CN114967423A - 燃料电池测试系统的复合控温方法 - Google Patents

燃料电池测试系统的复合控温方法 Download PDF

Info

Publication number
CN114967423A
CN114967423A CN202210498122.2A CN202210498122A CN114967423A CN 114967423 A CN114967423 A CN 114967423A CN 202210498122 A CN202210498122 A CN 202210498122A CN 114967423 A CN114967423 A CN 114967423A
Authority
CN
China
Prior art keywords
fuel cell
particle
iteration
value
current
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
CN202210498122.2A
Other languages
English (en)
Inventor
邓波
刘妹汝
赵安
殷聪
汤浩
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210498122.2A priority Critical patent/CN114967423A/zh
Publication of CN114967423A publication Critical patent/CN114967423A/zh
Pending legal-status Critical Current

Links

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
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供燃料电池测试系统的复合控温方法，属于燃料电池测试系统技术领域，先构建神经网络，使用粒子群优化算法对燃料电池不同工作条件下的最优PID控制参数进行寻优，得到最优控制参数数据集，基于此对神经网络进行训练，获得神经网络参数预测模型，进而根据待测燃料电池的工作条件获得PID控制参数，实现对燃料电池的温度精确控制。本发明通过粒子群寻优算法对PID控制参数进行寻优，再利用神经网络实现PID控制参数自整定，满足各工作条件下燃料电池的温度精准控制需求。

Description

燃料电池测试系统的复合控温方法
技术领域
本发明属于燃料电池测试系统技术领域，具体涉及燃料电池测试系统的复合控温方法。
背景技术
质子交换膜燃料电池(PEMFC)是一种具有功率密度高、工作温度低、响应快、无污染等优点的清洁电化学能源，被广泛认为是下一代清洁能源汽车最具潜力的动力源候选。温度作为影响PEMFC性能的关键因素之一，直接影响燃料电池内部水成分的运输，同时也会影响质子交换膜气体的渗透性。除此之外，温度也对催化剂的活性、燃料气体的扩散以及“水淹”现象产生显著影响。为此，在进行燃料电池性能或寿命测试时，往往通过燃料电池热管理系统来满足温度控制的需求。
现有技术常见于一种传统的燃料电池测试系统，主要包括气体供给系统、尾气排放系统、热管理系统、电子负载以及相关的控制系统，其硬件结构如图1所示。对于其中的热管理系统，主要包括燃料电池电堆、水箱、循环水泵、换热器、温度压力传感器以及系统控制器。热管理系统通过温度压力传感器测定燃料电池电堆进口温度值，将其与系统控制器设定的燃料电池电堆进口目标温度值的差值作为系统控制器的输入，采用相关控制方法控制换热器调节系统的散热，从而对燃料电池电堆进口温度的误差进行调控。但是在实际系统中，燃料电池电堆需要稳定运行在多种复杂工况下，不同工况下电堆的运行条件(输出电流、环境温度、循环水流量)也有所不同，而被控对象(燃料电池电堆)作为一个极其复杂的非线性系统，其数学模型的表征也会有所差异。因此需要设计出一套能在各种运行工况下均适用的燃料电池温度控制方法。
现有技术中，燃料电池电堆进口温度的控制方法在工程中应用最广泛的是PID(比例积分微分)控制方法，根据目标温度与实际温度差值作为PID控制器的输入，通过PID控制算法调节换热器的风扇转速从而形成闭环控制，如图2、图3所示。该技术由于其实现简单、计算速度快，被广泛应用于燃料电池工程领域，然而其在实际使用过程中，仍然存在一些问题：
(1)PID控制方法的控制效果主要取决于P(比例)、I(积分)、D(微分)三个控制参数，目前在工程中大多数通过经验或人为的方式确定参数值，这种方法缺乏一定的科学依据，并且无法保证其控制效果达到最优，导致温度的控制效果与理想情况差距较大。
图4所示为不同控制参数下燃料电池温度设置从60℃变为65℃时的响应曲线，从图中可以看出，P、I、D三个控制参数对PID控制器的控制效果具有很大影响，不同参数下的控制指标具有较大的差距。因此PID控制器设计的核心内容就是P、I、D三个参数的设定，同时这也是PID控制算法的重点和难点。
(2)传统的PID控制方法由于参数的确定性，在设置后无法动态调整，在不同的条件下，控制效果的差异明显，因此在应用于不同的燃料电池工作条件时，难以取得理想的控制效果。
图5所示为不同工作条件下燃料电池温度从60℃变为65℃的响应曲线，从图中可以看出，传统的控制方法用于不同的工作条件时，其控制效果差异较大，无法取得良好的控制效果。
因此本发明拟提出一种燃料电池温度的复合控制策略，以满足燃料电池在各种运行工况下的温度控制需求，解决传统PID控制算法中的参数整定以及动态调节问题。
发明内容
针对上述现有技术中存在的问题，本发明提出了燃料电池测试系统的复合控温方法，通过粒子群优化算法和神经网络算法对传统PID控制算法进行优化，实现燃料电池温度的精确调控。
本发明具体技术方案如下：
燃料电池测试系统的复合控温方法，其特征在于，包括以下步骤：
步骤1：构建神经网络；
步骤2：使用粒子群优化算法对燃料电池不同工作条件下的最优PID控制参数进行寻优，得到基于粒子群算法的燃料电池温度的最优控制参数数据集；
步骤3：基于最优控制参数数据集对神经网络进行训练，获得神经网络参数预测模型；
步骤4：将待测燃料电池的工作条件输入至神经网络参数预测模型，输出得到PID控制参数，实现对燃料电池的温度控制。
进一步地，所述神经网络的输入层和输出层均包括3层。
进一步地，步骤2的具体过程包括：
步骤21：建立燃料电池温度控制的评价指标：
Figure BDA0003633682910000021
其中，f为适应度值；ts为燃料电池温度响应的调节时间，定义为燃料电池输出响应达到90％稳态值所需的时间；σ为燃料电池温度响应的超调量，定义为燃料电池输出响应峰值与稳态值之差所占稳态值的百分比；err为燃料电池温度响应的稳态误差，定义为燃料电池输出响应的稳态值与目标值的差值；
步骤22：设置燃料电池工作条件，通过粒子群寻优算法对PID控制参数进行整定，具体包括：
步骤221：对寻优迭代过程的三维空间边界条件进行界定，
Figure BDA0003633682910000031
Figure BDA0003633682910000032
其中，Pmin和Pmax分别为预设的P的最小值和最大值；Imin和Imax分别为预设的I的最小值和最大值；Dmin和Dmax分别为预设的D的最小值和最大值；vmin和vmax分别为预设的粒子移动速度的最小值和最大值；Pi k、Ii k和Di k分别为第i个粒子在第k次迭代时对应P、I和D的值；
Figure BDA0003633682910000033
和
Figure BDA0003633682910000034
分别为第i个粒子在第k次迭代时粒子移动速度矢量在x、y和z方向的分量；N为粒子群的粒子总数；
步骤222：将所有粒子随机分布在三维空间中，随机初始化各粒子的位置
Figure BDA0003633682910000035
与第一次移动的速度矢量
Figure BDA0003633682910000036
Figure BDA0003633682910000037
步骤223：根据各个
Figure BDA0003633682910000038
在三维空间中所处的位置，设置对应的PID控制参数，获得每个粒子在当前位置的温度响应结果，根据评价指标计算得到各粒子的初始适应度值
Figure BDA0003633682910000039
作为每个粒子的当前个体极值
Figure BDA00036336829100000310
并比较所有粒子的初始适应度值
Figure BDA00036336829100000311
将最小值作为当前全局极值gbest；
步骤224：令k＝1；
步骤225：根据迭代公式更新第k次迭代时各粒子的移动速度矢量vi k和位置pi k，
Figure BDA0003633682910000041
Figure BDA0003633682910000042
其中，vi k-1为第i个粒子在第k-1次迭代时的移动速度矢量；
Figure BDA0003633682910000043
为第i个粒子在第k-1次迭代时的位置；ω为惯性权重，定义为所有粒子保留上一次迭代的速度信息的比重；c1和c2均为学习因子；r1和r2均为[0,1]范围内的随机数；
计算第k次迭代后各粒子的适应度值
Figure BDA0003633682910000044
与当前个体极值
Figure BDA0003633682910000045
作比较，若
Figure BDA0003633682910000046
则更新当前个体极值
Figure BDA0003633682910000047
为
Figure BDA0003633682910000048
否则，维持当前个体极值
Figure BDA0003633682910000049
不变；
再将
Figure BDA00036336829100000410
与当前全局极值gbest作比较，若
Figure BDA00036336829100000411
则更新当前全局极值gbest为
Figure BDA00036336829100000412
否则，维持当前全局极值gbest不变；
步骤226：判断当前迭代次数k是否达迭代次数设定值，若未达，则令k＝k+1，转至步骤225；否则，转至步骤227；
步骤227：寻优迭代过程结束，将当前全局极值点在空间中所处位置对应的PID控制参数，作为对应燃料电池工作条件下的最优PID控制参数，进而将燃料电池在不同工作条件下的最优PID控制参数，作为基于粒子群算法的燃料电池温度的最优控制参数数据集。
进一步地，所述燃料电池工作条件包括输出电流、环境温度和循环水流量。
进一步地，所述迭代次数设定值不低于20。
进一步地，采用线性递减权值方法优化步骤225中惯性权重ω：
Figure BDA00036336829100000413
其中，ωini为初始惯性权重；ωend为最终惯性权重；K为迭代次数设定值；k为当前迭代次数。
本发明的有益效果为：
1、本发明提出了燃料电池测试系统的复合控温方法，通过神经网络算法实现了PID参数的自整定，并依据燃料电池的工作条件动态调整PID控制参数，满足各工作条件下燃料电池的温度控制需求；
2、本发明通过粒子群寻优算法实现了PID参数的整定，解决了传统控制方法中控制参数难以确定的问题，确保在当前控制参数下，燃料电池温度的控制效果达到最优，实现了燃料电池温度的精准调控。
附图说明
图1为燃料电池测试系统的结构示意图；
图2为现有技术中燃料电池温度的控制方法原理图；
图3为传统PID控制方法的控制结构图；
图4为不同参数下传统PID控制方法的效果对比图；
图5为不同运行条件下传统PID控制算法的效果对比图；
图6为本发明实施例1提出的燃料电池测试系统的复合控温方法的原理图；
图7为本发明实施例1中寻优迭代过程的流程图；
图8为本发明实施例1中粒子群寻优算法收敛过程图；其中，(a)为初始化过程；(b)、(c)为逐渐收敛过程；(d)为收敛完成；
图9为本发明实施例1中训练获得神经网络参数预测模型的流程图；
图10为本发明实施例1提出的燃料电池测试系统的复合控温方法的控制效果对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰，结合以下具体实施例，并参照附图，对本发明做进一步的说明。
下述非限制性实施例可以使本领域的普通技术人员更全面的理解本发明，但不以任何方式限制本发明。
实施例1
本实施例提出了燃料电池测试系统的复合控温方法，原理如图6所示，包括以下步骤：
步骤1：构建神经网络，包括3层输入层、8层隐含层和3层输出层。
步骤2：使用粒子群优化算法对燃料电池不同工作条件下的最优PID控制参数进行寻优，得到基于粒子群算法的燃料电池温度的最优控制参数数据集；具体过程包括：
步骤21：建立燃料电池温度控制的评价指标：
Figure BDA0003633682910000051
其中，f为适应度值；ts为燃料电池温度响应的调节时间，定义为燃料电池输出响应达到90％稳态值所需的时间；σ为燃料电池温度响应的超调量，定义为燃料电池输出响应峰值与稳态值之差所占稳态值的百分比；err为燃料电池温度响应的稳态误差，定义为燃料电池输出响应的稳态值与目标值的差值；
步骤22：设置燃料电池工作条件，包括输出电流Ist、环境温度Tatm和循环水流量Wcl，通过粒子群寻优算法对PID控制参数进行整定，流程如图7所示，具体包括：
步骤221：对寻优迭代过程的三维空间边界条件进行界定，
Figure BDA0003633682910000061
Figure BDA0003633682910000062
其中，Pmin和Pmax分别为预设的P的最小值和最大值；Imin和Imax分别为预设的I的最小值和最大值；Dmin和Dmax分别为预设的D的最小值和最大值；vmin和vmax分别为预设的粒子移动速度的最小值和最大值；Pi k、
Figure BDA0003633682910000063
和
Figure BDA0003633682910000064
分别为第i个粒子在第k次迭代时对应P、I和D的值；
Figure BDA0003633682910000065
和
Figure BDA0003633682910000066
分别为第i个粒子在第k次迭代时粒子移动速度矢量在x、y和z方向的分量；N为粒子群的粒子总数；
步骤222：将所有粒子随机分布在三维空间中，随机初始化各粒子的位置
Figure BDA0003633682910000067
与第一次移动的速度矢量
Figure BDA0003633682910000068
如图8(a)，
Figure BDA0003633682910000069
步骤223：根据各个
Figure BDA00036336829100000610
在三维空间中所处的位置，设置对应的PID控制参数，获得每个粒子在当前位置的温度响应结果，根据评价指标计算得到各粒子的初始适应度值
Figure BDA00036336829100000611
作为每个粒子的当前个体极值
Figure BDA00036336829100000612
并比较所有粒子的初始适应度值
Figure BDA00036336829100000613
将最小值作为当前全局极值gbest；
步骤224：令k＝1；
步骤225：根据迭代公式更新第k次迭代时各粒子的移动速度矢量vi k和位置pi k，使得粒子群如图8(b)和8(c)所示的逐渐收敛，
Figure BDA0003633682910000071
Figure BDA0003633682910000072
其中，vi k-1为第i个粒子在第k-1次迭代时的移动速度矢量；
Figure BDA0003633682910000073
为第i个粒子在第k-1次迭代时的位置；
ω为惯性权重，定义为所有粒子保留上一次迭代的速度信息的比重，ω取值越大，种群的全局寻优能力越强，局部寻优能力越弱，为了进一步提高粒子群的收敛速度以及局部搜索精度，本实施例采用线性递减权值方法优化ω：
Figure BDA0003633682910000074
其中，ωini为初始惯性权重；ωend为最终惯性权重；K为迭代次数设定值20；k为当前迭代次数；
c1和c2均为学习因子，反应了粒子群之间的信息交流与信息传递，同时也决定了每个粒子各自的经验信息与其他粒子经验信息对运动轨迹的影响，c1取值较大时，粒子容易在局部最优点过多徘徊，c2取值较大时，则会使粒子早熟，过早陷入局部最优的状态，本实施例中c1和c2的取值均为1.4；
r1和r2均为[0,1]范围内的随机数；
计算第k次迭代后各粒子的适应度值
Figure BDA0003633682910000075
与当前个体极值
Figure BDA0003633682910000076
作比较，若
Figure BDA0003633682910000077
则更新当前个体极值
Figure BDA0003633682910000078
为
Figure BDA0003633682910000079
否则，维持当前个体极值
Figure BDA00036336829100000710
不变；
再将
Figure BDA00036336829100000711
与当前全局极值gbest作比较，若
Figure BDA00036336829100000712
则更新当前全局极值gbest为
Figure BDA00036336829100000713
否则，维持当前全局极值gbest不变；
步骤226：判断当前迭代次数k是否达迭代次数设定值20，若未达，则令k＝k+1，转至步骤225；否则，转至步骤227；
步骤227：寻优迭代过程结束，如图8(d)所示，粒子群收敛，将当前全局极值对应的PID控制参数，作为对应燃料电池工作条件下的最优PID控制参数，进而将燃料电池在不同工作条件下的最优PID控制参数，作为基于粒子群算法的燃料电池温度的最优控制参数数据集。
步骤3：基于最优控制参数数据集对神经网络进行训练，获得神经网络参数预测模型，流程如图9所示，具体过程包括：
步骤31：初始化神经网络的参数，包括神经元个数、各输入权值以及偏移信号；
步骤32：将最优控制参数集作为训练样本对该神经网络进行训练；
步骤33：信息正向传递过程，根据下述公式计算神经网络的输出值以及输出误差；
隐含层中各神经元的净输入为：
Figure BDA0003633682910000081
隐含层中各神经元的输出为：
Oj＝f(uj)j＝1,2,…,8
输出层中各神经元的净输入为：
Figure BDA0003633682910000082
输出层中各神经元的输出为：
yl＝g(y'l)
其中，xq为输入层中第q个神经元的输出；ωqj为隐含层中第j个神经元与输入层中第q个神经元的连接权值；θj为隐含层中第j个神经元的阈值；f(x)与g(x)均为神经元激励函数，在BP(反向传播)算法中常用sigmoid函数作为其激励函数；Oj为隐含层第j个神经元的输出；uj为隐含层第j个神经元的净输入；y'l为输出层第l个神经元的净输入；vjl为隐含层第j个神经元与输出层第l个神经元的连接权值；yl为输出层中第l个神经元的输出。
定义神经网络的输出误差ep＝tp-yl；其中，tp为最优控制参数数据集的期望输出；
定义神经网络的误差函数
Figure BDA0003633682910000083
步骤34：反向传播过程，计算反向误差，更新权值向量；
令W为连接权值ωqj的集合，在反向传播过程中采用沿着误差函数Ep随W变化的负梯度方向对W进行修正，设定W的修正值为ΔW：
Figure BDA0003633682910000091
其中，η为学习步长；
定义ΔW＝(Δvjl,Δθj,Δωqj)，则有：
Figure BDA0003633682910000092
Figure BDA0003633682910000093
Figure BDA0003633682910000094
其中，Δvjl为vjl的修正量；Δθj为θj的修正量；Δωqj为ωqj的修正量；
由上述可以根据各神经元输出Oj和输出误差ep计算出W的修正值ΔW，然后根据下述公式W进行修正，得到修正后的权值向量W'：
W'＝W+ΔW；
步骤35：判断输入的训练样本是否均输出完成，如果未完成则返回至步骤33，否则转至步骤36；
步骤36：计算训练样本的总能量函数E，判断其是否满足精度要求ε(本实施例设置为0.025)，如果不满足则转至步骤37，如果满足则转至步骤38；
Figure BDA0003633682910000095
步骤37：判断算法此时是否达到最大迭代次数，如果未达到，则返回步骤33；如果已经达到，则此次训练失败，该神经网络在当前迭代次数内无法收敛，本次算法结束；
步骤38：训练成功，保存本次训练的模型结果，算法结束。
步骤4：将待测燃料电池的工作条件输入至神经网络参数预测模型，输出得到PID控制参数，基于此实现对燃料电池的温度精确控制。
图10为本实施例提出的复合控制方法与传统PID控制方法在控制效果上的对比图，图中所示在升温阶段，相较于传统PID控制方法出现的一定超调，复合控制方法并未出现超调，而且更为快速的稳定在设定温度；在负载发生变化时，传统PID控制方法调节下的温度出现了较大波动，而复合控制方法可以将温度快速稳定在设定温度附近，超调量与调节时间均有着明显的降低。因此本实施例所提出的燃料电池测试系统的复合控温方法相比传统控制方法具有更好的控制效果，解决了传统技术中存在的相关问题。

Claims (6)

1.燃料电池测试系统的复合控温方法，其特征在于，包括以下步骤：
步骤1：构建神经网络；
步骤2：使用粒子群优化算法对燃料电池不同工作条件下的最优PID控制参数进行寻优，得到基于粒子群算法的燃料电池温度的最优控制参数数据集；
步骤3：基于最优控制参数数据集对神经网络进行训练，获得神经网络参数预测模型；
步骤4：将待测燃料电池的工作条件输入至神经网络参数预测模型，输出得到PID控制参数，实现对燃料电池的温度控制。
2.根据权利要求1所述燃料电池测试系统的复合控温方法，其特征在于，步骤2的具体过程包括：
步骤21：建立燃料电池温度控制的评价指标；
步骤22：设置燃料电池工作条件，通过粒子群寻优算法对PID控制参数进行整定，具体包括：
步骤221：对寻优迭代过程的三维空间边界条件进行界定，
Pmin≤Pi k≤Pmax
Figure FDA0003633682900000011
Figure FDA0003633682900000012
Figure FDA0003633682900000013
Figure FDA0003633682900000014
Figure FDA0003633682900000015
其中，Pmin和Pmax分别为预设的P的最小值和最大值；Imin和Imax分别为预设的I的最小值和最大值；Dmin和Dmax分别为预设的D的最小值和最大值；vmin和vmax分别为预设的粒子移动速度的最小值和最大值；Pi k、Ii k和
Figure FDA0003633682900000016
分别为第i个粒子在第k次迭代时对应P、I和D的值；
Figure FDA0003633682900000017
和
Figure FDA0003633682900000018
分别为第i个粒子在第k次迭代时粒子移动速度矢量在x、y和z方向的分量；N为粒子群的粒子总数；
步骤222：将所有粒子随机分布在三维空间中，初始化各粒子的位置pi 0与第一次移动的速度矢量
Figure FDA0003633682900000019
Figure FDA0003633682900000021
步骤223：根据
Figure FDA0003633682900000022
在三维空间中所处的位置，设置对应的PID控制参数，获得各粒子在当前位置的温度响应结果，根据评价指标计算得到各粒子的初始适应度值
Figure FDA0003633682900000023
作为各粒子的当前个体极值
Figure FDA0003633682900000024
并比较所有粒子的初始适应度值
Figure FDA0003633682900000025
将最小值作为当前全局极值gbest；
步骤224：令k＝1；
步骤225：更新第k次迭代时各粒子的移动速度矢量vi k和位置pi k，
Figure FDA0003633682900000026
Figure FDA0003633682900000027
其中，vi k-1为第i个粒子在第k-1次迭代时的移动速度矢量；pi k-1为第i个粒子在第k-1次迭代时的位置；ω为惯性权重；c1和c2均为学习因子；r1和r2均为[0,1]范围内的随机数；
计算第k次迭代后各粒子的适应度值
Figure FDA0003633682900000028
与当前个体极值
Figure FDA0003633682900000029
作比较，若
Figure FDA00036336829000000210
则更新当前个体极值
Figure FDA00036336829000000211
为
Figure FDA00036336829000000212
否则，维持当前个体极值
Figure FDA00036336829000000213
不变；
再将
Figure FDA00036336829000000214
与当前全局极值gbest作比较，若
Figure FDA00036336829000000215
则更新当前全局极值gbest为
Figure FDA00036336829000000216
否则，维持当前全局极值gbest不变；
步骤226：判断当前迭代次数k是否达迭代次数设定值，若未达，则令k＝k+1，转至步骤225；否则，转至步骤227；
步骤227：寻优迭代过程结束，将当前全局极值点在空间中所处位置对应的PID控制参数，作为对应燃料电池工作条件下的最优PID控制参数，进而将燃料电池在不同工作条件下的最优PID控制参数，作为最优控制参数数据集。
3.根据权利要求2所述燃料电池测试系统的复合控温方法，其特征在于，步骤21中所述评价指标具体为：
Figure FDA00036336829000000217
其中，f为适应度值；ts为燃料电池温度响应的调节时间；σ为燃料电池温度响应的超调量；err为燃料电池温度响应的稳态误差。
4.根据权利要求2所述燃料电池测试系统的复合控温方法，其特征在于，步骤226中所述迭代次数设定值不低于20。
5.根据权利要求2所述燃料电池测试系统的复合控温方法，其特征在于，采用线性递减权值方法优化步骤225中惯性权重ω：
Figure FDA0003633682900000031
其中，ωini为初始惯性权重；ωend为最终惯性权重；K为迭代次数设定值；k为当前迭代次数。
6.根据权利要求1所述燃料电池测试系统的复合控温方法，其特征在于，所述燃料电池工作条件包括输出电流、环境温度和循环水流量。
CN202210498122.2A 2022-05-09 2022-05-09 燃料电池测试系统的复合控温方法 Pending CN114967423A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210498122.2A CN114967423A (zh) 2022-05-09 2022-05-09 燃料电池测试系统的复合控温方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210498122.2A CN114967423A (zh) 2022-05-09 2022-05-09 燃料电池测试系统的复合控温方法

Publications (1)

Publication Number Publication Date
CN114967423A true CN114967423A (zh) 2022-08-30

Family

ID=82980746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210498122.2A Pending CN114967423A (zh) 2022-05-09 2022-05-09 燃料电池测试系统的复合控温方法

Country Status (1)

Country Link
CN (1) CN114967423A (zh)

Similar Documents

Publication Publication Date Title
CN108134114B (zh) 一种质子交换膜燃料电池温度控制方法
CN112072142B (zh) 一种基于模型预测控制的燃料电池控制方法和系统
CN108803336B (zh) 一种航空发动机自适应lqg/ltr控制器设计方法
CN111520878A (zh) 一种基于rbf神经网络的空调温控系统及其控制方法
CN113552797A (zh) 一种基于改进粒子群优化的加热炉炉温控制方法和系统
CN111006843B (zh) 一种暂冲式超声速风洞的连续变速压方法
Wang et al. Observer-based discrete adaptive neural network control for automotive PEMFC air-feed subsystem
CN110531614B (zh) 新颖的无刷直流电机模糊神经网络pi控制器
CN113323821B (zh) 风力机模型预测偏航控制参数调节方法
CN106681345A (zh) 基于人群搜索算法的无人机自抗扰控制方法
CN115689070B (zh) 基于帝王蝶算法优化bp神经网络模型的能源预测方法
Lin-Kwong-Chon et al. A review of adaptive neural control applied to proton exchange membrane fuel cell systems
Wang et al. Robust composite adaptive neural network control for air management system of PEM fuel cell based on high-gain observer
Zhou et al. HNN-based generalized predictive control for turbofan engine direct performance optimization
CN113093526A (zh) 一种基于强化学习的无超调pid控制器参数整定方法
CN115773569A (zh) 基于自抗扰解耦的海洋平台通风系统风量控制方法
Li et al. Distributed deep reinforcement learning for optimal voltage control of PEMFC
CN109597362B (zh) 燃料电池空气供给系统非线性控制器设计方法
CN112748665B (zh) 基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置
CN117268391B (zh) 一种基于目标分层架构的变形飞行器智能规划方法及系统
CN111769312B (zh) 一种基于压力补偿的燃料电池供给路解耦控制方法
CN110912185B (zh) 一种含风力发电电网自动发电控制系统pid控制器设计方法
CN114967423A (zh) 燃料电池测试系统的复合控温方法
Tian et al. Novel hybrid control scheme of a proton exchange membrane fuel cell air supply system
CN112464557B (zh) 基于改进型混合多目标pso的飞翼无人机冗余舵面控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination