CN115422846A - 燃料电池的老化建模方法、装置、设备和介质 - Google Patents
燃料电池的老化建模方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115422846A CN115422846A CN202211175172.3A CN202211175172A CN115422846A CN 115422846 A CN115422846 A CN 115422846A CN 202211175172 A CN202211175172 A CN 202211175172A CN 115422846 A CN115422846 A CN 115422846A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- model
- aging
- reaction area
- catalyst
- 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
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 177
- 230000032683 aging Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000003054 catalyst Substances 0.000 claims abstract description 75
- 238000006243 chemical reaction Methods 0.000 claims abstract description 75
- 239000002245 particle Substances 0.000 claims abstract description 53
- 230000004913 activation Effects 0.000 claims abstract description 34
- 230000002441 reversible effect Effects 0.000 claims abstract description 28
- 206010013496 Disturbance in attention Diseases 0.000 claims abstract description 26
- 238000003487 electrochemical reaction Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 230000002427 irreversible effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 4
- 239000001257 hydrogen Substances 0.000 claims description 4
- 229910052739 hydrogen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000002035 prolonged effect Effects 0.000 abstract description 5
- 230000032677 cell aging Effects 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000010287 polarization Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Electrochemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Sustainable Energy (AREA)
- Mathematical Physics (AREA)
- Sustainable Development (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fuel Cell (AREA)
Abstract
本申请涉及一种燃料电池的老化建模方法、装置、设备和存储介质。该方法包括:获取燃料电池的开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及基于可逆衰减特性建立的催化剂有效反应面积模型;根据所述开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及催化剂有效反应面积模型,构建所述燃料电池的老化模型;使用粒子群算法对所述老化模型中的参数进行优化,从而得到所述燃料电池的目标老化模型。该方法能够精准地模拟燃料电池的老化过程,从而预测燃料电池的老化程度,以便及时对燃料电池进行维护,提升电池的寿命,降低维护成本。
Description
技术领域
本申请实施例涉及燃料电池技术领域,尤其涉及一种燃料电池的老化建模方法、装置、设备和存储介质。
背景技术
燃料电池能够将存储于燃料中的化学能直接转化为电能,具有能量转换率高、清洁无污染等优点,因此该技术受到了广范围关注。然而,燃料电池耐久性是制约其商业化的重要阻碍。
针对燃料电池建立老化模型,以准确模拟燃料电池的老化过程,这样,可以根据运行参数预测燃料电池的老化程度,以便及时对燃料电池进行维护,提升电池的寿命,降低维护成本。因此,建立一个能够精准模拟燃料电池老化过程的老化模型是本领域技术人员亟待解决的技术问题。
发明内容
基于此,本申请实施例提供一种燃料电池的老化建模方法、装置、设备和存储介质,能够准确地模拟燃料电池的老化过程。
第一方面,本申请实施例提供一种燃料电池的老化建模方法,包括:
获取燃料电池的开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及基于可逆衰减特性建立的催化剂有效反应面积模型;
根据所述开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及催化剂有效反应面积模型,构建所述燃料电池的老化模型;
使用粒子群算法对所述老化模型中的参数进行优化,从而得到所述燃料电池的目标老化模型。
第二方面,本申请实施例提供一种燃料电池的老化建模装置,包括:
获取模块,用于获取燃料电池的开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及基于可逆衰减特性建立的催化剂有效反应面积模型;
处理模块,用于根据所述开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及催化剂有效反应面积模型,构建所述燃料电池的老化模型;
优化模块,用于使用粒子群算法对所述老化模型中的参数进行优化,从而得到所述燃料电池的目标老化模型。
第三方面,本申请实施例提供一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的燃料电池的老化建模方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请实施例第一方面提供的燃料电池的老化建模方法的步骤。
本申请实施例提供的技术方案,能够基于燃料电池的电化学反应机理、电堆老化机理以及运行过程中的可逆衰减特性建立燃料电池的老化模型,并使用粒子群算法优化老化模型中的参数,使得所构建的老化模型能够精准地模拟燃料电池的老化过程,从而预测燃料电池的老化程度,以便及时对燃料电池进行维护,提升电池的寿命,降低维护成本。
附图说明
图1为本申请实施例提供的燃料电池的老化建模方法的一种流程示意图;
图2为本申请实施例提供的一种燃料电池的极化曲线;
图3为本申请实施例提供的燃料电池的老化建模方法的另一种流程示意图;
图4为本申请实施例提供的燃料电池的老化建模装置的一种结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
为了使本申请的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本申请实施例中的技术方案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申请,并不用于限定本申请。
需要说明的是,下述方法实施例的执行主体可以是燃料电池的老化建模装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部。可选地,该电子设备可以是电脑、手机、平板或者可便携式设备等,也可以是独立的服务器或者服务器集群等,本申请实施例对电子设备的具体类型不做限定。
图1为本申请实施例提供的燃料电池的老化建模方法的一种流程示意图。如图1所示,该方法可以包括:
S101、获取燃料电池的开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及基于可逆衰减特性建立的催化剂有效反应面积模型。
具体的,燃料电池的老化主要是由于膜降解、催化剂团聚、碳载体腐蚀等原因导致,因此,为了精确地模拟燃料电池的老化过程,可以基于燃料电池的电化学反应机理构建极化曲线机理模型,并在极化曲线机理模型的基础上引入老化系数模拟电堆老化,以及针对燃料电池运行过程中的可逆衰减过程建立有效反应面积的可逆衰减模型,充分考虑燃料电池的可逆衰减情况,以此来建立燃料电池的老化模型。
燃料电池的极化曲线通常表示燃料电池的稳态性能,如图2所示,燃料电池的极化曲线可以包括燃料电池的开路电压、活化损失、欧姆损失与浓差损失。因此,可基于燃料电池的极化曲线构建开路电压模型、活化损失模型、欧姆损失模型以及浓差损失模型。
通常,活化损坏与催化剂有效反应面积相关,且燃料电池的催化剂有效反应面积在连续运行下会持续减少,然而在燃料电池停机后由于活化损失得到了一定的缓解,催化剂有效反应面积也存在一定的恢复过程,因此,在构建活化损失模型时,还需要考虑催化剂有效反应面积的可逆衰减情况,即针对催化剂有效反应面积建立可逆衰减模型与不可逆衰减模型。
S102、根据所述开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及催化剂有效反应面积模型,构建所述燃料电池的老化模型。
在构建好开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及催化剂有效反应面积模型之后,可以基于下述公式1或者公式1的变型,构建燃料电池的老化模型。
公式1:Vout=Vnerst-Vact,a-Vact,c-Vohm-Vconc;
其中,Vnerst为开路电压模型、Vact,a为阳极活化损失模型、Vact,c为阴极活化损失模型、Vohm为欧姆损失模型、Vconc为浓差损失模型,且上述Vact,a、Vact,c是考虑了催化剂有效反应面积的可逆衰减情况和不可逆衰减情况,即上述Vact,a、Vact,c中包含基于可逆衰减特性建立的催化剂有效反应面积模型。
S103、使用粒子群算法对所述老化模型中的参数进行优化,从而得到所述燃料电池的目标老化模型。
在构建好燃料电池的老化模型之后,老化模型中的一些参数需要进行标定。在一个实施例中,需要标定的参数可以包括以下至少之一:初始内阻、内阻的老化系数、初始极限电流密度、浓差老化系数、浓差修正系数、阳极电化学反应常数、阴极电化学反应常数、催化剂有效反应面积衰减趋势系数以及催化剂有效反应面积停机后的恢复系数。
在一个实施例中,可以使用粒子群算法对老化模型中的参数进行标定。具体标定过程可以为:
步骤一、建立适应度函数,并初始化粒子群信息。
其中,所述适应度函数为Vout为通过老化模型得到的燃料电池的输出电压,为实验测量得到的燃料电池的输出电压,c为老化模型中待标定的参数,即c为上述初始内阻、内阻的老化系数、初始极限电流密度、浓差老化系数、浓差修正系数、阳极电化学反应常数、阴极电化学反应常数、催化剂有效反应面积衰减趋势系数以及催化剂有效反应面积停机后的恢复系数中的至少之一。粒子群优化的目标是使适应度函数f(c)的值最小,即找到使f(c)最小时各待标定的参数的取值。
上述粒子群信息可以包括:粒子群中粒子的数量、算法的收敛条件(例如,最大迭代次数或者找到粒子群的全局最优值)、惯性权重、粒子个体学习速率以及粒子群学习速率,还可以给每个粒子初始化速度和位置。可选地,还可以为上述待标定的参数设置相应的约束条件,以使最终优化得到的参数是合理的。
步骤二、基于所述适应度函数确定每个粒子的适应度值,并基于适应度值确定每个粒子的历史最优位置和粒子群的历史全局最优位置。
在每一代的进化中,通过上述适应度函数计算每个粒子的适应度值,如果该适应度值优于粒子的历史最优适应度值,则更新粒子的历史最优位置,即将该适应度值对应的位置作为粒子的历史最优位置;如果该适应度值优于粒子群的历史最优适应度值,则更新粒子群的历史全局最优位置,即将该适应度值对应的位置作为粒子群的历史全局最优位置。
步骤三、根据所述历史最优位置和所述历史全局最优位置,更新每个粒子的速度和位置。
具体的,根据粒子的历史最优位置和粒子群的历史全局最优位置,可以按照下述公式2或者公式2的变型,更新每个粒子的速度v(k);
公式2:v(k)=v(k-1)*w+c1*rand1*(xm-x)+c2*rand2*(ym-x);
其中,v(k-1)为粒子的当前速度,w为惯性权重、c1为粒子个体学习速率,c2为粒子群学习速率,rand1、rand2为[0,1]区间上的随机数,xm为粒子的历史最优位置,ym为粒子群的历史全局最优位置,x为粒子的当前位置。
以及按照下述公式3或者公式3的变型,更新每个粒子的位置x(k);
公式3:x(k)=x+v(k)。
步骤四、重复执行上述步骤二到步骤三,直至达到收敛条件,例如达到最大迭代次数,或达到所要求的收敛精度,输出优化后的参数值。
基于上述方式得到燃料电池的目标老化模型后,在燃料电池的运行过程中,可以基于燃料电池的运行参数和目标老化模型,预测燃料电池老化程度,以便及时对燃料电池进行维护。
本申请实施例提供的燃料电池的老化建模方法,能够基于燃料电池的电化学反应机理、电堆老化机理以及运行过程中的可逆衰减特性建立燃料电池的老化模型,并使用粒子群算法优化老化模型中的参数,使得所构建的老化模型能够精准地模拟燃料电池的老化过程,从而预测燃料电池的老化程度,以便及时对燃料电池进行维护,提升电池的寿命,降低维护成本。
图3为本申请实施例提供的燃料电池的老化建模方法的另一种流程示意图。本实施例是对上述实施例中的S101的进一步细化,如图3所示,该方法可以包括:
S301、基于燃料电池的阳极侧氢气压力、阴极侧氧气压力以及燃料电池的工作温度,构建所述燃料电池的开路电压模型。
具体的,燃料电池的开路电压模型Vnerst可以用下述公式4或者公式4的变型表示:
其中,T为燃料电池的工作温度,R为气体常数、pH2(bar)为阳极侧氢气压力,pO2(bar)为阴极侧氧气压力。
S302、基于燃料电池的工作电流、初始内阻、内阻的老化系数以及累积运行时间,构建所述燃料电池的欧姆损失模型。
具体的,燃料电池的欧姆损失模型Vohm可以用下述公式5或者公式5的变型表示:
公式5:Vohm=I*R0(1+bohm*t);
其中,I为燃料电池的工作电流,R0为燃料电池的初始内阻,bohm为燃料电池的内阻的老化系数,t为燃料电池的累积运行时间。
S303、基于气体常数、法拉第常数、燃料电池的电流密度、初始极限电流密度、极限电流密度老化系数以及累积运行时间,构建所述浓差损失模型。
具体的,燃料电池的浓差损失模型Vconc可以用下述公式6或者公式6的变型表示:
其中,F为法拉第常数,i为燃料电池的电流密度,iL0为燃料电池的初始极限电流密度,bconc为燃料电池的极限电流密度老化系数。
S304、基于燃料电池的工作电流、阴极电化学反应常数以及催化剂有效反应面积,构建所述燃料电池的阴极活化损失模型,以及基于燃料电池的工作电流、阳极电化学反应常数以及催化剂有效反应面积,构建所述燃料电池的阳极活化损失模型。
具体的,燃料电池的阴极活化损失模型Vact,c、阳极活化损失模型Vact,a可以用下述公式7或者公式7的变型表示:
其中,ba为燃料电池的阳极电化学反应常数,bc为燃料电池的阴极电化学反应常数,AECSA为催化剂有效反应面积。
S305、基于可逆衰减特性建立的催化剂有效反应面积模型。
虽然,燃料电池催化剂的有效反应面积在连续运行下会持续减少,但是,在燃料电池停机后由于极化损失得到一定缓解,催化剂的有效反应面积也存在一定的恢复过程,因此需要针对催化剂有效反应面积建立可逆衰减模型和不可逆衰减模型。
可选地,催化剂有效反应面积模型AECSA可以用下述公式8或者公式8的变型表示:
可选地,可以基于燃料电池的催化剂初始有效反应面积、催化剂有效反应面积衰减趋势系数以及燃料电池的累积运行时间,构建燃料电池的催化剂有效反应面积的不可逆衰减模型。
可选地,可以基于燃料电池的催化剂有效反应面积停机后的恢复系数、催化剂有效反应面积衰减趋势系数、燃料电池运行中的停机时刻以及对应的停机时间,构建燃料电池的催化剂有效反应面积的可逆衰减模型。
其中,λ为催化剂有效反应面积停机后的恢复系数、bECST-d为催化剂有效反应面积衰减趋势系数,与系统停止运行的时刻有关、tT为燃料电池运行中的停机时刻、ts为停机时刻对应的停机时间。
S306、根据所述开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及催化剂有效反应面积模型,构建所述燃料电池的老化模型;
S307、使用粒子群算法对所述老化模型中的参数进行优化,从而得到所述燃料电池的目标老化模型。
在本实施例中,在燃料电池的老化建模过程中,可以基于燃料电池的电化学反应机理构建极化曲线机理模型,并在极化曲线机理模型的基础上引入老化系数模拟电堆老化,以及针对燃料电池运行过程中的可逆衰减过程建立催化剂有效反应面积的可逆衰减模型和不可逆衰减模型,充分考虑燃料电池的可逆衰减情况和不可逆衰减模型,使得所建立的目标老化模型更加准确。
图4为本申请实施例提供的燃料电池的老化建模装置的一种结构示意图。如图4所示,该装置可以包括:获取模块401、处理模块402和优化模块403。
具体的,获取模块401用于获取燃料电池的开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及基于可逆衰减特性建立的催化剂有效反应面积模型;
处理模块402用于根据所述开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及催化剂有效反应面积模型,构建所述燃料电池的老化模型;
优化模块403用于使用粒子群算法对所述老化模型中的参数进行优化,从而得到所述燃料电池的目标老化模型。
本申请实施例提供的燃料电池的老化建模装置,能够基于燃料电池的电化学反应机理、电堆老化机理以及运行过程中的可逆衰减特性建立燃料电池的老化模型,并使用粒子群算法优化老化模型中的参数,使得所构建的老化模型能够精准地模拟燃料电池的老化过程,从而预测燃料电池的老化程度,以便及时对燃料电池进行维护,提升电池的寿命,降低维护成本。
在上述实施例的基础上,可选地,获取模块401具体用于基于燃料电池的阳极侧氢气压力、阴极侧氧气压力以及燃料电池的工作温度,构建所述燃料电池的开路电压模型。
在上述实施例的基础上,可选地,获取模块401还具体用于基于燃料电池的工作电流、初始内阻、内阻的老化系数以及累积运行时间,构建所述燃料电池的欧姆损失模型。
在上述实施例的基础上,可选地,获取模块401还具体用于基于气体常数、法拉第常数、燃料电池的电流密度、初始极限电流密度、极限电流密度老化系数以及累积运行时间,构建所述浓差损失模型。
在上述实施例的基础上,可选地,获取模块401还具体用于基于燃料电池的工作电流、阴极电化学反应常数以及催化剂有效反应面积,构建所述燃料电池的阴极活化损失模型;基于燃料电池的工作电流、阳极电化学反应常数以及催化剂有效反应面积,构建所述燃料电池的阳极活化损失模型。
在上述实施例的基础上,可选地,获取模块401还具体用于基于燃料电池的催化剂初始有效反应面积、催化剂有效反应面积衰减趋势系数以及燃料电池的累积运行时间,构建燃料电池的催化剂有效反应面积的不可逆衰减模型;基于燃料电池的催化剂有效反应面积停机后的恢复系数、催化剂有效反应面积衰减趋势系数、燃料电池运行中的停机时刻以及对应的停机时间,构建燃料电池的催化剂有效反应面积的可逆衰减模型。
在上述实施例的基础上,可选地,所述参数包括以下至少之一:
初始内阻、内阻的老化系数、初始极限电流密度、浓差老化系数、浓差修正系数、阳极电化学反应常数、阴极电化学反应常数、催化剂有效反应面积衰减趋势系数以及催化剂有效反应面积停机后的恢复系数;
优化模块403具体用于建立适应度函数,并初始化粒子群信息;其中,所述适应度函数为Vout为通过老化模型得到的燃料电池的输出电压,为实验测量得到的燃料电池的输出电压,c为老化模型中待标定的参数;基于所述适应度函数确定每个粒子的适应度值,并基于适应度值确定每个粒子的历史最优位置和粒子群的历史全局最优位置;根据所述历史最优位置和所述历史全局最优位置,更新每个粒子的速度和位置,并重复执行所述基于所述适应度函数确定每个粒子的适应度值的步骤,直至达到收敛条件,从而得到所述老化模型中的参数的最优值。
在一个实施例中,提供了一种电子设备,其内部结构图可以如图5所示。该电子设备可以包括处理器50、存储器51、输入装置52和输出装置53;该电子设备中处理器50的数量可以是一个或多个,图5中以一个处理器50为例;该电子设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器51作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的电动汽车动力系统扭矩确定方法对应的程序指令/模块(例如,燃料电池的老化建模装置中的获取模块401、处理模块402和优化模块403)。处理器50通过运行存储在存储器51中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的燃料电池的老化建模方法。
存储器51可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器51可进一步包括相对于处理器50远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种燃料电池的老化建模方法,该方法包括:
获取燃料电池的开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及基于可逆衰减特性建立的催化剂有效反应面积模型;
根据所述开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及催化剂有效反应面积模型,构建所述燃料电池的老化模型;
使用粒子群算法对所述老化模型中的参数进行优化,从而得到所述燃料电池的目标老化模型。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本申请任意实施例所提供的燃料电池的老化建模方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本申请可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
值得注意的是,上述搜索装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种燃料电池的老化建模方法,其特征在于,包括:
获取燃料电池的开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及基于可逆衰减特性建立的催化剂有效反应面积模型;
根据所述开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及催化剂有效反应面积模型,构建所述燃料电池的老化模型;
使用粒子群算法对所述老化模型中的参数进行优化,从而得到所述燃料电池的目标老化模型。
2.根据权利要求1所述的方法,其特征在于,所述获取燃料电池的开路电压模型,包括:
基于燃料电池的阳极侧氢气压力、阴极侧氧气压力以及燃料电池的工作温度,构建所述燃料电池的开路电压模型。
3.根据权利要求1所述的方法,其特征在于,所述获取燃料电池的欧姆损失模型,包括:
基于燃料电池的工作电流、初始内阻、内阻的老化系数以及累积运行时间,构建所述燃料电池的欧姆损失模型。
4.根据权利要求1所述的方法,其特征在于,所述获取燃料电池的浓差损失模型,包括:
基于气体常数、法拉第常数、燃料电池的电流密度、初始极限电流密度、极限电流密度老化系数以及累积运行时间,构建所述浓差损失模型。
5.根据权利要求1所述的方法,其特征在于,所述获取燃料电池的活化损失模型,包括:
基于燃料电池的工作电流、阴极电化学反应常数以及催化剂有效反应面积,构建所述燃料电池的阴极活化损失模型;
基于燃料电池的工作电流、阳极电化学反应常数以及催化剂有效反应面积,构建所述燃料电池的阳极活化损失模型。
6.根据权利要求1所述的方法,其特征在于,所述获取燃料电池的催化剂有效反应面积模型,包括:
基于燃料电池的催化剂初始有效反应面积、催化剂有效反应面积衰减趋势系数以及燃料电池的累积运行时间,构建燃料电池的催化剂有效反应面积的不可逆衰减模型;
基于燃料电池的催化剂有效反应面积停机后的恢复系数、催化剂有效反应面积衰减趋势系数、燃料电池运行中的停机时刻以及对应的停机时间,构建燃料电池的催化剂有效反应面积的可逆衰减模型。
7.根据权利要求1所述的方法,其特征在于,所述参数包括以下至少之一:
初始内阻、内阻的老化系数、初始极限电流密度、浓差老化系数、浓差修正系数、阳极电化学反应常数、阴极电化学反应常数、催化剂有效反应面积衰减趋势系数以及催化剂有效反应面积停机后的恢复系数;
所述使用粒子群算法对所述老化模型中的参数进行优化,包括:
基于所述适应度函数确定每个粒子的适应度值,并基于适应度值确定每个粒子的历史最优位置和粒子群的历史全局最优位置;
根据所述历史最优位置和所述历史全局最优位置,更新每个粒子的速度和位置,并重复执行所述基于所述适应度函数确定每个粒子的适应度值的步骤,直至达到收敛条件,从而得到所述老化模型中参数的参数值。
8.一种燃料电池的老化建模装置,其特征在于,包括:
获取模块,用于获取燃料电池的开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及基于可逆衰减特性建立的催化剂有效反应面积模型;
处理模块,用于根据所述开路电压模型、欧姆损失模型、浓差损失模型、活化损失模型以及催化剂有效反应面积模型,构建所述燃料电池的老化模型;
优化模块,用于使用粒子群算法对所述老化模型中的参数进行优化,从而得到所述燃料电池的目标老化模型。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,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7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211175172.3A CN115422846A (zh) | 2022-09-26 | 2022-09-26 | 燃料电池的老化建模方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211175172.3A CN115422846A (zh) | 2022-09-26 | 2022-09-26 | 燃料电池的老化建模方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115422846A true CN115422846A (zh) | 2022-12-02 |
Family
ID=84205155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211175172.3A Pending CN115422846A (zh) | 2022-09-26 | 2022-09-26 | 燃料电池的老化建模方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422846A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187097A (zh) * | 2023-04-21 | 2023-05-30 | 中国汽车技术研究中心有限公司 | 燃料电池模型标定方法及装置 |
CN116542046A (zh) * | 2023-05-05 | 2023-08-04 | 中国长江三峡集团有限公司 | 能耗模型的构建方法、装置、电子设备和存储介质 |
CN117057230A (zh) * | 2023-08-10 | 2023-11-14 | 武汉理工大学 | 质子交换膜燃料电池老化性能预测方法、装置及电子设备 |
-
2022
- 2022-09-26 CN CN202211175172.3A patent/CN115422846A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187097A (zh) * | 2023-04-21 | 2023-05-30 | 中国汽车技术研究中心有限公司 | 燃料电池模型标定方法及装置 |
CN116187097B (zh) * | 2023-04-21 | 2023-08-01 | 中国汽车技术研究中心有限公司 | 燃料电池模型标定方法及装置 |
CN116542046A (zh) * | 2023-05-05 | 2023-08-04 | 中国长江三峡集团有限公司 | 能耗模型的构建方法、装置、电子设备和存储介质 |
CN117057230A (zh) * | 2023-08-10 | 2023-11-14 | 武汉理工大学 | 质子交换膜燃料电池老化性能预测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115422846A (zh) | 燃料电池的老化建模方法、装置、设备和介质 | |
Ettihir et al. | Online identification of semi-empirical model parameters for PEMFCs | |
CN106654319B (zh) | 一种基于变异粒子群和差分进化混合算法的pemfc系统温度建模方法 | |
CN111162295A (zh) | 一种考虑退化的燃料电池混合系统的能量管理方法 | |
Chiche et al. | Design of experiment to predict the time between hydrogen purges for an air-breathing PEM fuel cell in dead-end mode in a closed environment | |
Sun et al. | Exergy analysis of a fuel cell power system and optimizing it with Fractional-order Coyote Optimization Algorithm | |
Liu et al. | Multi-objective optimization of proton exchange membrane fuel cell geometry and operating parameters based on three new performance evaluation indexes | |
CN110399928A (zh) | 固体氧化物燃料电池电压预测方法、终端设备及存储介质 | |
CN114492087B (zh) | 氢储能电站质子交换膜燃料电池故障诊断方法及装置 | |
Zhang et al. | Parameter identification of proton exchange membrane fuel cell based on swarm intelligence algorithm | |
Nurdin et al. | Maximum efficiency points of a proton-exchange membrane fuel cell system: Theory and experiments | |
Ra et al. | Optimizing vanadium redox flow battery system power loss using particle swarm optimization technique under different operating conditions | |
CN117133950A (zh) | 一种针对燃料电池系统的控制参数调控方法及系统 | |
Ren et al. | Optimum parameters extraction of proton exchange membrane fuel cells using Fractional‐Order Whale Optimization Algorithm | |
CN117057230A (zh) | 质子交换膜燃料电池老化性能预测方法、装置及电子设备 | |
Guo et al. | Marginalized particle filtering for online parameter estimation of PEMFC applied to hydrogen UAVs | |
CN114530618B (zh) | 基于随机优化算法的燃料电池与空压机匹配建模方法 | |
Shan et al. | Uncovering the effect of ion exchange membrane on capacity decay and efficiency for all-vanadium redox flow battery by modeling analysis | |
CN113793960B (zh) | 一种燃料电池排氢方法及装置 | |
Liu et al. | System estimation of the SOFCs using fractional-order social network search algorithm | |
Manzie et al. | Simplification techniques for PDE-based Li-Ion battery models | |
Andrea et al. | A simplified electrical model of small PEM fuel cell. | |
CN108988370A (zh) | 电力系统中储能装置的容量确定方法、设备及存储介质 | |
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 | |
Bayrak et al. | Determining the Effects of Operating Conditions on Current Density of a PEMFC by Using Taguchi Method and ANOVA |
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 |