CN115248382A - 一种质子交换膜燃料电池控制方法 - Google Patents

一种质子交换膜燃料电池控制方法 Download PDF

Info

Publication number
CN115248382A
CN115248382A CN202210535313.1A CN202210535313A CN115248382A CN 115248382 A CN115248382 A CN 115248382A CN 202210535313 A CN202210535313 A CN 202210535313A CN 115248382 A CN115248382 A CN 115248382A
Authority
CN
China
Prior art keywords
battery
internal resistance
voltage
neural network
fuel cell
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
CN202210535313.1A
Other languages
English (en)
Inventor
郑春花
高慧
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202210535313.1A priority Critical patent/CN115248382A/zh
Publication of CN115248382A publication Critical patent/CN115248382A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种质子交换膜燃料电池控制方法。该方法包括：利用建立的电池电压模型监测电池状态，获得预测电压；将所述预测电压与实际测量电压之间的差值与设定阈值进行比较，以判断电池是否处于异常状态；在确定电池处于异常状态的情况下，将测量得到的电池电压、欧姆内阻和阳极气体压力降输入到经训练的Bagging神经网络集成分类器，获得电池故障类型。本发明能够保证预测精确度和及时性，同时降低了模型训练数据量，并且在没有增加特征数据量的前提下，可以同时对膜干和水淹故障进行诊断。

Description

一种质子交换膜燃料电池控制方法
技术领域
本发明涉及电池健康控制技术领域，更具体地，涉及一种质子交换膜燃料电池控制方法。
背景技术
质子交换膜燃料电池(proton exchange membrane fuel cell，PEMFC)在使用中将氢能转化为电能，具有无噪音、零污染、工作电流大、比功率高、启动速度快、环境友好和结构紧凑等优点，可以从根本上解决困扰汽车发展的环境和能源问题，得到了越来越多国家以及企业的重视。然而，造成质子交换膜燃料电池迈向商业化应用缓慢的原因很大程度上在于质子交换膜燃料电池的寿命与健康问题。由于外界条件以及运行工况的变化，质子交换膜燃料电池容易出现膜干、水淹等故障，从而导致电堆的性能与寿命严重衰减。因此为了避免对电堆造成严重损坏，需要及时检测出故障并对故障进行修复。
在现有技术中，对质子交换膜燃料电池水淹和膜干故障的诊断方法，主要是基于数学模型、实验和数据驱动等诊断方法。对于基于数学模型的方法，关键在于建立和燃料电池相匹配的解析模型，这对模拟电池系统性能至关重要。但是，这种方法需要研究人员对燃料电池系统内部结构和反应动力学有深入的了解。模型的计算精度往往取决于其复杂程度，对于复杂程度较高的模型来说，虽然会提高模型的准确度，但会显著增加计算成本和计算时间。并且，由于燃料电池是一个多物理场耦合的复杂系统，很难做到全面深入地了解电池的内部原理，因此基于模型的方法在实时诊断上的应用有很大限制，只在燃料电池离线仿真和设计中使用较多。
基于实验的方法主要包括基于阳极气体压力降或基于交流阻抗谱和膜阻抗诊断水淹和膜干故障，以及基于可视化技术研究水淹和膜干的动态过程。基于阳极压力降能够指导操作条件使PEMFC恢复到正常态，但该方法对电堆中故障单片的准确定位较难。针对故障定位问题，基于交流阻抗谱和膜阻抗的方法可依据单片电池的阻抗特征进行准确的故障定位，并且能描述整个电堆的阻抗特征。但是，通过频率扫描测试阻抗谱，多次测量取平均值获取单个频率点的阻抗，这些过程具有耗时长的缺点，阻碍了在线故障诊断。可视化技术能直接观察水在电池内部的分布和气液两相的动态变化，有助于PEMFC内部水的机理研究，但成像设备昂贵、需要透明电池、仅适用于实验室研究，限制了商业化应用及在线测试。
基于数据驱动的故障诊断技术主要基于大量的历史数据分析，且不依赖于诊断对象的具体模型。目前，基于数据驱动方法对PEMFC水淹和膜干进行诊断受到广泛关注。该方法可以直接利用PEMFC运行时的历史数据作为训练数据，进行训练进而获得相应的训练模型，通过不同数学算法对训练数据进行处理来获取水淹、膜干和正常状态的特征，再根据特征来判断给定条件下电池的工作状态。基于数据驱动的故障诊断方法可用于在线诊断、大功率PEMFC电堆以及多堆的水淹和膜干故障，针对电堆中故障单片的定位具有较大优势。
在数据驱动方法中，机器学习是一种常用的方法。例如，使用基于BP神经网络的方法对PEMFC进行故障诊断，这种方法虽然可以比较精准地判断PEMFC的故障类型，但是神经网络模型需要大量的数据进行训练，并且模型输入变量越多，映射关系越复杂，则需要的训练数据量越多，从而增加获得数据的成本和耗时。因此，有必要对神经网络模型进行优化，在保证模型预测精确度和及时性的前提下，减少模型训练所需的数据量。又如，使用基于支持向量机的方法对PEMFC进行故障诊断，将得到的电流密度、膜含水量和欧姆内阻作为燃料电池的三个特征数据，代入事先已经训练好的支持向量机分类器中判断燃料电池是否处于膜干状态。这种基于支持向量机的方法，仅能够判断燃料电池是否处于膜干状态，不能判断燃料电池是否处于水淹状态，从而限制了其商业化的应用。
发明内容
本发明的目的是克服上述现有技术的缺陷，提供一种质子交换膜燃料电池控制方法。该方法包括：
利用建立的电池电压模型监测电池状态，获得预测电压，所述电池是质子交换膜燃料电池；
将所述预测电压与实际测量电压之间的差值与设定阈值进行比较，以判断电池是否处于异常状态；
在确定电池处于异常状态的情况下，将测量得到的电池电压、欧姆内阻和阳极气体压力降输入到经训练的Bagging神经网络集成分类器，获得电池故障类型。
与现有技术相比，本发明的优点在于，为解决神经网络所需训练数据量大的问题，引入Bagging集成学习，使得获得的Bagging神经网络集成模型准确度更高，且所需模型训练数据量更少；为解决只能对PEMFC膜干进行诊断的问题，采用欧姆内阻、阳极气体压力降和电池电压作为Bagging神经网络集成的特征数据，在没有增加特征数据量的前提下，使得到的模型不仅可以判断燃料电池是否处于膜干状态，也能判断燃料电池是否处于水淹状态。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的质子交换膜燃料电池控制方法的流程图；
图2是根据本发明一个实施例的单一神经网络模型的结构图；
图3是根据本发明一个实施例的Bagging集成学习的示意图；
图4是根据本发明一个实施例的质子交换膜燃料电池控制方法的应用过程示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
为了保证质子交换膜燃料电池长久稳定地运行，需要避免发生水淹和膜干等故障，或者发生水淹和膜干故障时，可以进行及时的修复以避免质子交换膜燃料电池故障进一步恶化。本发明将Bagging集成学习运用到质子交换膜燃料电池中，解决质子交换膜燃料电池水淹和膜干故障诊断问题，有效地提高了质子交换膜燃料电池的可靠性和耐久性。
简言之，本发明基于质子交换膜燃料电池电压模型，对质子交换膜燃料电池的状态进行监测，其中质子交换膜燃料电池电压模型为质子交换膜燃料电池在健康状态下的电压模型；若质子交换膜燃料电池出现状态异常，则基于燃料电池内阻模型，利用EIS(电化学阻抗谱)法，选取电化学阻抗仪某个频率(例如20KHz)对应的实部和虚部，求解出电池的欧姆内阻；通过阳极气体进出口压力传感器获取阳极气体压力降；通过并联在电路中的电压表测出此时的电池电压；将得到的欧姆内阻、阳极气体压力降和电池电压输入到已经训练好的Bagging神经网络集成分类器模型中，对质子交换膜燃料电池进行故障诊断；进而实施故障恢复，实现对质子交换膜燃料电池的性能恢复。
具体地，参见图1所示，所提供的质子交换膜燃料电池控制方法包括以下步骤。
步骤S110，建立质子交换膜燃料电池电压模型，用于获得预测电压。
例如，质子交换膜燃料电池电压模型表示为：
Vst＝N*(Enernst-Vact-Vohm-Vconc) (1)
其中，Vst为质子交换膜燃料电池电压，N为质子交换膜燃料电池单体电池个数，Enernst为能斯特电压，Vact为活化损耗，Vohm为欧姆损耗，Vconc为浓差损耗。
在一个实施例中，能斯特电压Enernst表示为：
Figure BDA0003647763880000051
其中，Tst为质子交换膜燃料电池的实际温度，
Figure BDA0003647763880000052
和
Figure BDA0003647763880000053
为质子交换膜燃料电池实际测量的氢气和氧气分压。
活化损耗Vact表示为：
Vact＝V0+Va(1-e-10i) (3)
其中，V0与Va为第一、第二经验参数，i为实际测量的电流密度。
欧姆损耗Vohm表示为：
Figure BDA0003647763880000054
其中，λm为膜含水量。
浓差损耗Vconc表示为：
Figure BDA0003647763880000055
其中，a为经验参数，imax为最大电流密度。
进一步地，将通过质子交换膜燃料电池电压模型获得的预测电压Vst(或称理论电压)与质子交换膜燃料电池电压实际测量值进行相减获得差值，若差值大于预设的故障电压阈值，则说明质子交换膜燃料电池发生故障，该故障电压阈值可根据实际工况以及经验进行设定；
步骤S120，建立燃料电池内阻模型，以获得欧姆内阻。
由于极化现象的存在，燃料电池的实际输出电压略低于理论电压。根据极化现象产生的原因和特点的不同，可将电阻分为活化内阻Rf、欧姆内阻Rm和浓差内阻Rd。根据燃料电池内部机理，建立燃料电池等效内阻模型。
例如，电堆总内阻Rstack表示为：
Rstack＝Rf+Rm+Rd (6)
交流阻抗表达式如式(7)：
Figure BDA0003647763880000061
其中，Cd、Cd1为双层电容，j是虚数单位，w表示频率。
步骤S130，确定表征膜干故障和水淹故障的特征数据。
膜干是由于燃料电池内部温度过高或膜上湿度不足而引起的故障，当燃料电池电堆处于膜干故障状态时，质子交换膜因干燥而导致电极水合作用受阻，它将显著增加质子交换膜的欧姆内阻，并且降低电导率，从而阻碍质子进入催化层表面，随着时间的流逝，输出性能持续降低。水淹是由于燃料电池内部温度过低或膜上湿度过高而引起的故障，当燃料电池电堆处于水淹故障状态时，过量的水会淹没催化层(Catalyst Layer，CL)和气体扩散层(Gas Diffusion Layer，GDL)孔隙，阻碍反应物运输，造成气体压力降明显升高，其中阳极气体压力降相对于阴极气体压力降来说，随水含量的变化更显著，导致燃料电池性能严重下降甚至出现故障。不管是膜干还是水淹发生时，电池电压都会出现波动。
基于对膜干和水淹故障原理的分析，确定定义膜干和水淹故障的指标参数。例如，将电池电压Vst，欧姆内阻Rm和阳极气体压力降
Figure BDA0003647763880000062
参数作为表征膜干和水淹故障的特征数据。
步骤S140，构建Bagging神经网络集成分类器，并利用所确定的特征数据进行训练。
以3层神经网络模型为例进行说明，构建如图2所示的单一神经网络模型，该神经网络模型共有3层，分别为输入层、隐藏层(或称为隐含层)和输出层。特征数据作为神经网络的输入变量，即电池电压Vst、欧姆内阻Rm和阳极气体压力降
Figure BDA0003647763880000063
作为神经网络的输入变量，质子交换膜燃料电池的故障类型作为输出层的输出变量。
为了更精确的识别故障类型，在一个实施例中，引入“试探法”来确定隐藏层的最佳节点数，构建后向传播(BP)神经网络。“试探法”具体为：
首先，设定起始节点数X0和起始步长h0，表示为：
X0＝log2Nin
h0＝(Nim-Nout)/3 (8)
其中，X0为隐藏层的起始节点数，Nin为输入单元数，Nout为输出单元数。
然后，确定对比节点数X1，其计算公式为：
X1＝X0+h0 (9)
依次计算两点(即起始节点数和对比节点数)所对应的神经网络预测误差值f0(x)和f1(x)，依据二者大小关系确定下一点(即下一对比节点数)的位置，表示为：
Figure BDA0003647763880000071
X2为下一点的位置，重复上述过程，直至寻找到最优的点Xi即为最佳的隐含层节点数。
在一个实施例中，所构建的Bagging神经网络集成分类器模型如图3所示，其包含多个弱学习器，标记为T个，每个弱学习器采用一个采样集进行训练，每个采样集包含M个样本，并且各个采样集是通过对原始的样本训练集随机采样获得。
Bagging神经网络集成模型的训练过程是：给定包含M个样本的训练集，先随机取出一个样本放入采样集中，再将该样本放回初始的训练集，使得下次采样时该样本仍可能被选中。经过M次随机采样操作，得到含M个样本的采样集，例如采样集1。依此方法，可采样出T个含M个样本的采样集，然后基于每个采样集训练出一个弱学习器，再将这些弱学习器通过投票法进行结合，即预测结果为得票数最多的类别，从而构建Bagging神经网络集成模型。在所构建的Bagging神经网络集成模型中，弱学习器可采用图2的3层BP神经网络模型。
进一步地，通过已知膜干和水淹故障分类的训练集数据运用相关软件构建可用的Bagging神经网络集成分类器。首先，选择一部分经过预处理的数据作为训练集，然后基于该训练集运用相关软件构建Bagging神经网络集成分类器，将剩余经过预处理的数据作为测试集，用测试集来检验训练集数据构建的Bagging神经网络集成分类器。当剩余数据均能得到正确检验时，说明该模型有效、可靠。
步骤S150，利用经训练的Bagging神经网络集成分类器识别电池故障类型，并执行相应的故障恢复策略。
在模型训练完成后，即可应用于实际的电池故障在线检测。结合图4所示，模型的应用过程整体上包括以下步骤：
步骤S501，对质子交换膜燃料电池进行状态监测，以判断电池是否处于异常状态。
例如，通过质子交换膜燃料电池电压模型获得的电压Vst与质子交换膜燃料电池电压实际测量值进行相减获得差值，若差值大于预设的故障电压阈值，则说明质子交换膜燃料电池发生故障。
步骤S502，在质子交换膜燃料电池状态异常时，测量电池的欧姆内阻、电压和阳极气体压力降参数，作为特征数据。
例如，利用电化学阻抗谱法(EIS法)，给燃料电池系统施加一组频率不同的小振幅的交流电势波信号，在阻抗谱测试仪上可读出欧姆内阻Rm和电堆总内阻Rstack，其中分别采取低频测电堆总内阻Rstack，高频测欧姆内阻Rm。燃料电池内阻模型参见公式(6)和(7)。
利用在电路中并联的电压表得到相应的电池电压Vst。
利用阳极气体进出口压力传感器得到相应的阳极气体压力降
Figure BDA0003647763880000081
阳极气体压力降
Figure BDA0003647763880000082
表示为：
Figure BDA0003647763880000083
其中，Pin为阳极入口气体压力，Pout为阳极出口气体压力。
步骤S503，将特征数据输入经训练的Bagging神经网络集成分类器，获得电池故障类型。
在得到未知故障的电堆的三个特征数据后，即电池电压Vst，欧姆内阻Rm和阳极气体压力降
Figure BDA0003647763880000084
将不同条件下的新数据归一化处理后代入已经训练好的Bagging神经网络集成分类器模型中进行故障状态的判别。判断此时电堆是处于膜干状态还是水淹状态。
步骤S504，针对识别出的电池故障类型执行不同的恢复策略。
针对不同的故障采用不同的故障恢复措施处理，从而实现提高质子交换膜燃料电池可靠性和耐久性的目的。具体为：
若为膜干故障，则降低质子交换膜燃料电池的运行温度，降低进气的化学计量比stoic，增大进气相对湿度RH；
若为水淹故障，则提高质子交换膜燃料电池的运行温度，增大进气的化学计量比stoic，降低进气相对湿度RH。
在执行故障恢复策略后，可继续监测电池状态是否恢复正常，在此不再赘述。
需要说明的是，在不违背本发明精神和范围的前提下，本领域技术人员可对上述实施例进行适当的改变或变型，例如，采用其他现有方式获取预测电压，测量欧姆内阻和阳极气体压力降。又如，Bagging神经网络集成分类器所包含的弱学习器数量和具有结构可根据实际需要设置，本发明对此不进行限制。
综上所述，与现有技术相比，本发明具有以下优势：
1)现有方案在应用神经网络对PEMFC进行故障诊断时，需要大量的历史数据。为解决该问题，本发明引入Bagging集成学习对神经网络模型进行优化，使得获得的Bagging神经网络集成模型在保证模型预测精确度和及时性的前提下，所需模型训练数据量更少。
2)针对现有方案仅能诊断出膜干这一种故障情况的问题，本发明在没有增加特征数据量的前提下，结合故障类型的特点，采用欧姆内阻、阳极气体压力降和电池电压作为Bagging神经网络集成的特征数据，使得到的模型可以同时对膜干和水淹进行诊断。
3)本发明将主动容错控制运用到模型中，可以对燃料电池处于膜干和水淹状态进行及时的修复，进而提高了PEMFC的耐久性和可靠性。
本发明适用于微型质子交换膜燃料电池便携电源，小型质子交换膜燃料电池移动电源，中、大功率质子交换膜燃料电池发电系统、用作汽车动力的质子交换膜燃料电池系统等各种需要质子交换膜燃料电池的场合。本发明通过计算机仿真充分验证了其可行性，效果良好。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种质子交换膜燃料电池控制方法，包括以下步骤：
利用建立的电池电压模型监测电池状态，获得预测电压，所述电池是质子交换膜燃料电池；
将所述预测电压与实际测量电压之间的差值与设定阈值进行比较，以判断电池是否处于异常状态；
在确定电池处于异常状态的情况下，将测量得到的电池电压、欧姆内阻和阳极气体压力降输入到经训练的Bagging神经网络集成分类器，获得电池故障类型。
2.根据权利要求1所述的方法，其特征在于，所述Bagging神经网络集成分类器包含多个弱学习器，每个弱学习器对应一个神经网络模型，所述神经网络模型包括输入层、隐含层和输出层，并且测量得到的电池电压、欧姆内阻和阳极气体压力降作为输入层的输入变量，电池故障类型作为输出层的输出变量。
3.根据权利要求2所述的方法，其特征在于，根据以下步骤确定所述神经网络模型的隐含层节点数：
设定隐含层的起始节点数X0和起始步长h0，分别表示为：
X0＝log2Nin
h0＝(Nin-Nout)/3
其中，X0为隐含层的起始节点数，Nin为输入层的输入单元数，Nout为输出层所输出的单元数；
设计隐含层的对比节点数X1，表示为：
X1＝X0+h0
计算起始节点数和对比节点数所对应的神经网络模型预测误差值f0(x)和f1(x)，以确定下一对比节点数X2，表示为：
Figure FDA0003647763870000011
经过重复迭代，直至寻找到最优的节点数Xi，作为最佳的隐含层节点数。
4.根据权利要求1所述的方法，其特征在于，所述电池电压模型表示为：
Vst＝N*(Enernst-Vact-Vohm-Vconc)
其中，Vst为电池电压，N为电池单体电池个数，Enernst为能斯特电压，Vact为活化损耗，Vohm为欧姆损耗，Vconc为浓差损耗；
其中，能斯特电压Enernst表示为：
Figure FDA0003647763870000021
其中，Tst为电池的实际温度，
Figure FDA0003647763870000022
和
Figure FDA0003647763870000023
为电池实际测量的氢气和氧气分压；
其中，活化损耗Vact表示为：
Vact＝V0+Va(1-e-10i)
其中，V0与Va分别为第一、第二经验参数，i为实际测量的电流密度；
其中，欧姆损耗Vohm表示为：
Figure FDA0003647763870000024
其中，λm为膜含水量；
其中，浓差损耗Vconc表示为：
Figure FDA0003647763870000025
其中，a为经验参数，imax为最大电流密度。
5.根据权利要求2所述的方法，其特征在于，根据以下步骤训练所述Bagging神经网络集成分类器：
将包含M个样本的训练集作为初始数据集，先随机取出一个样本放入采样集中，再将该样本放回初始数据集，经过M次随机采样操作，得到含M个样本的一个采样集，进而采样出T个含M个样本的采样集，其中M和T是设定整数；
利用获得的T个采样集训练所述Bagging神经网络集成分类器包含的T个弱学习器，每个采样集对应一个弱学习器；
将T个弱学习器通过投票法进行结合，将得票数最多的类别作为预测的电池故障类型。
6.根据权利要求1所述的方法，其特征在于，所述阳极气体压力降表示为：
Figure FDA0003647763870000031
其中，Pin为阳极入口气体压力，Pout为阳极出口气体压力。
7.根据权利要求1所述的方法，其特征在于，所述欧姆内阻根据以下步骤获得：
建立电池等效内阻模型，表示为：
Rstack＝Rf+Rm+Rd
其中，Rf是活化内阻、Rm是欧姆内阻，Rd是浓差内阻，Rstack是电堆总内阻；
利用电化学阻抗谱法给电池系统施加一组频率不同的设定振幅的交流电势波信号，在阻抗谱测试仪上读出欧姆内阻Rm和电堆总内阻Rstack，其中采用低频测电堆总内阻Rstack，高频测欧姆内阻Rm。
8.根据权利要求1所述的方法，还包括：当所述电池故障类型为膜干故障和水淹故障时，根据以下步骤进行故障恢复：
对于膜干故障，降低电池的运行温度、降低进气的化学计量比并增大进气相对湿度；
对于水淹故障，提高电池的运行温度、增大进气的化学计量比并降低进气相对湿度。
9.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
CN202210535313.1A 2022-05-17 2022-05-17 一种质子交换膜燃料电池控制方法 Pending CN115248382A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210535313.1A CN115248382A (zh) 2022-05-17 2022-05-17 一种质子交换膜燃料电池控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210535313.1A CN115248382A (zh) 2022-05-17 2022-05-17 一种质子交换膜燃料电池控制方法

Publications (1)

Publication Number Publication Date
CN115248382A true CN115248382A (zh) 2022-10-28

Family

ID=83698988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210535313.1A Pending CN115248382A (zh) 2022-05-17 2022-05-17 一种质子交换膜燃料电池控制方法

Country Status (1)

Country Link
CN (1) CN115248382A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113299954A (zh) * 2021-04-25 2021-08-24 北京氢澜科技有限公司 控制燃料电池电堆内水含量的方法、装置及设备
CN116231010A (zh) * 2023-05-10 2023-06-06 北京新研创能科技有限公司 一种氢燃料电池系统故障诊断方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113299954A (zh) * 2021-04-25 2021-08-24 北京氢澜科技有限公司 控制燃料电池电堆内水含量的方法、装置及设备
CN116231010A (zh) * 2023-05-10 2023-06-06 北京新研创能科技有限公司 一种氢燃料电池系统故障诊断方法及系统

Similar Documents

Publication Publication Date Title
Laribi et al. Analysis and diagnosis of PEM fuel cell failure modes (flooding & drying) across the physical parameters of electrochemical impedance model: Using neural networks method
Liu et al. Prognostics methods and degradation indexes of proton exchange membrane fuel cells: A review
Pan et al. Performance degradation prediction of proton exchange membrane fuel cell using a hybrid prognostic approach
Guo et al. A state-of-health estimation method of lithium-ion batteries based on multi-feature extracted from constant current charging curve
Taleb et al. Identification of a PEMFC fractional order model
Ou et al. A novel approach based on semi-empirical model for degradation prediction of fuel cells
Mao et al. Investigation of PEMFC fault diagnosis with consideration of sensor reliability
CN115248382A (zh) 一种质子交换膜燃料电池控制方法
US10581099B2 (en) Use of neural network and EIS signal analysis to quantify H2 crossover in-situ in operating PEM cells
Pan et al. Health degradation assessment of proton exchange membrane fuel cell based on an analytical equivalent circuit model
Russo et al. Application of buckingham π theorem for scaling-up oriented fast modelling of proton exchange membrane fuel cell impedance
Mao et al. Polymer electrolyte membrane fuel cell fault diagnosis and sensor abnormality identification using sensor selection method
Becherif et al. Determination of the health state of fuel cell vehicle for a clean transportation
CN114264881B (zh) 一种燃料电池阻抗在线监控方法及系统
CN113611900A (zh) 一种质子交换膜燃料电池的膜干故障诊断方法
Pahon et al. Signal-based diagnostic approach to enhance fuel cell durability
Liu et al. Efficient fault diagnosis of proton exchange membrane fuel cell using external magnetic field measurement
Du et al. A fault diagnosis model for proton exchange membrane fuel cell based on impedance identification with differential evolution algorithm
Ran et al. Fast Remaining Capacity Estimation for Lithium‐ion Batteries Based on Short‐time Pulse Test and Gaussian Process Regression
CN114583219A (zh) 一种质子交换膜燃料电池的水淹故障诊断方法
Yuan et al. Fault diagnosis of fuel cells by a hybrid deep learning network fusing characteristic impedance
Arama et al. Diagnosis of water failures in proton exchange membrane fuel cells via physical parameter resistances of the fractional order model and fast fourier transform electrochemical impedance spectroscopy
Zhao et al. A novel pre-diagnosis method for health status of proton exchange membrane fuel cell stack based on entropy algorithms
CN117457949A (zh) 一种基于电化学阻抗谱的燃料电池水故障诊断方法及系统
CN117374330A (zh) 一种燃料电池电堆状态识别方法、装置、介质、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