CN115372842A - 一种车用燃料电池的耐久性预测方法 - Google Patents

一种车用燃料电池的耐久性预测方法 Download PDF

Info

Publication number
CN115372842A
CN115372842A CN202211009225.4A CN202211009225A CN115372842A CN 115372842 A CN115372842 A CN 115372842A CN 202211009225 A CN202211009225 A CN 202211009225A CN 115372842 A CN115372842 A CN 115372842A
Authority
CN
China
Prior art keywords
fuel cell
working condition
durability
key
attenuation
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
CN202211009225.4A
Other languages
English (en)
Inventor
张侃侃
方川
曹季冬
汪如意
袁殿
李向晖
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.)
Beijing Sinohytec Co Ltd
Original Assignee
Beijing Sinohytec Co Ltd
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 Beijing Sinohytec Co Ltd filed Critical Beijing Sinohytec Co Ltd
Priority to CN202211009225.4A priority Critical patent/CN115372842A/zh
Publication of CN115372842A publication Critical patent/CN115372842A/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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Computing Systems (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Fuel Cell (AREA)

Abstract

本发明提供了一种车用燃料电池的耐久性预测方法，属于燃料电池技术领域，解决了现有技术不适用于车辆用途改变且无法定量分析影响因素中的关键工况导致无法精准预测燃料电池剩余寿命的问题。该方法包括：S1.确定影响燃料电池耐久性寿命的所有关键工况；S2.基于每一关键工况的实测数据，获得该工况与寿命相关的衰减因子随运行时间的变化趋势；S3.基于每一上述衰减因子随运行时间的变化趋势，建立每一关键工况的出现频次或持续时间与燃料电池耐久性寿命的因果关系模型；S4.获取燃料电池的目标工况、历史工况数据，带入上述因果关系模型中，得出燃料电池耐久性寿命或剩余寿命。该方法可从各工况角度进行设计改进，从而提升燃料电池耐久性。

Description

一种车用燃料电池的耐久性预测方法
技术领域
本发明涉及燃料电池技术领域，尤其涉及一种车用燃料电池的耐久性预测方法。
背景技术
燃料电池的商业化应用面临许多挑战，尤其是其耐久性成为备受关注的议题，成为了制约商业化发展的重要因素。通常采用常规耐久性台架试验来进行燃料电池的寿命验证。商用车的目标寿命较高，一般要求大于两万小时，进行耐久性测试需要耗费大量的物料、时间和人力成本，并且无法完全模拟整车的实际使用及工况。
现有耐久性预测方法一般先选定燃料电池的参考电流，运行一定里程或者时间之后，对参考电流下电压数据进行拟合，求出电压衰减与时间的关系，再根据最大允许衰减的电压值，得出剩余可运行时间，作为剩余寿命。但该方法无法准确识别关键工况与对应衰减因子的关系，无法追溯失效模式及失效机理，无法进行耐久性改进。现有技术一般采用线性外推方法，如果车辆的用途或者工况改变，得到的结果将不再正确，并且，只能得出某辆或者某类特定用途的车辆的耐久性结果，无法得出用途变化的车辆的耐久性结果。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种车用燃料电池的耐久性预测方法，用以解决现有技术不适用于车辆用途改变且无法定量分析影响因素中的关键工况导致无法精准预测燃料电池剩余寿命的问题。
一方面，本发明实施例提供了一种车用燃料电池的耐久性预测方法，包括如下步骤：
S1.确定影响燃料电池耐久性寿命的所有关键工况；
S2.基于每一关键工况的实测数据，获得该工况与寿命相关的衰减因子随运行时间的变化趋势；
S3.基于每一上述衰减因子随运行时间的变化趋势，建立每一关键工况的出现频次或持续时间与燃料电池耐久性寿命的因果关系模型；
S4.获取燃料电池的目标工况数据与历史工况数据，带入上述因果关系模型中，得出燃料电池耐久性寿命或剩余寿命。
上述技术方案的有益效果如下：提供了一种基于整车实际使用的燃料电池耐久性预测方法，具备非常重要的实际意义，可以得到各工况的衰减因子影响程度（每一工况与寿命相关的衰减因子随运行时间的变化而变化，其变化趋势对于预测结果非常重要），从而可针对性地从设计上进行改进（例如控制后续关键工况的运行次数活时间），提升燃料电池耐久性寿命。该方法可以定量地计算出各关键工况的衰减因子及变化趋势，再结合目标工况数据与历史工况数据，可以准确预测燃料电池的耐久性寿命和剩余寿命。
基于上述方法的进一步改进，步骤S1中，所述关键工况包括启停、大变载、怠速、高负荷中的至少两个。
优选地，该方法还包括如下步骤：
S5.在燃料电池的用途改变时，确定燃料电池的后续运行工况，代入上述因果关系模型中，得出燃料电池用途改变后的耐久性寿命或剩余寿命。
优选地，步骤S2进一步包括：
S21.将燃料电池置于每一个单一关键工况下进行耐久性测试，使燃料电池始终输出参考电流；
S22.采集耐久性测试过程中该关键工况的持续时间，以及参考电流对应的衰减指标的变化数据，作为该关键工况的实测数据；
S23.根据该关键工况的实测数据，得出该关键工况与寿命相关的衰减因子随运行时间的变化趋势。
优选地，步骤S3进一步包括：
S31.基于每一上述衰减因子随运行时间的变化趋势，建立衰减指标与各工况的因果关系模型，包括下面公式中的模型一：
y（t）=k 1（t）x 1（t）+k 2（t）x 2（t）+k 3（t）x 3（t）+k 4（t）x 4（t）+……+k n （t）x n （t），
式中，y（t）为参考电流对应的衰减指标；t为从出厂时刻起燃料电池的运行时间，包括历史运行工况的运行时间和当前时刻起的设定工况运行时间；x 1（t）为燃料电池在运行时间t内出现启停的次数；k 1（t）为启停衰减因子随运行时间t的变化趋势；x 2（t）为燃料电池在运行时间t内的大变载次数；k 2（t）为大变载衰减因子随运行时间t的变化趋势；x 3（t）为燃料电池在运行时间t内怠速累积时间；k 3（t）为怠速衰减因子随运行时间t的变化趋势；x 4（t）燃料电池在运行时间t内高负荷累积时间；k 4（t）为高负荷衰减因子随运行时间t的变化趋势；x n （t）为燃料电池在运行时间t内某工况出现次数或累积时间；k n （t）为第n种工况对应的衰减因子随运行时间t的变化趋势；
S32.根据设定的最大允许衰减电压y max，结合上述电压衰减与各工况的因果关系模型，通过下面不等式限定的条件得出燃料电池耐久性寿命T，
y（t）≥y max，
S33.根据上述燃料电池耐久性寿命T结合历史运行时间T 历史累积，得出燃料电池的剩余寿命T 剩余，
T 剩余=T-T 历史累积。
优选地，所述衰减指标与各工况的因果关系模型还包括下面公式中的模型二：
y（t）=a 1 k 1（t）x 1（t）+a 2 k 2（t）x 2（t）+a 3 k 3（t）x 3（t）+a 4 k 4（t）x 4（t）+……+a n k n （t）x n （t）
式中，a 1为启停相对影响因子；a 2为大变载相对影响因子；a 3为怠速相对影响因子；a 4为高负荷相对影响因子；a n 为第n个工况的相对影响因子；a 1，……，a n 通过组合关键工况下的实测数据带入上述模型二确定。
优选地，所述衰减指标为电压衰减值或功率衰减值。
优选地，所述a 1，……，a n 通过如下步骤确定：
S34.将燃料电池置于组合关键工况下进行耐久性测试，使燃料电池始终输出参考电流；
S35.采集耐久性测试过程中该组合关键工况的持续时间，以及参考电流对应的衰减指标的变化数据，作为该组合关键工况的实测数据；
S36.根据该组合关键工况的实测数据，带入上述因果关系模型中，确定a 1，……，a n 。
优选地，所述组合关键工况中，启停、大变载、怠速、高负荷的工况数量均不止一个。
优选地，所述燃料电池包括质子交换膜燃料电池、固体氧化物燃料电池、碱性燃料电池或者甲醇燃料电池中的至少一种。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、确定了关键工况与该工况对应的衰减因子的关系，从数据角度进行了精确模拟，从而可以追溯失效模式以及失效机理，进行耐久性改进。
2、根据衰减因子的两次拟合过程，可以预测本燃料电池用在其他用途上的耐久性寿命和剩余寿命。从而使得该方法适用于车辆的用途或工况发生改变，提高了适用性范围。
3、可以由一辆车辆上燃料电池的耐久性推导其他用途下燃料电池的耐久性，或者用途变化的车辆上燃料电池的耐久性。
提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的重要特征或必要特征，也无意限制本公开的范围。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了实施例1车用燃料电池的耐久性预测方法步骤示意图；
图2示出了实施例2各关键工况对应的衰减因子随运行时间的变化趋势示意图。
附图标记：
yt- 电压衰减值y（t）；t- 从出厂时刻起燃料电池的运行时间；
x 1（t）- 燃料电池在运行时间t内出现启停的次数；
k 1（t）- 启停衰减因子随运行时间t的变化趋势；
x 2（t）- 燃料电池在运行时间t内的大变载次数；
k 2（t）- 大变载衰减因子随运行时间t的变化趋势；
x 3（t）- 燃料电池在运行时间t内怠速累积时间；
k 3（t）- 怠速衰减因子随运行时间t的变化趋势；
x 4（t）- 料电池在运行时间t内高负荷累积时间；
k 4（t）- 高负荷衰减因子随运行时间t的变化趋势。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
实施例1
本发明的一个实施例，公开了一种车用燃料电池的耐久性预测方法，如图1所示，包括如下步骤：
S1.确定影响燃料电池耐久性寿命的所有关键工况；
具体地，从燃料电池的衰减机理分析，影响车用燃料电池耐久性的关键工况包括启停、大变载、怠速、高负荷等，随着研究的进行，可添加其他工况作为影响因素。每种工况的出现频率及影响程度（步骤S2中的衰减因子）决定了燃料电池的耐久性寿命，不同的工况对应不同的衰减因子，并且随着次数的累积、时间的进行，从机理上分析，衰减因子是变化的。
S2.基于每一关键工况的实测数据，获得该工况与寿命相关的衰减因子随运行时间的变化趋势；
具体地，关于求取衰减因子k i （t）的方法，除了实施例2所述的方法，还可参见专利CN201910995085.4等，使得衰减因子包括衰减速度（衰减因子）、衰减加速度等。
S3.基于每一上述衰减因子随运行时间的变化趋势，建立每一关键工况的出现频次或持续时间与燃料电池耐久性寿命的因果关系模型；
具体地，因果关系模型除了采用实施例2所述模型，也可以是二次幂的组合运算
y（t）=a 1（t）x 1 2（t）+k 1（t）x 1（t）+a 2（t）x 2 2（t）+k 2（t）x 2（t）+a 3（t）x 3 2（t）+k 3（t）x 3（t）+a 4（t）x 4 2（t）+k 4（t）x 4（t）+……+a n （t）x n 2（t）+k n （t）x n （t）
或者更高次幂的组合运算，本领域技术人员可以理解，a i （t）为第i种关键工况对应的衰减加速度，i=1，……，n，n为关键工况的数量，其他参数的含义参见实施例2。
S4.获取燃料电池的目标工况数据与历史工况数据，带入上述因果关系模型中，得出燃料电池耐久性寿命或剩余寿命。
具体地，剩余寿命可通过耐久性寿命减去历史消耗时间得出。
与现有技术相比，本实施例提供了一种基于整车实际使用的燃料电池耐久性预测方法，具备非常重要的实际意义，可以得到各工况的衰减因子影响程度（每一工况与寿命相关的衰减因子随运行时间的变化而变化，其变化趋势对于预测结果非常重要），从而可针对性地从设计上进行改进（例如控制后续关键工况的运行次数活时间），提升燃料电池耐久性寿命。该方法可以定量地计算出各关键工况的衰减因子及变化趋势，再结合目标工况数据与历史工况数据，可以准确预测燃料电池的耐久性寿命和剩余寿命。
实施例2
在实施例1的基础上进行改进，步骤S1中，所述关键工况包括启停、大变载、怠速、高负荷中的至少两个。可任意进行组合，其他影响因素可暂时不考虑。
优选地，该方法还包括如下步骤：
S5.在燃料电池的用途改变时，确定燃料电池的后续运行工况，代入上述因果关系模型中，得出燃料电池用途改变后的耐久性寿命或剩余寿命。
实际上，步骤S4、S5均是对运行工况进行特征提取，提炼出表征燃料电池寿命特征的关键工况的次数或者是累积时间，然后带入因果关系模型，可以求得燃料电池的耐久性寿命，进而得出剩余寿命。
优选地，步骤S2进一步包括：
S21.将燃料电池置于每一个单一关键工况下进行耐久性测试，使燃料电池始终输出参考电流；
S22.采集耐久性测试过程中该关键工况的持续时间，以及参考电流对应的衰减指标（包括电压衰减值y（t）或功率衰减值）的变化数据，作为该关键工况的实测数据；
具体地，x i （t）可按定义规则对整车运行大数据的统计，会直接得到符合各自条件的值。y（t）可通过对t时间内的电压进行拟合，通过拟合的线性公式、与时间的关系求得衰减因子的数值，参见图2，可获得获得准确的y（t）数据。
S23.根据该关键工况的实测数据，得出该关键工况与寿命相关的衰减因子随运行时间的变化趋势k i （t）。
具体地，当选定了时间t之后，对t时间内的数据进行后台分段处理，因为其他变量都可以直接统计得到，因此系统中存在四个以上变量，当分段数≥4时，即可求得k 1（t），k 2（t），k 3（t），k 4（t）等的数值。获得的结果如图2所示。
通过步骤S2求得了k 1（t），k 2（t），k 3（t），k 4（t）等的经验公式，再对运行的关键工况进行提取，提炼出特征工况（预设关键工况），可以求得燃料电池的耐久性寿命。
优选地，步骤S3可进一步包括：
S31.基于每一上述衰减因子随运行时间的变化趋势，建立衰减指标与各工况的因果关系模型，即下面公式中的模型一：
y（t）=k 1（t）x 1（t）+k 2（t）x 2（t）+k 3（t）x 3（t）+k 4（t）x 4（t）+……+k n （t）x n （t），
式中，y（t）为参考电流对应的衰减指标；t为从出厂时刻起燃料电池的运行时间，包括历史运行工况的运行时间和当前时刻起的设定工况运行时间；x 1（t）为燃料电池在运行时间t内出现启停的次数；k 1（t）为启停衰减因子随运行时间t的变化趋势；x 2（t）为燃料电池在运行时间t内的大变载次数；k 2（t）为大变载衰减因子随运行时间t的变化趋势；x 3（t）为燃料电池在运行时间t内怠速累积时间；k 3（t）为怠速衰减因子随运行时间t的变化趋势；x 4（t）燃料电池在运行时间t内高负荷累积时间；k 4（t）为高负荷衰减因子随运行时间t的变化趋势；x n （t）为燃料电池在运行时间t内某工况出现次数或累积时间；k n （t）为第n种工况对应的衰减因子随运行时间t的变化趋势；
S32.根据设定的最大允许衰减电压y max，结合上述电压衰减与各工况的因果关系模型，通过下面不等式限定的条件得出燃料电池耐久性寿命T，
y（t）≥y max，
S33.根据上述燃料电池耐久性寿命T结合历史运行时间T 历史累积，得出燃料电池的剩余寿命T 剩余，
T 剩余=T-T 历史累积。
优选地，步骤S3也可以进一步包括：
S31’.基于每一上述衰减因子随运行时间的变化趋势，建立衰减指标与各工况的因果关系模型，即下面公式中的模型二：
y（t）=a 1 k 1（t）x 1（t）+a 2 k 2（t）x 2（t）+a 3 k 3（t）x 3（t）+a 4 k 4（t）x 4（t）+……+a n k n （t）x n （t），
式中，a 1为启停相对影响因子；a 2为大变载相对影响因子；a 3为怠速相对影响因子；a 4为高负荷相对影响因子；a n 为第n个工况的相对影响因子。
S32’.基于组合关键工况的实测数据，获得系数a 1，……，a n 。即a 1，……，a n 通过组合关键工况下的实测数据带入上述模型二确定。组合关键工况中，启停、大变载、怠速、高负荷的工况数量可不止一个。
S33’.根据设定的最大允许衰减电压y max，结合上述电压衰减与各工况的因果关系模型，通过下面不等式限定的条件得出燃料电池耐久性寿命T，
y（t）≥y max，
S34’.根据上述燃料电池耐久性寿命T结合历史运行时间T 历史累积，得出燃料电池的剩余寿命T 剩余，
T 剩余=T-T 历史累积。
优选地，步骤S32’进一步包括：
S34.将燃料电池置于组合关键工况下进行耐久性测试，使燃料电池始终输出参考电流；
S35.采集耐久性测试过程中该组合关键工况的持续时间，以及参考电流对应的衰减指标的变化数据，作为该组合关键工况的实测数据；
S36.根据该组合关键工况的实测数据，带入上述因果关系模型中，确定a 1，……，a n 。
优选地，所述衰减指标为电压衰减值或功率衰减值。
优选地，所述燃料电池包括质子交换膜燃料电池、固体氧化物燃料电池、碱性燃料电池或者甲醇燃料电池中的至少一种。该方法适用于多种燃料电池的组合供电，此处不进行限定。
与现有技术相比，本实施例方法具有如下有益效果：
1、确定了关键工况与该工况对应的衰减因子的关系，从数据角度进行了精确模拟，从而可以追溯失效模式以及失效机理，进行耐久性改进。
2、根据衰减因子的两次拟合过程，可以预测本燃料电池用在其他用途上的耐久性寿命和剩余寿命。从而使得该方法适用于车辆的用途或工况发生改变，提高了适用性范围。
3、可以由一辆车辆上燃料电池的耐久性推导其他用途下燃料电池的耐久性，或者用途变化的车辆上燃料电池的耐久性。
以上已经描述了本公开的各实施例，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、实际应用或对现有技术的改进，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。

Claims (10)

1.一种车用燃料电池的耐久性预测方法，其特征在于，包括步骤：
S1.确定影响燃料电池耐久性寿命的所有关键工况；
S2.基于每一关键工况的实测数据，获得该工况与寿命相关的衰减因子随运行时间的变化趋势；
S3.基于每一上述衰减因子随运行时间的变化趋势，建立每一关键工况的出现频次或持续时间与燃料电池耐久性寿命的因果关系模型；
S4.获取燃料电池的目标工况数据与历史工况数据，带入上述因果关系模型中，得出燃料电池耐久性寿命或剩余寿命。
2.根据权利要求1所述的车用燃料电池的耐久性预测方法，其特征在于，步骤S1中，所述关键工况包括启停、大变载、怠速、高负荷中的至少两个。
3.根据权利要求1或2所述的车用燃料电池的耐久性预测方法，其特征在于，还包括如下步骤：
S5.在燃料电池的用途改变时，确定燃料电池的后续运行工况，代入上述因果关系模型中，得出燃料电池用途改变后的耐久性寿命或剩余寿命。
4.根据权利要求3所述的车用燃料电池的耐久性预测方法，其特征在于，步骤S2进一步包括：
S21.将燃料电池置于每一个单一关键工况下进行耐久性测试，使燃料电池始终输出参考电流；
S22.采集耐久性测试过程中该关键工况的持续时间，以及参考电流对应的衰减指标的变化数据，作为该关键工况的实测数据；
S23.根据该关键工况的实测数据，得出该关键工况与寿命相关的衰减因子随运行时间的变化趋势。
5.根据权利要求4所述的车用燃料电池的耐久性预测方法，其特征在于，步骤S3进一步包括：
S31.基于每一上述衰减因子随运行时间的变化趋势，建立衰减指标与各工况的因果关系模型，包括下面公式中的模型一：
y（t）=k 1（t）x 1（t）+k 2（t）x 2（t）+k 3（t）x 3（t）+k 4（t）x 4（t）+……+k n （t）x n （t），
式中，y（t）为参考电流对应的衰减指标；t为从出厂时刻起燃料电池的运行时间，包括历史运行工况的运行时间和当前时刻起的设定工况运行时间；x 1（t）为燃料电池在运行时间t内出现启停的次数；k 1（t）为启停衰减因子随运行时间t的变化趋势；x 2（t）为燃料电池在运行时间t内的大变载次数；k 2（t）为大变载衰减因子随运行时间t的变化趋势；x 3（t）为燃料电池在运行时间t内怠速累积时间；k 3（t）为怠速衰减因子随运行时间t的变化趋势；x 4（t）燃料电池在运行时间t内高负荷累积时间；k 4（t）为高负荷衰减因子随运行时间t的变化趋势；x n （t）为燃料电池在运行时间t内某工况出现次数或累积时间；k n （t）为第n种工况对应的衰减因子随运行时间t的变化趋势；
S32.根据设定的最大允许衰减电压y max，结合上述电压衰减与各工况的因果关系模型，通过下面不等式限定的条件得出燃料电池耐久性寿命T，
y（t）≥y max，
S33.根据上述燃料电池耐久性寿命T结合历史运行时间T 历史累积，得出燃料电池的剩余寿命T 剩余，
T 剩余=T-T 历史累积。
6.根据权利要求5所述的车用燃料电池的耐久性预测方法，其特征在于，所述衰减指标与各工况的因果关系模型还包括下面公式中的模型二：
y（t）=a 1 k 1（t）x 1（t）+a 2 k 2（t）x 2（t）+a 3 k 3（t）x 3（t）+a 4 k 4（t）x 4（t）+……+a n k n （t）x n （t）
式中，a 1为启停相对影响因子；a 2为大变载相对影响因子；a 3为怠速相对影响因子；a 4为高负荷相对影响因子；a n 为第n个工况的相对影响因子；a 1，……，a n 通过组合关键工况下的实测数据带入上述模型二确定。
7.根据权利要求4-6任意一项所述的车用燃料电池的耐久性预测方法，其特征在于，所述衰减指标为电压衰减值或功率衰减值。
8.根据权利要求6所述的车用燃料电池的耐久性预测方法，其特征在于，所述a 1，……，a n 通过如下步骤确定：
S34.将燃料电池置于组合关键工况下进行耐久性测试，使燃料电池始终输出参考电流；
S35.采集耐久性测试过程中该组合关键工况的持续时间，以及参考电流对应的衰减指标的变化数据，作为该组合关键工况的实测数据；
S36.根据该组合关键工况的实测数据，带入上述因果关系模型中，确定a 1，……，a n 。
9.根据权利要求6或8所述的车用燃料电池的耐久性预测方法，其特征在于，所述组合关键工况中，启停、大变载、怠速、高负荷的工况数量均不止一个。
10.根据权利要求1、2、4、5、6、8任意一项所述的车用燃料电池的耐久性预测方法，其特征在于，所述燃料电池包括质子交换膜燃料电池、固体氧化物燃料电池、碱性燃料电池或者甲醇燃料电池中的至少一种。
CN202211009225.4A 2022-08-23 2022-08-23 一种车用燃料电池的耐久性预测方法 Pending CN115372842A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211009225.4A CN115372842A (zh) 2022-08-23 2022-08-23 一种车用燃料电池的耐久性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211009225.4A CN115372842A (zh) 2022-08-23 2022-08-23 一种车用燃料电池的耐久性预测方法

Publications (1)

Publication Number Publication Date
CN115372842A true CN115372842A (zh) 2022-11-22

Family

ID=84067044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211009225.4A Pending CN115372842A (zh) 2022-08-23 2022-08-23 一种车用燃料电池的耐久性预测方法

Country Status (1)

Country Link
CN (1) CN115372842A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116914198A (zh) * 2023-06-21 2023-10-20 中国石油大学(华东) 固体氧化物燃料电池电堆耐久性的加速测试方法
CN117236082A (zh) * 2023-11-15 2023-12-15 中汽研新能源汽车检验中心(天津)有限公司 一种基于大数据平台的燃料电池性能衰减预测方法和系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116914198A (zh) * 2023-06-21 2023-10-20 中国石油大学(华东) 固体氧化物燃料电池电堆耐久性的加速测试方法
CN117236082A (zh) * 2023-11-15 2023-12-15 中汽研新能源汽车检验中心(天津)有限公司 一种基于大数据平台的燃料电池性能衰减预测方法和系统
CN117236082B (zh) * 2023-11-15 2024-01-23 中汽研新能源汽车检验中心(天津)有限公司 一种基于大数据平台的燃料电池性能衰减预测方法和系统

Similar Documents

Publication Publication Date Title
CN115372842A (zh) 一种车用燃料电池的耐久性预测方法
CN101971043B (zh) 在电池管理系统中测量电池的充电状态的方法及其装置
CN110873841B (zh) 一种基于数据驱动与电池特性相结合的电池寿命预测方法
CN108983106B (zh) 新型动力电池健康状态评估方法
CN111175666B (zh) 一种soh检测方法及装置
CN106959420B (zh) 一种动力电池组soc和soh的自适应估计方法
US20060066285A1 (en) Method for detecting state of secondary battery and device for detecting state of second battery
JP2013044598A (ja) 二次電池の劣化管理システム
JP2017111860A (ja) 二次電池制御システム
Juang et al. Implementation of online battery state-of-power and state-of-function estimation in electric vehicle applications
CN111983457A (zh) 一种基于lstm神经网络的电池组soh估算方法
CN110988695A (zh) 动力电池健康状态评估方法、装置、存储介质及电子设备
CN101473509B (zh) 蓄电控制设备和控制蓄电的方法
CN113264034B (zh) 车辆用控制数据的生成方法、控制装置、系统及学习装置
CN114325440A (zh) 借助于机器学习方法运行用于为设备提供电能量存储器的预测老化状态的系统的方法和装置
Sheikhan et al. State of charge neural computational models for high energy density batteries in electric vehicles
CN111537888A (zh) 一种数据驱动的梯次电池soc预测方法
CN112782588B (zh) 一种基于lssvm的soc在线监测方法及其储存介质
CN111751729B (zh) 用于确定车辆的可反复充电电池的状态的方法
JP2022136663A (ja) 二次電池の状態推定モデルの学習方法、状態推定方法、および状態推定装置
CN116718921A (zh) 基于多模型的电池荷电状态预测方法及装置
CN116466250A (zh) 基于动态工况模型误差特征的动力电池健康状态估计方法
CN112993344A (zh) 基于神经网络的燃料电池系统输出性能预测方法及装置
CN113779750B (zh) 基于充电状态的电池寿命预测方法、系统及充电桩
CN111506977A (zh) 一种动力电池建模方法

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