CN116203434B - 一种燃料电池耐久性的预测方法及设备 - Google Patents
一种燃料电池耐久性的预测方法及设备 Download PDFInfo
- Publication number
- CN116203434B CN116203434B CN202310473029.0A CN202310473029A CN116203434B CN 116203434 B CN116203434 B CN 116203434B CN 202310473029 A CN202310473029 A CN 202310473029A CN 116203434 B CN116203434 B CN 116203434B
- Authority
- CN
- China
- Prior art keywords
- data
- fuel cell
- durability
- membrane electrode
- acceleration
- 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.)
- Active
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000012528 membrane Substances 0.000 claims abstract description 142
- 230000001133 acceleration Effects 0.000 claims abstract description 73
- 238000011156 evaluation Methods 0.000 claims abstract description 59
- 230000010287 polarization Effects 0.000 claims abstract description 58
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 230000004913 activation Effects 0.000 claims abstract description 30
- 239000000126 substance Substances 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000003054 catalyst Substances 0.000 claims abstract description 14
- 230000003197 catalytic effect Effects 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 26
- 239000010411 electrocatalyst Substances 0.000 claims description 21
- 230000036541 health Effects 0.000 claims description 14
- 230000002441 reversible effect Effects 0.000 claims description 14
- 238000001453 impedance spectrum Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 12
- 230000007797 corrosion Effects 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- DSVGQVZAZSZEEX-UHFFFAOYSA-N [C].[Pt] Chemical compound [C].[Pt] DSVGQVZAZSZEEX-UHFFFAOYSA-N 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 7
- 238000002484 cyclic voltammetry Methods 0.000 claims description 7
- 238000010998 test method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000007654 immersion Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000012495 reaction gas Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004832 voltammetry Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 119
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 8
- 229910052739 hydrogen Inorganic materials 0.000 description 8
- 239000001257 hydrogen Substances 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000004502 linear sweep voltammetry Methods 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000000627 alternating current impedance spectroscopy Methods 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 238000001566 impedance spectroscopy Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000741 silica gel Substances 0.000 description 1
- 229910002027 silica gel Inorganic materials 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
-
- 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
本发明公开了一种燃料电池耐久性的预测方法及设备,属于数据处理技术领域,用于解决现有的车用燃料电池难以用组合的多种工况因素测试并反映燃料电池实际寿命,进而难以对现有的车用燃料电池耐久性进行准确的评估的技术问题。方法包括:对质子交换膜燃料电池进行有关膜电极微观结构的试漏与活化处理,得到电池运行数据;对电池运行数据进行电催化剂耐久性加速判断处理,得到加速单工况评估数据;对电池运行数据进行膜电极化学耐久性加速判断处理,得到开路电压工况评估数据;对加速单工况评估数据以及开路电压工况评估数据进行极化曲线的标定拟合;并通过建立的燃料电池耐久关联模型,预测出膜电极载体耐久性特征预测结果。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种燃料电池耐久性的预测方法及设备。
背景技术
燃料电池寿命是燃料电池汽车行业关注的重点问题之一,其快速评价燃料电池动态寿命的测试方法尤为重要。但燃料电池耐久性这一长时变参数变化机理复杂,易受环境、工况及电池单体不一致等多重因素的复合影响,使得燃料电池耐久性的在线评估较为困难,难以对燃料电池的寿命作出准确的预测,不利于氢能源汽车的安全运行以及对燃料电池的分类与梯次利用。
目前影响燃料电池耐久性的工况条件比较复杂,难以准确、快速用组合的工况测试并反映出燃料电池实际寿命,进而难以对现有的车用燃料电池耐久性进行准确的评估,不利于燃料电池汽车的安全运行以及对电池退化寿命规律的预测。
发明内容
本申请实施例提供了一种燃料电池耐久性的预测方法及设备,用于解决如下技术问题:现有的车用燃料电池难以准确、快速用组合的工况测试并反映燃料电池实际寿命,进而难以对现有的车用燃料电池耐久性进行准确的评估,不利于燃料电池汽车的安全运行以及对电池退化寿命规律的预测。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种燃料电池耐久性的预测方法,包括:对车用燃料电池中的质子交换膜燃料电池进行有关膜电极微观结构的试漏与活化处理,得到电池运行数据;基于预设方波电压,对所述电池运行数据进行电催化剂耐久性加速判断处理,得到加速单工况评估数据;基于所述质子交换膜燃料电池的开路电压工况,并根据所述加速单工况评估数据,对所述电池运行数据进行膜电极化学耐久性加速判断处理,得到开路电压工况评估数据;对所述加速单工况评估数据以及所述开路电压工况评估数据所对应的极化曲线进行曲线的标定与拟合;并根据拟合后的加速因子与映射关系,建立燃料电池耐久关联模型;通过所述燃料电池耐久关联模型,对所述电池运行数据中的待测时间序列进行耐久性特征的预测,得到膜电极载体耐久性特征预测结果,以实现对所述质子交换膜燃料电池的健康状态的性能预测。
本申请通过对车用燃料电池电极载体的车辆加速单因素工况的耐久性数据测试,并根据车辆常速多因素工况的极化曲线对膜电极载体耐久性能的标定拟合,再根据催化层的断面截图进行校正,得到燃料电池耐久性能的映射关系,最后建立燃料电池耐久关联模型来对电池的健康状态进行性能预测。还有利于对氢燃料电池汽车中电池的退化信息进行分析,准确判断出该电池在实车多因素工况下的性能规律,有利于保障燃料电池汽车的安全运行,评估其残值,实现退役电池的分类等等,有助于对氢燃料电池的梯次利用。
在一种可行的实施方式中,对车用燃料电池中的质子交换膜燃料电池进行有关膜电极微观结构的试漏与活化处理,得到电池运行数据,具体包括:通过扫描电镜,采集所述质子交换膜燃料电池中的膜电极微观结构数据;其中,所述膜电极微观结构数据至少包括以下任意一项或多项:膜电极厚度、质子交换膜厚度、绝缘密封圈厚度以及有效活性面积;对所述质子交换膜燃料电池进行电池试漏与活化处理,并采集对应的电池试漏数据与电池活化数据;其中,所述电池试漏采用湿式浸水法或者压差试漏法进行,所述活化处理以预设反应气体作为活化介质;根据所述电池试漏数据与电池活化数据,对所述膜电极微观结构数据进行异常健康数据的剔除,得到所述电池运行数据。
本申请实施例通过对质子交换膜燃料电池的预处理,单电池的试漏与活化操作,对所述膜电极微观结构数据中剔除健康状态异常的电池性能数据,有利于获取到干净准确的电池运行数据,保障了后续燃料电池耐久性预测的准确性。
在一种可行的实施方式中,基于预设方波电压,对所述电池运行数据进行电催化剂耐久性加速判断处理,得到加速单工况评估数据,具体包括:通过所述方波电压,对所述质子交换膜燃料电池中的铂碳催化剂碳载体进行加速腐蚀处理,得到可逆损失恢复数据;其中,所述可逆损失恢复数据由停机操作数据与活化操作数据组成;基于所述可逆损失恢复数据,对所述电池运行数据电催化剂耐久性加速判断处理,得到基于方波电压工况循环后的膜电极性能变化数据;其中,所述电催化剂耐久性加速判断,包括:极化曲线判断、电化学活性面积(ECA)判断、电催化剂微观厚度判断、电化学阻抗谱判断以及循环伏安曲线判断;将所述膜电极性能变化数据确定为所述加速单工况评估数据。
本申请实施例通过可逆损失恢复数据解决了铂碳催化剂可逆损失对加速单况耐久性所带来的影响,有利于对燃料电池当前耐久性的准确判定。
在一种可行的实施方式中,所述停机操作数据为对所述质子交换膜燃料电池中的铂碳催化剂碳载体进行二次加速腐蚀处理,并获取二次加速腐蚀处理后的膜电极微观结构数据。
在一种可行的实施方式中,基于所述质子交换膜燃料电池的开路电压工况,并根据所述加速单工况评估数据,对所述电池运行数据进行膜电极化学耐久性加速判断处理,得到开路电压工况评估数据,具体包括:根据所述开路电压工况,对所述质子交换膜燃料电池进行膜电极的运行数据获取,得到运行前膜电极数据与运行后膜电极数据;其中,所述运行前膜电极数据包括:运行前极化曲线、运行前阻抗谱曲线以及运行前伏安曲线;所述运行后膜电极数据包括:运行后极化曲线、运行后阻抗谱曲线以及运行后伏安曲线;将所述运行后膜电极数据中的运行后极化曲线与所述加速单工况评估数据中与电催化剂微观厚度对应的极化曲线进行曲线数据的标定,并根据标定后的曲线对应关系,对所述电池运行数据进行膜电极化学耐久性加速判断处理,得到有关膜电极化学耐久性的催化层截面图;其中,所述膜电极化学耐久性加速判断处理为对膜电极的电催化剂进行运行前后催化活性损失判断处理;对所述催化层截面图进行膜电极化学耐久性的数据标定,得到所述开路电压工况评估数据。
在一种可行的实施方式中,对所述加速单工况评估数据以及所述开路电压工况评估数据所对应的极化曲线进行曲线的标定与拟合,具体包括:获取所述电池运行数据中在常速多因素工况数据下的常速极化曲线;将所述常速极化曲线与所述加速单工况评估数据中的极化曲线以及所述开路电压工况评估数据中的极化曲线进行标定;并根据标定后的极化曲线,将所述加速单工况评估数据与所述常速多因素工况数据之间的曲线映射关系进行特征拟合,得到拟合特征映射关系。
在一种可行的实施方式中,根据拟合后的加速因子与映射关系,建立燃料电池耐久关联模型,具体包括:根据所述标定后的极化曲线的预设滑动宽度,获取多个时序样本数据,并将所述多个时序样本数据确定为加速因子;根据所述加速因子,将所述标定后的极化曲线与催化层截面图中的催化截面层厚度状态值进行非线性映射,得到非线性映射关系;通过LSTM神经网络模型,基于所述非线性映射关系,建立所述燃料电池耐久关联模型。
本申请实施例通过对电催化剂载体耐久性与膜电极化学耐久性建立燃料电池耐久试验关联模型,建立燃料电池耐久性台架试验与实车运行工况的映射,有利于通过台架试验更精确、快速的反应在实车多工况下燃料电池膜电极载体耐久性。
在一种可行的实施方式中,所述燃料电池耐久关联模型的训练输入端为所述催化截面层厚度状态值、所述开路电压工况评估数据中膜电极的极化曲线以及所述加速单工况评估数据中的电化学阻抗谱与循环伏安曲线;所述燃料电池耐久关联模型的训练输出端为所述电池运行数据中的常速极化曲线。
在一种可行的实施方式中,通过所述燃料电池耐久关联模型,对所述电池运行数据中的待测时间序列进行耐久性特征的预测,得到膜电极载体耐久性特征预测结果,具体包括:获取所述电池运行数据中的待测时间序列数据;其中,所述待测时间序列数据存在于所述电池运行数据的电池融合健康特征中;将所述待测时间序列数据输入到所述燃料电池耐久关联模型中,得到膜电极载体耐久性特征预测结果;其中,所述膜电极载体耐久性特征预测结果为下一时间周期内的膜电极性能数据。
另一方面,本申请实施例还提供了一种燃料电池耐久性的预测设备,所述设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行上述任一实施例所述的一种燃料电池耐久性的预测方法。
本申请提供了一种燃料电池耐久性的预测方法,通过对车用燃料电池电极载体的车辆加速单因素工况的耐久性数据测试,并根据车辆常速多因素工况的极化曲线对膜电极载体耐久性能的标定拟合,再根据催化层的断面截图进行校正,得到燃料电池耐久性能的映射关系,最后建立燃料电池耐久关联模型来对电池的健康状态进行性能预测。还有利于对氢燃料电池汽车中电池的退化信息进行分析,准确判断出该电池在实车多因素工况下的性能规律,有利于保障燃料电池汽车的安全运行,评估其残值,实现退役电池的分类等等,有助于对氢燃料电池的梯次利用。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请中记载的一些实施例,对于本领域普通技术人员来讲,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的附图。在附图中:
图1为本申请实施例提供的一种燃料电池耐久性的预测方法流程图;
图2为本申请实施例提供的一种燃料电池耐久性的预测设备的结构示意图;如图2所示,200为燃料电池耐久性的预测设备,201为处理器,202为与处理器201通信连接的存储器。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请实施例提供了一种燃料电池耐久性的预测方法,如图1所示,燃料电池耐久性的预测方法具体包括步骤S101-S105:
S101、对车用燃料电池中的质子交换膜燃料电池进行有关膜电极微观结构的试漏与活化处理,得到电池运行数据。
具体地,通过扫描电镜,采集质子交换膜燃料电池中的膜电极微观结构数据。其中,膜电极微观结构数据至少包括以下任意一项或多项:膜电极厚度、质子交换膜厚度、绝缘密封圈厚度以及有效活性面积。
进一步地,对质子交换膜燃料电池进行电池试漏与活化处理,并采集对应的电池试漏数据与电池活化数据。其中,电池试漏采用湿式浸水法或者压差试漏法进行,活化处理以预设反应气体作为活化介质。根据电池试漏数据与电池活化数据,对膜电极微观结构数据进行异常健康数据的剔除,得到电池运行数据。
在一个实施例中,通过扫描电镜,对燃料电池进行膜电极微观结构数据的采集;其中,在试验设备、燃料电池状态无缺失、异常的基础上对电极微观结构进行数据测量,膜电极微观结构数据至少包括以下任一项或多项:膜电极厚度、质子交换膜厚度、绝缘密封圈厚度、有效活性面积。
作为一种可行的实施方式,通过测试夹具将单电池组装并置于燃料电池单电池测试台,其中测试夹具由绝缘板、端板、绝缘片、集流板、石墨流场板和硅胶密封圈组成,夹具通过8颗螺丝紧固,按对角顺序紧固,紧固扭矩为2.5 N·m。然后将燃料电池进行电池试漏处理与活化处理。其中,电池试漏可采用湿式浸水法或压差试漏法进行,电池活化应以反应气体作为活化介质,按照《GB/T 20042.5-2009》操作工况进行单电池的活化处理。
S102、基于预设方波电压,对电池运行数据进行电催化剂耐久性加速判断处理,得到加速单工况评估数据。
具体地,通过方波电压,对质子交换膜燃料电池中的铂碳催化剂碳载体进行加速腐蚀处理,得到可逆损失恢复数据。其中,可逆损失恢复数据由停机操作数据与活化操作数据组成。
作为一种可行的实施方式,停机操作数据为对质子交换膜燃料电池中的铂碳催化剂碳载体进行二次加速腐蚀处理,并获取二次加速腐蚀处理后的膜电极微观结构数据。
进一步地,基于可逆损失恢复数据,对电池运行数据电催化剂耐久性加速判断处理,得到基于方波电压工况循环后的膜电极性能变化数据。其中,电催化剂耐久性加速判断,包括:极化曲线判断、电化学活性面积(ECA)判断、电催化剂微观厚度判断、电化学阻抗谱判断以及循环伏安曲线判断。将膜电极性能变化数据确定为加速单工况评估数据。
在一个实施例中,基于美国能源部(DOE)制定的燃料电池耐久性测试规程,采用1.0V至1.5V之间进行快速三角方波电压扫描循环对铂碳催化剂碳载体进行加速腐蚀后,为避免可逆损失对加速耐久试验所带来的影响,确定出可逆损失恢复数据。其中,可逆损失恢复数据由停机操作与活化操作组成,加速单工况耐久性测试每进行100h进行一次停机操作,每200h进行一次电池活化操作。然后对燃料电池进行有关极化曲线测试判断、电化学活性面积(ECA)测试判断、电化学阻抗谱测试判断和循环伏安曲线测试判断,并整合出膜电极性能变化数据,用于对基于方波电压工况循环后的膜电极性能变化数据的性能变化和衰减情况的数据体现。
S103、基于质子交换膜燃料电池的开路电压工况,并根据加速单工况评估数据,对电池运行数据进行膜电极化学耐久性加速判断处理,得到开路电压工况评估数据。
具体地,根据开路电压工况(OCV),对质子交换膜燃料电池进行膜电极的运行数据获取,得到运行前膜电极数据与运行后膜电极数据。其中,运行前膜电极数据包括:运行前极化曲线、运行前阻抗谱曲线(EIS)以及运行前伏安曲线(LSV)。运行后膜电极数据包括:运行后极化曲线、运行后阻抗谱曲线以及运行后伏安曲线。
进一步地,将运行后膜电极数据中的运行后极化曲线与加速单工况评估数据中与电催化剂微观厚度对应的极化曲线进行曲线数据的标定,并根据标定后的曲线对应关系,对电池运行数据进行膜电极化学耐久性加速判断处理,得到有关膜电极化学耐久性的催化层截面图。其中,膜电极化学耐久性加速判断处理为对膜电极的电催化剂进行运行前后催化活性损失判断处理。对催化层截面图进行膜电极化学耐久性的数据标定,得到开路电压工况评估数据。
作为一种可行的实施方式,结合电池的失效机理从燃料电池开路电压(OCV)工况运行前后膜电极的极化曲线、电化学交流阻抗谱(EIS)、线性扫描伏安曲线(LSV)和短路电阻测试等在线测试方法,以对氢燃料电池膜电极化学耐久性进行判断。根据膜电极化学耐久性测试后得到运行前膜电极数据与运行后膜电极数据,将运行后极化曲线与加速单工况评估数据中电催化剂微观厚度变化所对应的极化曲线数据进行标定,提取并得到与加速单工况数据的耐久特征对应关系,然后对运行数据进行膜电极化学耐久性加速判断处理后,确定出催化层截面图,再与膜电极化学耐久性能进行数据标定,构建符合加速单工况数据测试判断条件下电催化剂催化活性损失的开路电压工况评估数据。
S104、对加速单工况评估数据以及开路电压工况评估数据所对应的极化曲线进行曲线的标定与拟合。并根据拟合后的加速因子与映射关系,建立燃料电池耐久关联模型。
具体地,获取电池运行数据中在常速多因素工况数据下的常速极化曲线;将常速极化曲线与加速单工况评估数据中的极化曲线以及开路电压工况评估数据中的极化曲线进行标定。并根据标定后的极化曲线,将加速单工况评估数据与常速多因素工况数据之间的曲线映射关系进行特征拟合,得到拟合特征映射关系。
进一步地,根据标定后的极化曲线的预设滑动宽度,获取多个时序样本数据,并将多个时序样本数据确定为加速因子。根据加速因子,将标定后的极化曲线与催化层截面图中的催化截面层厚度状态值进行非线性映射,得到非线性映射关系。通过LSTM神经网络模型,基于非线性映射关系,建立燃料电池耐久关联模型。
其中,燃料电池耐久关联模型的训练输入端为催化截面层厚度状态值、开路电压工况评估数据中膜电极的极化曲线以及加速单工况评估数据中的电化学阻抗谱与循环伏安曲线。燃料电池耐久关联模型的训练输出端为电池运行数据中的常速极化曲线。
在一个实施例中,以500h加速耐久测试数据为例,催化截面层厚度每50h观测一次,即滑动宽度为50h。将催化截面层厚度随时间变化数据及对应时间下开路电压工况数据中的膜电极的极化曲线、电化学交流阻抗谱、线性扫描伏安曲线数据作为时序样本数据,直至500h测试判断结束或燃料电池初始催化活性损失<40%、0.8 A/cm2电流密度时电压损失<30mV、初始活性面积损失<40%。之后通过LSTM神经网络模型与加速因子,再基于标定后的极化曲线与催化层截面图中的催化截面层厚度状态值进行非线性映射,建立燃料电池耐久关联模型。
S105、通过燃料电池耐久关联模型,对电池运行数据中的待测时间序列进行耐久性特征的预测,得到膜电极载体耐久性特征预测结果,以实现对质子交换膜燃料电池的健康状态的性能预测。
具体地,获取电池运行数据中的待测时间序列数据。其中,待测时间序列数据存在于电池运行数据的电池融合健康特征中。然后将待测时间序列数据输入到燃料电池耐久关联模型中,得到膜电极载体耐久性特征预测结果。其中,膜电极载体耐久性特征预测结果为下一时间周期内的膜电极性能数据。
另外,本申请实施例还提供了一种燃料电池耐久性的预测设备,如图2所示,燃料电池耐久性的预测设备200具体包括:
至少一个处理器201。以及,与至少一个处理器201通信连接的存储器202。其中,存储器202存储有能够被至少一个处理器201执行的指令,以使至少一个处理器201能够执行:
对车用燃料电池中的质子交换膜燃料电池进行有关膜电极微观结构的试漏与活化处理,得到电池运行数据;
基于预设方波电压,对电池运行数据进行电催化剂耐久性加速判断处理,得到加速单工况评估数据;
基于质子交换膜燃料电池的开路电压工况,并根据加速单工况评估数据,对电池运行数据进行膜电极化学耐久性加速判断处理,得到开路电压工况评估数据;
对加速单工况评估数据以及开路电压工况评估数据所对应的极化曲线进行曲线的标定与拟合;并根据拟合后的加速因子与映射关系,建立燃料电池耐久关联模型;
通过燃料电池耐久关联模型,对电池运行数据中的待测时间序列进行耐久性特征的预测,得到膜电极载体耐久性特征预测结果,以实现对质子交换膜燃料电池的健康状态的性能预测。
本申请提供了一种燃料电池耐久性的预测方法,通过对车用燃料电池电极载体的车辆加速单因素工况的耐久性数据测试,并根据车辆常速多因素工况的极化曲线对膜电极载体耐久性能的标定拟合,再根据催化层的断面截图进行校正,得到燃料电池耐久性能的映射关系,最后建立燃料电池耐久关联模型来对电池的健康状态进行性能预测。还有利于对氢燃料电池汽车中电池的退化信息进行分析,准确判断出该电池在实车多因素工况下的性能规律,有利于保障燃料电池汽车的安全运行,评估其残值,实现退役电池的分类等等,有助于对氢燃料电池的梯次利用。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种燃料电池耐久性的预测方法,其特征在于,所述方法包括:
对车用燃料电池中的质子交换膜燃料电池进行有关膜电极微观结构的试漏与活化处理,得到电池运行数据;
基于预设方波电压,对所述电池运行数据进行电催化剂耐久性加速判断处理,得到加速单工况评估数据;
基于所述质子交换膜燃料电池的开路电压工况,并根据所述加速单工况评估数据,对所述电池运行数据进行膜电极化学耐久性加速判断处理,得到开路电压工况评估数据;
对所述加速单工况评估数据以及所述开路电压工况评估数据所对应的极化曲线进行曲线的标定与拟合;并根据拟合后的加速因子与映射关系,建立燃料电池耐久关联模型;
通过所述燃料电池耐久关联模型,对所述电池运行数据中的待测时间序列进行耐久性特征的预测,得到膜电极载体耐久性特征预测结果,以实现对所述质子交换膜燃料电池的健康状态的性能预测。
2.根据权利要求1所述的一种燃料电池耐久性的预测方法,其特征在于,对车用燃料电池中的质子交换膜燃料电池进行有关膜电极微观结构的试漏与活化处理,得到电池运行数据,具体包括:
通过扫描电镜,采集所述质子交换膜燃料电池中的膜电极微观结构数据;其中,所述膜电极微观结构数据至少包括以下任意一项或多项:膜电极厚度、质子交换膜厚度、绝缘密封圈厚度以及有效活性面积;
对所述质子交换膜燃料电池进行电池试漏与活化处理,并采集对应的电池试漏数据与电池活化数据;其中,所述电池试漏采用湿式浸水法或者压差试漏法进行,所述活化处理以预设反应气体作为活化介质;
根据所述电池试漏数据与电池活化数据,对所述膜电极微观结构数据进行异常健康数据的剔除,得到所述电池运行数据。
3.根据权利要求1所述的一种燃料电池耐久性的预测方法,其特征在于,基于预设方波电压,对所述电池运行数据进行电催化剂耐久性加速判断处理,得到加速单工况评估数据,具体包括:
通过所述方波电压,对所述质子交换膜燃料电池中的铂碳催化剂碳载体进行加速腐蚀处理,得到可逆损失恢复数据;其中,所述可逆损失恢复数据由停机操作数据与活化操作数据组成;
基于所述可逆损失恢复数据,对所述电池运行数据电催化剂耐久性加速判断处理,得到基于方波电压工况循环后的膜电极性能变化数据;其中,所述电催化剂耐久性加速判断,包括:极化曲线判断、电化学活性面积(ECA)判断、电催化剂微观厚度判断、电化学阻抗谱判断以及循环伏安曲线判断;
将所述膜电极性能变化数据确定为所述加速单工况评估数据。
4.根据权利要求3所述的一种燃料电池耐久性的预测方法,其特征在于,所述停机操作数据为对所述质子交换膜燃料电池中的铂碳催化剂碳载体进行二次加速腐蚀处理,并获取二次加速腐蚀处理后的膜电极微观结构数据。
5.根据权利要求1所述的一种燃料电池耐久性的预测方法,其特征在于,基于所述质子交换膜燃料电池的开路电压工况,并根据所述加速单工况评估数据,对所述电池运行数据进行膜电极化学耐久性加速判断处理,得到开路电压工况评估数据,具体包括:
根据所述开路电压工况,对所述质子交换膜燃料电池进行膜电极的运行数据获取,得到运行前膜电极数据与运行后膜电极数据;其中,所述运行前膜电极数据包括:运行前极化曲线、运行前阻抗谱曲线以及运行前伏安曲线;所述运行后膜电极数据包括:运行后极化曲线、运行后阻抗谱曲线以及运行后伏安曲线;
将所述运行后膜电极数据中的运行后极化曲线与所述加速单工况评估数据中与电催化剂微观厚度对应的极化曲线进行曲线数据的标定,并根据标定后的曲线对应关系,对所述电池运行数据进行膜电极化学耐久性加速判断处理,得到有关膜电极化学耐久性的催化层截面图;其中,所述膜电极化学耐久性加速判断处理为对膜电极的电催化剂进行运行前后催化活性损失判断处理;
对所述催化层截面图进行膜电极化学耐久性的数据标定,得到所述开路电压工况评估数据。
6.根据权利要求1所述的一种燃料电池耐久性的预测方法,其特征在于,对所述加速单工况评估数据以及所述开路电压工况评估数据所对应的极化曲线进行曲线的标定与拟合,具体包括:
获取所述电池运行数据中在常速多因素工况数据下的常速极化曲线;
将所述常速极化曲线与所述加速单工况评估数据中的极化曲线以及所述开路电压工况评估数据中的极化曲线进行标定;并根据标定后的极化曲线,将所述加速单工况评估数据与所述常速多因素工况数据之间的曲线映射关系进行特征拟合,得到拟合特征映射关系。
7.根据权利要求6所述的一种燃料电池耐久性的预测方法,其特征在于,根据拟合后的加速因子与映射关系,建立燃料电池耐久关联模型,具体包括:
根据所述标定后的极化曲线的预设滑动宽度,获取多个时序样本数据,并将所述多个时序样本数据确定为加速因子;
根据所述加速因子,将所述标定后的极化曲线与催化层截面图中的催化截面层厚度状态值进行非线性映射,得到非线性映射关系;
通过LSTM神经网络模型,基于所述非线性映射关系,建立所述燃料电池耐久关联模型。
8.根据权利要求7所述的一种燃料电池耐久性的预测方法,其特征在于,所述燃料电池耐久关联模型的训练输入端为所述催化截面层厚度状态值、所述开路电压工况评估数据中膜电极的极化曲线以及所述加速单工况评估数据中的电化学阻抗谱与循环伏安曲线;所述燃料电池耐久关联模型的训练输出端为所述电池运行数据中的常速极化曲线。
9.根据权利要求1所述的一种燃料电池耐久性的预测方法,其特征在于,通过所述燃料电池耐久关联模型,对所述电池运行数据中的待测时间序列进行耐久性特征的预测,得到膜电极载体耐久性特征预测结果,具体包括:
获取所述电池运行数据中的待测时间序列数据;其中,所述待测时间序列数据存在于所述电池运行数据的电池融合健康特征中;
将所述待测时间序列数据输入到所述燃料电池耐久关联模型中,得到膜电极载体耐久性特征预测结果;其中,所述膜电极载体耐久性特征预测结果为下一时间周期内的膜电极性能数据。
10.一种燃料电池耐久性的预测设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行根据权利要求1-9任一项所述的一种燃料电池耐久性的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473029.0A CN116203434B (zh) | 2023-04-28 | 2023-04-28 | 一种燃料电池耐久性的预测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473029.0A CN116203434B (zh) | 2023-04-28 | 2023-04-28 | 一种燃料电池耐久性的预测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116203434A CN116203434A (zh) | 2023-06-02 |
CN116203434B true CN116203434B (zh) | 2023-07-04 |
Family
ID=86509797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310473029.0A Active CN116203434B (zh) | 2023-04-28 | 2023-04-28 | 一种燃料电池耐久性的预测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116203434B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117199440A (zh) * | 2023-09-01 | 2023-12-08 | 广州大学 | 一种跨尺度燃料电池耐久性建模及评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110854417A (zh) * | 2019-11-18 | 2020-02-28 | 中南大学 | 氢燃料电池耐久性加速测试系统 |
CN112765794A (zh) * | 2021-01-05 | 2021-05-07 | 国网辽宁省电力有限公司经济技术研究院 | 基于加速寿命试验的磷酸铁锂电池的可靠性分析方法 |
CN112820906A (zh) * | 2021-01-15 | 2021-05-18 | 湖南理工学院 | 一种车用燃料电池动态工况下热力学性能的综合评价方法 |
CN115275235A (zh) * | 2022-09-30 | 2022-11-01 | 国家电投集团氢能科技发展有限公司 | 质子交换膜燃料电池阴极催化层浆料及制备方法和膜电极 |
CN115983084A (zh) * | 2022-11-23 | 2023-04-18 | 西北工业大学 | 一种燃料电池剩余使用寿命预测方法、系统、设备及终端 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8119294B2 (en) * | 2007-11-19 | 2012-02-21 | Clearedge Power, Inc. | System and method for operating a high temperature fuel cell as a back-up power supply with reduced performance decay |
US20170363689A1 (en) * | 2016-06-16 | 2017-12-21 | University Of South Carolina | Accelerated Testing Protocols For Solid Oxide Fuel Cell Cathode Materials |
-
2023
- 2023-04-28 CN CN202310473029.0A patent/CN116203434B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110854417A (zh) * | 2019-11-18 | 2020-02-28 | 中南大学 | 氢燃料电池耐久性加速测试系统 |
CN112765794A (zh) * | 2021-01-05 | 2021-05-07 | 国网辽宁省电力有限公司经济技术研究院 | 基于加速寿命试验的磷酸铁锂电池的可靠性分析方法 |
CN112820906A (zh) * | 2021-01-15 | 2021-05-18 | 湖南理工学院 | 一种车用燃料电池动态工况下热力学性能的综合评价方法 |
CN115275235A (zh) * | 2022-09-30 | 2022-11-01 | 国家电投集团氢能科技发展有限公司 | 质子交换膜燃料电池阴极催化层浆料及制备方法和膜电极 |
CN115983084A (zh) * | 2022-11-23 | 2023-04-18 | 西北工业大学 | 一种燃料电池剩余使用寿命预测方法、系统、设备及终端 |
Non-Patent Citations (1)
Title |
---|
开路电压工况下燃料电池膜电极耐久性研究;黄豪;杨座国;王亚蒙;胡鸣若;倪蕾蕾;曾乐才;季文姣;;华东理工大学学报(自然科学版)(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116203434A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Electrochemical impedance spectroscopy | |
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 | |
Jouin et al. | Degradations analysis and aging modeling for health assessment and prognostics of PEMFC | |
Petrone et al. | Accelerated stress test procedures for PEM fuel cells under actual load constraints: State-of-art and proposals | |
Pei et al. | Nonlinear methods for evaluating and online predicting the lifetime of fuel cells | |
Liu et al. | Durability study of proton exchange membrane fuel cells under dynamic testing conditions with cyclic current profile | |
CN116203434B (zh) | 一种燃料电池耐久性的预测方法及设备 | |
Jeppesen et al. | An EIS alternative for impedance measurement of a high temperature PEM fuel cell stack based on current pulse injection | |
CN103323387A (zh) | 一种原位加载的电化学腐蚀模拟装置 | |
CN112798513A (zh) | 一种质子交换膜燃料电池金属双极板耐久性加速测试方法 | |
Schneider et al. | Deconvolution of electrochemical impedance data for the monitoring of electrode degradation in VRFB | |
O'Rian et al. | Application of the transmission line EIS model to fuel cell catalyst layer durability | |
Chen et al. | Whole life cycle performance degradation test and RUL prediction research of fuel cell MEA | |
WO2013083872A1 (en) | Method and arrangement for indicating solid oxide cell operating conditions | |
CN112289385A (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 | |
Zhang et al. | The challenges in reliable determination of degradation rates and lifetime in polymer electrolyte membrane fuel cells | |
CN113611900A (zh) | 一种质子交换膜燃料电池的膜干故障诊断方法 | |
CN115935659A (zh) | 一种燃料电池电堆寿命预测方法、系统及电子设备 | |
CN114361535B (zh) | 一种基于电化学阻抗谱的燃料电池氢渗量评估方法 | |
CN115248382A (zh) | 一种质子交换膜燃料电池控制方法 | |
CN114373967A (zh) | 一种燃料电池堆氢气渗透量测量方法 | |
Huang et al. | Modeling-based analytics of degradation behavior for fuel cell stack under actual dynamic ambient temperature | |
WO2013083873A1 (en) | Method and arrangement for diagnosis of solid oxide cells operating conditions | |
Pinar et al. | Characterization of HT-PEM membrane-electrode-assemblies | |
CN110865019A (zh) | 一种测试燃料电池阴极催化层碳腐蚀行为的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |