CN115547433A - 一种质子交换膜电解槽建模优化的方法 - Google Patents

一种质子交换膜电解槽建模优化的方法 Download PDF

Info

Publication number
CN115547433A
CN115547433A CN202211152894.7A CN202211152894A CN115547433A CN 115547433 A CN115547433 A CN 115547433A CN 202211152894 A CN202211152894 A CN 202211152894A CN 115547433 A CN115547433 A CN 115547433A
Authority
CN
China
Prior art keywords
flamingo
proton exchange
exchange membrane
matrix
parameter
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
CN202211152894.7A
Other languages
English (en)
Inventor
李建林
张则栋
梁忠豪
赵文鼎
梁策
肖珂
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.)
North China University of Technology
Original Assignee
North China University of Technology
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 North China University of Technology filed Critical North China University of Technology
Priority to CN202211152894.7A priority Critical patent/CN115547433A/zh
Publication of CN115547433A publication Critical patent/CN115547433A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • 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
    • Y02E60/36—Hydrogen production from non-carbon containing sources, e.g. by water electrolysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)

Abstract

本发明公开了一种质子交换膜电解槽建模优化的方法，通过实验测量获得包含待建模质子交换膜电解槽输入电压、输入功率、工作电流及产氢速率的多组采样数据；整理归纳出多组采样数据产生影响的关键参数，组成相应的参数矩阵，并采用主成分分析方法对所述参数矩阵进行降维优化处理；设定火烈鸟群优化算法的运行参数；基于火烈鸟群优化算法，将包含工作电流的产氢速率函数值与实际产氢速率采样数据的误差平方和最小作为火烈鸟群优化算法的优化目标，输出最优模型参数矩阵。该方法解决了质子交换膜电解槽模型参数众多、获取复杂且非线性等问题，提升了关键参数设置合理性并降低算法求解难度，并提升优化算法朝全局最优解的收敛速度。

Description

一种质子交换膜电解槽建模优化的方法
技术领域
本发明涉及质子交换膜电解槽建模技术领域，尤其涉及一种质子交换膜电解槽建模优化的方法。
背景技术
新型电力系统的构建离不开清洁能源的大规模开发利用，而氢能因具备高能量密度、低碳排放量和高安全性等特点备受关注。质子交换膜电解槽(PEMEC)具有电流密度大、能量转化率高、工作寿命长和绿色环保等优势，对质子交换膜电解槽的建模研究是对其组件材料特性分析、结构设计验证以及控制策略优化的重要手段，但PEMEC内部多物理场耦合、多输入、非线性等特点制约其建模研究的发展。
现有技术一般采取如下建模方法展开研究：1)深入分析PEMEC内部机理特性，采用构建机理方程的方法搭建了突出PEMEC内部多物理场特性的机理模型，该方法中各机理参数的定义较为困难，模型求解复杂，且需要经过大量的调试才能够得到理想的模拟结果；2)基于实验数据和典型参数拟合得出经验公式，构建PEMEC电压、功率等输出模型，该模型虽拟合较好，但采用的经验公式需要基于所研究的PEMEC规格重新总结归纳，且采用经验参数易导致PEMEC内部机理参数的丢失，导致模型内部参数对PEMEC模型结构等方面的研究意义较弱；3)结合1)中机理方程和2)中经验公式来构建PEMEC半经验模型，该方法同时兼顾二者的优点，但如何选取关键的机理参数，并采用智能优化算法实现二者的有机结合成为了研究的重点，而传统的蚁群算法、粒子群算法等群优化算法易出现过早收敛、局部搜索能力差等缺点。
发明内容
本发明的目的是提供一种质子交换膜电解槽建模优化的方法，该方法解决了质子交换膜电解槽模型参数众多、获取复杂且非线性等问题，提升了关键参数设置合理性并降低算法求解难度，并提升优化算法朝全局最优解的收敛速度。
本发明的目的是通过以下技术方案实现的：
一种质子交换膜电解槽建模优化的方法，所述方法包括：
步骤1、通过实验测量获得包含待建模质子交换膜电解槽输入电压、输入功率、工作电流及产氢速率的多组采样数据；
步骤2、根据质子交换膜电解槽内部结构及多物理场特性，整理归纳出对步骤1所获得的多组采样数据产生影响的关键参数，组成相应的参数矩阵，并采用主成分分析方法对所述参数矩阵进行降维优化处理；
步骤3、设定火烈鸟群优化算法的运行参数，并设置火烈鸟群优化算法终止准则为：运行代数达到给定最大迭代数；
步骤4、基于火烈鸟群优化算法，将包含工作电流的产氢速率函数值与实际产氢速率采样数据的误差平方和最小作为火烈鸟群优化算法的优化目标，输出最优模型参数矩阵。
由上述本发明提供的技术方案可以看出，上述方法针对质子交换膜电解槽模型参数众多、获取复杂且非线性等特点，采用主成分分析法对参数矩阵进行降维处理，提升关键参数设置合理性并降低算法求解难度；并基于火烈鸟优化算法使模型优化具有全局搜索最优解和局部利用能力，提升优化算法朝全局最优解的收敛速度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的质子交换膜电解槽建模优化的方法流程示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，这并不构成对本发明的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
如图1所示为本发明实施例提供的质子交换膜电解槽建模优化的方法流程示意图，所述方法包括：
步骤1、通过实验测量获得包含待建模质子交换膜电解槽输入电压、输入功率、工作电流及产氢速率的多组采样数据；
在该步骤中，待建模质子交换膜电解槽通过电解水制取氢气和氧气，反应过程中阳极和阴极分别发生的化学反应方程如下所示：
阳极：2H2O→O2+4e-
阴极：4H++4e-→2H2
待建模质子交换膜电解槽的输出电化学模型由可逆过电压Erev、动作过电压Eact、欧姆过电压Eohm以及扩散过电压Ediff相关方程组成，如下所示：
Figure BDA0003857668430000031
其中，Erev,0为标准条件下的可逆过电压；R为气体常数，一般为8.314J·K-1mol-1；T为PEMEC工作温度；z为电解反应过程中转移电子摩尔数；F为法拉第常数，一般为96485C·mol-1；
Figure BDA0003857668430000032
和
Figure BDA0003857668430000033
分别表示氢气压强、水压以及氧气压强；αa和αc分别为阳极和阴极电荷转移系数，一般分别取2和0.5；i0,a和i0,c分别为阳极和阴极的交换电流密度，i0,a和i0,c受催化剂结构、材料等难以量化的物理参数的影响在不同的建模研究中取值差异较大，本实施例将多次测试而得的参数定义为观测矩阵中的初始参量；I为PEMEC工作电流；Rm为质子交换膜组件引起的电阻；A为膜电极反应面积；Rp,a和Rp,c分别为阳极和阴极双极板电阻；Re,a和Re,c分别为阳极和阴极多孔电极电阻；Rin,a和Rin,c分别为两侧电极与膜界面间的电阻；
Figure BDA0003857668430000034
和
Figure BDA0003857668430000035
分别表示参考工况下膜电极表面氧气和氢气的平衡浓度值；
Figure BDA0003857668430000036
和
Figure BDA0003857668430000037
分别表示反应过程中膜电极表面氧气和氢气的浓度值；
其中，标准条件下的可逆过电压Erev,0方程如下所示：
Erev,0＝1.229-0.9×10-3(T-298.0)
另外，基于欧姆定律构建综合考虑PEMEC内电解质、膜电极、双极板以及不同层间的接触电阻等组件引起的欧姆过电压Eohm表达式中，Rp,a、Rp,c、Re,a、Re,c、Rin,a和Rin,c受温度影响较大；其中，质子交换膜组件引起的电阻Rm随含水量和温度的函数如下所示：
Figure BDA0003857668430000041
式中，σm为膜电导率；δm为质子交换膜厚度；λ为膜湿化系数；通过将PEMEC运行时多次测试而得的参数定义为观测矩阵中的初始参量；
反应过程中膜电极表面氧气和氢气的浓度值
Figure BDA0003857668430000042
和
Figure BDA0003857668430000043
表示为：
Figure BDA0003857668430000044
式中，Pa和Pc分别为阳极、阴极工作压力；δe,a和δe,c分别为阳极、阴极厚度；
Figure BDA0003857668430000045
和
Figure BDA0003857668430000046
分别为氧气和氢气的摩尔流量；Deff,a和Deff,c分别为多孔阳极和阴极的扩散系数；
通过整理上述表达式和参量，得出单位时间内单一质子交换膜电解槽PEMEC产出氢气体积为：
Figure BDA0003857668430000047
n个串联PEMEC组成的电解阵列单位时间产氢量为：
Figure BDA0003857668430000048
步骤2、根据质子交换膜电解槽内部结构及多物理场特性，整理归纳出对步骤1所获得的多组采样数据产生影响的关键参数，组成相应的参数矩阵，并采用主成分分析方法对所述参数矩阵进行降维优化处理；
在该步骤中，采用主成分分析方法对参数矩阵进行降维优化处理的过程具体为：
a)采集n组m种质子交换膜电解槽的运行参数，将第j组采集数据记为列向量aj，xij表示第j组采集样本中第i个数据，进而构建观测矩阵X表示为：
Figure BDA0003857668430000049
b)对观测矩阵X进行数据中心标准化处理以消除PEMEC参数量纲不一致而导致的数值量级差过大的影响，基于各参数标准差表述数据的分散程度，如下所示：
Figure BDA0003857668430000051
通过变换坐标系{w1,w2,w3,…,wd}生成一组新的变量，使方差最大化，基于标准化定理公式得出中心标准化的样本数据矩阵表达式：
Figure BDA0003857668430000052
式中，Q是观测矩阵X的样本方差矩阵平方根的逆矩阵；
c)构建各变量间的协方差矩阵R，并分析其稳定性和变量间相关性，其中：
Figure BDA0003857668430000053
对角化处理后得到投影矩阵
Figure BDA0003857668430000054
d)求解各参数对电压输出贡献程度值，即所选特征值之和与全部特征值之和的比值，见下式：
Figure BDA0003857668430000055
然后，求解投影矩阵
Figure BDA0003857668430000056
的特征值及对应特征向量；将特征向量按对单位时间内产氢量贡献程度从上到下按行排列成矩阵；依据主成分贡献率公式取前k行组成矩阵P；将原始变量参数转换为主成分变量，减少重复出现且影响度较小的参量，实现参数特征降维，则观测矩阵X从m维降至k维的关键参数矩阵表示为A＝[PX]k×n；
e)初始化所得关键参数类别的值，按照低压(18bar，313.15K)、中压(28bar，333.15K)、高压(38bar，353.15K)三种运行工况将数据分为三组；选取低压、中压的运行数据作为参数估计和产氢效率的训练样本，利用中压数据验证模型运行的准确性。
步骤3、设定火烈鸟群优化算法的运行参数，并设置火烈鸟群优化算法终止准则为：运行代数达到给定最大迭代数；
在该步骤中，所述火烈鸟群优化算法的运行参数包含：种群规模S；初始迭代数k＝0；最大迭代数IMAX；迁徙个体比例Pt；被估计参数编码长度及取值区间；
其中，优化算法目标函数具体为
Figure BDA0003857668430000061
式中，
Figure BDA0003857668430000062
为第i个样本输出数据；
Figure BDA0003857668430000063
为实际运行采样数据；M为样本容量。
步骤4、基于火烈鸟群优化算法，将包含工作电流的产氢速率函数值与实际产氢速率采样数据的误差平方和最小作为火烈鸟群优化算法的优化目标，输出最优模型参数矩阵。
在该步骤中，所述火烈鸟群优化算法具体包括：
a)统计种群数量，将火烈鸟种群第k次迭代分为两部分，第一部分觅食火烈鸟数量
Figure BDA0003857668430000064
迁徙火烈鸟数量为
Figure BDA0003857668430000065
迭代第二部分的迁徙火烈鸟数量为
Figure BDA0003857668430000066
由此得到火烈鸟个体适合度值，并根据个体的适合度值对火烈鸟种群进行排序；
其中，种群规模为S；初始迭代数k＝0；最大迭代数为IMAX；迁徙个体比例为Pt；
迭代第一部分结束后，低适应度值的
Figure BDA0003857668430000067
和高适应度值的
Figure BDA0003857668430000068
作为迁徙火烈鸟，其余个体视为觅食火烈鸟；
b)按
Figure BDA0003857668430000069
更新所述迁徙火烈鸟的位置；
式中，
Figure BDA00038576684300000610
表示第c只火烈鸟在种群中第d维k+1次迭代后的位置；
Figure BDA00038576684300000611
表示第c只火烈鸟在种群中第d维k次迭代后的位置；
Figure BDA00038576684300000612
表示第k次迭代中第d维最优适应度火烈鸟个体在种群中的位置；σ＝N(0,1)为n个自由度的随机数，用于模拟特定迁移过程中个体行为的随机性，增加火烈鸟迁移过程中搜索空间；
再按
Figure BDA00038576684300000613
更新所述觅食火烈鸟的位置；
式中，Z1和Z2为遵循标准正态分布的随机数；ξ1和ξ2为-1到1的随机数；
c)设置火烈鸟单体移动距离的边界条件为：
Figure BDA00038576684300000614
其中，
Figure BDA00038576684300000615
为第c只火烈鸟在d维中第k次迭代中火烈鸟觅食的移动距离；
依据该边界条件检查所述迁移火烈鸟和觅食火烈鸟是否越限，若越限，则重复步骤b的操作；若满足要求，则继续运行；
d)再判断是否达到最大迭代数IMAX，若未达到最大迭代数IMAX，则重复上述操作进行循环迭代；若达到最大迭代次数IMAX，则输出最优模型参数矩阵，包括PEMEC产氢速率和最优参数解向量。
另外，具体实现中，还可以将模型计算出的PEMEC产氢速率与PEMEC实际运行采样数据进行拟合分析，以判断模型的准确性。
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
综上所述，本发明实施例所述方法针对质子交换膜电解槽模型参数众多、获取复杂且非线性等特点，采用主成分分析法对参数矩阵进行降维处理，提升关键参数设置合理性并降低算法求解难度；并基于火烈鸟优化算法使模型优化具有全局搜索最优解和局部利用能力，提升优化算法朝全局最优解的收敛速度。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。本文背景技术部分公开的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

Claims (5)

1.一种质子交换膜电解槽建模优化的方法，其特征在于，所述方法包括：
步骤1、通过实验测量获得包含待建模质子交换膜电解槽输入电压、输入功率、工作电流及产氢速率的多组采样数据；
步骤2、根据质子交换膜电解槽内部结构及多物理场特性，整理归纳出对步骤1所获得的多组采样数据产生影响的关键参数，组成相应的参数矩阵，并采用主成分分析方法对所述参数矩阵进行降维优化处理；
步骤3、设定火烈鸟群优化算法的运行参数，并设置火烈鸟群优化算法终止准则为：运行代数达到给定最大迭代数；
步骤4、基于火烈鸟群优化算法，将包含工作电流的产氢速率函数值与实际产氢速率采样数据的误差平方和最小作为火烈鸟群优化算法的优化目标，输出最优模型参数矩阵。
2.根据权利要求1所述质子交换膜电解槽建模优化的方法，其特征在于，在步骤1中，待建模质子交换膜电解槽的输出电化学模型由可逆过电压Erev、动作过电压Eact、欧姆过电压Eohm以及扩散过电压Ediff相关方程组成，如下所示：
Figure FDA0003857668420000011
其中，Erev,0为标准条件下的可逆过电压；R为气体常数；T为PEMEC工作温度；z为电解反应过程中转移电子摩尔数；F为法拉第常数；
Figure FDA0003857668420000012
和
Figure FDA0003857668420000013
分别表示氢气压强、水压以及氧气压强；αa和αc分别为阳极和阴极电荷转移系数；i0,a和i0,c分别为阳极和阴极的交换电流密度；I为PEMEC工作电流；Rm为质子交换膜组件引起的电阻；A为膜电极反应面积；Rp,a和Rp,c分别为阳极和阴极双极板电阻；Re,a和Re,c分别为阳极和阴极多孔电极电阻；Rin,a和Rin,c分别为两侧电极与膜界面间的电阻；
Figure FDA0003857668420000014
和
Figure FDA0003857668420000015
分别表示参考工况下膜电极表面氧气和氢气的平衡浓度值；
Figure FDA0003857668420000021
和
Figure FDA0003857668420000022
分别表示反应过程中膜电极表面氧气和氢气的浓度值；
其中，标准条件下的可逆过电压Erev,0方程如下所示：
Erev,0＝1.229-0.9×10-3(T-298.0)
质子交换膜组件引起的电阻Rm随含水量和温度的函数如下所示：
Figure FDA0003857668420000023
式中，σm为膜电导率；δm为质子交换膜厚度；λ为膜湿化系数；
反应过程中膜电极表面氧气和氢气的浓度值
Figure FDA0003857668420000024
和
Figure FDA0003857668420000025
表示为：
Figure FDA0003857668420000026
式中，Pa和Pc分别为阳极、阴极工作压力；δe,a和δe,c分别为阳极、阴极厚度；
Figure FDA0003857668420000027
和
Figure FDA0003857668420000028
分别为氧气和氢气的摩尔流量；Deff,a和Deff,c分别为多孔阳极和阴极的扩散系数；
通过整理上述表达式和参量，得出单位时间内单一质子交换膜电解槽PEMEC产出氢气体积表达式为：
Figure FDA0003857668420000029
n个串联PEMEC组成的电解阵列产氢量为：
Figure FDA00038576684200000210
3.根据权利要求1所述质子交换膜电解槽建模优化的方法，其特征在于，在步骤2中，采用主成分分析方法对参数矩阵进行降维优化处理的过程具体为：
a)采集n组m种质子交换膜电解槽的运行参数，将第j组采集数据记为列向量aj，xij表示第j组采集样本中第i个数据，进而构建观测矩阵X表示为：
Figure FDA00038576684200000211
b)对观测矩阵X进行数据中心标准化处理以消除PEMEC参数量纲不一致而导致的数值量级差过大的影响，基于各参数标准差表述数据的分散程度，如下所示：
Figure FDA0003857668420000031
通过变换坐标系{w1,w2,w3,…,wd}生成一组新的变量，使方差最大化，基于标准化定理公式得出中心标准化的样本数据矩阵表达式：
Figure FDA0003857668420000032
式中，Q是观测矩阵X的样本方差矩阵平方根的逆矩阵；
c)构建各变量间的协方差矩阵R，并分析其稳定性和变量间相关性，其中：
Figure FDA0003857668420000033
对角化处理后得到投影矩阵
Figure FDA0003857668420000034
d)求解各参数对电压输出贡献程度值，即所选特征值之和与全部特征值之和的比值，见下式：
Figure FDA0003857668420000035
然后，求解投影矩阵
Figure FDA0003857668420000036
的特征值及对应特征向量；将特征向量按对单位时间内产氢量贡献程度从上到下按行排列成矩阵；依据主成分贡献率公式取前k行组成矩阵P；将原始变量参数转换为主成分变量，减少重复出现且影响度较小的参量，实现参数特征降维，则观测矩阵X从m维降至k维的关键参数矩阵表示为A＝[PX]k×n；
e)初始化所得关键参数类别的值，按照低压、中压、高压三种运行工况将数据分为三组；选取低压、中压的运行数据作为参数估计和产氢效率的训练样本，利用中压数据验证模型运行的准确性。
4.根据权利要求1所述质子交换膜电解槽建模优化的方法，其特征在于，在步骤3中，所述火烈鸟群优化算法的运行参数包含：种群规模S；初始迭代数k＝0；最大迭代数IMAX；迁徙个体比例Pt；被估计参数编码长度及取值区间；
其中，优化算法目标函数具体为
Figure FDA0003857668420000041
式中，
Figure FDA0003857668420000042
为第i个样本输出数据；
Figure FDA0003857668420000043
为实际运行采样数据；M为样本容量。
5.根据权利要求1所述质子交换膜电解槽建模优化的方法，其特征在于，在步骤4中，所述火烈鸟群优化算法具体包括：
a)统计种群数量，将火烈鸟种群第k次迭代分为两部分，第一部分觅食火烈鸟数量
Figure FDA0003857668420000044
迁徙火烈鸟数量为
Figure FDA0003857668420000045
迭代第二部分的迁徙火烈鸟数量为
Figure FDA0003857668420000046
由此得到火烈鸟个体适合度值，并根据个体的适合度值对火烈鸟种群进行排序；
其中，种群规模为S；初始迭代数k＝0；最大迭代数为IMAX；迁徙个体比例为Pt；
迭代第一部分结束后，低适应度值的
Figure FDA0003857668420000047
和高适应度值的
Figure FDA0003857668420000048
作为迁徙火烈鸟，其余个体视为觅食火烈鸟；
b)按
Figure FDA0003857668420000049
更新所述迁徙火烈鸟的位置；
式中，
Figure FDA00038576684200000410
表示第c只火烈鸟在种群中第d维k+1次迭代后的位置；
Figure FDA00038576684200000411
表示第c只火烈鸟在种群中第d维k次迭代后的位置；
Figure FDA00038576684200000412
表示第k次迭代中第d维最优适应度火烈鸟个体在种群中的位置；σ＝N(0,1)为n个自由度的随机数，用于模拟特定迁移过程中个体行为的随机性，增加火烈鸟迁移过程中搜索空间；
再按
Figure FDA00038576684200000413
更新所述觅食火烈鸟的位置；
式中，Z1和Z2为遵循标准正态分布的随机数；ξ1和ξ2为-1到1的随机数；
c)设置火烈鸟单体移动距离的边界条件为：
Figure FDA00038576684200000414
其中，
Figure FDA00038576684200000415
为第c只火烈鸟在d维中第k次迭代中火烈鸟觅食的移动距离；
依据该边界条件检查所述迁移火烈鸟和觅食火烈鸟是否越限，若越限，则重复步骤b的操作；若满足要求，则继续运行；
d)再判断是否达到最大迭代数IMAX，若未达到最大迭代数IMAX，则重复上述操作进行循环迭代；若达到最大迭代次数IMAX，则输出最优模型参数矩阵，包括PEMEC产氢速率和最优参数解向量。
CN202211152894.7A 2022-09-21 2022-09-21 一种质子交换膜电解槽建模优化的方法 Pending CN115547433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211152894.7A CN115547433A (zh) 2022-09-21 2022-09-21 一种质子交换膜电解槽建模优化的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211152894.7A CN115547433A (zh) 2022-09-21 2022-09-21 一种质子交换膜电解槽建模优化的方法

Publications (1)

Publication Number Publication Date
CN115547433A true CN115547433A (zh) 2022-12-30

Family

ID=84727804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211152894.7A Pending CN115547433A (zh) 2022-09-21 2022-09-21 一种质子交换膜电解槽建模优化的方法

Country Status (1)

Country Link
CN (1) CN115547433A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113930784A (zh) * 2021-10-15 2022-01-14 国网浙江省电力有限公司嘉善县供电公司 一种用于pem电解水的制氢系统及调控优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113930784A (zh) * 2021-10-15 2022-01-14 国网浙江省电力有限公司嘉善县供电公司 一种用于pem电解水的制氢系统及调控优化方法
CN113930784B (zh) * 2021-10-15 2023-09-05 国网浙江省电力有限公司嘉善县供电公司 一种用于pem电解水的制氢系统及调控优化方法

Similar Documents

Publication Publication Date Title
Huo et al. Performance prediction of proton-exchange membrane fuel cell based on convolutional neural network and random forest feature selection
Ali et al. Effective parameters’ identification for polymer electrolyte membrane fuel cell models using grey wolf optimizer
Yang et al. Modeling and optimization for proton exchange membrane fuel cell stack using aging and challenging P systems based optimization algorithm
CN111310387B (zh) 一种燃料电池寿命预测方法
CN107463995B (zh) 具有自适应遗传策略rna-ga的燃料电池优化建模方法
CN103336867B (zh) 质子交换膜燃料电池模型优化处理方法
CN114447378B (zh) 一种质子交换膜燃料电池的参数优化方法
CN106407590A (zh) 基于膜计算的质子交换膜燃料电池模型优化方法
Guarnieri et al. A selective hybrid stochastic strategy for fuel-cell multi-parameter identification
CN112289385B (zh) 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法
CN114976129A (zh) 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
CN110929451A (zh) 一种燃料电池单体电压一致性预测方法
CN115547433A (zh) 一种质子交换膜电解槽建模优化的方法
CN114943372A (zh) 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置
Miao et al. Metamodel based design optimization approach in promoting the performance of proton exchange membrane fuel cells
Gnatowski et al. The prediction of the polarization curves of a solid oxide fuel cell anode with an artificial neural network supported numerical simulation
CN111930839A (zh) 退役动力电池储能装置的配组方法
CN116231000A (zh) 一种燃料电池/电堆仿真模型的构建方法
CN115935659A (zh) 一种燃料电池电堆寿命预测方法、系统及电子设备
Zhang et al. Degradation prediction model of PEMFC based on multi-reservoir echo state network with mini reservoir
Zhang et al. Parameter identification of proton exchange membrane fuel cell based on swarm intelligence algorithm
CN114300713A (zh) 一种交叉流soec电堆二维动态模型构建方法及其应用
CN115642269B (zh) 一种固体氧化物燃料电池结构及其优化设计方法
CN113540534B (zh) 一种质子交换膜燃料电池堆的饥饿故障诊断方法
CN114924202A (zh) 一种燃料电池使用寿命的检测方法和检测装置

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