CN114566686A - 一种燃料电池状态评估和寿命预测的方法 - Google Patents
一种燃料电池状态评估和寿命预测的方法 Download PDFInfo
- Publication number
- CN114566686A CN114566686A CN202011365088.9A CN202011365088A CN114566686A CN 114566686 A CN114566686 A CN 114566686A CN 202011365088 A CN202011365088 A CN 202011365088A CN 114566686 A CN114566686 A CN 114566686A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- attenuation
- state
- current density
- voltage
- 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.)
- Granted
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000012528 membrane Substances 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 230000010287 polarization Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000011946 reduction process Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000034964 establishment of cell polarity Effects 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 3
- 230000003197 catalytic effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H01M8/04992—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
- H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
-
- 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
本发明提供一种燃料电池状态评估和寿命预测方法，其特征在于，包括：基于质子交换膜燃料电池内部组件的衰减行为建立衰减模型；根据初始时刻采集的燃料电池极化曲线识别出模型参数初始值；采集燃料电池工作信息并进行降噪处理；结合衰减模型和降噪后的数据来评估燃料电池的系统状态(包括衰减状态和衰减速度)；通过迭代衰减状态和衰减速度来预测燃料电池输出电压未来的衰减趋势；当预测的输出电压达到截止电压时，得到当前时刻的剩余使用寿命。本发明提出的衰减模型通用性强、准确性高，既可用于燃料电池单电池又可用于电堆，同时评估系统状态以及预测未来衰减趋势与剩余使用寿命，能够为系统控制提供大量有效信息，有巨大的应用潜力和价值。
Description
技术领域
本发明涉及燃料电池的技术领域，具体而言，尤其涉及一种燃料电池状态评估和寿命预测的方法。
背景技术
质子交换膜燃料电池(Proton Exchange Membrane Fuel Cells,PEMFCs)其具有转化效率高、绿色无污染、室温下快速启动、工作噪音低、燃料来源广泛等优点，具有十分广阔的应用前景。然而在其大规模商业化的过程中，寿命和成本这两大问题却限制了其发展。尤其是在寿命方面，目前PEMFCs的寿命通常只有2500-3000h左右，远低于美国能源部所制定的2020年目标：乘用车5000h，地面应用40000h(Huicui Chen,et al.Energy Conversionand Management,2019,182:282-298.)、(Jian Zhao,et al.Energy Conversion andManagement,2019,199:112022.)。
寿命预测与健康管理(Prognostics and health management,PHM)技术能够提供电池当前和未来的健康状态(state of health,SOH)，以便提前维护和更改运行计划，进而提升电池的寿命，降低维护成本(Thamo Sutharssan,et al.Renewable and SustainableEnergy Reviews,2017,75:440-450.)。因此，该技术受到了广泛的关注。在进行燃料电池寿命预测时，需要提前建立适当的衰减模型来学习电池的衰减行为以便用于预测未来的衰减趋势(future degradation trend,FDT)和(remaining useful life,RUL)。而极化曲线是燃料电池最重要的表征手段之一，具体方法是测量燃料电池不同电流密度下对应的电压，其可以代表燃料电池的性能特性，因此常被用于衰减模型的建立(尤其是在基于模型法和混合法中)。常用的极化曲线模型如下：
其中，U为输出电压，A和B为模型常数，T和j分别是电池温度和加载电流密度，为控制参数，而E0为开路电压，J0为交换电流密度，R为电池内阻，JL为极限扩散电流密度，这4个参数是十分重要的模型参数，能够代表电池的健康状态，因此在寿命预测领域，经常通过预测这些参数的衰减趋势来得到未来电池的性能。但是在仅仅已知控制参数和输出电压的情况下，同时准确评估这4个(或者多个)参数是非常困难的，因为他们彼此独立，但又都能够影响输出电压，所以很难仅由输出电压和电流密度来评估出这四个参数，文献(MathieuBressel,et al.IEEE Transactions on Industrial Electronics,2016,63:2569-2577.)也讨论了该问题。目前大家常用的方法是在建模时将某些参数视为定值(即认为其不发生衰减)，某些参数设为可变值(即认为其发生衰减)，且衰减程度设为一致，例如在文献(HaoLiu,et al.IFAC-PapersOnLine,2017,50:4757-4762.)、(Mayank Shekhar Jha,etal.Computers and Chemical Engineering,2016,95:216-230.)、(Mathieu Bressel,etal.Applied Energy,2016,164:220-227.)、(Mathieu Bressel,et al.IEEE Transactionson Industrial Electronics,2016,63:2569-2577.)、(Mathieu Bressel,et al.IECON2016-42nd Annual Conference of the IEEE Industrial Electronics Society,2016,5477-5482)等将E0和J0设为定值，而将R和JL设为可变值，且具有相同的衰减程度，用α表示。虽然这种方法能够成功预测电池FDT和RUL，但是它存在两个明显的缺点：①参数设定为定值或者可变值的做法很大程度上限制了该模型的应用场景，模型通用性大幅度降低；②将衰减程度设为一致的做法会导致模型准确性下降，因为电池的衰减受到材料、加工工艺、组装技术以及工况等多种因素的影响，很难保证参数的衰减程度是一致的。
发明内容
根据上述提出模型通用性低及难以保证参数的衰减程度一致的技术问题，而提供一种燃料电池状态评估和寿命预测的方法。本发明主要利用一种燃料电池状态评估和寿命预测的方法，其特征在于，包括以下步骤：
步骤S1：基于质子交换膜燃料电池内部组件的衰减行为建立衰减模型；
步骤S2：采集燃料电池在初始时的极化曲线，并通过曲线拟合识别出初始时刻的模型参数；
步骤S3：采集燃料电池运行时的电压、电流密度以及工作温度信息；
步骤S4：将采集到的燃料电池工作信息进行降噪处理；
步骤S5：基于降噪后的数据和燃料电池的衰减模型，评估出当前的系统状态Xt其中包含衰减状态αt和衰减速度vt；
步骤S6：通过迭代衰减状态αt和衰减速率vt预测未来为衰减状态αt+p，直到预测电压U(αt+p)达到截止电压为止；
步骤S7：此时燃料电池的剩余使用寿命RULt＝p+s，其中s表示降噪处理时引入的时间延迟；
步骤S8：随着时间的更新，重复循环S3～S7步骤，直到燃料电池寿命终止。
进一步地，所述步骤S1中建立的衰减模型为：
其中，Ut表示t时刻的输出电压，E0，0表示初始时刻的开路电压，J0，0表示初始时刻的交换电流密度，R0表示初始时刻的电池内阻，JL，0表示初始时刻的极限扩散电流密度，A和B均表示模型常数，T和j分别表示电池温度和加载电流密度，为控制参数；在上述参数中，E0，0、J0，0、R0和JL，0为衰减模型中的待拟合参数。
更进一步地，所述降噪处理是通过移动平均滤波器进行降噪；所述降噪的原理为：
其中，Mt-s，Mt，Mt+s分别表示S3步骤所采集的电压、电流密度及工作温度信息数据，Mt表示移动平均滤波器的结果，2s+1表示滤波器的窗口大小。
进一步地，所述粒子滤波算法的：
状态方程为：Xt＝KXt-1+ωt-1 (3)；
观测方程为：
其中，Xt表示t时刻的系统状态，Xt-1表示t-1时刻的系统状态，αt和vt分别表示衰减状态和衰减速率，K表示增益系数，Ut表示t时刻的输出电压，E0，0表示初始时刻的开路电压，J0，0表示初始时刻的交换电流密度，R0表示初始时刻的电池内阻，JL，0表示初始时刻的极限扩散电流密度，A和B均表示模型常数，T和j分别表示电池温度和加载电流密度，为控制参数；ω表示过程噪音，ε表示观测噪音，ΔT表示时间步长，所述观测方程为所述步骤S1所建立的燃料电池衰减模型；其中，
Xt＝[αtvt]T (5)；
较现有技术相比，本发明具有以下优点：
(1)传统衰减模型通常假设电池内阻R和极限扩散电流密度JL发生衰减，且衰减程度一致，该假设极大程度地限制了模型的应用范围和预测且精度。本发明专利基于燃料电池内部组件的衰减行为建立了一个新的衰减模型，该模型通过引入极化电阻来表示电池内部所有极化损失之和，进而避免传统衰减模型的缺点，具有较优的通用性和精度。
(2)本发明专利首次提出采用延迟弥补的方式来解决数据降噪过程中引入时间延迟问题。
(3)本发明专利提出的燃料电池状态评估和寿命预测方法可以同时评估出电池的健康状态，预测出未来的衰减趋势和剩余使用寿命。而这些信息对于燃料电池的维护和控制意义重大。
基于以上理由，本发明可在燃料电池技术领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1中质子交换膜燃料电池电堆在衰减过程中的电压和电流密度图。
图2为本发明实施例1中质子交换膜燃料电池电堆初始时刻极化曲线拟合结果。
图3为本发明实施例1中质子交换膜燃料电池电堆的状态评估结果，其中(a)为估电压，(b)为衰减状态，(c)为衰减速度。
图4为本发明实施例1中质子交换膜燃料电池电堆的衰减趋势预测结果。
图5为本发明实施例1中质子交换膜燃料电池电堆的剩余使用寿命预测结果。
图6为本发明实施例2中质子交换膜单电池在衰减过程中的电压和电流密度。
图7为本发明实施例2中质子交换膜燃料电池单电池初始时刻极化曲线拟合结果。
图8为本发明实施例2中质子交换膜燃料电池单电池的状态评估结果，其中(a)为评估电压，(b)为衰减状态，(c)为衰减速度。
图9为本发明实施例2中质子交换膜燃料电池单电池的衰减趋势预测结果。
图10为本发明实施例2中质子交换膜燃料电池单电池的剩余使用寿命预测结果。
图11为本发明整体流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-10所示，本发明提供了一种燃料电池状态评估和寿命预测的方法。
燃料电池内部的主要组件为催化层、质子交换膜、气体扩散层、双极板等，随着电池运行时间的延长这些部件会发生不同程度的衰减，总体表现为电池性能的降低，即输出电压或者功率下降。通常来说催化层的衰减会使得催化活性和电子导电率的降低(Pizzutilo,E.et al,Journal of The Electrochemical Society,2016,163:F1510-F1514.)、(Natalia Macauley,et al.Journal of The Electrochemical Society,2018,165:F3148-F3160)，质子交换膜的衰减会导致开路电压和质子导电率的衰减(AdamZ.Weber.Journal of The Electrochemical Society,2008,155:B521-B531.)、(JinfengWu,et al.Journal of Power Sources,2018,184:104–119)，气体扩散层的衰减会造成质量传输能力和电子电阻的降低(J.E.Owejan,et al.ECS Transactions,2007,11:1049-1057.)，而双极板的衰减会导致接触电阻的衰减(Jinfeng Wu,et al.Journal of PowerSources,2008,184:104–119.)。可以看出电池内部不同组件的衰减各有偏重，但是均会造成电池内阻R的增大。因此，我们抓住主要因素，只假设电池内阻R发生衰减，并将衰减程度用α表示，则t时刻电池内阻可表示为：
Rt＝R0·(1+αt)(9)；
根据公式(8)和(9)，可以建立如下的PEMFCs衰减模型：
其中，Ut为t时刻的输出电压，E0,0、J0,0、R0和JL,0为初始时刻的模型参数，A和B为模型常数，T和j分别是电池温度和加载电流密度，为控制参数。
基于上述的衰减模型，本发明主要利用一种燃料电池状态评估和寿命预测的方法，包括以下步骤：
步骤S1：基于质子交换膜燃料电池内部组件的衰减行为建立衰减模型。
步骤S2：采集燃料电池在初始时的极化曲线，并通过曲线拟合识别出初始时刻的模型参数。
步骤S3：采集燃料电池运行时的电压、电流密度及工作温度信息。
步骤S4：将采集到的燃料电池所述电压、电流密度及工作温度信息进行降噪处理。作为一种优选的实施方式，在本申请中，所述降噪处理是通过移动平均滤波器进行降噪；所述降噪的原理为：
其中，Mt-s，Mt，Mt+s分别表示S3步骤采集的所述电压、电流密度及工作温度信息，Mt表示移动平均滤波器的结果，2s+1表示滤波器的窗口大小。
步骤S5：基于降噪后的数据和燃料电池的衰减模型，评估出当前的系统状态Xt其中包含衰减状态αt和衰减速度vt。
粒子滤波算法的：
状态方程为：Xt＝KXt-1+ωt-1 (3)；
观测方程为：
其中，Xt表示t时刻的系统状态，Xt-1表示t-1时刻的系统状态，αt和vt分别表示衰减状态和衰减速率，K表示增益系数，Ut表示t时刻的输出电压，E0，0表示初始时刻的开路电压，J0，0表示初始时刻的交换电流密度，R0表示初始时刻的电池内阻，JL，0表示初始时刻的极限扩散电流密度，A和B均表示模型常数，T和j分别表示电池温度和加载电流密度，为控制参数；ω表示过程噪音，ε表示观测噪音，ΔT表示时间步长所述观测方程为所述步骤S1所建立的燃料电池衰减模型；其中，
Xt＝[αtvt]T (5)；
步骤S6：通过迭代衰减状态αt和衰减速率vt预测未来为衰减状态αt+p，直到预测电压U(αt+p)达到截止电压为止。
步骤S7：此时燃料电池的剩余使用寿命RULt＝p+s，其中s表示降噪处理时引入的时间延迟。
步骤S8：随着时间的更新，重复循环S3～S7步骤，直到燃料电池寿命终止。
实施例1：
本实施例以质子交换膜燃料电池电堆为例，具体地，该电堆由5个单池组成，活性面积为100cm2，工作温度为55℃，加载的电流密度为0.7A cm-2，阳极为干燥的氢气，阴极为增湿度为50％的空气。图1为电堆平均电压和电流密度。
在初始时刻对电堆进行极化曲线表征，并采用曲线拟合的方法识别出模型参数的初始值E0，0、J0，0、R0和JL，0，拟合结果见图2，可以看出拟合结果与测量结果高度吻合，说明该初始值的可靠性。随后将采集到的电堆平均电压、加载电流密度、工作温度和建立的衰减模型带入粒子滤波框架，进而评估出电堆当前的系统状态Xt，包括衰减状态αt和衰减速度vt，结果见图3。可以看出粒子滤波算法所评估的电压与测量电压基本一致，具有相同的衰减趋势，衰减状态α则基本保持随时间逐渐增大的趋势，而衰减速度v是衰减状态的导数，整体收敛于某一固定值，但也会随测量电压的异常波动而发生轻微变化。基于电堆系统状态信息，通过反复迭代S5得到电堆未来的衰减趋势，结果见图4。可以看出在训练阶段，模型所评估的电压与测量电压较为接近且具有相同的衰减趋势，说明在该阶段模型对电池衰减行为的学习效果良好。当达到预测时间Tpredict时，模型停止学习并开始进入预测阶段，根据S4所评估的系统状态来预测未来的衰减趋势，可以看出该模型在预测阶段能够较好的预测未来电压的衰减趋势，并且与实际测量值较为吻合。随后当预测电压达到截止电压以后，此时所对应的时间记为Tend，则RULt＝Tend-Tpredict，结果见图5，可以看出经过训练之后，预测结果几乎全部落在[1±0.2]范围之内，说明最终的预测结果是良好。
实施例2：
本实施例以质子交换膜燃料电池单电池为例，具体地，该单池的活性面积为100cm2，工作温度为160℃，属于高温质子交换膜燃料电池，加载的电流密度为0.2A cm-2，阴、阳极分别为干燥的空气和氢气。图6为电堆平均电压和电流密度。
在初始时刻对电池进行极化曲线表征，并采用曲线拟合的方法识别出模型参数的初始值E0，0、J0，0、R0和JL，0，拟合结果见图7，可以看出拟合结果与测量结果吻合，说明该初始值的可靠性。随后将采集到的电池电压、加载电流密度、工作温度和建立的衰减模型带入粒子滤波框架，进而评估出单电池当前的系统状态Xt，包括衰减状态αt和衰减速度vt，结果见图8。可以看出粒子滤波算法所评估的电压与测量电压基本一致，具有相同的衰减趋势，衰减状态α则基本保持随时间逐渐增大的趋势，而衰减速度v是衰减状态的导数，整体收敛于某一固定值，但也会随测量电压的异常波动而发生轻微变化。基于电池系统状态信息，通过反复迭代S5得到电堆未来的衰减趋势，结果见图9。可以看出在训练阶段，模型所评估的电压与测量电压较为接近且具有相同的衰减趋势，说明在该阶段模型对电池衰减行为的学习效果良好。当达到预测时间Tpredict时，模型停止学习并开始进入预测阶段，根据S4所评估的系统状态来预测未来的衰减趋势，可以看出该模型在预测阶段能够较好的预测未来电压的衰减趋势，并且与实际测量值较为吻合。随后当预测电压达到截止电压以后，此时所对应的时间记为Tend，则RULt＝Tend-Tpredict，结果见图10，可以看出经过训练之后，明最终的预测结果是良好。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种燃料电池状态评估和寿命预测的方法，其特征在于，包括以下步骤：
S1：基于质子交换膜燃料电池内部组件的衰减行为建立衰减模型；
S2：采集燃料电池在初始时的极化曲线，并通过曲线拟合识别出初始时刻的模型参数；
S3：采集燃料电池运行时的电压、电流密度以及工作温度信息；
S4：将采集到的燃料电池所述电压、电流密度以及工作温度信息进行降噪处理；
S5：基于降噪后的数据和燃料电池的衰减模型，评估出当前的系统状态Xt其中包含衰减状态αt和衰减速度vt；
S6：通过迭代衰减状态αt和衰减速率vt预测未来为衰减状态αt+p，直到预测电压U(αt+p)达到截止电压为止；
S7：此时获取到燃料电池的剩余使用寿命为RULt＝p+s，其中s表示降噪处理时引入的时间延迟；
S8：随着时间的更新，重复循环S3～S7步骤，直到燃料电池寿命终止。
2.根据权利要求1所述的一种燃料电池状态评估和寿命预测的方法，其特征在于，所述步骤S1中建立的衰减模型为：
其中，Ut表示t时刻的输出电压，E0,0表示初始时刻的开路电压，J0,0表示初始时刻的交换电流密度，R0表示初始时刻的电池内阻，JL,0表示初始时刻的极限扩散电流密度，A和B均表示模型常数，T和j分别表示电池温度和加载电流密度，为控制参数；在上述参数中，E0,0、J0,0、R0和JL,0为衰减模型中的待拟合参数。
3.根据权利要求1所述的一种燃料电池状态评估和寿命预测的方法，其特征在于，所述降噪处理是通过移动平均滤波器进行降噪；所述降噪的原理为：
其中，Mt-s,Mt,Mt+s为S3步骤采集的所述电压、电流密度及工作温度信息，Mt表示移动平均滤波器的结果，2s+1表示滤波器的窗口大小。
4.根据权利要求1所述的一种燃料电池状态评估和寿命预测的方法，其特征在于，粒子滤波算法的：
状态方程为：Xt＝KXt-1+ωt-1 (3)；
观测方程为：
其中，Xt表示t时刻的系统状态，Xt-1表示t-1时刻的系统状态，αt和vt分别表示衰减状态和衰减速率，K表示增益系数，Ut表示t时刻的输出电压，E0,0表示初始时刻的开路电压，J0,0表示初始时刻的交换电流密度，R0表示初始时刻的电池内阻，JL,0表示初始时刻的极限扩散电流密度，A和B均表示模型常数，T和j分别表示电池温度和加载电流密度，为控制参数；ω表示过程噪音，ε表示观测噪音，ΔT表示时间步长，所述观测方程为所述步骤S1所建立的燃料电池衰减模型；其中，
Xt＝[αtvt]T (5)；
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011365088.9A CN114566686B (zh) | 2020-11-27 | 2020-11-27 | 一种燃料电池状态评估和寿命预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011365088.9A CN114566686B (zh) | 2020-11-27 | 2020-11-27 | 一种燃料电池状态评估和寿命预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114566686A true CN114566686A (zh) | 2022-05-31 |
| CN114566686B CN114566686B (zh) | 2023-11-14 |
Family
ID=81712451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011365088.9A Active CN114566686B (zh) | 2020-11-27 | 2020-11-27 | 一种燃料电池状态评估和寿命预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114566686B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115084600A (zh) * | 2022-07-26 | 2022-09-20 | 北理新源(佛山)信息科技有限公司 | 基于大数据的氢燃料电池电堆输出性能分析方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107681181A (zh) * | 2016-09-26 | 2018-02-09 | 中国计量大学 | 一种燃料电池的性能诊断方法 |
| CN108321415A (zh) * | 2018-02-05 | 2018-07-24 | 吉林大学 | 融合通讯信息的燃料电池状态监测与预警系统及方法 |
| CN108872872A (zh) * | 2018-06-27 | 2018-11-23 | 清华大学 | 燃料电池使用寿命和剩余寿命的预测方法及装置 |
| CN111044926A (zh) * | 2019-12-16 | 2020-04-21 | 北京航天智造科技发展有限公司 | 质子交换膜燃料电池寿命预测方法 |
| CN111146478A (zh) * | 2019-12-22 | 2020-05-12 | 同济大学 | 一种用于质子交换膜燃料电池堆剩余使用寿命的预测方法 |
| 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 |
| CN111880100A (zh) * | 2020-08-07 | 2020-11-03 | 同济大学 | 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 |
-
2020
- 2020-11-27 CN CN202011365088.9A patent/CN114566686B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107681181A (zh) * | 2016-09-26 | 2018-02-09 | 中国计量大学 | 一种燃料电池的性能诊断方法 |
| CN108321415A (zh) * | 2018-02-05 | 2018-07-24 | 吉林大学 | 融合通讯信息的燃料电池状态监测与预警系统及方法 |
| CN108872872A (zh) * | 2018-06-27 | 2018-11-23 | 清华大学 | 燃料电池使用寿命和剩余寿命的预测方法及装置 |
| CN111044926A (zh) * | 2019-12-16 | 2020-04-21 | 北京航天智造科技发展有限公司 | 质子交换膜燃料电池寿命预测方法 |
| CN111146478A (zh) * | 2019-12-22 | 2020-05-12 | 同济大学 | 一种用于质子交换膜燃料电池堆剩余使用寿命的预测方法 |
| 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 |
| CN111880100A (zh) * | 2020-08-07 | 2020-11-03 | 同济大学 | 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 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115084600A (zh) * | 2022-07-26 | 2022-09-20 | 北理新源(佛山)信息科技有限公司 | 基于大数据的氢燃料电池电堆输出性能分析方法 |
| CN115084600B (zh) * | 2022-07-26 | 2023-11-24 | 北理新源(佛山)信息科技有限公司 | 基于大数据的氢燃料电池电堆输出性能分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114566686B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | A hybrid prognostic method for PEMFC with aging parameter prediction | |
| CN111146478B (zh) | 一种用于质子交换膜燃料电池堆剩余使用寿命的预测方法 | |
| CN112505568B (zh) | 一种多电堆固体氧化物燃料电池系统寿命预测方法 | |
| Wang et al. | A novel degradation model of proton exchange membrane fuel cells for state of health estimation and prognostics | |
| CN108037463A (zh) | 一种锂离子电池寿命预测方法 | |
| Chang et al. | Electric vehicle battery pack micro-short circuit fault diagnosis based on charging voltage ranking evolution | |
| CN111258365B (zh) | 一种燃料电池系统的功率控制方法 | |
| Zhang et al. | Phm‐oriented degradation indicators for batteries and fuel cells | |
| Jouin et al. | Prognostics of PEM fuel cells under a combined heat and power profile | |
| CN111313056A (zh) | 一种数据驱动燃料电池在线性能评估方法 | |
| EP3654047A1 (fr) | Procédé de diagnostic d'une pile à combustible | |
| CN116879781A (zh) | 固体氧化物燃料电池电堆电化学性能的寿命预测方法 | |
| Jin | Aging-Aware optimal charging strategy for lithium-ion batteries: Considering aging status and electro-thermal-aging dynamics | |
| US20050248315A1 (en) | Optimal battery charging for damage mitigation | |
| CN114566686A (zh) | 一种燃料电池状态评估和寿命预测的方法 | |
| Erol | A statistical design approach on electrochemical impedance spectroscopy of NMC Li-ion battery | |
| LEE et al. | A review on prognostics of polymer electrolyte fuel cells | |
| Jacome et al. | A review of model-based prognostic for proton exchange membrane fuel cell under automotive load cycling | |
| Huang et al. | Prediction of remaining useful life of lithium-ion battery based on UKF | |
| US20090197127A1 (en) | Algorithm for Stack Current Controller Based on Polarization Curve Estimation of a Fuel Cell Stack | |
| CN116187194A (zh) | 基于数据-模型混合驱动的燃料电池失效预测方法及系统 | |
| Azzouz et al. | Analysis of the critical failure modes and developing an aging assessment methodology for lithium iron phosphate batteries | |
| US9947950B2 (en) | Systems and methods for initiating voltage recovery in a fuel cell system | |
| CN114137431A (zh) | 一种适用于循环工况的燃料电池寿命预测方法 | |
| Wu et al. | Methods for estimating the accumulated nitrogen concentration in anode of proton exchange membrane fuel cell stacks based on back propagation neural network |
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 |