性。进一步的，上述当前运行状态包括操作条件或故障信息。
上述极化曲线模型的第一表达式如下：
E＝E0-b ln(I)-IRm-mmt exp(nmtI)，其中，E为燃料电池的输出电压；E0为燃料电池的开路电压；b为塔菲尔斜率，Rm为膜内阻；mmt是质量传输系数；nmt为质量传输过程的拟合系数，I为电流密度。
将上述极化曲线模型的第一表达式变换为第二表达式：
V＝a*I+b*log(I)+c*exp(I)+d，其中V为燃料电池的输出电压，a为欧姆损失参数，b为活化损失参数，c为浓差损失参数，d为燃料电池的开路电压，I为电流密度，此时X为{a,b,c,d}。
在燃料电池在运行过程中，通过DC-DC转换器控制和采集其对外输出的电流和电压。燃料电池的极化曲线损失由三部分组成，即活化损失、欧姆损失以及浓差扩散损失。由于在正常的燃料电池的运行过程中，其浓差扩散损失通常较小，可以不加入浓差扩散损失的影响因素，即可以将上述极化曲线模型的第一表达式变换为第三表达式：
V＝a*I+b*log(I)+c，其中，V为燃料电池的输出电压，a为欧姆损失参数，b为活化损失参数(由于在燃料电池的较为稳定的运行区间内，温度等因素对其影响可以忽略不计，可以将燃料电池的活化损失和电流密度的关系等同于log的关系)，c为燃料电池的开路电压(开路电压需要结合基准电压和漏电流)，I为电流密度，此时X为{a,b,c}。在对极化曲线定义了模型之后，可应用迭代的方法，来辨识该极化曲线模型的关键特征参数(a，b，c)，由于该方法在辨识过程中，对控制器的存储量的要求极低，故可以很大程度上降低对控制器的运算能力的需求，不需要为此功能单独开发专用的数据处理芯片，因此能够显著降低硬件成本。
上述迭代式最小二乘法的表达式如下：
Q1＝P*Ak
Q＝Q1/Q2
X＝X+Q*(Bk-Ak*X)
P＝(1-Q*Ak)*P
其中，Ak＝{I,log(I),eI}，Bk＝{E}，Ak与Bk为参数辨识系统的输入向量矩阵；P为加权系数矩阵；X为极化曲线模型的关键参数矩阵；Q1、Q2、Q均为过程参数。
在实际使用过程中，燃料电池初始化RAM区(即数据存储区)，需要初始化的参数为上述X，P，Q，Q1，Q2。其中需要占据最大存储空间的是P，P为一个n*n的矩阵，n代表的待辨识的关键特征参数的个数。此时，燃料电池的控制器采集和转送电流信息和电压信息，通常的运行频率为10ms。在开始执行辨识指令之后，燃料电池的控制器解析当前电流信息和当前电压信息，并且将当前电流信息和当前电压信息带入至参数辨识系统，采用迭代式最小二乘法对当前电流信息和当前电压信息进行迭代运算。具体的，可以在每次完成上述迭代式最小二乘法的表达式的五步后，更新关键参数矩阵X，从而获得极化曲线模型的新的一组关键特征参数。需要说明的是，燃料电池的极化曲线模型的关键特征参数与测试台的测试结果是否一致，一定程度上取决于所跑过的电密点(电流密度数据点)的分布情况。
图2显示了一个极化曲线在经过在线迭代运算之后的拟合结果：聚集或分散的黑点为原始数据点，直线排列的灰点为拟合数据点。极化曲线模型的第三表达式的三个关键特征参数a，b，c的变化曲线如图3、图4以及图5所示，每个关键特征参数在时间维度上分布有2万个数据点，如果按照普通燃料电池的控制器的计算能力，在200s后就可以基本达到收敛。
上述对关键特征参数随机赋予初值的步骤包括：将关键特征参数初始定义为n*1维的参数矩阵，若在执行上述迭代式最小二乘法之前已知关键特征参数的取值范围，则在取值范围的约束条件下随机赋予初值。
此外，在将当前电流信息和当前电压信息输入至参数辨识系统之后，燃料电池的控制器进行相关的迭代计算，最后当计算通道关闭，或者满足预设精度条件后，将关键特征参数的结果输出。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行，以实现上述极化曲线的非储存式在线迭代估计方法。
本发明还提供一种燃料电池系统，包括：
电堆；
控制器，控制器与电堆通信连接，控制器包括处理器和存储器；
上述存储器用于存储计算机程序；
上述处理器与上述存储器相连，用于执行上述存储器存储的计算机程序，以使上述控制器执行上述极化曲线的非储存式在线迭代估计方法。
综上所述，本发明的极化曲线的非储存式在线迭代估计方法及燃料电池系统，基于迭代式最小二乘法，对燃料电池的控制器的要求较小，能够更实时精准更新极化曲线模型，从而便于监测燃料电池的状态变化和调节燃料电池的运行参数，运算过程简单，运行成本较低。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (5)
1.一种极化曲线的非储存式在线迭代估计方法，其特征在于，包括如下步骤：
建立燃料电池的极化曲线模型；
实时采集燃料电池的当前电流信息和当前电压信息；
基于当前电流信息和当前电压信息并且通过参数辨识系统来辨识所述极化曲线模型的关键特征参数，基于关键特征参数形成新的极化曲线模型，删除历史电流信息和历史电压信息并且将新的极化曲线模型更新至燃料电池的控制器内，所述参数辨识系统执行以下步骤：
初始化极化曲线模型的关键特征参数，并且对关键特征参数随机赋予初值；
解析当前电流信息和当前电压信息，采用迭代式最小二乘法对当前电流信息和当前电压信息进行运算；
所述实时采集燃料电池的当前电流信息和当前电压信息的步骤包括：辨识燃料电池的当前运行状态，所述当前运行状态包括操作条件或故障信息；
所述对关键特征参数随机赋予初值的步骤包括：将关键特征参数初始定义为n*1维的参数矩阵，若在执行所述迭代式最小二乘法之前已知关键特征参数的取值范围，则在取值范围的约束条件下随机赋予初值；
所述迭代式最小二乘法的表达式如下：
Q1＝P*Ak
Q＝Q1/Q2
X＝X+Q*(Bk-Ak*X)
P＝(1-Q*Ak)*P
其中，Ak＝{I,log(I),eI}，Bk＝{E}，Ak与Bk为参数辨识系统的输入向量矩阵；P为加权系数矩阵；X为极化曲线模型的关键参数矩阵；Q1、Q2、Q均为过程参数；I为电流密度；
E为燃料电池的输出电压。
2.根据权利要求1所述的极化曲线的非储存式在线迭代估计方法，其特征在于：所述极化曲线模型的第一表达式如下：
E＝E0-bln(I)-IRm-mmt exp(nmtI)，其中，E为燃料电池的输出电压；E0为燃料电池的开路电压；b为塔菲尔斜率，Rm为膜内阻；mmt是质量传输系数；nmt为质量传输过程的拟合系数，I为电流密度。
3.根据权利要求2所述的极化曲线的非储存式在线迭代估计方法，其特征在于：将所述极化曲线模型的第一表达式变换为第二表达式：
E＝a*I+b*log(I)+c*exp(I)+d，其中E为燃料电池的输出电压，a为欧姆损失参数，b为活化损失参数，c为浓差损失参数，d为燃料电池的开路电压，I为电流密度，此时X为{a,b,c,d}。
4.根据权利要求2所述的极化曲线的非储存式在线迭代估计方法，其特征在于：将所述极化曲线模型的第一表达式变换为第三表达式：
E＝a*I+b*log(I)+c，其中，E为燃料电池的输出电压，a为欧姆损失参数，b为活化损失参数，c为燃料电池的开路电压，I为电流密度，此时X为{a,b,c}。
5.一种燃料电池系统，其特征在于，包括：
电堆；
控制器，控制器与电堆通信连接，控制器包括处理器和存储器；
所述存储器用于存储计算机程序；
所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述控制器执行权利要求1至4中任一项所述极化曲线的非储存式在线迭代估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111640884.3A CN114335628B (zh) | 2021-12-29 | 2021-12-29 | 极化曲线的非储存式在线迭代估计方法及燃料电池系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111640884.3A CN114335628B (zh) | 2021-12-29 | 2021-12-29 | 极化曲线的非储存式在线迭代估计方法及燃料电池系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114335628A CN114335628A (zh) | 2022-04-12 |
| CN114335628B true CN114335628B (zh) | 2023-11-14 |
Family
ID=81016224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111640884.3A Active CN114335628B (zh) | 2021-12-29 | 2021-12-29 | 极化曲线的非储存式在线迭代估计方法及燃料电池系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114335628B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116031970B (zh) * | 2022-12-12 | 2024-04-26 | 上海氢晨新能源科技有限公司 | 化学电源输出控制方法、系统、设备及存储介质 |
| CN116256647B (zh) * | 2023-05-10 | 2023-08-04 | 上海重塑能源科技有限公司 | 燃料电池性能的在线识别预测方法及系统 |
| CN118099486B (zh) * | 2024-04-25 | 2024-08-06 | 深圳市氢蓝时代动力科技有限公司 | 燃料电池使用寿命评价方法、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2484670A1 (en) * | 2003-10-23 | 2005-02-08 | Ballard Power Systems Inc. | In-situ determination of mea resistance and electrode diffusivity of a fuel cell |
| CN101237064A (zh) * | 2007-01-31 | 2008-08-06 | 通用汽车环球科技运作公司 | 燃料电池堆的在线自适应极化曲线估算用的算法 |
| CN107404271A (zh) * | 2017-08-21 | 2017-11-28 | 西安交通大学 | 一种异步电机参数在线识别系统及方法 |
| CN111313056A (zh) * | 2020-03-03 | 2020-06-19 | 电子科技大学 | 一种数据驱动燃料电池在线性能评估方法 |
| CN112349936A (zh) * | 2020-10-27 | 2021-02-09 | 中船动力有限公司 | 基于系统辨识的船用燃料电池建模及广义预测控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3453178A1 (en) * | 2016-05-06 | 2019-03-13 | VID SCALE, Inc. | Systems and methods for motion compensated residual prediction |
-
2021
- 2021-12-29 CN CN202111640884.3A patent/CN114335628B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2484670A1 (en) * | 2003-10-23 | 2005-02-08 | Ballard Power Systems Inc. | In-situ determination of mea resistance and electrode diffusivity of a fuel cell |
| CN101237064A (zh) * | 2007-01-31 | 2008-08-06 | 通用汽车环球科技运作公司 | 燃料电池堆的在线自适应极化曲线估算用的算法 |
| CN107404271A (zh) * | 2017-08-21 | 2017-11-28 | 西安交通大学 | 一种异步电机参数在线识别系统及方法 |
| CN111313056A (zh) * | 2020-03-03 | 2020-06-19 | 电子科技大学 | 一种数据驱动燃料电池在线性能评估方法 |
| CN112349936A (zh) * | 2020-10-27 | 2021-02-09 | 中船动力有限公司 | 基于系统辨识的船用燃料电池建模及广义预测控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| Genetic Algorithms in Model Structure Identification for Fuel Cell Polarization Curve;Markku Ohenoja等;2018 5th international conference on control decision and information technologies》;第539-544页 * |
| Rotary-gradient fitting algorithm for polarization curves of Proton Exchange Membrane Fuel Cells (PEMFCs);D.M. Guinea等;《International journal of hydrogen energy》;第33卷(第11期);第2774-2782页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114335628A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114335628B (zh) | 极化曲线的非储存式在线迭代估计方法及燃料电池系统 | |
| EP3786653B1 (en) | Battery state estimation method | |
| Xiong et al. | A robust state-of-charge estimator for multiple types of lithium-ion batteries using adaptive extended Kalman filter | |
| RU2361333C2 (ru) | Оценка состояния и параметров гальванического элемента | |
| CN108037460B (zh) | 一种批产锂离子电池容量实时评估方法 | |
| US8214174B2 (en) | Algorithm for online adaptive polarization curve estimation of a fuel cell stack | |
| CN112834945A (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
| CN111880100A (zh) | 基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法 | |
| CN107957555A (zh) | 一种估算动力锂电池SoC的新方法 | |
| CN111781503A (zh) | 一种锂离子储能电池soc在线估算方法 | |
| CN115629314B (zh) | 基于改进Jaya的电池参数与状态联合估计方法及系统 | |
| CN115219905A (zh) | 一种电池内短路在线检测方法、装置及存储介质 | |
| CN113125969B (zh) | 基于aukf的电池数据处理方法、设备和介质 | |
| CN115494398A (zh) | 一种基于融合滤波策略的电池soc估计方法及系统 | |
| CN113466712A (zh) | 一种电池剩余容量的获取方法 | |
| CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
| CN112462288B (zh) | 一种基于电池表面温度变化值的锂离子电池健康状态估算方法 | |
| Niu et al. | Purge strategy analysis of proton exchange membrane fuel cells based on experiments and comprehensive evaluation method | |
| US20240053402A1 (en) | Method for analyzing battery life degradation, storage medium, and electronic device | |
| CN117572241A (zh) | 一种基于扩展多维时间序列的锂电池故障分析方法 | |
| CN118226262A (zh) | 电池荷电状态估算方法及装置、储能电站和存储介质 | |
| CN114646891B (zh) | 一种结合lstm网络和维纳过程的剩余寿命预测方法 | |
| Ramachandran et al. | Recursive estimation of battery pack parameters in electric vehicles | |
| CN115693916A (zh) | 一种变电站直流电源智能在线监测方法及系统 | |
| CN115327418A (zh) | 锂电池内阻辨识方法、存储介质及电子设备 |
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 |