CN114488821B - 燃料电池过氧比的区间经济模型预测控制方法及系统 - Google Patents
燃料电池过氧比的区间经济模型预测控制方法及系统 Download PDFInfo
- Publication number
- CN114488821B CN114488821B CN202210356361.4A CN202210356361A CN114488821B CN 114488821 B CN114488821 B CN 114488821B CN 202210356361 A CN202210356361 A CN 202210356361A CN 114488821 B CN114488821 B CN 114488821B
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- control
- interval
- fuzzy
- power generation
- 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
- 239000000446 fuel Substances 0.000 title claims abstract description 155
- 239000001301 oxygen Substances 0.000 title claims abstract description 56
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 32
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims description 38
- 238000010248 power generation Methods 0.000 claims abstract description 84
- 150000002978 peroxides Chemical class 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 52
- 239000011159 matrix material Substances 0.000 claims description 22
- 239000007789 gas Substances 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 10
- 230000002085 persistent effect Effects 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 125000000864 peroxy group Chemical group O(O*)* 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 8
- 239000012528 membrane Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 235000003642 hunger Nutrition 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000037351 starvation Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- -1 oxygen peroxide Chemical class 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 239000012495 reaction gas Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
-
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种燃料电池过氧比的区间经济模型预测控制方法及系统。本发明采用的方法为：建立燃料电池空气供给系统的T‑S模糊模型，并进行模型参数的辨识；利用不同负载电流下不同过氧比与燃料电池发电系统的净输出效率之间关系的曲线图，确定燃料电池发电系统的过氧比最佳区间；确定与燃料电池发电系统工作效率或净输出功率有关的状态量和控制量，并以此构造燃料电池发电系统的经济成本函数；基于T‑S模糊模型的区间经济模型预测控制算法，设计燃料电池发电系统的过氧比控制器。本发明采用区间经济模型预测控制控制方法，将经济模型预测控制和区间预测控制结合，保证了燃料电池运行的最大净输出功率和稳定性。
Description
技术领域
本发明属于新能源领域，涉及燃料电池控制方面，尤其是一种燃料电池发电系统的区间经济模型预测控制方法及系统。
背景技术
质子交换膜燃料电池(PEMFC)是一种直接将氢气和氧气的化学能通过电化学反应转换为电能的发电装置，具有高效率、低噪声、能量密度高、工作温度低、氢气来源丰富无污染零排放的优点，是未来的理想电源之一。氢氧燃料电池装置和其它可再生能源通过微电网的的形式并入电网，可以有效的降低电网的运营成本，提供多样化电源的同时增强电网的稳定性以及降低火力发电等高污染发电方式在整个电网发电的占比，以保护环境。
燃料电池的正常工作需要充足的反应气体供应、合适的温度和适度等条件，这些条件常常通过辅助系统（也称发电系统）来满足。辅助系统包括空气供给系统、氢气供给系统、水热管理系统和功率控制系统，其中空气供给系统是燃料电池的重要辅助系统，一方面空气供给系统的时滞是导致燃料电池动态响应慢的主要因素，另一方面空压机消耗的功率占辅助系统总消耗功率的80%，燃料电池发电量的20%，严重影响发电系统的效率。当燃料电池负载突然增加的时候，电化学反应会消耗更多的氧气，若空气供给不足，就会产生氧饥饿现象，直接导致电池输出电压降低，电堆水淹，会损伤燃料电池减少其使用寿命，当燃料电池氧气流量高于需求量的时候，空压机寄生功耗过大但电堆输出净功率又没明显提高会使整个燃料电池发电系统的效率降低。
因此，控制器需要在燃料电池发电系统复杂运行工况且负载时刻变化的条件下，快速准确的控制空压机的转速以调节氧气的流量，使得燃料电池发电系统的过氧比能维持在理想的范围之中。
发明内容
为实现质子交换膜燃料电池过氧比指标的良好控制，避免燃料电池在各种运行工况下发生氧饥饿，保证燃料电池正常运行的同时减小附加消耗，以提高燃料电池净输出功率，本发明提供一种基于T-S模糊模型的燃料电池过氧比的区间经济模型预测控制方法及系统。
为此，本发明采用的一种技术方案如下：燃料电池过氧比的区间经济模型预测控制方法，其包含：
1）建立燃料电池空气供给系统的T-S模糊模型，并进行模型参数的辨识，记录最终确定的T-S模糊模型的所有参数；
2）控制燃料电池空气供给系统的过氧比，使过氧比始终保持在净输出功率最大的区间内，利用不同负载电流下不同过氧比与燃料电池发电系统的净输出效率之间关系的曲线图，确定燃料电池发电系统的过氧比最佳区间；
3）确定与燃料电池发电系统工作效率或净输出功率有关的状态量和控制量，并以此构造出燃料电池发电系统的经济成本函数；
4）基于T-S模糊模型的区间经济模型预测控制算法，以空压机的电压为控制量，考虑燃料电池空气供给系统的各种约束，设计燃料电池发电系统的过氧比控制器。
作为上述技术方案的补充，所述步骤1）中，按如下方法建立燃料电池空气供给系统的T-S模糊模型并辨识模型参数，首先考虑如下离散非线性T-S模糊系统的形式：
x(k+1)=A i x(k)+ B i u(k)+ D i w(k)
y(k)=C
i
x(k)+E
i
w(k)
其中，i表示第i条模糊规则，
表示模糊集合，j=1,2,…,n；系统状态量为x(k)∈ R nx ，R nx 为状态量多维实数空间；控制输入量u(k)∈R nu ，R nu 为控制量多维实数空间；持续干扰量w(k)∈R nw ，R nw 为干扰量多维实数空间；输出量y(k)∈R ny ，R ny 为输出量多维实数空间；A i 、 B i 、C i 、D i 、E i 是第i个局部子模型的经过参数辨识已知的具有合适维度的矩阵；前提变量zk = (z1 (k)，z2 (k)，…，zn (k))，为燃料电池空气供给系统的一些可测变量；通过模糊推理，上述T-S模糊模型被表达为全局模糊模型：
其中，
，
，wi(k)表示第i条规则的权重，
表示xj(k)在模糊集合
中的隶属度，且存在hi(k)≥0和
，控制和输入约束分别是||w(k)||≤1、0≤u(k)≤VN，VN为空压机额定电压；r表示模糊规则的总数；
x=[x 1，x 2，x 3]T，其中，x 1为空压机电机的转速，x 2为供气歧管的压力，x 3为阴极出气管路背压阀的压力，u为空压机供电电压，y为燃料电池过氧比，通过确定T-S模糊模型的所有参数，建立燃料电池空气供给系统的T-S模糊模型。
作为上述技术方案的补充，所述步骤2）中，利用所使用的燃料电池发电系统的说明手册结合实验测量，绘制出燃料电池发电系统在不同负载电流下的过氧气比与燃料电池发电系统的净输出功率关系的曲线图，以不同电流负载下净输出功率最大对应的过氧比的最大与最小值构成区间的上下界，得到过氧比最佳区间。
作为上述技术方案的补充，步骤3），由于燃料电池净输出功率与空压机功耗密切相关，采用如下经济成本函数：
l e (x，u)=αM x+βu，
其中，α、β为权重系数，M=[1,0,0]。
作为上述技术方案的补充，步骤4）中，首先取预测时域p等于控制时域c，即p=c≥1，在燃料电池发电系统的任意时刻k，利用T-S模糊模型预测在[k+1,k+p]时域内的状态序列和燃料电池发电系统的过氧比序列，利用T-S模糊预测模型递推得到：
X k =[x(k+1|k) T x(k+2|k) T … x(k+p|k) T ] T
Y k =[y(k+1|k) T y(k+2|k) T … y(k+p|k) T ] T
U k =[u(k+1|k) T u(k+2|k) T … u(k+p-1|k) T ] T
其中，X k 代表在k时刻根据模糊模型预测得到的k+1时刻到k+p时刻的所有状态量集合的矩阵，Y k 代表在k时刻根据模糊模型预测得到的k+1时刻到k+p时刻的所有输出量集合的矩阵，U k 表示在k时刻由优化算法计算得到的k时刻到k+p-1时刻的所有控制量集合的矩阵；
采用一种预测时域分割的策略，将预测时域p分成1到s和s+1到p两部分，第一部分预测时域的目标函数是经济成本函数，第二部分预测时域的目标是区间控制，优化目标函数为：
其中，目标函数包括两个优化变量，输入变量u和表示区间内任意一点的优化变量z，Q、R均为对应的加权矩阵，优化变量z的约束即区间约束；∆u为相邻控制时刻控制量之间的差。
作为上述技术方案的补充，将燃料电池发电系统过氧比区间控制问题转化为带约束的优化问题：
s.t 
Psm,min≤x 2(k)≤Psm,max
Pby,min≤x 3(k)≤Pby,max
0≤u(k)≤VN
1.9≤z(k)≤2.5
上述约束条件分别是状态方程约束、供气歧管压力和阴极出气管路背压阀压力的范围、空压机供电电压的范围和区间约束；Psm,min、Psm,max、Pby,min、Pby,max分别表示供气歧管和背压阀工作的最小及最大压力值。
利用多目标非线性优化方法求解得到最优控制序列，在得到最优控制序列后取控制序列的第一项作用于燃料电池发电系统进行控制；
当进行滚动时域优化时，每一次优化的前s步都是以经济成本函数为目标函数，这段时间内优化变量u最小化经济成本，获得较好的燃料电池净输出功率，在预测时域后面则采用过氧比区间控制，使过氧比进入设定区间内；如果s=0，该优化问题即为区间优化问题，当s=p时，该优化问题等于经济模型预测控制，通过调节R、s、Q以满足不同的控制要求。
本发明采用的另一种技术方案为：燃料电池过氧比的区间经济模型预测控制系统，其包含：
T-S模糊模型建立单元：用于建立燃料电池空气供给系统的T-S模糊模型，并进行模型参数的辨识，记录最终确定的T-S模糊模型的所有参数；
过氧比最佳区间确定单元：控制燃料电池空气供给系统的过氧比，使过氧比始终保持在净输出功率最大的区间内，利用不同负载电流下不同过氧比与燃料电池发电系统的净输出效率之间关系的曲线图，确定燃料电池发电系统的过氧比最佳区间；
经济成本函数构造单元：确定与燃料电池发电系统工作效率或净输出功率有关的状态量和控制量，并以此构造出燃料电池发电系统的经济成本函数；
过氧比控制器设计单元：基于T-S模糊模型的区间经济模型预测控制算法，以空压机的电压为控制量，考虑燃料电池空气供给系统的各种约束，设计燃料电池发电系统的过氧比控制器。
与现有技术相比，本发明具有以下优点：
（1）以T-S模糊模型为预测模型，避免了复杂的机理建模，且T-S模糊模型可以通过局部动态线性化，把非线性系统表示成线性形式，以任意精度逼近非线性系统，模型精度更高，并且减少了计算时间，为后续经济模型预测控制提供了模型基础。
（2）使用了一种区间经济模型预测控制算法，将区间控制和经济模型预测控制结合，并将预测时域分割，每一次优化的前s步进行经济成本优化，后面进行区间控制，既保证了一定的燃料电池发电系统净输出功率，也保证燃料电池发电系统的过氧比控制结果在理想区间之内。
（3）本发明中的优化目标函数有Q、R、s三个调节指标，可以通过调节这三个指标来更加精准的调节经济优化和区间控制的权重比，以满足不同的燃料电池发电系统和不同的控制需求，控制效果调节更加精准，适用范围更广。
（4）用区间控制代替设定值控制，可以释放燃料电池空气供给系统的自由度，只有当被控变量违反过氧比最优区间时，控制器才施加动作，只要被控变量在过氧比最优区间内，控制器就不会施加进一步的控制作用，提高了控制系统的鲁棒性。
附图说明
图1为本发明具体实施方式中质子交换膜燃料电池辅助系统（即发电系统）结构图；
图2为本发明具体实施方式中质子交换膜燃料电池空气供给系统控制结构图；
图3为本发明具体实施方式中质子交换膜燃料电池空气供给系统控制流程图；
图4为本发明具体实施方式中T-S模糊模型辨识流程图；
图5为本发明具体实施方式中燃料电池不同电流和过氧比下的系统净功率关系曲线图；
图6为本发明具体实施方式中质子交换膜燃料电池负载电流变化图；
图7为本发明具体实施方式中质子交换膜燃料电池发电系统过氧比控制图；
图8为本发明具体实施方式中质子交换膜燃料电池发电系统空压机电压变化图。
具体实施方式
下面将结合本发明实施例中的附图，对本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对本发明一部分实例，而不是全部的实例。基于本发明中的实施例，本领域普通技术人员在没有付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。
实施例1
本实施例提供一种基于T-S模糊模型的燃料电池过氧比的区间经济模型预测控制方法。
典型燃料电池空气供给系统如图1所示，由空压机、增湿器、背压阀等部分组成。
第一步，建立燃料电池空气供给系统的T-S模糊模型，并进行模型参数的识别，记录最终确定的T-S模糊系统的所有参数。燃料电池空气供给系统的控制结构见图2，控制流程见图3。
首先考虑如下离散非线性T-S模糊系统的形式：
x(k+1)=A i x(k)+ B i u(k)+ D i w(k)
y(k)=C
i
x(k)+E
i
w(k)
其中，i表示第i条模糊规则，
表示模糊集合，j=1,2,…,n；系统状态量为x(k)∈ R nx ，R nx 为状态量多维实数空间；控制输入量u(k)∈R nu ，R nu 为控制量多维实数空间；持续干扰量w(k)∈R nw ，R nw 为干扰量多维实数空间；输出量y(k)∈R ny ，R ny 为输出量多维实数空间；A i 、 B i 、C i 、D i 、E i 是第i个局部子模型的经过参数辨识已知的具有合适维度的矩阵；前提变量zk = (z1 (k)，z2 (k)，…，zn (k))，为燃料电池空气供给系统的一些可测变量；通过模糊推理，上述T-S模糊模型被表达为全局模糊模型。
非线性系统的全局模糊模型可以表示为：
其中，
，
，wi(k)表示第i条规则的权重，
表示xj(k)在模糊集合
中的隶属度，且存在hi(k)≥0和
，控制和输入约束分别是||w(k)||≤1、0≤u(k)≤VN，VN为空压机额定电压；r代表模糊规则总数。
x=[x 1，x 2，x 3]T，其中，x 1为空压机电机的转速，x 2为供气歧管的压力，x 3为阴极出气管路背压阀的压力，u为空压机供电电压，y为燃料电池过氧比，通过确定T-S模糊模型的所有参数，建立燃料电池空气供给系统的T-S模糊模型。
T-S模糊模型的辨识由前件辨识和后件辨识两部分组成（如图4）。其中前件辨识可分为参数和结构的辨识；后件辨识也可分为参数和结论这两个部分。若想用T-S模型表示某个系统时，先采集系统的输入输出数据，经过相应的黑箱辨识方法，利用相关的前件、后件计算方法，分别得到前提的参数结果和结构组成以及后件相关部分的结论。这需要经过反复若干次的分类和运算是相关的目标函数达到最优时才能得到令人满意的结果，此时就可以用辨识得到的T-S模糊模型来表示复杂系统。
这里参数辨识又分为前提部参数辨识和结论部参数辨识，对前提部分模糊划分通常由模糊聚类法、模糊网络法等，结论部参数识别可以通过最小二乘法、梯度法及启发式方法等识别，本发明模糊模型参数辨识步骤如下：
1）通过聚类的算法确定模糊规则的数目和每个规则中的数据对应的数目；
2）通过线性回归最小二乘法确定规则中状态矩阵的参数的初始值；
3）用梯度下降法调整模糊模型的参数，为了改善模糊模型，模糊前件变量的隶属函数用高斯隶属函数，并训练前件变量隶属函数的中心和宽度；
4）再训练规则中的状态矩阵参数，最后用梯度下降法与学习率同步调整的方法提高训练速度并最终确认模糊系统的所有参数；
5）仿真验证模糊系统的信号与实际信号的全局误差是否满足要求。
第二步，对燃料电池空气供给系统进行控制，主要是对过氧比的控制，使过氧比保持在净输出功率最大的区间，利用不同负载电流下不同过氧比时燃料电池发电系统的净输出功率之间关系的曲线（参考图5所示），确定燃料电池发电系统的过氧比最佳区间。
第三步，确定与燃料电池发电系统工作效率或净输出功率有关的状态量和控制量，并构造出燃料电池发电系统的经济成本函数l e (x，u)=αM x+βu，其中α、β为权重系数，M=[1 ,0, 0]。
第四步，基于T-S模糊模型区间经济模型预测控制算法，以空压机的电压为控制量，考虑燃料电池空气供给系统的各种约束，设计燃料电池发电系统的过氧比控制器。首先取预测时域p等于控制时域c，及p=c≥1，对于燃料电池空气供给系统任意时刻为k，前提变量zk可知，局部子模型的隶属度函数等也可以得到，可以利用T-S模糊模型预测在[k+1,k+p]时域内的状态序列和燃料电池发电系统的过氧气比预测序列，利用模糊预测模型递推可以得到：
X k =[x(k+1|k) T x(k+2|k) T … x(k+p|k) T ] T
Y k =[y(k+1|k) T y(k+2|k) T … y(k+p|k) T ] T
U k =[u(k+1|k) T u(k+2|k) T … u(k+p-1|k) T ] T
其中，X k 代表在k时刻根据模糊模型预测得到的k+1时刻到k+p时刻的所有状态量集合的矩阵，Y k 代表在k时刻根据模糊模型预测得到的k+1时刻到k+p时刻的所有输出量集合的矩阵，U k 表示在k时刻由优化算法计算得到的k时刻到k+p-1时刻的所有控制量集合的矩阵；
采用一种预测时域分割的策略，将预测时域p分成1到s和s+1到p两部分，第一部分预测时域的目标函数是经济成本函数，第二部分预测时域的目标是过氧比区间控制，区间控制目标函数为：
其中，目标函数包括两个优化变量，输入变量u和表示区间内任意一点的优化变量z，Q、R均为对应的加权矩阵，优化变量z的约束即区间约束；∆u为相邻控制时刻控制量的差；
上述质子交换膜燃料电池过氧比控制问题可转化为带约束的优化问题：
s.t 
Psm,min≤x 2(k)≤Psm,max
Pby,min≤x 3(k)≤Pby,max
0≤u(k)≤VN
1.9≤z(k)≤2.5
上述约束条件分别是状态方程约束、供气歧管压力和阴极出气管路背压阀压力的范围、空压机供电电压的范围和区间约束；Psm,min、Psm,max、Pby,min、Pby,max分别表示供气歧管和背压阀工作的最小及最大压力值。
利用多目标非线性优化方法求解得到最优控制序列（即U k ），在得到最优控制序列后取控制序列的第一项作用于燃料电池发电系统进行控制。
当进行滚动时域优化时，每一步优化的前s步都是以经济成本函数为目标函数，这段时间内优化变量u需要减小经济成本，获得较好的燃料电池发电系统净输出功率，在预测时域后面则采用区间控制，使过氧比进入设定区间内。如果s=0，该优化问题即为区间优化问题，当s=p时，该优化问题等于经济模型预测控制，可通过调节R、s、Q以满足不同的控制要求，仿真参数取值如表1所示。
表1本发明方法仿真所需参数的取值
利用Matlab/Simulink中的MPC工具箱设计常规模型预测控制器与本发明的控制器进行对比。首先建立的非线性机理模型（建模参数如表2所示）并得到对应的系统传递函数，再将MPC工具箱之中模型预测时域长度设置为20，控制时域长度设置为20，输出设置为2.43，空压机输入电压约束最大值设置为240v。燃料电池发电系统起始负载电流为100A，经过5s后负载电流突增到150A，经过10s后负载电流突降回100A（如图6所以），仿真时间为20s。通过仿真得到两种不同控制器控制下的燃料电池发电系统的过氧比仿真曲线（如图7）所示。两种控制器下空压机的电压对比如图8所示。
表2 对照所用MPC算法仿真所需参数取值
根据图6，图7，图8所显示的仿真结果可知，本发明的控制方法相比于普通的设定点跟踪型模型预测控制方法，在控制效果满足性能要求的情况下，空压机工作更加平稳且功耗更小，控制效果上超调量小，控制器计算量也大大减小。
实施例2
本实施例提供一种燃料电池过氧比的区间经济模型预测控制系统，其包含：
T-S模糊模型建立单元：用于建立燃料电池空气供给系统的T-S模糊模型，并进行模型参数的辨识，记录最终确定的T-S模糊模型的所有参数；
过氧比最佳区间确定单元：控制燃料电池空气供给系统的过氧比，使过氧比始终保持在净输出功率最大的区间内，利用不同负载电流下不同过氧比与燃料电池发电系统的净输出效率之间关系的曲线图，确定燃料电池发电系统的过氧比最佳区间；
经济成本函数构造单元：确定与燃料电池发电系统工作效率或净输出功率有关的状态量和控制量，并以此构造燃料电池发电系统的经济成本函数；
过氧比控制器设计单元：基于T-S模糊模型的区间经济模型预测控制算法，以空压机的电压为控制量，考虑燃料电池空气供给系统的各种约束，设计燃料电池发电系统的过氧比控制器。
所述T-S模糊模型建立单元中，按如下方法建立燃料电池空气供给系统的T-S模糊模型并辨识模型参数，首先考虑如下离散非线性T-S模糊系统的形式：
x(k+1)=A i x(k)+ B i u(k)+ D i w(k)
y(k)=C
i
x(k)+E
i
w(k)
其中，i表示第i条模糊规则，
表示模糊集合，j=1,2,…,n；系统状态量x(k)∈ R nx ，R nx 为状态量多维实数空间；控制输入量u(k)∈R nu ，R nu 为控制量多维实数空间；持续干扰量w(k)∈R nw ，R nw 为干扰量多维实数空间；输出量y(k)∈R ny ，R ny 为输出量多维实数空间；A i 、 B i 、C i 、D i 、E i 是第i个局部子模型的经过参数辨识已知的具有合适维度的矩阵；前提变量zk = (z1 (k)，z2 (k)，…，zn (k))，为燃料电池空气供给系统的一些可测变量；通过模糊推理，上述T-S模糊模型被表达为全局模糊模型：
其中，
，
，wi(k)表示第i条规则的权重，
表示xj(k)在模糊集合
中的隶属度，且存在hi(k)≥0和
，控制和输入约束分别是||w(k)||≤1、0≤u(k)≤VN，VN为空压机额定电压；r代表模糊规则总数。
x=[x 1，x 2，x 3]T，其中，x 1为空压机电机的转速，x 2为供气歧管的压力，x 3为阴极出气管路背压阀的压力，u为空压机供电电压，y为燃料电池过氧比，通过确定T-S模糊模型的所有参数，建立燃料电池空气供给系统的T-S模糊模型。
所述过氧比最佳区间确定单元中，利用所使用的燃料电池发电系统的说明手册结合实验测量，绘制出燃料电池发电系统在不同负载电流下的过氧气比与燃料电池发电系统的净输出功率关系的曲线图，以不同电流负载下净输出功率最大对应的过氧比的最大与最小值构成区间的上下界，得到过氧比最佳区间；
由于燃料电池净输出功率与空压机功耗密切相关，采用如下经济成本函数：
l e (x，u)=αM x+βu，
其中，α、β为权重系数，M=[1,0,0]。
所述过氧比控制器设计单元中，首先取预测时域p等于控制时域c，即p=c≥1，在燃料电池发电系统的任意时刻k，利用T-S模糊模型预测在[k+1,k+p]时域内的状态序列和燃料电池发电系统的过氧比序列，利用T-S模糊预测模型递推得到：
X k =[x(k+1|k) T x(k+2|k) T … x(k+p|k) T ] T
Y k =[y(k+1|k) T y(k+2|k) T … y(k+p|k) T ] T
U k =[u(k+1|k) T u(k+2|k) T … u(k+p-1|k) T ] T
其中，X k 代表在k时刻根据模糊模型预测得到的k+1时刻到k+p时刻的所有状态量集合的矩阵，Y k 代表在k时刻根据模糊模型预测得到的k+1时刻到k+p时刻的所有输出量集合的矩阵，U k 表示在k时刻由优化算法计算得到的k时刻到k+p-1时刻的所有控制量集合的矩阵。
采用一种预测时域分割的策略，将预测时域p分成1到s和s+1到p两部分，第一部分预测时域的目标函数是经济成本函数，第二部分预测时域的目标是区间控制，优化目标函数为：
其中，目标函数包括两个优化变量，输入变量u和表示区间内任意一点的优化变量z，Q、R均为对应的加权矩阵，优化变量z的约束即区间约束；∆u为相邻控制时刻控制量的差。
将燃料电池发电系统过氧比区间控制问题转化为带约束的优化问题：
s.t 
Psm,min≤x 2(k)≤Psm,max
Pby,min≤x 3(k)≤Pby,max
0≤u(k)≤VN
1.9≤z(k)≤2.5
上述约束条件分别是状态方程约束、供气歧管压力和阴极出气管路背压阀压力的范围、空压机供电电压的范围和区间约束；Psm,min、Psm,max、Pby,min、Pby,max分别表示供气歧管和背压阀工作的最小及最大压力值。
利用多目标非线性优化方法求解得到最优控制序列（即U k ），在得到最优控制序列后取控制序列的第一项作用于燃料电池发电系统进行控制。
当进行滚动时域优化时，每一次优化的前s步都是以经济成本函数为目标函数，这段时间内优化变量u最小化经济成本，在预测时域后面则采用区间控制，使过氧比进入设定区间内；如果s=0，该优化问题即为区间优化问题，当s=p时，该优化问题等于经济模型预测控制，通过调节R、s、Q以满足不同的控制要求。
Claims (2)
1.燃料电池过氧比的区间经济模型预测控制方法，其特征在于，包含步骤：
1）建立燃料电池空气供给系统的T-S模糊模型，并进行模型参数的辨识，记录最终确定的T-S模糊模型的所有参数；
2）控制燃料电池发电系统的过氧比，使过氧比始终保持在净输出功率最大的区间内，利用不同负载电流下不同过氧比与燃料电池发电系统的净输出功率之间关系的曲线图，确定燃料电池发电系统的最佳过氧比区间；
3）确定与燃料电池发电系统工作效率或净输出功率有关的状态量和控制量，并以此构造燃料电池发电系统的经济成本函数；
4）基于T-S模糊模型的区间经济模型预测控制算法，以空压机的电压为控制量，考虑燃料电池空气供给系统的各种约束，设计燃料电池发电系统的过氧比控制器；
所述步骤1）中，按如下方法建立燃料电池空气供给系统的T-S模糊模型并辨识模型参数，首先考虑如下离散非线性T-S模糊系统的形式：
x(k+1)=A i x(k)+ B i u(k)+ D i w(k)
y(k)=C
i
x(k)+E
i
w(k)
其中，i表示第i条模糊规则，
表示模糊集合，j=1,2,…,n；系统状态量x(k)∈R nx ，R nx 为状态量多维实数空间；控制输入量u(k)∈R nu ，R nu 为控制量多维实数空间；持续干扰量w (k)∈R nw ，R nw 为干扰量多维实数空间；输出量y(k)∈R ny ，R ny 为输出量多维实数空间；A i 、B i 、 C i 、D i 、E i 是第i个局部子模型的经过参数辨识已知的具有合适维度的矩阵；前提变量zk =(z1 (k)，z2 (k)，…，zn (k))，为燃料电池空气供给系统的一些可测变量；通过模糊推理，上述T-S模糊模型被表达为全局模糊模型：
其中，
，
，wi(k)表示第i条规则的权重，
表示xj(k)在模糊集合
中的隶属度，且存在hi(k)≥0和
，控制和输入约束分别是||w(k)||≤1、0≤u(k)≤VN，VN为空压机额定电压；r为模糊规则总数；
x=[x 1，x 2，x 3]T，其中，x 1为空压机电机的转速，x 2为供气歧管的压力，x 3为阴极出气管路背压阀的压力，u为空压机供电电压，y为燃料电池过氧比，通过确定T-S模糊模型的所有参数，建立燃料电池空气供给系统的T-S模糊模型；
所述步骤2）中，利用所使用的燃料电池发电系统的说明手册结合实验测量，绘制出燃料电池发电系统在不同负载电流下的过氧气比与燃料电池发电系统的净输出功率关系的曲线图，以不同电流负载下净输出功率最大对应的过氧比的最大与最小值构成区间的上下界，得到过氧比最佳区间；
步骤3），由于燃料电池净输出功率与空压机功耗密切相关，采用如下经济成本函数：
l e (x，u)=αM x+βu，
其中，α、β为权重系数，M=[1,0,0]；
步骤4）中，首先取预测时域p等于控制时域c，即p=c≥1，在燃料电池发电系统的任意时刻k，利用T-S模糊模型预测在[k+1,k+p]时域内的状态序列和燃料电池发电系统的过氧比序列，利用T-S模糊预测模型递推得到：
X k =[x(k+1|k) T x(k+2|k) T … x(k+p|k) T ] T
Y k =[y(k+1|k) T y(k+2|k) T … y(k+p|k) T ] T
U k =[u(k|k) T u(k+2|k) T … u(k+p-1|k) T ] T
其中，X k 代表在k时刻根据模糊模型预测得到的k+1时刻到k+p时刻的所有状态量集合的矩阵，Y k 代表在k时刻根据模糊模型预测得到的k+1时刻到k+p时刻的所有输出量集合的矩阵，U k 表示在k时刻由优化算法计算得到的k时刻到k+p-1时刻的所有控制量集合的矩阵；
采用一种预测时域分割的策略，将预测时域p分成1到s和s+1到p两部分，第一部分预测时域的目标函数是经济成本函数，第二部分预测时域的目标是过氧比区间控制，优化目标函数为：
其中，目标函数包括两个优化变量，输入变量u和表示区间内任意一点的优化变量z，Q、R均为对应的加权矩阵，优化变量z的约束即区间约束；∆u为相邻控制时刻的控制量之间的差值；
将燃料电池发电系统过氧比区间控制问题转化为带约束的优化问题：
s.t 
Psm,min≤x 2(k)≤Psm,max
Pby,min≤x 3(k)≤Pby,max
0≤u(k)≤VN
1.9≤z(k)≤2.5
上述约束条件分别是状态方程约束、供气歧管压力和阴极出气管路背压阀压力的范围、空压机供电电压的范围和区间约束；Psm,min、Psm,max、Pby,min、Pby,max分别表示供气歧管和背压阀工作的最小及最大压力值；
利用多目标非线性优化方法求解得到最优控制序列，在得到最优控制序列后取控制序列的第一项作用于燃料电池发电系统进行控制；
当进行滚动时域优化时，每一次优化的前s步都是以经济成本函数为目标函数，这段时间内优化变量u最小化经济成本，在预测时域后面则采用过氧比区间控制，使过氧比进入设定区间内；如果s=0，该优化问题即为区间优化问题，当s=p时，该优化问题等于经济模型预测控制，通过调节R、s、Q以满足不同的控制要求。
2.燃料电池过氧比的区间经济模型预测控制系统，其特征在于，包含：
T-S模糊模型建立单元：用于建立燃料电池空气供给系统的T-S模糊模型，并进行模型参数的辨识，记录最终确定的T-S模糊模型的所有参数；
过氧比最佳区间确定单元：控制燃料电池空气供给系统的过氧比，使过氧比始终保持在净输出功率最大的区间内，利用不同负载电流下不同过氧比与燃料电池发电系统的净输出效率之间关系的曲线图，确定燃料电池发电系统的过氧比最佳区间；
经济成本函数构造单元：确定与燃料电池发电系统工作效率或净输出功率有关的状态量和控制量，并以此构造燃料电池发电系统的经济成本函数；
过氧比控制器设计单元：基于T-S模糊模型的区间经济模型预测控制算法，以空压机的电压为控制量，考虑燃料电池空气供给系统的各种约束，设计燃料电池发电系统的过氧比控制器；
所述T-S模糊模型建立单元中，按如下方法建立燃料电池空气供给系统的T-S模糊模型并辨识模型参数，首先考虑如下离散非线性T-S模糊系统的形式：
x(k+1)=A i x(k)+ B i u(k)+ D i w(k)
y(k)=C
i
x(k)+E
i
w(k)
其中，i表示第i条模糊规则，
表示模糊集合，j=1,2,…,n；系统状态量x(k)∈R nx ，R nx 为状态量多维实数空间；控制输入量u(k)∈R nu ，R nu 为控制量多维实数空间；持续干扰量w (k)∈R nw ，R nw 为干扰量多维实数空间；输出量y(k)∈R ny ，R ny 为输出量多维实数空间；A i 、B i 、 C i 、D i 、E i 是第i个局部子模型的经过参数辨识已知的具有合适维度的矩阵；前提变量zk =(z1 (k)，z2 (k)，…，zn (k))，为燃料电池空气供给系统的一些可测变量；通过模糊推理，上述T-S模糊模型被表达为全局模糊模型：
其中，
，
，wi(k)表示第i条规则的权重，
表示xj(k)在模糊集合
中的隶属度，且存在hi(k)≥0和
，控制和输入约束分别是||w(k)||≤1、0≤u(k)≤VN，VN为空压机额定电压；r为模糊规则总数；
x=[x 1，x 2，x 3]T，其中，x 1为空压机电机的转速，x 2为供气歧管的压力，x 3为阴极出气管路背压阀的压力，u为空压机供电电压，y为燃料电池过氧比，通过确定T-S模糊模型的所有参数，建立燃料电池空气供给系统的T-S模糊模型；
所述过氧比最佳区间确定单元中，利用所使用的燃料电池发电系统的说明手册结合实验测量，绘制出燃料电池发电系统在不同负载电流下的过氧气比与燃料电池发电系统的净输出功率关系的曲线图，以不同电流负载下净输出功率最大对应的过氧比的最大与最小值构成区间的上下界，得到过氧比最佳区间；
所述的经济成本函数构造单元，由于燃料电池净输出功率与空压机功耗密切相关，采用如下经济成本函数：
l e (x，u)=αM x+βu，
其中，α、β为权重系数，M=[1,0,0]；
所述过氧比控制器设计单元中，首先取预测时域p等于控制时域c，即p=c≥1，在燃料电池发电系统的任意时刻k，利用T-S模糊模型预测在[k+1,k+p]时域内的状态序列和燃料电池发电系统的过氧比序列，利用T-S模糊预测模型递推得到：
X k =[x(k+1|k) T x(k+2|k) T … x(k+p|k) T ] T
Y k =[y(k+1|k) T y(k+2|k) T … y(k+p|k) T ] T
U k =[u(k|k) T u(k+2|k) T … u(k+p-1|k) T ] T
其中，X k 代表在k时刻根据模糊模型预测得到的k+1时刻到k+p时刻的所有状态量集合的矩阵，Y k 代表在k时刻根据模糊模型预测得到的k+1时刻到k+p时刻的所有输出量集合的矩阵，U k 表示在k时刻由优化算法计算得到的k时刻到k+p-1时刻的所有控制量集合的矩阵；
采用一种预测时域分割的策略，将预测时域p分成1到s和s+1到p两部分，第一部分预测时域的目标函数是经济成本函数，第二部分预测时域的目标是过氧比区间控制，优化目标函数为：
其中，目标函数包括两个优化变量，输入变量u和表示区间内任意一点的优化变量z，Q、R均为对应的加权矩阵，优化变量z的约束即区间约束；∆u为相邻控制时刻的控制量之间的差值；
将燃料电池发电系统过氧比区间控制问题转化为带约束的优化问题：
s.t 
Psm,min≤x 2(k)≤Psm,max
Pby,min≤x 3(k)≤Pby,max
0≤u(k)≤VN
1.9≤z(k)≤2.5
上述约束条件分别是状态方程约束、供气歧管压力和阴极出气管路背压阀压力的范围、空压机供电电压的范围和区间约束；Psm,min、Psm,max、Pby,min、Pby,max分别表示供气歧管和背压阀工作的最小及最大压力值；
利用多目标非线性优化方法求解得到最优控制序列，在得到最优控制序列后取控制序列的第一项作用于燃料电池发电系统进行控制；
当进行滚动时域优化时，每一次优化的前s步都是以经济成本函数为目标函数，这段时间内优化变量u最小化经济成本，在预测时域后面则采用过氧比区间控制，使过氧比进入设定区间内；如果s=0，该优化问题即为区间优化问题，当s=p时，该优化问题等于经济模型预测控制，通过调节R、s、Q以满足不同的控制要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210356361.4A CN114488821B (zh) | 2022-04-06 | 2022-04-06 | 燃料电池过氧比的区间经济模型预测控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210356361.4A CN114488821B (zh) | 2022-04-06 | 2022-04-06 | 燃料电池过氧比的区间经济模型预测控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114488821A CN114488821A (zh) | 2022-05-13 |
| CN114488821B true CN114488821B (zh) | 2022-10-14 |
Family
ID=81487802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210356361.4A Active CN114488821B (zh) | 2022-04-06 | 2022-04-06 | 燃料电池过氧比的区间经济模型预测控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114488821B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115050996B (zh) * | 2022-05-17 | 2023-10-17 | 致瞻科技(上海)有限公司 | 燃料电池的空气供给方法以及空气供给系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681244A (zh) * | 2018-05-11 | 2018-10-19 | 东南大学 | 基于多模型前馈的燃料电池阳极压力动态矩阵控制方法 |
| CN111695202A (zh) * | 2020-06-19 | 2020-09-22 | 太原理工大学 | 一种基于近似模型的燃料电池汽车模糊控制策略优化方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4984344B2 (ja) * | 2000-12-20 | 2012-07-25 | トヨタ自動車株式会社 | 燃料電池システムおよび供給電力切換方法 |
| JP5002883B2 (ja) * | 2004-03-31 | 2012-08-15 | ダイキン工業株式会社 | 燃料電池発電冷凍システム |
| CN101232180B (zh) * | 2008-01-24 | 2012-05-23 | 东北大学 | 一种配电系统负荷模糊建模装置及方法 |
| CN102841540A (zh) * | 2012-09-10 | 2012-12-26 | 广东电网公司电力科学研究院 | 基于多模型预测控制的超临界机组协调控制方法 |
| CN105573123B (zh) * | 2016-01-19 | 2018-08-21 | 东南大学 | 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 |
| CN109144164A (zh) * | 2018-11-08 | 2019-01-04 | 南京邮电大学 | 一种具有不确定性光伏系统的最大功率点模糊预测控制方法 |
| CN109860667B (zh) * | 2019-04-03 | 2024-07-12 | 南京机电职业技术学院 | 燃料电池电动汽车启停过程智能控制装置及控制方法 |
| CN110380403B (zh) * | 2019-07-09 | 2020-05-05 | 闽江学院 | 一种基于网络延时补偿的直流微电网多模态切换控制方法 |
| CN110488610B (zh) * | 2019-09-04 | 2022-05-10 | 东南大学 | 一种基于鲁棒模糊预测控制的微型燃气轮机热电联供系统热负荷控制方法 |
| CN113359436B (zh) * | 2021-05-13 | 2023-12-19 | 齐鲁工业大学 | 微生物燃料电池的t-s模糊保性能控制方法及系统 |
-
2022
- 2022-04-06 CN CN202210356361.4A patent/CN114488821B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681244A (zh) * | 2018-05-11 | 2018-10-19 | 东南大学 | 基于多模型前馈的燃料电池阳极压力动态矩阵控制方法 |
| CN111695202A (zh) * | 2020-06-19 | 2020-09-22 | 太原理工大学 | 一种基于近似模型的燃料电池汽车模糊控制策略优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114488821A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Multiobjective optimization and data-driven constraint adaptive predictive control for efficient and stable operation of PEMFC system | |
| CN112072142B (zh) | 一种基于模型预测控制的燃料电池控制方法和系统 | |
| Yang et al. | Modeling and control of PEMFC air supply system based on TS fuzzy theory and predictive control | |
| Wang et al. | Design and experimental implementation of time delay control for air supply in a polymer electrolyte membrane fuel cell system | |
| CN111261909B (zh) | 燃料电池系统最大净功率追踪控制装置及方法 | |
| CN111129548A (zh) | 一种改进粒子群优化模糊pid燃料电池温度控制方法 | |
| US20080118799A1 (en) | Control Device And A Control Method For A Fuel Cell System | |
| Tan et al. | Optimization of PEMFC system operating conditions based on neural network and PSO to achieve the best system performance | |
| Li et al. | Modeling and control of PEMFC based on least squares support vector machines | |
| Golbert et al. | Model-based control of fuel cells (2): Optimal efficiency | |
| Fan et al. | Oxygen excess ratio control of PEM fuel cell based on self-adaptive fuzzy PID | |
| CN112713288B (zh) | 一种燃料电池鼓泡加湿器控制系统及控制方法 | |
| Qi et al. | Design of the PID temperature controller for an alkaline electrolysis system with time delays | |
| CN114488821B (zh) | 燃料电池过氧比的区间经济模型预测控制方法及系统 | |
| CN116722185B (zh) | 一种燃料电池电堆温度控制方法及系统 | |
| Fang et al. | A novel adaptive fast sliding mode control method based on fuzzy algorithm for the air management system of fuel cell stack | |
| Luo et al. | Model-free adaptive control for the PEMFC air supply system based on interval type-2 fuzzy logic systems | |
| Fu et al. | An extreme gradient boosting-based thermal management strategy for proton exchange membrane fuel cell stacks | |
| Yu et al. | Thermal management of an open-cathode PEMFC based on constraint generalized predictive control and optimized strategy | |
| Yang et al. | Evaluation method of oxygen excess ratio control under typical control laws for proton exchange membrane fuel cells | |
| Chi et al. | Improve methanol efficiency for direct methanol fuel cell system via investigation and control of optimal operating methanol concentration | |
| CN112864431A (zh) | 一种质子交换膜燃料电池系统的提效增寿方法 | |
| Song et al. | AI-based proton exchange membrane fuel cell inlet relative humidity control | |
| CN112563541A (zh) | 一种改进粒子群pid的燃料电池阴极压力控制方法 | |
| Zeng et al. | A Policy optimization-based Deep Reinforcement Learning method for data-driven output voltage control of grid connected solid oxide fuel cell considering operation constraints |
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 |