CN115392139A - 一种燃料电池参数辨识方法 - Google Patents

一种燃料电池参数辨识方法 Download PDF

Info

Publication number
CN115392139A
CN115392139A CN202211322058.9A CN202211322058A CN115392139A CN 115392139 A CN115392139 A CN 115392139A CN 202211322058 A CN202211322058 A CN 202211322058A CN 115392139 A CN115392139 A CN 115392139A
Authority
CN
China
Prior art keywords
tree
fuel cell
seed
parameter
seeds
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
Application number
CN202211322058.9A
Other languages
English (en)
Other versions
CN115392139B (zh
Inventor
周大明
王启凡
田壮
张书雅
黄汉桥
闫天
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202211322058.9A priority Critical patent/CN115392139B/zh
Publication of CN115392139A publication Critical patent/CN115392139A/zh
Application granted granted Critical
Publication of CN115392139B publication Critical patent/CN115392139B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Fuel Cell (AREA)

Abstract

本发明提供一种燃料电池参数辨识方法，属于燃料电池技术领域，包括以下步骤：确定质子交换膜燃料电池的半经验模型中待辨识的参数，以及导入实验数据和电堆数据；构建目标函数，其中目标函数为质子交换膜燃料电池的半经验模型输出电压和实际电压之间的平方误差之和，并确定目标函数的约束条件；引入优化后的树种子算法，搜索最优待辨识参数；根据输出的最优待辨识参数，构建质子交换膜燃料电池的半经验模型。本方法实现了燃料电池经验参数的精准辨识，具有高度精确性、高收敛速度、结果高度一致性的优点。

Description

一种燃料电池参数辨识方法
技术领域
本发明涉及燃料电池技术领域，具体涉及一种燃料电池参数辨识方法。
背景技术
近年来，能源需求的增加、传统燃料资源的枯竭和环境污染促使研究人员对燃料电池等新能源转换装置给予了极大的关注。燃料电池通过一系列电化学反应将氢能转化为电能，避免了卡诺循环的限制，提高了能量转换效率且最终产物只有水，对环境无污染。其中，质子交换膜燃料电池（PEMFC）的无污染、低噪音、快速响应、高功率密度、耐久性和可靠性等优点使其成为最理想的能量转换装置。
对于质子交换膜燃料电池进行建模有助于预测燃料电池的运行状况，优化设计以及和其他装置的集成。经常应用于燃料电池各种相关研究中的半经验模型对质子交换膜燃料电池的稳态行为进行了建模。但由于制造商并不会提供PEMFC的详细参数且其本身具备高度的复杂性和非线性特性，因此需要应用传统的分析方法或元启发式优化算法进行辨识以获得一个准确的质子交换膜燃料电池模型。
传统分析方法包括分数阶模型、广义简约梯度法等。这两种方法存在一定的局限性：①基本都需要梯度信息，在多变量参数辨识时计算麻烦；②计算过程极为复杂且结果的准确性需要依赖问题的初始解；③求解这种高度非线性问题时可能陷入局部最优而无法找到全局最优解，最终结果差强人意。
元启发式算法仅依赖简单概念、易实现，不需要梯度信息且可以跳出局部最优，广泛应用于参数辨识领域。然而元启发式算法也存在一定的问题：①辨识结果的准确度低，与实际燃料电池输出具有较大差距，不符合实际；②迭代计算过程的收敛速度慢，不能快速得到最优解；③众所周知，元启发式算法具有很高的随机性，将某一种算法多次运行，其结果可能时好时坏，不具有一致性。即很多算法只能在某一次辨识中偶然得到一个较好的结果，不能稳定输出最优解。
发明内容
为解决上述问题，本发明提供一种燃料电池参数辨识方法，具体提出了一种自适应差分进化融合D-S证据理论的树种子算法ADE-DST-TSA，可以实现高精度、高收敛速度、结果高度一致的燃料电池参数辨识，建立准确的燃料电池模型。
本发明提供了如下的技术方案。
一种燃料电池参数辨识方法，包括以下步骤：
根据质子交换膜燃料电池的实验数据和电堆数据，构建质子交换膜燃料电池的半经验模型，确定模型中待辨识的参数；
构建目标函数，所述目标函数为质子交换膜燃料电池的半经验模型输出电压和实际电压之间的平方误差之和，并确定目标函数的约束条件；
根据目标函数的约束条件，通过优化后的树种子算法，搜索最优待辨识参数；
其中，所述优化后的树种子算法采用差分进化策略替换原有子代种群的生成机制，并增加自适应反馈机制；其中，所述优化后的树种子算法还包括：将一次迭代获得的所有多源信息通过D-S证据理论进行融合，更新搜索空间进行后续迭代搜索；
其中，所述自适应反馈机制为：当种子目标值优于树的目标值时，减小ST值加强全局搜索，增多该树的种子数量，同时以此种子的位置向量替换原始父级；否则，增大搜索趋势常数ST增加局部搜索，减少该树的种子数量，保持原始父级位置向量不变。
优选地，所述质子交换膜燃料电池的半经验模型的具体构建过程，包括以下步骤：
单片燃料电池电压
Figure 299491DEST_PATH_IMAGE001
的计算，如下式所示：
Figure 959143DEST_PATH_IMAGE002
其中，
Figure 511347DEST_PATH_IMAGE003
、
Figure 104002DEST_PATH_IMAGE004
和
Figure 591615DEST_PATH_IMAGE005
分别为活化电压降、欧姆电压降和浓度电压降，
Figure 4142DEST_PATH_IMAGE006
是由下式计算获得的热力学势：
Figure 362967DEST_PATH_IMAGE007
其中，
Figure 810129DEST_PATH_IMAGE008
为电堆温度，
Figure 468643DEST_PATH_IMAGE009
和
Figure 961941DEST_PATH_IMAGE010
为氢气和氧气分压；
活化电压降的计算，如下式所示：
Figure 793631DEST_PATH_IMAGE011
其中，
Figure 32983DEST_PATH_IMAGE012
为半经验系数，
Figure 659136DEST_PATH_IMAGE013
为电堆电流，
Figure 374151DEST_PATH_IMAGE014
为催化层界面的氧气浓度；所述催化层界面的氧气浓度的定义，如下式所示：
Figure 9532DEST_PATH_IMAGE015
欧姆电压降的计算，如下式所示：
Figure 368969DEST_PATH_IMAGE016
其中，
Figure 431603DEST_PATH_IMAGE017
为膜恒定电阻，
Figure 368335DEST_PATH_IMAGE018
为膜等效电阻，用膜电阻率
Figure 541827DEST_PATH_IMAGE019
、膜厚度
Figure 755771DEST_PATH_IMAGE020
和膜面积
Figure 989306DEST_PATH_IMAGE021
定义，如下式所示：
Figure 413334DEST_PATH_IMAGE022
Figure 390517DEST_PATH_IMAGE023
其中，λ为膜水含量；
由于氢和氧浓度或燃料交叉的变化而出现的浓度电压降，其计算如下式所示：
Figure 724547DEST_PATH_IMAGE024
其中，β为参数系数，Jmax 为最大电流密度，J为电流密度；
整个燃料电池电堆包括n个串联的单片电池，整堆的电压计算如下式所示：
Figure 128983DEST_PATH_IMAGE025
则，半经验系数
Figure 774728DEST_PATH_IMAGE012
、膜水含量λ、膜恒定电阻
Figure 555603DEST_PATH_IMAGE017
、参数系数β为待辨识参数。
优选地，所述目标函数，具体包括：
所述目标函数设置为质子交换膜燃料电池的半经验模型输出电压和实际电压之间的平方误差之和SSE，如下式所示：
Figure 9718DEST_PATH_IMAGE026
并受以下约束：
Figure 647372DEST_PATH_IMAGE027
Figure 921359DEST_PATH_IMAGE028
Figure 240345DEST_PATH_IMAGE029
Figure 408021DEST_PATH_IMAGE030
其中，
Figure 154260DEST_PATH_IMAGE031
为实验电压数据，
Figure 915543DEST_PATH_IMAGE032
为估计电压；
Figure 772640DEST_PATH_IMAGE033
表示数据点的计数。
优选地，所述优化后的树种子算法，包括以下步骤：
S1：在搜索开始阶段进行初始化，并设置算法初始参数，将初始树种群的位置向量随机分布在搜索空间中，同时利用目标函数生成树的适应度值obj(i)；
S2：通过差分进化的突变过程来获得第i棵树的第j个种子的初始位置向量；其中，种子位置的生成包括局部搜索和全局搜索，引入搜索趋势常数ST进行平衡选择；
S3：对选择后的种子位置进行交叉操作得到第i棵树的第j个种子的最终位置向量；
S4：当j<ns(i)则返回S2，否则继续执行；其中ns(i)为第i棵树的种子数量；在生成第i棵树所有种子之后更新生成种子中的最小适应度Minimum，若Minimum<obj(i)，进行S5；否则进行S6；
S5：当种子目标值优于树的目标值时，减小ST值加强全局搜索，增多该树的种子数量进行全面的搜索，同时以此种子的位置向量替换原始父级；
S6：种子的性能没有树好时，增大ST值增加局部搜索，适当减少该树的种子数量，保持此树的位置向量不变；
S7：若i<初始种群数，则返回S2进行其余树的计算；当完成所有树的计算之后，则完成了一次迭代过程，更新本次迭代过程中得到的最小目标值及其相应的参数向量；利用D-S证据理论融合本次迭代过程的多源信息进而更新参数辨识的边界，即更新搜索空间；
S8：使用更新后的搜索空间重复执行上述过程直到迭代数达到最大迭代数为止。
优选地，所述将初始树种群的位置向量随机分布在搜索空间中，具体包括：
Figure 328911DEST_PATH_IMAGE034
其中，
Figure 980472DEST_PATH_IMAGE035
，
Figure 963472DEST_PATH_IMAGE036
，N为初始种群数，dim为所要辨识参数的个数，即位置向量的维数，
Figure 952156DEST_PATH_IMAGE037
、
Figure 32108DEST_PATH_IMAGE038
是搜索空间中每一维度参数的上界和下界，
Figure 57833DEST_PATH_IMAGE039
是为每棵树的每一维度对应生成的随机数。
优选地，所述通过差分进化的突变过程来获得第i棵树的第j个种子的初始位置向量，具体包括：
Figure 590445DEST_PATH_IMAGE040
其中，
Figure 117241DEST_PATH_IMAGE041
，
Figure 51699DEST_PATH_IMAGE042
为第i棵树产生的种子数量，
Figure 248325DEST_PATH_IMAGE043
是第i棵树生成的第j个种子的位置向量，
Figure 268234DEST_PATH_IMAGE044
为当前树的位置向量，
Figure 598721DEST_PATH_IMAGE045
是具有当前最优解的树的位置向量，
Figure 387686DEST_PATH_IMAGE046
、
Figure 755213DEST_PATH_IMAGE047
、
Figure 262418DEST_PATH_IMAGE048
、
Figure 131017DEST_PATH_IMAGE049
是从种群中随机选择的其他树的位置向量，
Figure 774488DEST_PATH_IMAGE050
、
Figure 578496DEST_PATH_IMAGE051
是比例系数。
优选地，所述对选择后的种子位置进行交叉操作得到第i棵树的第j个种子的最终位置向量，交叉操作后的位置向量为：
Figure 307417DEST_PATH_IMAGE052
其中，
Figure 979707DEST_PATH_IMAGE053
为交叉率；
Figure 680947DEST_PATH_IMAGE054
为当前树的位置向量；
Figure 718173DEST_PATH_IMAGE043
是第i棵树生成的第j个种子的位置向量。
优选地，所述利用D-S证据理论融合本次迭代过程的多源信息进而更新参数辨识的边界，即更新搜索空间，包括以下步骤：
对于通过差分进化思想产生的每棵树的种子的位置向量，寻找其中每个维度的最大值
Figure 996707DEST_PATH_IMAGE055
、最小值
Figure 144792DEST_PATH_IMAGE056
以及其所对应的目标函数值作为DST的一个证据以及初始的基本信念分配来源：
Figure 700538DEST_PATH_IMAGE057
||
Figure 643087DEST_PATH_IMAGE058
||
Figure 940076DEST_PATH_IMAGE059
||
Figure 626272DEST_PATH_IMAGE060
||
其中，
Figure 36525DEST_PATH_IMAGE061
为第i棵树产生的第j个种子位置向量的第d维参数，
Figure 415553DEST_PATH_IMAGE062
为计算得到的基本信念分配，其中
Figure 937189DEST_PATH_IMAGE063
，分别是用以更新上界和下界相应的计算值；
在此基础上，计算每棵树产生的种子中每个维度参数的置信测度：
Figure 364759DEST_PATH_IMAGE064
Figure 957415DEST_PATH_IMAGE065
使用以下逆函数返回更新来自信念测度的基本信念分配：
Figure 304083DEST_PATH_IMAGE066
Figure 982189DEST_PATH_IMAGE067
对这些分配重新进行归一化，新的基本信念分配值如下：
Figure 213450DEST_PATH_IMAGE068
||
Figure 660612DEST_PATH_IMAGE069
||
Figure 709339DEST_PATH_IMAGE070
||
Figure 546845DEST_PATH_IMAGE071
||
使用加权算术平均值更新参数上下界：
Figure 378535DEST_PATH_IMAGE072
Figure 8099DEST_PATH_IMAGE073
式中，
Figure 899832DEST_PATH_IMAGE074
、
Figure 224634DEST_PATH_IMAGE075
分别为上界和下界。
本发明的有益效果：
本发明提出了一种优化融合的元启发式算法进行燃料电池参数辨识的方法，该方法实现了高精度、高收敛速度、结果高度一致的参数辨识，建立了准确的燃料电池模型。
本发明提出的方法融合了差分进化的思想，增加了种群的多样性使得搜索过程更为全面合理，同时加入自适应反馈机制，根据迭代计算的结果自适应调整算法中的关键参数，实现了参数的高精度辨识以及算法稳定输出最优结果，多次运行的结果高度一致，同时避免了梯度计算，整体过程较为简单且不会陷入局部最优。采用D-S证据理论融合迭代过程中的多源信息进行参数边界的更新，不断缩小辨识范围加快了收敛速度，使得本方法能够快速完成参数的准确辨识。
附图说明
图1为本发明实施例的自适应差分进化融合D-S证据理论的树种子算法ADE-DST-TSA的算法流程图；
图2为本发明实施例的D-S证据理论更新边界流程图；
图3为本发明实施例的使用ADE-DST-TSA辨识后模型输出与实验极化曲线对比图；
图4为本发明实施例的使用ADE-DST-TSA辨识后模型输出与实验功率曲线对比图；
图5为本发明实施例的BCS 500W燃料电池参数辨识过程目标函数值变化图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
一种燃料电池参数辨识方法，如图1-5所示，具体包括以下步骤：
S1：确定质子交换膜燃料电池的半经验模型中待辨识的参数，以及导入实验数据和电堆数据。
具体的：质子交换膜燃料电池的半经验模型常用于燃料电池的相关研究中，其中包含七个需要辨识的参数：
单片燃料电池电压
Figure 187911DEST_PATH_IMAGE076
的计算，如下式所示：
Figure 609665DEST_PATH_IMAGE077
其中，
Figure 609982DEST_PATH_IMAGE003
、
Figure 484397DEST_PATH_IMAGE004
和
Figure 985785DEST_PATH_IMAGE005
分别为活化电压降、欧姆电压降和浓度电压降，
Figure 199729DEST_PATH_IMAGE006
是由下式计算获得的热力学势：
Figure 433264DEST_PATH_IMAGE007
其中，
Figure 122872DEST_PATH_IMAGE008
为电堆温度，
Figure 303317DEST_PATH_IMAGE009
和
Figure 496401DEST_PATH_IMAGE010
为氢气和氧气分压；
活化电压降的计算，如下式所示：
Figure 900838DEST_PATH_IMAGE011
其中，
Figure 687528DEST_PATH_IMAGE012
为半经验系数，
Figure 468402DEST_PATH_IMAGE078
为电堆电流，
Figure 507204DEST_PATH_IMAGE014
为催化层界面的氧气浓度；所述催化层界面的氧气浓度的定义，如下式所示：
Figure 82542DEST_PATH_IMAGE015
欧姆电压降的计算，如下式所示：
Figure 356528DEST_PATH_IMAGE016
其中，
Figure 675514DEST_PATH_IMAGE017
为膜恒定电阻，
Figure 843190DEST_PATH_IMAGE018
为膜等效电阻，用膜电阻率
Figure 792692DEST_PATH_IMAGE019
、膜厚度
Figure 616291DEST_PATH_IMAGE020
和膜面积
Figure 535706DEST_PATH_IMAGE021
定义，如下式所示：
Figure 495571DEST_PATH_IMAGE022
Figure 615974DEST_PATH_IMAGE023
其中，λ为膜水含量；
由于氢和氧浓度或燃料交叉的变化而出现的浓度电压降，其计算如下式所示：
Figure 989187DEST_PATH_IMAGE024
其中，β为参数系数，
Figure 649975DEST_PATH_IMAGE079
为最大电流密度；
整个燃料电池电堆包括n个串联的单片电池，整堆的电压计算如下式所示：
Figure 464347DEST_PATH_IMAGE025
则，半经验系数
Figure 490072DEST_PATH_IMAGE012
、膜水含量λ、膜恒定电阻
Figure 22685DEST_PATH_IMAGE017
、参数系数β为待辨识参数。
S2：构建目标函数，目标函数为质子交换膜燃料电池的半经验模型输出电压和实际电压之间的平方误差之和，并确定目标函数的约束条件：
目标函数设置为质子交换膜燃料电池的半经验模型输出电压和实际电压之间的平方误差之和SSE，如下式所示：
Figure 815060DEST_PATH_IMAGE026
并受以下约束：
Figure 687201DEST_PATH_IMAGE027
Figure 946144DEST_PATH_IMAGE028
Figure 28370DEST_PATH_IMAGE029
Figure 30961DEST_PATH_IMAGE080
其中，
Figure 757608DEST_PATH_IMAGE031
为实验电压数据，
Figure 780928DEST_PATH_IMAGE032
为估计电压；
Figure 288133DEST_PATH_IMAGE033
表示数据点的计数。
S3：引入优化后的树种子算法，搜索最优待辨识参数，具体的：
S3.1：在搜索开始阶段进行初始化，设置对应的初始算法参数，将初始树种群的位置向量随机分布在搜索空间中，同时利用目标函数生成树的适应度值obj(i)：
Figure 766519DEST_PATH_IMAGE034
其中，
Figure 675569DEST_PATH_IMAGE035
，
Figure 338631DEST_PATH_IMAGE036
，N为初始种群数，dim为所要辨识参数的个数，即位置向量的维数，
Figure 333132DEST_PATH_IMAGE037
、
Figure 615209DEST_PATH_IMAGE038
是搜索空间中每一维度参数的上界和下界，
Figure 378766DEST_PATH_IMAGE081
是为每棵树的每一维度对应生成的随机数。
S3.2：通过差分进化的突变过程来获得第i棵树的第个种子的初始位置向量；其中，种子位置的生成包括局部搜索和全局搜索，引入搜索趋势常数ST进行平衡选择：
Figure 746817DEST_PATH_IMAGE040
其中，
Figure 900718DEST_PATH_IMAGE041
，
Figure 48803DEST_PATH_IMAGE042
为第i棵树产生的种子数量，
Figure 729183DEST_PATH_IMAGE043
是第i棵树生成的第j个种子的位置向量，
Figure 937310DEST_PATH_IMAGE044
为当前树的位置向量，
Figure 578507DEST_PATH_IMAGE045
是具有当前最优解的树的位置向量，
Figure 264704DEST_PATH_IMAGE046
、
Figure 65169DEST_PATH_IMAGE047
、
Figure 444198DEST_PATH_IMAGE048
、
Figure 572691DEST_PATH_IMAGE049
是从种群中随机选择的其他树的位置向量，
Figure 62578DEST_PATH_IMAGE050
、
Figure 717550DEST_PATH_IMAGE051
是比例系数。
S3.3：对选择后的种子位置进行交叉操作得到第i棵树的第个种子的最终位置向量：
交叉操作后的位置向量为：
Figure 470743DEST_PATH_IMAGE052
其中，
Figure 211166DEST_PATH_IMAGE053
为交叉率；
Figure 504744DEST_PATH_IMAGE082
为当前树的位置向量；
Figure 889589DEST_PATH_IMAGE043
是第i棵树生成的第j个种子的位置向量。
S3.4：当j<ns(i)则返回S2，否则继续执行；其中ns(i)为第i棵树的种子数量；在生成第i棵树所有种子之后更新生成种子中的最小适应度Minimum，若Minimum<obj(i)，进行S5；否则进行S6；
S3.5：当种子目标值优于树的目标值时，减小ST值加强全局搜索，增多该树的种子数量进行全面的搜索，同时以此种子的位置向量替换原始父级；
S3.6：种子的性能没有树好时，增大ST值增加局部搜索，适当减少该树的种子数量，保持此树的位置向量不变；
S3.7：若i<初始种群数，则返回S2进行其余树的计算；当完成所有树的计算之后，则完成了一次迭代过程，更新本次迭代过程中得到的最小目标值及其相应的参数向量；利用D-S证据理论融合本次迭代过程的多源信息进而更新参数辨识的边界，即更新搜索空间，缩小搜索范围减小迭代计算量；
具体包括：
对于通过差分进化思想产生的每棵树的种子的位置向量，寻找其中每个维度的最大值
Figure 344841DEST_PATH_IMAGE083
、最小值
Figure 572560DEST_PATH_IMAGE084
以及其所对应的目标函数值作为DST的一个证据以及初始的基本信念分配来源：
Figure 404250DEST_PATH_IMAGE085
||
Figure 174760DEST_PATH_IMAGE058
||
Figure 863230DEST_PATH_IMAGE086
||
Figure 515928DEST_PATH_IMAGE087
||
其中，
Figure 88992DEST_PATH_IMAGE061
为第i棵树产生的第j个种子位置向量的第d维参数，
Figure 245167DEST_PATH_IMAGE062
为计算得到的基本信念分配，其中
Figure 370118DEST_PATH_IMAGE063
，分别是用以更新上界和下界相应的计算值；
在此基础上，计算每棵树产生的种子中每个维度参数的置信测度：
Figure 244533DEST_PATH_IMAGE064
Figure 621287DEST_PATH_IMAGE065
使用以下逆函数返回更新来自信念测度的基本信念分配：
Figure 897548DEST_PATH_IMAGE066
Figure 196330DEST_PATH_IMAGE067
对这些分配重新进行归一化，新的基本信念分配值如下：
Figure 761303DEST_PATH_IMAGE068
||
Figure 738487DEST_PATH_IMAGE069
||
Figure 931570DEST_PATH_IMAGE070
||
Figure 336007DEST_PATH_IMAGE071
||
使用加权算术平均值更新参数上下界：
Figure 122697DEST_PATH_IMAGE072
Figure 637992DEST_PATH_IMAGE073
S3.8：使用更新后的搜索空间重复执行上述过程直到迭代数达到最大迭代数为止。
S4：根据输出的最优待辨识参数，构建质子交换膜燃料电池的半经验模型。
本实施例中，采用BCS 500W燃料电池进行实施，图3-4为使用自适应差分进化融合D-S证据理论的树种子算法ADE-DST-TSA辨识的BCS 500W燃料电池输出与实验数据对比图，从图中可以看出，输出结果和模型曲线相吻合，参数的辨识精度较高。
本发明提出的ADE-DST-TSA辨识得到的最佳参数如表1所示，表中同时对比了其他多种算法，这些算法数据来源于以下文献：
RAO Y, SHAO Z, AHANGARNEJAD A H, et al. Shark Smell Optimizer appliedto identify the optimal parameters of the proton exchange membrane fuel cellmodel [J]. Energy conversion and management, 2019, 182: 1-8.
EL-FERGANY A A. Extracting optimal parameters of PEM fuel cells usingSalp Swarm Optimizer [J]. Renewable Energy, 2018, 119: 641-8.
AGWA A M, EL-FERGANY A A, SARHAN G M. Steady-state modeling of fuelcells based on atom search optimizer [J]. Energies, 2019, 12(10): 1884.
KIRAN M S. TSA: Tree-seed algorithm for continuous optimization [J].Expert Systems with Applications, 2015, 42(19): 6686-98.
FERSON S, KREINOVICH V. Representation, propagation, and aggregationof uncertainty [J]. SAND Report [in progress], 2002: 52-9.
本实施例中，本方法最优SSE值为0.012939，该结果优于表中其他算法。其中，对比新型的元启发式算法如人工蜜蜂算法（ABC）和鲸鱼气味优化器（WOA），精准性分别提高了88.57%、97.41%，这无疑是一个巨大的提升。分析表2可知，本算法的辨识结果稳定性极好，30次运行结果的SSE最优值为0.0129390083，均值为0.01294134235，二者差值极小，且整体标准差仅为7.70036E-06，说明本算法结果具有高度一致性，不存在时好时坏的情况，可以实现燃料电池参数的稳定辨识。
各个算法在BCS 500W燃料电池参数辨识过程目标函数值变化如图5所示，本算法能够快速跳出局部最优逼近最佳结果，在70次迭代后SSE就收敛到了一个很小的值，270次左右的迭代计算就可得到最优SSE值0.0129。综上所述，本发明提出的ADE-DST-TSA相较于其他算法，参数的辨识精度高，收敛速度快，结果一致性好，优于其他的参数辨识方法，能够快速准确完成参数的准确辨识。
表1 BCS 500W燃料电池各种算法结果对比
Figure 951162DEST_PATH_IMAGE088
表2 BCS 500W燃料电池各种算法的统计比较SSE
Figure 526500DEST_PATH_IMAGE089
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种燃料电池参数辨识方法，其特征在于，包括以下步骤：
根据质子交换膜燃料电池的实验数据和电堆数据，构建质子交换膜燃料电池的半经验模型，确定模型中待辨识的参数；
构建目标函数，所述目标函数为质子交换膜燃料电池的半经验模型输出电压和实际电压之间的平方误差之和，并确定目标函数的约束条件；
根据目标函数的约束条件，通过优化后的树种子算法，搜索最优待辨识参数；
其中，所述优化后的树种子算法采用差分进化策略替换原有子代种群的生成机制，并增加自适应反馈机制；其中，所述优化后的树种子算法还包括：将一次迭代获得的所有多源信息通过D-S证据理论进行融合，更新搜索空间进行后续迭代搜索；
其中，所述自适应反馈机制为：当种子目标值优于树的目标值时，减小ST值加强全局搜索，增多该树的种子数量，同时以此种子的位置向量替换原始父级；否则，增大搜索趋势常数ST增加局部搜索，减少该树的种子数量，保持原始父级位置向量不变。
2.根据权利要求1所述的一种燃料电池参数辨识方法，其特征在于，所述质子交换膜燃料电池的半经验模型的具体构建过程，包括以下步骤：
单片燃料电池电压
Figure 36662DEST_PATH_IMAGE001
的计算，如下式所示：
Figure 558910DEST_PATH_IMAGE002
其中，
Figure 664269DEST_PATH_IMAGE003
、
Figure 472825DEST_PATH_IMAGE004
和
Figure 234108DEST_PATH_IMAGE005
分别为活化电压降、欧姆电压降和浓度电压降，
Figure 356785DEST_PATH_IMAGE006
是由下式计算获得的热力学势：
Figure 378967DEST_PATH_IMAGE007
其中，
Figure 296108DEST_PATH_IMAGE008
为电堆温度，
Figure 810266DEST_PATH_IMAGE009
和
Figure 536301DEST_PATH_IMAGE010
为氢气和氧气分压；
活化电压降的计算，如下式所示：
Figure 350673DEST_PATH_IMAGE011
其中，
Figure 641977DEST_PATH_IMAGE012
为半经验系数，
Figure 174590DEST_PATH_IMAGE013
为电堆电流，
Figure 966965DEST_PATH_IMAGE014
为催化层界面的氧气浓度；所述催化层界面的氧气浓度的定义，如下式所示：
Figure 573527DEST_PATH_IMAGE015
欧姆电压降的计算，如下式所示：
Figure 425945DEST_PATH_IMAGE016
其中，
Figure 445854DEST_PATH_IMAGE017
为膜恒定电阻，
Figure 386128DEST_PATH_IMAGE018
为膜等效电阻，用膜电阻率
Figure 175093DEST_PATH_IMAGE019
、膜厚度
Figure 932833DEST_PATH_IMAGE020
和膜面积
Figure 174459DEST_PATH_IMAGE021
定义，如下式所示：
Figure 918424DEST_PATH_IMAGE022
Figure 155370DEST_PATH_IMAGE023
其中，λ为膜水含量；
由于氢和氧浓度或燃料交叉的变化而出现的浓度电压降，其计算如下式所示：
Figure 756116DEST_PATH_IMAGE024
其中，β为参数系数，Jmax 为最大电流密度，J 为电流密度；
整个燃料电池电堆包括n个串联的单片电池，整堆的电压计算如下式所示：
Figure 688299DEST_PATH_IMAGE025
则，半经验系数
Figure 360589DEST_PATH_IMAGE026
、膜水含量λ、膜恒定电阻
Figure 124146DEST_PATH_IMAGE027
、参数系数β为待辨识参数。
3.根据权利要求2所述的一种燃料电池参数辨识方法，其特征在于，所述目标函数，具体包括：
所述目标函数设置为质子交换膜燃料电池的半经验模型输出电压和实际电压之间的平方误差之和SSE，如下式所示：
Figure 833476DEST_PATH_IMAGE028
并受以下约束：
Figure 315273DEST_PATH_IMAGE029
Figure 791254DEST_PATH_IMAGE030
Figure 347000DEST_PATH_IMAGE031
Figure 555127DEST_PATH_IMAGE032
其中，
Figure 320958DEST_PATH_IMAGE033
为实验电压数据，
Figure 210417DEST_PATH_IMAGE034
为估计电压；j 表示数据点的计数。
4.根据权利要求1所述的一种燃料电池参数辨识方法，其特征在于，所述优化后的树种子算法，包括以下步骤：
S1：在搜索开始阶段进行初始化，并设置算法初始参数，将初始树种群的位置向量随机分布在搜索空间中，同时利用目标函数生成树的适应度值obj(i)；
S2：通过差分进化的突变过程来获得第i棵树的第j个种子的初始位置向量；其中，种子位置的生成包括局部搜索和全局搜索，引入搜索趋势常数ST进行平衡选择；
S3：对选择后的种子位置进行交叉操作得到第i棵树的第j个种子的最终位置向量；
S4：当j<ns(i)则返回S2，否则继续执行；其中ns(i)为第i棵树的种子数量；在生成第i棵树所有种子之后更新生成种子中的最小适应度Minimum，若Minimum<obj(i)，进行S5；否则进行S6；
S5：当种子目标值优于树的目标值时，减小ST值加强全局搜索，增多该树的种子数量进行全面的搜索，同时以此种子的位置向量替换原始父级；
S6：种子的性能没有树好时，增大ST值增加局部搜索，适当减少该树的种子数量，保持此树的位置向量不变；
S7：若i<初始种群数，则返回S2进行其余树的计算；当完成所有树的计算之后，则完成了一次迭代过程，更新本次迭代过程中得到的最小目标值及其相应的参数向量；利用D-S证据理论融合本次迭代过程的多源信息进而更新参数辨识的边界，即更新搜索空间；
S8：使用更新后的搜索空间重复执行上述过程直到迭代数达到最大迭代数为止。
5.根据权利要求4所述的一种燃料电池参数辨识方法，其特征在于，所述将初始树种群的位置向量随机分布在搜索空间中，具体包括：
Figure 279391DEST_PATH_IMAGE035
其中，
Figure 392841DEST_PATH_IMAGE036
，
Figure 786913DEST_PATH_IMAGE037
，N为初始种群数，dim为所要辨识参数的个数，即位置向量的维数，
Figure 339117DEST_PATH_IMAGE038
、
Figure 931772DEST_PATH_IMAGE039
是搜索空间中每一维度参数的上界和下界，
Figure 419386DEST_PATH_IMAGE040
是为每棵树的每一维度对应生成的随机数。
6.根据权利要求4所述的一种燃料电池参数辨识方法，其特征在于，所述通过差分进化的突变过程来获得第i棵树的第j个种子的初始位置向量，具体包括：
Figure 425388DEST_PATH_IMAGE041
其中，
Figure 453387DEST_PATH_IMAGE042
，
Figure 838232DEST_PATH_IMAGE043
为第i棵树产生的种子数量，
Figure 559063DEST_PATH_IMAGE044
是第i棵树生成的第j个种子的位置向量，
Figure 52361DEST_PATH_IMAGE045
为当前树的位置向量，
Figure 821734DEST_PATH_IMAGE046
是具有当前最优解的树的位置向量，
Figure 451298DEST_PATH_IMAGE047
、
Figure 343031DEST_PATH_IMAGE048
、
Figure 933412DEST_PATH_IMAGE049
、
Figure 303214DEST_PATH_IMAGE050
是从种群中随机选择的其他树的位置向量，
Figure 787285DEST_PATH_IMAGE051
、
Figure 646656DEST_PATH_IMAGE052
是比例系数。
7.根据权利要求5所述的一种燃料电池参数辨识方法，其特征在于，所述对选择后的种子位置进行交叉操作得到第i棵树的第j个种子的最终位置向量，交叉操作后的位置向量为：
Figure 521071DEST_PATH_IMAGE053
其中，
Figure 897826DEST_PATH_IMAGE054
为交叉率；
Figure 767562DEST_PATH_IMAGE055
为当前树的位置向量；
Figure 938780DEST_PATH_IMAGE044
是第i棵树生成的第j个种子的位置向量。
8.根据权利要求7所述的一种燃料电池参数辨识方法，其特征在于，所述利用D-S证据理论融合本次迭代过程的多源信息进而更新参数辨识的边界，即更新搜索空间，包括以下步骤：
对于通过差分进化思想产生的每棵树的种子的位置向量，寻找其中每个维度的最大值
Figure 300492DEST_PATH_IMAGE056
、最小值
Figure 354640DEST_PATH_IMAGE057
以及其所对应的目标函数值作为DST的一个证据以及初始的基本信念分配来源：
Figure 688670DEST_PATH_IMAGE058
||
Figure 93106DEST_PATH_IMAGE059
||
Figure 4430DEST_PATH_IMAGE060
||
Figure 519725DEST_PATH_IMAGE061
||
其中，
Figure 973840DEST_PATH_IMAGE062
为第i棵树产生的第j个种子位置向量的第d维参数，
Figure 611495DEST_PATH_IMAGE063
为计算得到的基本信念分配，其中
Figure 947799DEST_PATH_IMAGE064
，分别是用以更新上界和下界相应的计算值；
在此基础上，计算每棵树产生的种子中每个维度参数的置信测度：
Figure 204468DEST_PATH_IMAGE065
Figure 637723DEST_PATH_IMAGE066
使用以下逆函数返回更新来自信念测度的基本信念分配：
Figure 383962DEST_PATH_IMAGE067
Figure 879665DEST_PATH_IMAGE068
对这些分配重新进行归一化，新的基本信念分配值如下：
Figure 330238DEST_PATH_IMAGE069
||
Figure 290104DEST_PATH_IMAGE070
||
Figure 144928DEST_PATH_IMAGE071
||
Figure 455823DEST_PATH_IMAGE072
||
使用加权算术平均值更新参数上下界：
Figure 444508DEST_PATH_IMAGE073
Figure 196563DEST_PATH_IMAGE074
式中，
Figure 550184DEST_PATH_IMAGE075
、
Figure 145114DEST_PATH_IMAGE076
分别为上界和下界。
CN202211322058.9A 2022-10-27 2022-10-27 一种燃料电池参数辨识方法 Active CN115392139B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211322058.9A CN115392139B (zh) 2022-10-27 2022-10-27 一种燃料电池参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211322058.9A CN115392139B (zh) 2022-10-27 2022-10-27 一种燃料电池参数辨识方法

Publications (2)

Publication Number Publication Date
CN115392139A true CN115392139A (zh) 2022-11-25
CN115392139B CN115392139B (zh) 2023-02-07

Family

ID=84128330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211322058.9A Active CN115392139B (zh) 2022-10-27 2022-10-27 一种燃料电池参数辨识方法

Country Status (1)

Country Link
CN (1) CN115392139B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115966739A (zh) * 2023-03-13 2023-04-14 湖北工业大学 基于改进海马优化算法的燃料电池参数辨识方法及系统
CN116053536A (zh) * 2023-01-28 2023-05-02 湖北工业大学 一种质子交换膜燃料电池估测方法及计算机可读介质
CN116819341A (zh) * 2023-07-04 2023-09-29 上海玫克生储能科技有限公司 一种锂电池加速参数辨识方法、系统及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407590A (zh) * 2016-09-30 2017-02-15 郑州轻工业学院 基于膜计算的质子交换膜燃料电池模型优化方法
CN109635506A (zh) * 2019-01-10 2019-04-16 浙江大学 自适应混沌树和种子算法的光伏电池模型参数辨识方法
CN112327190A (zh) * 2020-10-14 2021-02-05 北方工业大学 一种储能电池健康状态辨识方法
CN114217234A (zh) * 2021-12-30 2022-03-22 南通大学 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法
WO2022105060A1 (zh) * 2020-11-20 2022-05-27 温州大学 一种单二极管结构光伏电池参数的辨识方法
CN114970332A (zh) * 2022-05-16 2022-08-30 西北工业大学 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法
CN114966407A (zh) * 2022-04-27 2022-08-30 燕山大学 一种锂电池多传感器信息融合荷电状态的估计方法
CN114976129A (zh) * 2022-05-13 2022-08-30 南京工业大学 一种新型乌鸦搜索算法在质子交换膜燃料电池模型参数辨识中的应用

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407590A (zh) * 2016-09-30 2017-02-15 郑州轻工业学院 基于膜计算的质子交换膜燃料电池模型优化方法
CN109635506A (zh) * 2019-01-10 2019-04-16 浙江大学 自适应混沌树和种子算法的光伏电池模型参数辨识方法
CN112327190A (zh) * 2020-10-14 2021-02-05 北方工业大学 一种储能电池健康状态辨识方法
WO2022105060A1 (zh) * 2020-11-20 2022-05-27 温州大学 一种单二极管结构光伏电池参数的辨识方法
CN114217234A (zh) * 2021-12-30 2022-03-22 南通大学 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法
CN114966407A (zh) * 2022-04-27 2022-08-30 燕山大学 一种锂电池多传感器信息融合荷电状态的估计方法
CN114976129A (zh) * 2022-05-13 2022-08-30 南京工业大学 一种新型乌鸦搜索算法在质子交换膜燃料电池模型参数辨识中的应用
CN114970332A (zh) * 2022-05-16 2022-08-30 西北工业大学 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
W J CHEN等: "Parameter Identification of Equivalent Circuit Models for Li-ion Batteries Based on Tree Seeds Algorithm", 《IOP CONFERENCE SERIES: EARTH AND ENVIRONMENTAL SCIENCE》 *
WEIJIE CHEN等: "Parameter Identification and State-of-Charge Estimation for Li-Ion Batteries Using an Improved Tree Seed Algorithm", 《IEICE TRANSACTIONS ON INFORMATION AND SYSTEMS》 *
武涛等: "自适应差分进化算法在光伏组件模型参数辨识中的应用", 《电力科学与工程》 *
程泽等: "基于自适应混沌粒子群算法的光伏电池模型参数辨识", 《电工技术学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116053536A (zh) * 2023-01-28 2023-05-02 湖北工业大学 一种质子交换膜燃料电池估测方法及计算机可读介质
CN115966739A (zh) * 2023-03-13 2023-04-14 湖北工业大学 基于改进海马优化算法的燃料电池参数辨识方法及系统
CN115966739B (zh) * 2023-03-13 2023-06-02 湖北工业大学 基于改进海马优化算法的燃料电池参数辨识方法及系统
CN116819341A (zh) * 2023-07-04 2023-09-29 上海玫克生储能科技有限公司 一种锂电池加速参数辨识方法、系统及电子设备

Also Published As

Publication number Publication date
CN115392139B (zh) 2023-02-07

Similar Documents

Publication Publication Date Title
CN115392139B (zh) 一种燃料电池参数辨识方法
Priya et al. A comprehensive review on parameter estimation techniques for Proton Exchange Membrane fuel cell modelling
Niu et al. Forecasting daily runoff by extreme learning machine based on quantum-behaved particle swarm optimization
Azad et al. Optimization of the hydropower energy generation using Meta-Heuristic approaches: A review
Aboutalebi et al. Optimal monthly reservoir operation rules for hydropower generation derived with SVR-NSGAII
US20060212279A1 (en) Methods for efficient solution set optimization
Wu et al. Modeling a SOFC stack based on GA-RBF neural networks identification
Menesy et al. Extracting model parameters of proton exchange membrane fuel cell using equilibrium optimizer algorithm
Askarzadeh Parameter estimation of fuel cell polarization curve using BMO algorithm
Li et al. Hybrid two-stage stochastic methods using scenario-based forecasts for reservoir refill operations
CN103336867B (zh) 质子交换膜燃料电池模型优化处理方法
WO2023216150A1 (zh) 一种燃料电池的热管理方法
Houssein et al. A modified adaptive guided differential evolution algorithm applied to engineering applications
Song et al. Optimal parameter extraction of the proton exchange membrane fuel cells based on a new Harris Hawks Optimization algorithm
Zhang et al. Application of coRNA-GA based RBF-NN to model proton exchange membrane fuel cells
Abd Elaziz et al. Optimal parameters extracting of fuel cell based on Gorilla Troops Optimizer
Isa et al. PEM fuel cell model parameters optimization using modified particle swarm optimization algorithm
Miao et al. Metamodel based design optimization approach in promoting the performance of proton exchange membrane fuel cells
CN115986728A (zh) 一种计及不确定性因素的电网态势预测方法与终端
Abdel-Basset et al. Adaptive and efficient optimization model for optimal parameters of proton exchange membrane fuel cells: A comprehensive analysis
Fathy et al. Proton exchange membrane fuel cell model parameters identification using Chaotically based-bonobo optimizer
Colmenar et al. Automatic generation of models for energy demand estimation using Grammatical Evolution
Sultan et al. Optimal values of unknown parameters of polymer electrolyte membrane fuel cells using improved chaotic electromagnetic field optimization
Yang et al. The stochastic decision making framework for long-term multi-objective energy-water supply-ecology operation in parallel reservoirs system under uncertainties
Zhang et al. Parameter identification of proton exchange membrane fuel cell based on swarm intelligence algorithm

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